JP7416025B2 - 栽培支援システム、栽培支援方法、及びプログラム - Google Patents
栽培支援システム、栽培支援方法、及びプログラム Download PDFInfo
- Publication number
- JP7416025B2 JP7416025B2 JP2021124987A JP2021124987A JP7416025B2 JP 7416025 B2 JP7416025 B2 JP 7416025B2 JP 2021124987 A JP2021124987 A JP 2021124987A JP 2021124987 A JP2021124987 A JP 2021124987A JP 7416025 B2 JP7416025 B2 JP 7416025B2
- Authority
- JP
- Japan
- Prior art keywords
- cultivation
- data
- model
- conditions
- cultivation conditions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 64
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 12
- 230000000295 complement effect Effects 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 25
- 238000003860 storage Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、栽培支援システム、栽培支援方法、及びプログラムに関する。
特許文献１には、「植物、特に野菜へのホウ素供給に有用な組成物を提供する」ことが記載され、特許文献２には、「Ｃａイオンに対する安定度定数が２～１２であり、且つＭＩＴＩ（通商産業省）法による生分解能が２８日間におけるＴＯＣ（全有機炭素）で１０～９９．９％であることを特徴とする農園芸用植物成長助剤」が記載されている。
［先行技術文献］
［特許文献］
［特許文献１］ 特開２０１６－８１６２号公報
［特許文献２］ 特開平１１－０２９４１５号公報
［先行技術文献］
［特許文献］
［特許文献１］ 特開２０１６－８１６２号公報
［特許文献２］ 特開平１１－０２９４１５号公報
本発明の第１の態様においては、栽培支援システムを提供する。栽培支援システムは、植物を栽培した栽培条件を取得する栽培条件取得部を備えてよい。栽培支援システムは、植物の栽培における障害の発生状況を取得する障害取得部を備えてよい。栽培支援システムは、栽培条件及び障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成するモデル生成部を備えてよい。栽培支援システムは、モデルを用いて、植物の栽培における障害の発生を抑える栽培条件を推定する推定部を備えてよい。
栽培支援システムは、栽培条件及び障害の発生状況の少なくとも１つのデータに前処理を行う前処理部を備えてよい。モデル生成部は、前処理されたデータを用いて、栽培条件及び障害の一方から他方を予測するモデルを生成してよい。
前処理部は、栽培条件のデータと障害の発生状況のデータを時間軸で対応付けること、栽培条件及び障害の発生状況の少なくとも１つのデータを補完すること、栽培条件及び障害の発生状況の少なくとも１つのデータの外れ値を処理すること、及び栽培条件及び障害の発生状況の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前処理を行ってよい。
栽培支援システムは、栽培条件及び障害の発生状況の少なくとも１つのデータの特徴量を抽出する抽出部を備えてよい。モデル生成部は、特徴量に基づいてモデルを生成してよい。
抽出部は、栽培条件及び障害の発生状況の少なくとも１つのデータについて、積算値、微分値、及び日中成分と夜間成分を分離したデータの少なくとも１つを特徴量として抽出してよい。
モデル生成部は、ベイジアンネットワークモデル構造のモデルを生成してよい。
モデル生成部は、栽培条件及び障害の発生状況の少なくとも１つのデータをクラスタリングして、ベイジアンネットワークモデル構造のモデルを生成してよい。
モデル生成部は、栽培条件及び障害の発生状況の少なくとも１つのデータのノードを有するベイジアンネットワークモデル構造のモデルを生成してよい。
栽培条件取得部は、植物を栽培した環境条件及び栽培した植物の状態を示す植物データを、栽培条件として取得してよい。
栽培支援システムは、推定した栽培条件を示すデータを表示装置に出力する出力部を備えてよい。
本発明の第２の態様においては、栽培支援システムを提供する。栽培支援システムは、植物を栽培する栽培条件及び植物の栽培における障害の一方から他方を予測するモデルを用いて、植物の栽培における障害の発生を抑える栽培条件を推定する推定部を備えてよい。栽培支援システムは、推定した栽培条件を示すデータを出力する出力部を備えてよい。
栽培支援システムは、栽培条件を取得する栽培条件取得部を備えてよい。栽培支援システムは、障害の発生状況を取得する障害取得部を備えてよい。栽培支援システムは、栽培条件及び障害の発生状況を用いて、モデルを更新するモデル更新部を備えてよい。
本発明の第３の態様においては、栽培支援方法を提供する。栽培支援方法は、植物を栽培した栽培条件を取得する段階を備えてよい。栽培支援方法は、植物の栽培における障害の発生状況を取得する段階を備えてよい。栽培支援方法は、栽培条件及び障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成する段階を備えてよい。栽培支援方法は、モデルを用いて、植物の栽培における障害の発生を抑える栽培条件を推定する段階を備えてよい。
本発明の第４の態様においては、プログラムを提供する。プログラムは、コンピュータを、植物を栽培した栽培条件を取得する栽培条件取得部として機能させてよい。プログラムは、コンピュータを、植物の栽培における障害の発生状況を取得する障害取得部として機能させてよい。プログラムは、コンピュータを、栽培条件及び障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成するモデル生成部として機能させてよい。プログラムは、コンピュータを、モデルを用いて、植物の栽培における障害の発生を抑える栽培条件を推定する推定部として機能させてよい。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、本実施形態に係る栽培支援システム１０の構成を示す。栽培支援システム１０は、植物の栽培における障害の発生を抑える栽培条件を推定することができる。栽培支援システム１０は、例えば、新品種の植物について適切な栽培条件を推定し、栽培を行う顧客等に提示することができる。栽培支援システム１０は、複数のセンサ１００と、複数の端末１１０と、支援装置２００と、表示装置３００とを備える。
複数のセンサ１００は、支援装置２００に有線又は無線で接続され、植物の栽培の栽培条件及び障害の発生状況の少なくとも一方を検出して、センサデータを支援装置２００に供給する。複数のセンサ１００は、栽培している植物の周囲環境内（例えば、栽培用のハウス又は培地等）又は栽培している植物（例えば、葉又は茎等）に設置されてよい。複数のセンサ１００は、それぞれ、植物を栽培した環境条件を示す環境条件データ２２２及び栽培した植物の状態を示す植物データ２２４の少なくとも一方を検出してよい。複数のセンサ１００は、障害の発生を自動で検出して、検出した障害を示す障害データ２２６を支援装置に供給してもよい。
ここで、環境条件は、栽培した植物の周囲環境の温度、湿度、水分量、日射量、培地温度、培地の電気伝導度（ＥＣ）、培地の水素イオン指数（ｐＨ）、２酸化炭素濃度、栽培に用いた薬剤の種類、及び薬剤の量の少なくとも１つを含んでよい。また、植物データ２２４は、栽培した植物の樹液流、葉面温度、茎径の少なくとも１つを含んでよい。なお、環境条件及び植物データ２２４は、栽培条件に含まれ、以下、栽培条件は、環境条件及び植物データ２２４の少なくとも一方を示す。また、植物の栽培における障害は、尻腐果、裂果等の生理障害、病気による障害、及び害虫による障害の少なくとも１つを含んでよい。障害データ２２６は、障害の種類、頻度、及び範囲の少なくとも１つを含んでよい。
複数の端末１１０は、支援装置２００に有線又は無線で接続され、栽培を行う栽培者等が有するＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、又は汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。端末１１０は、栽培者から植物の栽培の栽培条件及び障害の発生状況の少なくとも一方についての入力を受けて、支援装置２００に当該入力されたデータを送信してよい。端末１１０は、栽培者から障害データ２２６の入力を受けてよい。端末１１０は、栽培者から栽培において設定した栽培条件を示すデータを受けてよい。
支援装置２００は、表示装置３００に接続される。支援装置２００は、試験栽培等により得られた栽培条件及び障害の発生状況を示すデータを用いて学習して、モデルを生成する。さらに支援装置２００は、当該モデルを用いて植物の種類毎に適切な栽培条件を推定して表示装置３００に出力する。
支援装置２００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、又は汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、支援装置２００は、コンピュータ内で１又は複数の実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、支援装置２００は、栽培支援用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。コンピュータを用いる場合、支援装置２００は、コンピュータによりプログラムを実行することによって実現される。
支援装置２００は、取得部２１０と、記憶部２２０と、学習部２３０と、推定部２４０と、出力部２５０とを備える。取得部２１０は、複数のセンサ１００及び端末１１０に接続され、学習のためのデータを取得する。取得部２１０は、環境条件取得部２１２と、植物データ取得部２１４と、障害取得部２１６とを有する。なお、環境条件取得部２１２及び植物データ取得部２１４は、本願の栽培条件取得部の一例である。
環境条件取得部２１２は、記憶部２２０に接続され、植物を栽培した環境条件を示す環境条件データ２２２を取得し、記憶部２２０に供給する。環境条件取得部２１２は、環境条件データ２２２を複数のセンサ１００及び端末１１０から取得してよい。環境条件取得部２１２は、支援装置２００のユーザから入力された環境条件データ２２２を取得してもよい。
植物データ取得部２１４は、記憶部２２０に接続され、栽培した植物の状態を示す植物データ２２４を取得し、記憶部２２０に供給する。植物データ取得部２１４は、植物データ２２４を複数のセンサ１００及び端末１１０から取得してよい。植物データ取得部２１４は、支援装置２００のユーザから入力された植物データ２２４を取得してもよい。
障害取得部２１６は、記憶部２２０に接続され、植物の栽培における障害の発生状況を示す障害データ２２６を取得し、記憶部２２０に供給する。障害取得部２１６は、障害データ２２６を複数のセンサ１００及び端末１１０から取得してよい。障害取得部２１６は、は、支援装置２００のユーザから入力された障害データ２２６を取得してもよい。
記憶部２２０は、学習部２３０に接続され、取得部２１０が取得した環境条件データ２２２、植物データ２２４、及び障害データ２２６を格納する。そして、記憶部２２０は、環境条件データ２２２、植物データ２２４、及び障害データ２２６を、学習のためのデータとして学習部２３０に供給する。
学習部２３０は、推定部２４０に接続され、記憶部２２０から供給された学習のためのデータを用いて、栽培条件及び障害の一方から他方を予測するモデルを生成及び更新する。学習部２３０は、前処理部２３２と、抽出部２３４と、モデル生成部２３６と、モデル更新部２３９とを有する。
前処理部２３２は、抽出部２３４に接続され、記憶部２２０から供給される栽培条件及び障害の発生状況の少なくとも１つのデータに前処理を行い、前処理したデータを抽出部２３４に供給する。前処理部２３２は、データについて、学習のための前処理を行ってよい。
抽出部２３４は、モデル生成部２３６及びモデル更新部２３９に接続され、栽培条件及び障害の発生状況の少なくとも１つのデータの特徴量を抽出する。抽出部２３４は、前処理部２３２において前処理されたデータの特徴量を抽出して、抽出した特徴量をモデル生成部２３６及びモデル更新部２３９に供給してよい。
モデル生成部２３６は、栽培条件及び障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデル２３８を生成して、学習部２３０に格納する。モデル生成部２３６は、記憶部２２０に格納されたデータ、前処理されたデータ、及び抽出された特徴量の少なくとも１つを用いてモデル２３８を生成してよい。
モデル更新部２３９は、栽培条件及び障害の発生状況を用いて、モデル２３８を更新する。モデル更新部２３９は、記憶部２２０に格納されたデータ、前処理されたデータ、及び抽出された特徴量の少なくとも１つを用いてモデルを更新してよい。モデル更新部２３９は、モデル生成部２３６がモデル２３８を生成した後に取得部２１０が取得したデータを用いて、当該モデル２３８を更新してよい。モデル更新部２３９は、モデル２３８で推定した栽培条件により実行された植物栽培のデータを用いて、当該モデル２３８を更新してよい。
推定部２４０は、出力部２５０及び表示装置３００に接続され、学習部２３０に格納されたモデル２３８を用いて、植物の栽培における障害の発生を抑える栽培条件を推定して、出力部２５０に供給する。推定部２４０は、モデル２３８を用いて、最も障害の発生を抑えることができる栽培条件の組み合わせを推定してよい。また、推定部２４０は、表示装置３００又は支援装置２００のユーザからの推定条件の入力に応じて、栽培条件を推定してよい。推定部２４０は、栽培条件の複数の組み合わせを推定してよい。
出力部２５０は、表示装置３００に接続され、推定部２４０が推定した栽培条件を示すデータを表示装置３００に出力する。
表示装置３００は、コンピュータ、又はタッチパネルディスプレイ等のディスプレイであってよい。表示装置３００は、出力部２５０から受信したデータに応じて栽培条件を表示画面に表示してよい。表示装置３００は、ユーザから推定条件の入力を受けて、当該推定条件を示すデータを支援装置２００の推定部２４０に送信してよい。なお、表示装置３００は、支援装置２００の一部であってもよい。
図２は、栽培支援システム１０の動作の一例を示すフローである。Ｓ１１において、取得部２１０は、植物の栽培における栽培条件及び障害の発生状況を取得する。環境条件取得部２１２は、複数のセンサ１００及び端末１１０からリアルタイムで又は定期的に環境条件データ２２２を取得してよい。環境条件取得部２１２は、取得した環境条件データ２２２を、植物の種類及び取得日時の少なくとも１つに対応付けて記憶部２２０に格納してよい。植物データ取得部２１４は、複数のセンサ１００及び端末１１０からリアルタイムで又は定期的に植物データ２２４を取得してよい。植物データ取得部２１４は、取得した植物データ２２４を、植物の種類及び取得日時の少なくとも１つに対応付けて記憶部２２０に格納してよい。障害取得部２１６は、栽培者が目視等で植物をラベル付けしたデータを端末１１０を介して取得してよい。
さらに障害取得部２１６は、センサ１００によって画像診断等で検出された障害の発生状況を取得してよい。障害取得部２１６は、画像から障害の発生状況を出力するモデルを、予め栽培者等がラベル付けした学習データを用いて学習することにより生成してよい。障害取得部２１６は、当該障害検出のためのモデルを用いて画像診断を行ってよい。障害取得部２１６は、取得した障害データ２２６を記憶部２２０に格納する。
Ｓ１２において、前処理部２３２は、環境条件データ２２２、植物データ２２４、及び障害データ２２６に前処理を行う。前処理部２３２は、栽培条件のデータと障害の発生状況のデータを時間軸で対応付けること、栽培条件及び障害の発生状況の少なくとも１つのデータを補完すること、栽培条件及び障害の発生状況の少なくとも１つのデータの外れ値を処理すること、及び栽培条件及び障害の発生状況の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前処理を行ってよい。
前処理部２３２は、環境条件データ２２２、植物データ２２４、及び障害データ２２６をデータ取得時間に応じて対応付けてよい。前処理部２３２は、一例として、データ取得時間に応じて、同じ取得日毎に、又は異なる取得日もしくは同じ取得日の同じ時間間隔毎に、環境条件データ２２２、植物データ２２４、及び障害データ２２６を対応付けてよい。
前処理部２３２は、データが存在しない期間について、線形補間又はスプライン補完等の補完アルゴリズムを用いてデータを補完してよい。前処理部２３２は、データのうち、データの平均値との差が、ユーザにより予め定められた閾値を超える場合に、当該データを外れ値として削除又は時間軸で前後のデータと同じ値に変更してよい。前処理部２３２は、データの小数点以下切り捨て等により丸め処理を行ってよい。前処理部２３２は、データに対して、クラスタリングのための離散化を行ってよい。
Ｓ１３において、抽出部２３４は、環境条件データ２２２、植物データ２２４、及び障害データ２２６の特徴量を抽出する。抽出部２３４は、環境条件データ２２２、植物データ２２４、及び障害データ２２６の少なくとも１つのデータについて、積算値、微分値、及び日中成分と夜間成分を分離したデータの少なくとも１つを特徴量として抽出してよい。抽出部２３４は、予め定められた期間毎のデータの積算値を特徴量として算出してよい。抽出部２３４は、一例として、３時間毎に、障害の発生数、温度、又は湿度等の積算値を特徴量として抽出してよい。このように、積算値を算出することで、遅れてくる影響を知ることができる。抽出部２３４は、複数の取得時間におけるデータの微分値を算出して、微分値を特徴量として抽出してよい。抽出部２３４は、時間軸で推移するデータを、日中成分と夜間成分の合成波とみなして、日中成分と夜間成分との一方を補完（例えばスプライン補完）又は周波数分解手法（例えばフーリエ変換等）により分離してよい。そして、抽出部２３４は、分離した日中成分と夜間成分の一方とセンサデータの間の差分を、日中成分と夜間成分の他方として分離してよい。
Ｓ１４において、モデル生成部２３６は、前処理されたデータ及び特徴量を用いて機械学習を行うことによってモデルを生成する。モデル生成部２３６は、栽培条件及び障害の発生状況の少なくとも１つのデータをクラスタリングしてよい。モデル生成部２３６は、時系列及び特徴量等の類似度の少なくとも１つに基づき、データをクラスタリングしてよい。モデル生成部２３６は、一例として、異なる取得日の同じ時間帯におけるデータ同士を同じクラスタにしてよい。また、モデル生成部２３６は、ベクトル化したデータの類似度が閾値より高い（例えば、距離が閾値より小さい）データ同士を同じクラスタにしてよい。モデル生成部２３６は、一例として、抽出した特徴量同士の差が閾値以下である対応するデータ同士を同じクラスタにしてよい。
モデル生成部２３６は、ベイジアンネットワークモデル構造のモデル２３８を生成してよい。モデル生成部２３６は、クラスタリング後に、栽培条件及び障害の発生状況の少なくとも１つのデータのノードを有するベイジアンネットワークモデル構造のモデルを生成してよい。モデル生成部２３６は、生成したモデル２３８を学習部２３０に格納する。また、モデル生成部２３６は、ベイジアンネットワークモデル構造以外の機械学習モデルを生成してもよい。
Ｓ１４において、学習部２３０に既にモデル２３８が格納されている場合には、モデル更新部２３９は、前処理されたデータ及び特徴量を用いてモデル２３８を更新する。モデル更新部２３９は、モデル生成部２３６と同様に機械学習を行い、ベイジアンネットワークモデル構造のモデルを更新してよい。
Ｓ１５において、推定部２４０は、モデル２３８を用いて、障害の発生を抑える栽培条件を推定する。推定部２４０は、最も障害の発生を抑えることができる栽培条件の組み合わせを推定してよく、又は閾値以下にまで障害の発生を抑えることができる栽培条件の複数の組み合わせを推定してよい。推定部２４０は、ユーザから少なくとも１つの栽培条件が入力されると、当該入力された栽培条件を含む栽培条件の組み合わせを推定してよい。推定部２４０は、ユーザから少なくとも１つの栽培条件の組み合わせが入力されると、モデル２３８を用いて、当該栽培条件の組み合わせが障害の発生を抑える程度を推定してよい。推定部２４０は、推定した結果を出力部２５０に供給する。
Ｓ１６において、出力部２５０は、表示装置３００に推定結果を示すデータを出力して、表示装置３００に推定結果を表示させてよい。栽培者が表示された栽培条件に応じて栽培を行い、栽培結果が良好（図２においてＹ）である場合は、フローは終了する。また、栽培者が表示された栽培条件に応じて栽培を行い、栽培結果が不良（図２においてＮ）である場合は、フローはＳ１１に戻り、当該不良であった栽培結果と栽培条件を取得部２１０が取得して、モデル更新部２３９は取得したデータで学習を再開する。また、栽培者が表示された栽培条件での栽培を実行しないと決定した場合（図２においてＮ）には、栽培結果を不良として（例えば障害数が多数であるとして）、当該栽培条件を取得部２１０に取得させる。これにより、更新されたモデル２３８は、異なる栽培条件を出力することができる。
以上のような本実施形態の栽培支援システム１０は、新品種の植物等に適した栽培条件を、最小限の試験栽培で推定することができ、新品種の開発期間短縮に資する。植物の生理障害は、環境のバランスが崩れると発生することから、生理障害が発生しない環境条件を解明できれば、薬剤を使用せずに、生理障害の発生を抑制できる。また、生理障害が発生してから薬剤を散布するのではなく、生理障害が発生しない環境条件を保つことで、栽培ロスを削減できる。従って、本実施形態の栽培支援システム１０は、特に薬剤を用いずに生理障害を抑制する栽培条件を推定することに好適である。
図３は、本実施形態の栽培支援システム１０のモデル生成部２３６におけるクラスタリング後のデータを示す表である。表において、環境条件の「温度＿昼」は栽培環境の日中温度を、「温度＿夜」は栽培環境の夜間温度を、「湿度＿昼」は栽培環境の日中湿度を示す。表において、植物データ２２４の「樹液流＿昼」は栽培した植物の日中の樹液流を、「樹液流＿夜」は栽培した植物の夜間の樹液流を、「葉面温度＿昼」は栽培した植物の日中の葉面温度を示す。以下同様である。
図３における障害発生度合いは、障害データ２２６であり、前処理部２３２において障害の発生数を正規化されたものであってよい。表に示すように、環境条件データ２２２、植物データ２２４、及び障害データ２２６は、日付及び夜間／日中に応じて対応付けられ、１からＮ（Ｎ＞１）までのクラスタに属する。図３において日付２０２１／０１／０１と２０２１／０１／０２のデータはクラスタ３に属し、日付２０２１／０１／０３と２０２１／０１／０４のデータはクラスタ１に属する。
図４は、抽出部２３４において処理される温度データを示す。図４のグラフにおいて、縦軸は前処理部２３２において正規化された温度を示し、横軸は、時間を示す。本実施形態における環境条件取得部２１２は、センサ１００から温度データを取得してよい。温度データは、図４のように時間軸で変化し、波のような形状となる。抽出部２３４は、当該温度データの波を、夜間成分と日中成分との合成波として処理する。抽出部２３４は、複数日間における夜間の予め定められた時間帯（例えば２３時～２時）の温度データを用いて、当該温度データの間（すなわち、２時～２３時）を補完（例えばスプライン補完等）して、図４に示すような夜間成分を分離してよい。
また、抽出部２３４は、時間軸における温度データの波をフーリエ変換等により周波数分解して、予め定められた周波数帯（例えば、夜間成分は低周波数帯で日中成分は高周波数帯等）のデータを逆フーリエ変換等により時間軸のデータに変換してよい。抽出部２３４は、算出された日中成分と夜間成分との一方のデータと温度データとの差分を日中成分と夜間成分との他方のデータとして算出してよい。なお、抽出部２３４は、環境条件データ２２２、植物データ２２４、及び障害データ２２６（例えば、日射量又は樹液量等のデータ）について同様に処理することができる。
図５は、本実施形態の栽培支援システム１０のモデル生成部２３６が生成するベイジアンネットワークモデル構造のモデルの一例を示す。モデル生成部２３６は、環境条件のノードの層、植物データ２２４のノードの層、及び障害のノードの層を含む３以上のノードの層からなるモデルを生成してよい。環境条件より植物データ２２４の方が尻腐等の生理障害の発生に対して影響がより大きい。従って、モデル生成部２３６は、図５のように、１層目に複数の環境条件、２層目に複数のクラスタ、３層目に複数の植物データ２２４、４層目に障害をノードとしたモデルを生成することができる。図５のモデルにおいて、太線の矢印は細線の矢印よりもノード移行の確率が高いものであることを示す。
図５においてモデル２３８は、最も尻腐れが生じにくい環境条件の範囲の組み合わせを１層目に示してよい。モデル２３８は、１層目の複数の環境条件のノードのそれぞれが各クラスタのノードに属する確率（割合）を矢印で示してよい。モデル２３８は、各クラスタのノードに属する複数の環境条件で生じる植物データ２２４の範囲の確率をクラスタのノードと植物データ２２４のノードの間の矢印で示してよい。モデル２３８は、植物データ２２４の各範囲から障害が生じる確率を植物データ２２４のノードと障害のノードとの間の矢印で示してよい。モデル２３８は、環境条件の範囲のノードと尻腐れのノードとの間の合計確率を、示された環境条件における尻腐れの発生確率として算出してよい。モデル２３８は、当該合計確率を、複数の環境条件の範囲のノードと尻腐れのノードとの間で、最も低いもしくは高い発生確率となるような矢印の組み合わせ、又は全ての矢印の組み合わせで確率を乗算して算出してよい。
なお、環境条件の各範囲及び植物データ２２４の各範囲は、取得部２１０、前処理部２３２、又はモデル生成部２３６が、支援装置２００に格納されたテーブルに予め規定された複数の範囲にデータを振り分けたものであってよい。例えば昼間の測定温度２１℃は、２０－２２℃，２２－２４℃，２４－２６℃・・・等の複数の温度範囲のうちの２０－２２℃の範囲に振り分けられる。
図５のようなモデル構成にすることで、モデル２３８の利用時には、ユーザは支援装置２００に環境条件データ２２２を入力することで、当該入力された環境条件データ２２２が属する範囲の環境条件で尻腐れが発生する確率を推定することができる。従って、支援装置２００は、環境条件データ２２２のみ取得・保存すれば、植物データ２２４を実際には計測せずに、障害の発生確率を推定することができる。栽培支援システム１０は、表示装置３００に図５のようなモデルを表示させてもよい。
図６は、本実施形態の栽培支援システム１０の表示装置３００に表示させる表示画面の一例を示す。図６の表示画面において、縦軸は環境条件を示し、横軸は障害の発生度合い（黒は障害の発生を抑制する度合い、白は障害の発生を促進する度合い）を示す。一例として、ユーザが支援装置２００に図６の縦軸の環境条件の組み合わせを入力すると又は支援装置２００の取得部２１０が測定値を取得すると自動で、支援装置２００は、モデル２３８を用いて図６のように各環境条件の障害発生度合いを推定して、表示装置３００に表示させてよい。他の例として、ユーザが障害の種類を入力すると、当該障害の抑制効果が高い順に環境条件及び植物データを表示してよい。
図７は、本実施形態の栽培支援システム１０の表示装置３００に表示させる環境条件の表示画面の例を示す。図７において、温度のグラフは、縦軸が温度、横軸が時間を示し、設定値が栽培環境の設定温度を細線で示し、測定値がセンサ１００で測定された実際の温度を太線で示し、１８時－６時の夜間の推奨値（１４－１６℃）を灰色の範囲で示す。ＣＯ２のグラフは、縦軸がＣＯ２濃度、横軸が時間を示し、ＣＯ２ ｄｏｓｅが栽培環境内への２酸化炭素の添加量を細線で示し、測定値がセンサ１００で測定された栽培環境内の実際のＣＯ２濃度を太線で示し、１８時－６時の夜間の推奨値（５００－６００ｐｐｍ）を灰色の範囲で示す。湿度のグラフは、縦軸が湿度、横軸が時間を示し、Ｖｅｎｔ ｐｏｓが栽培環境の設定湿度を細線で示し、測定値がセンサ１００で測定された栽培環境の実際の湿度を太線で示し、１８時－６時の夜間の推奨値（６０－７０％）を灰色の範囲で示す。日射量のグラフは、縦軸が日射量、横軸が時間を示し、遮光カーテンが栽培環境の遮光の度合いを細線で示し、測定値がセンサ１００で測定された栽培環境の実際の日射量を太線で示し、１８時－６時の夜間の推奨値（０）を灰色で示す。
ユーザが、特定の植物の栽培における尻腐れ発生予測の指示を支援装置２００に入力すると、支援装置２００は、モデル２３８を用いて、当該植物の尻腐れを抑制する環境条件（推奨値）を推定する。モデル２３８は、複数の温度範囲、複数の湿度範囲、複数の２酸化炭素濃度範囲、及び複数の日射量範囲のそれぞれにおいて、最も尻腐れの発生確率が低い範囲の組み合わせを出力してよい。さらに支援装置２００は、当該植物の栽培の測定値を取得し、取得した測定値と推定した環境条件を比較して、これらの一致度に応じて尻腐れ発生予測を行ってよい。そして支援装置２００は、図７に示すように、測定値と、推奨値と、当該植物の栽培における尻腐れ発生予測（図７においては一致度が閾値より低い場合に尻腐れが発生する可能性が高いとして「危険！」）とを表示装置３００に表示させてよい。
図８は、本実施形態の栽培支援システム１０の表示装置３００に表示させる植物データ２２４の表示画面の例を示す。図８の表示画面はタブで図７の表示画面と切り替え可能であってよく、図７の表示のための処理と図８の表示のための処理は同時に行われてよい。
図８において、樹液流及び葉面温度の時間推移のグラフを示し、各グラフは、一日のセンサ１００の測定値と推奨値の範囲を示す。樹液流のグラフは、縦軸が樹液流量、横軸が時間を示し、推定値がデータに基づく樹液流量を示し、１８時－６時の夜間の推奨値（４－４．５ｍｌ／ｈ）を灰色の範囲で示す。葉面温度のグラフは、縦軸が葉面温度、横軸が時間を示し、推定値がデータに基づく葉面温度を示し、１８時－６時の夜間の推奨値（１１－１３℃）を灰色の範囲で示す。
ユーザが、特定の植物の栽培における尻腐れ発生予測の指示を支援装置２００に入力すると又は支援装置２００の取得部２１０が測定値を取得すると自動で、支援装置２００は、モデル２３８を用いて、当該植物の尻腐れを抑制する植物データ２２４（推奨値）を推定する。支援装置２００は、モデル２３８を用いて、例えば、図７の環境条件の推奨値で最も尻腐れを抑制できる植物データ２２４を推奨値として推定してよい。支援装置２００は、モデル２３８を用いて、環境条件の測定値から最も高い確率で生じる植物データを推定して、図８における推定値としてもよい。そして支援装置２００は、図８に示すように、測定値と、推奨値と、当該植物の栽培における尻腐れ発生予測（図８においては一致度が閾値より低い場合に尻腐れが発生する可能性が高いとして「危険！」）とを表示装置３００に表示させてよい。なお、図７及び図８における表示画面は、図５のようなモデル生成した際に同時に推定された各ノードの環境条件及び植物データを表示してよい。
図９は、本実施形態に係る栽培支援システム１０の他の例の構成を示す。他の例における栽培支援システム１０は、図１の栽培支援システム１０と同様の構成を備え、同様の動作を行うものであってよく、ただし、モデル生成部２３６を備えない。他の例の栽培支援システム１０は、外部の装置で予め学習されたモデル２３８を格納してよい。他の例の栽培支援システム１０の推定部２４０は、当該モデル２３８を用いて図１の支援装置２００の推定部２４０と同様に推定処理を行ってよい。他の例の栽培支援システム１０は、その他の構成及び動作については、図１の栽培支援システム１０と同様であってよく、詳細な説明を省略する。
なお、図１及び図９の栽培支援システム１０は、センサ１００及び端末１１０を備えていなくてもよく、支援装置２００は、外部の記憶装置等から学習のためのデータを取得してよい。また、栽培支援システム１０は、植物の栽培の環境条件を制御する制御装置を備えてよい。この場合、制御装置は、支援装置２００が推定した栽培条件に従って制御を実行し、支援装置２００は、当該実行された栽培のデータを取得し、さらに学習を行ってよい。
また、本発明の様々な実施形態は、フローチャート及びブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階又は（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階及びセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、及び他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。
コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャート又はブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ又はプログラマブル回路に対し、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャート又はブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。
図１０は、本発明の複数の態様が全体的又は部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作又は当該装置の１又は複数のセクションとして機能させることができ、又は当該操作又は当該１又は複数のセクションを実行させることができ、及び／又はコンピュータ２２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。
本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、及びディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インタフェース２２２２、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６、及びＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０及びキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。
ＣＰＵ２２１２は、ＲＯＭ２２３０及びＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等又はそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。
通信インタフェース２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラム及びデータを格納する。ＤＶＤ－ＲＯＭドライブ２２２６は、プログラム又はデータをＤＶＤ－ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。
ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、及び／又はコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。
プログラムが、ＤＶＤ－ＲＯＭ２２０１又はＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、又はＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ２２００の使用に従い情報の操作又は処理を実現することによって構成されてよい。
例えば、通信がコンピュータ２２００及び外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース２２２２に対し、通信処理を命令してよい。通信インタフェース２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭ２２０１、又はＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。
また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６（ＤＶＤ－ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。
様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
上で説明したプログラム又はソフトウェアモジュールは、コンピュータ２２００上又はコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバーシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１０ 栽培支援システム
１００ センサ
１１０ 端末
２００ 支援装置
２１０ 取得部
２１２ 環境条件取得部
２１４ 植物データ取得部
２１６ 障害取得部
２２０ 記憶部
２２２ 環境条件データ
２２４ 植物データ
２２６ 障害データ
２３０ 学習部
２３２ 前処理部
２３４ 抽出部
２３６ モデル生成部
２３８ モデル
２３９ モデル更新部
２４０ 推定部
２５０ 出力部
３００ 表示装置
２２００ コンピュータ
２２０１ ＤＶＤ－ＲＯＭ
２２１０ ホストコントローラ
２２１２ ＣＰＵ
２２１４ ＲＡＭ
２２１６ グラフィックコントローラ
２２１８ ディスプレイデバイス
２２２０ 入／出力コントローラ
２２２２ 通信インタフェース
２２２４ ハードディスクドライブ
２２２６ ＤＶＤ－ＲＯＭドライブ
２２３０ ＲＯＭ
２２４０ 入／出力チップ
２２４２ キーボード
１００ センサ
１１０ 端末
２００ 支援装置
２１０ 取得部
２１２ 環境条件取得部
２１４ 植物データ取得部
２１６ 障害取得部
２２０ 記憶部
２２２ 環境条件データ
２２４ 植物データ
２２６ 障害データ
２３０ 学習部
２３２ 前処理部
２３４ 抽出部
２３６ モデル生成部
２３８ モデル
２３９ モデル更新部
２４０ 推定部
２５０ 出力部
３００ 表示装置
２２００ コンピュータ
２２０１ ＤＶＤ－ＲＯＭ
２２１０ ホストコントローラ
２２１２ ＣＰＵ
２２１４ ＲＡＭ
２２１６ グラフィックコントローラ
２２１８ ディスプレイデバイス
２２２０ 入／出力コントローラ
２２２２ 通信インタフェース
２２２４ ハードディスクドライブ
２２２６ ＤＶＤ－ＲＯＭドライブ
２２３０ ＲＯＭ
２２４０ 入／出力チップ
２２４２ キーボード
Claims (15)
- 植物を栽培した栽培条件を取得する栽培条件取得部と、
前記植物の栽培における障害の発生状況を取得する障害取得部と、
前記栽培条件及び前記障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成するモデル生成部と、
前記モデルを用いて、前記植物の栽培において、最も障害の発生を抑えることのできる栽培条件の組み合わせ、または、予め定められた閾値以下にまで前記障害の発生を抑えることができる栽培条件の複数の組み合わせを推定する推定部とを備える
栽培支援システム。 - 植物を栽培した栽培条件を取得する栽培条件取得部と、
前記植物の栽培における障害の発生状況を取得する障害取得部と、
前記栽培条件及び前記障害の発生状況の少なくとも１つのデータについて、日中成分と夜間成分を分離したデータを特徴量として抽出する抽出部と、
前記栽培条件及び前記障害の発生状況を用いて、前記特徴量に基づいて、栽培条件及び障害の一方から他方を予測するモデルを生成するモデル生成部と、
前記モデルを用いて、前記植物の栽培における障害の発生を抑える栽培条件を推定する推定部とを備える
栽培支援システム。 - 前記栽培条件及び前記障害の発生状況の少なくとも１つのデータに前処理を行う前処理部を備え、
前記モデル生成部は、前記前処理されたデータを用いて、前記栽培条件及び障害の一方から他方を予測するモデルを生成する
請求項１または２に記載の栽培支援システム。 - 前記前処理部は、前記栽培条件のデータと前記障害の発生状況のデータを時間軸で対応付けること、前記栽培条件及び前記障害の発生状況の少なくとも１つのデータを補完すること、前記栽培条件及び前記障害の発生状況の少なくとも１つのデータの外れ値を処理すること、及び前記栽培条件及び前記障害の発生状況の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前記前処理を行う
請求項３に記載の栽培支援システム。 - 前記栽培条件及び前記障害の発生状況の少なくとも１つのデータの特徴量を抽出する抽出部を備え、
前記モデル生成部は、前記特徴量に基づいて前記モデルを生成する
請求項１に記載の栽培支援システム。 - 前記抽出部は、前記栽培条件及び前記障害の発生状況の少なくとも１つのデータについて、積算値、微分値、及び日中成分と夜間成分を分離したデータの少なくとも１つを前記特徴量として抽出する
請求項５に記載の栽培支援システム。 - 前記モデル生成部は、ベイジアンネットワークモデル構造のモデルを生成する
請求項１から６のいずれか一項に記載の栽培支援システム。 - 前記モデル生成部は、前記栽培条件及び前記障害の発生状況の少なくとも１つのデータをクラスタリングして、前記ベイジアンネットワークモデル構造のモデルを生成する
請求項７に記載の栽培支援システム。 - 前記モデル生成部は、前記栽培条件及び前記障害の発生状況の少なくとも１つのデータのノードを有する前記ベイジアンネットワークモデル構造のモデルを生成する
請求項７又は８に記載の栽培支援システム。 - 前記栽培条件取得部は、前記植物を栽培した環境条件及び前記栽培した植物の状態を示す植物データを、前記栽培条件として取得する
請求項１から９のいずれか一項に記載の栽培支援システム。 - 前記推定した栽培条件を示すデータを表示装置に出力する出力部を備える
請求項１から１０のいずれか一項に記載の栽培支援システム。 - 植物を栽培する栽培条件及び前記植物の栽培における障害の一方から他方を予測するモデルを用いて、前記植物の栽培において、最も障害の発生を抑えることのできる栽培条件の組み合わせ、または、予め定められた閾値以下にまで前記障害の発生を抑えることができる栽培条件の複数の組み合わせを推定する推定部と、
前記推定した栽培条件を示すデータを出力する出力部と
を備える栽培支援システム。 - 前記栽培条件を取得する栽培条件取得部と、
前記障害の発生状況を取得する障害取得部と、
前記栽培条件及び前記障害の発生状況を用いて、前記モデルを更新するモデル更新部とを備える
請求項１２に記載の栽培支援システム。 - 植物を栽培した栽培条件を取得する段階と、
前記植物の栽培における障害の発生状況を取得する段階と、
前記栽培条件及び前記障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成する段階と、
前記モデルを用いて、前記植物の栽培において、最も障害の発生を抑えることのできる栽培条件の組み合わせ、または、予め定められた閾値以下にまで前記障害の発生を抑えることができる栽培条件の複数の組み合わせを推定する段階とを備える
栽培支援方法。 - コンピュータを、
植物を栽培した栽培条件を取得する栽培条件取得部と、
前記植物の栽培における障害の発生状況を取得する障害取得部と、
前記栽培条件及び前記障害の発生状況を用いて、栽培条件及び障害の一方から他方を予測するモデルを生成するモデル生成部と、
前記モデルを用いて、前記植物の栽培において、最も障害の発生を抑えることのできる栽培条件の組み合わせ、または、予め定められた閾値以下にまで前記障害の発生を抑えることができる栽培条件の複数の組み合わせを推定する推定部と、
として機能させるためのプログラム。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124987A JP7416025B2 (ja) | 2021-07-30 | 2021-07-30 | 栽培支援システム、栽培支援方法、及びプログラム |
| US17/865,368 US20230032038A1 (en) | 2021-07-30 | 2022-07-14 | Cultivation assistance system, cultivation assistance method, and recording medium |
| CN202210905905.8A CN115688551A (zh) | 2021-07-30 | 2022-07-29 | 栽培辅助系统、栽培辅助方法以及记录介质 |
| EP22187897.8A EP4124924A1 (en) | 2021-07-30 | 2022-07-29 | Cultivation assistance system, cultivation assistance method, program, and recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124987A JP7416025B2 (ja) | 2021-07-30 | 2021-07-30 | 栽培支援システム、栽培支援方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023019915A JP2023019915A (ja) | 2023-02-09 |
| JP7416025B2 true JP7416025B2 (ja) | 2024-01-17 |
Family
ID=83232743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021124987A Active JP7416025B2 (ja) | 2021-07-30 | 2021-07-30 | 栽培支援システム、栽培支援方法、及びプログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230032038A1 (ja) |
| EP (1) | EP4124924A1 (ja) |
| JP (1) | JP7416025B2 (ja) |
| CN (1) | CN115688551A (ja) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009106261A (ja) | 2007-10-30 | 2009-05-21 | Asuzac Inc | 作物の栽培支援装置 |
| WO2020008777A1 (ja) | 2018-07-02 | 2020-01-09 | ボッシュ株式会社 | 情報処理装置、情報処理システム、およびプログラム |
| WO2020241005A1 (ja) | 2019-05-30 | 2020-12-03 | 株式会社アクアソリューション | 栽培支援装置、及び栽培支援方法 |
| CN113095555A (zh) | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| WO2021145081A1 (ja) | 2020-01-16 | 2021-07-22 | 横河電機株式会社 | 支援システム、及び支援方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1129415A (ja) | 1997-07-14 | 1999-02-02 | Mitsubishi Chem Corp | 農園芸用植物成長助剤 |
| JP6438689B2 (ja) | 2014-06-26 | 2018-12-19 | 雪印種苗株式会社 | ホウ素供給用組成物 |
| JP6647824B2 (ja) * | 2015-09-25 | 2020-02-14 | 三菱重工業株式会社 | 異常診断システム及び異常診断方法 |
| AU2019415077A1 (en) * | 2018-12-27 | 2021-06-24 | Bayer Cropscience K.K. | Information processing device, and information processing system |
| MX2021015706A (es) * | 2019-06-17 | 2022-02-03 | Bayer Cropscience Kk | Dispositivo y metodo de procesamiento de informacion. |
-
2021
- 2021-07-30 JP JP2021124987A patent/JP7416025B2/ja active Active
-
2022
- 2022-07-14 US US17/865,368 patent/US20230032038A1/en active Pending
- 2022-07-29 CN CN202210905905.8A patent/CN115688551A/zh active Pending
- 2022-07-29 EP EP22187897.8A patent/EP4124924A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009106261A (ja) | 2007-10-30 | 2009-05-21 | Asuzac Inc | 作物の栽培支援装置 |
| WO2020008777A1 (ja) | 2018-07-02 | 2020-01-09 | ボッシュ株式会社 | 情報処理装置、情報処理システム、およびプログラム |
| WO2020241005A1 (ja) | 2019-05-30 | 2020-12-03 | 株式会社アクアソリューション | 栽培支援装置、及び栽培支援方法 |
| WO2021145081A1 (ja) | 2020-01-16 | 2021-07-22 | 横河電機株式会社 | 支援システム、及び支援方法 |
| CN113095555A (zh) | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115688551A (zh) | 2023-02-03 |
| US20230032038A1 (en) | 2023-02-02 |
| EP4124924A1 (en) | 2023-02-01 |
| JP2023019915A (ja) | 2023-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Crisp et al. | Hypothesis testing in biogeography | |
| Roberts et al. | Agronomic weather measures in econometric models of crop yield with implications for climate change | |
| Paine et al. | How to fit nonlinear plant growth models and calculate growth rates: an update for ecologists | |
| Candau et al. | Forecasting the response of spruce budworm defoliation to climate change in Ontario | |
| Hais et al. | Landsat imagery spectral trajectories—important variables for spatially predicting the risks of bark beetle disturbance | |
| Bradford et al. | Tree mortality response to drought‐density interactions suggests opportunities to enhance drought resistance | |
| CN106940824A (zh) | 用于估计有效害虫严重程度指数的系统和方法 | |
| Olivares et al. | Prediction of banana production using epidemiological parameters of black sigatoka: An application with random forest | |
| Fargeon et al. | Vulnerability of commercial tree species to water stress in logged forests of the Guiana shield | |
| US11682090B2 (en) | Method and apparatus for generation and employment of parcel production stability attributes for land parcel valuation | |
| Erazo-Rodas et al. | Multiparametric monitoring in equatorian tomato greenhouses (III): Environmental measurement dynamics | |
| Morrison et al. | Demographic variation in space and time: implications for conservation targeting | |
| Zhang et al. | Response of ecohydrological variables to meteorological drought under climate change | |
| CN110520702A (zh) | 监视电子设备的热健康 | |
| JP7416025B2 (ja) | 栽培支援システム、栽培支援方法、及びプログラム | |
| Chivulescu et al. | Past and Future of Temperate Forests State under Climate Change Effects in the Romanian Southern Carpathians | |
| Belokopytova et al. | Species-and age-specific growth reactions to extreme droughts of the keystone tree species across forest-steppe and sub-taiga habitats of South Siberia | |
| Wang et al. | Species distribution model for management of an invasive vine in forestlands of eastern Texas | |
| US11798043B2 (en) | Method and apparatus for generation and employment of agro-economic metrics for land parcel valuation | |
| JP7476863B2 (ja) | 栽培支援システム、栽培支援方法、及びプログラム | |
| US11720724B2 (en) | Method and apparatus for generation of land parcel valuation tailored for use | |
| Gertner | Localizing a diameter increment model with a sequential Bayesian procedure | |
| Moreno-Fernández et al. | Strategies for modeling regeneration density in relation to distance from adult trees | |
| de Lima et al. | Can management improve the value of shade plantations for the endemic species of São Tomé Island? | |
| Wood | Machine learning and regression analysis reveal different patterns of influence on net ecosystem exchange at two conifer woodland sites |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221109 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230612 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230908 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231205 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231218 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7416025 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |