JPWO2018151196A1

JPWO2018151196A1 - 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体

Info

Publication number: JPWO2018151196A1
Application number: JP2018568593A
Authority: JP
Inventors: 英志山下; 大久寿居
Original assignee: NEC Solution Innovators Ltd
Current assignee: NEC Solution Innovators Ltd
Priority date: 2017-02-16
Filing date: 2018-02-15
Publication date: 2019-11-07
Anticipated expiration: 2038-02-15
Also published as: WO2018151196A1; JP7007018B2

Abstract

本発明は、例えば、作物を生育している現場にいなくても、現時点での作物の生育状況や、将来の生育状況を推定することができる、作物生育の推定装置の提供を目的とする。本発明の推定装置は、データ取得手段とサブモデル生成手段と記憶手段と推定手段とを有する。前記データ取得手段は、広域データ、および、狭域データを取得する手段であり、前記広域データは、広域における、衛星画像データおよび気象データの少なくとも一方を含み、前記狭域データは、狭域における、環境データ、圃場データおよび作物の生育状況データを含み；前記サブモデル生成手段は、下記（１）から（６）のうち少なくとも２つ以上のサブモデルを生成する手段であり；前記記憶手段は、前記生成した各サブモデルを、それぞれ記憶する手段であり；前記推定手段は、前記データ取得手段で取得したいずれかのデータから、前記記憶した各サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、任意の地域における作物の生育の推定結果を生成する手段である。（１）前記広域データから、作物の生育状況を、第１サブモデルとして生成（２）前記狭域データから、作物の生育状況を、第２サブモデルとして生成（３）作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成（４）前記広域データから、狭域データを、第４サブモデルとして生成（５）前記広域データから、未来の広域データを、第５サブモデルとして生成（６）前記狭域データから、未来の狭域データを、第６サブモデルとして生成

Description

本発明は、作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体に関する。

従来、圃場において育種中の作物の画像データから、収穫量を予測する方法が提案されている（特開２００３−６６１２号公報）。しかしながら、この予測方法によって予測できるのは、画像を取得した特定の圃場における収穫量の予測に留まる。

特開２００３−６６１２号公報

近年、地球全体における温暖化および異常気象等による農業への影響、人口増加による食糧不足等の問題から、農作物を効率良く生育させ、また、収穫された農作物の余剰による破棄を抑制することが、重要視されている。しかし、ワールドワイドな視点に基づくと、大陸単位や国単位等で、気象条件や環境条件が異なるため、例えば、日本にいて、全く条件が異なる国における、農作物の生育状況等を把握することは、現地からの直接の情報がなければ、実際には困難である。

そこで、本発明は、例えば、作物を生育している現場にいなくても、現時点での作物の生育状況や、将来の生育状況を推定することができる、作物生育の推定システムの提供を目的とする。より具体的には、例えば、ワールドワイドでの作物生育の推定システムの提供を目的とする。

前記目的を達成するために、本発明の作物生育の推定装置は、
データ取得手段と、
サブモデル生成手段と、
記憶手段と、
推定手段とを有し、
前記データ取得手段は、
広域データ、および、狭域データを取得する手段であり、
前記広域データは、広域における、衛星画像データおよび気象データの少なくとも一方を含み、
前記狭域データは、狭域における、環境データ、圃場データおよび作物の生育状況データを含み；
前記サブモデル生成手段は、
下記（１）から（６）のうち少なくとも２つ以上のサブモデルを生成する手段であり；
前記記憶手段は、
前記生成した各サブモデルを、それぞれ記憶する手段であり；
前記推定手段は、
前記データ取得手段で取得したいずれかのデータから、前記記憶した各サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、任意の地域における作物の生育の推定結果を生成する手段であることを特徴とする。
（１）前記広域データから、作物の生育状況を、第１サブモデルとして生成
（２）前記狭域データから、作物の生育状況を、第２サブモデルとして生成
（３）作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成
（４）前記広域データから、狭域データを、第４サブモデルとして生成
（５）前記広域データから、未来の広域データを、第５サブモデルとして生成
（６）前記狭域データから、未来の狭域データを、第６サブモデルとして生成

本発明の作物生育の推定方法は、
データ取得工程と、
サブモデル生成工程と、
記憶工程と、
推定工程とを有し、
前記データ取得工程は、
広域データ、および、狭域データを取得する工程であり、
前記広域データは、広域における、衛星画像データおよび気象データを含み、
前記狭域データは、狭域における、環境データ、圃場データおよび作物の生育状況データを含み；
前記サブモデル生成工程は、
下記（１）から（６）のうち少なくとも２つ以上のサブモデルを生成する工程であり；
前記記憶工程は、
前記生成した各サブモデルを、それぞれ記憶する工程であり；
前記推定工程は、
前記データ取得工程で取得したいずれかのデータから、前記記憶した各サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、任意の地域における作物の生育の推定結果を生成する工程であることを特徴とする。
（１）前記広域データから、作物の生育状況を、第１サブモデルとして生成
（２）前記狭域データから、作物の生育状況を、第２サブモデルとして生成
（３）作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成
（４）前記広域データから、狭域データを、第４サブモデルとして生成
（５）前記広域データから、未来の広域データを、第５サブモデルとして生成
（６）前記狭域データから、未来の狭域データを、第６サブモデルとして生成

本発明のプログラムは、前記本発明の作物生育の推定方法をコンピュータに実行させることを特徴とする。

本発明の記録媒体は、前記本発明のプログラムを記録したコンピュータ読み取り可能である。

本発明によれば、例えば、作物を生育している現場にいなくても、現時点での作物の生育状況や、将来の生育状況を推定することができ、ワールドワイドでの作物生育の推定も可能となる。

図１は、実施形態１の推定装置の一例を示すブロック図である。図２は、実施形態１の推定装置のその他の例を示すブロック図である。図３は、実施形態１の推定方法の一例を示すフローチャートである。図４は、実施形態２の推定装置のその他の例を示すブロック図である。図５は、実施形態２の推定方法の一例を示すフローチャートである。図６は、実施形態３の推定装置のその他の例を示すブロック図である。図７は、実施形態３の推定方法の一例を示すフローチャートである。図８は、実施形態１の推定装置のハードウェア構成の一例を示すブロック図である。

本発明の推定装置は、例えば、前記広域が全球であり、前記狭域が圃場である。

本発明の推定装置は、例えば、前記広域データにおける気象データが、前記広域における、日照時間、気温、土壌水分、および降水量からなる群から選択された少なくとも一つを含み、前記狭域データにおける環境データが、前記狭域における、気温、湿度、日照時間、日紫外線量、雨量、および前記狭域の画像からなる群から選択された少なくとも一つを含み、前記狭域データにおける圃場データが、前記狭域内の圃場における、作物生育の作業情報、病害虫の発生情報、および作物の生育障害の発生情報からなる群から選択された少なくとも一つを含み、前記狭域データにおける作物の生育状況データが、作物の量および作物の質の少なくとも一方を含む。

本発明の推定装置は、例えば、さらに、推定結果を出力する出力手段を含む。

本発明の推定方法は、例えば、前記広域が全球であり、前記狭域が圃場である。

本発明の推定方法は、例えば、前記広域データにおける気象データが、前記広域における、日照時間、気温、土壌水分、および降水量からなる群から選択された少なくとも一つを含み、前記狭域データにおける環境データが、前記狭域における、気温、湿度、日照時間、日紫外線量、雨量、および前記狭域の画像からなる群から選択された少なくとも一つを含み、前記狭域データにおける圃場データが、前記狭域内の圃場における、作物生育の作業情報、病害虫の発生情報、および作物の生育障害の発生情報からなる群から選択された少なくとも一つを含み、前記狭域データにおける作物の生育状況データが、作物の量および作物の質の少なくとも一方を含む。

本発明の推定方法は、例えば、さらに、推定結果を出力する出力手段を含む。

つぎに、本発明の実施形態について説明する。なお、本発明は、以下の実施形態には限定されない。なお、以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用できる。さらに、各実施形態の構成は、特に言及がない限り、組合せ可能である。

［実施形態１］
図１は、本実施形態の作物生育の推定装置１の一例の構成を示すブロック図である。推定装置１は、データ取得手段１０、サブモデル生成手段１１、記憶手段１２および推定手段１３を、必須の構成要件として含む。推定装置１は、例えば、推定結果の対象となる任意の地域情報を入力する入力手段１４、および、推定手段１３により得られる推定結果を出力する出力手段１５を備えてもよい。推定装置１は、例えば、各手段を備える一体の装置があげられる。推定装置１は、例えば、推定システムということもできる。推定装置１において、サブモデル生成手段１１および推定手段１３は、例えば、処理部である。

推定装置１は、例えば、図１に示すような一体の装置には限られず、例えば、端末とサーバとを含み、前記両者が通信回線網で接続可能な形態でもよい（推定システムともいう）。前記通信回線網は、特に制限されず、公知の通信回線網を使用でき、例えば、有線でも無線でもよく、具体例として、インターネット回線、電話回線、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）等があげられる。

データ取得手段１０は、前述のように、広域データ１０１および狭域データ１０２を取得する手段である。広域データ１０１は、広域における、衛星画像データおよび気象データを含み、狭域データ１０２は、狭域における、環境データ、圃場データおよび作物の生育状況データを含む。

前記広域とは、例えば、全球レベルの単位であり、具体例としては、例えば、ユーラシア大陸（アジア大陸、ヨーロッパ大陸）、北米大陸、南米大陸、アフリカ大陸、オーストリア大陸等の大陸単位、日本、中国、アメリカ、ブラジル等の国単位等が例示できる。前記広域データとは、例えば、前記広域における網羅的なデータといえる。他方、前記狭域とは、例えば、国における州の単位、都道府県の単位、市町村の単位、または特定の圃場の単位等が例示できる。前記狭域データとは、例えば、限定的な区画である狭域における精密的なデータといえる。

データ取得手段１０は、特に制限されず、例えば、データベースからのデータの受信手段であってもよい。この場合、推定装置１は、例えば、前記データベースと通信回線網で接続可能な形態があげられる。

前記広域データのデータベースは、例えば、既存のデータベースが利用できる。前記データベースは、例えば、地球環境プラットフォームであるデータ統合・解析システムＤＩＡＳ（Data Integration and Analysis System）のデータベースがあげられる。また、前記狭域データのデータベースは、例えば、狭域における、環境データ、圃場データおよび作物の生育状況データを蓄積したデータベースがあげられる。前記データベースは、例えば、本発明の推定装置自体が有してもよいが、前記推定装置外のデータベースでもよく、前記推定装置は、例えば、外部データベースから情報を取得できる。

図２に、外部データベースと通信回線網を介して接続可能な推定装置の例を示す。推定装置１は、通信回線網２０を介して、広域データの外部データベース２１Ａおよび狭域データの外部データベース２１Ｂと接続可能である。

サブモデル生成手段１１は、前記（１）から（４）のうち少なくとも２つ以上のサブモデルを生成する手段である。本実施形態においては、第１サブモデル、第２サブモデル、第３サブモデル、を生成する手段を例にあげて、説明する。広域データ１０１から、作物の生育状況を、第１サブモデルとして生成し（１１１）、狭域データ１０２から、作物の生育状況を、第２サブモデルとして生成し（１１２）、作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成する（１１３）。サブモデル生成手段１１は、例えば、ＣＰＵ（中央処理手段）があげられる。

サブモデル生成手段１１は、広域データ１０１、狭域データ１０２、および狭域データ１０２における作物の生育状況データから、それぞれ、第１サブモデル、第２サブモデルおよび第３サブモデルを機械学習により生成できる。第１サブモデル、第２サブモデルおよび第３サブモデルは、例えば、新たな広域データおよび狭域データを取得するたびに、機械学習により新たに生成させ、各サブモデルの精度を向上させていくことが好ましい。

記憶手段１２は、サブモデル生成手段１１で生成した第１サブモデル１２１、第２サブモデル１２２および第３サブモデル１２３を、それぞれ記憶する。前述のように、各サブモデルを新たに生成した場合は、例えば、その度、各サブモデルを更新記憶することが好ましい。記憶手段１２は、特に制限されず、例えば、後述するように、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリー、ハードディスク（ＨＤ）、光ディスク、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。記憶手段１２は、内蔵型でもよいし、外付け型でもよい。

入力手段１４は、推定手段１３において推定結果の対象となる任意の地域を入力する。入力手段１４は、特に制限されず、後述するように、キーボード、タッチパネル等があげられる。

推定手段１３は、データ取得手段１０で取得したデータから、前記記憶した第１サブモデル、第２サブモデルおよび第３サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、前記入力した任意の地域における作物の生育の推定結果を生成する。推定手段１３は、例えば、ＣＰＵ（中央処理装置）があげられる。

出力手段１５は、推定手段１３により得られて推定結果を出力する。出力手段１５は、特に制限されず、例えば、ディスプレイ等のモニターへの出力、紙への出力等があげられる。

図８に、推定装置１のハードウェア構成のブロック図を例示する。推定装置１は、例えば、ＣＰＵ３１、メモリ３２、インターフェイス（Ｉ／Ｆ）３３、ディスプレイ３４、通信デバイス３５、入力装置３６、記憶装置３７等を有する。メモリ３２、Ｉ／Ｆ３３および記憶装置３７は、例えば、通信バスによって、ＣＰＵ３１に接続されている。Ｉ／Ｆ３３には、例えば、ディスプレイ３４、通信デバイス３５、入力装置３６等が接続されている。前記ハードウエア構成において、内部での回路間の通信は、バスによって接続される。

ＣＰＵ３１は、推定装置１の全体の制御を担う。推定装置１において、ＣＰＵ３１により、例えば、本発明のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。具体的に、推定装置１は、例えば、ＣＰＵ３１が、データ取得部４０、サブモデル生成部４１として機能する。

メモリ３２は、例えば、メインメモリを含み、前記メインメモリは、主記憶装置ともいう。ＣＰＵ３１が処理を行う際には、例えば、後述する補助記憶装置に記憶されている、本発明のプログラム等の種々のプログラムを、メモリ３２が読み込み、ＣＰＵ３１は、メモリ３２からデータを受け取って、前記プログラムを実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。メモリ３２は、例えば、さらに、ＲＯＭ（読み出し専用メモリ）を含む。

Ｉ／Ｆ３３は、例えば、ＣＰＵ３１、メモリ３２等のそれぞれの機能部間を接続する。また、Ｉ／Ｆ３３は、例えば、外部機器とも接続できる。推定装置１は、Ｉ／Ｆ３３に接続された通信デバイス３５により、通信回線網に接続でき、前記通信回線網を介して、前記外部機器と接続することもできる。推定装置１は、例えば、Ｉ／Ｆ３３、または、Ｉ／Ｆ３３と通信デバイス３５とが、出力部１６として機能する。

記憶装置３７は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。記憶装置３７は、例えば、記憶媒体と、前記記憶媒体に読み書きするドライブとを含む。前記記憶媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＦＤ（フロッピー（登録商標）ディスク）、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等があげられ、前記ドライブは、特に制限されない。記憶装置３７は、例えば、記憶媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）も例示できる。記憶装置３７は、例えば、本発明のプログラム等の動作プログラムが格納され、前述のように、ＣＰＵ３１を実行させる際、メモリ３２が、記憶装置３７から前記動作プログラムを読み込む。記憶装置３７には、例えば、前記プログラムの他に、例えば、広域データ１０１、狭域データ１０２、第１サブモデル１２１、第２サブモデル１２２、第３サブモデル１２３、推定結果１３１等が格納される。また、記憶装置３７には、その他に、例えば、データ取得部４０により取得した情報、推定部４２より取得した情報等も格納できる。

ディスプレイ３４は、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等が例示できる。通信デバイス３５は、推定装置１と外部機器とを通信できればよく、例えば、前述のような通信回線網に接続可能なデバイスである。入力装置３６は、例えば、キーボード、マウス、タッチパネル等である。

つぎに、本実施形態の推定方法について、図３のフローチャートを用いて説明する。

本実施形態の推定方法は、例えば、図１に示す本実施形態の推定装置１を用いて、次のように実施する。なお、本実施形態の推定方法は、図１の推定装置１の使用には限定されない。下記実施形態においては、前記広域が全球レベルの単位であり、前記広域データが、ＤＩＡＳから取得される衛星画像データおよび気象データ（日照時間、気温、土壌水分、および降水量）であり、前記狭域が特定の圃場であり、前記狭域データが、環境データ（気温、湿度、日照時間、日紫外線量、雨量、および前記狭域の画像）、圃場データ（作物生育の作業情報、病害虫の発生情報、および作物の生育障害の発生情報）および作物データ（作物の量、および作物の品質）である。前記作物の量とは、例えば、作物の収穫量、作物の収穫数に対する出荷率等である。

（Ａ１）データ取得工程
前記（Ａ１）工程は、広域データを取得する広域データ取得工程（Ａ１−１）と、狭域データを取得する狭域データ取得工程（Ａ１−２）とを行う。前記（Ａ１−１）工程と前記（Ａ１−２）工程は、例えば、並行して行ってもよいし、別々に行ってもよい。前記（Ａ１）工程で取得されるデータは、例えば、後述する推定工程（Ａ４）における推定の開始データにもなる。

（Ａ２）サブモデル生成工程
前記（Ａ２）工程は、前記広域データから、作物の生育状況を、第１サブモデルとして生成する生成工程（Ａ２−１）と、前記狭域データから、作物の生育状況を、第２サブモデルとして生成する生成工程（Ａ２−２）と、作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成する生成工程（Ａ２−３）とを行う。前記（Ａ２−１）工程、前記（Ａ２−２）工程、および前記（Ａ２−３）工程は、例えば、並行して行ってもよいし、別々に行ってもよい。

サブモデル生成は、例えば、前述のように、機械学習により行うことができる。各サブモデルは、例えば、１回の生成でもよいが、広域データまたは狭域データの取得の度に繰り返し行い、更新することが好ましい。

前記第１サブモデルは、例えば、前記広域データから、その条件に基づいて導き出された、作物の生育状況のモデルである。前記第２サブモデルは、例えば、前記狭域データから、その条件に基づいて導き出された、作物の生育状況のモデルである。前記第３サブモデルは、例えば、作物の生育状況データから、その条件に基づいて導き出された、作物の未来の生育状況のモデルである。前記第３サブモデルにおいて、前記作物の生育状況データとは、例えば、前記狭域データに含まれるデータでもよいし、想定しうる架空のデータでもよい。前記作物の生育状況は、前述のように、作物の量および作物の質があげられる。前記作物の量とは、例えば、作物の収穫量、作物の収穫数に対する出荷率等があげられる。前記作物の質とは、例えば、品質、生育の良し悪し等が含まれる。生育の良し悪しとは、例えば、作物の生育の可否、作物の生育速度等を含む。前記品質は、例えば、糖度、外観等を含む。

（Ａ３）記憶工程
前記（Ａ３）工程は、前記（Ａ２−１）工程で生成された第１サブモデルを記憶する記憶工程（Ａ３−１）、生成された第２サブモデルを記憶する記憶工程（Ａ３−２）、生成された第３サブモデルを記憶する記憶工程（Ａ３−３）を行う。前記（Ａ３−１）工程、前記（Ａ３−２）工程、および前記（Ａ３−３）工程は、例えば、並行して行ってもよいし、別々に行ってもよい。

（Ａ４）推定工程
前記（Ａ４）工程は、前記データ取得工程（Ａ１）で取得したデータから、前記記憶した第１サブモデル、第２サブモデルおよび第３サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、前記任意の地域における作物の生育の推定結果を生成する。任意の地域情報とは、作物の生育の推定を行いたい地域を特定するための情報である。「作物の生育の推定結果」は、例えば、任意に設定でき、例えば、作物の量でもよいし、作物の質でもよい。また、「作物の生育の推定結果」は、例えば、現在の結果の推定でもよいし、未来の結果の推定でもよい。これの推定結果は、目的に応じて、前記サブモデルを選択することで得ることができる。

ここで、ワールドワイドの広域データから生成された第１サブモデルと、三重県の限定区画（圃場Ａ）の狭域データから生成された第２サブモデルと、圃場Ａにおける柑橘類の生育状況データから生成された第３サブモデルとを用いて、イスラエルにおける柑橘類の未来の生育推定を行う場合を例にあげて説明する。この場合、任意の地域情報をイスラエルに設定すると、例えば、まず、第１サブモデルから、イスラエルにおける柑橘類の生育情報を推定できる。しかし、第１サブモデルは、広域の網羅的なデータに基づき機械学習されたサブモデルであるため、これだけでは推定の精度が充分ではない可能性がある。しかしながら、さらに、圃場Ａという限定区画の精密データに基づき機械学習された第２サブモデルを組み合わせることで、精密データがないイスラエルについても、柑橘類の生育について、より精度の高い推定が可能になる。また、イスラエルにおける将来の生育状況を推定する場合は、これらに、さらに、圃場Ａという限定区画における精密な柑橘類データに基づき機械学習された第３サブモデルを組合せることで、柑橘類の将来の生育状況についても、精度の高い推定が可能になる。

このように、実際には、作物の生育に関する精密なデータがないような地域に関しても、ワールドワイドの網羅的データに基づくサブモデルと限定区画の精密データに基づくサブモデルと限定区画の作物に関する精密データに基づくサブモデルとを組み合わせることで、精度良く容易に、作物の生育状況の推定を行うことができる。

（Ａ５）出力工程
前記（Ａ５）工程は、前記（Ａ４）工程により得られた推定結果を出力する。

本発明によれば、このようにワールドワイドに作物の生育状況を推定できることから、これらの推定結果に基づいて、例えば、農家に対する生育リスクを通知したり、ワールドワイドな圃場状態の推定、農家、内外業者または輸出入業者に対する、特定地域における収穫推定量、収穫作物の品質等の通知を行うことが可能になる。さらに、推定結果に基づいて、例えば、より効率のよい生育方法の提示、作物が余剰すると推定された地域から作物が不足すると推定された地域への作物の流通の提示等も可能になる。

本実施形態においては、第１サブモデル、第２サブモデルおよび第３サブモデルについて記載したが、本発明は、例えば、第１から第６のサブモデルの少なくとも２つ以上のサブモデルを生成すればよく、その組合せも、目的に応じて適宜決定できる。また、本発明においては、例えば、第１から第６のサブモデルの全てを生成しても、前記推定手段においては、目的の推定に応じて、使用するサブモデルの組合せを適宜決定できる。

［実施形態２］
本実施形態は、実施形態１の推定装置において、前記サブモデル生成手段が、さらに、第４サブモデルを生成する手段であり、実施形態１の推定方法において、前記サブモデル生成方法が、さらに、第４サブモデルを生成する工程である例をあげて説明する。

本実施形態の推定装置２のブロック図を図４に示し、それを用いた推定方法のフローチャートを図５に示す。図４において、推定装置２は、サブモデル生成手段１１が、さらに、前記広域データから、狭域データを、第４サブモデルとして生成し（１１４）、記憶手段１２が、さらに、第４サブモデルを記憶する（１２４）以外は、前記実施形態２と同様である。また、図５において、推定方法は、さらに、第４サブモデルを生成する生成工程（Ａ２−４）と、生成した第４サブモデルを記憶する記憶工程（Ａ３−４）を有する以外は、前記実施形態１と同様である。

前記狭域データとは、前記広域データから、例えば、機械学習等により得られる、狭域における環境データ、圃場データ等である。前記環境データおよび前記圃場データ等は、例えば、前述の通りである。

本発明において、前記サブモデル生成手段は、例えば、各サブモデルの情報に基づいて、さらなる、新たなサブモデルを生成してもよく、それに応じて、前記記憶手段は、さらに、新たに生成されたサブモデルを記憶し、前記推定手段は、例えば、新たなサブモデルを利用することもできる。

［実施形態３］
本実施形態は、実施形態２の推定装置において、前記サブモデル生成手段が、さらに、第５サブモデルおよび第６サブモデルを生成する手段であり、実施形態２の推定方法において、前記サブモデル生成方法が、さらに、第５サブモデルおよび第６サブモデルを生成する工程である例をあげて説明する。

本実施形態の推定装置３のブロック図を図６に示し、それを用いた推定方法のフローチャートを図７に示す。図６において、推定装置３は、サブモデル生成手段１１が、さらに、前記広域データから、未来の広域データを、第５サブモデルとして生成し（１１５）、前記狭域データから、未来の狭域データを、第６サブモデルとして生成し（１１６）、記憶手段１２が、さらに、第５サブモデルを記憶し（１２５）、第６サブモデルを記憶する（１２６）以外は、前記実施形態２と同様である。また、図７において、推定方法は、さらに、第５サブモデルを生成する生成工程（Ａ２−５）および第６サブモデルを生成する生成工程（Ａ２−６）と、生成した第５サブモデルを記憶する記憶工程（Ａ３−５）および生成した第６サブモデルを記憶する記憶工程（Ａ３−６）を有する以外は、前記実施形態２と同様である。

［実施形態４］
本発明の推定装置および推定方法は、例えば、目的とする推定結果に応じて、前記各サブモデルを選択でき、それによって、推定結果を得ることができる。本実施形態においては、目的の推定結果に応じて選択し得るサブモデルの組合せを例示する。なお、本発明において、前記サブモデルの組合せは、これらの例示には制限されない。

下記表１に、各サブモデルの種類を示す。各サブモデルは、例えば、生成元データの項目から、機械学習により、生成モデルの項目として生成される。

下記表２に、目的とする推定の種類に応じたサブモデルの組合せを例示する。下記表において、例えば、矢印の順でサブモデルによる情報処理を行うことで、目的とする推定が可能になる。

組合せＡについて説明する。「狭域Ｘにおける未来の作物の量」を推定する場合、前記表２に示すように、例えば、第１サブモデルおよび第３サブモデルをこの順で組み合わせることにより、推定が可能である。すなわち、推定の開始データとして広域データを使用する場合、前記開始データを元に、前記第１サブモデルから「作物の生育状況として量」を推定し、さらに、その推定結果を元に、前記第３サブモデルから「狭域Ｘにおける未来の作物の生育状況として、未来の作物の量」を推定し、これを推定結果とする。前記量は、例えば、収穫量でもよいし、出荷できる作物の量または割合（出荷率）でもよい。

組合せＢについて説明する。「狭域Ｘにおける未来の作物の量」を推定する場合、前記表２に示すように、例えば、第４サブモデル、第２サブモデルおよび第３サブモデルをこの順で組み合わせることにより、推定が可能である。すなわち、推定の開始データとして広域データを使用する場合、前記開始データを元に、前記第４サブモデルから「狭域Ｘにおける狭域データ（例えば、狭域Ｘの環境データ）」を推定し、つぎに、その推定結果を元に、前記第２サブモデルから「作物の生育状況として量」を推定し、さらに、その推定結果を元に、前記第３サブモデルから「狭域Ｘにおける未来の作物の生育状況として、未来の作物の量」を推定し、これを推定結果とする。

組合せＣについて説明する。「狭域Ｘにおける未来の作物の量」を推定する場合、前記表２に示すように、例えば、第４サブモデル、第６サブモデルおよび第２サブモデルをこの順で組み合わせることにより、推定が可能である。すなわち、推定の開始データとして広域データを使用する場合、前記開始データを元に、前記第４サブモデルから「狭域Ｘにおける狭域データ（例えば、狭域Ｘの環境データ）」を推定し、つぎに、その推定結果を元に、前記第６サブモデルから「狭域Ｘにおける未来の狭域データ（例えば、狭域Ｘの環境データ、圃場データおよび作物の生育状況」を推定し、さらに、その推定結果を元に、前記第２サブモデルから「狭域Ｘにおける未来の生育状況として、未来の作物の量」を推定し、これを推定結果とする。

組合せＤについて説明する。「狭域Ｘにおける未来の作物の量」を推定する場合、前記表２に示すように、例えば、第５サブモデル、および第１サブモデルをこの順で組み合わせることにより、推定が可能である。すなわち、推定の開始データとして広域データを使用する場合、前記開始データを元に、前記第５サブモデルから「未来の広域データ（例えば、広域の気象データ等）」を推定し、さらに、その推定結果を元に、前記第１サブモデルから「狭域Ｘにおける未来の生育状況として、未来の作物の量」を推定し、これを推定結果とする。

［実施形態５］
本実施形態のプログラムは、実施形態１の推定方法を、コンピュータ上で実行可能なプログラムである。または、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体としては、特に限定されず、例えば、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、光ディスク、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。

以上、実施形態を参照して本願発明を説明したが、本願発明は、上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１７年２月１６日に出願された日本国特願２０１７−０２６６０４を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１、２、３推定装置
１０データ取得手段
１１サブモデル生成手段
１２記憶手段
１３推定手段
１４入力手段
１５出力手段
３１ＣＰＵ
３２メモリ
３３インターフェイス（Ｉ／Ｆ）
３４ディスプレイ
３５通信デバイス
３６入力装置
３７記憶装置
３８プログラム
１０１広域データ
１０２狭域データ
１２１第１サブモデル
１２２第２サブモデル
１２３第３サブモデル
１３１推定結果

Claims

データ取得手段と、
サブモデル生成手段と、
記憶手段と、
推定手段とを有し、
前記データ取得手段は、
広域データ、および、狭域データを取得する手段であり、
前記広域データは、広域における、衛星画像データおよび気象データの少なくとも一方を含み、
前記狭域データは、狭域における、環境データ、圃場データおよび作物の生育状況データを含み；
前記サブモデル生成手段は、
下記（１）から（６）のうち少なくとも２つ以上のサブモデルを生成する手段であり；
前記記憶手段は、
前記生成した各サブモデルを、それぞれ記憶する手段であり；
前記推定手段は、
前記データ取得手段で取得したいずれかのデータから、前記記憶した各サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、任意の地域における作物の生育の推定結果を生成する手段であることを特徴とする作物生育の推定装置。
（１）前記広域データから、作物の生育状況を、第１サブモデルとして生成
（２）前記狭域データから、作物の生育状況を、第２サブモデルとして生成
（３）作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成
（４）前記広域データから、狭域データを、第４サブモデルとして生成
（５）前記広域データから、未来の広域データを、第５サブモデルとして生成
（６）前記狭域データから、未来の狭域データを、第６サブモデルとして生成
前記広域が全球であり、前記狭域が圃場である、請求項１記載の推定装置。
前記広域データにおける気象データが、前記広域における、日照時間、気温、土壌水分、および降水量からなる群から選択された少なくとも一つを含み、
前記狭域データにおける環境データが、前記狭域における、気温、湿度、日照時間、日紫外線量、雨量、および前記狭域の画像からなる群から選択された少なくとも一つを含み、
前記狭域データにおける圃場データが、前記狭域内の圃場における、作物生育の作業情報、病害虫の発生情報、および作物の生育障害の発生情報からなる群から選択された少なくとも一つを含み、
前記狭域データにおける作物の生育状況データが、前記狭域における、作物の量および作物の質の少なくとも一方を含む、請求項１または２記載の推定装置。
さらに、推定結果を出力する出力手段を含む、請求項１から３のいずれか一項に記載の推定装置。
データ取得工程と、
サブモデル生成工程と、
記憶工程と、
推定工程とを有し、
前記データ取得工程は、
広域データ、および、狭域データを取得する工程であり、
前記広域データは、広域における、衛星画像データおよび気象データを含み、
前記狭域データは、狭域における、環境データ、圃場データおよび作物データを含み；
前記サブモデル生成工程は、
下記（１）から（６）のうち少なくとも２つ以上のサブモデルを生成する工程であり；
前記記憶工程は、
前記生成した各サブモデルを、それぞれ記憶する工程であり；
前記推定工程は、
前記データ取得工程で取得したいずれかのデータから、前記記憶した各サブモデルのうち少なくとも２つ以上のサブモデルに基づいて、任意の地域における作物の生育の推定結果を生成する工程であることを特徴とする作物生育の推定方法。
（１）前記広域データから、作物の生育状況を、第１サブモデルとして生成
（２）前記狭域データから、作物の生育状況を、第２サブモデルとして生成
（３）作物の生育状況データから、未来の生育状況を、第３サブモデルとして生成
（４）前記広域データから、狭域データを、第４サブモデルとして生成
（５）前記広域データから、未来の広域データを、第５サブモデルとして生成
（６）前記狭域データから、未来の狭域データを、第６サブモデルとして生成
前記広域が全球であり、前記狭域が圃場である、請求項５記載の推定方法。
前記広域データにおける気象データが、前記広域における、日照時間、気温、土壌水分、および降水量からなる群から選択された少なくとも一つを含み、
前記狭域データにおける環境データが、前記狭域における、気温、湿度、日照時間、日紫外線量、雨量、および前記狭域の画像からなる群から選択された少なくとも一つを含み、
前記狭域データにおける圃場データが、前記狭域内の圃場における、作物生育の作業情報、病害虫の発生情報、および作物の生育障害の発生情報からなる群から選択された少なくとも一つを含み、
前記狭域データにおける作物の生育状況データが、前記狭域における、作物の量および作物の質の少なくとも一方を含む、請求項５または６記載の推定方法。
さらに、推定結果を出力する出力手段を含む、請求項５から７のいずれか一項に記載の推定方法。
請求項５から８のいずれか一項に記載の推定方法をコンピュータに実行させることを特徴とするプログラム。
請求項９記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。