WO2023042284A1 - 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム - Google Patents

農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム Download PDF

Info

Publication number
WO2023042284A1
WO2023042284A1 PCT/JP2021/033832 JP2021033832W WO2023042284A1 WO 2023042284 A1 WO2023042284 A1 WO 2023042284A1 JP 2021033832 W JP2021033832 W JP 2021033832W WO 2023042284 A1 WO2023042284 A1 WO 2023042284A1
Authority
WO
WIPO (PCT)
Prior art keywords
graph
growing
crops
node
cultivated
Prior art date
Application number
PCT/JP2021/033832
Other languages
English (en)
French (fr)
Inventor
洋治 森
綾子 星野
雄也 遠藤
悠紀 渡部
成人 矢島
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2021/033832 priority Critical patent/WO2023042284A1/ja
Priority to JP2023547986A priority patent/JPWO2023042284A1/ja
Publication of WO2023042284A1 publication Critical patent/WO2023042284A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Definitions

  • the present invention relates to an agricultural crop cultivation support device and the like that generates information on the cultivation of agricultural crops.
  • Patent Literature 1 A wide variety of work occurs in the cultivation of crops, and the content and timing of each work affects the cultivation results. Such work content and timing are generally determined based on experience and intuition. Further, a technique for acquiring plant growth management information using a sensor is also known, as in Patent Literature 1 below.
  • One aspect of the present invention has been made in view of the above problems, and an example of its purpose is to provide a technique for supporting the cultivation of agricultural products.
  • An agricultural crop cultivation support device includes a receiving means for accepting a request including any one of the size, taste, harvest time, and yield of agricultural crops to be cultivated; a method for growing a plurality of agricultural crops; Response information including a method of growing the crop to be grown, based on a trained model that has learned the relationship between the size, taste, harvest time, and yield of the crop and the result of cultivation, and the request. and output means for outputting the breeding method.
  • a computer receives a request including any one of the size, taste, harvest time, and yield of agricultural crops to be cultivated, the method for cultivating a plurality of agricultural crops, and A method of growing the crops to be grown based on a trained model that has learned a relationship with the cultivation result including one of size, taste, harvest time, and yield of a plurality of crops, and the request. Generate response information and output the breeding method.
  • a program includes a process of accepting a request including any one of the size, taste, harvest time, and yield of crops to be cultivated from a computer; a method of growing a plurality of crops; Based on the request and a trained model that has learned the relationship between the size, taste, harvest time, and harvest amount of the plurality of crops and the results of cultivation, a growing method for the crops to be cultivated is determined. and a process of outputting the training method.
  • FIG. 1 is a block diagram showing the configuration of a crop growing support device according to a first exemplary embodiment of the present invention
  • FIG. FIG. 3 is a flow chart showing the flow of the agricultural product cultivation support method according to the first exemplary embodiment of the present invention
  • It is a figure explaining learning of the feature-value in graph-based relationship learning.
  • FIG. 5 is a diagram showing an outline of a crop growing support method according to a second exemplary embodiment of the present invention
  • FIG. 4 is a block diagram showing the configuration of a crop growing support device according to a second exemplary embodiment of the present invention
  • FIG. 10 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the second exemplary embodiment of the present invention; It is a figure which shows the example of response information.
  • FIG. 10 is a diagram showing an overview of a crop cultivation support method according to a third exemplary embodiment of the present invention
  • FIG. 11 is a block diagram showing the configuration of a crop growing support device according to a third exemplary embodiment of the present invention
  • FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the third exemplary embodiment of the present invention
  • FIG. 11 is a diagram showing an outline of a crop growing support method according to a fourth exemplary embodiment of the present invention
  • FIG. 11 is a block diagram showing the configuration of an agricultural product cultivation support device according to a fourth exemplary embodiment of the present invention
  • FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fourth exemplary embodiment of the present invention
  • FIG. 11 is a block diagram showing the configuration of a crop growing support device according to a third exemplary embodiment of the present invention
  • FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fourth exemplary embodiment
  • FIG. 11 is a diagram showing an overview of a crop growing support method according to a fifth exemplary embodiment of the present invention
  • FIG. 11 is a block diagram showing the configuration of an agricultural product cultivation support device according to a fifth exemplary embodiment of the present invention
  • FIG. 12 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fifth exemplary embodiment of the present invention
  • FIG. 11 is a diagram illustrating an example of predicting a training result of a trained object based on feature amounts calculated from the trained graph and the trained graph
  • FIG. 2 is a configuration diagram for realizing an agricultural crop cultivation support device by software
  • FIG. 1 is a block diagram showing the configuration of an agricultural product cultivation support device 1.
  • the agricultural product cultivation support device 1 includes a reception section (reception means) 11 , a generation section (generation means) 12 , and an output section (output means) 13 .
  • the reception unit 11 receives requests including any of the size, taste, harvest time, and harvest amount of the crops to be grown.
  • the generating unit 12 is based on a learned model that has learned the relationship between a growing method of a plurality of crops and a growing result including one of size, taste, harvest time, and harvest amount of the plurality of crops, and a request.
  • response information including a growing method for the crop to be grown.
  • the output unit 13 outputs the response information.
  • the functions of the agricultural crop growing support device 1 described above can also be realized by a program.
  • the program according to this exemplary embodiment includes processing for accepting a request including any one of the size, taste, harvest time, and yield of crops to be grown, a method of growing a plurality of crops, and Based on the request and a trained model that has learned the relationship between the size, taste, harvest time, and harvest amount of the plurality of crops and the results of cultivation, a growing method for the crops to be cultivated is determined. and a process of outputting the training method. According to this program, it is possible to obtain the effect of being able to support the cultivation of agricultural products.
  • FIG. 2 is a flow diagram showing the flow of the agricultural product cultivation support method according to the first exemplary embodiment of the present invention.
  • the computer accepts a request including any of the size, taste, harvest time, and harvest amount of the cultivated crop.
  • Requests may be accepted via any input device.
  • a request may be received via a mouse, keyboard, touch panel, or voice input device.
  • a computer receives a request including any of the size, taste, harvest time, and harvest amount of agricultural crops to be cultivated (S11). Based on the learned model that has learned the relationship between the cultivation method of the crops and the cultivation result including one of the size, taste, harvest time, and yield of a plurality of crops, and the request received in S11, Response information including the growing method of the crop to be grown is generated (S12), and the response information generated in S12 is output. According to this crop cultivation support method, it is possible to obtain the effect of being able to support the cultivation of crops.
  • the execution subject of each step in the above agricultural crop cultivation support method may be one computer (for example, the agricultural crop cultivation support device 1), or the execution subject of each step may be different computers. This also applies to the flows described in the second exemplary embodiment and thereafter.
  • the graph here refers to data having a structure consisting of a plurality of nodes and links connecting the nodes.
  • a type of link representing a relationship between nodes is also called a “relation”.
  • a link may also be called an edge.
  • Graphs are roughly classified into directed graphs in which each link has directionality and undirected graphs in which each link has no directionality. It is possible to use either directed graphs or undirected graphs, and it is also possible to use them in combination.
  • the nodes may represent tangible or intangible elements of the crop being grown or grown.
  • ⁇ Identification information of crops for example, crop names, IDs, varieties, etc.
  • Graphs containing nodes representing various elements such as growth state, growth environment, type and content of work, harvest time and yield
  • the growth state may include, but is not limited to, leaf state (color, size, shape), fruit state (color, size, shape), and the like.
  • the growth state of a certain agricultural product may include the quality (fragrance, taste (sugar content and sourness)) of the relevant agricultural product, and the like.
  • the growth environment may include temperature (room temperature in the case of greenhouse cultivation), humidity, solar radiation intensity, etc., but is not limited to these.
  • the type and content of work include, for example, fertilization, watering, intercultivation, and fruit thinning, as well as the content of work such as the amount of fertilizer applied, the timing of fertilization, and the frequency of watering.
  • the type and content of the work may include operations for adjusting the intensity of sunlight, operations for hours of sunlight, operations for room temperature, operations for humidity, and the like. Such work forms part of the breeding method.
  • the graph may contain multiple nodes corresponding to one element.
  • a node indicating the growing environment of a certain crop may be represented by two separate nodes (eg, "hot” and "humid”, etc.). The same is true for other elements.
  • the relationship represented by the links is ⁇ Relationship between a certain element and growth condition ⁇ Relationship between a certain element and growth environment ⁇ Relationship between a certain element and the type and content of work, etc.
  • a link connecting a node indicating a growth environment and a node indicating a growth state may represent a relationship that the growth environment is a factor in the growth state.
  • the graph in each exemplary embodiment is - A graph including a crop ID node indicating a crop ID and a node indicating a growing state or a growing environment connected to the crop ID node, and ⁇ It may have a hierarchical structure, such as an operation ID node indicating an operation ID, a crop ID node connected to the operation ID node, and a node indicating various types of work connected to the operation ID node.
  • ⁇ It may have a hierarchical structure, such as an operation ID node indicating an operation ID, a crop ID node connected to the operation ID node, and a node indicating various types of work connected to the operation ID node.
  • this is not a limitation of each exemplary embodiment.
  • the above-mentioned harvesting period and various work periods may or may not be represented by a single node.
  • the harvest time may be hierarchically represented by a plurality of nodes indicating work and thinning, and links connecting these nodes and indicating temporal relationships between the nodes.
  • the yield is hierarchically represented by using nodes and links indicating the first yield at the first timing and nodes and links indicating the second yield at the second timing. good too.
  • the feature value of each node is calculated.
  • the feature quantity may be in vector format, for example. Representing the feature amount of each node as a feature amount vector makes it possible to learn graphs in which nodes of various types coexist. For example, graph-based relationship learning can be performed on graphs including images and numerical values indicating various elements as described above.
  • FIG. 3 is a diagram for explaining feature amount learning in graph-based relationship learning.
  • the graph shown in FIG. 3 includes four nodes A to D.
  • Node A is connected to nodes B and C, and node C is connected to node D.
  • multiple convolutions are performed as described below to update the features of each node.
  • the initial feature amount of node A is multiplied by the feature amounts of nodes B and C connected to node A by a predetermined weight and then added.
  • the initial feature amount of node C is multiplied by the feature amount of node D by a predetermined weight and then added. Note that if the graph is valid, the weight is adjusted according to the direction of the link.
  • the feature amount of each node is multiplied by the feature amount of the node linked to that node by a predetermined weight and then added.
  • the feature amount of node C reflects the feature amount of node D by the first convolution. Therefore, not only the feature amount of node C but also the feature amount of node D are reflected in node A by the second convolution.
  • node-to-node relation prediction By performing the learning described above, it becomes possible to predict relationships between nodes that are not explicitly shown in the original graph.
  • a user may specify two nodes and request that the relation between those nodes be returned. For example, when a user inputs a request to inquire about the relationship between a node of “crop A” and a node of “crop B,” the inter-node relationship prediction determines whether the relationship, that is, the link connecting these nodes is “similar”. It is possible to predict whether or not Further, in inter-node relationship prediction, the probability (probability) of the prediction result can also be calculated. The same applies to node prediction, which will be described below.
  • node prediction Also, by performing the learning described above, it becomes possible to predict a node that is connected to a certain node by a predetermined link.
  • the user can specify one node and a link starting from that node, and request that the linked node be returned. For example, it is assumed that the user inputs a request for a node that is connected to the "work history" node by the "September” link, ie, the work to be done in September.
  • the node prediction determines whether the node connected to the node of "work history" by the link of "September", that is, the work to be done in September is "work a3" or "work a4". , etc. can be predicted.
  • FIG. 4 is a diagram showing an outline of a crop cultivation support method according to this exemplary embodiment.
  • a grown graph and a grown graph are used to support the cultivation of agricultural products.
  • the cultivated graph is a learned graph and a learned model of the relationships between nodes, including a plurality of nodes related to crops cultivated in the past and links indicating the relationships between the nodes.
  • a grown graph can also be called a knowledge graph.
  • a collection of nodes and links corresponding to one training may be called a grown graph, and a collection of nodes and links corresponding to multiple trainings may be collectively called a grown graph.
  • the graph that includes the "crop A" node in FIG. 4 is the grown graph.
  • the cultivated graph of crop A includes nodes and links indicating that the quality of the harvested product at the time of cultivation of crop A, which is a crop grown in the past, is "high sugar content” and "large size.” ing.
  • the grown graph of crop A includes a node and a link indicating that the growing environment at the time of growing is “normal” and the variety of crop A is “a1”.
  • the cultivated graph of crop A includes nodes and links indicating the work history of crop A for each month from August to October.
  • the growth state and growth environment may be expressed as a difference from a preset reference state.
  • the difference or ratio between the total number of leaves of crops in a certain growing season and the standard total number of leaves in that season may be noded as information indicating the growth state of crops in that season.
  • the growth state may be classified into good, normal, bad, etc. from the difference or ratio calculated in this way, and the classification may be represented by a node.
  • the difference or ratio between the amount of sunshine in a certain growing season and the standard amount of sunshine in that season may be noded as information indicating the growing environment in that season.
  • the growth environment may be classified into dry, normal, wet, etc., and the classification may be represented by nodes.
  • the method of growing cultivated crops is predicted by link prediction, and response information is generated and output based on the prediction result.
  • FIG. 5 is a block diagram showing the configuration of the agricultural crop cultivation support device 2 according to this exemplary embodiment.
  • the agricultural crop cultivation support device 2 includes a reception unit 201, a graph generation unit 202, a learning unit 203, a link prediction unit 204, an evaluation unit 205, a generation unit 206, a basis generation unit 207, and an output unit 208.
  • the generating unit 206 generates response information including the growing method of the growing target based on the learned model that has learned the relationship between the growing methods and the growing results of a plurality of crops and the request received by the receiving unit 201 . More specifically, the generation unit 206 generates response information corresponding to the node predicted by the link prediction unit 204, that is, the training method candidate. Note that this node indicates the work to be applied to the training of the training target. As described above, the link prediction unit 204 performs link prediction using the trained graph. will generate the response information based on
  • the output unit 208 outputs various information generated by the agricultural product cultivation support device 2 .
  • the output unit 208 outputs response information generated by the generation unit 206 and ground information indicated by the ground generation unit 207 .
  • the information may be output to any destination.
  • the agricultural product cultivation support device 2 is provided with an output device as described above, the information may be output to that output device.
  • the output may be output to an external output device of the agricultural product cultivation support device 2 .
  • the evaluation unit 205 evaluates the degree of recommendation of the node predicted by the link prediction unit 204 based on other nodes included in the grown graph including the node predicted by the link prediction unit 204 . Evaluation by the evaluation unit 205 will be described below.
  • the evaluation unit 205 may represent the evaluation result numerically.
  • the evaluation unit 205 calculates the recommendation degree of the node predicted by the link prediction unit 204 .
  • the evaluation unit 205 can calculate the recommendation level of each node according to the rule.
  • the basis generation unit 207 may use the whole or part of the grown graph including the nodes predicted by the link prediction unit 204 as basis information. Further, for example, the grounds generation unit 207 searches for a grown graph that includes the node predicted by the link prediction unit 204 and that includes a predetermined number or more of nodes that are common to the training method of the training object, and detects a grown graph detected by this search. may be used as the basis information.
  • the rationale generation unit 207 uses PCA (Principal Component Analysis) reliability based on OWA (Open-world assumption) to generate one or more You may mine the rules of Then, the basis generation unit 207 may generate basis information using one or a plurality of mined rules.
  • PCA Principal Component Analysis
  • OWA Open-world assumption
  • Rule mining for example, the technique described in the following document can also be applied.
  • the basis generation unit 207 With hc (head coverage) defined by A mining process may be performed using the PCA confidence defined by By using PCA reliability, it is possible to mine rules with higher accuracy than when using standard reliability. Therefore, by using the above configuration, the basis generation unit 207 can generate highly reliable basis information.
  • FIG. 6 is a flow diagram showing the flow of processing executed by the agricultural product cultivation support device 2. As shown in FIG.
  • the evaluation unit 205 evaluates the training method candidates determined in S203. Specifically, the evaluation unit 205 evaluates the degree of recommendation of the training method candidate based on the nodes included in the trained graph of the training method candidate. Note that when a plurality of candidates are determined in S203, the evaluation unit 205 evaluates each of the determined candidates.
  • the generation unit 206 generates response information based on the candidates determined in S203 and the request received in S201.
  • the trained graph is a learned model. Then, training method candidates are determined by link prediction using the trained graph. Therefore, in S205, it can be said that response information is generated based on the learned model and the request received in S201.
  • the generation unit 206 may generate response information indicating candidates whose evaluation results in S204 are up to a predetermined rank among the candidates determined in S203. Further, for example, the generation unit 206 may generate response information indicating a complement that matches the request received in S201 among the candidates determined in S203. In addition, for example, the generation unit 206 may generate response information indicating the candidate determined in S203 and the evaluation result of S204.
  • the basis generation unit 207 generates basis information indicating the validity of the response information generated in S205.
  • the basis generation unit 207 may detect a past training example similar to the training method of the training target from the trained graph, and generate basis information including the detected training example.
  • the output unit 208 outputs the response information generated at S206. At this time, the output unit 208 may also output the ground information generated in S206. Thus, the processing of FIG. 6 ends.
  • response information as shown in FIG. 7 may be output.
  • FIG. 7 is a diagram showing an example of response information.
  • the response information shown in FIG. 7 includes a “candidate” for a growing method for a growing object, a “target variety” to which the growing method is applied, and a “growing environment” and “growth result” of the crop grown by the growing method. , “cultivation cost”, “harvest time”, and “recommendation”.
  • “Target variety” to "harvest time” are identified from the candidate grown graph predicted by the link prediction unit 204.
  • working hours and material costs are shown as “training costs.”
  • the labor intensity of the “candidate” work may be included in the “training cost”.
  • the basis generation unit 207 may generate basis information including such information.
  • “Recommendation level” indicates the evaluation result of the evaluation unit 205 for the candidate.
  • the evaluation unit 205 may calculate the recommendation level based on various information specified from the trained graph. In the example of FIG. 7, the recommendation levels of tasks a to c are 15, 5, and 0, respectively. For example, if the "target variety” and “growing environment” match the breeding target, the recommendation level is +5. If there is one requested breeding result, the recommendation level is +5. A rule such as a recommendation level of +5 if the following is the case, and a recommendation level of +5 if the harvest time matches the requested time may be determined in advance. Thereby, the evaluation unit 205 can calculate the recommendation degree of each candidate as shown in FIG. 7 according to the rule.
  • FIG. 8 is a diagram showing an outline of a crop cultivation support method according to this exemplary embodiment.
  • searching for a training method for a trained object that matches a request while updating a trained object graph including a plurality of nodes related to the trained object will be described.
  • link prediction is performed using the cultivated graph and the cultivated graph.
  • the growing target graph shown at the upper left end of FIG. 8 includes nodes and links indicating that “work y1” was performed in September with respect to the management state of cultivated crops up to this point.
  • the probability of connecting the "high sugar content” node with the “quality” link to the "cultivated crops” node in the cultivation target graph shown on the upper left is 30%. This probability is not high enough.
  • the nodes connected by the link "September” to the "work history” node connected to the "cultivated crops” node in the growth target graph are changed from “work y1" to "work y2". ” and perform link prediction again.
  • the prediction result of the probability that the "high sugar content” node is connected to the "cultivated crops” node via the "quality” link is changed to 80%.
  • operation y2 is recommended as the operation in September for imparting the quality of “high sugar content” to cultivated crops to be cultivated. can do.
  • FIG. 9 is a block diagram showing the configuration of the agricultural crop cultivation support device 3 according to this exemplary embodiment.
  • the crop growing support device 3 includes a reception unit 301, a graph generation unit 302, a link prediction unit 303, a graph update unit 304, a generation unit 305, a basis generation unit 306, and an output unit 307.
  • the agricultural crop cultivation assistance device 3 may also include a learning unit, an input device, an output device, a communication device, etc., similar to the agricultural crop cultivation assistance device 2 of Exemplary Embodiment 2. .
  • the reception unit 301 receives requests regarding training targets. For example, the receiving unit 301 receives a request including any of the size, taste, harvest time, and harvest amount of a growing object (more precisely, a harvest obtained by growing the growing object).
  • the receiving unit 301 may further receive input of at least one of the content and timing of work to be performed on the trained object.
  • the input may be received as part of the request, or may be received as an input different from the request.
  • the content and timing of the work to be performed on the trained object may include the content and timing of the work performed on the trained object in the past, or the work to be performed on the trained object in the future. may include the content and timing of
  • the link prediction unit 303 uses the trained graph generated by the graph generation unit 302 and the learned trained graph to predict the relationship between nodes that are not connected by links in the trained graph and the trained graph.
  • a probability that a node indicating a predetermined training result is linked to the training target graph is calculated by the link prediction for the training target graph.
  • a predetermined training result is identified based on the request, as an example. For example, when a quality of "high sugar content" is requested as a training result required for a training target, the link prediction unit 303 detects a node indicating that quality in the training target graph (for example, in the example of FIG. 8, " Calculate the probability of linking to the "cultivated crops" node).
  • the generating unit 305 generates a learned model that has learned the relationship between a growing method for a plurality of crops and a growing result including one of the size, taste, harvest time, and yield of the plurality of crops, and the request.
  • response information including a growing method of the crop to be grown is generated based on the above. More specifically, generation section 305 generates response information based on the probability calculated by link prediction section 303 . A specific example of generating response information will be described later with reference to FIG.
  • a trained object graph containing nodes indicating at least one of the content and timing of work performed on a trained object indicates the state of the trained object after the work is performed. Therefore, it can be said that the probability that a node indicating a predetermined training result is linked to this training target graph indicates the possibility of obtaining a predetermined training result through the work. In other words, according to the above configuration, it is possible to predict whether or not the work that the trainee is about to perform will yield a predetermined training result before the work is performed.
  • the graph generation unit 302 generates a training target graph based on the information input at S301. For example, in S301, when receiving an input of at least one of the content and timing of the work to be performed on the trained object, the graph generation unit 302 generates a node of at least one of the content and timing of the work to be done on the trained object. It suffices to generate a training target graph that includes .
  • the graph updating unit 304 determines whether the probability calculated in S303 is greater than or equal to the threshold. If it is determined to be equal to or greater than the threshold (YES in S304), the process proceeds to S306, and if it is determined to be less than the threshold (NO in S304), the process proceeds to S305.
  • the process returns to S303, and the probability is calculated again. That is, in the process of FIG. 10, the calculation of the probability in S303 and the updating of the training target graph in S305 are repeatedly performed until YES is determined in S304.
  • the basis generation unit 306 generates basis information indicating the validity of the response information generated at S306. Specifically, the basis generation unit 306 generates basis information including past cases similar to the growing method of the crop to be grown.
  • the output unit 307 outputs the response information generated at S306. At this time, the output unit 307 may also output the ground information generated in S307. Thus, the processing of FIG. 10 ends.
  • the method of generating a graph to be grown according to this exemplary embodiment is not limited to the above example.
  • the crop growing support device 3 according to this exemplary embodiment may have the same configuration as the link prediction unit 204 according to the second exemplary embodiment.
  • the graph generating unit 302 according to the present exemplary embodiment is at least a part of the training method predicted by the link prediction unit 204, and is a node indicating the content and timing of future work to be performed on the training target. You may generate a training target graph that includes
  • the reception unit 401 receives requests regarding training targets. For example, the receiving unit 401 receives a request including any of the size, taste, harvest time, and harvest amount of a growing object (more precisely, a harvest obtained by growing the growing object). The receiving unit 401 also receives an input of a desired training result for the training target. Here, the desired breeding result may constitute a part of the request, or may be received as an input different from the request. Moreover, the receiving unit 401 may further receive a work history related to the training object.
  • FIG. 13 is a flow chart showing the flow of processing executed by the agricultural product growing support device 4. As shown in FIG.
  • the graph generation unit 402 generates a training target graph based on the information input at S401.
  • the training target graph generated by the graph generating unit 402 includes nodes indicating desired training results for the training target.
  • the evaluation unit 504 evaluates the crop predicted by the link prediction unit 503 in S503. As an example, the evaluation unit 504 evaluates the crop predicted by the link prediction unit 503 in S503 depending on whether or not the crop matches the request.
  • the generating unit 505 determines the growing method of the growing object based on the learned model that has learned the relationship between the growing methods and the growing results of a plurality of crops and the request received by the receiving unit 501 in S501. . More specifically, the generating unit 505 determines the growing method linked to the node of the crop predicted by the link predicting unit 503 in S503 as the growing method of the growing object. Here, the generating unit 505 selects a growing method for linking to a node of the crop predicted by the link prediction unit 503 in S503 and having a recommendation level equal to or higher than a predetermined threshold value evaluated by the evaluation unit 504 in S504. You may decide as a training method of object.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Strategic Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

農作物の育成を支援するために、農作物育成支援装置（１）は、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける受付部（１１）と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成部（１２）と、前記育成方法を出力する出力部（１３）と、を備える。

Description

農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
　本発明は、農作物の育成に関する情報を生成する農作物育成支援装置等に関する。
　農作物の育成においては、多種多様な作業が発生し、各作業の内容やタイミング等が育成結果に影響を与える。このような作業内容やタイミングの決定は、経験や勘に頼って行われていることが一般的である。また、下記の特許文献１のように、センサを用いて植物の育成管理情報を取得する技術も知られている。
特開２０１７－１８４６７８号公報
　しかしながら、経験や勘では安定した育成結果が得られないこともあり、経験や勘を新たな育成者に承継することは容易ではない。また、センサにより育成状態を把握できたとしても、その育成状態に応じた妥当な作業内容を決めることは容易ではない。このため、経験のある育成者がより安定して農作物を育成できるように、また経験の浅い育成者であっても農作物を適切に育成できるように、農作物の育成を支援する技術が求められている。
　本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、農作物の育成を支援する技術を提供することである。
　本発明の一側面に係る農作物育成支援装置は、育成対象の農作物の大きさ、味、収穫時期、収穫量のいずれかを含むリクエストを受け付ける受付手段と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成手段と、前記育成方法を出力する出力手段と、を備える。
　本発明の一側面に係る農作物育成支援方法では、コンピュータが、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成し、前記育成方法を出力する。
　本発明の一側面に係るプログラムは、コンピュータに対して、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を実行させる。
　本発明の一態様によれば、動植物の育成を支援することができる。
本発明の第１の例示的実施形態に係る農作物育成支援装置の構成を示すブロック図である。 本発明の第１の例示的実施形態に係る農作物育成支援方法の流れを示すフロー図である。 グラフベース関係性学習における特徴量の学習を説明する図である。 本発明の第２の例示的実施形態に係る農作物育成支援方法の概要を示す図である。 本発明の第２の例示的実施形態に係る農作物育成支援装置の構成を示すブロック図である。 本発明の第２の例示的実施形態に係る農作物育成支援装置が実行する処理の流れを示すフロー図である。 応答情報の例を示す図である。 本発明の第３の例示的実施形態に係る農作物育成支援方法の概要を示す図である。 本発明の第３の例示的実施形態に係る農作物育成支援装置の構成を示すブロック図である。 本発明の第３の例示的実施形態に係る農作物育成支援装置が実行する処理の流れを示すフロー図である。 本発明の第４の例示的実施形態に係る農作物育成支援方法の概要を示す図である。 本発明の第４の例示的実施形態に係る農作物育成支援装置の構成を示すブロック図である。 本発明の第４の例示的実施形態に係る農作物育成支援装置が実行する処理の流れを示すフロー図である。 本発明の第５の例示的実施形態に係る農作物育成支援方法の概要を示す図である。 本発明の第５の例示的実施形態に係る農作物育成支援装置の構成を示すブロック図である。 本発明の第５の例示的実施形態に係る農作物育成支援装置が実行する処理の流れを示すフロー図である。 育成対象グラフと育成済グラフから算出した特徴量に基づいて育成対象の育成結果を予測する例を説明する図である。 ソフトウェアによって農作物育成支援装置を実現するための構成図である。
　〔例示的実施形態１〕
　本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
　（農作物育成支援装置）
　本例示的実施形態に係る農作物育成支援装置１の構成について、図１を参照して説明する。図１は、農作物育成支援装置１の構成を示すブロック図である。図示のように、農作物育成支援装置１は、受付部（受付手段）１１と、生成部（生成手段）１２と、出力部（出力手段）１３とを備えている。
　受付部１１は、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。生成部１２は、複数の農作物の育成方法と、複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、リクエストとに基づいて、育成対象の農作物の育成方法を含む応答情報を生成する。出力部１３は、上記応答情報を出力する。
　上記の構成を備える農作物育成支援装置１によれば、育成対象の農作物に関するリクエストを受け付ける。そして、複数の農作物の育成方法と、複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、リクエストとに基づいて、育成対象の農作物の育成方法を含む応答情報を生成する。
　これにより、過去に育成された農作物に関する様々な情報を考慮して、育成対象の農作物の育成に有用な応答情報を生成することができる。したがって、上記の構成によれば、農作物の育成を支援することができるという効果が得られる。
　（プログラム）
　上述の農作物育成支援装置１の機能は、プログラムによって実現することもできる。本例示的実施形態に係るプログラムは、コンピュータに対して、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を実行させる。このプログラムによれば、農作物の育成を支援することができるという効果が得られる。
　（農作物育成支援方法）
　本例示的実施形態に係る農作物育成支援方法について図２を参照して説明する。図２は、本発明の第１の例示的実施形態に係る農作物育成支援方法の流れを示すフロー図である。
　Ｓ１１では、コンピュータが、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。リクエストは任意の入力装置を介して受け付ければよい。例えば、マウスやキーボード、あるいはタッチパネルや音声入力装置を介してリクエストを受け付けてもよい。
　Ｓ１２では、コンピュータが、複数の農作物の育成方法と、複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、リクエストとに基づいて、育成対象の農作物の育成方法を含む応答情報を生成する。
　Ｓ１３では、コンピュータが、Ｓ１２で生成された応答情報を出力する。出力先の装置は任意であり、例えば表示装置に出力して当該情報を表示出力させてもよいし、音声出力装置に出力して当該情報を音声出力させてもよい。
　以上のように、本例示的実施形態に係る農作物育成支援方法は、コンピュータが、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け（Ｓ１１）、複数の農作物の育成方法と、複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、Ｓ１１で受け付けたリクエストとに基づいて、育成対象の農作物の育成方法を含む応答情報を生成し（Ｓ１２）、Ｓ１２で生成された応答情報を出力する。この農作物育成支援方法によれば、農作物の育成を支援することができるという効果が得られる。
　なお、上記の農作物育成支援方法における各ステップの実行主体は、１つのコンピュータ（例えば農作物育成支援装置１）であってもよいし、各ステップの実行主体がそれぞれ異なるコンピュータであってもよい。これは例示的実施形態２以降で説明するフローについても同様である。
　〔グラフと学習について〕
　以下では、例示的実施形態１及び後述の例示的実施形態（以下各例示的実施形態と呼ぶ）において、農作物の育成の支援に利用することが可能な情報の一例であるグラフについて説明する。また、そのグラフの学習と、グラフを用いた予測についてもあわせて説明する。
　（グラフ）
　ここでいうグラフとは、複数のノードと、ノード間を結ぶリンクとからなる構造を有するデータのことを指す。ノード間の関係を表すリンクの種類を「関係（リレーション）」とも呼ぶ。また、リンクのことをエッジと呼ぶこともある。グラフには、大別して各リンクが方向性を有する有向グラフ、及び各リンクが方向性を有しない無向グラフが存在する。有向グラフと無向グラフの何れを利用することも可能であり、それらを組み合わせて利用することも可能である。
　各例示的実施形態においてグラフを利用する場合、そのノードは、育成対象である農作物又は育成済の農作物に関する有体又は無体の要素を表すものとすればよい。例えば、
・農作物の識別情報（例えば農作物名やＩＤ、品種等）
・生育状態
・生育環境
・作業の種類や内容
・収穫時期や収穫量
といった各種の要素を表すノードを含むグラフを利用することができる。ここで、生育状態には、葉の状態（色、大きさ、形）、及び実の状態（色、大きさ、形）等が含まれ得るがこれらに限定されない。また、ある農作物の育成状態には、当該農作物の品質（香り、味（糖度や酸味））等も含まれ得る。また、生育環境には、気温（ハウス栽培の場合には室温）、湿度、日射強度等が含まれ得るがこれらに限定されない。
　また、作業の種類及び内容には、例えば、施肥、水やり、中耕、摘果等が含まれると共に、施肥量、施肥のタイミング、水やりの頻度、等の作業の内容も含まれ得る。また、作業の種類及び内容には、日射強度を調整する操作、日照時間の操作、室温の操作、及び湿度の操作等も含まれ得る。このような作業は、育成方法の一部を構成するものである。
　なお、グラフには、１つの要素に対応するノードが複数含まれていてもよい。例えば、ある農作物の生育環境を示すノードが２つの個別のノードで表されてもよい（例えば、「高温」と「多湿」等）。他の要素についても同様である。
　上記のような要素としてのノードが存在する場合、リンクが表す関係は、
・ある要素と生育状態との関係
・ある要素と生育環境との関係
・ある要素と作業の種類や内容との関係
等を表すことになる。例えば、生育環境を示すノードと、生育状態を示すノードとを繋ぐリンクは、その生育環境がその生育状態の要因となっているという関係を表すものであってもよい。
　なお、一例として、各例示的実施形態におけるグラフは、
・農作物ＩＤを示す農作物ＩＤノードと、当該農作物ＩＤノードに繋がる生育状態又は生育環境を示すノードとを含むグラフ、及び、
・作業ＩＤを示す作業ＩＤノードと、当該作業ＩＤノードに繋がる農作物ＩＤノードと、当該作業ＩＤノードに繋がる各種の作業内容を示すノード
のように、階層的な構造を有するものであってもよいが、これは各例示的実施形態を限定するものではない。
　また、上述した収穫時期や各種作業を行う時期は、単一のノードによって表現されてもよいし、そうでなくてもよい。例えば、収穫時期は、作業や摘果を示す複数のノードと、これらのノードを繋ぐリンクであってノード間の時間的関係を示すリンクとによって階層的に表現されてもよい。また、収穫量についても、第１のタイミングにおける第１の収穫量を示すノード及びリンクと、第２のタイミングにおける第２の収穫量を示すノード及びリンクとを用いる等によって階層的に表現されてもよい。
　（学習及び予測）
　上述のようなグラフについては、機械学習手法を適用して、グラフベース関係性学習を行うことができる。このような学習により、グラフを用いた分類処理や予測処理を行うことが可能になる。なお、各例示的実施形態においては、農作物の育成支援の一環としてこのような学習を行ってもよいし、このような学習が既になされた学習済みのグラフを用いてもよい。
　グラフベース関係性学習では、まず、各ノードの特徴量を算出する。特徴量は、例えばベクトル形式としてもよい。各ノードの特徴量を特徴量ベクトルで表すことにより、様々な形式のノードが混在するグラフについても学習を行うことも可能になる。例えば、上述したような各種要素を示す画像や数値等を含むグラフについてもグラフベース関係性学習を行うことができる。
　次に、各ノードに接続されたリンクとそのリンクの接続先のノードに基づいて、各ノードの特徴量を更新する。この処理は、畳み込みニューラルネットワークにおける畳み込み処理と類似した処理となる。これについて図３に基づいて説明する。図３は、グラフベース関係性学習における特徴量の学習を説明する図である。
　図３に示すグラフには、ノードＡ～Ｄの４つが含まれている。ノードＡにはノードＢとＣが接続しており、ノードＣにはノードＤが接続している。これら４つのノードの初期の特徴量を算出した後、以下説明するように複数回の畳み込みを行って、各ノードの特徴量を更新する。
　１回目の畳み込みでは、ノードＡの初期の特徴量に、ノードＡに接続されているノードＢとＣの特徴量が所定の重みを乗じた上で加算される。また、ノードＣについては、ノードＣの初期の特徴量に、ノードＤの特徴量が所定の重みを乗じた上で加算される。なお、有効グラフであれば、リンクの方向に応じて重みが調整される。
　２回目の畳み込みにおいても、１回目の畳み込みと同様に、各ノードの特徴量に、そのノードにリンクされているノードの特徴量が所定の重みを乗じた上で加算される。ここで、ノードＣの特徴量には、１回目の畳み込みによりノードＤの特徴量が反映されている。このため、２回目の畳み込みにより、ノードＡにはノードＣの特徴量のみならずノードＤの特徴量も反映される。
　以上のような処理をノードの階層に応じた回数だけ繰り返すことにより、リンクで直接または間接的に接続された各ノードの特徴量が相互に反映される。グラフベース関係性学習では、ノード間の既知の関係性に基づいて、上述の重み付けに用いる重み値を最適化する。このような学習済みのグラフ（学習済みモデルと呼ぶこともできる）を用いることにより、以下説明するようなノード間関係予測やリンク先のノード予測を行うことも可能になる。
　（ノード間関係予測）
　上述した学習を行うことにより、元のグラフでは明示されていないノード間の関係を予測することが可能になる。ノード間関係予測を行う場合、ユーザは、２つのノードを指定して、それらのノードの間の関係を返すようにリクエストすればよい。例えば、ユーザから「作物Ａ」のノードと、「作物Ｂ」のノードとの関係を問うリクエストが入力された場合、ノード間関係予測によりこれらのノードを繋ぐ関係すなわちリンクが「類似」であるか否かを予測することが可能である。また、ノード間関係予測では、予測結果の確率（確からしさ）についても算出することができる。以下説明するノード予測についても同様である。
　（ノード予測）
　また、上述した学習を行うことにより、あるノードと所定のリンクで接続されるノードを予測することも可能になる。ノード予測を行う場合、ユーザは、１つのノードとそのノードを始点とするリンクとを指定して、リンク先のノードを返すようにリクエストすればよい。例えば、ユーザから「作業履歴」のノードに「９月」のリンクで接続されるノード、つまり９月に行うべき作業を問うリクエストが入力されたとする。この場合、ノード予測により、「作業履歴」のノードに「９月」のリンクで接続されるノード、すなわち９月に行うべき作業が、「作業ａ３」であるか、「作業ａ４」であるか、等を予測することが可能である。
　〔例示的実施形態２〕
　（概要）
　図４は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象グラフと育成済グラフとを用いて農作物育成を支援する例を説明する。
　育成済グラフは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習済みのグラフであり、学習済みモデルである。育成済グラフを知識グラフと呼ぶこともできる。なお、１回の育成に対応するノード及びリンクの集まりを育成済グラフと呼んでもよいし、複数回の育成に対応するノード及びリンクの集まりをまとめて育成済グラフと呼んでもよい。
　例えば、図４において「作物Ａ」のノードを含むグラフが育成済グラフである。作物Ａの育成済グラフには、過去に育成された農作物である作物Ａについて、その育成時の収穫物の品質が「糖度高い」かつ「サイズ大」であることを示すノード及びリンクが含まれている。また、作物Ａの育成済グラフには、育成時の生育環境が「平年並み」であり、作物Ａの品種が「ａ１」であることを示すノード及びリンクが含まれている。さらに、作物Ａの育成済グラフには、作物Ａの８月から１０月までの各月の作業履歴を示すノード及びリンクが含まれている。
　なお、「ａ１」は品種名、「ａ３」～「ａ５」は作業を示している。ここで「作業」には、作業の種類及び内容が含まれ得る。上述したように、例えば、施肥、水やり、中耕、摘果等が上記「作業」の範疇に含まれると共に、施肥量、施肥のタイミング、水やりの頻度、等の作業の内容も上記「作業」の範疇に含まれる。このような作業は、育成方法の一部を構成するものである。
　作物Ａの育成方法と育成結果との関係を学習することによりこのような育成済グラフを生成することができる。また、図４では図示を省略しているが、作物Ｂについても作物Ａと同様に、その育成方法と育成結果に関するノード及びリンクを含む育成済グラフが生成されている。このようにして、複数の育成済グラフが予め生成されている。
　なお、生育状態や生育環境は、予め設定した基準状態との差で表してもよい。例えば、ある生育時期における農作物の葉の総数と、その時期における標準的な葉の総数との差あるいは比を、その時期の農作物の生育状態を示す情報としてノード化してもよい。また、このようにして算出した差あるいは比から、良好、通常、悪い、等に生育状態を分類し、その分類をノードで表してもよい。また、生育環境については、農作物のある生育時期における日照量と、その時期における標準的な日照量との差あるいは比を、その時期における生育環境を示す情報としてノード化してもよい。また、このようにして算出した差あるいは比から、乾燥、平年並み、湿潤、等に生育環境を分類し、その分類をノードで表してもよい。
　育成対象グラフは、育成対象の栽培作物に関する複数のノードを含むグラフである。なお、栽培作物は、これから栽培する作物であってもよいし、栽培途中の作物であってもよい。図４において「栽培作物」というノードを含むグラフが育成対象グラフである。この育成対象グラフには、栽培作物のここまでの生育状態が「標準」、生育環境が「高温」、品種が「ｘ１」であることを示すノード及びリンクと、栽培作物の８月の作業履歴が「ｘ２」であることを示すノード及びリンクが含まれている。このような育成対象グラフは、例えば、栽培作物の栽培者等から必要な情報の入力を受け付けることにより生成することができる。
　上述のような育成済グラフと育成対象グラフとを用いることにより、栽培作物にはどのような育成方法が好適であるかをリンク予測することが可能になる。つまり、本例示的実施形態に係る農作物育成支援方法では、栽培作物の育成方法をリンク予測により予測し、予測結果に基づいて応答情報を生成し、出力する。
　例えば、図４の例では、育成済グラフに含まれる作業内容を示す様々なノードのうち、何れが育成対象グラフに含まれるノード（より詳細には「作業履歴」にリンクする「９月」のノード）にリンクで繋がりそうかをリンク予測すればよい。そして、予想された作業が、栽培作物に好適な育成方法であることを示す応答情報を生成し、出力すればよい。
　（装置構成）
　本発明の第２の例示的実施形態に係る農作物育成支援装置２の構成を図５に基づいて説明する。図５は、本例示的実施形態に係る農作物育成支援装置２の構成を示すブロック図である。
　図示のように、農作物育成支援装置２は、受付部２０１、グラフ生成部２０２、学習部２０３、リンク予測部２０４、評価部２０５、生成部２０６、根拠生成部２０７、および出力部２０８を備えている。
　なお、農作物育成支援装置２は、これらの構成要素に加え、ユーザの入力操作を受け付ける入力装置、農作物育成支援装置２が出力するデータの出力装置、農作物育成支援装置２が他の装置と通信するための通信装置等を備えていてもよい。出力装置の出力態様は任意であり、例えば表示出力であってもよいし、音声出力であってもよい。
　受付部２０１は、育成対象の農作物（上述の栽培作物に対応。以下、単に育成対象と略称することがある。）に関するリクエストを受け付ける。例えば、受付部２０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部２０１は、育成対象の品種等、育成対象の性質を示す情報についてもリクエストとして受け付けてもよい。また、受付部２０１は、育成対象の育成途中である場合、育成対象の生育状態、生育環境、及び作業履歴等をリクエストとして受け付けてもよい。
　グラフ生成部２０２は、育成対象に関する情報に基づいて、育成対象をグラフで表した育成対象グラフを生成する。例えば、グラフ生成部２０２は、育成対象をノードで表し、そのノードに育成対象の性質、生育状態、生育環境、及び作業履歴等を示すノードをリンクさせて育成対象グラフを生成してもよい。なお、育成対象の性質に関する情報は、受付部２０１が受け付けるリクエストに含まれていてもよいし、各種農作物の性質を集積したデータベース等から取得してもよい。また、生育環境は、栽培地の天候や気象情報を集積したデータベースを解析することにより特定してもよい。
　学習部２０３は、過去に育成された農作物に関する各種情報を基に、育成済グラフに含まれる各ノード間の関係性、言い換えれば農作物の育成方法と育成結果との関係を学習して、学習済みの育成済グラフを生成する。育成結果には、農作物（より正確には収穫物）の大きさ、味、収穫時期、及び収穫量等が含まれる。なお、特に断らない場合、育成済グラフは学習部２０３による学習済みのものを指す。また、学習済みの育成済グラフを農作物育成支援装置２に読み込ませてもよく、この場合、学習部２０３を省略してもよい。
　リンク予測部２０４は、上述の育成対象グラフと育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測する。このノードに示される作業が育成方法の候補である。例えば、図４の例であれば、リンク予測部２０４は、育成対象グラフの「作業履歴」のノードに「９月」のリンクでリンクする作業を予測し、予測された作業が育成方法の候補となる。
　評価部２０５は、リンク予測部２０４が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、リンク予測部２０４が予測したノード、すなわち育成方法の候補の推奨度を評価する。例えば、図４の例において、「作業履歴」のノードに「９月」のリンクでリンクする作業が「ａ４」と予測されたとする。この場合、評価部２０５は、作物Ａの育成済グラフに含まれる他のノード（例えば「糖度高い」等）に基づいて、作業「ａ４」の推奨度を評価する。なお、評価方法については後述する。
　生成部２０６は、複数の農作物の育成方法と育成結果との関係を学習した学習済みモデルと、受付部２０１が受け付けるリクエストとに基づいて、育成対象の育成方法を含む応答情報を生成する。より詳細には、生成部２０６は、リンク予測部２０４が予測したノードすなわち育成方法の候補に応じた応答情報を生成する。なお、このノードは、育成対象の育成に適用すべき作業を示している。上述のように、リンク予測部２０４は育成済グラフを用いてリンク予測を行うので、生成部２０６は、リンク予測部２０４によるリンク予測の結果に基づいて応答情報を生成することにより、学習済みモデルに基づいて応答情報を生成することになる。
　根拠生成部２０７は、生成部２０６の生成する応答情報の妥当性を示す根拠情報を生成する。根拠情報の生成方法については後述する。
　出力部２０８は、農作物育成支援装置２が生成する様々な情報を出力する。例えば、出力部２０８は、生成部２０６が生成する応答情報や、根拠生成部２０７が示す根拠情報を出力する。情報の出力先は任意であり、例えば上述のように農作物育成支援装置２が出力装置を備えている場合にはその出力装置に出力すればよい。また、例えば、農作物育成支援装置２の外部の出力装置に出力してもよい。
　上述のように、農作物育成支援装置２が使用する学習済みモデルは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習した育成済グラフであってもよい。この構成によれば、過去に育成された農作物の育成方法や育成結果等について、それらの相互の関係性を考慮して、育成対象の妥当な育成方法を示す応答情報を生成し、出力することができる。
　以上のように、農作物育成支援装置２は、育成対象グラフと育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測部２０４を備えていてもよい。そして、生成部２０６は、リンク予測部２０４が予測したノードに応じた応答情報を生成してもよい。
　過去に育成された農作物の育成中に行われた作業に関連し、育成対象グラフに含まれるノードにリンクするノードは、育成対象の育成中における作業にも関連している可能性がある。例えば、過去に育成され、育成結果が良好であった農作物の育成済グラフに、水やり作業の頻度を少なくしたことを示すノードが含まれており、このノードが育成対象グラフに含まれるノードにリンクすると予測されたとする。この場合、育成対象の農作物についても、水やり作業の頻度を少なくすることにより、育成結果が良好なものになることが期待できる。よって、上記の構成によれば、育成対象に対する作業に関する有用な情報を提供することができる。
　（リンク予測について）
　リンク予測部２０４は、指定された条件に適合するノードを予測することもできる。条件の指定は予め行われていてもよいし、ユーザが行えるようにしてもよい。後者の場合、受付部２０１がリクエストとして条件の入力を受け付けてもよい。
　例えば、受付部２０１が育成済グラフについての条件の入力を受け付けた場合、リンク予測部２０４は、その条件を満たす育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測してもよい。
　これにより、ユーザの意図に沿ったノードを予測することができる。例えば、ユーザが、「所定の育成結果が得られた」ことを条件として入力した場合、そのような育成結果が得られたことを示す育成済グラフの中から、育成中に行われた作業に関し、育成対象グラフに含まれるノードにリンクするノードが予測される。この場合、所定の育成結果に結び付く可能性が高い作業に関する有用な情報を提供することができる。
　この他にも例えば下記のような条件を設定してもよい。なお、条件を充足しているか否かを判定するため、条件の充足に関連する情報を学習した育成済グラフを用いる。例えば、下記の条件のうち作業コストが低いという条件を適用する場合、作業コストを示すノード及びリンクを含む育成済グラフを用いる。
・ユーザが設定した成長目標（最終段階の目標でも途中段階の目標でも可）を達成している。
・作物、生育環境、使用できる資材・機器等の前提条件が一致（完全一致または部分一致）している。
・育成履歴に示される作業後の生育環境が、気象予報と一致（例えば、９月が高温であると予報されている場合、９月が高温であった育成履歴を有する作物のグラフから作業を抽出）。
・作業のコスト（作業時間、労働強度、費用等）が低い。
・有機栽培であるか、または、農薬使用量が抑えられている。
・所定の時期に所定範囲の収量がある。
　（ノードの評価）
　上述のように、評価部２０５は、リンク予測部２０４が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、リンク予測部２０４が予測したノードの推奨度を評価する。評価部２０５による評価について以下説明する。
　育成対象グラフに含まれるノードにリンクするノードは、育成対象に適した作業に関する有用な示唆をユーザに与え得る。そして、そのノードを含む育成済グラフに含まれる他のノードは、育成対象の育成に関連する可能性がある。例えば、育成済グラフに、育成した農作物の収量が多かったことを示すノード及びリンクが含まれていたとする。この場合、その育成済グラフに含まれ、育成対象グラフに含まれるノードにリンクするノードは、育成対象の収量の向上に寄与する情報を示している可能性があるから、そのノードの推奨度は高いといえる。
　そこで、上記の構成によれば、リンク予測部２０４が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、リンク予測部２０４が予測したノードに対する推奨度を評価する。そして、ユーザは、この評価を参考にして育成対象に対する作業を決定すればよい。これにより、より好ましい育成結果が期待できる作業の決定に寄与することができる。
　評価方法は対象となるノード等に基づいて予め定めておけばよく、評価の基準としては様々なものが適用できる。例えば、リクエストに対する適合度合いを基準に評価してもよい。例えば、育成対象の収穫物に求められる品質がリクエストに含まれるとする。この場合、評価部２０５は、その品質を示すノードを含む育成済グラフに対応するノードの評価が、その品質を示すノードを含まない育成済グラフに対応するノードの評価よりも高くなるようにしてもよい。
　また、評価部２０５は、評価結果を数値で表してもよい。本例示的実施形態では、評価部２０５が、リンク予測部２０４が予測したノードの推奨度を算出する例を説明する。この場合、育成済グラフに含まれるノードと推奨度との関係を予めルール化しておけば、評価部２０５は、そのルールに従って各ノードの推奨度を算出することができる。
　例えば、評価部２０５は、リンク予測部２０４が予測したノードを含む育成済グラフを対象として、下記の少なくとも何れかの基準で推奨度を算出してもよい。
・ユーザが設定した成長目標を達成していることを示すノード及びリンクが含まれていれば加点／含まれていなければ減点。
・作物種、品種、生育環境、使用できる資材・機器等の前提条件の一致度が高いことを示すノード及びリンクが含まれているほど加点／そのようなノード及びリンクが少ないほど減点。
・生育環境が類似していることを示すノード及びリンクが含まれているほど加点／そのようなノード及びリンクが少ないほど減点（なお、育成中の作物については気象予報の結果を利用して生育環境の類似性を判定してもよい）。
・作業のコスト（作業時間、労働強度、費用等）が高いことを示すノード及びリンクが含まれていると減点／そのようなノード及びリンクが少ないほど加点。
・農薬使用量が多いことを示すノード及びリンクが含まれていると減点／そのようなノード及びリンクが含まれていると加点。
・ユーザの指定した時期に指定した範囲の収量があったことを示すノード及びリンクが含まれていれば加点／時期・収量にずれがあることを示すノード及びリンクが含まれていればば減点。
　（根拠情報の生成方法）
　上述のように、根拠生成部２０７は、生成部２０６の生成する応答情報の妥当性を示す根拠情報を生成する。例えば、根拠生成部２０７は、育成対象の育成方法に類似する過去の事例を含む根拠情報を生成してもよい。これにより、ユーザは、根拠情報を踏まえて応答情報を参照することができ、応答情報の妥当性を的確に判断することが可能になる。
　例えば、根拠生成部２０７は、リンク予測部２０４が予測したノードを含む育成済グラフの全体又は一部を根拠情報としてもよい。また、例えば、根拠生成部２０７は、リンク予測部２０４が予測したノードを含み、育成対象の育成方法と共通するノードを所定数以上含む育成済グラフを探索し、この探索により検出した育成済グラフの全体又は一部を根拠情報としてもよい。
　（リンク予測の結果に対する根拠生成について）
　根拠生成部２０７は、育成対象グラフと育成済グラフとを解析することにより根拠情報を生成することもできる。以下では、育成対象グラフと育成済グラフとを解析することにより根拠情報を生成する方法を説明する。
　例えば、根拠生成部２０７は、OWA（Open-world assumption：開世界仮説）に基づくPCA（Principal Component Analysis：主成分分析）信頼度を利用して、育成対象グラフと育成済グラフから、１又は複数のルールをマイニングしてもよい。そして、根拠生成部２０７は、マイニングした１又は複数のルールを用いて根拠情報を生成してもよい。ルールのマイニングには、例えば下記の文献に記載されている手法を適用することもできる。
　　Luis Galarraga et. al, “Fast rule mining in ontological knowledge bases with AMIE +”, The VLDB Journal（2015）24:707-730
　一例として、根拠生成部２０７による処理の対象となるルールを、Head r（x, y）、及びBody { B1 , . . . , Bn }を用いて、
Figure JPOXMLDOC01-appb-M000001
 によって表現する。当該ルールは、ベクトル表現を用いて
Figure JPOXMLDOC01-appb-M000002
 と表記することもある。ここで、Head r（x, y）のことをatomとも呼ぶ。
　根拠生成部２０７は、マイニング処理の条件として、
・Connected：ルール内の全ての値（変数、エンティティ）が異なるatom間で共有されていること
・Closed：ルール内の全ての変数は、２回以上出てくること
・Not reflexive：r（x, x）のような、再帰的（reflective）なatomを含むルールは、マイニングしない
という条件を課したうえでマイニング処理を行う。
　また、根拠生成部２０７は、
Figure JPOXMLDOC01-appb-M000003
 によって定義されるhc（head coverage）を用いると共に、
Figure JPOXMLDOC01-appb-M000004
 によって定義されるPCA信頼度を用いてマイニング処理を実行してもよい。PCA信頼度を用いることによって、標準的な信頼度を用いる場合に比べて、精度の高いルールをマイニングすることが可能である。したがって、上記の構成を用いることによって、根拠生成部２０７は、信頼性の高い根拠情報を生成することが可能である。
　例えば、根拠生成部２０７が、「収穫直前の生育環境が平年並みである場合、収穫直前の水やり頻度を減らす」ことにより「糖度が高い収穫物が収穫できる」というルールをマイニングしていたとする。この場合、リンク予測部２０４が、水やりの頻度を減らすという作業を予測したときには、根拠生成部２０７は、この予測の根拠として上記のルールを示す根拠情報を生成すればよい。
　（処理の流れ）
　農作物育成支援装置２が実行する処理（農作物育成支援方法）の流れを図６に基づいて説明する。図６は、農作物育成支援装置２が実行する処理の流れを示すフロー図である。
　Ｓ２０１では、受付部２０１が、育成対象に関するリクエストを受け付ける。Ｓ２０１では、例えば、受付部２０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。続いて、Ｓ２０２では、グラフ生成部２０２が、Ｓ２０１で入力された情報に基づいて育成対象グラフを生成する。
　Ｓ２０３では、リンク予測部２０４が育成方法の候補を決定する。具体的には、リンク予測部２０４は、Ｓ２０２で生成された育成対象グラフと、育成済グラフとを用いたリンク予測により、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測する。このノードに示される作業が育成方法の候補である。Ｓ２０３の処理に付随して、根拠生成部２０７は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部２０４の予測結果の根拠を示す根拠情報を生成してもよい。
　Ｓ２０４では、評価部２０５が、Ｓ２０３で決定された育成方法の候補を評価する。具体的には、評価部２０５は、当該育成方法の候補に係る育成済グラフに含まれているノードに基づいて、当該候補の推奨度を評価する。なお、Ｓ２０３で複数の候補が決定された場合、評価部２０５は決定された候補のそれぞれについて評価を行う。
　Ｓ２０５では、生成部２０６が、Ｓ２０３で決定された候補と、Ｓ２０１で受け付けたリクエストとに基づいて応答情報を生成する。なお、上述のように、育成済グラフは学習済みモデルである。そして、育成方法の候補は育成済グラフを用いたリンク予測により決定される。よって、Ｓ２０５では、学習済みモデルとＳ２０１で受け付けたリクエストとに基づいて応答情報を生成しているといえる。
　例えば、生成部２０６は、Ｓ２０３で決定された候補のうち、Ｓ２０４の評価結果が所定順位までの候補を示す応答情報を生成してもよい。また、例えば、生成部２０６は、Ｓ２０３で決定された候補のうち、Ｓ２０１で受け付けたリクエストに適合する補を示す応答情報を生成してもよい。この他にも、例えば、生成部２０６は、Ｓ２０３で決定された候補とＳ２０４の評価結果とを示す応答情報を生成してもよい。
　Ｓ２０６では、根拠生成部２０７が、Ｓ２０５で生成された応答情報の妥当性を示す根拠情報を生成する。例えば、根拠生成部２０７は、育成済グラフから、育成対象の育成方法に類似する過去の育成事例を検出し、検出した育成事例を含む根拠情報を生成してもよい。
　Ｓ２０７では、出力部２０８が、Ｓ２０６で生成された応答情報を出力する。また、この際に、出力部２０８は、Ｓ２０６で生成された根拠情報についても出力してもよい。これにより、図６の処理は終了する。
　（応答情報の例）
　Ｓ２０７では、例えば図７に示すような応答情報を出力してもよい。図７は、応答情報の例を示す図である。図７に示す応答情報は、育成対象の育成方法の「候補」と、当該育成方法が適用された「対象品種」と、当該育成方法で育成された農作物の「生育環境」、「育成結果」、「育成コスト」、並びに「収穫時期」と、「推奨度」と、の計７つの項目を含む。
　「候補」は、リンク予測部２０４が予測したものである。図７の例では作業ａ～ｃが候補に含まれている。作業ａ～ｃは、作業の種類を示すものであってもよいし、作業の内容を示すものであってもよく、作業の種類及び内容を示すものであってもよい。
　「対象品種」～「収穫時期」は、リンク予測部２０４が予測した候補の育成済グラフから特定される。図７の例では「育成コスト」として作業時間と資材費が示されている。この他にも、例えば「候補」となっている作業の労働強度等を「育成コスト」に含めてもよい。根拠生成部２０７は、このような情報を含む根拠情報を生成してもよい。
　「推奨度」は、候補に対する評価部２０５の評価結果を示す。評価部２０５は、育成済グラフから特定される各種情報に基づいて推奨度を算出すればよい。図７の例では、作業ａ～ｃの推奨度がそれぞれ１５、５、０となっている。例えば、「対象品種」と「生育環境」が育成対象と一致していれば推奨度+５、リクエストされた育成結果を１つ有していれば推奨度+５、育成コストがリクエストされた上限以下であれば推奨度+５、収穫時期がリクエストされた時期と一致していれば推奨度+５、のようなルールを予め決めておいてもよい。これにより、評価部２０５は、そのルールに従って図７に示すような各候補の推奨度を算出することができる。
　〔例示的実施形態３〕
　（概要）
　図８は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象に関する複数のノードを含む育成対象グラフを更新しながら、リクエストに適合する育成対象の育成方法を探索する例を説明する。
　本例示的実施形態においては、例示的実施形態２と同様に、育成対象グラフと育成済グラフとを用いてリンク予測を行う。図８の上段左端に示す育成対象グラフには、栽培作物のここまでの管理状態に関して、９月に「作業ｙ１」が行われたことを示すノード及びリンクが含まれている。
　また、図８には、育成済グラフとして「作物Ａ」のノードを含む育成済グラフ、及び「作物Ｂ」のノードを含む育成済グラフを示しているが、他のノード及びリンクは図示を省略している。
　上記のような各種の育成済グラフを学習することにより、どのような育成方法からどのような育成結果が得られそうか、をリンク予測することが可能になる。つまり、本例示的実施形態に係る農作物育成支援方法では、仮の育成対象グラフを生成し、その育成対象グラフに示される育成対象が、リクエストされた育成結果を有する確率をリンク予測する。
　例えば、図８の例では、上段左端に示す育成対象グラフの「栽培作物」のノードに「品質」のリンクで「糖度高い」のノードが繋がる確率が３０％と予測されている。この確率は十分に高いとはいえない。
　そこで、同図の下段に示すように、育成対象グラフの「栽培作物」のノードに繋がる「作業履歴」のノードに対して「９月」のリンクで繋がるノードを「作業ｙ１」から「作業ｙ２」に変更し、再度リンク予測を行う。これにより、「栽培作物」のノードに「品質」のリンクで「糖度高い」のノードが繋がる確率の予測結果が８０％に変化している。
　本例示的実施形態に係る農作物育成支援方法によれば、以上の処理の結果から、育成対象の栽培作物に「糖度高い」という品質を持たせるための９月の作業として「作業ｙ２」をレコメンドすることができる。
　（装置構成）
　本発明の第３の例示的実施形態に係る農作物育成支援装置３の構成を図９に基づいて説明する。図９は、本例示的実施形態に係る農作物育成支援装置３の構成を示すブロック図である。
　図示のように、農作物育成支援装置３は、受付部３０１、グラフ生成部３０２、リンク予測部３０３、グラフ更新部３０４、生成部３０５、根拠生成部３０６、および出力部３０７を備えている。また、例示的実施形態２の農作物育成支援装置２と同様に、農作物育成支援装置３は、これらの構成要素に加えて、学習部、入力装置、出力装置、通信装置等を備えていてもよい。
　受付部３０１は、育成対象に関するリクエストを受け付ける。例えば、受付部３０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部３０１は、育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付けてもよい。ここで当該入力は、リクエストの一部として受け付けてもよいし、リクエストとは異なる入力として受け付けてもよい。また、育成対象に対して行う作業の内容およびタイミングには、育成対象に対して過去に行った作業の内容及びタイミングが含まれていてもよいし、育成対象に対して将来行おうとしている作業の内容及びタイミングが含まれていてもよい。
　グラフ生成部３０２は、上記リクエストに基づいて育成対象グラフを生成する。グラフ生成部３０２が生成する育成対象グラフには、作業の内容およびタイミングの少なくとも何れかを示すノードであって、育成対象に対して将来行おうとしている作業の内容及びタイミングを示すノードが含まれる。例えば、グラフ生成部３０２は、図８に示したように「栽培作物」を示すノードに対し、「作業履歴」を示すノードが「管理状態」を示すリンクで接続され、当該「作業履歴」を示すノードに、「９月」のリンクで「作業ｙ１」が接続された育成対象グラフを生成してもよい。ここで、「作業履歴」を示すノードに「９月」のリンクで接続された「作業ｙ１」のノードは、育成対象に対して将来行おうとしている作業の内容を示している。また、育成対象グラフには、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量等を示すノード及びリンクが含まれていてもよい。
　リンク予測部３０３は、グラフ生成部３０２が生成する育成対象グラフと、学習済みの育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出する。所定の育成結果は、一例としてリクエストに基づいて特定される。例えば、育成対象に求められる育成結果として「糖度が高い」という品質がリクエストされた場合、リンク予測部３０３は、その品質を示すノードが育成対象グラフに含まれるノード（例えば図８の例では「栽培作物」のノード）にリンクする確率を算出する。
　グラフ更新部３０４は、育成対象グラフを更新する。一例として、グラフ更新部３０４は、育成対象グラフに含まれる、育成対象に対して将来行おうとしている作業内容を示すノードを他の作業内容のノードと入れ替える処理、及び新たな作業内容のノードを追加する処理、の少なくともいずれかを行う。
　育成対象グラフの更新は、ユーザの入力に従って行ってもよいし、自動で行ってもよい。前者の場合、グラフ更新部３０４は、育成済グラフから抽出した作業内容のリストを出力部３０７に出力させて、その中から新たな作業内容をユーザに選択させてもよい。また、後者の場合、育成済グラフから抽出した作業内容の中から新たな作業内容をグラフ更新部３０４が選択すればよい。
　生成部３０５は、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する。より詳細には、生成部３０５は、リンク予測部３０３が算出した確率に基づいて応答情報を生成する。なお、応答情報の生成の具体例は図１０に基づいて後述する。
　上述のように、リンク予測部３０３は学習済みモデルである育成済グラフと、リクエストに基づいて生成される育成対象グラフとを用いてリンク予測を行う。このため、生成部３０５は、リンク予測部３０３によるリンク予測の結果に基づいて応答情報を生成することにより、学習済みモデルと上記リクエストとに基づいた応答情報を生成することになる。
　根拠生成部３０６は、生成部３０５の生成する応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部３０６は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。また、根拠生成部３０６は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部３０３によるリンク予測の結果についての根拠情報を生成してもよい。
　出力部３０７は、農作物育成支援装置３が生成する様々な情報を出力する。例えば、出力部３０７は、生成部３０５が生成する応答情報や、根拠生成部３０６が示す根拠情報を出力する。例示的実施形態２の出力部２０８と同様、情報の出力先は特に限定されない。
　以上のように、農作物育成支援装置３において、受付部３０１は、育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を受け付け、リンク予測部３０３は、入力された作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフと、育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出する。
　育成対象に対して行う作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフは、その作業が行われた後の育成対象の状態を示しているといえる。よって、この育成対象グラフに所定の育成結果を示すノードがリンクする確率は、当該作業により所定の育成結果が得られる可能性を示すものであるといえる。つまり、上記の構成によれば、育成者が実行しようとしている作業により所定の育成結果が得られそうかを、その作業の実行前に予測することができる。
　（処理の流れ）
　農作物育成支援装置３が実行する処理（農作物育成支援方法）の流れを図１０に基づいて説明する。図１０は、農作物育成支援装置３が実行する処理の流れを示すフロー図である。
　Ｓ３０１では、受付部３０１が、育成対象に関するリクエストを受け付ける。例えば、受付部３０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部は、育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付ける。
　Ｓ３０２では、グラフ生成部３０２が、Ｓ３０１で入力された情報に基づいて育成対象グラフを生成する。例えば、Ｓ３０１において、育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を受け付けた場合、グラフ生成部３０２は、育成対象に対して行う作業の内容およびタイミングの少なくとも何れかのノードを含む育成対象グラフを生成すればよい。
　Ｓ３０３では、リンク予測部３０３が、Ｓ３０２で生成された育成対象グラフに含まれるノードに、Ｓ３０１で受け付けたリクエストに適合する所定の育成結果を示すノードがリンクする確率を算出する。上述のように、この確率の算出は、学習済みの育成済グラフと上記の育成対象グラフとを用いたリンク予測により行われる。Ｓ３０３の処理に付随して、根拠生成部３０６は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部３０３の算出結果の根拠を示す根拠情報を生成してもよい。
　Ｓ３０４では、グラフ更新部３０４が、Ｓ３０３で算出された確率が閾値以上であるか否かを判定する。ここで閾値以上であると判定された場合（Ｓ３０４でＹＥＳ）にはＳ３０６に進み、閾値未満であると判定された場合（Ｓ３０４でＮＯ）にはＳ３０５に進む。
　なお、Ｓ３０１で受け付けたリクエストに複数の育成結果が示されていた場合には、Ｓ３０３では各育成結果について予測を行い、Ｓ３０４では全ての育成結果についての確率が閾値以上であればＹＥＳ、１つでも閾値未満の育成結果があればＮＯと判定すればよい。これにより、要求された育成結果をすべて満たし得る育成方法を推定することができる。
　Ｓ３０５では、グラフ更新部３０４は、育成対象グラフを更新する。一例として、グラフ更新部３０４は、現行の育成対象グラフに含まれるノードであって育成対象に対して将来行おうとしている作業内容のノードを別の作業内容のノードに入れ替える。なお、更新内容をユーザの入力に従って決定してもよいし、グラフ更新部３０４が決定してもよいことは上述したとおりである。
　育成対象グラフが更新されると、処理はＳ３０３に戻り、再度確率の算出が行われる。つまり、図１０の処理では、Ｓ３０４でＹＥＳと判定されるまで、Ｓ３０３における確率の算出と、Ｓ３０５の育成対象グラフの更新とが繰り返し行われる。
　Ｓ３０６では、生成部３０５が、Ｓ３０１で受け付けたリクエストに適合する所定の育成結果を得るための育成方法を推定し、推定した育成方法を含む応答情報を生成する。具体的には、生成部３０５は、Ｓ３０４でＹＥＳと判定されたときの育成対象グラフに示される育成方法を、リクエストに適合する育成結果であると推定し、その育成方法を示す応答情報を生成する。
　Ｓ３０７では、根拠生成部３０６が、Ｓ３０６で生成された応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部３０６は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。
　Ｓ３０８では、出力部３０７が、Ｓ３０６で生成された応答情報を出力する。また、この際に、出力部３０７は、Ｓ３０７で生成された根拠情報についても出力してもよい。これにより、図１０の処理は終了する。
　（例示的実施形態３に関する付記事項）
　本例示的実施形態に係る育成対象グラフの生成の仕方は、上述の例に限られない。例えば、本例示的実施形態に係る農作物育成支援装置３は、例示的実施形態２に係るリンク予測部２０４と同様の構成を備えてもよい。この場合、本例示的実施形態に係るグラフ生成部３０２は、リンク予測部２０４が予測した育成方法の少なくとも一部であって、育成対象に対して将来行おうとしている作業内容及びタイミングを示すノードを含む育成対象グラフを生成してもよい。
　また、上記の構成の場合、本例示的実施形態に係るグラフ更新部３０４は、現行の育成対象グラフに含まれるノードであって育成対象に対して将来行おうとしている作業内容のノードを、リンク予測部２０４が予測した別の作業内容のノードに入れ替えてもよい。図１０のフローでは、Ｓ３０５の処理の前に、リンク予測により育成対象に対する作業内容あるいは作業のタイミングを予測し、その予測結果に従ってＳ３０５の更新を行うことになる。
　〔例示的実施形態４〕
　（概要）
　図１１は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、所望の育成結果を示すノードを含む育成対象グラフを用いて、当該所望の育成結果を得るための育成方法を予測する例を説明する。
　本例示的実施形態においては、例示的実施形態２及び３と同様に、育成対象グラフと育成済グラフとを用いてリンク予測を行う。図１１の上段左端に示す育成対象グラフには、栽培作物に対する所望の育成結果の例である品質として、「糖度高い」ことを示すノード及びリンクが含まれている。
　また、図８には、作物Ａの育成済グラフとして、「作物Ａ」のノードと、当該ノードに「品質」のリンクで繋がる「糖度高い」を示すノードと、「作物Ａ」のノードに「作業履歴の」ノード及び「９月」のリンクを介して繋がる「作業Ａ１」のノードとを含む育成済グラフが示されている。また、作物Ｂの育成済グラフとして、「作物Ｂ」のノードと、当該ノードに「品質」のリンクで繋がる「多収」を示すノードと、「作物Ｂ」のノードに「作業履歴」のノード及び「９月」のリンクを介して繋がる「作業Ｂ１」のノードとを含む育成済グラフが示されている。
　上記のような各種の育成済グラフを学習することにより、どのような育成方法からどのような育成結果が得られそうか、をリンク予測することが可能になる。一例として、本例示的実施形態に係る農作物育成支援方法では、図１１に示すように、ユーザが所望する品質として「糖度高い」を示すノードを含む育成対象グラフを生成し、その育成対象グラフに示される育成対象が所望の品質を得るための作業内容（図１１において作業履歴のノードに「９月」のリンクで接続された「作業」）をリンク予測する。
　このように、本例示的実施形態に係る農作物育成支援方法では、ユーザが所望する育成結果を示すノードを含む育成対象グラフを生成し、その育成対象グラフに示される育成対象が所望の育成結果を得るための育成方法をリンク予測する。これにより、所望の育成結果を得るために必要な作業を判断する材料をユーザに提供することができる。
　（装置構成）
　本発明の第４の例示的実施形態に係る農作物育成支援装置４の構成を図１２に基づいて説明する。図１２は、本例示的実施形態に係る農作物育成支援装置４の構成を示すブロック図である。
　図示のように、農作物育成支援装置４は、受付部４０１、グラフ生成部４０２、リンク予測部４０３、評価部４０４、生成部４０５、根拠生成部４０６、および出力部４０７を備えている。また、上述した例示的実施形態の農作物育成支援装置２又は農作物育成支援装置３と同様に、農作物育成支援装置４は、これらの構成要素に加えて、学習部、入力装置、出力装置、通信装置等を備えていてもよい。
　受付部４０１は、育成対象に関するリクエストを受け付ける。例えば、受付部４０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部４０１は、育成対象に対する所望の育成結果の入力を受け付ける。ここで、ここで所望の育成結果は、リクエストの一部を構成していてもよいし、リクエストとは異なる入力として受け付けてもよい。また、受付部４０１は、育成対象に関する作業履歴を更に受け付けてもよい。
　グラフ生成部４０２は、上記リクエストに基づいて育成対象グラフを生成する。グラフ生成部４０２が生成する育成対象グラフには、育成対象に対する所望の育成結果を示すノードが含まれる。例えば、グラフ生成部３０２は、図１１に示したように、「栽培作物」を示すノードに対し、「品質」を示すノードが「糖度高い」を示すリンクで接続された育成対象グラフを生成してもよい。また、育成対象グラフには、「作業履歴」を示すノードが更に含まれていてもよい。
　リンク予測部４０３は、上述の育成対象グラフと育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測する。例えば、図１１の例であれば、リンク予測部４０３は、育成対象グラフの「作業履歴」のノードに「９月」のリンクでリンクする作業を予測し、予測された作業が育成方法の候補となる。
　評価部４０４は、リンク予測部４０３が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、リンク予測部４０３が予測したノード、すなわち育成方法の候補の推奨度を評価する。例えば、図１１の例において、「作業履歴」のノードに「９月」のリンクでリンクする作業が「Ａ１」と予測されたとする。「Ａ１」は作物Ａの育成済グラフに含まれるノードであるから、この場合、評価部４０４は、作物Ａの育成済グラフに含まれる他のノード（例えば「糖度高い」等）に基づいて、作業「Ａ１」の推奨度を評価する。
　生成部４０５は、複数の農作物の育成方法と育成結果との関係を学習した学習済みモデルと、受付部４０１が受け付けるリクエストとに基づいて、育成対象の育成方法を含む応答情報を生成する。より詳細には、生成部４０５は、リンク予測部４０３が予測したノードすなわち育成方法の候補に応じた応答情報を生成する。なお、このノードは、育成対象の育成に適用すべき作業を示している。上述のように、リンク予測部４０３は育成済グラフを用いてリンク予測を行うので、生成部４０５は、リンク予測部４０３によるリンク予測の結果に基づいて応答情報を生成することにより、学習済みモデルに基づいて応答情報を生成することになる。なお、生成部４０５は、リンク予測部４０３が予測した育成方法の候補のうち、評価部４０４が評価した推奨度が所定の閾値以上の育成方法を含む応答情報を生成してもよい。
　根拠生成部４０６は、生成部４０５の生成する応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部４０６は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。また、根拠生成部４０６は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部４０３によるリンク予測の結果についての根拠情報を生成してもよい。
　出力部４０７は、農作物育成支援装置４が生成する様々な情報を出力する。例えば、出力部４０７は、生成部４０５が生成する応答情報や、根拠生成部４０６が示す根拠情報を出力する。また、出力部４０７は、評価部４０４が評価した推奨度を更に出力してもよい。上述した例示的実施形態の出力部２０８又は出力部３０８と同様、情報の出力先は特に限定されない。
　上述のように、農作物育成支援装置４において、受付部４０１は、育成対象に対する所望の育成結果の入力を受け付け、リンク予測部４０３は、入力された育成結果を示すノードを含む育成対象グラフと、育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、育成対象グラフに含まれるノードにリンクするノードを予測する。
　所望の育成結果を示すノードを含む育成対象グラフは、育成のための各種作業が行われた後の育成対象の状態を示しているといえる。よって、この育成対象グラフに含まれるノードにリンクする、過去に育成された農作物の育成中に行われた作業に関するノードは、所望の育成結果が得られた要因を示している可能性がある。よって、上記の構成によれば、所望の育成結果を得るために必要な作業を判断する材料を提供することができる。
　（処理の流れ）
　農作物育成支援装置４が実行する処理（農作物育成支援方法）の流れを図１３に基づいて説明する。図１３は、農作物育成支援装置４が実行する処理の流れを示すフロー図である。
　Ｓ４０１では、受付部４０１が、育成対象に関するリクエストを受け付ける。例えば、受付部４０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部４０１は、育成対象に対する所望の育成結果の入力を受け付ける。ここで、ここで所望の育成結果は、リクエストの一部を構成していてもよいし、リクエストとは異なる入力として受け付けてもよい。また、受付部４０１は、育成対象に関する作業履歴を更に受け付けてもよい。
　Ｓ４０２では、グラフ生成部４０２が、Ｓ４０１で入力された情報に基づいて育成対象グラフを生成する。グラフ生成部４０２が生成する育成対象グラフには、育成対象に対する所望の育成結果を示すノードが含まれる。
　Ｓ４０３では、リンク予測部４０３が、育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、Ｓ４０２で生成された育成対象グラフに含まれるノードにリンクするノードを予測する。上述のように、このノードの予測は、学習済みの育成済グラフと上記の育成対象グラフとを用いたリンク予測により行われる。Ｓ４０３の処理に付随して、根拠生成部４０６は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部４０３の算出結果の根拠を示す根拠情報を生成してもよい。
　Ｓ４０４では、評価部４０４が、Ｓ４０３においてリンク予測部４０３が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、Ｓ４０３においてリンク予測部４０３が予測したノード、すなわち育成方法の候補の推奨度を評価する。
　Ｓ４０５では、生成部４０５が、Ｓ４０１で受け付けたリクエストに適合する所望の育成結果を得るための育成方法を推定し、推定した育成方法を含む応答情報を生成する。一例として、生成部４０５は、Ｓ４０３においてリンク予測部４０３が予測した育成方法の候補のうち、Ｓ４０４において評価部４０４が評価した推奨度が所定の閾値以上の育成方法を含む応答情報を生成する。
　Ｓ４０６では、根拠生成部４０５が、Ｓ４０４で生成された応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部４０５は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。
　Ｓ４０７では、出力部４０７が、Ｓ４０６で生成された応答情報を出力する。また、この際に、出力部４０７は、Ｓ４０７で生成された根拠情報やＳ４０４で評価した推奨度についても出力してもよい。これにより、図１３の処理は終了する。
　〔例示的実施形態５〕
　（概要）
　図１４は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いて、育成対象の育成を支援する例を説明する。
　本例示的実施形態に係る農作物育成支援方法では、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。
　次に、本例示的実施形態に係る農作物育成支援方法では、上記リクエストに基づいて、育成対象グラフを生成する。図１４の例では、「栽培作物」というノードを含むグラフが育成対象グラフである。この育成対象グラフには、栽培作物のここまでの生育状態が「標準」、生育環境が「高温」、品種が「ｘ１」であることを示すノード及びリンクと、栽培作物の８月の作業履歴が「ｘ２」であることを示すノード及びリンクが含まれている。
　そして、本例示的実施形態に係る農作物育成支援方法では、上述のように生成された育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いたリンク予測により、過去に育成された複数の農作物のうち、育成対象と所定の関係性を有するものを特定する。使用する育成済グラフは、複数の農作物を対象として生成されたものであり、複数の農作物間の上記所定の関係性について学習済みのものである。
　図１４の例では、過去に育成された作物Ａ、作物Ｂ、・・・の類否を学習した育成済グラフを用いたリンク予測により、育成対象と類似する過去に育成された作物（以下、類似作物とも呼ぶ）を予測している。なお、ここで「類似」するとはグラフが類似していることを意味する。この例では、類似していない作物を「類似」のリンクで結ばない（非類似は負例とする）ようにして学習しているが、「非類似」のリンクを学習するようにしてもよい。また、作物Ｂも作業履歴や育成環境等を示すノード及びリンクを含んでいるが、図１４では図示を省略している。
　育成対象と類似の農作物に関する情報は育成対象の育成において有用である。よって上記のように特定した類似作物に関する応答情報を生成し出力することにより、農作物の育成に有用な情報を提供することができるので、育成対象の育成を好適に支援することができる。
　また、上記のようにして特定した類似作物について評価を行い、その評価結果に応じて、応答情報に含める類似作物を決定することもできる。例えば、育成対象に対する所望の品質が「糖度高い」である旨のリクエストを受け付けたとする。この場合、特定された類似作物が「糖度高い」という品質を有していれば、当該類似作物に関する情報を含む応答情報を生成してもよい。一方、特定された類似作物が「糖度高い」という品質を有していなければ、当該類似作物に関する情報を応答情報に含めなくともよい。
　（装置構成）
　本発明の第５の例示的実施形態に係る農作物育成支援装置５の構成を図１５に基づいて説明する。図１５は、本例示的実施形態に係る農作物育成支援装置５の構成を示すブロック図である。
　図示のように、農作物育成支援装置５は、受付部５０１、グラフ生成部５０２、リンク予測部５０３、評価部５０４、生成部５０５、根拠生成部５０６、および出力部５０７を備えている。また、上述した例示的実施形態の農作物育成支援装置２～４と同様に、農作物育成支援装置５は、これらの構成要素に加えて、学習部、入力装置、出力装置、通信装置等を備えていてもよい。
　受付部５０１は、育成対象に関するリクエストを受け付ける。例えば、受付部５０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部５０１は、育成対象に対する所望の育成結果の入力を受け付けてもよい。また、受付部５０１は、育成対象に関する作業履歴を更に受け付けてもよい。
　グラフ生成部５０２は、上記リクエストに基づいて育成対象グラフを生成する。グラフ生成部５０２が生成する育成対象グラフには、図１４に示したように、育成対象に関する複数のノードが含まれる。
　リンク予測部５０３は、上述の育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、育成対象と所定の関係性を有するものを特定する。所定の関係性は、図１４の例のように類似という関係性であってもよいし、その他の関係性であってもよい。例えば、リンク予測部５０３は、育成対象と非類似の過去に育成された農作物を特定してもよいし、育成対象と同じ分類に属する過去に育成された農作物や、育成対象と品質に共通性がある過去に育成された農作物等を特定することも可能である。
　なお、リンク予測部５０３は、リクエストを受け付けた時期よりも育成過程として後の時期における作業履歴を考慮せずにリンク予測を行ってもよい。例えば、８月に受け付けたリクエストに基づき、９月に行うべき作業内容を予測する場合、育成済グラフにおける９月以降の作業に関するノードを考慮せずにリンク予測を行ってもよい。
　評価部５０４は、リンク予測部５０３が予測した農作物を評価する。一例として、評価部５０４は、リンク予測部５０３が予測した農作物がリクエストに適合するか否かに応じて、当該農作物を評価してもよい。例えば、育成対象に対する所望の品質が「糖度高い」である旨のリクエストを受け付けたとする。この場合、「糖度高い」という品質を有する類似作物の推奨度を、「糖度高い」という品質を有していない類似作物の推奨度よりも高くしてもよい。
　なお、評価部５０４は、例示的実施形態２に係る評価部２０５と同様に、評価結果を数値で表してもよい。この場合、育成済グラフに含まれるノードと推奨度との関係を予めルール化しておけば、評価部５０４は、そのルールに従ってリンク予測部５０３が予測した農作物の推奨度を算出することができる。
　例えば、評価部５０４は、リンク予測部５０３が予測した農作物の育成済グラフを対象として、下記の少なくとも何れかの基準で推奨度を算出してもよい。
・ユーザが設定した成長目標を達成していることを示すノード及びリンクが含まれていれば加点／含まれていなければ減点。
・作物種、品種、生育環境、使用できる資材・機器等の前提条件の一致度が高いことを示すノード及びリンクが含まれているほど加点／そのようなノード及びリンクが少ないほど減点。
・作業のコスト（作業時間、労働強度、費用等）が高いことを示すノード及びリンクが含まれていると減点／そのようなノード及びリンクが少ないほど加点。
・農薬使用量が多いことを示すノード及びリンクが含まれていると減点／そのようなノード及びリンクが含まれていると加点。
・ユーザの指定した時期に指定した範囲の収量があったことを示すノード及びリンクが含まれていれば加点／時期・収量にずれがあることを示すノード及びリンクが含まれていればば減点。
　生成部５０５は、複数の農作物の育成方法と育成結果との関係を学習した学習済みモデルと、受付部５０１が受け付けるリクエストとに基づいて、育成対象の育成方法を含む応答情報を生成する。一例として、生成部５０５は、リンク予測部５０３が予測した農作物に応じた応答情報であって、育成対象の育成方法を含む応答情報を生成する。より具体的には、生成部５０５は、リンク予測部５０３が予測した類似作物の育成済グラフに含まれる育成方法の少なくとも一部であって、育成対象に対して将来行うことが可能な作業の内容及びタイミングを含む応答情報を生成してもよい。
　上述のように、リンク予測部５０３は育成済グラフを用いてリンク予測を行うので、生成部５０５は、リンク予測部５０３によるリンク予測の結果に基づいて応答情報を生成することにより、学習済みモデルに基づいて応答情報を生成することになる。なお、生成部５０５は、リンク予測部５０３が予測した類似作物のうち、評価部５０４が評価した推奨度が所定の閾値以上の類似作物を含む応答情報を生成してもよい。
　根拠生成部５０６は、生成部５０５の生成する応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部５０６は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。また、根拠生成部５０６は、育成対象グラフと育成済グラフとを解析することにより、リンク予測部５０３によるリンク予測の結果についての根拠情報を生成してもよい。
　出力部５０７は、農作物育成支援装置５が生成する様々な情報を出力する。例えば、出力部５０７は、生成部５０５が生成する応答情報や、根拠生成部５０６が示す根拠情報を出力する。また、出力部５０７は、評価部５０４が評価した推奨度を更に出力してもよい。上述した例示的実施形態の出力部２０８、３０８、４０８と同様、情報の出力先は特に限定されない。
　上述のように、農作物育成支援装置５は、育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、育成対象と所定の関係性を有するものを特定する。
　育成対象と所定の関係性を有する農作物に関する情報は育成対象の育成において有用であるから、上記の構成によれば、農作物の育成に有用な情報を提供することができる。
　（処理の流れ）
　農作物育成支援装置５が実行する処理（農作物育成支援方法）の流れを図１６に基づいて説明する。図１６は、農作物育成支援装置４が実行する処理の流れを示すフロー図である。
　Ｓ５０１では、受付部５０１が、育成対象に関するリクエストを受け付ける。例えば、受付部５０１は、育成対象（より正確には育成対象の育成により得られる収穫物）の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける。また、受付部は、育成対象に対する所望の育成結果の入力を受け付けてもよい。また、受付部５０１は、育成対象に関する作業履歴を更に受け付けてもよい。
　Ｓ５０２では、グラフ生成部５０２は、上記リクエストに基づいて育成対象グラフを生成する。グラフ生成部５０２が生成する育成対象グラフには、育成対象に関する複数のノードが含まれる。
　Ｓ５０３では、リンク予測部５０３が、上述の育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いて、育成対象グラフ及び育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、育成対象と類似の農作物（類似作物）を特定する。
　Ｓ５０４では、評価部５０４が、Ｓ５０３においてリンク予測部５０３が予測した農作物を評価する。一例として、評価部５０４は、Ｓ５０３においてリンク予測部５０３が予測した農作物がリクエストに適合するか否かに応じて、当該農作物を評価する。
　Ｓ５０５では、生成部５０５が、複数の農作物の育成方法と育成結果との関係を学習した学習済みモデルと、Ｓ５０１において受付部５０１が受け付けたリクエストとに基づいて、育成対象の育成方法を決定する。より詳細には、生成部５０５は、Ｓ５０３においてリンク予測部５０３が予測した農作物が有するノードにリンクする育成方法を、育成対象の育成方法として決定する。ここで、生成部５０５は、Ｓ５０３においてリンク予測部５０３が予測した農作物であって、Ｓ５０４において評価部５０４が評価した推奨度が所定の閾値以上の農作物が有するノードにリンクする育成方法を、育成対象の育成方法として決定してもよい。
　Ｓ５０６では、生成部５０５が、Ｓ５０５において決定した育成方法を含む応答情報を生成する。
　Ｓ５０７では、根拠生成部５０５が、Ｓ５０６で生成された応答情報の妥当性を示す根拠情報を生成する。具体的には、根拠生成部５０５は、育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する。
　Ｓ５０８では、出力部５０７が、Ｓ５０６で生成された応答情報を出力する。また、この際に、出力部５０７は、Ｓ５０７で生成された根拠情報やＳ５０４で評価した推奨度についても出力してもよい。これにより、図１６の処理は終了する。
　（例示的実施形態５に関する付記事項）
　農作物育成支援装置５による処理は上述の例に限られない。例えば、農作物育成支援装置５は、例示的実施形態３に係るグラフ生成部３０２、リンク予測部３０３、及びグラフ更新部３０４と同様の構成を備えてもよい。この構成の場合、例えば、Ｓ５０８において、出力部５０７が、応答情報を出力した後、当該応答情報を参照したユーザから育成対象に対して将来行おうとしている育成内容を受け付けてもよい。そして、受け付けた育成内容に基づきグラフ生成部３０２が育成対象グラフを生成し、生成された育成対象グラフを用いてリンク予測部３０３がリンク予測を行い、グラフ更新部３０４が育成対象グラフを更新するという工程を行うことによって、例示的実施形態３において説明したような応答情報を生成してもよい。
　〔変形例〕
　例示的実施形態４で説明したように、育成対象グラフと育成済グラフとを用いれば、リンク予測により、育成対象（より正確には育成対象の育成により得られる収穫物）の育成結果を予測することができる。また、育成対象の育成結果の予測は、リンク予測以外の方法で行うこともできる。これについて図１７に基づいて説明する。図１７は、育成対象グラフと育成済グラフとから算出した特徴量に基づいて育成対象の育成結果を予測する例を説明する図である。図１７には、過去に育成した農作物Ａ１～Ａ３の育成済グラフと、栽培作物の育成対象グラフを示している。なお、これらのグラフに含まれるノード及びリンクは図示を省略している。
　ここで、育成済グラフに含まれる各ノードの特徴量をそのノードに繋がるリンクに応じた重みを乗じて加算していくことにより、過去に育成した農作物ごとの特徴量を算出することができる。したがって、算出した特徴量がその農作物の育成結果に応じたものとなるように重みを更新するという学習を行っておけば、その重みを適用して算出した育成対象種グラフの特徴量から育成対象の育成結果を予測することが可能になる。
　例えば、図１７の例では、糖度が高いことが分かっている作物Ａ１の育成済グラフから算出した特徴量が、特徴空間において「糖度高い」という育成結果に対応する範囲内になるように学習されている。また、収量が多いことが分かっている作物Ａ２の育成済グラフから算出した特徴量が、特徴空間において「収量多い」という育成結果に対応する範囲内になるように学習されている。同様に、サイズが大きいことが分かっている作物Ａ３の育成済グラフから算出した特徴量が、特徴空間において「サイズ大きい」という育成結果に対応する範囲内になるように学習されている。
　この場合、図示のように、育成対象グラフから算出した特徴量が、「糖度高い」という育成結果に対応する範囲内に含まれていれば、育成対象が「糖度高い」という育成結果を有すると予測することができる。このような育成結果の予測方法は、上述の例示的実施形態における育成結果予測の方法の代替手法として適用することができる。
　〔ソフトウェアによる実現例〕
　農作物育成支援装置１～５（以下、当該装置と呼ぶ）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、当該装置は、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図１８に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを当該装置として動作させるためのプログラム（農作物育成支援プログラム）Ｐが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより当該装置の各機能が実現される。
　プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。
　なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。
　また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
　〔付記事項１〕
　本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
　〔付記事項２〕
　上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
　（付記１）
　育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける受付手段と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成手段と、前記育成方法を出力する出力手段と、を備える農作物育成支援装置。この構成によれば、農作物の育成を支援することができるという効果が得られる。
　（付記２）
　前記育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する根拠生成手段を更に備え、前記出力手段は、前記根拠情報をさらに出力する付記１に記載の農作物育成支援装置。これにより、ユーザは、その根拠を踏まえて応答情報を参照することができる。
　（付記３）
　前記学習済みモデルは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習した育成済グラフである付記１または２に記載の農作物育成支援装置。この構成によれば、農作物の育成を支援することができるという効果が得られる。
　（付記４）
　前記育成対象に関する複数のノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段を備え、前記生成手段は、前記リンク予測手段が予測した前記ノードに応じた前記応答情報を生成する、付記３に記載の農作物育成支援装置。この構成によれば、育成対象に対する作業に関する有用な情報を提供することができる。
　（付記５）
　前記受付手段は、前記育成済グラフについての条件の入力を更に受け付け、前記リンク予測手段は、前記条件を満たす前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測する、付記４に記載の農作物育成支援装置。この構成によれば、ユーザの意図に沿ったノードを予測することができる。
　（付記６）
　前記リンク予測手段が予測した前記ノードを含む前記育成済グラフに含まれている他のノードに基づいて、前記リンク予測手段が予測した前記ノードの推奨度を評価する評価手段を備える、付記４に記載の農作物育成支援装置。この構成によれば、より好ましい育成結果が期待できる作業の決定に寄与することができる。
　（付記７）
　前記受付手段は、前記育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付け、入力された前記作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出するリンク予測手段と、を備え、前記生成手段は、前記リンク予測手段が算出した前記確率に基づいて前記応答情報を生成する、付記３に記載の農作物育成支援装置。この構成によれば、育成者が実行しようとしている作業により所定の育成結果が得られそうかを、その作業の実行前に予測することができる。
　（付記８）
　前記受付手段は、前記育成対象の農作物に対する所望の育成結果の入力を受け付け、入力された前記育成結果を示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段と、を備え、前記生成手段は、前記リンク予測手段が算出した前記ノードに基づいて前記応答情報を生成する、付記３に記載の農作物育成支援装置。この構成によれば、所望の育成結果を得るために必要な作業を判断する材料を提供することができる。
　（付記９）
　前記育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、前記育成対象と所定の関係性を有するものを特定するリンク予測手段を備え、前記生成手段は、前記リンク予測手段が特定した前記農作物に関する前記応答情報を生成する、付記３に記載の農作物育成支援装置。この構成によれば、農作物の育成に有用な情報を提供することができる。
　（付記１０）
　コンピュータが、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成し、前記育成方法を出力する、農作物育成支援方法。この構成によれば、農作物の育成を支援することができるという効果が得られる。
　（付記１１）
　コンピュータに対して、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を実行させる農作物育成支援プログラム。この構成によれば、農作物の育成を支援することができるという効果が得られる。
　〔付記事項３〕
　上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
　育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を備える農作物育成支援装置。
　なお、この農作物育成支援装置は、更にメモリを備えていてもよく、このメモリには、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を前記プロセッサに実行させるためのプログラム（農作物育成支援プログラム）が記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
１　　農作物育成支援装置
１１　受付部
１２　生成部
１３　出力部
２　　　農作物育成支援装置
２０１　受付部
２０４　リンク予測部
２０５　評価部
２０６　生成部
２０７　根拠生成部
２０８　出力部
３　　　農作物育成支援装置
３０１　受付部
３０３　リンク予測部
３０４　グラフ更新部
３０５　生成部
３０６　根拠生成部
３０７　出力部
４　　　農作物育成支援装置
４０１　受付部
４０３　リンク予測部
４０５　生成部
４０６　根拠生成部
４０７　出力部
５　　　農作物育成支援装置
５０１　受付部
５０２　グラフ生成部
５０３　リンク予測部
５０４　評価部
５０５　生成部
５０６　根拠生成部

 

Claims (11)

  1. 　育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける受付手段と、
    　複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成手段と、
    　前記育成方法を出力する出力手段と、
    　を備える農作物育成支援装置。
  2. 　前記育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する根拠生成手段を更に備え、
    　前記出力手段は、前記根拠情報をさらに出力する
    　請求項１に記載の農作物育成支援装置。
  3. 　前記学習済みモデルは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習した育成済グラフである
    　請求項１または２に記載の農作物育成支援装置。
  4. 　前記育成対象に関する複数のノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段を備え、
    　前記生成手段は、前記リンク予測手段が予測した前記ノードに応じた前記応答情報を生成する、請求項３に記載の農作物育成支援装置。
  5. 　前記受付手段は、前記育成済グラフについての条件の入力を更に受け付け、
    　前記リンク予測手段は、前記条件を満たす前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測する、請求項４に記載の農作物育成支援装置。
  6. 　前記リンク予測手段が予測した前記ノードを含む前記育成済グラフに含まれている他のノードに基づいて、前記リンク予測手段が予測した前記ノードの推奨度を評価する評価手段を備える、請求項４に記載の農作物育成支援装置。
     
  7. 　前記受付手段は、前記育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付け、
    　入力された前記作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出するリンク予測手段と、を備え、
    　前記生成手段は、前記リンク予測手段が算出した前記確率に基づいて前記応答情報を生成する、請求項３に記載の農作物育成支援装置。
  8. 　前記受付手段は、前記育成対象の農作物に対する所望の育成結果の入力を受け付け、
    　入力された前記育成結果を示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段と、を備え、
    　前記生成手段は、前記リンク予測手段が算出した前記ノードに基づいて前記応答情報を生成する、請求項３に記載の農作物育成支援装置。
  9. 　前記育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、前記育成対象と所定の関係性を有するものを特定するリンク予測手段を備え、
    　前記生成手段は、前記リンク予測手段が特定した前記農作物に関する前記応答情報を生成する、請求項３に記載の農作物育成支援装置。
  10. 　コンピュータが、
    　育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け、
    　複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成し、
    　前記育成方法を出力する、
    　農作物育成支援方法。
  11. 　コンピュータに対して、
    　育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、
    　複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、
    　前記育成方法を出力する処理と、
    　を実行させる農作物育成支援プログラム。
PCT/JP2021/033832 2021-09-15 2021-09-15 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム WO2023042284A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/033832 WO2023042284A1 (ja) 2021-09-15 2021-09-15 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
JP2023547986A JPWO2023042284A1 (ja) 2021-09-15 2021-09-15

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/033832 WO2023042284A1 (ja) 2021-09-15 2021-09-15 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム

Publications (1)

Publication Number Publication Date
WO2023042284A1 true WO2023042284A1 (ja) 2023-03-23

Family

ID=85601945

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/033832 WO2023042284A1 (ja) 2021-09-15 2021-09-15 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム

Country Status (2)

Country Link
JP (1) JPWO2023042284A1 (ja)
WO (1) WO2023042284A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000083477A (ja) * 1998-07-17 2000-03-28 Satake Eng Co Ltd 米の生産情報の提供方法
JP6261040B2 (ja) * 2014-03-19 2018-01-17 Ｎｅｃソリューションイノベータ株式会社 情報管理装置、情報管理方法およびプログラム
JP2019170359A (ja) * 2018-03-28 2019-10-10 国立大学法人名古屋大学 植物栽培結果予測システム
US20210125290A1 (en) * 2019-10-29 2021-04-29 International Business Machines Corporation Artificial intelligence logistics support for agribusiness production

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000083477A (ja) * 1998-07-17 2000-03-28 Satake Eng Co Ltd 米の生産情報の提供方法
JP6261040B2 (ja) * 2014-03-19 2018-01-17 Ｎｅｃソリューションイノベータ株式会社 情報管理装置、情報管理方法およびプログラム
JP2019170359A (ja) * 2018-03-28 2019-10-10 国立大学法人名古屋大学 植物栽培結果予測システム
US20210125290A1 (en) * 2019-10-29 2021-04-29 International Business Machines Corporation Artificial intelligence logistics support for agribusiness production

Also Published As

Publication number Publication date
JPWO2023042284A1 (ja) 2023-03-23

Similar Documents

Publication Publication Date Title
EP3816880A1 (en) A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements
JP5671877B2 (ja) 農作業支援装置、農作業支援方法、及び農作業支援プログラム
Morales et al. Using machine learning for crop yield prediction in the past or the future
CN114662742A (zh) 大田灌溉施肥制度动态决策方法及装置
KR20210109575A (ko) 정보 처리 장치 및 정보 처리 시스템
Confalonieri CoSMo: A simple approach for reproducing plant community dynamics using a single instance of generic crop simulators
EP3876183A1 (en) Cultivation and management device for fruit and vegetable plants and fruit trees, learning device, cultivation and management method for fruit and vegetable plants and fruit trees, learning model generation method, cultivation and management program for fruit and vegetable plants and fruit trees, and learning model generation program
WO2023042284A1 (ja) 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
Costa et al. Data analytics in aquaculture
KR20200070736A (ko) 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치
Sundari et al. Crop recommendation and yield prediction using machine learning algorithms
Tripathy et al. Smart Farming based on Deep Learning Approaches
Salam et al. Climate recommender system for wheat cultivation in North Egyptian Sinai Peninsula
Ruiz-Velazco et al. Evaluating partial harvesting strategies for whiteleg shrimp Litopenaeus (Penaeus) vannamei semi-intensive commercial production: profitability, uncertainty, and economic risk
Revathi et al. Categorize the quality of cotton seeds based on the different germination of the cotton using machine knowledge approach
Saxena et al. FARMINGTON-A Machine Learning Approach in Agriculture
Tonni et al. A machine learning based crop recommendation system and user-friendly android application for cultivation
Nath et al. Design of intelligent system in agriculture using data mining
JP7113555B1 (ja) 果樹栽培支援装置、推論装置、機械学習装置、果樹栽培支援方法、推論方法、及び、機械学習方法
Tripathy et al. Comparative Analysis of Machine Learning Approaches in Smart Agriculture
Narayanasamy et al. INTELLIGENT AND EFFECTIVE CROP YIELD PREDICTION USING MACHINE LEARNING TECHNIQUES FOR CLOUD-BASED BIG DATA ANALYTICS
CN111090707A (zh) 数据处理方法及装置、电子设备及存储介质
CN117541084B (zh) 一种藜麦灌浆期产量预测方法及系统
Ojeda et al. Field and in-silico analysis of harvest index variability in maize silage
JP2023161401A (ja) 形質予測方法、形質予測モデル生成方法、形質予測装置、形質予測モデル生成装置、及び形質予測システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21957467

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023547986

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE