WO2023119529A1 - 生育予測装置、生育予測方法、及び生育予測プログラム - Google Patents

生育予測装置、生育予測方法、及び生育予測プログラム Download PDF

Info

Publication number
WO2023119529A1
WO2023119529A1 PCT/JP2021/047725 JP2021047725W WO2023119529A1 WO 2023119529 A1 WO2023119529 A1 WO 2023119529A1 JP 2021047725 W JP2021047725 W JP 2021047725W WO 2023119529 A1 WO2023119529 A1 WO 2023119529A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement data
index value
lai
data
index
Prior art date
Application number
PCT/JP2021/047725
Other languages
English (en)
French (fr)
Inventor
麻衣子 納谷
響子 森原
靖 花籠
哲郎 甘粕
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2021/047725 priority Critical patent/WO2023119529A1/ja
Publication of WO2023119529A1 publication Critical patent/WO2023119529A1/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Definitions

  • the disclosed technology relates to a growth prediction device, a growth prediction method, and a growth prediction program.
  • a service of a system for supporting farm work (hereinafter referred to as "farm work support system") has started so that new farmers can do farm work in the same way as experienced farmers.
  • a farm work support system is required to have a function of predicting the timing of farm work and making proposals.
  • fertilization to improve the yield should be done about 20 to 15 days before heading. Fertilization means applying fertilizer. In addition, it is said that it is effective to cut the grass one week before heading to prevent damage from spotted stinkbugs, and it is effective to perform paddy rice farming (additional fertilization, pesticide spraying, etc.) before and after the heading. There are many things that are targeted. Therefore, it is important to predict in advance the date of heading or the stage of growth (young panicle differentiation stage, flag leaf formation stage, etc.) on or near the heading date for agricultural work support for paddy rice.
  • SIMRIW Simulation Model for Rice-Weather Relationships
  • This SIMRIW has been adopted for the cultivation management support system provided by the National Agriculture and Food Research Organization (commonly known as the National Agriculture and Food Research Organization), and is widely used in Japan for growing highly reliable paddy rice. is a model.
  • SIMRIW can calculate the date of heading and the appropriate harvest time by calculating the growth index (DVI) of rice, for example, as shown in Fig. 9, from weather data and variety information.
  • DVI growth index
  • SIMRIW only inputs weather data and variety information, it does not take into consideration artificial errors that occur in actual farm work, and discrepancies occur between the actual growth situation and the calculated growth situation.
  • the parameters for calculating DVI are different for each product type, and in order to obtain correct data, data must be collected for each product type, so a huge amount of data is required.
  • LAI Leaf Area Index
  • the maximum value of LAI differs for each variety, and the maximum value of LAI also differs depending on farming conditions such as weather conditions and the presence or absence of fertilization. For example, as shown in FIG. 11, the transition of LAI differs depending on the presence or absence of fertilization.
  • the disclosed technology has been made in view of the above points, and provides a growth prediction device, a growth prediction method, and a growth prediction program capable of predicting the growth state of rice without distinguishing between rice varieties. intended to
  • a first aspect of the present disclosure is a growth prediction device that includes time-series measurement data of index values that change with the growth of rice, cultivation information related to rice cultivation, and environmental information related to the environment in which rice is cultivated.
  • a data input unit that receives input;
  • a maximum value estimating unit that estimates the maximum value of the index value from the measurement data of the index value, the cultivation information, and the environmental information; the measurement data of the index value and the index value; Generated by a normalization unit that normalizes the measured data of the index value from the maximum value of and calculates the normalized measured data, and machine learning the normalized measured data of the index value obtained in advance as learning data and normalizing the index value calculated by the normalization unit using a trained model that receives as input the normalized measurement data of the index value and outputs predictive data representing the future transition of the index value a prediction unit that predicts the future transition of the index value from the measured data.
  • a second aspect of the present disclosure is a growth prediction method, which includes time-series measurement data of index values that change with the growth of rice, cultivation information related to rice cultivation, and environmental information related to the environment in which rice is cultivated.
  • receiving an input estimating the maximum value of the index value from the measurement data of the index value, the cultivation information, and the environmental information;
  • Normalized measurement data is calculated by normalizing the measurement data, and machine learning is performed using the normalized measurement data of the index value obtained in advance as learning data, and the normalized measurement data of the index value is used as learning data.
  • the future transition of the index value is predicted from the calculated normalized measurement data of the index value using a trained model that outputs prediction data representing the future transition of the index value as an input.
  • a third aspect of the present disclosure is a growth prediction program, which includes time-series measurement data of index values that change with the growth of rice, cultivation information related to rice cultivation, and environmental information related to the environment in which rice is cultivated.
  • receiving an input estimating the maximum value of the index value from the measurement data of the index value, the cultivation information, and the environmental information;
  • Normalized measurement data is calculated by normalizing the measurement data, and machine learning is performed using the normalized measurement data of the index value obtained in advance as learning data, and the normalized measurement data of the index value is used as learning data.
  • the disclosed technology has the effect of being able to predict the growth status of rice without distinguishing between rice varieties.
  • FIG. 11 is a graph showing an example of LAI when all environmental information is used to predict LAI;
  • FIG. 11 is a graph showing an example of LAI predicted using environmental information selected according to the contribution rate to LAI;
  • FIG. 11 is a graph showing an example of LAI predicted using environmental information selected according to the contribution rate to LAI;
  • FIG. 4 is a diagram showing the relationship between LAI and heading date. It is a figure which shows the difference of transition of LAI by the presence or absence of fertilization.
  • the growth prediction device provides specific improvements over conventional techniques for predicting the growth state of each type of rice, and represents an improvement in the technical field of predicting the growth state of rice. is.
  • the growth prediction device reflects the current growth state of rice plants and uses LAI, which is an example of an actually measurable index value, to predict the growth state and judge the timing of agricultural work from the predicted growth stage. and provide support for agricultural work. That is, by learning the time-series measurement data of LAI and predicting the transition of LAI in the future, about 10 days before the heading date (the timing when flag leaves appear) is determined, and the growth of rice is predicted.
  • LAI is an example of an actually measurable index value
  • the maximum value of LAI is used to normalize the LAI measurement data obtained by actual measurement to calculate normalized measurement data.
  • a prediction model is generated by performing machine learning using this normalized measurement data, and future changes in LAI are predicted using the generated prediction model. As a result, prediction can be performed by learning the LAI normalized measurement data as learning data without distinguishing rice varieties. Therefore, it is possible to predict the growth of even new varieties.
  • FIG. 1 is a diagram showing an example of the configuration of an agricultural work support system 100 according to this embodiment.
  • the growth prediction device 10 is connected to each of the LAI measurement sensor 20 , the database 30 and the farm work instruction section 40 .
  • the farm work instruction unit 40 is connected to the user terminal 50 .
  • the database 30 may be stored in an external storage device, or may be stored in the growth prediction device 10 .
  • the farm work instruction unit 40 may be implemented as one function of an information processing device different from the growth prediction device 10 or may be implemented as one function of the growth prediction device 10 .
  • the LAI measurement sensor 20 is, for example, a sensor that measures the LAI, which is an example of an index value that changes as the rice grows, from an image obtained by actually photographing the rice.
  • the LAI measurement sensor 20 is assumed to be capable of measuring weather (temperature, etc.), soil solution concentration, etc., and measuring LAI.
  • the LAI is not limited to the method of estimating from images, and may be estimated using other methods.
  • the types of sensors installed in fields vary from field to field. For example, in field A, water temperature, air temperature, and humidity are obtained by sensors, and in field B, water temperature, EC (electrical conductivity), air temperature, and humidity are obtained by sensors.
  • the items that can be acquired from the sensors may differ from field to field, and the items that cannot be acquired may be acquired from the database 30 .
  • the database 30 stores cultivation information about rice cultivation and environmental information about the environment in which rice is cultivated.
  • the database 30 stores LAI measurement data and environmental information acquired from the LAI measurement sensor 20 as time-series data in association with dates.
  • time-series measurement data of LAI (hereinafter simply referred to as "LAI measurement data") is stored in association with cultivation information.
  • the cultivation information includes multiple variables related to rice cultivation.
  • the plurality of variables related to rice cultivation include, for example, the date of transplantation, the variety, the timing of additional fertilization for the relevant variety, the presence or absence of fertilization (fertilization or no fertilization), and the like.
  • the environmental information includes multiple variables related to the environment in which rice is cultivated.
  • the environmental information includes, for example, variables related to the weather during the rice cultivation period and variables related to the soil in which the rice is cultivated.
  • Meteorological variables include temperature, solar radiation, humidity, etc.
  • soil variables include pH (hydrogen ion exponent), soil solution concentration (ion concentration), and the like.
  • the growth prediction device 10 acquires LAI measurement data, cultivation information, and environmental information from the database 30.
  • the growth prediction device 10 may acquire these pieces of information periodically, or may acquire them upon request from the user.
  • the LAI measurement data may be obtained directly from the LAI measurement sensor 20 .
  • the growth prediction device 10 obtains the day when the LAI peaks and the maximum value of the LAI from the acquired LAI measurement data, cultivation information, and environmental information, and outputs them to the agricultural work instruction unit 40 .
  • the day when the LAI reaches its peak and the maximum value of LAI are used as data representing future growth conditions.
  • the farm work instruction unit 40 acquires the peak LAI day and the maximum LAI value from the growth prediction device 10, the need for additional fertilization and the timing of farm work are determined from the acquired day of the LAI peak and the maximum LAI value. and outputs the determination result to the user terminal 50 .
  • the user terminal 50 is a terminal device used by a farmer who is a user, and for example, a personal computer (PC), a smartphone, or the like is applied.
  • the user terminal 50 displays the determination results from the farm work instruction unit 40 and instructs the user on the necessity of additional fertilizing and the timing of farm work.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the growth prediction device 10 according to this embodiment.
  • the growth prediction device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input unit 15, a display unit 16, and communication
  • An interface (I/F) 17 is provided.
  • Each component is communicatively connected to each other via a bus 18 .
  • the CPU 11 is a central processing unit that executes various programs and controls each part. That is, the CPU 11 reads a program from the ROM 12 or the storage 14 and executes the program using the RAM 13 as a work area. The CPU 11 performs control of each configuration and various arithmetic processing according to programs stored in the ROM 12 or the storage 14 . In this embodiment, the ROM 12 or storage 14 stores a growth prediction program for executing the growth prediction process.
  • the ROM 12 stores various programs and various data.
  • the RAM 13 temporarily stores programs or data as a work area.
  • the storage 14 is composed of a HDD (Hard Disk Drive) or SSD (Solid State Drive) and stores various programs including an operating system and various data.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs to the device itself.
  • the display unit 16 is, for example, a liquid crystal display, and displays various information.
  • the display unit 16 may employ a touch panel system and function as the input unit 15 .
  • the communication interface 17 is an interface for the own device to communicate with other external devices.
  • a wired communication standard such as Ethernet (registered trademark) or FDDI (Fiber Distributed Data Interface)
  • a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
  • General-purpose computer devices such as server computers and personal computers (PCs), for example, are applied to the growth prediction device 10 according to the present embodiment.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the growth prediction device 10 according to this embodiment.
  • the growth prediction device 10 has functional configurations such as a data input unit 101, a maximum value estimation unit 102, a normalization unit 103, a variable selection unit 104, a learning unit 105, a prediction unit 106, and a data output unit. 107 is provided.
  • Each functional configuration is realized by the CPU 11 reading a growth prediction program stored in the ROM 12 or the storage 14, developing it in the RAM 13, and executing it.
  • a first trained model 141 and a second trained model 142 generated by the learning unit 105 are stored in the storage 14 .
  • the first trained model 141 is an example of a trained model, and is a prediction model generated by performing machine learning using normalized LAI measurement data obtained in advance as learning data.
  • the first trained model 141 receives the LAI normalized measurement data as input, and outputs prediction data representing the future transition of the LAI.
  • the second trained model 142 is an example of another trained model, and learns a predetermined number of variables selected in descending order of contribution rate to the LAI transition from the LAI normalized measurement data and environmental information obtained in advance. It is a prediction model generated by machine learning as data for use.
  • the second trained model 142 receives the LAI normalized measurement data and a predetermined number of selected variables as input, and outputs prediction data representing the future transition of the LAI.
  • prediction data representing the future transition of the LAI.
  • LSTM Long Shot-Term Memory
  • the data input unit 101 periodically or in response to a request from the user, from the database 30 (or the LAI measurement sensor 20), LAI measurement data, cultivation information (transplantation date, variety, presence or absence of fertilization, etc.), and environmental information ( weather, soil solution concentration, etc.). Since the change in LAI is relatively gradual, the LAI time-series measurement data may be processed, for example, by averaging daily or thinning out every few days. Hereinafter, the LAI measurement data will be referred to as LAI measurement data LAI(t).
  • a data input unit 101 forms the LAI measurement data LAI(t) into a format that can be input to each unit. Data input unit 101 outputs LAI measurement data LAI(t), cultivation information, and environmental information to maximum value estimating unit 102 , and outputs environmental information to variable selecting unit 104 .
  • the maximum value estimation unit 102 estimates the maximum value of LAI from the LAI measurement data LAI(t), the cultivation information, and the environment information acquired from the data input unit 101 .
  • the maximum value of LAI will be referred to as LAI maximum value LAI MAX .
  • the LAI maximum value LAI MAX tends to be fertilization > no fertilization, high temperature > low temperature, and is obtained using the following equation (1).
  • LAI MAX ⁇ LAI ave (1)
  • LAI ave is the average maximum value of LAI (approximately 5).
  • the transplant date may be expressed in three stages, early, middle and late, depending on the time of planting.
  • LAI ave is calculated from measurement data obtained from the past to the present of LAI.
  • Maximum value estimating section 102 outputs LAI measurement data LAI(t) and LAI maximum value LAI MAX estimated using equation (1) above to normalizing section 103 .
  • the maximum value estimating unit 102 may have the correspondence relationship of the above equation (1) as a table.
  • Normalization section 103 normalizes LAI measurement data LAI(t) from LAI measurement data LAI(t) and LAI maximum value LAI MAX obtained from maximum value estimation section 102 to calculate normalized measurement data.
  • this normalized measurement data will be referred to as normalized measurement data LAI nom (t).
  • the normalized measurement data LAI nom (t) is obtained by dividing the LAI measurement value LAI(t) by the LAI maximum value LAI MAX in the following equation (2).
  • LAI nom (t) LAI (t)/LAI MAX (2)
  • Normalization section 103 outputs LAI normalized measurement data LAI nom (t) calculated using equation (2) above to variable selection section 104 .
  • the variable selection unit 104 acquires the environment information from the data input unit 101 and the LAI normalized measurement data LAI nom (t) from the normalization unit 103 .
  • the variable selection unit 104 selects a predetermined number of variables from among all variables included in the environment information in descending order of contribution to the transition of LAI.
  • the variable selection unit 104 analyzes the relationship between a plurality of explanatory variable candidates (weather, soil solution concentration, etc.) and the objective variable LAI, selects a variable with a high contribution rate to the description of the LAI, and selects the selected variable and the LAI Normalized measurement data LAI nom (t) is output to learning section 105 or prediction section 106 . Note that when only the LAI is used as a variable, only the LAI normalized measurement data LAI nom (t) is output to the learning section 105 or the prediction section 106 without using the variable selection function.
  • variable selection processing by the variable selection unit 104 will be specifically described with reference to FIGS. 4, 5, 6A, and 6B.
  • FIG. 4 is a diagram showing an example of multiple variables included in the environment information according to this embodiment.
  • the environmental information includes a plurality of weather-related variables such as maximum temperature, minimum temperature (minimum temperature), average temperature, emissivity, solar radiation, humidity, precipitation, water temperature, and ground temperature.
  • Environmental information includes, for example, EC representing electrical conductivity, pH representing hydrogen ion exponent, ORP representing oxidation-reduction potential, DO representing dissolved oxygen, NH4+ representing ammonium ion, NO3 ⁇ representing nitrate ion, sodium
  • Multiple variables related to soil are included such as Na+ for ions, K+ for potassium ions, Ca2+ for calcium ions.
  • NDVI represents a normalized growth index (also referred to as a normalized vegetation index).
  • regression analysis is performed using the LAI within the cultivation period as the objective variable and the soil solution concentration (concentration of each ion) and weather data (temperature, solar radiation, humidity, etc.) as explanatory variables. From the coefficients obtained by regression analysis (see, for example, FIG. 4), a variable with a high correlation with LAI, that is, a variable with a high contribution rate is selected. Specifically, a variable with a larger coefficient has a higher contribution rate to the transition of LAI. Therefore, a predetermined number of variables (for example, 1 or more and 5 or less) are selected in descending order of coefficients.
  • FIG. 5 is a graph showing an example of the relationship between LAI measured data A and predicted data P according to the present embodiment.
  • the vertical axis indicates LAI, and the horizontal axis indicates days after transplantation.
  • measured data A indicates the measured value of LAI
  • predicted data P indicates the predicted value of LAI predicted using environmental information selected according to the contribution rate to LAI.
  • FIG. 6A is a graph showing an example of LAI when predicting LAI using all environmental information.
  • FIG. 6B is a graph showing an example of LAI when LAI is predicted using environmental information selected according to the contribution rate to LAI.
  • LAI is shown on the vertical axis. The solid line indicates measured data of LAI, and the dotted line indicates predicted data of LAI.
  • selected environment information the environment information selected according to the contribution rate to the LAI.
  • the learning unit 105 performs a prediction model learning process.
  • the learning unit 105 acquires only the LAI normalized measurement data LAI nom (t) from the variable selection unit 104, the learning unit 105 performs machine learning on the LAI normalized measurement data LAI nom (t) as learning data to obtain the first learned data.
  • Generate model 141 is a model that receives the LAI normalized measurement data LAI nom (t) as input and outputs predictive data representing the future transition of LAI.
  • the learning unit 105 uses the LAI normalized measurement data LAI nom (t) and the selected environment information as data for learning.
  • a second trained model 142 is generated by machine learning.
  • the second trained model 142 is a model that inputs the LAI normalized measurement data LAI nom (t) and the selected environment information and outputs prediction data representing the future transition of the LAI.
  • LSTM LSTM or the like is used as described above.
  • the prediction unit 106 performs prediction processing using the prediction model learned by the learning unit 105 .
  • the prediction unit 106 uses the first trained model 141 to obtain the LAI normalized measurement data LAI nom (t). Predict future trends.
  • the LAI normalized measurement data LAI nom (t) acquired by the prediction unit 106 is temporally later than the LAI normalized measurement data LAI nom (t) acquired by the learning unit 105.
  • the LAI normalized measurement data LAI nom (t) used for prediction by the prediction unit 106 is data obtained after the first trained model 141 is generated.
  • the prediction unit 106 acquires the LAI normalized measurement data LAI nom (t) and the selected environment information from the variable selection unit 104, using the second trained model 142, the LAI normalized measurement data LAI nom (t ) and the selected environment information, the future transition of LAI is predicted.
  • the LAI normalized measurement data LAI nom (t) and the selected environment information obtained by the prediction unit 106 are the LAI normalized measurement data LAI nom (t) and the selected environment information obtained by the learning unit 105.
  • the data is temporally later than the information. That is, the LAI normalized measurement data LAI nom (t) and the selected environment information used for prediction by the prediction unit 106 are data obtained after the second trained model 142 is generated.
  • the prediction unit 106 may use the model with the higher LAI prediction accuracy out of the first trained model 141 and the second trained model 142 to predict future changes in LAI.
  • RMSE Root Mean Squared Error
  • RMSE Root Mean Squared Error
  • the prediction unit 106 predicts the transition of the LAI for the next unit time.
  • a technique such as the LSTM described above is used. It is assumed that there are the following variations in the selection of variables used when predicting the transition of LAI. (1) Make a prediction using only LAI. (2) Make a prediction using LAI and selection environment information. (3) Perform both predictions of (1) and (2) above, and select the one with the higher prediction accuracy.
  • the prediction unit 106 outputs prediction data that predicts future changes in LAI to the data output unit 107 .
  • the data output unit 107 identifies the day when the LAI reaches its peak from the prediction data acquired from the prediction unit 106 , and outputs the day when the LAI reaches its peak and the maximum value of the LAI to the agricultural work instruction unit 40 .
  • the growth prediction apparatus 10 may output these information regularly, and may output according to the request
  • the agricultural work instruction unit 40 acquires the day when the LAI peaks and the maximum value of LAI from the growth prediction device 10, and from the acquired day when the LAI peaks and the maximum value of LAI, the need for additional fertilization nature and the timing of farm work, and output the determination result to the user terminal 50 .
  • the recommended farm work timing for the variety being cultivated is acquired. From the date of peak LAI, the maximum value of LAI, and the current date, the following items are estimated and instructed to the user.
  • the necessity of additional fertilization is determined by whether the maximum value of LAI is greater than or equal to the threshold. Further, the timing of additional fertilization (timing of additional fertilization) is determined, for example, as a period of X days before and after the day when the LAI reaches its peak. It should be noted that the optimum date for the X day may differ depending on the product type. For example, for variety A, it is 15 days before the heading date ( ⁇ 5 days before the LAI peak), and for variety B, it is 12 days before the heading date ( ⁇ 2 days before the LAI peak).
  • the additional fertilization period for each variety should be set to (Y-10) day, which is obtained by subtracting 10 days from Y day for the information of Y days before the heading date, when the LAI peak date is used as a reference. is desirable.
  • the database 30 may store information on top-dressing timing for each variety as the cultivation information.
  • FIG. 7 the operation of the growth prediction device 10 according to this embodiment will be described with reference to FIGS. 7 and 8.
  • FIG. 7 is a flowchart showing an example of the flow of learning processing by the growth prediction program according to this embodiment.
  • the learning process by the growth prediction program is realized by the CPU 11 of the growth prediction device 10 writing the growth prediction program stored in the ROM 12 or the storage 14 to the RAM 13 and executing it.
  • step S101 of FIG. 7 the CPU 11 retrieves LAI measurement data LAI(t), cultivation information (transplantation date, variety, presence or absence of fertilization, etc.), and environmental information from the database 30 periodically or in response to a request from the user. (weather, soil solution concentration, etc.).
  • step S102 the CPU 11 estimates the LAI maximum value LAI MAX from the LAI measurement data LAI(t), the cultivation information, and the environmental information acquired in step S101, using the above equation (1) as an example. .
  • step S103 the CPU 11 uses the LAI measurement data LAI(t) acquired in step S101 and the LAI maximum value LAI MAX estimated in step S102, as an example, using the above equation (2), LAI measurement data LAI(t) is normalized to calculate normalized measurement data LAI nom (t).
  • step S104 the CPU 11 selects a predetermined number of variables in descending order of contribution to the transition of LAI among all the variables included in the environment information acquired in step S101, as shown in FIG. Select for information.
  • step S105 the CPU 11 performs machine learning on the LAI normalized measurement data LAI nom (t) normalized in step S103 and the selected environment information selected in step S104 as data for learning, so that the second trained model 142 to generate
  • the second trained model 142 is a model that inputs the LAI normalized measurement data LAI nom (t) and the selected environment information and outputs prediction data representing the future transition of the LAI.
  • the CPU 11 performs machine learning using the LAI normalized measurement data LAI nom (t) as learning data to generate the first trained model 141.
  • the first trained model 141 is a model that receives the LAI normalized measurement data LAI nom (t) as input and outputs predictive data representing the future transition of LAI.
  • step S106 the CPU 11 stores the first trained model 141 and the second trained model 142 generated in step S105 in the storage 14, and terminates the learning process by this growth prediction program.
  • FIG. 8 is a flowchart showing an example of the flow of prediction processing by the growth prediction program according to this embodiment.
  • the prediction processing by the growth prediction program is realized by the CPU 11 of the growth prediction device 10 writing the growth prediction program stored in the ROM 12 or the storage 14 to the RAM 13 and executing it.
  • step S111 of FIG. 8 the CPU 11 retrieves LAI measurement data LAI(t), cultivation information (transplantation date, variety, presence or absence of fertilization, etc.), and environmental information from the database 30 periodically or in response to a request from the user. (weather, soil solution concentration, etc.).
  • step S112 the CPU 11 estimates the LAI maximum value LAI MAX from the LAI measurement data LAI(t), the cultivation information, and the environmental information acquired in step S111, using the above equation (1) as an example. .
  • step S113 the CPU 11 uses the LAI measurement data LAI(t) acquired in step S111 and the LAI maximum value LAI MAX estimated in step S112, as an example, using the above equation (2), LAI measurement data LAI(t) is normalized to calculate normalized measurement data LAI nom (t).
  • step S114 the CPU 11 selects a predetermined number of variables in descending order of contribution to the transition of LAI among all the variables included in the environment information acquired in step S111, as shown in FIG. Select for information.
  • step S115 the CPU 11 inputs the LAI normalized measurement data LAI nom (t) normalized in step S113 and the selected environment information selected in step S114 to the second trained model 142.
  • the trained model 142 is caused to output predictive data representing the future transition of LAI. Note that when only the LAI normalized measurement data LAI nom (t) is acquired, the CPU 11 inputs the LAI normalized measurement data LAI nom (t) normalized in step S113 to the first trained model 141. , the first trained model 141 outputs predictive data representing the future transition of the LAI. Further, the CPU 11 may use the model with the higher LAI prediction accuracy out of the first trained model 141 and the second trained model 142 to predict the future transition of the LAI.
  • step S116 the CPU 11 identifies the day when the LAI reaches its peak from the prediction data obtained in step S115, and outputs the day when the LAI reaches its peak and the maximum value of the LAI to the agricultural work instruction unit 40 as the future growth situation. Then, the prediction processing by this growth prediction program is terminated.
  • the LAI measurement data can be used for learning without distinguishing between breeds. This eliminates the need to build a model for each variety, making it possible to predict the growth of even new varieties.
  • processors other than the CPU 11 may execute the growth prediction processing executed by the CPU 11 reading the growth prediction program in the above embodiment.
  • the processor is a PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing, such as an FPGA (Field-Programmable Gate Array), and an ASIC (Application Specific Integrated Circuit) to execute specific processing.
  • a dedicated electric circuit or the like which is a processor having a specially designed circuit configuration, is exemplified.
  • the growth prediction process may be executed by one of these various processors, or a combination of two or more processors of the same or different type (for example, a plurality of FPGAs and a combination of a CPU and an FPGA). etc.). More specifically, the hardware structure of these various processors is an electric circuit in which circuit elements such as semiconductor elements are combined.
  • the growth prediction program has been pre-stored (also referred to as “installed") in the ROM 12 or storage 14, but is not limited to this.
  • the growth prediction program is stored in non-transitory storage media such as CD-ROM (Compact Disk Read Only Memory), DVD-ROM (Digital Versatile Disk Read Only Memory), and USB (Universal Serial Bus) memory. may be provided in any form. Also, the growth prediction program may be downloaded from an external device via a network.
  • a growth prediction device configured to predict the future transition of the index value from the calculated normalized measurement data of the index value by using a trained model that outputs a.
  • a non-temporary storage medium storing a computer-executable program for executing a growth prediction process includes Receiving input of time-series measurement data of index values that change with the growth of rice, cultivation information related to rice cultivation, and environmental information related to the environment in which rice is cultivated, estimating the maximum value of the index value from the measurement data of the index value, the cultivation information, and the environmental information; calculating normalized measurement data by normalizing the measurement data of the index values from the measurement data of the index values and the maximum value of the index values; Prediction data that is generated by machine learning using the normalized measurement data of the index value obtained in advance as learning data, and that represents the future transition of the index value using the normalized measurement data of the index value as an input. predicting the future transition of the index value from the calculated normalized measurement data of the index value using a trained model that outputs a non-temporary storage medium.

Abstract

生育予測装置は、稲の生育に伴って変化する指標値の指標値の測定データ、栽培情報、及び環境情報から、指標値の最大値を推定する最大値推定部と、指標値の測定データ及び指標値の最大値から、指標値の測定データを正規化して正規化測定データを算出する正規化部と、予め得られた指標値の正規化測定データを学習用データとして機械学習することにより生成された学習済みモデルを用いて、算出された指標値の正規化測定データから、指標値の今後の推移を予測する予測部と、を備える。

Description

生育予測装置、生育予測方法、及び生育予測プログラム
　開示の技術は、生育予測装置、生育予測方法、及び生育予測プログラムに関する。
　就農人口の減少から新規就農者が希求されている。新規就農者が熟練と同じように農作業ができるように、農作業を支援するシステム（以下、「農作業支援システム」という。）のサービスが始まっている。適切な時期に適切な農作業を行うために、農作業支援システムには農作業時期を予測し、提案する機能が求められる。
　日本の主食である水稲に関して、収穫量を向上させるために行う施肥は、出穂の約２０～１５日前に行うのがよいとされている。施肥とは、肥料を施すことをいう。また、斑点米カメムシ被害を防ぐためには出穂の１週間前までに草刈りを行うことが効果的であるとされる等、水稲の農作業（追肥、農薬散布等）は、出穂日前後に行うことが効果的であるものが多い。そのため、水稲の農作業支援には出穂日あるいは出穂日間際の生育ステージ（幼穂分化期、止め葉の形成期等）の事前の予測が重要となる。
　水稲の生育モデルに関する技術として、ＳＩＭＲＩＷ（Ｓｉｍｕｌａｔｉｏｎ　Ｍｏｄｅｌ　ｆｏｒ　Ｒｉｃｅ－Ｗｅａｔｈｅｒ　Ｒｅｌａｔｉｏｎｓｈｉｐｓ）が知られている（例えば、非特許文献１参照）。このＳＩＭＲＩＷは、国立研究開発法人農業・食品産業技術総合研究機構（通称：農研機構）が提供している栽培管理支援システムに採用され、国内で広く使われている信頼性の高い水稲の生育モデルである。
　ＳＩＭＲＩＷは、気象データ及び品種情報から、例えば、図９に示すように、稲の生育指数（ＤＶＩ）を計算することで出穂日・収穫適期を算出することが可能である。
堀江　武、中川　博視, "イネの発育過程のモデル化と予測に関する研究"，日本作物学会紀事，59(4): 687-695.（1990）
　しかしながら、ＳＩＭＲＩＷは、気象データ及び品種情報のみを入力とするため、実際の農作業で生じる人為的な誤差などを考慮しておらず、実際の生育状況と計算した生育状況とではズレが生じる。
　また、品種ごとにＤＶＩを計算するパラメータが異なっており、正解データを取得するには品種ごとにそれぞれデータ収集を行うため、膨大なデータ数が必要となる。
　実測可能で、かつ、稲の生育に伴って変化するパラメータに葉面積指数（Ｌｅａｆ　Ａｒｅａ　Ｉｎｄｅｘ、以下、「ＬＡＩ」という。）がある。このＬＡＩは、地表の単位面積に対する稲の葉の面積の割合を表す。このＬＡＩは、例えば、図１０に示すように、稲の成長に伴い増加する、生育状況を表す指標となっており、品種を問わず止め葉が出たタイミングでピークを迎える。ピークを迎えるタイミングを予測することで、出穂日１０日前がわかる。それによって農作業計画をたてることが可能となることが期待されている。
　ＤＶＩと同じくＬＡＩも品種ごとにＬＡＩの最大値は異なり、気象条件、施肥の有無といった農作業条件によってもＬＡＩの最大値は異なる。例えば、図１１に示すように、施肥の有無でＬＡＩの推移が異なる。
　つまり、ＬＡＩ等を用いて稲の生育状況を予測する場合に、品種ごとに行う必要があるため、品種ごとに予測モデルを構築する必要がある。この場合、新品種の生育予測には対応できない。
　開示の技術は、上記の点に鑑みてなされたものであり、稲の品種を区別することなく、稲の生育状況を予測することができる生育予測装置、生育予測方法、及び生育予測プログラムを提供することを目的とする。
　本開示の第１態様は、生育予測装置であって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付けるデータ入力部と、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定する最大値推定部と、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出する正規化部と、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する予測部と、を備える。
　本開示の第２態様は、生育予測方法であって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する。
　本開示の第３態様は、生育予測プログラムであって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測することをコンピュータに実行させる。
　開示の技術によれば、稲の品種を区別することなく、稲の生育状況を予測することができる、という効果を有する。
実施形態に係る農作業支援システムの構成の一例を示す図である。 実施形態に係る生育予測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。 実施形態に係る生育予測装置の機能構成の一例を示すブロック図である。 実施形態に係る環境情報に含まれる複数の変数の一例を示す図である。 実施形態に係るＬＡＩの実測データと予測データとの関係の一例を示すグラフである。 全ての環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。 ＬＡＩに対する寄与率に応じて選択された環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。 実施形態に係る生育予測プログラムによる学習処理の流れの一例を示すフローチャートである。 実施形態に係る生育予測プログラムによる予測処理の流れの一例を示すフローチャートである。 従来技術の説明に供する図である。 ＬＡＩと出穂日との関係を示す図である。 施肥の有無によるＬＡＩの推移の違いを示す図である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において、同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　本実施形態に係る生育予測装置は、稲の種別ごとに生育状況を予測する従来の手法に対して特定の改善を提供するものであり、稲の生育状況を予測する技術分野の向上を示すものである。
　本実施形態に係る生育予測装置は、現在の稲の生育状況を反映し、実測可能な指標値の一例であるＬＡＩを用いて、生育状況を予測し、予測した生育ステージから農作業のタイミングを判断し、農作業の支援を行うものである。つまり、ＬＡＩの時系列の測定データを学習し、将来のＬＡＩの推移を予測することにより、出穂日１０日程度前（止め葉が出るタイミング）を判断し、稲の生育を予測する。
　本実施形態に係る生育予測装置では、ＬＡＩを用いた生育予測を行う際に、ＬＡＩの最大値を用いて、実測して得られたＬＡＩの測定データを正規化して正規化測定データを算出する。この正規化測定データを用いて機械学習することにより予測モデルを生成し、生成した予測モデルを用いてＬＡＩの今後の推移を予測する。これにより、稲の品種を区別することなく、ＬＡＩの正規化測定データを学習用データとして学習し、予測を行うことができる。このため、新品種であっても生育予測が可能となる。
　図１は、本実施形態に係る農作業支援システム１００の構成の一例を示す図である。
　図１に示す農作業支援システム１００は、生育予測装置１０と、ＬＡＩ計測センサ２０と、データベース３０と、農作業指示部４０と、ユーザ端末５０と、を備えている。生育予測装置１０は、ＬＡＩ計測センサ２０、データベース３０、及び農作業指示部４０の各々と接続されている。農作業指示部４０は、ユーザ端末５０と接続されている。データベース３０は、外部の記憶装置に記憶されていてもよいし、生育予測装置１０に記憶されていてもよい。また、農作業指示部４０は、生育予測装置１０とは異なる情報処理装置の一機能として実現してもよいし、生育予測装置１０の一機能として実現してもよい。
　ＬＡＩ計測センサ２０は、例えば、実際に稲を撮影して得られた画像から、稲の生育に伴って変化する指標値の一例であるＬＡＩを計測するセンサである。ＬＡＩ計測センサ２０は、気象（気温等）、土壌溶液濃度等を測定可能なもの、ＬＡＩを測定可能なものを想定している。ＬＡＩは、画像から推定する手法に限らず、他の手法を用いて推定してもよい。なお、圃場に設置されるセンサの種類は、圃場ごとに様々であることが考えられる。例えば、圃場Ａでは水温、気温、湿度がセンサによって取得され、圃場Ｂでは水温、ＥＣ（電気伝導度）、気温、湿度がセンサによって取得される。つまり、それぞれの圃場でセンサから取得できる項目が異なる場合があり、取得できない項目についてはデータベース３０から取得できるようにすればよい。
　データベース３０には、稲の栽培に関する栽培情報及び稲を栽培する環境に関する環境情報が格納される。データベース３０は、ＬＡＩ計測センサ２０から取得したＬＡＩの測定データ、環境情報に日付を対応付けて、ＬＡＩの測定データ、環境情報を時系列データとして格納する。また、ＬＡＩの時系列の測定データ（以下、単に「ＬＡＩ測定データ」という。）は、栽培情報を対応付けて格納される。栽培情報には、稲の栽培に関する複数の変数が含まれる。稲の栽培に関する複数の変数には、例えば、移植日、品種、該当品種の追肥タイミング、施肥の有無（施肥又は無施肥）等が含まれる。また、環境情報には、稲を栽培する環境に関する複数の変数が含まれる。環境情報には、例えば、稲を栽培する期間の気象に関する変数、及び稲を栽培する土壌に関する変数が含まれる。気象に関する変数には気温、日射量、湿度等が含まれ、土壌に関する変数にはｐＨ（水素イオン指数）、土壌溶液濃度（イオン濃度）等が含まれる。
　生育予測装置１０は、データベース３０から、ＬＡＩ測定データ、栽培情報、及び環境情報を取得する。生育予測装置１０は、これらの情報を定期的に取得してもよいし、ユーザからの要求に応じて取得してもよい。なお、ＬＡＩ測定データは、ＬＡＩ計測センサ２０から直接取得してもよい。生育予測装置１０は、取得したＬＡＩ測定データ、栽培情報、及び環境情報から、ＬＡＩのピークを迎える日及びＬＡＩの最大値を求め、農作業指示部４０に出力する。これらのＬＡＩのピークを迎える日及びＬＡＩの最大値は、今後の生育状況を表すデータとされる。
　農作業指示部４０は、生育予測装置１０からＬＡＩのピークを迎える日及びＬＡＩの最大値を取得すると、取得したＬＡＩのピークを迎える日及びＬＡＩの最大値から追肥の必要性、農作業のタイミングを判定し、判定結果をユーザ端末５０に出力する。
　ユーザ端末５０は、ユーザである農業従事者が使用する端末装置であり、例えば、パーソナルコンピュータ（ＰＣ：Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）、スマートフォン等が適用される。ユーザ端末５０は、農作業指示部４０からの判定結果を表示して、ユーザに対して、追肥の必要性、農作業のタイミングを指示する。
　次に、図２を参照して、本実施形態に係る生育予測装置１０のハードウェア構成について説明する。
　図２は、本実施形態に係る生育予測装置１０のハードウェア構成の一例を示すブロック図である。
　図２に示すように、生育予測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、及び通信インタフェース（Ｉ／Ｆ）１７を備えている。各構成は、バス１８を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、生育予測処理を実行するための生育予測プログラムが格納されている。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。
　表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
　通信インタフェース１７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ（Ｆｉｂｅｒ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｄａｔａ　Ｉｎｔｅｒｆａｃｅ）等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
　本実施形態に係る生育予測装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。
　次に、図３を参照して、生育予測装置１０の機能構成について説明する。
　図３は、本実施形態に係る生育予測装置１０の機能構成の一例を示すブロック図である。
　図３に示すように、生育予測装置１０は、機能構成として、データ入力部１０１、最大値推定部１０２、正規化部１０３、変数選択部１０４、学習部１０５、予測部１０６、及びデータ出力部１０７を備えている。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された生育予測プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
　ストレージ１４には、学習部１０５によって生成された第１学習済みモデル１４１及び第２学習済みモデル１４２が記憶されている。第１学習済みモデル１４１は、学習済みモデルの一例であり、予め得られたＬＡＩの正規化測定データを学習用データとして機械学習することにより生成された予測モデルである。第１学習済みモデル１４１は、ＬＡＩの正規化測定データを入力とし、ＬＡＩの今後の推移を表す予測データを出力する。第２学習済みモデル１４２は、別の学習済みモデルの一例であり、予め得られたＬＡＩの正規化測定データ及び環境情報からＬＡＩの推移に対する寄与率が高い順に選択された所定数の変数を学習用データとして機械学習することにより生成された予測モデルである。第２学習済みモデル１４２は、ＬＡＩの正規化測定データ及び選択された所定数の変数を入力とし、ＬＡＩの今後の推移を表す予測データを出力する。なお、第１学習済みモデル１４１及び第２学習済みモデル１４２の各々の機械学習には、例えば、ＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｔ－Ｔｅｒｍ　Ｍｅｍｏｒｙ）等が用いられる。
　データ入力部１０１は、定期的又はユーザからの要求に応じて、データベース３０（又はＬＡＩ計測センサ２０）から、ＬＡＩ測定データ、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）の入力を受け付ける。なお、ＬＡＩの変化は比較的ゆるやかであることから、ＬＡＩの時系列の測定データを例えば日平均、数日ごとに間引く等の加工を行ってもよい。以下、ＬＡＩ測定データをＬＡＩ測定データＬＡＩ（ｔ）と表す。データ入力部１０１は、ＬＡＩ測定データＬＡＩ（ｔ）を、各部に入力可能なフォーマットに成形する。データ入力部１０１は、最大値推定部１０２に対してＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報を出力し、変数選択部１０４に対して環境情報を出力する。
　最大値推定部１０２は、データ入力部１０１から取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、ＬＡＩの最大値を推定する。以下、ＬＡＩの最大値をＬＡＩ最大値ＬＡＩＭＡＸと表す。ＬＡＩ最大値ＬＡＩＭＡＸは、例えば、施肥＞無施肥、気温高＞気温低、といった傾向があることから、以下の式（１）を用いて求められる。
　ＬＡＩＭＡＸ＝α×β×ＬＡＩａｖｅ　・・・（１）
　但し、αは施肥の有無で決まる係数 、βは移植日及び気温により決まる係数 、ＬＡＩａｖｅは平均的なＬＡＩの最大値（≒５程度）である。移植日は、植え付け時期に応じて、早、中、遅の３つの段階で表してもよい。ＬＡＩａｖｅは、ＬＡＩの過去から現在までに得られた測定データから算出される。
　最大値推定部１０２は、ＬＡＩ測定データＬＡＩ（ｔ）、上記式（１）を用いて推定したＬＡＩ最大値ＬＡＩＭＡＸを正規化部１０３に出力する。なお、最大値推定部１０２は、上記式（１）の対応関係を、表として持っていてもよい。
　正規化部１０３は、最大値推定部１０２から取得した、ＬＡＩ測定データＬＡＩ（ｔ）及びＬＡＩ最大値ＬＡＩＭＡＸから、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データを算出する。以下、この正規化測定データを正規化測定データＬＡＩｎｏｍ（ｔ）と表す。正規化測定データＬＡＩｎｏｍ（ｔ）は、以下の式（２）、つまり、ＬＡＩ測定値ＬＡＩ（ｔ）を、ＬＡＩ最大値ＬＡＩＭＡＸで除算することで求められる。
　ＬＡＩｎｏｍ（ｔ）＝ＬＡＩ（ｔ）／ＬＡＩＭＡＸ　・・・（２）
　正規化部１０３は、上記式（２）を用いて算出したＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を変数選択部１０４に出力する。
　変数選択部１０４は、データ入力部１０１から環境情報を取得すると共に、正規化部１０３からＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を取得する。変数選択部１０４は、環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択する。変数選択部１０４は、複数の説明変数の候補（気象、土壌溶液濃度等）と、目的変数ＬＡＩとの関係を分析し、ＬＡＩの記述に寄与率の高い変数を選択し、選択した変数及びＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を学習部１０５又は予測部１０６に出力する。なお、使用する変数がＬＡＩのみである場合には、変数選択機能を使用せず、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）のみを学習部１０５又は予測部１０６に出力する。
　例えば、圃場ごとに生育に高い相関を持つ環境情報が異なる場合がある。このため、環境情報に含まれる複数の変数のうち高い相関を持つ（＝寄与率が高い）変数の選択を適切に行うことで、ＬＡＩの推移の予測精度の向上が期待できる。ここで、図４、図５、図６Ａ、及び図６Ｂを参照して、変数選択部１０４による変数選択処理について具体的に説明する。
　図４は、本実施形態に係る環境情報に含まれる複数の変数の一例を示す図である。
　図４に示すように、環境情報には、例えば、最高気温、最小気温（最低気温）、平均気温、輻射率、日射量、湿度、降水量、水温、地温等の気象に関する複数の変数が含まれる。また、環境情報には、例えば、電気伝導度を表すＥＣ、水素イオン指数を表すｐＨ、酸化還元電位を表すＯＲＰ、溶存酸素を表すＤＯ、アンモニウムイオンを表すＮＨ４＋、硝酸塩イオンを表すＮＯ３－、ナトリウムイオンを表すＮａ＋、カリウムイオンを表すＫ＋、カルシウムイオンを表すＣａ２＋等の土壌に関する複数の変数が含まれる。なお、ＮＤＶＩは、正規化生育指数（正規化植生指数ともいう。）を表している。
　上述したように、ＬＡＩ予測を行う際に、使用する環境情報（気象、土壌溶液濃度等）を適切に選択することで予測精度の向上が期待される。具体的には、栽培期間内のＬＡＩを目的変数として、土壌溶液濃度（各イオン濃度）及び気象データ（気温、日射量、湿度等）を説明変数として、回帰分析を行う。回帰分析で得られた係数（例えば、図４を参照）から、ＬＡＩとの相関が高い、つまり、寄与率の高い変数を選択する。具体的には、係数が大きい変数ほど、ＬＡＩの推移に対する寄与率が高くなる。このため、係数が大きい変数から順に所定数（例えば、１個以上５個以下）の変数を選択する。
　図５は、本実施形態に係るＬＡＩの実測データＡと予測データＰとの関係の一例を示すグラフである。縦軸はＬＡＩを示し、横軸は移植後日数を示す。
　図５において、実測データＡは、ＬＡＩの実測値を示しており、予測データＰは、ＬＡＩに対する寄与率に応じて選択された環境情報を用いて予測されたＬＡＩの予測値を示している。
　図６Ａは、全ての環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。一方、図６Ｂは、ＬＡＩに対する寄与率に応じて選択された環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。縦軸にＬＡＩを示す。なお、実線はＬＡＩの実測データを示し、点線はＬＡＩの予測データを示している。
　図６Ｂの例は、図６Ａの例と比較して、ＬＡＩのピークの位置を特定し易いことが分かる。以下、ＬＡＩに対する寄与率に応じて選択された環境情報を「選択環境情報」という。
　図３に戻り、学習部１０５は、予測モデルの学習処理を行う。学習部１０５は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）のみを取得した場合、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を学習用データとして機械学習することにより第１学習済みモデル１４１を生成する。第１学習済みモデル１４１は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。
　一方、学習部１０５は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報を取得した場合、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報を学習用データとして機械学習することにより第２学習済みモデル１４２を生成する。第２学習済みモデル１４２は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。なお、第１学習済みモデル１４１及び第２学習済みモデル１４２の各々の機械学習には、上述したように、例えば、ＬＳＴＭ等が用いられる。
　予測部１０６は、学習部１０５により学習された予測モデルを用いて予測処理を行う。予測部１０６は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）のみを取得した場合、第１学習済みモデル１４１を用いて、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）から、ＬＡＩの今後の推移を予測する。なお、当然ながら、予測部１０６で取得されるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）は、学習部１０５で取得されるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）よりも時間的に後のデータとなる。つまり、予測部１０６での予測に用いるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）は、第１学習済みモデル１４１が生成された後に取得されたデータである。
　一方、予測部１０６は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報を取得した場合、第２学習済みモデル１４２を用いて、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報から、ＬＡＩの今後の推移を予測する。なお、上記と同様に、予測部１０６で取得されるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報は、学習部１０５で取得されるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報よりも時間的に後のデータとなる。つまり、予測部１０６での予測に用いるＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報は、第２学習済みモデル１４２が生成された後に取得されたデータである。
　また、予測部１０６は、第１学習済みモデル１４１及び第２学習済みモデル１４２のうち、ＬＡＩの予測精度の高い方のモデルを用いて、ＬＡＩの今後の推移を予測するようにしてもよい。モデルの予測精度の判定には、例えば、ＲＭＳＥ（Ｒｏｏｔ　Ｍｅａｎ　Ｓｑｕａｒｅｄ　Ｅｒｒｏｒ：二乗平均平方根誤差）等のように、実測値と予測値との差から判定する手法を用いてもよいし、他の手法を用いてもよい。
　つまり、予測部１０６では、次の単位時間のＬＡＩの推移を予測する。予測に際しては、例えば、上述のＬＳＴＭ等の手法が用いられる。ＬＡＩの推移を予測する際に、使用変数の選択には、次のバリエーションがあるものとする。
（１）ＬＡＩのみを用いて予測を行う。
（２）ＬＡＩ及び選択環境情報を用いて予測を行う。
（３）上記（１）及び（２）の両方の予測を行い、予測精度のよい方を選択する。
　予測部１０６は、ＬＡＩの今後の推移を予測した予測データを、データ出力部１０７に出力する。
　データ出力部１０７は、予測部１０６から取得した予測データから、ＬＡＩのピークを迎える日を同定し、ＬＡＩのピークを迎える日及びＬＡＩの最大値を農作業指示部４０に出力する。なお、生育予測装置１０は、これらの情報を定期的に出力してもよいし、ユーザからの要求に応じて出力してもよい。
　図１に戻り、農作業指示部４０は、生育予測装置１０から、ＬＡＩのピークを迎える日及びＬＡＩの最大値を取得し、取得したＬＡＩのピークを迎える日及びＬＡＩの最大値から、追肥の必要性、農作業のタイミングを判定し、判定結果をユーザ端末５０に出力する。具体的には、例えば、データベース３０に格納している栽培情報から、栽培している品種についての推奨の農作業タイミングを取得する。ＬＡＩのピークを迎える日及びＬＡＩの最大値、並びに、現在の日付から、以下の事項を推定し、ユーザに指示する。
・追肥の要不要（ＬＡＩの最大値の大小で判定）
・追肥時期（ＬＡＩのピークを迎える日あたり）
・農薬散布日（ＬＡＩのピークを迎える３日程度後）
・収穫適期（ＬＡＩのピークを迎える日から１ヶ月半程度後）
　なお、追肥の要不要は、ＬＡＩの最大値が閾値以上か否かで判定される。また、追肥時期（追肥タイミング）は、例えば、ＬＡＩのピークを迎える日を基準とする前後Ｘ日の期間として決定する。なお、Ｘ日は、品種によって最適日が異なる場合がある。例えば、品種Ａでは出穂日の１５日前（≒ＬＡＩのピークの５日前）、品種Ｂでは出穂日の１２日前（≒ＬＡＩのピークの２日前）となる。このため、品種ごとの追肥時期は、ＬＡＩのピークを迎える日を基準とした場合、出穂日のＹ日前という情報に対して、Ｙ日から１０日減じた（Ｙ－１０）日を設定することが望ましい。この場合、栽培情報として、品種ごとの追肥時期の情報をデータベース３０に格納しておけばよい。
　次に、図７及び図８を参照して、本実施形態に係る生育予測装置１０の作用について説明する。
　図７は、本実施形態に係る生育予測プログラムによる学習処理の流れの一例を示すフローチャートである。生育予測プログラムによる学習処理は、生育予測装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている生育予測プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
　図７のステップＳ１０１では、ＣＰＵ１１が、定期的又はユーザからの要求に応じて、データベース３０から、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）を取得する。
　ステップＳ１０２では、ＣＰＵ１１が、ステップＳ１０１で取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、一例として、上述の式（１）を用いて、ＬＡＩ最大値ＬＡＩＭＡＸを推定する。
　ステップＳ１０３では、ＣＰＵ１１が、ステップＳ１０１で取得したＬＡＩ測定データＬＡＩ（ｔ）、及び、ステップＳ１０２で推定したＬＡＩ最大値ＬＡＩＭＡＸから、一例として、上述の式（２）を用いて、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データＬＡＩｎｏｍ（ｔ）を算出する。
　ステップＳ１０４では、ＣＰＵ１１が、一例として、上述の図４に示すように、ステップＳ１０１で取得した環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択環境情報として選択する。
　ステップＳ１０５では、ＣＰＵ１１が、ステップＳ１０３で正規化したＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）、及び、ステップＳ１０４で選択した選択環境情報を学習用データとして機械学習することにより第２学習済みモデル１４２を生成する。第２学習済みモデル１４２は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）及び選択環境情報を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。なお、ＣＰＵ１１は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）のみを取得した場合、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を学習用データとして機械学習することにより第１学習済みモデル１４１を生成する。第１学習済みモデル１４１は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。
　ステップＳ１０６では、ＣＰＵ１１が、ステップＳ１０５で生成した第１学習済みモデル１４１及び第２学習済みモデル１４２をストレージ１４に記憶し、本生育予測プログラムによる学習処理を終了する。
　図８は、本実施形態に係る生育予測プログラムによる予測処理の流れの一例を示すフローチャートである。生育予測プログラムによる予測処理は、生育予測装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている生育予測プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
　図８のステップＳ１１１では、ＣＰＵ１１が、定期的又はユーザからの要求に応じて、データベース３０から、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）を取得する。
　ステップＳ１１２では、ＣＰＵ１１が、ステップＳ１１１で取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、一例として、上述の式（１）を用いて、ＬＡＩ最大値ＬＡＩＭＡＸを推定する。
　ステップＳ１１３では、ＣＰＵ１１が、ステップＳ１１１で取得したＬＡＩ測定データＬＡＩ（ｔ）、及び、ステップＳ１１２で推定したＬＡＩ最大値ＬＡＩＭＡＸから、一例として、上述の式（２）を用いて、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データＬＡＩｎｏｍ（ｔ）を算出する。
　ステップＳ１１４では、ＣＰＵ１１が、一例として、上述の図４に示すように、ステップＳ１１１で取得した環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択環境情報として選択する。
　ステップＳ１１５では、ＣＰＵ１１が、第２学習済みモデル１４２に対して、ステップＳ１１３で正規化したＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）、及び、ステップＳ１１４で選択した選択環境情報を入力し、第２学習済みモデル１４２から、ＬＡＩの今後の推移を表す予測データを出力させる。なお、ＣＰＵ１１は、ＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）のみを取得した場合、第１学習済みモデル１４１に対して、ステップＳ１１３で正規化したＬＡＩ正規化測定データＬＡＩｎｏｍ（ｔ）を入力し、第１学習済みモデル１４１から、ＬＡＩの今後の推移を表す予測データを出力させる。また、ＣＰＵ１１は、第１学習済みモデル１４１及び第２学習済みモデル１４２のうち、ＬＡＩの予測精度の高い方のモデルを用いて、ＬＡＩの今後の推移を予測するようにしてもよい。
　ステップＳ１１６では、ＣＰＵ１１が、ステップＳ１１５で得られた予測データから、ＬＡＩのピークを迎える日を同定し、ＬＡＩのピークを迎える日及びＬＡＩの最大値を今後の生育状況として農作業指示部４０に出力し、本生育予測プログラムによる予測処理を終了する。
　このように、本実施形態によれば、ＬＡＩの予測を行うことにより、生育状況（止め葉の出るタイミング、及び大凡の出穂日）を予測することができる。
　また、実測したＬＡＩを用いることにより、現在の生育状況を把握することが可能であるため、人為的な理由での生育遅れにも対応することができる。
　また、ＬＡＩ測定データを正規化することにより、品種を区別せずにＬＡＩ測定データを学習に用いることができる。このため、品種ごとにモデルを構築する必要がなくなり、新品種でも生育予測が可能となる。
　上記実施形態でＣＰＵ１１が生育予測プログラムを読み込んで実行した生育予測処理を、ＣＰＵ１１以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、生育予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記実施形態では、生育予測プログラムがＲＯＭ１２又はストレージ１４に予め記憶（「インストール」ともいう）されている態様を説明したが、これに限定されない。生育予測プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、生育予測プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
　以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
　前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
　前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
　予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する
　ように構成されている生育予測装置。
（付記項２）
　生育予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
　前記生育予測処理は、
　稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
　前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
　前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
　予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する
　非一時的記憶媒体。
１０   生育予測装置
１１   ＣＰＵ
１２   ＲＯＭ
１３   ＲＡＭ
１４   ストレージ
１５   入力部
１６   表示部
１７   通信Ｉ／Ｆ
１８   バス
２０   ＬＡＩ計測センサ
３０   データベース
４０   農作業指示部
５０   ユーザ端末
１００ 農作業支援システム
１０１ データ入力部
１０２ 最大値推定部
１０３ 正規化部
１０４ 変数選択部
１０５ 学習部
１０６ 予測部
１０７ データ出力部
１４１ 第１学習済みモデル
１４２ 第２学習済みモデル

Claims (8)

  1. 　稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付けるデータ入力部と、
    　前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定する最大値推定部と、
    　前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出する正規化部と、
    　予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する予測部と、
    　を備えた生育予測装置。
  2. 　前記栽培情報は、稲を移植した日を表す移植日、及び肥料を施したか否かを表す施肥の有無を含み、
    　前記環境情報は、稲を栽培する期間の気温を含み、
    　前記最大値推定部は、前記施肥の有無で決まる係数、前記移植日及び前記気温で決まる係数、及び、平均的な前記指標値の最大値から、前記指標値の最大値を推定する
    　請求項１に記載の生育予測装置。
  3. 　前記環境情報は、稲を栽培する環境に関する複数の変数を含み、
    　前記環境情報に含まれる全ての変数のうち前記指標値の推移に対する寄与率が高い順に所定数の変数を選択する変数選択部を更に備え、
    　前記予測部は、前記学習済みモデルに代えて、予め得られた前記指標値の正規化測定データ及び前記環境情報から前記指標値の推移に対する寄与率が高い順に選択された所定数の変数を学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データ及び前記選択された所定数の変数を入力とし、前記指標値の今後の推移を表す予測データを出力する別の学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データ及び前記変数選択部により選択された所定数の変数から、前記指標値の今後の推移を予測する
    　請求項１又は請求項２に記載の生育予測装置。
  4. 　前記予測部は、前記学習済みモデル及び前記別の学習済みモデルのうち、前記指標値の予測精度の高い方のモデルを用いて、前記指標値の今後の推移を予測する
    　請求項３に記載の生育予測装置。
  5. 　前記環境情報は、稲を栽培する期間の気象に関する変数、及び稲を栽培する土壌に関する変数を含む
    　請求項３又は請求項４に記載の生育予測装置。
  6. 　前記指標値は、地表の単位面積に対する稲の葉の面積の割合を表す葉面積指数である
    　請求項１～請求項５の何れか１項に記載の生育予測装置。
  7. 　稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
    　前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
    　前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
    　予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する、
    　生育予測方法。
  8. 　稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
    　前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
    　前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
    　予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測することを、
    　コンピュータに実行させるための生育予測プログラム。
PCT/JP2021/047725 2021-12-22 2021-12-22 生育予測装置、生育予測方法、及び生育予測プログラム WO2023119529A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/047725 WO2023119529A1 (ja) 2021-12-22 2021-12-22 生育予測装置、生育予測方法、及び生育予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/047725 WO2023119529A1 (ja) 2021-12-22 2021-12-22 生育予測装置、生育予測方法、及び生育予測プログラム

Publications (1)

Publication Number Publication Date
WO2023119529A1 true WO2023119529A1 (ja) 2023-06-29

Family

ID=86901589

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/047725 WO2023119529A1 (ja) 2021-12-22 2021-12-22 生育予測装置、生育予測方法、及び生育予測プログラム

Country Status (1)

Country Link
WO (1) WO2023119529A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016019512A (ja) * 2014-06-16 2016-02-04 Tdk株式会社 農作物の収穫時期推測装置及び農作物の収穫時期推測プログラム
WO2019107179A1 (ja) * 2017-12-01 2019-06-06 ソニー株式会社 情報処理装置、情報処理方法、および植生管理システム
JP2019187259A (ja) * 2018-04-20 2019-10-31 キッセイコムテック株式会社 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム
JP2021190108A (ja) * 2020-05-25 2021-12-13 国立研究開発法人農業・食品産業技術総合研究機構 農作物関連値導出装置および農作物関連値導出方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016019512A (ja) * 2014-06-16 2016-02-04 Tdk株式会社 農作物の収穫時期推測装置及び農作物の収穫時期推測プログラム
WO2019107179A1 (ja) * 2017-12-01 2019-06-06 ソニー株式会社 情報処理装置、情報処理方法、および植生管理システム
JP2019187259A (ja) * 2018-04-20 2019-10-31 キッセイコムテック株式会社 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム
JP2021190108A (ja) * 2020-05-25 2021-12-13 国立研究開発法人農業・食品産業技術総合研究機構 農作物関連値導出装置および農作物関連値導出方法

Similar Documents

Publication Publication Date Title
US10241098B2 (en) Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US10255391B2 (en) Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and recent input of harvest condition states
US9076118B1 (en) Harvest advisory modeling using field-level analysis of weather conditions, observations and user input of harvest condition states, wherein a predicted harvest condition includes an estimation of standing crop dry-down rates, and an estimation of fuel costs
US9009087B1 (en) Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data
Caffarra et al. Increasing the robustness of phenological models for Vitis vinifera cv. Chardonnay
EP3550498A1 (en) Information processing device and information processing system
US9087312B1 (en) Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states
US9037521B1 (en) Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states
US9201991B1 (en) Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states
JP2019030253A (ja) 栽培支援装置、栽培支援方法、コンピュータプログラム及び記録媒体
US20210136996A1 (en) Systems and methods for applying an agricultural practice to a target agricultural field
US9031884B1 (en) Modeling of plant wetness and seed moisture for determination of desiccant application to effect a desired harvest window using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states
KR20210063218A (ko) 시설 운영 이력을 저장할 수 있는 스마트팜 운영 시스템
Challinor et al. Assessing the vulnerability of crop productivity to climate change thresholds using an integrated crop-climate model
US10180998B2 (en) Modeling of crop growth for desired moisture content of bovine feedstuff and determination of harvest windows for corn earlage using field-level diagnosis and forecasting of weather conditions and field observations
JP2016146046A (ja) 予測装置、予測方法及びプログラム
WO2023119529A1 (ja) 生育予測装置、生育予測方法、及び生育予測プログラム
EP4177815A1 (en) Management device for cultivation of fruit vegetable plants and fruit trees, management method for cultivation of fruit vegetable plants and fruit trees, and management program for cultivation of fruit vegetable plants and fruit trees
JP7416394B2 (ja) 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法
Rohde et al. Lettuce modelling for growth control in precision agriculture
CN117236519B (zh) 水肥调控方法、装置、电子设备和存储介质
JP7220881B1 (ja) 灌水制御システム
Martínez-Lüscher et al. High-resolution weather network reveals a high spatial variability in air temperature in the Central valley of California with implications for crop and pest management
Kumar et al. Smart Farming Using Machine Learning and IOT
Ahmad et al. Decision support system for precision farming

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: 21968966

Country of ref document: EP

Kind code of ref document: A1