WO2023126996A1 - 植物が含有する所定の成分の量を予測する方法、システム及びプログラム - Google Patents

植物が含有する所定の成分の量を予測する方法、システム及びプログラム Download PDF

Info

Publication number
WO2023126996A1
WO2023126996A1 PCT/JP2021/048486 JP2021048486W WO2023126996A1 WO 2023126996 A1 WO2023126996 A1 WO 2023126996A1 JP 2021048486 W JP2021048486 W JP 2021048486W WO 2023126996 A1 WO2023126996 A1 WO 2023126996A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
predetermined wavelength
building
wavelength range
spectral
Prior art date
Application number
PCT/JP2021/048486
Other languages
English (en)
French (fr)
Inventor
裕紀 里村
Original Assignee
日本たばこ産業株式会社
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 日本たばこ産業株式会社 filed Critical 日本たばこ産業株式会社
Priority to PCT/JP2021/048486 priority Critical patent/WO2023126996A1/ja
Publication of WO2023126996A1 publication Critical patent/WO2023126996A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor

Definitions

  • the present invention relates to predicting the amount of a given component contained in plants. More particularly, the present invention relates to predicting the amount of a given component contained in a plant based on the spectroscopic spectrum of the plant.
  • the absorbance for the wavelengths in the near-infrared region of the light reflected by the plant is measured, and the components contained in the plant are measured from this measured value (Patent Document 1). ).
  • the amount of a predetermined component contained in a plant such as tobacco is measured by measuring the spectral spectrum of the plant by remote sensing from satellites, drones, etc. .
  • the present invention has been made in view of the above, and its object is to provide a method for predicting the amount of various predetermined components contained in the plant based on the limited spectroscopic spectrum measured for the plant. That is.
  • a spectral spectrum in a first predetermined wavelength range is measured as a model-building spectral spectrum.
  • the step of constructing a model includes spectroscopy in the first predetermined wavelength band based on the spectroscopic spectrum in the second predetermined wavelength band based on the plurality of the model-building spectroscopic spectra in the first predetermined wavelength band.
  • a spectral reconstruction model for reconstructing a spectrum; and based on the plurality of model-building spectral spectra and the plurality of model-building component amounts in the first predetermined wavelength region, the first predetermined wavelength region and constructing a first component amount prediction model that predicts the amount of the predetermined component based on the spectroscopic spectrum of the spectroscopic Using a spectrum reconstruction model, reconstructing the spectroscopic spectrum of the first predetermined wavelength band based on the analysis target spectroscopic spectrum of the second predetermined wavelength band and using the first component amount prediction model, the first and predicting the amount of the predetermined component contained in the plant to be analyzed based on the reconstructed spectral spectrum of one predetermined wavelength range.
  • the step of constructing a model includes spectroscopy in the first predetermined wavelength band based on the spectroscopic spectrum in the second predetermined wavelength band based on the plurality of the model-building spectroscopic spectra in the first predetermined wavelength band. constructing a spectroscopic spectrum reconstruction model for reconstructing a spectrum; and using the spectroscopic spectrum reconstruction model, the second predetermined wavelength region among the plurality of model-building spectroscopic spectra in the first predetermined wavelength region.
  • the step of predicting the amount of the predetermined component contained in the target plant includes spectroscopy in the first predetermined wavelength range based on the analysis target spectrum in the second predetermined wavelength range using the spectral reconstruction model Using the step of reconstructing the spectrum and the second component amount prediction model, predicting the amount of the predetermined component contained in the plant to be analyzed based on the reconstructed spectral spectrum of the first predetermined wavelength range. steps.
  • the step of constructing a spectroscopic reconstruction model includes calculating a correlation coefficient of absorbance between wavelengths based on the plurality of the model-building spectroscopic spectra in the first predetermined wavelength range; and determining the second predetermined wavelength band based on the obtained correlation coefficient.
  • the model is a model for predicting the amount of the predetermined component based on the spectrum of the second predetermined wavelength region, which is constructed based on a plurality of model-building spectral spectra and a plurality of model-building component amounts.
  • each of the plurality of model-building spectral spectra is a spectral spectrum in the first predetermined wavelength region measured for each of the plurality of model-building plants of the same species as the analysis target plant, is the content of the predetermined component measured for each of the plurality of model-building plants.
  • the plant to be analyzed may be tobacco.
  • the first predetermined wavelength band may consist of one or more wavelength bands
  • the second predetermined wavelength band may consist of one or more wavelength bands
  • the spectral spectrum of the first predetermined wavelength range is composed of absorbance at each of one or more wavelengths included in the first predetermined wavelength range
  • the spectral spectrum of the second predetermined wavelength range is composed of the It may consist of absorbance at each of one or more wavelengths contained in two predetermined wavelength ranges.
  • the first predetermined wavelength range may include the entire near-infrared range.
  • the predetermined ingredient may include one or more of sugar, nicotine, carbohydrate, and water.
  • a spectroscopic spectrum for receiving an input of an analysis target spectroscopic spectrum in a second predetermined wavelength range that is a part of the first predetermined wavelength range measured for the analysis target plant an input unit, and a component amount prediction unit that predicts the amount of a predetermined component contained in the analysis target plant based on the analysis target spectral spectrum in the second predetermined wavelength range using a model constructed in advance.
  • the model constructed in advance is constructed based on a plurality of model-building spectral spectra and a plurality of model-building component amounts, and is based on the spectral spectrum of the second predetermined wavelength range.
  • a model for predicting the amount of a predetermined component wherein each of the plurality of model-building spectral spectra is the first predetermined wavelength measured for each of the plurality of model-building plants of the same species as the analysis target plant.
  • a system is provided, wherein each of the plurality of model-building component amounts is the content of the predetermined component measured for each of the plurality of model-building plants.
  • a step of receiving an input of an analysis target spectroscopic spectrum in a second predetermined wavelength range that is a part of the first predetermined wavelength range, measured for the analysis target plant , using a model constructed in advance, based on the analysis target spectroscopic spectrum of the second predetermined wavelength region, predicting the amount of a predetermined component contained in the analysis target plant A program that causes a computer to execute wherein the model constructed in advance is based on the spectroscopic spectrum of the second predetermined wavelength range, constructed based on a plurality of model-constructing spectroscopic spectra and a plurality of model-constructing component amounts, of the predetermined component.
  • each of the plurality of model-building spectroscopic spectra is a spectroscopic spectrum in the first predetermined wavelength region measured for each of the plurality of model-building plants of the same species as the analysis target plant. and each of the plurality of model-building component amounts is the content of the predetermined component measured for each of the plurality of model-building plants.
  • the spectroscopic spectrum is reconstructed based on the limited spectroscopic spectrum measured for the plant, and then the amount of the predetermined component contained in the plant is predicted. It is possible to predict even the amounts of components that have little relevance to the spectrum, and various pre-processing can be used for component amount prediction.
  • 1 is a flow chart of an exemplary method for predicting the amount of a given ingredient contained in a plant; 4 is a flowchart of an exemplary process for building a model; 4 is a flowchart of an exemplary process for building a model; 4 is a flow chart of an exemplary process that may be performed in building a spectroscopic reconstruction model; 4 is a flow chart of an exemplary process for predicting component amounts; 1 is a block diagram of an exemplary system for predicting the amount of a given ingredient contained in plants; FIG. 4 is an exemplary graph showing correlation coefficients (absolute values) of absorbance between wavelengths as a heat map. A summary of the data used in the experiment is presented. Experimental factors and levels are shown. 4 is a graph plotting variations between measured values and predicted values for spectroscopy. Measured waveform and reconstructed waveform of spectroscopic spectrum It is a bar graph showing the prediction accuracy of content of a content component.
  • An embodiment of the invention is a method for predicting the amount of a given component contained in a plant.
  • FIG. 1 is a flow chart of an exemplary method 100 for predicting the amount of a given ingredient contained in a plant.
  • the plant is, for example, Nicotiana tabacum, more specifically Nicotiana tabacum (there are several species such as burley and yellow variety, but the species is not limited). do not have.
  • the predetermined component may be, for example, one or more of sugar, nicotine, carbohydrate, and water, but is not limited to these.
  • the exemplary method 100 is generally divided into a model construction step 110 and a component amount prediction step 120 using the constructed model.
  • step 112 indicates a step of measuring the spectral spectrum in the first predetermined wavelength range for each of the plurality of model building plants included in the model building step 110 .
  • the spectrum measured in step 112 will be referred to as "spectrum for model construction”.
  • the model-building spectroscopic spectrum is used as the first teacher data for building a model, which will be described later.
  • Any method can be used to measure the spectroscopic spectrum, and the spectroscopic spectrum can be measured using a known method.
  • the first predetermined wavelength range may be, for example, the entire near-infrared range, but is not limited to this.
  • the first predetermined wavelength range may be composed of one continuous wavelength range, or may be composed of a plurality of continuous wavelength ranges (the wavelength ranges are discontinuous).
  • the spectral spectrum of the first predetermined wavelength range may be composed of absorbance at each of one or more wavelengths included in the first predetermined wavelength range.
  • measuring the spectrum of the first predetermined wavelength range is to measure the absorbance at each of the one or more wavelengths included in the first predetermined wavelength range, that is, discrete data rather than continuous data It may be to acquire data.
  • the pitch of the wavelengths at which the absorbance is measured is preferably 20 nm or less, more preferably 10 nm or less, since the finer the precision, the better the accuracy, but the pitch is not limited to these.
  • the plurality of model-building plants are preferably plants of the same species as the analysis target plants described later.
  • the plurality of model-building plants are more preferably plants of the same species and from the same locality as the analysis target plant.
  • the plural number may be any number that can construct a model for predicting the amount of a predetermined component based on the spectroscopic spectrum of the second predetermined wavelength range described later, but is at least 2 or more, preferably 10 or more, It is 20 or more, 30 or more, 40 or more, 50 or more, more preferably 60 or more, and the accuracy improves as the number increases.
  • the aspect which acquires several samples from one individual may be sufficient.
  • step 114 indicates a step of measuring the amount of a predetermined component contained in each of the plurality of model-building plants, which is included in the model-building step 110 .
  • the amount of the predetermined component measured in step 114 will be referred to as "model building component amount”.
  • the model-building component amount is used as the second training data for building a model, which will be described later.
  • step 114 may be performed before step 112 or may be performed in parallel with step 112 .
  • the amount of a given ingredient contained in a plant may be measured only from a part of the plant.
  • the amount of the predetermined component contained in the leaves of the tobacco plant may be the amount of the predetermined component contained in the plant.
  • any method can be used to measure the amount of the predetermined component, and the amount of the predetermined component can be measured using a known method according to the type of the predetermined component.
  • a case where the plant is tobacco is exemplified below.
  • the measurement (quantification) of the nicotine content in tobacco leaves can be carried out according to the German Standardization Organization DIN 10373. That is, 250 mg of the tobacco composition was sampled, 7.5 mL of 11% aqueous sodium hydroxide solution and 10 mL of hexane were added, and extracted with shaking for 60 minutes. ) to quantify the weight of nicotine contained in leaf tobacco.
  • the amount of starch contained in tobacco leaves can be measured by measuring absorbance by an enzymatic method using F-kit (Roche).
  • the total amount of fructose/glucose/sucrose trisaccharides contained in tobacco leaves can be measured using a liquid chromatograph (HPLC). That is, 50% acetonitrile is added to pulverized leaf tobacco for extraction, the resulting supernatant is subjected to HPLC, and a differential refractive index detector (RID) can be used as a detector.
  • HPLC liquid chromatograph
  • the spectroscopic spectrum in the second predetermined wavelength band shows the steps of building a model to predict the amount of
  • the second predetermined wavelength band is part of the first predetermined wavelength band.
  • the second predetermined wavelength range may be composed of one continuous wavelength range, or may be composed of a plurality of continuous wavelength ranges (the wavelength ranges are discontinuous).
  • the spectrum of the second predetermined wavelength range may be composed of absorbance at each of one or more wavelengths included in the second predetermined wavelength range.
  • the prediction based on the spectroscopic spectrum of the second predetermined wavelength range is the prediction based on the absorbance at each of the one or more wavelengths included in the second predetermined wavelength range, that is, discrete data rather than continuous data It may be a prediction based on realistic data.
  • the number of the one or more wavelengths included in the second predetermined wavelength range is 3 points or more, preferably 5 points, 6 points, 7 points, and 8 points, and more preferably 9 points. That's it.
  • the spectroscopic spectrum to be analyzed indicates a step of measuring the spectroscopic spectrum of the second predetermined wavelength range for the plant to be analyzed, which is included in the component amount prediction step 120 .
  • the spectrum measured in step 122 will be referred to as "spectrum to be analyzed”. It is preferable that the spectroscopic spectrum to be analyzed is measured by the same method as the measurement of the spectroscopic spectrum for model building.
  • step 122 may be a step of receiving, as an input, the spectroscopic spectrum of the second predetermined wavelength range measured for the plant to be analyzed.
  • 124 indicates a step of predicting the amount of a predetermined component contained in the analysis target plant based on the analysis target spectral spectrum of the second predetermined wavelength range using the constructed model included in the component amount prediction step 120. ing.
  • FIG. 2 is a flowchart of a more detailed exemplary process 200 that step 116 may include.
  • step 210 reconstructs the spectral spectrum of the first predetermined wavelength range based on the spectral spectrum of the second predetermined wavelength range, based on the plurality of spectral spectra for model building in the first predetermined wavelength range (measured in step 112); It shows the steps to build the model.
  • the model constructed in step 210 (and step 310 to be described later) will be referred to as a "spectral spectrum reconstruction model”.
  • a spectral reconstruction model may be constructed by using multiple spectral spectra for model construction as teacher data. In constructing the reconstruction model, a different technique may be used for each wavelength to be reconstructed, or a single technique may be used to reconstruct a plurality of wavelengths at the same time.
  • the reconstruction model uses known machine learning methods (for example, multivariate regression analysis model, Artificial Neurak Network, Random Forest, Gradient Boosting Tree, regularized regression model (Lasso, Ridge, Elastic net, etc.), Bagging, Support vector regression on , Kernel regression, Spline regression, Gaussian process regression, but not limited to them), an example of which will be described below.
  • the example method uses a well-known formula for the conditional distribution of the multidimensional normal distribution, which can treat the wavelength range regarded as the observation as a random variable, and the theoretical value of the prediction error can be expressed explicitly and easily calculated. It is what I did.
  • X represent the spectroscopic spectrum for model construction in the first predetermined wavelength region
  • X 2 is the wavelength region regarded as the observed value, that is, the spectroscopic spectrum for model construction in the first predetermined wavelength region of the second predetermined wavelength region
  • X 1 represent the wavelength range to be predicted (that is, reconstruction), that is, the spectral spectrum of a wavelength range other than the second predetermined wavelength range in the model-building spectrum of the first predetermined wavelength range.
  • the reconfigured can be regarded as complete data including the spectrum of all wavelengths, that is, the first predetermined wavelength range. For example, if the first predetermined wavelength range is the entire near-infrared range, the component amount prediction model can be used.
  • the notation A′ means the transpose of A, and is a matrix of m rows and n columns obtained by interchanging the (i, j) element and the (j, i) element of A with respect to the matrix A of n rows and m columns. is.
  • a vector can be viewed as a matrix where n or m is 1, this notation provides operations for transforming from a vertical vector to a horizontal vector or from a horizontal vector to a vertical vector, respectively.
  • preprocessing such as taking the derivative of the spectral spectrum as a function.
  • the wavelength region to be predicted that is, reconstruction
  • the wavelength region to be regarded as the observed value are However, it is also possible to rearrange these wavelength regions in ascending or descending order of wavelength.
  • equation (3) includes unknown values ⁇ ( ⁇ 1 and ⁇ 2 ) and ⁇ ( ⁇ 12 and ⁇ 22 ), so these must be estimated from teacher data for practical use.
  • the estimated ⁇ and ⁇ may be the sample mean and sample variance of the training data, respectively.
  • the spectral reconstruction model is Equation (3). Therefore, when the spectroscopic spectrum reconstruction model is handled by a computer, the spectroscopic spectrum reconstruction model can be obtained from a program corresponding to the formula (3) and the specific parameters ⁇ 12 , ⁇ 12 and ⁇ 22 of the formula (3). will be constructed.
  • a first predetermined Figure 3 illustrates the steps of building a model to predict the amount of a given component based on the spectral spectrum of the wavelength range;
  • the model constructed in step 220 will be referred to as a "first component amount prediction model”.
  • the first component amount prediction model may be constructed by any method, including known methods, by using a plurality of model-building spectroscopic spectra and a plurality of model-building component amounts as teacher data.
  • FIG. 3 is a flowchart of another example process 300 in more detail that step 116 may include.
  • step 310 indicates steps similar to step 210 .
  • Fig. 3 shows the step of reconstructing a plurality of different model-building spectroscopic spectra in a first predetermined wavelength range
  • Fig. 4 illustrates the step of building a model for predicting the amount of a given component based on the spectroscopic spectrum of the first predetermined wavelength band;
  • the model constructed in step 330 will be referred to as a "second component quantity prediction model”.
  • Step 330 is similar to step 220 , except that the former uses the spectral spectrum reconstructed in step 320 while the latter uses the spectral spectrum measured in step 112 .
  • FIG. 4 is a flowchart of a more detailed exemplary process 400 that steps 210 and 310 may include.
  • 410 shows the step of calculating correlation coefficients of absorbance between wavelengths based on the plurality of model-building spectroscopic spectra (measured at 112) in the first predetermined wavelength range.
  • 420 indicates the step of determining a second predetermined wavelength band based on the calculated correlation coefficient.
  • FIG. 7 shows the correlation coefficient (absolute value) of the absorbance between wavelengths in the spectral spectrum of the wavelength range from 750 nm to 2500 nm (which may be referred to as the entire near-infrared region in the art) measured for a certain plant.
  • 7 is an example graph 700 representing as a heat map.
  • the vertical and horizontal axes of exemplary graph 700 correspond to wavelengths, and the color of each coordinate in exemplary graph 700 corresponds to the correlation coefficient (absolute value) between corresponding wavelengths. More specifically, the closer the correlation coefficient (absolute value) is to 1, the closer the coordinate color is to black. Therefore, the color of the coordinates whose correlation coefficient (absolute value) is 1 is black, and the color of the coordinates whose correlation coefficient is 0 is white.
  • the group from wavelength 710 to wavelength 720 has coordinates in the example graph 700 that are black or nearly black in color, and thus the absorbances in that group are strongly correlated.
  • the second predetermined wavelength range one including one or more, preferably two or more, more preferably three or more wavelengths selected from each of the one or more groups having such a strong correlation can be used. Although not limited, it is preferable to determine that there is a strong correlation when the correlation function (absolute value) is 0.9 or more.
  • FIG. 5 is a flowchart of a more detailed exemplary process 500 that step 124 may include.
  • step 510 shows the step of reconstructing the spectroscopic spectrum of the first predetermined wavelength band based on the spectroscopic spectrum of the second predetermined wavelength band (measured in step 122) using the spectroscopic spectral reconstruction model.
  • the component quantity prediction model in step 520 may be the first component quantity prediction model (built in step 220) or the second component quantity prediction model (built in step 330).
  • Another embodiment of the present invention is a method for predicting the amount of a given component contained in a plant that does not include model building step 110 of exemplary method 100 .
  • a model used in such a method may be a model pre-built by performing model building step 110 of exemplary method 100 .
  • Yet another embodiment of the invention is a system for predicting the amount of a given ingredient contained in a plant.
  • FIG. 6 is a block diagram of an exemplary system 600 for predicting the amount of a given ingredient contained in plants.
  • Exemplary system 600 may be computer-implemented.
  • the computer may be, for example, but not limited to, a personal computer, workstation, tablet, smart phone, virtual computer on the cloud. Accordingly, the following components included in exemplary system 600 may be realized through the cooperation of computer hardware resources and software.
  • 610 denotes a spectral spectrum input unit that receives an input of the spectral spectrum of the second predetermined wavelength range, which is a part of the first predetermined wavelength range, measured for the plant to be analyzed.
  • 620 predicts the amount of a predetermined component contained in the plant to be analyzed based on the spectroscopic spectrum of the second predetermined wavelength range (received as input by the spectroscopic spectrum input unit 610) using a model constructed in advance. It shows the component amount prediction unit to be used.
  • Reference numeral 630 denotes a model storage unit that stores pre-constructed models (used by the component amount prediction unit 620). It should be noted that the stored pre-built model may have been pre-built by performing model building step 110 of exemplary method 100 .
  • Yet another embodiment of the present invention is a program for predicting the amount of a given ingredient contained in a plant.
  • Such programs are a step of receiving an input of a spectroscopic spectrum in a second predetermined wavelength range, which is a part of the first predetermined wavelength range, measured for the plant to be analyzed (step 122 in FIG. 1); Using a model built in advance, a step of predicting the amount of a predetermined component contained in the plant to be analyzed based on the spectroscopic spectrum of the second predetermined wavelength range (received by the computer as an input) (step in FIG. 1 124).
  • pre-built model used by the computer may have been pre-built by performing the model building step 110 of the exemplary method 100 and stored in the computer's memory.
  • embodiments of the present invention include methods according to the above basic technical idea.
  • the NIR wavelength range to be measured was from 400 nm to 2499.5 nm, and the measurement pitch was 0.5 nm.
  • Content components to be measured were nicotine, starch, the total of fructose/glucose/sucrose, and the total of all sugars (corresponding to the above-described “predetermined component”).
  • predetermined component the total of all sugars
  • the NIR wavelength data was sampled every 5 nm, and the visible light region was deleted: that is, only the measured values at wavelengths 750 nm, 755 nm, ..., 2495 nm were used for analysis. There were samples in the NIR wavelength data that appeared to be outliers and were excluded from the modeling. Samples with missing values for content ratios of content components were also excluded. In addition, outlier samples obtained from the same individuals as those excluded samples were also excluded. A total of 4 samples from the yellow variety and 2 samples from the burley variety were excluded.
  • the 186 samples remaining after sample removal were divided into training data and test data. Specifically, for each combination of cultivar and placement, one sample was selected at each harvest time (week after core setting) as test data, and the rest were used as training data. It was designed so that samples obtained from the same individual would not be included in both training data and test data.
  • the prediction accuracy for the observed value to be predicted was used as the evaluation index.
  • the prediction R 2 P defined below was used. here are the observed value of the prediction target, the sample mean of the observed value of the prediction target, and the predicted value of the prediction target, respectively.
  • FIG. 10 shows the R 2 P of the measured waveform and the reconstructed waveform, that is, the absorbance at each wavelength included in the measured spectroscopic spectrum, which is the measured value, and the corresponding Fig . 1000 is a graph plotting the absorbance at each wavelength and the calculated R2P scatter as a predicted value.
  • the vertical axis of graph 1000 corresponds to the value of R2P .
  • the graph 1000 is three graphs plotting variations in R 2 P when the number of wavelength regions regarded as observed values (corresponding to the number of wavelengths included in the above-described second predetermined wavelength region) is changed. contains. That is, graphs 1010, 1020 and 1030 are graphs when the number of wavelength regions regarded as observed values is 3, 6 and 9, respectively.
  • FIG. 11 An example of this reconstruction result (corresponding to the above-mentioned “reconstructed spectral spectrum of the first predetermined wavelength band)” is shown in Fig. 11. This is an actual measured waveform (spectral spectrum of 750 nm to 2495 nm). 11) and waveforms reconstructed from six points of 750 nm, 1150 nm, 1350 nm, 1750 nm, 1950 nm, and 2350 nm (spectral spectrum; right graph 1120 in FIG. 11) are compared.
  • the vertical axis of 1110 and 1120 corresponds to the absorbance, and the horizontal axis corresponds to the wavelength.It can be seen that the waveforms have been reconstructed to such an extent that even from the six observation points, the difference cannot be discerned at first glance.
  • FIG. 12 is a bar graph 1200 representing the prediction accuracy (R 2 P ) of ingredient content.
  • Bar graph 1200 contains eight graphs. 1210, 1220, 1230 and 1240 respectively correspond to the amount of nicotine, the amount of starch, the total amount of fructose/glucose/sucrose, and the total amount of all sugars (corresponding to the above-mentioned "amount of predetermined component").
  • each graph corresponds to the prediction accuracy (R 2 P ) of the content of the content component
  • the three bars in each graph indicate from the left when the number of wavelength regions regarded as observed values is 3, 6 and 9. corresponds to It can be seen that the prediction accuracy improves as the number of wavelength regions regarded as observed values used for reconstruction increases. In particular, in the reconstruction from 9 points, good prediction accuracy of R 2 P ⁇ 0.7 is obtained for any component.
  • Ingredient amount Exemplary process 600 for predicting an exemplary system 700 for predicting the amount of a predetermined component contained in a plant Exemplary graphs 710 and 720 representing heat maps of absorbance correlation coefficients (absolute values) between wavelengths 710 and 720 wavelengths 1000... Graph plotting variations between actual measured values and predicted values for spectroscopic spectrum 1010...3-point prediction time 1020...6-point prediction time 1030...9-point prediction time 1110...actual measurement waveform of spectroscopic spectrum 1120...reconstruction of spectroscopic spectrum Waveform 1200... Bar graph representing the prediction accuracy of the contents of the contents 1210... Amount of nicotine 1220... Amount of starch 1230... Total amount of fructose/glucose/sucrose 1240... Total amount of all sugars

Abstract

植物について測定された限定された分光スペクトルに基づき、当該植物が含有する様々な所定の成分の量を予測する方法等を提供すること。　分析対象植物と同一種の複数のモデル構築用植物の各々について、第１所定波長域の分光スペクトルをモデル構築用分光スペクトルとして測定するステップ（１１２）と、前記複数のモデル構築用植物の各々が含有する所定の成分の量をモデル構築用成分量として測定するステップ（１１４）と、前記第１所定波長域の複数の前記モデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の一部である第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するためのモデルを構築するステップ（１１６）と、前記分析対象植物について、前記第２所定波長域の分析対象分光スペクトルを測定するステップ（１２２）と、構築された前記モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する前記所定の成分の量を予測するステップ（１２４）とを含む方法（１００）。

Description

植物が含有する所定の成分の量を予測する方法、システム及びプログラム
　本発明は、植物が含有する所定の成分の量を予測することに関する。より詳細には、本発明は、植物の分光スペクトルに基づき、当該植物が含有する所定の成分の量を予測することに関する。
　植物の含有成分を非破壊で測定するために、植物の反射光における近赤外領域の波長に対する吸光度を測定し、この測定値から植物含有成分を測定することが行われている（特許文献１）。
　また近年、タバコ等の植物の含有成分を衛星やドローン等からのリモートセンシングで当該植物の分光スペクトルを測定することにより、当該植物が含有する所定の成分の量を測定することが行われている。
特開平４－２０８８４２号公報
　上記の手法で植物が含有する成分量を測定する場合、通常の分光法による所望の分光スペクトル全体、例えば近赤外領域全体を測定しようとすると、機材の点数が増えてコストや重量が増加する、伝送するデータ量が多くなるといった問題がある。
　より詳細には、遠隔センシングにおいては、測定対象と測定器との距離に応じて程度は異なるものの、実験室環境で取得するような精密なスペクトルを取得することは極めて困難である。例えば人工衛星から地表をセンシングする場合を考える。単位面積あたりの光量が近接測定の場合と比して極めてわずかとなるため、分光時の解像度を下げざるを得ない。即ち特定の波長域における離散的な測定値のみが得られるということになる。また、データの伝送速度という観点からも、測定値の数を可能な限り小さくすることが望ましい。
　しかしながら、成分の量の予測に必要となる分光スペクトルの波長域は、対象化合物（成分）によって異なるという問題があった。また、限定された波長データ（分光スペクトル）のみが測定される場合、適用可能な前処理方法が限定されるといった問題があった。例えば、分光スペクトルを補間（関数データ化）し、一階微分係数を求めることでベースライン補正を行うといったことができないという問題があった。
　本発明は以上に鑑みてなされたものであり、その課題は、植物について測定された限定された分光スペクトルに基づき、当該植物が含有する様々な所定の成分の量を予測する方法等を提供することである。
　上記課題を解決するため、本発明の実施形態によれば、分析対象植物と同一種の複数のモデル構築用植物の各々について、第１所定波長域の分光スペクトルをモデル構築用分光スペクトルとして測定するステップと、前記複数のモデル構築用植物の各々が含有する所定の成分の量をモデル構築用成分量として測定するステップと、前記第１所定波長域の複数の前記モデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の一部である第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するためのモデルを構築するステップと、前記分析対象植物について、前記第２所定波長域の分析対象分光スペクトルを測定するステップと、構築された前記モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する前記所定の成分の量を予測するステップとを含む方法が提供される。
　一実施形態において、モデルを構築する前記ステップは、前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、前記第２所定波長域の分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成する分光スペクトル再構成モデルを構築するステップと、前記第１所定波長域の複数の前記モデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の分光スペクトルに基づき前記所定の成分の量を予測する第１成分量予測モデルを構築するステップとを含み、前記分析対象植物が含有する前記所定の成分の量を予測する前記ステップは、前記分光スペクトル再構成モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成するステップと前記第１成分量予測モデルを用いて、前記第１所定波長域の再構成された前記分光スペクトルに基づき前記分析対象植物が含有する前記所定の成分の量を予測するステップとを含むことができる。
　一実施形態において、モデルを構築する前記ステップは、前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、前記第２所定波長域の分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成する分光スペクトル再構成モデルを構築するステップと、前記分光スペクトル再構成モデルを用いて、前記第１所定波長域の複数の前記モデル構築用分光スペクトルのうちの前記第２所定波長域の複数の分光スペクトルに基づき前記第１所定波長域の複数の別のモデル構築用分光スペクトルを再構成するステップと、前記第１所定波長域の複数の再構成された前記別のモデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の分光スペクトルに基づき前記所定の成分の量を予測する第２成分量予測モデルを構築するステップとを含み、前記分析対象植物が含有する前記所定の成分の量を予測する前記ステップは、前記分光スペクトル再構成モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成するステップと前記第２成分量予測モデルを用いて、前記第１所定波長域の再構成された前記分光スペクトルに基づき前記分析対象植物が含有する前記所定の成分の量を予測するステップとを含むことができる。
　一実施形態において、分光スペクトル再構成モデルを構築する前記ステップは、前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、波長間の吸光度の相関係数を計算するステップと、計算された前記相関係数に基づき、前記第２所定波長域を決定するステップとを含むことができる。
　上記課題を解決するため、本発明の実施形態によれば、分析対象植物について、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルを測定するステップと、事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップとを含む方法であって、事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するためのモデルであり、前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、方法が提供される。
　上記課題を解決するため、本発明の実施形態によれば、分析対象植物について、第１所定波長域の一部である第２所定波長域の分光スペクトルを測定するステップと、前記第２所定波長域の測定された前記分光スペクトルに基づき、前記第１所定波長域の分光スペクトルを再構成するステップと前記第１所定波長域の再構成された前記分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップとを含む方法が提供される。
　一実施形態において、前記分析対象植物はタバコであってよい。
　一実施形態において、前記第１所定波長域は１以上の波長域から構成され、前記第２所定波長域は１以上の波長域から構成されていてよい。
　一実施形態において、前記第１所定波長域の分光スペクトルは、前記第１所定波長域に含まれる１以上の波長の各々における吸光度から構成され、前記第２所定波長域の分光スペクトルは、前記第２所定波長域に含まれる１以上の波長の各々における吸光度から構成されていてよい。
　一実施形態において、前記第１所定波長域は、近赤外領域全体を含んでいてよい。
　一実施形態において、前記所定の成分は、糖と、ニコチンと、炭水化物と、水とのうちの１以上を含んでいてよい。
　上記課題を解決するため、本発明の実施形態によれば、分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルの入力を受ける分光スペクトル入力部と、事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測する成分量予測部とを備えたシステムであって、事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するモデルであり、前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、システムが提供される。
　上記課題を解決するため、本発明の実施形態によれば、分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルの入力を受けるステップと、事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップとをコンピュータに実行させるプログラムであって、事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するモデルであり、前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、プログラムが提供される。
　本発明の実施形態によれば、植物について測定された１つの限定された分光スペクトルに基づき、当該植物が含有する様々な所定の成分の量を予測することができる。
　また、本発明の実施形態によれば、植物について測定された限定された分光スペクトルに基づき分光スペクトルを再構成したうえで植物が含有する所定の成分の量を予測することから、測定された分光スペクトルとは関連性の低い成分の量であっても予測することができ、また、成分量予測のために様々な前処理を利用することができる。
植物が含有する所定成分の量を予測するための例示方法のフローチャートである。 モデルを構築するための例示処理のフローチャートである。 モデルを構築するための例示処理のフローチャートである。 分光スペクトル再構成モデルを構築する際に実行され得る例示処理のフローチャートである。 成分量を予測するための例示処理のフローチャートである、 植物が含有する所定成分の量を予測するための例示システムのブロック図である。 波長間の吸光度の相関係数（絶対値）をヒートマップとして表す例示グラフである。 実験に用いたデータの要約を表している。 実験要因と水準を表している。 分光スペクトルについての実測値と予測値とのバラツキをプロットしたグラフである。 分光スペクトルの実測波形及び再構成波形である 内容成分含有量の予測精度を表す棒グラフである。
　　１　本発明の実施形態
　本発明の実施形態は、植物が含有する所定成分の量を予測するための方法である。
　図１は、植物が含有する所定成分の量を予測するための例示方法１００のフローチャートである。なお、植物は、例えばタバコ、より詳細にはニコチアナ・タバカム（バーレー種や黄色種等の複数の種があるが、その種の別を問わない。）であるが、これに限定されるわけではない。また、所定成分は、例えば糖と、ニコチンと、炭水化物と、水とのうちの１以上であってよいが、これらに限定されるわけではない。
　例示方法１００は、概して、モデル構築ステップ１１０と、構築したモデルを用いた成分量予測ステップ１２０とに分けられる。
　１１２は、モデル構築ステップ１１０に含まれる、複数のモデル構築用植物の各々について、第１所定波長域の分光スペクトルを測定するステップを示している。以下、ステップ１１２において測定された分光スペクトルを「モデル構築用分光スペクトル」という。なお、モデル構築用分光スペクトルは、後述するモデルを構築するための１つ目の教師データとして用いられるものである。
　分光スペクトルの測定手法は任意であり、分光スペクトルは公知の手法を用いて測定することができる。
　第一所定波長域は、例えば、近赤外領域全体であってよいが、これに限定されるわけではない。第一所定波長域は、１つの連続した波長域から構成されてもよいし、複数の連続した波長域（波長域同士は不連続）から構成されてもよい。
　第１所定波長域の分光スペクトルは、第１所定波長域に含まれる１以上の波長の各々における吸光度から構成されてよい。換言すれば、第１所定波長域の分光スペクトルを測定することは、第１所定波長域に含まれる１以上の波長の各々における吸光度を測定すること、即ち、連続的なデータではなく離散的なデータを取得することであってよい。なお、吸光度が測定される波長のピッチは、細かいほど精度が向上するため、好ましくは２０ｎｍ以下であり、より好ましくは１０ｎｍ以下であってよいが、これらに限定されるわけではない。
　複数のモデル構築用植物は、好ましくは、後述する分析対象植物と同一種の植物である。複数のモデル構築用植物は、より好ましくは、分析対象植物と同一種且つ同一産地の植物である。なお、複数とは、後述の第２所定波長域の分光スペクトルに基づき所定の成分の量を予測するためのモデルを構築できる数であればよいが、少なくとも２以上であり、好ましくは１０以上、２０以上、３０以上、４０以上、５０以上であり、より好ましくは６０以上であり、数が多い程精度が向上する。また、１つの個体から複数のサンプルを取得する態様であってもよい。
　１１４は、モデル構築ステップ１１０に含まれる、上記複数のモデル構築用植物の各々が含有する所定の成分の量を測定するステップを示している。以下、ステップ１１４において測定された所定の成分の量を「モデル構築用成分量」という。なお、モデル構築用成分量は、後述するモデルを構築するための２つ目の教師データとして用いられるものである。また、ステップ１１４は、ステップ１１２の前に実行されてもよいし、ステップ１１２と並行して実行されてもよい。
　植物が含有する所定の成分の量は、植物の一部のみから測定してよい。例えば、植物がタバコである場合、タバコである植物の葉が含有する所定の成分の量を植物が含有する所定の成分の量としてよい。
　所定の成分の量を測定する手法は任意であり、所定の成分の量は、当該所定の成分の種類に応じた公知の手法を用いて測定することができる。以下、植物がタバコである場合について例示する。
　例えば、タバコの葉に含まれるニコチンの含有量の測定（定量）については、ドイツ標準化機構ＤＩＮ　１０３７３に準ずる方法で行うことができる。即ち、たばこ組成物を２５０ｍｇ採取し、１１％水酸化ナトリウム水溶液７．５ｍＬとヘキサン１０ｍＬを加え、６０分間振とう抽出し、抽出後、上澄みであるヘキサン相をガスクロマトグラフ質量分析計（ＧＣ／ＭＳ）に供し、葉たばこに含まれるニコチン重量を定量することができる。
　例えば、タバコの葉が含有する澱粉の量の測定については、Ｆ－ｋｉｔ（Ｒｏｃｈｅ社）を用いた酵素法により、吸光度を測定する方法で行うことができる。
　例えば、タバコの葉が含有するフルクトース・グルコース・スクロースの三糖の合計量の測定は、液体クロマトグラフ（ＨＰＬＣ）を用いて行うことができる。即ち、粉砕した葉たばこに50％アセトニトリルを加えて抽出処理を行い、得られた上清をＨＰＬＣに供し、検出器としては示差屈折率検出器（ＲＩＤ）を使用することができる
　１１６は、モデル構築ステップ１１０に含まれる、第１所定波長域の複数のモデル構築用分光スペクトルと、複数のモデル構築用成分量とに基づき、第２所定波長域の分光スペクトルに基づき所定の成分の量を予測するためのモデルを構築するステップを示している。
　第２所定波長域は、第１所定波長域の一部である。第２所定波長域は、１つの連続した波長域から構成されてもよいし、複数の連続した波長域（波長域同士は不連続）から構成されてもよい。
　第２所定波長域の分光スペクトルは、第２所定波長域に含まれる１以上の波長の各々における吸光度から構成されてよい。換言すれば、第２所定波長域の分光スペクトルに基づき予測することは、第２所定波長域に含まれる１以上の波長の各々における吸光度に基づき予測すること、即ち、連続的なデータではなく離散的なデータに基づき予測することであってよい。
　限定されるものではないが、第２所定波長域に含まれる上記１以上の波長は、３点以上であり、好ましくは５点、６点、７点、８点であり、より好ましくは９点以上である。
　１２２は、成分量予測ステップ１２０に含まれる、分析対象植物について、第２所定波長域の分光スペクトルを測定するステップを示している。以下、ステップ１２２において測定された分光スペクトルを「分析対象分光スペクトル」という。なお、分析対象分光スペクトルは、モデル構築用分光スペクトルの測定と同一手法により測定されることが好ましい。
　なお、ステップ１２２は、分析対象植物について測定された第２所定波長域の分光スペクトルを入力として受けるステップであってもよい。
　１２４は、成分量予測ステップ１２０に含まれる、構築されたモデルを用いて、第２所定波長域の分析対象分光スペクトルに基づき、分析対象植物が含有する所定の成分の量を予測するステップを示している。
　　１－１　ステップ１１６について
　図２は、ステップ１１６が含むことのできるより詳細な例示処理２００のフローチャートである。
　２１０は、第１所定波長域の複数のモデル構築用分光スペクトル（ステップ１１２において測定されたもの）に基づき、第２所定波長域の分光スペクトルに基づき第１所定波長域の分光スペクトルを再構成するモデルを構築するステップを示している。以下、ステップ２１０（及び後述するステップ３１０）において構築されるモデルを「分光スペクトル再構成モデル」という。
　分光スペクトル再構成モデルは、複数のモデル構築用分光スペクトルを教師データとして用いることにより構築してよい。再構成モデル構築にあたっては、再構成対象の波長ごとに異なる手法を用いてもよく、一つの手法で同時に複数の波長を再構成してもよい。再構成モデルは、公知の機械学習の手法（例えば、多変量回帰分析モデルやＡｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｋ　Ｎｅｔｗｏｒｋ、Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ、Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｔｒｅｅ、正則化回帰モデル（Ｌａｓｓｏ、Ｒｉｄｇｅ、Ｅｌａｓｔｉｃ　ｎｅｔ等）、Ｂａｇｇｉｎｇ、Ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｒｅｇｒｅｓｓｉｏｎ、Ｋｅｒｎｅｌ　ｒｅｇｒｅｓｓｉｏｎ、Ｓｐｌｉｎｅ　ｒｅｇｒｅｓｓｉｏｎ、Ｇａｕｓｓｉａｎ　ｐｒｏｃｅｓｓ　ｒｅｇｒｅｓｓｉｏｎであってよいが、これらに限定されるわけではない。）を含む任意の手法により構築されてよいが、以下、その例示の手法について説明する。
　例示手法は、観測とみなす波長域を確率変数として扱え、かつ、予測誤差の理論値が陽に表現できかつその計算が容易な、多次元正規分布の条件付き分布に関するよく知られた公式を利用したものである。
　平均がμ１であり、分散がΣ１１であるｐ１×１確率ベクトルＸ１と、平均がμ２であり、分散がΣ２２であるｐ２×１確率ベクトルＸ２を考える。また、Ｘ１とＸ２の共分散をΣ１２で表し、Ｘ２とＸ１の共分散をΣ２１で表す。なおΣ２１はΣ１２の転置行列にあたる。このとき、
Figure JPOXMLDOC01-appb-M000001
 であれば、即ち、Ｘが多次元正規分布に従うのであれば、Ｘ２を任意の値ａに条件づけた
Figure JPOXMLDOC01-appb-M000002
 について、
Figure JPOXMLDOC01-appb-M000003
 が成立する。この式における条件付き平均を用いることで、Ｘ中の一部の値Ｘ２のみを観測した状況における、残りの要素Ｘ１の値を点予測することができる。
Figure JPOXMLDOC01-appb-M000004
 ここで、式（３）における
Figure JPOXMLDOC01-appb-M000005
 は、再構成された残りの要素Ｘ１である。
　今、Ｘが第１所定波長域のモデル構築用分光スペクトルを表すものとし、Ｘ２が観測値とみなす波長域即ち第１所定波長域のモデル構築用分光スペクトルのうちの第２所定波長域の分光スペクトルを表し、Ｘ１が予測（即ち再構成）対象の波長域即ち第１所定波長域のモデル構築用分光スペクトルのうちの第２所定波長域以外の波長域の分光スペクトルを表すものとする。すると、再構成された
Figure JPOXMLDOC01-appb-M000006
 は全波長即ち第１所定波長域の分光スペクトルを含む完全データとみなすことができるため、例えば、第所定波長域を近赤外領域全体とした場合、近赤外領域全体を用いた成分量予測モデルを用いることができるようになる。なお、記法Ａ’はＡの転置を意味し、ｎ行ｍ列の行列Ａに対してＡの（ｉ，ｊ）要素と（ｊ，ｉ）要素を入れ替えてできるｍ行ｎ列の行列のことである。なおベクトルはｎまたはｍが１である行列とみなしうるため、この記法はそれぞれ縦ベクトルから横ベクトル、もしくは横ベクトルから縦ベクトルへと変換する操作を与える。また、
Figure JPOXMLDOC01-appb-M000007
 が波長について滑らかであるという前提は必要となるが、分光スペクトルを関数とみなした上での微分係数をとるといった前処理も容易に適用できることになる。本説明においては記法の都合上、予測（即ち再構成）対象の波長域と観測値とみなす波長域とが
Figure JPOXMLDOC01-appb-M000008
 となっていると記したが、これらの波長域を波長の昇順ないし降順で並び替えることも可能である。
　なお、式（３）には未知の値μ（μ１及びμ２）並びにΣ（Σ１２及びΣ２２）が含まれているため、実用に際してはこれらをそれぞれ教師データから推定する必要がある。推定されるμ及びΣは、それぞれ、教師データの標本平均と標本分散とであってよい。
　上に説明した例示手法でいうならば、分光スペクトル再構成モデルとは、数式（３）のことである。従って、分光スペクトル再構成モデルをコンピュータで扱う場合、当該分光スペクトル再構成モデルは、数式（３）に対応するプログラムと、数式（３）の具体的なパラメータμ１２、Σ１２及びΣ２２とから構成されるであろう。
　２２０は、第１所定波長域の複数のモデル構築用分光スペクトル（ステップ１１２において測定されたもの）と、複数のモデル構築用成分量（ステップ１１４において測定されたもの）とに基づき、第１所定波長域の分光スペクトルに基づき所定の成分の量を予測するモデルを構築するステップを示している。以下、ステップ２２０において構築されるモデルを「第１成分量予測モデル」という。
　第１成分量予測モデルは、複数のモデル構築用分光スペクトル及び複数のモデル構築用成分量を教師データとして用いることにより、公知の手法を含む任意の手法により構築されたものであってよい。
　図３は、ステップ１１６が含むことのできるより詳細な別の例示処理３００のフローチャートである。
　３１０は、ステップ２１０と同様のステップを示している。
　３２０は、分光スペクトル再構成モデルを用いて、第１所定波長域の複数のモデル構築用分光スペクトル（ステップ１１２において測定されたもの）に含まれる第２所定波長域の複数の分光スペクトルに基づき、第１所定波長域の複数の別のモデル構築用分光スペクトルを再構成するステップを示している。
　３３０は、第１所定波長域の複数の別のモデル構築用分光スペクトル（ステップ３２０において再構成されたもの）と、複数のモデル構築用成分量（ステップ１１４において測定されたもの）とに基づき、第１所定波長域の分光スペクトルに基づき所定の成分の量を予測するモデルを構築するステップを示している。以下、ステップ３３０において構築されるモデルを「第２成分量予測モデル」という。
　ステップ３３０はステップ２２０と類似しているが、前者がステップ３２０において再構成された分光スペクトルを用いるのに対し、後者がステップ１１２において測定された分光スペクトルを用いる点で相違する。
　　１－２　ステップ２１０及び３１０について
　図４は、ステップ２１０及び３１０が含むことのできるより詳細な例示処理４００のフローチャートである。
　４１０は、第１所定波長域の複数のモデル構築用分光スペクトル（１１２において測定されたもの）に基づき、波長間の吸光度の相関係数を計算するステップを示している。
　４２０は、計算された相関係数に基づき、第２所定波長域を決定するステップを示している。
　例示処理４００について、図７を用いて説明する。図７は、ある植物について測定された７５０ｎｍから２５００ｎｍの波長域（当業において近赤外領域全体として参照される場合がある。）の分光スペクトルにおける波長間の吸光度の相関係数（絶対値）をヒートマップとして表す例示グラフ７００である。例示グラフ７００の縦軸及び横軸は波長に対応し、例示グラフ７００内の各座標の色は、対応する波長間の相関係数（絶対値）に対応する。より詳細には、相関係数（絶対値）が１に近いほど、座標の色は黒に近くなっている。従って、相関係数（絶対値）が１である座標の色は黒であり、０である座標の色は白である。
　例示グラフ７００から明らかなように、上記波長域には、吸光度に強い相関を有する波長のグループが存在する。例えば、７１０で示す波長から７２０で示す波長までのグループは例示グラフ７００において座標の色が黒又は黒に近く、よって当該グループにおける吸光度は強い相関を有している。
　第２所定波長域としては、このような強い相関を有する１以上のグループの各々から選択された１以上、好ましくは２以上、より好ましくは３以上の波長を含むものを用いることができる。また、限定されるものではないが、相関関数（絶対値）が０．９以上である場合に強い相関を有すると判定することが好ましい。
　　１－３　ステップ１２４について
　図５は、ステップ１２４が含むことのできるより詳細な例示処理５００のフローチャートである。
　５１０は、分光スペクトル再構成モデルを用いて、第２所定波長域の分析対象分光スペクトル（ステップ１２２において測定されたもの）に基づき、第１所定波長域の分光スペクトルを再構成するステップを示している。
　５２０は、成分量予測モデルを用いて、第１所定波長域の分光スペクトル（ステップ５１０において再構成されたもの）に基づき、分析対象植物が含有する所定成分の量を予測するステップを示している。ステップ５２０における成分量予測モデルは、第１成分量予測モデル（ステップ２２０において構築されたもの）又は第２成分量予測モデル（ステップ３３０において構築されたもの）であってよい。
　　２　本発明の別の実施形態
　　２－１　別実施形態その１
　本発明の別の実施形態は、植物が含有する所定成分の量を予測するための方法であって、例示方法１００のうちのモデル構築ステップ１１０を含まないものである。そのような方法において用いられるモデルは、例示方法１００のうちのモデル構築ステップ１１０を実行することにより事前に構築されたモデルであってよい。
　　２－２　別実施形態その２
　本発明のまた別の実施形態は、植物が含有する所定成分の量を予測するためのシステムである。
　図６は、植物が含有する所定成分の量を予測するための例示システム６００のブロック図である。例示システム６００はコンピュータにより実現されてよい。コンピュータは、例えば、パーソナル・コンピュータやワークステーション、タブレット、スマートフォン、クラウド上の仮想コンピュータであってよいが、これらに限定されるわけではない。従って、例示システム６００が含む以下の構成要素は、コンピュータのハードウエア資源とソフトウエアとの協働により実現されたものであってよい。
　６１０は、分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分光スペクトルの入力を受ける分光スペクトル入力部を示している。
　６２０は、事前に構築されたモデルを用いて、第２所定波長域の分光スペクトル（分光スペクトル入力部６１０が入力として受けたもの）に基づき、分析対象植物が含有する所定の成分の量を予測する成分量予測部を示している。
　６３０は、事前に構築されたモデル（成分量予測部６２０が用いるもの）を記憶するモデル記憶部を示している。なお、記憶される事前に構築されたモデルは、例示方法１００のうちのモデル構築ステップ１１０を実行することにより事前に構築されたものであってよい。
　　２－３　別実施形態その３
　本発明の更にまた別の実施形態は、植物が含有する所定成分の量を予測するためのプログラムである。そのようなプログラムは、コンピュータに、
　　分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分光スペクトルの入力を受けるステップ（図１のステップ１２２）と、
　　事前に構築されたモデルを用いて、第２所定波長域の分光スペクトル（コンピュータが入力として受けたもの）に基づき、分析対象植物が含有する所定の成分の量を予測するステップ（図１のステップ１２４）と
を実行させるものであってよい。
　なお、コンピュータが用いる事前に構築されたモデルは、例示方法１００のうちのモデル構築ステップ１１０を実行することにより事前に構築され、コンピュータのメモリに記憶されたものであってよい。
　　２－４　別実施形態その４
　本発明の基本的な技術思想は、
　　分析対象植物について、第１所定波長域の一部である第２所定波長域の分光スペクトルを測定し、
　　第２所定波長域の測定された前記分光スペクトルに基づき、第１所定波長域の分光スペクトルを再構成し、
　　第１所定波長域の再構成された分光スペクトルに基づき、分析対象植物が含有する所定の成分の量を予測する
というものである。
　従って、本発明の実施形態は、上記基本的な技術思想に従う方法を含む。
　　３　本発明に係る実験結果について
　以下、本発明の実施形態により植物が含有する所定成分の量を予測した実験結果について説明する。
　　３－１　データ
　２０１８年に作付け収穫されたタバコ（上述した所定成分の量を予測する「植物」に対応する。）の生葉データを用いた。以下にデータ構造の詳細を記す。
　黄色種５０個体（品種名：Ｋ３２６）、バーレー種４５個体（品種名：ＴＮ９０）が作付けされた。芯止め直後から１週間ごとに５個体ずつ収穫された。このため黄色種は芯止め後９週まで、バーレー種は芯止め後８週までのデータとなる。各個体について本葉系と中葉系の二種の着位にある生葉を対象とし、ＮＩＲ（近赤外）波長スペクトル（吸光度）（上述した「第１所定波長域の分光スペクトル」に対応する。）の測定、内容成分の分析が行われた。測定対象ＮＩＲ波長域は４００ｎｍから２４９９．５ｎｍであり、測定ピッチは０．５ｎｍであった。測定対象の内容成分はニコチン、澱粉、フルクトース・グルコース・スクロースの合計、全糖類の合計（上述した「所定成分」に相当する。）であった。なおモデリングに際しては、内容成分の定量値そのものではなくドライベースの含有割合が用いられた。
　計算負荷の低減のため、５ｎｍごとにＮＩＲ波長データをサンプリングし、加えて可視光領域を削除した: 即ち、波長７５０ｎｍ，７５５ｎｍ，…，２４９５ｎｍにおける測定値のみが解析に用いられた。ＮＩＲ波長データには外れ値と思われるサンプルが見受けられたため、それらはモデリングから除外した。また、内容成分の含有割合に欠損値があるサンプルも除外した。加えて、それら除外されたサンプルと同一の個体から得られた別着位のサンプルも除外された。合計で黄色種から４サンプル、バーレー種から２サンプルが除外された。
　サンプル除去を経て残った１８６サンプルを訓練データとテストデータに分割した。具体的には、品種と着位の組み合わせそれぞれについて、収穫時点(芯止め後週) 別に１サンプルずつ選びテストデータとし、残りを訓練データとした。なお、同一個体から得られたサンプルが、訓練データとテストデータの両方に含まれることはないように設計した。　　　
　これらのデータ分割の詳細を図８にまとめた。
　　３－２　方法
　　３－２－１　実験要因と水準
　図９に実験要因と水準をまとめてある。
　　３－２－２　ＮＩＲデータの前処理
　所定の手法により平滑化を行い、その２階微分係数を求めた。平滑化には３次の多項式を用い、ウィンドウサイズは９とした。
　　３－２－３　モデリング手法（ＮＩＲ測定値から成分含有量を予測するモデル（上述した「分光スペクトル再構成モデル」及び「成分量予測モデル」に対応する。）の構築に用いた手法）
　非線形関係を表現可能なＣａｔＢｏｏｓｔをモデリング手法として用いた。損失関数として後述する式（４）で定義されるＲ２ Ｐを用いた。評価指標としてＲ２ Ｐが指定された以外のすべての設定は、後述する使用したパッケージのデフォルト値が用いられた。
　　３－２－４　計算環境
　全ての計算はオープンソースの統計解析環境Ｒ上で行われた。ＮＩＲデータの前処理にはｐｒｏｓｐｅｃｔｒパッケージ（ｖｅｒｓｉｏｎ　０．２０）中のｓａｖｉｔｚｋｙＧｏｌａｙ関数により行われた。ＣａｔＢｏｏｓｔの学習及び予測値の計算はｃａｔｂｏｏｓｔパッケージ（ｖｅｒｓｉｏｎ　０．２４）により行われた。
　　３－２－５　評価指標
　予測対象の観測値に対する予測精度を評価指標とした。予測精度の指標は下記で定義される予測Ｒ２ Ｐを用いた。
Figure JPOXMLDOC01-appb-M000009
 ここで
Figure JPOXMLDOC01-appb-M000010
 はそれぞれ予測対象の実測値、予測対象の実測値の標本平均、予測対象の予測値である。
　　３－３　結果
　図１０は、実測波形と再構成された波形とのＲ２ Ｐ、即ち、測定された分光スペクトルが含む各波長の吸光度を実測値とし、再構成された分光スペクトルが含む対応する各波長の吸光度と予測値として計算されたＲ２ Ｐのバラツキをプロットしたグラフ１０００である。グラフ１０００の縦軸はＲ２ Ｐの値に対応する。また、グラフ１０００は、観測値とみなした波長域の数（上述した第２所定波長域が含む波長の数に対応する。）を変化させたときのＲ２ Ｐのバラツキをプロットした３つのグラフを含んでいる。即ち、グラフ１０１０、１０２０及び１０３０は、それぞれ、観測値とみなした波長域の数が３、６及び９であるときのグラフである。観測値とみなした波長域の数が増えるにつれ、再構成の精度が向上することがわかる。また、この再構成結果（上述した「第１所定波長域の再構成された分光スペクトル）に対応する。）の一例を図１１に記した。これは７５０ｎｍ～２４９５ｎｍの実測波形（分光スペクトル。図１１における左のグラフ１１１０。）と７５０ｎｍ，１１５０ｎｍ，１３５０ｎｍ，１７５０ｎｍ，１９５０ｎｍ，２３５０ｎｍの６点から再構成した波形（分光スペクトル。図１１における右のグラフ１１２０。）を比較している。なお、グラフ１１１０及び１１２０の縦軸は吸光度、横軸は波長に対応する。６点の観測点からでも一見しただけでは違いがわからない程度に波形を再構成できていることが見て取れる。
　図１２は、内容成分含有量の予測精度（Ｒ２ Ｐ)を表す棒グラフ１２００である。棒グラフ１２００は８つのグラフを含んでいる。１２１０、１２２０、１２３０及び１２４０は、それぞれ、ニコチンの量、澱粉の量、フルクトース・グルコース・スクロースの合計量、全糖類の合計量（上述した「所定成分の量」に相当する。）に対応する２つのグラフである。各２つのグラフの上段はモデル構築時に分光スペクトルの再構成を行わなかった場合（上述した例示処理２００によりモデルを構築した場合に対応する。）に対応し、下段はモデル構築時に分光スペクトルの再構成を行った場合（上述した例示処理３００によりモデルを構築した場合に対応する。）に対応する。各グラフの縦軸は内容成分含有量の予測精度（Ｒ２ Ｐ)に対応し、各グラフの３つのバーは、左から観測値とみなした波長域の数が３、６及び９であるときに対応する。再構成に使用する観測値とみなす波長域の数が増えるにつれ、予測精度が向上することがわかる。特に９点からの再構成では、どの成分でもＲ２ Ｐ≧０．７という良好な予測精度が得られている。
　　４　終わりに
　ここまで本発明の実施形態について説明してきたが、本発明は上述の実施形態に限定されず、その技術的思想の範囲内において種々異なる形態にて実施されてよいことは言うまでもない。
　また、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらすすべての実施形態をも含む。さらに、本発明の範囲は、各請求項により画される発明の特徴の組み合わせに限定されるものではなく、すべての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画されうる。
１００…植物が含有する所定成分の量を予測するための例示方法
２００、３００…モデルを構築するための例示処理
４００…分光スペクトル再構成モデルを構築する際に実行され得る例示処理
５００…成分量を予測するための例示処理
６００…植物が含有する所定成分の量を予測するための例示システム
７００…波長間の吸光度の相関係数（絶対値）をヒートマップとして表す例示グラフ
７１０、７２０…波長
１０００…分光スペクトルについての実測値と予測値とのバラツキをプロットしたグラフ
１０１０…３点予測時
１０２０…６点予測時
１０３０…９点予測時
１１１０…分光スペクトルの実測波形
１１２０…分光スペクトルの再構成波形
１２００…内容成分含有量の予測精度を表す棒グラフ
１２１０…ニコチンの量
１２２０…澱粉の量
１２３０…フルクトース・グルコース・スクロースの合計量
１２４０…全糖類の合計量

Claims (13)

  1. 　分析対象植物と同一種の複数のモデル構築用植物の各々について、第１所定波長域の分光スペクトルをモデル構築用分光スペクトルとして測定するステップと、
    　前記複数のモデル構築用植物の各々が含有する所定の成分の量をモデル構築用成分量として測定するステップと、
    　前記第１所定波長域の複数の前記モデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の一部である第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するためのモデルを構築するステップと、
    　前記分析対象植物について、前記第２所定波長域の分析対象分光スペクトルを測定するステップと、
    　構築された前記モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する前記所定の成分の量を予測するステップと
    を含む方法。
  2. 請求項１に記載の方法であって、
    　モデルを構築する前記ステップは、
    　　前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、前記第２所定波長域の分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成する分光スペクトル再構成モデルを構築するステップと、
    　　前記第１所定波長域の複数の前記モデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の分光スペクトルに基づき前記所定の成分の量を予測する第１成分量予測モデルを構築するステップと
    を含み、
    　前記分析対象植物が含有する前記所定の成分の量を予測する前記ステップは、
    　　前記分光スペクトル再構成モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成するステップと
    　　前記第１成分量予測モデルを用いて、前記第１所定波長域の再構成された前記分光スペクトルに基づき前記分析対象植物が含有する前記所定の成分の量を予測するステップと
    を含む、
    方法。
  3. 請求項１に記載の方法であって、
    　モデルを構築する前記ステップは、
    　　前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、前記第２所定波長域の分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成する分光スペクトル再構成モデルを構築するステップと、
    　　前記分光スペクトル再構成モデルを用いて、前記第１所定波長域の複数の前記モデル構築用分光スペクトルのうちの前記第２所定波長域の複数の分光スペクトルに基づき前記第１所定波長域の複数の別のモデル構築用分光スペクトルを再構成するステップと、
    　　前記第１所定波長域の複数の再構成された前記別のモデル構築用分光スペクトルと複数の前記モデル構築用成分量とに基づき、前記第１所定波長域の分光スペクトルに基づき前記所定の成分の量を予測する第２成分量予測モデルを構築するステップと
    を含み、
    　前記分析対象植物が含有する前記所定の成分の量を予測する前記ステップは、
    　　前記分光スペクトル再構成モデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき前記第１所定波長域の分光スペクトルを再構成するステップと
    　　前記第２成分量予測モデルを用いて、前記第１所定波長域の再構成された前記分光スペクトルに基づき前記分析対象植物が含有する前記所定の成分の量を予測するステップと
    を含む、
    方法。
  4. 請求項２又は３に記載の方法であって、
    　分光スペクトル再構成モデルを構築する前記ステップは、
    　　前記第１所定波長域の複数の前記モデル構築用分光スペクトルに基づき、波長間の吸光度の相関係数を計算するステップと、
    　　計算された前記相関係数に基づき、前記第２所定波長域を決定するステップと
    を含む、
    方法。
  5. 　分析対象植物について、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルを測定するステップと、
    　事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップと
    を含む方法であって、
    　事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するためのモデルであり、
    　前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、
    　前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、
    方法。
  6. 　分析対象植物について、第１所定波長域の一部である第２所定波長域の分光スペクトルを測定するステップと、
    　前記第２所定波長域の測定された前記分光スペクトルに基づき、前記第１所定波長域の分光スペクトルを再構成するステップと
    　前記第１所定波長域の再構成された前記分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップと
    を含む方法。
  7. 請求項１から６のうちの何れか一項に記載の方法であって、
    　前記分析対象植物はタバコである、
    方法。
  8. 請求項１から７のうちの何れか一項に記載の方法であって、
    　前記第１所定波長域は１以上の波長域から構成され、
    　前記第２所定波長域は１以上の波長域から構成される、
    方法。
  9. 請求項１から８のうちの何れか一項に記載の方法であって、
    　前記第１所定波長域の分光スペクトルは、前記第１所定波長域に含まれる１以上の波長の各々における吸光度から構成され、
    　前記第２所定波長域の分光スペクトルは、前記第２所定波長域に含まれる１以上の波長の各々における吸光度から構成される、
    方法。
  10. 請求項１から９のうちの何れか一項に記載の方法であって、
    　前記第１所定波長域は、近赤外領域全体を含む、
    方法。
  11. 請求項１から１０のうちの何れか一項に記載の方法であって、
    　前記所定の成分は、
    　　糖と、
    　　ニコチンと、
    　　炭水化物と、
    　　水と
    のうちの１以上を含む、
    方法。
  12. 　分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルの入力を受ける分光スペクトル入力部と、
    　事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測する成分量予測部と
    を備えたシステムであって、
    　事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するモデルであり、
    　前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、
    　前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、
    システム。
  13. 　分析対象植物について測定された、第１所定波長域の一部である第２所定波長域の分析対象分光スペクトルの入力を受けるステップと、
    　事前に構築されたモデルを用いて、前記第２所定波長域の前記分析対象分光スペクトルに基づき、前記分析対象植物が含有する所定の成分の量を予測するステップと
    をコンピュータに実行させるプログラムであって、
    　事前に構築された前記モデルは、複数のモデル構築用分光スペクトルと複数のモデル構築用成分量とに基づき構築された、前記第２所定波長域の分光スペクトルに基づき前記所定の成分の量を予測するモデルであり、
    　前記複数のモデル構築用分光スペクトルの各々は、前記分析対象植物と同一種の複数のモデル構築用植物の各々について測定された、前記第１所定波長域の分光スペクトルであり、
    　前記複数のモデル構築用成分量の各々は、前記複数のモデル構築用植物の各々について測定された、前記所定の成分の含有量である、
    プログラム。
PCT/JP2021/048486 2021-12-27 2021-12-27 植物が含有する所定の成分の量を予測する方法、システム及びプログラム WO2023126996A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048486 WO2023126996A1 (ja) 2021-12-27 2021-12-27 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048486 WO2023126996A1 (ja) 2021-12-27 2021-12-27 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Publications (1)

Publication Number Publication Date
WO2023126996A1 true WO2023126996A1 (ja) 2023-07-06

Family

ID=86998296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/048486 WO2023126996A1 (ja) 2021-12-27 2021-12-27 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Country Status (1)

Country Link
WO (1) WO2023126996A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1137935A (ja) * 1997-07-18 1999-02-12 Fuji Electric Co Ltd 下水中の複数成分定量方法とその装置
JPH11203443A (ja) * 1998-01-19 1999-07-30 Hitachi Ltd マルチスペクトル衛星画像の処理方法と処理システム並びに水圏評価方法
WO2007129648A1 (ja) * 2006-05-02 2007-11-15 Yamaguchi University 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム
WO2016027566A1 (ja) * 2014-08-20 2016-02-25 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2019148583A (ja) * 2018-01-26 2019-09-05 ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 誤検知を減少させた分光学的定量化のための識別
JP2019220176A (ja) * 2018-06-15 2019-12-26 大学共同利用機関法人情報・システム研究機構 画像処理装置及び方法
JP2021527228A (ja) * 2018-08-01 2021-10-11 キューセル ピー．シー．Ｑｃｅｌｌ Ｐ．Ｃ． ハイブリッドスペクトルイメージャ

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1137935A (ja) * 1997-07-18 1999-02-12 Fuji Electric Co Ltd 下水中の複数成分定量方法とその装置
JPH11203443A (ja) * 1998-01-19 1999-07-30 Hitachi Ltd マルチスペクトル衛星画像の処理方法と処理システム並びに水圏評価方法
WO2007129648A1 (ja) * 2006-05-02 2007-11-15 Yamaguchi University 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム
WO2016027566A1 (ja) * 2014-08-20 2016-02-25 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2019148583A (ja) * 2018-01-26 2019-09-05 ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 誤検知を減少させた分光学的定量化のための識別
JP2019220176A (ja) * 2018-06-15 2019-12-26 大学共同利用機関法人情報・システム研究機構 画像処理装置及び方法
JP2021527228A (ja) * 2018-08-01 2021-10-11 キューセル ピー．シー．Ｑｃｅｌｌ Ｐ．Ｃ． ハイブリッドスペクトルイメージャ

Similar Documents

Publication Publication Date Title
Fu et al. Hyperspectral leaf reflectance as proxy for photosynthetic capacities: An ensemble approach based on multiple machine learning algorithms
Fang et al. Integration of MODIS LAI and vegetation index products with the CSM–CERES–Maize model for corn yield estimation
Feilhauer et al. Brightness-normalized partial least squares regression for hyperspectral data
Li et al. Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral
Darvishzadeh et al. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements
Cheng et al. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis
Féret et al. Optimizing spectral indices and chemometric analysis of leaf chemical properties using radiative transfer modeling
Herrmann et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands
Thorp et al. Estimating crop biophysical properties from remote sensing data by inverting linked radiative transfer and ecophysiological models
Cheng et al. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis
Munier-Jolain et al. A 3D model for light interception in heterogeneous crop: weed canopies: model structure and evaluation
Li et al. A hierarchical interannual wheat yield and grain protein prediction model using spectral vegetative indices and meteorological data
Sharabian et al. Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis
Waldner et al. High temporal resolution of leaf area data improves empirical estimation of grain yield
Zhou et al. Reconstruction of time series leaf area index for improving wheat yield estimates at field scales by fusion of Sentinel-2,-3 and MODIS imagery
Zhang et al. Estimating wheat yield by integrating the WheatGrow and PROSAIL models
CN112348812A (zh) 林分年龄信息测量方法及装置
Cao et al. Multiple sources of uncertainties in satellite retrieval of terrestrial actual evapotranspiration
CN105842190A (zh) 一种基于谱回归的近红外模型转移方法
Dusseux et al. Monitoring of grassland productivity using Sentinel-2 remote sensing data
Serrano et al. Evaluation of near infrared spectroscopy (NIRS) and remote sensing (RS) for estimating pasture quality in Mediterranean Montado ecosystem
Coussement et al. Modelling leaf spectral properties in a soybean functional–structural plant model by integrating the prospect radiative transfer model
Torres-Rua et al. Estimation of evapotranspiration and energy fluxes using a deep-learning-based high-resolution emissivity model and the two-source energy balance model with sUAS information
CN110147720B (zh) 一种玉米叶片等效水厚度反演方法及系统
Pires et al. Ripening assessment of ‘Ortanique’(Citrus reticulata Blanco x Citrus sinensis (L) Osbeck) on tree by SW-NIR reflectance spectroscopy-based calibration models

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: 21969880

Country of ref document: EP

Kind code of ref document: A1