CN112308284A - 作物特性预测***及方法、计算机可读取的存储介质 - Google Patents

作物特性预测***及方法、计算机可读取的存储介质 Download PDF

Info

Publication number
CN112308284A
CN112308284A CN202010691630.3A CN202010691630A CN112308284A CN 112308284 A CN112308284 A CN 112308284A CN 202010691630 A CN202010691630 A CN 202010691630A CN 112308284 A CN112308284 A CN 112308284A
Authority
CN
China
Prior art keywords
prediction model
data
prediction
crop
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010691630.3A
Other languages
English (en)
Inventor
榎宏征
铃木一代
稻森稔
木村由宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN112308284A publication Critical patent/CN112308284A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/30003—Arrangements for executing specific machine instructions
    • G06F9/30007—Arrangements for executing specific machine instructions to perform operations on data operands
    • G06F9/3001—Arithmetic instructions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明提供即使不实际进行栽培试验，也提前以低成本收集、分析作物的特性的作物特性预测***、方法及程序。基于与预测模型区域的环境相关的预测模型区域环境数据及与预测模型区域的土地相关的预测模型区域数据生成预测模型区域环境代表数据。另外，生成代表在预测模型区域栽培的作物的特性的预测模型区域作物特性代表数据。基于预测模型区域环境代表数据和预测模型区域作物特性代表数据而生成作物特性预测模型。将作物特性预测模型应用于基于预测对象区域环境数据及与预测对象区域的土地相关的预测对象区域数据而生成的代表性地表示预测对象区域的环境的预测对象区域环境代表数据，来生成表示预测对象区域中的作物的作物特性的作物特性预测数据。

Description

作物特性预测***及方法、计算机可读取的存储介质
技术领域
本发明涉及作物特性预测***、作物特性预测方法及作物特性预测程序。
背景技术
从农作物的收获量及收益性的增加的角度出发，寻求提前掌握栽培的作物的特性的技术。作物的特性(例如收获量)根据品种或栽培方法而变化，尤其受气象和土质等栽培环境的影响。以往，尝试了根据气象等环境数据来预测作物的特性的方法的开发。但是，在特性或环境的数据数不恰当的情况下，预测精度较低，难以实用。
另外，作为对栽培中的作物的生长进行预测的技术，已知例如专利文献1～3中记载的技术。专利文献1公开了从与植物的生长环境相关的环境测定值数据和与植物的生长状况相关的生长调查值数据中取得栽培状况预测数据并利用该栽培状况预测数据来对成长时期进行预测的方法。另外，专利文献2公开了一种利用在植物栽培室内具备重量传感器的水培筒的***。专利文献3公开了一种根据预先拍摄到的图像数据来对作物的收获量进行预测的方法。
但是，专利文献1～3所公开的技术均需要实际栽培作物并对作物的特性数据和环境数据进行收集、分析，因此花费成本、劳力及时间。另外，能够预测的作物的特性限定于针对实际栽培的作物进行了调查的特性。
在先技术文献
专利文献1：日本特开2019-030253号公报
专利文献2：日本特开2019-000006号公报
专利文献3：日本特开2018-088196号公报
发明内容
本发明的目的在于提供即使不在想要对于对象作物进行预测的区域实际进行栽培试验，也能够提前以低成本对作物的包括收获量在内的特性进行收集、分析的作物特性预测***、作物特性预测方法及作物特性预测程序。
用于解决课题的手段
为了解决上述课题，本发明的作物特性预测***构成为包含数据输入单元、数据存储单元及运算单元的计算机***，上述作物特性预测***具备：代表数据生成部，基于与预测模型区域的环境相关的预测模型区域环境数据及与上述预测模型区域的土地相关的预测模型区域数据而生成代表性地表示上述预测模型区域的环境的预测模型区域环境代表数据，并且生成代表在上述预测模型区域栽培的作物的特性即作物特性的预测模型区域作物特性代表数据，上述预测模型区域是获得了与实际栽培的作物相关的数据的区域；作物特性预测模型生成部，基于上述预测模型区域环境代表数据和上述预测模型区域作物特性代表数据而生成作物特性预测模型；及作物特性预测数据生成部，将上述作物特性预测模型应用于基于与预测对象区域的环境相关的预测对象区域环境数据及与上述预测对象区域的土地相关的预测对象区域数据而生成的代表性地表示上述预测对象区域的环境的预测对象区域环境代表数据，来生成表示上述预测对象区域中的作物的作物特性的作物特性预测数据，上述预测对象区域为设为对象的想要对作物的作物特性进行预测的区域。
另外，本发明的作物特性预测方法具备如下的步骤：使用包含数据输入单元、数据存储单元及运算单元的计算机***，基于与预测模型区域的环境相关的预测模型区域环境数据及与上述预测模型区域的土地相关的预测模型区域数据而生成代表性地表示上述预测模型区域的环境的预测模型区域环境代表数据的步骤，上述预测模型区域是获得了与实际栽培的作物相关的数据的区域；生成代表在上述预测模型区域栽培的作物的特性即作物特性的预测模型区域作物特性代表数据的步骤；基于上述预测模型区域环境代表数据和上述预测模型区域作物特性代表数据而生成作物特性预测模型的步骤；基于与预测对象区域的环境相关的预测对象区域环境数据及与上述预测对象区域的土地相关的预测对象区域数据而生成代表性地表示上述预测对象区域的环境的预测对象区域环境代表数据的步骤，上述预测对象区域是设为对象的想要对作物的作物特性进行预测的区域；及将上述作物特性预测模型应用于上述预测对象区域环境代表数据来生成表示上述预测对象区域中的作物的作物特性的作物特性预测数据的步骤。另外，还提供能够使计算机执行该方法的作物特性预测程序。
发明效果
根据本发明，能够提供即使不实际进行栽培试验也能够提前以低成本对作物的特性进行收集、分析的作物特性预测***、作物特性预测方法及作物特性预测程序。即，根据预测模型区域中的环境及作物特性来生成作物特性预测模型。作物特性预测模型中反映了预测模型区域的环境及作物特性，因此通过确定预测对象区域的环境并应用作物特性预测模型，能够对预测对象区域中的作物特性进行预测。在预测对象区域中，即使不实际进行栽培试验等，也能够对作物的特性进行预测。
附图说明
图1是示出实施方式的作物特性预测***1的整体结构的框图。
图2是说明在***1中执行的作物特性预测方法的执行步骤的流程图。
图3A是在第一区域中作为预测模型区域作物特性代表数据中的数据而选择的多种作物、耕作类型的数据和数据数的一例。
图3B是在第二区域中作为预测模型区域作物特性代表数据中的数据而选择的多种作物、耕作类型的数据和数据数的一例。
图4示出在第一区域中选择关于作物“荞麦”的预测模型代表的数据的步骤及方法。
图5是说明通过执行代表数据的选择(图2中的步骤S13)而产生的效果的图形。
图6是说明通过执行代表数据的选择(图2中的步骤S13)而产生的效果的图形。
图7是说明通过执行代表数据的选择(图2中的步骤S13)而产生的效果的图形。
图8是说明通过执行代表数据的选择(图2中的步骤S13)而产生的效果的图形。
图9示出土质区域代表数据的一例。
图10示出气象区域代表数据的一例。
图11示出作物特性预测数据的一例。
图12是说明作物特性预测模型的评价方法的一例的概念图。
图13是说明作物特性预测模型的评价方法的一例的图形。
图14示出关于第一区域的55种作物、耕作类型分别对作物特性预测模型进行评价的结果。
图15示出关于第二区域的15种作物、耕作类型分别对作物特性预测模型进行评价的结果。
图16关于第一区域对比性地示出实际的作物特性数据和通过本实施方式的***获得的作物特性预测数据。
图17关于第二区域对比性地示出实际的作物特性数据和通过本实施方式的***获得的作物特性预测数据。
具体实施方式
以下，参照附图来说明本实施方式。在附图中，功能上相同的要素也有时用相同的附图标记表示。另外，附图示出了遵照本公开的原理的实施方式和实施例，但这些是用于理解本公开，绝不是为了对本公开限定性地进行解释而使用。本说明书的记述只是典型的例示，不在任何意义上对本公开的权利要求书或应用例进行限定。
在本实施方式中，为了本领域技术人员实施本公开而充分详细地进行该说明，但需要理解的是其他实施方式也是可能的，能够不脱离本公开的技术的思想的范围和精神而进行结构、构造的变更或多种多样的要素的置换。因此，以后的记述不应解释为限定于此。
接着，参照图1等来说明实施方式的作物特性预测***。
图1是示出实施方式的作物特性预测***1的整体结构的框图。该作物特性预测***1由计算机100和显示器200构成，该计算机100构成为能够经由网络NW访问农业关联大数据。计算机100构成为能够基于农业关联大数据来预测在设为预测对象的区域中关于某作物可获得什么样的特性。
作为一例，计算机100具备：CPU101、输入部102、接口(I/F)103、显示控制部104、RAM105、ROM106、通信控制部107及硬盘驱动器(HDD)108。CPU101是掌管计算机100中的各种运算处理、控制、命令等的运算控制电路。输入部102是例如键盘、鼠标、触摸面板等接收来自使用者的指示或选择的装置。显示控制部104掌管如下的控制：对经由网络NW而取得的各种数据进行分析、运算，并使作为该分析及运算的结果获得的作物特性预测模型、作物特性预测结果等显示于显示器。
在HDD108中储存有用于执行作物特性预测处理的计算机程序。该计算机程序为了在计算机100中虚拟实现代表数据生成部111、代表数据选择部112、作物特性预测模型生成部113、作物特性预测数据生成部114、作物特性预测部115及作物特性预测模型评价部116而规定了处理步骤。关于各部111～116的动作，后文叙述。
参照图2中的流程图来说明在本***1中执行的作物特性预测方法的执行步骤。在该***1中，被提供实际栽培作物且对关于该作物的各种数据进行统计的区域(预测模型区域)中的环境数据和作物特性的数据作为农业关联大数据。作物特性预测模型生成部113对这些数据进行加工而生成作物特性预测模型。
作物特性预测模型基于与预测模型区域中实际栽培的作物的特性相关的作物特性数据而生成，是用于对除了该预测模型区域以外的区域中的作物的特性进行预测的模型数据。使用作物特性预测模型来对想要预测作物特性的区域(预测对象区域)中的作物特性进行预测。预测结果作为作物特性预测数据而输出。根据该***，即使在某区域(预测对象区域)中不实际进行作物的收获或栽培试验，也能够按照基于其他区域(预测模型区域)中的栽培的结果而生成的作物特性预测模型来对作物特性进行预测。预测对象区域中的预测除了基于预测模型区域中实际栽培的作物的特性数据以外，还基于处于类似的环境下的预测模型区域的数据进行预测，因此能够期待准确的作物特性的预测。
参照图2来详细地说明该作物特性预测数据的生成方法的一例。首先，说明步骤S11～14的到作物特性预测模型的生成为止的步骤。
首先，本***1经由通信控制部107而取得预测模型区域的环境数据和与预测模型区域的土地等相关的预测模型区域数据，在代表数据生成部111中对这些数据进行整合并生成代表性地表示预测模型区域的环境的预测模型区域环境代表数据(步骤S11)。
预测模型区域环境数据作为一例为预测模型区域的土质数据及气象数据，包括GIS(Geographic Information System：地理信息***)数据、AMeDAS(气象资料自动集取***)数据。除此以外还可例举WAGRI(农业资讯共享平台)数据等。另外，预测模型区域数据作为一例包含关于预测模型区域的空白地图数据。
进一步按照预定的运算规则来选定预测模型区域的土质数据及气象数据，算出土质区域代表数据及气象区域代表数据，由此生成在步骤S11中生成的预测模型区域环境代表数据。另外，运算规则的一例后文叙述。
预测模型区域环境代表数据可对GIS数据及AMeDAS数据等公开数据进行加工而生成。GIS数据及AMeDAS数据的数据构造相互不同，因此以与预测模型区域的一单位匹配的形式进行加工。具体而言，在空白地图数据中将与预测模型区域对应的各市镇村的数据分割成三角形，基于各三角形中包含的每单位面积的相同数目的GIS数据来算出各市镇村的土质的比例，由此可生成土质区域代表数据。每单位面积提取相同数目的GIS数据，因此关于各市镇村能够从GIS数据中均等地提取土质数据并设为土质区域代表数据。
另外，气象区域代表数据如以下那样算出。首先，取得空白地图数据的市镇村的数据，算出各市镇村的重心位置。并且，选择AMeDAS数据的三个观测点，以使该三点连结而成的三角形将该市镇村的重心位置包含在内部。根据这三个观测点的气象数据(例：一天的降水量、平均气温、最高气温、最低气温、平均风速、最大风速、瞬间最大风速、日照时间、降雪量、最深积雪等)来生成各市镇村的气象区域代表数据。在各市镇村中，以形成将其重心位置包含在内部的观测点的三角形的方式提取、选择AMeDAS数据，因此在各市镇村中能够从AMeDAS数据中均等地提取气象数据并设为气象区域代表数据。另外，也能够取代以市镇村单位来分割区域而进行以更大的单位(都道府县、地方、地域等)或更小的单位(村落、地区等)的分割。
对如上述那样生成的土质区域代表数据及气象区域代表数据进行整合而生成预测模型区域环境代表数据。
另一方面，本***1的代表数据生成部111基于各市镇村的过去的多年(例如10～30年)的作物状况调查数据的每单位面积(例如10a)的收获量数据来生成预测模型区域作物特性代表数据(步骤S12)。即，预测模型区域作物特性代表数据能够通过对统计预测模型区域中实际栽培的作物的特性数据(例如收获量)而得到的作物特性数据进一步进行挑选而生成(步骤S13)。另外，也可以取代每单位面积的收获量数据而根据该预测模型区域的种植面积和收获量来生成作物特性代表数据。
当在步骤S11及S12中获得了预测模型区域环境代表数据及预测模型区域作物特性代表数据后，将它们整合而设为预测模型区域代表数据。并且，在接下来的步骤S13中，通过代表数据选择部112关于预测模型区域代表数据执行遵从预先确定的运算规则的数据选择。另外，运算规则的例子后文叙述。
在步骤S13中，在数据选择之前，按照预定的规则将预测模型区域代表数据分割成多个区域(在此为第一区域和第二区域这两个区域)，对每个分割后的区域进行数据的选择。作物因气候带而特性较大地变化。因此，在本实施方式中，将预测模型区域代表数据分割成多个区域，按照分割后的区域来执行数据的选择。根据以上主旨，优选多个区域按照气候带来设定。在此，作为一例，第一区域设为从北纬30.9度到41.5度为止的区域(主要为本州、四国、九州)，第二区域设为北纬41.5度以上的区域(主要为北海道)，但这是一例，分割数和分割的边界不限定于此。另外，关于一部分的作物例如耐气候差的作物，也能够不分割成多个区域而将所获得的区域整体设为一个数据。
并且，在第一区域、第二区域中的各区域中，分别将多种作物、耕作类型的数据选择为预测模型区域作物特性代表数据中的数据。例如如图3A及图3B所示，可以在第一区域中选定55种作物、耕作类型的数据，在第二区域中选定15种作物、耕作类型的数据，但这也是一例，作物、耕作类型的种类、数目等不限定于此。
在多个作物、耕作类型的数据中的各作物、耕作类型的数据中，不是选择第一区域或第二区域中包含的该作物、耕作类型的数据全部，而是选择其一部分的数据。作为一例，在算出第一区域中的某作物、耕作类型的种植面积的总面积之后，按降序(按从大到小的顺序)将各市镇村中的该作物、耕作类型的种植面积(按年度区分)相加，持续相加直至总计成为总面积的90％为止。若超过了90％，则在该时刻结束相加并统计为“种植面积累计90％”的数值。并且，作为相加的对象的该作物、耕作类型的数据被选择为构成作物特性预测模型的数据，未作为相加的对象的该作物、耕作类型的数据被排除在外。换言之，与成为90％为止累计的累计值关联的数据被选择为用于作物特性预测模型的生成的数据，剩余的数据被设为非选择的对象。另外，在此，阈值不限定于90％，也可以使用其他值，这是不言而喻的。另外，在此所示的例子中，通过按种植面积从大到小的顺序进行累计而将种植面积较小的数据排除在外，但是也能够反过来按种植面积从小到大的顺序排除数据排除并仅利用剩余的数据。总之，只要将与较小的种植面积相关的数据排除在外即可，方法任意。
例如，在图3A中，与“甘蔗”相关的数据在过去14年中第一区域内的总计11967个市镇村获得，但在将种植面积从最大的地域开始按顺序相加时，在总计(累计)上位第3768个市镇村的“甘蔗”的种植面积的阶段，累计值达到总面积的90％。即，将总计11967个市镇村的数据中的31.5％的数据设为累计的对象，但剩余(68.5％)的8199个市镇村的“甘蔗”的种植面积的数据未被选择，从代表数据中排除在外。可认为种植面积较大的区域的数据与种植面积较小的区域的数据相比一般性及可靠性较高。能够通过按种植面积从大到小的顺序相加并将种植面积较小的区域的数据排除在外，来提高作物特性预测模型的可靠性。
关于其他作物，也通过相同方法来选择数据的一部分，将剩余部分排除在外。选择的比例根据与该作物相关的各市镇村中的种植面积的偏差的程度而不同。在偏差较大的情况下，选择的数据的比例较小，偏差越小，比例越大。
并且，对于种植面积累计90％的数值应用离群值检定(斯米尔诺夫·格拉布斯)，仅选拔数据分布的两侧95％包含的数据，去除除此以外的数据，并作为离群值检定后的数据来输出。以上是第一区域中的代表数据的选择的步骤的说明，但关于第二区域(图3B)，步骤也相同。这样，通过应用离群值检定，能够将通过特殊的品种或特殊的栽培法而获得的与作物相关的数据排除在外。通过将这种数据排除在外，而能够生成可普遍应用于大多数的预测对象区域的作物特性预测模型。另外，离群值检定中使用的阈值在此设为5％，但不限定于此，这是不言而喻的。
图4示出第一区域中选择关于作物“荞麦”的预测模型代表数据的步骤及方法。关于荞麦，在第一区域中获得过去22年总计13407个市镇村的种植面积的数据。在求出该13407个种植面积的总面积之后，从最大的种植面积的市镇村(大崎镇(鹿儿岛县))的数据开始累计，持续累计直至成为总面积的90％为止。在该例中，在加上第4215位的市贝镇(栃木县)的数据时达到总面积的90％，因此累计中止，将第4216位以后的数据从选择的对象中排除在外。
当获得了种植面积累计90％的数据后，如图4右侧所示的那样对种植面积累计90％的数据在特性(收获量)方面执行离群值检定。该离群值检定的执行后的值为选择的代表数据。
这样，在本实施方式中，基于种植面积及特性(收获量)而仅选择许多种植面积的数据组中的到种植面积的累计达到总面积的90％为止的数据来作为代表数据，将除此以外的数据排除在外。通过削减数据量，容易确保预测模型的制作所需要的数据组，且生成、分析表示一般的倾向的数据组，从而能够生成可进行高精度的作物特性的预测的预测模型。
参照图5～图8来说明在本实施方式中执行代表数据的选择(步骤S13)所产生的效果。图5及图6示出第一区域中的“南瓜”的作物特性代表数据的选择前后的关于每10a的收获量数据的数据数的变化。关于南瓜的数据的选择的结果是将4000kg/10a以上的数据排除在外。
图7及图8示出第二区域中的“水稻”的作物特性代表数据的选择前后的关于每10a的收获量数据的数据数的变化。关于水稻的数据的选择的结果是将300kg/10a以下的数据排除在外。
返回到图2来继续说明。当步骤S13结束时，在接下来的步骤S14中，基于这样选择的代表数据，通过作物特性预测模型生成部113生成作物特性预测模型。在预测模型代表数据被分割成多个区域(例如第一区域和第二区域这两个区域)的情况下，作物特性预测模型也按照多个区域来生成。
在步骤S11中，生成例如图9及图10中例示的那样的预测模型区域的土质区域代表数据和气象区域代表数据。在步骤S14中，将这种土质区域代表数据和气象区域代表数据设为解释函数，将各年的预测模型区域作物特性代表数据设为目标函数，通过机器学习(随机森林(Random Forest)、GLMNET套索、PLS等)来生成作物特性预测模型。
另一方面，关于想要预测作物特性的预测对象区域，基于预测对象区域的环境数据和包括关于预测对象区域的空白地图数据等在内的预测对象区域数据来生成预测对象区域环境代表数据(步骤S15)。该预测对象区域环境代表数据的数据构造可以与预测模型区域环境代表数据的数据构造大致相同。
在步骤S16中，在作物特性预测部115中，将生成的作物特性预测模型应用于预测模型区域环境代表数据中，由此对预测对象区域中的作物特性进行预测，通过作物特性预测数据生成部114将预测的结果作为作物特性预测数据输出(步骤S17)。
图11中示出生成的作物特性预测数据的一例。该图11作为一例将爱知县碧南市设定为预测对象区域，将关于该碧南市的预测对象区域环境代表数据应用于作物特性预测模型。关于预测对象区域，将土质区域数据及气象区域数据作为环境数据输入，并将该环境数据设为预测对象区域环境代表数据。并且，作物特性预测模型参照该预测对象区域环境代表数据来列举能够在该预测对象区域中预测较大的收获量的作物。考虑如此预测的结果，能够选择认为预测对象区域中合适的作物或者选择适合于对象的作物的种植区域。
另外，在上述例子中，作为作物特性的一例，说明了预测收获量的例子。但是，作为预测的对象的项目，不限定于收获量，可以取代收获量或者除了收获量以外还将收获期、作业时期、生长量等各种各样的作物特性设为预测的对象。
这样，根据本实施方式，即使不实际在想要预测作物的收获量等特性的对象区域中进行栽培试验，能够使用通过取得农业大数据并进行加工而获得的作物特性预测模型，从而也提前以低成本对在预测对象区域中能够收获的作物的特性进行收集、分析。在农业生产中，进行将多个作物组合的轮种栽培等，该倾向日益显著。通过使用本实施方式的***，能够适当且可靠地选择适合于特定区域的作物，收益预测也变容易。
另外，可以在作物特性预测模型评价部116中对在步骤S14中生成的作物特性预测模型进行评价，判断是否为满足预定的标准(例如相关系数0.5以上)的作物特性预测模型。图12及图13是说明作物特性预测模型的评价方法的一例的概念图及图形。首先，基于空白地图数据将取得的预测模型区域环境代表数据及预测模型区域作物特性代表数据分割成多组(例如10组)数据(参照图12)。在图12的例子中，将本州沿着相对于子午线倾斜18～72°的直线分割成10份，但分割数和分割方法不限定于图示的例子。
当将各数据分割成10组数据时，向其中的一部分例如9组数据组中应用预定的机器学习(例如随机森林(Random Forest)、GLMNET套索、PLS等)，在9组中的各组中生成作物特性预测模型。并且，使用该9个作物特性预测模型并按照关于剩余的1组数据组的土质区域代表数据及气象区域代表数据来生成该1组中的作物特性预测数据。该作物特性预测数据通过回归分析来与该1组的区域中的实际的作物的收获量的数据进行比较(参照图13)。若两者之间的相关系数为例如0.5以上，则可判断为作物特性预测模型良好。通过对于全部组执行上述动作，能够评价生成的作物特性预测模型是否适当。
图14示出关于第一区域的55种作物、耕作类型分别对作物特性预测模型进行评价的结果。图15示出关于第二区域的15种作物、耕作类型分别对作物特性预测模型进行评价的结果。作为评价方法，使用随机森林(Random Forest)、GLMNET套索、PLS这三个。在该例中，基于随机森林(Random Forest)的预测模型的相关系数是最小0.512、最大0.810、平均0.633的良好的结果。另外，基于GLMNET套索的预测模型的相关系数是最小-0.024、最大0.801、平均0.290，与随机森林(Random Forest)相比时平均的相关系数较低。不过，关于一部分的作物、耕作类型，获得较高的相关系数。基于PLS的预测模型的相关系数是最小-0.259、最大0.839、平均0.551，整体上良好。一部分的作物、耕作类型的相关系数较低，但是关于大多数的作物、耕作类型，获得较高的相关系数。关于第二区域，如图15所示的那样，也获得大致相同的结果。
在图16及图17中关于第一区域及第二区域分别对比性地示出实际的作物特性数据和通过本实施方式的***获得的作物特性预测数据。第一区域、第二区域均显示通过本***获得的作物特性预测数据与基于实际栽培的作物的数据类似，本***的预测是准确的。
本发明并不限定于上述实施方式，而包含各种各样的变形例。例如，上述实施方式为了易于理解地说明本发明而详细地进行了说明，并不限定于一定具备说明的全部结构。另外，能够将某实施方式的结构的一部分置换成其他实施方式的结构，并且也能够在某实施方式的结构中添加其他实施方式的结构。另外，对于各实施方式结构的一部分，能够进行其他结构的追加、删除、置换。
附图标记说明
1…作物特性预测***、100…计算机、101…CPU、102…输入部、103…接口(I/F)、104…显示控制部、105…RAM、106…ROM、107…通信控制部、108…硬盘驱动器(HDD)、111…代表数据生成部、112…代表数据选择部、113…作物特性预测模型生成部、114…作物特性预测数据生成部、115…作物特性预测部、116…作物特性预测模型评价部、200…显示器、NW…网络。

Claims (11)

1.一种作物特性预测***，构成为包含数据输入单元、数据存储单元及运算单元的计算机***，
所述作物特性预测***具备：
代表数据生成部，基于与预测模型区域的环境相关的预测模型区域环境数据及与所述预测模型区域的土地相关的预测模型区域数据而生成代表性地表示所述预测模型区域的环境的预测模型区域环境代表数据，并且生成代表在所述预测模型区域栽培的作物的特性即作物特性的预测模型区域作物特性代表数据，所述预测模型区域是获得了与实际栽培的作物相关的数据的区域；
作物特性预测模型生成部，基于所述预测模型区域环境代表数据和所述预测模型区域作物特性代表数据而生成作物特性预测模型；及
作物特性预测数据生成部，将所述作物特性预测模型应用于基于与预测对象区域的环境相关的预测对象区域环境数据及与所述预测对象区域的土地相关的预测对象区域数据而生成的代表性地表示所述预测对象区域的环境的预测对象区域环境代表数据，来生成表示所述预测对象区域中的作物的作物特性的作物特性预测数据，所述预测对象区域为设为对象的想要对作物的作物特性进行预测的区域。
2.根据权利要求1所述的作物特性预测***，其中，
所述作物特性预测模型生成部在基于种植面积及特性而选择了构成所述预测模型区域作物特性代表数据的数据之后，按照所选择的数据来生成所述作物特性预测模型。
3.根据权利要求2所述的作物特性预测***，其中，
所述作物特性预测模型生成部按照种植面积从大到小的顺序来选择构成所述预测模型区域作物特性代表数据的与预定的作物相关的数据，直至与所选择的数据关联的种植面积的累计值超过预定值为止。
4.根据权利要求3所述的作物特性预测***，其中，
所述作物特性预测模型生成部对所选择的所述数据在特性方面执行离群值检定而进一步去除所选择的所述数据的一部分。
5.根据权利要求1所述的作物特性预测***，其中，
所述作物特性预测模型生成部按照多个区域来分割所述预测模型区域作物特性代表数据，并按照所述多个区域来生成所述作物特性预测模型。
6.一种作物特性预测方法，具备如下的步骤：
使用包含数据输入单元、数据存储单元及运算单元的计算机***，基于与预测模型区域的环境相关的预测模型区域环境数据及与所述预测模型区域的土地相关的预测模型区域数据而生成代表性地表示所述预测模型区域的环境的预测模型区域环境代表数据的步骤，所述预测模型区域是获得了与实际栽培的作物相关的数据的区域；
生成代表在所述预测模型区域栽培的作物的特性即作物特性的预测模型区域作物特性代表数据的步骤；
基于所述预测模型区域环境代表数据和所述预测模型区域作物特性代表数据而生成作物特性预测模型的步骤；
基于与预测对象区域的环境相关的预测对象区域环境数据及与所述预测对象区域的土地相关的预测对象区域数据而生成代表性地表示所述预测对象区域的环境的预测对象区域环境代表数据的步骤，所述预测对象区域是设为对象的想要对作物的作物特性进行预测的区域；及
将所述作物特性预测模型应用于所述预测对象区域环境代表数据来生成表示所述预测对象区域中的作物的作物特性的作物特性预测数据的步骤。
7.根据权利要求6所述的作物特性预测方法，其中，
在生成所述作物特性预测模型的步骤中，在基于种植面积而选择了构成所述预测模型区域作物特性代表数据的数据之后，按照所选择的数据来生成所述作物特性预测模型。
8.根据权利要求7所述的作物特性预测方法，其中，
在生成所述作物特性预测模型的步骤中，按照种植面积从大到小的顺序来选择构成所述预测模型区域作物特性代表数据的与预定的作物相关的数据，直至与所选择的数据关联的种植面积的累计值超过预定值为止。
9.根据权利要求8所述的作物特性预测方法，其中，
在生成所述作物特性预测模型的步骤中，对所选择的所述数据执行离群值检定而进一步去除所选择的所述数据的一部分。
10.根据权利要求6所述的作物特性预测方法，其中，
在生成所述作物特性预测模型的步骤中，按照多个区域来分割所述预测模型区域作物特性代表数据，并按照所述多个区域来生成所述作物特性预测模型。
11.一种计算机可读取的存储介质，所述计算机可读取的存储介质存储有作物特性预测程序，所述作物特性预测程序构成为能够使计算机***执行如下的步骤：
基于与预测模型区域的环境相关的预测模型区域环境数据及与所述预测模型区域的土地相关的预测模型区域数据而生成代表性地表示所述预测模型区域的环境的预测模型区域环境代表数据的步骤，所述预测模型区域是获得了与实际栽培的作物相关的数据的区域；
生成代表在所述预测模型区域栽培的作物的特性即作物特性的预测模型区域作物特性代表数据的步骤；
基于所述预测模型区域环境代表数据和所述预测模型区域作物特性代表数据而生成作物特性预测模型；
基于与预测对象区域的环境相关的预测对象区域环境数据及与所述预测对象区域的土地相关的预测对象区域数据而生成代表性地表示所述预测对象区域的环境的预测对象区域环境代表数据的步骤，所述预测对象区域是设为对象的想要对作物的作物特性进行预测的区域；及
将所述作物特性预测模型应用于所述预测对象区域环境代表数据中来生成表示所述预测对象区域中的作物的作物特性的作物特性预测数据的步骤。
CN202010691630.3A 2019-08-02 2020-07-17 作物特性预测***及方法、计算机可读取的存储介质 Pending CN112308284A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019142677A JP7163881B2 (ja) 2019-08-02 2019-08-02 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム
JP2019-142677 2019-08-02

Publications (1)

Publication Number Publication Date
CN112308284A true CN112308284A (zh) 2021-02-02

Family

ID=74258653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010691630.3A Pending CN112308284A (zh) 2019-08-02 2020-07-17 作物特性预测***及方法、计算机可读取的存储介质

Country Status (3)

Country Link
US (1) US20210035034A1 (zh)
JP (1) JP7163881B2 (zh)
CN (1) CN112308284A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645308B2 (en) * 2020-05-27 2023-05-09 International Business Machines Corporation Customizing agricultural practices to maximize crop yield
CN114862062B (zh) * 2022-06-30 2022-11-15 深圳市信润富联数字科技有限公司 环境承载力的预警方法、装置、电子设备和可读存储介质
CN116664663B (zh) * 2023-07-21 2023-10-20 湖北泰跃卫星技术发展股份有限公司 计算农作物面积的方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134003A (zh) * 2014-07-30 2014-11-05 中国科学院自动化研究所 基于知识与数据共同驱动的作物单产量预测方法
JP2015148934A (ja) * 2014-02-06 2015-08-20 三菱重工業株式会社 発電量予測装置および発電量予測方法
US20160078569A1 (en) * 2014-09-12 2016-03-17 The Climate Corporation Methods and systems for determining agricultural revenue
CN107229999A (zh) * 2017-05-31 2017-10-03 深圳前海弘稼科技有限公司 作物产量的预测方法、***、计算机设备及可读存储介质
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003006274A (ja) * 2001-06-25 2003-01-10 National Agricultural Research Organization 生育段階毎の気候的類似性に基づく導入適作物・適品種、栽培適地、適作期判定システム
JP2005222444A (ja) * 2004-02-09 2005-08-18 Toshiba Corp 統計的予測値演算方法および装置
JP2010166851A (ja) * 2009-01-22 2010-08-05 Chiharu Hongo 作物の収量予測方法及びその装置
US10115158B2 (en) * 2010-10-25 2018-10-30 Trimble Inc. Generating a crop recommendation
JP2012203875A (ja) * 2011-03-28 2012-10-22 Tokyo Electric Power Co Inc:The 収量予測装置およびコンピュータプログラム
JP6095115B2 (ja) * 2013-06-17 2017-03-15 Ｎｅｃソリューションイノベータ株式会社 データ抽出装置、データ抽出方法、及びプログラム
JP6849958B2 (ja) * 2016-03-18 2021-03-31 国立大学法人東海国立大学機構 予測方法、予測プログラム、及び、予測装置
JP2018088198A (ja) * 2016-11-29 2018-06-07 キヤノンマーケティングジャパン株式会社 情報処理装置、その制御方法とプログラム
JP6544453B1 (ja) * 2018-03-16 2019-07-17 日本電気株式会社 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015148934A (ja) * 2014-02-06 2015-08-20 三菱重工業株式会社 発電量予測装置および発電量予測方法
CN104134003A (zh) * 2014-07-30 2014-11-05 中国科学院自动化研究所 基于知识与数据共同驱动的作物单产量预测方法
US20160078569A1 (en) * 2014-09-12 2016-03-17 The Climate Corporation Methods and systems for determining agricultural revenue
CN107229999A (zh) * 2017-05-31 2017-10-03 深圳前海弘稼科技有限公司 作物产量的预测方法、***、计算机设备及可读存储介质
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
US20210035034A1 (en) 2021-02-04
JP7163881B2 (ja) 2022-11-01
JP2021023177A (ja) 2021-02-22

Similar Documents

Publication Publication Date Title
Feng et al. Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique
US7167797B2 (en) Method of predicting suitability for a crop harvesting operation
CN112308284A (zh) 作物特性预测***及方法、计算机可读取的存储介质
JP6147579B2 (ja) 収量予測システムおよび収量予測装置
García-López et al. Evaluation of three simulation approaches for assessing yield of rainfed sunflower in a Mediterranean environment for climate change impact modelling
US20170287082A1 (en) Farm Field Management Apparatus, Farm Field Management Method, and Storage Medium
JP5582245B2 (ja) 農作業支援方法及び農作業支援装置
Bert et al. Sensitivity of CERES-Maize simulated yields to uncertainty in soil properties and daily solar radiation
CN114863369B (zh) 激光雷达监测玉米倒伏的方法、装置、设备及介质
Rocha et al. Early prediction of durum wheat yield in Spain using radial basis functions interpolation models based on agroclimatic data
Etiendem et al. The Cross River gorillas (Gorilla gorilla diehli) at Mawambi Hills, south-west Cameroon: habitat suitability and vulnerability to anthropogenic disturbance
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
Ghamghami et al. Comparison of data mining and GDD-based models in discrimination of maize phenology
CN112001543A (zh) 基于地温的农作物生长期预测方法及相关设备
Tadesse et al. The vegetation outlook (VegOut): a new tool for providing outlooks of general vegetation conditions using data mining techniques
Baker et al. Improved weather-based late blight risk management: comparing models with a ten year forecast archive
de Souza Vieira et al. Agrometeorological and Soil Criteria for Defining Workable Days for Rational Mechanized Sugarcane Harvest in Southern Brazil
Balaban et al. Development of a forecasting and warning system on the ecological life-cycle of sunn pest
KR102487665B1 (ko) 기계학습을 이용한 농업지역 3m 풍속 예측 방법
Manorama et al. Development of a decision support system for potato crop scheduling in Nilgiri hills of Western Ghats
Karthick et al. Effective Use of Big Data Planning and Analytics in Crop Planting.
Armstrong et al. Advances in artificial intelligence (AI) for more effective decision making in agriculture
Wankhede et al. Characterising the impact of drought on Jowar (Sorghum spp) crop yield using Bayesian networks
Haara The uncertainty of forest management planning data in Finnish non-industrial private forestry
Milazzo et al. NDVI prediction of Mediterranean permanent grassland using soil moisture products

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination