JP2002136223A - 農作物収穫量予測方法、農作物収穫量予測装置及び記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 本発明の目的は、農作物の収穫量の予測、と
りわけ、農作物の収穫量の短期予測を正確に行うことに
ある。 【解決手段】 本発明による農作物収穫量予測方法は、
（ａ）農作物の栽培計画に基づいて、農作物の第１予測
収穫量を算出するステップ（Ｓ０１、Ｓ０２）と、
（ｂ）ニューラルネットワークを用いて補正値を算出す
るステップ（Ｓ０３）と、（ｃ）前記第１予測収穫量と
前記補正値とに基づいて、予測の対象である予測期間に
おける予測収穫量である最終的予測収穫量を算出するス
テップ（Ｓ０４）とを具備する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、農作物収穫量予測
システムに関する。

【０００２】

【従来の技術】農業の経営者にとって、農作物の収穫量
を正確に予測することは大きな意義がある。農作物の収
穫量の予測は、農作物の出荷計画の立案や、市場での価
格戦略の立案において極めて有用であるからである。農
作物の収穫量の正確な予測は、農家の収入の安定化に大
きく貢献する。

【０００３】農作物の収穫量は、農業従事者の経験と勘
によって概ね予測することができる。しかし、農作物の
収穫量は、様々な要因によって左右され、例えば、ある
一週間内での農作物の収穫量の予測のような短期的な収
穫量の予測を行うことは、経験と勘とをもってしても容
易なことではない。

【０００４】農作物の収穫量の予測、とりわけ、農作物
の収穫量の短期予測を正確に行うことが望まれる。

【０００５】

【発明が解決しようとする課題】本発明の目的は、農作
物の収穫量の予測、とりわけ、農作物の収穫量の短期予
測を正確に行うことにある。

【０００６】

【課題を解決するための手段】その課題を解決するため
の手段は、下記のように表現される。その表現中に現れ
る技術的事項には、括弧（）つきで、番号、記号等が添
記されている。その番号、記号等は、本発明の複数の実
施の形態のうちの、少なくとも１つの実施の形態を構成
する技術的事項、特に、その実施の形態に対応する図面
に表現されている技術的事項に付せられている参照番
号、参照記号等に一致している。このような参照番号、
参照記号は、請求項記載の技術的事項と実施の形態の技
術的事項との対応・橋渡しを明確にしている。このよう
な対応・橋渡しは、請求項記載の技術的事項が実施の形
態の技術的事項に限定されて解釈されることを意味しな
い。

【０００７】本発明による農作物収穫量予測方法は、
（ａ）農作物の栽培計画に基づいて、農作物の第１予測
収穫量（Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ
_ｌ（ｔ_ｊ））を算出するステップ（Ｓ０１、Ｓ０２）
と、（ｂ）ニューラルネットワーク（１１）を用いて補
正値（ΔＳ_ｎ（ｔ_ｊ））を算出するステップ（Ｓ０３）
と、（ｃ）第１予測収穫量（Ｓ_ｌ（ｔ_１）、Ｓ
_ｌ（ｔ_２）、…、Ｓ_ｌ（ｔ_ｊ））と、補正値（ΔＳ
_ｎ（ｔ_ｊ））に基づいて、予測の対象である予測期間
（ｔ_ｊ）における予測収穫量である最終的予測収穫量
（Ｓ（ｔ_ｊ））を算出するステップ（Ｓ０４）とを具備
する。

【０００８】このとき、第１予測収穫量（Ｓ
_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ_ｌ（ｔ_ｊ））は、予
測期間（ｔ_ｊ）より過去の農作物の収穫量を予測した過
去予測収穫量（Ｓ_ｌ（ｔ_ｋ）、ｋはｊ−１以下の自然
数、以下同じ。）と、予測期間（ｔ_ｊ）における農作物
の収穫量を予測する将来予測収穫量（Ｓ_ｌ（ｔ_ｊ））と
を含むことがある。このとき、ニューラルネットワーク
の教師データ（Ｔ_ｋ）は、農作物の過去の実際の収穫量
である過去収穫量（Ｕ（ｔ_ｋ））と過去予測収穫量（Ｓ
_ｌ（ｔ_ｋ））との差分であり、最終的予測収穫量（Ｓ
（ｔ_ｊ））は、将来予測収穫量（Ｓ_ｌ（ｔ_ｊ））と補正
値（ΔＳ_ｎ（ｔ_ｊ））とに基づいて求められることが望
ましい。

【０００９】また、ニューラルネットワーク（１１）の
入力データ（ｕ_１（ｔ_ｋ）、ｕ_２（ｔ_ｋ）、ｕ
_３（ｔ_ｋ））は、農作物が作られる地域における天候を
示すデータ（ｕ_１（ｔ_ｋ）、ｕ_２（ｔ_ｋ））を含むこと
が望ましい。

【００１０】また、ニューラルネットワーク（１１）の
入力データ（ｕ_１（ｔ_ｋ）、ｕ_２（ｔ_ｋ）、ｕ
_３（ｔ_ｋ））は、過去収穫量（ｕ_３（ｔ_ｋ））を含むこ
とが望ましい。

【００１１】このとき（ａ）ステップは、（ｄ）栽培計
画と予測期間（ｔ_ｊ）より過去における農作物の実際の
収穫量の周波数スペクトル（Ｆ（ω））とに基づいて、
第１予測収穫量（Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ
_ｌ（ｔ_ｊ））を算出するステップ（Ｓ０１、Ｓ０２）を
含むことが望ましい。

【００１２】本発明による農作物収穫量予測方法は、
（ｅ）農作物の栽培計画に基づいて、農作物の第１予測
収穫量（Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ
_ｌ（ｔ_ｊ））を算出するステップ（Ｓ１１、Ｓ１２）
と、ここで第１予測収穫量（Ｓ_ｌ（ｔ_１）、Ｓ
_ｌ（ｔ_２）、…、Ｓ_ｌ（ｔ_ｊ））は、農作物の過去の収
穫量を予測した過去予測収穫量（Ｓ_ｌ（ｔ_ｋ））と、予
測の対象である予測期間（ｔ_ｊ）における農作物の収穫
量を予測する将来予測収穫量（Ｓ_ｌ（ｔ_ｊ））とを含
み、（ｆ）農作物の過去の実際の収穫量である過去収穫
量（Ｕ（ｔ_ｋ））と過去予測収穫量（Ｓ_ｌ（ｔ_ｋ））と
の差分がカオス変動をするとしてカオス分析することに
より、補正値（ΔＳ_ｃ（ｔ_ｋ））を算出するステップ
（Ｓ１３）と、（ｇ）将来予測収穫量（Ｓ_ｌ（ｔ_ｊ））
と補正値（ΔＳ_ｃ（ｔ_ｋ））とに基づいて、予測期間
（ｔ_ｋ）における予測収穫量である最終的予測収穫量
（Ｓ（ｔ_ｋ））を算出するステップ（Ｓ１４）とを具備
する。

【００１３】本発明による農作物収穫量予測方法は、
（ｉ）農作物の栽培計画に基づいて、農作物の第１予測
収穫量（Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ
_ｌ（ｔ_ｊ））を算出するステップ（Ｓ２１、Ｓ２２）
と、ここで第１予測収穫量（Ｓ_ｌ（ｔ_１）、Ｓ
_ｌ（ｔ_２）、…、Ｓ_ｌ（ｔ_ｊ））は、予測期間（ｔ_ｊ）
より過去の農作物の収穫量を予測した第１過去予測収穫
量（Ｓ_ｌ（ｔ_ｋ））を含み、（ｊ）ニューラルネットワ
ーク（１１）を用いて第１補正値（ΔＳ_ｎ（ｔ_１）、Δ
Ｓ_ｎ（ｔ_１）、…、ΔＳ_ｎ（ｔ_ｊ））を算出するステッ
プ（Ｓ２３）と、ここで、ニューラルネットワーク（１
１）の教師データ（Ｔ_ｋ）は、農作物の過去の実際の収
穫量である過去収穫量（Ｕ（ｔ_ｋ））と第１過去予測収
穫量（Ｓ_ｌ（ｔ_ｋ））との差分であり、（ｋ）第１予測
収穫量（Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ
_ｌ（ｔ_ｊ））と第１補正値（ΔＳ_ｎ（ｔ_１）、ΔＳ
_ｎ（ｔ_２）、…、ΔＳ_ｎ（ｔ_ｊ））とに基づいて、第２
予測収穫量（Ｓ_ｔ２（ｔ_１）、Ｓ_ｔ２（ｔ_２）、…Ｓ
_ｔ２（ｔ_ｊ））を算出するステップ（Ｓ２３）と、ここ
で、第２予測収穫量（Ｓ_ｔ２（ｔ_１）、Ｓ
_ｔ２（ｔ_２）、…Ｓ_ｔ２（ｔ_ｊ））は、予測期間
（ｔ_ｊ）より過去の農作物の収穫量を予測した第２過去
予測収穫量（Ｓ_ｔ２（ｔ_ｋ））と、予測期間（ｔ_ｊ）に
おける農作物の収穫量を予測する第２将来予測収穫量
（Ｓ_ｔ２（ｔ_ｊ））とを含み、（ｌ）過去収穫量（Ｕ
（ｔ_ｋ））と第２過去予測収穫量（Ｓ_ｔ２（ｔ_ｋ））と
の差分がカオス変動をするとしてカオス分析することに
より、第２補正値（ΔＳ _ｃ’（ｔ_ｊ））を算出すること
と、（ｍ）第２将来予測収穫量（Ｓ_ｔ２（ｔ_ｊ））と第
２補正値（ΔＳ_ｃ’（ｔ_ｊ））とに基づいて、予測期間
（ｔ_ｊ）における予測収穫量である最終的予測収穫量
（Ｓ（ｔ_ｊ）を算出するステップ（Ｓ２５）とを具備す
る。

【００１４】

【発明の実施の形態】以下、添付図面を参照しながら、
本発明による実施の形態の農作物収穫量予測方法を説明
する。

【００１５】実施の第１形態：実施の第１形態の農作物
収穫量予測方法では、ハウス栽培されているいちごの収
穫量が予測される。いちごが栽培されている地域は、ブ
ロックＢ_１、Ｂ_２、…、Ｂ_ｎ（ｉは、ｎ以下の自然数）
に区分されている。各ブロック毎にいちごの作型が定め
られ、その作型に従っていちごが栽培されている。

【００１６】図１は、農作物収穫量予測方法を示すフロ
ーチャートを示す。図２は、本発明による実施の第１形
態の農作物収穫量予測方法を実行する農作物収穫量予測
装置を示す。当該農作物収穫量予測装置は、入力部１、
演算部２、記録媒体３、出力部４を含む。入力部１は、
それに入力される栽培スケジュールデータａ、天候デー
タｂ、及び過去収穫量データｃを演算部２に出力する。

【００１７】演算部２は、栽培スケジュールデータａ、
天候データｂ、及び過去収穫量データｃに基づいて予測
収穫量データｄを作成する。予測収穫量データｄは、予
想を行う対象である期間におけるいちごの収穫量の予想
値を示す。演算部２は、記録媒体３に記録されたプログ
ラムに従って、予測収穫量データｄを作成する。記録媒
体３に記録されたプログラムには、以下に述べられる実
施の第１形態の農作物収穫量予測方法を実施するための
手順が記録されている。演算部２は、予測収穫量データ
ｄを出力部４から出力する。

【００１８】続いて、実施の第１形態の農作物収穫量予
測方法により予測収穫量データｄが作成される過程を、
図１を参照しながら説明する。

【００１９】ステップＳ０１：図１に示されているよう
に、まず、栽培スケジュールデータａに基づいて、期間
ｔ_１、ｔ_２、…、ｔ_ｍにおける予測収穫量である第１次
予測収穫量Ｓ_ｔ（ｔ_１）、Ｓ_ｔ（ｔ_２）、…、Ｓ_ｔ（ｔ
_ｍ）が算出される。ここで、期間ｔ_１、ｔ_２、…、ｔ_ｍ
は、その添字の番号が小さい程、時間的に前の期間であ
る。即ち、ｔ_{ｓ ＋１}（ｓは、ｍ−１以下の自然数）は、
期間ｔ_ｓに続く次の期間である。第１次予測収穫量Ｓ_ｔ
（ｔ_１）、Ｓ_ｔ（ｔ_２）、…、Ｓ_ｔ（ｔ_ｍ）は、栽培ス
ケジュールデータａから、第１次的に予測される予測収
穫量である。

【００２０】栽培スケジュールデータａは、いちごが栽
培されているブロックＢ_１〜Ｂ_ｎのそれぞれの作付面
積、定植日、及び作型を含む。その作付面積、定植日、
及び作型から第１次予測収穫量Ｓ_ｔ（ｔ_１）、Ｓ_ｔ（ｔ
_２）、…、Ｓ_ｔ（ｔ_ｍ）が定められる。

【００２１】定植日が定まると、いちごを栽培する栽培
スケジュールが概ね定まる。図３は、いちごの栽培スケ
ジュールの一例を示す。いちごは定植された後、概ねあ
る期間が経過すると花芽が分化し、つぼみが形成され、
開花し、その後、収穫される。いちごは、同一の苗が４
回にわたって開花し、４回の収穫が行われる。

【００２２】定植日から収穫開始日までの期間の長さＴ
_ｄ、収穫の続く期間の長さＴ_Ｌ、単位時間及び単位面積
あたりの収穫量Ｇ（以下、「収穫量密度Ｇ」という。）
は、いちごの個体差に起因して、正規分布に従う。この
正規分布の平均値μ、及び分散σ^２は、過去におけるい
ちごの生産の実績から定められる。但し、平均値μ、分
散σ^２は作型によって異なる。平均値μ、分散σ^２は、
作型ごとに定められる。

【００２３】定植日から収穫開始日までの期間の長さＴ
_ｄ、収穫が続く期間、単位時間及び単位面積あたりの収
穫量が正規分布すると考えて、ブロックＢ_１〜Ｂ_ｎのそ
れぞれについて、定植日から収穫開始日までの期間の長
さＴ_ｄ、収穫の続く期間の長さＴ_Ｌ、単位時間及び単位
面積あたりの収穫量Ｇが確率的に定められる。このと
き、正規分布のパラメータとして使用される平均値μ、
分散σ^２は、各ブロックの作型に応じて定められる。

【００２４】更に、各ブロックの定植日、収穫の続く期
間の長さＴ_Ｌ、単位時間及び単位面積あたりの収穫量Ｇ
と、各ブロックの作付面積から、ブロックＢ_１〜Ｂ_ｎの
それぞれについて、期間ｔ_１、ｔ_２、…、ｔ_ｍにおける
予想収穫量ｆ_ｉ（ｔ_１）、ｆ _ｉ（ｔ_２）、…、ｆ_ｉ（ｔ
_ｍ）が定められる。ここでｉは、１以上ｎ以下の自然数
である。ｆ_ｉ（ｔ_ｊ）は、ブロックＢ_ｉの期間ｔ_ｊにお
ける予測収穫量である。

【００２５】第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）は、

【数１】 …（１） として求められる。

【００２６】以上の過程により求められた第１次予測収
穫量Ｓ_ｔ（ｔ_ｊ）は、いちごの収穫量の変動の傾向を概
ね表現している。ハウス栽培されるいちごは、その成長
をコントロールしやすい。従って、各ブロック毎の定植
日が定まれば、収穫開始日や収穫量が概ね定められる。

【００２７】しかしながら、いちごの実際の収穫量は、
気温、日照時間その他の天候の影響、及び農業従事者の
就業形態その他の社会的要因による影響を受ける。図４
は、平成８年度のいちごの産出量について算出された第
１次予測収穫量Ｓ_ｔ（ｔ_ｊ）と、いちごの実際の収穫量
とを示す。曲線２１は、第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）
を示し、曲線２２は、いちごの実際の収穫量を示す。図
４に示されているように、第１次予測収穫量Ｓ
_ｔ（ｔ_ｊ）は、いちごの実際の収穫量を概ね表現してい
るが、いちごの実際の収穫量の動向よりも時間的に早く
ずれて変動する傾向を示している。

【００２８】ステップＳ０２〜Ｓ０４では、気温、日照
時間その他の天候の影響、及び農業従事者の就業形態そ
の他の社会的要因に基づいて短期的な変動を考慮する補
正が行われ、期間ｔ_ｊにおける最終的ないちごの収穫量
の予想値である最終的予測収穫量Ｓ（ｔ_ｊ）が算出され
る。ステップＳ０１に続いてステップＳ０２が行われ
る。

【００２９】ステップＳ０２：周波数分析を用いて補正
値ΔＳ_ｆ（ｔ_ｊ）が算出される。補正値ΔＳ_ｆ（ｔ_ｊ）
は、過去収穫量データｃに基づいて定められる。過去収
穫量データｃは、過去におけるいちごの実際の収穫量の
時系列データを含む。ここで、期間ｔ_ｊにおけるいちご
の実際の収穫量をＵ（ｔ_ｊ）と表わす。

【００３０】まず、各期間ｔ_ｊに対して、その前後の期
間ｔ_ｊ−ｑからｔ_ｊ＋ｑまでのいちごの実際の収穫量の
平均Ｕ＾（ｔ_ｊ）が算出される。ここでｑは、ある自然
数である。即ち、Ｕ＾（ｔ_ｊ）は、

【数２】 …（２） 但し、ｋが０以下であるとき、及びｋがｍ以上であると
きには、Ｕ（ｔ_ｋ）＝０とする。以下、各期間ｔ_ｊに対
するその前後の期間ｔ_ｊ−ｑからｔ_ｊ＋ｑでのいちごの
実際の収穫量の平均Ｕ＾（ｔ_ｊ）を、トレンドデータＵ
＾（ｔ_ｊ）と呼ぶ。ｑ＝１の場合には、トレンドデータ
Ｕ＾（ｔ_ｊ）は、いちごの実際の収穫量Ｕ（ｔ_ｊ）の三
項移動平均となる。

【００３１】続いて、いちごの実際の収穫量のＵ
（ｔ_ｊ）と、トレンドデータＵ＾（ｔ_ｊ）との差分ΔＵ
（ｔ_ｊ）が算出される。更に、ΔＵ（ｔ_ｊ）が連続であ
ると近似して高速フーリエ変換（ＦＦＴ）を施し、周波
数スペクトルＦ（ω）を算出する。

【００３２】この周波数スペクトルＦ（ω）は、いちご
の実際の収穫量Ｕ（ｔ_ｊ）の周波数スペクトルのうち
の、高い周波数の成分の大きさを示している。トレンド
データＵ＾（ｔ_ｊ）は、いちごの実際の収穫量Ｕ
（ｔ_ｊ）から、周波数が高い、即ち短い周期で変動する
成分が除かれたものである。逆にいえば、差分ΔＵ（ｔ
_ｊ）は、いちごの実際の収穫量Ｕ（ｔ_ｊ）のうちの、周
波数が高い、即ち、即ち短い周期で変動する成分のみか
らなる。従って、差分ΔＵ（ｔ_ｊ）の周波数スペクトル
Ｆ（ω）は、いちごの実際の収穫量Ｕ（ｔ_ｊ）の周波数
スペクトルのうちの、高い周波数の成分の大きさを示
す。

【００３３】補正値ΔＳ_１（ｔ_ｊ）は、周波数スペクト
ルＦ（ω）が逆フーリエ変換された関数をｆ（ｔ）とし
たとき、 ΔＳ_ｆ（ｔ_ｊ）＝ｆ（ｔ_ｊ）， …（３） により求められる。

【００３４】補正値ΔＳ_ｆ（ｔ_ｊ）は、いちごの収穫量
の周期的変動、特に、短期的な周期で変動する周期的変
動を示す。

【００３５】例えば、いちご農家の就業者は、３日勤務
した後に１日休暇をとる４日周期での勤務を行う。いち
ごの収穫量は、就業者の就業形態を反映し、４日周期で
変動する成分を多く含む。補正値ΔＳ_ｆ（ｔ_ｊ）は、一
定の周期を持つ社会的要因を予測に取り入れる役割を果
たす。

【００３６】また、いちごに施肥を行った場合、その効
果は約１５日後に現れる。これに対応して、いちごの収
穫量は、約１５日周期で変動する成分を多く含む。この
ように、補正値ΔＳ_ｆ（ｔ_ｊ）は、一定の周期を持つ自
然的要因を予測に取り入れる役割を果たす。

【００３７】第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）と補正値Δ
Ｓ_ｆ（ｔ_ｊ）とに基づいて、長期予測収穫量Ｓ
_ｌ（ｔ_ｊ）が算出される。長期予測収穫量Ｓ_ｌ（ｔ_ｊ）
は、 Ｓ_ｌ（ｔ_ｊ）＝Ｓ_ｔ（ｔ_ｊ）＋ΔＳ_ｆ（ｔ_ｊ）． …（４） 長期予測収穫量Ｓ_ｌ（ｔ_ｊ）は、いちごの長期的な変動
を、第１次予測収穫量Ｓ _ｔ（ｔ_ｊ）よりもよい精度で表
現する。ステップＳ０２に続いて、ステップＳ０３が行
われる。

【００３８】ステップＳ０３：ニューラルネットワーク
を用いて補正値ΔＳ_ｎ（ｔ_ｊ）が算出される。補正値Δ
Ｓ_ｎ（ｔ_ｊ）は、後述されるように、最終的予測収穫量
Ｓ（ｔ_ｊ）の算出に使用される。

【００３９】補正値ΔＳ_ｎは、期間ｔ_ｊより過去である
期間ｔ_１、ｔ_２、…、ｔ_ｊ−１における長期予測収穫量
Ｓ_ｌ（ｔ_１）、Ｓ_ｌ（ｔ_２）、…、Ｓ_ｌ（ｔ_ｊ−１）と
_、天候データｂと、過去収穫量データｃとに基づいて算
出される。天候データｂは、予測の対象であるいちごが
栽培されている地域の天候を示すデータである。天候デ
ータｂは、いちごが栽培されている地域の過去の所定の
期間の気温及び日照時間、並びに、その地域の気温の平
年値及び日照時間の平年値を示すデータを含む。

【００４０】図５は、補正値ΔＳ_ｎ（ｔ_ｊ）を求めるた
めのニューラルネットワーク１１を示す。まず、教示デ
ータＴ_１、Ｔ_２、…、Ｔ_ｊ−１が求められる。教示デー
タＴ _ｋ（ｋは、ｊ−１以下の自然数）は、期間ｔ_ｋにお
けるいちごの実際の収穫量Ｕ（ｔ_ｋ）と、予測の対象で
ある期間ｔ_ｊより過去について予測された長期予測収穫
量Ｓ_ｌ（ｔ_ｋ）との差分であり、 Ｔ_ｋ＝Ｕ（ｔ_ｋ）−Ｓ_ｌ（ｔ_ｋ）． …（５）

【００４１】続いて、天候データｂに基づいて、入力デ
ータｕ_１（ｔ_ｋ）、ｕ_２（ｔ_ｋ）、ｕ_３（ｔ_ｋ）が定め
られる。但し、ｋは、ｊ−１以下の自然数である。

【００４２】入力データｕ_１（ｔ_ｋ）は、期間ｔ_ｋにお
ける気温である。入力データｕ_２（ｔ_ｋ）は、期間ｔ_ｋ
における日照時間である。入力データｕ_３（ｔ_ｋ）は、
期間ｔ_ｋ−１での収穫量である。即ち、 ｕ_３（ｔ_ｋ）＝Ｕ（ｔ_ｋ−１） …（６） である。但し、ｋ＝１の場合には、ｕ_３（ｔ_ｋ）＝０で
ある。

【００４３】続いて、ニューラルネットワーク１１の各
シナプス（図示されない）の結合係数が最適化される。
結合係数の最適化には、誤差逆伝搬法（ＢＰ法）が使用
される。即ち、１以上ｊ−１以下のそれぞれのｋについ
て、入力データｕ_１（ｔ_ｋ）、ｕ_２（ｔ_ｋ）、ｕ_３（ｔ
_ｋ）がニューラルネットワーク１１に与えられ、出力値
Ｙ（ｔ_ｋ）と教示データＴ_ｋとの二乗誤差が最小になる
ように、各シナプスの結合係数が定められる。

【００４４】求める目的である期間ｔ_ｊにおける補正値
ΔＳ_ｎ（ｔ_ｊ）は、ニューラルネットワーク１１に期間
ｔ_ｊにおけるｕ_１（ｔ_ｊ）、ｕ_２（ｔ_ｊ）、ｕ
_３（ｔ_ｊ）を与えたときのニューラルネットワーク１１
の出力値Ｙ（ｔ_ｊ）であり、ΔＳ_ｎ（ｔ_ｊ）＝Ｙ
（ｔ_ｊ）．

【００４５】補正値ΔＳ_ｎ（ｔ_ｊ）は、天候がいちごの
収穫量に及ぼす影響を、収穫量の予測に取り入れる役割
を果たす。天候がいちごの収穫量に影響することは自明
的であるが、天候がいちごの収穫量に与える影響を定量
的に、数式で表現することは容易なことではない。ニュ
ーラルネットワークを用いて補正値ΔＳ_ｎ（ｔ_ｊ）を算
出することにより、天候がいちごの収穫量に与える影響
をより正確に予測に取り入れることができる。

【００４６】更に、補正値ΔＳ_ｎ（ｔ_ｊ）は、過去のい
ちごの収穫量が、予測の対象である期間における収穫量
に及ぼす影響を収穫量の予測に取り入れる役割を果た
す。前述のように、いちごは４回にわたって収穫が行わ
れる。このとき、いちごの収穫を行うと、それ自体が、
次回に行われる収穫における収穫量に影響をおよぼす。
過去のいちごの収穫量自体が、予測の対象である期間に
おける収穫量に及ぼす影響を考慮することにより、より
正確な収穫量の予測を行うことができる。

【００４７】なお、ニューラルネットワーク１１の入力
データとして開花時期、累積気温等の他の要因を追加す
ることも可能である。ここで期間ｔ_ｊにおける累積気温
ｕ_ｔ（ｔ_ｊ）は、期間ｔ_ｋ（ｋはｊ以下の自然数）にお
ける平均気温をＯ（ｔ_ｋ）として、

【数３】 …（７） である。また、気温、日照時間、期間ｔ_ｋ−１での収穫
量のうちのいずれか１つ又は２つが入力データから除か
れることも可能である。

【００４８】ステップＳ０３に続いてステップＳ０４が
求められる。

【００４９】ステップＳ０４：期間ｔ_ｊにおける補正値
ΔＳ_ｎ（ｔ_ｊ）と長期予測収穫量Ｓ_ｌ（ｔ_ｊ）とから、
期間ｔ_ｊにおける最終的予測収穫量Ｓ（ｔ_ｊ）が求めら
れる。予測の目的である最終的予測収穫量Ｓ（ｔ_ｊ）
は、 Ｓ（ｔ_ｊ）＝Ｓ_ｌ（ｔ_ｊ）＋ΔＳ_ｎ（ｔ_ｊ） …（８） である。図２に示された農作物収穫量予測装置は、最終
的予測収穫量Ｓ（ｔ_ｊ）を予想収穫量データｄとして出
力部４から出力する。以上で、期間ｔ_ｊにおけるいちご
の収穫量の予測は終了する。

【００５０】なお、本実施の形態において、周波数分析
による補正値ΔＳ_ｆ（ｔ_ｊ）を求めるステップＳ０２
は、実施されないことも可能である。この場合、長期的
予測収穫量Ｓ_ｌ（ｔ_ｊ）は、第１次予測収穫量Ｓ_ｔ（ｔ
_ｊ）に等しいものとしてステップＳ０３、Ｓ０４は実施
される。

【００５１】また、本実施の形態のステップＳ０３にお
いて、教示データＴ_ｋが Ｔ_ｋ＝Ｓ_ｌ（ｔ_ｋ）−Ｕ（ｔ_ｋ）， …（５）’ で定義されることも可能である。この場合には、式
（８）は、 Ｓ（ｔ_ｊ）＝Ｓ_ｌ（ｔ_ｊ）−ΔＳ_ｎ（ｔ_ｊ） …（８）’ と変更される。

【００５２】また、本実施の形態の農作物収穫量予測方
法が、いちご以外の農作物に適用できることは自明的で
ある。

【００５３】実施の第２形態：実施の第２形態の農作物
収穫量予測方法は、ハウス栽培されているいちごの収穫
量を予測する。実施の第２形態の農作物収穫量予測方法
では、ニューラルネットワークを用いた補正値ΔＳ
_ｎ（ｔ_ｋ）の算出（Ｓ０３）の代わりに、カオス分析を
用いた補正値ΔＳ_ｃ（ｔ_ｋ）の算出が行われる。それ以
外の点は、実施の第２形態の農作物収穫量予測方法と、
実施の第１形態の農作物収穫量予測方法とは、同じであ
る。また、実施の第２形態の農作物収穫量予測方法で
も、実施の第１形態と同様の構成を有する農作物収穫量
予測装置を使用して予測が行われる。但し、記録媒体３
に記録されているプログラムは、後述の実施の第２形態
の農作物収穫量予測方法を実施するための手順が記録さ
れている。

【００５４】以下、図６を参照しながら実施の第２形態
の農作物収穫量予測方法を説明する。

【００５５】ステップＳ１１：栽培スケジュールデータ
ａに基づいて、期間ｔ_１、ｔ_２、…、ｔ_ｍにおける予測
収穫量である第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）が算出され
る。第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）が算出される過程
は、前述のステップＳ０１で説明されたものと同一であ
る。その説明は省略する。

【００５６】ステップＳ１１に続いて、ステップＳ１２
が行われる。

【００５７】ステップＳ１２：周波数分析を用いて補正
値ΔＳ_ｆ（ｔ_ｊ）が算出される。補正値ΔＳ_ｆ（ｔ_ｊ）
が算出される過程は、前述のステップＳ０２で説明され
たものと同一である。その説明は省略する。

【００５８】第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）と、補正値
ΔＳ_ｆ（ｔ_ｊ）とから長期予測収穫量Ｓ_ｌ（ｔ_ｊ）が求
められる。 Ｓ_ｌ（ｔ_ｊ）＝Ｓ_ｔ（ｔ_ｊ）＋ΔＳ_ｆ（ｔ_ｊ）， …（９） である。ステップＳ１２に続いて、ステップＳ１３が行
われる。

【００５９】ステップＳ１３：カオス分析を用いた補正
値ΔＳ_ｃ（ｔ_ｊ）の算出が行われる。具体的には、以下
の過程により、補正値ΔＳ_ｃ（ｔ_ｊ）の算出が行われ
る。

【００６０】まず、ｊ−１以下の自然数ｋのそれぞれに
ついて、期間ｔ_ｋにおける、いちごの実際の収穫量Ｕ
（ｔ_ｋ）と長期予測収穫量Ｓ_ｌ（ｔ_ｋ）との差分ΔＳ
（ｔ_ｋ）が求められる。即ち、 ΔＳ（ｔ_ｋ）＝Ｕ（ｔ_ｋ）−Ｓ_ｌ（ｔ_ｋ）． …（１０）

【００６１】続いて、ＦＦＴにより、差分ΔＳ（ｔ_ｋ）
のパワースペクトルが算出される。更に、差分ΔＳ（ｔ
_ｋ）について、ＲＳ（Ｒａｎｄｏｍ Ｓｈｕｆｆｌｅ
ｄ）サロゲートデータ関数が作成される。ＲＳサロゲー
トデータ関数は、差分ΔＳ（ｔ _ｋ）のパワースペクトル
を保存しながら、位相をランダムにシャッフルすること
により作成される。ＲＳサロゲートデータ関数は、ｐ個
（ｐは、２以上の自然数）作成される。そのＲＳサロゲ
ートデータ関数をそれぞれ、Ｊ_１（ｔ_ｋ）、Ｊ
_２（ｔ_ｋ）、…、Ｊ_ｐ（ｔ_ｋ）とする。

【００６２】続いて、サロゲートデータ関数Ｊ
_ｒ（ｔ_ｋ）のそれぞれと、オリジナルのデータである差
分ΔＳ（ｔ_ｋ）とが、軌道平行測度法（ＴＰＭ）により
比較される。サロゲートデータ関数Ｊ_１（ｔ_ｋ）、Ｊ_２
（ｔ_ｋ）、…、Ｊ_ｐ（ｔ_ｋ）のうち、軌道平行測度法
（ＴＰＭ）により差分ΔＳ（ｔ_ｋ）と一致すると判断さ
れたものをＪ_ｒ（ｔ_ｋ）とすると（ｒは、ｐ以下のいず
れか一の自然数）、補正値ΔＳ_ｃ（ｔ_ｊ）は、 ΔＳ_ｃ（ｔ_ｊ）＝Ｊ_ｒ（ｔ_ｊ）， …（１１） として定められる。

【００６３】前述のように、いちごの収穫を行うと、そ
れ自体が、次回に行われる収穫における収穫量に影響を
およぼす。カオス分析は、いちごの収穫量のように、結
果の中に原因が含まれている現象を予測することができ
る。カオス分析により求められた補正値ΔＳ_ｃ（ｔ_ｊ）
は、過去のいちごの収穫量が、予測の対象である期間に
おける収穫量に及ぼす影響を表現し、より正確な収穫量
の予測を行うことに寄与する。

【００６４】ステップＳ１３に続いて、ステップＳ１４
が行われる。

【００６５】ステップＳ１４：期間ｔ_ｊにおける補正値
ΔＳ_ｃ（ｔ_ｊ）と長期予測収穫量Ｓ_ｌ（ｔ_ｊ）とから、
期間ｔ_ｊにおける最終的予測収穫量Ｓ（ｔ_ｊ）が求めら
れる。予測の目的である最終的予測収穫量Ｓ（ｔ_ｊ）
は、 Ｓ（ｔ_ｊ）＝Ｓ_ｌ（ｔ_ｊ）＋ΔＳ_ｃ（ｔ_ｊ）， …（１２） である。図２に示された農作物収穫量予測装置は、最終
的予測収穫量Ｓ（ｔ_ｊ）を予想収穫量データｄとして出
力部４から出力する。以上で、期間ｔ_ｊにおけるいちご
の収穫量の予測は終了する。

【００６６】なお、本実施の形態において、周波数分析
による補正値ΔＳ_ｆ（ｔ_ｊ）を求めるステップＳ１２
は、実施されないことも可能である。この場合、長期的
予測収穫量Ｓ_ｌ（ｔ_ｊ）は、第１次予測収穫量Ｓ_ｔ（ｔ
_ｊ）に等しいものとしてステップＳ１３、Ｓ１４は実施
される。

【００６７】また、本実施の形態のステップＳ１３にお
いて、式（１０）により求められる差分ΔＳ（ｔ_ｋ）が ΔＳ（ｔ_ｋ）＝Ｓ_ｌ（ｔ_ｋ）−Ｕ（ｔ_ｋ）， …（１０）’ で定義されることも可能である。この場合には、式（１
２）は、 Ｓ（ｔ_ｊ）＝Ｓ_ｌ（ｔ_ｊ）−ΔＳ_ｃ（ｔ_ｊ） …（１２）’ と変更される。

【００６８】また、本実施の形態の農作物収穫量予測方
法が、いちご以外の農作物に適用できることは自明的で
ある。

【００６９】実施の第３形態：実施の第３形態の農作物
収穫量予測方法は、ハウス栽培されているいちごの収穫
量を予測する。実施の第３形態の農作物収穫量予測方法
は、ニューラルネットワークを用いた補正値の算出と、
カオス分析を用いた補正値の算出との両方が行われる点
で、実施の第１及び第２形態の農作物収穫量予測方法と
異なる。

【００７０】また、実施の第３形態の農作物収穫量予測
方法でも、図２に示された実施の第１形態と同様の構成
を有する農作物収穫量予測装置を使用して予測が行われ
る。但し、記録媒体３に記録されているプログラムは、
後述の実施の第３形態の農作物収穫量予測方法を実施す
るための手順が記録されている。

【００７１】以下、図７を参照しながら実施の第３形態
の農作物収穫量予測方法を説明する。

【００７２】ステップＳ２１：栽培スケジュールデータ
ａに基づいて、期間ｔ_１、ｔ_２、…、ｔ_ｍにおける予測
収穫量である第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）が算出され
る。第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）が算出される過程
は、前述のステップＳ０１で説明されたものと同一であ
る。その説明は省略する。

【００７３】ステップＳ２１に続いて、ステップＳ２２
が行われる。

【００７４】ステップＳ２２：周波数分析を用いて補正
値ΔＳ_ｆ（ｔ_ｊ）が算出される。補正値ΔＳ_ｆ（ｔ_ｊ）
が算出される過程は、前述のステップＳ０２で説明され
たものと同一である。その説明は省略する。

【００７５】第１次予測収穫量Ｓ_ｔ（ｔ_ｊ）と、補正値
ΔＳ_ｆ（ｔ_ｊ）とから長期予測収穫量Ｓ_ｌ（ｔ_ｊ）が求
められ、 Ｓ_ｌ（ｔ_ｊ）＝Ｓ_ｔ（ｔ_ｊ）＋ΔＳ_ｆ（ｔ_ｊ）， …（１３） である。ステップＳ２２に続いて、ステップＳ２３が行
われる。

【００７６】ステップＳ２３：ニューラルネットワーク
を用いて補正値ΔＳ_ｎ（ｔ_ｊ）が算出される。補正値Δ
Ｓ_ｎ（ｔ_ｊ）が算出される過程は、前述のステップＳ０
３で説明されたものと同一である。その説明は省略され
る。

【００７７】長期予測収穫量Ｓ_ｌ（ｔ_ｊ）と補正値ΔＳ
_ｎ（ｔ_ｊ）とから、第２次予測収穫量Ｓ_ｔ２（ｔ_ｊ）が
算出され， Ｓ_ｔ２（ｔ_ｊ）＝Ｓ_ｌ（ｔ_ｊ）＋ΔＳ_ｎ（ｔ_ｊ）、 …（１４） である。ステップＳ２３に続いてステップＳ２４が行わ
れる。

【００７８】ステップＳ２４：カオス分析を用いた補正
値ΔＳ_ｃ’（ｔ_ｊ）の算出が行われる。具体的には、以
下の過程により、補正値ΔＳ_ｃ’（ｔ_ｊ）の算出が行わ
れる。

【００７９】まず、ｊ−１以下の自然数ｋのそれぞれに
ついて、期間ｔ_ｋにおける、いちごの実際の収穫量Ｕ
（ｔ_ｋ）と第２次予測収穫量Ｓ_ｔ２（ｔ_ｋ）との差分Δ
Ｓ’（ｔ_ｋ）が求められる。

【００８０】続いて、ＦＦＴにより、差分ΔＳ’
（ｔ_ｋ）のパワースペクトルが算出される。差分ΔＳ’
（ｔ_ｋ）について、ＲＳ（Ｒａｎｄｏｍ Ｓｈｕｆｆｌ
ｅｄ）サロゲートデータ関数が作成される。ＲＳサロゲ
ートデータ関数は、差分ΔＳ’（ｔ _ｋ）のパワースペク
トルを保存しながら、位相をランダムにシャッフルする
ことにより作成される。ＲＳサロゲートデータ関数は、
ｐ個（ｐは、２以上の自然数）作成される。そのＲＳサ
ロゲートデータ関数をそれぞれ、Ｊ_１’（ｔ_ｋ）、
Ｊ _２’（ｔ_ｋ）、…、Ｊ_ｐ’（ｔ_ｋ）とする。

【００８１】続いて、サロゲートデータ関数Ｊ_ｒ’（ｔ
_ｋ）のそれぞれと、オリジナルのデータである差分ΔＳ
（ｔ_ｋ）とが、軌道平行測度法（ＴＰＭ）により比較さ
れる。サロゲートデータ関数Ｊ_１’（ｔ_ｋ）、Ｊ_２’
（ｔ_ｋ）、…、Ｊ_ｐ’（ｔ_ｋ）のうち、軌道平行測度法
（ＴＰＭ）により差分ΔＳ’（ｔ_ｋ）と一致すると判断
されたものをＪ_ｒ’（ｔ_ｋ）とすると（ｒは、ｐ以下の
いずれか一の自然数）、補正値ΔＳ_ｃ’（ｔ_ｊ）は、 ΔＳ_ｃ’（ｔ_ｊ）＝Ｊ_ｒ’（ｔ_ｊ）， …（１５） として定められる。ステップＳ２４に続いてステップＳ
２５が行われる。

【００８２】ステップＳ２５：期間ｔ_ｊにおける補正値
ΔＳ_ｃ’（ｔ_ｊ）と第２次予測収穫量Ｓ_ｔ２（ｔ_ｊ）と
から、期間ｔ_ｊにおける最終的予測収穫量Ｓ（ｔ_ｊ）が
求められる。予測の目的である最終的予測収穫量Ｓ（ｔ
_ｊ）は、 Ｓ（ｔ_ｊ）＝Ｓ_ｔ２（ｔ_ｊ）＋ΔＳ_ｎ’（ｔ_ｊ） …（１６） である。図２に示された農作物収穫量予測装置は、最終
的予測収穫量Ｓ（ｔ_ｊ）を予想収穫量データｄとして出
力部４から出力する。以上で、期間ｔ_ｊにおけるいちご
の収穫量の予測は終了する。

【００８３】実施の第３形態の農作物収穫量予測方法
は、補正値ΔＳ_ｎ（ｔ_ｊ）を介し、天候がいちごの収穫
量に及ぼす影響が、収穫量の予測に取り入れられる。更
に、実施の第３形態の農作物収穫量予測方法は、補正値
ΔＳ_ｃ’（ｔ_ｊ）を介し、過去のいちごの収穫量自体
が、予測の対象である期間における収穫量に及ぼす影響
が収穫量の予測に取り入れられる。

【００８４】なお、本実施の形態において、周波数分析
による補正値ΔＳ_ｆ（ｔ_ｊ）を求めるステップＳ２２
は、実施されないことも可能である。この場合、長期的
予測収穫量Ｓ_ｌ（ｔ_ｊ）は、第１次予測収穫量Ｓ_ｔ（ｔ
_ｊ）に等しいものとしてステップＳ２３〜Ｓ２５は実施
される。

【００８５】また、本実施の形態の農作物収穫量予測方
法が、いちご以外の農作物に適用できることは自明的で
ある。

【発明の効果】本発明により、農作物の収穫量の予測、
とりわけ、農作物の収穫量の短期予測を正確に行うこと
ができる。

【図面の簡単な説明】

【図１】図１は、本発明による実施の第１形態の農作物
収穫量予測方法を示すフローチャートである。

【図２】図２は、本発明による実施の形態の農作物収穫
量予測方法を実行する農作物収穫量予測装置を示す。

【図３】図３は、栽培スケジュールの一例を示す。

【図４】図４は、平成８年度のいちごの栽培にかかる第
１次予測収穫量Ｓ_ｔ（ｔ_ｋ）と、いちごの実際の収穫量
Ｕ（ｔ_ｋ）とを示す。

【図５】図５は、ニューラルネットワーク１１を示す。

【図６】図６は、本発明による実施の第２形態の農作物
収穫量予測方法を示すフローチャートである。

【図７】図７は、本発明による実施の第３形態の農作物
収穫量予測方法を示すフローチャートである。

【符号の説明】

１：入力部 ２：演算部 ３：記録媒体 ４：出力部 Ｓ０１〜Ｓ０４、Ｓ１１〜Ｓ１４、Ｓ２１〜Ｓ２５：ス
テップ

Claims (16)

【特許請求の範囲】
1. 【請求項１】 （ａ）農作物の栽培計画に基づいて、前
   記農作物の第１予測収穫量を算出するステップと、 （ｂ）ニューラルネットワークを用いて補正値を算出す
   るステップと、 （ｃ）前記第１予測収穫量と前記補正値に基づいて、予
   測の対象である予測期間における予測収穫量である最終
   的予測収穫量を算出するステップとを具備する農作物収
   穫量予測方法。
2. 【請求項２】 請求項１の農作物収穫量予測方法におい
   て、 前記第１予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
   過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する将
   来予測収穫量とを含み、 前記ニューラルネットワークの教師データは、前記農作
   物の過去の実際の収穫量である過去収穫量と前記過去予
   測収穫量との差分であり、 前記最終的予測収穫量は、前記将来予測収穫量と前記補
   正値とに基づいて求められる農作物収穫量予測方法。
3. 【請求項３】 請求項２の農作物収穫量予測方法におい
   て、 前記ニューラルネットワークの入力データは、前記農作
   物が作られる地域における天候を示すデータを含む農作
   物収穫量予測方法。
4. 【請求項４】 請求項２の農作物収穫量予測方法におい
   て、 前記ニューラルネットワークの入力データは、前記過去
   収穫量を含む農作物収穫量予測方法。
5. 【請求項５】 請求項１の農作物収穫量予測方法におい
   て、 前記（ａ）ステップは、 （ｄ）前記栽培計画と、前記予測期間より過去における
   前記農作物の実際の収穫量の周波数スペクトルとに基づ
   いて、前記第１予測収穫量を算出するステップを含む農
   作物収穫量予測方法。
6. 【請求項６】 （ｅ）農作物の栽培計画に基づいて、前
   記農作物の第１予測収穫量を算出するステップと、ここ
   で前記第１予測収穫量は、 前記農作物の過去の収穫量を予測した過去予測収穫量
   と、 予測の対象である予測期間における前記農作物の収穫量
   を予測する将来予測収穫量とを含み、 （ｆ）前記農作物の過去の実際の収穫量である過去収穫
   量と前記過去予測収穫量との差分がカオス変動をすると
   してカオス分析することにより、補正値を算出するステ
   ップと、 （ｇ）前記将来予測収穫量と前記補正値とに基づいて、
   前記予測期間における予測収穫量である最終的予測収穫
   量を算出するステップとを具備する農作物収穫量予測方
   法。
7. 【請求項７】 請求項６の農作物収穫量予測方法におい
   て、 前記（ｅ）ステップは、 （ｈ）前記栽培計画と、前記予測期間より過去における
   前記農作物の実際の収穫量の周波数スペクトルとに基づ
   いて、前記第１予測収穫量を算出するステップとを含む
   農作物収穫量予測方法。
8. 【請求項８】 （ｉ）農作物の栽培計画に基づいて、前
   記農作物の第１予測収穫量を算出するステップと、ここ
   で前記第１予測収穫量は、前記予測期間より過去の前記
   農作物の収穫量を予測した第１過去予測収穫量とを含
   み、 （ｊ）ニューラルネットワークを用いて第１補正値を算
   出するステップと、ここで、前記ニューラルネットワー
   クの教師データは、前記農作物の過去の実際の収穫量で
   ある過去収穫量と前記第１過去予測収穫量との差分であ
   り、 （ｋ）前記第１予測収穫量と前記第１補正値とに基づい
   て、第２予測収穫量を算出するステップと、ここで、前
   記第２予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
   第２過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する第
   ２将来予測収穫量とを含み、 （ｌ）前記第２過去収穫量と前記第２過去予測収穫量と
   の差分がカオス変動をするとしてカオス分析することに
   より、第２補正値を算出することと、 （ｍ）前記第２将来予測収穫量と前記第２補正値とに基
   づいて、前記予測期間における予測収穫量である最終的
   予測収穫量を算出するステップとを具備する農作物収穫
   量予測方法。
9. 【請求項９】 農作物の栽培計画に基づいて、前記農作
   物の第１予測収穫量を算出する第１予測収穫量算出手段
   と、 ニューラルネットワークを用いて補正値を算出する補正
   値算出手段と前記第１予測収穫量と前記補正値に基づい
   て、予測の対象である予測期間における予測収穫量であ
   る最終的予測収穫量を算出する最終的予測収穫量算出手
   段とを具備する農作物収穫量予測装置。
10. 【請求項１０】 請求項９の農作物収穫量予測装置にお
    いて、 前記第１予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
    過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する将
    来予測収穫量とを含み、 前記ニューラルネットワークの教師データは、前記農作
    物の過去の実際の収穫量である過去収穫量と前記過去予
    測収穫量との差分であり、 前記最終的予測収穫量は、前記将来予測収穫量と前記補
    正値とに基づいて求められる農作物収穫量予測装置。
11. 【請求項１１】 農作物の栽培計画に基づいて、前記農
    作物の第１予測収穫量を算出する第１予測収穫量算出手
    段と、ここで前記第１予測収穫量は、 前記農作物の過去の収穫量を予測した過去予測収穫量
    と、 予測の対象である予測期間における前記農作物の収穫量
    を予測する将来予測収穫量とを含み、 前記農作物の過去の実際の収穫量である過去収穫量と前
    記過去予測収穫量との差分がカオス変動をするとしてカ
    オス分析することにより、補正値を算出する補正値算出
    手段と、 前記将来予測収穫量と前記補正値とに基づいて、前記予
    測期間における予測収穫量である最終的予測収穫量を算
    出する最終的予測収穫量算出手段とを具備する農作物収
    穫量予測装置。
12. 【請求項１２】 農作物の栽培計画に基づいて、前記農
    作物の第１予測収穫量を算出する第１予測収穫量算出手
    段と、ここで前記第１予測収穫量は、前記予測期間より
    過去の前記農作物の収穫量を予測した第１過去予測収穫
    量を含み、 ニューラルネットワークを用いて第１補正値を算出する
    第１補正値算出手段と、ここで、前記ニューラルネット
    ワークの教師データは、前記農作物の過去の実際の収穫
    量である過去収穫量と前記第１過去予測収穫量との差分
    であり、 前記第１予測収穫量と前記第１補正値とに基づいて、第
    ２予測収穫量を算出する第２予測収穫量算出手段と、こ
    こで前記第２予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
    第２過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する第
    ２将来予測収穫量とを含み、 前記過去収穫量と前記第２過去予測収穫量との差分がカ
    オス変動をするとしてカオス分析することにより、第２
    補正値を算出する第２補正値算出手段と、 前記第２将来予測収穫量と前記第２補正値とに基づい
    て、前記予測期間における予測収穫量である最終的予測
    収穫量を算出する最終的予測収穫量算出手段とを具備す
    る農作物収穫量予測装置。
13. 【請求項１３】 （ａ）農作物の栽培計画に基づいて、
    前記農作物の第１予測収穫量を算出するステップと、 （ｂ）ニューラルネットワークを用いて補正値を算出す
    るステップと、 （ｃ）前記第１予測収穫量と前記補正値に基づいて、予
    測の対象である予測期間における予測収穫量である最終
    的予測収穫量を算出するステップとを実行するプログラ
    ムが記載された記録媒体。
14. 【請求項１４】 請求項１３の記録媒体において、 前記第１予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
    過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する将
    来予測収穫量とを含み、 前記ニューラルネットワークの教師データは、前記農作
    物の過去の実際の収穫量である過去収穫量と前記過去予
    測収穫量との差分であり、 前記最終的予測収穫量は、前記将来予測収穫量と前記補
    正値とに基づいて求められる記録媒体。
15. 【請求項１５】 （ｅ）農作物の栽培計画に基づいて、
    前記農作物の第１予測収穫量を算出するステップと、こ
    こで前記第１予測収穫量は、 前記農作物の過去の収穫量を予測した過去予測収穫量
    と、 予測の対象である予測期間における前記農作物の収穫量
    を予測する将来予測収穫量とを含み、 （ｆ）前記農作物の過去の実際の収穫量である過去収穫
    量と前記過去予測収穫量との差分がカオス変動をすると
    してカオス分析することにより、補正値を算出するステ
    ップと、 （ｇ）前記将来予測収穫量と前記補正値とに基づいて、
    前記予測期間における予測収穫量である最終的予測収穫
    量を算出するステップとを具備するとを実行するプログ
    ラムが記載された記録媒体。
16. 【請求項１６】 （ｉ）農作物の栽培計画に基づいて、
    前記農作物の第１予測収穫量を算出するステップと、こ
    こで前記第１予測収穫量は、前記予測期間より過去の前
    記農作物の収穫量を予測した第１過去予測収穫量を含
    み、 （ｊ）ニューラルネットワークを用いて第１補正値を算
    出するステップと、ここで、前記ニューラルネットワー
    クの教師データは、前記農作物の過去の実際の収穫量で
    ある過去収穫量と前記第１過去予測収穫量との差分であ
    り、 （ｋ）前記第１予測収穫量と前記第１補正値とに基づい
    て、第２予測収穫量を算出するステップと、ここで、前
    記第２予測収穫量は、 前記予測期間より過去の前記農作物の収穫量を予測した
    第２過去予測収穫量と、 前記予測期間における前記農作物の収穫量を予測する第
    ２将来予測収穫量とを含み、 （ｌ）前記過去収穫量と前記第２過去予測収穫量との差
    分がカオス変動をするとしてカオス分析することによ
    り、第２補正値を算出することと、 （ｍ）前記第２将来予測収穫量と前記第２補正値とに基
    づいて、前記予測期間における予測収穫量である最終的
    予測収穫量を算出するステップとを実行するプログラム
    が記録された記録媒体。