JP5991182B2 - Plant species determination program, plant species determination method, and plant species identification device - Google Patents
Plant species determination program, plant species determination method, and plant species identification device Download PDFInfo
- Publication number
- JP5991182B2 JP5991182B2 JP2012273100A JP2012273100A JP5991182B2 JP 5991182 B2 JP5991182 B2 JP 5991182B2 JP 2012273100 A JP2012273100 A JP 2012273100A JP 2012273100 A JP2012273100 A JP 2012273100A JP 5991182 B2 JP5991182 B2 JP 5991182B2
- Authority
- JP
- Japan
- Prior art keywords
- soil
- spectrum data
- data
- spectrum
- tree
- 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.)
- Expired - Fee Related
Links
- 241000196324 Embryophyta Species 0.000 title claims description 52
- 238000000034 method Methods 0.000 title claims description 46
- 238000001228 spectrum Methods 0.000 claims description 342
- 239000002689 soil Substances 0.000 claims description 162
- 238000005259 measurement Methods 0.000 claims description 69
- 241000894007 species Species 0.000 claims description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002023 wood Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 27
- 241000218652 Larix Species 0.000 description 23
- 235000005590 Larix decidua Nutrition 0.000 description 23
- 239000013598 vector Substances 0.000 description 16
- 241000218645 Cedrus Species 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 7
- 241000218691 Cupressaceae Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 240000005020 Acaciella glauca Species 0.000 description 4
- 235000018782 Dacrydium cupressinum Nutrition 0.000 description 4
- 235000013697 Pinus resinosa Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000000405 Pinus densiflora Nutrition 0.000 description 1
- 240000008670 Pinus densiflora Species 0.000 description 1
- 108010082455 Sebelipase alfa Proteins 0.000 description 1
- 241000718541 Tetragastris balsamifera Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229940041615 kanuma Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229940035637 spectrum-4 Drugs 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、植物種判定プログラム、植物種判定方法および植物種識別装置に関する。 The present invention relates to a plant species determination program, a plant species determination method, and a plant species identification device.
環境調査において植生の分布を調べるために植生調査がなされる。植生調査は主に以下の2つの方法でおこなわれている。一つは、識別者が現地に赴いて各地域に植生している樹木を逐一判別していく方法である。もう一つは、衛星や航空機等から撮影された写真や画像を用いて識別者が植生の分布を判別するリモートセンシングという方法である。リモートセンシングによる植生調査は、植生図撮影用センサを用いて空撮することによりおこなわれる。従来は植生図の画像データを白黒画像で取得していたが、最近ではセンサの機能が向上したため、植生図の画像データをカラー画像、いわゆるマルチスペクトルで取得することも可能となっている。 Vegetation surveys are conducted to investigate the distribution of vegetation in environmental surveys. Vegetation surveys are mainly conducted by the following two methods. One is a method in which the discriminator visits the site and discriminates trees that are planted in each region. The other is remote sensing, in which a discriminator discriminates the distribution of vegetation using photographs and images taken from satellites, aircraft, and the like. The vegetation survey by remote sensing is performed by taking an aerial photograph using a vegetation map photographing sensor. Conventionally, image data of a vegetation map is acquired as a black and white image. However, recently, since the function of the sensor has improved, it is also possible to acquire image data of a vegetation map as a color image, so-called multispectrum.
従来のマルチスペクトルセンサと比べてハイパースペクトルセンサを用いれば、得られる情報量が向上し、従来のマルチスペクトルセンサの10倍以上のバンド計測が可能となる。このため、ここ最近では植生図の撮影にハイパースペクトルセンサを用いることが多い。そして、ハイパースペクトルセンサが普及したことによりリモートセンシングに関する活用分野が増加し、環境、農業分野などの様々な分野においても広く活用されるようになりつつある。さらに、ハイパースペクトルセンサにより得られるハイパースペクトルデータは、画像の1ピクセル毎に波長情報と光強度情報などの反射スペクトルデータを有している。画像に映し出される樹冠の反射スペクトルを観察すると、樹種ごとにピーク波長域が異なる等の特徴があらわれることが分かる。そのため、画像データから得られるスペクトルと、樹木基準スペクトルとの類似度を計測すれば、各座標の樹種を判別することが可能である。 If a hyperspectral sensor is used as compared with a conventional multispectral sensor, the amount of information obtained is improved, and band measurement more than 10 times that of a conventional multispectral sensor becomes possible. For this reason, recently, a hyperspectral sensor is often used for photographing vegetation maps. With the spread of hyperspectral sensors, the field of use related to remote sensing is increasing, and it is becoming widely used in various fields such as the environment and agriculture. Furthermore, the hyperspectral data obtained by the hyperspectral sensor has reflection spectrum data such as wavelength information and light intensity information for each pixel of the image. Observing the reflection spectrum of the crown reflected in the image, it can be seen that there are features such as different peak wavelength ranges for each species. Therefore, if the degree of similarity between the spectrum obtained from the image data and the tree reference spectrum is measured, the tree type of each coordinate can be determined.
また、最近では、コンピュータ上で地理情報に様々な付加情報を持たせるGIS(Geographic Information System)から植生図を作成することが主流である。あらかじめ用意された各植物種の樹冠形状や色を示す基準情報として植生指数(NDVI: Normalized Difference Vegetation Index)等を用いて、カメラやセンサで撮影された画像データからサンプルとなる樹木基準スペクトルを抽出する。この樹木基準スペクトルと、GISから得られる樹木のスペクトルとをパターンマッチングすることによって樹種を識別する。 In recent years, it has been a mainstream to create a vegetation map from a GIS (Geographic Information System) that gives various additional information to geographic information on a computer. Extracting a tree standard spectrum as a sample from image data taken with a camera or sensor using NDVI (Normalized Difference Vegetation Index) as standard information indicating the crown shape and color of each plant species prepared in advance To do. The tree species is identified by pattern matching the tree reference spectrum and the tree spectrum obtained from the GIS.
空撮された画像データを構成する1ピクセルには、樹木のスペクトル、もしくは土壌のスペクトルのみが存在するものだけでなく、樹木のスペクトルと土壌のスペクトルとが混合しているものもある。このため、このピクセルから抽出したスペクトルと各樹木基準スペクトルとをパターンマッチングしても、土壌のスペクトルが影響して所望の結果が得られないことがある。そこで、例えば、あらかじめ樹木と土壌の割合を様々な値に変更して複数の混合スペクトルを作成しておき、各混合スペクトルを用いてパターンマッチングすることにより樹種を判定することがあった。 One pixel constituting the aerial image data includes not only a tree spectrum or a soil spectrum but also a mixture of a tree spectrum and a soil spectrum. For this reason, even if the pattern extracted from the spectrum extracted from this pixel and each tree reference spectrum is subjected to pattern matching, the desired result may not be obtained due to the influence of the soil spectrum. Therefore, for example, the tree species may be determined by changing the ratio of the tree and the soil to various values in advance to create a plurality of mixed spectra and performing pattern matching using each mixed spectrum.
しかしながら、ハイパースペクトルデータ上に未判別エリアが残るという問題がある。 However, there is a problem that an unidentified area remains on the hyperspectral data.
従来技術では、ある樹木基準スペクトルに対して、一の土壌基準スペクトルを対応させ、樹木と土壌の割合を変更することにより、複数の混合スペクトルを作成する。ところが、樹木のマッチングが得られた判別エリアとともに、いずれの混合スペクトルにもマッチングしない未判別エリアが存在する解析結果となる場合がある。このため、パターンマッチングにおいては、樹木スペクトルのマッチング率をより高め、未判別エリアをなくすことが重要な課題である。 In the prior art, a plurality of mixed spectra are created by making one soil reference spectrum correspond to a certain tree reference spectrum and changing the ratio of the tree and the soil. However, there may be an analysis result in which there are unidentified areas that do not match any mixed spectrum together with the discriminant areas in which matching of trees is obtained. For this reason, in pattern matching, it is important to increase the matching rate of tree spectra and eliminate unidentified areas.
開示の技術は、上記に鑑みてなされたものであって、未判別エリアをなくすことができる植物種判定プログラム、植物種判定方法および植物種識別装置を提供することを目的とする。 The disclosed technology has been made in view of the above, and an object thereof is to provide a plant species determination program, a plant species determination method, and a plant species identification device that can eliminate an unidentified area.
第1の案において、混合スペクトルデータは、樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータである。植物種判定プログラムは、混合スペクトルデータと調査対象の測定領域のスペクトルデータとを基にして樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する処理をコンピュータに実行させる。 In the first proposal, the mixed spectrum data is data generated based on tree reference spectrum data and a plurality of types of soil reference spectrum data. The plant species determination program causes the computer to execute a process of determining a measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data and the spectrum data of the measurement region to be investigated.
開示の技術によれば、植生図における未判別エリアをなくすことができるという効果を奏する。 According to the technique of an indication, there exists an effect that the unidentified area in a vegetation map can be eliminated.
以下に、本願の開示の技術にかかる植物種判定プログラム、植物種判定方法および植物種識別装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Embodiments of a plant species determination program, a plant species determination method, and a plant species identification device according to the technology disclosed herein will be described below in detail with reference to the drawings. Note that the present invention is not limited to the embodiments. Each embodiment can be appropriately combined within a range in which processing contents do not contradict each other.
実施例1に係る植物種識別装置の機能構成の一例について説明する。図1は、実施例1に係る植物種識別装置の構成を示す機能ブロック図である。図1に示すように、この植物種識別装置100は、記憶部110と、制御部120とを有する。また、植物種識別装置100は、入力部101と、出力部102が接続される。
An example of a functional configuration of the plant species identification device according to the first embodiment will be described. FIG. 1 is a functional block diagram illustrating the configuration of the plant species identification device according to the first embodiment. As shown in FIG. 1, the plant
記憶部110は、樹木スペクトルデータ111と、土壌スペクトルデータ112と、混合スペクトルデータ113と、ハイパースペクトルデータ114とを記憶する。記憶部110は、例えば、RAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリ(Flash Memory)などの半導体メモリ素子、ハードディスクや光ディスクなどの記憶装置に対応する。
The
樹木スペクトルデータ111は、各種の樹木基準スペクトルデータをそれぞれ含むデータである。例えば、樹木スペクトルデータ111は、カラマツの基準スペクトルデータ、アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等の各樹木基準スペクトルデータを含む。
The
カラマツの基準スペクトルデータは、下記の方法により予め抽出しておくものとする。例えば、カラマツのスペクトルデータをあらかじめ取得しておき、かかるスペクトルデータをカラマツの基準スペクトルデータとする。なお、カラマツのスペクトルデータを予め複数取得しておき、かかる複数のスペクトルデータを平均化することで、カラマツの基準スペクトルデータを求めてもよい。 The larch reference spectrum data is extracted in advance by the following method. For example, larch spectrum data is acquired in advance, and the spectrum data is used as larch reference spectrum data. Alternatively, a plurality of larch spectrum data may be acquired in advance, and the plurality of spectrum data may be averaged to obtain the larch reference spectrum data.
アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等、他の樹木基準スペクトルデータも、カラマツの基準スペクトルデータと同様にして予め求めておくものとする。 It is assumed that other tree reference spectrum data such as red pine reference spectrum data, hinoki reference spectrum data, and drill reference spectrum data are obtained in advance in the same manner as the larch reference spectrum data.
図2は、樹木スペクトルデータのデータ構造の一例を示す図である。図2に示すように樹木スペクトルデータ111は、樹種名と樹木基準スペクトルデータとを対応づけて記憶する。例えば、カラマツの基準スペクトルデータは、予め測定しておいたカラマツのスペクトルデータから抽出された後、記憶部110に記憶される。なお、樹木スペクトルデータ111は、その他の樹木基準スペクトルデータを含んでもよい。
FIG. 2 is a diagram illustrating an example of a data structure of tree spectrum data. As shown in FIG. 2, the
一方、土壌スペクトルデータ112は、土壌の含水量毎に測定された土壌基準スペクトルデータをそれぞれ含むデータである。土壌スペクトルデータ112は、土壌の含水量により光強度が変化する場合がある。そのため、土壌スペクトルデータ112は、それぞれの土壌の含水量毎に土壌基準スペクトルを含んでもよい。例えば、土壌スペクトルデータ112は、含水量0%の土壌基準スペクトルデータ、含水量10%の土壌基準スペクトルデータ、含水量20%の土壌基準スペクトルデータ等を含む。
On the other hand, the
図3は、含水量毎に測定した土壌スペクトルの一例を示す図である。図3の横軸は波長(nm)、縦軸は光強度を示す。図3には、土壌スペクトルとして、乾燥した土壌のスペクトル1と、含水量が少ない順に、含水量10%の土壌のスペクトル2と、含水量20%の土壌のスペクトル3と、含水量30%の土壌のスペクトル4とが示されている。図3によると、乾燥した土壌が最もスペクトル全体の光強度が大きく、含水量10%の土壌、含水量20%の土壌、含水量30%の土壌の順にスペクトル全体の光強度が下がっている。このことから、含水量が多い土壌ほどスペクトル全体の光強度が小さいといえる。なお、乾燥した土壌は、含水量0%の土壌に対応する。
FIG. 3 is a diagram illustrating an example of a soil spectrum measured for each water content. In FIG. 3, the horizontal axis represents wavelength (nm) and the vertical axis represents light intensity. In FIG. 3, as a soil spectrum, the
土壌の含水量10%の土壌基準スペクトルデータは、下記の方法により予め抽出しておくものとする。例えば、含水量10%の土壌に対応するスペクトルデータ上の座標を予め取得しておき、かかるスペクトルデータを含水量10%の土壌基準スペクトルデータとする。なお、この土壌のスペクトルデータを予め複数取得しておき、かかる複数のスペクトルデータを平均化することで、含水量10%の土壌基準スペクトルデータを求めてもよい。なお、他の含水量の土壌基準スペクトルデータも同様にして予め求めておくものとする。 The soil reference spectrum data with a soil water content of 10% is extracted in advance by the following method. For example, coordinates on spectrum data corresponding to soil having a water content of 10% are acquired in advance, and such spectrum data is used as soil reference spectrum data having a water content of 10%. In addition, you may obtain | require soil reference spectrum data with a moisture content of 10% by acquiring a plurality of spectrum data of this soil beforehand and averaging the plurality of spectrum data. In addition, the soil reference spectrum data of other water content shall be calculated | required similarly similarly.
図4は、土壌スペクトルデータのデータ構造の一例を示す図である。図4に示すように、土壌スペクトルデータ112は、土壌の含水量と土壌基準スペクトルデータとを関連づけている。例えば、土壌スペクトルデータ112を構成する各土壌基準スペクトルデータは、土壌の含水量0%から含水量を10%ずつ増加して含水量90%までの各含水量の土壌基準スペクトルデータを含む。
FIG. 4 is a diagram illustrating an example of a data structure of soil spectrum data. As shown in FIG. 4, the
混合スペクトルデータ113は、樹木スペクトルデータ111と土壌スペクトルデータ112とに基づき生成されるデータである。樹木スペクトルデータ111中に含まれている各樹種の樹木基準スペクトルデータと、土壌スペクトルデータ112中に含まれている各含水量の土壌基準スペクトルデータとをそれぞれ組み合わせ、各樹種について混合スペクトルデータを得る。なお、混合スペクトルデータの計算方法については後述する。
The
図5は、混合スペクトルデータのデータ構造の一例を示す図である。図5に示すように、この混合スペクトルデータは、樹種名と、土壌の含水量と、樹木/土壌と、混合スペクトルデータとを対応づける。ここで、樹木/土壌は、ある樹木の樹木基準スペクトルデータとある含水量の土壌基準スペクトルデータとの混合割合を示すものである。例えば、樹木/土壌が「10/90」の場合は、樹木基準スペクトルデータの混合割合が10%、土壌基準スペクトルデータの混合割合が90%となる。 FIG. 5 is a diagram illustrating an example of the data structure of the mixed spectrum data. As shown in FIG. 5, the mixed spectrum data associates tree species names, soil water content, trees / soil, and mixed spectrum data. Here, the tree / soil indicates a mixing ratio between the tree reference spectrum data of a certain tree and the soil reference spectrum data having a certain water content. For example, when the tree / soil is “10/90”, the mixing ratio of the tree reference spectrum data is 10%, and the mixing ratio of the soil reference spectrum data is 90%.
例えば、図5の1段目に示す「1−0−1.混合スペクトルデータ」は、混合割合10%のカラマツの基準スペクトルデータと、混合割合90%の含水量0%の土壌基準スペクトルデータとを組み合わせたデータである。 For example, “1-0-1. Mixed spectrum data” shown in the first row of FIG. 5 includes reference spectrum data of larch having a mixing ratio of 10%, soil reference spectrum data having a mixing ratio of 90% and water content of 0%. Is a combination of
ハイパースペクトルデータ114は、測定対象地域の画像データを含む。この画像データから測定対象地域の地形を確認することができる。さらに、ハイパースペクトルデータ114の画像データを構成する各ピクセルには、それぞれスペクトルデータが含まれる。
The
制御部120は、混合部121と、受付部122と、判定部123とを有する。制御部120の機能は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)などの集積回路により実現することができる。また、制御部120の機能は、例えば、CPU(Central Processing Unit)が所定のプログラムを実行することで実現することができる。
The
混合部121は、樹木スペクトルデータ111と土壌スペクトルデータ112とに基づき混合スペクトルデータ113を生成する。混合スペクトルデータ113は、樹木基準スペクトルの光強度に混合割合を乗じたものと、土壌基準スペクトルの光強度に混合割合を乗じたものと、を波長毎にそれぞれ足し合わせることにより、算出される。以下、混合スペクトルデータ113の生成方法について具体例を挙げて説明する。
The
図6および図7は、混合部121の処理を説明するための図である。ここでは、一例として、混合部121が、混合割合10%の土壌基準スペクトルデータと混合割合90%の樹木基準スペクトルデータとを組み合わせた混合スペクトルデータを生成する場合について説明する。
6 and 7 are diagrams for explaining the processing of the
図6は、樹木の基準スペクトルデータおよび土壌の基準スペクトルデータのデータ構造の一例を示す図である。図6において、例えば、波長「450nm」の土壌基準スペクトルの光強度は「8.1」であり、樹木基準スペクトルの光強度は「8.142857」となる。 FIG. 6 is a diagram illustrating an example of a data structure of tree reference spectrum data and soil reference spectrum data. In FIG. 6, for example, the light intensity of the soil reference spectrum at the wavelength “450 nm” is “8.1”, and the light intensity of the tree reference spectrum is “8.142857”.
図7は、各波長における混合割合10%の土壌基準スペクトルデータと混合割合90%の樹木基準スペクトルデータとを例示した表を示した図である。なお、図7の土壌基準スペクトルデータは、図4に示した土壌基準スペクトルデータのいずれかに対応する。また、樹木基準スペクトルデータは、図2に示した樹木基準スペクトルデータのいずれかに対応する。 FIG. 7 is a diagram illustrating a table illustrating soil reference spectrum data with a mixing ratio of 10% and tree reference spectrum data with a mixing ratio of 90% at each wavelength. Note that the soil reference spectrum data in FIG. 7 corresponds to any of the soil reference spectrum data shown in FIG. The tree reference spectrum data corresponds to any of the tree reference spectrum data shown in FIG.
例えば、図6に示すように、波長450nmにおいて、土壌基準スペクトルの光強度が「8.1」、樹木基準スペクトルの光強度が「8.142857」となっている。混合部121が光強度「8.1」ならびに樹木基準スペクトルの光強度「8.142857」それぞれに混合割合10%ならびに90%を乗じると、図7に示すように、土壌基準スペクトルの光強度が「0.81」、樹木基準スペクトルの光強度が「7.328571」となる。混合部121がこれらを足し合わせると、波長450nmの混合スペクトルの光強度は「8.138571」となる。なお、混合部121は、他波長の混合スペクトルの光強度についても、同様に算出する。
For example, as shown in FIG. 6, at a wavelength of 450 nm, the light intensity of the soil reference spectrum is “8.1”, and the light intensity of the tree reference spectrum is “8.142857”. When the
入力部101は、ハイパースペクトルセンサで撮影したハイパースペクトルデータ114の入力を受け付ける。入力部101は、ハイパースペクトルデータ114を植物種識別装置100の受付部122へ入力する。また、入力部101は、利用者による処理を開始する指示の入力を受け付け、指示内容を受付部122に入力してもよい。なお、入力部101は、キーボードやマウス、媒体読取装置などに対応する。
The
受付部122は、入力部101からハイパースペクトルデータ114の入力を受け付け、記憶部110へ送信する処理、ならびに、利用者による指示内容を各処理部へ送信する処理をおこなう。例えば、受付部122は、記憶したハイパースペクトルデータ114を、記憶部110に記憶させる。また、例えば、利用者は、入力部101を介して植物種識別装置100の処理開始を指示することができる。
The accepting
判定部123は、各測定領域に植生する樹種を判定する。そのために、判定部123は、混合スペクトルデータ113と、ハイパースペクトルデータ114が有するある測定領域のスペクトルデータと、をマッチングし、測定領域のスペクトルデータが混合スペクトルデータに一致するかを判定する。スペクトルの一致は、例えば、スペクトルの類似度によって判定してもよい。スペクトルの類似度は、例えば、2つのスペクトルをそれぞれベクトル化し、2つのベクトルのコサイン距離を比較する「Spectral Angle Mapper法」によってなされてもよい。以下、スペクトルのベクトル化と、コサイン距離の算出方法について説明する。
The
図8は、スペクトルデータのベクトル化を概念的に説明するための図である。図8のHS1はスペクトル1を示す多次元ベクトルである。また、縦軸A1、横軸A2、横軸A3等は、ベクトル空間の各次元軸を示す。
FIG. 8 is a diagram for conceptually explaining vectorization of spectrum data. HS 1 in FIG. 8 is a multidimensional
ベクトル空間の次元数は、スペクトルから光強度を取得した波長の数に相当する。例えば、スペクトルデータが400nm、450nm、500nmの3つの波長で光強度を取得した場合、判定部123はスペクトルを3次元ベクトルで表示することができる。
The number of dimensions of the vector space corresponds to the number of wavelengths obtained from the spectrum. For example, when the light intensity is acquired at three wavelengths of 400 nm, 450 nm, and 500 nm as spectrum data, the
スペクトル1のベクトル化を一例として説明する。光強度を取得した波長数がnである場合、判定部123は、スペクトル1をベクトル化するにはn次元のベクトル空間に一つのベクトルを設定することになる。ここで、スペクトル1で光強度を抽出する波長を(W1,W2,W3,…,Wn)とおき、光強度を(I1,I2,I3,…,In)とおくものとする。このとき、波長および光強度は(波長,光強度)=[(W1,I1)、(W2,I2)、(W3,I3)…(Wn,In)]と表すことができる。
The vectorization of
図8を用いて、スペクトル1をベクトル化する処理について説明する。波長W1を第1次元軸のA1に対応させ、その他の波長についてもそれぞれ各次元軸に対応させる。そして、各波長に対応する光強度I1〜InをベクトルHS1の各次元の成分とすれば、スペクトル1をn次元のベクトルHS1で表すことができる。
The process of
図9は、2つのスペクトルデータをベクトル化したときのベクトル概念イメージを説明するための図である。図9を用いて、ベクトル化された2つのスペクトルデータのコサイン距離の算出方法について説明する。HS1はある混合スペクトルデータをベクトル化したもので、HS2はある測定領域のスペクトルデータをベクトル化したものである。例えば、ベクトルHS1は、HS1=W1λ1+W2λ2+W3λ3+…Wnλnと表すことができる。Wnはn番目の波長の光強度を示しており、λi(i=1,・・・,n)はn次元の単位ベクトルを示す。なお、ベクトルHS2についても同様に数式を用いて表すことができる。 FIG. 9 is a diagram for explaining a vector conceptual image when two spectrum data are vectorized. A method for calculating the cosine distance between two vectorized spectral data will be described with reference to FIG. HS 1 is obtained by vectorizing a certain mixed spectrum data, and HS 2 is obtained by vectorizing spectrum data in a certain measurement region. For example, the vector HS 1 can be expressed as HS 1 = W 1 λ 1 + W 2 λ 2 + W 3 λ 3 +... W n λ n . W n indicates the light intensity of the nth wavelength, and λ i (i = 1,..., N) indicates an n-dimensional unit vector. The vector HS 2 can be similarly expressed using mathematical expressions.
2つのスペクトルデータの類似度は、コサイン距離に基づいて求めることができる。コサイン距離は、次式(1)によって求めることができる。 The similarity between the two spectral data can be obtained based on the cosine distance. The cosine distance can be obtained by the following equation (1).
すなわち、2つのベクトルの内積を求めることによってコサイン距離を求めることができる。 That is, the cosine distance can be obtained by obtaining the inner product of two vectors.
例えば、ある測定領域のスペクトルデータと、スギのスペクトルを含む混合スペクトルデータとをそれぞれベクトル化し、2つのベクトルのコサイン距離を算出することにより、スペクトルデータの類似度を判定する。2つのスペクトルデータの類似度が所定値以上である場合、その測定領域にスギが植生していると判定する。より具体的な例については後述する。 For example, the spectrum data of a certain measurement region and the mixed spectrum data including the cedar spectrum are respectively vectorized, and the cosine distance between the two vectors is calculated to determine the similarity of the spectrum data. When the similarity between the two spectral data is greater than or equal to a predetermined value, it is determined that cedar is vegetated in the measurement region. A more specific example will be described later.
判定部123は、スペクトルデータの類似度が所定値以上の場合、測定領域のスペクトルデータがその混合スペクトルデータに一致していると判定する。判定部123は、2つのスペクトルデータが一致していると判定したときは、その測定領域に植生する樹種を特定することができる。
The
より具体的には、判定部123は、以下のように測定領域に植生している樹種を判定する。判定部123は、カラマツの基準スペクトルデータ、アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等を含む各混合スペクトルデータと、測定領域のスペクトルデータとの類似度をそれぞれ算出する。判定部123において、ある樹種の基準スペクトルデータを含む混合スペクトルデータと、測定領域のスペクトルデータとの類似度が98%以上のときに、測定領域にその樹種が植生していると判定する設定をしたものとする。この場合、例えば、カラマツ、アカマツ、ヒノキ、キリの各基準スペクトルデータとの類似度がそれぞれ(80.1,98.4,71.3,66.7)であったとき、判定部123は、類似度が98%以上であるアカマツが測定領域に植生していると判定する。
More specifically, the
次に実施例1に係る植物種識別装置100の処理手順について説明する。図10は、植物種識別装置の処理手順を示すフローチャートを示した図である。混合部121は、樹木スペクトルデータ111および土壌スペクトルデータ112に基づき、混合スペクトルデータ113を生成する(ステップS101)。
Next, a processing procedure of the plant
図10に示すように処理タイミングになると(ステップS102肯定)、判定部123は、ハイパースペクトルデータ114から各測定領域のスペクトルデータを抽出する(ステップS103)。さらに、判定部123は、測定領域のスペクトルデータと混合スペクトルデータとをマッチング(ステップS104)し、マッチング結果を出力部102に出力する(ステップS105)。
As shown in FIG. 10, when the processing timing comes (Yes at Step S102), the
以下、実際の測定領域のスペクトルデータと、混合スペクトルデータとを用いてスペクトルの類似度を比較する。具体例1〜3では、含水量毎に作成した土壌基準スペクトルデータを用いて混合スペクトルデータを生成している。一方、比較例1〜3では、含水量0%の土壌基準スペクトルデータのみを用いて混合スペクトルデータを生成している。なお、比較例1〜3は、従来技術に対応する。 Hereinafter, the spectral similarity is compared using the spectrum data in the actual measurement region and the mixed spectrum data. In Specific Examples 1 to 3, mixed spectrum data is generated using soil reference spectrum data created for each water content. On the other hand, in Comparative Examples 1 to 3, mixed spectrum data is generated using only soil reference spectrum data having a water content of 0%. Note that Comparative Examples 1 to 3 correspond to the prior art.
開示の技術の植物種識別装置を使用してスペクトルの類似度を得た場合、以下の具体例1〜3のようになる。
[具体例1] ハイパースペクトルカメラ(HSC−1701、エバ・ジャパン(株)製)を用いて、スギと土壌が混在する測定領域のスペクトルデータを取得した。混合スペクトルデータを作成するのに、含水量毎に作成した土壌基準スペクトルデータを用いている。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。なお、カッコ内の表示は、測定領域のスペクトルデータに含まれる樹木のスペクトルデータと土壌のスペクトルデータと混合の割合(%)を示している。なお、下記の類似度を算出する際において、類似度を算出したときに最も類似度が高かった含水量の土壌基準スペクトルデータを使用している。
画素A(樹種 70%/土壌 30%)における類似度 0.985
画素B(樹種 80%/土壌 20%)における類似度 0.992
画素C(樹種 90%/土壌 10%)における類似度 0.998
開示の技術の方法により、画素における土壌の割合が変わっても類似度0.985以上を保っており、スギを識別対象の樹種として判定することが可能となる。
When spectrum similarity is obtained using the plant species identification device of the disclosed technology, the following specific examples 1 to 3 are obtained.
[Specific Example 1] Using a hyperspectral camera (HSC-1701, manufactured by Eva Japan Co., Ltd.), spectral data of a measurement region where cedar and soil are mixed was obtained. To create mixed spectrum data, soil reference spectrum data created for each water content is used. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows. In addition, the display in parenthesis has shown the ratio (%) of the spectrum data of the tree contained in the spectrum data of a measurement area | region, and the spectrum data of soil. In addition, when calculating the following similarity, the soil reference spectrum data of the water content having the highest similarity when the similarity is calculated is used.
Similarity at pixel A (
Similarity at pixel B (80% tree species / 20% soil) 0.992
0.998 similarity at pixel C (
By the method of the disclosed technique, the similarity is maintained at 0.985 or more even if the ratio of the soil in the pixel changes, and it is possible to determine the cedar as a tree species to be identified.
[具体例2] 具体例1と同じハイパースペクトルカメラを用いて、ヒノキと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは具体例1と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素A(樹種 70%/土壌 30%)における類似度 0.982
画素B(樹種 80%/土壌 20%)における類似度 0.99
画素C(樹種 90%/土壌 10%)における類似度 0.996
開示の技術の方法により、画素における土壌の割合が変わっても類似度0.982以上を保っており、ヒノキを識別対象の樹種として判定することが可能となる。
[Specific Example 2] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cypress and soil are mixed were obtained. The reference spectrum of the used soil is the same as that in Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (
Similarity degree 0.99 in pixel B (
Similarity 0.996 in pixel C (
By the method of the disclosed technology, the similarity is maintained at 0.982 or more even if the ratio of soil in the pixel changes, and it becomes possible to determine cypress as a tree species to be identified.
[具体例3] 具体例1と同じハイパースペクトルカメラを用いて、カラマツと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは具体例1と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素A(樹種 70%/土壌 30%)における類似度 0.98
画素B(樹種 80%/土壌 20%)における類似度 0.985
画素C(樹種 90%/土壌 10%)における類似度 0.992
開示の技術の方法により、画素における土壌の割合が変わっても類似度0.98以上を保っており、カラマツを識別対象の樹種として判定することが可能となる。
[Specific Example 3] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which larch and soil were mixed was acquired. The reference spectrum of the used soil is the same as that in Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (
Similarity at pixel B (
Similarity at pixel C (
By the method of the disclosed technique, the degree of similarity is maintained at 0.98 or more even when the proportion of soil in the pixel changes, and it becomes possible to determine larch as a tree species to be identified.
従来技術の植物種識別装置を使用してスペクトルの類似度を得た場合、以下の比較例1〜3のようになった。
[比較例1] 具体例1と同じハイパースペクトルカメラを用いて、スギと土壌が混在する測定領域のスペクトルデータを取得した。なお、混合スペクトルデータを作成するのに、含水量0%の土壌基準スペクトルを用いている。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素A(樹種 70%/土壌 30%)における類似度 0.865
画素B(樹種 80%/土壌 20%)における類似度 0.88
画素C(樹種 90%/土壌 10%)における類似度 0.89
従来の方法では、十分な類似度が得られず、スギを識別対象の樹種として識別できない。
When spectrum similarity was obtained using a plant species identification device of the prior art, the results were as in Comparative Examples 1 to 3 below.
[Comparative Example 1] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cedar and soil are mixed was obtained. Note that a soil reference spectrum having a water content of 0% is used to create mixed spectrum data. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (
Similarity at pixel B (80% tree species / 20% soil) 0.88
Similarity at pixel C (
In the conventional method, sufficient similarity cannot be obtained, and cedar cannot be identified as a tree species to be identified.
[比較例2] 具体例1と同じハイパースペクトルカメラを用いて、ヒノキと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは比較例1と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素A(樹種 70%/土壌 30%)における類似度 0.82
画素B(樹種 80%/土壌 20%)における類似度 0.86
画素C(樹種 90%/土壌 10%)における類似度 0.88
従来の方法では、十分な類似度が得られず、ヒノキを識別対象の樹種として識別できない。
[Comparative Example 2] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cypress and soil are mixed was obtained. The reference spectrum of the used soil is the same as in Comparative Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (
Similarity at pixel B (
Similarity at pixel C (
In the conventional method, sufficient similarity cannot be obtained, and cypress cannot be identified as the tree species to be identified.
[比較例3] 具体例1と同じハイパースペクトルカメラを用いて、カラマツと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは比較例1と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素A(樹種 70%/土壌 30%)における類似度 0.79
画素B(樹種 80%/土壌 20%)における類似度 0.82
画素C(樹種 90%/土壌 10%)における類似度 0.84
従来の方法では、十分な類似度が得られず、カラマツを識別対象の樹種として識別できない。
[Comparative Example 3] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which larch and soil were mixed was obtained. The reference spectrum of the used soil is the same as in Comparative Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (
Similarity at pixel B (80% tree species / 20% soil) 0.82
Similarity at pixel C (
In the conventional method, sufficient similarity cannot be obtained, and larch cannot be identified as the tree species to be identified.
また、判定部123は、判定された各測定領域の樹種をハイパースペクトルデータ114の画像データに反映することができる。例えば、ある測定領域のスペクトルデータが、カラマツの混合スペクトルデータと一致していると判定したときは、画像データのカラマツが植生するエリアを色分けして表示することができる。
The
図11は、従来技術および開示の技術による植生解析結果を比較するために示した図である。図11は、従来技術による植生解析結果を表した植生図10と、開示の技術による植生解析結果を表した植生図11とで構成される。植生図10、植生図11のいずれにおいても、落葉広葉樹のエリア10a、カラマツのエリア10b、ヒノキのエリア10cを、測定地域の画像データ上で識別可能に、例えば色分けして表示している。しかし、植生図10の従来技術の植生解析結果では一部、植生している樹種が判別できない未判別エリア10dが残る。一方、開示の技術による植生図11の植生解析結果では、従来技術で未判別エリアだったエリア11dに、スギが植生することが明らかとなり、画像データ上から未判別エリアがなくなっている。
FIG. 11 is a diagram for comparing the results of vegetation analysis according to the conventional technique and the disclosed technique. FIG. 11 is composed of a
例えば、スギの基準スペクトルを含む混合スペクトルと、測定領域のスペクトルとの類似度が従来技術においては88%となり、開示の技術において類似度が98.6となったとする。また、判定部123において、測定領域のスペクトルと混合スペクトルとの類似度が98%以上のときに、測定領域にその樹木が植生していると判定すると設定したものとする。この場合、従来技術においては、測定領域に植生している樹木が判定できず、植生図の測定領域に係る部分が未判定エリアとなる。一方、開示の技術においては、測定領域に植生している樹木がスギと判定され、植生図のエリア11dがスギを示す色に色分け表示される。
For example, the similarity between the mixed spectrum including the cedar reference spectrum and the spectrum in the measurement region is 88% in the conventional technique, and the similarity is 98.6 in the disclosed technique. It is assumed that the
次に、本実施例の効果について説明する。植物種識別装置100は複数の土壌基準スペクトルデータを用いて混合スペクトルデータを作成し、マッチングに使用すれば、測定領域のスペクトルデータとのマッチング率が向上し、樹種が植生する領域を好適に判定する。さらに、植物種識別装置100は複数種類の成分および含水量の土壌基準スペクトルデータと複数種類の樹木スペクトルデータとから混合スペクトルデータを作成し、マッチングに使用すれば、植生図全面において未判別エリアをなくすことができる。
Next, the effect of the present embodiment will be described. When the plant
実施例1においては、土壌成分の種類は1種類であったが、他の土壌成分を用いてもよい。例えば、土壌成分には、砂、赤土、黒土、真砂土、鹿沼土、腐葉土等が挙げられる。 In Example 1, there was one kind of soil component, but other soil components may be used. For example, the soil component includes sand, red soil, black soil, true sand soil, Kanuma soil, humus soil and the like.
他の土壌成分を用いる場合、混合スペクトルは各樹種の樹木基準スペクトルと各土壌成分の土壌基準スペクトルとを組み合わせて生成することになる。さらに、各土壌成分の土壌基準スペクトルは、実施例1と同様に、それぞれ含水量毎に生成してもよい。 When other soil components are used, the mixed spectrum is generated by combining the tree reference spectrum of each tree species and the soil reference spectrum of each soil component. Further, the soil reference spectrum of each soil component may be generated for each water content as in the first embodiment.
図12は、土壌成分が異なることによるスペクトルの相違について説明するための図である。図12は3つの土壌成分の土壌基準スペクトルを表わしている。スペクトル21は「砂」、スペクトル22は「真砂土」、スペクトル23は「赤土」の土壌基準スペクトルを示す。スペクトル21と22は、スペクトル形状が似ているが、ややスペクトル21の方が、スペクトル強度が小さい傾向にある。一方、スペクトル23はスペクトル21および22と比べてスペクトル強度が全体的に小さい。また、スペクトル23は450〜580nmの波長域においてピークがなく、スペクトル21および22と比べてスペクトル波形が異なるものとなっている。
FIG. 12 is a diagram for explaining the difference in spectrum due to different soil components. FIG. 12 represents a soil reference spectrum of three soil components. The
なお、土壌基準スペクトルデータを作成するのに使用するスペクトルデータは、土壌成分および含水量が既知の土壌の領域を、上空から撮影することにより取得してもよい。ただし、土壌基準スペクトルデータの取得方法はこれに限られない。例えば、観測者が直接赴いてスペクトルを取得してもよい。また、例えば、車両から撮影して取得してもよい。 In addition, you may acquire the spectrum data used for producing soil reference | standard spectrum data by image | photographing the area | region of soil from which the soil component and moisture content are known from the sky. However, the acquisition method of soil standard spectrum data is not restricted to this. For example, the spectrum may be acquired by an observer directly. Further, for example, the image may be acquired from a vehicle.
このように、土壌成分が異なると土壌のスペクトル波形およびスペクトル強度は異なることになる。したがって、土壌成分ごとに土壌基準スペクトルを用意して、それを用いて混合スペクトルを生成し、この混合スペクトルをマッチング処理に使用すれば、さらなるマッチング率の向上が期待できる。 Thus, when the soil components are different, the spectral waveform and the spectral intensity of the soil are different. Accordingly, if a soil reference spectrum is prepared for each soil component, a mixed spectrum is generated using the spectrum, and this mixed spectrum is used for the matching process, a further improvement in the matching rate can be expected.
また、樹木のスペクトルは含水量が多くなるにしたがいスペクトル強度がやや小さくなる傾向がある。ただし、樹木のスペクトルは含水量が変化しても、スペクトル波形はほとんど変化しない。そのため、樹木基準スペクトルを生成する際は、複数の樹木のスペクトルを得て平均値を取ることにより、樹木基準スペクトルを求めてもよい。なお、各樹木基準スペクトルは樹木スペクトルデータ111として記憶部110に記憶される。
In addition, the spectrum of trees tends to have a slightly reduced spectrum intensity as the water content increases. However, even if the moisture content of the tree spectrum changes, the spectrum waveform hardly changes. For this reason, when generating a tree reference spectrum, the tree reference spectrum may be obtained by obtaining a plurality of tree spectra and taking an average value. Each tree reference spectrum is stored in the
図13は、樹木の含水量を変化させたときの混合スペクトルの影響を説明するための図である。樹木のスペクトルには、含水量が増加すると、スペクトル強度が低下する傾向がある。図13の3つのスペクトルは、土壌の含水量は変化させず、カラマツの含水量のみ変化させて生成した混合スペクトルを示す。スペクトル31はカラマツの含水量を30%、スペクトル32はカラマツの含水量が20%、スペクトル33はカラマツの含水量10%のときの混合スペクトルを示す。このように、樹木の含水量が増加するに伴い、混合スペクトルのスペクトル強度が低下する。
FIG. 13 is a diagram for explaining the influence of the mixed spectrum when the moisture content of the tree is changed. In the spectrum of trees, the spectral intensity tends to decrease as the water content increases. The three spectra in FIG. 13 show mixed spectra generated by changing only the water content of larch without changing the water content of soil. A
また、各樹木のスペクトルの特徴的なピークは、400〜1050nmの波長範囲で発生することが多い。したがって、混合スペクトルデータと、測定領域のスペクトルデータとのマッチングは、例えば、樹種毎にスペクトル形状に差異が表れやすい400〜1050nmの波長範囲でおこなう。 Moreover, the characteristic peak of the spectrum of each tree often occurs in the wavelength range of 400 to 1050 nm. Therefore, the matching between the mixed spectrum data and the spectrum data of the measurement region is performed, for example, in a wavelength range of 400 to 1050 nm where a difference in spectrum shape is likely to appear for each tree species.
上述の開示の技術によれば、400〜1050nmの波長範囲で、混合スペクトルおよび測定領域のスペクトルの光強度を取得する波長を設定してスペクトルデータを取得し、マッチングに使用すれば、樹種の識別を少数の波長設定で効率よく行うことができる。 According to the technique of the above-mentioned disclosure, in the wavelength range of 400 to 1050 nm, if the spectrum data is acquired by setting the wavelength for acquiring the light intensity of the mixed spectrum and the spectrum of the measurement region, and used for matching, the tree species is identified. Can be efficiently performed with a small number of wavelength settings.
また、実施例1および2に示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 Further, the processing procedures, control procedures, specific names, and information including various data and parameters shown in the first and second embodiments can be arbitrarily changed unless otherwise specified.
また、図1に示した植物種識別装置100の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、植物種識別装置100の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
Moreover, each component of the plant
図14は、植物種識別プログラムを実行するコンピュータの一例を示す図である。図14が示すように、コンピュータ200は、各種演算処理を実行するCPU201と、ユーザからのデータ入力を受け付ける入力装置202と、モニタ203とを有する。また、コンピュータ200は、記憶媒体からプログラム等を読み取る媒体読取装置204と、他の装置と接続するためのインターフェース装置205と、他の装置と無線により接続するための無線通信装置206とを有する。また、コンピュータ200は、各種情報を一時記憶するRAM(Random Access Memory)207と、ハードディスク装置208とを有する。また、各装置201〜208は、バス209に接続される。
FIG. 14 is a diagram illustrating an example of a computer that executes a plant species identification program. As illustrated in FIG. 14, the
ハードディスク装置208には、図1に示した制御部120の混合部121、受付部122、および判定部123の各処理部と同様の機能を有する植物種識別プログラムが記憶される。また、ハードディスク装置208には、植物種識別プログラムを実現するための各種データが記憶される。
The
CPU201は、ハードディスク装置208に記憶された各プログラムを読み出して、RAM207に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータ200を図1に示した混合部121、受付部122、および判定部123として機能させることができる。
The
なお、上記の植物種識別プログラムは、必ずしもハードディスク装置208に記憶されている必要はない。例えば、コンピュータ200が読み取り可能な記憶媒体に記憶されたプログラムを、コンピュータ200が読み出して実行するようにしてもよい。コンピュータ200が読み取り可能な記憶媒体は、例えば、CD−ROMやDVDディスク、USB(Universal Serial Bus)メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、LAN(Local Area Network)等に接続された装置にこの植物種識別プログラムを記憶させておき、コンピュータ200がこれらから植物種識別プログラムを読み出して実行するようにしてもよい。
Note that the above plant species identification program is not necessarily stored in the
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。 The following supplementary notes are further disclosed with respect to the embodiments including the above examples.
(付記1)コンピュータに、
樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する、
処理を実行することを特徴とする植物種判定プログラム。
(Supplementary note 1)
A measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data generated based on the tree reference spectrum data and the plurality of types of soil reference spectrum data and the spectrum data of the measurement region to be investigated. judge,
A plant species determination program characterized by executing processing.
(付記2)前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記1に記載の植物種判定プログラム。
(Supplementary Note 2) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of water content contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
2. The plant species determination program according to
(付記3)前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、400〜1050nmの波長範囲でマッチングすることを特徴とする付記1又は2に記載の植物種判定プログラム。
(Additional remark 3) The said determination process matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species determination program of
(付記4)樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する判定部、
を有することを特徴とする植物種識別装置。
(Additional remark 4) The tree species corresponding to the said tree reference | standard spectrum data is included based on the mixed spectrum data produced | generated based on tree reference | standard spectrum data and multiple types of soil reference | standard spectrum data, and the spectrum data of the measurement area | region of investigation object A determination unit for determining a measurement area to be measured,
A plant species identification device comprising:
(付記5)前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定部は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記4に記載の植物種識別装置。
(Supplementary Note 5) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of moisture contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
The plant species identification device according to appendix 4, wherein the determination unit determines a tree species included in the measurement region based on the mixed spectrum data and spectrum data of the measurement region.
(付記6)前記判定部は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、400〜1050nmの波長範囲でマッチングすることを特徴とする付記4又は5に記載の植物種識別装置。 (Additional remark 6) The said determination part matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species identification apparatus of Additional remark 4 or 5 characterized by the above-mentioned.
(付記7)コンピュータが、
樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する、
処理を実行することを特徴とする植物種判定方法。
(Appendix 7) The computer
A measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data generated based on the tree reference spectrum data and the plurality of types of soil reference spectrum data and the spectrum data of the measurement region to be investigated. judge,
A plant species determination method characterized by executing processing.
(付記8)前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記7に記載の植物種判定方法。
(Supplementary Note 8) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of water content contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
8. The plant species determining method according to appendix 7, wherein the determining process determines a tree species included in the measurement region based on the mixed spectrum data and the spectrum data of the measurement region.
(付記9)前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、400〜1050nmの波長範囲でマッチングすることを特徴とする付記7又は8記載の植物種判定方法。 (Additional remark 9) The said determination process matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species determination method of Additional remark 7 or 8 characterized by the above-mentioned.
100 植物種識別装置
101 入力部
102 出力部
110 記憶部
111 樹木スペクトルデータ
112 土壌スペクトルデータ
113 混合スペクトルデータ
114 ハイパースペクトルデータ
120 制御部
121 混合部
122 受付部
123 判定部
DESCRIPTION OF
Claims (5)
算出した前記類似度が所定値以上である場合に、前記測定領域に植生する樹種を前記樹木基準スペクトルデータに対応する樹種であると判定する、
処理をコンピュータに実行させることを特徴とする植物種判定プログラム。 And trees reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed Calculate the similarity with the spectrum data,
When the calculated degree of similarity is equal to or greater than a predetermined value, it is determined that the species of vegetation to the measurement area is a species corresponding to the tree reference spectral data,
Plant species determination program characterized Rukoto to execute the process to the computer.
ことを特徴とする請求項1に記載の植物種判定プログラム。 Processing of the calculation, a plurality of types of the tree reference spectral data, a plurality of types of components, and, are generated based on the soil reference spectrum data corresponding to a plurality of types of water content, by using the mixed spectral data , Calculating the similarity between the spectrum data of the measurement region and the mixed spectrum data;
The plant species determination program according to claim 1.
算出された前記類似度が所定値以上である場合に、前記測定領域に植生する樹種を前記樹木基準スペクトルデータに対応する樹種であると判定する判定部と、
を有することを特徴とする植物種識別装置。 And wood reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed spectrum A calculation unit for calculating the similarity to the data;
When the calculated degree of similarity is equal to or greater than a predetermined value, a determination unit that the species corresponding to species of vegetation to the measurement area in the tree reference spectral data,
A plant species identification device comprising:
算出した前記類似度が所定値以上である場合に、前記測定領域に植生する樹種を前記樹木基準スペクトルデータに対応する樹種であると判定する、
処理をコンピュータが実行することを特徴とする植物種判定方法。 And trees reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed Calculate the similarity with the spectrum data,
When the calculated degree of similarity is equal to or greater than a predetermined value, it is determined that the species of vegetation to the measurement area is a species corresponding to the tree reference spectral data,
A plant species determination method, wherein a computer executes the process.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012273100A JP5991182B2 (en) | 2012-12-14 | 2012-12-14 | Plant species determination program, plant species determination method, and plant species identification device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012273100A JP5991182B2 (en) | 2012-12-14 | 2012-12-14 | Plant species determination program, plant species determination method, and plant species identification device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014119296A JP2014119296A (en) | 2014-06-30 |
JP5991182B2 true JP5991182B2 (en) | 2016-09-14 |
Family
ID=51174261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012273100A Expired - Fee Related JP5991182B2 (en) | 2012-12-14 | 2012-12-14 | Plant species determination program, plant species determination method, and plant species identification device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5991182B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11519892B2 (en) | 2019-06-05 | 2022-12-06 | Shinji Nozaki | Precision agriculture support system and precision agriculture support method |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6421574B2 (en) * | 2014-12-11 | 2018-11-14 | 富士通株式会社 | Abandoned farmland judgment method, abandoned farmland judgment program, and abandoned farmland judgment device |
JP6524842B2 (en) * | 2015-07-31 | 2019-06-05 | 富士通株式会社 | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND PROGRAM |
JP2019039913A (en) * | 2018-08-02 | 2019-03-14 | 株式会社Zmp | Monitoring system |
KR20240068650A (en) | 2021-08-24 | 2024-05-17 | 바이엘 크롭사이언스 케이. 케이. | system, information processing device, server device, program, or method |
EP4145270A1 (en) | 2021-09-03 | 2023-03-08 | Bayer CropScience K.K. | System, information processing device, server device, program, or method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4484183B2 (en) * | 2000-06-13 | 2010-06-16 | 株式会社パスコ | Forest information processing system |
JP5078508B2 (en) * | 2007-08-31 | 2012-11-21 | 独立行政法人国立環境研究所 | Automatic classification method of rhizosphere elements in soil |
JP5560157B2 (en) * | 2010-10-19 | 2014-07-23 | 株式会社日立製作所 | Spectral information extraction device |
JP2012196167A (en) * | 2011-03-20 | 2012-10-18 | Fujitsu Ltd | Plant species identification method |
-
2012
- 2012-12-14 JP JP2012273100A patent/JP5991182B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11519892B2 (en) | 2019-06-05 | 2022-12-06 | Shinji Nozaki | Precision agriculture support system and precision agriculture support method |
Also Published As
Publication number | Publication date |
---|---|
JP2014119296A (en) | 2014-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5991182B2 (en) | Plant species determination program, plant species determination method, and plant species identification device | |
Aldana-Jague et al. | UAS-based soil carbon mapping using VIS-NIR (480–1000 nm) multi-spectral imaging: Potential and limitations | |
JP5673823B2 (en) | Plant species identification device, method and program | |
Doneus et al. | New ways to extract archaeological information from hyperspectral pixels | |
Pu et al. | Mapping forest leaf area index using reflectance and textural information derived from WorldView-2 imagery in a mixed natural forest area in Florida, US | |
JP6064712B2 (en) | Tree species identification device and tree species identification method | |
Yaney-Keller et al. | Using Unmanned Aerial Systems (UAS) to assay mangrove estuaries on the Pacific coast of Costa Rica | |
Gu et al. | Detection of gradients of forest composition in an urban area using imaging spectroscopy | |
CN114740180A (en) | Soil organic carbon estimation method and device based on multi-source remote sensing data | |
JP6200826B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
Aitkenhead et al. | Estimating soil properties with a mobile phone | |
Pandit et al. | Exploring the inclusion of Sentinel-2 MSI texture metrics in above-ground biomass estimation in the community forest of Nepal | |
Yang et al. | An endmember optimization approach for linear spectral unmixing of fine-scale urban imagery | |
Bourgeon et al. | Field radiometric calibration of a multispectral on-the-go sensor dedicated to the characterization of vineyard foliage | |
JP5910018B2 (en) | Program for identifying plant species, information processing method and apparatus | |
Pádua et al. | UAS-based imagery and photogrammetric processing for tree height and crown diameter extraction | |
DeTar et al. | Detection of soil properties with airborne hyperspectral measurements of bare fields | |
Wu et al. | Co-inversion of island leaf area index combination morphological and spectral parameters based on UAV multi-source remote sensing data | |
Jiang et al. | Influence of different soil reflectance schemes on the retrieval of vegetation LAI and FVC from PROSAIL in agriculture region | |
JP2015040851A (en) | Information processing program, information processing method, and information processing apparatus | |
JP6207968B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
JP2014023456A (en) | Vegetation map creation program, vegetation map creation apparatus, and vegetation map creation method | |
Zillmann et al. | Crop ground cover fraction and canopy chlorophyll content mapping using RapidEye imagery | |
Agapiou et al. | Linear 3-D transformations of Landsat 5 TM satellite images for the enhancement of archaeological signatures during the phenological cycle of crops |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150804 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160622 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160719 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160801 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5991182 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |