JP6849958B2 - 予測方法、予測プログラム、及び、予測装置 - Google Patents
予測方法、予測プログラム、及び、予測装置 Download PDFInfo
- Publication number
- JP6849958B2 JP6849958B2 JP2016055340A JP2016055340A JP6849958B2 JP 6849958 B2 JP6849958 B2 JP 6849958B2 JP 2016055340 A JP2016055340 A JP 2016055340A JP 2016055340 A JP2016055340 A JP 2016055340A JP 6849958 B2 JP6849958 B2 JP 6849958B2
- Authority
- JP
- Japan
- Prior art keywords
- year
- target
- crop
- prediction
- date
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 46
- 235000007164 Oryza sativa Nutrition 0.000 claims description 70
- 235000009566 rice Nutrition 0.000 claims description 69
- 238000003306 harvesting Methods 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 241000209094 Oryza Species 0.000 description 68
- 230000008569 process Effects 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 15
- 238000005259 measurement Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本開示の一側面は、作物の収穫状況を精度良く予測するのが好ましい。
作物の穂又は花が予め定められた生長段階に到達した時期、若しくは、該時期の前又は後の時期の気象が、作物の生長に相対的に大きな影響を与える場合がある。これに対し、上記構成によれば、作物がこのような生長段階に到達した時期が、到達時期として予測される。そして、予測された到達時期を基準に定められた測定時期の気象情報により、収穫状況が予測される。このため、作物の収穫状況を精度良く予測することが可能となる。
このような構成によれば、稲の収穫状況を精度良く予測することが可能となる。
また、本開示の一側面は、上述した予測方法をコンピュータに実行させる予測プログラムに関するものである。
このような予測プログラム又は予測装置によれば、作物の収穫状況を精度良く予測することが可能となる。
[1.構成]
図1Aに示す予測システム1は、サーバ10と、端末20と、測定装置30とを有する。これらは、インターネット等の通信網に接続されている。
記憶部11は、フラッシュメモリやHDD等の書き換え可能な不揮発性の記憶装置を有する。記憶部11は、非遷移的実体的記録媒体に相当し、各種データが記憶されている。記憶部11には、サーバ10にインストールされたアプリケーションである予測プログラムが記憶されている。予測プログラムは、予め定められた地域(以後、対象地域)における予め定められた農地(以後、対象農地)での作物(以後、対象作物)の収穫状況を予測する。また、記憶部11には、気象履歴及び栽培履歴が保存されている。気象履歴は、対象地域にて測定された複数の気象情報を有する。また、栽培履歴は、過去における対象地域の農地での対象作物の栽培に関する情報を示す。なお、栽培履歴は、一例として、過去における対象農地での対象作物の栽培に関する情報を示しても良い。
次に、予測プログラムによる処理について説明する。本実施形態では、予測プログラムは、一例として、予め定められた品種の稲を対象作物として、対象年における収穫状況を予測する。なお、稲とは、水稲であっても良いし、陸稲であっても良い。また、収穫状況とは、一例として、対象作物の収穫量、及び、対象作物から収穫された収穫物の品質であっても良い。また、収穫物の品質とは、対象作物が稲の場合であれば、例えば、収穫物である米の等級に関する情報であっても良い。米の等級は、米に整粒が含まれる割合、及び、米における水分の含有率等に基づき定められる。なお、整粒とは、損傷を受けた米粒(具体的には、被害粒、死米、及び着色米)以外の米粒である。収穫物である米に整粒が含まれる割合、又は、該米の水分の含有率等を、対象作物である稲の品質としても良い。この他にも、例えば、収穫物の味、又は、収穫物にどの程度の栄養が含まれるか等を、品質としても良い。また、例えば、対象作物の収穫時期等を、収穫状況として予測しても良い。
なお、式(13)における偏回帰係数a1〜aRは、以下のようにして算出される。すなわち、サーバ10は、記録期間に含まれる各年について、S120と同様にして入力変数X2を生成する。つまり、サーバ10は、S120と同様にして、各年の気象履歴から該年に対応する説明変数E2[i]を抽出する。この時、各年のE2[i]に係る出穂基準日は、該年の出穂日に基づき定められる。そして、サーバ10は、S120と同様、式(12)により、説明変数E2[i]に基づきX2[j]を生成する。さらに、サーバ10は、各年のX2[j]と各年の品質とに基づき、偏回帰係数a0〜aRを算出する。なお、偏回帰係数a1〜aRは、対象作物の種類、対象作物の品種、又は、対象地域等に応じて異なる値となる。
以上詳述した上記実施形態によれば、以下の効果が得られる。
(1)作物が予め定められた生長段階に達する時期、若しくは、該時期の前又は後の時期の気象が、作物の生長に相対的に大きな影響を与える場合がある。特に、気象の変動が激しい場合、このような時期の気象が例年と大きく異なる可能性があり、その結果、収穫状況が例年と比べて大きく変動する恐れがある。
以上、本開示を実施するための形態について説明したが、本開示は上記実施形態に限定されることなく、種々変形して実施することができる。
上記実施形態の説明で用いた用語と、特許請求の範囲の記載に用いた用語との対応を示す。
また、対象作物である稲の出穂が生長段階の一例に、出穂日が到達時期の一例に相当する。また、出穂基準日、及び、前年における出穂基準日に相当する日が、測定時期の一例に相当する。また、田植日が開始日の一例に相当する。
Claims (8)
- 予め定められた地域における予め定められた作物の収穫状況を予測する予測方法であって、
前記作物が予め定められた生長段階に到達する到達時期を、該到達時期を含む年である対象年と、前記対象年よりも前の任意の年とのうちの双方又は一方における前記地域の気象情報に基づき予測し、
前記対象年における前記収穫状況を、多層パーセプトロンであるニューラルネットワークにより予測し、該ニューラルネットワークに入力される第1入力変数は、前記対象年と前記任意の年とのうちの双方又は一方における前記到達時期を基準として定められた特定の日である第1基準日における前記気象情報であって、前記収穫状況への影響が相対的に大きい前記気象情報に基づき生成されること、
を特徴とする予測方法。 - 請求項1に記載の予測方法において、
前記第1入力変数は、前記第1基準日における前記気象情報に対し主成分分析を行うことで、生成されること、
を特徴とする予測方法。 - 請求項1又は請求項2に記載の予測方法において、
前記対象年における前記作物を植えた日を、開始日とし、
前記到達時期を、多層パーセプトロンであるニューラルネットワークにより予測し、該ニューラルネットワークに入力される第2入力変数は、前記対象年と前記任意の年とのうちの双方又は一方における前記開始日を基準に定められた特定の日である第2基準日における前記気象情報であって、前記作物が前記生長段階に到達することへの影響が相対的に大きい前記気象情報に基づき生成されること、
を特徴とする予測方法。 - 請求項3に記載の予測方法において、
前記第2入力変数は、前記第2基準日における前記気象情報に対し主成分分析を行うことで、生成されること、
を特徴とする予測方法。 - 請求項1から請求項4のうちのいずれか1項に記載の予測方法において、
前記到達時期とは、前記作物の穂又は花が予め定められた生長段階に到達した時期であること、
を特徴とする予測方法。 - 請求項1から請求項5のうちのいずれか1項に記載の予測方法において、
前記作物とは、稲であること、
を特徴とする予測方法。 - 予め定められた地域における予め定められた作物の収穫状況を予測する予測プログラムであって、
前記作物が予め定められた生長段階に到達する到達時期を、該到達時期を含む年である対象年と、前記対象年よりも前の任意の年とのうちの双方又は一方における前記地域の気象情報に基づき予測する到達時期予測部と、
前記対象年における前記収穫状況を、多層パーセプトロンであるニューラルネットワークにより予測する部位であって、該ニューラルネットワークに入力される第1入力変数は、前記対象年と前記任意の年とのうちの双方又は一方における前記到達時期を基準として定められた特定の日である第1基準日における前記気象情報であって、前記収穫状況への影響が相対的に大きい前記気象情報に基づき生成される部位である収穫状況予測部として、
コンピュータを動作させることを特徴とする予測プログラム。 - 予め定められた地域における予め定められた作物の収穫状況を予測する予測装置であって、
前記作物が予め定められた生長段階に到達する到達時期を、該到達時期を含む年である対象年と、前記対象年よりも前の任意の年とのうちの双方又は一方における前記地域の気象情報に基づき予測する到達時期予測部と、
前記対象年における前記収穫状況を、多層パーセプトロンであるニューラルネットワークにより予測する部位であって、該ニューラルネットワークに入力される第1入力変数は、前記対象年と前記任意の年とのうちの双方又は一方における前記到達時期を基準として定められた特定の日である第1基準日における前記気象情報であって、前記収穫状況への影響が相対的に大きい前記気象情報に基づき生成される部位である収穫状況予測部と、
を備える予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016055340A JP6849958B2 (ja) | 2016-03-18 | 2016-03-18 | 予測方法、予測プログラム、及び、予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016055340A JP6849958B2 (ja) | 2016-03-18 | 2016-03-18 | 予測方法、予測プログラム、及び、予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017163956A JP2017163956A (ja) | 2017-09-21 |
JP6849958B2 true JP6849958B2 (ja) | 2021-03-31 |
Family
ID=59909403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016055340A Active JP6849958B2 (ja) | 2016-03-18 | 2016-03-18 | 予測方法、予測プログラム、及び、予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6849958B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6850715B2 (ja) * | 2017-11-16 | 2021-03-31 | ヤンマーパワーテクノロジー株式会社 | 搬入順序決定装置 |
JP2019170359A (ja) * | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
KR102184813B1 (ko) * | 2018-12-13 | 2020-11-30 | 대한민국 | 유사기상을 이용한 벼 작황 예측 방법 |
JP7075127B2 (ja) * | 2019-02-22 | 2022-05-25 | 株式会社ナイルワークス | 圃場分析方法、圃場分析プログラム、圃場分析装置、ドローンシステムおよびドローン |
JP2020171217A (ja) * | 2019-04-09 | 2020-10-22 | 株式会社セラク | 収穫量予測方法、装置およびプログラム |
JP7229864B2 (ja) * | 2019-06-28 | 2023-02-28 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
JP7163881B2 (ja) * | 2019-08-02 | 2022-11-01 | トヨタ自動車株式会社 | 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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006212008A (ja) * | 2005-02-01 | 2006-08-17 | Nagano Prefecture | 作物の栽培支援装置 |
JP2009106261A (ja) * | 2007-10-30 | 2009-05-21 | Asuzac Inc | 作物の栽培支援装置 |
CN101480143B (zh) * | 2009-01-21 | 2010-11-03 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
JP6147579B2 (ja) * | 2013-06-18 | 2017-06-14 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
JP6394445B2 (ja) * | 2014-06-16 | 2018-09-26 | Tdk株式会社 | 農作物の収穫時期推測装置及び農作物の収穫時期推測プログラム |
-
2016
- 2016-03-18 JP JP2016055340A patent/JP6849958B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017163956A (ja) | 2017-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6849958B2 (ja) | 予測方法、予測プログラム、及び、予測装置 | |
US10942113B2 (en) | Methods, systems, and components thereof relating to using multi-spectral imaging for improved cultivation of cannabis and other crops | |
KR101936317B1 (ko) | 단말기를 이용한 스마트 파밍 방법 | |
Sankar et al. | Non-destructive estimation of leaf area of durian (Durio zibethinus)–An artificial neural network approach | |
Bushong et al. | Development of an in-season estimate of yield potential utilizing optical crop sensors and soil moisture data for winter wheat | |
Sagar et al. | Agriculture data analytics in crop yield estimation: a critical review | |
JP2000300077A (ja) | 穀類作物の施肥量決定方法、穀物の品質・収量推定方法及び穀物の生産情報提供装置 | |
Mishra et al. | Modeling and forecasting of wheat in India and their yield sustainability | |
Çakır et al. | Yield prediction of wheat in south-east region of Turkey by using artificial neural networks | |
Banerjee et al. | Crop Status Index as an indicator of wheat crop growth condition under abiotic stress situations | |
Zhang et al. | Evaluation of the chlorophyll meter and GreenSeeker for the assessment of rice nitrogen status | |
Molinari et al. | Towards an integrated weed management decision support system: A simulation model for weed-crop competition and control | |
CN113196320A (zh) | 果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序 | |
JP2022136058A (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
Yadav et al. | Calibration and validation of PNUTGRO (DSSAT v4. 5) model for yield and yield attributing characters of kharif groundnut cultivars in middle Gujarat region | |
Mishra et al. | Modeling and forecasting of sugarcane production in South Asian countries | |
Banakara et al. | Evaluation of weather parameter-based pre-harvest yield forecast models for wheat crop: a case study in Saurashtra region of Gujarat | |
Saxena et al. | Weather based model development for outbreak of mustard aphid (L. erysimi, kalt) using artificial neural network | |
Higgins et al. | Forecasting maturity of green peas: An application of neural networks | |
Garde et al. | Pre harvest forecasting of kharif rice yield using weather parameters for strategic decision making in agriculture | |
Salam et al. | Climate recommender system for wheat cultivation in North Egyptian Sinai Peninsula | |
Dhekale et al. | Weather based pre-harvest forecasting of rice at Kolhapur (Maharashtra) | |
Rini et al. | THE RAINFED LAND OF FARM HOUSEHOLD ECONOMIC BEHAVIOR IN GUNUNGKIDUL REGENCY: ASPECTS OF PRODUCTION, LABOR ALLOCATION, INCOME, AND CONSUMPTION | |
Sapak et al. | POMICS: A simulation disease model for timing fungicide applications in management of powdery mildew of cucurbits | |
Singh et al. | Time Series Models for Forecasting the Impact of Climate Change on Wheat Production in Varanasi District, India |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190315 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200316 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200623 |
|
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: 20210126 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210218 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6849958 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |