JP6849958B2 - 予測方法、予測プログラム、及び、予測装置 - Google Patents

Description

本開示は、作物の収穫状況を予測する技術に関する。

ニューラルネットワーク又はカオス分析を用いて、農作物の収穫量を予測する技術が知られている（特許文献１参照）。該技術では、農作物の栽培計画に基づき、第１予測収穫量が算出される。また、ニューラルネットワーク等を用いて、天候データに基づく補正値が算出される。そして、第１予測収穫量と補正値とに基づき農作物の収穫量が算出される。

特開２００２−１３６２２３号公報

しかしながら、気象の変動が大きい場合には、農作物の収穫量を精度良く予測できない恐れがある。
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。

本開示の一側面に係る予測方法は、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。該予測方法では、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、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地域の気象情報に基づき予測する。さらに、該予測方法では、対象年における収穫状況を、対象年と任意の年とのうちの双方又は一方における到達時期を基準として定められた測定時期の気象情報に基づき予測する。

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。

これに対し、上記予測方法によれば、作物が予め定められた生長段階に到達する到達時期が予測される。そして、予測された到達時期を基準として定められた測定時期の気象情報に基づき、作物の収穫状況が予測される。このため、作物の生長に相対的に大きな影響を与える時期の気象に基づき、収穫状況を予測することが可能となる。したがって、作物の収穫状況を精度良く予測することが可能となる。

なお、上記構成において、対象年における作物を植えた日を、開始日とし、到達時期を、対象年と任意の年とのうちの双方又は一方における開始日を基準に定められた日の気象情報に基づき予測しても良い。また、測定時期とは、対象年と任意の年とのうちの双方又は一方における到達時期を基準として定められた日であっても良い。

作物の栽培期間における特定の日の気象が、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、開始日を基準に定められた日の気象情報に基づき、到達時期が予測される。そして、予測された到達時期を基準として定められた日である測定時期の気象情報に基づき、収穫状況が予測される。このため、作物の生長への影響が相対的に大きい特定の日の気象に基づき、到達時期及び収穫状況を予測することが可能となる。したがって、収穫状況を精度良く予測することが可能となる。

また、上記構成において、到達時期とは、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っても良い。
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。

また、上記構成において、作物とは、稲であっても良い。
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。

また、本開示の一側面は、上述した予測方法を実行する予測装置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。

図１Ａは、本実施形態の予測システムのブロック図である。図１Ｂは、本実施形態の予測処理のフローチャートである。 予測処理にて用いられるニューラルネットワークの説明図である。

以下、図面を参照しながら、発明を実施するための形態を説明する。
［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。

サーバ１０は、通信網を介して端末２０及び測定装置３０等と通信を行う。サーバは、記憶部１１、制御部、表示部、及び操作部等を備える。なお、本実施形態では、一例として、ＰＣがサーバ１０として用いられる。しかし、これに限らず、他の電子装置をサーバ１０として用いても良い。

表示部は、液晶ディスプレイ等を有し、各種情報を表示する。また、操作部は、キーボードやマウス等を有し、各種操作を受け付ける。
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。

制御部は、ＣＰＵと、ＲＯＭ、ＲＡＭ、及びフラッシュメモリ等の半導体メモリとを有する周知のコンピュータを備える。サーバ１０の機能は、ＣＰＵが半導体メモリに記憶されたプログラムに従い動作することで実現される。また、プログラムの実行により、プログラムに対応する方法が実行される。半導体メモリには、予測プログラムがロードされる。なお、サーバ１０の機能を実現する方法は、ソフトウェアに限らない。該機能の一部又は全部を、サーバ１０の論理回路等（換言すれば、ハードウェア）により実現してもよい。

また、サーバ１０は、出穂日予測部１２と、収穫量予測部１３と、品質予測部１４とを有する。これらは、制御部が予測プログラムに従い動作することで実現される機能に相当する。これらの部位の機能については、後述する。

また、測定装置３０は、対象地域の気象を測定し、対象地域における日ごとの気象情報を生成する。なお、測定装置３０は、対象地域における対象農地の気象を測定し、対象農地における日ごとの気象情報を生成しても良い。具体的には、気象情報として、例えば、一日における平均気温、最高気温、最低気温、日照時間、降水量、及び気温日格差等の種類が設けられていても良い。なお、気温日格差とは、その日における最高気温と最低気温の差である。測定装置３０は、サーバ１０に対し、随時気象情報を送信する。一方、サーバ１０は、測定装置３０から受信した気象情報を、気象履歴の一部として記憶部１１に記憶する。

この他にも、測定装置３０からサーバ１０に対し、気温、降水量、及び日照状態等の測定結果をリアルタイムに送信しても良い。そして、サーバ１０にて、測定装置３０から受信した測定結果に基づき、上述した気象情報を生成しても良い。

また、端末２０は、一例として、ＰＣやスマートフォン等の電子装置として構成されている。端末２０は、ユーザからの指示に応じてサーバ１０にアクセスし、対象作物の収穫状況等の予測結果を取得する。なお、端末２０は、さらに、対象地域の気象履歴又は栽培履歴等といった、対象作物の栽培に関する情報をサーバ１０から取得しても良い。そして、端末２０は、ブラウザ等により、対象作物の収穫状況等の予測結果、又は、対象作物の栽培に関する情報等を表示する。

［２．処理］
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。

以後、対象年の直前の年を前年と記載する。記憶部１１に記憶されている気象履歴は、過去から対象年にかけての複数年（以後、記録期間）における複数の気象情報を有する。以後、前年の気象履歴を前年気象履歴と記載し、対象年の気象履歴を対象年気象履歴と記載する。また、記憶部１１に記憶されている栽培履歴は、記録期間における対象地域の農地での対象作物である稲の栽培に関する情報を示す。栽培履歴は、記録期間における各年の田植日、出穂日、収穫日、収穫量、及び、品質等を示す。なお、栽培記歴は、操作部を介して入力された情報に基づき生成されても良い。気象履歴及び栽培履歴は、収穫状況の予測に用いられる。

予測プログラムの出穂日予測部１２は、出穂日を予測する。出穂日とは、農地で栽培されている稲における出穂した稲が占める割合が、予め定められた閾値に達した日である。なお、該閾値は、例えば、４０〜５０％の値であっても良い。出穂日の予測には、予め定められた田植基準日における予め定められた種類の気象情報が、複数用いられる。田植基準日とは、対象年において、田植日を基準に定められた日である。田植日とは、対象年において、対象農地にて対象作物である稲の田植が行われた日（換言すれば、対象作物である稲を植えた日）である。出穂日の予測に用いられる複数の気象情報は、対象年気象履歴又は前年気象履歴から抽出される。なお、出穂日は、前年気象履歴又は対象年気象履歴における１つの田植基準日における１つの種類の気象情報に基づき予測されても良い。

そして、収穫量予測部１３は、出穂日に基づき稲の収穫量を予測し、品質予測部１４は、出穂日に基づき稲の品質を予測する。これらの予測には、予め定められた出穂基準日における予め定められた種類の気象情報が、複数用いられる。出穂基準日とは、対象年において、予測された出穂日を基準に定められた日である。このような複数の気象情報は、対象年気象履歴又は前年気象履歴から抽出される。なお、稲の収穫量又は品質は、前年気象履歴又は対象年気象履歴における１つの出穂基準日における１つの種類の気象情報に基づき予測されても良い。

以下では、対象作物である稲の収穫量及び品質を予測する予測処理について説明する（図１Ｂ）。本処理は、予測プログラムに従い動作するサーバ１０により実行される。なお、予測処理では、様々な地域を対象地域としたり、他の品種の稲を対象作物としたり、様々な作物（例えば、麦等の穂を有する作物、又は、トマト又は枝豆等の野菜）の様々な品種を対象作物としたりして収穫状況を予測することができる。穂を有さない野菜等の作物が対象作物となる場合、出穂日に替えて、到達時期を用いて収穫状況が予測される。到達時期とは、対象作物が出穂以外の予め定められた生長段階に到達した時期である。また、予測処理に用いられる気象情報又は数式等は、対象地域又は対象作物に応じて定められる。

Ｓ１００では、サーバ１０は、出穂日の予測に用いる入力変数を算出する。サーバ１０は、予め定められた１又は複数の田植基準日における、予め定められた１又は複数の種類の気象情報を、説明変数とする。入力変数は、複数の異なる説明変数を用いて生成される。なお、該複数の説明変数の数を、Ｎとする。また、複数の説明変数の各々を、Ｅ０［ｉ］とも記載する。ｉは１〜Ｎのうちのいずれかの整数である。

稲の出穂に相対的に大きな影響を与える気象情報が、説明変数となる。一例として、説明変数とは、田植日から３日目の日の降水量、田植日から２２日目の日の最低気温、田植日から２６日目の日の平均気温、及び、田植日から２６日目の日の最高気温等であっても良い。説明変数に係る田植基準日及び説明変数となる気象情報の種類は、記録期間における気象履歴及び栽培履歴に基づき定められる。説明変数の数、説明変数に係る田植基準日、又は、説明変数となる気象情報の種類等は、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。

サーバ１０は、記憶部１１に記憶されている前年気象履歴及び対象年気象履歴のうちの双方又は一方から、説明変数を抽出する。この時、サーバ１０は、予測を行っている日よりも前の田植基準日の気象情報である説明変数については、対象年気象履歴から抽出しても良い。一方、予測を行っている日以後の田植基準日の気象情報である説明変数については、前年気象履歴から抽出しても良い。つまり、前年における該田植基準日に相当する日における該説明変数と同一種類の気象情報を、前年気象履歴から抽出しても良い。なお、田植基準日が対象年のＸ月Ｙ日の場合であれば、他の年における該田植基準日に相当する日は、該他の年のＸ月Ｙ日となる。すなわち、サーバ１０は、原則として対象年気象履歴から説明変数を抽出し、抽出できない場合には、前年気象履歴から説明変数を抽出しても良い。無論、サーバ１０は、前年気象履歴から全ての説明変数を抽出しても良い。

次に、サーバ１０は、式（１）により説明変数Ｅ０［ｉ］を正規化し、ｓｃａｌｅ（Ｅ０［ｉ］）を得る。

ここで、記録期間に含まれる各年におけるＥ０［ｉ］に係る田植基準日に相当する日を、対応日とする。また、対応日におけるＥ０［ｉ］と同一種類の気象情報を、対応説明変数とする。ａｖｅ（Ｅ０［ｉ］）は、記録期間に含まれる各年の対応説明変数の平均値であり、σ（Ｅ０［ｉ］）は、各年の対応説明変数の標準偏差である。

そして、サーバ１０は、Ｎ個のｓｃａｌｅ（Ｅ０［ｉ］）の主成分分析を行う。主成分分析により生成された合成変数が、入力変数Ｘ０となる。具体的には、式（２）により、Ｍ個の入力変数Ｘ０［１］〜［Ｍ］を生成する。なお、Ｍは整数であり、１＜Ｍ＜Ｎとなる。

なお、式（２）における主成分負荷量Ｒ０_１１〜Ｒ０_ＮＭは、記録期間に含まれる各年における各説明変数の対応説明変数に基づき算出される。また、入力変数の数、又は、主成分負荷量の値等は、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。

Ｓ１０５では、サーバ１０は、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、出穂日を予測する。なお、図２Ａの２００は、このようなニューラルネットワークの一例である。ニューラルネットワークの入力層は、Ｍ個の入力変数に対応している。ニューラルネットワークは、１層の中間層を有し、中間層にはＭ個のニューロンが設けられている。また、ニューラルネットワークの出力層は、１つの出力変数を出力する。また、ニューラルネットワークでは、式（３）に示すシグモイド関数が出力関数ｇ（ｘ）として用いられる。

ニューラルネットワークには、Ｍ個の入力変数Ｘ０［１］〜［Ｍ］が入力される。以後、ｊ番目の入力変数を、Ｘ０［ｊ］とする。なお、ｊは１〜Ｍのうちのいずれかの整数である。

また、中間層におけるＭ個のニューロンのうちのｋ番目のニューロンからの出力を、Ｙ０［ｋ］とする。なお、ｋは１〜Ｍのうちのいずれかの整数である。また、中間層におけるＭ個のニューロンのうちのｋ番目のニューロンにおけるＸ０［ｊ］に対応する重みパラメータを、Ｗ０_ｋｊとする。また、該ｋ番目のニューロンにおけるバイアスパラメータを、θ０_ｋとする。Ｙ０［ｋ］は、式（４）により算出される。

また、ニューラルネットワークの出力層は、出穂日を示すＺ０を出力する。出力層のニューロンにおける重みパラメータをＷ０_ｋとし、バイアスパラメータをΘ０とする。Ｚ０は、式（５）により算出される。

Ｚ０は、対象年の出穂日の予測値を正規化した値となっている。このため、式（６）によりＺ０の形式を変更する。これにより、出穂日の予測値であるＺ０´が得られる。なお、出穂日は、例えば、田植日等からの経過日数により表されても良い。

なお、σ（ｚ０）は、記録期間における各年の出穂日の標準偏差を示す。また、ａｖｅ（ｚ０）は、記録期間における各年の出穂日の平均値を示す。また、ニューラルネットワークにおける重みパラメータＷ０_ｋｊ，Ｗ０_ｋ及びバイアスパラメータθ０_ｋ，Θ０は、記録期間における栽培履歴が示す過去の出穂日を教師データとする機械学習により定められる。重みパラメータＷ０_ｋｊ，Ｗ０_ｋ、又は、バイアスパラメータθ０_ｋ，Θ０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。また、対象種類、対象作物の品種、又は、対象地域等に応じて、ニューラルネットワークの構成を変えても良い。

続いて、Ｓ１１０では、サーバ１０は、収穫量の予測に用いる入力変数を算出する。サーバ１０は、予め定められた１又は複数の出穂基準日における予め定められた１又は複数の種類の気象情報を、説明変数とする。なお、出穂基準日は、Ｓ１０５にて予測された出穂日に基づき定められる。入力変数は、複数の異なる説明変数を用いて生成される。また、該複数の説明変数の数を、Ｏとする。また、複数の説明変数の各々を、Ｅ１［ｉ］とも記載する。ｉは１〜Ｏのうちのいずれかの整数である。

稲の収穫量に相対的に大きな影響を与える気象情報が、説明変数となる。一例として、説明変数とは、出穂日の１３日前の日の降水量、出穂日から１０日目の日の気温日格差、及び、出穂日から１０日目の日の日照時間等であっても良い。説明変数に係る出穂基準日及び説明変数となる気象情報の種類は、記録期間における気象履歴及び栽培履歴に基づき定められる。説明変数の数、説明変数に係る出穂基準日、又は、説明変数となる気象情報の種類等は、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。

サーバ１０は、記憶部１１に記憶されている前年気象履歴及び対象年気象履歴のうちの双方又は一方から、説明変数を抽出する。この時、サーバ１０は、Ｓ１００と同様にして、原則として対象年気象履歴から説明変数を抽出し、抽出できない場合には、前年気象履歴から説明変数を抽出しても良い。無論、サーバ１０は、前年気象履歴から全ての説明変数を抽出しても良い。

次に、サーバ１０は、式（７）により説明変数Ｅ１［ｉ］を正規化し、ｓｃａｌｅ（Ｅ１［ｉ］）を得る。

ここで、記録期間に含まれる各年におけるＥ１［ｉ］に係る出穂基準日に相当する日を、対応日とする。また、対応日におけるＥ１［ｉ］と同一種類の気象情報を、対応説明変数とする。ａｖｅ（Ｅ１［ｉ］）は、記録期間に含まれる各年の対応説明変数の平均値であり、σ（Ｅ１［ｉ］）は、各年の対応説明変数の標準偏差である。

そして、サーバ１０は、Ｏ個のｓｃａｌｅ（Ｅ１［ｉ］）の主成分分析を行う。主成分分析により生成された合成変数が、入力変数Ｘ１となる。具体的には、式（８）により、Ｐ個の入力変数Ｘ１［１］〜［Ｐ］を生成する。なお、Ｐは整数であり、１＜Ｐ＜Ｏとなる。

なお、式（８）における主成分負荷量Ｒ１_１１〜Ｒ１_ＯＰは、記録期間に含まれる各年における各説明変数の対応説明変数に基づき算出される。また、入力変数の数、又は、主成分負荷量の値等は、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。

Ｓ１１５では、サーバ１０は、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、収穫量を予測する。該ニューラルネットワークは、出穂日の予測に用いられたニューラルネットワークと同様に構成されているが、入力層が対応する入力変数の数、及び、中間層に含まれるニューロンの数が相違する。すなわち、収穫量の予測に用いられるニューラルネットワークの入力層は、Ｐ個の入力変数に対応している。また、該ニューラルネットワークは、中間層にはＰ個のニューロンが設けられている。また、該ニューラルネットワークでは、式（３）に示すシグモイド関数が出力関数ｇ（ｘ）として用いられる。

ニューラルネットワークには、Ｐ個の入力変数Ｘ１［１］〜［Ｐ］が入力される。以後、ｊ番目の入力変数を、Ｘ１［ｊ］とする。なお、ｊは１〜Ｐのうちのいずれかの整数である。

また、中間層におけるＰ個のニューロンのうちのｋ番目のニューロンからの出力を、Ｙ１［ｋ］とする。なお、ｋは１〜Ｐのうちのいずれかの整数である。また、中間層におけるＰ個のニューロンのうちのｋ番目のニューロンにおけるＸ１［ｊ］に対応する重みパラメータを、Ｗ１_ｋｊとする。また、該ｋ番目のニューロンにおけるバイアスパラメータを、θ１_ｋとする。Ｙ１［ｋ］は、式（９）により算出される。

また、ニューラルネットワークの出力層は、収穫量を示すＺ１を出力する。出力層のニューロンにおける重みパラメータをＷ１_ｋとし、バイアスパラメータをΘ１とする。Ｚ１は、式（１０）により算出される。

Ｚ１は、対象年の収穫量の予測値を正規化した値となっている。このため、式（１１）によりＺ１の形式を変更する。これにより、収穫量の予測値であるＺ１´が得られる。

なお、σ（ｚ１）は、記録期間における各年の収穫量の標準偏差を示す。また、ａｖｅ（ｚ１）は、記録期間における各年の収穫量の平均値を示す。また、ニューラルネットワークにおける重みパラメータＷ１_ｋｊ，Ｗ１_ｋ及びバイアスパラメータθ１_ｋ，Θ１は、記録期間における栽培履歴が示す過去の収穫量を教師データとする機械学習により定められる。重みパラメータＷ１_ｋｊ，Ｗ１_ｋ及びバイアスパラメータθ１_ｋ，Θ１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。また、対象作物の種類、対象作物の品種、及び、対象地域等に応じて、予測に用いるニューラルネットワークの構成を変えても良い。

続いて、Ｓ１２０では、サーバ１０は、品質の予測に用いる入力変数を算出する。サーバ１０は、Ｓ１１０と同様、予め定められた１又は複数の出穂基準日における予め定められた１又は複数の種類の気象情報を、説明変数とする。入力変数は、複数の異なる説明変数を用いて生成される。また、該複数の説明変数の数を、Ｑとする。また、複数の説明変数の各々を、Ｅ２［ｉ］とも記載する。ｉは１〜Ｑのうちのいずれかの整数である。

稲の品質に相対的に大きな影響を与える気象情報が、説明変数となる。一例として、説明変数とは、出穂日の１０日前の日の平均気温、出穂日から８日目の日の最高気温、及び、出穂日から１９日目の日の日照時間等であっても良い。説明変数に係る出穂基準日及び説明変数となる気象情報の種類は、記録期間における気象履歴及び栽培履歴に基づき定められる。説明変数の数、説明変数に係る出穂基準日、又は、説明変数となる気象情報の種類等は、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。

サーバ１０は、記憶部１１に記憶されている前年気象履歴及び対象年気象履歴のうちの双方又は一方から、説明変数を抽出する。この時、サーバ１０は、Ｓ１００と同様にして、原則として対象年気象履歴から説明変数を抽出し、抽出できない場合には、前年気象履歴から説明変数を抽出しても良い。無論、サーバ１０は、前年気象履歴から全ての説明変数を抽出しても良い。

そして、サーバ１０は、Ｑ個のＥ２［ｉ］の主成分分析を行う。主成分分析により生成された合成変数が、入力変数Ｘ２となる。具体的には、式（１２）により、Ｒ個の入力変数Ｘ２［１］〜［Ｒ］を生成する。なお、Ｒは整数であり、１＜Ｒ＜Ｑとなる。

ここで、記録期間に含まれる各年におけるＥ２［ｉ］に係る出穂基準日に相当する日を、対応日とする。また、対応日におけるＥ２［ｉ］と同一種類の気象情報を、対応説明変数とする。式（１２）における主成分負荷量Ｒ２_１１〜Ｒ２_ＱＲは、記録期間に含まれる各年における各説明変数の対応説明変数に基づき算出される。なお、入力変数の数、又は、主成分負荷量の値等は、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。

Ｓ１２５では、サーバ１０は、Ｘ２［ｊ］を説明変数とした重回帰分析により品質を予測する。なお、ｊは１〜Ｒのうちのいずれかの整数である。具体的には、式（１３）により、品質の予測値であるＹ２が算出される。

そして、サーバ１０は、本処理を終了する。
なお、式（１３）における偏回帰係数ａ_１〜ａ_Ｒ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ａ_０〜ａ_Ｒを算出する。なお、偏回帰係数ａ_１〜ａ_Ｒ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。

［３．効果］
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。

これに対し、本実施形態の予測処理によれば、対象作物である稲の出穂日が予測される。そして、予測された出穂日を基準として定められた出穂基準日等の気象情報に基づき、稲の収穫状況が予測される。このため、稲の生長に相対的に大きな影響を与える時期の気象に基づき、収穫状況を予測することが可能となる。したがって、稲の収穫状況を精度良く予測することが可能となる。

（２）また、作物の栽培期間における特定の日の気象が、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、本実施形態の予測処理によれば、田植日を基準に定められた日である田植基準日等の気象情報に基づき出穂日が予測される。そして、予測された出穂日を基準として定められた日である出穂基準日等の気象情報に基づき、収穫状況が予測される。このため、対象作物の生長への影響が相対的に大きい特定の日の気象に基づき、出穂日及び収穫状況を予測することが可能となる。したがって、稲の収穫状況を精度良く予測することが可能となる。

（３）また、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、本実施形態の予測処理によれば、予測された出穂日を基準に定められた時期の気象情報により、稲の収穫状況が予測される。このため、収穫状況を精度良く予測することが可能となる。

［４．他の実施形態］
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。

（１）上記実施形態の予測処理では、対象年又は前年の気象情報に基づき出穂日が予測される。そして、予測された出穂日に基づき定められた出穂基準日、又は、前年における出穂基準日に相当する日の気象情報に基づき、収穫状況が予測される。以後、予測に用いる気象情報が測定された時期を、測定時期と記載する。しかしながら、予測プログラムは、予測処理において、対象作物が出穂以外の他の生長段階に到達する到達時期を予測しても良い。そして、予測プログラムは、本実施形態と同様にして、予測した到達時期を基準として測定時期を定め、測定時期における予め定められた種類の気象情報に基づき収穫状況を予測しても良い。

具体的には、到達時期とは、例えば、対象作物の穂又は花が、予め定められた生長段階に到達した時期であっても良い。具体的には、対象作物が、幼穂分化、花芽分化、開花、又は、落花等の生長段階に達した時期であっても良い。なお、幼穂分化とは、例えば、対象作物に穂が形成され始めた生長段階であり、花芽分化とは、例えば、対象作物に花芽が形成され始めた生長段階であっても良い。この他にも、到達時期に係る生長段階とは、例えば、対象作物の受粉であっても良いし、対象作物の茎、枝、又は葉等の大きさ、長さ、又は数等が、予め定められた基準に達した段階であっても良い。

また、到達時期とは、対象農地で栽培されている対象作物における上記生長段階に到達した対象作物が占める割合が、予め定められた閾値（例えば、４０〜５０％）に達した日であっても良い。また、到達時期又は測定時期とは、いずれかの日に限らず、例えば、複数の日を跨いだ期間、又は、いずれかの日における時間帯等であっても良い。到達時期及び測定時期は、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定めるのが好適である。

（２）上記実施形態の予測処理では、田植日に基づき定められた田植基準日の気象情報に基づき出穂日が予測される。しかしながら、予測プログラムは、予測処理において、例えば、対象年又は前年における田植日に関わらず定められた月日の気象情報に基づき、出穂日を予測しても良い。

また、例えば、対象作物の種を対象農地に植えて栽培する場合等においては、予測処理において、田植基準日に替えて開始基準日が用いられても良い。開始基準日とは、対象農地に対象作物の種を植えた日である開始日を基準として定められた日である。すなわち、予測プログラムは、予測処理において、田植基準日に替えて開始基準日を用い、本実施形態と同様にして、対象作物が予め定められた生長段階に到達する到達時期を予測しても良い。そして、予測プログラムは、到達時期を基準として定められた測定時期の気象情報に基づき、対象作物の収穫状況を予測しても良い。

（３）上記実施形態の予測処理では、対象作物である稲の出穂日及び収穫量の予測にはニューラルネットワークが用いられ、品質の予測には重回帰分析が用いられる。しかしながら、重回帰分析により出穂日及び収穫量が予測されても良いし、ニューラルネットワークにより品質が予測されても良い。また、他の方法により、出穂日、収穫量、及び、品質が予測されても良い。

（４）上記実施形態の予測処理では、対象年の前年の気象情報である前年気象履歴を用いて収穫状況が予測される。しかし、予測処理では、前年気象履歴に限らず、対象年よりも前の任意の１又は複数の年の気象履歴を用いて、収穫状況が予測されても良い。つまり、予測処理では、前年気象履歴に替えて、前年よりも前のいずれかの年の気象履歴から、同様にして説明変数が抽出されても良い。この他にも、対象年よりも前の任意の複数年の気象履歴を用いて、収穫状況が予測されても良い。つまり、該複数の年の気象履歴に基づき、平均気象履歴が生成されても良い。平均気象履歴は、これらの年の各日における各種類の気象情報の平均値を示す。そして、予測処理では、前年気象履歴に替えて、平均気象履歴の中から同様にして説明変数が抽出されても良い。

（５）上記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、上記実施形態の構成の一部を省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

（６）上述した予測システム１の他、当該予測システム１に相当する装置、予測システム１における予測プログラムを記録した半導体メモリ等の非遷移的実態的記録媒体、予測処理に相当する方法など、種々の形態で本開示を実現することもできる。

［特許請求の範囲との対応］
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。

予測処理により実現される方法が予測方法の一例に、サーバ１０が予測装置の一例に相当する。
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。

また、予測処理のＳ１００，Ｓ１０５が到達時期予測部の一例に、Ｓ１１０〜Ｓ１２５が収穫状況予測部の一例に相当する。

１…予測システム、１０…サーバ、１１…記憶部、１２…出穂日予測部、１３…収穫量予測部、１４…品質予測部、２０…端末、３０…測定装置。

Claims (8)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
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。

Images