JP7476863B2 - 栽培支援システム、栽培支援方法、及びプログラム - Google Patents

Description

本発明は、栽培支援システム、栽培支援方法、及びプログラムに関する。

非特許文献１には、植物工場における施設や管理のためのガイドラインを提供するための収益モデルが記載されている。非特許文献２には、レタスの成長速度に対する光強度・チップバーン発生・葉のカルシウム含有量についての調査が記載されている。
［先行技術文献］
［非特許文献］
［非特許文献１］ Shogo MORIYUKI, Hiroaki KANEDA, Yusaku MIYAGI, Nobuhiro SUGIMURA, and Hirokazu FUKUDA, "Profit Models Based on the Growth Dynamics of Lettuce Populations in a Plant Factory", Environ. Control Biol., 56(4), 143-148, 2018 DOI: 10.2525/ecb.56.143
［非特許文献２］ Yuki Sago1, et al., "Effects of Light Intensity and Growth Rate on Tipburn Development and Leaf Calcium Concentration in Butterhead Lettuce", HORTSCIENCE, 51(9), 1087-1091, 2016 DOI:10.21273/HORTSCI10668-16

本発明の第１の態様においては、栽培支援システムを提供する。栽培支援システムは、植物を栽培した複数の栽培条件を取得する栽培条件取得部を備えてよい。栽培支援システムは、植物の栽培における複数の栽培結果を取得する栽培結果取得部を備えてよい。栽培支援システムは、複数の栽培条件を複数のクラスに分類するクラス推定部を備えてよい。栽培支援システムは、複数の栽培条件及び複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、複数のクラスの各々における信頼度を算出する算出部を備えてよい。

栽培支援システムは、栽培条件から栽培結果を予測するモデルを生成するモデル生成部を備えてよい。

モデル生成部は、ベイジアンネットワークモデル構造のモデルを生成してよい。

クラス推定部は、栽培条件取得部が取得した複数の栽培条件を複数のクラスに分類してよい。モデル生成部は、複数のクラスに分類された複数の栽培条件と複数の栽培結果とを用いて、ベイジアンネットワークモデル構造のモデルを生成してよい。

モデル生成部は、栽培条件取得部が取得した複数の栽培条件と栽培結果取得部が取得した複数の栽培結果とのうちの一部を用いて、モデルを生成してよい。算出部は、栽培条件取得部が取得した複数の栽培条件と栽培結果取得部が取得した複数の栽培結果とのうちの他の一部を用いて、信頼度を算出してよい。

栽培支援システムは、複数の栽培条件及び複数の栽培結果の少なくとも１つのデータに前処理を行う前処理部を備えてよい。クラス推定部は、前処理されたデータを用いて、複数の栽培条件を複数のクラスに分類してよい。算出部は、分類の結果を用いて、複数のクラスの各々における信頼度を算出してよい。

前処理部は、複数の栽培条件のデータと複数の栽培結果のデータを時間軸で対応付けること、複数の栽培条件及び複数の栽培結果の少なくとも１つのデータを補完すること、複数の栽培条件及び複数の栽培結果の少なくとも１つのデータの外れ値を処理すること、及び複数の栽培条件及び複数の栽培結果の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前処理を行ってよい。

栽培支援システムは、モデルを用いて、植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部を備えてよい。栽培支援システムは、予測した栽培結果に応じたデータを出力する出力部を備えてよい。クラス推定部は、栽培結果の予測に用いる栽培条件を複数のクラスのうちの少なくとも１つに分類してよい。出力部は、分類したクラスにおける信頼度に基づいて、予測した栽培結果に応じたデータを出力してよい。

出力部は、分類したクラスにおける信頼度とともに予測した栽培結果の出力、及び分類したクラスにおける信頼度が第１閾値以上であれば予測した栽培結果に応じたデータの出力のうちの少なくとも１つを実行してよい。

本発明の第２の態様においては、栽培支援システムを提供する。栽培支援システムは、植物を栽培する栽培条件を取得する栽培条件取得部を備えてよい。栽培支援システムは、栽培条件を複数のクラスのうちのいずれかに分類するクラス推定部を備えてよい。栽培支援システムは、栽培条件から栽培結果を予測するモデルを用いて、植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部を備えてよい。栽培支援システムは、分類したクラスにおける信頼度に基づいて、予測した栽培結果に応じたデータを出力する出力部を備えてよい。

クラス推定部は、栽培条件から栽培結果を予測するモデルの生成において複数の栽培条件が分類された複数のクラスのいずれかに、栽培結果推定部の予測に用いる栽培条件を分類してよい。

本発明の第２の態様においては、栽培支援方法を提供する。栽培支援方法は、植物を栽培した複数の栽培条件を取得する段階を備えてよい。栽培支援方法は、植物の栽培における複数の栽培結果を取得する段階を備えてよい。栽培支援方法は、複数の栽培条件を複数のクラスに分類する段階を備えてよい。栽培支援方法は、複数の栽培条件及び複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、複数のクラスの各々における信頼度を算出する段階を備えてよい。

本発明の第２の態様においては、プログラムを提供する。プログラムは、コンピュータを、植物を栽培した複数の栽培条件を取得する栽培条件取得部として機能させてよい。プログラムは、コンピュータを、植物の栽培における複数の栽培結果を取得する栽培結果取得部として機能させてよい。プログラムは、コンピュータを、複数の栽培条件を複数のクラスに分類するクラス推定部として機能させてよい。プログラムは、コンピュータを、複数の栽培条件及び複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、複数のクラスの各々における信頼度を算出する算出部として機能させてよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係る栽培支援システム１０の構成を示す。 栽培支援システム１０の動作の一例を示すフローである。 栽培支援システム１０において植物栽培が行われる植物工場のレイアウトの一例を示す。 記憶部２２０に格納される栽培条件データ２２２のデータベースの一部の例を示す。 記憶部２２０に格納される栽培条件データ２２２のデータベースの他の一部の例を示す。 記憶部２２０に格納される栽培条件データ２２２のデータベースの他の一部の例を示す。 記憶部２２０に格納される栽培結果データ２２４のデータベースの例を示す。 前処理されたデータセットの例を示す。 クラス推定部２３４により分類されるクラス毎のデータの特徴量の例を示す。 算出部２５０により予測結果から識別子毎に算出された信頼度の例を示す。 算出部２５０により予測結果から算出されたクラス毎の信頼度の例を示す モデル生成部２３６により生成されるベイジアンネットワークモデル構造のモデルの例を示す。 クラス推定部２３４により生成されるベイジアンネットワークモデル構造のクラス推定モデルの例を示す。 栽培支援システム１０の予測結果出力動作の一例を示すフローである。 本実施形態に係る栽培支援システム１０の他の例の構成を示す。 本発明の複数の態様が全体的又は部分的に具現化されてよいコンピュータ２２００の例を示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態に係る栽培支援システム１０の構成を示す。栽培支援システム１０は、植物の栽培における栽培条件から栽培結果を予測して、当該予測の信頼度に応じて予測結果をユーザに提示することができる。栽培支援システム１０は、複数のセンサ１００と、複数の端末１１０と、支援装置２００と、表示装置３００とを備える。

複数のセンサ１００は、支援装置２００に有線又は無線で接続され、植物の栽培の栽培条件及び栽培結果の少なくとも一方を検出して、センサデータを支援装置２００に供給する。複数のセンサ１００は、栽培している植物の周囲環境内（例えば、植物工場内、栽培用のハウス内、又は培地内等）又は栽培している植物（例えば、葉又は茎等）に設置されてよい。

ここで、栽培条件は、植物を栽培した環境条件及び栽培した植物の状態の少なくとも１つを含んでよい。環境条件は、栽培した植物の周囲環境の温度、湿度、水分量、日射量、光量、培地温度、培地の電気伝導度（ＥＣ）、培地の水素イオン指数（ｐＨ）、２酸化炭素濃度（ｐｐｍ）、栽培エリア、栽培開始日、栽培期間（播種、育苗、定植、緑化）、栽培に用いた薬剤の種類、及び薬剤の量の少なくとも１つを含んでよい。また、植物の状態は、栽培した植物の樹液流、葉面温度、及び茎径の少なくとも１つを含んでよい。

栽培結果は、植物の栽培における障害及び栽培した植物の収穫結果の少なくとも１つを含んでよい。植物の栽培における障害は、尻腐果、裂果等の生理障害、病気による障害、及び害虫による障害の少なくとも１つを含んでよい。支援装置２００に供給される障害を示すデータは、発生の有無、障害の種類、発生頻度（例えば、栽培単位における障害が発生した株の割合）、及び範囲の少なくとも１つを含んでよい。植物の収穫結果は、収穫した植物の重量、個数、及び品質（糖度、水分量等）の少なくとも１つを含んでよい。

複数の端末１１０は、支援装置２００に有線又は無線で接続され、栽培を行う栽培者等が有するＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、又は汎用コンピュータ等のコンピュータであってよい。端末１１０は、栽培者から植物の栽培の栽培条件及び栽培結果の少なくとも一方についての入力を受けて、支援装置２００に当該入力されたデータを送信してよい。端末１１０は、栽培条件を管理する管理装置であってよく、栽培者から栽培条件の設定値を示すデータを受けてよい。

支援装置２００は、表示装置３００に接続される。支援装置２００は、栽培結果予測の信頼度を算出する信頼度算出動作と、信頼度に応じて栽培結果の予測を出力する予測結果出力動作とを行うことができる。支援装置２００は、信頼度算出動作において、試験栽培等により得られた栽培条件及び栽培結果を用いて学習してモデル２３８を生成し、当該モデル２３８による予測の信頼度を算出する。支援装置２００は、予測結果出力動作において、モデル２３８を用いて栽培条件から栽培結果を予測した結果を、当該予測の信頼度に応じて表示装置３００に出力する。

支援装置２００は、ＰＣ、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、又は汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、支援装置２００は、コンピュータ内で１又は複数の実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、支援装置２００は、栽培支援用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。コンピュータを用いる場合、支援装置２００は、コンピュータによりプログラムを実行することによって実現される。

支援装置２００は、取得部２１０と、記憶部２２０と、学習部２３０と、栽培結果推定部２４０と、算出部２５０と、出力部２６０とを備える。取得部２１０は、複数のセンサ１００及び端末１１０に接続され、学習のためのデータを取得する。取得部２１０は、栽培条件取得部２１２と、栽培結果取得部２１４とを有する。

栽培条件取得部２１２は、記憶部２２０に接続され、植物を栽培した複数の栽培条件を取得し、当該栽培条件を示す栽培条件データ２２２を記憶部２２０に供給する。栽培条件取得部２１２は、栽培条件データ２２２を複数のセンサ１００及び端末１１０から取得してよい。栽培条件取得部２１２は、支援装置２００のユーザから入力された栽培条件データ２２２を取得してもよい。

栽培結果取得部２１４は、記憶部２２０に接続され、植物の栽培における複数の栽培結果を取得し、当該栽培結果を示す栽培結果データ２２４を記憶部２２０に供給する。栽培結果取得部２１４は、栽培結果データ２２４を複数のセンサ１００及び端末１１０から取得してよい。栽培結果取得部２１４は、支援装置２００のユーザから入力された栽培結果データ２２４を取得してもよい。

記憶部２２０は、学習部２３０に接続され、取得部２１０が取得した栽培条件データ２２２及び栽培結果データ２２４を格納する。そして、記憶部２２０は、栽培条件データ２２２及び栽培結果データ２２４を、学習のためのデータとして学習部２３０に供給する。

学習部２３０は、栽培結果推定部２４０に接続され、記憶部２２０から供給された学習のためのデータを用いて栽培条件から栽培結果を予測するモデルを生成及び更新する。学習部２３０は、前処理部２３２と、クラス推定部２３４と、モデル生成部２３６と、モデル更新部２３９とを有する。

前処理部２３２は、クラス推定部２３４に接続され、記憶部２２０から供給される複数の栽培条件及び複数の栽培結果の少なくとも１つのデータに前処理を行い、前処理したデータをクラス推定部２３４に供給する。前処理部２３２は、学習のための前処理を行ってよい。

クラス推定部２３４は、モデル生成部２３６、栽培結果推定部２４０、及びモデル更新部２３９に接続され、複数の栽培条件を複数のクラスに分類する。クラス推定部２３４は、分類した複数の栽培条件等のデータを、モデル生成部２３６、栽培結果推定部２４０、及びモデル更新部２３９に供給してよい。

モデル生成部２３６は、栽培条件及び栽培結果を用いて、栽培条件から栽培結果を予測するモデル２３８を生成して、学習部２３０に格納する。モデル生成部２３６は、記憶部２２０に格納されたデータ、前処理されたデータ、及び分類の結果（分類されたデータ）の少なくとも１つを用いてモデル２３８を生成してよい。

モデル更新部２３９は、栽培条件及び栽培結果を用いて、モデル２３８を更新する。モデル更新部２３９は、記憶部２２０に格納されたデータ、前処理されたデータ、及び分類の結果（分類されたデータ）の少なくとも１つを用いてモデル２３８を更新してよい。モデル更新部２３９は、モデル生成部２３６がモデル２３８を生成した後に取得部２１０が取得したデータを用いて、モデル２３８を更新してよい。

栽培結果推定部２４０は、算出部２５０に接続され、学習部２３０に格納されたモデル２３８を用いて、植物の栽培における栽培条件から栽培結果を予測して、予測結果を算出部２５０に供給する。栽培結果推定部２４０は、信頼度算出動作において、予測に用いた栽培条件及び対応する栽培結果の少なくとも一方とともに、予測した栽培結果を算出部２５０に供給してよい。栽培結果推定部２４０は、記憶部２２０に格納された栽培条件データ２２２又はユーザから入力された栽培条件から、栽培結果を予測してよい。

算出部２５０は、出力部２６０に接続され、複数の栽培条件及び複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデル２３８についての、複数のクラスの各々における信頼度を算出する。算出部２５０は、信頼度算出動作において、栽培結果推定部２４０で予測された栽培結果と、記憶部２２０に格納された複数の栽培結果と、クラス推定部２３４における分類の結果（分類されたデータ）とを用いて信頼度を算出してよい。算出部２５０は、算出した複数のクラスの信頼度を算出部２５０内に格納してよい。算出部２５０は、予測結果出力動作において、支援装置２００へのユーザからの入力等に応じて、予測した栽培結果とともに信頼度を出力部２６０に供給してよい。

出力部２６０は、表示装置３００に接続され、栽培結果推定部２４０で予測した栽培結果に応じたデータを出力する。出力部２６０は、予測結果出力動作において、算出部２５０から供給された信頼度に基づいて、予測した栽培結果に応じたデータを出力してよい。

表示装置３００は、コンピュータ、又はタッチパネルディスプレイ等のディスプレイであってよい。表示装置３００は、出力部２６０から受信したデータに応じて信頼度及び予測した栽培結果の少なくとも１つを表示画面に表示してよい。表示装置３００は、ユーザから栽培結果の予測リクエストを受けて、当該予測リクエストを支援装置２００に送信してよい。なお、表示装置３００は、支援装置２００の一部又は端末１１０の一部であってもよい。

図２は、栽培支援システム１０の動作の一例を示すフローである。図２のフローは、栽培支援システム１０の信頼度算出動作の例を示す。

Ｓ１１において、取得部２１０は、植物の栽培における栽培条件及び栽培結果を取得する。栽培条件取得部２１２は、複数のセンサ１００及び端末１１０からリアルタイムで又は定期的に栽培条件データ２２２を取得してよい。栽培条件取得部２１２は、センサ１００又は端末１１０を介して、栽培条件の実測値又は設定値を取得してよい。栽培条件取得部２１２は、取得した栽培条件データ２２２を、植物の種類、識別子、検出日時、及び取得日時の少なくとも１つに対応付けて記憶部２２０に格納してよい。

ここで、植物の識別子は、ユーザ又は支援装置２００により、植物の栽培単位毎に設定されてよい。植物の識別子は、同じ栽培条件（例えば同じ栽培開始日、同じ栽培エリア、同じ栽培期間等）の複数の株を１つの栽培単位として１つの識別子が設定されてよい。

栽培結果取得部２１４は、複数のセンサ１００及び端末１１０からリアルタイムで又は定期的に栽培結果データ２２４を取得してよい。栽培結果取得部２１４は、収穫した植物の障害の発生、品質、及び収穫量の少なくとも１つを示すデータを、センサ１００及び端末１１０から取得してよい。栽培結果取得部２１４は、障害の発生、植物の品質、及び収穫量の少なくとも１つについて、栽培者が目視等で植物をラベル付けしたデータを、端末１１０を介して取得してよい。栽培結果取得部２１４は、センサ１００によって画像診断等で検出された障害の発生状況を取得してよい。栽培結果取得部２１４は、画像から障害の発生状況を出力する障害検出モデルを、予め栽培者等がラベル付けした学習データを用いて学習することにより生成してよい。栽培結果取得部２１４は、当該障害検出モデルを用いて画像診断を行い、栽培結果データを取得してよい。栽培結果取得部２１４は、取得した栽培結果データ２２４を、植物の種類、識別子、栽培条件、検出日時、及び取得日時の少なくとも１つに対応付けて記憶部２２０に格納してよい。

Ｓ１２において、前処理部２３２は、栽培条件データ２２２及び栽培結果データ２２４に前処理を行う。前処理部２３２は、記憶部２２０から、栽培条件データ２２２及び栽培結果データ２２４を受け取ってよい。前処理部２３２は、複数の栽培条件のデータと複数の栽培結果のデータを時間軸で対応付けること、複数の栽培条件及び複数の栽培結果の少なくとも１つのデータを補完すること、複数の栽培条件及び複数の栽培結果の少なくとも１つのデータの外れ値を処理すること、及び複数の栽培条件及び複数の栽培結果の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前処理を行ってよい。

前処理部２３２は、栽培条件データ２２２及び栽培結果データ２２４をデータ取得時間に応じて対応付けてよい。前処理部２３２は、一例として、データ取得時間に応じて、同じ取得日毎に、又は異なる取得日もしくは同じ取得日の同じ時間間隔毎に、栽培条件データ２２２及び栽培結果データ２２４を対応付けてよい。

前処理部２３２は、時系列のデータの欠損補間を行ってよい。前処理部２３２は、データが存在しない期間について、線形補間又はスプライン補完等の補完アルゴリズムを用いてデータを補完してよい。前処理部２３２は、データのうち、複数のデータの平均値との差が、ユーザにより予め定められた閾値を超える場合に、当該データを外れ値として削除又は時間軸で前後のデータと同じ値に変更してよい。前処理部２３２は、データの所定の桁以下の切り捨て等により丸め処理を行ってよい。前処理部２３２は、栽培条件データ２２２及び栽培結果データ２２４を離散化し、各栽培期間（播種、育苗、定植、緑化）における栽培エリアと対応付けてよい。

前処理部２３２は、栽培条件データ２２２及び栽培結果データ２２４の特徴量を抽出する前処理を行ってよい。前処理部２３２は、栽培条件データ２２２及び栽培結果データ２２４の少なくとも一方のデータについて、積算値、微分値、平均値、分散値、及び日中成分と夜間成分を分離したデータの少なくとも１つを特徴量として抽出してよい。前処理部２３２は、予め定められた期間毎のデータの積算値を特徴量として算出してよい。前処理部２３２は、一例として、３時間毎に、障害の発生数、温度、又は湿度等の積算値を特徴量として抽出してよい。このように、積算値を算出することで、遅れてくる影響を知ることができる。前処理部２３２は、複数のデータ取得時間におけるデータの微分値を算出して、微分値を特徴量として抽出してよい。前処理部２３２は、時間軸で推移するデータを、日中成分と夜間成分の合成波とみなして、日中成分と夜間成分との一方を補完（例えばスプライン補完）又は周波数分解手法（例えばフーリエ変換等）により分離してよい。そして、前処理部２３２は、分離した日中成分及び夜間成分の一方とセンサデータの間の差分を、日中成分及び夜間成分の他方として分離してよい。

前処理部２３２は、栽培期間又は時間帯（昼と夜）等の区間で前処理したデータを区切り、区間毎の前処理したデータ（平均値、分散値等）を説明変数としてデータセットを作成してよい。前処理部は、前処理したデータセットをクラス推定部２３４に供給する。

Ｓ１３において、クラス推定部２３４は、前処理された複数の栽培条件データ２２２を複数のクラスに分類（クラスタリング）する。クラス推定部２３４は、植物の複数の識別子を、栽培条件のデータセットが類似する複数のクラス（グループ）に分類してよい。クラス推定部２３４は、データについて時系列及び特徴量等の類似度の少なくとも１つに基づき、データを分類してよい。クラス推定部２３４は、一例として、異なる取得日の同じ時間帯におけるデータ同士を同じクラスに分類してよい。また、クラス推定部２３４は、ベクトル化したデータの類似度が閾値より高い（例えば、距離が閾値より小さい）データ同士を同じクラスに分類してよい。クラス推定部２３４は、一例として、抽出した特徴量同士の差が閾値以下である対応するデータセット同士を同じクラスに分類してよい。

クラス推定部２３４は、ｋ－ｍｅａｎｓ法、又は確率的潜在意味解析（ｐＬＳＡ： Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｌａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ａｎａｌｙｓｉｓ）等を用いて分類を行ってよい。

クラス推定部２３４は、分類の結果を目的変数、Ｓ１２で作成したデータセットを説明変数としてクラス推定モデルを作成してよい。クラス推定モデルは、ベイジアンネットワーク等の機械学習を用いて作成されてもよい。クラス推定部２３４は、後の予測結果出力動作において、クラス推定モデルを用いて、栽培条件のデータのクラスを推定してよい。また、クラス推定部２３４は、モデル２３８の生成に用いたクラスの情報を、後の予測結果出力動作に用いるためにクラス推定部２３４内に格納してもよい。

クラス推定部２３４は、クラスタリング後に、モデル生成用のデータとして、栽培条件データ２２２の一部及び対応する栽培結果データ２２４の一部をモデル生成部２３６に供給してよい。クラス推定部２３４は、クラスタリング後に、信頼度算出用のデータとして、栽培条件データ２２２の他の一部及び対応する栽培結果データ２２４の他の一部を、栽培結果推定部２４０に供給してよい。クラス推定部２３４は、クロスバリデーション等を用いて、信頼度を算出するためにモデル生成用のデータと信頼度算出用のデータとを分けてよい。クラス推定部２３４は、モデル生成用のデータと信頼度算出用のデータとを、ランダムに分けてよい。また、クラス推定部２３４は、モデル生成用のデータと信頼度算出用のデータとを、データ取得期間（例えば、昼と夜、日、月）で分けてもよい。

Ｓ１４において、モデル生成部２３６は、分類の結果（分類されたデータ）を用いて機械学習を行うことによってモデル２３８を生成する。モデル生成部２３６は、栽培条件取得部２１０が取得した複数の栽培条件と栽培結果取得部２１４が取得した複数の栽培結果とのうちの一部を、モデル生成用のデータとしてクラス推定部２３４から受信して、当該モデル生成用のデータを用いて、モデル２３８を生成してよい。モデル生成部２３６は、複数のクラスに分類された複数の栽培条件と複数の栽培結果とを用いて、ベイジアンネットワークモデル構造のモデルを生成してよい。また、モデル生成部２３６は、ニューラルネットワーク等の他の機械学習モデルを生成してもよい。

また、Ｓ１４において、学習部２３０に既にモデル２３８が格納されている場合には、モデル更新部２３９は、分類の結果（分類されたデータ）を用いてモデル２３８を更新する。モデル更新部２３９は、モデル生成部２３６と同様に機械学習を行い、ベイジアンネットワークモデル構造のモデル２３８を更新してよい。モデル更新部２３９は、実行された植物栽培の栽培条件での栽培結果と、モデル２３８で当該栽培条件から予測した栽培結果とを比較して、当該モデル２３８を更新してよい。

Ｓ１５において、栽培結果推定部２４０は、モデル２３８を用いて、栽培結果を予測する。栽培結果推定部２４０は、クラス推定部２３４から、分類の結果（分類されたデータ）を含む信頼度算出用のデータを受け取り、モデル２３８を用いて当該データから栽培結果を予測してよい。栽培結果推定部２４０は、モデル２３８を用いて、１つの識別子に対応する栽培条件から、最も確率が高い又は確率が閾値を超える１つの栽培結果を予測してよい。栽培結果推定部２４０は、予測した栽培結果を、予測に用いた信頼度算出用のデータとともに算出部２５０に供給してよい。

Ｓ１６において、算出部２５０は、栽培結果推定部２４０から受け取ったデータを用いて、複数のクラスの各々における信頼度を算出する。算出部２５０は、栽培結果推定部２４０での予測に用いられた栽培条件が属すると推定されたクラスについて、当該栽培条件の実際の栽培結果と予測された栽培結果とを比較して信頼度（正解率）を算出してよい。算出部２５０は、識別子毎に信頼度を算出し、クラス毎に複数の信頼度から１つの最終的な信頼度を算出してよい。算出部２５０は、１つのクラスについて、複数の識別子について算出した複数の信頼度の平均値又は合計値を当該クラスの最終的な信頼度として算出してよい。算出部２５０は、再現率、適合率、及びＦ値の少なくとも１つを用いて信頼度を算出してよい。

Ｓ１７において、算出部２５０は、信頼度算出用のデータの全てを用いて信頼度を算出したかを判断してよい。算出部２５０は、信頼度算出用のデータの全てを用いるまで、Ｓ１５－Ｓ１７を繰り返してよい。

また、算出部２５０は、信頼度算出用のデータを変更して、信頼度の算出を繰り返してもよい。信頼度算出用のデータの全てを用いて信頼度を算出した後に、Ｓ１３と同様に、クラス推定部２３４は、分類後のデータを、前回とは異なるように、モデル生成用のデータと信頼度算出用のデータとに分けてよい。クラス推定部２３４は、一例として、前回から変更したランダムシードを用いて、データをランダムに分けてよい。そして、算出部２５０は、前回と異なる信頼度算出用のデータを用いて信頼度を算出してよい。このように、算出部２５０は、信頼度算出用のデータを変更しながら、信頼度の算出を複数回繰り返す（すなわち、Ｓ１３，Ｓ１５，及びＳ１６を繰り返す）ことで得られたクラス毎の複数の信頼度から得られる値（平均値等）を、最終的な信頼度としてよい。これにより、クラスの信頼度の評価の精度をより高くすることができる。

図３は、栽培支援システム１０において植物栽培が行われる植物工場のレイアウトの一例を示す。植物工場の栽培エリアは、複数の栽培エリアａ－ｆに区切られ、エリア毎に１つ以上のセンサ１００が設置される。１つの識別子で識別される植物の栽培単位が、所定の栽培期間、１つの栽培エリア内で栽培される。栽培期間によって、栽培エリアが変更されうる。取得部２１０は、センサ１００又は端末１１０を介して、栽培エリアの情報を栽培条件として取得することができる。

図４は、記憶部２２０に格納される栽培条件データ２２２の一部の例を示す。栽培条件取得部２１２は、センサ１００又は端末１１０を介して、栽培エリア、２酸化炭素濃度、光量、温度、及び湿度等のデータを取得し、記憶部２２０に検出日時に対応付けて格納してよい。

図５は、記憶部２２０に格納される栽培条件データ２２２の他の一部の例を示す。栽培条件取得部２１２は、栽培単位の識別子に対応付けて栽培条件を取得し、記憶部２２０に格納してよい。識別子は、一例として、ＩＤ－１－４－１、ＩＤ－１－４－２、ＩＤ－１－４－３、・・・が、栽培単位毎にそれぞれ設定される。各識別子は、各栽培段階（播種（緑化）、育苗、定植）における栽培エリア、栽培開始日、及び現在の栽培経過日数の情報に対応付けられる。本例では、各栽培段階（播種（緑化）、育苗、定植）における栽培エリア及び栽培開始日が同一である複数の株を１つの栽培単位として１つの識別子が設定される。

図６は、記憶部２２０に格納される栽培条件データ２２２の他の一部の例を示す。栽培条件取得部２１２は、栽培エリア毎の設定値を栽培条件として取得して記憶部２２０に格納してよい。図６においては、記憶部２２０は、栽培エリアａ及び栽培エリアｂにおける、２酸化炭素濃度，光量、湿度、及び温度の設定値を、１日毎に格納する。

図７は、記憶部２２０に格納される栽培結果データ２２４の例を示す。栽培結果取得部２１４は、収穫重量及び生理障害の有無を取得し、識別子に対応付けて記憶部２２０に格納する。

図８は、前処理されたデータセットの例を示す。前処理部２３２は、識別子ＩＤ－１－４－１、ＩＤ－１－４－２、及びＩＤ－１－４－３、・・・に対応する栽培条件をそれぞれ前処理して、図８に示すようなデータセットを作成してよい。識別子ＩＤ－１－４－１の栽培単位は、栽培結果である収穫重量９０ｇ、生理障害の発生有り、育苗期間において栽培エリアａで栽培され、昼間（９時～１６時）の温度の平均値が２１℃、夜間（１６時～９時）の湿度の平均値７０％であり、定植期間において栽培エリアｂで栽培され、昼間（９時～１６時）の湿度の平均値８０％である。識別子ＩＤ－１－４－２の栽培単位は、栽培結果である収穫重量１００ｇ、生理障害の発生無し、育苗期間において栽培エリアａで栽培され、昼間（９時～１６時）の温度の平均値が２２℃、夜間（１６時～９時）の湿度の平均値６０％であり、定植期間において栽培エリアｂで栽培され、昼間（９時～１６時）の湿度の平均値７０％である。

図９は、クラス推定部２３４により分類されるクラス毎のデータの特徴量の例を示す。クラス推定部２３４は、クラスＺ００１、Ｚ００２，Ｚ００３に栽培条件を分類することができる。例えば、クラスＺ００１は、昼間の平均温度２０℃以上、昼間の平均湿度９０％以上、夜間の平均温度１５℃以上、夜間の平均湿度９０％以上等である栽培条件を有する識別子が分類される。なお、図９の栽培条件は、前処理されたデータであってよい。

図１０は、算出部２５０により予測結果から識別子毎に算出された信頼度の例を示す。算出部２５０は、栽培結果推定部２４０から識別子毎に予測結果を受け取り、予測結果と実際の栽培結果とを比較して一致度を信頼度として算出してよい。一例として、算出部２５０は、識別子ＩＤ１－４－１の栽培単位について、クラスＺ００１、予測収穫重量８０ｇ、生理障害の予測発生頻度４０％から、実際の栽培結果の収穫重量（例えば１００ｇ）、実際の生理障害の発生頻度（例えば５０％）を用いて、それぞれの信頼度８０％（１００×予測収穫重量／実際の収穫重量、１００×予測発生頻度／実際の発生頻度）を算出してよい。

図１１は、算出部２５０により予測結果から算出されたクラス毎の信頼度の例を示す。算出部２５０は、図１０のように算出された各識別子の信頼度から、クラス毎の信頼度を算出してよい。算出部２５０は、収穫重量について、クラスＺ００１に属する識別子ＩＤ１－４－１の８０％とその他の複数の識別子の信頼度との平均値を算出して、クラスＺ００１の収穫重量についての信頼度８５％としてよい。算出部２５０は、生理障害について、クラスＺ００１に属する識別子ＩＤ１－４－１の信頼度８０％とその他の複数の識別子の信頼度との平均値を算出して、クラスＺ００１の生理障害についての信頼度９０％としてよい。算出部２５０は、算出されたクラス毎の信頼度を図１１のようなテーブルとして格納してよい。

図１２は、モデル生成部２３６により生成されるベイジアンネットワークモデル構造のモデル２３８の例を示す。モデル２３８は、前処理された栽培条件のデータが入力されると、生理障害及び収穫重量の少なくとも一方を出力する。ノード１０００の栽培条件は、育苗期間において栽培エリアａで栽培され、昼間（９時～１６時）の温度の平均値が２０℃である。ノード１０００の栽培条件は、矢印から生理障害の発生に影響する。ノード１０１０の栽培条件は、育苗期間において栽培エリアｂで栽培され、昼間（９時～１６時）の湿度の平均値が６０％である。ノード１０１０の栽培条件は、矢印から収穫重量に影響する。ノード１０２０の栽培条件は、緑化期間において栽培エリアｂで栽培され、昼間（９時～１６時）の２酸化炭素濃度の平均値が９００ｐｐｍである。ノード１０２０の栽培条件は、矢印から生理障害と収穫重量に影響する。ノード１０３０の栽培条件は、定植期間において栽培エリアｂで栽培され、夜間（１６時～９時）の湿度の平均値が９０％である。ノード１０３０の栽培条件は、矢印から収穫重量に影響する。なお、平均値等の各数値は、前処理部２３２で前処理された値であり、例えば平均値６０％は、平均値５５～６４％の範囲が丸め処理されたものである。

図１３は、クラス推定部２３４により生成されるベイジアンネットワークモデル構造のクラス推定モデルの例を示す。クラス推定モデルは、前処理された栽培条件のデータが入力されると、複数のクラスのいずれかに分類する。各クラスには、算出した信頼度が対応付けられている。

ノード１１００の栽培条件は、育苗期間において栽培エリアｂで栽培され、昼間（９時～１６時）の湿度の平均値が６０％である。ノード１１００の栽培条件は、クラスＺ００１に分類される重み６０で、クラスＺ００２に分類される重み４０である。ノード１１１０の栽培条件は、育苗期間において栽培エリアｃで栽培され、夜間（１６時～９時）の湿度の平均値が７０％である。ノード１１１０の栽培条件は、クラスＺ００１に分類される重み３０で、クラスＺ００２に分類される重み７０である。ノード１１２０の栽培条件は、育苗期間において栽培エリアａで栽培され、昼間（９時～１６時）の温度の平均値が２０℃である。ノード１１２０の栽培条件は、クラスＺ００２に分類される重み５０で、クラスＺ００３に分類される重み５０である。ノード１１３０の栽培条件は、定植期間において栽培エリアｂで栽培され、夜間（１６時～９時）の湿度の平均値が９０％である。ノード１１３０の栽培条件は、クラスＺ００３に分類される重み１００である。ノード１１４０の栽培条件は、緑化期間において栽培エリアｂで栽培され、昼間（９時～１６時）の２酸化炭素濃度の平均値が９００ｐｐｍである。ノード１１４０の栽培条件は、クラスＺ００３に分類される重み１００である。

クラス推定部２３４は、１つの識別子に対応する複数の栽培条件がそれぞれ複数のクラスに分類される場合には、重みの合計値が最も大きいクラスに当該識別子を分類してよい。

図１４は、栽培支援システム１０の予測結果出力動作の一例を示すフローである。Ｓ２１において、取得部２１０は、Ｓ１１と同様に、植物の栽培における栽培条件を取得する。取得部２１０は、支援装置２００がユーザからの予測リクエストを受信することに応じて、栽培条件を取得してよい。取得部２１０は、１つの識別子に対応付けて栽培条件を取得してよい。Ｓ２２において、前処理部２３２は、Ｓ１２と同様に、栽培条件データ２２２に前処理を行う。

Ｓ２３において、クラス推定部２３４は、Ｓ１３と同様に、前処理された栽培条件データ２２２をクラスに分類する。クラス推定部２３４は、栽培結果の予測に用いる栽培条件を複数のクラスのうちの少なくとも１つに分類してよい。クラス推定部２３４は、モデル２３８の生成において複数の栽培条件が分類された複数のクラス（例えば図１０のクラスＺ００１、Ｚ００２、Ｚ００３・・・）のいずれかに、栽培結果推定部２４０の予測に用いる栽培条件を分類してよい。クラス推定部２３４は、図１３に示すようなクラス推定モデルを用いて、１つの識別子に対応する栽培条件データ２２２を１つのクラスに分類してよい。クラス推定部２３４は、分類したデータを栽培結果推定部２４０に供給してよい。

Ｓ２４において、栽培結果推定部２４０は、クラス推定部２３４から供給されたデータから、モデル２３８を用いて、１つの識別子に対応する栽培結果を予測する。栽培結果推定部２４０は、Ｓ１４と同様に、予測を行ってよい。栽培結果推定部２４０は、予測した栽培結果を算出部２５０に供給する。

Ｓ２５において、算出部２５０は、当該識別子が分類されたクラスに対応する信頼度を、テーブル等から取得し、信頼度とともに、予測した栽培結果を出力部２６０に供給してよい。

Ｓ２６において、出力部２６０は、分類したクラスにおける信頼度に基づいて、予測した栽培結果に応じたデータを出力する。出力部２６０は、分類したクラスにおける信頼度とともに予測した栽培結果を出力してよい。表示装置３００は、予測した栽培結果とその信頼度を表示することができる。

また、出力部２６０は、分類したクラスにおける信頼度が第１閾値以上であれば予測した栽培結果に応じたデータを出力してよい。この場合、表示装置３００は、信頼度が高い栽培結果の予測のみを表示することができる。

なお、出力部２６０は、分類したクラスにおける信頼度が第１閾値以上であれば、植物の栽培条件を制御するデータを、植物の栽培条件を管理する管理装置等に出力してもよい。出力部２６０は、一例として、高い信頼度で予測した栽培結果が悪い（例えば、予測収穫重量が第２閾値未満である、又は障害の発生確率が第３閾値を超える）と判断した場合、予測に用いた栽培条件を変更する制御データを管理装置等に出力してよい。出力部２６０は、モデル２３８を用いて得られた良好な栽培結果となる栽培条件を受け取り、予測した栽培結果が悪い栽培条件から、当該良好な栽培結果となる栽培条件に変更する制御データを出力してよい。

本実施形態の栽培支援システム１０により、ユーザは、予測の信頼度を栽培結果とともに把握することができる。従来、一つのモデルですべての季節の栽培結果を予測させると、予測に用いるデータが学習データと傾向が異なるため、予測結果の精度が把握できないという問題が生じる。栽培支援システム１０により、クラスタリング手法と機械学習を組み合わせて、すべての季節を網羅した一つの収穫結果予測モデルを利用して、予測結果の信頼性を把握することを可能にする。

なお、Ｓ２３において、クラス推定部２３４が、予測のための栽培条件を、モデルの生成に用いた既存のクラスのいずれにも分類できない（例えば、予測のための栽培条件が、既存のクラスのデータとの類似度が閾値未満である等）場合には、出力部２６０は、予測した栽培結果を出力しなくてもよい。この場合、出力部２６０は、予測した栽培結果の代わりに、予測不能の表示を出力してよい。

図１５は、本実施形態に係る栽培支援システム１０の他の例の構成を示す。他の例における栽培支援システム１０は、図１の栽培支援システム１０と同様の構成を備え、同様の動作を行うものであってよく、ただし、モデル生成部２３６を備えない。他の例における栽培支援システム１０は、主に、図１４に示す予測結果出力動作を行うものであってよい。

他の例の栽培支援システム１０は、外部の装置で予め学習されたモデル２３８及びクラス推定モデルを格納してよい。他の例の栽培支援システム１０の栽培結果推定部２４０は、モデル２３８を用いて、図１の支援装置２００の栽培結果推定部２４０と同様に栽培結果推定処理を行ってよい。他の例の栽培支援システム１０のクラス推定部２３４は、クラス推定モデルを用いて図１の支援装置２００のクラス推定部２３４と同様にクラスタリング処理を行ってよい。算出部２５０は、信頼度の計算を行わずに、信頼度が格納されたテーブル等から、分類されたクラスに対応する信頼度を取得してよい。他の例の栽培支援システム１０は、その他の構成及び動作については、図１の栽培支援システム１０と同様であってよく、詳細な説明を省略する。

また、本発明の様々な実施形態は、フローチャート及びブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階又は（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階及びセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、及び他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャート又はブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ又はプログラマブル回路に対し、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャート又はブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

図１６は、本発明の複数の態様が全体的又は部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作又は当該装置の１又は複数のセクションとして機能させることができ、又は当該操作又は当該１又は複数のセクションを実行させることができ、及び／又はコンピュータ２２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。

本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、及びディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インタフェース２２２２、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６、及びＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０及びキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。

ＣＰＵ２２１２は、ＲＯＭ２２３０及びＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等又はそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。

通信インタフェース２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラム及びデータを格納する。ＤＶＤ－ＲＯＭドライブ２２２６は、プログラム又はデータをＤＶＤ－ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、及び／又はコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。

プログラムが、ＤＶＤ－ＲＯＭ２２０１又はＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、又はＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ２２００の使用に従い情報の操作又は処理を実現することによって構成されてよい。

例えば、通信がコンピュータ２２００及び外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース２２２２に対し、通信処理を命令してよい。通信インタフェース２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭ２２０１、又はＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。

また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６（ＤＶＤ－ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。

様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラム又はソフトウェアモジュールは、コンピュータ２２００上又はコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバーシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 栽培支援システム
１００ センサ
１１０ 端末
２００ 支援装置
２１０ 取得部
２１２ 栽培条件取得部
２１４ 栽培結果取得部
２２０ 記憶部
２２２ 栽培条件データ
２２４ 栽培結果データ
２３０ 学習部
２３２ 前処理部
２３４ クラス推定部
２３６ モデル生成部
２３８ モデル
２３９ モデル更新部
２４０ 栽培結果推定部
２５０ 算出部
２６０ 出力部
３００ 表示装置
２２００ コンピュータ
２２０１ ＤＶＤ－ＲＯＭ
２２１０ ホストコントローラ
２２１２ ＣＰＵ
２２１４ ＲＡＭ
２２１６ グラフィックコントローラ
２２１８ ディスプレイデバイス
２２２０ 入／出力コントローラ
２２２２ 通信インタフェース
２２２４ ハードディスクドライブ
２２２６ ＤＶＤ－ＲＯＭドライブ
２２３０ ＲＯＭ
２２４０ 入／出力チップ
２２４２ キーボード

Claims (19)

1. 植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
   前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
   前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
   前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部とを備え、
   前記クラス推定部は、栽培条件のデータが入力されると、前記複数のクラスのいずれかに分類するクラス推定モデルを用いて、前記栽培条件取得部が取得した前記栽培条件のクラスを推定する
   栽培支援システム。
2. 植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
   前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
   前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
   前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
   栽培条件から栽培結果を予測する前記モデルを生成するモデル生成部とを備え、
   前記モデル生成部は、前記栽培条件取得部が取得した複数の栽培条件と前記栽培結果取得部が取得した複数の栽培結果とのうちの一部を用いて、前記モデルを生成し、
   前記算出部は、前記栽培条件取得部が取得した複数の栽培条件と前記栽培結果取得部が取得した複数の栽培結果とのうちの他の一部を用いて、前記信頼度を算出する
   栽培支援システム。
3. 植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
   前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
   前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータに前処理を行う前処理部と、
   前記前処理されたデータを用いて、前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
   前記複数の栽培条件、前記複数の栽培結果、及び前記分類の結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部とを備える
   栽培支援システム。
4. 植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
   前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
   前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
   前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
   前記モデルを用いて、前記植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部と、
   前記予測した栽培結果に応じたデータを出力する出力部とを備え、
   前記クラス推定部は、前記栽培結果の予測に用いる栽培条件を前記複数のクラスのうちの少なくとも１つに分類し、
   前記出力部は、前記分類したクラスにおける信頼度とともに前記予測した栽培結果の出力、及び前記分類したクラスにおける信頼度が第１閾値以上であれば前記予測した栽培結果に応じたデータの出力のうちの少なくとも１つを実行する
   栽培支援システム。
5. 栽培条件から栽培結果を予測する前記モデルを生成するモデル生成部を備える
   請求項１、３、および４のいずれか一項に記載の栽培支援システム。
6. 前記モデル生成部は、ベイジアンネットワークモデル構造のモデルを生成する
   請求項５に記載の栽培支援システム。
7. 前記クラス推定部は、前記栽培条件取得部が取得した複数の栽培条件を複数のクラスに分類し、
   前記モデル生成部は、前記複数のクラスに分類された前記複数の栽培条件と前記複数の栽培結果とを用いて、前記ベイジアンネットワークモデル構造のモデルを生成する
   請求項６に記載の栽培支援システム。
8. 前記前処理部は、前記複数の栽培条件のデータと前記複数の栽培結果のデータを時間軸で対応付けること、前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータを補完すること、前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータの外れ値を処理すること、及び前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータの丸め処理を行うことの少なくとも１つを含む前記前処理を行う
   請求項３に記載の栽培支援システム。
9. 植物を栽培する栽培条件を取得する栽培条件取得部と、
   前記栽培条件を複数のクラスのうちのいずれかに分類するクラス推定部と、
   栽培条件から栽培結果を予測するモデルを用いて、前記植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部と、
   前記分類したクラスにおける信頼度に基づいて、前記予測した栽培結果に応じたデータを出力する出力部とを備え、
   前記クラス推定部は、栽培条件のデータが入力されると、前記複数のクラスのいずれかに分類するクラス推定モデルを用いて、前記栽培条件取得部が取得した前記栽培条件のクラスを推定する
   栽培支援システム。
10. 植物を栽培する栽培条件を取得する栽培条件取得部と、
    前記栽培条件を複数のクラスのうちのいずれかに分類するクラス推定部と、
    栽培条件から栽培結果を予測するモデルを用いて、前記植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部と、
    前記分類したクラスにおける信頼度に基づいて、前記予測した栽培結果に応じたデータを出力する出力部とを備え、
    前記クラス推定部は、前記栽培結果の予測に用いる栽培条件を前記複数のクラスのうちの少なくとも１つに分類し、
    前記出力部は、前記分類したクラスにおける信頼度とともに前記予測した栽培結果の出力、及び前記分類したクラスにおける信頼度が第１閾値以上であれば前記予測した栽培結果に応じたデータの出力のうちの少なくとも１つを実行する
    栽培支援システム。
11. 前記クラス推定部は、前記栽培条件から前記栽培結果を予測する前記モデルの生成において複数の栽培条件が分類された複数のクラスのいずれかに、前記栽培結果推定部の予測に用いる栽培条件を分類する
    請求項９または１０に記載の栽培支援システム。
12. 植物を栽培した複数の栽培条件を取得する段階と、
    前記植物の栽培における複数の栽培結果を取得する段階と、
    前記複数の栽培条件を複数のクラスに分類する段階と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する段階とを備え、
    前記複数のクラスに分類する段階は、栽培条件のデータが入力されると、前記複数のクラスのいずれかに分類するクラス推定モデルを用いて、前記取得した栽培条件のクラスを推定する段階を有する
    栽培支援方法。
13. 植物を栽培した複数の栽培条件を取得する段階と、
    前記植物の栽培における複数の栽培結果を取得する段階と、
    前記複数の栽培条件を複数のクラスに分類する段階と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する段階と、
    栽培条件から栽培結果を予測する前記モデルを生成する段階とを備え、
    前記モデルを生成する段階は、前記取得した複数の栽培条件と前記取得した複数の栽培結果とのうちの一部を用いて、前記モデルを生成する段階を有し、
    前記信頼度を算出する段階は、前記取得した複数の栽培条件と前記取得した複数の栽培結果とのうちの他の一部を用いて、前記信頼度を算出する段階を有する
    栽培支援方法。
14. 植物を栽培した複数の栽培条件を取得する段階と、
    前記植物の栽培における複数の栽培結果を取得する段階と、
    前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータに前処理を行う段階と、
    前記前処理されたデータを用いて、前記複数の栽培条件を複数のクラスに分類する段階と、
    前記複数の栽培条件、前記複数の栽培結果、及び前記分類の結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する段階とを備える
    栽培支援方法。
15. 植物を栽培した複数の栽培条件を取得する段階と、
    前記植物の栽培における複数の栽培結果を取得する段階と、
    前記複数の栽培条件を複数のクラスに分類する段階と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する段階と、
    前記モデルを用いて、前記植物の栽培における栽培条件から栽培結果を予測する段階と、
    前記予測した栽培結果に応じたデータを出力する段階とを備え、
    前記複数のクラスに分類する段階は、前記栽培結果の予測に用いる栽培条件を前記複数のクラスのうちの少なくとも１つに分類する段階を有し、
    前記出力する段階は、前記分類したクラスにおける信頼度とともに前記予測した栽培結果の出力、及び前記分類したクラスにおける信頼度が第１閾値以上であれば前記予測した栽培結果に応じたデータの出力のうちの少なくとも１つを実行する段階を有する
    栽培支援方法。
16. コンピュータを、
    植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
    前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
    前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
    として機能させ、
    前記クラス推定部は、栽培条件のデータが入力されると、前記複数のクラスのいずれかに分類するクラス推定モデルを用いて、前記栽培条件取得部が取得した前記栽培条件のクラスを推定する
    プログラム。
17. コンピュータを、
    植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
    前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
    前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
    栽培条件から栽培結果を予測する前記モデルを生成するモデル生成部と
    として機能させ、
    前記モデル生成部は、前記栽培条件取得部が取得した複数の栽培条件と前記栽培結果取得部が取得した複数の栽培結果とのうちの一部を用いて、前記モデルを生成し、
    前記算出部は、前記栽培条件取得部が取得した複数の栽培条件と前記栽培結果取得部が取得した複数の栽培結果とのうちの他の一部を用いて、前記信頼度を算出する
    プログラム。
18. コンピュータを、
    植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
    前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
    前記複数の栽培条件及び前記複数の栽培結果の少なくとも１つのデータに前処理を行う前処理部と、
    前記前処理されたデータを用いて、前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
    前記複数の栽培条件、前記複数の栽培結果、及び前記分類の結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
    として機能させるためのプログラム。
19. コンピュータを、
    植物を栽培した複数の栽培条件を取得する栽培条件取得部と、
    前記植物の栽培における複数の栽培結果を取得する栽培結果取得部と、
    前記複数の栽培条件を複数のクラスに分類するクラス推定部と、
    前記複数の栽培条件及び前記複数の栽培結果を用いて、栽培条件から栽培結果を予測するモデルについての、前記複数のクラスの各々における信頼度を算出する算出部と、
    前記モデルを用いて、前記植物の栽培における栽培条件から栽培結果を予測する栽培結果推定部と、
    前記予測した栽培結果に応じたデータを出力する出力部と
    として機能させ、
    前記クラス推定部は、前記栽培結果の予測に用いる栽培条件を前記複数のクラスのうちの少なくとも１つに分類し、
    前記出力部は、前記分類したクラスにおける信頼度とともに前記予測した栽培結果の出力、及び前記分類したクラスにおける信頼度が第１閾値以上であれば前記予測した栽培結果に応じたデータの出力のうちの少なくとも１つを実行する
    プログラム。

Images