WO2021157260A1 - 予測装置、予測システム、及び予測方法 - Google Patents

予測装置、予測システム、及び予測方法 Download PDF

Info

Publication number
WO2021157260A1
WO2021157260A1 PCT/JP2020/049200 JP2020049200W WO2021157260A1 WO 2021157260 A1 WO2021157260 A1 WO 2021157260A1 JP 2020049200 W JP2020049200 W JP 2020049200W WO 2021157260 A1 WO2021157260 A1 WO 2021157260A1
Authority
WO
WIPO (PCT)
Prior art keywords
harvest
value
prediction
control unit
plant
Prior art date
Application number
PCT/JP2020/049200
Other languages
English (en)
French (fr)
Inventor
平理 佐藤
恵美子 初谷
総一朗 虎井
Original Assignee
横河電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 横河電機株式会社 filed Critical 横河電機株式会社
Priority to EP20917443.2A priority Critical patent/EP4102440A4/en
Priority to US17/760,144 priority patent/US20230077160A1/en
Priority to CN202080095662.5A priority patent/CN115053247A/zh
Publication of WO2021157260A1 publication Critical patent/WO2021157260A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Definitions

  • Non-Patent Document 1 there is a technique disclosed in Non-Patent Document 1 as a technique for predicting the harvest result of a plant in a plant factory.
  • the growth curve of lettuce cultivated in a plant factory is approximated by a logistics function, and a profit model is created for lettuce of various target weights. Using this profit model, the growth curve is predicted from the seedling raising stage of lettuce, and the number of cultivation days that maximizes the profit in the plant factory is calculated.
  • the user can manage the plant factory using a prediction model that considers information on conflicting harvest weights and physiological disorders, so that the user can make an accurate sales plan.
  • the prediction system includes the prediction device and a management device capable of communicating with the prediction device, and the output is performed via the management device.
  • a prediction device capable of predicting a harvest result in consideration of a harvest weight and a physiological disorder.
  • the control unit 11 includes one or more processors.
  • the processor is, for example, a general-purpose processor such as a CPU (central processing unit) or a dedicated processor specialized for a specific process.
  • the control unit 11 performs processing related to the operation of the prediction device 10 while controlling each part of the prediction device 10.
  • the communication unit 13 includes one or more communication interfaces capable of communicating via, for example, the Internet, a gateway, and a LAN (local area network).
  • the communication unit 13 receives the information used for the operation of the prediction device 10 and transmits the information obtained by the operation of the prediction device 10.
  • the operation of the prediction device 10 is realized by executing the program stored in the storage unit 12 by the processor included in the control unit 11.
  • the management device 20 is a PC (personal computer), a mobile phone, a smartphone, a tablet, or the like.
  • the management device 20 is provided outside the plant factory 80, but is not limited thereto.
  • the storage unit 22 includes one or more semiconductor memories, one or more magnetic memories, one or more optical memories, or a combination thereof.
  • the semiconductor memory is, for example, RAM (random access memory) or ROM (read only memory).
  • the storage unit 22 stores information used for the operation of the management device 20 and information obtained by the operation of the management device 20.
  • the communication unit 23 includes one or more communication interfaces capable of communicating via, for example, the Internet, a gateway, and a LAN (local area network).
  • the communication unit 23 receives the information used for the operation of the management device 20, and transmits the information obtained by the operation of the management device 20.
  • the input unit 24 includes one or more input interfaces.
  • the input interface is, for example, a physical key, a capacitive key, a pointing device, a touch screen integrated with the display, a microphone, or a combination thereof.
  • the input unit 24 receives an operation for inputting information used for the operation of the management device 20.
  • the storage unit 32 includes one or more semiconductor memories, one or more magnetic memories, one or more optical memories, or a combination thereof.
  • the semiconductor memory is, for example, RAM (random access memory) or ROM (read only memory).
  • the storage unit 32 stores information used for the operation of the data collection device 30 and information obtained by the operation of the data collection device 30.
  • the output unit 35 includes one or more output interfaces.
  • the output interface is, for example, a display such as an LCD (liquid crystal display) or an organic EL (electroluminescence) display, a speaker, or a combination thereof.
  • the output unit 35 outputs the information obtained by the operation of the data collection device 30.
  • Plants include, but are not limited to, edible plants such as vegetables, fruits, or edible flowers, medicinal plants, ornamental plants such as foliage plants, or combinations thereof.
  • examples of vegetables include lettuce and strawberries.
  • a first operation example of the prediction system 1 according to the present disclosure will be described with reference to FIG.
  • the first operation example corresponds to one embodiment of the prediction method according to the present disclosure.
  • the actual measurement value of the environmental parameter measured by the environmental measurement device 40 and the actual measurement value of the harvest result measured by the harvest result measurement device 50 are stored in the storage unit 32 of the data collection device 30.
  • the measured values of the environmental parameters include the measured values of CO 2 concentration, photon, humidity, and temperature measured at predetermined time intervals from the cultivation start date for each cultivation area.
  • the unit of CO 2 concentration is ppm
  • the unit of photon is ⁇ mol / m 2 s
  • the unit of humidity is%
  • the unit of temperature is ° C.
  • step S101 the control unit 11 of the prediction device 10 acquires the actual measurement value of the environmental parameter and the actual measurement value of the harvest result from the data collection device 30 via the communication unit 13.
  • the control unit 11 stores the acquired actual measurement values of the environmental parameters and the actual measurement values of the harvest result in the storage unit 12.
  • step S102 the control unit 11 of the prediction device 10 acquires the actual measurement value of the environmental parameter and the actual measurement value of the harvest result from the storage unit 12, and performs preprocessing.
  • Preprocessing includes, but is not limited to, outlier processing, time series loss interpolation, discretization processing, or a combination thereof.
  • step S103 the control unit 11 of the prediction device 10 generates a prediction model for calculating the predicted value of the harvest result by performing machine learning using the data preprocessed in step S102.
  • This machine learning is carried out by using known or arbitrary clustering and Bayesian network techniques, with the variables corresponding to the environmental parameters as explanatory variables and the variables corresponding to the harvest results as objective variables.
  • clustering is a method of classifying similar variables into the same cluster, and examples thereof include hard clustering such as the k-means method and soft clustering such as stochastic latent semantic analysis. , Not limited to these.
  • the "Bayesian network” is a directed acyclic graph in which variables are nodes, and includes a conditional probability table between nodes.
  • step S103 first, the control unit 11 of the prediction device 10 performs unsupervised learning on the data preprocessed in step S102, so that similar explanatory variables are classified into the same cluster. Subsequently, the control unit 11 performs structural learning using the result of clustering to generate a prediction model.
  • the "prediction model” includes, for example, a parent node corresponding to environmental parameters, a child node dimensionally compressed by clustering, and a grandchild node corresponding to the harvest result. However, the parent node and the grandchild node do not have to be linked via the child node, and may be directly linked.
  • the storage unit 32 of the data collection device 30 stores the actually measured values of the environmental parameters measured by the environment measurement device 40. Further, the storage unit 32 of the data collecting device 30 stores data indicating the cultivation history acquired from the management device 20. As shown in FIG. 6, the measured values of the environmental parameters include the measured values of CO 2 concentration, photon, humidity, and temperature for each cultivation area measured at predetermined time intervals from the start of cultivation to a predetermined time point. The "predetermined time point" is arbitrarily set based on, for example, the user's input via the input unit 24 of the management device 20. Further, as shown in FIG. 7, the data showing the cultivation history includes information indicating the cultivation area in the sowing stage, the greening stage, the seedling raising stage, and the planting stage for each ID from the start of cultivation to an arbitrary time point.
  • the user can manage the plant factory 80 by using a prediction model that considers information on conflicting harvest weights and physiological disorders, so that an accurate sales plan can be made.
  • the yield of the plant factory 80 is improved.
  • the user can efficiently grasp the environmental conditions required to realize the expected harvest result.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Forests & Forestry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Ecology (AREA)
  • Botany (AREA)

Abstract

本開示の予測装置１０は、植物工場８０における植物の収穫重量及び生理障害に関する情報を含む収穫結果の予測値を算出するための予測モデルと、植物工場８０の環境を示す環境パラメータの値とが格納された記憶部１２と、記憶部１２から取得した環境パラメータの値を、予測モデルに入力して、収穫結果の予測値を算出する制御部１１と、制御部１１が算出した収穫結果の予測値を出力する通信部１３と、を有する。

Description

予測装置、予測システム、及び予測方法 関連出願の相互参照
　本出願は、２０２０年２月７日に日本国において出願された特願２０２０－２００８８号の優先権を主張するものであり、この先の出願の開示全体を、ここに参照のために取り込む。
　本開示は、予測装置、予測システム、及び予測方法に関する。
　従来、植物工場における植物の収穫結果を予測する技術として、非特許文献１に開示された技術がある。非特許文献１では、植物工場において栽培されるレタスの成長曲線をロジスティクス関数で近似し、様々な目標重量のレタスに対して利益モデルを作成する。この利益モデルを用いて、レタスの育苗段階から成長曲線を予測し、植物工場における利益が最大となる栽培日数を計算する。
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
　ユーザが期待する収穫重量を所定の期間内に実現するために、例えば光強度を強めて植物を急成長させると、チップバーン等の生理障害が発生してしまう。このように、収穫重量及び生理障害は互いに相反する関係にあるが、非特許文献１に開示された技術では、収穫重量及び生理障害を考慮した収穫結果を予測することができないという点で、改善の余地がある。
　そこで、本開示は、収穫重量及び生理障害を考慮した収穫結果を予測することができる予測装置、予測システム、及び予測方法を提供することを目的とする。
　幾つかの実施形態に係る予測装置は、植物工場における植物の収穫重量及び生理障害に関する情報を含む収穫結果の予測値を算出するための予測モデルと、前記植物工場の環境を示す環境パラメータの値とが格納された記憶部と、前記記憶部から取得した前記環境パラメータの前記値を、前記予測モデルに入力して、前記収穫結果の前記予測値を算出する制御部と、前記制御部が算出した前記収穫結果の前記予測値を出力する通信部と、を有する。
　これにより、収穫重量及び生理障害を考慮した収穫結果を予測することができる。
　一実施形態において、前記制御部は、前記環境パラメータの前記値と前記収穫結果の前記予測値とが関連付けられたデータテーブルを参照することにより、ユーザが期待する収穫結果に対応する前記環境パラメータの前記値を抽出し、前記通信部は、前記制御部が抽出した前記環境パラメータの前記値を出力してもよい。
　これにより、ユーザは、期待する収穫結果を実現するために必要とされる環境条件を効率的に把握することができるので、植物工場の歩留まりが向上する。
　一実施形態において、前記制御部は、前記環境パラメータの前記値を変化させる毎に、変化させた前記環境パラメータの前記値を前記予測モデルに入力することにより、前記収穫結果の前記予測値を算出し、且つ変化させた前記環境パラメータの前記値と算出した前記収穫結果の前記予測値とを関連付けることにより、前記データテーブルを生成してもよい。
　これにより、ユーザは、期待する収穫結果を実現するために必要とされる環境条件を効率的に把握することができるので、植物工場の歩留まりが向上する。
　一実施形態において、前記制御部は、前記植物の栽培開始から所定の時点における前記植物工場の環境を変更することなく、収穫時期まで前記植物を栽培した場合における、前記収穫結果の前記予測値を算出してもよい。
　これにより、ユーザは、相反する収穫重量及び生理障害に関する情報を考慮した予測モデルを用いて植物工場を管理することができるので、ユーザは的確な販売計画を立てることができる。
　一実施形態において、前記制御部は、前記植物の栽培開始から所定の時点において、前記植物工場の環境をユーザが指定した環境に変更して、収穫時期まで前記植物を栽培した場合における、前記収穫結果の前記予測値を算出してもよい。
　これにより、ユーザが指定した環境下における収穫結果を予測することができるので、ユーザは、的確な販売計画を立てることができる。特に、省電力等の制約された環境下で植物工場を稼働させる必要がある場合、又は植物工場の環境を試験的に変更する場合に有用である。
　一実施形態において、前記制御部は、前記環境パラメータの実測値及び前記収穫結果の実測値を用いた機械学習を行うことにより、前記予測モデルを生成し、生成した前記予測モデルを前記記憶部に格納してもよい。
　これにより、相反する収穫重量及び生理障害に関する情報を考慮した、汎用性の高い予測モデルが得られる。この予測モデルを用いて、植物工場を管理することにより、手間及びコストを低減することができる。
　一実施形態において、前記植物の生産コストに関する情報をさらに含んでもよい。
　これにより、収穫重量及び生理障害の他に生産コストも考慮した収穫結果を予測することができる。
　幾つかの実施形態に係る予測システムは、前記予測装置と、前記予測装置と通信可能な管理装置と、を備え、前記出力は、前記管理装置を介して行われる。
　これにより、収穫重量及び生理障害を考慮した収穫結果を予測することができる。
　幾つかの実施形態に係る予測方法は、コンピュータを用いた予測方法であって、植物工場の環境パラメータの値を、前記植物工場における植物の収穫重量及び生理障害に関する情報を含む収穫結果の予測値を算出するための予測モデルに入力して、前記収穫結果の前記予測値を算出するステップと、算出した前記収穫結果の前記予測値を出力するステップと、を含む。
　これにより、収穫重量及び生理障害を考慮した収穫結果を予測することができる。
　本開示によれば、収穫重量及び生理障害を考慮した収穫結果を予測することができる予測装置、予測システム、及び予測方法を提供することができる。
本実施形態に係る予測システムの構成を示す機能ブロック図である。 本実施形態に係る予測システムの第１の動作例を説明するフローチャートである。 第１の動作例における環境パラメータの実測値を説明する図である。 第１の動作例における収穫結果の実測値を説明する図である。 本実施形態に係る予測システムの第２の動作例を説明するフローチャートである。 第２の動作例における環境パラメータの実測値を説明する図である。 第２の動作例における栽培履歴を示すデータを説明する図である。 第２の動作例における収穫結果の予測値を説明する図である。 第２の動作例において、ユーザが期待する収穫結果を選択するための選択画面の出力例である。 第２の動作例において、ユーザが期待する収穫結果を実現可能な環境パラメータの値を示すグラフの出力例である。 本実施形態に係る予測システムの第３の動作例を説明するフローチャートである。 第３の動作例において、ユーザが指定する環境パラメータの値を説明する図である。
　以下、本開示を実施するための形態について、図面を参照しながら説明する。各図において、同一符号は、同一または同等の構成要素を示す。
　図１を参照して、本開示の一実施形態に係る予測システム１を説明する。
　予測システム１は、予測装置１０、管理装置２０、データ収集装置３０、環境測定装置４０、収穫結果測定装置５０、及び環境制御装置６０を備える。予測装置１０は、インターネット等のネットワーク７０を介して、管理装置２０及びデータ収集装置３０と互いに通信可能である。環境測定装置４０は、ＬＡＮ（local area network）等を介して、データ収集装置３０と互いに通信可能である。収穫結果測定装置５０は、ＬＡＮ（local area network）等を介して、データ収集装置３０と互いに通信可能である。
　予測装置１０は、クラウドコンピューティングシステム等に属するサーバである。
　予測装置１０は、制御部１１、記憶部１２、及び通信部１３を有する。
　制御部１１は、１つ以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（central processing unit）等の汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。制御部１１は、予測装置１０の各部を制御しながら、予測装置１０の動作に関わる処理を行う。
　記憶部１２は、１つ以上の半導体メモリ、１つ以上の磁気メモリ、１つ以上の光メモリ、又はこれらの組み合わせを含む。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。記憶部１２には、予測装置１０の動作に用いられる情報、及び予測装置１０の動作によって得られる情報が格納される。
　通信部１３は、例えば、インターネット、ゲートウェイ、及びＬＡＮ（local area network）等を介して通信することができる、１つ以上の通信インタフェースを含む。通信部１３は、予測装置１０の動作に用いられる情報を受信し、予測装置１０の動作によって得られる情報を送信する。
　なお、予測装置１０の動作は、記憶部１２に格納されたプログラムを、制御部１１に含まれるプロセッサで実行することにより実現される。
　管理装置２０は、ＰＣ（personal computer）、携帯電話機、スマートフォン、又はタブレット等である。管理装置２０は、植物工場８０の外部に設けられるが、これに限定されない。
　管理装置２０は、制御部２１、記憶部２２、通信部２３、入力部２４、及び出力部２５を有する。
　制御部２１は、１つ以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（central processing unit）等の汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。制御部２１は、管理装置２０の各部を制御しながら、管理装置２０の動作に関わる処理を行う。
　記憶部２２は、１つ以上の半導体メモリ、１つ以上の磁気メモリ、１つ以上の光メモリ、又はこれらの組み合わせを含む。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。記憶部２２には、管理装置２０の動作に用いられる情報、及び管理装置２０の動作によって得られる情報が格納される。
　通信部２３は、例えば、インターネット、ゲートウェイ、及びＬＡＮ（local area network）等を介して通信することができる、１つ以上の通信インタフェースを含む。通信部２３は、管理装置２０の動作に用いられる情報を受信し、管理装置２０の動作によって得られる情報を送信する。
　入力部２４は、１つ以上の入力用インタフェースを含む。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、マイク、又はこれらの組み合わせである。入力部２４は、管理装置２０の動作に用いられる情報を入力する操作を受け付ける。
　出力部２５は、１つ以上の出力用インタフェースを含む。出力用インタフェースは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイ等のディスプレイ、スピーカ、又はこれらの組み合わせである。出力部２５は、管理装置２０の動作によって得られる情報を出力する。
　なお、管理装置２０の動作は、記憶部２２に格納されたプログラムを、制御部２１に含まれるプロセッサで実行することにより実現される。
　データ収集装置３０は、ＰＣ（personal computer）等である。データ収集装置３０は、植物工場８０の内部に設けられるが、これに限定されない。
　データ収集装置３０は、制御部３１、記憶部３２、通信部３３、入力部３４、及び出力部３５を有する。
　制御部３１は、１つ以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（central processing unit）等の汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。制御部３１は、データ収集装置３０の各部を制御しながら、データ収集装置３０の動作に関わる処理を行う。
　記憶部３２は、１つ以上の半導体メモリ、１つ以上の磁気メモリ、１つ以上の光メモリ、又はこれらの組み合わせを含む。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。記憶部３２には、データ収集装置３０の動作に用いられる情報、及びデータ収集装置３０の動作によって得られる情報が格納される。
　通信部３３は、例えば、インターネット、ゲートウェイ、及びＬＡＮ（local area network）等を介して通信することができる、１つ以上の通信インタフェースを含む。通信部３３は、データ収集装置３０の動作に用いられる情報を受信し、データ収集装置３０の動作によって得られる情報を送信する。
　入力部３４は、１つ以上の入力用インタフェースを含む。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、マイク、又はこれらの組み合わせである。入力部３４は、データ収集装置３０の動作に用いられる情報を入力する操作を受け付ける。
　出力部３５は、１つ以上の出力用インタフェースを含む。出力用インタフェースは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイ等のディスプレイ、スピーカ、又はこれらの組み合わせである。出力部３５は、データ収集装置３０の動作によって得られる情報を出力する。
　なお、データ収集装置３０の動作は、記憶部３２に格納されたプログラムを、制御部３１に含まれるプロセッサで実行することにより実現される。
　環境測定装置４０は、植物工場８０に設けられた栽培エリア毎に１つ以上設けられる。環境測定装置４０は、植物工場８０の環境を示す環境パラメータとしてのＣＯ２濃度、光量子、湿度、温度、又はこれらの組み合わせを所定の時間間隔で測定する。環境測定装置４０は、ＣＯ２濃度計、光量子計、湿度計、温度計、又はこれらの組み合わせを含むが、これらに限定されない。本実施形態において、「栽培エリア」とは、植物の成長段階に応じて植物が移植される植物工場８０の内部の所定のエリアを指し、例えば播種エリア、緑化エリア、育苗エリア、及び定植エリア等が挙げられる。また、「所定の時間間隔」は、ユーザによって適宜設定され、例えば数十分～数時間とすることができる。
　収穫結果測定装置５０は、植物工場８０の内部に設けられる。収穫結果測定装置５０は、植物工場８０で栽培される植物の収穫重量及び生理障害に関する情報を含む収穫結果を測定する。本実施形態において、「生理障害に関する情報」は、チップバーン等の生理障害の発生確率又は発生有無を含む。なお、収穫重量は、公知又は任意の重量計を用いて測定されるが、これに限定されない。また、生理障害の発生確率は、公知又は任意の画像認識技術を用いて算出されるが、これに限定されない。また、生理障害の発生有無は、ユーザの目視によって確認されるが、これに限定されない。
　環境制御装置６０は、植物工場８０の内部に設けられる。環境制御装置６０は、照明装置、空調装置、ＣＯ２発生機、養液循環装置、又はこれらの組み合わせを含むが、これらに限定されない。環境制御装置６０は、管理装置２０を介して自動で制御されてもよく、ユーザによって手動で制御されてもよい。
　植物工場８０は、植物を計画的に栽培することができる任意の工場である。
　植物は、野菜、果物、若しくは食用花等の食用植物、薬用植物、観葉植物等の観賞用植物、又はこれらの組み合わせを含むが、これらに限定されない。野菜として、例えば、レタス又はイチゴ等が挙げられる。
　図２を参照して、本開示による予測システム１の第１の動作例を説明する。第１の動作例は、本開示による予測方法の一実施形態に相当する。
　第１の動作例では、データ収集装置３０の記憶部３２に、環境測定装置４０によって測定された環境パラメータの実測値、及び収穫結果測定装置５０によって測定された収穫結果の実測値が格納されている。図３に示すとおり、環境パラメータの実測値は、栽培エリア毎に、栽培開始日から所定の時間間隔で測定されたＣＯ２濃度、光量子、湿度、及び温度の実測値を含む。なお、ＣＯ２濃度の単位はppmであり、光量子の単位はμmol/m2sであり、湿度の単位は％であり、温度の単位は℃である。また、図４に示すとおり、収穫結果の実測値は、ＩＤ毎に、収穫重量及び生理障害の発生有無の実測値を含むとともに、播種、緑化、育苗、及び定植が行われた栽培エリアの情報を示す栽培履歴も含む。したがって、図３及び４に示すデータによって、各ＩＤが付された植物が、どの栽培エリアで、どのような環境下で栽培されたのかが特定される。本実施形態において、「ＩＤ」は、植物の栽培情報を管理するために用いられる識別情報であり、播種段階、緑化段階、育苗段階、及び定植段階における栽培エリア、並びに栽培開始日が同一である植物に対して、同一のＩＤが付与される。
　ステップＳ１０１において、予測装置１０の制御部１１は、通信部１３を介して、データ収集装置３０から環境パラメータの実測値及び収穫結果の実測値を取得する。制御部１１は、取得した環境パラメータの実測値及び収穫結果の実測値を記憶部１２に格納する。
　ステップＳ１０２において、予測装置１０の制御部１１は、記憶部１２から環境パラメータの実測値及び収穫結果の実測値を取得し、前処理を施す。「前処理」は、外れ値処理、時系列に関する欠損補間、離散化処理、又はこれらの組み合わせを含むが、これらに限定されない。
　ステップＳ１０３において、予測装置１０の制御部１１は、ステップＳ１０２で前処理したデータを用いた機械学習を行うにより、収穫結果の予測値を算出するための予測モデルを生成する。この機械学習は、環境パラメータに対応する変数を説明変数とし、収穫結果に対応する変数を目的変数として、公知又は任意のクラスタリング及びベイジアンネットワークの技術を用いることにより実行される。ここで、本実施形態において「クラスタリング」とは、類似する変数同士を同一のクラスタに分類する手法であり、k-means法等のハードクラスタリング又は確率的潜在意味解析等のソフトクラスタリングが挙げられるが、これらに限定されない。また、「ベイジアンネットワーク」とは、変数をノードとする有向非巡回グラフであり、ノード間の条件付き確率表を含むものである。ステップＳ１０３では、最初に、予測装置１０の制御部１１が、ステップＳ１０２で前処理したデータに対して教師なし学習を行うことにより、類似する説明変数同士が同一のクラスタに分類される。続いて、制御部１１が、クラスタリングの結果を用いた構造学習を行うことにより、予測モデルが生成される。本実施形態において「予測モデル」は、例えば環境パラメータに対応する親ノード、クラスタリングによって次元圧縮された子ノード、及び収穫結果に対応する孫ノードを含む。ただし、親ノードと孫ノードとは、子ノードを介してリンクされている必要はなく、直接リンクされていてもよい。
　ステップＳ１０４において、予測装置１０の制御部１１は、ステップＳ１０３で生成した予測モデルを記憶部１２に格納する。
　第１の動作例によれば、相反する収穫重量及び生理障害に関する情報を考慮した、汎用性の高い予測モデルが得られる。この予測モデルを用いて、次に説明する第２の動作例及び第３の動作例に従って植物工場８０を管理することにより、手間及びコストを低減することができる。
　図５を参照して、本開示による予測システム１の第２の動作例を説明する。第２の動作例は、本開示による予測方法の一実施形態に相当する。
　第２の動作例では、データ収集装置３０の記憶部３２に、環境測定装置４０によって測定された環境パラメータの実測値が格納されている。また、データ収集装置３０の記憶部３２に、管理装置２０から取得した栽培履歴を示すデータが格納されている。図６に示すとおり、環境パラメータの実測値は、栽培開始から所定の時点まで所定の時間間隔で測定された、栽培エリア毎のＣＯ２濃度、光量子、湿度、及び温度の実測値を含む。なお、「所定の時点」は、例えば管理装置２０の入力部２４を介したユーザの入力に基づいて、任意に設定される。また、図７に示すとおり、栽培履歴を示すデータは、ＩＤ毎に、栽培開始から任意の時点までの播種段階、緑化段階、育苗段階、及び定植段階における栽培エリアを示す情報を含む。
　ステップＳ２０１において、予測装置１０の制御部１１は、通信部１３を介して、データ収集装置３０から環境パラメータの実測値及び栽培履歴を示すデータを取得し、記憶部１２に格納する。
　ステップＳ２０２において、予測装置１０の制御部１１は、記憶部１２から環境パラメータの実測値及び栽培履歴を示すデータを取得し、前処理を施す。この前処理は、ステップＳ１０２と同様である。
　ここで、第２の動作例では、予測装置１０の制御部１１が、栽培開始から所定の時点における植物工場の環境を変更することなく、収穫時期まで植物を栽培した場合における、収穫結果の予測値を算出すると判断する。なお、予測装置１０の制御部１１は、例えば管理装置２０の入力部２４を介したユーザの入力に基づいて、この判断を行うことができる。例えば、管理装置２０の制御部２１は、出力部２５を介して、上述した収穫結果の予測値を算出するか否かの質問ダイアログをユーザに向けて出力する。続いて、管理装置２０の制御部２１は、入力部２４を介して、ユーザが回答を入力する操作を受け付ける。続いて、管理装置２０の制御部２１は、通信部２３を介して、ユーザの回答を示すデータを予測装置１０に送信する。このようにして、予測装置１０の制御部１１は、上述した判断を行うことができる。
　ステップＳ２０３において、予測装置１０の制御部１１は、記憶部１２から第１の動作例で生成した予測モデルを取得する。制御部１１は、ステップＳ２０２で前処理したデータを取得した予測モデルに入力する。なお、栽培開始後の所定の時点から収穫時期までの環境パラメータの値としては、栽培開始から所定の時点における環境パラメータの値が用いられる。これにより、栽培開始から所定の時点における植物工場８０の環境を変更することなく、収穫時期まで植物を栽培した場合における、収穫結果の予測値が算出される。
　ステップＳ２０４において、予測装置１０の制御部１１は、通信部１３を介して、ステップＳ２０３で算出した収穫結果の予測値を管理装置２０に送信する。管理装置２０の制御部２１は、通信部２３を介して、予測装置１０から収穫結果の予測値を受信する。管理装置２０の制御部２１は、出力部２５を介して、受信した収穫結果の予測値をユーザに向けて出力する。図８に示す出力例では、ＩＤ毎に、収穫重量及び生理障害の発生確率の予測値が出力される。
　ステップＳ２０５において、予測装置１０の制御部１１は、環境パラメータの値を変化させる毎に、変化させた環境パラメータの値を予測モデルに入力することにより、収穫結果の予測値を算出する。このようにして、環境パラメータの各値に応じた収穫結果の予測値が網羅的に算出される。また、制御部１１は、ステップＳ２０５で変化させた環境パラメータの値とステップＳ２０５で算出した収穫結果の予測値とを関連付けたデータテーブルを生成する。制御部１１は、生成したデータテーブルを記憶部１２に格納する。本実施形態において「環境パラメータの値を変化させる」とは、例えばＣＯ２濃度、光量子、湿度、温度、又はこれらの組み合わせの値を、所定の範囲において所定の刻み幅で変化させることを意味し、例えば温度を２２℃から２７℃まで１℃刻みで変化させることを意味する。なお、「所定の範囲」及び「所定の刻み幅」は、例えば管理装置２０の入力部２４を介したユーザの入力に基づいて、任意に設定される。
　ステップＳ２０６において、管理装置２０の制御部２１は、出力部２５を介して、ユーザが期待する収穫結果を選択するための選択画面を出力する。図９に示す出力例では、ユーザは、「収穫重量：最大」、「生理障害の発生確率：最小」、及び「生産コスト：最小」という複数の収穫結果の候補から、ユーザが期待する収穫結果を選択することができる。なお、選択画面に出力される収穫結果の候補は、例えば管理装置２０の入力部２４を介したユーザの入力に基づいて、任意に設定される。なお、生産コストは、環境条件から推定される消費電力量、並びに予測モデルの予測結果によって変動する人件費及び輸送コスト等に基づいて算出される。
　ステップＳ２０７において、管理装置２０の制御部２１は、入力部２４を介して、ユーザが期待する収穫結果を選択する操作を受け付ける。図９に示す出力例では、「生理障害の発生確率：２２％以下」且つ「収穫重量：最大」という収穫結果が、ユーザが期待する収穫結果として選択される。管理装置２０の制御部２１は、通信部２３を介して、ユーザによって選択されたユーザが期待する収穫結果を示すデータを予測装置１０に送信する。
　ステップＳ２０８において、予測装置１０の制御部１１は、通信部１３を介して、管理装置２０からユーザが期待する収穫結果を示すデータを受信する。予測装置１０の制御部１１は、ステップＳ２０５で記憶部１２に格納されたデータテーブルを参照することにより、ユーザが期待する収穫結果に対応する環境パラメータの値を抽出する。図９に示す出力例では、ユーザは「生理障害の発生確率：２２％以下」且つ「収穫重量：最大」という収穫結果を期待している。このため、ステップＳ２０８では、「生理障害の発生確率：２２％以下」且つ「収穫重量：最大」という収穫結果に対応する環境パラメータの値が抽出される。予測装置１０の制御部１１は、通信部１３を介して、抽出した環境パラメータの値を管理装置２０に送信する。
　ステップＳ２０９において、管理装置２０の制御部２１は、通信部２３を介して、予測装置１０から抽出された環境パラメータの値を受信する。制御部２１は、出力部２５を介して、受信した環境パラメータの値をユーザに向けて出力する。図１０に示す出力例では、栽培開始後の所定の時点から収穫時期までの、植物工場８０のＣＯ２濃度、光量子、湿度、及び温度の目標値の時間変化がグラフで表示される。これにより、ユーザは、期待する収穫結果を実現するために必要とされる環境条件を把握することができる。
　ステップＳ２１０において、管理装置２０の制御部２１は、ユーザの入力に基づいて、ステップＳ２０６乃至Ｓ２０９の処理を繰り返すか否かの判断を行う。制御部２１は、ステップＳ２０６乃至Ｓ２０９の処理を繰り返すと判断した場合（ステップＳ２１０：ＹＥＳ）、ステップＳ２０６に戻る。制御部２１は、ステップＳ２０６乃至Ｓ２０９の処理を繰り返えさないと判断した場合（ステップＳ２１０：ＮＯ）、ステップＳ２１１に進む。なお、管理装置２０の制御部２１は、出力部２５を介して、ステップＳ２０６乃至Ｓ２０９の処理を繰り返すか否かの質問ダイアログをユーザに向けて出力し、入力部２４を介して、ユーザが回答を入力する操作を受け付けることにより、この判断を行うことができる。
　ステップＳ２１１において、ユーザは、ステップＳ２０９で出力された環境パラメータの値に基づいて、環境制御装置６０を制御する。ただし、ステップＳ２１１では、これに替えて、環境制御装置６０が管理装置２０を介して自動的に制御されてもよい。
　第２の動作例によれば、ユーザは、相反する収穫重量及び生理障害に関する情報を考慮した予測モデルを用いて植物工場８０を管理することができるので、的確な販売計画を立てることができる。また、ユーザが期待する収穫結果を実現するために必要とされる環境条件がユーザに提示されるので、植物工場８０の歩留まりが向上する。特に、ステップＳ２０５にて、収穫結果を網羅的に予測しておくことで、ユーザは、期待する収穫結果を実現するために必要とされる環境条件を効率的に把握することができる。
　図１１を参照して、本開示による予測システム１の第３の動作例を説明する。第３の動作例は、本開示による予測方法の一実施形態に相当する。
　第３の動作例では、データ収集装置３０の記憶部３２に、環境測定装置４０によって測定された環境パラメータの実測値が格納されている。また、データ収集装置３０の記憶部３２に、管理装置２０から取得した栽培履歴を示すデータが格納されている。第３の動作例における「環境パラメータの実測値」及び「栽培履歴を示すデータ」は、第２の動作例と同様である。
　ステップＳ３０１において、予測装置１０の制御部１１は、通信部１３を介して、データ収集装置３０から環境パラメータの実測値及び栽培履歴を示すデータを取得し、記憶部１２に格納する。
　ステップＳ３０２において、予測装置１０の制御部１１は、記憶部１２から環境パラメータの実測値及び栽培履歴を示すデータを取得し、前処理を施す。この前処理は、ステップＳ１０２と同様である。
　ステップＳ３０３において、管理装置２０の制御部２１は、入力部２４を介して、植物の栽培開始後の所定の時点から収穫時期までの環境パラメータの値をユーザが指定する操作を受け付ける。管理装置２０の制御部２１は、通信部２３を介して、ユーザが指定した環境パラメータの値を予測装置１０に送信する。図１２に、ユーザが指定した環境パラメータの値を示す。
　ステップＳ３０４において、予測装置１０の制御部１１は、記憶部１２から第１の動作例で生成した予測モデルを取得する。制御部１１は、通信部１３を介して、ステップＳ３０３でユーザが指定した環境パラメータの値を受信する。予測装置１０の制御部１１は、ステップＳ３０２で前処理したデータ及びステップＳ３０３でユーザが指定した環境パラメータの値を予測モデルに入力する。これにより、制御部１１は、植物の栽培開始から所定の時点において、植物工場８０の環境をユーザが指定した環境に変更して、収穫時期まで植物を栽培した場合における、収穫結果の予測値を算出する。
　ステップＳ３０５において、予測装置１０の制御部１１は、通信部１３を介して、ステップＳ３０４で算出した収穫結果の予測値を管理装置２０に送信する。管理装置２０の制御部２１は、通信部２３を介して、予測装置１０から収穫結果の予測値を受信する。管理装置２０の制御部２１は、出力部２５を介して、収穫結果の予測値をユーザに向けて出力する。
　第３の動作例によれば、省電力等の制約された環境で植物工場８０を稼働させる必要がある場合に、この環境下における収穫結果を予測することができるので、ユーザは、的確な販売計画を立てることができる。また、ユーザが植物工場８０の環境を試験的に変更することを望む場合に、植物工場８０の環境を実際に変化させることなく、収穫結果を予測することができる。
　以上、本開示を諸図面及び実施形態に基づき説明したが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。したがって、これらの変形又は修正は、本開示の範囲に含まれることに留意されたい。例えば、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数のステップ等を１つに組み合わせたり、あるいは分割したりすることが可能である。
　本開示によれば、収穫重量及び生理障害を考慮した収穫結果を予測することができる予測装置、予測システム、及び予測方法を提供することができる。
　１　予測システム
　１０　予測装置
　１１　制御部
　１２　記憶部
　１３　通信部
　２０　管理装置
　２１　制御部
　２２　記憶部
　２３　通信部
　２４　入力部
　２５　出力部
　３０　データ収集装置
　３１　制御部
　３２　記憶部
　３３　通信部
　３４　入力部
　３５　出力部
　４０　環境測定装置
　５０　収穫結果測定装置
　６０　環境制御装置
　７０　ネットワーク
　８０　植物工場

Claims (9)

  1. 　植物工場における植物の収穫重量及び生理障害に関する情報を含む収穫結果の予測値を算出するための予測モデルと、前記植物工場の環境を示す環境パラメータの値とが格納された記憶部と、
    　前記記憶部から取得した前記環境パラメータの前記値を、前記予測モデルに入力して、前記収穫結果の前記予測値を算出する制御部と、
    　前記制御部が算出した前記収穫結果の前記予測値を出力する通信部と、
    を有する、予測装置。
  2. 　前記制御部は、前記環境パラメータの前記値と前記収穫結果の前記予測値とが関連付けられたデータテーブルを参照することにより、ユーザが期待する収穫結果に対応する前記環境パラメータの前記値を抽出し、
    　前記通信部は、前記制御部が抽出した前記環境パラメータの前記値を出力する、請求項１に記載の予測装置。
  3. 　前記制御部は、前記環境パラメータの前記値を変化させる毎に、変化させた前記環境パラメータの前記値を前記予測モデルに入力することにより、前記収穫結果の前記予測値を算出し、且つ変化させた前記環境パラメータの前記値と算出した前記収穫結果の前記予測値とを関連付けることにより、前記データテーブルを生成する、請求項２に記載の予測装置。
  4. 　前記制御部は、前記植物の栽培開始から所定の時点における前記植物工場の環境を変更することなく、収穫時期まで前記植物を栽培した場合における、前記収穫結果の前記予測値を算出する、請求項１乃至３のいずれか一項に記載の予測装置。
  5. 　前記制御部は、前記植物の栽培開始から所定の時点において、前記植物工場の環境をユーザが指定した環境に変更して、収穫時期まで前記植物を栽培した場合における、前記収穫結果の前記予測値を算出する、請求項１乃至３のいずれか一項に記載の予測装置。
  6. 　前記制御部は、前記環境パラメータの実測値及び前記収穫結果の実測値を用いた機械学習を行うことにより、前記予測モデルを生成し、生成した前記予測モデルを前記記憶部に格納する、請求項１乃至５のいずれか一項に記載の予測装置。
  7. 　前記収穫結果は、前記植物の生産コストに関する情報をさらに含む、請求項１乃至６のいずれか一項に記載の予測装置。
  8. 　請求項１乃至７のいずれか一項に記載の予測装置と、前記予測装置と通信可能な管理装置と、を備える予測システムであって、前記出力は、前記管理装置を介して行われる、予測システム。
  9. 　コンピュータを用いた予測方法であって、
    　植物工場の環境パラメータの値を、前記植物工場における植物の収穫重量及び生理障害に関する情報を含む収穫結果の予測値を算出するための予測モデルに入力して、前記収穫結果の前記予測値を算出するステップと、
    　算出した前記収穫結果の前記予測値を出力するステップと、
    を含む、予測方法。
PCT/JP2020/049200 2020-02-07 2020-12-28 予測装置、予測システム、及び予測方法 WO2021157260A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20917443.2A EP4102440A4 (en) 2020-02-07 2020-12-28 PREDICTION DEVICE, PREDICTION SYSTEM AND PREDICTION METHOD
US17/760,144 US20230077160A1 (en) 2020-02-07 2020-12-28 Prediction apparatus, prediction system, and prediction method
CN202080095662.5A CN115053247A (zh) 2020-02-07 2020-12-28 预测装置、预测***和预测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-020088 2020-02-07
JP2020020088A JP7314825B2 (ja) 2020-02-07 2020-02-07 予測装置、予測システム、及び予測方法

Publications (1)

Publication Number Publication Date
WO2021157260A1 true WO2021157260A1 (ja) 2021-08-12

Family

ID=77200149

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/049200 WO2021157260A1 (ja) 2020-02-07 2020-12-28 予測装置、予測システム、及び予測方法

Country Status (5)

Country Link
US (1) US20230077160A1 (ja)
EP (1) EP4102440A4 (ja)
JP (1) JP7314825B2 (ja)
CN (1) CN115053247A (ja)
WO (1) WO2021157260A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7476863B2 (ja) 2021-10-12 2024-05-01 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018201417A (ja) * 2017-06-05 2018-12-27 株式会社スプレッド 収量予測システム
JP2019128703A (ja) * 2018-01-23 2019-08-01 富士電機株式会社 植物工場における収穫日の調整システムおよびその調整方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7047133B1 (en) * 2003-01-31 2006-05-16 Deere & Company Method and system of evaluating performance of a crop
US20110035246A1 (en) * 2009-08-10 2011-02-10 Syngenta Participations Ag Devices, systems, and methods for aiding in pest management decisions
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
KR20130041702A (ko) * 2011-10-17 2013-04-25 사단법인 한국온실작물연구소 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템
US20130174040A1 (en) * 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-planting plan
US11113649B2 (en) * 2014-09-12 2021-09-07 The Climate Corporation Methods and systems for recommending agricultural activities
US9872433B2 (en) * 2015-05-14 2018-01-23 Raven Industries, Inc. System and method for adjusting harvest characteristics
US10251347B2 (en) * 2016-01-07 2019-04-09 The Climate Corporation Generating digital models of crop yield based on crop planting dates and relative maturity values
US10331931B2 (en) * 2016-02-05 2019-06-25 The Climate Corporation Modeling trends in crop yields
US10028451B2 (en) * 2016-11-16 2018-07-24 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
US20180330435A1 (en) * 2017-05-11 2018-11-15 Harvesting Inc. Method for monitoring and supporting agricultural entities
US11263707B2 (en) * 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US11222385B2 (en) * 2018-01-22 2022-01-11 Athenium Llc Method and system for forecasting crop yield
US20200005166A1 (en) * 2018-07-02 2020-01-02 The Climate Corporation Automatically assigning hybrids or seeds to fields for planting
US20200154629A1 (en) * 2018-11-15 2020-05-21 Ag Leader Technology On the go organic matter sensor and associated systems and methods
AU2021203604A1 (en) * 2021-03-09 2022-09-29 Cotton Seed Distributors Ltd Method and system for monitoring a cotton crop
US20230073551A1 (en) * 2021-09-07 2023-03-09 Ag Leader Technology Row-by-row yield estimation system and related devices and methods

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018201417A (ja) * 2017-06-05 2018-12-27 株式会社スプレッド 収量予測システム
JP2019128703A (ja) * 2018-01-23 2019-08-01 富士電機株式会社 植物工場における収穫日の調整システムおよびその調整方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SAYA MURAKAMI, YU FUJIMOTO, VASUHIRO HAYASHI, HIDEKI FUCHIKAMA, TOSHIROU HATTORI: "Study on Non-linear Statistical Causal Structure Analysis Approach for Operation Data in Plant Factories", PROCEEDINGS OF THE 2018 INSTITUTE OF ELECTRICAL ENGINEERS OF JAPAN (IEEJ) NATIONAL CONVENTION; MARCH 14-16, 2018, 5 March 2018 (2018-03-05) - 16 March 2018 (2018-03-16), JP, pages 155 - 156, XP009538599 *
See also references of EP4102440A4
SHOGO MORIYUKIHIROAKI KANEDAYUSAKU MIYAGINOBUHIRO SUGIMURAHIROKAZU FUKUDA: "Profit Models Based on the Growth Dynamics of Lettuce Populations in a Plant Factory", ENVIRON. CONTROL BIOL., vol. 56, no. 4, 2018, pages 143 - 148
USAMI, YOSHIHIDE, YASUHIKO MANABE, SHIGEO KAWATA: "C8-2 An Intelligent problem solving environment for plant cultivation in a closed type plant factory", PROCEEDINGS OF THE CONFERENCE ON COMPUTATIONAL ENGINEERING AND SCIENCE; JUNE 19 TO 21, 2013, vol. 18, 19 June 2013 (2013-06-19) - 21 June 2013 (2013-06-21), JP , pages 1 - 4, XP009538366, ISSN: 1342-145X *

Also Published As

Publication number Publication date
US20230077160A1 (en) 2023-03-09
EP4102440A1 (en) 2022-12-14
JP2021125143A (ja) 2021-08-30
JP7314825B2 (ja) 2023-07-26
EP4102440A4 (en) 2024-02-28
CN115053247A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
JP6942790B2 (ja) 情報処理装置および情報処理方法
JP6753936B2 (ja) 情報処理装置および情報処理システム
KR20180086738A (ko) 작물 재배 가이드 정보 제공 장치, 및 그 방법
CN106408132A (zh) 一种基于种植设备的作物产量预测方法及装置
Confalonieri et al. A model for simulating the height of rice plants
WO2021145081A1 (ja) 支援システム、及び支援方法
JP2018099067A (ja) 生育管理装置、生育管理方法、及び、プログラム
KR20210109575A (ko) 정보 처리 장치 및 정보 처리 시스템
WO2021157260A1 (ja) 予測装置、予測システム、及び予測方法
Shaker Greenhouse micro climate monitoring based on WSN with smart irrigation technique
Sharifi et al. Verifying optimality of rainfed agriculture using a stochastic model for drought occurrence
JP2019198251A (ja) 逐次制御プログラム、逐次制御方法および逐次制御装置
Tripathy et al. Smart farming based on deep learning approaches
JP2020144720A (ja) 機械学習プログラム、機械学習方法および機械学習装置
Stojanovic et al. Real-time water quality monitoring in aquaculture using IoT sensors and cloud-based analytics
JP2021002110A (ja) 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法
Pabitha et al. A digital footprint in enhancing agricultural practices with improved production using machine learning
JP6810967B2 (ja) 農業モデル普及システム、農業モデル普及方法及び農業モデル普及プログラム
Potluri et al. Agriculture and AI: A Subtle Conjunction of Predictive Analysis and Voice Assistance in the World of Agriculture
JPWO2018131478A1 (ja) 情報処理装置、情報処理方法、及び、情報処理プログラム
JP6696651B1 (ja) 栽培環境判別プログラム
WO2023042284A1 (ja) 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
Mikhailenko The Concept of Intellectualized Control in Precision Farming
Sitienei et al. An Application of K-Nearest-Neighbor Regression in Maize Yield Prediction
u Nisa et al. Ontology-Based Smart Irrigation System: Enhancing Agricultural Water Management: Ontology-Based Smart Irrigation System

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20917443

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020917443

Country of ref document: EP

Effective date: 20220907