JP7743876B2 - 生育予測装置、生育予測方法、及び生育予測プログラム - Google Patents

Description

開示の技術は、生育予測装置、生育予測方法、及び生育予測プログラムに関する。

就農人口の減少から新規就農者が希求されている。新規就農者が熟練と同じように農作業ができるように、農作業を支援するシステム（以下、「農作業支援システム」という。）のサービスが始まっている。適切な時期に適切な農作業を行うために、農作業支援システムには農作業時期を予測し、提案する機能が求められる。

日本の主食である水稲に関して、収穫量を向上させるために行う施肥は、出穂の約２０～１５日前に行うのがよいとされている。施肥とは、肥料を施すことをいう。また、斑点米カメムシ被害を防ぐためには出穂の１週間前までに草刈りを行うことが効果的であるとされる等、水稲の農作業（追肥、農薬散布等）は、出穂日前後に行うことが効果的であるものが多い。そのため、水稲の農作業支援には出穂日あるいは出穂日間際の生育ステージ（幼穂分化期、止め葉の形成期等）の事前の予測が重要となる。

水稲の生育モデルに関する技術として、ＳＩＭＲＩＷ（Ｓｉｍｕｌａｔｉｏｎ Ｍｏｄｅｌ ｆｏｒ Ｒｉｃｅ－Ｗｅａｔｈｅｒ Ｒｅｌａｔｉｏｎｓｈｉｐｓ）が知られている（例えば、非特許文献１参照）。このＳＩＭＲＩＷは、国立研究開発法人農業・食品産業技術総合研究機構（通称：農研機構）が提供している栽培管理支援システムに採用され、国内で広く使われている信頼性の高い水稲の生育モデルである。

ＳＩＭＲＩＷは、気象データ及び品種情報から、例えば、図９に示すように、稲の生育指数（ＤＶＩ）を計算することで出穂日・収穫適期を算出することが可能である。

堀江 武、中川 博視, "イネの発育過程のモデル化と予測に関する研究"，日本作物学会紀事，59(4): 687-695.（1990）

しかしながら、ＳＩＭＲＩＷは、気象データ及び品種情報のみを入力とするため、実際の農作業で生じる人為的な誤差などを考慮しておらず、実際の生育状況と計算した生育状況とではズレが生じる。

また、品種ごとにＤＶＩを計算するパラメータが異なっており、正解データを取得するには品種ごとにそれぞれデータ収集を行うため、膨大なデータ数が必要となる。

実測可能で、かつ、稲の生育に伴って変化するパラメータに葉面積指数（Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ、以下、「ＬＡＩ」という。）がある。このＬＡＩは、地表の単位面積に対する稲の葉の面積の割合を表す。このＬＡＩは、例えば、図１０に示すように、稲の成長に伴い増加する、生育状況を表す指標となっており、品種を問わず止め葉が出たタイミングでピークを迎える。ピークを迎えるタイミングを予測することで、出穂日１０日前がわかる。それによって農作業計画をたてることが可能となることが期待されている。

ＤＶＩと同じくＬＡＩも品種ごとにＬＡＩの最大値は異なり、気象条件、施肥の有無といった農作業条件によってもＬＡＩの最大値は異なる。例えば、図１１に示すように、施肥の有無でＬＡＩの推移が異なる。

つまり、ＬＡＩ等を用いて稲の生育状況を予測する場合に、品種ごとに行う必要があるため、品種ごとに予測モデルを構築する必要がある。この場合、新品種の生育予測には対応できない。

開示の技術は、上記の点に鑑みてなされたものであり、稲の品種を区別することなく、稲の生育状況を予測することができる生育予測装置、生育予測方法、及び生育予測プログラムを提供することを目的とする。

本開示の第１態様は、生育予測装置であって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付けるデータ入力部と、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定する最大値推定部と、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出する正規化部と、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する予測部と、を備える。

本開示の第２態様は、生育予測方法であって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する。

本開示の第３態様は、生育予測プログラムであって、稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測することをコンピュータに実行させる。

開示の技術によれば、稲の品種を区別することなく、稲の生育状況を予測することができる、という効果を有する。

実施形態に係る農作業支援システムの構成の一例を示す図である。 実施形態に係る生育予測装置のハードウェア構成の一例を示すブロック図である。 実施形態に係る生育予測装置の機能構成の一例を示すブロック図である。 実施形態に係る環境情報に含まれる複数の変数の一例を示す図である。 実施形態に係るＬＡＩの実測データと予測データとの関係の一例を示すグラフである。 全ての環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。 ＬＡＩに対する寄与率に応じて選択された環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。 実施形態に係る生育予測プログラムによる学習処理の流れの一例を示すフローチャートである。 実施形態に係る生育予測プログラムによる予測処理の流れの一例を示すフローチャートである。 従来技術の説明に供する図である。 ＬＡＩと出穂日との関係を示す図である。 施肥の有無によるＬＡＩの推移の違いを示す図である。

以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において、同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

本実施形態に係る生育予測装置は、稲の種別ごとに生育状況を予測する従来の手法に対して特定の改善を提供するものであり、稲の生育状況を予測する技術分野の向上を示すものである。

本実施形態に係る生育予測装置は、現在の稲の生育状況を反映し、実測可能な指標値の一例であるＬＡＩを用いて、生育状況を予測し、予測した生育ステージから農作業のタイミングを判断し、農作業の支援を行うものである。つまり、ＬＡＩの時系列の測定データを学習し、将来のＬＡＩの推移を予測することにより、出穂日１０日程度前（止め葉が出るタイミング）を判断し、稲の生育を予測する。

本実施形態に係る生育予測装置では、ＬＡＩを用いた生育予測を行う際に、ＬＡＩの最大値を用いて、実測して得られたＬＡＩの測定データを正規化して正規化測定データを算出する。この正規化測定データを用いて機械学習することにより予測モデルを生成し、生成した予測モデルを用いてＬＡＩの今後の推移を予測する。これにより、稲の品種を区別することなく、ＬＡＩの正規化測定データを学習用データとして学習し、予測を行うことができる。このため、新品種であっても生育予測が可能となる。

図１は、本実施形態に係る農作業支援システム１００の構成の一例を示す図である。

図１に示す農作業支援システム１００は、生育予測装置１０と、ＬＡＩ計測センサ２０と、データベース３０と、農作業指示部４０と、ユーザ端末５０と、を備えている。生育予測装置１０は、ＬＡＩ計測センサ２０、データベース３０、及び農作業指示部４０の各々と接続されている。農作業指示部４０は、ユーザ端末５０と接続されている。データベース３０は、外部の記憶装置に記憶されていてもよいし、生育予測装置１０に記憶されていてもよい。また、農作業指示部４０は、生育予測装置１０とは異なる情報処理装置の一機能として実現してもよいし、生育予測装置１０の一機能として実現してもよい。

ＬＡＩ計測センサ２０は、例えば、実際に稲を撮影して得られた画像から、稲の生育に伴って変化する指標値の一例であるＬＡＩを計測するセンサである。ＬＡＩ計測センサ２０は、気象（気温等）、土壌溶液濃度等を測定可能なもの、ＬＡＩを測定可能なものを想定している。ＬＡＩは、画像から推定する手法に限らず、他の手法を用いて推定してもよい。なお、圃場に設置されるセンサの種類は、圃場ごとに様々であることが考えられる。例えば、圃場Ａでは水温、気温、湿度がセンサによって取得され、圃場Ｂでは水温、ＥＣ（電気伝導度）、気温、湿度がセンサによって取得される。つまり、それぞれの圃場でセンサから取得できる項目が異なる場合があり、取得できない項目についてはデータベース３０から取得できるようにすればよい。

データベース３０には、稲の栽培に関する栽培情報及び稲を栽培する環境に関する環境情報が格納される。データベース３０は、ＬＡＩ計測センサ２０から取得したＬＡＩの測定データ、環境情報に日付を対応付けて、ＬＡＩの測定データ、環境情報を時系列データとして格納する。また、ＬＡＩの時系列の測定データ（以下、単に「ＬＡＩ測定データ」という。）は、栽培情報を対応付けて格納される。栽培情報には、稲の栽培に関する複数の変数が含まれる。稲の栽培に関する複数の変数には、例えば、移植日、品種、該当品種の追肥タイミング、施肥の有無（施肥又は無施肥）等が含まれる。また、環境情報には、稲を栽培する環境に関する複数の変数が含まれる。環境情報には、例えば、稲を栽培する期間の気象に関する変数、及び稲を栽培する土壌に関する変数が含まれる。気象に関する変数には気温、日射量、湿度等が含まれ、土壌に関する変数にはｐＨ（水素イオン指数）、土壌溶液濃度（イオン濃度）等が含まれる。

生育予測装置１０は、データベース３０から、ＬＡＩ測定データ、栽培情報、及び環境情報を取得する。生育予測装置１０は、これらの情報を定期的に取得してもよいし、ユーザからの要求に応じて取得してもよい。なお、ＬＡＩ測定データは、ＬＡＩ計測センサ２０から直接取得してもよい。生育予測装置１０は、取得したＬＡＩ測定データ、栽培情報、及び環境情報から、ＬＡＩのピークを迎える日及びＬＡＩの最大値を求め、農作業指示部４０に出力する。これらのＬＡＩのピークを迎える日及びＬＡＩの最大値は、今後の生育状況を表すデータとされる。

農作業指示部４０は、生育予測装置１０からＬＡＩのピークを迎える日及びＬＡＩの最大値を取得すると、取得したＬＡＩのピークを迎える日及びＬＡＩの最大値から追肥の必要性、農作業のタイミングを判定し、判定結果をユーザ端末５０に出力する。

ユーザ端末５０は、ユーザである農業従事者が使用する端末装置であり、例えば、パーソナルコンピュータ（ＰＣ：Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、スマートフォン等が適用される。ユーザ端末５０は、農作業指示部４０からの判定結果を表示して、ユーザに対して、追肥の必要性、農作業のタイミングを指示する。

次に、図２を参照して、本実施形態に係る生育予測装置１０のハードウェア構成について説明する。

図２は、本実施形態に係る生育予測装置１０のハードウェア構成の一例を示すブロック図である。

図２に示すように、生育予測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、及び通信インタフェース（Ｉ／Ｆ）１７を備えている。各構成は、バス１８を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、生育予測処理を実行するための生育予測プログラムが格納されている。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

通信インタフェース１７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ（Ｆｉｂｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ）等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。

本実施形態に係る生育予測装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。

次に、図３を参照して、生育予測装置１０の機能構成について説明する。

図３は、本実施形態に係る生育予測装置１０の機能構成の一例を示すブロック図である。

図３に示すように、生育予測装置１０は、機能構成として、データ入力部１０１、最大値推定部１０２、正規化部１０３、変数選択部１０４、学習部１０５、予測部１０６、及びデータ出力部１０７を備えている。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された生育予測プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。

ストレージ１４には、学習部１０５によって生成された第１学習済みモデル１４１及び第２学習済みモデル１４２が記憶されている。第１学習済みモデル１４１は、学習済みモデルの一例であり、予め得られたＬＡＩの正規化測定データを学習用データとして機械学習することにより生成された予測モデルである。第１学習済みモデル１４１は、ＬＡＩの正規化測定データを入力とし、ＬＡＩの今後の推移を表す予測データを出力する。第２学習済みモデル１４２は、別の学習済みモデルの一例であり、予め得られたＬＡＩの正規化測定データ及び環境情報からＬＡＩの推移に対する寄与率が高い順に選択された所定数の変数を学習用データとして機械学習することにより生成された予測モデルである。第２学習済みモデル１４２は、ＬＡＩの正規化測定データ及び選択された所定数の変数を入力とし、ＬＡＩの今後の推移を表す予測データを出力する。なお、第１学習済みモデル１４１及び第２学習済みモデル１４２の各々の機械学習には、例えば、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）等が用いられる。

データ入力部１０１は、定期的又はユーザからの要求に応じて、データベース３０（又はＬＡＩ計測センサ２０）から、ＬＡＩ測定データ、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）の入力を受け付ける。なお、ＬＡＩの変化は比較的ゆるやかであることから、ＬＡＩの時系列の測定データを例えば日平均、数日ごとに間引く等の加工を行ってもよい。以下、ＬＡＩ測定データをＬＡＩ測定データＬＡＩ（ｔ）と表す。データ入力部１０１は、ＬＡＩ測定データＬＡＩ（ｔ）を、各部に入力可能なフォーマットに成形する。データ入力部１０１は、最大値推定部１０２に対してＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報を出力し、変数選択部１０４に対して環境情報を出力する。

最大値推定部１０２は、データ入力部１０１から取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、ＬＡＩの最大値を推定する。以下、ＬＡＩの最大値をＬＡＩ最大値ＬＡＩ_ＭＡＸと表す。ＬＡＩ最大値ＬＡＩ_ＭＡＸは、例えば、施肥＞無施肥、気温高＞気温低、といった傾向があることから、以下の式（１）を用いて求められる。

ＬＡＩ_ＭＡＸ＝α×β×ＬＡＩ_ａｖｅ ・・・（１）

但し、αは施肥の有無で決まる係数 、βは移植日及び気温により決まる係数 、ＬＡＩ_ａｖｅは平均的なＬＡＩの最大値（≒５程度）である。移植日は、植え付け時期に応じて、早、中、遅の３つの段階で表してもよい。ＬＡＩ_ａｖｅは、ＬＡＩの過去から現在までに得られた測定データから算出される。

最大値推定部１０２は、ＬＡＩ測定データＬＡＩ（ｔ）、上記式（１）を用いて推定したＬＡＩ最大値ＬＡＩ_ＭＡＸを正規化部１０３に出力する。なお、最大値推定部１０２は、上記式（１）の対応関係を、表として持っていてもよい。

正規化部１０３は、最大値推定部１０２から取得した、ＬＡＩ測定データＬＡＩ（ｔ）及びＬＡＩ最大値ＬＡＩ_ＭＡＸから、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データを算出する。以下、この正規化測定データを正規化測定データＬＡＩ_ｎｏｍ（ｔ）と表す。正規化測定データＬＡＩ_ｎｏｍ（ｔ）は、以下の式（２）、つまり、ＬＡＩ測定値ＬＡＩ（ｔ）を、ＬＡＩ最大値ＬＡＩ_ＭＡＸで除算することで求められる。

ＬＡＩ_ｎｏｍ（ｔ）＝ＬＡＩ（ｔ）／ＬＡＩ_ＭＡＸ ・・・（２）

正規化部１０３は、上記式（２）を用いて算出したＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を変数選択部１０４に出力する。

変数選択部１０４は、データ入力部１０１から環境情報を取得すると共に、正規化部１０３からＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を取得する。変数選択部１０４は、環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択する。変数選択部１０４は、複数の説明変数の候補（気象、土壌溶液濃度等）と、目的変数ＬＡＩとの関係を分析し、ＬＡＩの記述に寄与率の高い変数を選択し、選択した変数及びＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を学習部１０５又は予測部１０６に出力する。なお、使用する変数がＬＡＩのみである場合には、変数選択機能を使用せず、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）のみを学習部１０５又は予測部１０６に出力する。

例えば、圃場ごとに生育に高い相関を持つ環境情報が異なる場合がある。このため、環境情報に含まれる複数の変数のうち高い相関を持つ（＝寄与率が高い）変数の選択を適切に行うことで、ＬＡＩの推移の予測精度の向上が期待できる。ここで、図４、図５、図６Ａ、及び図６Ｂを参照して、変数選択部１０４による変数選択処理について具体的に説明する。

図４は、本実施形態に係る環境情報に含まれる複数の変数の一例を示す図である。

図４に示すように、環境情報には、例えば、最高気温、最小気温（最低気温）、平均気温、輻射率、日射量、湿度、降水量、水温、地温等の気象に関する複数の変数が含まれる。また、環境情報には、例えば、電気伝導度を表すＥＣ、水素イオン指数を表すｐＨ、酸化還元電位を表すＯＲＰ、溶存酸素を表すＤＯ、アンモニウムイオンを表すＮＨ４＋、硝酸塩イオンを表すＮＯ３－、ナトリウムイオンを表すＮａ＋、カリウムイオンを表すＫ＋、カルシウムイオンを表すＣａ２＋等の土壌に関する複数の変数が含まれる。なお、ＮＤＶＩは、正規化生育指数（正規化植生指数ともいう。）を表している。

上述したように、ＬＡＩ予測を行う際に、使用する環境情報（気象、土壌溶液濃度等）を適切に選択することで予測精度の向上が期待される。具体的には、栽培期間内のＬＡＩを目的変数として、土壌溶液濃度（各イオン濃度）及び気象データ（気温、日射量、湿度等）を説明変数として、回帰分析を行う。回帰分析で得られた係数（例えば、図４を参照）から、ＬＡＩとの相関が高い、つまり、寄与率の高い変数を選択する。具体的には、係数が大きい変数ほど、ＬＡＩの推移に対する寄与率が高くなる。このため、係数が大きい変数から順に所定数（例えば、１個以上５個以下）の変数を選択する。

図５は、本実施形態に係るＬＡＩの実測データＡと予測データＰとの関係の一例を示すグラフである。縦軸はＬＡＩを示し、横軸は移植後日数を示す。

図５において、実測データＡは、ＬＡＩの実測値を示しており、予測データＰは、ＬＡＩに対する寄与率に応じて選択された環境情報を用いて予測されたＬＡＩの予測値を示している。

図６Ａは、全ての環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。一方、図６Ｂは、ＬＡＩに対する寄与率に応じて選択された環境情報を使用してＬＡＩを予測した場合のＬＡＩの一例を示すグラフである。縦軸にＬＡＩを示す。なお、実線はＬＡＩの実測データを示し、点線はＬＡＩの予測データを示している。

図６Ｂの例は、図６Ａの例と比較して、ＬＡＩのピークの位置を特定し易いことが分かる。以下、ＬＡＩに対する寄与率に応じて選択された環境情報を「選択環境情報」という。

図３に戻り、学習部１０５は、予測モデルの学習処理を行う。学習部１０５は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）のみを取得した場合、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を学習用データとして機械学習することにより第１学習済みモデル１４１を生成する。第１学習済みモデル１４１は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。

一方、学習部１０５は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報を取得した場合、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報を学習用データとして機械学習することにより第２学習済みモデル１４２を生成する。第２学習済みモデル１４２は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。なお、第１学習済みモデル１４１及び第２学習済みモデル１４２の各々の機械学習には、上述したように、例えば、ＬＳＴＭ等が用いられる。

予測部１０６は、学習部１０５により学習された予測モデルを用いて予測処理を行う。予測部１０６は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）のみを取得した場合、第１学習済みモデル１４１を用いて、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）から、ＬＡＩの今後の推移を予測する。なお、当然ながら、予測部１０６で取得されるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）は、学習部１０５で取得されるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）よりも時間的に後のデータとなる。つまり、予測部１０６での予測に用いるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）は、第１学習済みモデル１４１が生成された後に取得されたデータである。

一方、予測部１０６は、変数選択部１０４からＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報を取得した場合、第２学習済みモデル１４２を用いて、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報から、ＬＡＩの今後の推移を予測する。なお、上記と同様に、予測部１０６で取得されるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報は、学習部１０５で取得されるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報よりも時間的に後のデータとなる。つまり、予測部１０６での予測に用いるＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報は、第２学習済みモデル１４２が生成された後に取得されたデータである。

また、予測部１０６は、第１学習済みモデル１４１及び第２学習済みモデル１４２のうち、ＬＡＩの予測精度の高い方のモデルを用いて、ＬＡＩの今後の推移を予測するようにしてもよい。モデルの予測精度の判定には、例えば、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ：二乗平均平方根誤差）等のように、実測値と予測値との差から判定する手法を用いてもよいし、他の手法を用いてもよい。

つまり、予測部１０６では、次の単位時間のＬＡＩの推移を予測する。予測に際しては、例えば、上述のＬＳＴＭ等の手法が用いられる。ＬＡＩの推移を予測する際に、使用変数の選択には、次のバリエーションがあるものとする。
（１）ＬＡＩのみを用いて予測を行う。
（２）ＬＡＩ及び選択環境情報を用いて予測を行う。
（３）上記（１）及び（２）の両方の予測を行い、予測精度のよい方を選択する。

予測部１０６は、ＬＡＩの今後の推移を予測した予測データを、データ出力部１０７に出力する。

データ出力部１０７は、予測部１０６から取得した予測データから、ＬＡＩのピークを迎える日を同定し、ＬＡＩのピークを迎える日及びＬＡＩの最大値を農作業指示部４０に出力する。なお、生育予測装置１０は、これらの情報を定期的に出力してもよいし、ユーザからの要求に応じて出力してもよい。

図１に戻り、農作業指示部４０は、生育予測装置１０から、ＬＡＩのピークを迎える日及びＬＡＩの最大値を取得し、取得したＬＡＩのピークを迎える日及びＬＡＩの最大値から、追肥の必要性、農作業のタイミングを判定し、判定結果をユーザ端末５０に出力する。具体的には、例えば、データベース３０に格納している栽培情報から、栽培している品種についての推奨の農作業タイミングを取得する。ＬＡＩのピークを迎える日及びＬＡＩの最大値、並びに、現在の日付から、以下の事項を推定し、ユーザに指示する。

・追肥の要不要（ＬＡＩの最大値の大小で判定）
・追肥時期（ＬＡＩのピークを迎える日あたり）
・農薬散布日（ＬＡＩのピークを迎える３日程度後）
・収穫適期（ＬＡＩのピークを迎える日から１ヶ月半程度後）

なお、追肥の要不要は、ＬＡＩの最大値が閾値以上か否かで判定される。また、追肥時期（追肥タイミング）は、例えば、ＬＡＩのピークを迎える日を基準とする前後Ｘ日の期間として決定する。なお、Ｘ日は、品種によって最適日が異なる場合がある。例えば、品種Ａでは出穂日の１５日前（≒ＬＡＩのピークの５日前）、品種Ｂでは出穂日の１２日前（≒ＬＡＩのピークの２日前）となる。このため、品種ごとの追肥時期は、ＬＡＩのピークを迎える日を基準とした場合、出穂日のＹ日前という情報に対して、Ｙ日から１０日減じた（Ｙ－１０）日を設定することが望ましい。この場合、栽培情報として、品種ごとの追肥時期の情報をデータベース３０に格納しておけばよい。

次に、図７及び図８を参照して、本実施形態に係る生育予測装置１０の作用について説明する。

図７は、本実施形態に係る生育予測プログラムによる学習処理の流れの一例を示すフローチャートである。生育予測プログラムによる学習処理は、生育予測装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている生育予測プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。

図７のステップＳ１０１では、ＣＰＵ１１が、定期的又はユーザからの要求に応じて、データベース３０から、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）を取得する。

ステップＳ１０２では、ＣＰＵ１１が、ステップＳ１０１で取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、一例として、上述の式（１）を用いて、ＬＡＩ最大値ＬＡＩ_ＭＡＸを推定する。

ステップＳ１０３では、ＣＰＵ１１が、ステップＳ１０１で取得したＬＡＩ測定データＬＡＩ（ｔ）、及び、ステップＳ１０２で推定したＬＡＩ最大値ＬＡＩ_ＭＡＸから、一例として、上述の式（２）を用いて、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データＬＡＩ_ｎｏｍ（ｔ）を算出する。

ステップＳ１０４では、ＣＰＵ１１が、一例として、上述の図４に示すように、ステップＳ１０１で取得した環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択環境情報として選択する。

ステップＳ１０５では、ＣＰＵ１１が、ステップＳ１０３で正規化したＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）、及び、ステップＳ１０４で選択した選択環境情報を学習用データとして機械学習することにより第２学習済みモデル１４２を生成する。第２学習済みモデル１４２は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）及び選択環境情報を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。なお、ＣＰＵ１１は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）のみを取得した場合、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を学習用データとして機械学習することにより第１学習済みモデル１４１を生成する。第１学習済みモデル１４１は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を入力とし、ＬＡＩの今後の推移を表す予測データを出力するモデルである。

ステップＳ１０６では、ＣＰＵ１１が、ステップＳ１０５で生成した第１学習済みモデル１４１及び第２学習済みモデル１４２をストレージ１４に記憶し、本生育予測プログラムによる学習処理を終了する。

図８は、本実施形態に係る生育予測プログラムによる予測処理の流れの一例を示すフローチャートである。生育予測プログラムによる予測処理は、生育予測装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている生育予測プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。

図８のステップＳ１１１では、ＣＰＵ１１が、定期的又はユーザからの要求に応じて、データベース３０から、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報（移植日、品種、施肥の有無等）、及び環境情報（気象・土壌溶液濃度等）を取得する。

ステップＳ１１２では、ＣＰＵ１１が、ステップＳ１１１で取得した、ＬＡＩ測定データＬＡＩ（ｔ）、栽培情報、及び環境情報から、一例として、上述の式（１）を用いて、ＬＡＩ最大値ＬＡＩ_ＭＡＸを推定する。

ステップＳ１１３では、ＣＰＵ１１が、ステップＳ１１１で取得したＬＡＩ測定データＬＡＩ（ｔ）、及び、ステップＳ１１２で推定したＬＡＩ最大値ＬＡＩ_ＭＡＸから、一例として、上述の式（２）を用いて、ＬＡＩ測定データＬＡＩ（ｔ）を正規化して正規化測定データＬＡＩ_ｎｏｍ（ｔ）を算出する。

ステップＳ１１４では、ＣＰＵ１１が、一例として、上述の図４に示すように、ステップＳ１１１で取得した環境情報に含まれる全ての変数のうちＬＡＩの推移に対する寄与率が高い順に所定数の変数を選択環境情報として選択する。

ステップＳ１１５では、ＣＰＵ１１が、第２学習済みモデル１４２に対して、ステップＳ１１３で正規化したＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）、及び、ステップＳ１１４で選択した選択環境情報を入力し、第２学習済みモデル１４２から、ＬＡＩの今後の推移を表す予測データを出力させる。なお、ＣＰＵ１１は、ＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）のみを取得した場合、第１学習済みモデル１４１に対して、ステップＳ１１３で正規化したＬＡＩ正規化測定データＬＡＩ_ｎｏｍ（ｔ）を入力し、第１学習済みモデル１４１から、ＬＡＩの今後の推移を表す予測データを出力させる。また、ＣＰＵ１１は、第１学習済みモデル１４１及び第２学習済みモデル１４２のうち、ＬＡＩの予測精度の高い方のモデルを用いて、ＬＡＩの今後の推移を予測するようにしてもよい。

ステップＳ１１６では、ＣＰＵ１１が、ステップＳ１１５で得られた予測データから、ＬＡＩのピークを迎える日を同定し、ＬＡＩのピークを迎える日及びＬＡＩの最大値を今後の生育状況として農作業指示部４０に出力し、本生育予測プログラムによる予測処理を終了する。

このように、本実施形態によれば、ＬＡＩの予測を行うことにより、生育状況（止め葉の出るタイミング、及び大凡の出穂日）を予測することができる。

また、実測したＬＡＩを用いることにより、現在の生育状況を把握することが可能であるため、人為的な理由での生育遅れにも対応することができる。

また、ＬＡＩ測定データを正規化することにより、品種を区別せずにＬＡＩ測定データを学習に用いることができる。このため、品種ごとにモデルを構築する必要がなくなり、新品種でも生育予測が可能となる。

上記実施形態でＣＰＵ１１が生育予測プログラムを読み込んで実行した生育予測処理を、ＣＰＵ１１以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、生育予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記実施形態では、生育予測プログラムがＲＯＭ１２又はストレージ１４に予め記憶（「インストール」ともいう）されている態様を説明したが、これに限定されない。生育予測プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、生育予測プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

以上の実施形態に関し、更に以下の付記を開示する。

（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する
ように構成されている生育予測装置。

（付記項２）
生育予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記生育予測処理は、
稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する
非一時的記憶媒体。

１０ 生育予測装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ ストレージ
１５ 入力部
１６ 表示部
１７ 通信Ｉ／Ｆ
１８ バス
２０ ＬＡＩ計測センサ
３０ データベース
４０ 農作業指示部
５０ ユーザ端末
１００ 農作業支援システム
１０１ データ入力部
１０２ 最大値推定部
１０３ 正規化部
１０４ 変数選択部
１０５ 学習部
１０６ 予測部
１０７ データ出力部
１４１ 第１学習済みモデル
１４２ 第２学習済みモデル

Claims (8)

1. 稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付けるデータ入力部と、
   前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定する最大値推定部と、
   前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出する正規化部と、
   予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測する予測部と、
   を備えた生育予測装置。
2. 前記栽培情報は、稲を移植した日を表す移植日、及び肥料を施したか否かを表す施肥の有無を含み、
   前記環境情報は、稲を栽培する期間の気温を含み、
   前記最大値推定部は、前記施肥の有無で決まる係数、前記移植日及び前記気温で決まる係数、及び、平均的な前記指標値の最大値から、前記指標値の最大値を推定する
   請求項１に記載の生育予測装置。
3. 前記環境情報は、稲を栽培する環境に関する複数の変数を含み、
   前記環境情報に含まれる全ての変数のうち前記指標値の推移に対する寄与率が高い順に所定数の変数を選択する変数選択部を更に備え、
   前記予測部は、前記学習済みモデルに代えて、予め得られた前記指標値の正規化測定データ及び前記環境情報から前記指標値の推移に対する寄与率が高い順に選択された所定数の変数を学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データ及び前記選択された所定数の変数を入力とし、前記指標値の今後の推移を表す予測データを出力する別の学習済みモデルを用いて、前記正規化部により算出された前記指標値の正規化測定データ及び前記変数選択部により選択された所定数の変数から、前記指標値の今後の推移を予測する
   請求項１又は請求項２に記載の生育予測装置。
4. 前記予測部は、前記学習済みモデル及び前記別の学習済みモデルのうち、前記指標値の予測精度の高い方のモデルを用いて、前記指標値の今後の推移を予測する
   請求項３に記載の生育予測装置。
5. 前記環境情報は、稲を栽培する期間の気象に関する変数、及び稲を栽培する土壌に関する変数を含む
   請求項３又は請求項４に記載の生育予測装置。
6. 前記指標値は、地表の単位面積に対する稲の葉の面積の割合を表す葉面積指数である
   請求項１～請求項５の何れか１項に記載の生育予測装置。
7. 稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
   前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
   前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
   予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測することを、
   コンピュータが実行する生育予測方法。
8. 稲の生育に伴って変化する指標値の時系列の測定データ、稲の栽培に関する栽培情報、及び、稲を栽培する環境に関する環境情報の入力を受け付け、
   前記指標値の測定データ、前記栽培情報、及び前記環境情報から、前記指標値の最大値を推定し、
   前記指標値の測定データ及び前記指標値の最大値から、前記指標値の測定データを正規化して正規化測定データを算出し、
   予め得られた前記指標値の正規化測定データを学習用データとして機械学習することにより生成され、かつ、前記指標値の正規化測定データを入力とし、前記指標値の今後の推移を表す予測データを出力する学習済みモデルを用いて、前記算出された前記指標値の正規化測定データから、前記指標値の今後の推移を予測することを、
   コンピュータに実行させるための生育予測プログラム。