特開 2022-158030 蒸散に関する学習データ作成装置、機械学習装置、推定装置、方法およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022158030

(43)【公開日】2022-10-14

(54)【発明の名称】蒸散に関する学習データ作成装置、機械学習装置、推定装置、方法およびプログラム

(51)【国際特許分類】

   G06Q 50/02 20120101AFI20221006BHJP

   A01G 7/00 20060101ALI20221006BHJP

【ＦＩ】

G06Q50/02

A01G7/00 603

【審査請求】未請求

【請求項の数】17

【出願形態】ＯＬ

(21)【出願番号】P 2021062642

(22)【出願日】2021-04-01

(71)【出願人】

【識別番号】504174180

【氏名又は名称】国立大学法人高知大学

(74)【代理人】

【識別番号】110000796

【氏名又は名称】弁理士法人三枝国際特許事務所

(72)【発明者】

【氏名】北野 雅治

(72)【発明者】

【氏名】野村 浩一

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049CC01

(57)【要約】      （修正有）

【課題】植物の蒸散速度を定量的に把握する学習データ生成装置、機械学習装置、推定装置、学習データ作成方法及び機械学習方法を提供する。
【解決手段】蒸散速度推定支援システムにおいて、学習データ生成装置１は、圃場における環境データ４１に基づいて個葉蒸散速度を算出する個葉蒸散速度算出部１１と、圃場において栽培されている植物の葉を含む画像４２に基づいて、葉に関する指標を算出する指標算出部１２と、圃場において測定される植物の蒸散速度４３を、個葉蒸散速度と葉に関する指標とに関連付けて、学習データ４を作成する学習データ作成部１３と、を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

植物の蒸散速度を推定する推定用アルゴリズムの学習に用いる学習データを作成するための学習データ作成装置であって、
圃場における環境データに基づいて個葉蒸散速度を算出する個葉蒸散速度算出部と、
前記圃場において栽培されている植物の葉を含む画像に基づいて、前記葉に関する指標を算出する指標算出部と、
前記圃場において測定される前記植物の蒸散速度を、前記個葉蒸散速度と前記葉に関する前記指標とに関連付けて、学習データを作成する学習データ作成部と、
を備える、学習データ作成装置。

【請求項2】

前記指標算出部は、人工知能を用いた画像解析により、前記画像において前記葉の領域を抽出する葉領域抽出部を備える、請求項１に記載の学習データ作成装置。

【請求項3】

前記葉に関する前記指標は、前記葉の葉面積指数と、前記葉の受光効率指数との少なくともいずれかを含む、請求項１または２のいずれかに記載の学習データ作成装置。

【請求項4】

前記指標算出部は、前記画像を二値化することにより得られる、前記画像において前記葉以外の領域が占める割合を用いて、前記葉面積指数を算出する葉面積指数算出部を備える、請求項３に記載の学習データ作成装置。

【請求項5】

前記指標算出部は、前記画像について前記葉の領域の相対輝度を積算することにより、前記受光効率指数を算出する受光効率指数算出部を備える、請求項３または４に記載の学習データ作成装置。

【請求項6】

前記個葉蒸散速度算出部は、前記環境データと、植物生理生態モデルとに基づいて、前記個葉蒸散速度を算出する、請求項１から５のいずれか一項に記載の学習データ作成装置。

【請求項7】

前記植物生理生態モデルは、蒸散要求モデルを含み、
前記環境データは、光合成光量子束密度と、雰囲気の気温と、雰囲気の湿度と、熱輸送に対する葉面境界層コンダクタンスとを含み、
前記個葉蒸散速度算出部は、前記環境データと、前記蒸散要求モデルとに基づいて、前記個葉蒸散速度を算出する、請求項６に記載の学習データ作成装置。

【請求項8】

前記植物生理生態モデルは、ＦｖＣＢモデルを含み、
前記環境データは、光合成光量子束密度と、雰囲気の気温と、雰囲気の湿度と、熱輸送に対する葉面境界層コンダクタンスと、雰囲気の二酸化炭素濃度とを含み、
前記個葉蒸散速度算出部は、前記環境データと、前記ＦｖＣＢモデルとに基づいて、前記個葉蒸散速度を算出する、請求項６に記載の学習データ作成装置。

【請求項9】

請求項１から８のいずれかに記載の学習データ作成装置によって作成された学習データに基づいて、前記植物の蒸散速度を推定する推定用アルゴリズムを学習する学習部、
を備える、機械学習装置。

【請求項10】

前記推定用アルゴリズムは、人工ニューラルネットワークを用いて構成されている、請求項９に記載の機械学習装置。

【請求項11】

圃場における環境データを取得する環境データ取得部と、
前記圃場において栽培されている植物の葉を含む画像を取得する植物画像取得部と、
前記環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出部と、
前記画像に基づいて、前記葉に関する指標を算出する指標算出部と、
請求項９または１０に記載の機械学習装置によって学習された推定用アルゴリズムに従って、前記個葉蒸散速度と前記葉に関する前記指標とに基づいて、前記植物の蒸散速度を推定する蒸散速度推定部と、
を備える、推定装置。

【請求項12】

植物の蒸散速度を推定する推定用アルゴリズムの学習に用いる学習データを作成するための学習データ作成方法であって、
圃場における環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出ステップと、
前記圃場において栽培されている植物の葉を含む画像に基づいて、前記葉に関する指標を算出する指標算出ステップと、
前記圃場において測定される前記植物の蒸散速度を、前記個葉蒸散速度と前記葉に関する前記指標とに関連付けて、学習データを作成する学習データ作成ステップと、
を含む、学習データ作成方法。

【請求項13】

請求項１２に記載の学習データ作成方法によって作成された学習データに基づいて、前記植物の蒸散速度を推定する推定用アルゴリズムを学習する学習ステップ、
を含む、機械学習方法。

【請求項14】

圃場における環境データを取得する環境データ取得ステップと、
前記圃場において栽培されている植物の葉を含む画像を取得する植物画像取得ステップと、
前記環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出ステップと、
前記画像に基づいて、前記葉に関する指標を算出する指標算出ステップと、
請求項１３に記載の機械学習方法によって学習された推定用アルゴリズムに従って、前記個葉蒸散速度と前記葉に関する前記指標とに基づいて、前記植物の蒸散速度を推定する蒸散速度推定ステップと、
を含む、推定方法。

【請求項15】

コンピュータに、
請求項１２に記載の学習データ作成方法の各ステップを実行させるためのプログラム。

【請求項16】

コンピュータに、
請求項１３に記載の機械学習方法の各ステップを実行させるためのプログラム。

【請求項17】

コンピュータに、
請求項１４に記載の推定方法の各ステップを実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、植物の蒸散速度を推定する技術に関する。

【背景技術】

【0002】

植物の成長は光合成による炭素同化により進行する。また、植物体内の水収支は、形態の保持、細胞の伸長生長、気孔の開閉運動などを支配する。特に葉の水分欠乏は、気孔閉鎖および葉内への二酸化炭素の供給不足をもたらし、光合成を抑制して植物の生産に大きな影響を与える。植物において光合成による反応が進行している程度を示す光合成速度や、植物の葉から水分が蒸散する程度を示す蒸散速度は、植物の生育状況や収穫量を大きく左右する要因として知られている。作物を圃場に定植してから収穫するまでの間の長期に渡って連続的に、作物の光合成速度や蒸散速度を定量的に把握することは、農業の効率化を進めている営農現場にとって重要となっている。

【0003】

営農現場において、作物の蒸散速度は、作物を囲う透明な開放型のチャンバーを圃場に設置することにより測定されている。圃場に植えられている作物を測定用の透明な開放型のチャンバーで囲い、チャンバーに外気を通気する。チャンバー内のＨ_２Ｏ濃度は、外気がチャンバー内を通る間に作物の葉から水分が蒸散することにより変化する。作物の蒸散速度は、チャンバーに設けられている吸気口と排気口との間のＨ_２Ｏの濃度差に基づいて、ガス分析装置および流量計を用いて測定することができる。作物の光合成速度についても蒸散速度と同様に、吸気口と排気口との間のＣＯ_２の濃度差に基づいて測定することができる。

【0004】

また近年では、営農現場においても情報通信技術（ＩＣＴ）や人工知能（ＡＩ）を導入する取り組みが進められている。例えば下記特許文献１に記載の生産管理システムによると、気温に対する農作物の光合成量を示すモデルと、気温に対する農作物の生育量を示すモデルとに基づいて、農作物の収量予測を行うことができる。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０２０－２４７０３号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

開放型のチャンバーを用いる、圃場に設置するタイプの測定システムは、高価であり要求される測定技術も高度であることから、主に学術的な研究を目的として利用されている。研究者が使用するこのような測定システムを、営農現場において、特に小規模の生産者が圃場に設置して日常的に運用することは現実的ではない。

【0007】

特許文献１に記載の生産管理システムは、農作物の収量予測を行うシステムではあっても、農作物の蒸散速度を予測するシステムではない。特許文献１の生産管理システムでは、気温に対する農作物の光合成量を示すモデルを用いてはいるものの、このモデルは蒸散速度を予測するモデルではない。

【0008】

このような事情から、営農現場においては、特に小規模の圃場においては、作物の生育状況は依然として生産者の経験や勘に基づいて把握されており、作物の蒸散速度を測定して定量的に把握する取り組みは進んでいない。作物の生育状況を適切に把握して農業の効率化を進めるために、営農現場において作物の蒸散速度をより手軽に定量的に把握することが求められている。農作物に限らず、例えば生花についても同様である。

【0009】

本発明は、植物の蒸散速度を定量的に把握することを目的とする。

【課題を解決するための手段】

【0010】

上記目的を達成するための本発明は、例えば以下に示す態様を含む。
（項１）
植物の蒸散速度を推定する推定用アルゴリズムの学習に用いる学習データを作成するための学習データ作成装置であって、
圃場における環境データに基づいて個葉蒸散速度を算出する個葉蒸散速度算出部と、
前記圃場において栽培されている植物の葉を含む画像に基づいて、前記葉に関する指標を算出する指標算出部と、
前記圃場において測定される前記植物の蒸散速度を、前記個葉蒸散速度と前記葉に関する前記指標とに関連付けて、学習データを作成する学習データ作成部と、
を備える、学習データ作成装置。
（項２）
前記指標算出部は、人工知能を用いた画像解析により、前記画像において前記葉の領域を抽出する葉領域抽出部を備える、項１に記載の学習データ作成装置。
（項３）
前記葉に関する前記指標は、前記葉の葉面積指数と、前記葉の受光効率指数との少なくともいずれかを含む、項１または２のいずれかに記載の学習データ作成装置。
（項４）
前記指標算出部は、前記画像を二値化することにより得られる、前記画像において前記葉以外の領域が占める割合を用いて、前記葉面積指数を算出する葉面積指数算出部を備える、項３に記載の学習データ作成装置。
（項５）
前記指標算出部は、前記画像について前記葉の領域の相対輝度を積算することにより、前記受光効率指数を算出する受光効率指数算出部を備える、項３または４に記載の学習データ作成装置。
（項６）
前記個葉蒸散速度算出部は、前記環境データと、植物生理生態モデルとに基づいて、前記個葉蒸散速度を算出する、項１から５のいずれか一項に記載の学習データ作成装置。
（項７）
前記植物生理生態モデルは、蒸散要求モデルを含み、
前記環境データは、光合成光量子束密度と、雰囲気の気温と、雰囲気の湿度と、熱輸送に対する葉面境界層コンダクタンスとを含み、
前記個葉蒸散速度算出部は、前記環境データと、前記蒸散要求モデルとに基づいて、前記個葉蒸散速度を算出する、項６に記載の学習データ作成装置。
（項８）
前記植物生理生態モデルは、ＦｖＣＢモデルを含み、
前記環境データは、光合成光量子束密度と、雰囲気の気温と、雰囲気の湿度と、熱輸送に対する葉面境界層コンダクタンスと、雰囲気の二酸化炭素濃度とを含み、
前記個葉蒸散速度算出部は、前記環境データと、前記ＦｖＣＢモデルとに基づいて、前記個葉蒸散速度を算出する、項６に記載の学習データ作成装置。
（項９）
項１から８のいずれかに記載の学習データ作成装置によって作成された学習データに基づいて、前記植物の蒸散速度を推定する推定用アルゴリズムを学習する学習部、
を備える、機械学習装置。
（項１０）
前記推定用アルゴリズムは、人工ニューラルネットワークを用いて構成されている、項９に記載の機械学習装置。
（項１１）
圃場における環境データを取得する環境データ取得部と、
前記圃場において栽培されている植物の葉を含む画像を取得する植物画像取得部と、
前記環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出部と、
前記画像に基づいて、前記葉に関する指標を算出する指標算出部と、
項９または１０に記載の機械学習装置によって学習された推定用アルゴリズムに従って、前記個葉蒸散速度と前記葉に関する前記指標とに基づいて、前記植物の蒸散速度を推定する蒸散速度推定部と、
を備える、推定装置。
（項１２）
植物の蒸散速度を推定する推定用アルゴリズムの学習に用いる学習データを作成するための学習データ作成方法であって、
圃場における環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出ステップと、
前記圃場において栽培されている植物の葉を含む画像に基づいて、前記葉に関する指標を算出する指標算出ステップと、
前記圃場において測定される前記植物の蒸散速度を、前記個葉蒸散速度と前記葉に関する前記指標とに関連付けて、学習データを作成する学習データ作成ステップと、
を含む、学習データ作成方法。
（項１３）
項１２に記載の学習データ作成方法によって作成された学習データに基づいて、前記植物の蒸散速度を推定する推定用アルゴリズムを学習する学習ステップ、
を含む、機械学習方法。
（項１４）
圃場における環境データを取得する環境データ取得ステップと、
前記圃場において栽培されている植物の葉を含む画像を取得する植物画像取得ステップと、
前記環境データに基づいて、個葉蒸散速度を算出する個葉蒸散速度算出ステップと、
前記画像に基づいて、前記葉に関する指標を算出する指標算出ステップと、
項１３に記載の機械学習方法によって学習された推定用アルゴリズムに従って、前記個葉蒸散速度と前記葉に関する前記指標とに基づいて、前記植物の蒸散速度を推定する蒸散速度推定ステップと、
を含む、推定方法。
（項１５）
コンピュータに、
項１２に記載の学習データ作成方法の各ステップを実行させるためのプログラム。
（項１６）
コンピュータに、
項１３に記載の機械学習方法の各ステップを実行させるためのプログラム。
（項１７）
コンピュータに、
項１４に記載の推定方法の各ステップを実行させるためのプログラム。

【発明の効果】

【0011】

本発明によると、植物の蒸散速度を定量的に把握することができる。

【図面の簡単な説明】

【0012】

【図1】本発明の第１の実施形態に係る蒸散速度推定支援システムの概略的な構成を模式的に示す図である。

【図2】本発明の第１の実施形態に係る学習データ作成装置および機械学習装置の機能を説明するためのブロック図である。

【図3】本発明の第１の実施形態において導入する植物生理生態モデルの蒸散要求（ＥＤ）モデルを説明するための図である。

【図4】人工知能を用いた画像解析により葉の領域を抽出した一例を示す図である。

【図5】本発明の第１の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【図6】本発明の第１の実施形態に係る推定装置の機能を説明するためのブロック図である。

【図7】本発明の第１の実施形態に係る機械学習装置を用いて推定用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【図8】本発明の第１の実施形態に係る機械学習装置を用いて推定用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【図9】本発明の第１の実施形態に係る推定装置と学習済の推定用アルゴリズムとを用いて蒸散速度を推定する手順を説明するためのフローチャートである。

【図10】本発明の第１の実施形態に係る推定装置と学習済の推定用アルゴリズムとを用いて蒸散速度を推定する手順を説明するためのフローチャートである。

【図11】本発明の第２の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【図12】本発明の第２の実施形態において導入する植物生理生態モデルのＦｖＣＢモデルを説明するための模式的な図である。

【図13】本発明の第３の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【図14】実施例１において推定装置により推定された株当たりの蒸散速度の妥当性を検証するためのグラフである。

【図15】実施例２において葉面積指数の季節毎の変動と花数および果実数の季節毎の変動とを同じ時間軸で並べて示すグラフである。

【図16】実施例３において推定用アルゴリズムの性能検証に用いた人工ニューラルネットワークを説明するための模式的な図である。

【図17】実施例３において人工ニューラルネットワークの構築に用いたデータセットの一覧を示す図である。

【図18】実施例３において推定値の再現性をＦｖＣＢモデルとシンプルモデルとの間で比較するための図である。

【図19】実施例３において推定値の再現性をＥＤモデルとシンプルモデルとの間で比較するための図である。

【図20】実施例３において推定値の再現性をＥＤ＋ＣＯ_２モデルとシンプルモデルとの間で比較するための図である。

【図21】実施例３において推定用アルゴリズムの学習時と推定装置による推定時との間で環境要素が大きく異なる場合について、推定用アルゴリズムの性能を検証した結果を示すグラフである。

【発明を実施するための形態】

【0013】

以下、本発明の実施形態を、添付の図面を参照して詳細に説明する。なお、以下の説明および図面において、同じ符号は同じまたは類似の構成要素を示すこととし、よって、同じまたは類似の構成要素に関する重複した説明を省略する。
［第１の実施形態］

【0014】

本発明では、植物生理生態モデルと環境データとに基づいて個葉蒸散速度を算出し、算出した個葉蒸散速度と葉に関する指標とを用いて、植物の蒸散速度を推定する。第１の実施形態では、植物生理生態モデルとして蒸散要求（Evaporative Demand; ED）モデルを用い、環境データとして、光合成光量子束密度（PPFD）、雰囲気の気温Ｔ_ａ、雰囲気の湿度ＶＰＤ_ａ、および熱輸送に対する葉面境界層コンダクタンスｇ_ａＨの４つを用いる。第１の実施形態では、環境データとして雰囲気のＣＯ_２濃度Ｃ_ａを用いない。第１の実施形態において用いる蒸散要求モデルは、個葉蒸散速度Ｔｒ_ｌの算出に雰囲気のＣＯ_２濃度Ｃ_ａを用いないモデルである。
［推定支援システム］
＜システムの概要＞

【0015】

図１は、本発明の第１の実施形態に係る蒸散速度推定支援システムの概略的な構成を模式的に示す図である。

【0016】

本発明の第１の実施形態に係る蒸散速度推定支援システム１００（以下、単に推定支援システム１００とも記載する）は、学習データ作成装置１と、機械学習装置２と、推定装置３とを備える。推定支援システム１００は、小規模な圃場８０における生産者が、植物を囲う透明な開放型のチャンバーのような、高度な測定技術が要求される高価な測定システムを用いることなく、生産者が運営する圃場８０における植物８１の株当たりの蒸散速度を定量的に把握することを可能にする。

【0017】

学習データ作成装置１、機械学習装置２、および推定装置３は、例えばネットワーク１０を介してデータの送受信が可能な態様で、有線または無線により直接的または間接的に接続されている。

【0018】

本実施形態では、学習データ作成装置１および機械学習装置２は、例えば試験研究用の圃場９０を管理する組織または者（以下、単に管理者とも記載する）によって使用される。推定装置３は、例えば小規模な圃場８０における生産者（以下、単に生産者とも記載する）によって使用される。圃場９０の管理者は、例えば国や県の農業試験場や、国公立または私立の研究機関および大学等、並びにそれら組織における研究者等である。管理者は、圃場９０に設置されている開放型のチャンバーを用いて、後述するデータ４１，４２，４３を測定することが可能な測定技術を有している。

【0019】

圃場９０、８０において栽培される植物９１，８１について説明する。株当たりの蒸散速度を定量的に把握しようとする対象である、生産者の圃場８０において栽培されている植物８１の種類は、管理者の圃場９０において栽培されている植物９１の種類と同じである。圃場９０，８０において栽培される植物は、茄子やニラ等の食用の作物に限らず、例えば生花とすることができる。すなわち圃場９０，８０において栽培する植物９１，８１は、葉から水分を蒸散する植物であればよい。

【0020】

学習データ４の作成に用いる環境データ４１、植物９１の葉を含む画像４２、および植物９１の株当たりの蒸散速度の測定データ４３は、植物９１を囲う透明な開放型のチャンバーが設置されている圃場９０において取得される。取得されたデータ４１，４２，４３は学習データ作成装置１に入力され記録される。圃場９０におけるデータ４１，４２，４３の取得については後述する。

【0021】

学習データ作成装置１は、植物の株当たりの蒸散速度を推定する推定用アルゴリズム５の学習に用いる学習データ４を作成する。学習データ４は、試験研究用の圃場９０において測定されるデータ４１，４２，４３に基づいて作成される。作成された学習データ４は、機械学習装置２に提供される。学習データ４および推定用アルゴリズム５は植物の種類毎に作成される。

【0022】

機械学習装置２は、学習データ作成装置１によって作成された学習データ４に基づいて、推定用アルゴリズム５を学習する。学習された推定用アルゴリズム５は、推定装置３に提供される。

【0023】

生産者の圃場８０では、圃場８０における環境データおよび植物８１の葉を含む画像が、感知装置６および撮像装置７を用いて取得される。

【0024】

推定装置３は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉蒸散速度と葉に関する指標とに基づいて、植物８１の株当たりの蒸散速度を推定する。個葉蒸散速度および葉に関する指標は、生産者の圃場８０において取得された環境データおよび植物８１の葉を含む画像に基づいて算出される。

【0025】

これにより、小規模な圃場８０における生産者は、植物を囲う透明な開放型のチャンバーのような、高度な測定技術が要求される高価な測定システムを用いることなく、生産者が運営する圃場８０において、植物８１の株当たりの蒸散速度を定量的に把握することが可能になる。

【0026】

試験研究用の圃場９０において、植物９１は、蒸散速度を測定するための、透明な開放型のチャンバー９２で囲われている。チャンバー９２には吸気口９３と排気口９４とが設けられており、チャンバー９２内に外気が通気される。チャンバー９２内のＨ_２Ｏ濃度は、外気がチャンバー９２内を通る間に、植物９１の葉から水分が蒸散することにより変化する。同様に、チャンバー９２内のＣＯ_２濃度は、外気がチャンバー９２内を通る間に、植物９１による光合成により変化する。ガス分析装置９５は、水蒸気（Ｈ_２Ｏ）の濃度およびＣＯ_２の濃度を、吸気口９３および排気口９４のそれぞれについて測定することができる。吸気口９３に設けられた流量計９６は、チャンバー９２内に流入する外気の流量を測定することができる。

【0027】

圃場９０におけるデータ４１，４２，４３の取得について説明する。本実施形態では、環境データ４１として、光合成光量子束密度（photosynthetic photon flux density; PPFD）（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）、雰囲気の気温Ｔ_ａ（単位［℃］）、雰囲気の湿度ＶＰＤ_ａ（vapor pressure deficit）（単位［ｋＰａ］）、および熱輸送に対する葉面境界層コンダクタンスｇ_ａＨ（単位［ｍｏｌ・ｍ^－２・ｓ^－１］）の４つを用いる。本実施形態では、環境データ４１として雰囲気のＣＯ_２濃度Ｃ_ａ（単位［μｍｏｌ・ｍｏｌ^－１］）を用いない。

【0028】

本実施形態では、光合成光量子束密度ＰＰＦＤはＰＰＦＤセンサ９７を用いて測定される。気温は熱電対９８ａ，９８ｂを用いて測定される。湿度は、ガス分析装置９５によって測定される水蒸気の濃度と、熱電対９８ａ，９８ｂを用いて測定される気温とから算出される。熱輸送に対する葉面境界層コンダクタンスは、例えば熱線式の風速計９８ｃにより測定される雰囲気の風速から推定される。他の実施形態では、ＣＯ_２の濃度はガス分析装置９５を用いて測定される。

【0029】

本実施形態では、圃場９０において栽培されている植物９１の葉を含む画像４２は、チャンバー９２の天井面に取り付けられた撮像装置９９（デジタルカメラ９９）を用いて撮像され、画像データが取得される。画像４２は、植物９１を天井面から地面（土壌）に向かって見下ろした直下視（nadir view）画像であり、撮像範囲に植物９１の葉が含まれている画像である。撮像装置９９により撮像される画像４２の色空間はＲＧＢ形式である。

【0030】

本実施形態では、植物９１の株当たりの蒸散速度４３は、吸気口９３と排気口９４との間のＨ_２Ｏの濃度差と、チャンバー９２内に流入する外気の流量との積から算出される。

【0031】

チャンバー９２を用いて測定したデータから算出される蒸散速度４３は、チャンバー９２内において栽培されている植物９１の複数の株に関する蒸散速度であり、このような蒸散速度は群落（canopy）の蒸散速度と呼ばれている。群落が複数の株で構成されている場合、群落の蒸散速度は、複数の株それぞれについての株当たりの蒸散速度の和である。チャンバー９２が設置されている圃場９０においては、群落の蒸散速度の値は、チャンバー９２が囲う植物９１の複数の株について、それぞれの株当たりの蒸散速度の値を積算した値である。よって、植物９１の株当たりの蒸散速度は、チャンバー９２を用いて測定した蒸散速度を、チャンバー９２が囲う植物９１の株の数で除算することにより取得することができる。

【0032】

なお、農業栽培においては、作物の収量などを土地面積当たりで比較するケースが多い。土地面積当たりの蒸散速度は、株当たりの蒸散速度に植栽密度（株数／ｍ^２）を乗じることにより算出することができる。
＜ハードウェア構成＞

【0033】

学習データ作成装置１、機械学習装置２、および推定装置３は、例えば汎用コンピュータやタブレットＰＣ、スマートフォン等を用いて構成することができる。これら学習データ作成装置１、機械学習装置２、および推定装置３のすべてを汎用コンピュータで構成することができるし、一部をタブレットＰＣやスマートフォンで構成することもできる。

【0034】

例えばスマートフォンを用いると、推定装置３と、後述する撮像装置７と表示装置８と入力装置９とが一体化された統合型の推定装置を構成することができる。スマートフォンを用いたこのような統合型の推定装置に、さらに別体の感知装置６を例えばＷｉ－Ｆｉ（登録商標）やＢｌｕｅｔｏｏｔｈ（登録商標）等の無線通信方式を用いて通信可能に接続することにより、営農現場において生産者が手軽に使用することが可能なユーザ端末を提供することができる。

【0035】

学習データ作成装置１、機械学習装置２、および推定装置３のそれぞれは、ハードウェアの構成として、データ処理を行うＣＰＵ等のプロセッサ（図示せず）と、プロセッサがデータ処理の作業領域に使用する主記憶装置（図示せず）と、データの一時保存に使用する補助記憶装置１９，２９，３９とを備えている。それぞれの補助記憶装置１９，２９，３９には、データ４１，４２，４３、学習データ４、推定用アルゴリズム５、学習データ作成プログラム、機械学習プログラム、推定プログラム等が適宜記憶されている。

【0036】

推定装置３には、ハードウェアの構成として、感知装置６と撮像装置７とが接続されている。感知装置６および撮像装置７は、推定装置３のユーザである生産者が、圃場８０における環境データと植物８１の葉を含む画像とを取得するために用いられる。

【0037】

本実施形態では、感知装置６は、圃場８０における環境データとして、光合成光量子束密度ＰＰＦＤと、雰囲気の気温と、雰囲気の湿度と、熱輸送に対する葉面境界層コンダクタンスとを測定する。感知装置６は、これら環境データのそれぞれを測定するための各種のセンサを備えている。例えば、光合成光量子束密度ＰＰＦＤを測定するセンサには、公知のＰＰＦＤセンサを用いることができる。気温および湿度を測定するセンサには公知の温湿度センサを用いることができる。熱輸送に対する葉面境界層コンダクタンスを推定するセンサには、例えば熱線式の風速計を用いることができる。葉面境界層コンダクタンスｇ_ａＨは、風速計により測定される風速から推定することができる。葉の上下面において、層流・強制対流で、風が吹いていることを想定すると、ｇ_ａＨ＝６．６２×１０^－３（ｕ／ｄ）である。ここで、ｕは風速（単位［ｍ・ｓ^－１］）であり、ｄは葉の特徴長さ（単位［ｍ］）である。他の実施形態では、感知装置６はさらに雰囲気のＣＯ_２の濃度を測定することができる。ＣＯ_２の濃度を測定するセンサには公知のＣＯ_２センサを用いることができる。これらセンサはすべて手持ち型の機器で実現することができ、感知装置６は手軽に使用することが可能である。

【0038】

撮像装置７は、圃場８０において栽培されている植物８１の葉を含む画像を撮像し、画像データを取得する。圃場９０において取得される画像４２と同様に、本実施形態では、撮像装置７が撮像する画像は植物８１の直下視画像であり、撮像範囲に一株の植物８１の葉が概ね全て含まれている画像である。撮像装置７にはデジタルカメラ７を用いることができる。

【0039】

なお、後述する図６に示すように、本実施形態では、推定装置３は表示装置８を備えている。表示装置８には、例えば液晶モニタを用いることができ、推定装置３のユーザである生産者に情報を表示する。また、推定装置３には、任意の構成として、入力装置９を接続することができる。入力装置９には、例えばキーボード、タッチパネル、マウス等を用いることができ、ユーザからの入力操作を受け付ける。推定装置３は、例えばユーザが感知装置６を用いて測定した環境データの値を、入力装置９を介して取得することもできる。表示装置８と入力装置９とが一体化されたタッチパネルを、推定装置３に接続してもよい。
［学習データ作成装置］

【0040】

図２は、本発明の第１の実施形態に係る学習データ作成装置および機械学習装置の機能を説明するためのブロック図である。

【0041】

学習データ作成装置１は、機能ブロックとして、個葉蒸散速度算出部１１と、指標算出部１２と、学習データ作成部１３とを備えている。指標算出部１２は、機能ブロックとして、葉領域抽出部１２１と、葉面積指数算出部１２２と、受光効率指数算出部１２３とを備えている。これらの機能ブロックは、集積回路等を用いてハードウェアとして実装することができる。或いは、これらの機能ブロックは、学習データ作成装置１のプロセッサが、学習データ作成プログラムを学習データ作成装置１の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0042】

個葉蒸散速度算出部１１は、圃場９０における環境データ４１に基づいて個葉蒸散速度を算出する。本実施形態では、個葉蒸散速度算出部１１は、環境データ４１と、植物生理生態モデル（plant physio-ecological model）とに基づいて、個葉蒸散速度（single-leaf transpiration rate）Ｔｒ_ｌを算出する。

【0043】

図３は、本発明の第１の実施形態において導入する植物生理生態モデルの蒸散要求（ＥＤ）モデルを説明するための図である。（Ａ）は、蒸散要求モデルにおいて用いる個葉蒸散速度Ｔｒ_ｌ、蒸散要求度ＥＤおよびインパクト係数ｉｍｐの日中における変化を示すグラフである。（Ｂ）は、インパクト係数ｉｍｐと光合成光量子束密度ＰＰＦＤとの関係を表すグラフである。

【0044】

本実施形態では、植物生理生態モデルは蒸散要求（Evaporative Demand; ED）モデルを含み、蒸散要求モデルに基づいて個葉蒸散速度Ｔｒ_ｌを算出する。後述する式１～式４で表されるように、蒸散要求モデルでは、個葉蒸散速度Ｔｒ_ｌを蒸散要求度ＥＤとインパクト係数ｉｍｐとの積を用いて表し、図３（Ｂ）に示すように、インパクト係数ｉｍｐを光合成光量子束密度ＰＰＦＤの非直角双曲線として近似する。光合成光量子束密度ＰＰＦＤを測定するセンサには、公知のＰＰＦＤセンサを用いることができ、光合成光量子束密度ＰＰＦＤは実測値として取得することができる。これにより、植物生理生態モデルにおいて、測定が困難なモデルパラメータに代えて実測が可能なパラメータを用いて、個葉蒸散速度Ｔｒ_ｌを算出することが可能となる。

【0045】

なお、推定用アルゴリズムの学習を行う際に、出力層５３に対する説明性が高い学習データを入力層５１に設定することにより、学習データ４の量が従来よりも少量であっても、高い精度での推定が可能になる。すなわち、入力層５１に設定するデータと、出力層５３に設定するデータとの間の論理的な因果関係が向上するほど、より少ない量の学習データで推定用アルゴリズム５の学習を行うことができる。

【0046】

蒸散要求度ＥＤは、環境から個葉への蒸散要求を定義しており、次の式１で表される。蒸散要求度ＥＤによると、実測が困難な葉面での純放射束密度が、測定が可能な環境要素（例えば、短波放射束密度Ｒ_ｓ，気温Ｔ_Ａ，空気飽差ＶＰＤ_ａなど）で表現されている。より詳細には、蒸散要求度ＥＤは、気孔およびクチクラ層による蒸散調節機能が葉面に存在しないと仮定した場合の、自由湿面からの蒸発速度を表している。

【数1】

【0047】

インパクト係数ｉｍｐは、葉の蒸散調節機能を表す制限係数（０≦ｉｍｐ≦１）であり、次の式２～式３で表される。

【数2】

【0048】

蒸散要求度ＥＤおよびインパクト係数ｉｍｐを用いると、個葉蒸散速度Ｔｒ_ｌは次の式４で表される。式４で表されるように、インパクト係数ｉｍｐは、植物に対する環境側からの蒸散要求度ＥＤによって引き起こされる蒸散流を決定する係数である。植物水収支に与える環境側からの蒸散要求度ＥＤのインパクトは、インパクト係数ｉｍｐが大きいほど高くなる。

【数3】

【0049】

式１～式４中に表されている変数について説明する。

【0050】

Δは、飽和水蒸気濃度曲線の湿度Ｔ_Ｅでの勾配であり、湿度Ｔ_Ｅは葉と環境の平衡温度である。αは、短波放射に対する葉の吸収であり、太陽光に対しては約０．５である。Ｒ_Ｓは、短波放射束密度である。σは、Ｓｔｅｆａｎ－Ｂｏｌｔｚｍａｎｎ定数である。ε_Ａは環境の射出率であり、ε_Ｌは葉の射出率である。Ｔ_Ａは気温である。Ｃ_ｐρは空気の体積熱容量である。γは空気の乾湿計定数である。ｎは蒸散を考慮する面数であり、定数（両面気孔の場合はｎ＝２、片面気孔の場合はｎ＝１）であり、植物種により選択する。λは水の蒸発潜熱である。

【0051】

ｇ_ｅ，ｇ_ｓ，ｇ_ａｗは葉のコンダクタンス（単位［ｍｏｌ・ｍ^－２・ｓ^－１］）である。ｇ_ｅは葉面での顕熱コンダクタンスである。ｇ_ｓは気孔コンダクタンスである。ｇ_ａｗは水蒸気輸送に対する葉面境界層コンダクタンスである。

【0052】

短波放射束密度Ｒ_Ｓ、気温Ｔ_Ａ、空気飽差ＶＰＤ_ａ、および水蒸気輸送に対する葉面境界層コンダクタンスｇ_ａｗが得られていると、他の物理量を得ることができ、蒸散要求度ＥＤを評価することが可能である。式１～式４中に表されている変数のうち、別の測定または文献値により予め値を決定しておく変数は、α、σ、ε_Ａ、ε_Ｌ、γ、Ｃ_ｐρ、λである。

【0053】

なお、図３（Ｂ）において、プロットされているインパクト係数ｉｍｐの値は、日射強度（すなわちＰＰＦＤ）に応じて評価した値である。実線のカーブは、次の式５～式６を用いて、インパクト係数ｉｍｐを光合成光量子束密度ＰＰＦＤの関数として近似できることを示している。

【数4】

【0054】

フィッティングは非線形最小二乗法により行う。式５～式６中の変数ｉｍｐ_ｍａｘ、φ、およびθはフィッティング・パラメータである。図３（Ｂ）に示す例では、ｉｍｐ_ｍａｘ＝０．９２、φ＝８００、θ＝－８６４００である。図３（Ｂ）に示すように、インパクト係数ｉｍｐは光合成光量子束密度ＰＰＦＤの非直角双曲線として近似可能である。

【0055】

再び図２を参照する。指標算出部１２は、圃場９０において栽培されている植物９１の葉を含む画像４２に基づいて、葉に関する指標を算出する。本実施形態では、葉に関する指標として、葉面積指数（Leaf Area Index; LAI）と、葉の受光効率指数とを算出する。これら指標の算出に先立って、葉領域抽出部１２１が葉の領域を抽出する。

【0056】

葉領域抽出部１２１は、人工知能を用いた画像解析により、植物９１の葉を含む画像４２において葉の領域を抽出する。本実施形態では、葉領域抽出部１２１は、人工知能の一例である深層学習を用いた公知の画像認識の手法に基づいて、画像４２において葉の領域を抽出する。葉領域抽出部１２１は、葉以外の領域であると判別した領域を黒色に置き換える。後述するように、黒色の領域は相対輝度Ｌの値がゼロである。

【0057】

図４は、人工知能を用いた画像解析により葉の領域を抽出した一例を示す図である。（Ａ）は葉の領域を抽出する前の画像であり、（Ｂ）は人工知能により葉の領域を抽出した後の画像である。

【0058】

（Ａ）および（Ｂ）において、符号１０１で示す領域は植物の葉の領域である。（Ａ）において符号１０２で示す領域は、植物を栽培する土壌を覆うビニールシートである。例えば葉領域抽出部１２１は、人工知能を用いた画像解析により、（Ａ）において符号１０２で示すこのようなビニールシートの領域を、葉以外の領域であると判別する。このビニールシートの領域のように、葉以外の領域であると判別された領域は、（Ｂ）において符号１０３で示すように黒色で表示されている。

【0059】

再び図２を参照する。葉面積指数算出部１２２は、植物９１の葉を含む画像４２を二値化することにより得られる、画像４２において葉以外の領域が占める割合を用いて、葉面積指数ＬＡＩを算出する。例示的には、画像の二値化とは画像の白黒化を意味する。本実施形態では、植物９１の葉を含む画像４２は、植物９１を天井面から地面に向かって見下ろした直下視画像である。このような直下視画像を二値化（すなわち白黒化）することにより、葉を含む画像４２を葉の領域ａ_Ｌと葉以外の領域ａ_ＮＬとに二分すると、葉以外の領域が占める割合Ｐ_０は、Ｐ_０＝ａ_ＮＬ／（ａ_ＮＬ＋ａ_Ｌ）と表される。Ｐ_０を用いると、葉面積指数ＬＡＩは、次の式７に基づいて算出することができる。

【数5】

【0060】

葉面積指数ＬＡＩの算出について詳述する。植物の株を天井面から地面に向かって見下ろした直下視画像を考える。このような直下視画像において、大きさがＬの葉面積指数を有する株を、鉛直方向下向きに株の表面から底面にかけて十分に大きな数のＮ個の層に分割することを考える。分割したそれぞれの層内には、株が有する葉の一部が含まれていることとする。このとき以下の４つの事項を仮定する。

【0061】

仮定１：葉は方位的に均一かつ空間的にランダムに分布している。
仮定２：各層が有する葉面積指数は等しい。すなわちＬ／Ｎ＝ΔＬである。
仮定３：光線は鉛直下向きに照射され、各層において光線が葉に複数回接触する確率は、光線が葉に一回のみ接触する確率よりも極めて小さくゼロである。
仮定４：各層において光線が葉に接触する確率は、仮定１に基づいてすべての層において等しい。その確率は、各層が有する葉面積指数を水平投影した値に等しく、係数をＧとするとＧΔＬと表すことができ、光線が葉に接触しない確率は（１－ＧΔＬ）と表すことができる。

【0062】

光線が株の表面から底面にかけてＮ個の層を通過する際に、すべての層において葉と接触しない確率Ｐ_０は、組合せの記号Ｃを用いて次の式８のように記述される。

【数6】

【0063】

ここでＮを無限に大きくすると、式８は次の式９のように変形することができる。

【数7】

【0064】

式９は、確率Ｐ_０が葉面積指数の大きさＬのポアソン分布の関係にあることを示している。ここで、葉の傾斜角が球面分布していると仮定すると、係数Ｇ＝０．５と近似することができる。この近似により式９を変形することにより、次の式１０を得ることができる。

【数8】

【0065】

式１０により、植物の株の直下視画像において葉以外の領域が占める割合（確率Ｐ_０）から、葉面積指数ＬＡＩを算出することができる。

【0066】

受光効率指数算出部１２３は、植物９１の葉を含む画像４２について、葉の領域の相対輝度を積算することにより受光効率指数を算出する。

【0067】

相対輝度は、基準白色に対して正規化された値である。ＲＧＢ形式の画像において或る画素のＲＧＢ値をそれぞれＲ，Ｇ，Ｂで表すと、その画素の相対輝度Ｌは例えば次の式１１によって計算することができる。

【0068】

相対輝度Ｌ＝０．２１２６×Ｒ＋０．７１５２×Ｇ＋０．０７２２×Ｂ （式１１）

【0069】

受光効率指数算出部１２３は、ＲＧＢ形式の画像４２を輝度画像に変換し、変換した輝度画像において、葉の領域に含まれるそれぞれの画素について相対輝度を算出し、画像４２内の全ての画素について算出したそれら相対輝度を積算する。画像４２について算出される相対輝度Ｌの積算値を、植物９１の直上で計測された光合成光量子束密度ＰＰＦＤの値で除算したものが、受光効率指数である。受光効率指数は次の式１２によって計算することができる。

【数9】

【0070】

なお、本実施形態では、ＲＧＢ形式の画像４２は、葉領域抽出部１２１により葉以外の領域は既に黒色に置き換えられている。黒色のＲＧＢ値は、Ｒ＝０、Ｇ＝０、Ｂ＝０である。すなわち、黒色の領域については相対輝度Ｌの値がゼロとなり、ＲＧＢ形式の画像４２において黒色に置き換えられている葉以外の領域については、相対輝度Ｌの積算値に寄与しない。

【0071】

学習データ作成部１３は、圃場９０において測定される植物９１の株当たりの蒸散速度４３を、個葉蒸散速度と葉に関する指標とに関連付けて、学習データ４を作成する。学習データ４は、推定用アルゴリズム５の学習に用いるデータセットであり、入力層５１に設定されるデータと出力層５３に設定されるデータとがセットにされたデータである。作成した学習データ４は例えば補助記憶装置１９に記憶される。

【0072】

作成した学習データ４は、学習データ作成装置１から機械学習装置２へ送信されて、機械学習装置２の補助記憶装置２９に記憶される。機械学習装置２は、受信した学習データ４を用いて、推定用アルゴリズム５の機械学習を行う。
［機械学習装置］

【0073】

再び図２を参照する。機械学習装置２は、機能ブロックとして学習部２１を備えている。学習部２１は、集積回路等を用いてハードウェアとして実装することができる。或いは、学習部２１は、機械学習装置２のプロセッサが、機械学習プログラムを機械学習装置２の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0074】

学習部２１は、学習データ作成装置１によって作成された学習データ４に基づいて、植物の株当たりの蒸散速度を推定する推定用アルゴリズム５を学習する。

【0075】

図５は、本発明の第１の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【0076】

本実施形態では、推定用アルゴリズム５は、人工ニューラルネットワーク（Artificial Neural Network; ANN）を用いて構成されている。推定用アルゴリズム５は、ニューラルネットワークを構成する層として、入力層５１と、中間層５２と、出力層５３とを含んでいる。学習データ４は、それぞれが互いに関連付けられた、植物９１の株当たりの蒸散速度４３と、個葉蒸散速度と、葉に関する指標とから構成されている。学習部２１は、個葉蒸散速度と葉に関する指標とを入力層５１に設定し、株当たりの蒸散速度４３を出力層５３に設定して、推定用アルゴリズム５を学習する。学習済の推定用アルゴリズム５は補助記憶装置２９に記憶される。

【0077】

なお、推定用アルゴリズムの学習を行う際に、出力層５３に対する説明性が高い学習データを入力層５１に設定することにより、学習データ４の量が従来よりも少量であっても、高い精度での推定が可能になる。すなわち、入力層５１に設定するデータと、出力層５３に設定するデータとの間の論理的な因果関係が向上するほど、より少ない量の学習データで推定用アルゴリズム５の学習を行うことができる。

【0078】

本実施形態では、推定用アルゴリズム５に順伝播型ニューラルネットワーク（Feedforward Neural Network）を用いる。推定用アルゴリズム５のニューラルネットワークは、中間層５２に複数の層を含んでいる。ニューラルネットワークの学習アルゴリズムとして、推定用アルゴリズム５における重みパラメータ（シナプスウェイト）の調整には、誤差逆伝播法（back propagation）法を用いる。

【0079】

学習済の推定用アルゴリズム５は、機械学習装置２から推定装置３へ送信されて、推定装置３の補助記憶装置３９に記憶される。推定装置３は、受信した学習済の推定用アルゴリズム５を用いて、生産者の圃場８０における植物８１の株当たりの蒸散速度を推定する。
［推定装置］

【0080】

図６は、本発明の第１の実施形態に係る推定装置の機能を説明するためのブロック図である。

【0081】

推定装置３は、機能ブロックとして、環境データ取得部３１と、植物画像取得部３２と、個葉蒸散速度算出部３３と、指標算出部３４と、蒸散速度推定部３５とを備えている。指標算出部３４は、機能ブロックとして、葉領域抽出部３４１と、葉面積指数算出部３４２と、受光効率指数算出部３４３とを備えている。これらの機能ブロックは、集積回路等を用いてハードウェアとして実装することができる。或いは、これらの機能ブロックは、推定装置３のプロセッサが、推定プログラムを推定装置３の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0082】

推定装置３には、感知装置６と撮像装置７とが接続されている。推定装置３のユーザは、感知装置６および撮像装置７を用いて、圃場８０における環境データと植物８１の葉を含む画像とを取得する。

【0083】

環境データ取得部３１は、圃場８０における環境データを感知装置６から取得する。取得する環境データの種類は、学習データ作成装置１において学習データ４の作成に用いた環境データ４１と同じである。本実施形態では、感知装置６および撮像装置７を用いて、圃場８０における環境データとして、光合成光量子束密度ＰＰＦＤと、雰囲気の気温Ｔ_ａと、雰囲気の湿度ＶＰＤ_ａと、熱輸送に対する葉面境界層コンダクタンスｇ_ａＨとを取得する。

【0084】

植物画像取得部３２は、圃場８０において栽培されている植物８１の葉を含む画像を撮像装置７から取得する。本実施形態では、植物８１の葉を含む画像を取得する方法は、圃場９０において植物９１の葉を含む画像を取得する方法と同じである。すなわち、撮像される植物８１の葉を含む画像は、撮像装置７を用いて撮像され、画像データが取得される。取得された画像は、植物８１を上方から地面に向かって見下ろした直下視画像であり、撮像範囲に一株の植物８１の葉が概ね全て含まれている画像である。撮像装置７により撮像される画像の色空間はＲＧＢ形式である。

【0085】

個葉蒸散速度算出部３３は、図２に示す学習データ作成装置１の個葉蒸散速度算出部１１と同一の機能を有している。個葉蒸散速度算出部３３は、環境データ取得部３１により取得した、圃場８０における環境データに基づいて、個葉蒸散速度を算出する。

【0086】

指標算出部３４は、図２に示す学習データ作成装置１の指標算出部１２と同一の機能を有している。すなわち、指標算出部３４が備える葉領域抽出部３４１、葉面積指数算出部３４２、および受光効率指数算出部３４３は、指標算出部１２が備える葉領域抽出部１２１、葉面積指数算出部１２２、および受光効率指数算出部１２３と同一の機能を有している。

【0087】

指標算出部３４は、植物画像取得部３２により取得した、圃場８０において栽培されている植物８１の葉を含む画像に基づいて、葉に関する指標を算出する。葉領域抽出部３４１は、人工知能を用いた画像解析により、植物８１の葉を含む画像において葉の領域を抽出する。葉面積指数算出部３４２は、植物８１の葉を含む画像を二値化することにより得られる、画像において葉以外の領域が占める割合を用いて、葉面積指数ＬＡＩを算出する。受光効率指数算出部３４３は、植物８１の葉を含む画像について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0088】

蒸散速度推定部３５は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉蒸散速度と葉に関する指標とに基づいて、植物８１の株当たりの蒸散速度を推定する。

【0089】

補助記憶装置３９には、学習済の推定用アルゴリズム５が記憶されている。蒸散速度推定部３５は、個葉蒸散速度算出部３３により算出した個葉蒸散速度と、指標算出部３４により算出した葉に関する指標とを、学習済の推定用アルゴリズム５の入力層５１に入力することにより、植物８１の株当たりの蒸散速度の推定値が出力層５３から出力される。本実施形態では、出力層５３から出力される、得られた推定値は、表示装置８に表示され、推定装置３のユーザである生産者に提示される。

【0090】

これにより、小規模な圃場８０における生産者は、植物を囲う透明な開放型のチャンバーのような、高度な測定技術が要求される高価な測定システムを用いることなく、生産者が運営する圃場８０において、植物８１の株当たりの蒸散速度を定量的に把握することが可能になる。
［機械学習の手順］

【0091】

図７および図８は、本発明の第１の実施形態に係る機械学習装置を用いて推定用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【0092】

機械学習の手順は、例えば試験研究用の圃場９０の管理者である農業試験場の研究者により、学習データ作成装置１および機械学習装置２を用いて行われる。

【0093】

機械学習の手順は、推定用アルゴリズム５の学習に用いる学習データ４を作成するステップＳ１～ステップＳ７と、作成された学習データ４に基づいて推定用アルゴリズム５を学習するステップＳ８とを含む。ステップＳ１～ステップＳ７の手順は、学習データ作成装置１を用いて行われ、ステップＳ８の手順は機械学習装置２を用いて行われる。

【0094】

ステップＳ１において、圃場９０における環境データ４１を取得する。ステップＳ２において、圃場９０において栽培されている植物９１の葉を含む画像４２を取得する。ステップＳ３において、圃場９０における植物９１の株当たりの蒸散速度の測定データ４３を取得する。例示的には、環境データ４１および蒸散速度の測定データ４３は、３０分毎に測定をし、合計３日分の１４４セットを取得する。葉を含む画像４２は、１日毎に撮像をし合計３日分を取得する。なお、葉を含む画像４２において、式１０で計算される葉面積指数ＬＡＩの値の変化は、一日のうちでは無視できる程度に小さい。よって、同じ日に測定した環境データ４１および蒸散速度の測定データ４３のセットについて、これらデータ４１，４３を測定した日と同じ日に撮像した画像４２を使いまわす（reuse）ことができる。

【0095】

図１に示すように、環境データ４１は、例えば農業試験場の研究者が、圃場９０に設置されている開放型のチャンバー９２を用いて取得する。植物９１の葉を含む画像４２は、チャンバー９２の天井面に取り付けられた撮像装置９９を用いて取得される。株当たりの蒸散速度４３は、吸気口９３と排気口９４との間のＨ_２Ｏの濃度差と、チャンバー９２内に流入する外気の流量との積から算出する。これら取得した環境データ４１、植物９１の葉を含む画像データ４２、および株当たりの蒸散速度４３の測定データ４３は、学習データ作成装置１の補助記憶装置１９に記憶される。

【0096】

ステップＳ４（個葉蒸散速度算出ステップ）において、個葉蒸散速度算出部１１は、取得した環境データ４１に基づいて個葉蒸散速度を算出する。

【0097】

ステップＳ５（指標算出ステップ）において、指標算出部１２は、取得した植物９１の葉を含む画像データ４２に基づいて、葉に関する指標を算出する。ステップＳ５では、次に説明するステップＳ５ａ～ステップＳ５ｃの手順を行う。

【0098】

ステップＳ５ａ（葉領域抽出ステップ）において、葉領域抽出部１２１は、人工知能を用いた画像解析により、植物９１の葉を含む画像４２において葉の領域を抽出する。

【0099】

ステップＳ５ｂ（葉面積指数算出ステップ）において、葉面積指数算出部１２２は、植物９１の葉を含む画像４２を二値化することにより得られる、画像４２において葉以外の領域が占める割合を用いて、葉面積指数を算出する。

【0100】

ステップＳ５ｃ（受光効率指数算出ステップ）において、受光効率指数算出部１２３は、植物９１の葉を含む画像４２について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0101】

ステップＳ６（学習データ作成ステップ）において、学習データ作成部１３は、圃場９０において測定される植物９１の株当たりの蒸散速度４３を、ステップＳ４において算出した個葉蒸散速度と、ステップＳ５において算出した葉に関する指標とに関連付けて、学習データ４を作成する。作成した学習データ４は補助記憶装置１９に記憶される。

【0102】

また、学習データ４は、学習データ作成装置１から機械学習装置２へ送信されて、機械学習装置２の補助記憶装置２９に記憶される。機械学習装置２は、受信した学習データ４を用いて、推定用アルゴリズム５の機械学習を行う。

【0103】

ステップＳ７において、学習データ４の数が十分であるか否かを、例えば学習データ作成装置１自身が判定する。学習データ４の数が十分ではない場合は、ステップＳ１～ステップＳ６の手順を繰り返す。学習データ４の数が十分である場合は、ステップＳ８の手順を行う。例示的には、ステップＳ８の手順を行うために必要な学習データ４の数は、約１４４セット程度である。

【0104】

ステップＳ８（学習ステップ）において、学習部２１は、学習データ作成装置１において作成された学習データ４に基づいて、植物の株当たりの蒸散速度を推定する推定用アルゴリズム５を学習する。学習済の推定用アルゴリズム５は補助記憶装置２９に記憶される。

【0105】

また、学習済の推定用アルゴリズム５は、機械学習装置２から推定装置３へ送信されて、推定装置３の補助記憶装置３９に記憶される。推定装置３は、受信した学習済の推定用アルゴリズム５を用いて、生産者の圃場８０における植物８１の株当たりの蒸散速度を推定する。
［推定の手順］

【0106】

図９および図１０は、本発明の第１の実施形態に係る推定装置と学習済の推定用アルゴリズムとを用いて蒸散速度を推定する手順を説明するためのフローチャートである。

【0107】

推定の手順は、例えば小規模な圃場８０における生産者により、推定装置３を用いて行われる。推定の手順は、次のステップＳ１１～ステップＳ１５を含む。

【0108】

ステップＳ１１（環境データ取得ステップ）において、圃場８０における環境データを取得する。ステップＳ１２（植物画像取得ステップ）において、圃場８０において栽培されている植物８１の葉を含む画像を取得する。

【0109】

図１に示すように、環境データおよび植物８１の葉を含む画像は、例えば植物８１を栽培する農家における生産者が、圃場８０において感知装置６および撮像装置７を用いて取得する。

【0110】

ステップＳ１３（個葉蒸散速度算出ステップ）において、個葉蒸散速度算出部３３は、取得した環境データに基づいて個葉蒸散速度を算出する。

【0111】

ステップＳ１４（指標算出ステップ）において、指標算出部３４は、取得した植物８１の葉を含む画像に基づいて、葉に関する指標を算出する。ステップＳ１４では、次に説明するステップＳ１４ａ～ステップＳ１４ｃの手順を行う。

【0112】

ステップＳ１４ａ（葉領域抽出ステップ）において、葉領域抽出部３４１は、人工知能を用いた画像解析により、植物８１の葉を含む画像において葉の領域を抽出する。

【0113】

ステップＳ１４ｂ（葉面積指数算出ステップ）において、葉面積指数算出部３４２は、植物８１の葉を含む画像を二値化することにより得られる、画像において葉以外の領域が占める割合を用いて、葉面積指数を算出する。

【0114】

ステップＳ１４ｃ（受光効率指数算出ステップ）において、受光効率指数算出部３４３は、植物８１の葉を含む画像について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0115】

ステップＳ１５（蒸散速度推定ステップ）において、蒸散速度推定部３５は、機械学習方法によって学習された推定用アルゴリズム５に従って、ステップＳ１３において算出した個葉蒸散速度と、ステップＳ１４において算出した葉に関する指標とに基づいて、植物８１の株当たりの蒸散速度を推定する。得られた推定値は、例えば表示装置８に表示され、推定装置３のユーザである生産者に提示される。

【0116】

これにより、小規模な圃場８０における生産者は、植物を囲う透明な開放型のチャンバーのような、高度な測定技術が要求される高価な測定システムを用いることなく、生産者が運営する圃場８０において、植物８１の株当たりの蒸散速度を定量的に把握することが可能になる。
［効果］

【0117】

以上、本発明の第１の実施形態に係る学習データ作成装置、機械学習装置、および推定装置、並びに学習データ作成方法、機械学習方法、および推定方法によると、植物の蒸散速度を定量的に把握することができる。

【0118】

これにより、小規模な圃場８０における生産者は、植物を囲う透明な開放型のチャンバーのような、高度な測定技術が要求される高価な測定システムを用いることなく、生産者が運営する圃場８０において、植物８１の株当たりの蒸散速度を定量的に把握することが可能になる。

【0119】

生産者が、圃場８０において植物８１の株当たりの蒸散速度を定量的に把握することが可能になると、営農現場において、植物８１の生育状況や収穫量を生産者の経験や勘に頼らずに把握することが可能になる。これにより、例えば施肥や潅水、補光およびＣＯ_２施用のタイミングを、営農現場において適切に判断することが可能になり、農業の効率化が促進される。

【0120】

営農現場において生産者が推定に用いる推定装置３には、タブレットＰＣやスマートフォン等の機器を用いることができ、さらに手持ち型の感知装置６をこのような推定装置３に通信可能に接続することにより、生産者は株当たりの蒸散速度の推定を手軽に行うことが可能になる。

【0121】

また、生産者は、このような蒸散速度の推定を営農現場において日々行うことにより、植物生産の基本原資である株当たりの蒸散速度に関する情報を、時系列で把握することも可能になる。これにより、例えば上記した施肥や潅水のタイミングを、営農現場においてより適切に判断することが可能になり、農業の効率化がより促進される。
［第２の実施形態］

【0122】

以下において説明する第２の実施形態に係る学習データ作成装置、機械学習装置、および推定装置の構成は、特に言及しない限り、第１の実施形態に係る学習データ作成装置、機械学習装置、および推定装置の構成と同様であるので、重複する説明は省略する。

【0123】

図１１は、本発明の第２の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【0124】

第２の実施形態では、植物生理生態モデルとしてＦｖＣＢ（Farquhar-von Caemmerer-Berry）モデルを用い、環境データとして、光合成光量子束密度（PPFD）、雰囲気の気温Ｔ_ａ、雰囲気の湿度ＶＰＤ_ａ、熱輸送に対する葉面境界層コンダクタンスｇ_ａＨ、および雰囲気のＣＯ_２濃度Ｃ_ａの５つを用いる。第２の実施形態では、環境データとして雰囲気のＣＯ_２濃度Ｃ_ａを用いる。第２の実施形態において用いるＦｖＣＢモデルは、個葉蒸散速度Ｔｒ_ｌの算出に雰囲気のＣＯ_２濃度Ｃ_ａを用いるモデルである。第２の実施形態は、植物生理生態モデルとしてＦｖＣＢモデルを用いる点と、環境データが雰囲気のＣＯ_２濃度Ｃ_ａを含む点とにおいて、第１の実施形態と相違している。圃場９０におけるＣＯ_２の濃度はガス分析装置９５を用いて測定され、圃場８０におけるＣＯ_２濃度は感知装置６を用いて取得される。

【0125】

本発明の第２の実施形態によると、学習データ作成時には、個葉蒸散速度算出部１１は、圃場９０における環境データ４１とＦｖＣＢモデルとに基づいて、個葉蒸散速度Ｔｒ_ｌを算出する。推定時には、個葉蒸散速度算出部３３は、圃場８０における環境データとＦｖＣＢモデルとに基づいて、植物８１の株当たりの蒸散速度を算出する。

【0126】

以下、第２の実施形態において導入する植物生理生態モデルのＦｖＣＢモデルについて詳述する。

【0127】

図１２は、本発明の第２の実施形態において導入する植物生理生態モデルのＦｖＣＢモデルを説明するための模式的な図である。（Ａ）は葉緑体を示しており、（Ｂ）は葉の断面図を示している。

【0128】

本実施形態では、ＦｖＣＢモデルは、光合成生化学モデル（biochemical model of photosynthetic）と、輸送方程式と、気孔コンダクタンスモデルと、熱収支モデルとを含む。輸送方程式は、ＣＯ_２に関する輸送方程式とＨ_２Ｏに関する輸送方程式とを含む。光合成生化学モデルは、（Ａ）に示す葉緑体における作用に関連する。輸送方程式、気孔コンダクタンスモデル、および熱収支モデルは、（Ｂ）に示す葉における作用に関連する。本実施形態では、これら４つのモデルを表す以下のそれぞれの数式に環境データ４１の値を代入して、連立方程式を解くことにより、式１９から個葉蒸散速度Ｔｒ_ｌを算出する。

【0129】

光合成生化学モデルは次の式１３～式１６で表される。

【数10】

【0130】

光合成生化学モデルでは、光合成速度を、ＣＯ_２濃度に律速されるＲｕｂｉｓｃｏ－ｌｉｍｉｔｅｄ段階における光合成速度Ａ_L,cと、光量により主に律速されるＲｕＢＰ－ｌｉｍｉｔｅｄ段階における光合成速度Ａ_L,jとの２つの律速段階における２つの光合成速度に分けて、これら２つの光合成速度Ａ_L,c，Ａ_L,jのうち、速度が低い方を個葉光合成速度Ａ_Ｌとしている。

【0131】

なお、図１２の（Ｂ）に示す葉肉コンダクタンスｇ_ｍは実測が困難である。そのため、本実施形態において導入する光合成生化学モデルでは、葉緑体内のＣＯ_２濃度Ｃ_ｃと葉内細胞間のＣＯ_２濃度Ｃ_ｉとの間にほとんど差が無いと仮定して、Ｃ_ｃ＝Ｃ_ｉとしている。

【0132】

ＣＯ_２に関する輸送方程式は次の式１７および式１８で表される。

【数11】

【0133】

Ｈ_２Ｏに関する輸送方程式は次の式１９で表される。

【数12】

【0134】

気孔コンダクタンスモデルは次の式２０で表される。

【数13】

【0135】

熱収支モデルは次の式２１で表される。

【数14】

【0136】

式１３～式２１および図１２中に表されている変数について説明する。

【0137】

ＰＰＦＤ、Ｃ_ａ、Ｔ_ａ、およびＶＰＤ_ａはそれぞれ、光合成光量子束密度ＰＰＦＤ、雰囲気のＣＯ_２濃度、雰囲気の気温、および雰囲気の湿度であり、圃場９０，８０において環境データとして取得される。

【0138】

Ａ_L，Ａ_L,c，Ａ_L,jは光合成速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）を意味する。Ａ_Lは個葉光合成速度である。Ａ_L,cはＲｕｂｉｓｃｏ－ｌｉｍｉｔｅｄ段階における光合成速度である。Ａ_L,jはＲｕＢＰ－ｌｉｍｉｔｅｄ段階における光合成速度である。

【0139】

Ｖ_ｃｍａｘは、カルボキシル化の最大速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）であり、植物の種類毎に定める値である。Ｒ_ｄは、日中の呼吸数（day respiration rate）（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）である。Γ^＊は、日中の呼吸数Ｒ_ｄが無い場合のＣＯ_２同化のＣＯ_２補償点（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）である。

【0140】

Ｃ_ｉ，Ｃ_ｃ，Ｃ_ｓは葉のＣＯ_２濃度（単位［μｍｏｌ・ｍｏｌ^－１］）を意味する。Ｃ_ｉは葉内細胞間のＣＯ_２濃度である。Ｃ_ｃは葉緑体内のＣＯ_２濃度である。Ｃ_ｓは葉の表面のＣＯ_２濃度である。Ｏは葉内細胞間のＯ_２濃度（単位［ｍｏｌ・ｍｏｌ^－１］）である。

【0141】

Ｋ_ｃ，Ｋ_ＯはMichaelis-Menten定数（単位［μｍｏｌ・ｍｏｌ^－１］）である。Ｋ_ｃはカルボキシル化のMichaelis-Menten定数である。Ｋ_Ｏはカルボキシル化酸素化のMichaelis-Menten定数である。

【0142】

Ｊは電子伝達速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）であり、植物の種類毎に定める値である。Ｊ_ｍａｘは電子伝達速度Ｊの最大値である。θはＪ－ＰＰＦＤ曲線のコンベクシティ（convexity）である。φはＪ－ＰＰＦＤ曲線の初期勾配（initial slope）である。

【0143】

ｇ_ｓ，ｇ_ａ，ｇ_ｍは葉のコンダクタンス（単位［ｍｏｌ・ｍ^－２・ｓ^－１］）を意味する。ｇ_ｓは気孔コンダクタンスである。ｇ_ａは葉面境界層コンダクタンスである。ｇ_ｍは葉肉コンダクタンスである。ｇ_ａｗは水蒸気輸送に対する葉面境界層コンダクタンスであり、ｇ_ｓｗは水蒸気輸送に対する気孔コンダクタンスである。ｇ_０，ｇ_１は、気孔コンダクタンスｇ_ｓのフィッティング・パラメータである。ＶＰＤ_Ｌは葉面と雰囲気との飽差（単位［Ｐａ］）である。Ｐａは大気圧である。

【0144】

ρ_ａは空気の密度（１．２０４ｋｇ・ｍ^－３）である。Ｃ_ｐは定圧力での空気の比熱（１０１０Ｊ・ｋｇ^－１・Ｋ^－１）である。

【0145】

Ｔ_L，γ，Ｒ_ｎｉ，ｓ，ｇ_ＨＲ，ｇ_ＬＷは熱収支モデルを記述する変数である。Ｔ_Lは葉温（単位［Ｋ］）である。γは乾湿計定数（単位［Ｐａ・Ｋ^－１］）である。Ｒ_ｎｉは等温純放射（単位［Ｗ・ｍ^－２・ｓ^－１］）である。ｓは温度に対する飽和水蒸気圧の傾き（単位［Ｐａ・Ｋ^－１］）である。ｇ_ＨＲは放射と葉面境界層における顕熱輸送との合計コンダクタンス（単位［ｍ・ｓ^－１］）である。ｇ_ＬＷは葉面境界層と気孔における水分子輸送の合成コンダクタンス（単位［ｍ・ｓ^－１］）である。

【0146】

式１３～式２１中に表されている変数のうち、別の測定により予め値を決定しておく変数およびその値を以下に示す。以下に示す値はすべて葉温が２５℃における値である。
Ｖ_ｃｍａｘ＝９０．５８［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｊ_ｍａｘ＝１５４．９９［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｒ_ｄ＝１．３９［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｋ_ｃ＝４０４．９［μｍｏｌ・ｍｏｌ^－１］
Ｋ_Ｏ＝２７８．４［μｍｏｌ・ｍｏｌ^－１］
Γ^＊＝４２．７５［μｍｏｌ・ｍｏｌ^－１］
θ＝０．７
φ＝０．３６
ｇ_０＝０．０３４［ｍｏｌ・ｍ^－２・ｓ^－１］
ｇ_１＝４．４３

【0147】

変数Ｖ_ｃｍａｘ，Ｊ_ｍａｘ，Ｒ_ｄ，Ｋ_ｃ，Ｋ_Ｏ，Γ^＊は温度依存性を有するパラメータである。変数Ｖ_ｃｍａｘ，Ｒ_ｄ，Ｋ_ｃ，Ｋ_Ｏ，Γ^＊の値は、葉温が２５℃のときの値をもとにアレニウス式により求める。変数Ｊ_ｍａｘは葉温が２５℃のときの値をもとに修正アレニウス式により求める。アレニウス式は公知であるので本明細書における詳細な説明は省略する。
［第３の実施形態］

【0148】

以下において説明する第３の実施形態に係る学習データ作成装置、機械学習装置、および推定装置の構成は、特に言及しない限り、第１の実施形態に係る学習データ作成装置、機械学習装置、および推定装置の構成と同様であるので、重複する説明は省略する。

【0149】

図１３は、本発明の第３の実施形態に係る推定用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【0150】

第３の実施形態では、植物生理生態モデルとして蒸散要求モデルを用い、環境データとして、光合成光量子束密度（PPFD）、雰囲気の気温Ｔ_ａ、雰囲気の湿度ＶＰＤ_ａ、および熱輸送に対する葉面境界層コンダクタンスｇ_ａＨの４つを用いる。環境データは雰囲気のＣＯ_２濃度Ｃ_ａを含まない。ただし、雰囲気のＣＯ_２濃度Ｃ_ａは、環境データと共に測定および記録する。第３の実施形態において用いる蒸散要求モデルは、個葉蒸散速度Ｔｒ_ｌの算出に雰囲気のＣＯ_２濃度Ｃ_ａを用いないモデルである。すなわち、第３の実施形態では、雰囲気のＣＯ_２濃度Ｃ_ａは環境データと共に測定および記録するものの、個葉蒸散速度Ｔｒ_ｌの算出には雰囲気のＣＯ_２濃度Ｃ_ａを用いない。第３の実施形態は、個葉蒸散速度Ｔｒ_ｌの算出に雰囲気のＣＯ_２濃度Ｃ_ａを用いず、雰囲気のＣＯ_２濃度Ｃ_ａを推定用アルゴリズム５の入力層５１に直接的に設定する点において、第１の実施形態と相違している。

【0151】

学習データ作成時には、個葉蒸散速度算出部１１は、圃場９０における環境データ４１と蒸散要求モデルとに基づいて、個葉蒸散速度Ｔｒ_ｌを算出する。学習データ作成部１３は、圃場９０において測定される植物９１の株当たりの蒸散速度４３を、個葉蒸散速度Ｔｒ_ｌと、葉に関する指標と、圃場９０におけるＣＯ_２濃度Ｃ_ａとに関連付けて、学習データ４を作成する。学習データ４は、それぞれが互いに関連付けられた、植物９１の株当たりの蒸散速度４３と、個葉蒸散速度Ｔｒ_ｌと、葉に関する指標と、圃場９０におけるＣＯ_２濃度Ｃ_ａとから構成されている。

【0152】

機械学習時には、学習部２１は、個葉蒸散速度Ｔｒ_ｌと、葉に関する指標と、圃場９０におけるＣＯ_２濃度Ｃ_ａとを入力層５１に設定し、株当たりの蒸散速度４３を出力層５３に設定して、推定用アルゴリズム５を学習する。

【0153】

推定時には、蒸散速度推定部３５は、個葉蒸散速度算出部３３により算出した個葉蒸散速度Ｔｒ_ｌと、指標算出部３４により算出した葉に関する指標と、感知装置６を用いて取得される圃場８０におけるＣＯ_２濃度とを、学習済の推定用アルゴリズム５の入力層５１に入力することにより、植物８１の株当たりの蒸散速度の推定値が出力層５３から出力される。

【0154】

本発明の第３の実施形態によると、個葉蒸散速度Ｔｒ_ｌの算出に雰囲気のＣＯ_２濃度Ｃ_ａを用いず、雰囲気のＣＯ_２濃度Ｃ_ａを推定用アルゴリズム５の入力層５１に直接的に設定することにより推定用アルゴリズム５を学習し、学習済の推定用アルゴリズム５を用いて、植物８１の株当たりの蒸散速度を算出する。
［その他の形態］

【0155】

以上、本発明を特定の実施形態によって説明したが、本発明は上記した実施形態に限定されるものではない。

【0156】

上記したそれぞれの実施形態では、株当たりの蒸散速度の測定データ４３を用いて推定用アルゴリズム５の学習を行い、学習済の推定用アルゴリズム５に従って、株当たりの蒸散速度を推定しているが、学習に用いる蒸散速度や推定しようとする蒸散速度は、株当たりの蒸散速度に限定されない。群落の蒸散速度の測定データを用いて推定用アルゴリズム５の学習を行い、この学習済の推定用アルゴリズム５に従って、群落の蒸散速度を推定することもできる。群落が複数の株で構成されている場合、群落の蒸散速度は、複数の株それぞれについての株当たりの蒸散速度の和である。よって、群落を構成する株の数を把握することができると、群落の蒸散速度から株当たりの蒸散速度を算出することができるし、これとは逆に、株当たりの蒸散速度から群落の蒸散速度を算出することができる。

【0157】

上記したそれぞれの実施形態では、推定用アルゴリズム５の構成に人工ニューラルネットワークを用いているが、推定用アルゴリズム５は人工ニューラルネットワークに限定されない。学習データを用いて推定用アルゴリズムを学習することができる限り、推定用アルゴリズムには種々の機械学習アルゴリズムを用いることができる。

【0158】

上記したそれぞれの実施形態では、指標算出部１２は、葉に関する指標として、葉面積指数および葉の受光効率指数の両方を算出しているが、学習データ４の作成に用いられる、葉に関する指標として算出する指標は、葉面積指数および葉の受光効率指数の少なくともいずれかとすることができる。

【0159】

上記したそれぞれの実施形態では、学習データ作成装置１と機械学習装置２とはそれぞれ別の装置として構成されているが、これら学習データ作成装置１および機械学習装置２を一体化して一つの装置として構成することができる。

【0160】

上記したそれぞれの実施形態では、学習データ作成装置１、機械学習装置２、および推定装置３は、ネットワーク１０を介して互いに通信可能に接続されているが、これら学習データ作成装置１、機械学習装置２、および推定装置３は、例えばＤＶＤ－ＲＯＭやメモリカード等の記録媒体を介してデータ交換可能に接続することができる。

【0161】

上記したそれぞれの実施形態では、圃場９０の管理者が学習データ作成装置１および機械学習装置２を使用しているが、学習データ作成装置１および機械学習装置２を取り扱う者は圃場９０の管理者に限定されない。例えば、圃場９０におけるデータ４１，４２，４３の取得を圃場９０の管理者が行い、学習データの作成および推定用アルゴリズムの機械学習を、機械学習の技術に精通した、例えばデータサイエンティストが行うこともできる。

【0162】

上記したそれぞれの実施形態では、学習データ作成装置１は一体の装置として実現されているが、学習データ作成装置１は一体の装置である必要はなく、プロセッサ、主記憶装置、補助記憶装置１９等が別所に配置され、これらが互いにネットワークで通信可能に接続されていてもよい。機械学習装置２および推定装置３についても、学習データ作成装置１と同様である。また、推定装置３に接続される感知装置６、撮像装置７、表示装置８、および入力装置９についても、これらが一箇所に配置される必要はなく、それぞれが別所に配置されて互いにネットワークで通信可能に接続されていてもよい。

【0163】

上記したそれぞれの実施形態では、学習データ作成装置１の各機能ブロックは、単一のプロセッサで実行されているが、これら各機能ブロックは単一のプロセッサで実行される必要はなく、複数のプロセッサで分散して実行されてもよい。機械学習装置２および推定装置３についても、学習データ作成装置１と同様である。

【0164】

学習データ作成装置１、機械学習装置２、および推定装置３の各機能ブロックは、一部または全部が、ネットワーク１０を介して接続されるサーバ装置（図示せず）においてクラウド化されていてもよい。
［実施例］

【0165】

以下に本発明の実施例を示し、本発明の特徴をより明確にする。

【実施例0166】

実施例１では、推定装置により推定される株当たりの蒸散速度の妥当性を検証した。検証に用いるデータは全て試験研究用の圃場において取得した。試験研究用の圃場において栽培した植物は、本実施例では茄子であった。

【0167】

検証は次の手順で行った。まず、試験研究用の圃場に設置した透明な開放型のチャンバー一式を用いて、妥当性の検証に用いる種々のデータを取得した。取得したデータは、圃場の環境データ、圃場において栽培されている植物（茄子）の直下視画像データ、および植物の株当たりの蒸散速度の実際の測定値であった。これら種々のデータは、上記した第１の実施形態のステップＳ１～ステップＳ３に示した態様に沿って、試験研究用の圃場において合計１３日間にわたって取得した。以後、取得した環境データと、直下視画像データと、株当たりの蒸散速度の実際の測定値との組み合わせを、データセットとして管理した。

【0168】

次に、取得した合計１３日分の複数のデータセットを所定の割合でランダムに分割した。本実施例では、取得した複数のデータセットを、トレーニング用：バリデーション用：テスト用＝０．４：０．１：０．５の割合でランダムに分割した。

【0169】

次に、トレーニング用のデータセットおよびバリデーション用のデータセットに含まれる環境データと植物の直下視画像データとを用いて、学習データ作成装置により学習データを作成した。この学習データは、上記した第１の実施形態のステップＳ３～ステップＳ７に示した態様に沿って作成した。次に、このように作成した学習データを用いて、上記した第１の実施形態のステップＳ８に示した態様に沿って、機械学習装置により推定用アルゴリズムを学習させた。学習データの作成および推定用アルゴリズムの学習に用いたトレーニング用のデータセットおよびバリデーション用のデータセットは、取得したデータセットの約５０％に相当した。

【0170】

次に、推定装置により得られる推定値の妥当性を検証するために、この学習済の推定用アルゴリズムと推定装置とを用いて、テスト用のデータセットを推定装置が再現できるか否かを検証した。テスト用のデータセットは、取得したデータセットの残りの約５０％に相当した。

【0171】

まず、テスト用のデータセットに含まれる環境データと植物の直下視画像データとを用いて、株当たりの蒸散速度を推定装置により推定した。この推定は、上記した第１の実施形態のステップＳ１３～ステップＳ１５に示した態様に沿って行った。次に、推定装置により得られた株当たりの蒸散速度の推定値と、その推定値の推定に用いたテスト用のデータセットに含まれる、株当たりの蒸散速度の実際の測定値とを比較することにより、推定装置による推定値の再現性を確認した。

【0172】

図１４は、実施例１において、推定装置により推定された株当たりの蒸散速度の妥当性を検証するためのグラフである。（Ａ）は、推定された株当たりの蒸散速度の変動を、測定値と共に天候毎に示すグラフである。（Ｂ）は、株当たりの蒸散速度の推定値と測定値との相関を示すグラフである。

【0173】

（Ａ）に示すように、推定値と測定値とは概ね一致していた。また、推定値と測定値との相関については、（Ｂ）に示すように、決定係数Ｒ^２はＲ^２＝０．９５であり、平均平方二乗誤差（Root Mean Square Error; RMSE）はＲＭＳＥ＝０．０６であった。

【0174】

これにより、推定装置による推定値は、天候による影響を忠実に再現しており、妥当性が高い値であることが確認された。

【実施例0175】

実施例２では、本発明において葉に関する指標として導入している葉面積指数ＬＡＩの妥当性を検証した。

【0176】

検証は次の手順で行った。圃場では、植物を収穫する際に整枝作業または摘葉作業が行われる。圃場においてこのような整枝作業または摘葉作業をする度に、植物の株について葉面積指数ＬＡＩを算出した。またその際に、葉面積指数ＬＡＩを算出した株について、植物の花数および果実数を記録した。記録した花数および果実数を、直下視において植物の株が占める地面の面積で除算することにより、単位面積あたりの花数および果実数を算出した。圃場において栽培した植物は、本実施例では茄子であった。

【0177】

図１５は、実施例２において、葉面積指数の季節毎の変動と、花数および果実数の季節毎の変動とを同じ時間軸で並べて示すグラフである。

【0178】

図１５に示すように、上段のグラフに示す葉面積指数の変動は、下段のグラフに示す花数および果実数の変動を概ね再現していた。すなわち、葉面積指数は、収穫に伴う整枝作業または摘葉作業による葉面積の変化を概ね再現することができていた。これにより、本発明において、葉に関する指標として推定用アルゴリズムの入力層に導入している葉面積指数が、出力層に対する説明性が高い入力データであることが確認された。