ホーム > 特許ランキング > 株式会社ブリヂストン
(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】P2024156931
(43)【公開日】2024-11-06
(54)【発明の名称】落葉検出方法
(51)【国際特許分類】
G06Q 50/02 20240101AFI20241029BHJP
A01G 7/00 20060101ALI20241029BHJP
【ＦＩ】
G06Q50/02
A01G7/00 603
【審査請求】有
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2024130950
(22)【出願日】2024-08-07
(62)【分割の表示】P 2022557048の分割
【原出願日】2021-10-13
(31)【優先権主張番号】P 2020173119
(32)【優先日】2020-10-14
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】000005278
【氏名又は名称】株式会社ブリヂストン
(74)【代理人】
【識別番号】100083806
【弁理士】
【氏名又は名称】三好 秀和
(74)【代理人】
【識別番号】100111235
【弁理士】
【氏名又は名称】原 裕子
(74)【代理人】
【識別番号】100170575
【弁理士】
【氏名又は名称】森 太士
(72)【発明者】
【氏名】曽根 恒星
(57)【要約】 （修正有）
【課題】樹木の落葉を正確に検出し、季節性および病害による落葉を容易に、かつ、精度よく検出する落葉検出システム並びに落葉検出方法を提供する。
【解決手段】落葉検出システム１は、人工衛星（ＡＳ）によって、地球（ＢＥ）上の雨が多い地域（ＲＥ）における地表面上の任意の地点である特定のゴムノキ農園（ＧＦ）の各月に１回以上の頻度で取得された樹木（パラゴムノキＰＧ）の、植生に応じた各観測情報に対し、所定の処理を施すことによりノイズ低減のための観測角度が適正に補正された特定のプロダクトより算出された、前記樹木の植生の状態を評価可能な特定の指標値を入手する入手部（２４）を含むクラウドコンピューティング環境２１と、入手部（２４）で入手した特定の指標値に基づいて、樹木（ＰＧ）の落葉状況を検出する検出部（ローカルＰＣ３１）と、を具備する。
【選択図】図１
【解決手段】落葉検出システム１は、人工衛星（ＡＳ）によって、地球（ＢＥ）上の雨が多い地域（ＲＥ）における地表面上の任意の地点である特定のゴムノキ農園（ＧＦ）の各月に１回以上の頻度で取得された樹木（パラゴムノキＰＧ）の、植生に応じた各観測情報に対し、所定の処理を施すことによりノイズ低減のための観測角度が適正に補正された特定のプロダクトより算出された、前記樹木の植生の状態を評価可能な特定の指標値を入手する入手部（２４）を含むクラウドコンピューティング環境２１と、入手部（２４）で入手した特定の指標値に基づいて、樹木（ＰＧ）の落葉状況を検出する検出部（ローカルＰＣ３１）と、を具備する。
【選択図】図１
【特許請求の範囲】
【請求項1】
落葉検出システムが、人工衛星によって各月に１回以上の頻度で取得された樹木の植生に応じた各観測情報に対して所定の処理を施すことによりノイズ低減のための観測角度が適正に補正された特定のプロダクトより算出された特定の指標値を、クラウドコンピューティング環境において入手する工程と、
前記落葉検出システムが、前記植生の現場の落葉データを用いずに、前記入手した前記特定の指標値を用いて、ローカルＰＣ又はクラウドコンピューティング環境において前記樹木の落葉状況を検出する工程と、
を備え、
前記特定の指標値を入手する工程では、ＲＮＩＲが近赤外域における分光反射率であり、かつ、ＲＲｅｄが赤色光の分光反射率であるときに（ＲＮＩＲ－ＲＲｅｄ）/（ＲＮＩＲ＋ＲＲｅｄ）によって求められる正規化植生指数が前記指標値として入手されることを特徴とする落葉検出方法。
前記落葉検出システムが、前記植生の現場の落葉データを用いずに、前記入手した前記特定の指標値を用いて、ローカルＰＣ又はクラウドコンピューティング環境において前記樹木の落葉状況を検出する工程と、
を備え、
前記特定の指標値を入手する工程では、ＲＮＩＲが近赤外域における分光反射率であり、かつ、ＲＲｅｄが赤色光の分光反射率であるときに（ＲＮＩＲ－ＲＲｅｄ）/（ＲＮＩＲ＋ＲＲｅｄ）によって求められる正規化植生指数が前記指標値として入手されることを特徴とする落葉検出方法。
【請求項2】
前記正規化植生指数を入手する工程では、
前記人工衛星であるテラ衛星またはアクア衛星に搭載されたＭＯＤＩＳにより５ｋｍ以下の解像度で撮影された衛星画像を前記観測情報とし、
前記観測情報に対する前記所定の処理として前記ＭＯＤＩＳの撮影角度および太陽光角度の補正並びに雲画像除去の補正がなされるとともに移動平均によりノイズの除去が行われたＭＣＤ４３Ａ４プロダクトを前記特定のプロダクトとし、
前記ＭＣＤ４３Ａ４プロダクトから算出された前記正規化植生指数が入手されることを特徴とする請求項１に記載の落葉検出方法。
前記人工衛星であるテラ衛星またはアクア衛星に搭載されたＭＯＤＩＳにより５ｋｍ以下の解像度で撮影された衛星画像を前記観測情報とし、
前記観測情報に対する前記所定の処理として前記ＭＯＤＩＳの撮影角度および太陽光角度の補正並びに雲画像除去の補正がなされるとともに移動平均によりノイズの除去が行われたＭＣＤ４３Ａ４プロダクトを前記特定のプロダクトとし、
前記ＭＣＤ４３Ａ４プロダクトから算出された前記正規化植生指数が入手されることを特徴とする請求項１に記載の落葉検出方法。
【請求項3】
前記特定の指標値として、前記正規化植生指数に加えて、水状態および温度状態のいずれかがさらに入手されることを特徴とする請求項１又は２に記載の落葉検出方法。
【請求項4】
前記落葉状況を検出する前記工程では、前記正規化植生指数の低下を季節性又は病害による落葉であるとして検出することを特徴とする請求項１に記載の落葉検出方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、農園内における樹木の植生状態評価を行う落葉検出システムおよび落葉検出方法に関する。特に、ゴムの木（パラゴムノキ）の落葉を検出する落葉検出システムおよび落葉検出方法に関する。
【背景技術】
【0002】
従来、パラゴムノキの植生状態評価を行う方法の１つとして、罹病木（感染木）と健全木（非感染木）との区別が可能な罹病判定方法が提案されている（特許文献１参照）。
【0003】
特許文献１に記載の罹病判定方法は、人工衛星を使って取得したパラゴムノキの農園内のモノクロ画像と近赤外領域に感度を有する画像とを比較して、パラゴムノキが根白腐病に罹病しているか否かを判定するものであった。この方法によれば、判定作業者に特別な経験や熟練が要求されないため、パラゴムノキが罹病しているかどうかの判定が容易に可能とされる。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１４－１００５８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、葉枯れ病に罹病しているかどうか等、季節性および病害による樹木の落葉の判定には、判定作業者の特別な経験や熟練が必要であった。これは、上記した従来の人工衛星で取得した画像による判定方法では、パラゴムノキが葉枯れ病に罹病しているかどうかを判定することができなかったことによる。
【0006】
特に、パラゴムノキの農園は、雲が発生する確率が高く雨量が多い熱帯地方に広く分布している。
【0007】
人工衛星は、通常は光学センサーによって地表面の状態を画像として取得（撮影）する。したがって、搭載された光学センサーにもよるが、人工衛星は、雲があると地表面の状態を撮影することができない。
【0008】
即ち、パラゴムノキが葉枯れ病に罹病しているかの判定を精度よく行うためには、人工衛星によってパラゴムノキの状態の時系列の変化を撮影できるシステム、あるいは罹病判定方法が必要であった。
【0009】
そのためには、撮影の頻度が高い光学センサーを利用する必要がある。つまり、多数の撮影画像の中から、雲のない、地表面の状態が良好に撮影された画像だけを選出し、それを平均化することで、パラゴムノキの状態の時系列の変化を正確に捉えることが可能となる。
【0010】
ところが、人工衛星の光学センサーデータは非常にノイズの多いデータである。そのため、生データに近い撮影画像のままでは、パラゴムノキの状態の時系列の変化を正確に捉えるのが難しい。
【0011】
また、単に複数日分のセンサーデータを平均化すると、ノイズは低減できるものの、パラゴムノキの状態の時系列の変化を示す信号も消えてしまう。このため、平均化したデータでは、本来のパラゴムノキの状態変化を捉えることができない。
【0012】
このように、従来から、経験や熟練を必要とせずに、季節性および病害による樹木の落葉を容易に検出可能な技術の確立が要望されていた。
【0013】
本発明の目的は、樹木の落葉を正確に検出でき、季節性および病害による落葉を容易にかつ精度よく検出することが可能な落葉検出システムおよび落葉検出方法を提供することにある。
【課題を解決するための手段】
【0014】
本発明の一態様に係る落葉検出システムは、人工衛星によって各月に１回以上の頻度で取得された樹木の植生に応じた各観測情報に対し、所定の処理を施すことによりノイズ低減のための観測角度が適正に補正された特定のプロダクトより算出された、前記樹木の植生の状態を評価可能な特定の指標値を入手する入手部と、前記入手部で入手した前記特定の指標値に基づいて、前記樹木の落葉状況を検出する検出部と、を具備する。
【0015】
また、本発明の他の一態様に係る落葉検出方法は、人工衛星によって各月に１回以上の頻度で取得された樹木の植生に応じた各観測情報に対し、所定の処理を施すことによりノイズ低減のための観測角度が適正に補正された特定のプロダクトより算出された、前記樹木の植生の状態を評価可能な特定の指標値を入手する工程と、前記入手した前記特定の指標値に基づいて、前記樹木の落葉状況を検出する工程と、を備える。
【発明の効果】
【0016】
このような落葉検出システム或いは落葉検出方法によれば、人工衛星による観測データから抽出された樹木の植生の状態を適正に評価できる特定の指標値の利用により、季節性および病害による樹木の状態変化（落葉）を容易に且つ精度よく検出可能となる。
【0017】
特に、樹木の季節性および病害による落葉を、人工衛星からの観測データをダウンロードしたりせず、クラウドコンピューティング環境下での解析（クラウド解析）により容易に検出することができる。
【図面の簡単な説明】
【0018】
【発明を実施するための形態】
【0019】
以下に、実施形態に係る落葉検出システムについて、図面を参照して説明する。
【0020】
（概略構成）
図１は、実施形態に係る落葉検出システム１の構成例を示す。落葉検出システム１は、例えば図１に示すように、地球観測用の人工衛星ＡＳに搭載された光学センサーＩＳからのセンサーデータ（人工衛星データ）に基づいて、季節性および病害による樹木の落葉を検出するように構成されている。
図１は、実施形態に係る落葉検出システム１の構成例を示す。落葉検出システム１は、例えば図１に示すように、地球観測用の人工衛星ＡＳに搭載された光学センサーＩＳからのセンサーデータ（人工衛星データ）に基づいて、季節性および病害による樹木の落葉を検出するように構成されている。
【0021】
ここでは、樹木の植生状態（葉の繁茂）の評価対象が、例えば、地球ＢＥ上の雨が多い地域ＲＥにおける地表面上の任意の地点である特定のゴムノキ農園ＧＦのパラゴムノキＰＧの落葉である場合について説明する。該パラゴムノキＰＧの落葉は、落葉検出システム１により簡単に検出できる。
【0022】
即ち、落葉検出システム１は、例えば、クラウドコンピューティング環境２１と、ゴムノキ農園ＧＦのローカルＰＣ（パーソナルコンピュータ）３１、スマートフォン３２等とが、インターネット回線ＩＮＣを介して接続されてなる構成とされている。
【0023】
クラウドコンピューティング環境２１は、衛星画像の解析を行うためのオンラインのプラットフォームである。クラウドコンピューティング環境２１として、例えば、グーグル（Ｇｏｏｇｌｅ）社が開発した「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ（ＧＥＥ）」などが利用される。このクラウドコンピューティング環境２１は、観測データ（センサーデータ）を計算したり、加工したり、画像解析したりすることを容易に可能とする。
【0024】
なお、「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ」は、リモートセンシングおよびクラウドのＧＩＳ（地理情報システム）による解析環境である。このため、「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ」によれば、ゴムノキ農園ＧＦのローカルＰＣ３１より、インターネット回線ＩＮＣを介して、グーグル社のサーバに指示を送ることで、すべての解析が行われた後に結果のみを返送させることができる。よって、例えばゴムノキ農園ＧＦにおいて、高価な衛星画像解析ソフトなどを準備することなく、落葉の検出といった高度な画像解析を簡単に実施・共有できるようになる。
【0025】
クラウドコンピューティング環境２１は、例えば図１に示すように、マップのベクターデータ格納部２２や、後述する特定の指標値としての正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩを入手する入手部２４など、を備えている。
【0026】
ベクターデータ格納部２２は、パラゴムノキＰＧの落葉を検出する際に、例えばゴムノキ農園ＧＦのローカルＰＣ３１からの指示に応じて、該当する地域のベクターデータを一時的に格納する。
【0027】
ベクターデータとは、例えば、検出の対象となる現場のゴムノキ農園ＧＦを含む所定の領域の地図に対して輪郭補正が施されるとともに、区画（ブロック）表示のためのマスデータが重ねられた地図データである。このベクターデータは、予め準備されるものであり、例えば、落葉の検出時にゴムノキ農園ＧＦのローカルＰＣ３１からアップロードされる。
【0028】
入手部２４は、例えば、クラウドコンピューティング環境２１内に保管された特定のプロダクト（ＭＣＤ４３Ａ４プロダクト）から、ベクターデータ格納部２２に格納されたベクターデータに応じた部分を取得する。取得した部分のプロダクトについて、樹木の植生の状態を評価可能な正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩを入手する。
【0029】
また、クラウドコンピューティング環境２１では、ベクターデータ格納部２２にベクターデータを読み込んだ後、例えば入手部２４によって、区画ごとに正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの年間の日変動値（時系列データ）を算出する。
【0030】
一般的に、樹木の葉は、赤色光（６２０～６９０ｎｍ）を吸収し、近赤外域（７２０～１２００ｎｍ）の光を反射する。このため、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩは、（ＲＮＩＲ－ＲＲｅｄ）/（ＲＮＩＲ＋ＲＲｅｄ）によって求めることができる。ここで、ＲＮＩＲは近赤外域における分光反射率であり、ＲＲｅｄは赤色光の分光反射率である。
【0031】
即ち、実施形態においては、季節性および病害によるパラゴムノキＰＧの落葉（葉の繁茂）を検出するための指標として、ＭＯＤＩＳプロダクトである、ＭＣＤ４３Ａ４プロダクト（“Ｎａｄｉｒ ＢＲＤＦ－Ａｄｊｕｓｔｅｄ Ｒｅｆｌｅｃｔａｎｃｅ １６－Ｄａｙ Ｌ３ Ｇｌｏｂａｌ ５００ｍ”）から算出された正規化植生指数（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ）ＭＣＤ４３Ａ４_ＮＤＶＩを利用している。
【0032】
ゴムノキ農園ＧＦのローカルＰＣ３１やスマートフォン３２は、人工衛星ＡＳによって取得された観測データから派生した各種のプロダクトをインターネット回線ＩＮＣより獲得したり、落葉の検出に必要な指示などを入力したりするものである。
【0033】
実施形態においては、ローカルＰＣ３１によって検出部が構成されている。即ち、ローカルＰＣ３１は、例えばデータベースサーバを有し、該データベースサーバで、入手部２４によって算出された正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの年間の日変動値を、任意のソフトを使ってグラフ化する。さらに、日変動値の増減を解析することで、ゴムノキ農園ＧＦ内のパラゴムノキＰＧの落葉を検出する。なお、任意のソフトは、例えばマイクロソフト（Microsoft）社のエクセルなどでもよい。
【0034】
なお、落葉を検出するための解析は、ローカルＰＣ３１内のデータベースサーバで行われなくてもよい。例えば、クラウドコンピューティング環境２１内、あるいは、別のクラウドコンピューティング環境下などで行ってもよい。前記別のクラウドコンピューティング環境下としては、ＧＥＥ以外の、後述する「Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ」や「Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ (ＡＷＳ)」または「Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ」などがあげられる。
【0035】
また、ローカルＰＣ３１は、検出されたパラゴムノキＰＧの落葉を、現場の落葉データを用いて評価する際にも利用される（詳細については後述する）。
【0036】
ここで、人工衛星ＡＳによって取得された観測データは、管理部としての地上観測センター１１で受信される。地上観測センター１１は、観測データから派生した各種のプロダクトをインターネット回線ＩＮＣ上に公開するようになっている。
【0037】
実施形態においては、光学センサーＩＳとして、ＭＯＤＩＳ（Ｍｏｄｅｒａｔｅ Ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ／中分解能撮像分光放射計）が用いられる。このＭＯＤＩＳは、現在、アメリカ航空宇宙局（ＮＡＳＡ）などにより管理されるテラ（Ｔｅｒｒａ）衛星やアクア（Ａｑｕａ）衛星といった人工衛星（ＭＯＤＩＳ衛星ともいう）ＡＳに搭載されている。
【0038】
即ち、地上観測センター１１は、人工衛星ＡＳの移動に伴い光学センサーＩＳで撮影されたＭＯＤＩＳデータに基づいて、各種のＭＯＤＩＳプロダクトを生成するプロダクト生成部１２などを備えている。プロダクト生成部１２は、例えばＮＡＳＡのサーバである。プロダクト生成部１２は、特に、ＭＯＤＩＳプロダクトとして、特定のプロダクト（ＭＣＤ４３Ａ４プロダクト、５００ｍ分解能、日別の地球表面反射率）を生成する。
【0039】
なお、実施形態では、人工衛星ＡＳによって月ごとに１回以上の頻度で樹木の植生に応じた観測情報が取得される。例えば、ＭＯＤＩＳ（２５０ｍ～１ｋｍの解像度、少なくとも５ｋｍ以下の解像度）で１日ごとに定期的にゴムノキ農園ＧＦの撮影が行われる。そして、５００ｍ解像度のＭＯＤＩＳデータが観測情報として取得される。
【0040】
例えば、ゴムノキ農園ＧＦの植林区画が広大な場合にも、人工衛星ＡＳを利用することによって、リモートセンシングによる農園全域の撮影が容易に可能とされる。
【0041】
特定のプロダクト（ＭＣＤ４３Ａ４プロダクト）とは、ＭＯＤＩＳデータのノイズ低減のために、例えば移動平均や雲画像の除去、および、観測角度（撮影角度および太陽光角度など）の補正がなされた前後８日分のＭＯＤＩＳデータを平均化したものである。該ＭＣＤ４３Ａ４プロダクトは、雨雲などの影響が排除され、ノイズも低減されて鮮明な観察情報になっている。ＭＣＤ４３Ａ４プロダクトによれば、パラゴムノキＰＧの落葉を検出する際に、本落葉検出システム１が、本来のパラゴムノキＰＧの植生状態をより忠実に再現した適正な観測情報を入手可能になる。したがって、ＭＣＤ４３Ａ４プロダクトから、例えば特定の指標値（ＭＣＤ４３Ａ４_ＮＤＶＩ）を算出することにより、パラゴムノキＰＧの植生状態の変化を容易に捕捉できるようになる。このとき、算出された特定の指標値（ＭＣＤ４３Ａ４_ＮＤＶＩ）は、落葉などによる状態の時系列の変化を示す信号を含む。
【0042】
（正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの評価）
図２（ａ）～図２（ｃ）は、ＭＯＤＩＳプロダクトの植生指数の時系列の変動パターンを対比して示すものである。ここでは、２０１９年の１月期から１２月期の観測データを例示して説明する。
図２（ａ）～図２（ｃ）は、ＭＯＤＩＳプロダクトの植生指数の時系列の変動パターンを対比して示すものである。ここでは、２０１９年の１月期から１２月期の観測データを例示して説明する。
【0043】
例えば図２（ａ）は、処理レベルの低いＭＯＤＩＳプロダクト（ＴＥＲＲＡ＿５００ｍ＿ｄａｉｌｙ）の植生指数である。図２（ｂ）は、解像度が図２（ａ）の倍で空間平均・時間合成した加工データであるＭＯＤＩＳプロダクト（ＭＯＤ１３Ｑ１）の植生指数（空間分解能２５０ｍ、時間合成１６ｄａｙ）である。図２（ｃ）は、観測角度補正、空間平均、１６日移動平均した加工データであるＭＣＤ４３Ａ４プロダクトの正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩ（空間分解能５００ｍメッシュ）である。
【0044】
図３は、現場の落葉データ（現場の展葉データ）を、２０１９年を例に示すものである。ここで、現場の落葉データ（現場の展葉データ）とは、実際のゴムノキ農園ＧＦ内のパラゴムノキＰＧの被覆率の年間変動（年間被覆率変動）である。
【0045】
【0046】
【0047】
即ち、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩのグラフは、実際の年間被覆率変動のグラフに類似していることから、季節性によるパラゴムノキＰＧの落葉を正確に検出できるとともに、例えば葉枯れ病などの病害による落葉も正確に検出可能である。
【0048】
これに対して、図２（ａ）のＭＯＤＩＳプロダクトではノイズの影響で２０１９年の時系列の植生指数の傾向を見ることが困難である。また、図２（ｂ）のＭＯＤＩＳプロダクトでも、時系列の植生指数に、図３のパラゴムノキＰＧの被覆率の３月のデータにみられる落葉による植生指数の低下は確認できない。このため、図２（ａ）、図２（ｂ）に示されたＭＯＤＩＳプロダクトでは、２０１９年の時系列の植生指数の傾向を検出することが困難である。
【0049】
このように、図２（ｃ）に示した正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩによれば、３月期のような正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの低下から季節性によるパラゴムノキＰＧの落葉を判定できる。また、それ以外の月期の正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの低下から、病害による落葉を判定することができる。
【0050】
なお、３月期の正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの低下が、季節性によるものか、病害によるものかの判定は、例えば、３月以降の正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの回復の状況により判定可能である。つまり、４月期においても正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの低下が回復しない場合には、３月の落葉は、単なる季節性によるものではないと推定できる。
【0051】
ここで、現場の落葉データの算出方法について簡単に説明する。
【0052】
図４（ａ）～図４（ｃ）は、パラゴムノキＰＧの落葉による年間被覆率変動について説明するための概略図である。なお、図４（ａ）は全天写真ＡＰの撮影方法を例示するものである。図４（ｂ）は林冠被覆率が２６．９％の場合の全天写真ＡＰを例示するものである。図４（ｃ）は林冠被覆率が７２．４％の場合の全天写真ＡＰを例示するものである。図４（ｄ）は年間被覆率変動のグラフを例示するものである。
【0053】
全天写真ＡＰとは、例えば図４（ａ）に示すように、各観測箇所（ブロック）において、パラゴムノキＰＧの林木の林床より真上方向を定期的に撮影した全天画像である。つまり、全天写真ＡＰとは、任意に区画された各ブロックについて、パラゴムノキＰＧの展葉／落葉の状況を定点観測した結果（実際の、現場の落葉データ）である。なお、全天写真ＡＰは、円形魚眼レンズ（全天レンズ）を用いて、デジタルカメラＤＣで撮影されてもよい。
【0054】
林冠被覆率は、例えば月に１回の頻度で撮影された各観測箇所の全天写真ＡＰよりフリーの全天写真解析ソフト（例えば、ｌｉａ３２ 山本一清氏作 ｈｔｔｐｓ：／／ｗｗｗ．ａｇｒ．ｎａｇｏｙａ－ｕ．ａｃ．ｊｐ／～ｓｈｉｎｋａｎ／ＬＩＡ３２／）などを使って算出された、パラゴムノキＰＧの葉によって空が覆われている比率（％）である。よって、現場での葉の量の推移の定量値とすることができる。
【0055】
年間被覆率変動とは、各観測箇所であるマスデータの区画ごとの、１２か月分の林冠被覆率の変化（時系列データ）である。年間被覆率変動は、任意のソフト（例えば、Microsoft社のエクセルなど）を使ってグラフ化される。
【0056】
したがって、他のクラウドコンピューティング環境やローカルＰＣ３１などにおいて、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データのグラフを、現場の落葉データのグラフと対比させることで、パラゴムノキＰＧの落葉の検出についての評価を行うことが可能となる。
【0057】
図５は、実施形態に係る落葉検出システムの評価例を示すものである。図５（ａ）は、２０１９年の年間被覆率変動（現場の落葉データ）のグラフであり、図５（ｂ）は、２０１９年の正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データのグラフである。
【0058】
図５（ａ）および図５（ｂ）からも明らかなように、年間被覆率変動のグラフと正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データのグラフとは、変動パターンがほぼ一致（同調）する。このことから、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データのグラフに基づいて、季節性および病害によるパラゴムノキＰＧの落葉を正確に検出できる。
【0059】
即ち、本願発明者は、例えば、解像度を５００ｍとした際のＭＣＤ４３Ａ４プロダクトの正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩのグラフ（図２（ｃ）参照）が、図４（ｃ）の現場の落葉データとほぼ一致することを見出した。正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩを利用すれば、全天写真ＡＰの取得が容易でない現場の落葉データを用いずとも、季節性および病害によるパラゴムノキＰＧの落葉を正確に検出することができる。
【0060】
図６は、ゴムノキ農園ＧＦにおいてパラゴムノキＰＧの落葉を検出しようとする場合に、例えばローカルＰＣ３１の画面ＭＮ上に表示されるウェブブラウザによる解析画面の表示例である。
【0061】
即ち、パラゴムノキＰＧの落葉の検出時には、解析画面表示として、検出の対象となる現場などを選択するためのデータ選択、指示された解析内容、画像解析のためのデータ＆グラフ、および、落葉を検出するための解析画像などが表示される。
【0062】
このように、ウェブブラウザを経由させることによって、巨大な人工衛星データをダウンロードせずとも、クラウドコンピューティング環境下でクラウド解析することが可能である。つまり、ネットワーククラウド上のコンピュータリソースを利用することで、広大なゴムノキ農園ＧＦ内のパラゴムノキＰＧの落葉の検出を有効に行い得る。
【0063】
（動作手順）
次に、パラゴムノキＰＧの落葉を検出する場合の処理の流れ（落葉検出方法）について、具体例を挙げて説明する。
次に、パラゴムノキＰＧの落葉を検出する場合の処理の流れ（落葉検出方法）について、具体例を挙げて説明する。
【0064】
例えば、地上観測センター１１のプロダクト生成部１２において、２０１９年の１月から毎日、人工衛星ＡＳの光学センサーＩＳによって撮影されたゴムノキ農園ＧＦを含むＭＯＤＩＳデータに基づいて、特定のプロダクト（ＭＣＤ４３Ａ４プロダクト）が生成される。
【0065】
これに対し、まずは、予め用意したゴムノキ農園ＧＦのベクターデータをローカルＰＣ３１よりアップロードし、インターネット回線ＩＮＣを介して、クラウドコンピューティング環境２１のベクターデータ格納部２２に読み込ませる。
【0066】
その後、クラウドコンピューティング環境２１の入手部２４によって、ベクターデータ格納部２２に読み込ませたベクターデータに該当する特定のプロダクト（ＭＣＤ４３Ａ４プロダクト）を取り込ませる。そして、パラゴムノキＰＧの植生の状態を評価可能な正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩを抽出させる。
【0067】
また、例えばクラウドコンピューティング環境２１内の入手部２４において、「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ」を利用して、ゴムノキ農園ＧＦの各ブロックについて、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの年間の日変動値を算出させる。そして、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの年間の日変動値を、例えばＣＳＶファイル（Ｃｏｍｍａ Ｓｅｐａｒａｔｅｄ Ｖａｌｕｅ Ｆｉｌｅ）を用いて出力させ、インターネット回線ＩＮＣを介して、ゴムノキ農園ＧＦのローカルＰＣ３１に転送させる。
【0068】
一方、ローカルＰＣ３１では、受け取った年間の日変動値に基づいて、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データのグラフが作成される。そして、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの時系列データの年間日変動値のグラフの増減の傾向から、季節性および病害によるパラゴムノキＰＧの落葉の検出のための解析が行われる。
【0069】
その際、ローカルＰＣ３１の画面ＭＮ上に、例えば図６に示したような解析画面が表示される。また、画面ＭＮ上には、ローカルＰＣ３１での解析結果も表示される。こうして、一連の処理が終了する。
【0070】
上記したように、実施形態によれば、パラゴムノキＰＧの落葉を正確に検出可能であり、季節性および病害による落葉を経験や熟練を必要とすることなしに容易に検出可能である落葉検出システム１を提供できる。
【0071】
（作用・効果）
上述した実施形態によれば、以下のような作用・効果が得られる。
上述した実施形態によれば、以下のような作用・効果が得られる。
【0072】
即ち、実施形態においては、毎日の撮影が可能なＭＯＤＩＳ衛星からのＭＯＤＩＳデータを利用し、ＭＯＤＩＳのプロダクトであるＭＣＤ４３Ａ４プロダクトから植生指数ＮＤＶＩを抽出して、ゴムノキ農園ＧＦのパラゴムノキＰＧの落葉を検出するようにしている。
【0073】
これにより、パラゴムノキＰＧの落葉の検出に、正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩの年間の日変動値の変動パターンを利用できるようになる。
【0074】
したがって、たとえゴムノキ農園ＧＦが特に雨の多い地域にあったとしても、雨雲によるデータ欠損の影響を軽減できるなど、パラゴムノキＰＧの落葉状況をより正確に検出できる。
【0075】
なお、人工衛星ＡＳからの観察情報として、ＭＯＤＩＳ衛星からのＭＯＤＩＳデータを利用する例を挙げたが、ランドサット衛星に搭載された、解像度が３０ｍで、撮影頻度が１６日周期の光学センサー等でも、画像解析のスペックとしては十分である。ただし、撮影頻度が非常に高いＭＯＤＩＳデータを用いた場合、ノイズの低減時に、パラゴムノキＰＧの状態の時系列の変化を示す重要な信号が消失するといった不具合をより低減することができる。
【0076】
しかも、季節性および病害による落葉を特別な経験や熟練を必要とすることなしに、容易に検出可能となる。
【0077】
特に、パラゴムノキＰＧの主要な病害の１つであり、有効な診断方法が確立されていない葉枯れ病の、ゴムノキ農園ＧＦ内での罹病状態を広範囲にわたって把握することが容易に可能である。
【0078】
なお、上記した実施形態においては、パラゴムノキＰＧの落葉を検出するために、ＭＯＤＩＳデータの解像度を５００ｍとした際のＭＣＤ４３Ａ４プロダクトの正規化植生指数ＭＣＤ４３Ａ４_ＮＤＶＩを利用するようにしたが、これに限定されない。
【0079】
即ち、各種の樹木について、該樹木の落葉を５００ｍ以上の解像度で検出する場合など、例えば図７に示すように、異なる衛星や指標値（拡張植生指標ＥＶＩや正規化水指数ＮＤＷＩなど）などを用途に応じて任意に組み合わせることも可能である。
【0080】
例えば、指標値として、水状態（正規化水指数ＮＤＷＩなどで示される植生における水分量）や温度状態などを加味することにより、樹木の落葉をより高精度に検出できるようになる。
【0081】
特に、データ量や解析の容易さなどから「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ」を利用するようにしたが、「Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ」以外の解析環境、例えば、アマゾン（ａｍａｚｏｎ）社の「Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）」、「Ｅａｒｔｈ ｏｎ ＡＷＳ」やマイクロソフト社の「ＡＩ ｆｏｒ Ｅａｒｔｈ」、「Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ」、または、「Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ」などを利用するようにしても良い。
【0082】
このように、衛星の種類、プロダクトのタイプ、指標値、および、解析環境などの組み合わせしだいで、農園管理用途としての樹木の落葉の検出とは異なる、例えば資源管理や探索、災害など、他のサステナブル用途にも適用できる。
【0083】
【0084】
以上、落葉検出システム１を実施形態に基づいて説明したが、本発明はこれに限定されるものではなく、各部の構成などは、同様の機能を有する任意の構成のものに置き換えることができる。
【0085】
特願２０２０－１７３１１９号（出願日：２０２０年１０月１４日）の全内容は、ここに援用される。
【符号の説明】
【0086】
１ 落葉検出システム １１ 地上観測センター ２１ クラウドコンピューティング環境 ２２ ベクターデータ格納部 ２４ 入手部 ３１ ローカルＰＣ（検出部） ＡＳ 人工衛星（ＭＯＤＩＳ衛星） ＧＦ ゴムノキ農園 ＩＳ 光学センサー（ＭＯＤＩＳ） ＩＮＣ インターネット回線 ＮＤＶＩ 正規化植生指数（特定の指標値） ＰＧ パラゴムノキ（樹木）
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
