知財求人 - 知財ポータルサイト「IP Force」
(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】P2024007313
(43)【公開日】2024-01-18
(54)【発明の名称】作付け支援方法と圃場作業支援システム等
(51)【国際特許分類】
G06Q 50/02 20240101AFI20240111BHJP
【ＦＩ】
G06Q50/02
【審査請求】有
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023022773
(22)【出願日】2023-02-16
(31)【優先権主張番号】P 2022108164
(32)【優先日】2022-07-05
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】521002202
【氏名又は名称】吉谷土木株式会社
(74)【代理人】
【識別番号】100148851
【弁理士】
【氏名又は名称】鎌田 和弘
(72)【発明者】
【氏名】吉谷 徳一
(72)【発明者】
【氏名】吉谷 拓真
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049CC01
(57)【要約】
【課題】仮想空間やＡＩを活用した農業や漁業など一次産業運営システムを提案することを目的とする。
【解決手段】
作物の種類または／及び量ごとに適する圃場データの最適値４を予め有するＡＩ１を用いた作付け支援方法であって、作付け対象の圃場２の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データ３をＡＩ１が取得する工程と、前記ＡＩ１が、取得した前記少なくともいずれか一つの圃場データ３及び前記予め有する前記圃場データの最適値４、に基づいて、前記圃場土壌での作付けに最適な作物の種類または／及び量１２を決定して通知する工程と、を有する作付け支援方法とする。
【選択図】図３
【解決手段】
作物の種類または／及び量ごとに適する圃場データの最適値４を予め有するＡＩ１を用いた作付け支援方法であって、作付け対象の圃場２の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データ３をＡＩ１が取得する工程と、前記ＡＩ１が、取得した前記少なくともいずれか一つの圃場データ３及び前記予め有する前記圃場データの最適値４、に基づいて、前記圃場土壌での作付けに最適な作物の種類または／及び量１２を決定して通知する工程と、を有する作付け支援方法とする。
【選択図】図３
【特許請求の範囲】
【請求項1】
作物の種類または／及び量ごとに適する圃場データの最適値を予め有するＡＩを用いた作付け支援方法において、
作付け対象の圃場の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データをＡＩが取得する工程と、
前記ＡＩが、取得した前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
作付け対象の圃場の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データをＡＩが取得する工程と、
前記ＡＩが、取得した前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項2】
請求項１に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記作物の種類または／及び量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記作物の種類または／及び量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項3】
請求項１または請求項２に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項4】
請求項３に記載のＡＩを用いた作付け支援方法において、
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項5】
請求項４に記載のＡＩを用いた作付け支援方法において、
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項6】
請求項２に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項7】
請求項６に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項8】
請求項７に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項9】
請求項８に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、作付け支援方法と圃場作業支援システムとＡＩを用いた水産物養殖の支援方法等に関する。
【背景技術】
【0002】
農業基本法（のうぎょうきほんほう、昭和３６年６月１２日法律１２７号施行の法律は農業生産性の引き上げと農家所得の増大を謳った法であり、高度経済成長とともに広がった農工間の所得格差の是正が最大の目的であった。この法律によって農業の構造改善政策や大型農機具の投入による日本農業の近代化を進めた。結果として生産性を飛躍的に伸ばすことと農家の所得を伸ばすことには成功したが、大部分の農家が兼業化したことや、農業の近代化政策による労働力の大幅削減で農村の労働力が東京、大阪などの都市部へ流失し、農業の担い手不足問題の引き金となり、食料自給率低下の要要因を作ってしまった。現在も新規農業参入者のうち３５％が離農していくという現実の中、本件特許は新たな一次産業等への就労意欲を注ぐためにＶＲ（Virtual Reality／仮想現実）・ＡＲ（Augmented Reality／拡張現実）・ＭＲ（Mixed Reality／複合現実）などの仮想空間デジタル情報網を実際の生産施設での機械作業をと環境管理などを遠隔で行うシステムを提供する。
【0003】
下記特許文献１には、土壌のサンプルなどを採取して分析する必要がなく、土壌から送出される気体を測定することで土壌の状態を推定する土壌診断システムを提供することを目的とし、植物が育成している土壌から送出される気体の種類及び量を走査手段により土壌全体を走査しながら測定する臭気センサ２１と、臭気センサ２１で測定された結果から測定対象となる土壌において発生している気体の分布を作成する分布作成部３３とを備え、必要に応じて連作障害の発生の有無や土壌菌の有無を推定する推定処理部３６を備える発明が開示されている。さらには、「測定装置２は、例えばトラクターやドローンなどの移動体の底部に装着され、移動体の移動に応じて図４（Ａ）の畑上を走査しながら気体を測定する。測定装置２又は移動体には位置を測定するためのＧＰＳ（図示しない）が設置されており、そのＧＰＳの位置情報と共に検出された気体の種類及び量の情報が送信部２２により演算装置３に送信される。演算装置３では、測定装置２から送信された測定結果を元に気体の分布図を作成する。」（段落［００２１］）と記載されている。
【0004】
また、下記特許文献２には、作業計画と誤差が生じた場合にも、多くのドローンが長時間稼働し、効率良く作業を遂行できるシステムを提供することを目的とし、作業エリアにおいて作業を実行する複数のドローン100a、100bと、複数のドローンの位置および状態を把握し、複数のドローンの動作を決定する動作決定装置40と、が互いに接続されているドローンシステム500であって、複数のドローンは、第１作業を行う第１ドローン100aと、第２作業を行う第２ドローン100bと、を含み、動作決定装置は、第１ドローンが第１作業を完了したことを検知する作業完了検知部42と、作業完了検知部による検知に基づいて、第２作業のうち少なくとも一部を第１ドローンの次作業に決定する、再分担部44と、を備える発明が開示されている。この発明においては、複数のドローンが協調して作業ができるように、基地局を備える移動体が当該複数のドローンを搭載して現場にまで運ぶとともに、複数のドローンの動作を決定する動作決定装置40を備えるシステムとすることが説明されている。また、複数のドローンには、６軸ジャイロセンサー505や磁気センサー506，気圧センサー507，レーザーセンサー508，ソナー509等の種々のセンサー（段落［００５４］［００５５］）を備えても良いことが記載されている。
【0005】
また、特許文献３には、圃場間移動を効率良く行うことができる作業車両の制御システムを提供することを目的とし、作業車両（１）の制御システム（１００）が、測位装置（１２０）により測位しながら複数の圃場（Ｆ）を自律走行する複数の作業車両（１）と、複数の作業車両（１）それぞれの自律走行を制御する情報処理装置（１３０）と、を備え、作業車両（１）は、圃場間を移動する第１モードと、圃場（Ｆ）の出口（Ｆｏｕｔ）において第１モードへの切り替わりを待機する第２モードとを有し、情報処理装置（１３０）は、第２モードである作業車両（１）が複数存在する場合、第１モードに切り替わった場合に走行予定の走行ルートの所要時間が短い作業車両（１）から順に第１モードに切り替える技術思想が開示されている。この発明によれば、自律走行や自動走行をする作業車両が説明されているものの、オペレータはその走行状態を体感ゲーム間隔で体感できるような技術思想については一切言及されていない。
【0006】
また、下記特許文献４には、作業資材の補給を容易に行うと共に、自動走行可能な機体の制御をより簡略化できる圃場作業機を提供することを目的とする発明であって、走行可能な走行車体（１）と、自車両の位置を示す位置情報を取得する位置情報取得装置（５）とを備え、前記位置情報取得装置（５）が取得した位置情報に基づいて前記走行車体（１）を自動走行させる制御装置（３）を備えた圃場作業機において、前記走行車体（１）が走行した経路を追従すると共に、前記圃場（１００）に散布対象物を散布する散布装置（Ｘ）を設け、散布装置（Ｘ）は、走行車体（１）の進行方向に対して左右幅内に散布対象物を散布する技術思想が開示されている。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０２１－１９３８９４号公報
【特許文献2】特開２０２２－０５５３７０号公報
【特許文献3】特開２０２２－０１０８７３号公報
【特許文献4】特開２０２０－０００１８１号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
一次産業の就労は肉体労働を伴うほか、知識や豊富な経験が必要とされる。また、自然相手の産業であることから気候や天候に収穫が作用されるほか、作業施設において機械などの誤操作による労働災害などがリスクとなることから、熟練していない労働者にとっての過酷な環境下に起因する担い手となる労働者が不足してしまっている。
【0009】
特許文献１では、臭気センサで測定した気体の種類と量に関するマップ（分布図）を作成する技術思想が開示されているものの、そのような臭気マップデータを如何にして現実の作業に活用するのかについての技術思想については、従来の作業領域・方法の範囲内に留まるものである。
【0010】
特許文献２では、重量のある肥料などを１機のドローンではなく複数のドローンを使用しながら散布したり、その運行・発着を管理することが開示されているところ、害虫駆除用の農薬散布などにはドローンは使えるものの、農作業機械等の遠隔操作をサポートするため、地形や高低差を測量したり、そのデーターを３Ｄ図形化してデーターを蓄えて将来圃場内での任意箇所での自動運転に必要なデータベースを作成すること等については何ら言及されていない。
【0011】
さらに、特許文献３，４に開示される発明では、自律走行する車両の傾きや方向転換・振動、障害物・土壌の肥沃度等について、仮に電気的なデータとして各種センサーが検知してデータ取得され得るものとしても当該データをオペレータが体感できるものではない。
【0012】
本発明は上述の問題点を解することを目的とし、作業車が作業を遂行する過酷な現場環境下とは異なる空調が効いて快適なオペレータ室（操舵室）等に居ながら、作業車が現場で遭遇する環境状態のうち振動や傾き・音等についてはオペレータが体感ゲーム感覚で体感しながら、まるで現場に居るかのような感覚で、遠隔作業を遂行できる作業システムを提案することを目的とする。特に、仮想空間やＡＩを活用した農業や漁業など一次産業運営システムを提案することを目的とする。
【課題を解決するための手段】
【0013】
好ましくは労働者の身体的能力や本来時間をかけて培う経験・熟練に関係なく就労することが可能であるように、圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された圃場データに基づいて、ＡＩが圃場土壌の改良要否を判定して通知する工程と、ＡＩが前記圃場土壌の改良が必要と判定した場合に、土壌改良作業機を用いて圃場土壌の改良を行った後に作付けする工程と、を有するＡＩを用いた作付け支援方法等とする。
【発明の効果】
【0014】
本発明により、作業車が作業を遂行する過酷な現場環境下とは異なる空調が効いて快適なオペレータ室（操舵室）等に居ながら、作業車が現場で遭遇する環境状態のうち振動や傾き・音等についてはオペレータが体感ゲーム感覚で体感しながら、まるで現場に居るかのような感覚で、遠隔作業を遂行できる作業システムを提案できる。また、仮想空間やＡＩを活用した農業や漁業など一次産業運営システムを提案できる。
【図面の簡単な説明】
【0015】
【図1】本発明の圃場支援システムにおける遠隔操作可能農作業機械に対する遠隔操作の構築概念を説明する概要図である。
【図2】モニターに表示される画面と圃場の状態態様の典型例について説明する図である。
【図3】本実施形態のＡＩを用いた作付け支援方法についての概要を説明するための構成等の模式図である。
【図4】図３に示したＡＩによるスコアリングの一例を説明する概念図であり（ａ）が作物の種類・量と、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び／または天候データと、の最適関係をスコアリングで示したものであり、（ｂ）が正規化されたスコアリングをレーダーチャートで示すものである。
【図5】ＡＩが圃場の検知センサーからインターネット回線等を介して取得した圃場データと、深層学習データベースと、に基づいて最適作物・量決定部が最適作物・量を決定して出力部を介してスマートホンやパソコン等の表示部へディスプレイ表示したり音声通知する態様を説明する概念図である。
【図6】（ａ）乃至（ｃ）が他のＡＩモデルを具体的に例示する説明図である。
【図8】情報処理システムのサーバのハードウェア構成の典型例を説明する概念ブロック図である。
【発明を実施するための形態】
【0016】
本発明では、日進月歩で進化をし続けるロボット技術、ドローン技術と水や土の成分を分析する機器を一次産業生産施設で使用し、モニタリングによる管理と飼育や栽培ノウハウを有するデーターベース（ＡＩ等を含む）を用いて、仮想空間デジタル情報技術を利用しゲーム感覚でロボットやドローン等を遠隔操作するシステムを構築し、身体的能力、作業経験値や熟練度に関係なく就労することが可能とする支援システムを提案する。また、オペレータ席に着座しているオペレータによる遠隔操作での管理となる事から作業従事者の労働災害のリスクも低減する。
【0017】
例えば、生産土壌に含まれる有害物質、栄養素、ＰＨ、水分濃度、土質、在来する微生物などを生産地で分析を行い、モニタリング結果を生産基本データーとし蓄積しながら土壌の改良や作付けの品種の判定を行うものとできる。そして、判定結果に基づき異常であった場合土壌は補正計画を行うものとしても良い。
【0018】
また、土壌の改良のデーターが蓄積した場合、ＡＩによる対策や補正の提案を受けて、オペレーターは作業に着手することができる。農作業機械や水産物生産機械（ドローンを含む）に３６０度カメラ、傾斜計、振動計、ＧＰＳ、ＧＩＳ、ソナー、臭気計や温度計、湿度計、夜間作業に適した暗視カメラなどのモニタリングに必要な計装装置を備え付け、更にドローンにて地形や高低差を測量しデーターを３Ｄ（立体）化した上で農作業機械等が接地する地面を把握してからオペレーターが機械操縦を行うことを可能とする。ここで、地理情報システム（ＧＩＳ：Geographic Information System）は、地理的位置を手がかりに、位置に関する情報を持ったデータ（空間データ）を総合的に管理・加工し、視覚的に表示し、高度な分析や迅速な判断を可能にする技術である。
【0019】
また、遠隔操作される農業用機械の状態が把握できるよう傾斜や振動が体感できるようアクチュエータ等を備えるオペレーター席にリンクされ農業機械や周辺環境に異常事態の有無が把握できるよう監視することができる。またソナーにより目視ができない箇所の障害物や動物や人を感知し、危険があれば農作業機械は自動停止を行い、オペレーターに警告を通知する。
【0020】
この時、周囲の安全確認のためのドローンによる監視を行うのも良い。また、安定した作業箇所では農作業を行う機械がＡＩを搭載することで無人で動作するとも可能であり、この場合、有人オペレーター操作の運行記録を蓄積させてＡＩに操縦操作を学習させる。ドローンは農業機械と一体化された充電施設からの離発着により、長時間の運行が可能となる。更に作付けの種や苗の運搬、収穫した作物の運搬にドローンを活用し、人的労力の削減を行う事で、就労者の労力を削減する。
【0021】
通信システムについては第五世代移動式通信など高速回線を使用し、このシステムを活用し農耕地の耕し、植付けや種まき、メインテナンス、収穫や収集作業を行うことで担い手の少ない農業などの一次産業への就労の推進を図るものとする。
【0022】
上記支援システムは農業、漁業、建設業、災害復旧時の人が入れない場所への作業や競技などのエンターテインメントゲームなどに広範囲に使用することができる。例えば、水産物養殖場の水に含まれる有害物質または栄養素またはＰＨまたは塩分濃度または水質または在来微生物の少なくともいずれか一つの水産物養殖場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された水産物養殖場データに基づいて、ＡＩが水産物養殖場水質の改良要否を判定して通知する工程と、ＡＩが水産物養殖場の水質改良が必要と判定した場合に、水質改良作業機を用いて水産物養殖場水質の改良を行った後に水産物の養殖を開始または再開する工程と、を有するＡＩを用いた水産物養殖の支援方法として展開することも可能である。ここで、水質改良作業機とは、漁船やボートに水質改良剤散布機械を搭載して実現することも可能であるし、養殖場に隣接して設置された水質改良剤散布装置とすることも可能である。水質改良剤とは、塩素を除去する活性炭であっても良いし、カルキ抜きであっても良いし、各種中和剤やゼオライト・ヤシガラ・粉末貝殻等の各種吸着剤であってもよいし、サンゴや多孔質の微生物定着を促す岩石等のバルク固体であっても良い。また、薬剤等の散布をするのみではなく、養殖場の水を吸い上げて物理ろ過や生物ろ過や各種吸着作用を施したのちに養殖場に戻すような水質浄化装置であっても良い。
【0023】
臭気の分析には、例えばガスクロマトグラフィー等の検査機を使用してソフトウェアを通して分析した結果をデーターベース化してＡＩが判断するものとしても良い。しかし、臭気分析は公知の光による分析としてもよく、土壌成分分析は作物の連作などの再現性には重要である。
【0024】
また、農作業機械等の遠隔操作をサポートするため、地形や高低差を測量したり、そのデーターを３Ｄ図形化してデーターを蓄えて将来圃場内での任意箇所での自動運転に必要なデータベースを作成するものとしても良い。
【0025】
また、労働者の身体能力に拘泥されることなく、例えば車いすに乗る障害者が遠隔操縦で農作業を行うことができるものとすれば、身障者が農場を経営することが可能になることが期待でき、農作業車が無人運転の時もありますが、オペレータ席でのコックピットの中で有人遠隔操作としても良い。
【0026】
図１は、本発明の圃場支援システムにおける遠隔操作可能農作業機械１５００に対する遠隔操作の構築概念を説明する概要図である。管理建屋や管理棟やオペレータ建屋の中に設けられたオペレータ室には、オペレータ席１６００が設置されており、オペレータコックピットのオペレータ１７００がモニター１３００を見ながら、遠隔操作可能農作業機械１５００を無線遠隔操縦できるように構成されている。モニター１３００には、遠隔操作可能農作業機械１５００が備える３６０度カメラの映像等が好ましくは３Ｄで描写されるものとできる。
【0027】
オペレータコックピットには、予めドローン１１００が測定した地形図や土壌の凹凸や遠隔操作可能農作業機械１５００が備えるモニタリング計装装置１５５０で検知した振動や音や加速度・傾斜・臭気等の環境データに基づいて、遠隔操作可能農作業機械１５００の動作状態・動作環境の少なくとも一つ以上の状態をリアルタイムでオペレータに体感的に伝えることが可能に構成されている。すなわち、オペレータ１７００は、ゲーム感覚でありながらモニター１３００を見ながら遠隔操作可能農作業機械１５００の遠隔操作を現実に実行することができるものとする。
【0028】
オペレータコックピットの態様については、従来公知の運転シミュレータや運転シミュレータゲームに近い態様であるものの、一方でオペレータ１７００の操作に基づいて、圃場等の現場では現実に遠隔操作可能農作業機械１５００が操縦されて作業可能に構成されており、さらに当該現場の例えば振動や加速度がリアルにオペレータコックピットに反映されるものとなるよう、オペレータコックピットはアクチュエータ等を備えるものとする。オペレータコックピットは、体験アミューズメントパークの３Ｄ映像乗り物アトラクションや３Ｄ体験映画館における仕組み構成の一部又は全部を採用することとしても良い。さらには、ＭＲ（Mixed Reality／複合現実）やＶＲ（Virtual Reality／仮想現実）やＡＲ（Augmented Reality／拡張現実）の公知の技術を適用乃至応用した操作方法とすることもできる。例えば、オペレータ１７００の身体の任意箇所に電極を貼付してその電気信号からオペレータ１７００の動作意図を読み取り、現実の遠隔操作可能農作業機械１５００の操作へその意図を反映させるものとできる。
【0029】
また、図２は、モニター１３００に表示される画面と圃場１０００の状態の典型的態様例について説明する図である。図２に示すように、圃場１０００において遠隔操作可能農作業機械１５００の一例であるトラクター１０９０がＧＰＳや例えばモニタリング計装装置１５５０を備えて遠隔稼働される。トラクター１０９０が収集した圃場データは別途の管理塔等に備えられるＡＩ１０８０に無線送信してデータ蓄積されるとともに、蓄積された圃場データ１０１０に基づいて、土壌改良の要否や作付けに適した作物・作付けに適した時期等がＡＩ１０８０で判断される。
【0030】
一方、圃場１０００の上空をドローン１１００が飛行して３Ｄ地形データを収集し、当該データを無線でＡＩ１０８０に送信し、ＡＩ１０８０に３Ｄ地形データ１２００が蓄積される。ＡＩ１０８０は、蓄積した３Ｄ地形データ１２００とトラクター１０９０のカメラから送られてくる映像とから、モニター１３００上に、まるで仮想空間であるかのように３Ｄ映像として、トラクター１０９０に現実に乗車しているかのような視野映像を作成する。オペレータ１７００にはまるで仮想空間であるかのように体感される映像であるが、現実のトラクター１０９０の前方にある岩や圃場１０００の凹凸や状態及び周囲環境が忠実に反映された３Ｄ映像が、モニター１３００に映し出されるものとする。
【0031】
作物１０５０は、ＡＩ１０８０が判断した最適作物をトラクター１０９０等の農作業機で植え付けるものとしても良く、予め作付けが決まっている作物１０５０をＡＩ１０８０の最適作付け時期の提示に基づいて作付けするものとしても良い。図２において、１３００（１），１３００（２）はモニター１３００に表示される３Ｄ映像の一例をそれぞれ示すものである。
【0032】
モニター映像１３００（１）では、圃場１０００の全体状態とトラクター１０９０の位置と岩の位置などその場に居合わせるかのようなリアル映像が、ＡＩ１０８０により作成・表示されている。また、モニター映像１３００（１）では、圃場１０００の全体状態のみならず背景の山々や池等も含めた広い視野角で、岩の位置と背景の位置関係も含めてトラクター１０９０に乗車しているかのようなリアル映像が、ＡＩ１０８０により作成・表示されている。また、モニター映像としては、３６０度カメラ１４００に対応して、図示していないが３６０度モニターとしてオペレータ１７００の周囲頭上に配置してもよい。例えば、プラネタリウムのようにオペレータ１７００の周囲・頭上に３６０度カメラ１４００から観察できる全ての景色が３Ｄで表示されるようにしてもよい。オペレータ１７００は、現実にはオペレータ席１６００に着座しながら、あたかもトラクター１０９０や遠隔操作可能農作業機械１５００に乗車しているかのような視野を前後左右頭上の半球状に得られるものとなる。このようなドーム型シアターやドーム型モニターをオペレータ席１６００の周囲に備えるものとしても良い。
【0033】
本発明のＡＩを用いた作付け支援方法は、圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された圃場データに基づいて、ＡＩが圃場土壌の改良要否を判定して通知する工程と、ＡＩが圃場土壌の改良が必要と判定した場合に、土壌改良作業機を用いて圃場土壌の改良を行った後に作付けする工程と、を有することを特徴とする。
【0034】
これにより、取得されて好ましくは蓄積圃場データにより、作付けに最適な土壌であるか否かがＡＩにより判定されるので極めて迅速かつ信頼性の高い作付けが可能となる。従来、作業者が土壌の状態を把握して直感も含めた判断を行っていたところ、好ましくは過去の作付け・収穫の実績データ等も含めて最も状態の良い圃場の土壌状態をＡＩが判断することも可能となる。ＡＩは作付けするその年と季節の天候（気温や風の強弱・向き等を含む）や天気予報を勘案して判断することとしても良い。
【0035】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが圃場土壌の改良要否を判定する工程において、ＡＩは圃場土壌で作付けする作物の種類を勘案して判定することを特徴とする。作付けする作物の種類や量によって、最適な土壌状態は異なるものと考えられる。このため、ＡＩが圃場土壌の改良要否を判定する場合に、予め入力設定された作付け予定作物の種類や量を勘案して判断するものとできる。
【0036】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが圃場土壌の改良要否を判定する工程に替えて、ＡＩは、ＡＩに蓄積された圃場データに基づいて、圃場土壌での作付けに最適な作物の種類を決定して通知し、通知に基づいて作付けする工程を有することを特徴とする。作付けする作物が予め決まっておらず、土壌状態を見極めてから最適な作物を作付けすることを企図する場合も考えられる。このため、ＡＩは現実の圃場土壌の状態を圃場データに基づいて把握し、その土壌状態に最適な作物の作付けを提案するものとできる。この場合に、ＡＩはその年の気候や天気予報と共に作付け時期のデータを考慮して作付け作物を提案するものとしても良い。
【0037】
また、本発明の圃場作業支援システムは、ドローンが測量した圃場の地形と高低差との地図データを受信して３Ｄ表示するモニターと、全方位カメラと、傾斜計と、振動計または／及び加速度センサと、ＧＰＳとＧＩＳと、ソナーと、ジャイロと、臭気計と、温度計と、湿度計と、暗視カメラと、音響マイクとを少なくとも含むモニタリング計装装置を備え、圃場に配置される遠隔操作可能農作業機械と、モニタリング計装装置から送信されるデータに基づいて、遠隔操作可能農作業機械の位置と向きとをリアルタイムで３Ｄ表示された地図データに示すモニター、を視認可能に配置されるとともに、遠隔操作可能農作業機械の振動または／及び加速度と、騒音と、傾きとをリアルタイムで反映するように、少なくとも複数のアクチュエータとスピーカとを備えるオペレータ席と、を備え、遠隔操作可能農作業機械は、オペレータ席に着席するオペレータによって遠隔操縦されるように構成されることを特徴とする。
【0038】
オペレータ席は、遠隔操作可能農作業機械から離間した管理建屋等のオペレータ室に設けるものとできるので、遠隔操作可能農作業機械の作業現場の土埃や危険から回避しながら、リアルに限りなく近い体感遠隔操縦を実行することが可能となる。良く知られいてる体感ゲームや体感シミュレーション等においては、オペレータが画面（３Ｄ含む）を見ながら現実に操作しているかのような振動や音や加速度等をオペレータ席で体感できるように構成されているが、オペレータとしてはそのような操縦状態でありながら当該操縦によって現実のリアルの遠隔操作可能農作業機械が現実の圃場において遠隔操縦されることとなる。例えば、従来 農作業等が困難であって身体障害者等であってもオペレータ席に着席さえできればゲーム感覚で遠隔操縦することも可能となり、バリアフリーな作業環境を実現することも可能である。
【0039】
また、本発明の支援方法は、圃場作業支援システムを用いた支援方法において、オペレータ席に着席するオペレータが、モニターを視認しながら、かつ遠隔操作可能農作業機械の状態のうち、振動または／及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の遠隔操作可能農作業機械を遠隔操作する工程を有することを特徴とする。
【0040】
また、本発明のＡＩ判断に基づく圃場作業方法は、上述したいずれかに記載の作付け支援方法による土壌改良または作付けにおいて、上述のオペレータがモニターを視認しながら体感する体感シミュレーションゲーム感覚での遠隔操作の支援方法を用いることを特徴とする。これにより、圃場現場に居合わせることなく、遠隔で操作・操縦をするものとしながら、現場の遠隔操作可能農作業機械に乗車等してその場操縦しているようにアクチュエータ等で作成された環境下で遠隔操縦を遂行できるものとなる。ＡＩ（人工知能）は他のデータべースや制御部や通信部・モニター表示部等とともに管理塔やオペレータ室等が設置される建屋に設けるものとしても良い。
【0041】
一般に圃場現場においては、例えば予期せぬ毒蛇や害獣・害虫（蚊やアブやカメムシ等々）に出くわしたり、予期せぬ雷雨が発生したり、遠隔操作可能農作業機械の不具合や操縦ミス等による暴走や転倒が生じるリスクと常に隣り合わせである。さらには、真夏の炎天下での作業や真冬の氷点下での風雪内での作業など極めて過酷な環境下となる場合も少なくない。人にとって不可欠な飲料水の補給をしようにも、近くに飲料用水場が存在しないケースもあり、飲料水や食事や簡易トイレ等を別途持参したり麦わら防止を被ったり防寒着を着込んだりといった対応も必要となる。
【0042】
このように圃場や農場・田畑や牧場等々の屋外は、ビルや建屋内のような人に快適かつ優しく必要な設備が安定的に整っている人工的な環境とは異なり、時には極めて厳しい環境条件を突きつけられることもある。そして、そのような過酷な現場で一定程度の時間だけ作業継続が可能な人も、健康である等の人に限られてしまうことも考えられる。管理建屋等のオペレータ室に設けられたオペレータ席にオペレータが着席するだけで、目前の３Ｄモニターを視認しながら、かつ遠隔操作可能農作業機械の状態のうち、振動または／及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の遠隔操作可能農作業機械を遠隔操作することができるので、上記した過酷な外部自然環境から解き放たれてオペレータとして遠隔操縦できる人の幅が広がるバリアフリーにも繋がるものとする。オペレータが体感する振動等の強度は、アクチュエータ等の動作強弱レベルを設定変更することで任意に調整可能とすることが好ましい。これにより、遠隔操作可能農作業機械に現実に乗車等しなくても、乗車等しているかのような体感で、かつオペレータに危害が加わらない程度の調整された体感で、ゲーム感覚で遠隔操縦を可能にする。オペレータの熱中症や低体温症なども防ぐことができる。
【0043】
また、本発明の圃場作業支援システムは好ましくは、上述した圃場作業支援システムにおいて、遠隔操作可能農作業機械は、進行方向の目前にモニタリング計装装置により障害物または動物が検知された場合には自動停止するとともに、オペレータに通知することを特徴とする。これにより、オペレータ席のオペレータが気付かないような障害物であってもこれと衝突して遠隔操作可能農作業機械が破損することや事故の発生を自動的に抑止できる。障害物は木や岩などの自然物であっても良く、コンクリート塊や廃タイヤ・鉄筋等の人工物であってもよく、人や動物等の生物であっても良い。
【0044】
また、本発明の運搬方法は、上述のいずれかに記載の作付け支援方法を用いて作付けした後収穫された作物の運搬方法において、ドローンを用いて作物を運搬することを特徴とする。これにより、運搬スピードが上がって運搬効率が増大するとともに、より新鮮な作物を痛めることなく目的地まで届けることが可能となる。路面を走行する運搬車等を利用した運搬に比較すると、ドローンで空中を運搬すれば、畝や石や路面凹凸など路面状態の影響を受けないので振動や衝撃が比較的少なく、果物や野菜等の作物を痛める懸念が少ない。ドローンには小型カメラを実装することも好ましい。さらに、圃場の近隣に駐車した農業機械と一体化された充電施設により充電することも可能であるため、充電の為の行程も最小限とすることができる。ドローンを利用した収穫のみではなく、資材や薬剤の補充についてもドローンの有人遠隔操作で行うこととしても良い。
【0045】
また、本発明の運搬方法は、上述した運搬方法において、ドローンは充電設備を備える農作業機械から離発着することを特徴とする。これにより、圃場近隣にまで自走した農作業機械において充電できるとともに、ドローンへの積込みまでの移動距離を最短にして短時間で積見込み開始することが可能となる。この農作業機械は遠隔操作可能農作業機械として、オペレータ席のオペレータがドローンと共に遠隔操作できるように構成することも好ましい。
【0046】
また、本発明の圃場作業支援システムは、上述の圃場作業支援システムにおいて、遠隔操作可能農作業機械はＡＩを備え、有人操作された場合にモニタリング計装装置取得されたデータを予め蓄積し、蓄積したデータに基づいて、ＡＩがオペレータによる操縦をアシストするか自動操縦をすることを特徴とする。これにより、ＡＩが圃場の作業現場に位置する遠隔操作可能農作業機械内に実装されるものとなるので、ＡＩに蓄積されるデータや各種センサーにより取得される環境等データに基づくＡＩの判断が、より迅速かつ的確に行えるものとなる。通信インフラが何らかの理由により障害を受けたような場合であってもＡＩの学習及び判断それ自体は障害を受けることなく安定継続して行い得る。
【0047】
本発明のＡＩを用いた作付け支援方法は、図３等に典型例として示すように、作物の種類または／及び量ごとに適する圃場データの最適値４を予め有するＡＩ１を用いた作付け支援方法であって、作付け対象の圃場２の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データ３をＡＩ１が取得する工程と、前記ＡＩ１が、取得した前記少なくともいずれか一つの圃場データ３及び前記予め有する前記圃場データの最適値４、に基づいて、前記圃場土壌での作付けに最適な作物の種類または／及び量１２を決定して通知する工程と、を有する作付け支援方法とすることを特徴とする。
【0048】
図３は、本実施形態のＡＩを用いた作付け支援方法についての概要を説明するための構成等の模式図である。農夫や農家の所有する圃場２には、圃場データ３を取得するための各種センサー類が実装された検知センサー９が配置されており、検知センサー９は例えば、圃場２の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つを取得する。検知センサー９に替えて、圃場２での各種作業のために投入されたトラクターや耕運機等の作業機械１０及び／またはドローン１１に実装された各種センサー類を用いて、上記した圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つを取得するようにしても良い。
【0049】
圃場２から取得された圃場データ３は、インターネット回線等を介してＡＩ（人工知能）１へと提供される。ＡＩ１は、深層学習データとして、作物の種類毎の最適な圃場データや最適な天候データを深層学習データ４等として保有しているものとし、さらには作物の量とそれら最適な圃場データや最適な天候データとの関係についても深層学習データ４等として保有していることが好ましい。
【0050】
このため好ましい態様にあっては、気象庁７などの天候予測機関や気候変動予測機関がスーパーコンピュータや量子コンピュータ等を適宜用いて作成した長期・短期・及び任意期間の予測シミュレーションに基づいた、当該圃場２を含む地域の天候予測データ８についてもまた、ＡＩ１へと提供されるものとする。天候予測データ８には、圃場２またはそれを含む周辺地域への雨量や気温・日照量・風速・風向き・霜／雪有無やその量・台風／ハリケーンの襲来有無やその大きさ程度などの各種自然気象に関する予測情報が含まれることができる。
【0051】
ＡＩ１では、上述した各種提供された情報であるところの圃場データ３及び／または天候予測データ８と、深層学習データ４と、に基づいて、当該圃場２において現時点で栽培・育成するのに最適と思われる作物やその量を抽出する。このような抽出にはスコアリング１２を用いるものとしても良い。作物を育成するには、複数の要件や要因が複雑に絡み合って種々の環境要因から適否が決定されるものとなる。このため、最も確からしい最適作物をＡＩ１が抽出して農夫や農家に提示・提案するものとできる。ＡＩ１によるこのような提案は、パソコン５へ表示したりスマートホン６へ表示したり音声で発音させるなどして通知することもできる。
【0052】
図４は、図３に示したＡＩ１によるスコアリング１２の一例を説明する概念図であり（ａ）が作物の種類・量と、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び／または天候データと、の最適関係をスコアリングで示したものであり、（ｂ）が正規化されたスコアリングをレーダーチャートで示すものである。図４（ａ）に示すように、作物の種類毎や育成栽培量毎に、最適な気温・気候や土質・ＰＨ値・水分などがそれぞれ異なるものであるから、現実のその時の圃場２の状態を示す圃場データ３等に基づいて、ＡＩ１が最適な作物とその量を抽出して提案するものとする。
【0053】
また、図４（ｂ）に示すように、圃場２から取得された圃場データ３と、各作物の最適圃場データと、をそれぞれレーダーチャートに表して、両者の重複面積が最大となる作物を、その時点の圃場２の育成栽培の最適作物としてＡＩ１が抽出して提案するものとしても良い。
【0054】
また、図５は、ＡＩ５１が圃場の検知センサー５９からインターネット回線等を介して取得した圃場データ５３と、深層学習データベース５４と、に基づいて最適作物・量決定部５２が最適作物・量を決定して出力部５５を介してスマートホンやパソコン等の表示部へディスプレイ表示したり音声通知５６する態様を説明する概念図である。
【0055】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩがさらに、作物の種類または／及び量ごとに適する最適天候データを予め有し、圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程はさらに、任意の天候予測機関から提供される圃場を含む所定地域の将来の天候予測データと、予め有する最適天候データと、に基づいて決定して通知されることを特徴とする。
【0056】
図３にも説明しているが、ＡＩ１は作物の種類・量毎の最適天候データを深層学習データ４として有していてもよく、天候予測データ８に基づいて、これから育成・栽培するのに最適な作物の種類や量を提案できるものとする。
【0057】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが取得する圃場データは、圃場に配置された検知センサーによって取得されて、インターネット回線を介してＡＩに提供されることを特徴とする。本件技術思想は、インターネット回線を介することに限定されるものではなく、各種の公知の無線通信やデータ移行・伝達方法を利用して情報流通を可能とするものとできる。
【0058】
また、本発明のＡＩを用いた作付け支援方法は、好ましくは検知センサーは、圃場２に配置された任意の作業機械１０またはドローン１１に搭載された検知センサーであることを特徴とする。圃場２に固定設置された検知センサー９のみならず、任意に移動や走行・飛行が可能なトラクター・耕運機等の作業機械１０やドローン１１に検知センサーを搭載・実装させるものとしても良い。
【0059】
また、本発明のＡＩを用いた作付け支援方法は、好ましくは作業機械は、トラクターまたは耕運機またはコンバインのいずれかであることを特徴とする。作業機械１０はトラクターまたは耕運機のみならず公知のコンバインであっても良い。
【0060】
また、本発明のＡＩを用いた作付け支援方法は、好ましくは圃場を含む地域の将来の天候予測データは、作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データであることを特徴とする。作物の育成・栽培期間は主として植え付けまたは芽吹きから収穫までの期間であることが多いが、この期間における天候が充分な実りに関連して非常に重要となるケースがある。このため、ＡＩ１がこの期間の予測天候データを取得して、その予測天候に対応して作物を決定することも有用である。例えば、昨年度に圃場２において育成して収穫した作物があったとしても、予測天候によっては本年は昨年と同一作物は適さないという場合もあり得るし、昨年から今年の間に自然災害等によって圃場データが全く異なるものとなってしまう場合も想定される。従って、最新の圃場データを取得してその時点における最適育成作物の種類や量を新たに決定することは好ましいものとなる。
【0061】
また、本発明のＡＩを用いた作付け支援方法は、好ましくは圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含むことを特徴とする。風の向きや風速は、時に作物の成長や育成・実り等に大きな影響を与えることが知られている。例えば、大型台風が予期せぬほど多数襲来することにより、海風が強くなり塩害が発生する懸念も生じる。このような事態が予め予想される場合には、塩害や風に強い作物を育成するようにＡＩが提案することも可能となる。
【0062】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩがさらに、圃場の地形データを予め有するものとし、圃場を含む地域の将来の天候予測データが予測風速・風向きを含む場合に、ＡＩは、圃場土壌での作付けに最適な作物の種類または／及び量を決定して通知する工程において、予測風速・風向きに対応して、該風速や風向きの作物への影響が最少となるような、圃場における作付けの向きと位置と、を提示することを特徴とする。当該圃場を含む地域全体としての風速や風向きが予測されていたとしても、圃場２周辺の特有の地形によっては圃場２における風速や風向きが特有の値となる場合も想定される。ＡＩにおいては、地形データを有することもできるので、例えば３Ｄ地形データ等に基づいて圃場２における特有の気候予測を判断したり、植え付け育成に最適な植え付け整列方向や向き・位置等を提案するものとできる。例えば、北風が例年よりも強い日が多いと天候予想される場合には、北風が比較的弱くなるような圃場２の北側に存在する建物や丘・大木・山の影となる圃場２内の該当箇所において、より多くの作物を配置するようにＡＩが提案しても良い。
【0063】
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが予め有する圃場の地形データは、圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データであることを特徴とする。圃場２の３Ｄ地形データは作業機械やドローンに実装された３Ｄカメラ等によって現場から取得するものとしても良い。
【0064】
また、図示はしていないが、本発明のＡＩを用いた作付け支援方法は、ＡＩを用いた育成漁業支援方法として適用・展開することも可能である。例えば、圃場データの代わりに養殖海域の海水の塩分や植物プランクトン・植物プランクトン・有害プランクトン濃度（赤潮や青潮の原因となる）、有害物質等含有有無とその濃度、有機リン等の栄養分の濃度等を養殖漁場データとして取得したり、ＡＩが予めそのような養殖漁場データと魚種や養殖量との関係性を示すデータとして保有し蓄積しても良い。そして、天候予測データに加えてまたはそれに替えて、海洋海流データやエルニーニョ現象やラニーニャ現象やその他地球規模での海洋や海流のデータに基づいて、養殖漁場の領域を含む近海の海流や海水温やその他環境要因を予測して最適魚種・量をＡＩが提案するものとできる。昨今 海洋における海流の変化や海流位置の変動・蛇行がマクロ気候と密接に関係していることが知られてきていることから、そのような海流のデータを利用して天候や養殖領域の海の周辺環境の将来予測をし、それに基づいて最適魚種をＡＩが提案することとしても良い。
【0065】
典型的には、海水温の変化や海流のコース変動・蛇行でマグロやサンマ・サバ等の回遊魚の回遊ルート・コースが大きく影響を受けることが知られている。すなわち、魚種によって最適な好ましい海水温度・海水特性が異なってくるので、養殖領域の海水温等の将来予測（この場合の将来は養殖期間に相当することが好ましい）に基づいて、その予測海水温等に適切な魚種をＡＩが提案するものとしても良い。また、例えば養殖のカキなどは有機物の豊富な河口近辺の比較的岸に近い沿岸部で養殖するほうが、より透明度の高い清浄な陸地から離れた沖海で養殖するよりも、成長も早くてより大きくなり身入りや味も良い事が知られている。川からの有機栄養分や富栄養化の程度・供給量などは、その年の川の上流近辺の雨量や環境状態等によっても異なってくることが考えられるが、当該海水特性を含む養殖漁場データを検知センサー等により取得することで、その年の養殖に最適な素材や種類をＡＩが提案しても良い。
【0066】
（スコアリング（点数付け）と作付け量（植え付け量／作付け密度）について）
作物の種類・量と、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び／または天候データと、の最適関係をスコアリングする場合の関係式は具体的には例えば下記のように計算しても良い。
作物の種類・量と、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び／または天候データと、の最適関係をスコアリングする場合の関係式は具体的には例えば下記のように計算しても良い。
【0067】
［作物と土壌の関係］
【表1】
【0068】
［主要作物の土壌診断基準（農林水産省ＨＰより一部抜粋）］
【表2】
【0069】
例えば具体例として大豆であれば、その育成土壌として有害物質（Ａ）はゼロ、上記表に例示するように窒素生成量（Ｂ）１ｍｇ、非火山灰砂質土壌でＰＨ（Ｃ）６．０－６．５、水分率（Ｄ）８％、在来微生物（Ｅ）は乳酸菌・放線菌・納豆菌（ＰＨを高くする効果がある）・光合成細菌が適正であるとされている。しかし、糸状菌（麹カビなど）は作付け・育成段階では土壌中の含有は不適切とされている。また、最適育成温度（Ｆ）が２５℃であり、その圃場での育成に最適な雨量（Ｇ）は月間１５０ｍｍであったとする（雨量は多すぎると根が腐る場合がある一方少なすぎても育成に悪影響を及ぼす）。
【0070】
一方、現実に測定した圃場の土壌等データ及び天候予測による作物育成期間の気候データが、先の最適な基準値から、例えば１０％以内のずれであれば１０点、１０～２０％以内のずれであれば５点、２０～３０％以内のずれであれば２点、４０％以上のずれであれば０点とし、有害物質が含まれていれば－５０点、在来微生物（Ｅ）については糸状菌（麹カビなど）が含まれていれば－１０点、乳酸菌・放線菌が含まれていれば１０点、納豆菌が含まれていれば５点とし、その時点の圃場に点数（スコアリング）を付与することができる。
【0071】
例えば、現実の圃場データとして有害物質（Ａ）はゼロ、窒素生成量（Ｂ）１ｍｇ、非火山灰砂質土壌でＰＨ（Ｃ）６．２、水分率（Ｄ）８．９％、在来微生物（Ｅ）は乳酸菌のみが含まれ、この先の予想天候データ（例えば気象庁より入手）として気温（Ｆ）が２３℃であり、予想月間雨量（Ｇ）は１７０ｍｍであったとする。
【0072】
圃場スコア＝（Ａ）はゼロ＋窒素生成量（Ｂ）１０点＋非火山灰砂質土壌でＰＨ（Ｃ）１０点＋水分率（Ｄ）５点＋在来微生物（Ｅ）１０点＋気温（Ｆ）１０点＋予想月間雨量（Ｇ）５点となり大豆の作付け育成についてはそのスコアが合計５０点と算出できる。
【0073】
このように複数の作物についてスコアリング（点数付け）を行って、最も合計点数の高い作物を最適作物として抽出して作付けするようにＡＩが提案・提示したりするものとしても良い。もちろん、ＡＩではなくてもこのような算出が可能な演算装置があればそれを用いても良い。そして、作物の種類毎に植え付け密度（例えば植え付け間隔など）をどの程度とすることが好ましいのかは、日照に対する嗜好性や病気に対する耐性等々種々の作物特性と土壌特性等とに基づいて、アグリカルチャーの当業者間では一般に広く提案されて知られているところである（具体的にはジャガイモの場合では種芋を３０ｃｍ間隔で植え付けることが推奨されている）から、当該作物の種類決定に応じて作付け密度、すなわち圃場面積に応じた “作付け量” を算出してＡＩ等が提案・提示するものとしても良い。作物の量とは具体的には、例えば作付け時点における該当圃場に植え付ける植え付け対象物の重量（種や苗の重さ）や苗木本数（例えば果樹苗木や苗の本数）や個数（例えば種芋の個数）等である。
【0074】
田畑の面積は何アールとか何ヘクタール等として一般には予め既に把握・認識されていることが常識であるので、圃場面積と作付け密度によって植え付け量は容易に算出できるものである。そして、上記したスコアリングにおいて、（Ａ）～（Ｇ）等の中でリアルデータが得られない項目または作物に最適なデータが存在しない項目については、ニュートラル中間点数として当該項目に５点を付与するものとしても良い。上記したＡＩによる計算等については、従来公知に演算装置例えばパソコンや各種サーバーや（ニューラル）ネットワークコンピュータやファジーコンピュータ、さらにはスーパーコンピュータや量子コンピュータ等によって実現可能で演算できる場合にはそれらのうち任意の機械・装置を用いることとしても良い。
【0075】
（ＡＩについての詳細な具体的例示説明１）
また、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び天候予測データから、好ましい植え付け作物の種類及び植え付け量（植え付け密度）を導き出すには以下の手法を採用しても良い。すなわち、マシンラーニングアルゴリズム、例えば回帰分析、決定木分析などを用いて、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）と天候データと植え付け作物の生育量との関係をモデル化することができる。また、このモデルを使用して、圃場・天候データから好ましい植え付け作物の種類と植え付け量（植え付け密度）を予測することも可能である。
また、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）及び天候予測データから、好ましい植え付け作物の種類及び植え付け量（植え付け密度）を導き出すには以下の手法を採用しても良い。すなわち、マシンラーニングアルゴリズム、例えば回帰分析、決定木分析などを用いて、圃場データ（有害物質・栄養素・ＰＨ・水分・土質・在来微生物）と天候データと植え付け作物の生育量との関係をモデル化することができる。また、このモデルを使用して、圃場・天候データから好ましい植え付け作物の種類と植え付け量（植え付け密度）を予測することも可能である。
【0076】
通常、作物の生育に影響する多くの要因を考慮し、データマイニング技術、統計学的手法、マシンラーニングアルゴリズムを使用して、作物と圃場・天候データとの関係をモデル化し、このモデルを使用して、各要因が作物の生育にどの程度の影響を与えるかをスコアリングすることも可能である。
【0077】
このようなモデル化の具体例としては、以下のような手法を利活用しても良い。
１、多元回帰分析：この方法は、作物の生育に影響する複数の要因と、作物の生育量の間の関係を決定するために使用されることができる。
２、データマイニング：この方法は、大量のデータからパターンとトレンドを見つけ、作物と圃場・天候データとの関係を予測するために使用されることができる。
３、決定木分析：この方法は、作物の生育に影響する複数の要因を考慮し、作物の生育量に対する予測結果を得るために使用されることができる。
４、ランダムフォレスト：この方法は、複数の決定木モデルを組み合わせて、作物と圃場・天候データとの関係を予測するために使用されることができる。
１、多元回帰分析：この方法は、作物の生育に影響する複数の要因と、作物の生育量の間の関係を決定するために使用されることができる。
２、データマイニング：この方法は、大量のデータからパターンとトレンドを見つけ、作物と圃場・天候データとの関係を予測するために使用されることができる。
３、決定木分析：この方法は、作物の生育に影響する複数の要因を考慮し、作物の生育量に対する予測結果を得るために使用されることができる。
４、ランダムフォレスト：この方法は、複数の決定木モデルを組み合わせて、作物と圃場・天候データとの関係を予測するために使用されることができる。
【0078】
上記例示に拘わらず、作物の生育に影響する要因の数や複雑さ、データの質に応じて異なる手法が適用されるものとしても良い。例えば、決定木分析を用いて作物の生育に影響する複数の要因を考慮し、作物の生育量に対する予測結果を得るために、決定木分析を使用するには以下の手順を踏むものとしても良い。
【0079】
１、データの前処理：作物の生育量や圃場・天候データなどを含むデータセットを準備し、不要なデータを削除し、欠損値を埋める処理を行う。
２、目的変数と説明変数の決定：作物の生育量を目的変数、圃場・天候データを説明変数として決定する。
３、決定木のモデル構築：決定木のアルゴリズムを使用して、目的変数と説明変数の関係をモデル化します。このとき、最適な決定条件を決定するために、樹を分割し続ける。
４、決定木の評価：決定木のモデルを評価するために、交差検証やホールドアウト検証などの手法を使用する。
５、予測の実施：構築した決定木モデルを使用して、作物の生育量に対する予測結果を得る。
２、目的変数と説明変数の決定：作物の生育量を目的変数、圃場・天候データを説明変数として決定する。
３、決定木のモデル構築：決定木のアルゴリズムを使用して、目的変数と説明変数の関係をモデル化します。このとき、最適な決定条件を決定するために、樹を分割し続ける。
４、決定木の評価：決定木のモデルを評価するために、交差検証やホールドアウト検証などの手法を使用する。
５、予測の実施：構築した決定木モデルを使用して、作物の生育量に対する予測結果を得る。
【0080】
このように、決定木分析を使用することで、作物の生育に影響する複数の要因を考慮し、作物の生育量に対する予測結果を得ることができる。決定木アルゴリズムは、通常、再帰的な方法で構築され、アルゴリズムは、以下の手順に従うものとしても良い。例えば、決定木のアルゴリズムは、
【0081】
１、ノードの選択：最初に、根ノードを選択する。
２、説明変数の選択：根ノードでは、目的変数と最も相関の高い説明変数を選択する。
３、根ノードの分割：根ノードを分割するために、説明変数の値に基づいて、サブノードを作成する。
４、各サブノードの再帰的な処理：各サブノードで同じ手順を繰り返す。
５、終了条件：各ノードに対して、終了条件が満たされた場合、そのノードにクラスラベルを割り当てる。
このように、決定木アルゴリズムは、説明変数の値に基づいて、目的変数を予測するためのモデルを構築する再帰的な手法として用いることができる。
２、説明変数の選択：根ノードでは、目的変数と最も相関の高い説明変数を選択する。
３、根ノードの分割：根ノードを分割するために、説明変数の値に基づいて、サブノードを作成する。
４、各サブノードの再帰的な処理：各サブノードで同じ手順を繰り返す。
５、終了条件：各ノードに対して、終了条件が満たされた場合、そのノードにクラスラベルを割り当てる。
このように、決定木アルゴリズムは、説明変数の値に基づいて、目的変数を予測するためのモデルを構築する再帰的な手法として用いることができる。
【0082】
作物の生育量を目的変数、圃場・天候データを説明変数として両者の関係をモデル化するために、決定木アルゴリズムを使用する場合、作物の生育量を目的変数（ｙ）、圃場・天候データを説明変数（ｘ）として、両者の関係をモデル化することができる。
【0083】
１、訓練データセットの準備：訓練データセットには、圃場・天候データ（ｘ）と作物の生育量（ｙ）を含むものとする。
２、説明変数の選択：分析する説明変数を選択し、圃場・天候データの指標、例えば温度、湿度、日照時間、ｐＨ値、土質などを含むものとする。
３、決定木のトレーニング：決定木アルゴリズムを使用して、目的変数と説明変数の関係をトレーニングする。
４、予測：トレーニングされた決定木モデルを使用して、新しい圃場・天候データを入力すると、作物の生育量の予測結果が得られる。
このように、決定木アルゴリズムを使用することで、作物の生育量と圃場・天候データとの関係をモデル化することができる。
２、説明変数の選択：分析する説明変数を選択し、圃場・天候データの指標、例えば温度、湿度、日照時間、ｐＨ値、土質などを含むものとする。
３、決定木のトレーニング：決定木アルゴリズムを使用して、目的変数と説明変数の関係をトレーニングする。
４、予測：トレーニングされた決定木モデルを使用して、新しい圃場・天候データを入力すると、作物の生育量の予測結果が得られる。
このように、決定木アルゴリズムを使用することで、作物の生育量と圃場・天候データとの関係をモデル化することができる。
【0084】
決定木アルゴリズムの典型的具体例／サンプルとして、決定木アルゴリズムによる作物の生育量と圃場・天候データとの関係のモデリング典型例をPythonで示すと下記表３のようになる。
【0085】
［Pythonによるモデリング］
【表3】
【0086】
表３をテキスト文字で示すと、
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
# 訓練データの読み込み
data = pd.read_csv("crop_data.csv")
# 説明変数と目的変数の定義
X = data[["temperature", "humidity", "sunlight", "pH", "soil"]]
y = data["yield"]
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 決定木のトレーニング
regressor = DecisionTreeRegressor(random_state=42)
regressor.fit(X_train, y_train)
# 予測
y_pred = regressor.predict(X_test)
# 精度の評価
score = regressor.score(X_test, y_test)
print("決定木モデルの精度：", score)
となる。
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
# 訓練データの読み込み
data = pd.read_csv("crop_data.csv")
# 説明変数と目的変数の定義
X = data[["temperature", "humidity", "sunlight", "pH", "soil"]]
y = data["yield"]
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 決定木のトレーニング
regressor = DecisionTreeRegressor(random_state=42)
regressor.fit(X_train, y_train)
# 予測
y_pred = regressor.predict(X_test)
# 精度の評価
score = regressor.score(X_test, y_test)
print("決定木モデルの精度：", score)
となる。
【0087】
このように、決定木アルゴリズムを使用することで作物の生育量と圃場・天候データとの関係をモデル化することができ、作物の種類と圃場・天候データとの関係も同様にモデル化することができる。
【0088】
［Pythonによる物の種類と圃場・天候データとの関係モデル化］
【表4】
【0089】
表４をテキスト文字で示すと、
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
# 訓練データの読み込み
data = pd.read_csv("crop_data.csv")
# 説明変数と目的変数の定義
X = data[["crop_type", "temperature", "humidity", "sunlight", "pH", "soil"]]
y = data["yield"]
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 決定木のトレーニング
regressor = DecisionTreeRegressor(random_state=42)
regressor.fit(X_train, y_train)
# 予測
y_pred = regressor.predict(X_test)
# 精度の評価
score = regressor.score(X_test, y_test)
print("決定木モデルの精度：", score)
となる。
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
# 訓練データの読み込み
data = pd.read_csv("crop_data.csv")
# 説明変数と目的変数の定義
X = data[["crop_type", "temperature", "humidity", "sunlight", "pH", "soil"]]
y = data["yield"]
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 決定木のトレーニング
regressor = DecisionTreeRegressor(random_state=42)
regressor.fit(X_train, y_train)
# 予測
y_pred = regressor.predict(X_test)
# 精度の評価
score = regressor.score(X_test, y_test)
print("決定木モデルの精度：", score)
となる。
【0090】
このように、作物の種類も含めた多数の説明変数を用いて、決定木アルゴリズムを使用することで作物の生育量と圃場・天候データ・作物の種類との関係をモデル化することができる。
【0091】
（自動操縦等に関しての詳細な具体的例示説明）
一方、ＡＩが記憶しておく事前データが、車両の走行に関する操舵のデータとＧＰＳデータと車載カメラで撮影した周囲の風景の画像データであって、これらのデータを基に、その後に自動操縦または操縦アシスト等する農業機械用のＡＩとしても良い。初期のＡＩは画像データの認識処理がそもそも原点であるからしてある意味においてこれが得意でもある。このような農業機械が使用する技術は、確かに人工知能（ＡＩ）の技術を採用していると考えることが自然である。このような農業機械は、事前に学習し記憶しておいたデータ（例えば周囲の風景を示す画像データ）をもとに、現在の走行状況に応じて操縦やそのアシストを行うことができる。このような機能を持つことで、以前に記憶したデータと現在の状況を比較して、自動的に操縦を行ったりアシストすることができる。初期の画像処理関連の人工知能がそうであったように、先に取得済みの画像をトレースして同じような位置ラインの走行・操縦・操舵が可能となるように、ＧＰＳデータとも整合を図りながら、自動走行させることも可能である。より具体的には、現在走行中のリアル取得画像データが、予め取得済の過去の画像データに一致するように、自動的に走行させるものとできる。農業機械から見た風景画像データが一致すれば、少なくとも同一箇所を同一方向に走行していると認識できるものとなる。
一方、ＡＩが記憶しておく事前データが、車両の走行に関する操舵のデータとＧＰＳデータと車載カメラで撮影した周囲の風景の画像データであって、これらのデータを基に、その後に自動操縦または操縦アシスト等する農業機械用のＡＩとしても良い。初期のＡＩは画像データの認識処理がそもそも原点であるからしてある意味においてこれが得意でもある。このような農業機械が使用する技術は、確かに人工知能（ＡＩ）の技術を採用していると考えることが自然である。このような農業機械は、事前に学習し記憶しておいたデータ（例えば周囲の風景を示す画像データ）をもとに、現在の走行状況に応じて操縦やそのアシストを行うことができる。このような機能を持つことで、以前に記憶したデータと現在の状況を比較して、自動的に操縦を行ったりアシストすることができる。初期の画像処理関連の人工知能がそうであったように、先に取得済みの画像をトレースして同じような位置ラインの走行・操縦・操舵が可能となるように、ＧＰＳデータとも整合を図りながら、自動走行させることも可能である。より具体的には、現在走行中のリアル取得画像データが、予め取得済の過去の画像データに一致するように、自動的に走行させるものとできる。農業機械から見た風景画像データが一致すれば、少なくとも同一箇所を同一方向に走行していると認識できるものとなる。
【0092】
（ＡＩについての詳細な具体的例示説明２）
上記した本方法や本システムにおいては、圃場情報に基づいて該圃場が有する、農作物の潜在的な収穫力（予想される収穫量）やその種類（作付けに適切な農作物の種類）を評価することが可能である。当該評価には、圃場情報から得られる栄養分（例えば、有機化合物群含有量）や窒素含有量等の情報がその指標として用いることとできる。
上記した本方法や本システムにおいては、圃場情報に基づいて該圃場が有する、農作物の潜在的な収穫力（予想される収穫量）やその種類（作付けに適切な農作物の種類）を評価することが可能である。当該評価には、圃場情報から得られる栄養分（例えば、有機化合物群含有量）や窒素含有量等の情報がその指標として用いることとできる。
【0093】
「有機化合物群含有量」とは、圃場の土壌に含まれる有機化合物群の量のことをいう。「有機化合物群」とは、土壌中に集積された動植物の遺骸が腐敗分解することで生じる黒色の物質（高分子化合物）のことを総称するものであり“腐植”とも称される。有機化合物群は土壌の性質や生産力に重要な影響を与える。本方法及び本システムによれば、圃場毎の有機化合物群含有量を短時間かつ広範囲で取得して表示・提示したり取得した検出値を利用するものとしても良い。
【0094】
「窒素含有量」とは、圃場の土壌に含まれる窒素の量のことをいい、植生指標に基づいて算出される。「植生」とは、所定の地域に集まって生育している植物の集団のことであり、「植生指標」とは、その植生の状況（植物の量や活力）を把握するための指標のことである。該植生指標は、植物が持つ光の反射の特性・特徴を活用して、例えば衛星データから算出されても良い。植生指標としては、例えばＮＤＶＩ（Normalized Difference Vegetation Index：正規化植生指標）を利用しても良い。本方法及び本システムによれば、圃場毎の窒素含有量を短時間かつ広範囲で取得して表示乃至利活用しても良いので、例えば土壌の施肥量を調整する可変施肥に利用することもできる。
【0095】
本システム／本方法等では、圃場が持つ、農作物の潜在的な収穫力についての評価は、所定の指標（例えば有機化合物群含有量や窒素含有量などの栄養素）に基づいて行われる。評価の結果は、正規化された数値（以下、「予想収穫量スコア」と称する）として算出されても良い。そして、算出された予想収穫量スコアに基づいて、農業の経営に関する情報（以下、「作付け等関連情報」と称する）が生成されても良い。生成された作付け等関連情報は、主に農家の利用に供される。農家は、作付け等関連情報の提供を受けることで、効率的な農業を実現させることができる。
【0096】
農家で利用される作付け等関連情報がどのような態様で提供されるかは実施例での具体的典型例に拘わらず、特に限定されない。農家が利用し易いあらゆる態様で作付け等関連情報を提供するものとできる。本システム／本方法等では、作付け等関連情報が視覚化されて農家に提供されるものとできる。また、作付け等関連情報を視覚化させる手法は実施例での記載に拘わらず特に限定されるものではなく、表やグラフ等によって視覚化させてもよい。また、本システム／本方法等では、作付け等関連情報を視覚化させる手法として、上空から地表を撮像した撮像画像のデータ（以下、「圃場等画像」と称する）又は地図に含まれる圃場を示す単位としてのpolygon（３次元コンピュータグラフィックスなどのサーフェスモデリングで使われる多角形、筆ポリゴン・農地ポリゴン・農地の区画情報を含む）が生成されても良い。
【0097】
また、本方法及び本システムによれば、圃場情報としての衛星データと、既存のデータとに基づいて、耕作放棄地を容易に識別することができる。具体的には、衛星データと、土地被覆分類（既存のデータ）と、ＮＤＶＩ（Normalized Difference Vegetation Index：正規化植生指標）との時系列変化における特徴の違いを利用して、個々の圃場の変化を経時的に読み解く作業を実行しても良い。「土地被覆」とは、圃場等の表面の物理的な状態を示す情報のことをいう。例えばコンクリート、森林、草地、水面、土壌等が土地被覆の一例として挙げられる。本方法及び本システムによれば、衛星データ（圃場情報）に基づいて土地被覆を広域に把握することができる。これにより、農家は、耕作放棄地の予想収穫量スコアに基づいて、将来性が見込まれる耕作放棄地で農作物の作付けの再開することができる。その結果、耕作放棄地が縮減されることを期待することができる。
【0098】
圃場が水田である場合には、衛星データ（圃場情報）から得られる地表の色と、既存のデータとに基づいて、稲作において重要な要素となる収穫時期、稲のタンパク質含有量、及び水田の肥沃度の推定を行うものとできる。例えば、稲は緑色から金色になるタイミングが収穫に適した時期となる。このため、本システム／本方法等では、衛星データ（圃場情報）のうち稲穂が出てくる８月から９月にかけて撮像された圃場等画像が収穫時期の推定に用いられるものとしても良い。圃場等画像の解析には、赤色の可視光線の波長と、近赤外の波長とが用いても良い。また、平均気温の積算値が９００℃に達すると適正な収穫時期となるので、既存のデータのうち気象情報やアメダスの気温データが、収穫時期の推定に用いられて、稲穂が出てからの毎日の平均気温の積算を行うことができる。
【0099】
例えば、本システム／本方法等では、衛星データ（圃場情報）としての気象情報や地上アメダスと、地上データとを相関させることで地上データの統合（補正）を行っても良い。また、面データ（衛星データ）上の点データ（地上データ）の統合を行っても良い。また、例えば稲のタンパク質含有量は、米の味を左右する重要な要素であることが知られている。また、タンパク質含有量は、適切な量の肥料が使用されているかどうかを判断するための指標に用いることもできる。従って、本システム／本方法等では、衛星データ（圃場情報）のうち圃場等画像をタンパク質含有量の推定に用いても良い。圃場等画像の解析には、緑色の可視光線の波長と、近赤外の波長とを用いるものとしても良い。また、例えば有機物の含有量で示される水田（圃場）の肥沃度は、稲作を行うための水田（圃場）を選ぶ際の重要な要素となる。例えば、有機物の含有率が８％程度であると良質の米が育つことが知られている。
【0100】
従って、本システム／本方法等では、衛星データ（圃場情報）のうち圃場等画像が水田（圃場）の肥沃度の推定に用いられても良く、圃場等画像に含まれる水田（圃場）の色が、有機物の含有率が高い程 黒色に近くなり有機物の含有率が低い程 薄茶色になることを利用しても良い。また、本発明は、上述サービスに加えて、以下のサービス提供を実現するように構築することも可能である。例えば継続的に生成される時系列データ（ストリームデータ）を含む圃場情報（地上データ、衛星データ）を、ブロックチェーン技術（分散型台帳技術又は分散型ネットワーク）を用いて紐付けて管理しても良い。これに基づき、農作物の生産から流通に至るまでの農作物に関するあらゆる情報をデータ化して、改竄される懸念の少ない環境で管理できるものとしても良い。データ化される情報には、圃場情報、施肥記録、衛星モニタリング記録、農薬散布記録、栽培記録、収量記録、土壌診断記録、生体モニタリング記録、土壌モニタリング記録、気象モニタリング記録等が含まれていても良い。
【0101】
また、地上データを価値化させて、トークンとして取り扱えるようにすることもできる。具体的に、ＩＣＯ（Initial Coin Offering）型のクラウドファンディングプラットフォームを提供しても良い。好ましくは、地上データをシェアリングすることが可能な環境を整えることができるものとなる。また、新たな別途のＡＩ（人工知能）モデルを提供するものとできる。例えば、集積された圃場情報を利用してディープラーニング等の機械学習を行わせた結果をモデルとしてアウトプットすることができる。図６（ａ），図６（ｂ），図６（ｃ）は、このようなＡＩモデルを具体的に例示する説明図である。図７（ａ），図７（ｂ）は、このような機械学習の結果を説明するグラフである。本システム／本方法等では、上述したpolygon生成（筆ポリゴン・農地ポリゴン・農地の区画情報）やスコアリング処理を含む各種処理が行われても良い。例えば、土壌地質特性カテゴライズ、深度毎土壌水分予測、土壌内水分浸透分布予測、収量分析、施肥・農薬散布分析、耕運機制御最適化、収量及び収量時期の予測等の処理が行われるものとできる。
【0102】
この処理では、ディープラーニング等の機械学習が行われても良い。例えば図６各図に示すような衛星データに含まれる圃場等画像の画像解析において機械学習が行われても良い。また、図７（ａ）は、横軸を学習回数（エポック）、縦軸を正答率（精度）とした場合の訓練データ（学習データ）と、それを検証するためのテストデータとの関係を説明している。また、図７（ｂ）は、横軸を学習回数（エポック）、縦軸を損失関数（loss function）とした場合の訓練データ（学習データ）と、それを検証するためのテストデータとの関係を説明している。図示していないが本システム／本方法等では、圃場の単位としてのpolygonが生成されても良い。polygonは、図６に示す圃場等画像に含まれる１以上の圃場のそれぞれに重畳されて表示されても良い。個々のpolygonの形状は、対応する圃場の領域の外縁に沿った形状になる。
【0103】
これにより、農家は、polygonを一見するだけで個々の圃場の形状や相対的な位置や大きさを容易に把握することができる。ここで、polygonを生成する手法は特に限定されない。所定の国家機関（例えば他の公共機関でも良い）により提供される圃場等の区画情報を使用してpolygonを生成してもよいし、衛星の撮像画像データや地表の航空写真を画像解析してpolygonを生成するものとしても良い。図６に示す圃場等画像に関して生成・表示されたpolygonには、予想収穫量スコアを表示させても良い。polygonに表示される予想収穫量スコアの具体的態様は特に限定されず、polygon毎に付させる吹き出し等に数値等が表示される態様でも良いし、圃場等画像の外に予想収穫量スコアが表示される態様でも良いし、予想収穫量スコアを識別可能な色彩／模様をpolygonに付すものとしても良い。
【0104】
次に、上述した本方法及び本システムの提供を具現化させる情報処理システム、即ち本発明の情報処理装置の一つの実施形態に係るサーバ８１を含む、情報処理システムの構成について説明する。この情報処理システムは、サーバ８１と、農家端末と、地上センサと、人工衛星（気球であっても良い）とを備えるように構成されることができる。サーバ８１、農家端末、地上センサ、人工衛星（または気球）のそれぞれは、インターネット等の任意のネットワークを介して互いに接続されることができる。サーバ８１は、サービス提供者により管理される情報処理装置とすることができる。また、サーバ８１は、農家端末、地上センサ、人工衛星・気球のそれぞれと適宜に通信をしながら、本方法及び本システムを実現するための各種処理を実行する。農家端末は、農家により操作される情報処理装置とすることができる。農家端末は、例えばスマートフォン、タブレット、パーソナルコンピュータ等で構成されても良い。
【0105】
地上センサは、圃場に設置乃至配置されるセンサ群である。地上センサは、地上で圃場に関する各種情報を検知して、その結果を圃場情報としてサーバ８１に送信する。地上センサを構成するセンサには、例えば降雨量測定センサ(例えば雨量計葉濡センサ)、温度（例えば気温及び地温）センサ、土壌水分センサ、風速・風向き・風量センサ、風力陽光センサ（例えば日射センサ）等が含まれる。そして、人工衛星・気球は、地球の軌道上にて周回する人工衛星・気球であって、所定の目的を持っていても良い。人工衛星・気球は、上空から圃場に関する各種情報を検知することにより、その結果を圃場情報としてサーバ８１に送信することができる。人工衛星・気球によって検知される情報には、例えば湿度、気温、地表面温度、日射量、降雨量、土壌水分量、タンパク質含有量、植物活性度、土壌含有窒素量、土壌有機化合物群含有量等が含まれても良い。
【0106】
農家端末は、本方法及び本システムを利用するための専用機器である必要はない。例えば農家が所持するスマートフォンや事務作業用のパーソナルコンピュータに専用アプリをインストールすることで本方法及び本システムを利用することができる。また例えば、農家が所持するスマートフォンや事務所や作業小屋等に設置された事務作業用のパーソナルコンピュータのそれぞれのブラウザ機能を利用することで本方法及び本システムを利用することができる。図８は、上述した情報処理システムのサーバ８１のハードウェア構成の典型例を示す概念ブロック図である。サーバ８１は、ＣＰＵ８１１と、ＲＯＭ８１２と、ＲＡＭ８１３と、バス（ｂｕｓ）８１４と、入出力インターフェース８１５と、入力部８１６と、出力部８１７と、記憶部８１８と、通信部８１９と、駆動装置８２０とを備えている。
【0107】
ＲＯＭ８１２に記録されているプログラムまたは記憶部８１８からＣＰＵ８１１が、ＲＡＭ８１３にロードされたプログラムにしたがって各処理を実行する。また、ＣＰＵ８１１が各処理を実行するために必要なデータ等もＲＡＭ８１３に適宜記憶される。バス８１４を介して、ＣＰＵ８１１、ＲＯＭ８１２及びＲＡＭ８１３が相互に接続されている。入出力インターフェース８１５もまたこのバス８１４に接続されている。さらに、入力部８１６と出力部８１７と記憶部８１８と通信部８１９と駆動装置８２０が入出力インターフェース８１５に接続されている。例えばキーボード等により構成されることが可能な入力部８１６は、オペレータ等によって各種情報が入力される入口となる。また、液晶等のディスプレイやスピーカ等により構成される出力部８１７は、各種情報を音声や画像として出力する。
【0108】
また、ＤＲＡＭ（Dynamic Random Access Memory）等で構成された記憶部８１８は、各種データを記憶する。そして、他の装置（例えば不図示の農家端末等）との間でインターネットを含むネットワークを介して通信を行う通信部８１９を備えている。また、磁気ディスクや光ディスクや光磁気ディスク或いは半導体メモリ等よりなる駆動装置８２０とリムーバブルメディア８４０が適宜実装される。また、リムーバブルメディア８４０から駆動装置８２０によって読み出された（またはダウンロードされた）プログラムは、適宜に記憶部８１８にインストールされる。そして、記憶部８１８に記憶されている各種データについても記憶部８１８と同様に、リムーバブルメディア８４０に記憶することができる。なお、図示はしないが、農家端末も図８に示すハードウェアの構成と基本的に同様の構成を備えるものとしてよい。
【0109】
従って、農家端末のハードウェアの構成の説明についてはここでは省略するものとする。サーバ８１におけるスコアリング処理を含む各種処理の実行が、上述したような図８に示すサーバ８１の各種ハードウェアと各種ソフトウェアとの協働により可能になる。その結果、農家に対して本方法及び本システムを、サービス提供者（図示せず）が提供することもできる。本方法及び本システムを提供するためにサーバ８１で「スコアリング処理」が実行されるものとしても良い。次に、本実施形態に係るサーバ８１において実行される、他のスコアリング処理を実行するための機能的構成について説明する。図８のサーバを含む情報処理システムの不図示の機能的構成のうち、スコアリング処理を実行するための構成について以下に簡単に説明する。他のスコアリング処理の実行がサーバ８１のＣＰＵ８１１において制御される場合、ＣＰＵ８１１が備えるpolygon生成部と登録受付部と圃場情報取得部と評価解析部と提示情報生成部と表示制御部とが機能する。
【0110】
また、圃場等画像ＤＢと圃場ＤＢとが、サーバ８１の記憶部８１８の一領域に設けられている。また、圃場等画像が圃場等画像ＤＢに記憶され管理されている。また、ｎ個（ｎは１以上の整数値）の圃場のそれぞれの圃場情報を圃場ＤＢが有しており、該圃場情報は、ｎ個の圃場のそれぞれを特定可能な情報（例えばＩＤ番号）に対応付けられ管理される。圃場等画像をpolygon生成部がpolygon毎に区分する。典型例として具体的にはpolygon生成部が、不図示の圃場等画像を複数のpolygonに区分するものとしても良い。また、圃場の登録を登録受付部が受付けるものとする。典型的には、ＵＩ（User Interface）に設けられた不図示のボタンが押下されて、登録の対象となる圃場が指定されると、登録受付部が指定された圃場の登録を受付けるものとしても良い。さらに、土壌に関する情報を少なくとも含む農家の圃場の圃場情報を、圃場情報取得部１０３が、取得する。
【0111】
具体的に、圃場情報取得部では、それが備える地上データ取得部と衛星データ取得部とが機能する。地上データ取得部は、地上センサから得られた地上データを、圃場の圃場情報として取得する。衛星データ取得部は、人工衛星・気球から得られた衛星データを、圃場の圃場情報として取得する。また、圃場情報取得部は、土壌に関する情報を少なくとも含む、農家の圃場の圃場情報を、polygon毎に取得する。この場合、地上データ取得部は、地上センサから得られた地上データを、圃場の圃場情報としてpolygon毎に取得する。衛星データ取得部は、人工衛星・気球から得られた衛星データを、圃場の圃場情報としてpolygon毎に取得する。評価解析部は、圃場の圃場情報に基づいて、polygon毎に圃場の評価（スコアリング）を行う。具体的には、評価解析部は、圃場情報として、地上センサから得られる地上データ、人工衛星・気球から得られる衛星データ、及び既存のデータ等に基づいて、圃場の評価（スコアリング）を行う。
【0112】
提示情報生成部は、圃場情報に基づいて、圃場の収穫性を示す指標（例えば上述の有機化合物群含有量や窒素含有量）に関する作付け等関連情報と、農家の信用に関する信用情報とを生成する。表示制御部は、圃場等画像におけるpolygon毎に、作付け等関連情報又は信用情報を視覚化させて表示させる制御を実行する。具体的に、表示制御部は、圃場等画像におけるpolygon毎に色や模様を施すことで、作付け等関連情報又は信用情報を視覚化させて表示させる制御を実行する。これにより、農家は、圃場等画像に表示されたpolygonを一見するだけで、作付け等関連情報を圃場毎に容易に把握することができる。例えばＵＩは、不図示ではあるが表示領域（Ａ１）と表示領域（Ａ２）とで構成されても良い。そして、表示領域（Ａ１）には、農家に関する情報（名前とメールアドレス）と、「圃場の一覧」と表記されたボタン（ｂ１）と、「圃場の登録」と表記されたボタン（ｂ２）とが表示されても良い。
【0113】
ボタン（ｂ１）は、農家が本方法及び本システムに登録されている圃場を表示領域（Ａ２）に表示させるためのボタンとしても良い。また、ボタン（ｂ２）は、農家が自身の圃場を登録する際に押下するボタンとしても良い。農家は、自身が保有する圃場を本方法及び本システムに登録する場合、ボタン（ｂ２）を押下しても良い。ボタン（ｂ２）が押下されると、登録の対象となる圃場を特定するための圃場等画像が表示領域（Ａ２）に表示され、表示領域（Ａ２）に表示された圃場等画像には、１以上の圃場のそれぞれを示すpolygonのそれぞれが表示されるものとできる。農家は、登録の対象となる圃場（例えば任意のpolygon）を圃場等画像に表示させるために、圃場等画像をスライド表示させる操作、拡大縮小表示させる操作、又は住所検索する操作等行うことができる。登録の対象となる圃場（polygon）が圃場等画像に表示されると、農家は、当該圃場（polygon）を指定して登録する操作を行うことにより、本方法及び本システムに圃場が登録される。
【0114】
また農家は、本方法及び本システムに登録されている自身の圃場を確認する場合、ボタン（ｂ１）を押下し、ボタン（ｂ１）が押下されると、表示領域（Ａ２）に、１以上のpolygonを含む圃場等画像が表示され、該polygonは、圃場を示す単位として、圃場毎に重畳的に表示されるものとできる。また、破線で示される複数の領域のそれぞれに複数のpolygonが表示されるものとし、農家は、自身が保有する圃場の位置関係、形状、大きさ等を、他の圃場と比較しながら容易に把握することができるものとしても良い。また、圃場等画像としての航空写真を表示させたり、「地図」と表記されたボタン（ｂ３）が押下されると、表示領域（Ａ２）に表示された航空写真が地図に切替わるように構成しても良い。また、表示領域（Ａ２）に地図が表示された状態で「航空写真」と表記されたボタン（ｂ４）が押下されると、再び航空写真に切替わるものとしても良い。
【0115】
これにより、農家は、圃場等画像としての航空写真に含まれる自身の圃場の特定と、圃場等画像としての地図に含まれる自身の圃場の特定と、を容易に行うものとできる。農家は、圃場等画像に表示された１以上のpolygonのうち、任意のpolygonを選択したうえで、「衛星から全ての土地を診断する」と表記されたボタン（ｂ５）を押下しても良い。すると、選択されたpolygonに対応する圃場について、衛星データ（圃場情報）に基づいた評価又は地上データ（圃場情報）及び衛星データ（圃場情報）等、に基づいた評価が行われるものとできる。また、選択されたpolygonに対応する圃場の評価だけでなく、圃場等画像に表示されている全てのpolygonにそれぞれ対応する圃場のそれぞれについて評価が行われてもよい。また、圃場情報に基づいて作付け等関連情報が生成される際に用いられるアルゴリズムの概要図は示していないが、本システム／本方法等では、まず圃場のpolygon化（polygonの生成）が行われるものとでき、具体的に、中心計算によってpolygonの中心の緯度経度座標が算出される。
【0116】
これにより、圃場の位置が特定される（ステップ１）。次に、衛星データとして、人工衛星・気球の波長データが取得される（ステップ２）。次に、地上データとして、地上の土壌が採取され、採取した土壌の分析が行われる（ステップ３）。その後、「圃場１枚毎」の「波長データと有機化合物群含有量の相関関係」が調査される。調査の結果は、圃場情報として収集された各種データの生情報、有機化合物群の状態を示す散布図や決定係数として出力される。さらに、圃場情報として取得されるデータの連携の概要図は示していないが、本システム／本方法等では、まず、polygonが生成される（ステップ１１）。具体的に、既存のデータとして、公共機関等により提供される、日本全国の農地の平面直角座標や日本全国の農地の緯度経度座標等を利用することができる。次に、圃場情報としての土壌データが取得される（ステップ１２）。
【0117】
これにより、植生が「どのくらい・いつ」あったのかが検出されても良い。具体例として、衛星データ又は既存のデータから、耕作放棄地の判定に用いられる土壌被覆分類を示す情報と、不図示のアルゴリズムによる有機化合物群含有量を示す情報とが取得される。また、土壌のサンプリングによる地上データから、参考情報としての有機化合物群含有量を示す情報が取得されるものとできる。次に、地形データが取得される（ステップ１３）。具体的には、衛星データ又は既存のデータから、３Ｄ地形図を示す情報が取得される。また、気象データが取得される（ステップ１４）。具体的には、衛星データ又は既存のデータから、地表面温度、降雨量、日射量、土壌水分量、風速、温度及び風量のそれぞれを示す情報が取得される。なお、ＳＴＥＰ１２乃至ＳＴＥＰ１４は順不同とできる。
【0118】
次に、取得された地形データ、土壌データ及び気象データの統合が行われて、現地においてヒアリング調査が実施されるものとできる（ステップ１５）。そして、作付け等関連情報が生成され、また、耕作地の可視化（識別）が行われる（ステップ１６）。具体的には例えば、農家に対しては、作付け等関連情報として、ワイン用ブドウ栽培適地に関する情報（Ａ）が提供され、また、耕作地を可視化した情報（Ｂ）は、例えば農業共同組合や地方公共団体等に提供されても良い。次に、専用アプリへのデータの反映、圃場の状態の可視化（色分け）、圃場情報の格納等、が行われる（ステップ１７）。また、圃場の検索画面表示できるように構成しても良い。本方法及び本システムを利用する際に利用される専用アプリには、例えばＵＩが表示され、上記した圃場等画像とともに表示されるように構成しても良い。
【0119】
一例としてＵＩは、耕作地の判定（識別）が完了した圃場の検索、あるいは、平均気温、降雨量、日照時間を検索条件とした圃場の検索を容易に行うことができる。検索結果は上記した圃場等画像に表示されるものとできる。このため、検索した者は、圃場の大きさ、位置、周囲の圃場との位置関係等を比較的少ない手間で把握することができる。また、機械学習を活用したpolygon生成の具体例の図示については省略して良いが、本システム／本方法等では、まず、polygonが生成に必要となるデータが取得され、公共機関が配布しているシェープファイルに基づいて、座標系を成型したpolygonデータを生成し、これをデータベースに保存し（ステップ２１）、次に、緯度経度や縮尺に対応した地上画像の元画像が取得されて、画像解析が行われ、その後に、色付けが行われることで、典型的には予想画像が生成される。
【0120】
その後、予想画像とpolygonデータとが統合される（ステップ２２）。続いて、意味付け（annotation／アノテーション）を行うものとする（ステップ２３）。具体的に、画像の各ピクセルに対するラベリングを行うことができる。これによって、膨大な量（例えば２６０００枚以上）の教師データが生成され得るものとなる。引き続いて、学習を行うものとできる（ステップ２４）。具体的に、生成された先の教師データに基づいたモデルが生成され得る。生成されたモデルのアウトプット画像が出力され得るので、その評価指標が正答率（アキュラシ－／ＡＣＣＵＲＡＣＹ）と損失関数（ロス／ＬＯＳＳ）として出力され得る。その後に、セグメンテーションを行うものとできる。これによって、polygonが表示された画像を生成できるので、不図示の表示領域（Ａ２）に圃場等の画像として表示され得るものとなる。以上、本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的・射程の範囲内または該目的等を達成できる範囲内でのアレンジ・変更・改良等は本発明に含まれるものとできる。
【0121】
例えば、上記した実施形態では、農家が作付け等関連情報を取得する構成となっているが、農家以外にも例えば漁業関係者やその関連組織（国や地方公共団体等も含む）、農家以外の個人や漁師等が作付け等関連情報や漁場・魚養殖関連情報を閲覧したり管理したりできるようにしてもよい。これにより、世界中に存在する農業／漁業に関する様々な情報を蓄積させて利用に供することも可能となるので、従来のような農家や漁師個人個人の経験に依存していた農業／漁業からの脱却を図ることができる。その結果、集積された情報を利用することで誰でも農業／漁業を比較的安定的かつ効率的に行えるようになることが期待できるので、農業／漁業等第一次産業の就業人口の減少に歯止めをかけたり省力化することも期待できる。また例えば、上記した実施形態では、圃場情報が、地上センサ及び人工衛星・気球及び既存のデータから取得される構成とされているが、これに限定されるものではない。
【0122】
例えば、農家端末から圃場情報を取得されるように構成することもできる。この場合、例えば、農家に対するアンケート結果や、専用アプリの利用状況や、あるいはクレジットカード情報等の各種個人情報などを圃場情報として取得するものとできる。これによって、地上センサ及び人工衛星・気球及び既存のデータからだけでは取得することができなかった各種付加情報を圃場情報として取得することもできる。また、地上センサ（圃場にて利用される各種の農業機械に備えられたセンサを含む）及び人工衛星（気球等の一定程度の高度の空中において飛行乃至は滞在する機器搭載対象物体を含む）から得られる情報を補強乃至アシストする情報を農家端末から取得するものとできる。その結果、上記圃場情報、及び圃場情報に基づいて生成される作付け等関連情報の精度を高めることも可能となる。
【0123】
また例えば、不図示のＵＩの態様は上記した説明に限定されるものではなく、これとは異なる態様のＵＩが農家端末に表示されるものとしても良い。また、上記した説明におけるシステム構成やサーバのハードウェア構成は、いずれも本発明の目的を達成するための典型的一例に過ぎず、このような説明に限定されるものではない。また、上記した機能ブロックの概念は一例示に過ぎず、その説明に限定されるものではない。すなわち、上述した一連の処理を全体としてスムースに実行できる機能が情報処理システムに備えられていれば良いのであって、このような機能をスムースに実現するために公知のいかなる機能ブロックを利用するのか当業者は、任意に選択し構成することができる。また、機能ブロックの配置・実装場所も、上記した説明に限定されるものではなく任意とできる。
【0124】
例えば一例示において、上述のスコアリング処理はサーバで行われる構成として説明したがこれに限定されるものではなく、農家端末でスコアリング処理の少なくとも一部を行うものとしてよい。即ち、スコアリング処理の実行に必要な各種の機能ブロックは、サーバが備える構成とすることも可能であるが、これはあくまで一つの典型例であるので、サーバに配置・実装された機能ブロックの少なくとも一部または全部を、農家端末が備えるものとしても良い。また、上述した一連の処理は、ハードウェアにより実行させるものとできるし、ソフトウェアにより実行させることもできる。また、１つの機能ブロックはハードウェア単体で構成することもできるしソフトウェア単体で構成することもできるしそれらの適宜な組み合わせで構成してもよい。このような一連の処理を、例えばソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、例えばコンピュータ等にネットワークや記録媒体からインストールされても良い。
【0125】
該コンピュータは、例えば専用のハードウェアに組み込まれているコンピュータであってよい。また、該コンピュータは、各種任意のプログラムをインストールすることで、各種の任意の機能をスムースに実行することが可能なコンピュータとできるが、例えばサーバに限定されずに汎用のスマートフォン／パーソナルコンピュータ等であってよい。このようなプログラムを含む各種の記録媒体は、広告主にプログラムを提供するために装置本体とは別に配布される不図示のリムーバブルメディア（補助記憶装置／フロッピーディスク・MO・CD-R・フラッシュメモリーを含む）により構成されてもよく、装置本体に予め組み込まれた状態で該広告主に提供され得る任意の各種記録媒体で構成され得る。なお、上記説明において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理であることは説明を要しないが、必ずしも該時系列的に処理される必要はなく、並列・同時並行的あるいは別途個別に実行される処理を含むものとできる。
【0126】
また、上記説明において、システムの各種の用語は、複数の装置や複数の手段等より構成される全体的な装置やシステムを意味するものであってよい。端的には、本発明の情報処理装置は、次のような構成を典型例として提示可能である。即ち、本発明が適用される情報処理装置（例えばサーバ）は、土壌に関する情報を少なくとも含む、農家の圃場に関する第１情報（例えば上述の圃場情報）を取得する取得手段（例えば圃場情報取得部）と、前記第１情報に基づいて、前記圃場の収穫性に関する第２情報（例えば作付け等関連情報）とを生成する生成手段（例えば提示情報生成部）と、を備えることにより、農家の圃場に関する情報が取得され、その情報に基づいて圃場の収穫性に関する情報が生成され得る。その結果、圃場の潜在的な収穫力を容易に把握することが可能になる。また、上空から撮像された地表を示す圃場等画像を、該圃場を示す単位（例えばpolygon）毎に区分する区分手段（例えばpolygon生成部）をさらに備え、該取得手段は、該単位毎に該第１情報を取得し、該生成手段は、該第１情報に基づいて、該単位毎に該第２情報及び該第３情報を生成し、該撮像画像における該単位毎に、該第２情報又は該第３情報を視覚化させて表示させる制御を実行する表示制御手段（例えば表示制御部）をさらに備えることができる。
【0127】
これにより、個々の圃場の潜在的な収穫力や各種情報を、視覚を通じて容易に把握することが可能になる。また、該第１情報に基づいて、該単位毎に該圃場の評価を行う評価手段（例えば評価解析部）をさらに備え、該生成手段は、該評価の結果に基づいて、該第２情報と第３を生成することができるので、適正な評価結果に基づいて、より信頼性の高い圃場の潜在的な収穫力や、農家の信用に関する情報が生成され得る。また、該取得手段は、該第１情報として、該圃場に設置されたセンサ群から得られる情報（例えば地上データ）と、該圃場を撮像可能とする人工衛星・気球から得られる情報（例えば衛星データ）とのそれぞれを取得することができるので、圃場に設置されたセンサ群（各種の地上センサを含む）から得られるミクロデータと、人工衛星や気球から得られるマクロデータとが相互補完させた信頼性の高いデータを取得することができる結果、該信頼性の高いデータに基づき、作付け等関連情報を生成することも可能となる。
【0128】
また、該センサ群から得られる情報には、気温、降雨量、地温、風速、土壌水分、風向き又は日射量のうち少なくとも１つに関する情報が含まれるものとし、該人工衛星・気球から得られる情報には、該気温、地表面温度、日射量、土壌水分量、植物活性度、降雨量、タンパク質含有量、土壌窒素含有量、土壌有機化合物群含有量のうち少なくとも１つに関する情報が含まれるものとできるので、該圃場に配置されたセンサ群から得られる気温、降雨量、地温等の情報と、人工衛星／気球から得られる気温、地表面温度、日射量、土壌水分量等の情報とを相互補完させた信頼性のより高いデータを取得するものとできる結果、該信頼性の高いデータに基づいて作付け等関連情報を生成できることが期待できる。
【0129】
実施形態等で説明した上述の態様はあくまで説明の便宜上例示した典型的具体例に過ぎず、それらの記載内容に限定されることなく当業者に自明な範囲で、かつ本発明の技術思想の射程の範囲内で、適宜 構成・素材や原材料・工程・方法・構造・作業手順等を変更しアレンジし、また追加し・削除し・修正することが可能である。また、各態様の典型例の一部または全部を適宜取捨選択したり組み合わせたり、擦り合わせ調整して最適化するなどして利用することも可能である。
【産業上の利用可能性】
【0130】
本発明は、仮想空間を活用した農業や漁業など一次産業運営システムに広く展開し適用可能である。
【符号の説明】
【0131】
１０００・・圃場、１１００・・ドローン、１２００・・３Ｄ地形図データ、１３００・・モニター、１４００・・３６０°カメラ、１５００・・遠隔操作可能農作業機械、１６００・・オペレータ席、１７００・・オペレータ。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【手続補正書】
【提出日】2023-05-09
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
作物の種類及び作付け量ごとに適する圃場データの最適値を予め有するＡＩを用いた作付け支援方法において、
作付け対象の圃場の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データをＡＩが取得する工程と、
前記ＡＩが、取得した前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類及び該圃場での該作物の作付け量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
作付け対象の圃場の圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データをＡＩが取得する工程と、
前記ＡＩが、取得した前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類及び該圃場での該作物の作付け量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項2】
請求項１に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記作物の種類及び作付け量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記作物の種類及び作付け量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項3】
請求項１または請求項２に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項4】
請求項３に記載のＡＩを用いた作付け支援方法において、
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項5】
請求項４に記載のＡＩを用いた作付け支援方法において、
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項6】
請求項２に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項7】
請求項６に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項8】
請求項７に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項9】
請求項８に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。
【手続補正書】
【提出日】2023-11-17
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
作物の種類及び作付け量ごとに適する圃場データの最適値を予め有するＡＩを用いた作付け支援方法において、
作付け対象の圃場の作付け前であって作付けの作物が未定の圃場土壌に含まれる、
圃場データであるところの水分濃度と、
有害物質または栄養素またはＰＨまたは土質または在来微生物の少なくともいずれか一つの圃場データと、
をＡＩが取得する工程と、
前記ＡＩが、取得した前記水分濃度と前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類及び該圃場での該作物の作付け量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
作付け対象の圃場の作付け前であって作付けの作物が未定の圃場土壌に含まれる、
圃場データであるところの水分濃度と、
有害物質または栄養素またはＰＨまたは土質または在来微生物の少なくともいずれか一つの圃場データと、
をＡＩが取得する工程と、
前記ＡＩが、取得した前記水分濃度と前記少なくともいずれか一つの圃場データ及び前記予め有する前記圃場データの最適値、に基づいて、前記圃場土壌での作付けに最適な作物の種類及び該圃場での該作物の作付け量を決定して通知する工程と、を有する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項2】
請求項１に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記作物の種類及び作付け量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記作物の種類及び作付け量ごとに適する最適天候データを予め有し、
前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程はさらに、
任意の天候予測機関から提供される前記圃場を含む所定地域の将来の天候予測データと、前記予め有する前記最適天候データと、に基づいて決定して通知される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項3】
請求項１または請求項２に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが取得する前記圃場データは、前記圃場に配置された検知センサーによって取得されて、インターネット回線を介して前記ＡＩに提供される
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項4】
請求項３に記載のＡＩを用いた作付け支援方法において、
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
前記検知センサーは、前記圃場に配置された任意の作業機械またはドローンに搭載された検知センサーである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項5】
請求項４に記載のＡＩを用いた作付け支援方法において、
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
前記作業機械は、トラクターまたは耕運機またはコンバインのいずれかである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項6】
請求項２に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、前記作物の種類によって異なる植え付けから収穫までの作物育成期間に対応する天候予測データである
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項7】
請求項６に記載のＡＩを用いた作付け支援方法において、
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
前記圃場を含む地域の将来の天候予測データは、予測雨量及び予測気温及び予測気温変動及び予測台風襲来の数及び予測風速・風向き及び予測湿度及び予測日照量のうち、少なくともいずれか一つを含む
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項8】
請求項７に記載のＡＩを用いた作付け支援方法において、
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩはさらに、前記圃場の地形データを予め有するものとし、
前記圃場を含む地域の将来の天候予測データが前記予測風速・風向きを含む場合に、
前記ＡＩは、前記圃場土壌での作付けに最適な作物の種類及び作付け量を決定して通知する工程において、前記予測風速・風向きに対応して、該風速や風向きの前記作物への影響が最少となるような、前記圃場における作付けの向きと位置と、を提示する
ことを特徴とするＡＩを用いた作付け支援方法。
【請求項9】
請求項８に記載のＡＩを用いた作付け支援方法において、
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。
前記ＡＩが予め有する前記圃場の地形データは、前記圃場に配置された作業機が備える３６０°カメラまたは／及びドローンにより取得された３Ｄ地形データである
ことを特徴とするＡＩを用いた作付け支援方法。