(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-06-03
(45)【発行日】2024-06-11
(54)【発明の名称】作物の発育ステージの予測方法及び予測装置
(51)【国際特許分類】
A01G 7/00 20060101AFI20240604BHJP
G06Q 50/02 20240101ALI20240604BHJP
G06N 3/02 20060101ALI20240604BHJP
G06Q 10/04 20230101ALI20240604BHJP
【ＦＩ】
A01G7/00 603
G06Q50/02
G06N3/02
G06Q10/04
【請求項の数】
11
(21)【出願番号】P 2022041436
(22)【出願日】2022-03-16
(65)【公開番号】P2022145632
(43)【公開日】2022-10-04
【審査請求日】2023-09-28
(31)【優先権主張番号】P 2021043964
(32)【優先日】2021-03-17
(33)【優先権主張国・地域又は機関】JP
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成２９年度、国立研究開発法人科学技術振興機構、戦略的創造研究推進事業「ハイブリッド作物生育モデルと品種設計法の開発」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
【早期審査対象出願】
(73)【特許権者】
【識別番号】501203344
【氏名又は名称】国立研究開発法人農業・食品産業技術総合研究機構
(74)【代理人】
【識別番号】100087480
【弁理士】
【氏名又は名称】片山 修平
(72)【発明者】
【氏名】寺谷 諒
(72)【発明者】
【氏名】中川 博視
【審査官】磯田 真美
(56)【参考文献】
【文献】小野木 章雄，効率的育種のための全ゲノム情報を活用する統計遺伝学的手法に関する研究，2015年03月，p.116-150
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ０１Ｇ ７／００
Ｇ０６Ｑ ５０／００
(57)【特許請求の範囲】
【請求項1】
コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、
第２のニューラルネットワークを用いて、前記作物が栽培される地域に特有の情報から前記関数の値を調節する係数を決定し、
前記係数で調整した前記関数に第１の気象条件を入力することによりDVRを算出し、
算出した前記DVRに基づいて前記作物の発育ステージを予測する、
処理を実行することを特徴とする作物の発育ステージの予測方法。
【請求項2】
コンピュータが、
第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、
決定した前記関数に第１の気象条件を入力することによりDVRを算出し、
算出した前記DVRに基づいて前記作物の発育ステージを予測する、
処理を実行することを特徴とする作物の発育ステージの予測方法。
【請求項3】
前記栽培条件の情報は、環境条件に関する情報及び栽培管理に関する情報の少なくとも一方を含むことを特徴とする請求項２に記載の発育ステージの予測方法。
【請求項4】
前記関数は、パラメータを含む関数であり、前記関数を決定する処理では、前記第１のニューラルネットワークを用いて前記第１の情報から前記パラメータを決定することを特徴とする請求項１～３のいずれか一項に記載の発育ステージの予測方法。
【請求項5】
コンピュータが、
第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、
決定した前記関数に第１の気象条件を入力することによりDVRを算出し、
算出した前記DVRに基づいて前記作物の発育ステージを予測する、
処理を実行し、
前記関数は、出力がDVRである第３のニューラルネットワークであり、
前記関数を決定する処理では、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定することを特徴とする作物の発育ステージの予測方法。
【請求項6】
前記発育ステージを予測する処理は、前記DVRの和であるDVSを前記発育ステージを示す値として算出することにより行われ、前記コンピュータが、
算出した前記DVSと、該DVSの実測値との誤差を前記第１のニューラルネットワークに逆伝搬させることにより、前記遺伝学的情報と前記実測値との関係を学習させることを特徴とする請求項１～５のいずれか一項に記載の発育ステージの予測方法。
【請求項7】
前記遺伝学的情報は、ある遺伝子又は遺伝学的なマーカーの型が前記作物に該当するか否かを示す数値であることを特徴とする請求項１～６のいずれか一項に記載の発育ステージの予測方法。
【請求項8】
前記第１の気象条件は、少なくとも気温あるいは日長のいずれかを含むことを特徴とする請求項１～７のいずれか一項に記載の発育ステージの予測方法。
【請求項9】
第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、第２のニューラルネットワークを用いて、前記作物が栽培される地域に特有の情報から前記関数の値を調節する係数を決定する係数決定部と、
前記係数で調整した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、
算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、
を有することを特徴とする作物の発育ステージの予測装置。
【請求項10】
第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、
決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、
算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、
を有することを特徴とする作物の発育ステージの予測装置。
【請求項11】
第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、
決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、
算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、
を有し、
前記関数は、出力がDVRである第３のニューラルネットワークであり、
前記関数決定部は、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定する、
ことを特徴とする作物の発育ステージの予測装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、作物の発育ステージの予測方法及び予測装置に関する。
【背景技術】
【0002】
近年の農業のICT(Information and Communication Technology)化に伴い、作物の発育ステージを自動的に予測してそれを作物の栽培管理に役立てたいというニーズが高まりつつある。特に、品種登録される品種数が増加傾向にある昨今において、新品種などの発育ステージの実測値を有しない品種に対しても、発育ステージ予測への対応が速やかに実施できることが望まれる。
【0003】
また、発育ステージは、作物が栽培されている圃場の気象条件や栽培条件、地球温暖化等の気象変動によっても変動し得るため、これらを考慮して適切に予測するのが好ましい。
【先行技術文献】
【非特許文献】
【0004】
【文献】堀江、「気象と作物の光合成, 蒸散そして生長に関するシステム生態学的研究」、農業技術研究所報告A、28:1-181、1981
【文献】堀江、中川、「イネの発育過程のモデル化と予測に関する研究: 第1報 モデルの基本構造とパラメータの推定法および出穂予測への適用」、日本作物学会紀事、59(4):687-695、1990
【文献】Loomis and Conner、Development. In “Crop ecology”、 Cambridge University Press、p.104-128、1992
【文献】Nakagawa et al.、“Flowering response of rice to photoperiod and temperature: a QTL analysis using a phenological model”、Theoretical and Applied Genetics、110(4)、778-786、2005
【文献】中野他、「ダイズ品種の発育モデルの作成と気温上昇が発育速度に及ぼす影響の広域推定」、日本作物学会紀事、84(4):408-417、2015
【文献】中園他、「コムギの発育段階の推定モデル」、日本作物学会紀事、83(3):249-259、2014
【文献】Summerfield et al.、“Phenological adaptation to cropping environment. From evaluation descriptors of times to flowering to the genetic characterization of flowering responses to photoperiod and temperature”、Euphytica、92:281-286、1996
【文献】Onogi et al.、“Toward integration of genomic selection with crop modelling:the development of an integrated approach to predicting rice heading dates”、Theoretical and Applied Genetics、129(4):805-817、2016
【文献】Yin et al.、“QTL analysis and QTL-based prediction of flowering phenology in recombinant inbred lines of barley”、Journal of Experimental Botany、56(413):967-976、2005
【文献】Yano et al.、“Hd1, a Major Photoperiod Sensitivity Quantitative Trait Locus in Rice, Is Closely Related to the Arabidopsis Flowering Time Gene CONSTANS”、Plant Cell、12(12) :2473-2484、2000
【文献】Xue et al.、“Natural variation in Ghd7 is an important regulator of heading date and yield potential in rice”、Nature Genetics、40:761-767、2008
【文献】Yoshida et al.、“A model for simulating plant N accumulation, growth and yield of diverse rice genotypes grown under different soil and climatic conditions”、Field Crops Research、117(1):122-130、2010
【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、十分な予測精度で発育ステージを予測する方法はまだ確立されていない。
【0006】
本発明は、十分な予測精度で発育ステージを予測することが可能な作物の発育ステージの予測方法及び予測装置を提供することを目的とする。
【課題を解決するための手段】
【0007】
本発明の第１の作物の発育ステージの予測方法は、コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数（以下、「ＤＶＲ関数」と呼ぶ）を決定し、第２のニューラルネットワークを用いて、前記作物が栽培される地域に特有の情報から前記関数の値を調節する係数を決定し、前記係数で調整した前記関数に第１の気象条件を入力することによりDVRを算出し、算出した前記DVRに基づいて前記作物の発育ステージを予測する、処理を実行する方法である。
本発明の第２の作物の発育ステージの予測方法は、コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、決定した前記関数に第１の気象条件を入力することによりDVRを算出し、算出した前記DVRに基づいて前記作物の発育ステージを予測する、処理を実行する方法である。
本発明の第３の作物の発育ステージの予測方法は、コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、決定した前記関数に第１の気象条件を入力することによりDVRを算出し、算出した前記DVRに基づいて前記作物の発育ステージを予測する、処理を実行し、前記関数は、出力がDVRである第３のニューラルネットワークであり、前記関数を決定する処理では、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定する方法である。
本発明の第２の作物の発育ステージの予測方法は、コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、決定した前記関数に第１の気象条件を入力することによりDVRを算出し、算出した前記DVRに基づいて前記作物の発育ステージを予測する、処理を実行する方法である。
本発明の第３の作物の発育ステージの予測方法は、コンピュータが、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定し、決定した前記関数に第１の気象条件を入力することによりDVRを算出し、算出した前記DVRに基づいて前記作物の発育ステージを予測する、処理を実行し、前記関数は、出力がDVRである第３のニューラルネットワークであり、前記関数を決定する処理では、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定する方法である。
【0008】
また、本発明の第１の発育ステージの予測装置は、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、第２のニューラルネットワークを用いて、前記作物が栽培される地域に特有の情報から前記関数の値を調節する係数を決定する係数決定部と、前記係数で調整した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、を有する装置である。
本発明の第２の作物の発育ステージの予測装置は、第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、を有する装置である。
本発明の第３の作物の発育ステージの予測装置は、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、を有し、前記関数は、出力がDVRである第３のニューラルネットワークであり、前記関数決定部は、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定する。
本発明の第２の作物の発育ステージの予測装置は、第１のニューラルネットワークを用いて作物の遺伝学的情報と栽培条件の情報とを含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、を有する装置である。
本発明の第３の作物の発育ステージの予測装置は、第１のニューラルネットワークを用いて作物の遺伝学的情報を含む第１の情報から、DVR(Development Rate)を出力する関数を決定する関数決定部と、決定した前記関数に第１の気象条件を入力することによりDVRを算出するDVR算出部と、算出した前記DVRに基づいて前記作物の発育ステージを予測する発育ステージ予測部と、を有し、前記関数は、出力がDVRである第３のニューラルネットワークであり、前記関数決定部は、前記第１のニューラルネットワークを用いて前記第１の情報から前記第３のニューラルネットワークに入力する潜在変数を決定する。
【発明の効果】
【0009】
本発明は、十分な予測精度で発育ステージを予測することができる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
本実施形態の説明に先立ち、本願発明者が検討した事項について説明する。
【0012】
作物の発育ステージを予測する方法としてDVR(Development Rate)関数を用いた方法がある。DVR関数は、気象条件からDVRを算出する関数であって、例えば次の式（１）で表される。
【0013】
【数1】
【0014】
・G: 出穂までの最小日数
・A: 温度係数
・Th: ある日長の下で発育速度が最大値の２分の１になる温度
・B: 日長係数
・Lc: 限界日長
このDVR関数に気象条件としてL（日長）とT（気温）とを入力することにより、その気象条件下における作物のDVRが得られる。DVR関数の形は式（１）以外にも様々なものがあるが、いずれも作物学の知識を利用することにより決定される。
・A: 温度係数
・Th: ある日長の下で発育速度が最大値の２分の１になる温度
・B: 日長係数
・Lc: 限界日長
このDVR関数に気象条件としてL（日長）とT（気温）とを入力することにより、その気象条件下における作物のDVRが得られる。DVR関数の形は式（１）以外にも様々なものがあるが、いずれも作物学の知識を利用することにより決定される。
【0015】
そして、例えば時系列の気象条件を用いてある時間スケールごとにDVRを求めると、以下の式（２）に従って作物の発育ステージを示すDVS(Development Stage)を算出することができる。算出されるDVSの値は、出穂期などの重要な発育ステージの予測や、出穂期に至る過程で行われる追肥などの栽培管理の適期を示す指標値としても活用することができる。
【0016】
【数2】
【0017】
上記によれば、例えば基準日を現在とした場合に、L（日長）やT（気温）の予測値を式（１）に入力することで、現在からn日目のDVSを予測することができる。
【0018】
しかしながら、G、A、Th、B、Lc等のDVR関数のパラメータは式（２）で算出したDVSとその実測値との誤差が小さくなるように決定され、そのためには相当数の当該作物品種を実際に栽培してDVSの実測値を求める必要があり、新品種などの発育ステージの実測値を有しない品種に対応できるようになるまで長時間を要してしまう。
【0019】
このような問題を解決するために、次のようにして発育ステージを予測する方法も考えられる。
【0020】
図１は、本願発明者が検討した発育ステージの予測方法について示す模式図である。
【0021】
この方法では、気温T1、T2、…、Tn、日長L1、L2、…、Ln、及び遺伝学的情報X1_1、X1_2、…を入力とするニューラルネットワーク１を用いて、基準日からある発育ステージ(出穂日等)に至るまでの日数を予測する。このうち、気温T1、T2、…、Tnは、それぞれ基準日から１日目、２日目、…n日目の気温である。また、日長L1、L2、…、Lnは、それぞれ基準日から１日目、２日目、…n日目の日長である。
【0022】
そして、遺伝学的情報X1_1、X1_2、…は、ある遺伝子X1のハプロタイプを「0」と「1」にエンコードした情報である。例えば、ある作物がX1遺伝子の１番目のハプロタイプである場合にはX1_1=1であり、X1遺伝子の１番目のハプロタイプでない場合にはX1_1=0である。
【0023】
また、このニューラルネットワーク１における各層の重み行列は、算出された予測値とその実測値との誤差をニューラルネットワーク１に逆伝搬させることにより調整される。誤差としては、例えば次の式（３）の損失関数の値Eから算出される。
【0024】
【数3】
【0025】
このような方法によれば、遺伝学的情報を入力とするニューラルネットワーク１を用いるため、新品種などの発育ステージの実測値を有しない品種であっても遺伝学的情報を有していれば、その遺伝学的情報を考慮して、ある発育ステージに至るまでの日数を算出でき、式（１）のDVR関数を用いる場合よりも短時間で発育ステージ予測に対応できると考えられる。
【0026】
しかしながら、この方法では、ニューラルネットワーク１から出力される予測結果の根拠がブラックボックスになるという問題がある。
【0027】
更に、作物学の知識を利用したDVR関数を用いていないため、算出された予測値に作物学の知識が一切反映されず、与えられた学習データのみから帰納的に推論する。そのため、モデルの学習に用いることが可能な既知の品種や地域に対する予測(内挿)の精度は高いが、学習に使用していない新品種や新たな地域に対する予測(外挿)の精度に問題がある。
【0028】
しかも、この方法で算出されるのはある発育ステージに至るまでの日数であって、そこに至るまでの途中の発育ステージを示すDVSを算出することができない。
【0029】
図２は、本願発明者が検討した発育ステージの別の予測方法について示す模式図である。
【0030】
この方法では、以下のようにステップＳ１とステップＳ２の２ステップでDVSを予測する。
【0031】
まず、ステップＳ１においては、気温T及び日長L等の気象条件と、品種A～Cのそれぞれの実際の栽培データとを用いて、DVRモデル２により品種A～CのそれぞれのDVR関数のパラメータを推定する。栽培データは、例えば、品種A～CのDVSの実測値等である。
【0032】
DVRモデル２は、例えば、気象条件と栽培データから式（１）のDVR関数のパラメータG、A、Th、B、Lcを推定するモデルである。
【0033】
次に、ステップＳ２において、ステップＳ１で推定したDVR関数のパラメータを教師データとして用いて、作物の遺伝学的情報とDVR関数のパラメータとの関係を機械学習のモデル３に学習させる。
【0034】
この後は、学習済のモデル３に作物の遺伝学的情報を入力することで得られるDVR関数のパラメータを式（１）のDVR関数に使用する。そして、そのDVR関数で得られたDVRiを式（２）に使用することでDVSを予測することができる。
【0035】
この方法では、図１の方法とは異なり、作物学の知識を利用したDVR関数でDVSを予測するため、そのDVSに作物学の知識を反映させることができる。
【0036】
しかしながら、ステップＳ１においてDVR関数のパラメータを推定するために品種ごとの栽培データが必要であるため、DVR関数のパラメータの推定精度を維持するために品種ごとにある程度の栽培データを蓄積する必要がある。
【0037】
また、ステップＳ１において品種ごとにDVR関数のパラメータを推定しているため、機械学習のモデル３が品種ごとのDVR関数のパラメータを過学習し易いうえに、品種間の遺伝学的な類似性を考慮したモデル３を構築するのが難しい。
【0038】
図３は、本願発明者が検討した発育ステージの別の予測方法について示す模式図である。
【0039】
この方法では、変分ベイズ法とマルコフ連鎖モンテカルロ法(MCMC)により次の式（４）のDVR関数のパラメータを推定する。
【0040】
【数4】
【0041】
そして、推定したDVR関数のパラメータyjを式（２）のDVRiに代入することによりDVSを得る。
【0042】
この方法によれば、図２の方法のように２ステップの処理を行う必要がない。しかしながら、式（４）は、遺伝子型のパラメータupについての線形モデルであるため、複数の遺伝子が相互に影響し合いながら環境応答を決定するメカニズムを考慮することが難しい。
【0043】
以下、各実施形態について説明する。
【0044】
（第１実施形態）
図４は、第１実施形態に係る作物の発育ステージの予測装置の模式図である。
図４は、第１実施形態に係る作物の発育ステージの予測装置の模式図である。
【0045】
この予測装置１０は、PC(Personal Computer)やサーバ等のコンピュータであって、気温や日長等の気象条件と作物の遺伝学的情報とに基づいて、当該作物のDVSを予測する。以下では、遺伝学的情報として図１の例と同様にX1_1、X1_2、…を採用する。前述のように、遺伝学的情報X1_1、X1_2、…は、ある遺伝子X1のハプロタイプを「0」と「1」にエンコードした情報である。例えば、ある作物がX1遺伝子の１番目のハプロタイプである場合にはX1_1=1であり、X1遺伝子の１番目のハプロタイプでない場合にはX1_1=0である。
【0046】
更に、DVR関数は特に限定されないが、以下では前述の式（１）と同じDVR関数を使用する。
【0047】
図５は、予測装置１０が実行する作物の発育ステージの予測方法の概略を示す模式図である。
【0048】
まず、予測装置１０は、ニューラルネットワーク１１を用いて遺伝学的情報X1_1、X1_2、…からDVR関数のパラメータG、A、Th、B、Lcを推定する。
【0049】
次いで、予測装置１０は、推定したDVR関数のパラメータG、A、Th、B、Lcを含むDVR関数に日々の気温Tiと日長Liの値を入力することにより日々のDVRを推定する。
【0050】
なお、気温Tiは、移植日等の基準日からi日目の気温である。また、日長Liは、基準日からi日目の日長である。これらの値としては、例えば気象庁や国立研究開発法人農業・食品産業技術総合研究機構等の気象データを用いることができる。これにより、予測装置１０は、基準日からi日目までの日々のDVRを推定することになる。
【0051】
次いで、予測装置１０が、式（２）を用いることにより、日々のDVRの和をDVSとして算出する。
【0052】
この後は、算出したDVSと実測値との誤差をニューラルネットワーク１１に逆伝搬させることにより、ニューラルネットワーク１１にDVSの実測値と遺伝学的情報との関係を学習させる。その学習に使用する誤差としては、例えば次の式（５）の損失関数の値Eがある。
【0053】
【数5】
【0054】
このような予測方法によれば、ニューラルネットワーク１１の入力に遺伝学的情報X1_1、X1_2、…が含まれるため、遺伝学的情報を有していれば、新品種などの栽培データが無い品種の作物のDVSを算出することができる。
【0055】
しかも、作物学の知識が反映されているDVR関数を利用してDVSを算出し、かつ、ニューラルネットワークの誤差逆伝搬法を用いることで、品種間の遺伝学的な類似性を考慮できる1ステップでの処理が可能となるため、汎化性能(未知のデータに対する予測性能)が向上し、特に新品種など学習データ(栽培データ)の無い品種のDVSの予測精度を高めることができる。
【0056】
また、ニューラルネットワーク１１で実現されるモデルは式（４）のような単純な線形モデルではないため、複数の遺伝子が相互に影響し合いながら環境応答を決定するメカニズムを考慮してDVSを算出でき、DVR関数のパラメータが安定する。
【0057】
更に、DVR関数を利用してDVSを算出するため、予測結果の根拠を理解しやすく、モデルの説明可能性に優れている。そのうえ、図１の方法とは異なり、途中の生育過程をDVSの値により出力することができる。
【0058】
加えて、遺伝学的情報がDVR関数の各パラメータに与える影響を推定することができる。また、一度推定されたDVR関数のパラメータは、他のモデルにも流用することができる。例えば、式（１）のDVR関数のパラメータを利用して、イネの収量等を予測するモデル(非特許文献１２参照)などで活用が可能である。
【0059】
なお、DVR関数は式（１）の５パラメータの関数に限定されず、予測装置１０が以下や文献等にて有効性が確認されている各DVR関数やそれらの組み合わせを用いてもよい。
【0060】
【数6】
【0061】
式（６）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてG、A、Th、B、Lc、DVS*の各パラメータをニューラルネットワーク１１を用いて決定する。
【0062】
また、次のようなDVR関数を用いてもよい。
【0063】
【数7】
【0064】
【数8】
【0065】
【数9】
【0066】
・DVS1 = 0.145 + 0.005G
・DVS2 = 0.345 + 0.005G
また、Tb、To、Tcは、いずれも気温反応の閾値である。このうち、Tbは成長下限の閾値であり、Toは最適閾値であり、Tcは成長上限の閾値である。これらの値は以下のように与えられる。
・DVS2 = 0.345 + 0.005G
また、Tb、To、Tcは、いずれも気温反応の閾値である。このうち、Tbは成長下限の閾値であり、Toは最適閾値であり、Tcは成長上限の閾値である。これらの値は以下のように与えられる。
【0067】
・Tb = 8
・To = 30
・Tc = 42
一方、Lb、Lo、Lcは、いずれも日長反応の閾値である。このうち、Lbは成長下限の閾値であり、Loは最適閾値であり、Lcは成長上限の閾値である。これらの値は以下のように与えられる。
・To = 30
・Tc = 42
一方、Lb、Lo、Lcは、いずれも日長反応の閾値である。このうち、Lbは成長下限の閾値であり、Loは最適閾値であり、Lcは成長上限の閾値である。これらの値は以下のように与えられる。
【0068】
・Lb = 0
・Lo = 10
・Lc = 24
式（７）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてG、α、βの各パラメータをニューラルネットワーク１１を用いて推定する。
・Lo = 10
・Lc = 24
式（７）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてG、α、βの各パラメータをニューラルネットワーク１１を用いて推定する。
【0069】
また、次のようなDVR関数を用いてもよい。
【0070】
【数10】
【0071】
式（１０）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてTb、Lb、PTUの各パラメータをニューラルネットワーク１１を用いて推定する。
【0072】
また、次のようなDVR関数を用いてもよい。
【0073】
【数11】
【0074】
式（１１）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてa、b、cの各パラメータをニューラルネットワーク１１を用いて推定する。
【0075】
また、次のようなDVR関数を用いてもよい。
【0076】
【数12】
【0077】
式（１２）のDVR関数を用いる場合は、予測装置１０は、DVR関数のパラメータとしてTb、Tsumの各パラメータをニューラルネットワーク１１を用いて推定する。
【0078】
図６は、式（１２）のDVR関数を用いる場合の発育ステージの予測方法の概略を示す模式図である。
【0079】
この場合は、予測装置１０が、ニューラルネットワーク１１を用いることにより、遺伝学的情報X1_1、X1_2、…からDVR関数のパラメータTb、Tsumを推定する。
【0080】
そして、予測装置１０は、推定したDVR関数のパラメータTb、Tsumを含む式（１２）のDVR関数に日々の気温Tiを入力することにより日々のDVRを推定する。
【0081】
その後、予測装置１０が、式（２）を用いることにより日々のDVRの和をDVSとして算出する。
【0082】
ところで、本実施形態では図５や図６のように遺伝学的情報としてハプロタイプX1_1、X1_2、…を採用し、そのハプロタイプを入力とするニューラルネットワーク１１でDVR関数のパラメータを推定する。そのため、ニューラルネットワーク１１により、ハプロタイプの変化に伴うDVR関数のパラメータの変化が、確からしく推定できることが望ましい。
【0083】
図７は、DVR関数のパラメータの一つであるLc（限界日長）がハプロタイプHd1_1、Hd1_2、…及びGhd7_1、Ghd7_2、…によってどのように変化するのかを示す図である。
【0084】
なお、ここではイネを対象として、144品種における出穂期関連11遺伝子のハプロタイプと当該品種の出穂期データ(秋田県大仙市、新潟県上越市、茨城県つくば市、茨城県つくばみらい市、富山県富山市、兵庫県加西市、広島県福山市、福岡県筑後市の8地点の2004年～2017年のデータ、N=8959)を用いて、本実施形態によりDVR関数のパラメータを推定した。そして、各品種の結果をそれぞれが該当するHd1遺伝子のハプロタイプ(5種類)及びGhd7遺伝子のハプロタイプ(3種類)別に層別し、層別後のグループごとにLcの平均値を算出したものである。
【0085】
図７に示すように、Hd1、Ghd7のハプロタイプの違いによって、Lcの値に明確な違いがみられる。Hd1とGhd7はイネの日長反応性に大きな影響を与える遺伝子であることが知られており（非特許文献１０、１１参照）、その実態を反映した結果と考えられる。
【0086】
なお、Hd1のタイプが1や2の場合、Lcが小さくなり、4～7の場合は大きくなる傾向にある。一方で、Ghd7のタイプが2や3の場合は、Hd1のタイプの違いによるLcの変化が小さくなる(Hd1の効果が抑制される)傾向にあり、Hd1とGhd7に相互作用がみられることを示している。非線形な関係を表現できるニューラルネットワークにより、このような遺伝子間の相互作用についても考慮することが可能となる。
【0087】
よって上記のようにハプロタイプX1_1、X1_2、…を入力とするニューラルネットワーク１１でDVR関数のパラメータを推定することができる。
【0088】
次に、本発明の効果を確かめるために本願発明者が行った調査について説明する。
【0089】
その調査では、本実施形態、図１のニューラルネットワーク１を用いた方法（比較例１）、及び図２の２ステップで発育ステージを予測する方法（比較例２）の各々について、移植日を基準日として出穂に要する日数を予測し、その予測値と実測値とを比較した。
【0090】
なお、ここではイネを対象として、144品種における出穂期関連11遺伝子のハプロタイプと出穂期データ(秋田県大仙市、新潟県上越市、茨城県つくば市、茨城県つくばみらい市、富山県富山市、兵庫県加西市、広島県福山市、福岡県筑後市の8地点の2004年～2017年のデータ、N=8959)を用いて、3分割交差検証により精度を検証した例を示す。なお、交差検証では、新品種などの発育ステージの実測値を有しない品種を予測した場合の精度を推定するため、学習データとテストデータに使用する品種を分けて、モデルの学習に使用していない品種に対する予測精度を検証した。
【0091】
なお、図２の比較例２においては、ステップＳ１で差分進化法(Differential Evolution)を用いて品種ごとのDVR関数のパラメータを推定した。そして、ステップＳ２において、Xgboost (eXtreme Gradient Boosting)により遺伝子のハプロタイプからDVR関数のパラメータを推定するモデルを作成した。
【0092】
その結果を図８に示す。また、この調査で得られたMAE (Mean Absolute Error)（日）、RMSE (Root Mean Squared Error)（日）、及び絶対誤差中央値（日）を表１に示す。
【0093】
【表1】
【0094】
なお、本実施形態を適用し得る作物は、気温や日長等の気象条件によって出穂期や開花期などの発育ステージが影響を受ける作物であれば特に限定されない。そのような作物としては、例えば、イネ、コムギ、ダイズ、オオムギ、及びアズキ等がある。
【0095】
特に、イネに加えて、コムギやダイズ等の発育ステージをDVR関数で求める技術は確立されているため（非特許文献６、７参照）、本実施形態ではそのDVR関数のパラメータをニューラルネットワーク１１で良好に推定することができる。
【0096】
更に、ニューラルネットワーク１１に入力する遺伝学的情報はハプロタイプに限定されない。例えば、RFLPマーカー、SNPマーカー、AFLPマーカー等を遺伝学的情報として用いてもよい。RFLPマーカー、SNPマーカー、AFLPマーカーが発育ステージの予測に有用であることは、例えばそれぞれ非特許文献４、非特許文献８、及び非特許文献９において裏付けられている。
【0097】
また、遺伝学的情報に加え、図９のように気象条件も同時にニューラルネットワーク１１に入力してもよい。図９は、本実施形態に係る予測装置が実行する作物の発育ステージの別の予測方法の概略を示す模式図である。これにより、気象条件に応じた遺伝子発現の違い（及び遺伝子発現の違いによる環境応答性の違い）を考慮して発育ステージを予測できる可能性がある。
【0098】
なお、図９においては、気象条件をニューラルネットワーク１１に入力することとしたが、これに限らず、気象条件を含む環境条件と、作物の栽培管理情報の中から選択した情報をニューラルネットワーク１１に入力することとしてもよい。環境条件には、気象条件の他、土壌条件（土壌タイプ、土壌化学性、土壌物理性等）、地形条件、水分条件等が含まれる。また、栽培管理情報には、施肥に関する情報、水管理に関する情報、育苗法に関する情報、移植時の葉齢、栽植様式や栽植密度、防除（農薬散布等）の情報等が含まれる。したがって、ニューラルネットワーク１１には、これらの情報のいずれか、又はこれらの情報の組み合わせを入力することができる。これにより、環境条件や栽培管理情報に応じた遺伝子発現の違い（及び遺伝子発現の違いによる環境応答性の違い）を考慮して発育ステージを予測できる可能性がある。
【0099】
次に、本実施形態に係る予測装置１０の機能構成について説明する。
【0100】
図１０は、本実施形態に係る予測装置１０の機能構成図である。
【0101】
図１０に示すように、予測装置１０は、取得部２１、関数決定部としてのパラメータ決定部２２、DVR算出部２３、発育ステージ予測部２４、出力部２５、及び学習部２６を有する。
【0102】
このうち、取得部２１は、気温や日長等の気象条件と遺伝学的情報X1_1、X1_2、…とを取得する処理部である。一例として、取得部２１は、キーボード等の入力装置でユーザが予測装置１０に入力した気象条件と遺伝学的情報とを取得する。なお、気象条件については、気象庁や国立研究開発法人農業・食品産業技術総合研究機構のサーバから取得部２１が取得してもよい。
【0103】
パラメータ決定部２２は、ニューラルネットワーク１１を用いることにより、取得部２１が取得した遺伝学的情報からDVR関数のパラメータを決定する処理部である。
【0104】
DVR算出部２３は、決定したパラメータを含むDVR関数に、取得部２１が取得した気象条件を入力することにより、DVRを算出する処理部である。そのDVR関数として、式（１）、（６）、（７）、（１０）、（１１）、（１２）及び文献等にて有効性が確認されているいずれかの関数を使用し得る。
【0105】
発育ステージ予測部２４は、DVR算出部２３が算出したDVRに基づいて作物の発育ステージを示す値であるDVSを予測する処理部である。例えば、発育ステージ予測部２４は、式（２）を用いることにより、日々のDVRの和をDVSとして算出する。
【0106】
出力部２５は、発育ステージ予測部２４が算出したDVSを出力する処理部である。一例として、出力部２５は、算出したDVSを表示する指示を液晶ディスプレイ等の表示装置に出力する。
【0107】
学習部２６は、発育ステージ予測部２４が算出したDVSとその実測値との誤差をニューラルネットワーク１１に逆伝搬させることにより、ニューラルネットワーク１１にDVSの実測値と遺伝学的情報との関係を学習させる処理部である。その学習に使用する誤差としては、例えば式（５）の損失関数の値Eがある。
【0108】
次に、本実施形態に係る作物の発育ステージの予測方法について説明する。
【0109】
図１１は、その予測方法のフローチャートである。
【0110】
まず、取得部２１が気象条件と遺伝学的情報とを取得し（ステップＳ１１）、パラメータ決定部２２がニューラルネットワーク１１を用いて遺伝学的情報からDVR関数のパラメータを決定する（ステップＳ１２）。
【0111】
次いで、DVR算出部２３が、決定したパラメータを含むDVR関数に気象条件を入力することによりDVRを算出する（ステップＳ１３）。
【0112】
次に、発育ステージ予測部２４が、算出したDVRに基づいて発育ステージを示す値であるDVSを予測する（ステップＳ１４）。例えば、発育ステージ予測部２４は、算出した日々のDVRの和をDVSとして算出する。
【0113】
その後、出力部２５がDVSを出力する（ステップＳ１５）。
【0114】
以上により、本実施形態に係る作物の発育ステージの予測方法の基本的な処理を終える。
【0115】
（第２実施形態）
作物の生育速度には地域差がある場合がある。そのような地域差を考慮してDVSを予測するために、本実施形態では次のようにDVR関数の値を調節する。
作物の生育速度には地域差がある場合がある。そのような地域差を考慮してDVSを予測するために、本実施形態では次のようにDVR関数の値を調節する。
【0116】
図１２は、本実施形態において予測装置１０が実行する作物の発育ステージの予測方法の概略を示す模式図である。なお、図１２において、第１実施形態で説明したのと同じ要素には第１実施形態におけるのと同じ符号を付し、以下ではその説明を省略する。
【0117】
本実施形態では、パラメータ決定部２２が、ニューラルネットワーク１７を用いることにより係数θを決定する。係数θは、次の式（１３）のように、作物の生育速度の地域差を考慮してDVR関数の値を調節する係数である。
【0118】
【数13】
【0119】
ニューラルネットワーク１７は、作物が栽培される地域に特有の情報から係数θを推定するモデルである。地域に特有の情報は特に限定されないが、ここでは移植日等の基準日から１日目～n日目の気温Tiと日長Liとをその情報として使用する。
【0120】
そして、DVR算出部２３が、ニューラルネットワーク１７で推定した係数θと、ニューラルネットワーク１１で推定したDVR関数のパラメータG、A、Th、B、Lcとを含む式（１３）のDVR関数に、取得部２１が取得した気象条件を入力することにより、日々のDVRを算出する。
【0121】
その後、発育ステージ予測部２４が、日々のDVRの和をDVSとして算出する。
【0122】
これによれば、作物の生育速度の地域差を考慮してDVSを算出することができる。
【0123】
なお、この例では式（１３）のように式（１）のDVR関数に係数θを乗じた式を用いたが、式（６）、（７）、（１０）、（１１）、（１２）、及び文献等で有効性が確認されている関数のいずれかに係数θを乗じた関数を用いてもよい。
【0124】
（第３実施形態）
上記第１実施形態では、予測装置１０は、図５に示すように、ニューラルネットワーク１１を用いて遺伝学的情報X1_1、X1_2、…からDVR関数のパラメータG、A、Th、B、Lcを推定し、推定したDVR関数のパラメータG、A、Th、B、Lcを含むDVR関数に日々の気温Tiと日長Liの値を入力することにより日々のDVRを推定することとした。本第３実施形態では、図１３に示すように、予測装置１０は、ニューラルネットワーク１１１を用いて遺伝学的情報X1_1、X1_2、…からニューラルネットワーク１１３に入力する潜在変数Ｐ1、Ｐ2、…を推定し、推定した潜在変数Ｐ1、Ｐ2、…と、気象条件をニューラルネットワーク１１３に入力することで、出力としてDVRを推定する。このように、ニューラルネットワーク１１３を用いてDVRを算出することとしても、十分な精度で生育ステージを予測することができる。
上記第１実施形態では、予測装置１０は、図５に示すように、ニューラルネットワーク１１を用いて遺伝学的情報X1_1、X1_2、…からDVR関数のパラメータG、A、Th、B、Lcを推定し、推定したDVR関数のパラメータG、A、Th、B、Lcを含むDVR関数に日々の気温Tiと日長Liの値を入力することにより日々のDVRを推定することとした。本第３実施形態では、図１３に示すように、予測装置１０は、ニューラルネットワーク１１１を用いて遺伝学的情報X1_1、X1_2、…からニューラルネットワーク１１３に入力する潜在変数Ｐ1、Ｐ2、…を推定し、推定した潜在変数Ｐ1、Ｐ2、…と、気象条件をニューラルネットワーク１１３に入力することで、出力としてDVRを推定する。このように、ニューラルネットワーク１１３を用いてDVRを算出することとしても、十分な精度で生育ステージを予測することができる。
【0125】
次に、本第３実施形態の効果を確かめるために本願発明者が行った調査について説明する。
【0126】
本第３実施形態においても、前述した表１に結果を示す調査と同様の調査を行った。その結果、MAE（日）として4.6、RMSE（日）として6.3、絶対誤差中央値（日）として3.2が得られた。表１と比較するとわかるように、本第３実施形態においても、MAE、RMSE、絶対誤差中央値ともに比較例１と比較例２のどちらよりも小さくなり、かつ、上記第１実施形態と近い値となるため、第１実施形態と同様、比較例１、２よりも予測精度が向上することが明らかとなった。
【0127】
また、表２には、本第３実施形態と上記第１実施形態について、品種ごとに上記と同様の調査を行った結果が示されている。なお、表２には、MAE（日）のみが示されている。表２に記載されている品種については第３実施形態のようにニューラルネットワーク１１３を用いる方が予測精度が高いことが分かる。なお、表２には記載していない品種では、第１実施形態のようにDVR関数を用いる方が予測精度が高いこともあった。したがって、品種ごとに第１実施形態と第３実施形態のいずれかを選択することで、いずれか一方を画一的に用いる場合よりも予測精度の向上が期待できることが分かった。
【0128】
【表2】
【0129】
また、表３には、本第３実施形態と上記第１実施形態について、ハプロタイプの型ごとに上記と同様の調査を行った結果が示されている。なお、表３には、MAE（日）のみが示されている。表３に記載されているハプロタイフ゜については、第１実施形態を用いた方が予測精度が高くなるハプロタイプの型と、第３実施形態を用いた方が予測精度が高くなるハプロタイプの型とがあることが分かる。特に、該当品種数が少ないハプロタイプの型の場合（表３の太字下線付き箇所参照）、第３実施形態の方が予測精度が高くなる傾向にあることも分かる。したがって、ハプロタイプの型ごとに第１実施形態と第３実施形態のいずれかを選択することで、いずれか一方を画一的に用いる場合よりも予測精度の向上が期待できることが分かった。
【0130】
【表3】
【0131】
（ハードウェア構成）
次に、第１～第３実施形態に係る予測装置１０のハードウェア構成について説明する。
次に、第１～第３実施形態に係る予測装置１０のハードウェア構成について説明する。
【0132】
図１４は、第１～第３実施形態に係る予測装置１０のハードウェア構成図である。
【0133】
図１４に示すように、予測装置１０は、記憶装置１０ａ、メモリ１０ｂ、プロセッサ１０ｃ、通信インターフェース１０ｄ、表示装置１０ｅ、入力装置１０ｆ、及び媒体読取装置１０ｇを有する。これらの各部は、バス１０ｈにより相互に接続される。
【0134】
このうち、記憶装置１０ａは、HDD(Hard Disk Drive)やSSD(Solid State Drive)等の不揮発性のストレージであって、本実施形態に係る予測プログラム１００を記憶する。
【0135】
なお、予測プログラム１００をコンピュータが読み取り可能な記録媒体１０ｋに記録し、媒体読取装置１０ｇを介してプロセッサ１０ｃにその予測プログラム１００を読み取らせるようにしてもよい。
【0136】
そのような記録媒体１０ｋとしては、例えばCD-ROM(Compact Disc Read only memory)、DVD(Digital Versatile Disc)、及びUSB(Universal Serial Bus)メモリ等の物理的な可搬型記録媒体がある。また、フラッシュメモリ等の半導体メモリやハードディスクドライブを記録媒体１０ｋとして使用してもよい。これらの記録媒体１０ｋは、物理的な形態を持たない搬送波のような一時的な媒体ではない。
【0137】
更に、公衆回線、インターネット、及びLAN(Local Area Network)等に接続された装置に予測プログラム１００を記憶させてもよい。その場合は、プロセッサ１０ｃがその予測プログラム１００を読み出して実行すればよい。
【0138】
一方、メモリ１０ｂは、DRAM(Dynamic Random Access Memory)等のようにデータを一時的に記憶するハードウェアであって、その上に予測プログラム１００が展開される。
【0139】
プロセッサ１０ｃは、予測装置１０の各部を制御するCPU(Central Processing Unit)やGPU(Graphical Processing Unit)等のハードウェアである。また、プロセッサ１０ｃは、メモリ１０ｂと協働して予測プログラム１００を実行する。
【0140】
このようにメモリ１０ｂとプロセッサ１０ｃとが協働して予測プログラム１００を実行することにより、図１０の取得部２１、パラメータ決定部２２、DVR算出部２３、発育ステージ予測部２４、及び出力部２５が実現される。
【0141】
更に、通信インターフェース１０ｄは、予測装置１０をLANやインターネット等のネットワークに接続するためのNIC(Network Interface Card)等のハードウェアである。
【0142】
そして、表示装置１０ｅは、算出したDVSを表示するための液晶ディスプレイやタッチパネル等のハードウェアである。
【0143】
また、入力装置１０ｆは、ユーザが予測装置１０に気象条件と遺伝学的情報とを入力するためのキーボードやマウス等のハードウェアである。
【0144】
媒体読取装置１０ｇは、記録媒体１０ｋを読み取るためのCDドライブ、DVDドライブ、及びUSBインターフェース等のハードウェアである。
【0145】
上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。例えば、これまでの説明では、気象条件を入力とし、DVRを出力する関数が、第１実施形態のDVR関数や、変形例のDVR関数、第３実施形態のニューラルネットワーク１１３である場合について説明したが、気象条件を入力とし、DVRを出力する関数は、これらに限られるものではない。その他の関数であっても、気象条件を入力とし、DVRを出力する関数であれば、適宜用いることが可能である。
【符号の説明】
【0146】
１、１１、１７、１１１，１１３…ニューラルネットワーク、１０…予測装置、２１…取得部、２２…パラメータ決定部、２３…DVR算出部、２４…発育ステージ予測部、２５…出力部、２６…学習部。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】