知財求人 - 知財ポータルサイト「IP Force」
▶ インターナショナル・ビジネス・マシーンズ・コーポレーションの特許一覧
特許7572135農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定
(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】2024-10-15
(45)【発行日】2024-10-23
(54)【発明の名称】農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定
(51)【国際特許分類】
G06Q 50/02 20240101AFI20241016BHJP
G06T 7/00 20170101ALI20241016BHJP
【ＦＩ】
G06Q50/02
G06T7/00 640
【請求項の数】
17
(21)【出願番号】P 2022566299
(86)(22)【出願日】2021-05-04
(65)【公表番号】
(43)【公表日】2023-06-13
(86)【国際出願番号】 IB2021053724
(87)【国際公開番号】W WO2021229360
(87)【国際公開日】2021-11-18
【審査請求日】2023-10-26
(31)【優先権主張番号】16/871,794
(32)【優先日】2020-05-11
(33)【優先権主張国・地域又は機関】US
(73)【特許権者】
【識別番号】390009531
【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション
【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ
【住所又は居所原語表記】Ｎｅｗ Ｏｒｃｈａｒｄ Ｒｏａｄ， Ａｒｍｏｎｋ， Ｎｅｗ Ｙｏｒｋ １０５０４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ
(74)【代理人】
【識別番号】100112690
【弁理士】
【氏名又は名称】太佐 種一
(74)【代理人】
【識別番号】100120710
【弁理士】
【氏名又は名称】片岡 忠彦
(72)【発明者】
【氏名】サイ、ジテンドラ
(72)【発明者】
【氏名】テワリ、ムクル
(72)【発明者】
【氏名】デイ、クンタル
【審査官】塚田 肇
(56)【参考文献】
【文献】特開２０１５－１１９６４６（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１９／００５０９４８（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１６／００５５５９３（ＵＳ，Ａ１）
【文献】特開２０１０－００９１６３（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１２／０２３７０８３（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０２０／０３６４８４３（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１６／０２３２６２１（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｑ １０／００－９９／００
Ｇ０６Ｔ ７／００
(57)【特許請求の範囲】
【請求項1】
農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定するコンピュータ実装方法であって、農場画定データを受け取ることと、
前記農場画定データに基づいて農場領域を判定することと、
前記農場領域に関連付けられ、複数の画素セットを含む入力データを、複数のデータ・ソースから取り出すことと、
前記複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用して前記入力データに基づいて、前記複数の画素セットのそれぞれの作物害虫リスクの推定または前記複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含む作物リスク・データを判定することと、
前記作物リスク・データに基づいて、前記農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することと
前記複数の農場小区分のそれぞれについて、複数の対応策選択肢を特定することと、
前記複数の農場小区分のうちの１つまたは複数の農場小区分を視覚ヒートマップとして表示することであって、前記複数の農場小区分のうちの１つまたは複数の農場小区分のそれぞれから栽培の保護の為に識別された１つまたは複数の推奨対応策選択肢がその農場小区分に関連付けられたテキストとして前記視覚ヒートマップ上にさらに表示される、前記表示することと
を含む前記方法。
【請求項2】
農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定するコンピュータ実装方法であって、農場画定データを受け取ることと、
前記農場画定データに基づいて農場領域を判定することと、
前記農場領域に関連付けられ、複数の画素セットを含む入力データを、複数のデータ・ソースから取り出すことと、
前記複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用して前記入力データに基づいて、前記複数の画素セットのそれぞれの作物害虫リスクの推定または前記複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含む作物リスク・データを判定することと、
前記作物リスク・データに基づいて、前記農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することと
前記複数の農場小区分のそれぞれについて、複数の対応策選択肢を特定することと、
前記複数の農場小区分のそれぞれについて、その農場小区分のリスク・レベルに少なくとも部分的に基づいて、前記複数の対応策選択肢のそれぞれの推奨スコアを判定することと、
前記複数の農場小区分のそれぞれについて、前記複数の推奨スコアに基づいて前記複数の対応策選択肢から１つまたは複数の推奨対応策選択肢を提供することと
を含む前記方法。
【請求項3】
農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定するコンピュータ実装方法であって、農場画定データを受け取ることと、
前記農場画定データに基づいて農場領域を判定することと、
前記農場領域に関連付けられ、複数の画素セットを含む入力データを、複数のデータ・ソースから取り出すことと、
前記複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用して前記入力データに基づいて、前記複数の画素セットのそれぞれの作物害虫リスクの推定または前記複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含む作物リスク・データを判定することと、
前記作物リスク・データに基づいて、前記農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することと
を含み、
前記作物リスク・データに基づいて前記農場領域を各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することは、前記複数の農場小区分のうちの第１の農場小区分を前記複数の農場小区分のうちの第２の農場小区分における前記複数の画素セットのうちの候補画素セットを含むように拡張するか否かを、前記候補画素セットが少なくとも１つの農場小区分拡大閾値を満たすか否かに基づいて判定することを含み、前記複数の農場小区分のうちの前記第１の農場小区分は前記複数の農場小区分のうちの前記第２の農場小区分に隣接し、前記候補画素セットは前記複数の農場小区分のうちの前記第１の農場小区分における前記複数の画素セットのうちの隣接画素セットに隣り合う、前記方法。
【請求項4】
前記複数の農場小区分のうちの１つまたは複数の農場小区分を視覚ヒートマップとして表示することをさらに含む、請求項１～３のいずれか１項に記載の方法。
【請求項5】
前記複数の画素セットのそれぞれについて１つまたは複数の回帰モデルを使用して前記入力データに基づいて作物リスク・データを判定することは、前記複数の画素セットのそれぞれについて、複数の異なる時点のそれぞれにおける時間的作物リスク・データを判定することを含む、請求項１～３のいずれか１項に記載の方法。
【請求項6】
前記作物リスク・データに基づいて前記農場領域を各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することは、前記複数の異なる時点のそれぞれにおいて前記農場領域を、前記複数の異なる時点のそれぞれにおける前記時間的作物リスク・データに基づいて、各農場小区分がその時点におけるその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することを含む、請求項５に記載の方法。
【請求項7】
前記複数の異なる時点のうちのユーザ選択時点における前記複数の農場小区分のうちの１つまたは複数の農場小区分を、視覚ヒートマップとして表示することをさらに含む、請求項６に記載の方法。
【請求項8】
前記複数の農場小区分のそれぞれについて、その農場小区分のリスク・レベルに少なくとも部分的に基づいて、前記複数の対応策選択肢のそれぞれの推奨スコアを判定することを含み、前記１つまたは複数の推奨対応策選択肢が、前記複数の農場小区分のそれぞれについて、前記複数の推奨スコアに基づいて前記複数の対応策選択肢から提供される、請求項１に記載の方法。
【請求項9】
前記複数の農場小区分のそれぞれについて、複数の対応策選択肢を特定することと、前記複数の農場小区分のそれぞれについて、その農場小区分のリスク・レベルに少なくとも部分的に基づいて、前記複数の対応策選択肢のそれぞれの推奨スコアを判定することと、
前記複数の農場小区分のそれぞれについて、前記複数の推奨スコアに基づいて前記複数の対応策選択肢から１つまたは複数の推奨対応策選択肢を提供することとをさらに含む、請求項３に記載の方法。
【請求項10】
前記複数の農場小区分のそれぞれについて、前記複数の対応策選択肢が、複数の異なる時点におけるその農場小区分のための対応策選択肢を規定する複数の農場小区分時間的対応策選択肢を含む、請求項１、２又は９に記載の方法。
【請求項11】
前記複数の農場小区分のうちの１つまたは複数の農場小区分を視覚ヒートマップとして表示することと、前記複数の農場小区分のうちの前記１つまたは複数の農場小区分のそれぞれについて、前記１つまたは複数の推奨対応策選択肢をその農場小区分に関連付けられたテキストとして前記視覚ヒートマップ上に表示することとをさらに含む、請求項２又は９に記載の方法。
【請求項12】
前記作物リスク・データに基づいて前記農場領域を各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することは、前記複数の農場小区分のうちの第１の農場小区分を前記複数の農場小区分のうちの第２の農場小区分における前記複数の画素セットのうちの候補画素セットを含むように拡張するか否かを、前記候補画素セットが少なくとも１つの農場小区分拡大閾値を満たすか否かに基づいて判定することを含み、前記複数の農場小区分のうちの前記第１の農場小区分は前記複数の農場小区分のうちの前記第２の農場小区分に隣接し、前記候補画素セットは前記複数の農場小区分のうちの前記第１の農場小区分における前記複数の画素セットのうちの隣接画素セットに隣り合う、請求項１又は２に記載の方法。
【請求項13】
前記複数の農場小区分のうちの第１の農場小区分を前記複数の農場小区分のうちの第２の農場小区分内の前記複数の画素セットのうちの候補画素セットを含むように拡大するか否かを、前記候補画素セットが少なくとも１つの農場小区分拡大閾値を満たすか否かに基づいて判定することは、前記候補画素セットの前記作物リスク・データと前記隣接画素セットの前記作物リスク・データとの差が第１の農場小区分拡大閾値未満であるか否かを判定することと、
前記候補画素セットの前記作物リスク・データと前記複数の農場小区分のうちの前記第１の農場小区分における前記複数の画素セットのそれぞれの前記作物リスク・データとの差が、第２の農場小区分拡大閾値未満であるか否かを判定することとを含む、請求項３又は１２に記載の方法。
【請求項14】
前記第１の農場小区分拡大閾値と前記第２の農場小区分拡大閾値のうちの少なくとも一方を含む分解能選択データをユーザから受け取ることをさらに含む、請求項１３に記載の方法。
【請求項15】
請求項１ないし１４いずれか一項に記載の方法を実行するプロセッサを備えたシステム。
【請求項16】
プロセッサに、請求項１ないし１４いずれか一項に記載の方法を実行させるためのプログラム。
【請求項17】
農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定し、少なくとも１つの対応策を推奨するためのシステムであって、プロセッサと、ストレージ・デバイスと、前記プロセッサによる実行のために前記ストレージ・デバイスに記憶されたプログラム命令とを含むサーバ・デバイスを含み、
前記プログラム命令は、
農場画定データを受け取り、
前記農場画定データに基づいて農場領域を判定し、
前記農場領域に関連付けられ、複数の画素セットを含む入力データを、複数のデータ・ソースから取り出し、
前記複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用して前記入力データに基づいて、前記複数の画素セットのそれぞれの作物害虫リスクの推定または前記複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含む作物リスク・データを判定し、
前記作物リスク・データに基づいて、前記農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類し、
前記複数の農場小区分のそれぞれについて、複数の対応策選択肢を特定し、
前記複数の農場小区分のそれぞれについて、その農場小区分の前記リスク・レベルに少なくとも部分的に基づいて、前記複数の対応策選択肢のそれぞれの推奨スコアを判定し、
前記複数の農場小区分のそれぞれについて、前記複数の推奨スコアに基づいて前記複数の対応策選択肢から１つまたは複数の推奨対応策選択肢を提供するように、実行可能である、システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、一般に作物監視の分野に関する。より詳細には、本発明は、１つまたは複数の時空間回帰モデルを使用した農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定に関する。
【発明の概要】
【0002】
本開示の実施形態は、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定のための方法、装置およびコンピュータ・プログラム製品を含む。実施形態によっては、農場画定データが受け取られ、農場画定データに基づいて農場領域が判定され、農場領域に関連付けられた入力データが複数のデータ・ソースから取り出される。入力データは、複数の画素セットを含むことができる。実施形態によっては、複数の画素セットのそれぞれについて、空間および時間にわたる作物害虫リスクまたは作物病害リスクあるいはその両方をシミュレーションするために、１つまたは複数の時空間回帰モデルを使用して入力データに基づいて作物リスク・データが判定される。作物リスク・データは、複数の画素セットのそれぞれの作物害虫リスクの推定または複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含んでもよい。実施形態によっては、農場領域は、作物リスク・データに基づいて、各農場小区分がその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類される。実施形態によっては、複数の農場小区分のうちの１つまたは複数の農場小区分が視覚ヒートマップとして表示される。実施形態によっては、１つまたは複数の推奨対応策選択肢が、各農場小区分に関連付けられたテキストとして視覚ヒートマップ上に表示される。
【0003】
以下、実施形態について添付図面とともに説明するが、添付図面では同様の名称は同様の要素を示す。
【図面の簡単な説明】
【0004】
【図1】１つまたは複数の実施形態による、クラウド・コンピューティング・ノードを示す図である。
【図2】１つまたは複数の実施形態による、クラウド・コンピューティング環境を示す図である。
【図3】１つまたは複数の実施形態による、抽象化モデル層を示す図である。
【図4】１つまたは複数の実施形態による、農場小区分レベルでの作物害虫リスクまたは作物病害リスクあるいはその両方の評価のための例示のシステムであり、（たとえば画素レベルの）その出力が時系列配列（ａ０、ａ１、ａ２、．．．、ａｎ）を含み、各配列が、時点ｔｉにおいて予測されるタプル＜タイム・スタンプ，リスク値＞の配列ａｉを構成することができる、システムを示す図である。
【図5】１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定のための例示のシステムであり、（たとえば画素レベルの）その出力が高分解能リスク・マップ時系列を含むシステムを示す図である。
【図6】１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を表す例示の視覚ヒートマップを示す図である。
【図7】１つまたは複数の実施形態による、農場小区分拡大を示すために特定の画素セットの基礎にあるリスク値がラベル付けされている、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を表す例示の視覚ヒートマップを示す図である。
【図8】１つまたは複数の実施形態による、１つまたは複数の作物害虫または１つまたは複数の作物病害のそれぞれの、画素セット・レベルの回帰モデルを構築する例示の方法を示す流れ図である。
【図9】１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定する例示の方法を示す流れ図である。
【図10】１つまたは複数の実施形態による、農場小区分レベルの作物病中リスクまたは作物病害リスクあるいはその両方を推定し、１つまたは複数の対応策を推奨する例示の方法を示す流れ図である。
【図11】１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定と１つまたは複数の対応策の推奨を容易にする、例示の非限定的システムを示すブロック図である。
【図12】１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定と１つまたは複数の対応策の推奨とを要求し、推定および推奨の結果を表示するための、例示のクライアント・システムを示す図である。
【発明を実施するための形態】
【0005】
農業従事者および農業関連業者によって、さらに政府によって、作物監視が広く利用されている。たとえば、農産物取引、種子供給、農薬製造、および物流サービスなどの農業関連業者は、それぞれの事業の様々な局面において作物監視を使用している。作物監視は、政策管理を含む多くの政府機能でも使用されている。
【0006】
作物監視は無数の多くの形態で存在する。たとえば衛星作物監視は、高解像度衛星画像のスペクトル分析を使用して対象エリア（たとえば１つまたは複数の田畑）のリアルタイム作物植生指数監視を容易にする。作物監視は、「進行中の作期の播種状況はどうか（すなわち、どれだけの面積にすでに播種が行われているか）」および「異なる作物の作付面積はどのくらいか」など、作物成長に関する質問に答えるために使用されることが多い。
【0007】
作物監視は、作物害虫および病害（Ｐ＆Ｄ）管理の状況でも使用される。作物Ｐ＆Ｄ管理は、害虫および病害観察（すなわち、何がすでに起こっているか）と害虫および病害リスク予測（すなわち何が起こる可能性があるか）の両方を含む。作物害虫および病害リスク予測は、農場規模で行うことができ、すなわち農場が予測のための単一の単位とみなされる。たとえば、害虫および病害リスクは、気象条件（たとえば従来の害虫および病害リスク予測では、温度値を判定するために温度グリッドが一般的に使用され、降水値を判定するために降水量グリッドが一般的に使用される）、害虫および病害ダイナミクス、ならびに１つまたは複数の作物生育シミュレーション・モデルを使用して農場レベルで予測可能である。温度グリッドは、典型的には２．５マイル（４ｋｍ）×２．５マイル（４ｋｍ）の、典型的には正方形の物理領域である。降水量グリッドは、温度グリッドと目的と特性が類似している。このような従来の害虫および病害リスク予測で達成可能な最良の分解能は、気象データのグリッドの分解能である。その結果、従来の害虫および病害リスク予測によって判定された予想害虫および病害リスクに対処するための改善措置が農場全体にわたって実施される。
【0008】
しかし、害虫および病害リスクは、一般には農場全体で一様ではない。むしろ、害虫および病害リスクは、気象条件（たとえば、風速、気温、露点、湿度など）、土壌水分量および土壌の特性（たとえば、土壌の種類、土壌の健康度、土壌組成など）、灌漑および高度／水流のための勾配、施肥、害虫管理の履歴記録、播種日、使用種子品種、および使用機械／装置の種類およびその殺菌などの、農場小区分要因に左右される。さらに、害虫および病害リスクは、近隣農場のＰ＆Ｄリスクにも左右される。たとえば、高リスクの近隣農場は、少なくとも隣り合う農場の隣接部に対して高いリスクを生じさせる可能性がある。
【0009】
本明細書で使用する「農場」または「農場領域」という用語は、任意の形状または規模の任意の広さの土地を指す。たとえば、農場または農場領域は、栽培者の地所全体（またはその１つまたは複数の部分）、１つまたは複数の田畑、１つまたは複数の土地区画、１つまたは複数の作付け領域、１つまたは複数のゾーン、１つまたは複数の管理ゾーンなどを指し得る。
【0010】
本明細書で使用する「農場画定データ」という用語は、田畑識別子、地理的識別子、境界識別子、作物識別子、および農場の土地を識別するために使用可能な任意のその他の適切なデータを指す。たとえば、農場画定データは、コモン・ランド・ユニット（Common Land Unit（ＣＬＵ））、農場番号、農場シリアル番号（farm serial number（ＦＳＮ））、田畑番号、地番および番地、区画番号、範囲、区域、町区、地域番号、地理的境界、または地理座標あるいはこれらの組合せを含み得るが、これらには限定されない。米国農務省（ＵＳＤＡ）農場サービス局（Farm Service Agency（ＦＳＡ））によるＣＬＵは、ＵＳＤＡ農業計画に関連する農地における、永久的な連続境界と共通土地被覆および土地管理と、共通所有者と、共通生産者とを有する最小土地単位である。ＣＬＵ境界は、囲い線、道路、または水路あるいはこれらの組合せなどの、比較的永続的な特徴から線引きされる。ＵＳＤＡ農場サービス局は、米国における農場のＣＬＵを画定する地理情報システム（ＧＩＳ）データベースを維持している。ＣＬＵ ＧＩＳデータ層は、すべての圃場、管理された森林軌道、放牧地、牧草地、およびその他の管理エリアを含む。
【0011】
本発明の一部の実施形態によると、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定するための方法、装置およびコンピュータ・プログラム製品が提供される。実施形態によっては、農場画定データが受け取られ、農場画定データに基づいて農場領域が判定され、農場領域に関連付けられた入力データが複数のデータ・ソースから取り出される。実施形態によっては、入力データは複数の画素セット（すなわち少なくとも１つの画素を含む「画素セット」）を含んでもよく、各画素セットは、意味のあるようにデータを収集することが可能な、農場の最小可能／許容分解能を画定する。農場小区分レベルの作物害虫リスクまたは病害リスクあるいはその両方の推定から得られるいくつかの利点には、農場小区分規模で農薬散布を制御することによる害虫管理のコストの低減と、農薬の過剰使用なしに作物品質を維持することと、農薬の過剰使用に関係する環境問題の軽減とが含まれるが、これらには限定されない。
【0012】
一部の実施形態による作物害虫リスクまたは作物病害リスクあるいはその両方が計算される農場小区分の最小単位は、その農場の任意の画素である。しかし、より実際的には、一部の実施形態により作物害虫リスクまたは作物病害リスクあるいはその両方が計算される農場小区分の最小単位は、データを意味のあるように収集可能な農場の最小可能／許容分解能（すなわち本明細書で「画素セット」と呼ばれる）である。
【0013】
実施形態によっては、農場画定データが受け取られ、農場画定データに基づいて農場領域が判定され、農場領域に関連付けられた入力データが複数のデータ・ソースから取り出される。取り出される入力データは複数の画素セットを含むことができる。実施形態によっては、複数の画素セットのそれぞれについて、空間および時間にわたる作物害虫リスクまたは作物病害リスクあるいはその両方をシミュレーションするために、１つまたは複数の時空間回帰モデル（たとえば、１つまたは複数の所与の作物のそれぞれについて、その所与の作物を冒す可能性のある１つまたは複数の害虫または１つまたは複数の病害あるいはその両方のそれぞれの、少なくとも１つの機械学習（ＭＬ）／作物季節学／害虫（病害）伝播モデル）を使用して、入力データに基づいて作物リスク・データが判定される。作物リスク・データは、複数の画素セットのそれぞれについての作物害虫リスクの推定または複数の画素セットのそれぞれについての作物病害リスクの推定あるいはその両方を含むことができる。実施形態によっては、農場領域は、作物リスク・データに基づいて、各農場小区分がその農場小区分のリスク・レベル・カテゴリ（たとえば、高リスク、中リスク、低リスクまたはリスクなし）を画定する複数の農場小区分に分類される。
【0014】
農場内の各画素セットについて、その画素セットの作物害虫または作物病害感染あるいはその両方のリスクを計算するための関数が配備されてもよい。この関数への入力には、気象条件（たとえば、風速および風向、気温、露点、湿度、日射、およびその他の関連条件）、土壌水分量および土壌特性のばらつき、施肥、灌漑および高度／水流のための土地の勾配、感染症数、平均感染期間などの害虫管理活動の履歴記録、感染隣接エリア数、および総流入風量の作用と風距離と風が来る方向の最近接感染エリアの強度との関数などの属性が含まれ得るが、これらには限定されない。モデルは上記の特徴の関数として学習可能である。たとえば、特徴値について入手可能な履歴データと、観察された感染強度とを使用して、回帰モデルを（たとえばサポート・ベクタ回帰（ＳＶＲ）、ロジスティック回帰、またはディープ・ニューラル・リグレッサを使用して）学習することができ、その回帰モデルをテスト・インスタンスに適用することができる。モデルの出力は、任意の時点における感染（リスク）の予測強度を示す値（たとえば０と１の間の小数、０と１００の間の整数など）であってもよい。実施形態によっては、モデルの出力は、経時的なリスクの値（予測感染強度）を含むタプルの配列であってもよい。上記のプロセスが異なる一定時間にわたって繰り返されてもよく、それによって、リスク・マップの空間次元とともに完全な時間リスク・マップが作成され、再調整のために有限時間間隔で予想が繰り返されてもよい。
【0015】
実施形態によっては、複数の農場小区分のうちの１つまたは複数の農場小区分が高分解能リスク・マップ（たとえば視覚ヒートマップ）として表示される。実施形態によっては、高分解能リスク・マップは、作物の健康状態の連続監視および維持のために更新されてもよい。
【0016】
実施形態によっては、ユーザによって選択された様々な分解能レベルで、報告エンジンが高分解能Ｐ＆Ｄリスク・マップ時系列を報告する。実施形態によっては、報告エンジンが、所与のＰ＆Ｄ状況のための分解能の推奨レベルの提供を含む、農場内の分解能（すなわち「農場小区分」の「小区分」レベル）を動的に変化させてもよい。実施形態によっては、ユーザはこの推奨分解能レベルを無効にするか否かを選択することができる。たとえば、報告エンジンは、農場の異なるリスク・レベル・ゾーン（そのそれぞれを「農場小区分」とも呼ぶ）の視覚マップ（たとえば視覚ヒートマップ）として表示可能なデータを生成することができ、農場小区分の大きさは、推奨分解能レベルとユーザの選択との組合せに基づいて選択されてもよい。
【0017】
実施形態によっては、１つまたは複数の推奨対応策選択肢が、高分解能リスク・マップ上の各農場小区分に関連付けられたテキストとして表示される。たとえば、１つまたは複数の推奨対応策選択肢は、栽培の最良の保護のための、農場内の異なる農場小区分の異なる時刻における対応策の異なる用量の形態（すなわち時間的に計画された対応策）をとってもよく、対応策を微調整するための栽培者の計画栽培タイプを追加で受け入れてもよい（たとえば、栽培者は「有機」栽培タイプを計画していてもよい）。
【0018】
実施形態によっては、農場内の農場小区分規模の変化を考慮に入れた、農場小区分規模のリスク・マップを生成するために、１つまたは複数の回帰モデルが使用される。１つまたは複数の回帰モデルによって使用される入力データは、農場レベルと農場小区分レベルの特徴を含むことできる。１つまたは複数の回帰モデルによって使用可能な入力データの例には、高分解能地理空間データ（たとえば高度、土壌水分量（ＳＭ）、リモート・センシングなど）と、土壌特性、播種日、灌漑、肥料および殺虫剤散布、機械／装置殺菌などの現場特有の情報と、任意により、気象予報の空間分解能で一般的に利用可能なエリアの粗分解能Ｐ＆Ｄリスク・プロファイルが含まれるが、これらには限定されない。たとえば、農場レベルの粗分解能Ｐ＆Ｄリスク・プロファイルは、ＩＢＭ Ｗａｔｓｏｎ Ｄｅｃｉｓｉｏｎ Ｐｌａｔｆｏｒｍ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅまたは同様のシステムから入手可能である。ＩＢＭ（Ｒ）およびＩＢＭ Ｗａｔｓｏｎ（Ｒ）は、米国におけるインターナショナル・ビジネス・マシーンズ・コーポレーション（「ＩＢＭ」）の登録商標である。
【0019】
そのようなモデル（すなわち１つまたは複数の回帰モデル）をトレーニングするためのデータはますます入手可能になっており、衛星、空中ドローン、航空機、（たとえば種まき機および噴霧器などの農機具に取り付けられた）ＩｏＴセンサ、（たとえば現場に設置された）リモート・センサ、ハンドヘルド・デバイスおよび地上ベースのロボットからの現場画像、クラウドソーシングなどを介して収集可能である。
【0020】
新たに出現した情報技術（ＩＴ）配信モデルは、共有資源、ソフトウェアおよび情報がインターネットを介してオンデマンドでコンピュータおよびその他のデバイスに提供される、クラウド・コンピューティングである。クラウド・コンピューティングは、ＩＴのコストと複雑さを大幅に低減することができる一方、ワークロードの最適化とサービス配信を向上させる。この手法により、ＨＴＴＰを介して従来のウェブ・ブラウザによりアクセス可能なインターネット・ベースの資源からアプリケーション・インスタンスをホストすることができ、利用可能にすることができる。アプリケーションの一例としては、ｅメール、カレンダー機能、連絡先管理およびインスタント・メッセージなどのメッセージング機能の共通のセットを提供するアプリケーションがある。この場合、ユーザは、インターネットを介してサービスに直接アクセスすることになる。このサービスを使用して、企業は自社のｅメール、カレンダーまたは共同インフラストラクチャあるいはこれらの組合せをクラウドに配置し、エンド・ユーザは適切なクライアントを使用して自分のｅメールにアクセスし、またはカレンダー操作を行うことになる。
【0021】
本開示はクラウド・コンピューティングに関する詳細な説明を含むが、本明細書に記載されている教示の実装はクラウド・コンピューティング環境には限定されないことを了解されたい。むしろ、本発明の実施形態は、現在知られているか、または今後開発される任意の他の種類のコンピューティング環境とともに実装することができる。
【0022】
クラウド・コンピューティングは、最小限の管理労力またはサービス・プロバイダとの相互連絡で迅速にプロビジョニングすることができ、解放することができる、構成可能コンピューティング資源（たとえば、ネットワーク、ネットワーク回線容量、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス）の共用プールへの便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス配布のモデルである。このクラウド・モデルは、少なくとも５つの特徴と、少なくとも３つのサービス・モデルと、少なくとも４つのデプロイメント・モデルとを含み得る。
【0023】
特徴は以下の通りである。
オンデマンド・セルフサービス：クラウド消費者は、サービス・プロバイダとの間で人間の介在を必要とせずに一方的に、必要に応じて自動的に、サーバ時間およびネットワーク・ストレージなどのコンピューティング機能をプロビジョニングすることができる。
広いネットワーク・アクセス：機能は、ネットワークを介して利用可能であり、異種のシン・クライアントまたはシック・クライアント・プラットフォーム（たとえば携帯電話、ラップトップ、およびＰＤＡ）による使用を促進する標準機構を介してアクセスすることができる。
資源プール：マルチテナント・モデルを使用して複数の消費者に対応するために、プロバイダのコンピューティング資源がプールされ、需要に応じて、異なる物理資源および仮想資源が動的に割り当てられ、再割り当てされる。消費者は一般に、提供される資源の厳密な場所について管理することができないかまたは知らないが、より高い抽象レベルの場所（たとえば、国、州、またはデータセンター）を指定することが可能な場合があるという点で、位置独立感がある。
迅速な伸縮性：迅速かつ伸縮性をもって、場合によっては自動的に機能をプロビジョニングして、迅速にスケールアウトすることができ、また、迅速に機能を解放して迅速にスケールインすることができる。消費者にとっては、プロビジョニングのために利用可能な機能はしばしば無限であるように見え、いつでも好きなだけ購入することができる。
従量制サービス：クラウド・システムが、サービスの種類（たとえば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント）に応じて適切な何らかの抽象化レベルの計量機能を利用することによって、資源利用を自動的に制御し、最適化する。資源使用量を監視、制御および報告することができ、利用されたサービスの透明性をプロバイダと消費者の両方に与えることができる。
オンデマンド・セルフサービス：クラウド消費者は、サービス・プロバイダとの間で人間の介在を必要とせずに一方的に、必要に応じて自動的に、サーバ時間およびネットワーク・ストレージなどのコンピューティング機能をプロビジョニングすることができる。
広いネットワーク・アクセス：機能は、ネットワークを介して利用可能であり、異種のシン・クライアントまたはシック・クライアント・プラットフォーム（たとえば携帯電話、ラップトップ、およびＰＤＡ）による使用を促進する標準機構を介してアクセスすることができる。
資源プール：マルチテナント・モデルを使用して複数の消費者に対応するために、プロバイダのコンピューティング資源がプールされ、需要に応じて、異なる物理資源および仮想資源が動的に割り当てられ、再割り当てされる。消費者は一般に、提供される資源の厳密な場所について管理することができないかまたは知らないが、より高い抽象レベルの場所（たとえば、国、州、またはデータセンター）を指定することが可能な場合があるという点で、位置独立感がある。
迅速な伸縮性：迅速かつ伸縮性をもって、場合によっては自動的に機能をプロビジョニングして、迅速にスケールアウトすることができ、また、迅速に機能を解放して迅速にスケールインすることができる。消費者にとっては、プロビジョニングのために利用可能な機能はしばしば無限であるように見え、いつでも好きなだけ購入することができる。
従量制サービス：クラウド・システムが、サービスの種類（たとえば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント）に応じて適切な何らかの抽象化レベルの計量機能を利用することによって、資源利用を自動的に制御し、最適化する。資源使用量を監視、制御および報告することができ、利用されたサービスの透明性をプロバイダと消費者の両方に与えることができる。
【0024】
サービス・モデルは以下の通りである。
ソフトウェア・アズ・ア・サービス（Software as a Service（ＳａａＳ））：消費者に提供される機能は、クラウド・インフラストラクチャ上で稼働するプロバイダのアプリケーションを使用することである。アプリケーションには、ウェブ・ブラウザなどのシン・クライアント・インターフェースを介して様々なクライアント・デバイスからアクセス可能である（たとえばウェブ・ベースのＥメール）。消費者は、限られたユーザ固有アプリケーション構成設定の考えられる例外を除き、ネットワーク、サーバ、オペレーティング・システム、ストレージ、または個別のアプリケーション機能まで含めて、基礎にあるクラウド・インフラストラクチャを管理も制御もしない。
プラットフォーム・アズ・ア・サービス（Platform as a Service（ＰａａＳ））:消費者に提供される機能は、クラウド・インフラストラクチャ上に、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、消費者作成または取得アプリケーションをデプロイすることである。消費者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基礎にあるクラウド・インフラストラクチャを管理も制御もしないが、デプロイされたアプリケーションと、場合によってはアプリケーション・ホスティング環境構成とを制御することができる。
インフラストラクチャ・アズ・ア・サービス（Infrastructure as a Service（ＩａａＳ））：消費者に提供される機能は、処理、ストレージ、ネットワークおよびその他の基本的コンピューティング資源をプロビジョニングすることであり、その際、消費者は、オペレーティング・システムとアプリケーションとを含み得る任意のソフトウェアをデプロイし、実行することができる。消費者は、基礎にあるクラウド・インフラストラクチャを管理も制御もしないが、オペレーティング・システムと、ストレージと、デプロイされたアプリケーションとを制御することができ、場合によっては選択されたネットワーク・コンポーネント（たとえばホスト・ファイアウォール）の限定的な制御を行うことができる。
ソフトウェア・アズ・ア・サービス（Software as a Service（ＳａａＳ））：消費者に提供される機能は、クラウド・インフラストラクチャ上で稼働するプロバイダのアプリケーションを使用することである。アプリケーションには、ウェブ・ブラウザなどのシン・クライアント・インターフェースを介して様々なクライアント・デバイスからアクセス可能である（たとえばウェブ・ベースのＥメール）。消費者は、限られたユーザ固有アプリケーション構成設定の考えられる例外を除き、ネットワーク、サーバ、オペレーティング・システム、ストレージ、または個別のアプリケーション機能まで含めて、基礎にあるクラウド・インフラストラクチャを管理も制御もしない。
プラットフォーム・アズ・ア・サービス（Platform as a Service（ＰａａＳ））:消費者に提供される機能は、クラウド・インフラストラクチャ上に、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、消費者作成または取得アプリケーションをデプロイすることである。消費者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基礎にあるクラウド・インフラストラクチャを管理も制御もしないが、デプロイされたアプリケーションと、場合によってはアプリケーション・ホスティング環境構成とを制御することができる。
インフラストラクチャ・アズ・ア・サービス（Infrastructure as a Service（ＩａａＳ））：消費者に提供される機能は、処理、ストレージ、ネットワークおよびその他の基本的コンピューティング資源をプロビジョニングすることであり、その際、消費者は、オペレーティング・システムとアプリケーションとを含み得る任意のソフトウェアをデプロイし、実行することができる。消費者は、基礎にあるクラウド・インフラストラクチャを管理も制御もしないが、オペレーティング・システムと、ストレージと、デプロイされたアプリケーションとを制御することができ、場合によっては選択されたネットワーク・コンポーネント（たとえばホスト・ファイアウォール）の限定的な制御を行うことができる。
【0025】
デプロイメント・モデルは以下の通りである。
プライベート・クラウド：このクラウド・インフラストラクチャは、組織のためにのみ運用される。組織または第三者によって管理可能であり、オンプレミスまたはオフプレミスに存在可能である。
コミュニティ・クラウド：このクラウド・インフラストラクチャは、いくつかの組織によって共用され、共通の関心事（たとえば、任務、セキュリティ要件、ポリシー、およびコンプライアンス事項）を有する特定のコミュニティをサポートする。組織または第三者が管理することができ、オンプレミスまたはオフプレミスに存在可能である。
パブリック・クラウド：このクラウド・インフラストラクチャは、公衆または大規模業界団体が利用することができ、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド：このクラウド・インフラストラクチャは、独自の実体のままであるが、データおよびアプリケーション可搬性を可能にする標準化技術または専有技術（たとえば、クラウド間のロード・バランシングのためのクラウド・バースティング）によって結合された、２つ以上のクラウド（プライベート、コミュニティまたはパブリック）の複合体である。
プライベート・クラウド：このクラウド・インフラストラクチャは、組織のためにのみ運用される。組織または第三者によって管理可能であり、オンプレミスまたはオフプレミスに存在可能である。
コミュニティ・クラウド：このクラウド・インフラストラクチャは、いくつかの組織によって共用され、共通の関心事（たとえば、任務、セキュリティ要件、ポリシー、およびコンプライアンス事項）を有する特定のコミュニティをサポートする。組織または第三者が管理することができ、オンプレミスまたはオフプレミスに存在可能である。
パブリック・クラウド：このクラウド・インフラストラクチャは、公衆または大規模業界団体が利用することができ、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド：このクラウド・インフラストラクチャは、独自の実体のままであるが、データおよびアプリケーション可搬性を可能にする標準化技術または専有技術（たとえば、クラウド間のロード・バランシングのためのクラウド・バースティング）によって結合された、２つ以上のクラウド（プライベート、コミュニティまたはパブリック）の複合体である。
【0026】
クラウド・コンピューティング環境は、ステートレス性、疎結合性、モジュール性、および意味的相互運用性に焦点を合わせたサービス指向型である。クラウド・コンピューティングの核心にあるのは、相互接続されたノードのネットワークを含むインフラストラクチャである。
【0027】
次に図１を参照すると、クラウド・コンピューティング・ノードの一例の概略図が示されている。クラウド・コンピューティング・ノード１０は、適切なクラウド・コンピューティングの一例に過ぎず、本明細書に記載の本発明の実施形態の使用または機能の範囲に関していかなる限定も示唆することを意図していない。いずれにしても、クラウド・コンピューティング・ノード１０は、上記の機能のいずれでも実装または実行あるいはその両方を行うことができる。
【0028】
クラウド・コンピューティング・ノード１０には、多くの他の汎用または専用コンピューティング・システム環境または構成とともに動作可能なコンピュータ・システム／サーバ１２がある。コンピュータ・システム／サーバ１２とともに使用するのに適する可能性のあるよく知られたコンピューティング・システム、環境または構成あるいはこれらの組合せの例には、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、ハンドヘルドまたはラップトップ・デバイス、マルチプロセッサ・システム、マイクロプロセッサ・ベースのシステム、セット・トップ・ボックス、プログラマブル家庭用電子機器、ネットワークＰＣ、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、および上記のシステムまたはデバイスのいずれかを含む分散クラウド・コンピューティング環境などが含まれるが、これらには限定されない。
【0029】
コンピュータ・システム／サーバ１２について、コンピュータ・システムによって実行されるプログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的文脈で説明することができる。一般に、プログラム・モジュールは、特定のタスクを行い、または特定の抽象データ・タイプを実装する、ルーチン、プログラム、オブジェクト、コンポーネント、ロジック、データ構造などを含むことができる。コンピュータ・システム／サーバ１２は、通信ネットワークを介してリンクされたリモート処理デバイスによってタスクが行われる分散クラウド・コンピューティング環境で実現可能である。分散クラウド・コンピューティング環境では、プログラム・モジュールは、メモリ・ストレージ・デバイスを含むローカルとリモートの両方のコンピュータ・システム記憶媒体に配置可能である。
【0030】
図１に示すように、クラウド・コンピューティング・ノード１０におけるコンピュータ・システム／サーバ１２は、汎用コンピューティング・デバイスの形態で示されている。コンピュータ・システム／サーバ１２のコンポーネントには、１つまたは複数のプロセッサまたは処理ユニット１６と、システム・メモリ２８と、システム・メモリ２８を含む様々なシステム・コンポーネントをプロセッサ１６に結合するバス１８とが含まれ得るが、これらには限定されない。
【0031】
バス１８は、様々なアーキテクチャのいずれかを使用する、メモリ・バスまたはメモリ・コントローラ、ペリフェラル・バス、アクセラレーテッド・グラフィックス・ポート、およびプロセッサ・バスまたはローカル・バスを含む、いくつかの種類のバス・アーキテクチャのいずれかのうちの１つまたは複数を表す。例として、限定ではなく、そのようなアーキテクチャには、業界標準アーキテクチャ（ＩＳＡ）バス、マイクロ・チャネル・アーキテクチャ（ＭＣＡ）バス、拡張ＩＳＡ（ＥＩＳＡ）バス、ビデオ・エレクトロニクス・スタンダーズ・アソシエーション（ＶＥＳＡ）ローカル・バスおよびペリフェラル・コンポーネント・インターコネクト（ＰＣＩ）バスがある。
【0032】
コンピュータ・システム／サーバ１２は、典型的には、様々なコンピュータ・システム可読媒体を含む。そのような媒体は、コンピュータ・システム／サーバ１２によるアクセスが可能な任意の利用可能な媒体であってよく、揮発性と不揮発性の両方の媒体と、取り外し型と非取り外し型の媒体を含む。
【0033】
システム・メモリ２８は、ランダム・アクセス・メモリ（ＲＡＭ）３０またはキャッシュ・メモリ３２あるいはその両方などの揮発性メモリの形態のコンピュータ・システム可読媒体を含むことができる。コンピュータ・システム／サーバ１２は、他の取り外し型／非取り外し型、揮発性／不揮発性コンピュータ・システム記憶媒体をさらに含むことができる。例示に過ぎないが、非取り外し型不揮発性磁気媒体（図示されておらず、一般には「ハード・ドライブ」と呼ばれる）とその他の非取り外し型不揮発性媒体（たとえば「ソリッド・ステート・ドライブ」）の読み書きのために、ストレージ・システム３４を設けることができる。図示されていないが、取り外し可能型不揮発性磁気ディスク（たとえば「フロッピィ・ディスク」）の読み書きのための磁気ディスク・ドライブと、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭまたはその他の光媒体などの取り外し型不揮発性光ディスクの読み出しまたは書き込みあるいはその両方のための光ディスク・ドライブを備えることができる。そのような場合、それぞれが１つまたは複数のデータ・メディア・インターフェースによってバス１８に接続可能である。以下で詳述するように、メモリ２８は、本発明の１つまたは複数の特徴を実施するように構成されたコンピュータ可読命令を含む１組（たとえば少なくとも１つ）のプログラム・モジュール４２を記憶するコンピュータ・プログラム製品を含むことができる。
【0034】
１組（少なくとも１つ）のプログラム・モジュール４２を有するプログラム／ユーティリティ４０が、オペレーティング・システム、１つまたは複数のアプリケーション・プログラム、その他のプログラム・モジュール、およびプログラム・データとともに、例として、限定ではなく、メモリ２８に記憶されてもよい。オペレーティング・システム、１つまたは複数のアプリケーション・プログラム、その他のプログラム・モジュール、およびプログラム・データまたはこれらの何らかの組合せのそれぞれが、ネットワーキング環境の実装形態を含むことができる。実施形態によっては、プログラム・モジュール４２は、１つまたは複数の実施形態の１つまたは複数の機能または方法あるいはその両方を全般的に実施するようになされる
【0035】
コンピュータ・システム／サーバ１２は、キーボード、ポインティング・デバイス、ディスプレイ２４などの１つまたは複数の外部デバイス１４、ユーザがコンピュータ・システム／サーバ１２と対話することを可能にする１つまたは複数のデバイス、または、コンピュータ・システム／サーバ１２が１つまたは複数の他のコンピューティング・デバイスと通信することを可能にする任意のデバイス（たとえばネットワーク・カード、モデムなど）、あるいはこれらの組合せと通信することも可能である。このような通信は入力／出力（Ｉ／Ｏ）インターフェース２２を介して行うことができる。さらに、コンピュータ・システム／サーバ１２は、ローカル・エリア・ネットワーク（ＬＡＮ）、汎用ワイド・エリア・ネットワーク（ＷＡＮ）、またはパブリック・ネットワーク（たとえばインターネット）あるいはこれらの組合せと、ネットワーク・アダプタ２０を介して通信することができる。図のように、ネットワーク・アダプタ２０は、コンピュータ・システム／サーバ１２の他のコンポーネントとバス１８を介して通信する。図示されていないが、他のハードウェア・コンポーネントまたはソフトウェア・コンポーネントあるいはその両方が、コンピュータ・システム／サーバ１２とともに使用されてもよい。例としては、マイクロコード、デバイス・ドライバ、冗長処理ユニット、外部ディスク・ドライブ・アレイ、ＲＡＩＤシステム、テープ・ドライブおよびデータ・アーカイブ・ストレージ・システムなどがあるが、これらには限定されない。
【0036】
次に図２を参照すると、例示のクラウド・コンピューティング環境５０が図示されている。図のように、クラウド・コンピューティング環境５０は、たとえばパーソナル・デジタル・アシスタント（ＰＤＡ）または携帯電話５４Ａ、デスクトップ・コンピュータ５４Ｂ、ラップトップ・コンピュータ５４Ｃまたは自動車コンピュータ・システム５４Ｎあるいはこれらの組合せなど、クラウド消費者によって使用されるローカル・コンピューティング・デバイスが通信することができる、１つまたは複数のクラウド・コンピューティング・ノード１０を含む。ノード１０は互いに通信することができる。ノード１０は、上述のプライベート・クラウド、コミュニティ・クラウド、パブリック・クラウドまたはハイブリッド・クラウドなどの１つまたは複数のネットワークにおいて物理的または仮想的にグループ化（図示せず）されてもよい。これによって、クラウド・コンピューティング環境５０は、インフラストラクチャ、プラットフォーム、またはソフトウェアあるいはこれらの組合せを、クラウド消費者がそのためにローカル・コンピューティング・デバイス上で資源を維持する必要がないサービスとして提供することができる。なお、図２に示すコンピューティング・デバイス５４Ａないし５４Ｎの種類は、例示を意図したものに過ぎず、コンピューティング・ノード１０およびクラウド・コンピューティング環境５０は、（たとえばウェブ・ブラウザを使用して）任意の種類のネットワーク接続またはネットワーク・アドレス指定可能接続あるいはその両方を介して、任意の種類のコンピュータ化デバイスと通信することができるものと理解される。
【0037】
次に、図３を参照すると、クラウド・コンピューティング環境５０（図２）によって提供される１組の機能抽象化層が示されている。なお、図３に示すコンポーネント、層および機能は、例示のみを意図したものであり、本発明の実施形態はこれらには限定されないことを前もって理解されたい。図のように、以下の層および対応する機能が提供される。
【0038】
ハードウェアおよびソフトウェア層６０は、ハードウェア・コンポーネントとソフトウェア・コンポーネントとを含む。ハードウェア・コンポーネントの例としては、メインフレーム６１、縮小命令セットコンピュータ（ＲＩＳＣ）アーキテクチャ・ベースのサーバ６２、サーバ６３、ブレード・サーバ６４、ストレージ・デバイス６５、およびネットワークおよびネットワーキング・コンポーネント６６がある。実施形態によっては、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア６７およびデータベース・ソフトウェア６８を含む。
【0039】
仮想化層７０は、以下のような仮想実体の例を与えることができる抽象化層を提供する。すなわち、仮想サーバ７１と、仮想ストレージ７２と、仮想プライベート・ネットワークを含む仮想ネットワーク７３と、仮想アプリケーションおよびオペレーティング・システム７４と、仮想クライアント７５である。
【0040】
一実施例では、管理層８０は、以下に記載の機能を提供することができる。資源プロビジョニング８１は、クラウド・コンピューティング環境内でタスクを実行するために利用されるコンピューティング資源およびその他の資源の動的調達を行う。メータリングおよびプライシング８２は、クラウド・コンピューティング環境内で資源が利用されるときのコスト追跡と、これらの資源の消費に対する対価の請求またはインボイス処理を行う。一実施形態ではこれらの資源にはアプリケーション・ソフトウェア・ライセンスが含まれてもよい。セキュリティは、クラウド消費者およびタスクのための本人検証と、データおよびその他の資源の保護とを行う。ユーザ・ポータル８３は、消費者およびシステム管理者にクラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８４は、必要なサービス・レベルが満たされるようにクラウド・コンピューティング資源割り当ておよび管理を行う。サービス・レベル・アグリーメント（Service Level Agreement（ＳＬＡ））計画および履行８５は、ＳＬＡに従って将来の要求が予想されるクラウド・コンピューティング資源のための事前取り決めおよび調達を行う。
【0041】
ワークロード層９０は、クラウド・コンピューティング環境を利用することができる機能の例を提供する。この層から提供することができるワークロードおよび機能の例には、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想教室教育配信９３、データ分析処理９４、トランザクション処理９５、および作物害虫リスクまたは作物病害リスクあるいはその両方の推定９６が含まれる。
【0042】
次に図４を参照すると、１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定のための例示のシステム４００が図示されている。図４に示す例示のシステム４００は、回帰学習器４０２と、作物リスク・データを含む出力４０４（たとえば画素レベル）とを含む。回帰学習器４０２によって判定される作物リスク・データは、それぞれが時点ｔｉにおいて予測されているタプル＜タイム・スタンプ，リスク値＞の配列ａｉを構成することができる配列の時系列（ａ１、ａ２、．．．、ａｎ）を含むことができる。たとえば、回帰学習器４０２の出力４０４は、時点ｔ１において予測されているタプル＜タイム・スタンプ＝ｔ１，リスク値ｔ１＞の配列ａ１、時点ｔ２において予測されているタプル＜タイム・スタンプｔ２，リスク値ｔ２＞の配列ａ２、．．．、時点ｔｎにおいて予測されているタプル＜タイム・スタンプｔｎ、リスク値ｔｎ＞の配列ａｎを含んでもよい。各タプルは農場の「画素セット」に対応する。回帰学習器４０２は、空間および時間にわたる作物害虫リスクまたは作物病害リスクあるいはその両方をシミュレーションすべく、１つまたは複数の時空間回帰モデルを学習するために機械学習を採用することができる。実施形態によっては、１つまたは複数の所与の作物のそれぞれについて、その所与の作物を冒す可能性のある１つまたは複数の害虫または１つまたは複数の病害あるいはその両方のそれぞれのための１組のトレーニング・データについて少なくとも１つの機械学習（ＭＬ）／作物季節学／害虫（病害）伝播モデルがトレーニングされてもよい。回帰学習器４０２は、１つまたは複数の回帰モデルを学習するために、たとえばロジスティック回帰、サポート・ベクタ回帰、またはディープ・ニューラル回帰あるいはこれらの組合せを採用してもよい。１つまたは複数の回帰モデルが学習された後は、回帰学習器４０２は、回帰学習器４０２が以前に見たことがないデータ（たとえばテスト・インスタンスからのデータ）にその１つまたは複数の回帰モデルを適用し、それらのデータに関する予測を行ってもよい。
【0043】
回帰学習器４０２の出力４０４は、「画素レベル」、またはより一般的には「画素セット・レベル」とすることができる。「画素セット」（少なくとも１つの画素）とは、そこからデータを意味があるように収集することができる農場の最小可能／許容分解能を指す。実施形態によっては、出力４０４は、時点ｔｉにおいて予測されているタプルの配列ａｉにおける各タプル＜タイム・スタンプ，リスク値＞が農場の画素に対応するという意味で画素レベルである。そのような実施形態では、農場の各画素についてリスク値が予測される。実施形態によっては、出力４０４は、時点ｔｉにおいて予測されているタプルの配列ａｉにおける各タプル＜タイム・スタンプ，リスク値＞が農場の画素セットに対応するという意味で「画素セット・レベル」である。そのような実施形態では、農場の各画素セットについてリスク値が予測される。
【0044】
データは１つまたは複数のネットワーク４０６を介して回帰学習器４０２に提供され、画素レベル、画素セット・レベルまたは、農場レベルなどの１つまたは複数の比較的粗い分解能、あるいはこれらの組合せであってもよい。このようなネットワーク４０６には、セルラ・ネットワーク、ワイド・エリア・ネットワーク（ＷＡＮ）（たとえばインターネット）、またはローカル・エリア・ネットワーク（ＬＡＮ）あるいはこれらの組合せを含む、無線および有線ネットワークが含まれ、その非限定的な例には、セルラ、ＷＡＮ、ワイヤレス・フィディリティ（Ｗｉ－Ｆｉ）、Ｗｉ－Ｍａｌ、ＷＬＡＮ、電波通信、マイクロ波通信、衛星通信、光通信、音波通信、電磁誘導通信、量子通信、または任意のその他の適切な通信技術あるいはこれらの組合せが含まれる。
【0045】
図４に示す例示のシステム４００において、回帰学習器４０２は、１つまたは複数の機械学習モデル・モジュール４０８と、１つまたは複数の作物季節学モデル・モジュール４１０と、１つまたは複数の害虫（病害）伝播モデル・モジュール４１２とを含む。１つもしくは複数の機械学習モデル・モジュール４０８、１つもしくは複数の作物季節学モデル・モジュール４１０、または１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２あるいはこれらの組合せは、図４に示す例示のシステム４００に示すように別々のコンポーネントであってもよく、または全部もしくは一部が組み合わされてもよい。
【0046】
実施形態によっては、回帰学習器４０２は、１つもしくは複数のデータ・ソース・インジェスト・モジュールまたは１つもしくは複数のデータ同化モジュールあるいはその両方を含んでもよい。たとえば、入力データを、データ・ソースインジェスト・モジュールを介して１つまたは複数の機械学習モデル・モジュール４０８、１つまたは複数の作物季節学モデル・モジュール４１０、１つまたは複数の害虫（病害）伝播モデル・モジュール４１２、あるいはこれらの組合せにインジェストすることができる。
【0047】
１つまたは複数の機械学習モデル・モジュール４０８は、１つまたは複数のアルゴリズム（たとえば１つまたは複数の「回帰モデル」）を提供するために、トレーニング・データを推論し、学習することができる。たとえば、１つまたは複数の回帰モデルを学習するために、１つまたは複数の機械学習モデル・モジュール４０８は、１つまたは複数のネットワーク４０６を介した農場の履歴データ（たとえば、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力４２８）と、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、または１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データ、あるいはその両方に関して、ロジスティック回帰、サポート・ベクタ回帰、またはディープ・ニューラル回帰を採用してもよい。
【0048】
たとえば、ロジスティック回帰モデルは、１つまたは複数の予測変数（たとえば、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または、害虫および／もしく病害に関する近隣情報などの１つもしくは複数のその他の入力４２８）と、０＝蔓延なし、１＝蔓延という２値反応変数、すなわち蔓延の発生の確率との関係を表すアルゴリズムの形態で、作物害虫または作物病害あるいはその両方の挙動をかなり適切に捕捉することができる。この蔓延発生の確率を「リスク」（すなわち、作物害虫リスクまたは作物病害リスクあるいはその両方のリスク）と呼ぶ。
【0049】
１つまたは複数の回帰モデルが学習された後は、１つまたは複数の機械学習モデル・モジュール４０８は、その１つまたは複数の回帰モデルを、１つまたは複数の機械学習モデル・モジュール４０８が以前に見たことがないデータに適用することができる。たとえば、１つまたは複数の機械学習モデル・モジュール４０８は、１つまたは複数の回帰モデルを、１つまたは複数のネットワーク４０６を介して受け取った農場の履歴データ、現在のデータまたは予測データあるいはこれらの組合せ（たとえば１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力４２８）と、１つまたは複数の作物季節学モデル・モジュール４１０からの出力データまたは１つまたは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データあるいはその両方とに適用してもよい。
【0050】
１つまたは複数の気象属性４２０は、気温、湿度、露点、風速および風向、降水量などを含み得るが、これらには限定されない。
【0051】
１つまたは複数の土壌および土地特性４２２は、土壌の種類、土壌組成、土壌の健康度、土壌深度、土壌水分量、灌漑および土地高度／水流のための勾配などを含み得るが、これらには限定されない。
【0052】
１つまたは複数のリモート・センシング入力４２４は、植生指数、後方散乱などを含み得るが、これらには限定されない。実施形態によっては、リモート・センシング入力４２４は、１つまたは複数のリモート・センサ・データベース（たとえば図１１の１１２６）、またはＩＢＭ（Ｒ）ＰＡＩＲＳ（Physical Analytics Integrated Data Repository and Services）－Ｇｅｏｓｃｏｐｅなどの地理空間データ・プラットフォームによって提供されてもよい。ＩＢＭ（Ｒ）は米国におけるインターナショナル・ビジネス・マシーンズ・コーポレーション（「ＩＢＭ」）の登録商標である。ＩＢＭ（Ｒ）ＰＡＩＲＳ－Ｇｅｏｓｃｏｐｅは、膨大な地理空間時間データ（地図、衛星、気象、ドローン、ＩｏＴ）、照会および解析サービスのために特別に設計されたプラットフォームである。ＩＢＭ（Ｒ）ＰＡＩＲＳ－Ｇｅｏｓｃｏｐｅは、履歴および連続更新リモート・センサ・データへのアクセスを提供する。
【0053】
１つまたは複数の農場入力４２６は、作物の種類、種子品種、播種日などの栽培情報、施肥、灌漑、殺虫剤散布、除草剤散布、殺菌剤散布などの害虫管理の履歴記録などを含み得るが、これらには限定されない。
【0054】
１つまたは複数のその他の入力４２８は、使用機械／装置の種類およびその殺菌などの農場管理入力、害虫または病害あるいはその両方に関する近隣情報などを含み得るが、これらには限定されない。
【0055】
実施形態によっては、１つまたは複数のアルゴリズムを学習するために１つまたは複数の機械学習モデル・モジュール４０８によって使用されるトレーニング・データの１つまたは複数のセットは、１つもしくは複数の所与の作物とその所与の作物を冒す可能性のある１つもしくは複数の害虫とのそれぞれの組合せに関連付けられたトレーニング・データのセット、または１つもしくは複数の所与の作物とその所与の作物を冒す可能性のある１つもしくは複数の病害との組合せに関連付けられたトレーニング・データのセット、あるいはその両方を含むことができる。たとえば、トレーニング・データの１つまたは複数のセットは、トウモロコシ作物とそのトウモロコシ作物を冒す可能性のある第１の害虫（または病害）との組合せに関連付けられたトレーニング・データの第１のセットと、トウモロコシ作物とトウモロコシ作物を冒す可能性のある第２の害虫（または病害）との組合せに関連付けられたトレーニング・データの第２のセットと、大豆作物と大豆作物を冒す可能性のある第３の害虫（または病害）との組合せに関連付けられたトレーニング・データの第３のセットとを含んでもよい。トレーニング・データの各セットは、農場の履歴データ（たとえば、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力４２８）と、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データまたは１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データ、あるいはその両方とを含んでもよい。
【0056】
実施形態によっては、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の所与の作物とその所与の作物を冒す可能性のある１つもしくは複数の害虫との各組合せのための回帰モデル、または１つもしくは複数の所与の作物とその作物を冒す可能性のある１つもしくは複数の病害との各組合せのための回帰モデル、あるいはその両方を含んでもよい。
【0057】
たとえば、蔓延が発生する確率はＰ（Ｅ＝１）によって表すことができ、ここで、蔓延の場合はＥ＝１、蔓延でない場合はＥ＝０である。回帰モデルは、
ｐ（Ｅ＝１）＝１／（１＋ｅｘｐ（－ｚ）） （式１）
によって与えられ、ここでｚは、１つまたは複数の予測変数（たとえば、（所与の作物としての）マンゴと（その所与の作物を冒す可能性のある害虫／病害としての）Ｏｉｄｉｕｍ ｍａｎｇｉｆｅｒａｅ Ｂｅｒｈｅｔに起因するうどん粉病との組合せに関する以下の例では「最高気温」と「相対湿度」）の関数である。回帰モデル（式１）の右辺で付加誤差項ｅが想定されてもよい。Ｐ（Ｅ＝１）≧０．５である場合、蔓延の確率が高い可能性があり、Ｐ（Ｅ＝１）＜０．５である場合、蔓延の確率は低いとみなすことができる。関数ｚは、
ｚ＝β０＋β１ｘ１＋β２ｘ２＋．．．＋βｎｘｎ （式２）
によって与えることができ、ここでｘ１、ｘ２、．．．およびｘｎは、ｎ個の予測変数を示し、β０、β１、β２．．．およびβｎは求めるパラメータを示す。たとえば、マンゴとうどん粉病との組合せに関する以下の例では、ｘ１は「最高気温」を示し、ｘ２は「相対湿度」を示し、β０、β１およびβ２は求めるパラメータを示し得る。パラメータβ０、β１、β２．．．およびβｎは、統計分析ソフトウェアを使用してトレーニング・データに基づいて求められる。そのような統計分析ソフトウェアの例としては、ＩＢＭ ＳＰＳＳ（Ｒ）Ｓｔａｔｉｓｔｉｃｓ、ＫＮＩＭＥ（Ｒ）Ａｎａｌｙｔｉｃ Ｐｌａｔｆｏｒｍなどがある。ＩＢＭ（Ｒ）およびＳＰＳＳ（Ｒ）は米国におけるインターナショナル・ビジネス・マシーンズ・コーポレーション（「ＩＢＭ」）の登録商標である。頭字語「ＳＰＳＳ」は、Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｄｕｃｔ ａｎｄ Ｓｅｒｖｉｃｅ Ｓｏｌｕｔｉｏｎを指す。回帰モデル（式１）に関数ｚ（式２）を代入すると、回帰モデルは
Ｐ（Ｅ＝１）＝１／（１＋ｅｘｐ｛－（β０＋β１ｘ１＋β２ｘ２＋…＋βｎｘｎ）｝） （式３）
となる。
ｐ（Ｅ＝１）＝１／（１＋ｅｘｐ（－ｚ）） （式１）
によって与えられ、ここでｚは、１つまたは複数の予測変数（たとえば、（所与の作物としての）マンゴと（その所与の作物を冒す可能性のある害虫／病害としての）Ｏｉｄｉｕｍ ｍａｎｇｉｆｅｒａｅ Ｂｅｒｈｅｔに起因するうどん粉病との組合せに関する以下の例では「最高気温」と「相対湿度」）の関数である。回帰モデル（式１）の右辺で付加誤差項ｅが想定されてもよい。Ｐ（Ｅ＝１）≧０．５である場合、蔓延の確率が高い可能性があり、Ｐ（Ｅ＝１）＜０．５である場合、蔓延の確率は低いとみなすことができる。関数ｚは、
ｚ＝β０＋β１ｘ１＋β２ｘ２＋．．．＋βｎｘｎ （式２）
によって与えることができ、ここでｘ１、ｘ２、．．．およびｘｎは、ｎ個の予測変数を示し、β０、β１、β２．．．およびβｎは求めるパラメータを示す。たとえば、マンゴとうどん粉病との組合せに関する以下の例では、ｘ１は「最高気温」を示し、ｘ２は「相対湿度」を示し、β０、β１およびβ２は求めるパラメータを示し得る。パラメータβ０、β１、β２．．．およびβｎは、統計分析ソフトウェアを使用してトレーニング・データに基づいて求められる。そのような統計分析ソフトウェアの例としては、ＩＢＭ ＳＰＳＳ（Ｒ）Ｓｔａｔｉｓｔｉｃｓ、ＫＮＩＭＥ（Ｒ）Ａｎａｌｙｔｉｃ Ｐｌａｔｆｏｒｍなどがある。ＩＢＭ（Ｒ）およびＳＰＳＳ（Ｒ）は米国におけるインターナショナル・ビジネス・マシーンズ・コーポレーション（「ＩＢＭ」）の登録商標である。頭字語「ＳＰＳＳ」は、Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｄｕｃｔ ａｎｄ Ｓｅｒｖｉｃｅ Ｓｏｌｕｔｉｏｎを指す。回帰モデル（式１）に関数ｚ（式２）を代入すると、回帰モデルは
Ｐ（Ｅ＝１）＝１／（１＋ｅｘｐ｛－（β０＋β１ｘ１＋β２ｘ２＋…＋βｎｘｎ）｝） （式３）
となる。
【0058】
回帰モデル（式３）におけるパラメータβ０、β１、β２、．．．およびβｎが求められると、１つまたは複数の機械学習モデル・モジュール４０８は、回帰モデル（式３）を、１つまたは複数の機械学習モデル・モジュール４０８が以前に見たことがないデータ（たとえば、トレーニング・データ外のテスト・インスタンスからのデータ）に適用することができ、それらのデータに関する予想を行うことができる。
【0059】
上記のように、（所与の作物としての）マンゴと（その所与の作物を冒す可能性のある害虫／病害としての）Ｏｉｄｉｕｍ ｍａｎｇｉｆｅｒａｅ Ｂｅｒｈｅｔによって生じるうどん粉病との組合せの場合、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最高気温と相対湿度などの変数を含んでもよい。これらの変数（すなわち最高気温と相対湿度）は、１つまたは複数の気象属性４２０に含まれるかまたは基づいてもよい。実施形態によっては、これらの変数は、１期間または複数期間にわたって農場小区分規模で、農場における気温および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなどに）感知することによって取得することができ、次にそれらの気温および相対湿度からその１期間または複数期間中の平均最高気温と平均相対湿度とを求めることができる。１期間または複数期間のそれぞれの期間の平均最高気温は、たとえば１時間ごとに気温を感知し、その期間にわたる毎日の最高気温を平均することによって求めることができる。１期間または複数期間のそれぞれの期間の平均相対湿度は、たとえば１時間ごとに相対湿度を感知し、その期間にわたる相対湿度を平均することによって求めることができる。１期間または複数期間は、うどん粉病の反復生活環に基づいてもよい。たとえば、蔓延の可能性のある発生の開始が典型的には各年の同じ時期に起こると考えると、また、うどん粉病の反復生活環が約４日から７日であると考えると、複数年のそれぞれの年の蔓延の可能性のある発生の開始直前のそのような４期間（すなわち７日間、６日間、５日間および４日間）を、その複数年のうちの各年の蔓延の可能性のある発生の開始後に観察されるうどん粉病の状況とともにトレーニング・データとして使用してもよい。
【0060】
上記の気象変数（すなわち最高気温と相対湿度）に加えて、またはそれらに代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０に含まれるおよび／もしくは基づく１つもしくは複数の他の気象変数（たとえば最低温度、風速、風向など）、１つもしくは複数の土壌および土地特性４２２に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数のリモート・センシング入力４２４に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数の農場入力４２６に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データに含まれるおよび／もしくは基づく１つもしくは複数の変数、ならびに／または、１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるおよび／もしくは基づく１つもしくは複数の変数を含んでもよい。
【0061】
所与の作物としてマンゴを含む異なる一実施例では、マンゴとミバエとの組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最高気温、最低気温、および相対湿度（朝）などの変数を含んでもよい。これらの変数（すなわち最高気温、最低気温および相対湿度（朝））は、１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数は、１期間または複数期間にわたって、農場小区分規模で、農場における気温および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次にそれらの気温および相対湿度からその１期間または複数期間の平均最高気温、平均最低気温および平均相対湿度（朝）を求めてもよい。１期間または複数期間のそれぞれの期間の平均最高気温は、たとえば、１時間ごとに気温を感知し、その期間にわたる毎日の最高気温を平均することによって求めてもよい。１期間または複数期間のそれぞれの期間の平均最低気温は、たとえば、１時間ごとに気温を感知し、その期間にわたる毎日の最低気温を平均することによって求めてもよい。１期間または複数期間のそれぞれの期間の平均相対湿度（朝）は、たとえば１時間ごとに相対湿度を検知し、その期間の毎朝の相対湿度を平均することによって求めてもよい。
【0062】
上記の気象変数（すなわち最高温度、最低温度、および相対湿度（朝））に加えて、またはこれらに代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０に含まれるおよび／もしくは基づく１つもしくは複数のその他の気象変数（たとえば風速、風向など）、１つもしくは複数の土壌および土地特性に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数のリモート・センシング入力４２４に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数の農場入力４２６に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）に含まれるおよび／もしくは基づく１つもしくは複数の変数、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データに含まれるおよび／もしくは基づく１つもしくは複数の変数、ならびに／または、１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるおよび／もしくは基づく１つもしくは複数の変数を含んでもよい。
【0063】
別の実施例では、ミカンとＰｈｙｔｏｐｈｔｈｏｒａ ｃｉｔｒｏｐｈｔｈｏｒａによって生じる柑橘樹脂病との組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムが、気温、降雨量、葉面積指数、および葉のクロロフィル含有量などの変数を含んでもよい。これらの変数の一部（すなわち気温と降雨量）が１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数（すなわち気温と降雨量）は、１期間または複数期間にわたり、農場小区分規模で、農場における気温および降雨量を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次にこれらの気温および降雨量からその１期間または複数期間中の平均気温と累加降雨量とを求めてもよい。１期間または複数期間の各期間の平均気温は、たとえば１時間ごとに気温を感知し、その期間にわたる毎日の気温を平均することによって求めることができる。１期間または複数期間のそれぞれの累加降雨量は、たとえば、毎日の総降雨量を感知し、その期間にわたる毎日の降雨量を合計することによって求めることができる。これらの変数のうちの他の変数（すなわち葉面積指数と葉のクロロフィル含有量）は１つまたは複数のリモート・センシング入力４２４に含まれるかまたは基づくかあるいはその両方であってもよい。たとえば、これらの他の変数のうちの１つまたは複数の変数（すなわち葉面積指数と葉のクロロフィル含有量）は、１期間または複数期間にわたり定期的に（たとえば１時間ごとに）農場小区分規模で農場の画像データをキャプチャすることによって得られ、次にその画像データからその１期間または複数期間中の葉面積指数および葉のクロロフィル含有量を求めることができる。実施形態によっては、葉面積指数および葉のクロロフィル含有量を抽出するために、葉ベースの逆ＰＲＯＳＡＩＬ（ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ）モデルなどの従来のモデルが使用されてもよい。あるいは、これらの他の変数のうちの１つまたは複数の変数（すなわち葉面積指数と葉のクロロフィル含有量）は、１つまたは複数の作物季節学モデル・モジュール４１０からの出力データに含まれるかまたは基づくかあるいはその両方であってもよい。たとえば、これらの他の変数のうちの１つまたは複数（すなわち葉面積指数と葉のクロロフィル含有量）は、農場小区分規模で１期間または複数期間にわたり、その１期間または複数期間中の葉面積指数および葉のクロロフィル含有量を定期的に（たとえば１時間ごとに）シミュレーションするために１つまたは複数の作物季節学モデル・モジュール４１０を使用することによって得られる。
【0064】
上記の変数（すなわち気温、降雨量、葉面積指数および葉のクロロフィル含有量）に加えて、または上記の変数に代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、ならびに／または１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるかまたは基づくかあるいはその両方である１つまたは複数のその他の変数を含んでもよい。
【0065】
さらに別の実施例では、カラシと褐斑病との組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最低気温、相対湿度（朝）、および相対湿度（晩）などの変数を含んでもよい。これらの変数（すなわち最低温度、相対湿度（朝）および相対湿度（晩））は、１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数は１期間または複数期間にわたり、農場小区分規模で農場における気温および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次に、これらの気温および相対湿度からその１期間または複数期間中の平均最低気温、平均相対湿度（朝）、および平均相対湿度（晩）を求めてもよい。
【0066】
上記の変数（すなわち、最低気温、相対湿度（朝）および相対湿度（晩））に加えて、またはこれらに代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、ならびに／または１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるかまたは基づくかあるいはその両方である１つまたは複数のその他の変数を含んでもよい。
【0067】
所与の作物としてカラシを含む異なる実施例では、カラシと白さび病との組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最高気温、最低気温、および相対湿度（朝）などの変数を含んでもよい。これらの変数（すなわち最高気温、最低気温および相対湿度（朝））は、１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数は、農場小区分規模で１期間または複数期間にわたり、農場における気温および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次にそれらの気温および相対湿度からその１期間または複数期間中の平均最高気温、平均最低気温および平均相対湿度（朝）を求めてもよい。
【0068】
上記の変数（すなわち最高気温、最低気温および相対湿度（朝））に加えて、または上記の変数に代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、ならびに／または、１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるかまたは基づくかあるいはその両方である、１つまたは複数のその他の変数を含んでもよい。
【0069】
さらに別の実施例では、綿とコナジラミとの組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最高気温、最低気温、相対湿度（朝）および相対湿度（晩）などの変数を含んでもよい。これらの変数（すなわち最高気温、最低気温、相対湿度（朝）および相対湿度（晩））は、１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数は、１期間または複数期間にわたり農場小区分規模で農場における気温および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次にそれらの気温および相対湿度からその１期間または複数期間中の平均最高気温、平均最低気温、平均相対湿度（朝）および平均相対湿度（晩）を求めてもよい。
【0070】
上記の変数（すなわち最高気温、最低気温、相対湿度（朝）および相対湿度（晩））に加えて、または上記の変数に代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、ならびに／または、１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるかまたは基づくかあるいはその両方である１つまたは複数のその他の変数を含んでもよい。
【0071】
さらに別の実施例では、サトウキビとピリラとの組合せについて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、最高気温および中間相対湿度などの変数を含んでもよい。これらの変数（すなわち最高気温と中間相対湿度）は、１つまたは複数の気象属性４２０に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、これらの変数は、１期間または複数期間にわたり、農場小区分規模で農場における温度および相対湿度を定期的に（たとえば１時間ごと、１５分ごとなど）感知することによって得てもよく、次にそれらの温度および相対湿度からその１期間または複数期間中の平均最高気温および平均中間相対湿度を求めてもよい。
【0072】
上記の変数（すなわち最高気温と中間相対湿度）に加えて、または上記の変数に代えて、１つまたは複数の機械学習モデル・モジュール４０８によって学習される１つまたは複数のアルゴリズムは、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、１つもしくは複数のその他の入力４２８（たとえば害虫および／もしくは病害に関する近隣情報）、１つもしくは複数の作物季節学モデル・モジュール４１０からの出力データ、ならびに／または、１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２からの出力データに含まれるかまたは基づくかあるいはその両方である１つまたは複数のその他の変数を含んでもよい。
【0073】
１つまたは複数の作物季節学モデル・モジュール４１０は、作物の種類ごとに、１つまたは複数のネットワーク４０６を介して受信した農場の履歴データ、現在のデータまたは予測データあるいはこれらの組合せ（たとえば、１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または、害虫および／もしくは病害に関する近隣データなどの１つもしくは複数のその他の入力４２８）に基づいて、農場の（たとえば農場規模の）シミュレーション作物生育時系列を判定してもよい。たとえば、１つまたは複数の作物季節学モデル・モジュール４１０は、播種から種子成熟までの生育時間と、開始登熟段階などの異なる生育段階のタイミングとを推定してもよい。
【0074】
たとえば、トウモロコシに関しては、１つまたは複数の作物季節学モデル４１０によってシミュレーションされる生育段階は、発芽期、出芽期、幼苗終了期、花成誘導期、７５％花柱出現期、登熟開始期、成熟期、および収穫期を含むことができる。別の実施例では、小麦に関して、１つまたは複数の作物季節学モデル・モジュール４１０によってシミュレーションされる生育段階は、発芽期、出芽期、幼穂分化期、穂揃い期、乳熟期、成熟期および収穫期を含んでもよい。さらに別の実施例では、大麦に関して、１つまたは複数の作物季節学モデル・モジュール４１０によってシミュレーションされる生育段階は、発芽期、出芽期、最大原基期、穂揃い期、乳熟期、成熟期および収穫期を含んでもよい。
【0075】
１つまたは複数の作物季節学モデル・モジュール４１０は、従来の作物生育シミュレーション・モデルにおける１つまたは複数の季節学モデル・モジュールを含んでもよい。一般的な作物生育シミュレーション・モデルには、Ｃｒｏｐ Ｅｓｔｉｍａｔｉｏｎ ｔｈｒｏｕｇｈ Ｒｅｓｏｕｒｃｅ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ Ｓｙｎｔｈｅｓｉｓ（ＣＥＲＥＳ）、Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ ｆｏｒ Ａｇｒｏｔｅｃｈｎｏｌｏｇｙ Ｔｒａｎｓｆｅｒ（ＤＳＳＡＴ）およびＩｎｆｏＣｒｏｐが含まれるが、これらには限定されない。作物生育シミュレーション・モデルによって必要とされる入力データの量はモデルごとに異なるが、作物生育シミュレーション・モデルは、多くの場合、現場、土壌、初期条件、天候および作物管理に関する情報を必要とする。作物成長シミュレーション・モデルは、典型的には、作物成長の履歴プロファイルを提供するために、作物植え付けから現在の日付までに発生した累積気象条件を使用する。全体または一部を作物季節学モデル・モジュール４１０に含めるのに適した季節学モデル・モジュールを含む従来の作物生育シミュレーション・モデルの例には、ＤＳＳＡＴ（たとえばＤＳＳＡＴ作付けシステム・モデル（ＤＳＳＡＴ－ＣＳＭ））、ＣＥＲＥＳ（たとえばＣＥＲＥＳ－Ｗｈｅａｔ、ＣＥＲＥＳ－Ｍａｉｚｅ、ＣＥＲＥＳ－Ｓｏｒｇｈｕｍ、ＣＥＲＥＳ－Ｒｉｃｅなど）、ＣＲＯＰＧＲＯ、ＳＯＹＧＲＯなどにおける季節学モデルが含まれるが、これらには限定されない。
【0076】
実施形態によっては、１つまたは複数の作物季節学モデル・モジュール４１０によって各作物種類について判定され、１つまたは複数の機械学習モデル・モジュール４０８に提供される農場のシミュレーション作物生育時系列は、１つまたは複数の従来の作物生育シミュレーション・モデルの植物成長モジュール出力を含んでもよい。たとえば、（たとえばＣＲＯＰＧＲＯ Ｐｌａｎｔ Ｔｅｍｐｌａｔｅモジュールまたは、ＣＥＲＥＳ－Ｍａｉｚｅ、ＣＥＲＥＳ－Ｗｈｅａｔ、ＣＥＲＥＳ－Ｓｏｒｇｈｕｍ、ＣＥＲＥＳ－Ｒｉｃｅなど個別植物成長モジュールあるいはその両方からの）そのような植物成長モジュール出力は、ＮＳＴＲＥＳ｛窒素ストレス因子。１＝ストレスなし、０＝最大ストレス｝、ＲＬＶ（Ｌ）｛土壌層Ｌの根長密度（ｃｍ［根］／ｃｍ３［土壌］）｝、ＳＥＮＣＬＮ（Ｉ，Ｊ）｛日老化植物、表面の場合はＩ＝０、土壌の場合はＩ＝１、Ｃの場合はＪ＝１、リグニンの場合はJ＝２、Ｎの場合はJ＝３（ｇ［Ｃ、Ｎまたはリグニン］／（ｍ２ｄ））｝、ＳＴＧＤＯＹ（Ｉ）｛植物段階Ｉが発生した日｝、ＵＮＨ４（Ｌ）｛ＮＨ４の根吸収速度（ｋｇ［Ｎ］／ｈａ ｄ）｝｝、ＵＮＯ３（Ｌ）｛ＮＯ３の根吸収速度（ｋｇ［Ｎ］（ｈａ ｄ）｝、ＸＨＬＡＩ｛健康な葉面積指数｝ＬＡＩ）（ｍ２［葉］／ｍ２[地面]）、ＸＬＡＩ｛葉面積指数（ＬＡＩ）（ｍ２［葉］／ｍ２［地面］）｝、ＹＲＥＭＧＲ（出芽日）、およびＹＲＮＲ８｛収穫成熟日｝を含み得るが、これらには限定されない。
【0077】
１つまたは複数の害虫（病害）伝播モデル・モジュール４１２は、作物の種類とその作物の種類を冒す可能性のある害虫（病害）との組合せごとに、１つまたは複数のネットワーク４０６を介して受信した履歴データ、現在のデータまたは予測データ（たとえば１つもしくは複数の気象属性４２０、１つもしくは複数の土壌および土地特性４２２、１つもしくは複数のリモート・センシング入力４２４、１つもしくは複数の農場入力４２６、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力４２８）に基づいて、農場の（たとえば農場規模の）シミュレーション作物害虫伝播時系列またはシミュレーション作物病害伝播時系列あるいはその両方を判定することができる。１つまたは複数の害虫（病害）伝播モデル・モジュール４１２は、１つまたは複数の従来の害虫（病害）伝播モデリング・システムを含んでもよい。全体または一部を１つまたは複数の害虫（病害）伝播モデル・モジュール４１２に含めるのに適した従来の害虫（病害）伝播モデリング・システムの例には、ＣＬＩＭＥＸ、ＤＹＭＥＸ、ＮＡＰＰＦＡＳＴなどが含まれるが、これらには限定されない。
【0078】
ＣＬＩＭＥＸモデリング・システムは、昆虫、植物、病原菌、および脊椎動物の分布を含む、天候が種に与える影響を予測する。ＣＬＩＭＥＸは、種の地理的分布を制限する生物学的メカニズムを模倣するためと、それらの種の季節学および相対存在量を判定するために、シミュレーションとモデリング技術を使用する。
【0079】
ＤＹＭＥＸモデリング・システムは、ユーザが生物有機体の決定論的集団モデルを迅速に作成し、実行することができるようにするモジュラ・モデリング・パッケージである。集団モデルは、種の個体がその生存期間にたどる成長段階に基づく種の生活環を中心に構築される。
【0080】
ＣＬＩＭＥＸおよびＤＹＭＥＸモデリング・システムは市販されている。
【0081】
ＮＡＰＰＦＡＳＴ(NCSU-APHIS Plant Pest Forecast)は、ジオリファレンス気候学的気象データ（たとえば日次機構および履歴天候データ）を植物病虫害モデリングのための生物学的モデルとリンクさせるウェブ・ベースのモデリング・システムである。頭字語「ＮＣＳＵ」は、ノースカロライナ州立大学（North Carolina State University）を指す。頭字語「ＡＰＨＩＳ」は、米国農務省の動植物検疫局（U.S. Department of Agriculture's Animal and Plant Health Inspection Service（ＵＳＤＡ－ＡＰＨＩＳ））を指す。ＮＡＰＰＦＡＳＴモデリング・システムは対話型テンプレートを含み、対話型テンプレートは、植物病原菌の感染テンプレート、経験的モデルを作成するための事前プログラムされた式を備えた汎用テンプレート、およびデグリーデー・テンプレートを含む。たとえば、デグリーデー・テンプレートは、デグリーデーに基づいて害虫およびその他の有機体（たとえば、雑草、クモなどのその他の節足動物）または作物の季節学的成長をモデリングするために使用することができる。デグリーデー・テンプレートは、季節学的段階の数と世代数の選択を可能にする。たとえば、ある害虫に関して、デグリーデー・テンプレートは、入力データとして以下の害虫成長パラメータ、すなわち害虫のデグリーデー要件（たとえば、害虫の季節学的段階ごとのデグリーデー要件）と害虫の成長温度閾値（すなわち害虫の成長温度ベースおよび上限閾値）とを必要とする。
【0082】
ＮＡＰＰＦＡＳＴモデリング・システムおよびその他の従来の害虫（病害）伝播モデリング・システムの入力データとして使用される害虫成長パラメータは、通常、少なくとも重要な害虫種については、科学文献に見られる。また、Ｃｅｎｔｒｅ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｂｉｏｓｃｉｅｎｃｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ（ＣＡＢＩ）Ｃｒｏｐ Ｐｒｏｔｅｃｔｉｏｎ Ｃｏｍｐｅｎｄｉｕｍ（ＣＰＣ）は、ウェブサイト＜http://www.cabi.org/cpc/＞で虫の成長についてまとめている。さらに、カリフォルニア大学（ＵＣ）のＳｔａｔｅｗｉｄｅ Ｉｎｔｅｇｒａｔｅｄ Ｐｅｓｔ Ｍａｎａｇｅｍｅｎｔ （ＩＰＭ） Ｐｒｏｇｒａｍは、ウェブサイト＜http://ipm.ucanr.edu/MODELS/＞で成長データをリストしている。また、ＮＡＰＰＦＡＳＴモデリング・システムなどの昆虫季節学モデルをサポートするために開発された５００を超える害虫および寄生捕食者の成長要件が記載されたＩｎｓｅｃｔ Ｄｅｖｅｌｏｐｍｅｎｔ Ｄａｔａｂａｓｅ（ＩＤＤ）が、＜http://ring.ciard.net/nappfast-pest-database-thresholds-and-growing-degree-days＞で利用可能である。ＩＤＤにおける成長要件データには、可能な場合には、昆虫のライフ・ステージ（卵、幼虫、蛹、成虫）の成長のベース閾値（℃）、上限成長閾値（℃）および成長要件（デグリーデー（ＤＤ））が含まれている。ＮＡＰＰＦＡＳＴモデリング・システムおよびその他の従来の害虫（病害）伝播モデリング・システムのこのような入力データは図４に示すその他の入力データ４２８に含まれるかまたは基づくかあるいはその両方であってもよい。
【0083】
ＮＡＰＰＦＡＳモデリング・システムおよびその他の従来の害虫（病害）伝播モデリング・システムの入力データとして使用可能な追加のパラメータには、毎日の天候および履歴気象データが含まれるがこれらには限定されない。たとえば、そのような追加パラメータには、日次平均気温（℃）、日次最低気温（℃）、日次最高気温（℃）、日次気温範囲（℃）、霜日頻度（１カ月当たり）、雨天頻度（１カ月当たり日数）、１日当たり総葉面濡れ時間（ｈ、派生変数）、平均日次相対湿度（％）、平均日次風速（ｋ／ｈ）、降水量（ｍｍ）、５ｃｍ深度における平均土壌温度（℃）、蒸気圧（ヘクトパスカル）、雲量（％）、および蒸発量（ｍｍ、派生変数）が含まれ得る。ＮＡＰＰＦＡＳＴモデリング・システムおよびその他の従来の害虫（病害）伝播・モデリング・システムのこのような入力データは、図４に示す、１つまたは複数の気象属性４２０、１つまたは複数の土壌および土地特性４２２、ならびに１つまたは複数のリモート・センシング入力４２４に含まれるかまたは基づくかあるいはその両方であってもよい。
【0084】
ＮＡＰＰＦＡＳＴモデリング・システムまたはその他の従来の害虫（病害）伝播モデリング・システムあるいはその両方による害虫（病害）伝播モデルの作成に続いて、グラフ、地図または生データあるいはこれらの組合せの形態で数値出力がエクスポートされてもよい。たとえば、ＮＡＰＰＦＡＳＴモデリング・システムは、１０ｋｍ２分解能でバーンズ補間を使用してラスタまたはグリッド・ベースの地図を作成することができる。バーンズ補間（スタンリーＬ．バーンズにちなんで命名）は、２次元における未知の関数の１組の測定値からの構造化されていないデータ点の、２つの変数の解析関数への補間である。バーンズ解析を使用して、不規則に間隔をあけた観測値の重み付き平均からグリッドを作成することができる。ＮＡＰＰＦＡＳＴモデリング・システムで作成された地図は、たとえばＧｅｏＴｉｆｆ画像としてエクスポートすることができ、その後、さらに解析するために、１つまたは複数の機械学習モデル・モジュール４０８に直接（または地理情報システム（ＧＩＳ）ソフトウェアを介して間接的に）インポートすることができる。ＮＡＰＰＦＡＳＴモデリング・システムの空間分解能（１０ｋｍ２）および時間分解能（日数／月数）は、比較的粗いが、ＮＡＰＰＦＡＳＴモデリング・システムの数値出力モデル出力は、機械学習モジュール４０８に害虫の定着の可能性の最初の推定を与えることができる。
【0085】
実施形態によっては、１つまたは複数の機械学習モジュール４０８が１つまたは複数の害虫（病害）伝播モデル・モジュール４１２から農場のシミュレーション作物害虫伝播時系列またはシミュレーション作物病害伝播時系列（たとえばＮＡＰＰＦＡＳＴモデリング・システムもしくはその他の従来の害虫（病害）伝播モデリング・システムまたはその両方によってエクスポートされた数値出力）を受け取ることに加えて、またはそれに代えて、回帰学習器４０２または１つまたは複数の機械学習モジュール４０８あるいはその両方が、ＩＢＭ Ｗａｔｓｏｎ Ｄｅｃｉｓｉｏｎ Ｐｌａｔｔｆｏｒｍ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅまたはその他の同様のシステムから農場の（たとえば農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイルを受け取ってもよい。たとえば、農場のそのような粗分解能Ｐ＆Ｄリスク・プロファイルは、図４に示すその他の入力４２８に含まれるかまたは基づくかあるいはその両方であってもよい。
【0086】
実施形態によっては、回帰学習器４０２または１つもしくは複数の機械学習モデル・モジュール４０８あるいはその両方が、害虫または病害あるいはその両方に関する近隣情報を受け取ってもよい。害虫または病害あるいはその両方に関する近隣情報は、ＩＢＭ Ｗａｔｓｏｎ Ｄｅｃｉｓｉｏｎ Ｐｌａｔｆｏｒｍ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅまたは同様のシステムからの１つまたは複数の近隣農場（すなわち、その農場の近隣の１つまたは複数の農場）の粗分解能（たとえば農場規模の）Ｐ＆Ｄリスク・プロファイル情報を含んでもよい。たとえば、１つまたは複数の近隣農場のそのような粗分解能Ｐ＆Ｄリスク・プロファイルは、図４に示すその他の入力４２８に含まれるかまたは基づくかあるいはその両方であってもよい。実施形態によっては、害虫または病害あるいはその両方に関する近隣情報は、１つまたは複数の近隣学習入力４３０（すなわち回帰学習器４０２からのフィードバック・ループ）に基づいて精緻化されてもよい。たとえば、１つまたは複数の近隣学習入力４３０は、ＩＢＭ Ｗａｔｓｏｎ Ｄｅｃｉｓｉｏｎ Ｐｌａｔｆｏｒｍ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅまたはその他の同様のシステムによって循環関係を計算するために使用されてもよい。
【0087】
次に図５を参照すると、１つまたは複数の実施形態による、農場小区分レベルでの作物害虫リスクまたは作物病害リスクの推定のための例示のシステム５００が図示されており、その出力５０２（たとえばピクセル・レベル）が高分解能Ｐ＆Ｄリスク・マップ時系列５０４（農場小区分規模）として（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４あるいはその両方に）表示可能なデータを含む。図５に示す例示のシステム５００は、回帰学習器５０８と報告エンジン５１０とを含む害虫または病害予測モジュール５０６を含む。図５の回帰学習器５０８は、図４に示す回帰学習器４０２に対応し得る。実施形態によっては、回帰学習器５０８は、農場領域の複数の画素セットのそれぞれについて作物リスク・データを判定する。実施形態によっては、報告エンジン５１０は、回帰学習器５０８によって判定された作物リスク・データに基づいて、農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリ（たとえば高リスク、中リスク、低リスクまたはリスクなし）を画定する複数の農場小区分に分類することができる。
【0088】
図５に示す実施形態では、回帰学習器５０８は、農場の（農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイル５１４を含む、粗分解能入力５１２を受け取ってもよい。たとえば、回帰学習器５０８は、ＩＢＭ Ｗａｔｓｏｎ Ｄｅｃｉｓｉｏｎ Ｐｌａｔｆｏｒｍ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒｅまたはその他の同様のシステムから粗分解能Ｐ＆Ｄリスク・プロファイル５１４を受け取ってもよい。実施形態によっては、粗分解能Ｐ＆Ｄリスク・プロファイル５１４は、図４に示すその他の入力４２８に含まれるかまたは基づくかあるいはその両方であってもよい。
【0089】
図５に示す実施例では、粗分解能Ｐ＆Ｄリスク・プロファイル５１４は、塗り潰しパターン５１８を含む形状要素５１６として表示可能な、時点＝ｔ０におけるリスク・プロファイルを含む。形状要素５１６の塗り潰しパターン５１８は、時点＝ｔ０における農場内の（農場規模の）作物害虫リスクまたは作物病害リスクあるいはその両方の推定を反映することができる。図５に示す実施例では、形状要素５１６は、限定ではなく例示のために、正方形である。形状要素５１６は、任意の形状をとってもよい。形状要素５１６の塗り潰しパターン５１８は、粗分解能Ｐ＆Ｄリスク・プロファイル５１４が農場規模であるため、形状要素５１６全体で一様である。図５に示す実施例では、形状要素５１６の塗り潰しパターン５１８は、農場が（全体として）、リスク凡例５２０に記載されている４つの可能なリスク・レベル（すなわち、「高リスク」、「中リスク」、「低リスク」および「リスクなし」）のうちの１つである、「高リスク」と推定されていることを示している。しかし、より一般的には、形状要素５１６の塗り潰しパターン５１８は、任意の数のリスク・レベルのうちの１つに対応することができる。実施形態によっては、粗分解能Ｐ＆Ｄリスク・プロファイル５１４は、時系列の形態（すなわち、時点＝ｔ０、ｔ１、ｔ２、．．．ｔｎにおける農場内の（農場規模の）作物害虫リスクまたは作物病害リスクあるいはその両方の推定）であってもよい。
【0090】
図５に示す実施例では、回帰学習器５０８は、（農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイル５１４を含む粗分解能入力５１２を、１つまたは複数の画素レベル入力５１３とともに受け取り、１つまたは複数の画素レベル入力５１３と、任意により粗分解能入力５１２とに含まれるかまたは基づくデータに、１つまたは複数の回帰モデルを適用してもよい。たとえば、回帰学習器５０８は、回帰学習器５０８によってトレーニング・データを使用して事前に学習されたアルゴリズムを、１つまたは複数の画素レベル入力５１３と、任意により粗分解能入力５１２とに含まれるかまたは基づくデータに適用してもよい。画素レベル入力５１３（および任意により粗分解能入力５１２）は、学習されたアルゴリズムによって使用される１つまたは複数の予測変数を含んでもよい。実施形態によっては、回帰学習器５０８によって受け取られる１つまたは複数の画素レベル入力５１３は、１つもしくは複数の気象属性（たとえば図４の４２０）、１つもしくは複数の土壌および土地特性（たとえば図４の４２２）、１つもしくは複数のリモート・センシング入力４２４（図４の４２４）、１つもしくは複数の農場入力（図４の４２６）、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力（たとえば図４の４２８）を含んでもよい。
【0091】
実施形態によっては、（農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイル５１４は、回帰学習器５０８によって１つまたは複数の回帰モデルの予測変数として使用されてもよい。実施形態によっては、（農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイル５１４は、回帰学習器５０８によって、特定の作物害虫または特定の作物病害あるいはその両方がさらなる（すなわちより細分度の高い）解析に値するか否かの閾値決定を与えるために使用されてもよい。実施形態によっては、（農場規模の）粗分解能Ｐ＆Ｄリスク・プロファイル５１４は省かれてもよい。
【0092】
回帰学習器５０８は、配列の時系列（たとえばａ０、ａ１、ａ２、．．．、ａｎ）を出力（たとえば図４に示す回帰学習器４０２に関して上述した方式と類似した方式で）してもよく、各配列は時点ｔｉにおいて予測されているタプル＜タイム・スタンプ，リスク値＞の配列ａｉであってもよい。たとえば、回帰学習器５０８の出力５２２は、時点ｔ０において予測されているタプル＜タイム・スタンプ＝ｔ０，リスク値ｔ０＞の配列、時点ｔ１において予測されているタプル＜タイム・スタンプ＝ｔ１，リスク値＝ｔ１＞の配列ａ１、時点ｔ２において予測されているタプル＜タイム・スタンプ＝ｔ２，リスク値＝ｔ２＞の配列ａ２、．．．、時点ｔｎにおいて予測されているタプル＜タイム・スタンプ＝ｔｎ，リスク値＝ｔｎ＞の配列ａｎを含むことができる。各タプルは農場の「画素セット」（少なくとも１つの画素）に対応する。
【0093】
たとえば、時点ｔ０において予測されているタプル＜タイム・スタンプ＝ｔ０，リスク値＝ｔ０＞の配列ａ０（すなわち、報告エンジン５１０に入力として供給可能な、回帰学習器５０８の時系列出力５２２の最初の配列）は、粗分解能Ｐ＆Ｄリスク・プロファイル５１４と同じ時点（時点＝ｔ０）における作物害虫リスクまたは作物病害リスクあるいはその両方の推定を表すことができる。回帰学習器５０８は、１つまたは複数の画素レベル入力５１３と、任意により粗分解能入力５１２とに含まれるかまたは基づくかあるいはその両方の履歴データまたは現在のデータあるいはその両方に、１つまたは複数の回帰モデルを適用することによって、タプルのこの配列（すなわちａ０）を出力することができる。
【0094】
また、時点ｔ１において予測されているタプル＜タイム・スタンプ＝ｔ１，リスク値＝ｔ１＞の配列ａ１、時点ｔ２において予測されているタプル＜タイム・スタンプ＝ｔ２，リスク値ｔ２＞の配列ａ２、．．．、および時点ｔｎにおいて予測されているタプル＜タイム・スタンプ＝ｔｎ，リスク値ｔｎ＞の配列ａｎ（すなわち、報告エンジン５１０への入力として提供可能な、回帰学習器５０８の時系列出力５２２の後続の配列）は、粗分解能Ｐ＆Ｄリスク・プロファイル５１４（時点＝ｔ０）に続く連続した時点（時点＝ｔ１、ｔ２、．．．、およびｔｎ）における作物害虫リスクまたは作物病害リスクあるいはその両方の推定を表すことができる。回帰学習器５０８は、（履歴データまたは現在のデータあるいはその両方に代えて、またはそれに加えて）１つまたは複数の画素レベル入力５１３と任意により粗分解能入力５１２とに含まれるかまたは基づくかあるいはその両方の予測データに、１つまたは複数の回帰モデルを適用することによって、タプルのこれらの配列（すなわちａ１、ａ２、．．．、およびａｎ）を出力してもよい。
【0095】
図５に示す実施例では、報告エンジン５１０は、回帰学習器５０８の出力に基づいて、（たとえば農場小区分規模の）高分解能Ｐ＆Ｄリスク・マップ時系列５０４として（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４に）表示可能なデータを含む出力５０２を提供することができる。たとえば、報告エンジン５１０によって提供される高分解能Ｐ＆Ｄリスク・マップ時系列５０４は、回帰学習器５０８から出力される配列の時系列に基づいてもよい。図５に示す実施例では、高分解能Ｐ＆Ｄリスク・マップ時系列５０４は、回帰学習器５０８から出力される、時点ｔ０において予測されているタプル＜タイム・スタンプ＝ｔ０，リスク値ｔ０＞の配列ａ０、時点ｔ１において予測されているタプル＜タイム・スタンプ＝ｔ１，リスク値ｔ１＞の配列ａ１、時点ｔ２において予測されているタプル＜タイム・スタンプ＝ｔ２，リスク値ｔ２＞の配列ａ２、．．．、および時点ｔｎにおいて予測されているタプル＜タイム・スタンプ＝ｔｎ，リスク値ｔｎ＞の配列ａｎにそれぞれ基づく、時点＝ｔ０におけるリスク・マップ５３０、時点＝ｔ１におけるリスク・マップ５３２、時点＝ｔ２におけるリスク・マップ５３４、．．．、および時点＝ｔｎにおけるリスク・マップ５３６を含むことができる。リスク・マップ５３０、５３２、５３４および５３６のそれぞれは、視覚ヒートマップの形態で（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４あるいはその両方に）表示可能である。
【0096】
図５に示す実施例では、リスク・マップ５３０、５３２、５３４および５３６のそれぞれが、９つの「画素セット」（少なくとも１つの画素）の３×３マトリックスからなり、画素セットのそれぞれが塗り潰しパターン５４２を含む形状要素５４０として（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４あるいはその両方に）表示可能である。図５に示す実施例では、各リスク・マップ５３０、５３２、５３４および５３６は、限定ではなく例示を目的として、３×３マトリックスとして構成される。各リスク・マップは任意の数の画素セットを、任意の構成で含むことができる。リスク・マップ５３０、５３２、５３４および５３６のそれぞれは、異なる時点（それぞれ、時点＝ｔ０、ｔ１、ｔ２、．．．、ｔｎ）における農場を表すことができる。形状要素５４０は、農場の画素セットを表すことができる。リスク・マップ５３０、５３２、５３４および５３６のそれぞれの各形状要素５４０の塗り潰しパターン５４２は、異なる時点（それぞれ、時点＝ｔ０、ｔ１、ｔ２、．．．、ｔｎ）における農場のその所与の画素セットにおける作物害虫リスクまたは作物病害リスクあるいはその両方の推定を反映することができる。たとえば、（時点＝ｔ０における）リスク・マップ５３０における形状要素５４０の塗り潰しパターン５４２は、時点ｔ０において予測されているタプル＜タイム・スタンプ＝ｔ０、リスク値ｔ０＞の配列ａ０に基づくことができる。図５に示す実施例では、各形状要素５４０は、限定ではなく例示を目的として、正方形である。形状要素５４０は任意の形状をとることができる。
【0097】
図５に示す実施例では、形状要素５４０の塗り潰しパターン５４２は、リスク凡例５２０に記載されている４つの可能なリスク・レベル（すなわち、「高リスク」、「中リスク」、「低リスク」および「リスクなし」）のうちのいずれか１つとすることができる。しかし、より一般的には、形状要素５４０の塗り潰しパターン５４２は、任意の複数の可能なリスク・レベルのうちの１つに対応してもよい。時点ｔｉにおけるリスク・マップ内の所与の画素セットのリスク・レベルは、時点ｔｉにおいて予測されているタプル＜タイム・スタンプ＝ｔｉ，リスク値ｔｉ＞の配列ａｉ内のその所与の画素セットのリスク値ｔｉに基づくことができる。たとえば、（たとえば１つまたは複数の回帰モデルによって判定された）リスク値が０．００と１．００の間であると仮定すると、リスク・マップ内の所与の画素セットは、以下のように、リスク・レベル閾値に基づくリスク・レベル（すなわちリスク・レベル・カテゴリ）を有するものとして分類可能である。
１．００≧リスク値＞０．７０の場合、「高リスク」、
０．７０≧リスク値＞０．５０の場合、「中リスク」、
０．５０≧リスク値＞０．２０の場合、「低リスク」、および
０．２０≧リスク値≧０．００の場合、「リスクなし」。
１．００≧リスク値＞０．７０の場合、「高リスク」、
０．７０≧リスク値＞０．５０の場合、「中リスク」、
０．５０≧リスク値＞０．２０の場合、「低リスク」、および
０．２０≧リスク値≧０．００の場合、「リスクなし」。
【0098】
図５に示す実施例では、リスク・マップ時系列（５３０→５３２→５３４→５３６）内の「高リスク」画素セットの数は時間の経過とともに増加する。たとえば、（それぞれ時点＝ｔ０およびｔ１における）リスク・マップ５３０および５３２のそれぞれでは、農場の「高リスク」画素セットは１つである。（時点＝ｔ２における）リスク・マップ５３４では、農場領域の「高リスク」画素セットの数は２に増加すると予想されている。最後に、（時点＝ｔｎにおける）農場領域の「高リスク」画素セットの数は、さらに４に増加すると予測されている。
【0099】
実施形態によっては、報告エンジン５１０は、所与のＰ＆Ｄ状況またはユーザからの入力あるいはその両方に基づいて、リスク・レベルの可能な数と、各リスク・レベルのリスク値閾値を調整してもよい。
【0100】
実施形態によっては、報告エンジン５１０は、出力５０２を、様々なレベルの分解能（たとえば、報告エンジン５１０によって判定された推奨分解能レベルまたはユーザによって選択された分解能レベル）で高分解能Ｐ＆Ｄリスク・マップ時系列５０４として表示可能なデータとして提供してもよい。実施形態によっては、報告エンジン５１０は、所与のＰ＆Ｄ状況の推奨分解能レベルの提供を含む、農場領域内の分解能（すなわち「農場小区分」の「部分」レベル）を動的に変更してもよい。実施形態によっては、ユーザは、この推奨分解能レベルを無効にするか否かを選択してもよい。たとえば、報告エンジン５１０は、異なるリスク・レベル・ゾーン、または農場領域の「農場小区分」の視覚マップ（たとえば図６の視覚ヒートマップ６００などの視覚ヒートマップ）として（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４あるいはその両方に）表示可能なデータを生成してもよく、農場小区分の大きさは推奨分解能レベルとユーザの選択との組合せに基づいて選択される。
【0101】
次に図６を参照すると、１つまたは複数の実施形態による、作物害虫リスクまたは作物病害リスクあるいはその両方の推定を表す例示の視覚ヒートマップ６００が図示されている。視覚ヒートマップ６００は、農場領域の全体またはその一部を表すことができる。たとえば、視覚ヒートマップ６００は、栽培者またはその他のユーザが特に関心または懸念を持つ農場領域の一部内の、農場小区分レベルでの作物害虫リスクまたは作物病害リスクあるいはその両方の推定を表すことができる。１つまたは複数の実施形態によると、栽培者またはその他のユーザは、農場領域の全体内の農場小区分レベルでの作物害虫リスクまたは作物病害リスクあるいはその両方を表す視覚ヒートマップのうちから、農場領域の任意の部分に「ズームイン」する（たとえば、視覚ヒートマップ６００は農場領域のその部分に対応してもよい）ように、図１２の組み込みディスプレイ／タッチ・スクリーン１２０４などの組み込みディスプレイ／タッチ・スクリーンを操作することができる。一般に、視覚ヒートマップ６００は、特定の時点における農場小区分レベルでの農場領域内またはその一部内の作物害虫リスクまたは作物病害リスクあるいはその両方を表す。実施形態によっては、農場領域または農場領域の一部あるいはその両方は、栽培者またはその他のユーザから受け取った農場画定データに基づいて判定されてもよい。
【0102】
図６に示す実施例では、視覚ヒートマップ６００は、各「画素セット」が塗り潰しパターン６１２を含む形状要素６１０として（たとえば図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーンあるいはその両方に）表示される、４８４個の「画素セット」（少なくとも１つの画素）の２２×２２マトリックスからなる。図６に示す実施例では、視覚ヒートマップ６００は、限定ではなく例示を目的として、２２×２２マトリックスとして構成されている。より一般的には、視覚ヒートマップ６００は、任意の数の画素セットを任意の構成で含むことができる。図６に示す実施例では、各形状要素６１０は、限定ではなく例示を目的として、正方形である。形状要素６１０は任意の形状をとり得る。
【0103】
図６に示す実施例では、農場領域は複数の農場小区分（たとえば後述する６２０、６２２、６２４および６２６）に分類される。たとえば、特定の時点における農場領域の所与の画素セットにおける作物害虫リスクまたは作物病害リスクあるいはその両方の推定に基づいて、分類方法が各形状要素６１０の塗り潰しパターン６１２の選択を主導してもよい。分類方法は、たとえば、任意の時点における農場領域の農場小区分を様々なリスク・カテゴリに分類してもよい。実施形態によっては、１組のスコア（たとえば画素セットのうちの各画素セットのリスク値）とそれらのスコアに関連付けられたリスクとが与えられると、報告エンジン（たとえば図５の報告エンジン５１０）が、その所与の時点について各農場小区分領域をカテゴリに対応付けるカテゴリ・マップを作成することができる。報告エンジンは次に、その所与の時点について、農場小区分エリアの異なるリスク・レベルに異なる「ヒート・レベル」を関連付ける（たとえば、「リスクの高い」農場小区分に「暖」色を関連付け、「リスクの少ない」農場小区分に「寒」色を関連付ける）ことによって、そのカテゴリ・マップから１つまたは複数の色分けされたヒートマップ（たとえばそのうちの１つは視覚ヒートマップ６００であってもよい）を生成することができる。実施形態によっては、報告エンジンは、各農場小区分エリアのカテゴリおよびヒート・レベルが時間の経過とともに変化する時間的な図を作成してもよい（たとえば農場小区分エリアが時間の経過とともに結合または分離するかあるいはその両方を生じてもよい）。
【0104】
図６に示す実施例では、視覚ヒートマップ６００は、ゾーンＡ、ＢおよびＣを含む。ゾーンＡ、ＢおよびＣを互いに分離する境界が、図６では点線として示されている。本明細書で使用される「ゾーン」という用語は、１つまたは複数の田畑、１つまたは複数の土地小区画、１つまたは複数の栽培領域、１つまたは複数の管理ゾーンなどを指し得る。たとえば、ゾーンＡ、ＢおよびＣは農場の異なる栽培領域であってもよい（たとえば、ゾーンＡが小麦栽培領域、ゾーンＢが大豆栽培領域、ゾーンＣがトウモロコシ栽培領域であってもよい）。
【0105】
実施形態によっては、報告エンジン（たとえば図５の報告エンジン５１０）が、画素セット・レベルの作物リスク・データに基づいて、農場領域、農場領域の１つもしくは複数の部分、または農場領域の１つもしくは複数のゾーンあるいはこれらの組合せを、各農場小区分がその農場小区分のリスク・レベル・カテゴリ（たとえば高リスク、中リスク、低リスクまたはリスクなし）を画定する複数の農場小区分に分類することができる。図６に示す実施例では、ゾーンＣが、４つの農場小区分６２０、６２２、６２４および６２６に分類され、そのそれぞれがリスク凡例６３０に記載されているようなその農場小区分のリスク・レベル・カテゴリを画定する。図６に示す実施例では、農場小区分６２０、６２２、６２４および６２６がそれぞれ、リスク・レベルの４つの可能なカテゴリ（すなわち、「高リスク」、「中リスク」、「低リスク」および「リスクなし」）のうちの１つを有するものとして分類された領域を画定する。たとえば、農場小区分６２０は「リスクなし」というリスク・レベルを有するものとして分類された領域を画定する。農場小区分６２２は、「低リスク」というリスク・レベルを有するものとして分類された領域を画定する。農場小区分６２４は、「中リスク」というリスク・レベルを有するものとして分類された領域を画定する。農場小区分６２６は、「高リスク」というリスク・レベルを有するものとして分類された領域を画定する。しかし、より一般的には、任意の数の可能なリスク・レベル・カテゴリがあってもよい。また、各リスク・レベル・カテゴリが１つまたは複数の農場小区分を含んでもよい。農場小区分６２０、６２２、６２４および６２６のそれぞれの構成は、特定の時点の農場の１つまたは複数の基礎にある画素セットのそれぞれにおける作物害虫リスクまたは作物病害リスクあるいはその両方の推定を反映する。
【0106】
次に図７を参照すると、１つまたは複数の実施形態による、農場小区分の拡大を示すために特定の画素セットの基礎にあるリスク値がラベル付けされた、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を表す例示の視覚ヒートマップ７００が図示されている。図７の視覚ヒートマップ７００は、「低リスク」農場小区分６２２における画素セットのそれぞれと「リスクなし」農場小区分６２０における画素セットのうちの１つ（すなわち画素セット７０２）の基礎にあるリスク値がラベル付けされている以外は、図６に示す視覚ヒートマップ６００に対応する。
【0107】
実施形態によっては、報告エンジン（たとえば図５の報告エンジン）が、農場小区分内により大きなリスク・ブロックを形成するように隣接画素セットを結合するか否かを判定するサブブロック拡張プロセスを実装することによって、「理想的分解能」を生成することができる。たとえば、サブブロック拡張プロセスは、以下の制約に従ってもよい。
・ 拡大は、拡張される農場小区分の少なくとも１つの既知の画素セットに隣り合う候補画素セットを結合することによってのみ行うことができ、
・ （拡張に含めることが考慮されている）候補画素セットのリスク要因の値（たとえばリスク値）と（すでに、拡張が考慮されている農場小区分の一部となっている）隣接画素セットのリスク要因の値（たとえばリスク値）との差は、許容閾値Ｔｈ１未満である必要があり、
・ 候補画素セット間のリスク要因の値（たとえばリスク値）は、すでに（農場小区分の拡張の候補画素セットを評価している）隣接農場小区分の一部であるリスク要因のすべての値（たとえばリスク値）の許容閾値Ｔｈ２以内である必要がある。
・ 拡大は、拡張される農場小区分の少なくとも１つの既知の画素セットに隣り合う候補画素セットを結合することによってのみ行うことができ、
・ （拡張に含めることが考慮されている）候補画素セットのリスク要因の値（たとえばリスク値）と（すでに、拡張が考慮されている農場小区分の一部となっている）隣接画素セットのリスク要因の値（たとえばリスク値）との差は、許容閾値Ｔｈ１未満である必要があり、
・ 候補画素セット間のリスク要因の値（たとえばリスク値）は、すでに（農場小区分の拡張の候補画素セットを評価している）隣接農場小区分の一部であるリスク要因のすべての値（たとえばリスク値）の許容閾値Ｔｈ２以内である必要がある。
【0108】
サブブロック拡張プロセスは、２つの農場小区分を結合してもよい。たとえば、実施形態によっては、２つの画素セットが結合によって同じ農場小区分に含まれる場合、それらの画素が属する２つの農場小区分も結合（拡張）されてもよい。
【0109】
実施形態によっては画素セットのいずれもそれ以上拡張することができなくなったらただちにマッピング・プロセスは終了し、農場小区分の数、大きさおよび場所はすでに定まっており、これが「理想的分解能」を含む理想的な分布である。
【0110】
実施形態によっては、栽培者またはその他のユーザが、理想的分布に閾値（たとえばＴｈ１およびＴｈ２）を手動で適用し、それによって画素セットの結合または分割あるいはその両方を行い、それに応じて農場領域の図を生成することによって、分解能を変化させてもよい。
【0111】
実施形態によっては、閾値（たとえばＴｈ１およびＴｈ２）は、所与のＰ＆Ｄ状況のための推奨分解能レベルを生成するために異なるＰ＆Ｄ状況（たとえば、作物と害虫／病害の異なる組合せ）について異なる値を有するように調整可能である。たとえば、報告エンジンが、所与のＰ＆Ｄ状況のための閾値を調整してもよく、それによって「理想的分解能」がその特定のＰ＆Ｄ状況の「推奨分解能」となってもよい。
【0112】
実施形態によっては、報告エンジンは、複数の農場小区分のうちの第１の農場小区分（たとえば「低リスク」農場小区分６２２）を、複数の農場小区分のうちの第２の小区分（たとえば「リスクなし」農場小区分６２０）内の複数の画素セットのうちの候補画素セット（たとえば画素セット７０２）を含むように拡大するか否かを、その候補画素セットが少なくとも１つの農場小区分拡大閾値を満たすか否かに基づいて判定してもよく、この場合、複数の農場小区分のうちの第１の農場小区分は複数の農場小区分のうちの第２の農場小区分に隣接し、候補画素セットは、複数の農場小区分のうちの第１の農場小区分における複数の画素セットのうちの隣接画素セット（たとえば画素セット７０４）に隣り合う。
【0113】
図７で、上記のように、農場小区分拡大を示すために、特定の画素セットの基礎となっているリスク値がラベル付けされる。図７に示す実施例では、「リスクなし」農場小区分６２０における画素セット７０２が「低リスク」農場小区分６２２への拡大の候補画素セットである。候補画素セット７０２の場合、リスク値＝１９である。「リスクなし」農場小区分６２０における画素セット７０２は、近隣「低リスク」農場小区分６２２における隣接画素セット７０４に隣り合う。隣接画素セット７０４の場合、リスク値＝２０である。実施形態によっては、報告エンジンは、候補画素セット７０２（リスク値＝１９）の作物リスク・データ（たとえばリスク値）と隣接画素セット７０４（リスク値＝２０）の作物リスク・データ（たとえばリスク値）との差が第１の農場小区分拡大閾値（たとえばＴｈ１）未満であるか否かを判定することと、候補画素セット７０２（リスク値＝１９）の作物リスク・データ（たとえばリスク値）と「低リスク」農場小区分６２２（リスク値＝２０から２６）における複数の画素セットのそれぞれの作物リスク・データ（たとえばリスク値）との差が第２の農場小区分拡大閾値（たとえばＴｈ２）未満であるか否かを判定することとを含む、農場小区分拡張プロセスを実装してもよい。この実施例では、閾値Ｔｈ１＞１（２０－１９）であって閾値Ｔｈ２＞７（２６－１９）である限りこれらの基準の両方が満たされ、したがって、報告エンジンは候補画素セット７０２を含むように「低リスク」農場小区分６２２を拡大することを決定してもよい。
【0114】
実施形態によっては、報告エンジンは、栽培者またはその他のユーザから分解能選択データを受け取ってもよく、分解能選択データは第１および第２の農場小区分拡大閾値（たとえばＴｈ１およびＴｈ２）のうちの少なくとも一方を含む。
【0115】
次に図８を参照すると、１つまたは複数の実施形態による、１つもしくは複数の作物害虫または１つもしくは複数の作物病害あるいはその両方のそれぞれの、画素セット・レベルの回帰モデルを構築する例示の方法の流れ図８００が図示されている。方法８００は、ブロックの好ましい順序を記載している。しかし、様々なブロックは互いに対して相対的に任意の時点で行われてもよいことを理解されたい。
【0116】
方法８００は、農場画定データを受け取ることで開始する（ブロック８０２）。たとえば、ブロック８０２で、農場画定データがサーバ・デバイス上の１つまたは複数の害虫または病害あるいはその両方の予測モジュールによって受け取られてもよい。実施形態によっては、農場画定データは、栽培者の農場内の農場小区分レベルでの作物害虫リスクまたは作物病害リスクあるいはその両方の推定を要求するために、栽培者によってクライアント・デバイスを使用して送信される、害虫または病害リスクあるいはその両方の予測要求に含まれてもよい。たとえば、クライアント・デバイスは、栽培者の農場を画定するＧＰＳ抽出地理位置データの形態の農場画定データを含む要求を送信してもよい。実施形態によっては、クライアント・デバイスは、栽培者の農場を画定するコモン・ランド・ユニット（ＣＬＵ）の形態の農場画定データを含む要求を送信してもよい。
【0117】
方法８００は、続いて農場画定データに基づいて農場領域を判定する（ブロック８０４）。たとえば、ブロック８０４で、サーバ・デバイス上の１つまたは複数の害虫または病害あるいはその両方の予測モジュールが、ブロック８０２で受け取ったＧＰＳ抽出地理位置データまたはＣＬＵあるいはその両方に基づいて農場領域を判定してもよい。
【0118】
次に、方法８００は、続いて農場領域に関連付けられた入力データであって、複数の画素セットを含む入力データを取り出す（ブロック８０６）。実施形態によっては、ブロック８０６で、方法８００は、農場領域（たとえば、ブロック８０２で受け取った農場画定データによって画定された農場）に関連付けられた入力データを取り出してもよい。実施形態によっては、ブロック８０６で、方法８００は、農場領域（たとえば、ブロック８０２で受け取った農場画定データによって画定された農場と１つまたは複数の近隣農場とを包含する「拡張農場」）に直接または間接的に関連付けられた入力データを取り出してもよい。実施形態によっては、入力データは、各画素セットが、データを意味のあるように収集することができる農場の最小可能／許容分解能を画定する、複数の画素セット（少なくとも１つの画素）を含んでもよい。実施形態によっては、ブロック８０６で取り出される入力データは、入力データ内のノイズおよびひずみ作用を除去する（たとえば入力データにバイアスをかけることになる外れ値を除去する）ために前処理されてもよい。
【0119】
実施形態によっては、ブロック８０６で、入力データは農場の履歴データ（たとえば、１つもしくは複数の気象属性、１つもしくは複数の土壌および土地特性、１つもしくは複数のリモート・センシング入力、１つもしくは複数の農場入力、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力）と、１つもしくは複数の作物季節学モデル・モジュール（たとえば図４の１つもしくは複数の作物季節学モデル・モジュール４１０）からの出力データ、または１つもしくは複数の害虫（病害）伝播モデル・モジュール（たとえば図４の１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２）からの出力データあるいはその両方とを含んでもよい。入力データは、観察された感染強度などの農場のその他の履歴データも含んでもよい。
【0120】
次に方法８００は、続いて１つもしくは複数の害虫または１つもしくは複数の病害あるいはその両方のそれぞれについて、画素セット・レベルで１つまたは複数の回帰モデルを学習する（ブロック８０８）。実施形態によっては、１つまたは複数の所与の作物のそれぞれについて、少なくとも１つの機械学習（ＭＬ）／作物季節学／害虫（病害）伝播モデルが、その所与の作物を冒す可能性のある１つもしくは複数の害虫または１つもしくは複数の病害あるいはその両方のそれぞれのための１組のトレーニング・データ（すなわち、ブロック８０６で受け取った入力データ）によってトレーニングされてもよい。方法８００は、ブロック８０８で、１つまたは複数の回帰モデルを学習するために、ロジスティック回帰、サポート・ベクタ回帰、またはディープ・ニューラル回帰あるいはこれらの組合せを採用する回帰学習器（たとえば図４の回帰学習器４０２）を使用してもよい。たとえば、ロジスティック回帰、サポート・ベクタ回帰、またはディープ・ニューラル回帰あるいはこれらの組合せが、履歴データ（たとえば、１つもしくは複数の気象属性、１つもしくは複数の土壌および土地特性、１つもしくは複数のリモート・センシング入力、１つもしくは複数の農場入力、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力）と、１つもしくは複数の作物季節学モデル・モジュールからの出力データまたは１つもしくは複数の害虫（病害）伝播モデル・モジュールからの出力データあるいはその両方に関して採用されてもよい。
【0121】
次に方法８００は、続いて、画素セット・レベルで、１つもしくは複数の作物害虫または１つもしくは複数の作物病害あるいはその両方のそれぞれのための１つまたは複数の回帰モデルを、１つまたは複数のテスト・インスタンスに適用してもよい（ブロック８１０）。たとえば、１つまたは複数の回帰モデルが学習された後は、方法８００はブロック８１０で、１つまたは複数の回帰モデルを、以前に見たことがないデータ（たとえば、トレーニング・データ以外の１つまたは複数のテスト・インスタンスからのデータ）に適用し、１つまたは複数の回帰モデルを検証する目的でそれらのデータに関する予測を行ってもよい。
【0122】
次に図９を参照すると、１つまたは複数の実施形態による、作物害虫リスクまたは作物病害リスクあるいはその両方を推定する例示の方法９００の流れ図が示されている。方法９００は、ブロックの好ましい順序を記載している。しかし、様々なブロックは互いに対して相対的に任意の時点で行われてもよいことを理解されたい。
【0123】
方法９００は、農場画定データを受け取ることで開始する（ブロック９０２）。たとえば、ブロック９０２で、農場画定データが、サーバ・デバイス上の１つまたは複数の害虫または病害あるいはその両方の予測モジュールによって受け取られてもよい。実施形態によっては、農場画定データは、栽培者の農場内の農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定を要求するために栽培者によってクライアント・デバイスを使用して送信される害虫または病害予測要求に含まれてもよい。たとえば、クライアント・デバイスは、栽培者の農場を画定するＧＰＳ抽出地理位置データの形態の農場画定データを含む要求を送信してもよい。実施形態によっては、クライアント・デバイスは、栽培者の農場を画定するコモン・ランド・ユニット（ＣＬＵ）の形態の農場画定データを含む要求を送信してもよい。実施形態によっては、農場画定データは、作物の種類、使用種子品種、播種日などの栽培情報と、栽培者が推定に含めるために選択した１つもしくは複数の作物害虫または１つもしくは複数の病害あるいはその両方などの害虫／病害情報などを追加で含んでもよい。
【0124】
方法９００は、続いて農場画定データに基づいて農場領域を判定する（ブロック９０４）。たとえば、ブロック９０４で、サーバ・デバイス上の１つまたは複数の害虫または病害あるいはその両方の予測モジュールが、ブロック９０２で受け取ったＧＰＳ抽出地理位置データまたはＣＬＵに基づいて農場領域を判定してもよい。
【0125】
次に、方法９００は、続いて、農場領域に関連付けられた入力データであって、複数の画素セットを含む入力データを取り出す（ブロック９０６）。実施形態によっては、ブロック９０６で方法９００は、農場領域（たとえば、ブロック９０２で受け取った農場画定データによって画定された農場）に関連付けられた入力データを取り出してもよい。実施形態によっては、ブロック９０６で、方法９００は、農場領域（たとえば、ブロック９０２で受け取った農場画定データによって画定された農場と、１つまたは複数の近隣農場とを包含する「拡張農場」）に直接または間接的に関連付けられた入力データを取り出してもよい。実施形態によっては、入力データは、各画素セットが、データを意味のあるように収集することができる農場の最小可能／許容分解能を画定する、複数の画素セット（少なくとも１つの画素）を含んでもよい。実施形態によっては、ブロック９０６で取り出される入力データは、入力データ内のノイズおよびひずみ作用を除去する（たとえば入力データにバイアスをかけることになる外れ値を除去する）ために前処理されてもよい。
【0126】
実施形態によっては、ブロック９０６で、入力データは、農場の履歴データ、現在のデータまたは予測データあるいはこれらの組合せ（たとえば、１つもしくは複数の気象属性、１つもしくは複数の土壌および土地特性、１つもしくは複数のリモート・センシング入力、１つもしくは複数の農場入力、ならびに／または、害虫および／もしくは病害に関する近隣情報などの１つもしくは複数のその他の入力）と、１つもしくは複数の作物季節学モデル・モジュール（たとえば図４の１つもしくは複数の作物季節学モデル・モジュール４１０）からの出力データまたは１つもしくは複数の害虫（病害）伝播モデル・モジュール（たとえば図４の１つもしくは複数の害虫（病害）伝播モデル・モジュール４１２）からの出力データあるいはその両方とを含んでもよい。
【0127】
方法９００は、続いて、複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用し、入力データに基づいて作物リスク・データを判定する（ブロック９０８）。実施形態によっては、作物リスク・データは、複数の画素セットのそれぞれの作物害虫リスクの推定、または複数の画素セットのそれぞれの作物病害リスクの推定あるいはその両方を含んでもよい。ブロック９０６で農場領域に直接または間接的に関連付けられていると特定された入力データ内の各画素セットについて、方法９００は、その画素セットの作物害虫または作物病害あるいはその両方のリスクを計算するために少なくとも１つの関数を採用してもよい。たとえば、ブロック９０８で、複数の画素セットのそれぞれについて、方法９００は図８の方法８００によって構築された１つまたは複数の回帰モデルを適用してもよい。実施形態によっては、ブロック９０８で、方法９００は、作物と作物害虫または作物病害あるいはその両方との異なる組合せに異なる回帰モデルを適用してもよい。実施形態によっては、それらの異なる回帰モデルは入力データの異なる部分を使用してもよい。
【0128】
実施形態によっては、ブロック９０８で、作物リスク・データの判定は、複数の画素セットのそれぞれについて、複数の異なる時点のそれぞれにおける時間的作物リスク・データを判定することを含んでもよい。たとえば、時間的作物リスク・データは、各配列が時点ｔｉにおいて予測されているタプル＜タイム・スタンプ，リスク値＞の配列ａｉを構成することができる配列の時系列（ａ１、ａ２、．．．、ａｎ）を含んでもよい。時間的作物リスク・データは、たとえば、時点ｔ１において予測されているタプル＜タイム・スタンプ＝ｔ１，リスク値ｔ１＞の配列ａ１、時点ｔ２において予測されているタプル＜タイム・スタンプ＝ｔ２，リスク値ｔ２＞の配列ａ２、．．．、および時点ｔｎにおいて予測されているタプル＜タイム・スタンプ＝ｔｎ，リスク値ｔｎ＞の配列ａｎを含んでもよい。各タプルは農場の「画素セット」に対応する。実施形態によっては、時間的作物リスク・データは、回帰学習器（たとえば図４の回帰学習器４０２または図５の回帰学習器５０８）によって出力されてもよい。
【0129】
次に方法９００は、続いて作物リスク・データに基づいて農場領域を各農場小区分がその農場小区分のリスク・レベル・カテゴリ（たとえば高リスク、中リスク、低リスクまたはリスクなし）を画定する複数の農場小区分に分類する（ブロック９１０）。たとえば、特定の時点における農場領域の所与の画素セットにおける作物害虫リスクまたは作物病害リスクあるいはその両方の推定に基づいて、方法９００は、ブロック９１０で、分類方法を使用して任意の時点における農場領域の農場小区分を様々なリスク・カテゴリに分類してもよい。実施形態によっては、１組のスコア（たとえば画素セットのそれぞれのリスク値）とそれらのスコアに関連付けられたリスクとが与えられると、報告エンジン（たとえば図５の報告エンジン５１０）がその所与の時点について、各農場小区分領域をカテゴリに対応付けるカテゴリ・マップを作成してもよい。報告エンジンは、次に、その所与の時点について、農場小区分エリアの異なるリスク・レベルに異なる「ヒート・レベル」を関連付ける（たとえば、「リスクの高い」農場小区分に「暖」色を関連付け、「よりリスクの低い」農場小区分に「寒」色を関連付ける）ことによって、カテゴリ・マップから１つまたは複数の色分けヒートマップを作成してもよい。
【0130】
実施形態によっては、ブロック９１０で、農場領域を複数の農場小区分に分類することが、農場小区分におけるより大きいリスク・ブロックを形成するように隣接画素セットを結合するか否かを判定するサブブロック拡張プロセスを実施することを含んでもよい。
【0131】
実施形態によっては、ブロック９１０で、農場領域を複数の農場小区分に分類することが、複数の異なる時点のうちのそれぞれの時点において、複数の異なる時点の各時点における（ブロック９０８で判定された）時間的作物リスク・データに基づいて、農場領域を、各農場小区分がその時点におけるその農場小区分のリスク・レベル・カテゴリを画定する複数の農場小区分に分類することを含んでもよい。たとえば、報告エンジン（たとえば図５の報告エンジン５１０）は次に、各農場小区分エリアのカテゴリおよびヒート・レベルが時間の経過とともに変化する（たとえば農場小区分エリアが時間の経過とともに結合または分離あるいはその両方を生じ得る）時間図を作成してもよい。
【0132】
方法９００は、続いて複数の農場小区分のうちの１つまたは複数の農場小区分を視覚ヒートマップとして表示する（ブロック９１２）。たとえば、視覚ヒートマップは、栽培者が害虫または病害あるいはその両方の予測要求を送信するために使用するクライアント・デバイスのディスプレイ（たとえば、図１１のディスプレイ１１４２または図１２の組み込みディスプレイ／タッチ・スクリーン１２０４あるいはその両方）上に表示されてもよい。
【0133】
実施形態によっては、ブロック９１２で、栽培者は複数の異なる時点の中から表示のために１つまたは複数の視覚ヒートマップを選択することができる。たとえば、栽培者ユーザは、時点＝ｔ０における視覚ヒートマップ、時点＝ｔ１における視覚ヒートマップ、時点＝ｔ２における視覚ヒートマップ、．．．、および時点＝ｔｎにおける視覚ヒートマップの中から１つまたは複数の視覚ヒートマップを表示のために選択することができる。たとえば、それらの視覚ヒートマップにおける各農場小区分エリアのカテゴリおよびヒート・レベルは時間の経過とともに変化し得る（たとえば、農場小区分エリアが時間の経過とともに結合または分離あるいはその両方を生じ得る）。
【0134】
Ｐ＆Ｄリスクが検出され、そのＰ＆Ｄに対処する対応策がわかっている場合、その対応策が視覚ヒートマップなどの時空マップに重ね合わせられてもよい。たとえば、Ｐ＆Ｄの到達および／もしくは拡散を防止する（または少なくともＰ＆Ｄの到達を遅らせるおよび／もしくはＰ＆Ｄの拡散を縮小する）可能性の高い推奨対応策（たとえば薬剤、活動など）が、任意の時点におけるそのような時空マップの所与の農場小区分レベル空間上に対応付けられてもよい。対応策として推奨可能な薬剤には、１つまたは複数の殺虫剤の散布、１つまたは複数の除草剤の散布、１つまたは複数の殺菌剤の散布などが含まれるがこれらには限定されない。対応策として推奨可能な活動には、施肥、灌漑装置の作動などが含まれるがこれらには限定されない。たとえば、図１２の凡例／対応策ウィンドウ１２１０は、視覚ヒートマップ・ウィンドウ１２０８に表示された農場小区分に関する対応策を対応付けている。
【0135】
次に図１０を参照すると、１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方を推定し、１つまたは複数の対応策を推奨する例示の方法１０００の流れ図が示されている。方法１０００は、ブロックの好ましい順序を記載している。しかし、様々なブロックは互いに対して相対的に任意の時点で行われてもよいことを理解されたい。
【0136】
【0137】
【0138】
方法１０００は、続いて、農場領域に関連付けられた入力データであって、複数の画素セットを含む入力データを取り出す（ブロック１００６）。図１０のブロック１００６は、図９の方法９００のブロック９０６に対応し得る。
【0139】
次に、方法１０００は、続けて、複数の画素セットのそれぞれについて、１つまたは複数の回帰モデルを使用し、入力データに基づいて、作物リスク・データを判定する（ブロック１００８）。図１０のブロック１００８は図９の方法９００のブロック９０８に対応し得る。
【0140】
次に方法１０００は、続いて作物リスク・データに基づいて農場領域を、各農場小区分がその農場小区分のリスク・レベル・カテゴリ（たとえば高リスク、中リスク、低リスクまたはリスクなし）を画定する複数の農場小区分に分類する（ブロック１０１０）。図１０のブロック１０１０は図９の方法９００のブロック９１０に対応し得る。
【0141】
次に方法１０００は、続いて複数の農場小区分のそれぞれについて、複数の対応策選択肢を特定する（ブロック１０１２）。たとえば、ブロック１０１２で、方法１０００は、複数の農場小区分のそれぞれについて、異なるＰ＆Ｄ状況のための対応策情報を含む１つまたは複数の対応策データベース（たとえば図１１の１つまたは複数の対応策データベース１１２８）にアクセスすることによって、複数の対応策選択肢を特定してもよい。
【0142】
実施形態によっては、ブロック１０１２で、方法１０００は複数の農場小区分のそれぞれについて、複数の時点におけるその農場小区分のための対応策選択肢を規定する複数の農場小区分時間的対応策選択肢を特定してもよい。
【0143】
次に方法１０００は、続いて複数の農場小区分のそれぞれについて、その農場小区分のリスク・レベルに少なくとも部分的に基づいて、複数の対応策選択肢のそれぞれの推奨スコアを判定する（ブロック１０１４）。たとえば、ブロック１０１４で、方法１０００は複数の農場小区分のそれぞれについて、その所与の農場小区分のリスク・レベルにおける所与の対応策選択肢の有効性をシミュレーションするための１つまたは複数のシミュレーション・モデルを使用して、複数の対応策選択肢のそれぞれの推奨スコアを判定してもよい。
【0144】
次に方法１０００は、続いて複数の農場小区分のそれぞれについて、複数の推奨スコアに基づいて１つまたは複数の対応策選択肢を提供する（ブロック１０１６）。たとえば、ブロック１０１６で、方法１０００は複数の農場小区分のそれぞれについて、最高推奨スコアを有する対応策選択肢に基づいて単一の推奨対応策選択肢を提供してもよい。例示の一実施例では、図１２の凡例／対応策ウィンドウ１２１０によって複数の農場小区分のそれぞれのための単一の推奨対応策選択肢が示されており、「指示Ｘ」は、高リスク農場小区分のための推奨対応策選択肢であり、「指示Ｙ」は中リスク農場小区分のための推奨対応策選択肢であり、「指示Ｚ」は低リスク農場小区分のための推奨対応策選択肢であり、「対策不要」はリスクなし農場小区分のための推奨対応策選択肢である。
【0145】
実施形態によっては、栽培者が計画栽培を有する場合、Ｐ＆Ｄに対する１つまたは複数の推奨対応策選択肢は、栽培者の計画栽培に関する安全性について調べられてもよい。所与の推奨対応策選択肢が栽培者の計画栽培にとって安全である場合、その推奨対応策選択肢がその場所の詳細な地図とその推奨対応策（たとえば散布される１つまたは複数の薬剤または実施する活動あるいはその両方）を実施すべき時点とともに表示するためにそのまま生成されてもよい。一方、所与の推奨対応策選択肢が栽培者の計画栽培にとって安全ではない場合、（たとえば「次善の」推奨スコアを有する対応策選択肢に基づいて）１つまたは複数の代替推奨対応策選択肢（ある場合）が提案されてもよい。それ以外の場合、１つまたは複数の代替栽培要件（ある場合）が、たとえば所与の１組の条件（たとえば土壌の種類、土壌水分量、気象／気候など）に合った栽培を選択する１つまたは複数の外部推奨システムを使用して提案されてもよい。
【0146】
例示の一実施例では、栽培者の計画栽培が有機農業技術のみを使用することを必要とする。この実施例では、ブロック１０１６で、方法１０００は所与の推奨対応策選択肢がすべての必要な有機農業認証要件を満たす限り、その所与の推奨対応策選択肢を表示のためにそのまま生成してもよい。
【0147】
次に方法１０００は、続いて複数の農場小区分のうちの１つまたは複数の農場小区分を視覚ヒートマップとして表示する（ブロック１０１８）。図１０のブロック１０１８は図９の方法９００のブロック９１２に対応し得る。
【0148】
次に方法１０００は、続いて複数の農場小区分のうちの１つまたは複数の農場小区分のそれぞれについて、１つまたは複数の推奨対応策選択肢をその農場小区分に関連付けられたテキストとして視覚ヒートマップ上に表示する（ブロック１０２０）。たとえば、ブロック１０２０で、方法１０００は、複数の農場小区分のうちの１つまたは複数の農場小区分のそれぞれについて、単一の対応策選択肢をその農場小区分に関連付けられたテキストとして視覚ヒートマップに表示してもよい（たとえば「指示Ｘ」が高リスク農場小区分のための推奨対応策選択肢であり、「指示Ｙ」が中リスク農場小区分のための推奨対応策選択肢であり、「指示Ｚ」が低リスク農場小区分のための推奨対応策選択肢であり、「対策不要」がリスクなし農場小区分のための推奨対応策選択肢である、図１２の凡例／対応策ウィンドウ１２１０）。
【0149】
次に図１１を参照すると、１つまたは複数の実施形態による、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定と１つまたは複数の対応策の推奨とを容易にする、例示の非限定的システム１１００のブロック図が示されている。簡潔にするために、本明細書に記載の他の実施形態で採用されている同様の要素の繰り返しの説明は省く。本開示で説明するシステム（たとえばシステム１１００など）、装置またはプロセスの態様は、マシン内で具現化された、たとえば１つまたは複数のマシンに関連付けられた１つまたは複数のコンピュータ可読媒体で具現化された、マシン実行可能プログラム・モジュールを構成することができる。そのようなプログラム・モジュールは、１つまたは複数のマシン、たとえば１つまたは複数のコンピュータ、１つまたは複数のコンピューティング・デバイス、１つまたは複数の仮想マシンなどによって実行されると、その１つまたは複数のマシンに、記載の動作を行わせることができる。
【0150】
図１１に示すように、システム１１００は、１つまたは複数のクライアント・システム（たとえばモバイル・デバイス）１１０２、１１１２と、１つまたは複数のサーバ・システム１１０４、１１１４と、１つまたは複数のネットワーク１１０６と、１つまたは複数の農場入力データベース１１２０と、１つまたは複数の地理空間データベース１１２２と、１つまたは複数の気象データベース１１２４と、１つまたは複数のリモート・センサ・データベース１１２６と、１つまたは複数の対応策データベース１１２８とを含んでもよい。１つまたは複数のクライアント・システム１１０２、１１１２と、１つまたは複数のサーバ・システム１１０４、１１１４と、１つまたは複数の農場入力データベース１１２０と、１つまたは複数の地理空間データベース１１２２と、１つまたは複数の気象データベース１１２４と、１つまたは複数のリモート・センサ・データベース１１２６と、１つまたは複数の対応策データベース１１２８とは、１つまたは複数のネットワーク１１０６を介した１つまたは複数のクライアント・システム１１０２、１１１２、１つまたは複数のサーバ・システム１１０４、１１１４、１つまたは複数の農場入力データベース１１２０、１つまたは複数の地理空間データベース１１２２、１つまたは複数の気象データベース１１２４、１つまたは複数のリモート・センサ・データベース１１２６、および１つまたは複数の対応策データベース１１２８の間の通信を可能にする、通信デバイス（たとえば、クライアント・システム１１０２に関連して後述する１つまたは複数の通信コンポーネント１１３０）を備えてもよい。
【0151】
クライアント・システム１１０２、１１１２は、作物害虫リスクまたは病害リスクあるいはその両方の推定と１つまたは複数の対応策の推奨の要求と、その推定および推奨の結果の表示に関して本明細書で説明されている機能を備えてもよい。１つまたは複数のクライアント・システム１１０２、１１１２は、１つまたは複数のサーバ・システム１１０４、１１１４に害虫または病害あるいはその両方の予測要求を送信するためと、１つまたは複数のサーバ・システム１１０４、１１１４から返された推定の結果を表示するためとに使用されてもよい。たとえば、作物害虫または作物病害あるいはその両方の推定の要求が、農業従事者と、農産物取引、種子供給、農薬製造業、および物流サービスなどの農業関連業者、さらに政府機関から発信されてもよい。クライアント・システム１１１２は、クライアント・システム１１０２とは異なる種類のクライアント・システムであってもよい。クライアント・システム１１１２は、クライアント・システム１１０２であるか、またはクライアント・システム１１０２の１つもしくは複数のコンポーネントを含んでもよく、あるいはその両方であってもよい。複数のクライアント・システムが採用される以下の説明では、クライアント・システムは１つもしくは複数のクライアント・システム１１０２または１つもしくは複数のクライアント・システム１１１２あるいはその両方を含んでもよいことを理解されたい。
【0152】
クライアント・システム１１０２、１１１２は、たとえば１つまたは複数の携帯電話（たとえば図１２の１２０２）、タブレット、ＰＤＡ、ラップトップ、またはその他のモバイル・デバイスを含んでもよい。
【0153】
サーバ・システム１１０４、１１１４は、作物害虫リスクまたは作物病害リスクあるいはその両方の推定と１つまたは複数の時間空間的対応策の推奨とに関連して本明細書で説明している機能を備えてもよい。サーバ・システム１１１４は、サーバ・システム１１０４とは異なるサーバ・システムであってもよい。サーバ・システム１１１４は、サーバ・システム１１０４であるか、またはサーバ・システム１１０４の１つもしくは複数のコンポーネントを含むか、あるいはその両方であってもよい。複数のサーバ・システムが採用される以下の説明では、サーバ・システムは１つもしくは複数のサーバ・システム１１０４または１つもしくは複数のサーバ・システム１１１４あるいはその両方を含んでもよいことを理解されたい。
【0154】
システム１１００の様々なコンポーネント（たとえば、クライアント・システム１１０２、１１１２、サーバ・システム１１０４、１１１４、農場入力データベース１１２０、地理空間データベース１１２２、気象データベース１１２４、リモート・センサ・データベース１１２６、対応策データベース１１２８、通信コンポーネント１１３０、１１５０、メモリ１１３２、１１５２、プロセッサ１１３８、１１５８、ディスプレイ１１４２、キーボード１１４４、ＧＰＳ１１４６、カメラ１１４８またはその他のコンポーネントあるいはこれらの組合せ）は、直接、または１つもしくは複数のネットワーク１１０６を介して接続可能である。そのようなネットワーク１１０６は、セルラ・ネットワーク、ワイド・エリア・ネットワーク（ＷＡＮ）（たとえばインターネット）、またはローカル・エリア・ネットワーク（ＬＡＮ）、あるいはこれらの組合せを含むがこれらには限定されない無線または有線ネットワークを含んでもよく、その非限定的な例には、セルラ、ＷＡＮ無線、ワイヤレス・フィディリティ（Ｗｉ－Ｆｉ）、Ｗｉ－Ｍａｌ、ＷＬＡＮ、伝播通信、マイクロ波通信、衛星通信、光通信、音波通信、電磁誘導通信、量子通信、または任意のその他の適切な通信技術あるいはこれらの組合せが含まれる。
【0155】
クライアント・システム１１０２は、クライアント・システム１１０２が１つもしくは複数のサーバ・システム１１０４、１１１４、１つもしくは複数のクライアント・デバイス１１１２、１つもしくは複数の農場入力データベース１１２０、１つもしくは複数の地理空間データベース１１２２、１つもしくは複数の気象データベース１１２４、１つもしくは複数のリモート・センサ・データベース１１２６、または１つもしくは複数の対応策データベース１１２８あるいはこれらの組合せと、１つまたは複数のネットワーク１１０６を介して無線通信または有線通信あるいはその両方により通信することができるようにする、１つまたは複数の通信コンポーネント１１３０を含んでもよい。たとえば、１つまたは複数の通信コンポーネント１１３０は、図１のネットワーク・アダプタ２０に対応し得る。
【0156】
クライアント・システム１１０２は、コンピュータ実行可能プログラム・モジュール（たとえば、コンピュータ実行可能プログラム・モジュールは害虫または病害あるいはその両方の予測要求／表示モジュール１１３４および関連プログラム・モジュールを含み得るがこれらには限定されない）を記憶可能な少なくとも１つのメモリ１１３２を含むか、またはその他の方法で関連付けられてもよい。害虫または病害あるいはその両方の予測要求／表示モジュール１１３４は、図１のプログラム・モジュール４２に対応し得る。クライアント・システム１１０２は、メモリ１１３２に記憶されているコンピュータ実行可能プログラム・モジュールを実行する少なくとも１つのプロセッサ１１３８を含むかまたはその他の方法で関連付けられてもよい。クライアント・システム１１０２は、通信コンポーネント１１３０、メモリ１１３２、プロセッサ１１３８、ディスプレイ１１４２、ユーザ入力デバイス１１４４、ＧＰＳ１１４６、カメラ１１４８、またはその他のコンポーネント（たとえば加速度計、ジャイロスコープ、磁力計）あるいはこれらの組合せを含むがこれらには限定されない、様々なコンポーネントを結合することができるシステム・バス１１４０をさらに含んでもよい。
【0157】
クライアント・システム１１０２は図１１では害虫または病害あるいはその両方の予測要求／表示モジュール１１３４を含むものとして示されているが、他の実施形態では、任意の数の異なる種類のデバイスが、害虫または病害あるいはその両方の予測要求／表示モジュール１１３４の全部または一部と関連付けられ、または含んでもよい。たとえば、１つまたは複数のサーバ・システム１１０４、１１１４は、害虫または病害あるいはその両方の要求／表示モジュール１１３４の全部または一部を含んでもよい。言い換えると、作物害虫リスクまたは作物病害リスクあるいはその両方の推定の要求と推定の結果の表示とに関連するデータ処理がローカルで（たとえばプロセッサ１１３８を使用して）、またはリモートで（たとえばプロセッサ１１５８を使用するサーバ・システム１１０４で）、あるいはその両方で行われてもよい。このようなすべての実施形態が想定される。
【0158】
クライアント・システム１１０２は、推定結果と、害虫または病害あるいはその両方の予測要求／表示モジュール１１３４の使用に関する情報（たとえば、農場領域を画定する座標のキー入力、農場領域を画定するコモン・ランド・ユニット（ＣＬＵ）のキー入力、農場領域を画定するＧＰＳ抽出地理位置データの使用、または農場領域を画定する画像データの使用あるいはこれらの組合せなど、それによって農場画定データを入力することができる１つまたは複数の入力選択肢を表す）とを表示可能な、少なくとも１つのディスプレイ１１４２も含むかまたはその他の方法で関連付けられてもよい。ディスプレイ１１４２は、任意の適切なディスプレイ・デバイスであってよい。たとえば、ディスプレイ１１４２は、携帯電話、タブレット、ＰＤＡまたはラップトップに組み込まれたディスプレイであってもよい。他の実施形態では、ディスプレイ１１４２は、携帯電話、タブレット、ＰＤＡまたはラップトップに通信可能に結合されたデバイスのコンポーネントであってもよい。実施形態によっては、ディスプレイ１１４２は、ユーザが指またはスタイラスを使用してクライアント・システム１１０２と対話することを可能にするタッチ・スクリーンであってもよい。
【0159】
クライアント・システム１１０２は、ユーザがそれを使用して入力データ（たとえば農場領域を画定する入力データ）を提供することができる、キーボードまたはポインティング・デバイス（たとえばグラフィックス・タブレット、マウス、スタイラス、ポインティング・スティック、トラックボールなど）あるいはその両方などの、少なくとも１つのユーザ入力デバイス１１４４も含むかまたはその他の方法で関連付けられてもよい。ユーザ入力デバイス１１４４は、任意の適切なユーザ入力デバイスであってよい。たとえば、ユーザ入力デバイス１１４４は、携帯電話、タブレット、ＰＤＡまたはラップトップに組み込まれたキーボードまたはポインティング・デバイスあるいはその両方であってもよい。他の実施形態では、ユーザ入力デバイス１１４４は、携帯電話、タブレットＰＤＡまたはラップトップに通信可能に結合されたデバイスのコンポーネントであってもよい。
【0160】
クライアント・システム１１０２は、地理位置データ（たとえば農場領域を画定する地理位置データ）を提供可能な少なくとも１つのＧＰＳ１１４６も含むかまたはその他の方法で関連付けられてもよい。ＧＰＳ１１４６は、グローバル・ポジショニング・システム（ＧＰＳ）、グローバル・ナビゲーション衛星システム（ＧＬＯＮＡＳＳ）、ガリレオ、準天頂衛星システム（ＱＺＳＳ）などの任意の適切な地球規模の衛星ベースの地理位置システムであってよい。たとえば、ＧＰＳ１１４６は、携帯電話、タブレット、ＰＤＡまたはラップトップに組み込まれた地球規模の衛星ベースの地理位置システムであってもよい。他の実施形態では、ＧＰＳ１１４６は、携帯電話、タブレット、ＰＤＡまたはラップトップに通信可能に結合されたデバイスのコンポーネントであってもよい。
【0161】
クライアント・システム１１０２は、画像（たとえば農場領域を画定する土地区画地図の画像またはその他の画像）をキャプチャすることができる少なくとも１つのカメラ１１４８も含むかまたはその他の方法で関連付けられてもよい。カメラ１１４８は、任意の適切な画像キャプチャ・デバイスであってよい。たとえば、カメラ１１４８は、携帯電話、タブレット、ＰＤＡまたはラップトップに組み込まれたカメラであってもよい。他の実施形態では、カメラ１１４８は、携帯電話、タブレット、ＰＤＡまたはラップトップに通信可能に結合されたデバイスのコンポーネントであってもよい。
【0162】
サーバ・システム１１０４は、サーバ・システム１１０４が１つまたは複数のネットワーク１１０６を介して無線または有線通信によって、１つもしくは複数のクライアント・システム１１０２、１１１２、１つもしくは複数の他のサーバ・デバイス１１１４、１つもしくは複数の農場入力データベース１１２０、１つもしくは複数の地理空間データベース１１２２，１つもしくは複数の気象データベース１１２４、１つもしくは複数のリモート・センサ・データベース１１２６、または１つもしくは複数の対応策データベース１１２８あるいはこれらの組合せと通信することができるようにする、１つまたは複数の通信コンポーネント１１５０を含んでもよい。たとえば、１つまたは複数の通信コンポーネント１１５０は、図１のネットワーク・アダプタ２０に対応し得る。
【0163】
サーバ・システム１１０４は、コンピュータ実行可能プログラム・モジュール（たとえば、コンピュータ実行可能プログラム・モジュールは害虫または病害あるいはその両方の予測モジュール１１５４、対応策モジュール１１５６、および関連プログラム・モジュールを含み得るがこれらには限定されない）を記憶することができる、少なくとも１つのメモリ１１５２を含むかまたはその他の方法で関連付けられてもよい。害虫または病害あるいはその両方の予測モジュール１１５４および対応策モジュール１１５６は、図１のプログラム・モジュール４２に対応し得る。害虫または病害あるいはその両方の予測モジュール１１５４は、図５の害虫または病害予測モジュール５０６にも対応し得る。サーバ・システム１１０４は、メモリ１１５２に記憶されたコンピュータ実行可能プログラム・モジュールを実行する少なくとも１つのプロセッサ１１５８も含むかまたはその他の方法で関連付けられてもよい。サーバ・システム１１０４は、通信コンポーネント１１５０、メモリ１１５２、プロセッサ１１５８、またはその他のコンポーネントあるいはこれらの組合せなどを含むがこれには限定されない様々なコンポーネントを結合することができるシステム・バス１１６０をさらに含んでもよい。
【0164】
サーバ・システム１１０４は、図１１では害虫または病害あるいはその両方の予測モジュール１１５４と対応策モジュール１１５６とを含むものとして示されているが、他の実施形態では、任意の数の異なる種類のデバイスが、害虫または病害あるいはその両方の予測モジュール１１５４または対応策モジュール１１５６あるいはその両方の全部または一部に関連付けられるかまたはそれらを含んでもよい。たとえば、１つまたは複数のクライアント・システム１１０２、１１１２が害虫または病害あるいはその両方の予測モジュール１１５４または対応策モジュール１１５６あるいはその両方の全部または一部を含んでもよい。言い換えると、害虫または病害あるいはその両方の予測モジュール１１５４または対応策モジュール１１５６あるいはその両方に関連するデータ処理が、ローカルで（たとえばプロセッサ１１５８を使用して）またはリモートで（たとえばプロセッサ１１３８を使用するクライアント・システム１１０２で）あるいはその両方で行われてもよい。このようなすべての実施形態が想定される。
【0165】
１つまたは複数の農場入力データベース１１２０は、任意のデータベースであってよく、その非限定的な例には農場入力データ（たとえば、殺虫剤、除草剤、殺菌剤、肥料、灌漑など）を記憶する１つまたは複数のデータベースが含まれる。１つまたは複数の農場入力データベース１１２０は、図４の農場入力４２６に対応する農場入力データを記憶してもよい。
【0166】
１つまたは複数の地理空間データベース１１２２は、任意のデータベースであってよく、その非限定的な例には、地理空間データ（たとえば、土壌の種類、土壌組成、土壌深度、土壌水分量、土地高度および勾配など）を記憶する１つまたは複数のデータベースが含まれる。１つまたは複数の地理空間データベース１１２２は、図４の土壌および土地特性４２２に対応する地理空間データを記憶してもよい。
【0167】
１つまたは複数の気象データベース１１２４は、任意のデータベースであってよく、その非限定的な例には、気象データ（たとえば、気温、湿度、風速、降水量など）を記憶する１つまたは複数のデータベースが含まれる。１つまたは複数の気象データベース１１２４は、図４の気象属性４２０に対応する気象データを記憶してもよい。
【0168】
１つまたは複数のリモート・センサ・データベース１１２６は、任意のデータベースであってよく、その非限定的な例には、リモート・センサ・データ（たとえば植生指数、後方散乱など）を記憶する１つまたは複数のデータベースが含まれる。１つまたは複数のリモート・センサ・データベース１１２６は、図４のリモート・センサ入力４２４に対応するリモート・センサ・データを記憶してもよい。
【0169】
１つまたは複数の対応策データベース１１２８は、任意のデータベースであってよく、その非限定的な例には、対応策データ（たとえば、異なるＰ＆Ｄ状況のための対応策情報）を記憶する１つまたは複数のデータベースが含まれる。たとえば、１つまたは複数の対応策データベース１１２８は、異なる作物成長段階における複数の作物のそれぞれに影響を与える、異なるＰ＆Ｄ成長段階におけるＰ＆Ｄリスクに対処するための、スカウティング実践方法、処置方法およびその他の対応策情報を含んでもよい。
【0170】
次に図１２を参照すると、１つまたは複数の実施形態による、農場小区分レベルでの作物害虫リスクまたは作物病害リスクあるいはその両方の推定と、１つまたは複数の対応策の推奨を要求し、推定と推奨の結果を表示するための、例示のクライアント・システム１２００が図示されている。例示のクライアント・システム１２００は図１１のクライアント・システム１１０２、１１１２に対応し得る。図１２に示す例示のクライアント・システム１２００は、組み込みディスプレイ／タッチ・スクリーン１２０４を備えた携帯電話１２０２を含む。他の実施形態では、クライアント・システムは、タブレット、ＰＤＡ、ラップトップまたは、異なる構成を有する携帯電話を含むその他のクライアント・デバイスであってもよい。一部の実施形態によると、組み込みディスプレイ／タッチ・スクリーン１２０４に表示されるのは、作物害虫リスクまたは作物病害の推定の要求に応答してサーバ・システム（たとえば図１１の１１０４）によって返される、農場小区分レベルの作物害虫リスクまたは作物病害リスクあるいはその両方の推定の結果１２０６と、１つまたは複数の対応策の推奨である。クライアント・システム１２００は、農場領域を画定するＧＰＳ抽出地理位置データを含み得る要求を、その前にサーバ・システムに送信していてもよい。たとえば、携帯電話１２０２は内蔵ＧＰＳ（図１１の１１４６）を含んでもよく、電話のＧＰＳ抽出地理位置データが農場領域を画定してもよい（たとえば、害虫または病害あるいはその両方の予測要求／表示モジュール（図１１の１１３４）が、携帯電話１２０２が位置するＣＬＵを農場領域として画定してもよい）。
【0171】
図１２に示す実施形態では、作物害虫リスクまたは作物病害リスクあるいはその両方の推定の結果１２０６が、１つまたは複数のウィンドウ（たとえば、視覚ヒートマップ・ウィンドウ１２０８および凡例／対応策ウィンドウ１２１０など）、アイコン、または表示された結果とユーザがインタラクトすることができるようにするボタンあるいはこれらの組合せを含む、グラフィカル・ユーザ・インターフェース（ＧＵＩ）を使用して表示される。たとえば、ＧＵＩは、視覚ヒートマップ・ウィンドウ１２０８内の農場領域全体、または（たとえばズーム機能を使用して）農場領域の一部を表示するように、ユーザが表示された結果とインタラクトすることを可能にしてもよい。図１２に示す実施形態では、視覚ヒートマップ・ウィンドウ１２０８は、図６の視覚ヒートマップ６００に対応する視覚ヒートマップを表示する。また、図１２に示す実施形態では、凡例／対応策ウィンドウ１２１０は、農場小区分ごとの視覚ヒートマップの塗り潰しグラフィックの凡例と、農場小区分ごとの推奨対応策とを表示する。図１２に示すＧＵＩの構成および機能は例示のみを意図しており、本発明の実施形態はこれには限定されないことを理解されたい。たとえば、作物害虫リスクまたは作物病害リスクあるいはその両方の推定の結果は、テキスト・ベースのユーザ・インターフェースを使用して表示されてもよい。
【0172】
また、図１２に示す実施形態では、推奨対応策は凡例／対応策ウィンドウ１２１０内にテキストとして示される。この構成は限定ではなく例示を目的としている。推奨対応策は、任意の適切な方式で、任意の適切な場所に提示されてもよい。推奨対応策は、空間（たとえば推奨対応策が農場小区分ごとに異なり得る）と時間（たとえば推奨対応策が時間の経過とともに変化し得る）の両方について調整された時間空間的な指示であってもよい。
【0173】
本発明は、システム、方法、またはコンピュータ・プログラム製品あるいはこれらの組合せとすることができる。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実施させるためのコンピュータ可読プログラム命令が記憶されたコンピュータ可読記憶媒体（または複数の媒体）を含み得る。
【0174】
コンピュータ可読記憶媒体は、命令実行デバイスによって使用される命令を保持し、記憶することができる有形デバイスとすることができる。コンピュータ可読記憶媒体は、たとえば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光学式ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、またはこれらの任意の適切な組合せであってよいが、これらには限定されない。コンピュータ可読記憶媒体のより具体的な例の非網羅的なリストには、可搬コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭまたはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、可搬コンパクト・ディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリ・スティック、フロッピィ・ディスク、パンチカードまたは命令が記録された溝内の隆起構造などの機械的に符号化されたデバイス、およびこれらの任意の適切な組合せが含まれる。本明細書で使用されるコンピュータ可読記憶媒体とは、電波もしくはその他の自由に伝播する電磁波、導波路もしくはその他の伝送媒体を伝播する電磁波（たとえば光ファイバ・ケーブルを通る光パルス）、またはワイヤを介して伝送される電気信号などの、一過性の信号自体であると解釈すべきではない。
【0175】
本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体から、ネットワーク、たとえばインターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、または無線ネットワークあるいはこれらの組合せを介して外部コンピュータまたは外部記憶デバイスにダウンロードすることができる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、またはエッジ・サーバあるいはこれらの組合せを含んでもよい。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カードまたはネットワーク・インターフェースが、ネットワークからコンピュータ可読プログラム命令を受信し、それらのコンピュータ可読プログラム命令を、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体への記憶のために転送する。
【0176】
動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、インストラクション・セット・アーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、または、Ｓｍａｌｌｔａｌｋ（Ｒ）、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語、もしくは同様のプログラム言語などの従来の手続き型プログラミング言語を含む、１つもしくは複数のプログラミング言語の任意の組合せで書かれたソース・コードもしくはオブジェクト・コードとすることができる。コンピュータ可読プログラム命令は、スタンドアロン・ソフトウェア・パッケージとして全体がユーザのコンピュータ上でもしくは一部がユーザのコンピュータ上で、または一部がユーザのコンピュータ上で一部がリモート・コンピュータ上で、または全体がリモート・コンピュータもしくはサーバ上で実行されてもよい。後者の場合、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくはワイド・エリア・ネットワーク（ＷＡＮ）を含む、任意の種類のネットワークを介してユーザのコンピュータに接続することができ、または接続は（たとえば、インターネット・サービス・プロバイダを使用してインターネットを介して）外部コンピュータに対して行ってもよい。１つまたは複数の実施形態では、本発明の態様を実行するために、たとえばプログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ）を含む電子回路が、コンピュータ可読プログラム命令の状態情報を使用して電子回路をパーソナライズすることにより、コンピュータ可読プログラム命令を実行することができる。
【0177】
態様について、本明細書では、１つまたは複数の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品を示すフローチャート図またはブロック図あるいはその両方を参照しながら説明している。フローチャート図またはブロック図あるいはその両方の図の各ブロックおよび、フローチャート図またはブロック図あるいはその両方の図のブロックの組合せは、コンピュータ可読プログラム命令によって実装可能であることを理解されたい。
【0178】
これらのコンピュータ可読プログラム命令は、汎用コンピュータ、専用コンピュータ、またはその他のプログラマブル・データ処理装置のプロセッサにより実行される命令が、フローチャートまたはブロック図あるいはその両方のブロックで指定されている機能／動作を実装する手段を形成するように、汎用コンピュータ、専用コンピュータまたはその他のプログラマブル・データ処理装置のプロセッサに供給されて、マシンを作り出すものであってよい。これらのコンピュータ可読プログラム命令は、命令が記憶されたコンピュータ可読記憶媒体が、フローチャートまたはブロック図あるいはその両方のブロックで指定されている機能／動作の態様を実装する命令を含む製造品を含むように、コンピュータ可読記憶媒体に記憶され、コンピュータ、プログラマブル・データ処理装置、またはその他のデバイスあるいはこれらの組合せに対して特定の方式で機能するように指示することができるものであってもよい。
【0179】
コンピュータ可読プログラム命令は、コンピュータ、その他のプログラマブル装置またはその他のデバイス上で実行される命令がフローチャートまたはブロック図あるいはその両方のブロックで指定されている機能／動作を実装するように、コンピュータ実装プロセスを実現するべく、コンピュータ、その他のプログラマブル・データ処理装置、またはその他のデバイスにロードされ、コンピュータ、その他のプログラマブル装置、またはその他のデバイス上で一連の動作ステップを実行させるものであってもよい。
【0180】
図面中のフローチャートおよびブロック図は、様々な実施形態によるシステム、方法およびコンピュータ・プログラム製品の可能な実装形態のアーキテクチャ、機能および動作を示す。これに関連して、フローチャートまたはブロック図の各ブロックは、指定されている論理機能を実装するための１つまたは複数の実行可能命令を含む、命令のモジュール、セグメント、または部分を表し得る。一部の別の実装形態では、ブロックに記載されている機能は、図に記載されている順序とは異なる順序で行われてもよい。たとえば、連続して示されている２つのブロックは、関与する機能に応じて、実際には、実質的に並行して実行されてもよく、またはブロックは場合によっては逆の順序で実行されてもよい。また、ブロック図またはフローチャート図あるいはその両方の図の各ブロック、およびブロック図またはフローチャート図あるいはその両方の図のブロックの組合せは、指定されている機能または動作を実行する専用ハードウェア・ベースのシステムによって実装可能であるか、または専用ハードウェアとコンピュータ命令との組合せを実施することができることにも留意されたい。
【0181】
当業者には、本発明の範囲内で多くの変形が可能であることがわかるであろう。たとえば、本明細書に記載の特定のハードウェアおよびソフトウェア実装の詳細は、例示を目的としたものに過ぎず、記載されている主題の範囲を限定することは意図されていない。したがって、本発明についてその好ましい実施形態に関連して具体的に図示し、説明したが、本発明の思想および範囲から逸脱することなく、それらの実施形態に形態および詳細の変更を加えることができることが、当業者にはわかるであろう。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
