トップ :: A 生活必需品 :: A01 農業;林業;畜産;狩猟;捕獲;漁業




【発明の名称】 農作物収穫量予測方法、農作物収穫量予測装置及び記録媒体
【発明者】 【氏名】山本 郁夫

【氏名】三浦 正美

【氏名】原田 亨
【要約】 【課題】本発明の目的は、農作物の収穫量の予測、とりわけ、農作物の収穫量の短期予測を正確に行うことにある。

【解決手段】本発明による農作物収穫量予測方法は、（ａ）農作物の栽培計画に基づいて、農作物の第１予測収穫量を算出するステップ（Ｓ０１、Ｓ０２）と、（ｂ）ニューラルネットワークを用いて補正値を算出するステップ（Ｓ０３）と、（ｃ）前記第１予測収穫量と前記補正値とに基づいて、予測の対象である予測期間における予測収穫量である最終的予測収穫量を算出するステップ（Ｓ０４）とを具備する。
【特許請求の範囲】
【請求項１】 （ａ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、（ｂ）ニューラルネットワークを用いて補正値を算出するステップと、（ｃ）前記第１予測収穫量と前記補正値に基づいて、予測の対象である予測期間における予測収穫量である最終的予測収穫量を算出するステップとを具備する農作物収穫量予測方法。
【請求項２】 請求項１の農作物収穫量予測方法において、前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分であり、前記最終的予測収穫量は、前記将来予測収穫量と前記補正値とに基づいて求められる農作物収穫量予測方法。
【請求項３】 請求項２の農作物収穫量予測方法において、前記ニューラルネットワークの入力データは、前記農作物が作られる地域における天候を示すデータを含む農作物収穫量予測方法。
【請求項４】 請求項２の農作物収穫量予測方法において、前記ニューラルネットワークの入力データは、前記過去収穫量を含む農作物収穫量予測方法。
【請求項５】 請求項１の農作物収穫量予測方法において、前記（ａ）ステップは、（ｄ）前記栽培計画と、前記予測期間より過去における前記農作物の実際の収穫量の周波数スペクトルとに基づいて、前記第１予測収穫量を算出するステップを含む農作物収穫量予測方法。
【請求項６】 （ｅ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、ここで前記第１予測収穫量は、前記農作物の過去の収穫量を予測した過去予測収穫量と、予測の対象である予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、（ｆ）前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、補正値を算出するステップと、（ｇ）前記将来予測収穫量と前記補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出するステップとを具備する農作物収穫量予測方法。
【請求項７】 請求項６の農作物収穫量予測方法において、前記（ｅ）ステップは、（ｈ）前記栽培計画と、前記予測期間より過去における前記農作物の実際の収穫量の周波数スペクトルとに基づいて、前記第１予測収穫量を算出するステップとを含む農作物収穫量予測方法。
【請求項８】 （ｉ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、ここで前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第１過去予測収穫量とを含み、（ｊ）ニューラルネットワークを用いて第１補正値を算出するステップと、ここで、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記第１過去予測収穫量との差分であり、（ｋ）前記第１予測収穫量と前記第１補正値とに基づいて、第２予測収穫量を算出するステップと、ここで、前記第２予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第２過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する第２将来予測収穫量とを含み、（ｌ）前記第２過去収穫量と前記第２過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、第２補正値を算出することと、（ｍ）前記第２将来予測収穫量と前記第２補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出するステップとを具備する農作物収穫量予測方法。
【請求項９】 農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出する第１予測収穫量算出手段と、ニューラルネットワークを用いて補正値を算出する補正値算出手段と前記第１予測収穫量と前記補正値に基づいて、予測の対象である予測期間における予測収穫量である最終的予測収穫量を算出する最終的予測収穫量算出手段とを具備する農作物収穫量予測装置。
【請求項１０】 請求項９の農作物収穫量予測装置において、前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分であり、前記最終的予測収穫量は、前記将来予測収穫量と前記補正値とに基づいて求められる農作物収穫量予測装置。
【請求項１１】 農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出する第１予測収穫量算出手段と、ここで前記第１予測収穫量は、前記農作物の過去の収穫量を予測した過去予測収穫量と、予測の対象である予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、補正値を算出する補正値算出手段と、前記将来予測収穫量と前記補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出する最終的予測収穫量算出手段とを具備する農作物収穫量予測装置。
【請求項１２】 農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出する第１予測収穫量算出手段と、ここで前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第１過去予測収穫量を含み、ニューラルネットワークを用いて第１補正値を算出する第１補正値算出手段と、ここで、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記第１過去予測収穫量との差分であり、前記第１予測収穫量と前記第１補正値とに基づいて、第２予測収穫量を算出する第２予測収穫量算出手段と、ここで前記第２予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第２過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する第２将来予測収穫量とを含み、前記過去収穫量と前記第２過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、第２補正値を算出する第２補正値算出手段と、前記第２将来予測収穫量と前記第２補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出する最終的予測収穫量算出手段とを具備する農作物収穫量予測装置。
【請求項１３】 （ａ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、（ｂ）ニューラルネットワークを用いて補正値を算出するステップと、（ｃ）前記第１予測収穫量と前記補正値に基づいて、予測の対象である予測期間における予測収穫量である最終的予測収穫量を算出するステップとを実行するプログラムが記載された記録媒体。
【請求項１４】 請求項１３の記録媒体において、前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分であり、前記最終的予測収穫量は、前記将来予測収穫量と前記補正値とに基づいて求められる記録媒体。
【請求項１５】 （ｅ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、ここで前記第１予測収穫量は、前記農作物の過去の収穫量を予測した過去予測収穫量と、予測の対象である予測期間における前記農作物の収穫量を予測する将来予測収穫量とを含み、（ｆ）前記農作物の過去の実際の収穫量である過去収穫量と前記過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、補正値を算出するステップと、（ｇ）前記将来予測収穫量と前記補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出するステップとを具備するとを実行するプログラムが記載された記録媒体。
【請求項１６】 （ｉ）農作物の栽培計画に基づいて、前記農作物の第１予測収穫量を算出するステップと、ここで前記第１予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第１過去予測収穫量を含み、（ｊ）ニューラルネットワークを用いて第１補正値を算出するステップと、ここで、前記ニューラルネットワークの教師データは、前記農作物の過去の実際の収穫量である過去収穫量と前記第１過去予測収穫量との差分であり、（ｋ）前記第１予測収穫量と前記第１補正値とに基づいて、第２予測収穫量を算出するステップと、ここで、前記第２予測収穫量は、前記予測期間より過去の前記農作物の収穫量を予測した第２過去予測収穫量と、前記予測期間における前記農作物の収穫量を予測する第２将来予測収穫量とを含み、（ｌ）前記過去収穫量と前記第２過去予測収穫量との差分がカオス変動をするとしてカオス分析することにより、第２補正値を算出することと、（ｍ）前記第２将来予測収穫量と前記第２補正値とに基づいて、前記予測期間における予測収穫量である最終的予測収穫量を算出するステップとを実行するプログラムが記録された記録媒体。
【発明の詳細な説明】【０００１】
【発明の属する技術分野】本発明は、農作物収穫量予測システムに関する。
【０００２】
【従来の技術】農業の経営者にとって、農作物の収穫量を正確に予測することは大きな意義がある。農作物の収穫量の予測は、農作物の出荷計画の立案や、市場での価格戦略の立案において極めて有用であるからである。農作物の収穫量の正確な予測は、農家の収入の安定化に大きく貢献する。
【０００３】農作物の収穫量は、農業従事者の経験と勘によって概ね予測することができる。しかし、農作物の収穫量は、様々な要因によって左右され、例えば、ある一週間内での農作物の収穫量の予測のような短期的な収穫量の予測を行うことは、経験と勘とをもってしても容易なことではない。
【０００４】農作物の収穫量の予測、とりわけ、農作物の収穫量の短期予測を正確に行うことが望まれる。
【０００５】
【発明が解決しようとする課題】本発明の目的は、農作物の収穫量の予測、とりわけ、農作物の収穫量の短期予測を正確に行うことにある。
【０００６】
【課題を解決するための手段】その課題を解決するための手段は、下記のように表現される。その表現中に現れる技術的事項には、括弧（）つきで、番号、記号等が添記されている。その番号、記号等は、本発明の複数の実施の形態のうちの、少なくとも１つの実施の形態を構成する技術的事項、特に、その実施の形態に対応する図面に表現されている技術的事項に付せられている参照番号、参照記号等に一致している。このような参照番号、参照記号は、請求項記載の技術的事項と実施の形態の技術的事項との対応・橋渡しを明確にしている。このような対応・橋渡しは、請求項記載の技術的事項が実施の形態の技術的事項に限定されて解釈されることを意味しない。
【０００７】本発明による農作物収穫量予測方法は、（ａ）農作物の栽培計画に基づいて、農作物の第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））を算出するステップ（Ｓ０１、Ｓ０２）と、（ｂ）ニューラルネットワーク（１１）を用いて補正値（ΔＳｎ（ｔｊ））を算出するステップ（Ｓ０３）と、（ｃ）第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））と、補正値（ΔＳｎ（ｔｊ））に基づいて、予測の対象である予測期間（ｔｊ）における予測収穫量である最終的予測収穫量（Ｓ（ｔｊ））を算出するステップ（Ｓ０４）とを具備する。
【０００８】このとき、第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））は、予測期間（ｔｊ）より過去の農作物の収穫量を予測した過去予測収穫量（Ｓｌ（ｔｋ）、ｋはｊ−１以下の自然数、以下同じ。）と、予測期間（ｔｊ）における農作物の収穫量を予測する将来予測収穫量（Ｓｌ（ｔｊ））とを含むことがある。このとき、ニューラルネットワークの教師データ（Ｔｋ）は、農作物の過去の実際の収穫量である過去収穫量（Ｕ（ｔｋ））と過去予測収穫量（Ｓｌ（ｔｋ））との差分であり、最終的予測収穫量（Ｓ（ｔｊ））は、将来予測収穫量（Ｓｌ（ｔｊ））と補正値（ΔＳｎ（ｔｊ））とに基づいて求められることが望ましい。
【０００９】また、ニューラルネットワーク（１１）の入力データ（ｕ１（ｔｋ）、ｕ２（ｔｋ）、ｕ３（ｔｋ））は、農作物が作られる地域における天候を示すデータ（ｕ１（ｔｋ）、ｕ２（ｔｋ））を含むことが望ましい。
【００１０】また、ニューラルネットワーク（１１）の入力データ（ｕ１（ｔｋ）、ｕ２（ｔｋ）、ｕ３（ｔｋ））は、過去収穫量（ｕ３（ｔｋ））を含むことが望ましい。
【００１１】このとき（ａ）ステップは、（ｄ）栽培計画と予測期間（ｔｊ）より過去における農作物の実際の収穫量の周波数スペクトル（Ｆ（ω））とに基づいて、第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））を算出するステップ（Ｓ０１、Ｓ０２）を含むことが望ましい。
【００１２】本発明による農作物収穫量予測方法は、（ｅ）農作物の栽培計画に基づいて、農作物の第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））を算出するステップ（Ｓ１１、Ｓ１２）と、ここで第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））は、農作物の過去の収穫量を予測した過去予測収穫量（Ｓｌ（ｔｋ））と、予測の対象である予測期間（ｔｊ）における農作物の収穫量を予測する将来予測収穫量（Ｓｌ（ｔｊ））とを含み、（ｆ）農作物の過去の実際の収穫量である過去収穫量（Ｕ（ｔｋ））と過去予測収穫量（Ｓｌ（ｔｋ））との差分がカオス変動をするとしてカオス分析することにより、補正値（ΔＳｃ（ｔｋ））を算出するステップ（Ｓ１３）と、（ｇ）将来予測収穫量（Ｓｌ（ｔｊ））と補正値（ΔＳｃ（ｔｋ））とに基づいて、予測期間（ｔｋ）における予測収穫量である最終的予測収穫量（Ｓ（ｔｋ））を算出するステップ（Ｓ１４）とを具備する。
【００１３】本発明による農作物収穫量予測方法は、（ｉ）農作物の栽培計画に基づいて、農作物の第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））を算出するステップ（Ｓ２１、Ｓ２２）と、ここで第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））は、予測期間（ｔｊ）より過去の農作物の収穫量を予測した第１過去予測収穫量（Ｓｌ（ｔｋ））を含み、（ｊ）ニューラルネットワーク（１１）を用いて第１補正値（ΔＳｎ（ｔ１）、ΔＳｎ（ｔ１）、…、ΔＳｎ（ｔｊ））を算出するステップ（Ｓ２３）と、ここで、ニューラルネットワーク（１１）の教師データ（Ｔｋ）は、農作物の過去の実際の収穫量である過去収穫量（Ｕ（ｔｋ））と第１過去予測収穫量（Ｓｌ（ｔｋ））との差分であり、（ｋ）第１予測収穫量（Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ））と第１補正値（ΔＳｎ（ｔ１）、ΔＳｎ（ｔ２）、…、ΔＳｎ（ｔｊ））とに基づいて、第２予測収穫量（Ｓｔ２（ｔ１）、Ｓｔ２（ｔ２）、…Ｓｔ２（ｔｊ））を算出するステップ（Ｓ２３）と、ここで、第２予測収穫量（Ｓｔ２（ｔ１）、Ｓｔ２（ｔ２）、…Ｓｔ２（ｔｊ））は、予測期間（ｔｊ）より過去の農作物の収穫量を予測した第２過去予測収穫量（Ｓｔ２（ｔｋ））と、予測期間（ｔｊ）における農作物の収穫量を予測する第２将来予測収穫量（Ｓｔ２（ｔｊ））とを含み、（ｌ）過去収穫量（Ｕ（ｔｋ））と第２過去予測収穫量（Ｓｔ２（ｔｋ））との差分がカオス変動をするとしてカオス分析することにより、第２補正値（ΔＳｃ’（ｔｊ））を算出することと、（ｍ）第２将来予測収穫量（Ｓｔ２（ｔｊ））と第２補正値（ΔＳｃ’（ｔｊ））とに基づいて、予測期間（ｔｊ）における予測収穫量である最終的予測収穫量（Ｓ（ｔｊ）を算出するステップ（Ｓ２５）とを具備する。
【００１４】
【発明の実施の形態】以下、添付図面を参照しながら、本発明による実施の形態の農作物収穫量予測方法を説明する。
【００１５】実施の第１形態：実施の第１形態の農作物収穫量予測方法では、ハウス栽培されているいちごの収穫量が予測される。いちごが栽培されている地域は、ブロックＢ１、Ｂ２、…、Ｂｎ（ｉは、ｎ以下の自然数）に区分されている。各ブロック毎にいちごの作型が定められ、その作型に従っていちごが栽培されている。
【００１６】図１は、農作物収穫量予測方法を示すフローチャートを示す。図２は、本発明による実施の第１形態の農作物収穫量予測方法を実行する農作物収穫量予測装置を示す。当該農作物収穫量予測装置は、入力部１、演算部２、記録媒体３、出力部４を含む。入力部１は、それに入力される栽培スケジュールデータａ、天候データｂ、及び過去収穫量データｃを演算部２に出力する。
【００１７】演算部２は、栽培スケジュールデータａ、天候データｂ、及び過去収穫量データｃに基づいて予測収穫量データｄを作成する。予測収穫量データｄは、予想を行う対象である期間におけるいちごの収穫量の予想値を示す。演算部２は、記録媒体３に記録されたプログラムに従って、予測収穫量データｄを作成する。記録媒体３に記録されたプログラムには、以下に述べられる実施の第１形態の農作物収穫量予測方法を実施するための手順が記録されている。演算部２は、予測収穫量データｄを出力部４から出力する。
【００１８】続いて、実施の第１形態の農作物収穫量予測方法により予測収穫量データｄが作成される過程を、図１を参照しながら説明する。
【００１９】ステップＳ０１：図１に示されているように、まず、栽培スケジュールデータａに基づいて、期間ｔ１、ｔ２、…、ｔｍにおける予測収穫量である第１次予測収穫量Ｓｔ（ｔ１）、Ｓｔ（ｔ２）、…、Ｓｔ（ｔｍ）が算出される。ここで、期間ｔ１、ｔ２、…、ｔｍは、その添字の番号が小さい程、時間的に前の期間である。即ち、ｔｓ＋１（ｓは、ｍ−１以下の自然数）は、期間ｔｓに続く次の期間である。第１次予測収穫量Ｓｔ（ｔ１）、Ｓｔ（ｔ２）、…、Ｓｔ（ｔｍ）は、栽培スケジュールデータａから、第１次的に予測される予測収穫量である。
【００２０】栽培スケジュールデータａは、いちごが栽培されているブロックＢ１〜Ｂｎのそれぞれの作付面積、定植日、及び作型を含む。その作付面積、定植日、及び作型から第１次予測収穫量Ｓｔ（ｔ１）、Ｓｔ（ｔ２）、…、Ｓｔ（ｔｍ）が定められる。
【００２１】定植日が定まると、いちごを栽培する栽培スケジュールが概ね定まる。図３は、いちごの栽培スケジュールの一例を示す。いちごは定植された後、概ねある期間が経過すると花芽が分化し、つぼみが形成され、開花し、その後、収穫される。いちごは、同一の苗が４回にわたって開花し、４回の収穫が行われる。
【００２２】定植日から収穫開始日までの期間の長さＴｄ、収穫の続く期間の長さＴＬ、単位時間及び単位面積あたりの収穫量Ｇ（以下、「収穫量密度Ｇ」という。）は、いちごの個体差に起因して、正規分布に従う。この正規分布の平均値μ、及び分散σ２は、過去におけるいちごの生産の実績から定められる。但し、平均値μ、分散σ２は作型によって異なる。平均値μ、分散σ２は、作型ごとに定められる。
【００２３】定植日から収穫開始日までの期間の長さＴｄ、収穫が続く期間、単位時間及び単位面積あたりの収穫量が正規分布すると考えて、ブロックＢ１〜Ｂｎのそれぞれについて、定植日から収穫開始日までの期間の長さＴｄ、収穫の続く期間の長さＴＬ、単位時間及び単位面積あたりの収穫量Ｇが確率的に定められる。このとき、正規分布のパラメータとして使用される平均値μ、分散σ２は、各ブロックの作型に応じて定められる。
【００２４】更に、各ブロックの定植日、収穫の続く期間の長さＴＬ、単位時間及び単位面積あたりの収穫量Ｇと、各ブロックの作付面積から、ブロックＢ１〜Ｂｎのそれぞれについて、期間ｔ１、ｔ２、…、ｔｍにおける予想収穫量ｆｉ（ｔ１）、ｆｉ（ｔ２）、…、ｆｉ（ｔｍ）が定められる。ここでｉは、１以上ｎ以下の自然数である。ｆｉ（ｔｊ）は、ブロックＢｉの期間ｔｊにおける予測収穫量である。
【００２５】第１次予測収穫量Ｓｔ（ｔｊ）は、【数１】

…（１）
として求められる。
【００２６】以上の過程により求められた第１次予測収穫量Ｓｔ（ｔｊ）は、いちごの収穫量の変動の傾向を概ね表現している。ハウス栽培されるいちごは、その成長をコントロールしやすい。従って、各ブロック毎の定植日が定まれば、収穫開始日や収穫量が概ね定められる。
【００２７】しかしながら、いちごの実際の収穫量は、気温、日照時間その他の天候の影響、及び農業従事者の就業形態その他の社会的要因による影響を受ける。図４は、平成８年度のいちごの産出量について算出された第１次予測収穫量Ｓｔ（ｔｊ）と、いちごの実際の収穫量とを示す。曲線２１は、第１次予測収穫量Ｓｔ（ｔｊ）を示し、曲線２２は、いちごの実際の収穫量を示す。図４に示されているように、第１次予測収穫量Ｓｔ（ｔｊ）は、いちごの実際の収穫量を概ね表現しているが、いちごの実際の収穫量の動向よりも時間的に早くずれて変動する傾向を示している。
【００２８】ステップＳ０２〜Ｓ０４では、気温、日照時間その他の天候の影響、及び農業従事者の就業形態その他の社会的要因に基づいて短期的な変動を考慮する補正が行われ、期間ｔｊにおける最終的ないちごの収穫量の予想値である最終的予測収穫量Ｓ（ｔｊ）が算出される。ステップＳ０１に続いてステップＳ０２が行われる。
【００２９】ステップＳ０２：周波数分析を用いて補正値ΔＳｆ（ｔｊ）が算出される。補正値ΔＳｆ（ｔｊ）は、過去収穫量データｃに基づいて定められる。過去収穫量データｃは、過去におけるいちごの実際の収穫量の時系列データを含む。ここで、期間ｔｊにおけるいちごの実際の収穫量をＵ（ｔｊ）と表わす。
【００３０】まず、各期間ｔｊに対して、その前後の期間ｔｊ−ｑからｔｊ＋ｑまでのいちごの実際の収穫量の平均Ｕ＾（ｔｊ）が算出される。ここでｑは、ある自然数である。即ち、Ｕ＾（ｔｊ）は、【数２】

…（２）
但し、ｋが０以下であるとき、及びｋがｍ以上であるときには、Ｕ（ｔｋ）＝０とする。以下、各期間ｔｊに対するその前後の期間ｔｊ−ｑからｔｊ＋ｑでのいちごの実際の収穫量の平均Ｕ＾（ｔｊ）を、トレンドデータＵ＾（ｔｊ）と呼ぶ。ｑ＝１の場合には、トレンドデータＵ＾（ｔｊ）は、いちごの実際の収穫量Ｕ（ｔｊ）の三項移動平均となる。
【００３１】続いて、いちごの実際の収穫量のＵ（ｔｊ）と、トレンドデータＵ＾（ｔｊ）との差分ΔＵ（ｔｊ）が算出される。更に、ΔＵ（ｔｊ）が連続であると近似して高速フーリエ変換（ＦＦＴ）を施し、周波数スペクトルＦ（ω）を算出する。
【００３２】この周波数スペクトルＦ（ω）は、いちごの実際の収穫量Ｕ（ｔｊ）の周波数スペクトルのうちの、高い周波数の成分の大きさを示している。トレンドデータＵ＾（ｔｊ）は、いちごの実際の収穫量Ｕ（ｔｊ）から、周波数が高い、即ち短い周期で変動する成分が除かれたものである。逆にいえば、差分ΔＵ（ｔｊ）は、いちごの実際の収穫量Ｕ（ｔｊ）のうちの、周波数が高い、即ち、即ち短い周期で変動する成分のみからなる。従って、差分ΔＵ（ｔｊ）の周波数スペクトルＦ（ω）は、いちごの実際の収穫量Ｕ（ｔｊ）の周波数スペクトルのうちの、高い周波数の成分の大きさを示す。
【００３３】補正値ΔＳ１（ｔｊ）は、周波数スペクトルＦ（ω）が逆フーリエ変換された関数をｆ（ｔ）としたとき、ΔＳｆ（ｔｊ）＝ｆ（ｔｊ）， …（３）
により求められる。
【００３４】補正値ΔＳｆ（ｔｊ）は、いちごの収穫量の周期的変動、特に、短期的な周期で変動する周期的変動を示す。
【００３５】例えば、いちご農家の就業者は、３日勤務した後に１日休暇をとる４日周期での勤務を行う。いちごの収穫量は、就業者の就業形態を反映し、４日周期で変動する成分を多く含む。補正値ΔＳｆ（ｔｊ）は、一定の周期を持つ社会的要因を予測に取り入れる役割を果たす。
【００３６】また、いちごに施肥を行った場合、その効果は約１５日後に現れる。これに対応して、いちごの収穫量は、約１５日周期で変動する成分を多く含む。このように、補正値ΔＳｆ（ｔｊ）は、一定の周期を持つ自然的要因を予測に取り入れる役割を果たす。
【００３７】第１次予測収穫量Ｓｔ（ｔｊ）と補正値ΔＳｆ（ｔｊ）とに基づいて、長期予測収穫量Ｓｌ（ｔｊ）が算出される。長期予測収穫量Ｓｌ（ｔｊ）は、 Ｓｌ（ｔｊ）＝Ｓｔ（ｔｊ）＋ΔＳｆ（ｔｊ）． …（４）
長期予測収穫量Ｓｌ（ｔｊ）は、いちごの長期的な変動を、第１次予測収穫量Ｓｔ（ｔｊ）よりもよい精度で表現する。ステップＳ０２に続いて、ステップＳ０３が行われる。
【００３８】ステップＳ０３：ニューラルネットワークを用いて補正値ΔＳｎ（ｔｊ）が算出される。補正値ΔＳｎ（ｔｊ）は、後述されるように、最終的予測収穫量Ｓ（ｔｊ）の算出に使用される。
【００３９】補正値ΔＳｎは、期間ｔｊより過去である期間ｔ１、ｔ２、…、ｔｊ−１における長期予測収穫量Ｓｌ（ｔ１）、Ｓｌ（ｔ２）、…、Ｓｌ（ｔｊ−１）と、天候データｂと、過去収穫量データｃとに基づいて算出される。天候データｂは、予測の対象であるいちごが栽培されている地域の天候を示すデータである。天候データｂは、いちごが栽培されている地域の過去の所定の期間の気温及び日照時間、並びに、その地域の気温の平年値及び日照時間の平年値を示すデータを含む。
【００４０】図５は、補正値ΔＳｎ（ｔｊ）を求めるためのニューラルネットワーク１１を示す。まず、教示データＴ１、Ｔ２、…、Ｔｊ−１が求められる。教示データＴｋ（ｋは、ｊ−１以下の自然数）は、期間ｔｋにおけるいちごの実際の収穫量Ｕ（ｔｋ）と、予測の対象である期間ｔｊより過去について予測された長期予測収穫量Ｓｌ（ｔｋ）との差分であり、Ｔｋ＝Ｕ（ｔｋ）−Ｓｌ（ｔｋ）． …（５）
【００４１】続いて、天候データｂに基づいて、入力データｕ１（ｔｋ）、ｕ２（ｔｋ）、ｕ３（ｔｋ）が定められる。但し、ｋは、ｊ−１以下の自然数である。
【００４２】入力データｕ１（ｔｋ）は、期間ｔｋにおける気温である。入力データｕ２（ｔｋ）は、期間ｔｋにおける日照時間である。入力データｕ３（ｔｋ）は、期間ｔｋ−１での収穫量である。即ち、ｕ３（ｔｋ）＝Ｕ（ｔｋ−１） …（６）
である。但し、ｋ＝１の場合には、ｕ３（ｔｋ）＝０である。
【００４３】続いて、ニューラルネットワーク１１の各シナプス（図示されない）の結合係数が最適化される。結合係数の最適化には、誤差逆伝搬法（ＢＰ法）が使用される。即ち、１以上ｊ−１以下のそれぞれのｋについて、入力データｕ１（ｔｋ）、ｕ２（ｔｋ）、ｕ３（ｔｋ）がニューラルネットワーク１１に与えられ、出力値Ｙ（ｔｋ）と教示データＴｋとの二乗誤差が最小になるように、各シナプスの結合係数が定められる。
【００４４】求める目的である期間ｔｊにおける補正値ΔＳｎ（ｔｊ）は、ニューラルネットワーク１１に期間ｔｊにおけるｕ１（ｔｊ）、ｕ２（ｔｊ）、ｕ３（ｔｊ）を与えたときのニューラルネットワーク１１の出力値Ｙ（ｔｊ）であり、ΔＳｎ（ｔｊ）＝Ｙ（ｔｊ）．
【００４５】補正値ΔＳｎ（ｔｊ）は、天候がいちごの収穫量に及ぼす影響を、収穫量の予測に取り入れる役割を果たす。天候がいちごの収穫量に影響することは自明的であるが、天候がいちごの収穫量に与える影響を定量的に、数式で表現することは容易なことではない。ニューラルネットワークを用いて補正値ΔＳｎ（ｔｊ）を算出することにより、天候がいちごの収穫量に与える影響をより正確に予測に取り入れることができる。
【００４６】更に、補正値ΔＳｎ（ｔｊ）は、過去のいちごの収穫量が、予測の対象である期間における収穫量に及ぼす影響を収穫量の予測に取り入れる役割を果たす。前述のように、いちごは４回にわたって収穫が行われる。このとき、いちごの収穫を行うと、それ自体が、次回に行われる収穫における収穫量に影響をおよぼす。過去のいちごの収穫量自体が、予測の対象である期間における収穫量に及ぼす影響を考慮することにより、より正確な収穫量の予測を行うことができる。
【００４７】なお、ニューラルネットワーク１１の入力データとして開花時期、累積気温等の他の要因を追加することも可能である。ここで期間ｔｊにおける累積気温ｕｔ（ｔｊ）は、期間ｔｋ（ｋはｊ以下の自然数）における平均気温をＯ（ｔｋ）として、【数３】

…（７）
である。また、気温、日照時間、期間ｔｋ−１での収穫量のうちのいずれか１つ又は２つが入力データから除かれることも可能である。
【００４８】ステップＳ０３に続いてステップＳ０４が求められる。
【００４９】ステップＳ０４：期間ｔｊにおける補正値ΔＳｎ（ｔｊ）と長期予測収穫量Ｓｌ（ｔｊ）とから、期間ｔｊにおける最終的予測収穫量Ｓ（ｔｊ）が求められる。予測の目的である最終的予測収穫量Ｓ（ｔｊ）は、 Ｓ（ｔｊ）＝Ｓｌ（ｔｊ）＋ΔＳｎ（ｔｊ） …（８）
である。図２に示された農作物収穫量予測装置は、最終的予測収穫量Ｓ（ｔｊ）を予想収穫量データｄとして出力部４から出力する。以上で、期間ｔｊにおけるいちごの収穫量の予測は終了する。
【００５０】なお、本実施の形態において、周波数分析による補正値ΔＳｆ（ｔｊ）を求めるステップＳ０２は、実施されないことも可能である。この場合、長期的予測収穫量Ｓｌ（ｔｊ）は、第１次予測収穫量Ｓｔ（ｔｊ）に等しいものとしてステップＳ０３、Ｓ０４は実施される。
【００５１】また、本実施の形態のステップＳ０３において、教示データＴｋがＴｋ＝Ｓｌ（ｔｋ）−Ｕ（ｔｋ）， …（５）’で定義されることも可能である。この場合には、式（８）は、 Ｓ（ｔｊ）＝Ｓｌ（ｔｊ）−ΔＳｎ（ｔｊ） …（８）’と変更される。
【００５２】また、本実施の形態の農作物収穫量予測方法が、いちご以外の農作物に適用できることは自明的である。
【００５３】実施の第２形態：実施の第２形態の農作物収穫量予測方法は、ハウス栽培されているいちごの収穫量を予測する。実施の第２形態の農作物収穫量予測方法では、ニューラルネットワークを用いた補正値ΔＳｎ（ｔｋ）の算出（Ｓ０３）の代わりに、カオス分析を用いた補正値ΔＳｃ（ｔｋ）の算出が行われる。それ以外の点は、実施の第２形態の農作物収穫量予測方法と、実施の第１形態の農作物収穫量予測方法とは、同じである。また、実施の第２形態の農作物収穫量予測方法でも、実施の第１形態と同様の構成を有する農作物収穫量予測装置を使用して予測が行われる。但し、記録媒体３に記録されているプログラムは、後述の実施の第２形態の農作物収穫量予測方法を実施するための手順が記録されている。
【００５４】以下、図６を参照しながら実施の第２形態の農作物収穫量予測方法を説明する。
【００５５】ステップＳ１１：栽培スケジュールデータａに基づいて、期間ｔ１、ｔ２、…、ｔｍにおける予測収穫量である第１次予測収穫量Ｓｔ（ｔｊ）が算出される。第１次予測収穫量Ｓｔ（ｔｊ）が算出される過程は、前述のステップＳ０１で説明されたものと同一である。その説明は省略する。
【００５６】ステップＳ１１に続いて、ステップＳ１２が行われる。
【００５７】ステップＳ１２：周波数分析を用いて補正値ΔＳｆ（ｔｊ）が算出される。補正値ΔＳｆ（ｔｊ）が算出される過程は、前述のステップＳ０２で説明されたものと同一である。その説明は省略する。
【００５８】第１次予測収穫量Ｓｔ（ｔｊ）と、補正値ΔＳｆ（ｔｊ）とから長期予測収穫量Ｓｌ（ｔｊ）が求められる。
Ｓｌ（ｔｊ）＝Ｓｔ（ｔｊ）＋ΔＳｆ（ｔｊ）， …（９）
である。ステップＳ１２に続いて、ステップＳ１３が行われる。
【００５９】ステップＳ１３：カオス分析を用いた補正値ΔＳｃ（ｔｊ）の算出が行われる。具体的には、以下の過程により、補正値ΔＳｃ（ｔｊ）の算出が行われる。
【００６０】まず、ｊ−１以下の自然数ｋのそれぞれについて、期間ｔｋにおける、いちごの実際の収穫量Ｕ（ｔｋ）と長期予測収穫量Ｓｌ（ｔｋ）との差分ΔＳ（ｔｋ）が求められる。即ち、 ΔＳ（ｔｋ）＝Ｕ（ｔｋ）−Ｓｌ（ｔｋ）． …（１０）
【００６１】続いて、ＦＦＴにより、差分ΔＳ（ｔｋ）のパワースペクトルが算出される。更に、差分ΔＳ（ｔｋ）について、ＲＳ（Ｒａｎｄｏｍ Ｓｈｕｆｆｌｅｄ）サロゲートデータ関数が作成される。ＲＳサロゲートデータ関数は、差分ΔＳ（ｔｋ）のパワースペクトルを保存しながら、位相をランダムにシャッフルすることにより作成される。ＲＳサロゲートデータ関数は、ｐ個（ｐは、２以上の自然数）作成される。そのＲＳサロゲートデータ関数をそれぞれ、Ｊ１（ｔｋ）、Ｊ２（ｔｋ）、…、Ｊｐ（ｔｋ）とする。
【００６２】続いて、サロゲートデータ関数Ｊｒ（ｔｋ）のそれぞれと、オリジナルのデータである差分ΔＳ（ｔｋ）とが、軌道平行測度法（ＴＰＭ）により比較される。サロゲートデータ関数Ｊ１（ｔｋ）、Ｊ２（ｔｋ）、…、Ｊｐ（ｔｋ）のうち、軌道平行測度法（ＴＰＭ）により差分ΔＳ（ｔｋ）と一致すると判断されたものをＪｒ（ｔｋ）とすると（ｒは、ｐ以下のいずれか一の自然数）、補正値ΔＳｃ（ｔｊ）は、ΔＳｃ（ｔｊ）＝Ｊｒ（ｔｊ）， …（１１）
として定められる。
【００６３】前述のように、いちごの収穫を行うと、それ自体が、次回に行われる収穫における収穫量に影響をおよぼす。カオス分析は、いちごの収穫量のように、結果の中に原因が含まれている現象を予測することができる。カオス分析により求められた補正値ΔＳｃ（ｔｊ）は、過去のいちごの収穫量が、予測の対象である期間における収穫量に及ぼす影響を表現し、より正確な収穫量の予測を行うことに寄与する。
【００６４】ステップＳ１３に続いて、ステップＳ１４が行われる。
【００６５】ステップＳ１４：期間ｔｊにおける補正値ΔＳｃ（ｔｊ）と長期予測収穫量Ｓｌ（ｔｊ）とから、期間ｔｊにおける最終的予測収穫量Ｓ（ｔｊ）が求められる。予測の目的である最終的予測収穫量Ｓ（ｔｊ）は、 Ｓ（ｔｊ）＝Ｓｌ（ｔｊ）＋ΔＳｃ（ｔｊ）， …（１２）
である。図２に示された農作物収穫量予測装置は、最終的予測収穫量Ｓ（ｔｊ）を予想収穫量データｄとして出力部４から出力する。以上で、期間ｔｊにおけるいちごの収穫量の予測は終了する。
【００６６】なお、本実施の形態において、周波数分析による補正値ΔＳｆ（ｔｊ）を求めるステップＳ１２は、実施されないことも可能である。この場合、長期的予測収穫量Ｓｌ（ｔｊ）は、第１次予測収穫量Ｓｔ（ｔｊ）に等しいものとしてステップＳ１３、Ｓ１４は実施される。
【００６７】また、本実施の形態のステップＳ１３において、式（１０）により求められる差分ΔＳ（ｔｋ）が ΔＳ（ｔｋ）＝Ｓｌ（ｔｋ）−Ｕ（ｔｋ）， …（１０）’で定義されることも可能である。この場合には、式（１２）は、 Ｓ（ｔｊ）＝Ｓｌ（ｔｊ）−ΔＳｃ（ｔｊ） …（１２）’と変更される。
【００６８】また、本実施の形態の農作物収穫量予測方法が、いちご以外の農作物に適用できることは自明的である。
【００６９】実施の第３形態：実施の第３形態の農作物収穫量予測方法は、ハウス栽培されているいちごの収穫量を予測する。実施の第３形態の農作物収穫量予測方法は、ニューラルネットワークを用いた補正値の算出と、カオス分析を用いた補正値の算出との両方が行われる点で、実施の第１及び第２形態の農作物収穫量予測方法と異なる。
【００７０】また、実施の第３形態の農作物収穫量予測方法でも、図２に示された実施の第１形態と同様の構成を有する農作物収穫量予測装置を使用して予測が行われる。但し、記録媒体３に記録されているプログラムは、後述の実施の第３形態の農作物収穫量予測方法を実施するための手順が記録されている。
【００７１】以下、図７を参照しながら実施の第３形態の農作物収穫量予測方法を説明する。
【００７２】ステップＳ２１：栽培スケジュールデータａに基づいて、期間ｔ１、ｔ２、…、ｔｍにおける予測収穫量である第１次予測収穫量Ｓｔ（ｔｊ）が算出される。第１次予測収穫量Ｓｔ（ｔｊ）が算出される過程は、前述のステップＳ０１で説明されたものと同一である。その説明は省略する。
【００７３】ステップＳ２１に続いて、ステップＳ２２が行われる。
【００７４】ステップＳ２２：周波数分析を用いて補正値ΔＳｆ（ｔｊ）が算出される。補正値ΔＳｆ（ｔｊ）が算出される過程は、前述のステップＳ０２で説明されたものと同一である。その説明は省略する。
【００７５】第１次予測収穫量Ｓｔ（ｔｊ）と、補正値ΔＳｆ（ｔｊ）とから長期予測収穫量Ｓｌ（ｔｊ）が求められ、 Ｓｌ（ｔｊ）＝Ｓｔ（ｔｊ）＋ΔＳｆ（ｔｊ）， …（１３）
である。ステップＳ２２に続いて、ステップＳ２３が行われる。
【００７６】ステップＳ２３：ニューラルネットワークを用いて補正値ΔＳｎ（ｔｊ）が算出される。補正値ΔＳｎ（ｔｊ）が算出される過程は、前述のステップＳ０３で説明されたものと同一である。その説明は省略される。
【００７７】長期予測収穫量Ｓｌ（ｔｊ）と補正値ΔＳｎ（ｔｊ）とから、第２次予測収穫量Ｓｔ２（ｔｊ）が算出され， Ｓｔ２（ｔｊ）＝Ｓｌ（ｔｊ）＋ΔＳｎ（ｔｊ）、 …（１４）
である。ステップＳ２３に続いてステップＳ２４が行われる。
【００７８】ステップＳ２４：カオス分析を用いた補正値ΔＳｃ’（ｔｊ）の算出が行われる。具体的には、以下の過程により、補正値ΔＳｃ’（ｔｊ）の算出が行われる。
【００７９】まず、ｊ−１以下の自然数ｋのそれぞれについて、期間ｔｋにおける、いちごの実際の収穫量Ｕ（ｔｋ）と第２次予測収穫量Ｓｔ２（ｔｋ）との差分ΔＳ’（ｔｋ）が求められる。
【００８０】続いて、ＦＦＴにより、差分ΔＳ’（ｔｋ）のパワースペクトルが算出される。差分ΔＳ’（ｔｋ）について、ＲＳ（Ｒａｎｄｏｍ Ｓｈｕｆｆｌｅｄ）サロゲートデータ関数が作成される。ＲＳサロゲートデータ関数は、差分ΔＳ’（ｔｋ）のパワースペクトルを保存しながら、位相をランダムにシャッフルすることにより作成される。ＲＳサロゲートデータ関数は、ｐ個（ｐは、２以上の自然数）作成される。そのＲＳサロゲートデータ関数をそれぞれ、Ｊ１’（ｔｋ）、Ｊ２’（ｔｋ）、…、Ｊｐ’（ｔｋ）とする。
【００８１】続いて、サロゲートデータ関数Ｊｒ’（ｔｋ）のそれぞれと、オリジナルのデータである差分ΔＳ（ｔｋ）とが、軌道平行測度法（ＴＰＭ）により比較される。サロゲートデータ関数Ｊ１’（ｔｋ）、Ｊ２’（ｔｋ）、…、Ｊｐ’（ｔｋ）のうち、軌道平行測度法（ＴＰＭ）により差分ΔＳ’（ｔｋ）と一致すると判断されたものをＪｒ’（ｔｋ）とすると（ｒは、ｐ以下のいずれか一の自然数）、補正値ΔＳｃ’（ｔｊ）は、ΔＳｃ’（ｔｊ）＝Ｊｒ’（ｔｊ）， …（１５）
として定められる。ステップＳ２４に続いてステップＳ２５が行われる。
【００８２】ステップＳ２５：期間ｔｊにおける補正値ΔＳｃ’（ｔｊ）と第２次予測収穫量Ｓｔ２（ｔｊ）とから、期間ｔｊにおける最終的予測収穫量Ｓ（ｔｊ）が求められる。予測の目的である最終的予測収穫量Ｓ（ｔｊ）は、 Ｓ（ｔｊ）＝Ｓｔ２（ｔｊ）＋ΔＳｎ’（ｔｊ） …（１６）
である。図２に示された農作物収穫量予測装置は、最終的予測収穫量Ｓ（ｔｊ）を予想収穫量データｄとして出力部４から出力する。以上で、期間ｔｊにおけるいちごの収穫量の予測は終了する。
【００８３】実施の第３形態の農作物収穫量予測方法は、補正値ΔＳｎ（ｔｊ）を介し、天候がいちごの収穫量に及ぼす影響が、収穫量の予測に取り入れられる。更に、実施の第３形態の農作物収穫量予測方法は、補正値ΔＳｃ’（ｔｊ）を介し、過去のいちごの収穫量自体が、予測の対象である期間における収穫量に及ぼす影響が収穫量の予測に取り入れられる。
【００８４】なお、本実施の形態において、周波数分析による補正値ΔＳｆ（ｔｊ）を求めるステップＳ２２は、実施されないことも可能である。この場合、長期的予測収穫量Ｓｌ（ｔｊ）は、第１次予測収穫量Ｓｔ（ｔｊ）に等しいものとしてステップＳ２３〜Ｓ２５は実施される。
【００８５】また、本実施の形態の農作物収穫量予測方法が、いちご以外の農作物に適用できることは自明的である。
【発明の効果】本発明により、農作物の収穫量の予測、とりわけ、農作物の収穫量の短期予測を正確に行うことができる。
【出願人】 【識別番号】０００００６２０８
【氏名又は名称】三菱重工業株式会社
【出願日】 平成１２年１１月６日（２０００．１１．６）
【代理人】 【識別番号】１００１０２８６４
【弁理士】
【氏名又は名称】工藤 実 （外１名）
【公開番号】 特開２００２−１３６２２３（Ｐ２００２−１３６２２３Ａ）
【公開日】 平成１４年５月１４日（２００２．５．１４）
【出願番号】 特願２０００−３３７２２３（Ｐ２０００−３３７２２３）