リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「作物圃場における栽培管理支援に向けたUAVリモートセンシングに係わる研究」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

作物圃場における栽培管理支援に向けたUAVリモートセンシングに係わる研究

橋本 直之 東北大学

2020.03.25

概要

1.1 背景
　作物の栽培管理を効率化あるいは高度化することを目的として，衛星リモートセンシングを活用する試みが多くなされてきた．人工衛星に搭載されたセンサによって作物圃場を撮影し，撮影した衛星画像が持つ画素値を用いて正規化差植生指数(Normalized Difference Vegetation Index: NDVI)などの植生指数を計算し，その大小に基づいて作物の生育状況を推定して，収穫量の推定，施肥や収穫の時期判断などを行うものである．
　これらの衛星リモートセンシングの利用には課題がある．人工衛星は宇宙空間(高高度)から画像を撮影するため，数km以上の広範囲を一度に撮影することができる一方，えられる衛星画像の空間分解能(画像解像度)が低い(数十cm～km)．このため，広域を対象として地域内の生育傾向を把握するような用途には適するが，圃場内における生育状況の空間分布を詳細には把握できず，精密な栽培管理には適さない．数十cm分解能の衛星画像もあるが，一般に，農家が栽培管理に利用するには高価である．図1-1に空間分解能の異なる2つの空撮画像を示す．左図は，低高度(約60m)から無人航空機(Unmanned Aerial Vehicle: UAV)で撮影した画像で空間分解能は5cmである．圃場内における植栽の疎密や生育ムラが判読できることがわかる．一方，右図は，同一の圃場を人工衛星で撮影した画像で空間分解能は10mである．図から明らかなように，衛星画像の場合には圃場内の状況を詳細に把握することはできない．更に，人工衛星による撮影は光学衛星の場合天候の影響をうけやすく，雲が掛かっている場合には地表面を撮影することができず，生育モニタリングのような定期的な観測を必要とする場合には，データを十分な頻度でえられない可能性がある(同一地点の撮影頻度は1日～数十日に1回ではあるが，被雲していると地表が撮影できない)．
　近年，ドローンに代表されるようなUAVのさまざまな分野における実用化の検討が活発になされている．UAVには，ホビー用途から産業用まで幅広い種類のものが販売されており，マルチスペクトル画像撮影用センサを搭載したタイプの製品も販売されている．UAVは，図1-1の左図に示したように，飛行高度を低くすることで解像度数cmの高解像度画像を撮影することもできる．また，人工衛星の場合には，地球の周りを所定の軌道に沿って周回しているため，対象圃場の上空を通過するときにだけ撮影することができるが，UAVの場合には利用者の都合にあわせて任意の時間帯に撮影することができるので，人工衛星と比べて観測自由度が高い(対象圃場を撮影する際のタイミング上の制限が少ない)と言える．これらのことから，UAVは人工衛星に代わるセンサプラットフォームとしての活用が期待されている．
　マルチスペクトル画像撮影用センサを搭載したドローンの例を図1-2に示す．図は，3DRobotics製の「Solo」と呼ばれる小型ドローンに，マルチスペクトル画像取得用センサであるParrot製の「Sequoia」が取り付けられたものである．

1.2 目的
　1.1節で述べた背景を踏まえ，本研究においては，UAVの観測自由度や高い空間分解能を活かして，作物圃場における栽培管理作業の実施判断，実施内容の検討，あるいは栽培管理作業の効果を評価するのに役立つ技術を開発することを目的とした．
　作物圃場における栽培管理作業には，除草，防除，施肥に加え，作物特有の管理(例えば，水稲であれば中干による土壌活力の回復，ダイズであれば畝立てによる排水性改善など)がある．いずれも，植物体の健全で旺盛な生育を助け，収穫物の高品質化あるいは多収化を意図したものである．一般に，これらの栽培管理作業を支援するためには，作物圃場において指標となるデータを収集しなければならない．しかしながら例えば，追肥の量を判断するのに草丈や茎数，SPADによる評価が推奨されているが，圃場内に入る必要があり多くの時間と労力を要するため外観と経験によって判断されることが多い．また，草丈や茎数，SPADを圃場内で計測したとしても，調査した地点のデータしかえられないため，圃場全体を面的に把握できない．そこで，UAV画像から草丈や茎数に代わる指標として葉面積指数(Leaf Area Index: LAI)などを推定することができれば，追肥効果を量的にかつ面的に評価することが可能になると考えられる．面的に圃場全体を把握できることはUAVを用いる利点の1つである．
　図1-3に作物，指標及び栽培管理作業の例を示す．本研究では，赤色及び青色枠で示した範囲を対象とした．水稲を対象作物としてLAIを推定する手法を開発し，その手法によって推定したLAIを用いて水稲圃場における追肥効果の評価を行った．水稲は日本を含むアジア地域における重要作物である．また，UAVリモートセンシングのほかの利用可能性の検討として，ダイズを対象として土壌体積含水率を推定する手法を検討し，それによって湿害対策に向けた湿害発生予測可能性について検討した．日本におけるダイズ栽培は，湿害による減収など，他国と比べて多収化に課題がある．なお，本研究の対象外とした中には，生育の均一化に向けたNDVIなどの植生指数に基づく生育ムラの把握や，圃場の均平化作業に向けた地形把握など，民間企業により事業化されているサービスがある．

1.3 想定される課題
　前節で述べたように，UAVによる観測は人工衛星と比べて観測自由度が高い．具体的には，風雨が無ければ曇天でも観測が可能であること，日中であれば時間帯を選ばないことがあげられる．人工衛星の場合には，宇宙空間より撮影するため，曇天の場合には地表面が見えないため撮影できない．また，一般的な地球観測衛星(気象衛星などの静止衛星を除く)は上空を通過した際のみ撮影することができるため，日中の任意の時間に撮影することができないなどの制限がある．この高い観測自由度の結果，UAVによる観測時の日射条件は，人工衛星と比べて様々となる可能性がある．同一の被写体であっても日射条件が異なると，空撮画像に記録される値が変動する．これは，雲量や太陽高度によって，被写体に入射する光の方向及び量が変動するため，被写体から反射されUAVに搭載されたセンサが観測する光の量も変化すると考えられるためである．
　以上から，衛星リモートセンシングで開発されてきた技術をそのままUAV画像に応用することは誤った結果をえることに繋がる可能性がある．ある時点における相対関係を把握する場合(1.2節で紹介したような，植生指数の大小関係から撮影時点における圃場内の生育ムラを把握するような場合)と比べて，時系列のUAV画像データを扱う場合(例えば，生育変化を追跡するために定期的に圃場を撮影するような場合)，各UAV画像の撮影時の日射条件が異なることが想定されることから特に留意が必要である．そこでまずは，日射条件の変動によるUAV画像の画素値への影響について評価することが，栽培管理支援の技術開発に先立って必要である．

1.4 本論文の構成
　本論文の構成を図1-4に示す．はじめに2章において1.3節で述べた課題に対する検討結果について述べる．次に3章において栽培管理作業の評価指標として有用と考えられるLAIの推定手法の開発について述べ，4章においてそれを用いた栽培管理作業の評価を実施した結果について説明する構成とした．5章では，4章で述べた評価支援技術のほかに，作物圃場におけるUAVリモートセンシングの利用可能性について検討し，最後に6章においてこれらの検討結果について総括した．

論文の公開元へ

関連論文

関連論文をもっと見る

参考文献

1) Dente, L.; Satalino, G.; Mattia, F.; Rinaldi, M. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-wheat model to map wheat yield. Remote Sens. Environ. 2008, 112, 1395–1407.

2) Fang, H.; Liang, S.; Hoogenboom, G.; Teasdale, J.; Cavigelli, M. Corn-yield estimation through assimilation of remotely sensed data into the CSM-CERES-Maize model. Int. J. Remote Sens. 2008, 29, 3011–3032.

3) Curnel, Y.; de Wit, A.; Duveiller, G.; Defourny, P. Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS experiment. Agric. For. Meteorol. 2011, 151, 1843–1855.

4) Padilla, F. L. M.; Maas, S. J.; González-Dugo, M. P.; Mansilla, F.; Rajan, N.; Gavilán, P.; Dominguez, J. Monitoring regional wheat yield in southern Spain using the GRAMI model and satellite imagery. Field Crops Res. 2012, 130, 145–154.

5) LAI-2200C Plant Canopy Analyzer LI-COR Environmental. https://www.licor.com/env/products/leaf_area/LAI-2200C/ (2019.5.11).

6) Ali, M.; Montzka, C.; Stadler, A.; Menz, G.; Thonfeld, F.; Vereecken, H. Estimation and Validation of RapidEye-Based Time-Series of Leaf Area Index for Winter Wheat in the Rur Catchment (Germany). Remote Sens. 2015, 7, 2808-2831.

7) Campos-Taberner, M.; García-Haro, F. J.; Camps-Valls, G.; Grau-Muedra, G.; Nutini, F.; Crema, A.; Boschetti, M. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring. Remote Sens. Environ. 2016, 187, 102-118.

8) 小川進; 牧野育代; 冨久尾歩; 斎藤元也 水田のNDVI の季節変動とその葉面積指数の推定. 日本リモートセンシング学会誌 2000, 20, 17-26.

9) Rouse, J. W.; Haas, R. H.; Schell, J. A.; Deering, D. W.; Harlan, J. C. Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation. NASA/GSFC, Final Report, Greenbelt, MD, USA 1973, 1-137.

10) Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sens. Environ. 1988, 25, 295-309.

11) Birth, G. S.; McVey, G. R. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer. Agronomy Journal 1968, 60, 640-643.

12) Huete, A.; Didan, K.; Miura, T.; Rodriguez, E. P.; Gao, X.; Ferreira, L. G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. 2002, 83, 195-213.

13) Jiang, Z.; Huete, A. R.; Didan, K.; Miura, T. Development of a two-band enhanced vegetation index without a blue band. Remote Sens. Environ. 2008, 112, 3833-3845.

14) 橋本直之; 牧雅康; 田中賢治; 田村正行 作物農事暦推定に向けた LAI 時系列変化パターン抽出方法の検討. 日本リモートセンシング学会誌. 2009, 29(2), 381-391.

15) 総務省 平成 30 年版情報通信白書 2018, 総務省, 東京, 15.

16) Yu, N.; Li, L.; Schmitz, N.; Tian, L. F.; Greenberg, J. A.; Diers, B. W. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform. Remote Sens. Environ. 2016, 187, 91-101.

17) Hassan, M. A.; Yang, M.; Rasheed, A.; Jin, X.; Xia, X.; Xiao, Y.; He, Z. Time-Series multi-spectral Indices from Unmanned Aerial Vehicle Imagery Reveal Senescence Rate in Bred Wheat. Remote Sens. 2018, 10, 809.

18) Jin, X.; Liu, S.; Baret, F.; Hemerlé M.; Comar, A. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sens. Environ. 2017, 198, 105-114.

19) 向山信治; 小杉幸夫; 宇都有昭; 斎藤元也; 小田久二夫 産業用無人ヘリコプター搭載型ハイパースペクトル観測による稲葉の SPAD 値推定技術に関する基礎的研究. 写真測 量とリモートセンシング 2011, 50, 90-95.

20) Zhou, X.; Zheng, H. B.; Xu, X. Q.; He, J, Y.; Ge, X. K.; Yao, X.; Cheng, T.; Zhu, Y.; Cao, W. X.; Tian, Y. C. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multi-spectral and digital imgery. ISPRS J. Photogramm. Remote Sens. 2017, 130, 246-255.

21) 牧雅康; 本間香貴; 沖 一雄 作物モデルと UAV 画像を用いた LAI 推定と広域展開の可能性. 水土の知 2016, 84, 757-760.

22) Kobayashi, H.; Iwabuchi, H. A coupled 1-D atmosphere and 3-D canopy radiative transfer model for canopy reflectance, light environment, and photosynthesis simulation in a heterogeneous landscape. Remote Sens. Environ. 2008, 112, 173-185.

23) Borgogno-Mondino, E.; Lessio, A.; Gomarasca, M. A. A fast operative method for NDVI uncertainty estimation and its role in vegetation analysis. Europ. J. Remote Sens. 2016, 49:1, 137-156.

24) Hideki Kobayashi | FLiES. http://flies.sakura.ne.jp/WP/JA/ (2020.1.5)

25) Kobayashi, H.; Baldocchi, D. D.; Ryu, Y.; Chen, Q.; Ma, S.; Osuna, J. L.; Ustin, S. L. Modeling energy and carbon fluxes in a heterogeneous oak woodland: A three-dimensional approach. Agric. For. Meteorol. 2012, 152, 83-100.

26) Kobayashi, H.; Ryu, Y.; Baldocchi, D. D.; Welles, J. M.; Norman, J. M. On the correct estimation of gap fraction: How to remove scattered radiation in gap fraction measurements?. Agric. For. Meteorol. 2013, 174-175, 170-183.

27) 押尾晴樹; 浅輪貴史; 梅干野晁; 宮坂聡 マルチリターン航空機LiDAR データと植生放射伝達モデルによる都市緑化樹木の日射遮蔽効果の計量化. 日本リモートセンシング学 会誌 2015, 35, 10-23.

28) 小林秀樹 針葉樹における分光反射率と葉面積指数の関係：森林の三次元構造とクランピングの影響. 日本リモートセンシング学会誌 2008, 28, 350-356.

29) 牧雅康; 高橋厚裕; 岡野哲郎; 小熊宏之 可搬型 3 次元レーザスキャナデータと放射伝達モデルを用いた林床光環境の推定手法の開発. 日本リモートセンシング学会誌 2012, 32, 77-87.

30) Ichii, K.; Yang, W.; Kobayashi, H.; Yanagi, Y.; Takayama, H.; Hajima, T.; Abe, M.; Tachiiri, K. Development and application of GCOM-C LAI and GPP/NPP research products., 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Fort Worth, TX, USA, 23-28th July 2017; IEEE Geoscience and Remote Sensing Society; IEEE: Piscataway, NJ, 2017, 5650-5651.

31) Maki, M.; Homma, K. Empirical Regression Models for Estimating Multiyear Leaf Area Index of Rice from Several Vegetation Indices at the Field Scale. Remote Sens. 2014, 6, 4764-4779.

32) 国 土 地 理 院 電 子 国 土 基 本 図 ( オ ル ソ 画 像 ) . https://www.gsi.go.jp/gazochosa/gazochosa40001.html (2019.12.2).

33) Parrot ホ ー ム ペ ー ジ . https://www.parrot.com/jp/ye-wu-yong-soriyusiyon/parrot-sequoia (2020.1.5)

34) Pix4D Support. https://support.pix4d.com/hc/en-us (2019.5.11).

35) 山後公二 電子国土基本図 (オルソ画像) について. 国土地理院時報 2009, 118, 57-60.

36) Erbs, D. G.; Klein S. A.; Duffie, J. A. Estimation of the diffuse radiation fraction for hourly, daily and monthly-average global radiation. Solar Energy 1982, 28-4, 293-302.

37) 気象庁 Japan Meteorological Agency. https://www.jma.go.jp/jma/index.html (2019.3.12).

38) Hirooka, Y.; Homma, K.; Shiraiwa, T.; Kuwada, M. Parameterization of leaf growth in rice (Oryza sativa L.) utilizing a plant canopy analyzer. Field Crops Res. 2016, 186, 117-123.

39) Chen, J. M.; Pavlic, G.; Brown, L.; Cihlar, J.; Leblanc, S. G.; White, H. P.; Hall, R. J.; Peddle, D. R.; King, D. J.; Trofymow, J. A.; Swift, E.; Van der Sanden, J.; Pellikka, P. K. E. Derivation and validation of Canadawide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements. Remote Sens. Environ. 2002, 80, 165-184.

40) Ewert, F. Modelling plant responses to elevated CO2: how important is leaf area index? Ann. Bot. 2004, 93, 619-627.

41) Li, X.; Zhang, Y.; Bao, Y.; Luo, J.; Jin, X.; Xu, X.; Song X.; Yang, G. Exploring the Best Hyperspectral Features for LAI Estimation Using Partial Least Squares Regression. Remote Sens. 2014, 6, 6221-6241.

42) Ishihara, M.; Inoue, Y.; Ono, K.; Shimizu, M.; Matsuura, S. The Impact of Sunlight Conditions on the Consistency of Vegetation Indices in Croplands — Effective Usage of Vegetation Indices from Continuous Ground-Based Spectral Measurements. Remote Sens. 2015, 7, 14079-14098.

43) Hashimoto, N.; Saito, Y.; Maki, M.; Homma, K. Simulation of Reflectance and Vegetation Indices for Unmanned Aerial Vehicle (UAV) Monitoring of Paddy Fields. Remote Sens. 2019, 11, 2119.

44) 遠藤貴司; 永野邦明; 佐々木都彦; 千葉文弥; 我妻謙介; 早坂浩志; 佐伯研一; 佐藤浩子; 酒井球絵; 中込佑介 水稲新品種「だて正夢」について. 宮城古川農試報. 2018, 13, 19-44.

45) 長沢工 日の出・日の入りの計算 天体の出没時刻の求め方. 1999, 地人書館, 東京.

46) ビショップ, C.M. パターン認識と機械学習 下. 2012, 丸善出版, 東京.

47) 竹内一郎, 烏山昌幸 サポートベクトルマシン. 2015, 講談社, 東京.

48) Scholköpf, B.; Smola, A. J. Learning with Kernels:Support Vector Machines, Regularization, Optimization, and Beyond. 2001, MIT Press, Cambridge, MA, USA.

49) Vapnik, V. N. The nature of statistical learning theory. 2000, Springer-Verlag New York, NY, USA.

50) 松島省三 稲作の改善と技術. 1973, 養賢堂, 東京, 1-393.

51) 前岡庸介 穂肥回数及び穂肥量が水稲中生品種「ヒノヒカリ」の収量・品質に及ぼす影響. 日作中支集録. 2002, 43, 10-11.

52) 後藤英次; 野村美智子; 稲津脩 寒地水稲に対する時期別追肥窒素の利用率と各器官への分配. 日作紀. 2006, 75, 443-450.

53) 深山政治; 岡部達雄 水稲窒素吸収特性の品種間差と施肥法. 土肥誌. 1985, 57, 272-279.

54) 稲本勝太 硫安追肥による飼料用米としての「日本晴」の増収効果. 日作中支集録. 2015, 55, 37-38.

55) 福嶌陽; 太田久稔; 横上晴郁; 津田直人 東北農研が育成した水稲品種における窒素追肥時期が生育・収量・外観品質・食味に及ぼす影響. 日作紀. 2017, 86, 7-14.

56) 吉永悟志; 竹牟礼穣; 脇本賢三; 田坂幸平; 松島憲一; 下坪訓次 暖地の湛水直播栽培における土中点播水稲の生育特性. 日作紀. 2002, 71, 328-334.

57) 大西政夫; 土本浩之; 山根研一; 門脇正行 土壌生産性の圃場内変動が大きい水田において田畑転換作付体系試験を行うための最適窒素施肥量の検討. 農業生産技術管理学会 誌 2008, 15, 23-27.

58) 福嶌陽 生育時期別窒素追肥が水稲の形態的形質に及ぼす影響およびその品種間差異. 日作紀. 2007, 76, 18-27.

59) 山田朗加; 小笠原孝一; 塩谷哲夫 緩効性被覆肥料を用いた水稲栽培技術の改善効果について. 農作業研究 1996, 31, 93-102.

60) 小林英和; 永田健二 業務・加工用水稲品種「やまだわら」の多収条件. 日作紀. 2018, 87, 67-75.

61) 細井徳夫 制御環境下におけるイネの出穂におよぼす日長・温度および窒素レベルの影響. 日作紀. 1975, 44, 382-388.

62) 玉置雅彦; 山本由徳 遮光および施用窒素量が水稲の出葉速度と分げつ発生に及ぼす影響. 日作紀. 1997, 66, 29-34.

63) 佐々木美和; 山本晶子; 我妻因信 生育中期の追肥が主稈総葉数および出葉速度に及ぼす影響. 日作東北支部報. 2004, 47, 1-2.

64) Milthorpe, F. L.; Moorby, J. An introduction to Crop Physiology. 1979, Cambridge Univerity Press, New York.

65) Lafarge, T.; Tardieu, F. A model co-ordinating the elongation of all leaves of a sorghum cultivar was applied to both Mediterranean and Sahelian conditions. J. Exp. Mot. 2002, 53, 715-725.

66) 千坂英雄 水稲と雑草の競争. 雑草研究 1966, 5, 16-22.

67) 松島省三 稲作の理論と技術. 1964, 養賢堂, 東京, 1-302.

68) Wada, G.; Shoji, S.; Mae, T. Relationship between nitrogen absorption and growth and yield of rice plants. JARQ. 1986, 20, 135-145.

69) 小林英和; 千葉雅大; 長田健二 地上部窒素吸収量の増大による水稲多収品種の籾数増加とその限界. 日作紀. 2014, 83, 374-379.

70) 世古晴美; 佐村薫; 越生博次 水稲湛水土中直播栽培の播種様式と生育収量. 近畿中国 農研. 1983, 66, 9-12.

71) 天野久; 松尾嘉重; 甲谷潤 湛水土壌中直播栽培に関する研究. 京都農研研報. 1989, 14, 15-26.

72) 和田学 暖地水稲の Vegetative Lag Phase に関する作物学的研究―特に窒素吸収パターンとの関連―. 九州農試報. 1980, 21, 113-250.

73) 小林和広; 堀江武 水稲の穎花ならびに枝梗分化に及ぼす生殖生長期の体内窒素の影響. 日作紀. 1994, 63, 193-199.

74) 月森弘 気象および移植時期が水稲’コシヒカリ’の乳白粒発生に及ぼす影響. 島根農技研報. 2008, 38, 47-56.

75) 前川富也; 島田信二; 浜口秀生; 加藤雅康; 藤森新作 関東地域の地下水位制御システム (FOEAS) 現地圃場における不耕起と狭畦がダイズの生産性に及ぼす影響. 日作紀. 2016, 85(4), 391-402.

76) Jones, H. G.; Vaughan, R. A. 植生のリモートセンシング. 2013, 森北出版, 東京, 56-58.

77) 細川寿 大豆の耕うん同時畝立作業機による重粘土転換畑の湿害回避技術. 農機誌.2004, 66(5), 14-16.

78) ドローン・ジャパン株式会社. https://www.drone-j.com/agriculture (2020.2.16).

79) 株式会社スカイマティクス. https://smx-iroha.com/analytics_case/ (2020.2.16).

80) 農研機構 農業環境変動研究センター 小型 GNSS 受信機を用いた高精度測位マニュアル (ドローン用対空標識編). 2019, 農業・食品産業技術総合研究機構, 茨城県つくば市.

81) 井上吉雄, 横山正樹 ドローンリモートセンシングによる作物・農地診断情報計測とそのスマート農業への応用. 日本リモートセンシング学会誌 2017, 37, 224-235.

参考文献をもっと見る

全国の大学の
卒論・修論・学位論文
を
一発検索！

この論文の関連論文を見る