Recommended
More Related Content
More from hsgk
More from hsgk (20)
Recently uploaded
Recently uploaded (6)
北海道における地域Ict農業とドローン活用
- 1. 北海道における地域ICT農業と ドローン活用 北海道大学大学院農学研究院 石井 一暢 スマートアグリ戦略セミナー・プログラム ～北海道のスマートアグリ推進戦略の現状と展望～ 2017.10.20
- 2. 日本農業の課題 • 基幹的農業従事者は2014年には168万人、 5年間で23万人減。平均年齢は66.5歳。 • 新規就農者も減少の一途。5年間で1万人減。 • 耕作放棄地が増加し40万haに達する。主要発 生要因は高齢化と労働力不足。地域の営農環 境・生活環境に悪影響を与える。 • TPPの大筋合意によって、今後の日本農業の 存立に懸念。 〇農業生産の深刻な労働力不足 〇農業を基幹産業としている 地方経済の疲弊と人口減
- 5. トピック • Ｇ空間情報を利用したICT農業 • G空間情報の収集－伝送－解析 • 営農支援システム • G空間情報の活用方法 • ドローンを用いた計測事例 • 衛星画像とドローン画像の融合 • 小麦の生育・収量推定 • 地形マッピングへの利用 • 作物生育量の推定 • 地域創世への貢献
- 6. トピック • Ｇ空間情報を利用したICT農業 • G空間情報の収集－伝送－解析 • 営農支援システム • G空間情報の活用方法 • ドローンを用いた計測事例 • 衛星画像とドローン画像の融合 • 小麦の生育・収量推定 • 地形マッピングへの利用 • 作物生育量の推定 • 地域創世への貢献
- 8. ICT農業を導入した結果 GPS衛星地球観測衛星 データ分析センター 準天頂衛星 情報配信サービス 新規就農者の早期育成 農産物品質・収穫量の高位平準化 生産の低コスト化 農業の魅力アップ → 青年層の新規就農促進 ICTサービス産業の創生 プロ農家
- 10. 気象センサの設置 4km Nアメダス(１地点 ) マメダス(８地点 ) NICTセンサ( 2地点 ) NICT貸し出しセンサ マメダスの項目 積雪深 CO2濃度 静止カメラ画像 日照時間：分間 土壌水分値 毛根 高岩
- 11. メッシュ気象データの算出 ●気温（日平均・最高・最低）・降水量・日射量 ●準リアルタイム（1日遅れ） ●圃場単位（50mメッシュ）でのデータ提供 Nc：標準値 F ：地形因子（標高・方位･傾斜・起伏を採用） A ：回帰係数、c：定数 n i iic cFAN 1 c n j j n j j jjd N rr NLRLR 11 11 Rd ：求める地点の日平均気温（℃） RLj ：j地点の実測日平均気温（℃） NLj：j地点の日平年値（℃） rj：距離（m）、j：地点番号 Nc：標準値（この場合は日平均気温、℃） 準リアルタイムデータの計算（日平均気温） 気象タイプ毎の標準値の計算 1050m 1050m ●気象要素は50ｍメッシュ(上図■の領域)毎に計算 ●地形因子は21×21メッシュ(上図赤枠内)で計算 （移動窓を使用する）
- 13. 小麦圃場の時系列モザイク画像 10th,July 16th, July 24th,July 7th,Aug. 19th,Aug. 3rd,Sep. タイムリーで時差が少ないリモートセンシング
- 15. 農業機械の使用状況の自動収集 作業経路・時間 使用資材（農薬・ 肥料） 作業方法（速度・耕深） 農家集団で機械の空き状況を共有 遠隔データ収集システム （テレマティクス） GIS / データベース 無線通信 GPS センサデータロガー インターネット ビジョン センサ
- 17. データの伝送・蓄積 GEO SERVER 環境センサのデータモニター GeoTIFF画像によるレイヤの作成 地図データのWEB公開（OpenLayer3での地 図公開） 基盤地図の表示 GeoTIFF ビューワ 環境センサーおよびWi- SUNセンサーを利用し、芽 室町が整備したFWA網を介 して インターネット上の M2Mデータサーバーへデー タを蓄積する。 データ伝送 データ蓄積・表示
- 20. 農作業適期決定の規範モデル 0 50 100 150 200 250 300 350 0 190 390 590 790 990 1190 1390 1590 1790 1990 2190 2390 度数 積算温度（℃） 地域の圃場（約1000筆）の過去11年間の作業について 温度分布特性を解析して、適期決定の規範モデルとした。 0 50 100 150 200 250 300 350 400 0 190 390 590 790 990 1190 1390 1590 1790 1990 2190 2390 度数 積算温度（℃） 基肥・播種 除草（秋処理） 0 1000 2000 3000 4000 5000 6000 0 90 190 290 390 490 590 度数 積算温度（℃） 追肥 0 200 400 600 800 1000 1200 0 90 190 290 390 490 度数 積算温度（℃） 除草（春処理）
- 26. トピック • Ｇ空間情報を利用したICT農業 • G空間情報の収集－伝送－解析 • 営農支援システム • G空間情報の活用方法 • ドローンを用いた計測事例 • 衛星画像とドローン画像の融合 • 小麦の生育・収量推定 • 地形マッピングへの利用 • 作物生育量の推定 • 地域創世への貢献
- 28. 8 UAV flights (100m AGL, 12.5cm) 2, 10, 19, 25, June; 2, 10, 16, 24, July 2015. 4 Satellite images (5m) 1, 7, 15 June, and 17 July 2015 衛星画像とドローン画像の融合
- 29. Correlation coefficients of multi-temporal satellite imagery based NDVI, i.e., June 1, 7, 15, and July 17 2015, with the sampled grain protein contents were calculated as 0.77, 0.79, 0.68, and -0.34, respectively. Conclusion: NDVI of satellite image has good correlation with grain protein contents before ripening growth stage, whilst the reliability of using satellite image based NDVI to estimate grain protein contents deteriorates as ripening stage approaches. To further quantitatively analyze relationship between NDVI and grain protein contents, different regression models such as linear, exponential, power, and second-order polynomial regressions were constructed, respectively. Conclusion: second-order polynomial regression model best fitted the regression model, with the coefficient of determination value of 0.67 and RMSE of 0.58. 衛星画像とドローン画像の融合
- 30. NDVI= (NIR‐RED) ⁄ (NIR+RED) VDVI= (2G‐B‐RED) ⁄ (2G+B+RED) Regression analysis showed that second-order polynomial models best fitted between UAV’s RGB image based VDVI and satellite image based NDVI, when compared with other regression models such as linear, exponential, and power. Coefficient of determination and RMSE are calculated as 0.58 and 0.127. 8 UAV flights (100m AGL, 12.5cm) 2, 10, 19, 25, June; 2, 10, 16, 24, July 2015. 4 Satellite images (5m) 1, 7, 15 June, and 17 July 2015 衛星画像とドローン画像の融合
- 31. 衛星画像とドローン画像の融合
- 33. Yield Estimation Model by Using Stepwise Method Y=‐6.19‐6.78*aVDVI+3.45*aNGBDI+0.88*aGRRI+0.003*aExG R2=0.94; RSME=0.02; RSMEP=0.06. aNGRDI was removed from the stepwise regression model due to insignificant p-value, whilst aVDVI, aNGBDI, aGRRI, and aExG were included to fit the regression model, with coefficient of determination and RMSE as 0.94 and 0.02, respectively, and averaged value of sampled grain weight per square meter was 0.86 kg. The regression model was also validated using leave-one-out cross validation method, and the root-mean-square error of predication was 0.06. 衛星画像とドローン画像の融合
- 34. Based on the stepwise regression model, map of estimated grain weight per square meter (yield map) was generated by extracting each pixel values out of the maps of accumulative VIs. Within-field spatial variations of wheat yield could be observed, which could be seen as the comprehensive presentation of the spatial variations of soil fertility, tiller density, effective water potential, canopy aeration condition, and so on. The mean value of grain weight per square meter was calculated as 0.72kg. About 36% areas had grain weight below the average, and over-flourishing areas (high yield) coincided with the spots of lodging by visual inspection. ドローン画像による収量の推定
- 35. 17 May, 2016@ wheat farmland of Hokkaido Univ. Altitude : about 50m AGL Image size: 35m*25m Spatial resolution: 18mm ドローン画像による小麦の茎数推定
- 36. FCC: Fraction Canopy Coverage FCC=Nv/Nt Nv：Vegetation Pixel /1m2 Nt：Pixel /1m2 ドローン画像による小麦の茎数推定
- 37. Sample ID Stalk numbers per square meter FCC 1 200 0.32 2 680 0.78 3 290 0.39 4 560 0.56 5 490 0.53 6 400 0.46 7 690 0.74 8 660 0.74 9 620 0.67 10 850 0.80 11 800 0.78 12 710 0.69 13 570 0.66 14 660 0.74 15 720 0.79 y = 1067.7x1.37 RMSE=24 ドローン画像による小麦の茎数推定
- 38. Natural Neighborhood Interpolation According to the power regression model, stalk densities were estimated by extracting 125 samples of FCC randomly taken all around the field. By using spatial interpolation method in GIS software, stalk density map was generated. y = 1067.7x1.37 ドローン画像による小麦の茎数推定
- 39. About 43% acreages have the stalk density under 400 per square meter, which need high dose of nitrogenous topdressing desperately for generating enough stalks before the end of tillering stage. Most areas reached the stalk density between 401-800 per square meter, occupying about 45% acreages, which need moderate or low dose of nitrogenous topdressing. About 12% acreages in the field have the stalk density beyond 801 per square meter, which should be applied with no more fertilizer, otherwise over- flourishing canopies would lead to the occurrence of lodging at later growth stage. ドローン画像による小麦の計数推定
- 40. What is Topographic map? Topography is the study of earth surface shapes and features, and topographic map refers to a 2D graphic representation of a terrestrial or 3D land surface feature using contour lines, hypsometric tints, and relief shading. 地形マッピング
- 41. Why Topographic map? In precision agriculture, high accurate topographic maps are essential to such operations including soil preparation, drainage arrangement, land forming and high precision land levelling. 1. Surface unevenness of farmlands has been pointed out as a major issue that affected agricultural drainage efficiency of the current irrigation systems, which have been under great pressure for producing more with lower water supplies. 2. Crops are vulnerable to stagnant water throughout germination period to early growth stages, and puddles are potential threat leading to crop drowning and occurrence of infestation as well as plant diseases due to high humidity. 3. Unleveled rice paddy suffered about 24% yield loss in average when compared to the effectively leveled ones for the same rice variety and the same fertilizer input (Rickman 2002). 地形マッピング
- 42. Solution: laser-assisted and GPS based land levelling. Topographic survey is prerequisite for high precision land levelling. Land levelling accuracy, efficiency, as well as energy consumption is in high accordance with the delicacy of each topographic map. 地形マッピング
- 43. LiDARfixgps hhhH To conduct topographic survey for high precision farmland levelling operation in a simple and totally autonomous manner using a UAS- LiDAR system. December 7th 2016 @ Mackey, Australia. coscos DhLiDAR ドローンによる地形マッピング
- 44. PPK GPS altitude measurements changed along time, ranging from 0.08m to 0.095m due to usage of different combinations of satellites over time, and the accuracy could be confirmed as about 0.015m (1.5cm). LiDAR distance measurements remained substantially constant over time mostly ranging from 1.873-1.881m, and the measuring accuracy was confirmed within 0.01m (1cm). ドローンによる地形マッピング
- 45. The topographic map could practically provide reference for laser-assisted land leveler to locate laser transmitter, and also could be used to produce cut/fill ratio map for GPS based land leveler. ドローンによる地形マッピング
- 46. ドローンによる地形マッピング
- 47. Blue: RTK GPS equipped combine harvester’s track on 21st July 2017; Topographic map based on RTKGPS data of combine harvester. Topographic map based on data integration of UAV’s PPK GPS and LiDAR data. Extracting height information from the same positions on two different topographic maps to calculate RSME and make correlation analysis. Red: PPK GPS equipped UAS-LiDAR system’s track on 10th Aug., 2017. ドローンによる地形マッピング
- 48. Red: 35 samples of UAV-LiDAR’s PPK GPS, and 35 samples of combine harvester’s RTK GPS. RMSE of UAV-LiDAR’s elevation and RTK GPS’s elevation: 0.035m. ドローンによる地形マッピング
- 49. Orthomosaic image taken on 7th Sep., 2017, and DEM map generated based on stereo image techniques during orthomosaic process. ドローンによる地形マッピング
- 50. Green lines showed UAV-LiDAR system’s flight track on 7th Sep., 2017, and topographic map generated using natural neighborhood interpolation method. ドローンによる地形マッピング
- 51. Larger coverage (light weight); Better spatial resolution (0.048*0.048 m); High relative precision. Vs Absolute accuracy cannot be guaranteed due to propagated error. High absolute accuracy; Vs Poor details due to large track intervals (0.5*20m). Photogrammetry UAS-LiDAR ドローンによる地形マッピング
- 52. 113 112 114 113 115 114 114 115 112 114 112 113 114 115 114 112 112 112 112 113 115 111 113 111 115 d= 112 -114 = -2; pi’= pi + d. i=1…25. 111 110 112 111 113 112 112 113 110 112 110 113 112 113 112 110 112 112 110 111 113 109 111 109 113 (Lon., Lat., 114) Photogrammetry (Lon., Lat., 112) UAS-LiDAR New topographic map integrates photogrammetric DSM’s fine resolution and UAS-LiDAR system’s accuracy. ドローンによる地形マッピング
- 53. Sugarcane NDVI map on 13th Oct., 2016@Mackey, Australia Red: UAS-LiDAR’s flight track before harvesting Green: UAS-LiDAR’s flight track after harvesting 作物生育量の推定
- 54. a b a’b’ 0m above sea level e: elevation a: PPKGPS altitude before harvest; b: LiDAR data in first flight; a’: PPKGPS altitude after harvest; b’: LiDAR data in second flight; h e = a’ – b’ height h = a – b – e Before harvest After harvest 作物生育量の推定
- 55. Sugarcane NDVI map on 13th Oct., 2016@Mackey, Australia Red: UAS-LiDAR’s flight track before harvesting Green: UAS-LiDAR’s flight track after harvesting Based on second flight (after harvesting), farmland topographic map was generated for precision land levelling; Conduct correlation analysis by extracting crop height and NDVI. Green-Red= Sugarcane height. (Lon., Lat., Sugarcane height) (Lon., Lat., NDVI) 作物生育量の推定
- 56. Active NDVI: Cropspec (2 laser channel: NIR & Red); Passive NDVI: multispectral camera (RGB + Red edge+ NIR) To study effect of changing flight altitude (5m-12m) on Cropspec’s NDVI. To conduct correlation analysis by calculating passive and active NDVI. 作物生育量の推定
- 57. トピック • Ｇ空間情報を利用したICT農業 • G空間情報の収集－伝送－解析 • 営農支援システム • G空間情報の活用方法 • ドローンを用いた計測事例 • 衛星画像とドローン画像の融合 • 小麦の生育・収量推定 • 地形マッピングへの利用 • 作物生育量の推定 • 地域創世への貢献
- 60. ICTの強み • 地域をつなぐ • モノをつなぐ • ヒトをつなぐ ⾷品加⼯ 流通・販売 農業生産 （Ｃ地域） 農業生産 （Ａ地域） 農業生産 （Ｂ地域） 例）複数の地域から様々な農畜産物を 調達・加工して地域特産食品を製造・販売 「定時」「定量」「定質」の生産管理にICTは必須 地域間連携 農商工連携 人材育成
- 61. ICT×ロボット農業の地域創世への貢献 農業振興 労働力不足緩和・生産コスト低減 高品質化/収穫量アップ 安定生産・安定出荷 新規就農の早期育成 農業の魅力アップ 食農産業の振興 地域の農業者・事業者連携や地域間連携を促進 マーケット・イン重視の生産・供給体制構築 農業ＩＣＴ・ロボット産業の創生
- 62. ご清聴ありがとうございました。