{"metadata":{"_oai":{"id":"oai:ipsj.ixsq.nii.ac.jp:00215970","sets":["1:10446:10669"]},"path":["10669"],"owner":"44499","recid":"215970","title":["ビッグデータのデータサイエンス ～ニューノーマル時代のビッグデータ～：招待論文：5．ドローンによる作物の表現型計測と機械学習による作物バイオマス・収量の予測"],"pubdate":{"attribute_name":"公開日","attribute_value":"2022-01-15"},"_buckets":{"deposit":"cd563483-25c0-4947-b584-4df614102c5d"},"_deposit":{"id":"215970","pid":{"type":"depid","value":"215970","revision_id":0},"owners":[44499],"status":"published","created_by":44499},"item_title":"ビッグデータのデータサイエンス ～ニューノーマル時代のビッグデータ～：招待論文：5．ドローンによる作物の表現型計測と機械学習による作物バイオマス・収量の予測","author_link":["557129"],"item_titles":{"attribute_name":"タイトル","attribute_value_mlt":[{"subitem_title":"ビッグデータのデータサイエンス ～ニューノーマル時代のビッグデータ～：招待論文：5．ドローンによる作物の表現型計測と機械学習による作物バイオマス・収量の予測"}]},"item_keyword":{"attribute_name":"キーワード","attribute_value_mlt":[{"subitem_subject":"デジタルプラクティスコーナー","subitem_subject_scheme":"Other"}]},"item_type_id":"30","publish_date":"2022-01-15","item_language":{"attribute_name":"言語","attribute_value_mlt":[{"subitem_language":"jpn"}]},"item_30_text_3":{"attribute_name":"著者所属","attribute_value_mlt":[{"subitem_text_value":"東京農工大学"}]},"publish_status":"0","weko_shared_id":-1,"item_file_price":{"attribute_name":"Billing file","attribute_type":"file","attribute_value_mlt":[{"url":{"url":"https://ipsj.ixsq.nii.ac.jp/record/215970/files/IPSJ-DP630205.pdf","label":"IPSJ-DP630205.pdf"},"date":[{"dateType":"Available","dateValue":"2022-01-15"}],"format":"application/pdf","billing":["billing_file"],"filename":"IPSJ-DP630205.pdf","filesize":[{"value":"3.9 MB"}],"mimetype":"application/pdf","priceinfo":[{"tax":["include_tax"],"price":"0","billingrole":"5"},{"tax":["include_tax"],"price":"0","billingrole":"6"},{"tax":["include_tax"],"price":"0","billingrole":"44"}],"accessrole":"open_date","version_id":"8eefaff0-68d8-4d12-92ae-5018f298925f","displaytype":"detail","licensetype":"license_note","license_note":"Copyright (c) 2022 by the Information Processing Society of Japan"}]},"item_30_creator_5":{"attribute_name":"著者名","attribute_type":"creator","attribute_value_mlt":[{"creatorNames":[{"creatorName":"辰己, 賢一"}],"nameIdentifiers":[{}]}]},"item_resource_type":{"attribute_name":"資源タイプ","attribute_value_mlt":[{"resourceuri":"http://purl.org/coar/resource_type/c_6501","resourcetype":"article"}]},"item_30_source_id_9":{"attribute_name":"書誌レコードID","attribute_value_mlt":[{"subitem_source_identifier":"AN00116625","subitem_source_identifier_type":"NCID"}]},"item_30_description_7":{"attribute_name":"論文抄録","attribute_value_mlt":[{"subitem_description":"近年，付加価値の高い農作物の生育状況の把握や収量を予測するためにドローンや衛星リモートセンシングによる空撮画像が使われている．一方，収量に大きな影響を及ぼす空撮画像から得られる有効な説明変数はいまだ明確になっていない．本稿では，空撮画像からトマトの各株における草高や植生指数を計測し，各株ごとにそれらの平均値や分散などの1次元計測値，画像のきめや画素間の空間パターンを考慮できるテクスチャ情報を2次元計測値としてそれぞれ計測した．次に，得られた計測値から計5種類の変数選択法によってトマトの果実部を除く地上部バイオマス重（以下，バイオマス），果実重，果実数にそれぞれ影響の大きい計測値を選択し，選択された計測値を説明変数とし，3つの機械学習モデルを用いて，バイオマス，果実重，果実数の予測を試みた．その結果，1次元計測値だけでなく2次元計測値を説明変数候補として考慮することで予測精度が大幅に向上すること，収穫の約1カ月前の2次元計測値が果実重や果実数を予測する上で影響の大きい説明変数であることが明らかとなった．この結果は，収量予測におけるデータ取得の効率化に大きく寄与するものである．","subitem_description_type":"Other"}]},"item_30_biblio_info_10":{"attribute_name":"書誌情報","attribute_value_mlt":[{"bibliographicPageEnd":"d97","bibliographic_titles":[{"bibliographic_title":"情報処理"}],"bibliographicPageStart":"d76","bibliographicIssueDates":{"bibliographicIssueDate":"2022-01-15","bibliographicIssueDateType":"Issued"},"bibliographicIssueNumber":"2","bibliographicVolumeNumber":"63"}]},"relation_version_is_last":true,"item_30_identifier_registration":{"attribute_name":"ID登録","attribute_value_mlt":[{"subitem_identifier_reg_text":"10.20729/00215862","subitem_identifier_reg_type":"JaLC"}]},"weko_creator_id":"44499"},"id":215970,"updated":"2025-01-19T15:57:08.708043+00:00","links":{},"created":"2025-01-19T01:16:42.211668+00:00"}