農業Aiハッカソン

1 05/01/2023

シンギュラリティ株式会社

データセット・サンプルプログラム説明

農業 AI ハッカソン

Singularity Copyright 2016 Singularity Inc. All rights reserved

2

今回行ってもらうこと過去 6 時間のセンサデータから未来 6 時間の飽差の値を予測する

センサーデータは２分ごとに取っているものを平均して 15 分毎にまとめている計 24 時系列のデータを用いて未来２４時系列の誤差平均を最小に

05/01/2023Singularity Copyright 2016 Singularity Inc. All rights reserved

00:00 のセンサデータ00:15 のセンサデータ00:30 のセンサデータ

05:45 のセンサデータ

・・・・・

入力値何らかのロジック06:00 の飽差06:15 の飽差06:30 の飽差

11:45 の飽差

出力

・・・・・

3

飽差ってなんだ？


飽和水蒸気量から絶対湿度を引いたもの（ g/ ㎥）飽差 =

つまり、あと、どのくらい空気中に水が入るのか気孔の動きと密接に関わる• 光合成に必要な二酸化炭素の取り込み• 光合成でできた酸素の放出• 水蒸気の放出

収量をあげる＝光合成を活性化させる　　＝気孔が適切に働く必要がある

4

飽差を管理するということ


飽差が低い飽差が高い湿りすぎると植物内部と空気中の水蒸気圧差がなくなり蒸散できない（水が吸えない）

乾燥しすぎてるため水分を出さないよう気孔を閉じる（水が吸えない）光合成が活発な時間帯に適切な飽差（ 3 〜6g/ ㎥）を維持するために温度と湿度を管理

5

データセットについて「 learningdata.csv 」

訓練および検証を行う際に用いるデータセット 2016 年 3 月 21 日〜 11 月 30 日までのデータ収穫後などの栽培していない時期のデータは欠損

「 testdata.csv 」訓練したネットワークの汎用性をテストする際に用いるデータセット 2016 年 12 月 1 日〜 12 月 31 日までのデータ


共に１５分毎のセンサーデータの平均値が格納されている

6

データセットの項目年月日時間帯

一日を 15 分おきに 96 分割したインデックス連続フラグ

時系列データを作成するためのフラグ。 12 時間先のデータが存在する場合に 1 飽差 (g/m^3) 温度 ( )℃ 湿度 (%) 土壌水分度 (%) CO2 濃度 (ppm) 日射量 (W/m^3)


7

気象データセットについて「 weatherdata.csv 」

2016 年 3 月 1 日〜 12 月 31 日までの気象データ 1 時間毎の計測値が格納されている


項目年月日時気温 ( )℃ 直近 1 時間の降水量（ mm ）日射量（ MJ/u ）相対湿度 (%)

8

サンプルプログラム TensorFlow を用いた多層 RNN の Seq2Seq モデル


https://github.com/TakuyaShinmura/agri_ai

train.py 　　　　　・・・　メインプログラムdata_sets.py 　・・・　データセット構築プログラムmodel.py ・・・　ニューラルネットワークのモデル生成プログラム

data

ckpt ・・・学習済みモデル保存ディレクトリlogs 　　・・・ tensorboard のログ出力ディレクトリ　　

https://github.com/TakuyaShinmura/agri_ai

9

data_sets.py 訓練データ、バリデーションデータ、テストデータを生成する

DataSets クラスを提供するプログラム（バッチサイズ , 時間軸 , 入力長）の 3 階テンソルを numpyの配列で返却 DataSets.test_data 　 DataSets.varidation_data でテストデータとバリデーションデータは返却バリデーションデータは毎月１０日〜１３日のデータで作成 DataSets.get_next_batch(batch_size) で訓練データを任意の数のランダムに切り抜いたミニバッチで返却データセットは全て平均 1 、標準偏差 0 で標準化されている最大値、最小値、平均、分散はメンバ変数として格納済み訓練 19421 件、バリデーション 3019 件、テスト 2732 件


10

model.py seq2seq を用いた順伝播、誤差計算、学習、評価を行う


入力画像群の特徴を圧縮した中間層出力側では、前の層の出力が入力になる

11

model.pySeq2seq の性質上、今回は温度湿度なども含めて全ての値を予測している。また、誤差を計算する際も合算して計算している。


00:00 のセンサデータ00:15 のセンサデータ00:30 のセンサデータ

05:45 のセンサデータ

・・・・・

入力値 seq2seq06:00 の各情報06:15 の各情報06:30 の各情報

11:45 の各情報

出力・・・・・

評価の際は標準化を元に戻して、平均誤差・最大誤差をログにとっている

12

train.py各プログラムを結合して訓練、評価を行う。


python train.pyで実行できるが、引数を指定して中間層のユニットすや学習率などを指定可能。100 ステップ毎にバリデーションデータで検証を行い tensorboard のログ出力

13

今のところの結果


平均誤差は 0.53程度に収束、テストデータでは 0.49

最大誤差は結構揺れて 24.2程度、テストでは 12.6

14

考察全体的に平均誤差は収束しているが最大誤差が結構大きい上に揺れる最大誤差は他の値に関していうと学習のたびに誤差が大きくなるものもあるので、その辺りの値は学習に使わない方がいいかもパラメータは適当なので改善の余地あり値として飽差は 0 〜 3 程度の値が多く、冬はその値が小さいため３月〜１１月のデータを元にして作ったバリデーションデータよりもテストの方が良い精度が出たのではないか


それではみなさん頑張ってください！！！！！

15

お問い合わせご興味のある企業・団体・個人様は、以下までお問い合わせください。

シンギュラリティ株式会社

http://snglrty.net東京都港区浜松町　2-7-15 三電舎ビル6F

Tel 03-5425-2545取締役 /CTO　新村拓也

E-mail： [email protected]


農業Aiハッカソン

Engineering

Transcript of 農業Aiハッカソン