信息处理装置和信息处理系统的制作方法

本发明涉及信息处理装置和信息处理系统。

背景技术：

近年来，研究开发了使用信息通信技术来从病虫害保护作物的技术。具体而言，存在使用传感器来观测作物的栽培地中的状况并使用从传感器得到的观测结果来向用户出示与病虫害的发生有关的信息的技术。病虫害一般使作物的收获量和品质降低，但是，能够通过药剂喷洒来抑制。因此，用户基于出示的信息来喷洒药剂，由此，能够有效地减少由于病虫害造成的作物被害。

例如，在专利文献1中，公开了以下装置所涉及的发明：使用多个传感器观测温室中的气温和室温，判定观测的气温和室温是否满足预先存储为db（database，数据库）的发生条件，由此，显示病虫害的发生危险之处。

此外，在专利文献2中，公开了以下系统所涉及的发明：使用传感器观测葱栽培田地的气温、葱叶面的湿润状态、降水量和风速，显示通过将观测结果输入到感染预测模型中而得到的感染预测结果。

此外，在专利文献3中，公开了以下装置所涉及的发明：使用与草坪关联的作业实绩和观察记录、气象数据以及预测规则或诊断规则来导出预想发生的病虫害或正在发生的病虫害并显示导出结果。

现有技术文献

专利文献

专利文献1：日本特开2015-119646号公报；

专利文献2：日本特开2008-125496号公报；

专利文献3：日本特开平6-30657号公报。

技术实现要素：

发明要解决的课题

可是，在现有技术中，存在难以提高针对病虫害发生的判定的正确性这样的问题。例如，在上述的专利文献中公开的发明中，发生条件、感染预测模型、预测规则或诊断规则等与病虫害的发生有关的判定用的信息（以下，也称为病虫害发生判定模型。）是固定的。此外，即使病虫害发生判定模型是可变的，为了变更，一般也由人进行基于大量的数据的病虫害发生判定模型的定义和验证，因此，花费时间和费用等成本。因此，难以改善病虫害发生判定模型，难以提高针对病虫害发生的判定的正确性。此外，也难以应对由于病虫害的变异造成的发生条件的变化等。

因此，本发明是鉴于上述问题而完成的，本发明的目的在于提供能够一边抑制成本一边提高针对病虫害发生的判定的正确性的构造。

用于解决课题的方案

为了解决上述课题，根据本发明的某个观点，提供了一种信息处理装置，其中，具备：机器学习部，基于病虫害发生信息和与所述病虫害发生信息对应的作物的栽培信息来进行将所述栽培信息作为输入的病虫害发生判定模型的机器学习；以及输出部，输出与由所述机器学习得到的所述病虫害发生判定模型有关的信息。

此外，所述机器学习部针对特定的所述栽培信息进行所述病虫害发生判定模型的机器学习也可。

此外，所述特定的所述栽培信息包括示出病虫害的种类或栽培地的信息也可。

此外，所述病虫害发生信息包括示出病虫害的发生时间点的信息，所述机器学习部基于根据所述病虫害的发生时间点特别指定的时间点的所述栽培信息来进行所述病虫害发生判定模型的机器学习也可。

此外，根据所述病虫害的发生时间点特别指定的时间点包括从所述病虫害的发生时间点起回溯规定的时间后的时间点也可。

此外，所述病虫害包括传染病，从所述病虫害的发生时间点起回溯规定的时间后的时间点包括从传染病的发病时间点起回溯所述传染病的潜伏期间后的时间点也可。

此外，与所述病虫害发生判定模型有关的信息包括使用所述病虫害发生判定模型而生成的第1信息也可。

此外，向所述病虫害发生判定模型输入的所述栽培信息包括预测的所述栽培信息也可。

此外，所述第1信息包括基于所述病虫害发生判定模型的输出结果而生成的药剂喷洒信息也可。

此外，所述药剂喷洒信息包括示出推荐喷洒的药剂或者推荐的药剂的喷洒定时或喷洒的推荐的程度的信息也可。

此外，所述输出部还输出关于所述第1信息的显示信息也可。

此外，所述显示信息包括时间序列的所述第1信息也可。

此外，所述显示信息包括病虫害的每个种类的所述第1信息也可。

此外，所述显示信息还具有与显示的所述第1信息对应的所述栽培信息也可。

此外，所述栽培信息包括作物的栽培地的信息、栽培的作物的信息、病虫害信息和针对病虫害的药剂信息之中的至少1个也可。

此外，所述栽培信息包括栽培地观测信息和气象信息的至少任一个也可。

此外，向所述病虫害发生判定模型输入的信息还包括根据所述栽培地观测信息和气象信息的至少任一个计算出的环境指标的时间序列数据中的代表值也可。

此外，向所述病虫害发生判定模型输入的信息还包括所述栽培地观测信息或气象信息的时间序列数据中的代表值也可。

此外，所述代表值包括所述时间序列数据中的规定的百分比的值也可。

此外，为了解决上述课题，根据本发明的另一观点，提供了一种信息处理系统，其中，具备：信息取得部，取得病虫害发生信息和作物的栽培信息；机器学习部，基于所述病虫害发生信息和与所述病虫害发生信息对应的所述栽培信息来进行将所述栽培信息作为输入的病虫害发生判定模型的机器学习；以及输出部，输出与由所述机器学习得到的所述病虫害发生判定模型有关的信息。

发明效果

如以上说明那样，根据本发明，提供了能够一边抑制成本一边提高针对病虫害发生的判定的正确性的构造。

附图说明

图1是用于说明本发明的一个实施方式的信息处理系统的概要的图。

图2是示出本发明的一个实施方式的信息处理系统的概略的功能结构的例子的框图。

图3是示出在本发明的一个实施方式的信息处理终端中显示的病虫害发生判定结果画面的例子的图。

图4是示出在本发明的一个实施方式的信息处理终端中显示的药剂信息注册画面的例子的图。

图5是示出在本发明的一个实施方式的信息处理终端中显示的药剂信息注册画面的例子的图。

图6是概念性地示出本发明的一个实施方式的信息处理系统的处理整体的流程的例子的图。

图7是概念性地示出本发明的一个实施方式的信息处理服务器的机器学习处理的例子的流程图。

图8是概念性地示出本发明的一个实施方式的信息处理服务器的病虫害发生判定处理的例子的流程图。

图9是概念性地示出本发明的一个实施方式的变形例的信息处理服务器的病虫害发生判定处理的例子的流程图。

图10是示出由本发明的一个实施方式的变形例的信息处理终端显示的药剂效果出示画面的例子的图。

图11是示出本发明的其他的实施方式的信息处理系统的概略的功能结构的例子的框图。

图12是概念性地示出本发明的其他的实施方式的信息处理服务器的机器学习处理的例子的流程图。

图13是概念性地示出本发明的其他的实施方式的信息处理服务器的病虫害发生判定处理的例子的流程图。

图14是示出了本发明的一个实施方式的信息处理服务器的硬件结构的说明图。

具体实施方式

在以下，一边参照附图，一边对本发明的优选的实施方式详细地进行说明。再有，在本说明书和附图中，对具有实质上相同的功能结构的结构要素标注相同的附图标记，由此，省略重复说明。

＜1.首先＞

首先，参照图1来对本发明的一个实施方式的信息处理系统1进行说明。图1是用于说明本发明的一个实施方式的信息处理系统1的概要的图。

信息处理系统1具有作物（crop）的栽培信息的收集功能、基于栽培信息的针对病虫害的发生的判定功能和判定结果的出示功能。具体而言，信息处理系统1具备：具有信息收集功能和信息分发功能的信息处理服务器100、具有信息注册功能和信息阅览功能的信息处理终端200、具有观测功能和观测信息分发功能的传感器节点300。

例如，信息处理服务器100如图1所示那样从由作物的栽培者管理的信息处理终端200收集作物信息、栽培地信息、病虫害信息和药剂信息，从在栽培地设置的传感器节点300收集栽培地观测信息，进而从气象信息服务器400收集气象信息。然后，信息处理服务器100将收集的信息输入到病虫害发生判定模型中，向信息处理终端200分发来自病虫害发生判定模型的输出信息。用户阅览由信息处理终端200出示的分发的输出信息，进行在栽培地处的药剂的喷洒（spray）。

在此，在以往，未如上述那样充分地讨论更新病虫害发生判定模型。因此，难以改善病虫害发生判定模型，难以提高针对病虫害发生的判定的正确性。

因此，在本发明中，提出信息处理系统1，所述信息处理系统1基于病虫害发生信息和与病虫害发生信息对应的植物的栽培信息来进行将该栽培信息作为输入的病虫害发生判定模型的机器学习。

例如，信息处理服务器100还具有机器学习功能。信息处理服务器100使用收集的信息来进行病虫害发生判定模型的机器学习，向机器学习后的病虫害发生判定模型输入栽培信息。然后，信息处理服务器100向信息处理终端200分发来自机器学习后的病虫害发生判定模型的输出信息。

像这样，能够通过使病虫害发生判定模型机器学习来自主地更新病虫害发生判定模型。因此，能够一边抑制成本一边提高针对病虫害发生的判定的正确性。

再有，上述的信息处理服务器100的功能也可以由多个装置实现。例如，上述的信息处理服务器100的功能也可以由具有多个装置的云计算（cloudcomputing）实现。此外，在图1中，说明了信息处理终端200为智能电话那样的便携式通信终端的例子，但是，信息处理终端200也可以为固定型的个人计算机等信息通信装置。

＜2.本发明的一个实施方式＞

以上，对本发明的一个实施方式的信息处理系统1的概要进行了说明。接着，对本发明的一个实施方式的信息处理系统1的细节进行说明。

＜2.1.系统的结构＞

首先，参照图2来对信息处理系统1的功能结构进行说明。图2是示出本发明的一个实施方式的信息处理系统1的概略的功能结构的例子的框图。

如图2所示，信息处理系统1具备信息处理服务器100、信息处理终端200和传感器节点300。经由通信网络连接信息处理服务器100、信息处理终端200和传感器节点300以及后述的气象信息服务器400。例如经由因特网等wan（wideareanetwork，广域网）连接这些装置。

［信息处理服务器］

信息处理服务器100作为信息处理装置进行工作，具备通信部110、存储部120和控制部130。

（通信部）

通信部110与信息处理终端200、传感器节点300和气象信息服务器400进行通信。具体而言，通信部110从信息处理终端200接收作物信息、栽培地信息、病虫害信息和药剂信息以及病虫害发生信息和提供请求信息，从传感器节点300接收栽培地观测信息，从气象信息服务器400接收气象信息。此外，通信部110作为输出部的一部分向信息处理终端200发送显示信息。

（存储部）

存储部120存储与控制部130的处理有关的信息。具体而言，存储部120存储由通信部110接收的栽培信息（作物信息、栽培地信息、病虫害信息、药剂信息、栽培地观测信息和气象信息）以及病虫害发生信息。此外，存储部120存储病虫害发生判定模型和机器学习参数。

（控制部）

控制部130整体控制信息处理服务器100的工作。具体而言，控制部130如图2所示那样具备机器学习部131、病虫害发生判定部132和显示信息分发控制部133，控制病虫害发生判定所涉及的处理。

机器学习部131进行病虫害发生判定模型的机器学习。具体而言，机器学习部131基于在存储部120中存储的病虫害发生信息和与该病虫害发生信息对应的栽培信息来进行病虫害发生判定模型的机器学习。针对特定的栽培信息进行病虫害发生判定模型的机器学习。作为该特定的栽培信息，存在病虫害的种类。更具体而言，病虫害发生信息是示出病虫害的发生时间点的信息，机器学习部131基于根据病虫害的发生时间点特别指定的时间点的栽培信息来进行病虫害发生判定模型的机器学习。

详细而言，机器学习部131从存储部120取得从病虫害发生信息示出的病虫害的发生时间点起回溯规定的时间后的时间点的栽培信息。然后，机器学习部131使用取得的栽培信息来进行病虫害发生判定模型的机器学习。例如，在病虫害为传染病（infectiousdisease）的情况下，机器学习部131从存储部120取得从病虫害发生信息示出的传染病的发病时间点起回溯该传染病的潜伏期间后的时间点的栽培信息。然后，机器学习部131使用取得的过去的栽培信息来进行针对该传染病的病虫害发生判定模型的机器学习。机器学习后的病虫害发生判定模型被存储在存储部120中。像这样，使用不是传染病的发病日而是估计的感染日的栽培信息来进行机器学习，由此，能够向用户出示感染的可能性的程度（以下，也称为感染危险度。）。因此，能够预防传染病的感染。

再有，也可以针对栽培地进行病虫害发生判定模型的机器学习。具体而言，病虫害发生信息包括示出发生了病虫害的栽培地的信息，机器学习部131基于与发生了病虫害的栽培地对应的栽培信息来进行病虫害发生判定模型的机器学习。例如，机器学习部131从存储部120取得针对病虫害发生信息示出的栽培地的栽培信息、即从传染病的发病时间点起回溯该传染病的潜伏期间后的时间点的栽培信息。然后，机器学习部131使用取得的过去的栽培信息来进行针对该栽培地处的该传染病的、病虫害发生判定模型的机器学习。

此外，在机器学习中使用的栽培信息也可以为病虫害的发生时间点的栽培信息。在该情况下，能够向用户出示病虫害的发生的可能性的程度（以下，也称为发生危险度。）。这在能够进行病虫害发生后的治疗的情况下特别有效。

病虫害发生判定部132进行针对病虫害发生的判定。具体而言，病虫害发生判定部132使用病虫害发生判定模型来判定病虫害的发生有无和发生危险度。例如，病虫害发生判定部132从存储部120取得病虫害发生判定模型和特定的时间点处的栽培信息，将取得的栽培信息输入到病虫害发生判定模型中。然后，病虫害发生判定部132向显示信息分发控制部133提供从病虫害发生判定模型输出的示出病虫害的发生有无或发生危险度的信息（以下，也称为病虫害发生判定结果。）。再有，特定的时间点处的栽培信息也可以为预测的将来的栽培信息。例如，栽培信息之中的气象信息也可以为预报。在该情况下，输出的病虫害发生判定结果也为预测信息。

显示信息分发控制部133生成在信息处理终端200中显示的信息。具体而言，显示信息分发控制部133作为输出部的一部分生成针对使用病虫害发生判定模型生成的信息的、显示信息。作为该显示信息，存在时间序列的病虫害发生判定结果或病虫害的每个种类的病虫害发生判定结果。例如，当提供请求信息被通信部110接收时，显示信息分发控制部133取得针对根据提供请求信息特别指定的种类的病虫害的、病虫害发生判定结果、即根据该提供请求信息特别指定的期间的病虫害发生判定结果。然后，显示信息分发控制部133通过对取得的病虫害发生判定结果进行加工来生成显示信息，将生成的显示信息提供给通信部110。再有，病虫害发生判定结果也可以为关于根据提供请求信息特别指定的栽培地（田地）的信息。此外，也可以在不加工的情况下提供病虫害发生判定结果。

进而，作为显示信息，也可以追加与显示的病虫害发生判定结果对应的栽培信息。例如，显示信息分发控制部133从存储部120取得栽培信息（气象信息、药剂信息等），所述栽培信息作为取得的病虫害发生判定结果成为输出的病虫害发生判定处理的输入。然后，显示信息分发控制部133通过对取得的栽培信息进行加工来生成显示信息，将生成的显示信息提供给通信部110。再有，也还是在不加工的情况下提供栽培信息也可。

［信息处理终端］

信息处理终端200作为信息取得部的一部分进行工作，如图2所示那样具备操作输入部210、控制部220、通信部230和显示部240。

操作输入部210受理针对信息处理终端200的操作。具体而言，操作输入部210受理输入的操作，根据受理的操作来生成各种信息。生成的各种信息被提供给控制部220。详细而言，根据操作而生成的信息是作物信息、栽培地信息、病虫害信息、药剂信息、病虫害发生信息和提供请求信息。

作物信息是示出作物的种类、品种、播种日、定植日、叶的脱叶（defoliation）的程度、树势或生长阶段的信息。栽培地信息是示出栽培地的标高、气象特性、土壤的种类、土壤的营养状态或除草的程度的信息。再有，栽培地信息也可以为关于单一的栽培地的信息，也可以为关于多个栽培地的信息。病虫害信息是示出灰霉病（graymold）、叶霉病（leafmold）、白粉病（powderymildew）或疫病等病虫害的种类的信息。再有，病虫害是微生物病、害虫病、生理障碍或由杂草造成的生理障碍等。药剂信息是示出药剂的种类、药剂的功效、喷洒药剂、喷洒日或喷洒量的信息。病虫害发生信息是示出发生的病虫害、发生日或发生的程度的信息。提供请求信息是示出向显示信息的提供的信息处理服务器100的请求的信息。例如，由显示部240显示输入画面，用户对输入画面进行操作，由此，生成上述的各种信息。

控制部220整体控制信息处理终端200的工作。具体而言，控制部220控制通信部230和显示部240的工作。例如，控制部220使通信部230发送由操作输入部210生成的信息。此外，控制部220基于从信息处理服务器100提供的显示信息来生成图像信息，向显示部240提供图像信息，由此，使图像显示。

通信部230与信息处理服务器100进行通信。具体而言，通信部230向信息处理服务器100发送由操作输入部210生成的作物信息、栽培地信息、病虫害信息、药剂信息、病虫害发生信息和提供请求信息。此外，通信部230从信息处理服务器100接收显示信息。再有，信息处理终端200与传感器节点300或气象信息服务器400进行通信来接收栽培地观测信息或气象信息也可。

显示部240作为输出部的一部分基于控制部220的指示来显示图像。具体而言，显示部240基于从控制部220提供的图像信息来显示信息显示画面和操作输入画面。例如，显示部240至少显示病虫害发生判定结果画面、作物信息注册画面、栽培地信息注册画面、病虫害信息注册画面、药剂信息注册画面和病虫害发生信息注册画面。参照图3~图5来详细地说明上述画面之中的病虫害发生判定结果画面和药剂信息注册画面。图3是示出在本发明的一个实施方式的信息处理终端200中显示的病虫害发生判定结果画面的例子的图。图4和图5分别是示出在本发明的一个实施方式的信息处理终端200中显示的药剂信息注册画面的例子的图。

（病虫害发生判定结果画面）

显示部240基于由控制部220基于病虫害发生判定结果而生成的图像信息，显示每个栽培地的病虫害发生判定结果画面。例如，在病虫害发生判定结果画面img1中，如图3所示那样，按病虫害的每个种类（病虫害1~病虫害4）按时间序列显示以大小表现与病虫害发生判定结果对应的发生危险度的圆圈。此外，在病虫害发生判定结果画面img1中，也可以示出发生了病虫害的意思。例如，对于发生了病虫害之日的发生危险度，向图3所示那样的圆圈追加外框。

此外，在病虫害发生判定结果画面中，包括与病虫害发生判定结果对应的气象信息和药剂信息。例如，如图3所示，显示与发生危险度的时间序列对应的时间序列的温室内气温、温室外气温、温室内湿度和温室外湿度。此外，如图3所示，以喷洒日为起点显示了示出喷洒的药剂（药剂4、药剂2）的信息、以及示出喷洒药剂的残效的程度的时间序列的变化的图表。

（药剂信息注册画面）

显示部240基于由控制部220生成的图像信息来显示作为药剂信息注册画面的使用药剂注册画面。例如，作为使用药剂注册画面，存在图4所示那样的、显示有注册为使用药剂的药剂的列表的画面img2、以及显示有注册的全部的药剂的列表的画面img3。在画面img2中，并列地显示与药剂的种类对应的代码和药剂名。当按下画面img2中的右下的追加按钮时，显示被切换到画面img3。当用户在画面img3中选择药剂时，将选择的药剂注册为使用药剂，在画面img2的列表中追加选择的药剂。

此外，显示部240显示作为药剂信息注册画面的药剂喷洒记录画面。例如，作为药剂喷洒记录画面，存在图5所示那样的、用于注册药剂喷洒信息的画面img4、以及用于选择喷洒药剂的画面img5。在画面img4中，显示有喷洒药剂和喷洒日以及喷洒履历。从通过追加按钮的按下而显示的画面img5中的注册完毕的使用药剂的列表选择药剂，由此，喷洒药剂被追加到画面img4中。在图5的例子中，选择了药剂4和药剂1。当在输入了喷洒药剂和喷洒日的状态下按下记录按钮时，使用该喷洒药剂和喷洒日注册药剂喷洒信息。注册的药剂喷洒信息被追加为画面img4的喷洒履历。

［传感器节点］

传感器节点300作为信息取得部的一部分进行工作，被设置在作物的栽培地，具备传感器、信号处理部和通信部。传感器通过进行传感器的针对周边环境的观测来生成信号。例如，传感器是温度传感器、湿度传感器、日照传感器、二氧化碳浓度传感器或土壤水分传感器等传感器。

信号处理部基于由传感器生成的信号来生成栽培地观测信息。具体而言，信号处理部通过对从传感器得到的信号进行采样或滤波等信号处理来生成栽培地观测信息。再有，生成的栽培地观测信息既可以为数字数据也可以为模拟数据。

通信部与信息处理服务器100进行通信。具体而言，通信部向信息处理服务器100发送由信号处理部生成的栽培地观测信息。再有，通信部每当栽培地观测信息被生成时进行发送也可，以规定的时间间隔进行发送也可。

［气象信息服务器］

气象信息服务器400将气象信息提供给外部的装置。具体而言，当从信息处理服务器100请求气象信息时，气象信息服务器400向信息处理服务器100发送请求的气象信息。例如，气象信息是示出气温、湿度、日照量或雨量的信息。

＜2.2.系统的处理＞

接着，对信息处理系统1的处理进行说明。

（处理整体）

首先，参照图6来对信息处理系统1的处理整体的流程进行说明。图6是概念性地示出本发明的一个实施方式的信息处理系统1的处理整体的流程的例子的图。

信息处理终端200向信息处理服务器100发送作物信息、栽培地信息、病虫害信息和药剂信息（步骤s501）。具体而言，通信部230向信息处理服务器100发送基于用户的操作由操作输入部210生成的作物信息、栽培地信息、病虫害信息和药剂信息。

传感器节点300向信息处理服务器100发送栽培地观测信息（步骤s502）。具体而言，传感器节点300向信息处理服务器100发送基于从传感器得到的信号而生成的栽培地观测信息。

此外，气象信息服务器400向信息处理服务器100发送气象信息（步骤s503）。具体而言，气象信息服务器400生成气象信息或从其他的装置取得气象信息。然后，气象信息服务器400根据信息处理服务器100的请求或定期地向信息处理服务器100发送气象信息。

进而，信息处理御终端200向信息处理服务器100发送病虫害发生信息（步骤s504）。具体而言，通信部230向信息处理服务器100发送基于用户的操作由操作输入部210生成的病虫害发生信息。

信息处理服务器100使用接收的信息来进行病虫害发生判定模型的机器学习（步骤s505）。具体而言，通信部110使从信息处理终端200、传感器节点300和气象信息服务器400接收的栽培信息存储在存储部120中。然后，机器学习部131使用存储的栽培信息来进行病虫害发生判定模型的机器学习。再有，对细节进行后述。

进而，气象信息服务器400向信息处理服务器100发送气象预报信息（步骤s506）。具体而言，气象信息服务器400根据信息处理服务器100的请求或定期地向信息处理服务器100发送将来的气象信息。

信息处理服务器100使用病虫害发生判定模型来进行针对病虫害发生的预测（步骤s507）。具体而言，病虫害发生判定部132当气象预报信息被接收时向病虫害发生判定模型输入已经存储的气象信息以外的栽培信息和气象预报信息。然后，病虫害发生判定部132使从病虫害发生判定模型输出的病虫害发生判定结果存储在存储部120中。再有，对细节进行后述。

信息处理终端200向信息处理服务器100发送针对病虫害发生预测的提供请求信息（步骤s508）。具体而言，通信部230向信息处理服务器100发送基于用户的操作由操作输入部210生成的针对病虫害发生预测所涉及的显示信息的提供请求信息。

信息处理服务器100向信息处理终端200发送显示信息来作为向接收的提供请求信息的响应（步骤s509）。具体而言，显示信息分发控制部133当由通信部110接收到提供请求信息时，根据在存储部120中存储的病虫害发生判定结果生成显示信息。然后，显示信息分发控制部133使通信部110向信息处理终端200发送生成的显示信息。

信息处理终端200基于接收的显示信息来显示病虫害发生预测信息（步骤s510）。具体而言，控制部220根据由通信部230接收的显示信息生成图像信息，将生成的图像信息提供给显示部240。显示部240基于提供的图像信息来显示病虫害发生判定结果画面。

（机器学习处理）

接下来，参照图7来对信息处理服务器100的机器学习处理的流程详细地进行说明。图7是概念性地示出本发明的一个实施方式的信息处理服务器100的机器学习处理的例子的流程图。

信息处理服务器100取得栽培信息和病虫害发生信息（步骤s601）。具体而言，机器学习部131取得在存储部120中蓄积的栽培信息和病虫害发生信息。

此外，信息处理服务器100取得现有的病虫害发生判定模型（步骤s602）。具体而言，机器学习部131取得在存储部120中存储的病虫害发生判定模型。

接着，信息处理服务器100使用栽培信息和病虫害发生信息来更新病虫害发生判定模型（步骤s603）。具体而言，机器学习部131选择多个机器学习模型之中的1个，使用选择的机器学习模型和病虫害发生信息以及与该病虫害发生信息对应的栽培信息来进行病虫害发生判定模型的机器学习。

接着，信息处理服务器100计算更新后的病虫害发生判定模型的正确性（步骤s604）。具体而言，机器学习部131将测试用输入数据输入到由机器学习得到的新的病虫害发生判定模型中，将输出的值与测试用输出数据比较，由此，计算模型的正确性。再有，上述的机器学习模型为现有的机器学习模型之中的、能够利用于病虫害发生判定模型的机器学习的模型的哪一个都可以。例如，机器学习模型也可以为使用了逻辑回归（logisticregression）、支持向量机（supportvectormachine）、随机森林（randomforest）或者邻元法（neighborhoodmethod）等分类手法、深度学习等神经网络或贝叶斯网络（bayesiannetwork）等的、计算模型。

在计算值为阈值以上的情况下（步骤s605/是），信息处理服务器100存储更新后的病虫害发生判定模型（步骤s606）。具体而言，机器学习部131在计算出的正确性为阈值以上的情况下使新的病虫害发生判定模型存储在存储部120中。再有，在计算值为不足阈值的情况下（步骤s605/否），将处理返回到步骤s603。

（病虫害发生判定处理）

接下来，参照图8来对信息处理服务器100的病虫害发生判定处理的流程详细地进行说明。图8是概念性地示出本发明的一个实施方式的信息处理服务器100的病虫害发生判定处理的例子的流程图。

信息处理服务器100设定针对病虫害发生判定的参数（步骤s701）。具体而言，病虫害发生判定部132设定栽培地、作物名、病虫害名和预测期间。再有，设定的参数既可以为上述以外的参数也可以追加或删除参数。

接着，信息处理服务器100取得根据参数特别指定的期间的栽培信息（步骤s702）。具体而言，病虫害发生判定部132分别取得在设定的预测期间的设定的栽培地、作物名和病虫害名所对应的栽培信息。

此外，信息处理服务器100取得病虫害发生判定模型（步骤s703）。具体而言，病虫害发生判定部132取得在存储部120中存储的病虫害发生判定模型。

接着，信息处理服务器100使用病虫害发生判定模型来生成病虫害发生预测信息（步骤s704）。具体而言，病虫害发生判定部132将取得的栽培信息输入到病虫害发生判定模型中，从病虫害发生判定模型得到病虫害发生判定结果。该病虫害发生判定结果为病虫害发生预测信息。

然后，信息处理服务器100存储生成的病虫害发生预测信息（步骤s705）。具体而言，病虫害发生判定部132使生成的病虫害发生判定结果存储在存储部120中。

＜2.3.本发明的一个实施方式的总结＞

像这样，根据本发明的一个实施方式，信息处理服务器100基于病虫害发生信息和与该病虫害发生信息对应的作物的栽培信息来进行将栽培信息作为输入的病虫害发生判定模型的机器学习，输出与由该机器学习得到的病虫害发生判定模型有关的信息。因此，能够使信息处理服务器100自主地更新病虫害发生判定模型。由此，人不用直接涉及到病虫害发生判定模型的改善，能够减少模型的改善所花费的时间和费用。因此，能够一边抑制成本一边提高针对病虫害发生的判定的正确性。

此外，信息处理服务器100针对特定的栽培信息进行上述病虫害发生判定模型的机器学习。因此，能够学习针对病虫害发生的、该特定的栽培信息的特性。因此，能够实现与该特性对应的药剂喷洒等病虫害对策，能够实现有效的病虫害抑制。

此外，上述特定的栽培信息包括示出病虫害的种类或栽培地的信息。一般，病虫害的发生原因根据病虫害的种类而不同，此外，预防或治疗用的药剂也根据病虫害的种类而不同。另一方面，根据本结构，通过根据病虫害的种类来进行病虫害发生判定模型的机器学习，从而能够按病虫害的每个种类把握病虫害的发生危险度。因此，能够使适于喷洒的药剂的特别指定容易。此外，一般，由传感器节点300等取得的信息只不过是关于栽培地的信息的一部分。另一方面，根据本结构，通过根据栽培地来进行病虫害发生判定模型的机器学习，从而能够按每个栽培地把握病虫害的发生危险度。因此，能够从取得的栽培信息把握难以把握的针对病虫害的栽培地的特性。

此外，上述病虫害发生信息包括示出病虫害的发生时间点的信息，信息处理服务器100基于根据该病虫害的发生时间点特别指定的时间点的栽培信息来进行上述病虫害发生判定模型的机器学习。在此，病虫害的发生时间点处的栽培信息未必与病虫害的发生主要原因链接。因此，通过使用另外的时间点处的栽培信息来进行机器学习，从而能够更正确地把握应喷洒药剂的时间点。

此外，根据上述病虫害的发生时间点特别指定的时间点包括从病虫害的发生时间点起回溯规定的时间后的时间点。因此，在机器学习中使用与病虫害的发生有关的过去的栽培信息，由此，能够把握在当前的病虫害的发生危险度。因此，能够预防病虫害的发生。

此外，上述病虫害包括传染病，从上述病虫害的发生时间点起回溯规定的时间后的时间点包括从传染病的发病时间点起回溯该传染病的潜伏期间后的时间点。因此，通过使用估计的感染时间点的栽培信息来进行机器学习，从而能够把握在当前的传染病的感染危险度。因此，能够防止传染病的感染本身，能够更可靠地预防传染病的发病。

此外，与上述病虫害发生判定模型有关的信息包括使用上述病虫害发生判定模型而生成的第1信息。因此，能够向用户出示病虫害发生判定模型的输出结果或基于该输出结果的信息来作为第1信息。特别地，在经由通信提供第1信息的情况下，能够不管用户的位置都出示第1信息。再有，与病虫害发生判定模型有关的信息也可以为病虫害发生判定模型本身。例如，信息处理服务器100将由机器学习得到的病虫害发生判定模型分发给另外的装置，使用该另外的装置来进行病虫害发生判定处理也可。

此外，向上述病虫害发生判定模型输入的栽培信息包括预测的栽培信息。信息处理终端200取得基于预测的栽培信息的病虫害发生判定结果，控制取得的病虫害发生判定结果的输出。因此，通过使用将来的栽培信息来进行病虫害发生判定，从而能够计算在将来的病虫害的发生危险度。因此，根据在将来的病虫害的发生危险度，用户能够事先预定药剂喷洒等作业。特别地，农家的作业一般是大规模的，因此，能够事先设想作业是有意义的。

此外，信息处理服务器100还输出针对上述第1信息的显示信息。因此，用户能够视觉上把握病虫害发生判定结果。能够通过视觉把握的信息量比其他的感觉多，因此，用户能够一次把握更多的信息。再有，也可以代替显示信息或与其一起输出声音信息。

此外，上述显示信息包括时间序列的上述第1信息。因此，对显示画面进行阅览的用户不仅能够把握病虫害的发生危险度本身还能够把握发生危险度的增减的趋势等。因此，能够更正确地判断是否需要药剂喷洒的作业等。

此外，上述显示信息包括病虫害的每个种类的前述第1信息。因此，用户仅通过阅览显示画面就能够判断按每种病虫害应进行的作业。因此，用户不用进行病虫害的分析，能够减轻用户的作业负担。

此外，上述显示信息还具有与显示的上述第1信息对应的栽培信息。因此，能够在不使用另外的装置或画面的情况下确认栽培信息。因此，能够省略操作的工夫或追加的装置，能够提高用户的便利性。

此外，上述栽培信息包括作物的栽培地的信息、栽培的作物的信息、病虫害信息和针对病虫害的药剂信息之中的至少1个。因此，通过使用与许多作物有关的信息来进行病虫害发生判定模型的机器学习，从而能够提高病虫害发生判定模型的正确性。此外，由于信息量增加，所以，也提高时间或费用等成本的减少效果。

此外，上述栽培信息除了作物信息、栽培地信息、病虫害信息、药剂信息、栽培地观测信息和气象信息以外还包括栽培条件的信息也可。栽培条件的信息包括例如定植日、开花开始日、收获开始日、收获结束日、苗或株等的栽植密度或栽培方式的信息。栽培信息包括栽培条件的信息，由此，能够提高病虫害的发生预测的精度。

例如，作为主要的病害的灰霉病从枯死的组织侵入到植物体，因此，从枯死组织较少的定植日到开花日的期间的发病的可能性较低。另一方面，从发生了花瓣或下位叶的枯死的收获开始日到收获结束日的期间的发病的可能性提高。因此，基于定植日、开花开始日、收获开始日或收获结束日的信息来设定栽培阶段对于病虫害发生预测是有意义的。将从收获开始日到收获结束日的期间分割为果实的成熟期和收获后期也可。

此外，关于栽植密度，随着栽植密度变高而容易产生群落内的日照不足或换气不足，对植物体的生长或周边环境造成影响，因此，发病的可能性发生变化。因此，对栽植密度进行分组对于病虫害发生预测是有意义的。例如，也可以以2000~2200株/10a的栽植密度为中心按每正负200株/10a进行分类。

此外，对于栽培方式，存在土培栽培或营养液栽培、营养液土培、薄膜水培、泛溢型水培等，由于各自使用的培养基的不同，在病虫害的发生有无和程度产生差。例如，在土培中，土壤传染性病害或线虫害的发生风险变高，在泛溢型水培中，培养液传染性病害的发生风险变高。因此，对栽培方式进行分类对于病虫害发生预测是有意义的。例如，对土培或水培进行分类，水培还可以分类为泛溢型或固体培养基型。

＜2.4.变形例＞

以上，对本发明的一个实施方式进行了说明。再有，本发明的一个实施方式不限定于上述的例子。在以下，对本发明的一个实施方式的变形例进行说明。

作为本发明的一个实施方式的变形例，信息处理系统1也可以基于病虫害发生判定结果来进行向用户的建议。具体而言，信息处理服务器100基于病虫害发生判定模型的输出结果来生成药剂喷洒信息，向信息处理终端200发送基于该药剂喷洒信息的显示信息。例如，病虫害发生判定部132当病虫害发生判定处理结束时，使用病虫害发生判定结果来生成药剂喷洒信息。作为药剂喷洒信息，存在示出推荐的喷洒药剂的种类、药剂的喷洒定时或喷洒的推荐的程度的信息等。参照图9来对本变形例的处理详细地进行说明。图9是概念性地示出本发明的一个实施方式的变形例的信息处理服务器100的病虫害发生判定处理的例子的流程图。再有，关于与参照图8说明的处理实质上相同的处理，省略说明。

信息处理服务器100设定针对病虫害发生判定的参数（步骤s801），取得根据参数特别指定的期间的栽培信息和病虫害发生判定模型（步骤s802、s803）。

接着，信息处理服务器100使用病虫害发生判定模型来生成病虫害发生预测信息（步骤s804）。

接着，信息处理服务器100基于病虫害发生预测信息来生成药剂喷洒信息（步骤s805）。具体而言，病虫害发生判定部132基于作为生成的病虫害发生预测信息的将来的病虫害的发生危险度来生成示出推荐喷洒的药剂、推荐的喷洒定时或喷洒的推荐的程度（以下，也称为推荐度。）的药剂喷洒信息。例如，病虫害发生判定部132针对发生危险度比阈值高的病虫害所对应的药剂的种类而生成药剂喷洒信息，或者生成发生危险度越高则推荐度越高的药剂喷洒信息。

然后，信息处理服务器100存储生成的病虫害发生预测信息和药剂喷洒信息（步骤s806）。具体而言，病虫害发生判定部132使生成的病虫害发生判定结果和药剂喷洒信息对应起来存储在存储部120中。

进而，参照图10来对由信息处理终端200显示的基于药剂喷洒信息的画面进行说明。图10是示出由本发明的一个实施方式的变形例的信息处理终端200显示的药剂效果出示画面的例子的图。

（药剂效果出示画面）

显示部240基于由控制部220生成的图像信息来显示药剂效果出示画面。例如，作为使用药剂注册画面，存在图10所示那样的、以表形式显示注册的全部药剂的效果的画面img6、以及强调显示关于推荐喷洒的药剂的信息的画面img7。在画面img6中，沿行方向排列药剂，沿列方向排列病虫害，以图表的方式显示针对病虫害的药剂的效果。作为药剂的效果，存在预防效果和治疗效果。再有，也可以仅显示预防效果和治疗效果之中的任一个。

当选择在画面img6中显示的推荐列表这样的标签（tab）时，显示画面被向画面img7切换。在画面img7中，显示与画面img6相同的表，但是，强调显示推荐喷洒的药剂的行。例如，在画面img7中，较淡地显示药剂5以外的药剂的行，由此，相对地强调药剂5的行。当然，也可以选择其他的强调显示的手法。例如，也可以用框包围推荐喷洒的药剂的行，或者将该药剂的行的颜色变更为与其他的药剂的行不同的颜色。

再有，在上述中，说明了向用户出示推荐喷洒的药剂的例子，但是，也可以向用户出示推荐的药剂的喷洒定时。例如，代替上述的病虫害发生判定结果画面中的、示出喷洒药剂的残效的程度的时间序列的变化的图表或与其一起针对推荐的喷洒日显示推荐喷洒的药剂名。

进而，也可以向用户出示喷洒的推荐的程度。例如，在上述的画面img7中根据推荐的程度来控制推荐喷洒的药剂的强调显示的程度。此外，例如，也可以在上述的病虫害发生判定结果画面中追加显示示出药剂喷洒的推荐的程度的对象（object），利用对象的颜色、亮度、形状或大小等表现药剂喷洒的推荐的程度。

像这样，根据本发明的一个实施方式的变形例，上述的第1信息包括基于病虫害发生判定模型的输出结果而生成的药剂喷洒信息。因此，能够支援与发生危险度所对应的药剂喷洒有关的用户的研究。因此，能够通过抑制药剂喷洒的过与不足来进行药剂所花费的费用的减少和向环境保护的贡献。在用户不太具有农业的见解的情况下，该结构是特别有意义的。

此外，药剂喷洒信息包括示出推荐的喷洒药剂或者药剂的喷洒定时或喷洒的推荐的程度的信息。因此，能够通过向用户出示关于药剂喷洒的推荐的具体的信息来抑制错误的或不高效率的药剂喷洒。因此，能够对上述那样的药剂所花费的费用的减少和环境保护进一步作出贡献。

＜3.本发明的其他的实施方式＞

接着，对本发明的其他的实施方式的信息处理系统1a进行说明。在本实施方式中，能够根据气象信息计算规定的环境指标，将这样的环境指标的时间序列数据中的代表值输入到病虫害发生判定模型中。具体而言，根据气象信息计算出的环境指标的时间序列数据中的代表值能够被用于病虫害发生判定模型的机器学习或使用了病虫害发生模型的针对病虫害发生的判定。

＜3.1.系统的结构＞

图11是示出本发明的其他的实施方式的信息处理系统1a的概略性的功能结构的例子的框图。图11所示的信息处理终端200、传感器节点300和气象信息服务器400的结构和功能与图2所示的对应的各结构要素的结构和功能相同，因此，省略说明。

本实施方式的信息处理服务器100a作为信息处理装置进行工作，具备通信部110、存储部120和控制部130a。通信部110和存储部120的功能与上述实施方式相同，因此，省略说明。

控制部130a如图11所示那样具备机器学习部131、病虫害发生判定部132、显示信息分发控制部133和事先处理部134。在此，主要对事先处理部134的功能进行说明。

事先处理部134根据作为栽培信息的栽培地观测信息或气象信息（有时总称为观测信息）计算环境指标。具体而言，事先处理部134根据观测信息使用在农学等领域中经常使用的计算式等来计算与栽培环境关联的环境指标。

作为这样的环境指标，可举出例如饱和差（saturationdeficit）、露点温度、以及露点温度与气温的差等。此外，作为用于计算这样的环境指标的观测信息，可举出例如示出气温、相对湿度、日照量、雨量、二氧化碳或土壤水分量的信息等。

此外，事先处理部134输出计算出的环境指标的时间序列数据的代表值。具体而言，事先处理部134取得在规定期间内按时间序列取得的环境指标所涉及的数据的分布，输出针对这样的分布的代表值。

作为这样的代表值，例如为百分比的值（percentilevalue）也可。例如，事先处理部134也可以按升序或降序重新排列在规定期间内按时间序列取得的、根据观测信息计算出的环境指标的时间序列数据，输出重新排列后的数据的规定的百分比的值。于是，例如，当假设在规定期间的饱和差的时间序列数据的50百分比的值（中央值）为3.21时，已知在该规定期间内饱和差为3.21以下的时间是该规定期间半数的时间。能够将这样的环境指标用作病虫害发生判定模型的输入值之一。

此外，作为这样的代表值，例如也可以各种使用最小值、最大值、平均值、最频值、方差或标准偏差等统计学上的代表值。能够根据参数的特性或时间序列变化的趋势等适当设定用作病虫害发生判定模型的输入值的、代表值的种类。

此外，针对环境指标的时间序列数据的取得对象期间即上述规定期间的设定，不特别限定。规定期间也可以例如为前后几日期间。能够根据病虫害的感染举动或发生举动、药剂的药效举动等适当设定这样的规定期间。

事先处理部134将计算出的环境指标的时间序列数据的代表值向机器学习部131输出。在该情况下，机器学习部131能够将这样的代表值作为输入值来进行病虫害发生判定模型的机器学习。

此外，事先处理部134将计算出的环境指标的时间序列数据的代表值向病虫害发生判定部132输出。在该情况下，病虫害发生判定部132能够将这样的代表值输入到病虫害发生判定模型中，从该病虫害发生判定模型输出病虫害发生判定结果，将该病虫害发生判定结果提供给显示信息分发控制部133。

＜3.2.系统的处理＞

接着，对信息处理服务器100a的机器学习处理的流程详细地进行说明。

（机器学习处理）

图12是概念性地示出本发明的其他的实施方式的信息处理服务器100a的机器学习处理的例子的流程图。

信息处理服务器100a取得栽培信息和病虫害发生信息（步骤s901）。具体而言，机器学习部131取得在存储部120中蓄积的栽培信息（例如，包括气象信息或栽培地观测信息）和病虫害发生信息。

此外，信息处理服务器100a根据观测信息计算环境指标，输出计算出的环境指标的时间序列数据中的代表值（步骤s902）。具体而言，事先处理部134根据取得的包括气象信息或栽培地观测信息的观测信息计算环境指标，将计算出的环境指标的时间序列数据的代表值向机器学习部131输出。

接着，信息处理服务器100a取得现有的病虫害发生判定模型（步骤s903）。具体而言，机器学习部131取得在存储部120中存储的病虫害发生模型。

接着，信息处理服务器100a使用栽培信息和病虫害发生信息来更新病虫害发生判定模型（步骤s904）。具体而言，机器学习部131选择多个机器学习模型之中的1个，使用选择的机器学习模型以及病虫害发生信息和与该病虫害发生信息对应的栽培信息来进行病虫害发生判定模型的机器学习。再有，本实施方式的机器学习部131在该机器学习中使用根据观测信息计算的环境指标的时间序列数据中的代表值来作为输入值。

接着，信息处理服务器100a计算更新后的病虫害发生判定模型的正确性（步骤s905）。具体而言，机器学习部131将测试用输入数据输入到由机器学习得到的新的病虫害发生判定模型，将输出的值与测试用输出数据比较，由此，计算模型的正确性。再有，上述的机器学习模型为现有的机器学习模型之中的、能够利用于病虫害发生判定模型的机器学习的模型的哪一个都可以。例如，机器学习模型也可以为使用了逻辑回归、支持向量机、随机森林或者邻元法等分类手法、深度学习等神经网络或贝叶斯网络等的、计算模型。

在计算值为阈值以上的情况下（步骤s906/是），信息处理服务器100a存储更新后的病虫害发生判定模型（步骤s907）。具体而言，机器学习部131在计算出的正确性为阈值以上的情况下使新的病虫害发生判定模型存储在存储部120中。再有，在计算值为不足阈值的情况下（步骤s906/否），将处理返回到步骤s904。

（病虫害发生判定处理）

接下来，参照图13来对信息处理服务器100a的病虫害发生判定处理的流程详细地进行说明。图13是概念性地示出本发明的其他的实施方式的信息处理服务器100a的病虫害发生判定处理的例子的流程图。

信息处理服务器100a设定针对病虫害发生判定的参数（步骤s1001）。具体而言，病虫害发生判定部132设定栽培地、作物名、病虫害名和预测期间。再有，设定的参数既可以为上述以外的参数也可以追加或删除参数。

接着，信息处理服务器100a取得根据参数特别指定的期间的栽培信息（步骤s1002）。具体而言，病虫害发生判定部132分别取得在设定的预测期间的设定的栽培地、作物名和病虫害名所对应的栽培信息（例如，包括气象信息或栽培地观测信息）。

此外，信息处理服务器100a根据观测信息计算环境指标，输出计算出的环境指标的时间序列数据中的代表值（步骤s1003）。具体而言，事先处理部134根据取得的包括气象信息或栽培地观测信息的观测信息计算环境指标，将计算出的环境指标的时间序列数据的代表值向病虫害发生判定部132输出。

接着，信息处理服务器100a取得病虫害发生判定模型（步骤s1004）。具体而言，病虫害发生判定部132取得在存储部120中存储的病虫害发生判定模型。

接着，信息处理服务器100a使用病虫害发生判定模型来生成病虫害发生预测信息（步骤s1005）。具体而言，病虫害发生判定部132将取得的栽培信息输入到病虫害发生判定模型中，从病虫害发生判定模型得到病虫害发生判定结果。该病虫害发生判定结果为病虫害发生预测信息。再有，本实施方式的病虫害发生判定部132在该病虫害发生预测信息的生成中使用根据观测信息计算出的环境指标的时间序列数据中的代表值来作为输入值。

然后，信息处理服务器100a存储生成的病虫害发生预测信息（步骤s1006）。具体而言，病虫害发生判定部132使生成的病虫害发生判定结果存储在存储部120中。

＜3.3.总结＞

像这样，根据本发明的其他的实施方式，信息处理服务器100a在机器学习和病虫害发生判定结果的生成中根据气象信息或栽培地观测信息计算环境指标，使用这样的环境指标的时间序列数据的代表值。即，信息处理服务器100使用这样的环境指标的时间序列数据的代表值来作为病虫害发生判定模型的输入值。环境指标是用于把握作物的栽培环境的重要的指标。因此，在病虫害发生判定模型的构筑中，利用更丰富多彩并且反映了栽培环境的参数。因此，病虫害发生判定模型的精度提高，因此，能够提高针对病虫害发生的判定的正确性。

此外，通过使用环境指标的时间序列数据的代表值，从而不会人为地设定阈值等，因此，人不用直接涉及到病虫害发生判定模型的改善。因此，能够减少模型的改善所花费的时间和费用，并且，能够进行更正确的分析和预测。

再有，在本实施方式中，说明了信息处理服务器100a除了上述的观测信息之外还将环境指标的时间序列数据中的代表值用作病虫害发生判定模型的输入值的例子，但是，本发明不限定于这样的例子。例如，信息处理服务器100a也可以代替上述的观测信息而使用环境指标的时间序列数据中的代表值来作为病虫害发生判定模型的输入值。在这样的情况下，反映作物的栽培环境的参数也被用作病虫害发生判定模型的输入值。因此，病虫害发生判定模型的精度提高，因此，能够提高针对病虫害发生的判定的正确性。此外，例如，信息处理服务器100a也可以将环境指标的值本身用作病虫害发生判定模型的输入值。在该情况下，反映作物的栽培环境的参数也被用作病虫害发生判定模型的输入值。

此外，例如，信息处理服务器100a也可以将观测信息的时间序列数据中的代表值用作病虫害发生判定模型的输入值。具体而言，机器学习部131也可以取得观测信息（例如，气温、相对湿度等）的时间序列数据，将这样的时间序列数据中的代表值（例如，百分比的值等）用于病虫害发生判定模型的机器学习。在该情况下，也能够将观测信息的时间序列变化的模式等用作病虫害发生判定模型的输入值。因此，能够进行更正确的分析和预测。

＜3.4.变形例＞

以上，对本发明的其他的实施方式进行了说明。再有，本发明的其他的实施方式不限定于上述的例子。在以下，对本发明的其他的实施方式的变形例进行说明。

对于自然条件，在一天之中混用对于成为目标的病虫害而言比较优选的条件和不优选的条件。因此，例如，使用取得的观测信息的一天的平均值从生物的实际状态偏离。例如，虽然生长合适温度为15~25℃的生物在被置于昼间气温40℃、夜间气温0℃的环境下的情况下理应不会生长，但是在一天的平均气温20℃的环境下进行生长。

此外，在以往农学等领域中经常使用的计算式中，需要调整许多参数而与实验结果近似，需要高度的数学。进而，有时针对一个病虫害存在多个实验结果。如在机器学习中进行的集成学习（ensemblelearning）那样，也考虑对利用多种不同的方法计算的风险评分（riskscore）的各个进行加权来使用。在该情况下，如果能够简易地构筑病虫害发生模型来计算风险评分，则是有意义的。

相对于此，在本发明的其他的实施方式的变形例中，信息处理系统1也可以在进行使用了病虫害发生模型的、针对病虫害发生的判定时，将更结合现实的病虫害发生的风险评分与上述的环境指标的时间序列数据的代表值一起使用。具体而言，事先处理部134也可以计算由上述的百分比的值例示的环境指标的时间序列数据的代表值以及基于以短的间隔取得的观测信息来计算结合现实的病虫害发生的风险评分。

本发明的其他的实施方式的变形例的信息处理系统的概略性的功能结构与图11所示的其他的实施方式的信息处理系统1a的功能结构基本上相同，另一方面，事先处理部134和病虫害发生判定部132的功能不同。在此，主要对信息处理服务器100a的控制部130a的一个功能结构即事先处理部134的功能进行说明。以下，说明计算考虑了病虫害的生长合适温度的风险评分的例子。

作为风险评分计算方法的第1例，事先处理部134也可以使用预先构筑的风险评分计算模型来计算风险评分。例如对由实验得到的温度和风险评分的组合进行利用平滑化函数的近似来构筑风险评分计算模型也可。作为平滑化函数，例如也可以使用由多项式的应用造成的平滑化、核函数、样条函数、移动直线平滑化、弗里德曼的超平滑法、利用移动中央值的平滑化、加法模型等。事先处理部134使用这样的风险评分计算模型来基于以例如10分钟或1小时等规定间隔取得的温度的信息，按每个该规定间隔计算风险评分。

此外，作为风险评分计算方法的第2例，事先处理部134也可以计算根据取得的温度对于生长是合适温度还是不合适温度而2值化后的风险评分。例如，事先处理部134使以规定间隔取得的温度为生长合适温度或可生长温度的情况下的风险评分为1，使取得的温度为生长不合适温度或不可生长温度的情况下的风险评分为0，按每个该规定间隔计算风险评分。

事先处理部134使用按10分钟或1小时等每个规定间隔取得的观测信息来计算各个观测时刻的环境指标和风险评分。此外，事先处理部134也可以提取计算出的风险评分之中的、满足例如根据环境指标估计的叶面的湿润的有无等规定条件的时刻的风险评分，按每个规定期间计算风险评分的平均值或累计值。进而，事先处理部134也可以将计算出的风险评分的平均值或累计值分类为病虫害发生的风险的低中高。像这样求取的风险评分的平均值或累计值能够用作病虫害发生判定模型的输入值之一。

求取各个风险评分的时刻的间隔不特别限定。例如，也可以以气温的变化不超过规定的温度的程度的时间间隔求取各个风险评分。此外，对于求取风险评分的平均值或累计值的规定期间的设定，不特别限定。例如，能够适当设定一天或半天等。

此外，事先处理部134将计算出的风险评分和风险评分的平均值或累计值与上述的环境指标的时间序列数据的代表值一起向病虫害发生判定部132输出。在该情况下，病虫害发生判定部132能够将这样的代表值和风险评分的值输入到病虫害发生判定模型中，从该病虫害发生判定模型输出病虫害发生判定结果，将该病虫害发生判定结果提供给显示信息分发控制部133。

接下来，对信息处理服务器100a的病虫害发生判定处理的流程详细地进行说明。本发明的其他的实施方式的变形例的信息处理服务器100a的病虫害发生判定处理的流程与图13所示的本发明的其他的实施方式的病虫害发生判定处理的流程图基本上相同。但是，在使用环境指标的时间序列数据的代表值以及风险评分的值的方面与本发明的其他的实施方式的病虫害发生判定处理不同。

具体而言，在步骤s1003中，信息处理服务器100a根据观测信息计算环境指标，计算所计算出的环境指标的时间序列数据中的代表值。此外，信息处理服务器100a根据观测信息和环境指标按每个规定的时间间隔计算风险评分，计算每个规定期间的风险评分的平均值或累计值。信息处理服务器100a将计算出的风险评分和风险评分的平均值或累计值与计算出的环境指标的时间序列数据中的代表值一起输出。

此外，在步骤s1005中，信息处理服务器100a在生成病虫害发生预测信息时将风险评分和风险评分的平均值或累计值与根据观测信息计算出的环境指标的时间序列数据中的代表值一起使用来作为输入值。

像这样，根据本发明的其他的实施方式的变形例，生成病虫害发生预测信息时的输入值包括更结合现实的病虫害发生的风险评分的信息。因此，能够抑制生成的病虫害发生预测信息与实际的自然条件较大地偏离。此外，根据本发明的其他的实施方式的变形例，能够使用比较简易的方法计算致密的风险评分。

再有，使用了上述的风险评分的病虫害发生预测能够应用于植物或虫的生长预测。例如，代替病虫害的生长合适温度而使用植物或虫的生长合适温度来计算相当于上述的风险评分的、成长评分或成长评分的平均值或累计值，由此，能够进行植物的生长预测、农作物的产额预测、虫的成长预测或产生预测。

＜4.本发明的一个实施方式的信息处理服务器的硬件结构＞

以上，说明了本发明的实施方式。上述的信息处理服务器100的处理由软件与在以下说明的信息处理服务器100的硬件的协作实现。

图14是示出了本发明的一个实施方式的信息处理服务器100的硬件结构的说明图。如图14所示，信息处理服务器100具备：处理器141、存储器142、内部总线143、接口144、输入装置145、输出装置146、储存装置147、连接端口148、以及通信模块149。

（处理器）

处理器141作为运算处理装置和控制装置发挥作用，与各种程序协作地实现控制部130（机器学习部131、病虫害发生判定部132、显示信息分发控制部133）的功能。处理器141通过使用控制电路来执行在存储器142或储存装置147等其他的存储介质中存储的程序，从而使信息处理服务器100的各种逻辑的功能工作。例如，处理器141能够是cpu（centralprocessingunit，中央处理单元）或gpu（graphicsprocessingunit，图形处理单元）。再有，处理器141也可以为微处理器。

（存储器）

存储器142存储处理器141使用的程序或运算参数等，实现存储部120的功能。例如，存储器142包括ram（randomaccessmemory，随机存取存储器）和rom（readonlymemory，只读存储器），临时存储在处理器141的执行中使用的程序或在执行中适当变化的参数等。再有，也可以经由连接端口148或通信模块149等将外部的储存装置用作存储器142的一部分。

再有，通过具备cpu总线等的内部总线143将处理器141和存储器142彼此连接。此外，接口144将内部总线143与输入装置145、输出装置146、储存装置147、连接端口148和通信模块149连接。

（输入装置）

输入装置145具备用于输入信息的输入单元、以及基于输入生成输入信号并且将该输入信号向处理器141输出的输入控制电路，实现操作部的功能。例如，作为该输入单元，存在按钮、开关、控制杆和麦克风等。通过操作输入装置145，从而对信息处理服务器100输入各种数据或者指示处理工作。

（输出装置）

输出装置146基于输出信号来输出声音或光等，实现输出部的功能。例如，输出装置146包括扬声器和耳机等声音输出装置、以及使用了led（lightemittingdiode，发光二极管）等的灯、液晶显示器（lcd：liquidcrystaldisplay）装置、oled（organiclightemittingdiode，有机发光二极管）装置和投影仪装置等显示装置。

（储存装置）

储存装置147是数据储存用的装置。储存装置147也可以包括存储介质、在存储介质中记录数据的记录装置、从存储介质读出数据的读出装置和将在存储介质中记录的数据删除的删除装置等。储存装置147储存处理器141执行的程序或各种数据。

（连接端口）

连接端口148是用于将设备直接连接于信息处理服务器100的端口。例如，连接端口148也可以为usb（universalserialbus，通用串行总线）端口、ieee1394端口、rs-232c端口、hdmi（注册商标）（high-definitionmultimediainterface，高清多媒体接口）端口等。通过将外部设备连接于连接端口148，从而也可以在信息处理服务器100与该外部设备之间交换数据。

（通信模块）

通信模块149是用于连接于网络的通信设备，实现通信部110的功能。例如，通信模块149既可以为无线lan（localareanetwork，局域网）对应通信设备也可以为3g或lte对应通信设备。此外，通信模块149也可以为进行利用有线的通信的、线通信对应设备。

＜4.结尾＞

以上，根据本发明的一个实施方式，能够使信息处理服务器100自主地更新病虫害发生判定模型。由此，人不用直接涉及到病虫害发生判定模型的改善，能够减少模型的改善所花费的时间和费用。因此，能够一边抑制成本一边提高针对病虫害发生的判定的正确性。

以上，一边参照附图一边详细地说明了本发明的优选的实施方式，但是，本发明不限定于这样的例子。只要是本发明所属的技术领域中的具有通常的知识的人，则显然能够在权利要求书所记载的技术的思想的范畴内想到各种变更例或修正例，了解到关于这些也当然属于本发明的技术的范围。

例如，在上述实施方式中，假设了从信息处理服务器100发送病虫害发生判定结果或根据该病虫害发生判定结果生成的显示信息，但是，本发明不限定于这样的例子。例如，信息处理服务器100也可以向外部的装置发送由机器学习得到的病虫害发生判定模型。在该情况下，在该外部的装置中进行病虫害发生判定处理，向信息处理终端200发送病虫害发生判定结果等信息。

此外，也可以不根据用户的操作而自动地生成在上述实施方式中说明为由操作输入部210生成的信息。例如，也可以使用从摄像传感器和水分传感器（moisturecontentsensor）等传感器得到的信息来生成病虫害发生信息。

此外，在上述实施方式中说明的各信息为定量的信息或定性的信息哪一个都可以。

此外，在上述实施方式中，说明了在来自信息处理终端200的信息提供的请求前执行病虫害发生判定处理的例子，但是，也可以根据该信息提供的请求执行病虫害发生判定处理。

此外，在上述实施方式中，说明了向用户出示病虫害发生判定结果的例子，但是，也可以进行基于病虫害发生判定结果的向用户的通知。例如，信息处理服务器100根据计算出的传染病的感染危险度而向信息处理终端200发送示出存在感染的可能性的意思的警报信息。信息处理终端200当接收到该警报信息时，使用声音或振动等来向用户通知该警报信息的接收，显示示出存在感染的可能性的意思的图像。

此外，上述的实施方式的流程图所示的步骤当然包括沿记载的顺序按时间序列进行的处理，也包括未必按时间序列处理而并列地或个别地执行的处理。此外，在按时间序列处理的步骤中，当然也能够根据情况而适当变更顺序。

此外，还能够制作计算机程序，所述计算机程序用于使内置于信息处理服务器100的硬件发挥与上述的信息处理服务器100的各功能结构同等的功能。此外，还提供了存储有该计算机程序的存储介质。

附图标记的说明

100、100a信息处理服务器

110通信部

120存储部

130控制部

131机器学习部

132病虫害发生判定部

133显示信息分发控制部

134事先处理部

200信息处理终端

210操作输入部

220控制部

230通信部

240显示部

300传感器节点

400气象信息服务器。