# 研究テーマ：ワイン適地に関する研究（テロワール研究）
## 目次
第1章 はじめに
1-1 研究の背景
1-2 研究目的
1-3
1-4
第2章 研究方法
2-1 シャイト・ヴィンヤードの活用方法
2-2 統計学(pythonコード)
2-3 ドローンワインプロジェクト
2-4 主成分分析
第3章 ワイン生産適地に関する現状
3-1 ワインに適して気候
3-2 ワイン生産の一年の流れ
第4章 必要なデータ
第5章 途中過程
第6章 集めた論文
第6章
第7章 GISによる地力の空間分析・管理
7‐1 周辺環境との関係評価
7-2 管理方法
第8章 おわりに
謝辞
参考文献
---
## 第1章 はじめに
## 第2章 研究方法
2-1 シャイト・ヴィンヤードにおけるGISの活用方法
https://www.esrij.com/industries/case-studies/44146/
農業機械追跡システム
生産高の管理
地質データベースの活用
水分量のモニタリング
病害虫対策
栽培方法管理
など総合型GISがワイン造りに役立てられている
（2013年）
2-2 統計学(pythonコード)
https://www.stat.go.jp/teacher/comp-learn-04.html
主成分分析のpythonコードなどが載ってる
（総務省統計局、2020年）
2-3 ドローンワインプロジェクト
https://www.jacom.or.jp/ryutsu/news/2022/04/220418-58291.php
ドローンとAIを用いることで栽培の有機化を支援する技術の開発に取り組んできた
AIによる自律航行やカメラの種類と設定、解析方法
（2022年）
https://prtimes.jp/main/html/rd/p/000000012.000017083.html
AIの画像解析による作物の生育状況を判断し農業に役立てる技術は日本の有機農業発展のヒントになると期待されている（2022年）
2-4 主成分分析
https://laid-back-scientist.com/pca-imple#toc3
複数のデータの中で最も関わりの深いものを導き出す手法
URL先ではワインの味に関わる13のデータで行われている
主成分分析を行って2次元へと次元圧縮をし、データの可視化を行う
データの標準化のために、データの分散共分散行列を求めその行列の固有ベクトルを計算する必要がある
import numpy as np
#分散共分散行列の作成
cov_mat = np.cov(X_std.T)
#分散共分散行列の固有値、固有ベクトルを作成
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)
#固有値、固有ベクトルのペアを作成
eigen_pairs = [(np.abs(eigen_vals[i]), eigen_vecs[:,i]) for i in range(len(eigen_vals))]
#上記のペアを固有値の大きい順にソート
eigen_pairs.sort(key=lambda k: k[0], reverse=True)
w1 = eigen_pairs[0][1] # 第1主成分に対応する固有ベクトル
w2 = eigen_pairs[1][1] # 第2主成分に対応する固有ベクトル
その後次元圧縮をする
#射影行列の作成
W = np.stack([w1, w2], axis=1)
#次元圧縮 (13次元 -> 2次元)
X_pca = X_std @ W
プロットする方法
#データの可視化
import matplotlib.pyplot as plt
colors = ['#de3838', '#007bc3', '#ffd12a'] # 緋色、露草色、山吹色
markers = ['o', 'x', ',']
for l, c, m, in zip(np.unique(y), colors, markers):
plt.scatter(X_pca[y==l, 0], X_pca[y==l, 1],
c=c, marker=m, label=l)
plt.xlabel('PC 1')
plt.ylabel('PC 2')
plt.legend()
plt.show()
またscikit-learnを用いた主成分分析が楽である
#PCAライブラリをインポート
from sklearn.decomposition import PCA
#次元圧縮 (13次元 -> 2次元)
X_pca = PCA(n_components=2, random_state=42).fit_transform(X_std)
#n_componentsは圧縮後の次元数
## 第3章 ワイン生産における現状
施肥の考え方・環境保全型農業における土づくり：https://www.pref.kanagawa.jp/documents/30821/2-1.pdf
3-1 ワインに適した気候
https://enjoywine.jp/insight/9645
①大陸性気候
大陸性気候は一日の気温差が大きく、また年間の気温差も大きいです。夏は暑く、冬は寒く、はっきりとした四季があります。晴天率が高く、湿度が低いのでからっとしたドライな気候。秋になると急激に気温が下がるので、晩熟の品種には向かないようです。それから、ヴィンテージによる個性が出やすいとも言われる気候です。
代表的な産地は
ブルゴーニュ地方/フランス
ドイツ
アルゼンチン
セントラル・オタゴ/ニュージーランド
②高山性気候
標高が高いため基本的には冷涼で、一日の気温差が大きい気候です。温帯地方の2000ｍ超の場所の気候を指します。夏は短く、冬は寒さが厳しい。山の斜面を利用したぶどう栽培はたくさん日照量が確保できます。農作業するにも大変な地域の気候ですね。
代表的な産地は
ジュラ地方・サヴォワ地方/フランス
③海洋性気候
海からくる温暖な風の影響により気温差が少なく、比較的湿度が高い気候です。秋は長く穏やかで、ぶどうが十分に成熟するのを待って収穫ができるので、晩熟型のぶどう品種に適しています。年によっては収穫時期に雨やひょうに見舞われることがあるようです。
代表的な産地は
ボルドー地方/フランス
チリ
ニュージーランド
④地中海性気候
年間を通して温暖で、夏はより乾燥してカラッとしています。日射量が多く安定しており、冬は降水量が少し増えます。ぶどうの成育期間中は雨が少ないので、病害のリスクが少ないのも良いところです。
代表的な産地は
プロヴァンス地方/フランス
スペイン南部
イタリア
カリフォルニア
オーストラリア南部
3-2ワイン生産の一年の流れ
http://iewine.jp/article/4754
1～2月は休眠期
4～6月は萌芽、芽かきと呼ばれる余分な芽をとる作業が行われる
7～9月は果粒肥大・成熟の時期
9～10月は収穫の時期
3-3 地力評価の相互比較
## 第4章 必要なデータ
土壌
地質
気象
植生
標高
## 第5章 途中過程
ブドウ園のポイントデータと25mバッファーを作った
25mの理由は面積が6反より少し大きくなるので採用した
（武蔵ワイナリーの一番大きい面積が6.5反）
地質図は産総研から
植生図は生物多様性センターから
日射量はArcGISの日射量のグラフィックスから計算したものを使用
地形図は国土数値情報のDEMデータを使用
## 第6章 集めた論文（参考文献）
1ブドウ発育の温度条件に関する研究（1964年12月22日行永, 壽二郎）
https://repository.kulib.kyoto-u.ac.jp/dspace/bitstream/2433/211410/1/ynogr00068.pdf
2白ワイン用原料ブドウの品種特性（1986年8月9日山川祥秀）
https://www.jstage.jst.go.jp/article/jjshs1925/51/4/51_4_475/_pdf/-char/en
3日本のワイン用ブドウ ‘ヤマソービニオン’ の育種（2002年山川祥秀）
https://yamanashi.repo.nii.ac.jp/?action=repository_action_common_download&item_id=1582&item_no=1&attribute_id=22&file_no=1
4ドローンワインプロジェクト
https://prtimes.jp/main/html/rd/p/000000012.000017083.html
5主成分分析
https://laid-back-scientist.com/pca-imple
6arcgisのワインを地理的に考える
：http://arcg.is/29QVOkF
7因子分析
https://qiita.com/y_itoh/items/227cb33317ceb09199c2
8主成分分析と因子分析の違い
https://cogpsy.educ.kyoto-u.ac.jp/personal/Kusumi/datasem13/masuda2.pdf
9主成分分析エクセル
https://bellcurve.jp/statistics/blog/12184.html#:~:text=%E3%83%A1%E3%83%8B%E3%83%A5%E3%83%BC%E3%82%88%E3%82%8A%EF%BC%BB%E3%82%A8%E3%82%AF%E3%82%BB%E3%83%AB%E7%B5%B1%E8%A8%88%EF%BC%BD%E2%86%92,%E3%81%99%E3%82%8B%EF%BC%BD%E3%82%92%E3%82%AA%E3%83%B3%E3%81%AB%E3%81%97%E3%81%BE%E3%81%99%E3%80%82
10主成分分析エクセル2
https://bellcurve.jp/ex/function/pca.html
11
https://www.kochi-tech.ac.jp/library/ron/pdf/2012/03/11/a1130151.pdf
Sign in with Wallet
Connect another wallet