今日のアジェンダ

導入編

9. 実際のコード例 10. ケーススタディ 11. 環境構築ガイド
10. 学習リソース 13. 次のステップ

Rプログラミング言語の歴史

1993年: ニュージーランドで誕生

• ロス・イハカとロバート・ジェントルマンが開発
• 統計言語「S」をベースに改良
• R = Ross + Robert の頭文字

現在: 世界標準の統計解析ツール

• 18,000以上のパッケージ（2024年時点）
• 学術界・産業界で幅広く使用
• 完全無料のオープンソース

Rの特徴と強み

農業・環境データ分析での実績多数

Rでできること（基礎編）

データ処理ワークフロー

# CSVファイル読み込み
data <- read.csv("hydroponic_data.csv")

# 日付時刻の変換
data$datetime <- as.POSIXct(
  paste(data$日付, data$時刻)
)

# 欠損値の確認
summary(data)

# 異常値の検出
boxplot(data$温度)

# 欠損値の処理
data <- data[complete.cases(data), ]

# データ型の確認
str(data)

統計分析手法の適用

1. 記述統計による現状把握

• 各環境要因の平均値・分散・分布
• 季節・時間帯による変化パターン

2. 相関分析

• 環境要因間の相関係数計算
• 収穫量に最も影響する要因の特定

3. 回帰分析

• 収穫量予測モデルの構築
• 重要な説明変数の抽出

4. 時系列分析

• 成長曲線のモデル化
• 季節変動の分析

可視化の実例

library(ggplot2)

ggplot(data, aes(x = datetime, y = 温度)) +
  geom_line(color = "blue") +
  geom_smooth(method = "loess") +
  labs(title = "温度変化の推移",
       x = "日時", y = "温度(℃)")

library(corrplot)

# 相関行列の計算
cor_matrix <- cor(data[,3:8])

# 相関プロット作成
corrplot(cor_matrix, 
         method = "circle",
         type = "upper")

コード数行で高品質なグラフが完成

実際のコード例：収穫量予測

# パッケージの読み込み
library(dplyr)
library(ggplot2)
library(randomForest)

# データの準備
train_data <- data %>%
  filter(!is.na(収穫量)) %>%
  select(温度, 湿度, CO2, pH, EC, 光量, 収穫量)

# ランダムフォレストモデル
model <- randomForest(収穫量 ~ ., data = train_data)

# 予測精度の確認
print(model)

# 重要度の可視化
varImpPlot(model)

機械学習も数行のコードで実装可能

成功事例：トマト水耕栽培の収穫量最適化

課題

• 収穫量にバラツキが大きい（150g〜300g）
• 環境制御の基準が不明確
• データはあるが活用できていない

Rを使った分析結果

• 重要要因の特定: EC値とCO2濃度が収穫量に最も影響
• 最適条件の発見: EC 1.8-2.0, CO2 450-500ppm
• 予測精度: 85%の精度で収穫量を予測可能

成果

• 収穫量: 平均30%向上（200g → 260g）
• 安定性: バラツキが半減
• コスト削減: 無駄な資材投入を20%削減

R環境の構築手順

1. R本体のインストール

• 公式サイト: https://www.r-project.org/
• 推奨バージョン: R 4.3.0 以降
• 所要時間: 5-10分

2. RStudio のインストール

• 公式サイト: https://rstudio.com/
• 無料版で十分: RStudio Desktop
• 所要時間: 5-10分

3. 必須パッケージのインストール

install.packages(c("ggplot2", "dplyr", "readr", 
                   "lubridate", "corrplot", "randomForest"))

合計30分で分析環境が完成

よくあるトラブルと解決法

おすすめの初期設定

# 日本語対応
Sys.setlocale("LC_ALL", "ja_JP.UTF-8")

# 作業ディレクトリの設定
setwd("~/hydroponic_analysis/")

水耕栽培×R の学習計画

Week 1-2: R基礎

• R・RStudioのインストール
• 基本的なデータ操作
• 簡単なグラフ作成

Week 3-4: データ分析基礎

• CSVファイルの読み書き
• データクリーニング
• 記述統計・相関分析

Week 5-8: 応用分析

• 回帰分析・予測モデル
• 時系列分析
• 高度な可視化

Week 9-12: 実践プロジェクト

• 実際のデータで分析
• レポート作成
• 結果の解釈・活用

アクションプラン：今日から始める3ステップ

Step 1: 今週中（1-2時間）

• R・RStudioのインストール
• サンプルデータでの基本操作体験
• 簡単なグラフ作成を試す

Step 2: 来月までに（週2-3時間 × 4週）

• 基本的なデータ処理を習得
• 自分のデータでの分析開始
• 相関分析・可視化の実践

Step 3: 3ヶ月後の目標

• 収穫量予測モデルの構築
• 定期的なデータ分析レポート作成
• データに基づいた栽培改善

小さく始めて、継続的に成長

コミュニティ・サポート情報

水耕栽培×データ分析のコミュニティ

• 農業データサイエンス研究会（月1回オンライン）
• 植物工場技術者ネットワーク

一人で悩まず、コミュニティを活用