CN105787801A - 精确农业系统 - Google Patents
精确农业系统 Download PDFInfo
- Publication number
- CN105787801A CN105787801A CN201610024172.1A CN201610024172A CN105787801A CN 105787801 A CN105787801 A CN 105787801A CN 201610024172 A CN201610024172 A CN 201610024172A CN 105787801 A CN105787801 A CN 105787801A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- way
- farm
- data
- alarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims description 93
- 238000003306 harvesting Methods 0.000 claims description 26
- 238000003973 irrigation Methods 0.000 claims description 26
- 230000002262 irrigation Effects 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 22
- 238000009313 farming Methods 0.000 claims description 15
- 238000003971 tillage Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000010198 maturation time Effects 0.000 claims description 4
- 206010061217 Infestation Diseases 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 3
- 239000002917 insecticide Substances 0.000 claims 4
- 230000009471 action Effects 0.000 abstract description 48
- 230000008569 process Effects 0.000 description 49
- 239000002689 soil Substances 0.000 description 22
- 238000001228 spectrum Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 8
- 238000009434 installation Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 238000011179 visual inspection Methods 0.000 description 7
- 241000233866 Fungi Species 0.000 description 6
- 230000035800 maturation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 210000000582 semen Anatomy 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000843 anti-fungal effect Effects 0.000 description 3
- 229940121375 antifungal agent Drugs 0.000 description 3
- 238000003339 best practice Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001429 visible spectrum Methods 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000906 Bronze Inorganic materials 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- -1 antifungal) Substances 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010974 bronze Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
- G01C11/025—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures by scanning the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C15/00—Fertiliser distributors
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C7/00—Sowing
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
- A01F25/00—Storing agricultural or horticultural produce; Hanging-up harvested fruit
- A01F25/16—Arrangements in forage silos
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Marketing (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
Abstract
本申请的各实施例涉及精确农业系统。一种设备可以从位于特定农场上的传感器设备接收传感器数据。该设备可以基于传感器数据、使用模型来标识与特定农场关联的警报。可以基于与一组农场有关的假想数据和数值数据来创建该模型。该设备可以使用模型来确定用于处理警报的推荐的做法并且向与特定农场关联的用户设备提供推荐的做法。
Description
技术领域
本申请的各实施例总体上涉及精确农业系统。
背景技术
如今的农场面临许多复杂问题。例如,如今的农场必须应对:增长的能量、种子、化学物和设备的成本;天气和气候改变的可变性,从而导致增加的农作物产量的不可预测;以及对使用化学物和水的环境压力。
发明内容
根据一些可能的实现方式,一种方法可以包括:由设备的处理器接收数据,数据包括第一数据和第二数据,第一数据从位于一个或者多个农场上的多个传感器设备被接收,并且第二数据从位于一个或者多个农场外部的一个或者多个设备被接收;由处理器使用数据来创建模型;由处理器接收传感器数据,传感器数据与一个或者多个农场的特定农场有关;由处理器基于传感器数据、使用模型来标识与特定农场关联的警报;由处理器使用模型来确定用于处理警报的推荐的做法;以及由处理器向与特定农场关联的用户设备提供推荐的做法。
根据一些可能的实现方式,一种计算机可读介质可以存储指令,指令包括一组指令,该一组指令在由设备的处理器执行时,使得处理器:接收数据,数据包括第一数据和第二数据,第一数据包括从位于一个或者多个农场上的多个传感器设备接收的与传感器有关的数据,并且第二数据包括从位于一个或者多个农场外部的一个或者多个设备接收的与耕作有关的数据;使用数据来创建模型;在创建模型之后接收传感器数据,传感器数据从位于特定农场上的传感器数据被接收;基于传感器数据、使用模型来标识与特定农场关联的警报;使用模型来确定用于处理警报的推荐的做法;以及向与特定农场关联的用户设备提供推荐的做法。
根据一些可能的实现方式,一种设备可以包括:存储器,用于存储指令;以及处理器,用于执行指令以:接收传感器数据,传感器数据从位于特定农场上的传感器设备被接收;基于传感器数据、使用模型来标识与特定农场关联的警报,模型基于与多个农场有关的影像数据和数值数据被创建;使用模型来确定用于处理警报的推荐的做法;以及向与特定农场关联的用户设备提供推荐的做法。
附图说明
专利或者申请文件包含按颜色执行的至少一幅附图。本专利或者专利申请公布的具有带颜色的附图的副本将在请求和支付必需费用时由官方提供。在本说明书中并入并且构成本说明书的部分的附图图示了这里描述的一个或者多个实现方式,并且与描述一起说明了这些实现方式。在附图中:
图1A和图1B是图示了这里描述的示例实现方式的概况的示图;
图2是其中可以实施这里描述的系统和/或方法的示例环境的示图;
图3是图2的一个或者多个设备的示例部件的示图;
图4是用于生成和存储模型的示例过程的流程图;
图5是与图4中所示的示例过程有关的示例实现方式的示图;
图6是用于设置用于农场的配置参数的示例过程的流程图;
图7是用于使得与耕作有关的活动结合农场而被执行的示例过程的流程图;
图8是用于生成警报的示例过程的流程图;
图9A是可以向用户设备提供的用户界面的示例配置;
图9B至图9E是经由用户界面显示不同图像类型和传感器的示例;
图10A至图10H是以上关于图7描述的过程的示例;
图11A至图11D是以上关于图7描述的过程的另一示例;
图12A至图12L是以上关于图7描述的过程的又一示例;以及
图13A至图13C是以上关于图7描述的过程的再一示例。
具体实施方式
以下具体描述参照附图。在不同附图中的相同标号可以标识相同或者相似单元。
用户(例如,农场主)可能希望管理与农业有关的各种过程(例如,灌溉、化学物的使用、农作物收割等)。关于农场的决策做出经常依赖于对来自跨越各种田地的信息源的各种因素。农场主为了农场的成功运营而需要的决策的复杂性和数量将从对大量共享的经验数据的透彻分析受益。对这一数据的收集和分析对于单个农场主将是非常耗时的任务。这里描述的实现方式可以辅助农场主基于来自各种源(比如来自农场上的传感器(例如,提供与液流、成像、天气等关联的信息的传感器)以及外部源(例如,天气预报、土壤类型数据、市场数据等))的信息运行他们的农场的每日运营。
图1A和图1B是图示了这里描述的示例实现方式的概况100的示图。关于图1A,精确农业系统可以从各种源接收数据并且基于接收的数据创建模型。数据的源可以例如包括基于农场的传感器设备和外部数据源。基于农场的传感器设备可以包括相机、多频谱传感器、液流传感器、温度传感器、土壤温度传感器、收集图像数据的基于地面或者飞行的无人驾驶飞机和/或可以辅助农场主确定农场主的农作物在任何给定的时间成长的如何的任何其它类型的传感器设备。外部数据源可以例如包括来自外部服务馈送的农作物市场数据、来自国家政府或者私人天气服务的天气预报数据、用于构建农作物健康指数(例如,比如正规化的差异植被指数(NDVI)图像)的基于云的图像处理、提供与农作物有关的财务数据的服务馈送、来自农场主和/或农学家的输入和/或可以辅助确定用于做出耕作决策的规则的任何其它外部数据源。
精确农业系统可以从各种数据源接收数据作为数据全集、可以预处理数据全集以创建训练数据,并且可以通过使用机器学习来创建可以用来标识与农作物和推荐的做法有关的警报的一个或者多个模型。可以被标识的警报的示例包括设备故障、具有疾病或者害虫侵害模式的农作物、需要灌溉的农作物等。推荐的做法的示例可以包括用于收割农作物的预测的最佳时间、用于销售农作物的预测的最佳时间、待销售的农作物的数量、何时购买附加保险覆盖和待购买的数量、何时浇灌农作物、用于在浇灌农作物时使用的水的数量、何时对农作物使用化学物(例如,杀真菌剂)、待使用的化学物的数量、何时调度工人执行特定动作、何时调度公司修理一件设备或者对一件设备执行维护等。精确农业系统也可以关于标识的警报和/或推荐的做法提供采取推荐的动作的财务影响和/或不采取推荐的动作的财务影响。
参照图1B,假设名为鲍勃的农场主已经向精确农业系统注册了使用精确农业服务。在注册时,精确农业系统可以从鲍勃的农场上的传感器设备接收数据,以及从外部数据源接收与鲍勃的农场有关的数据。精确农业系统可以使用模型来分析接收的数据以输出与鲍勃的农场有关的信息。信息可以例如包括天气预报信息、当前/调度的耕作活动、与鲍勃的农场有关的警报、用于鲍勃的农场的当前/历史传感器读数、与鲍勃的农场相关的商品价格和趋势、与鲍勃的农作物有关的当前/历史报告、产品目录和预报和/或可以辅助鲍勃标识问题和/或做出耕作决策的任何其它信息。
如所示,精确农业服务已经推荐了鲍勃使用无人机(UAV)来获得已经被检测为可能有问题的特定田地的更新的影像。如进一步所示,如果未执行推荐的动作,则精确农业服务已经指示了$1,250的财务影响。
以这一方式,精确农业系统可以向农场主提供推荐的做法,并且标识执行和/或不执行推荐的做法的财务影响。如这里描述的精确农业系统可以减少运行农场的运营成本、增加农作物产量、增加农场的可收益性、减少农作物损坏的风险、增加食品安全性和减少农场的环境影响。
图2是其中可以实施这里描述的系统和/或方法的示例环境200的示图。如图2中所示,环境200可以包括用户设备210、一个或者多个传感器设备220-1至220-N(N≥1)(下文被统称为“传感器设备220”并且个别地称为“单个传感器设备220”)、应用数据库230、外部信息源240、精确农业系统(PAS)250、耕作设备260和网络270。环境200的设备可以经由有线连接、无线连接或者有线连接和无线连接的组合互连。
用户设备210可以包括能够接收、生成、存储、处理和/或提供信息(比如这里描述的信息)的设备。例如,用户设备110可以包括计算设备(例如,台式计算机、膝上型计算机、平板计算机、手持计算机、服务器等)、移动电话(例如,智能电话、无线电电话等)或者相似设备。在一些实现方式中,用户设备210可以从精确农业系统250接收信息和/或向精确农业系统250传输信息。在一些实现方式中,用户设备210可以包括精确农业系统(PAS)应用,该PAS应用提供信息(例如,传感器信息、天气信息、航拍影像、产量规划、财务信息等)、基于这样的信息的警报并且如果适当时的动作项目(例如,允许农场主发起自动化的系统和/或人工操作的动作项目)。
传感器设备220可以包括用于获得与传感器有关的信息的一个或者多个设备。例如,传感器设备220可以包括相机(例如,可视频谱成像相机、红外线或者近红外线成像相机、多频谱成像相机、超频谱成像相机、热成像相机、激光映射影像相机等)、能够生成声纳生成的映射影像的声纳设备、能够检测降水量的传感器、能够检测日照的传感器、能够检测相对湿度的传感器、能够检测大气压的传感器、能够检测地上温度的传感器、能够检测在地下的一个或者多个深度的温度的传感器、能够检测风向的传感器、能够检测风速的传感器、能够检测降雨量的传感器、能够检测灌溉流的传感器、能够检测土壤湿度的传感器、能够检测土壤盐度的传感器、能够检测土壤密度的传感器、能够检测液流的传感器、能够检测设备操作参数的传感器、能够检测筒仓填充水平的传感器、能够检测卡车填充水平的传感器和/或将辅助做出运营耕作决策的任何其它传感器。在一些实现方式中,传感器设备220可以包括或者被附着到无人机(UAV)、耕作设备项目(例如,拖拉机、灌溉系统等)、塔(例如,小区塔等)或者另一类型的设备/交通工具。
应用数据库230可以包括能够接收、生成、存储、处理和/或提供信息(比如这里描述的信息)的一个或者多个设备。例如,应用数据库230可以包括计算设备,比如服务器、台式计算机、膝上型计算机、平板计算机、手持计算机或者相似设备。应用数据库230可以存储来自各种源和来自多个农场的信息。例如,信息可以包括来自传感器设备220的信息(例如,田地影像、遥感、农作物生长信息等)、来自外部信息源240的信息(例如,天气信息、财务市场信息等)、与农场的运营有关的信息(例如,基于某些传感器读数采取的动作、动作是否造成修复任何标识的问题、历史田地数据、以往收成等)和/或可以辅助确定用于关于农场的运营而执行的动作的另一类型的信息。
外部信息源240可以包括通过网络可访问的一个或者多个设备,该一个或者多个设备是与农业决策做出相关的信息源。例如外,部信息源240可以包括提供多普勒天气预报的服务器、提供卫星影像的服务器、提供植被和土壤指数的服务器、提供来自制造商的种子/基因数据的服务器、提供用于具体农作物的市场数据的服务器、美国农业部(USDA)“土壤类型”数据库、提供用于特定农作物的历史生长趋势的服务器、农场主用来经由其提供最佳实践信息的设备、农学家用来经由其提供与耕作有关的信息的设备和/或任何其它类型的如下设备,该设备提供可以辅助确定用于关于农场的运营而执行的动作的信息。
精确农业系统250可以包括将来自传感器设备220和外部信息源240的聚合的数据通过PAS应用转化成决定支持信息的一个或者多个设备。例如,精确农业系统250可以包括一个或者多个服务器设备、一个或者多个虚拟机和/或其它相似类型的设备。在一些实现方式中,精确农业系统250可以提供各种服务,比如图像处理和映射、多频谱图像分析、耕作数据分析和/或对财务市场趋势的分析。精确农业系统250也可以提供用于调度和触发对自动化的系统(例如,耕作设备260)的工作需求的机器到机器通信接口。
在一个示例中,精确农业系统250可以基于传感器或者天气信息确定特定农场田地可能正在经历农作物压力。可以经由PAS应用生成和呈现警报。可以呈现动作项目以触发受影响的区域中的地面真相发现,或者由UAV的飞掠以收集影像以用于由精确农业系统250进一步分析。可以呈现又一动作项目以触发受影响的区域中的预防维护,比如通过对肥料的有选择应用或者警报受影响的区域中的灌溉。
耕作设备260可以包括在农场处提供服务的一个或者多个设备。例如,耕作设备260可以包括灌溉系统、拖拉机、与土壤耕种关联的设备(例如,耕田机)、与种植有关的设备(例如,空气播种机)、与施肥有关的设备(例如,肥料播撒机)、与收割有关的设备(例如,收割机)、无人机(UAV)、农场工人调度系统和/或另一相似类型的设备。在一些实现方式中,耕作设备260可以从精确农业系统250接收信息并且基于接收信息来执行动作。例如,在耕作设备260是灌溉系统的情形中,灌溉系统可以从精确农业系统250接收信息并且基于接收的信息将农场的田地的特定部分浇灌一段时间。
网络270可以包括一个或者多个有线网络和/或无线网络。例如,网络270可以包括蜂窝网络(例如,长期演进(LTE)网络)、3G网络、码分多址(CDMA)网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如,公共交换电话网络(PSTN)、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络和/或这些或者另一类型的网络的组合)。
图2中所示的设备和网络的数目和布置被提供作为示例。在实践中,可以存在除了图2中所示的设备和/或网络之外的附加设备和/或网络、更少设备和/或网络、不同设备和/或网络或者被不同地布置的设备和/或网络。另外,可以在单个设备内实施图2中所示的两个或者更多个设备,或者可以将图2中所示的单个设备实施为多个分布式设备。附加地或者备选地,环境200的设备集合(例如,一个或者多个设备)可以执行被描述为由环境200的另一设备集合执行的一个或者多个功能。
图3是设备300的示例部件的示图。设备300可以对应于用户设备210、传感器设备220、应用数据库230、外部信息源240、精确农业系统250和/或农场设备260。在一些实现方式中,用户设备210、传感器设备220、应用数据库230、外部信息源240、精确农业系统250和/或农场设备260可以包括一个或者多个设备300和/或设备300的一个或者多个部件。如图3中所示,设备300可以包括总线310、处理器320、存储器330、存储部件340、输入部件350、输出部件360和通信接口370。
总线310可以包括允许在设备300的部件之间的通信的部件。在硬件、处理器320被实施在固件或者硬件和软件的组合中。处理器320可以包括处理器(例如,中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器和/或解译和/或执行指令的任何处理部件(例如,现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。存储器330可以包括随机存取存储器(RAM)、只读存储器(ROM)和/或存储用于由处理器320使用的信息和/或指令的另一类型的动态存储设备或者静态存储设备(例如,闪存、磁存储器、光存储器等)。
存储部件340可以存储与设备300的操作和使用有关的信息和/或软件。例如,存储部件340可以包括硬盘(例如,磁盘、光盘、磁光盘、固态盘等)、紧致盘(CD)、数字万用盘(DVD)、软盘、磁盒、磁带和/或另一类型的计算机可读介质以及对应的驱动。
输入部件350可以包括允许设备300比如经由用户输入接收信息的部件(例如,触屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风等)。附加地或者备选地,输入部件350可以包括用于感测信息的传感器(例如,全球定位系统(GPS)部件、加速度计、陀螺仪、致动器等)。输出部件360可以包括从设备300提供输出信息的部件(例如,显示器、扬声器、一个或者多个发光二极管(LED)等)。
通信接口370可以包括使设备300能够比如经由有线连接、无线连接或者有线连接和无线连接的组合与其它设备通信的收发器式部件(例如,收发器、分离的接收器和发射器等)。通信接口370可以允许设备300从另一设备接收信息和/或向另一设备提供信息。例如,通信接口370可以包括以太网接口、光接口、同轴接口、红外线接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备300可以执行这里描述的一个或者多个过程。设备300可以响应于处理器320执行由计算机可读介质(比如存储器330和/或存储部件340)存储的软件指令来执行这些过程。这里将计算机可读介质定义为非瞬态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或者跨多个物理存储设备展开的存储器空间。
软件指令可以从另一计算机可读介质或者经由通信接口370从另一设备被读取到存储器330和/或存储部件340中。在被执行时,在存储器330和/或存储部件340中存储的软件指令可以使得处理器320执行这里描述的一个或者多个过程。附加地或者备选地,可以取代或者与软件指令组合使用硬接线电路以执行这里描述的一个或者多个过程。因此,这里描述的实现方式不限于硬件电路装置和软件的任何具体组合。
图3中所示的部件的数目和布置被提供作为示例。在实践中,设备300可以包括除了图3中所示的部件之外的附加部件、更少部件、不同部件或者被不同地布置的部件。附加地或者备选地,设备300的部件(例如,一个或者多个部件)的集合可以执行被描述为由设备300的部件的另一集合执行的一个或者多个功能。
图4是用于生成和存储模型的示例过程400的流程图。在一些实现方式中,过程400可以由精确农业系统250执行。在一些实现方式中,以下描述的块中的一些或者所有块可以由包括或者排除精确农业系统250的不同设备或者一组设备执行。
如图4中所示,过程400可以包括接收数据全集(块410)。例如,精确农业系统250可以接收数据全集。数据全集可以包括来自传感器设备220和/或外部信息源240的数据。例如,数据全集可以包括来自相机(例如,可视频谱成像相机、红外线或者近红外线成像相机等)、液流传感器、温度传感器、土壤温度传感器、水传感器、风传感器和/或位于农场上或者附近的另一类型的传感器/设备的数据。数据全集也可以包括或者备选地包括来自提供多普勒天气预报或者历史天气信息的服务器、提供来自以下各项的数据:政府和/或学术源的图像数据和/或农业指数数据的服务器、提供用于具体农作物的市场数据的服务器、USDA“土壤类型”数据库、提供用于特定农作物的历史生长趋势的服务器、农场主(例如,与用于运行农场的最佳实践有关的数据)、农学家和/或提供可以在创建与农场或者一组农场有关的模型时有用的信息的另一源。在一些实现方式中,一条数据可以与标识数据与之关联的地理位置和/或数据与之关联的日期和/或时间的信息关联。例如,如果数据来自土壤温度传感器,则数据可以与土壤温度传感器的地理位置和传感器读取出现的日期/时间关联。
在一些实现方式中,数据可以包括影像数据和数值数据,比如NDVI指数或者热数据范围。影像数据可以例如包括红色/绿色/蓝色(RGB)频谱上的卫星影像(即,每个图像点对应于红色、绿色或者蓝色的值以重建可由人眼观测的颜色)、多个频谱频带(例如,近红外线(NIR)和/或相似频谱频带)上的卫星影像、卫星超频谱影像、RGB、热或者NIR频谱上的航拍影像(例如,由飞机、UAV等拍摄)、多个频谱频带上的航拍影像(例如,由飞机、UAV等拍摄)、声纳生成的影像、通过坐标被描述为边界、多边形或者点的地理特征和/或由用户拍摄的地面水平的影像(例如,RGB、红外线、热、多频谱、超频谱、激光等),这些卫星影像可以地理上位于和被上传到精确农业系统250。数值数据可以例如包括与降水量、日照、相对湿度、大气压、湿度、液流、地上和地下温度、在不同深度的温度、风向和风速、灌溉流、设备操作参数(例如,电压、功率输出等)、设备错误(例如,无线电错误率、延迟等)、商品价格(例如,大豆、玉米等)和/或(筒仓、卡车等的)填充水平有关的数据。
在一些实现方式中,数据全集可以包括当前数据、历史数据和/或预测的数据。例如,数据全集可以包括与天气有关的信息。与天气有关的信息可以包括与当前天气有关的信息、与历史天气有关的信息和/或与天气预报有关的信息。
在一些实现方式中,精确农业系统250可以从传感器设备220和/或外部信息源240直接地接收数据全集。在一些实现方式中,精确农业系统250可以从应用数据库230接收数据全集。在任一情况下,数据全集可以包括原始数据(例如,按照各种测量单位的数据)。在一些情形中,精确农业系统250可以实时或者接近实时接收数据。在一些情形中,精确农业系统250可以案号特定时间间隔(例如,一小时一次、一天一次、一周一次等)接收数据。在一些实现方式中,精确农业系统250可以被动地接收数据。在一些实现方式中,精确农业系统250可以基于请求来自特定源(例如,来自传感器设备220和/或来自外部信息源240)的数据来接收数据。
如图4中进一步所示,过程400可以包括预处理数据全集以获得训练数据(块420)。例如,精确农业系统250可以预处理数据全集以将数据放入可以被分析以创建模型的格式中。在一些实现方式中,精确农业系统250可以过滤数据全集中的数据。例如,精确农业系统250可以过滤数据全集以去除不需要或者不正确的数据。例如,假设从外部信息源240接收的数据包括用于全美国的天气信息。还假设精确农业系统250正创建用于美国的特定州中的农场的模型。在这一情况下,精确农业系统250可以丢弃用于除了特定州之外的每个州的天气信息。相似地,数据全集可以包括用于全球位置的卫星影像并且精确农业系统250可以将影像仅过滤成感兴趣的那些位置。
在一些实现方式中,精确农业系统250可以正规化数据全集中的数据。例如,精确农业系统250可以转换数据全集中的与温度有关的数据以保证在在华氏或者摄氏摄氏温标之一中表示所有与温度有关的数据。
在一些实现方式中,精确农业系统250可以对数据全集执行一个或者多个其它类型的过程以将数据放入可以被分析以创建模型的格式中,比如通过组合数据和/或对数据进行分组。例如,数据可以基于数据与之关联的地理位置、基于数据与之关联的农场、基于数据与之关联的日期和时间等被分组。附加地。
如图4中进一步所示,过程400可以包括分析训练数据以创建模型(块430)。例如,精确农业系统250可以使用机器学习技术以分析训练数据和创建模型。机器学习技术可以例如包括有监督和/或无监督技术,比如农业网络、贝叶斯统计、学习自动机、隐藏马尔科夫建模、线性分类器、二次分类器、决策树、关联规则学习等。创建的模型可以包括特定于特有的模型和一般地适用于所有农场的模型。
在一些实现方式中,精确农业系统250可以生成用于特定农场的多于一个模型。例如,在一些实现方式中,精确农业系统250可以生成用于农场上的每个田地的一个或者多个模型。因此,如果农场与100个田地关联,则精确农业系统250可以生成用于农场的100个或者更多个模型。在其中特定田地包括多于一种农作物的情形中,精确农业系统250可以生成用于特定田地中的每种农作物的一个或者多个模型。
通过示例,假设精确农业系统250针对特定农作物在一个或者多个收割季期间接受描绘每个生长阶段中的农作物的多个航拍图像。航拍图像可以例如包括经由频谱相机捕获的图像,该频谱相机具有被调谐至700纳米(nm)至1100nmNIR频谱的过滤器。精确农业系统250可以在每生长阶段的基础上将航拍图像分组以创建针对每个生长阶段的生长阶段样本集。精确农业系统250可以例如使用NDVI方法针对每个生长阶段将对应的生长阶段样本集的航拍图像处理成正交马赛克(orthomosaics)并且为所有颜色值编索引。精确农业系统250可以关联数据(例如,来自一个或者多个传感器设备220和/或外部信息源240)与正交马赛克中的航拍图像。数据可以包括例如太阳辐射、温度以及当日时间信息与指示这一信息针对如由一个或者多个外部信息源240(比如提供天气和/或大气信息的服务器)提供的正常条件的偏差的信息。精确农业系统250也可以关联标识农作物类型(比如玉米、小麦等)的信息与正交马赛克中的航拍图像。
精确农业系统250可以针对每个生长阶段标识与农作物有关的健康植被的正常NDVI颜色值。为了这样做,精确农业系统250可以针对每个生长阶段、基于与生长阶段关联的图像的NDVI颜色值的加权平均标识正常NDVI颜色值。例如,精确农业系统250针对与生长阶段关联的每个图像(i)确定NDVI平均值,NDVI_Ave(i),其对应于在0.25以上的图像中的所有NDVI颜色值的平均值。精确农业系统250也可以针对与生长阶段关联的每个图像确定被称为Solar_rad_Dev的用于图像的值,其对应于在图像被捕获的时间测量的太阳辐射的标准偏差百分比。精确农业系统250然后可以针对与生长阶段关联的每个图像如下确定被称为NDVI_Base(i)的加权NDVI图像平均值:
NDVI_Base(i)=NDVI_Ave(i)–(NDVI_Ave(i)*Solar_rad_Dev)。
精确农业系统250可以针对每个生长阶段标识用于NDVI的、被称为NDVI_Dev的加权标准偏差百分比。例如,精确农业系统250可以通过针对生长阶段中的所有图像(i)确定标准偏差百分比NDVI_Base(i)来确定NDVI_Dev。最后,精确农业系统250可以针对每个生长阶段、基于NDVI_Dev和NDVI_Base(i)来确定正常NDVI颜色值。以这种方式,精确农业系统250可以创建针对农作物的健康植被阶段的模型。
如基于以下描述将被领会到的,农作物的未来航拍图像可以被用作对模型的输入以标识关于农作物是否存在问题。例如,假设精确农业系统250结合未来收割季接收与农作物的生长阶段N有关的航拍图像。精确农业系统250可以基于航拍图像标识航拍图像中的、对应于其中农作物已被种植的区域的生长区域。精确农业系统250可以在落入针对生长阶段N的正常NDVI颜色值以下的生长阶段中、基于航拍图像的像素的数量标识农作物的受影响的区域。精确农业系统250可以针对农作物、基于每英亩的农作物的受影响的区域和历史平均数量蒲式耳确定产量影响。精确农业系统250可以基于产量影响确定生成一个或者多个推荐的做法。
如图4中进一步所示,过程400可以包括存储模型(块440)。例如,精确农业系统250可以在数据结构(例如,数据库、链表、树等)中存储创建的模型。数据结构可以位于精确农业系统250内或者精确农业系统250外部并且可能地远离精确农业系统250。在一些实现方式中,数据结构可以与应用数据库230关联。
一旦已经创建了模型,精确农业系统250就还可以基于接收新训练数据来训练模型和/或创建新模型。新训练数据除了以上关于数据全集讨论的数据之外还可以包括来自正在由农场主使用的用户设备210的数据。这一数据可以包括与在特定情形中对农场采取的动作和那些动作的结果有关的信息。例如,假设精确农业系统250基于来自特定农场主的农场上的一个或者多个传感器设备220的数据向农场主推荐在农场主的农场上的特定田地中播撒特定化学物。假设播撒出现并且农场主向精确农业系统250和经由用户设备210指示播撒出现。还假设精确农业系统250确定未化解问题。在这一情形中,精确农业系统250可以基于这一信息更新一个或者多个模型。
虽然图4示出了过程400的示例块,但是在一些实现方式中,过程400可以包括与图4中描绘的块相比的附加块、更少块、不同块或者被不同地布置的块。附加地或者备选地,可以并行地执行过程400的块中的两个或者更多个块。
图5是与图4中所示的示例过程400有关的示例实现方式500的示图。如由标号505所示,传感器设备220-1至220-N可以测量农场上的条件。传感器设备220-1至220-N可以分别包括温度传感器、风传感器、液流传感器和影像设备(被示出为卫星和UAV)。精确农业系统250可以从传感器设备220-1至220-N接收传感器数据510。附加地,精确农业系统250可以从分别被示出为天气预报中心、农场商品市场定价系统和农场主/农学家的一组外部信息源240-1至240-M接收外部源数据215。如由标号250所示,精确农业系统250可以接收传感器数据510和外部源数据515、预处理数据以获得训练数据、基于训练数据创建模型和保存模型。
如以上指示的那样,图5仅被提供作为示例。其它示例是可能的并且可以不同于关于图5描述的示例。
图6是用于设置用于农场主的配置参数的示例过程600的流程图。在一些实现方式中,图6的一个或者多个块可以由精确农业系统250执行。在一些实现方式中,图6的一个或者多个块可以经由PAS应用由包括或者排除精确农业系统250的不同设备或者一组设备(比如由用户设备210)执行。
如图6中所示,过程600可以包括接收配置参数和标识用户的信息(块610)。例如,精确农业系统250可以从用户(例如,农场主)接收一个或者多个配置参数。配置参数可以包括与农场主的农场有关的参数。例如,配置参数可以包括一般与农产有关的信息,比如农产的总体大小、农场的地理位置、与农场有关的保险覆盖、与农场有关的财务信息(例如,农场位于其上的土地的成本)、与农场有关的历史信息(比如农场的财务历史)和/或其它相似类型的信息。
配置参数也可以包括或者备选地包括与农场上的田地有关的信息。对于每个田地,这一信息可以包括标识田地的名称、田地的地理位置、田地的大小、田地与之关联的农作物的信息、与田地有关的财务信息、与田地有关的历史信息(例如,比如历史农作物产量、田地的财务历史等)和/或其它相似类型的信息。配置参数也可以包括或者备选地包括与农场上的筒仓有关的信息,比如筒仓的名称、筒仓的地理位置、筒仓的大小、筒仓与之关联的农作物类型、筒仓中的农作物的数量、筒仓的剩余容量、与筒仓有关的财务信息、与筒仓有关的历史信息(如比如与筒仓中的农作物有关的财务历史)和/或其它相似类型的信息。
配置参数也可以包括或者备选地包括与农场上的机器有关的信息,比如机器装置的名称(例如,型号)、机器装置的类型、机器装置的地理位置、用于控制机器装置的信息(例如,网络地址)、机器装置的当前操作时间表、与机器装置有关的历史信息(如比如对机器装置的先前维护、机器装置的历史操作时间表等)和/或其它相似类型的信息。配置参数也可以包括或者备选地包括与农场上的工人有关的信息,比如工人的标识信息(例如,姓名、数字标识符等)、通信信息(例如,工人所讲的语言、用于联络工人的电子邮件地址或者电话号码等)、工人通常与之关联的田地、工人的当前工作时间表、与工人有关的历史信息(例如,先前工作时间表、薪水信息等)和/或其它相似类型的信息。
配置参数也可以包括或者备选地包括与农场上的传感器设备220有关的信息、比如传感器设备的名称(例如,型号)、传感器设备的类型、传感器设备的地理位置、用于控制传感器设备的信息(例如,网络地址)、传感器设备的当前操作时间表、与传感器设备有关的历史信息(如比如传感器设备的安装日期、对传感器设备的先前维护、传感器设备的历史操作时间表等)和/或其它相似类型的信息。配置参数也可以包括或者备选地包括与农场有关的与历史动作有关的信息,比如对农场采取的先前动作和那些动作的结果。
配置参数也可以包括或者备选地包括与待提供的信息类型和/或将经由PAS应用向用户设备210提供信息的方式有关的信息。信息类型可以指定将仅提供特定类型的传感器数据和/或将仅提供特定类型的推荐(或者警报)。提供信息的方式可以例如包括将按照其显示与耕作有关的信息和推荐的顺序、将按照其向用户设备210提供特定多条与耕作有关的信息和推荐的时间、在用户界面上的将显示特定多条与耕作有关的信息和推荐(或者警报)的位置和/或与待提供的信息类型和/或例如向用户设备210提供用于显示的信息的方式有关的其它类型的信息。
在一些实现方式中,精确农业系统250可以基于特定用户的账户限制可以由特定用户设置的配置参数的数量和类型。例如,不同用户可以与不同服务水平(例如,青铜水平、白银水平和黄金水平)关联。在这些情形中,精确农业系统250可以基于用户与之关联的服务水平限制用户可以设置的配置参数的数量和类型。
在一些实现方式中,精确农业系统250可以向用户设备210(例如,向用户设备210的浏览器)提供用户界面以允许用户指定配置参数。在一些实现方式中,用户设备210可以下载与获得与耕作有关的信息关联的应用(例如,PAS应用)。在这些实现方式中,用户设备210可以经由应用提供用户界面。在任何情况下,用户可以经由用户界面指定配置参数,并且可以使得配置参数被发送到精确农业系统250。
精确农业系统250也可以接收标识用户和/或用户设备210的信息。例如,精确农业系统250可以向用户设备210提供用户界面以允许用户指定标识信息。在一些实现方式中,精确农业系统250可以在过程中经由日志接收标识信息。在用户设备210下载与获得与耕作有关的信息关联的应用的那些实现方式中,用户设备210可以使用应用来传输标识信息。
过程600可以包括关联配置参数与标识用户的信息(块620)。例如,精确农业系统250可以在数据结构中存储配置参数。数据结构可以位于精确农业系统250内或者精确农业系统250外部,并且可能地远离精确农业系统250(例如,应用数据库230中)。精确农业系统250可以关联数据结构(或者数据结构的存储配置参数的该部分)与标识用户和/或用户设备210的信息。
虽然图6示出了过程600的示例块,但是在一些实现方式中,过程600可以包括与图6中描绘的块相比的附加块、更少块、不同块或者被不同地布置的块。附加地或者备选地,可以并行地执行过程600的块中的两个或者更多个块。
图7是用于使得与耕作有关的活动结合农场而被执行的示例过程700的流程图。在一些实现方式中,图7的一个或者多个块可以由精确农业系统250和用户设备210执行。在一些实现方式中,图7的一个或者多个块可以由从精确农业系统250和用户设备210分离或者包括精确农业系统250和用户设备210的另一设备或者一组设备执行。
如图7中所示,过程700可以包括接收与农场有关的数据(块705)。例如,精确农业系统250可以接收与农场有关的数据。与农场有关的数据可以包括来自位于农场上的传感器设备220的数据。数据可以包括来自以下各项的数据:相机(例如,可视频谱成像相机、红外线或者近红外线成像相机等)、液流传感器、温度传感器、土壤温度传感器、水传感器、风传感器和/或位于农场上或者附近的另一类型的传感器/设备。与农场有关的数据也可以包括来自一个或者多个外部信息源240的与农场相关的数据。数据可以包括来自以下各项的数据:提供多普勒天气预报的服务器、提供来自政府和/或学术源的影像和/或指数信息的服务器、提供用于具体农作物的市场数据的服务器、USDA“土壤类型”数据库、提供用于特定农作物的历史生长趋势的服务器和/或另一相似类型的源。在一些实现方式中,一条数据可以与标识数据与之关联的地理位置和/或数据与之关联的日期和/或时间的信息关联。例如,如果数据来自土壤温度传感器,则数据可以与土壤温度传感器的地理位置和传感器读取出现的日期/时间关联。
在一些实现方式中,精确农业系统250可以被动地接收与农场有关的数据。在一些实现方式中,精确农业系统250可以基于请求来自特定源(例如,来自传感器设备220和/或来自外部信息源240)的与农场有关的数据来接收与农场有关的数据。此外,在一些实现方式中,精确农业系统250可以实时、接近实时或者按照特定时间段接收与农场有关的数据。
如图7中所示,过程700可以包括预处理与农场有关的数据(块710)。例如,精确农业系统250可以预处理与农场有关的数据以将与农场有关的数据放入用于与关联于精确农业系统250的模型一起使用的格式中。在一些实现方式中,预处理可以如以上结合图4的块420描述的那样包括过滤数据、正规化数据、对数据进行分组等。
如图7中所示,过程700可以包括存储预处理的与农场有关的数据(块715)。例如,精确农业系统250可以在数据结构中存储预处理的与农场有关的数据。数据结构可以位于精确农业系统250内或者精确农业系统250外部,并且可能远离精确农业系统250。在一些实现方式中,数据结构可以与应用数据库230关联。
如图7中所示,过程700可以包括从存储的数据提取信号(块720)。例如,精确农业系统250可以从在数据结构中存储的数据提取一个或者多个信号。提取的信号可以与由传感器设备220获得的数据和/或从外部信息源240获得的数据有关,并且可以与将由精确农业系统250向用户设备210提供的与农场有关的信息(例如,推荐和/或警报)相关。例如,对于农场的特定田地,精确农业系统250可以从存储的数据提取当前土壤温度信息、当前液流信息等。
在一些实现方式中,从存储的数据提取的特定信号可以基于由用户存储的与农场关联的信息。例如,如以上结合图6描述的那样,用户可以向精确农业系统250提供与向用户设备210提供什么类型的与农场有关的信息和推荐有关的配置参数。因此,精确农业系统250可以基于配置参数从存储的数据提取信号。
在一些实现方式中,精确农业系统250可以基于事件的出现来提取信号。例如,精确农业系统250可以基于与农场关联的用户登录到与精确农业系统250关联的PAS应用来提取信号。在一些实现方式中,精确农业系统250可以在预定时间或者按照预定间隔提取信号。
如图7中所示,过程700可以包括向模型中输入提取的信号以标识推荐的动作(块725)。例如,精确农业系统250可以基于向模型中输入提取的信号来确定与农场有关的推荐的动作。推荐的动作可以基于由精确农业系统250标识的警报。警报可以包括与农场设备260有关的警报(例如,关于耕作设备存在潜在问题的警报)、与田地有关的警报(例如,关于田地存在潜在问题的警报)、财务警报(例如,关于用于在田地中收割农作物的时间、是否存储或者销售农作物等的信息)等。与那些警报有关的推荐的动作可以包括用于关于农场设备260执行的动作(例如,用于可视地检查农场设备)、用于关于田地执行的动作(例如,用于自动地或者可视地检查田地)、用于关于农作物执行的动作(例如,收割农作物、销售农作物等)等。推荐的动作可以包括可以被自动地执行(例如,接通灌溉系统)或者人工地(例如,由农场的工人中的一个或者多个工人)执行的动作。在一些实现方式中,精确农业系统250可以提供与特定警报有关的多个推荐的动作并且可以基于一个或者多个因素来对推荐的动作排名。
在一些实现方式中,精确农业系统250可以确定执行或者不执行推荐的动作的财务影响。因此,精确农业系统250可以将推荐的动作链接到正面财务影响或者负面财务影响。在一些实现方式中,精确农业系统250可以将每个推荐的动作链接到财务影响。在其中精确农业系统250提供多个推荐的动作的那些实现方式中,精确农业系统250可以基于推荐的动作的财务影响对它们排名。精确农业系统250可以基于静态数据(例如,土地的成本、将用来对待特定田地的化学物的成本和/或其它类型的静态数据)和/或可变数据(例如传感器数据、与特定的推荐的动作与之关联的农作物有关的市场数据、需要对待的田地的数量和/或其它类型的可变数据)来确定执行或者不执行特定的推荐的动作的财务影响。例如,假设精确农业系统250基于传感器数据确定与田地关联的灌溉系统可能出故障并且推荐的动作是可视地检查灌溉系统。精确农业系统250可以例如基于不浇灌田地将对该田地中的农作物具有的负面影响来确定不执行推荐的动作的财务影响。例如,不浇灌田地可能使得田地生产更少产量并且精确农业系统250可以确定收入损失作为不执行推荐的动作的财务影响。
如图7中所示,过程700可以包括提供与农场有关的信息和警报(块730)。例如精确农业系统250可以向用户设备210提供与农场有关的信息和警报。精确农业系统250可以基于事件的出现(比如检测到用户登录到PAS应用中、从用户设备210接收请求、检测到特定日期/时间等)来提供与农场有关的信息和警报。与农场有关的信息可以包括天气预报信息、传感器信息、调度的活动、商品价格和趋势、与农场有关的分析和/或报告、产品库存和预报和/或其它相似类型的信息。如以上阐述的那样,警报可以与以下各项有关:农场设备260(例如,关于耕作设备存在潜在问题)、田地(例如,关于田地存在潜在问题、关于用于收割田地中的农作物的时间的信息)、农作物(例如,是否存储或者销售农作物)等。每个警报可以与一个或者多个推荐的做法关联。
如图7中所示,过程700可以包括接收与农场有关的信息和警报(块735)以及显示与农场有关的信息和警报(块740)。例如,用户设备210可以经由网络(比如网络270)从精确农业系统250接收与农场有关的信息和警报。用户设备210可以使得与农场有关的信息和/或警报被显示。在一些实现方式中,用户设备210可以基于关于图6的块610而被设置的配置参数来显示与农场有关的信息和/或警报。
如图7中所示,过程700可以包括从用户接收输入(块745)和使得动作基于输入而被执行(块750)。例如,用户设备210可以从用户设备210的用户接收输入。在一些实现方式中,用户可以选择经由用户设备210的用户界面而被显示的警报。基于选择,用户设备210可以使得用户界面与和警报有关的一个或者多个推荐的做法一起被显示。在一些实现方式中,每个推荐的做法可以与执行或者不执行推荐的做法的财务影响关联。在一些实现方式中,用户界面可以允许用户基于对推荐的做法之一的选择来自动地执行动作。动作可以是自动地调度工人以执行人工操作、自动地调度公司以拜访农场以执行动作(例如,对农场设备260执行维护)、自动地接通(关断)农场设备260(例如,灌溉系统)、自动地使得农场设备260执行动作(例如,使得UAV可视地检查田地)等。
如以上阐述的那样,用户设备210可以向精确农业系统250提供执行推荐的动作的结果。精确农业系统250可以基于结果来更新一个或者多个模型。
虽然图7示出了过程700的示例块,但是在一些实现方式中,过程700可以包括与图7中描绘的块相比的附加块、更少块、不同块或者被不同地布置的块。附加地或者备选地,可以并行地执行过程700的块中的两个或者更多个块。
图8是用于生成警报的示例过程800的流程图。过程800可以与图7的块725有关。在一些实现方式中,图8的一个或者多个块可以由精确农业系统250执行。在一些实现方式中,图8的一个或者多个块可以由与精确农业系统250分离或者包括精确农业系统250的另一设备或者一组设备执行。
尽管图8集中于针对特定农作物生成与农作物产量有关的警报,但是如这里描述的实现方式不限于此。实际上,相似的过程可以用来生成与农场有关的其它类型的警报,比如与田地有关的其它类型的警报(例如,关于田地存在的潜在问题的警报)、关于农场设备260的警报(例如,关于耕作设备存在潜在问题警报)。
如图8中所示,过程800可以包括分析天气历史和天气预报以确定生长程度天数成熟时间段(块805)。例如,精确农业系统250可以分析天气历史和天气预报。在一些实现方式中,精确农业系统250可以接收和分析来自传感器设备220(例如,温度传感器、土壤温度传感器、水传感器、风传感器和/或位于农场上或者附近的另一类型的传感器/设备)的、在时间段内的数据。例如,精确农业系统250可以分析从传感器设备220接收的在过去一年、过去两年、过去的一年或者更多年的特定节段内和/或在一些其它时间段内的数据。附加地或者备选地,精确农业系统250可以分析从一个或者多个外部信息源240接收的、在同一时间段内的信息。例如,精确农业系统250可以接收和分析来自针对给定地理区域提供历史天气信息和天气预报信息的服务器的数据。来自传感器设备220和/或一个或者多个外部信息源240的该数据可以例如包括与以下各项有关的数据:历史和/或预测的降水量、日照、相对湿度、大气压、湿度、地上和地下温度、在不同深度的温度、风向和风速、灌溉流和/或可以有助于预测特定农作物产量的任何其他类型的数据。
基于对天气历史的分析,精确农业系统250可以计算用于农作物的被称为当前GDD的当前生长程度天数。精确农业系统250也可以计算农作物的成熟所需要的被称为所需GDD的生长程度天数。精确农业系统250可以基于农作物的类型和基于来自外部信息源240的信息(比如来自大学或者USDA指南的信息)来计算所需GDD。
精确农业系统250可以基于天气预报信息(例如,基于从以下等式确定特定日期Dn:所需GDD-D1-D2-D3-…-Dn=0,其中D1是用于后继天的预报的生长程度天数,D2是用于下一天的预报的生长程度天数,直至差值为0)来计算被称为GDD目标成熟日期的目标成熟日期。精确农业系统250然后可以如下计算GDD目标成熟日期:
GDD目标成熟日期=当前日期+Dn。
在一些实现方式中,以上计算可以基于用于计算生长程度天数的普遍地接受的GDD=((Tmax+Tmin)/2)-Tbase等式方法。可以备选地使用其它方法。
精确农业系统250可以计算生长程度天数成熟日期在特定时间段内的标准偏差以获得被称为GDD成熟标准偏差的结果。精确农业系统250可以使用GDD成熟标准偏差加上和减去GDD成熟日期来计算称为GDD时间段的生长程度天数成熟时间段。最后,精确农业系统250可以分析关于恶劣太天气的警告和恶劣天气可能对GDD时间段计算具有的影响并且基于这一分析来修正GDD时间段计算。
如图8中所示,过程800可以包括分析农作物产量历史以确定最大产量时间段(块810)。例如,精确农业系统250可以分析用于特定时间段的农作物产量历史。基于这一分析,精确农业系统250可以计算用于相同田地中的相同农作物的农作物产量在特定时间段内的被称为产量标准偏差的标准偏差。精确农业系统250也可以基于例如使用航拍调查、LiDAR体积测量和趋势分析技术的生长趋势建模来预测被称为当前预测产量的农作物产量。精确农业系统250然后可以如下计算用于农作物的加权预测产量(加权预测产量):
加权预测测量=(历史产量平均+当前预测产量)/2
其中历史产量平均是用于田地中的农作物在特定时间段内的平均产量。精确农业系统250可以基于下式来计算被称为峰值产量时间段的峰值产量时间段:
峰值产量时间段=产量标准偏差+/-加权预测测量。
如图8中所示,过程800可以包括基于峰值产量时间段来按日历天/周预测农作物的产量(块815)。例如,精确农业系统250可以基于峰值产量时间段来按日历天/周预测用于农作物的产量。
如图8中所示,过程800可以包括基于预测来提供警报(块820)。例如,精确农业系统250可以基于预测的产量来向用户设备210提供警报。在一些实现方式中,警报可以使得一个或者多个推荐的做法被生成和/或被自动地采取。例如,精确农业系统250可以基于警报自动地填充日历以可视地指示针对一个或者多个日历天的预测的农作物产量。作为另一示例,精确农业系统250可以针对收割农作物来生成并且向设备发送将导致最大农作物产量被收割的工作订单。精确农业系统250也可以使用以上技术以确定执行或者不执行推荐的做法的影响。
虽然图8示出过程800的示例块,但是在一些实现方式中,过程800可以包括与图8中描绘的块相比的附加块、更少块、不同块或者被不同地布置的块。附加地或者备选地,可以并行地执行过程800的块中的两个或者更多个块。
图9A是可以向用户设备210提供的、与PAS应用关联的用户界面900的示例配置。如所示,用户界面900可以包括一组选择,该组选择包括天气预报节段910、当前/调度的活动节段920、警报节段930、农场状态节段940、商品价格和趋势节段950、分析/报告节段960以及产品库存和预报节段970。
天气预报节段910可以包括用户界面900的提供天气信息的节段。例如,天气预报节段910可以按农场的田地/区域提供天气馈送。在一些实现方式中,天气预报节段910可以包括地图视图,该地图视图描绘农场的地图上的本地化的天气传感器。当前/调度的活动节段920可以包括用户界面900的如下节段,该节段提供与在农场出现的或者被调度以在农场出现的活动有关的信息。例如,当前/调度的活动节段920可以提供如下信息,该信息允许用户通过查看关于当前/调度的活动的细节、向农场设备260、工人和/或外界销售商指派活动等来管理农场。
警报节段930可以包括用户界面900的提供与关联于农场的警报有关的信息的节段。例如,警报节段930可以提供与农场设备260有关的警报(例如,关于耕作设备存在潜在问题的报告)、与田地有关的警报(例如,关于田地存在潜在问题的警报)、财务警报(例如,关于用于在田地中收割农作物的时间、是否存储或者销售农作物等的信息)和/或其它类型的警报。警报节段930还可以提供可视地标识警报的位置的地图。警报节段930也可以提供与警报有关的推荐的做法。
农场状态节段930可以包括用户界面900的如下节段,该节段提供与关联于农场的传感器设备220和/或农场设备260的状态有关的信息。例如,农场状态节段930可以提供可视地描绘传感器设备220的位置和状态、传感器读数、农场设备260、农场设备260的操作状态等的地图。在一些实现方式中,农场状态节段940可以用热地图方式显示农场的特定田地的状态,其中例如绿色区域指示尚未标识问题,黄色区域指示潜在问题存在,并且红色区域指示已经标识了问题。
商品价格和趋势节段950可以包括用户界面900的提供与农作物定价和预测有关的信息的节段。例如,商品价格和趋势节段950可以提供商品定价、按农作物和/或田地的产量预报和/或其它相似类型的信息。分析/报告节段960可以包括用户界面900的提供与农场有关的报告的节段。例如,分析/报告节段960可以提供基于当前信息的报告、基于历史信息的报告和/或与预报的信息有关的报告。在一些实现方式中,分析/报告节段960可以提供允许用户随时间(例如,从先前时间段到当前时间段、到预测的将来时间段)查看信息的可视信息。例如,分析/报告节段960可以使用图像和/或视频的进度来提供田地的进度。产品库存和预报节段970可以包括用户界面900的提供与农作物库存有关的信息的节段。例如,产品库存和预报节段970可以提供允许用户管理库存(例如,按添加库存、销售库存、存储库存、收割库存等)的信息。
虽然图9A示出了用户界面900的示例配置,但是在一些实现方式中,用户界面900可以包括与图9中描绘的节段/元素相比的附加节段/元素、不同节段/元素、更少节段/元素或者被不同地布置的节段/元素。
图9B至图9E是经由用户界面900显示不同图像类型和传感器的示例。参照图9B,假设用户设备210的用户已经请求示出用户的农场的航拍影像以及液流传感器的位置。作为响应,精确农业系统250可以提供如图9B中所示的用户界面900。如所示,用户界面900包括允许用户选择将在用户界面900上显示的信息的节段980。例如,节段980包括事件节段(允许用户标识事件和进行中的工作的位置)、数据和区域节段(允许用户标识待提供的可视地图的类型)、传感器节段(允许用户标识待显示的传感器的类型)和人类输入节段(允许用户标识已经被可视地检查的区域的位置)。假设用户也希望看到温度传感器的位置。作为结果,用户可以从用户界面900的区段980选择温度传感器。
参照图9C,用户界面900现在显示液流传感器和温度传感器的位置。用不同颜色显示这些传感器以帮助在用户界面900中区分不同类型。假设在某个以后时间点,用户对现在使用NDVI影像来查看地图有兴趣。因此,用户可以从用户界面900的节段980选择NDVI。
参照图9D,用户界面900现在显示液流传感器和温度传感器的位置,并且使用航拍NDVI影像来显示地图。最后,假设在某个以后时间点,用户对现在使用红外线影像来查看地图感兴趣。因此,用户可以从用户界面900的区段980选择红外线。参照图9E,用户界面900现在显示液流传感器和温度传感器的位置,并且使用航拍红外线影像而不是航拍NDVI影像来显示地图。
如以上指示的那样,图9B至图9E仅被提供作为示例。其它示例和影像类型是可能的并且可以不同于关于图9A至图9E描述的示例和影像类型。
图10A至图10H是以上参照图7描述的过程的示例1000。示例1000与提供财务警报有关。参照图10A,假设名为鲍勃史密斯的用户是管理多个农场的提供。还假设鲍勃史密斯已经如以上关于图6描述的那样安装了PAS应用并且向精确农业系统250注册以获得精确农业服务。如图10A中所示,鲍勃可以通过录入用户名和口令来登录到精确农业服务。基于选择用户设备210上的登录按钮,用户设备210可以向精确农业系统250发送用于农场信息的请求。请求可以包括鲍勃的登录信息。精确农业系统250可以验证鲍勃的登录信息,并且一旦经验证就发送与鲍勃与之关联的农场有关的信息。
参照图10B,用户设备210显示欢迎屏幕和鲍勃与之关联的农场的列表。如所示,假设鲍勃选择Corvallis农场。参照图10C,用户设备210可以显示包括与Corvallis农场有关的信息的用户界面。如所示,用户界面包括标识Corvallis农场的位置的信息(被示出为在Middleburg中)、用于Middleburg的当前温度信息和用于在Corvallis农场上生长的农作物的市场信息。另外,用户界面包括警报节段1005、示出与农场上的传感器有关的钉的地图节段1010和示出活跃任务的列表的任务节段1015。假设鲍勃希望查看财务警报。作为结果,鲍勃可以选择警报节段1005中的财务警报。
参照图10D,用户设备210在警报节段1005中显示当前财务警报。如所示,财务警报包括与田地121的可能的早收割有关的第一警报和与购买灾难(CAT)保险有关的第二警报。假设鲍勃选择第二警报。参照图10E,用户设备210显示与第二警报有关的具体信息。如所示,用户设备210显示用于增加用于Corvallis农场的CAT保险的推荐。用户设备210也显示不增加保险覆盖的财务影响。最后,用户设备210提供允许用户调度用于与保险代理人讨论增加覆盖的任务的图形元素(被示出为联系人提醒按钮)。假设鲍勃选择按钮。作为结果,用户设备210向精确农业系统250发送通知,精确农业系统250转而调度用于鲍勃的任务。
回到图10D,假设鲍勃现在选择第一警报。参照图10F,用户设备210显示关于执行早收割田地121中的农作物的推荐。如所示,用户设备210显示与早收割有关的四个推荐。第一推荐与比当前调度的日期早11天收割田地11有关。第二推荐与早5天收割有关。第三推荐与如当前调度的那样收割田地有关。第四推荐允许鲍勃调度他想要何时收割田地。用户设备210提供与第一推荐有关的细节。如所示,通过早十一天收割田地121,预测田地121产出16,700蒲式耳并且预测田地121每蒲式耳产生更高价格。假设如所示鲍勃希望获得与第一推荐有关的附加信息并且作为结果而选择了解更多按钮。
参照图10G,用户设备210提供关于第一推荐的附加信息。如所示,用户设备210指示通过早11天收割,财务影响可以是在$45,000与$100,00之间的收入增加。用户设备210也提供允许鲍勃调度早十一天收割田地121的按钮(调度收割)。假设鲍勃选择该按钮。
参照图10H,用户设备210向精确农业系统250发送收割工作订单。收割工作订单标识田地121并且将在比当前调度的日期早11天的特定日期收割该田地121。基于接收收割工作订单,精确农业系统250可以标识与田地121关联的收割工人(或者收割经理)并且向收割工人(或者收割经理)的用户设备发送收割工作订单。假设工作订单指示应当从田地121收割500蒲式耳。作为结果,收割工人可以在田地121中收割500蒲式耳的农作物。一旦收割完成,收割工人就可以使得用户设备向精确农业系统250发送收割工作订单的完成通知。精确农业系统250可以基于通知来更新一个或者多个模型。
附加地,精确农业系统250可以标识与农作物的销售关联的销售工人(或者销售经理)并且向销售工人(或者销售经理)的用户设备发送销售工作订单。假设销售订单指示应当向地区购买者销售500蒲式耳。销售工人(或者销售经理)可以使得500蒲式耳的农作物被装载到卡车上并且递送到地区购买者。销售工人(或者销售经理)可以使得用户设备向精确农业系统250发送销售工作订单的完成通知并且精确农业系统250可以基于通知来更新一个或者多个模型。
如以上指示的那样,图10A至图10H仅被提供作为示例。其它示例是可能的并且可以不同于关于图10A至图10H描述的示例。
图11A至图11D是以上关于图7描述的过程的另一示例1100。参照图11A,再次假设名为鲍勃史密斯的用户已经登录到PAS应用中以从精确农业系统250获得精确农业服务。在示例1100中,假设用户设备210在警报节段1105中提供与设备维护有关的警报。还假设鲍勃如图11A中所示选择警报。
参照图11B,用户设备210在地图节段1110中提供地图,该地图经由钉标识设备在农场上的位置。假设鲍勃希望获得关于警报的更多信息并且作为结果而选择钉。
参照图11C,用户设备210显示与警报有关的具体信息。如所示,用户设备210显示与设备维护警报有关的三个推荐。第一推荐与在接下来8天内执行设备维护有关。第二推荐与在接下来15天内执行设备维护有关。第三推荐与在接下来30天内执行设备维护有关。用户设备210提供与第一推荐有关的细节。如所示,通过不在接下来8天内执行设备维护,有来自与设备与之关联的田地106的产量可以在3%与7%之间减少的可能性。用户设备210也显示不在接下来8天内执行设备维护的财务影响。用户设备210还提供允许鲍勃调度设备维护的按钮(调度维护)。假设鲍勃选择按钮。
参照图11D,用户设备210向精确农业系统250发送用于设备维护的请求。维护请求可以包括标识鲍勃、设备和请求执行维护工作的日期范围的信息。基于接收维护请求,精确农业系统250可以标识与Corvallis农场关联的修理店,并且向修理店发送维护请求。一旦维护工作完成,修理店或者用户设备210就可以向精确农业系统250发送维护工作的完成通知。精确农业系统250可以基于接收的通知来更新一个或者多个模型中的与设备有关的条目。
如以上指示的那样,图11A至图11D仅被提供作为示例。其它示例是可能的并且可以不同于关于图11A至图11D描述的示例。
图12A至图12L是以上关于图7描述的过程的又一示例1200。参照图12A,再次假设名为鲍勃史密斯的用户已经登录到PAS应用中以从精确农业系统250获得精确农业服务。在示例1200中,假设用户设备210在警报节段1205中提供与在田地301的可能的真菌压力问题有关的警报。还假设鲍勃如图12A中所示选择警报。
参照图12B,用户设备210显示与警报有关的具体信息。如所示,用户设备210显示与真菌压力警报有关的三个推荐。第一推荐与在接下来3天内执行对田地310的可视检查有关。第二推荐与在接下来15天内执行可视检查有关。第三推荐与在接下来30天内执行可视检查有关。用户设备210提供与第一推荐有关的细节。如所示,通过不在接下来3天内执行可视检查,有来自田地301的产量可能减少3%与7%之间的可能性。用户设备210还提供允许鲍勃获得关于第一推荐的附加信息的第一按钮(了解更多)和允许鲍勃调度可视检查的第二按钮(调度检查)。假设鲍勃选择第一按钮。
参照图12C,用户设备210显示与警报有关的附加具体信息。如所示,用户设备210随时间显示地图301的NDVI影像。作为结果,鲍勃可以查看在5月1日和5月12日的田地301的NDVI影像。通过下滚(如图12C中所示),鲍勃也可以如关于12D所示的查看在5月22日的田地301的NDVI影像。通过随时间查看田地301的NDVI影像,鲍勃可以可视地标识真菌压力如何随时间恶化。
参照图12E,假设用户设备210提供田地301的NDVI影像的附加细节。如所示,用户设备210提供允许鲍勃随时间容易地查看田地的滚动栏1210。滚动栏1210的底部对应于将来时间段。滚动栏1210的顶部对应于可以比当前时间段早数天、数周、数月或者多于一年的先前时间段。在一些实现方式中,滚动栏1210可以用日期标记。在一些实现方式中,基于对滚动栏1210的选择,用户设备210可以使得滚动栏1210扩展和显示日期。假设鲍勃选择滚动栏1210以使得滚动栏1210扩展并且使得日期出现在滚动栏1210上。
参照图12F,用户设备210可以可视地区分显示的NDVI影像在在滚动栏1210上的日期。假设鲍如在图12G和图12H中所示继续在滚动栏1210上选择更早的日期以随时间查看田地310的NDVI影像。以这一方式,用户可以查看田地的已经拼接在一起(例如,以时间线方式)的图像的进度以确定特定问题已经如何随时间恶化或者改善。
参照图12I,假设用户设备210再次如以上关于图12B描述的那样提供关于真菌压力问题的细节。在图12I中,假设鲍勃选择允许鲍勃调度对田地310的可视检查的第二按钮(调度检查)。
参照图12J,用户设备210向精确农业系统250发送可视检查工作订单。可视检查工作订单标识田地301和可视检查将出现的日期(或者日期范围)。基于接收到可视检查工作订单,精确农业系统250可以标识与田地301关联的工人(或者经理)并且向工人(或者经理)的用户设备发送可视检查工作订单。假设可视检查工作订单指示工人将可视地检查田地301以寻找可能的真菌压力问题。作为结果,工人可以可视地检查田地301。一旦可视检查完成,工人就可以使得用户设备向精确农业系统250发送可视检查的结果,该结果可以包括田地的可视图像。精确农业系统250可以基于接收结果来更新一个或者多个模型并且向用户设备210提供与问题有关的更新的信息。
参照图12K,用户设备210显示与可视检查有关的具体信息。如所示,用户设备210显示已经在田地301中可视地检测到真菌并且推荐对田地的喷洒。用户设备210现在包括允许鲍勃调度用推荐的数量的杀真菌剂喷洒田地301的按钮(调度喷洒器)。假设鲍勃选择按钮。
参照图12L,用户设备210向精确农业系统250发送用于调度田地301的喷洒的指令。指令标识田地301和待喷洒的杀真菌剂的数量。基于接收到指令,精确农业系统250可以标识用于执行喷洒的农场设备260(例如,UAV或者一组UAV)和如何与农场设备260通信。精确农业系统250可以使得农场设备260执行田地301的喷洒。一旦喷洒完成,农场设备260就可以向精确农业系统250发送喷洒的完成通知。精确农业系统250可以基于通知来更新一个或者多个模型并且向用户设备210发送喷洒的结果。
如以上指示的那样,图12A至图12L仅被提供作为示例。其它示例是可能的并且可以不同于关于图12A至图12L描述的示例。
图13A至图13C是以上关于图7描述的过程的再一示例1300。参照图13A,再次假设名为鲍勃史密斯的用户已经登录到PAS应用中以从精确农业系统250获得精确农业服务。在示例1300中,假设用户设备210在警报节段1305中提供与在田地101的可能的低土壤温度问题有关的警报。还假设鲍勃如图13A中所示选择警报。
参照图13B,用户设备210显示与警报有关的具体信息。如所示,用户设备210显示与低土壤湿度警报有关的两个推荐。第一推荐与浇灌田地101有关。第二推荐与执行对与田地101关联的灌溉系统的检查有关。用户设备210提供与第一推荐有关的细节。如所示,通过不浇灌田地101,财务影响可以是在$500与$1,000之间的损失。用户设备210还提供允许鲍勃获得关于第一推荐的附加信息的第一按钮(了解更多)和允许鲍勃自动地浇灌田地的第二按钮(调度灌溉)。假设鲍勃选择第二按钮。
参照图13C,用户设备210向精确农业系统250发送用于将灌溉系统接通特定时间段的指令。指令可以包括标识鲍勃、灌溉系统和灌溉系统将被接通的时间段的信息。基于接收到指令,精确农业系统250可以标识用于灌溉系统的网络地址并且可以通过向灌溉系统发送用于接通的指令来使得灌溉系统被接通。一旦时间段已经流逝,精确农业系统250就可以发送用于关断灌溉系统的指令。精确农业系统250可以基于对田地101的浇灌完成来更新一个或者多个模型。
如以上指示的那样,图13A至图13C仅被提供作为示例。其它示例是可能的并且可以不同于关于图13A至图13C描述的示例。
以这一方式,精确农业系统可以向农场主提供推荐的做法,这些做法辅助农场主运行农场的每日运营。也通过提供财务影响信息,农场主可以快速地实现用于在特定情形中采取的最佳做法。
前文公开内容提供示例和描述、但是未旨在于穷举或者使实现方式限于公开的精确形式。修改和变化按照以上公开内容是可能的或者可以从对实现方式的实现中而被获得。
如这里所用,术语部件旨在于被广义地解释为硬件、固件和/或硬件和软件的组合。
已经在这里描述和/或在图中示出了某些用户界面。用户界面可以包括图形用户界面、非图形用户界面、基于文本的用户界面等。用户界面可以提供用于显示的信息。在一些实现方式中,用户可以比如通过经由设备的输入部件提供输入来与信息交互,该输入部件提供用于显示的用户界面。在一些实现方式中,用户界面可以由设备和/或用户可配置(例如,用户可以改变用户界面的大小、经由用户界面提供的信息、经由用户界面提供的信息的定位等)。附加地或者备选地,用户界面可以被预配置成标准配置、基于用户界面被显示在其上的设备类型的具体配置和/或基于与用户界面被显示在其上的设备关联的能力和/或规范的配置集合。
将清楚,可以在硬件、固件、硬件和软件的组合的不同形式中实施这里描述的系统和/或方法。用来实施这些系统和/或方法的实际专门的控制硬件或者软件代码未限制实现方式。因此,这里描述系统和/或方法的操作和行为而未参照具体软件代码——将理解,软件和硬件可以被设计以实施基于这里的描述的系统和/或方法。
即使在权利要求中记载和/或在说明书中公开了特定特征组合,但是这些组合未旨在于限制可能的实现方式的公开内容。事实上,可以用未在权利要求中具体地记载的和/或在说明书中具体地公开的方式组合这些特征中的许多特征。虽然以下列举的每个从属权利要求可能仅直接地引用一项权利要求,但是可能的实现方式的公开内容包括与该套权利要求中的每个其它权利要求组合的每个从属权利要求。
不应将这里使用的要素、动作或者指令解释为关键或者实质的,除非明确地这样描述。也如这里所用,冠词“一个”旨在于包括一个或者多个项目并且可以与“一个或者多个”可互换地使用。另外,如这里所用,术语“集合”和“组”旨在于包括一个或者多个项目(例如,有关项目、无关项目等)并且可以与“一个或者多个”可互换地使用。在旨在于仅一个项目时,使用术语“一个”或者相似言语。也如这里所用,术语“具有”等旨在于是开放式术语。另外,短语“基于”旨在于意味着“至少部分基于”,除非明确地以别的方式陈述。
Claims (20)
1.一种方法,包括:
由设备的处理器接收数据,
所述数据包括第一数据和第二数据,
所述第一数据从位于一个或者多个农场上的多个传感器设备被接收,以及
所述第二数据从位于所述一个或者多个农场外部的一个或者多个设备被接收;
由所述处理器使用所述数据来创建模型;
由所述处理器接收传感器数据,
所述传感器数据与所述一个或者多个农场中的特定农场有关;
由所述处理器基于所述传感器数据、使用所述模型来标识与所述特定农场关联的警报;
由所述处理器使用所述模型来确定用于处理所述警报的推荐的做法;以及
由所述处理器向与所述特定农场关联的用户设备提供所述推荐的做法。
2.根据权利要求1所述的方法,其中在确定所述推荐的做法时,所述方法包括:
确定用于处理所述警报的多个推荐的做法,
针对所述多个推荐的做法中的每个推荐的做法确定执行所述推荐的做法或者不执行所述推荐的做法的影响,
基于针对每个推荐的做法确定所述影响来对所述多个推荐的做法排名以创建排名列表,以及
其中在提供所述推荐的做法时,所述方法包括:
向所述用户设备提供所述排名列表。
3.根据权利要求1所述的方法,其中在创建所述模型时,所述方法包括:
创建用于所述一个或者多个农场中的农场的多个模型,
所述多个模型包括:
与所述农场的第一部分关联的第一模型,以及
与所述第一模型不同并且与所述农场的第二部分关联的第二模型,
所述第一部分和所述第二部分对应于所述农场的不同田地或者所述农场的不同农作物。
4.根据权利要求1所述的方法,其中所述警报包括以下各项中的一项或者多项:
与关联于所述特定农场的一件耕作设备的维护或者故障有关的耕作设备警报,
与在所述特定农场的田地中检测到疾病有关的疾病警报,
与检测到与所述田地有联系的昆虫问题有关的昆虫警报,或者
与关联于所述田地的灌溉问题有关的灌溉警报。
5.根据权利要求1所述的方法,其中所述警报包括与收割、存储或者销售与所述农场关联的特定农作物有关的警报,并且
其中在确定所述警报时,所述方法包括:
确定用于所述特定农作物的、在所述日历年期间的生长程度天数成熟时间段,
确定用于所述特定农作物的、在所述日历年期间的峰值产量时间段,
基于所述峰值产量时间段预测针对在所述日历年期间的时段的产量,以及
基于预测的所述产量确定所述警报。
6.根据权利要求1所述的方法,还包括:
检测对所述推荐的做法的选择;以及
使得以下各项之一:
自动地执行所述推荐的做法,或者
调度以人工地执行所述推荐的做法。
7.根据权利要求1所述的方法,其中所述推荐的做法包括使得无人机(UAV)捕获所述特定农场的田地的影像,以及
其中所述方法还包括:
检测对所述推荐的做法的选择;
基于检测到所述选择标识特定UAV;以及
使得所述特定UAV捕获所述特定农场的所述田地的图像。
8.一种方法,包括:
由设备接收数据,
所述数据包括第一数据和第二数据,
所述第一数据包括从位于一个或者多个农场上的传感器设备接收的与传感器有关的数据,以及
所述第二数据包括从位于所述一个或者多个农场外部的设备接收的与耕作有关的数据;
由所述设备使用所述数据来创建模型;
由所述设备在创建所述模型之后接收传感器数据,
所述传感器数据从位于特定农场上的传感器设备被接收;由所述设备基于所述传感器数据、使用所述模型来标识与所述特定农场关联的警报;
由所述设备使用所述模型来确定用于处理所述警报的推荐的做法;以及
由所述设备向与所述特定农场关联的用户设备提供所述推荐的做法。
9.根据权利要求8所述的方法,其中确定所述推荐的做法包括:
确定用于处理所述警报的多个推荐的做法,
针对所述多个推荐的做法中的每个推荐的做法确定执行所述推荐的做法或者不执行所述推荐的做法的影响,
基于针对每个推荐的做法确定所述影响来对所述多个推荐的做法排序以创建排序列表,以及
其中提供所述推荐的做法包括:
向所述用户设备提供所述排序列表。
10.根据权利要求8所述的方法,其中创建所述模型包括:
创建用于所述一个或者多个农场中的农场的多个模型,
所述多个模型包括:
第一模型,
所述第一模型与所述农场的第一部分关联,以及
第二模型,
所述第二模型不同于所述第一模型,
所述第二模型与所述农场的第二部分关联,以及
所述第一部分和所述第二部分对应于所述农场的不同农作物或者所述农场的不同田地。
11.根据权利要求8所述的方法,其中所述传感器数据与所述特定农场的特定田地有关,
其中所述警报与害虫侵害或者疾病有关,并且
其中所述方法还包括:
向所述用户设备提供所述田地的图像集合,
所述图像集合提供所述害虫侵害或者所述疾病对所述田地的影响随时间的时间线。
12.根据权利要求8所述的方法,其中所述警报包括以下各项中的一项或者多项:
与关联于所述特定农场的一件耕作设备的维护或者故障有关的耕作设备警报,
与在所述特定农场的田地中检测到疾病有关的疾病警报,
与检测到与所述田地有联系的昆虫问题有关的昆虫警报,或者
与所述田地的灌溉问题有关的灌溉警报。
13.根据权利要求8所述的方法,还包括:
检测对所述推荐的做法的选择;以及
使得以下各项之一:
自动地执行所述推荐的做法,或者
调度以人工地执行所述推荐的做法。
14.根据权利要求8所述的方法,还包括:
检测对所述推荐的做法的选择;以及
基于检测到所述选择来使得无人机(UAV)对所述特定农场执行所述推荐的做法。
15.一种设备,包括:
用于接收传感器数据的装置,
所述传感器数据从位于特定农场上的传感器设备被接收;
用于基于所述传感器数据、使用模型来标识与所述特定农场关联的警报的装置,
所述模型基于与多个农场有关的影像数据和数值数据被创建;
用于使用所述模型来确定用于处理所述警报的推荐的做法的装置;以及
用于向与所述特定农场关联的用户设备提供所述推荐的做法的装置。
16.根据权利要求15所述的设备,其中所述警报与收割、存储或者销售与所述特定农场关联的特定农作物有关,并且
其中用于标识所述警报的装置包括:
用于确定用于所述特定农作物的、在所述日历年期间的生长程度天数成熟时间段的装置,
用于确定用于所述特定农作物的、在所述日历年期间的峰值产量时间段的装置,
用于基于所述峰值产量时间段预测针对在所述日历年期间的时段的产量的装置,以及
用于基于预测的所述产量确定所述警报的装置。
17.根据权利要求15所述的设备,其中用于确定所述推荐的做法的装置包括:
用于确定执行所述推荐的做法或者不执行所述推荐的做法的影响的装置,并且
其中用于提供所述推荐的做法的装置包括:
用于提供信息的装置,所述信息标识执行所述推荐的做法或者不执行所述推荐的做法的所述影响。
18.根据权利要求15所述的设备,其中用于确定所述推荐的做法的装置包括:
用于确定用于处理所述警报的多个推荐的做法的装置,
用于针对所述多个推荐的做法中的每个推荐的做法确定执行所述推荐的做法或者不执行所述推荐的做法的影响的装置,
用于基于针对每个推荐的做法确定所述影响来对所述多个推荐的做法排名以创建排名列表的装置,并且
其中用于提供所述推荐的做法的所述装置包括:
用于向所述用户设备提供所述排名列表的装置。
19.根据权利要求15所述的设备,还包括:
用于检测对所述推荐的做法的选择的装置;以及
用于使得以下各项之一的装置:
自动地执行所述推荐的做法,或者
调度以人工地执行所述推荐的做法。
20.根据权利要求15所述的设备,还包括:
用于检测对所述推荐的做法的选择的装置;以及
用于基于检测到所述选择来使得无人机(UAV)对所述特定农场执行所述推荐的做法的装置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562103415P | 2015-01-14 | 2015-01-14 | |
US62/103,415 | 2015-01-14 | ||
US14/663,989 | 2015-03-20 | ||
US14/663,989 US9792557B2 (en) | 2015-01-14 | 2015-03-20 | Precision agriculture system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787801A true CN105787801A (zh) | 2016-07-20 |
CN105787801B CN105787801B (zh) | 2022-04-15 |
Family
ID=55168157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610024172.1A Active CN105787801B (zh) | 2015-01-14 | 2016-01-14 | 精确农业系统 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9792557B2 (zh) |
EP (1) | EP3046066B1 (zh) |
CN (1) | CN105787801B (zh) |
AU (2) | AU2016200178A1 (zh) |
CA (1) | CA2917515C (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373020A (zh) * | 2016-08-30 | 2017-02-01 | 山东胜伟园林科技有限公司 | 一种物联网喷灌系统中断应急方法 |
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
CN107465712A (zh) * | 2016-08-09 | 2017-12-12 | 唐轩韬 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
WO2018138648A1 (en) | 2017-01-24 | 2018-08-02 | Gamaya Sa | Method and apparatus for recording, processing, visualisation and application of agronomical data |
CN108830309A (zh) * | 2018-05-31 | 2018-11-16 | 天津时空经纬信息技术有限公司 | 预测场地的地质状况的方法、存储介质和设备 |
CN109360394A (zh) * | 2018-09-30 | 2019-02-19 | 康美中药材数据信息服务有限公司 | 一种药材生产环境预警系统 |
CN109548532A (zh) * | 2018-12-25 | 2019-04-02 | 北京京鹏环球科技股份有限公司 | 一种基于rfid技术的自动越跨喷灌机系统 |
CN109922651A (zh) * | 2016-10-18 | 2019-06-21 | 巴斯夫农化商标有限公司 | 规划和实施农业措施 |
CN111108517A (zh) * | 2017-09-29 | 2020-05-05 | 巴斯夫欧洲公司 | 用于作物保护优化的系统和方法 |
CN111565557A (zh) * | 2017-11-09 | 2020-08-21 | 克莱米特公司 | 根据田地的杂交种子选择和种子投资组合优化 |
CN112465287A (zh) * | 2019-09-09 | 2021-03-09 | 国际商业机器公司 | 改进农场耕种质量 |
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN112700204A (zh) * | 2019-10-23 | 2021-04-23 | 广州极飞科技有限公司 | 农业控制系统中工作流生成方法和装置 |
CN113137954A (zh) * | 2016-09-03 | 2021-07-20 | 微软技术许可有限责任公司 | 根据视频和地面内传感器数据生成实时传感器地图 |
CN113226008A (zh) * | 2018-10-19 | 2021-08-06 | 巴斯夫欧洲公司 | 用于作物保护优化的计算机系统和计算机实现的方法 |
CN113485491A (zh) * | 2021-05-20 | 2021-10-08 | 西安微媒软件有限公司 | 一种大棚智能检测控制模型及装置 |
CN113766827A (zh) * | 2019-06-26 | 2021-12-07 | 株式会社久保田 | 联合收割机 |
CN113923978A (zh) * | 2019-06-26 | 2022-01-11 | 莱利专利股份有限公司 | 用于刈割植物、尤其是草的系统以及通过此系统来喂养动物的方法 |
Families Citing this family (171)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150272105A1 (en) * | 2012-09-28 | 2015-10-01 | Agco Corporation | Real Time Sensing of Pests |
US10234439B2 (en) * | 2012-11-07 | 2019-03-19 | Airscout Inc. | Methods and systems for analyzing a field |
WO2015006600A1 (en) * | 2013-07-10 | 2015-01-15 | Agco Corporation | Automating distribution of work in a field |
US10453018B2 (en) | 2014-01-14 | 2019-10-22 | Deere & Company | Agricultural information sensing and retrieval |
US10311527B2 (en) | 2014-01-14 | 2019-06-04 | Deere & Company | Agronomic variation and team performance analysis |
TWI574607B (zh) * | 2014-11-27 | 2017-03-21 | 國立臺灣大學 | 用於作物的施藥系統及其施藥方法 |
EP3276544A1 (en) | 2016-07-29 | 2018-01-31 | Accenture Global Solutions Limited | Precision agriculture system |
US9792557B2 (en) | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
US11026376B2 (en) | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
US10685408B2 (en) | 2015-03-27 | 2020-06-16 | Omniearth, Inc. | System and method for predicting crop yield |
US9552638B2 (en) * | 2015-04-27 | 2017-01-24 | Omniearth, Inc. | System and method for managing water |
US10817962B2 (en) * | 2015-05-01 | 2020-10-27 | Hitachi, Ltd. | Farm field management apparatus, farm field management method, and storage medium |
EP3304439A4 (en) | 2015-05-25 | 2018-10-31 | Agromentum Ltd. | Closed loop integrated pest management |
US9745060B2 (en) * | 2015-07-17 | 2017-08-29 | Topcon Positioning Systems, Inc. | Agricultural crop analysis drone |
WO2017024254A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
WO2017040492A1 (en) * | 2015-09-01 | 2017-03-09 | Wal-Mart Stores, Inc. | Method and apparatus to automatically facilitate changes to a fresh produce display |
US10416351B2 (en) * | 2015-09-10 | 2019-09-17 | The Climate Corporation | Generating probabilistic estimates of rainfall rates from radar reflectivity measurements |
US9807932B2 (en) * | 2015-10-02 | 2017-11-07 | Deere & Company | Probabilistic control of an agricultural machine |
US11062223B2 (en) * | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
US10255296B2 (en) | 2016-02-25 | 2019-04-09 | Omniearth, Inc. | System and method for managing geodemographic data |
US10275731B2 (en) * | 2016-07-06 | 2019-04-30 | Agrian, Inc. | Multi-year crop yield analysis using remotely-sensed imagery for missing or incomplete yield events for site-specific variable rate applications |
US20180020622A1 (en) * | 2016-07-25 | 2018-01-25 | CiBo Technologies Inc. | Agronomic Database and Data Model |
EP3500086B1 (en) * | 2016-08-18 | 2023-07-26 | Tevel Aerobotics Technologies Ltd | System and method for drone fleet management for harvesting and dilution |
US10410299B2 (en) | 2016-08-24 | 2019-09-10 | The Climate Corporation | Optimizing split fertilizer application |
US10772269B2 (en) * | 2016-08-25 | 2020-09-15 | International Business Machines Corporation | Predicting crop productivity via intervention planning on small-scale farms |
JP6753936B2 (ja) * | 2016-09-07 | 2020-09-09 | ボッシュ株式会社 | 情報処理装置および情報処理システム |
WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
US10650621B1 (en) | 2016-09-13 | 2020-05-12 | Iocurrents, Inc. | Interfacing with a vehicular controller area network |
WO2018085452A1 (en) | 2016-11-07 | 2018-05-11 | FarmX Inc. | Systems and Methods for Soil Modeling and Automatic Irrigation Control |
UA126066C2 (uk) * | 2016-12-01 | 2022-08-10 | Кінз Меньюфекчурінг, Інк. | Системи, способи і/або пристрої для забезпечення користувацького дисплея та інтерфейсу для використання з сільськогосподарським знаряддям |
US10359336B2 (en) * | 2016-12-09 | 2019-07-23 | Verizon Patent And Licensing Inc. | Leak detection in irrigation systems |
US10533956B2 (en) | 2016-12-14 | 2020-01-14 | FarmX Inc. | Multi-depth soil moisture monitoring systems and methods to evaluate soil type, packaged in small round polyvinyl chloride tube, with potting and rodent protection, for effective measurements and installation |
EP3340130A1 (en) | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
US11519896B2 (en) | 2017-01-13 | 2022-12-06 | FarmX Inc. | Soil moisture monitoring systems and methods for measuring mutual inductance of area of influence using radio frequency stimulus |
US10746720B2 (en) | 2017-01-13 | 2020-08-18 | FarmX Inc. | Soil moisture monitoring systems and methods for measuring mutual inductance of area of influence using radio frequency stimulus |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
US10509872B2 (en) * | 2017-03-08 | 2019-12-17 | The Climate Corporation | Location selection for treatment sampling |
CN107104948A (zh) * | 2017-03-21 | 2017-08-29 | 深圳洲际通航投资控股有限公司 | 无人机数据传输方法和无人机数据传输系统 |
US11461884B2 (en) | 2017-03-29 | 2022-10-04 | Nec Corporation | Field management apparatus, field management method, and computer readable recording medium |
US11257172B2 (en) * | 2017-04-26 | 2022-02-22 | International Business Machines Corporation | Cognitive based decision support system for agriculture |
CN107169107B (zh) * | 2017-05-18 | 2021-02-02 | 广州市拓狗信息科技有限公司 | 一种基于大数据分析的水产养殖辅助方法及系统 |
US10694668B2 (en) | 2017-06-19 | 2020-06-30 | Deere & Company | Locally controlling settings on a combine harvester based on a remote settings adjustment |
US11789413B2 (en) | 2017-06-19 | 2023-10-17 | Deere & Company | Self-learning control system for a mobile machine |
US11589507B2 (en) | 2017-06-19 | 2023-02-28 | Deere & Company | Combine harvester control interface for operator and/or remote user |
US10310455B2 (en) | 2017-06-19 | 2019-06-04 | Deere & Company | Combine harvester control and communication system |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和系统 |
US11073843B2 (en) * | 2017-07-06 | 2021-07-27 | Kubota Corporation | Agricultural field management system, agricultural field management method, and management machine |
US10247717B2 (en) * | 2017-07-14 | 2019-04-02 | SafeNet International LLC | Method of efficient acquisition of soil data using image mapping |
WO2019027911A1 (en) | 2017-07-31 | 2019-02-07 | Smallhold, Inc. | DISTRIBUTED AGRICULTURE SYSTEM AND ASSOCIATED COMPONENTS |
CN111246729B (zh) * | 2017-08-21 | 2022-12-23 | 克莱米特有限责任公司 | 用于实施农田试验的农田数字建模和跟踪 |
US10438302B2 (en) * | 2017-08-28 | 2019-10-08 | The Climate Corporation | Crop disease recognition and yield estimation |
NO20171437A1 (en) * | 2017-09-05 | 2019-03-06 | Orkel Dev As | Method for collection and processing of information related to baling of nutrient containing bales. |
CA3073291C (en) | 2017-09-11 | 2023-01-17 | Farmers Edge Inc. | Generating a yield map for an agricultural field using classification and regression methods |
US10983249B2 (en) | 2017-09-14 | 2021-04-20 | Farmers Edge Inc. | Indicator interpolation to predict a weather state |
US10423850B2 (en) | 2017-10-05 | 2019-09-24 | The Climate Corporation | Disease recognition from images having a large field of view |
US20190108631A1 (en) * | 2017-10-06 | 2019-04-11 | AgriSight, Inc. | System and method for field pattern analysis |
US20220309595A1 (en) * | 2017-10-13 | 2022-09-29 | Atp Labs Ltd. | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain |
US20210209705A1 (en) * | 2017-10-13 | 2021-07-08 | Atp Labs Ltd. | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain |
US11308735B2 (en) * | 2017-10-13 | 2022-04-19 | Deere & Company | Unmanned aerial vehicle (UAV)-assisted worksite data acquisition |
US10761544B2 (en) | 2017-10-13 | 2020-09-01 | Deere & Company | Unmanned aerial vehicle (UAV)-assisted worksite operations |
US11164266B2 (en) * | 2017-10-27 | 2021-11-02 | International Business Machines Corporation | Protection of water providing entities from loss due to environmental events |
US10721630B2 (en) | 2017-11-06 | 2020-07-21 | Cisco Technology, Inc. | Automated sensor coverage optimization with an actuating walker agent |
DE102017220539A1 (de) * | 2017-11-17 | 2019-05-23 | Zf Friedrichshafen Ag | Verfahren zum Betreiben eines Systems aus einem landwirtschaftlichen Arbeitsfahrzeug und zumindest einem an diesem angeordneten Arbeitsgerät |
US10779458B2 (en) * | 2017-12-01 | 2020-09-22 | International Business Machines Corporation | Monitoring aerial application tasks and recommending corrective actions |
US11516976B2 (en) * | 2017-12-11 | 2022-12-06 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
WO2019121097A1 (en) * | 2017-12-21 | 2019-06-27 | Basf Se | Apparatus for determining agricultural relevant information |
US10492374B2 (en) | 2017-12-28 | 2019-12-03 | X Development Llc | Capture of ground truthed labels of plant traits method and system |
US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
WO2019152525A1 (en) * | 2018-01-30 | 2019-08-08 | Aero Vironment, Inc. | Methods and systems for cloud-based management of images captured by aerial vehicles |
US11205073B2 (en) | 2018-03-30 | 2021-12-21 | Greensight Agronomics, Inc. | System to automatically detect and report changes over time in a large imaging data set |
US11116145B2 (en) | 2018-03-30 | 2021-09-14 | Greensight Argonomics, Inc. | Automated optimization of agricultural treatments based on raster image data system |
US11235874B2 (en) | 2018-03-30 | 2022-02-01 | Greensight Agronomics, Inc. | Automated drone-based spraying system |
US20190325466A1 (en) | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Satellite-based agricultural modeling |
BR112020022331A2 (pt) * | 2018-05-02 | 2021-02-02 | Supplant Ltd. | sistemas e métodos para aplicar uma prática agrícola a um campo agrícola alvo |
US10755367B2 (en) * | 2018-05-10 | 2020-08-25 | The Climate Corporation | Analysis and presentation of agricultural data |
US10782672B2 (en) | 2018-05-15 | 2020-09-22 | Deere & Company | Machine control system using performance score based setting adjustment |
US11055447B2 (en) | 2018-05-28 | 2021-07-06 | Tata Consultancy Services Limited | Methods and systems for adaptive parameter sampling |
US10783594B2 (en) * | 2018-06-19 | 2020-09-22 | International Business Machines Corporation | Agriculture management based on farmer expertise and interests |
US10902954B2 (en) * | 2018-06-25 | 2021-01-26 | International Business Machines Corporation | Mosquito population minimizer |
US11138712B2 (en) * | 2018-07-12 | 2021-10-05 | TerraClear Inc. | Systems and methods to determine object position using images captured from mobile image collection vehicle |
WO2020014649A1 (en) * | 2018-07-13 | 2020-01-16 | DreamHammer Corporation | Geospatial asset management |
CN109285141B (zh) * | 2018-07-27 | 2021-06-25 | 仲恺农业工程学院 | 一种植保无人机喷施效果的实时检测方法 |
WO2020034039A1 (en) * | 2018-08-17 | 2020-02-20 | Hortau Inc. | Systems and methods for monitoring and regulating plant productivity |
US11166404B2 (en) | 2018-09-02 | 2021-11-09 | FarmX Inc. | Systems and methods for virtual agronomic sensing |
US10524461B1 (en) * | 2018-09-25 | 2020-01-07 | Jace W. Files | Pest detector to identify a type of pest using machine learning |
US11234380B2 (en) | 2018-09-27 | 2022-02-01 | Rain Bird Corporation | Irrigation controller with relays |
WO2020071050A1 (ja) * | 2018-10-03 | 2020-04-09 | ボッシュ株式会社 | 表示装置 |
US11346799B2 (en) | 2018-10-12 | 2022-05-31 | Northeastern University | Zero-power wireless chemical sensor for agricultural pests and disease monitoring |
US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
WO2020084414A1 (en) * | 2018-10-22 | 2020-04-30 | Radient Technologies Innovations Inc. | Yield and market analytics |
WO2020086814A1 (en) * | 2018-10-24 | 2020-04-30 | The Climate Corporation | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
CA3119625A1 (en) * | 2018-11-14 | 2020-05-22 | Starlight Ag, Llc | Systems and methods for selective and real-time user interface display |
US10990875B2 (en) * | 2018-11-28 | 2021-04-27 | International Business Machines Corporation | Neural network forecasting for tiered hydroponic natural farming configurations |
US11108849B2 (en) | 2018-12-03 | 2021-08-31 | At&T Intellectual Property I, L.P. | Global internet of things (IOT) quality of service (QOS) realization through collaborative edge gateways |
BR112021011955A2 (pt) * | 2018-12-27 | 2021-09-08 | Bayer Cropscience K.K. | Dispositivo de processamento de informação e sistema de processamento de informação |
US20200217830A1 (en) | 2019-01-08 | 2020-07-09 | AgroScout Ltd. | Autonomous crop monitoring system and method |
US11927538B2 (en) | 2019-01-19 | 2024-03-12 | Northeastern University | Zero-power wireless system for crop water content monitoring |
US10659144B1 (en) | 2019-01-31 | 2020-05-19 | At&T Intellectual Property I, L.P. | Management of massively distributed internet of things (IOT) gateways based on software-defined networking (SDN) via fly-by master drones |
CA3125793C (en) | 2019-02-05 | 2022-04-05 | Farmers Edge Inc. | Harvest confirmation system and method |
AR118178A1 (es) | 2019-02-21 | 2021-09-22 | Climate Corp | Seguimiento y modelo digital de campos agrícolas para la implementación de ensayos de campo agrícolas |
US11120552B2 (en) | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
BR112021017318A2 (pt) | 2019-04-10 | 2021-11-16 | Climate Corp | Engenharia de recursos de alavancagem para aumentar a previsibilidade de colocação para seleção de produtos de sementes e recomendação por campo |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
CN110210408B (zh) * | 2019-06-04 | 2020-06-02 | 黑龙江省七星农场 | 基于卫星与无人机遥感结合的作物生长预测系统及方法 |
US11553640B2 (en) | 2019-06-11 | 2023-01-17 | Cnh Industrial Canada, Ltd. | Agricultural wear monitoring system |
US11800861B2 (en) | 2019-06-27 | 2023-10-31 | Valmont Industries, Inc. | System, method and apparatus for providing variable rate application of applicants to discrete field locations |
US11440659B2 (en) * | 2019-09-12 | 2022-09-13 | National Formosa University | Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies |
JP7140086B2 (ja) * | 2019-10-04 | 2022-09-21 | オムロン株式会社 | 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム |
US11651248B2 (en) | 2019-10-10 | 2023-05-16 | International Business Machines Corporation | Farm data annotation and bias detection |
CN110751412B (zh) * | 2019-10-28 | 2023-05-23 | 云南瀚哲科技有限公司 | 一种农业气象灾害预警方法及系统 |
US11864494B2 (en) * | 2019-10-29 | 2024-01-09 | Landing AI | AI-optimized harvester configured to maximize yield and minimize impurities |
US11457554B2 (en) * | 2019-10-29 | 2022-10-04 | Kyndryl, Inc. | Multi-dimension artificial intelligence agriculture advisor |
AU2020402623A1 (en) * | 2019-12-09 | 2022-03-31 | Valmont Industries, Inc. | System, method and apparatus for integration of field, crop and irrigation equipment data for irrigation management |
US11580389B2 (en) * | 2020-01-14 | 2023-02-14 | International Business Machines Corporation | System and method for predicting fall armyworm using weather and spatial dynamics |
US11357181B2 (en) | 2020-02-12 | 2022-06-14 | Rain Bird Corporation | Data modulated signal generation in a multi-wire irrigation control system |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
WO2021225528A1 (en) * | 2020-05-08 | 2021-11-11 | Vulcan Ai Pte. Ltd. | System and method for ai-based improvement of harvesting operations |
EP3910583A1 (en) | 2020-05-12 | 2021-11-17 | Exel Industries | Method of cultivation of a plot of land and corresponding system |
EP4182842A1 (en) | 2020-07-16 | 2023-05-24 | Climate LLC | Predicting horticultural yield for a field location using multi-band aerial imagery |
WO2022019230A1 (en) * | 2020-07-22 | 2022-01-27 | Bayer Cropscience K.K. | Display device and method for controlling said display device |
US11774959B2 (en) * | 2020-07-30 | 2023-10-03 | Caterpillar Paving Products Inc. | Systems and methods for providing machine configuration recommendations |
US11464179B2 (en) | 2020-07-31 | 2022-10-11 | FarmX Inc. | Systems providing irrigation optimization using sensor networks and soil moisture modeling |
US11119485B1 (en) * | 2020-10-07 | 2021-09-14 | Accenture Global Solutions Limited | Drone operational advisory engine |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
US11896002B2 (en) | 2020-10-30 | 2024-02-13 | Lindsay Corporation | Systems and methods for scheduling and coordinating applications of fertilizers, pesticides, and water in agricultural fields |
US11882799B2 (en) | 2020-10-30 | 2024-01-30 | Lindsay Corporation | System and method for coordinating movement of agricultural machines and irrigation systems |
US12008663B2 (en) | 2020-11-02 | 2024-06-11 | Texas State University | Comprehensive multi-criteria multi-objective economic analysis tool for growing crops |
US11823448B2 (en) * | 2021-04-29 | 2023-11-21 | International Business Machines Corporation | Agricultural crop identification using satellite and crop rotation |
US11941880B2 (en) * | 2021-06-02 | 2024-03-26 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for image-based crop identification |
US20230025714A1 (en) * | 2021-07-16 | 2023-01-26 | Bovi, Inc. | Swarm Based Orchard Management |
WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
CA3230474A1 (en) | 2021-08-31 | 2023-03-09 | Eleanor Elizabeth Campbell | Systems and methods for ecosystem credit recommendations |
US11889819B2 (en) | 2021-09-29 | 2024-02-06 | Substrate Ai Sa | Methods and apparatus to adaptively optimize feed blend and medicinal selection using machine learning to optimize animal milk production and health |
US11399531B1 (en) * | 2021-10-20 | 2022-08-02 | Verdant Robotics, Inc. | Precision detection and control of vegetation with real time pose estimation |
US20230171303A1 (en) * | 2021-12-01 | 2023-06-01 | X Development Llc | Dynamic allocation of platform-independent machine learning state machines between edge-based and cloud-based computing resources |
WO2023168506A1 (pt) * | 2022-03-11 | 2023-09-14 | Fundação Universidade Federal De São Carlos | Método e sistema de análise e processamento de imagens para estimativa de cobertura vegetal por meio de software em aprendizagem de máquina |
US20230401499A1 (en) * | 2022-06-10 | 2023-12-14 | International Business Machines Corporation | Increasing data diversity to enhance artificial intelligence decisions |
CN115049808A (zh) * | 2022-06-29 | 2022-09-13 | 上海德类科技发展有限公司 | 一种基于模拟农业特征的方法、系统、设备及存储介质 |
WO2024004770A1 (ja) * | 2022-07-01 | 2024-01-04 | 国立大学法人東京農工大学 | センシングシステム及びセンシング方法 |
US20240032492A1 (en) * | 2022-07-29 | 2024-02-01 | Climate Llc | Methods And Systems For Use In Mapping Irrigation Based On Remote Data |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872440A (zh) * | 2009-04-21 | 2010-10-27 | 迪尔公司 | 用于管理资源使用的系统和方法 |
US20110137547A1 (en) * | 2009-12-03 | 2011-06-09 | Electronics And Telecommunications Research Institute | System and method for generating spatial information |
US20140012732A1 (en) * | 2010-10-25 | 2014-01-09 | Trimble Navigation Limited | Generating a crop recommendation |
US20140089045A1 (en) * | 2012-09-27 | 2014-03-27 | Superior Edge, Inc. | Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users |
CN104010020A (zh) * | 2013-10-31 | 2014-08-27 | 杭州古北电子科技有限公司 | 一种基于物联网的个人农场系统 |
CN104381096A (zh) * | 2014-12-09 | 2015-03-04 | 武汉大学 | 一种基于zigbee网络的插入式无线灌溉排渍装置 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5897619A (en) * | 1994-11-07 | 1999-04-27 | Agriperil Software Inc. | Farm management system |
US6526120B1 (en) * | 1998-05-06 | 2003-02-25 | Joseph N. Gray | X-ray flow rate measurement system for materials, including agricultural materials and food products |
US20060282467A1 (en) * | 2005-06-10 | 2006-12-14 | Pioneer Hi-Bred International, Inc. | Field and crop information gathering system |
CN100493212C (zh) | 2007-05-24 | 2009-05-27 | 中国科学院合肥物质科学研究院 | 大田作物病虫害智能预警系统 |
CN101887156B (zh) | 2009-05-14 | 2013-06-05 | 鸿富锦精密工业(深圳)有限公司 | 转接环及其使用该转接环的镜头模组 |
US9538710B2 (en) | 2010-04-01 | 2017-01-10 | Tony Wayne Covely | Crop product tracking system and method |
US8855937B2 (en) * | 2010-10-25 | 2014-10-07 | Trimble Navigation Limited | Crop characteristic estimation |
US9408342B2 (en) * | 2010-10-25 | 2016-08-09 | Trimble Navigation Limited | Crop treatment compatibility |
US9058633B2 (en) * | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
US20140067745A1 (en) * | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
US9924629B2 (en) * | 2013-06-21 | 2018-03-27 | Appareo Systems, Llc | Method and system for optimizing planting operations |
WO2015102731A2 (en) * | 2013-10-18 | 2015-07-09 | Aerovironment, Inc. | Privacy shield for unmanned aerial systems |
US20150254800A1 (en) * | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
US10104836B2 (en) * | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
US9131644B2 (en) * | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
CA3237917A1 (en) | 2014-08-22 | 2016-02-25 | Climate Llc | Methods for agronomic and agricultural monitoring using unmanned aerial systems |
US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
US10255387B2 (en) * | 2015-01-23 | 2019-04-09 | Clearag, Inc. | Modeling of crop growth for desired moisture content of bovine feedstuff and determination of harvest windows for high-moisture corn using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
US9201991B1 (en) * | 2015-01-23 | 2015-12-01 | Iteris, Inc. | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
WO2017024254A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
US9563848B1 (en) * | 2016-07-06 | 2017-02-07 | Agrian, Inc. | Weighted multi-year yield analysis for prescription mapping in site-specific variable rate applications in precision agriculture |
-
2015
- 2015-03-20 US US14/663,989 patent/US9792557B2/en active Active
-
2016
- 2016-01-12 AU AU2016200178A patent/AU2016200178A1/en not_active Abandoned
- 2016-01-14 CN CN201610024172.1A patent/CN105787801B/zh active Active
- 2016-01-14 EP EP16151175.3A patent/EP3046066B1/en active Active
- 2016-01-14 CA CA2917515A patent/CA2917515C/en active Active
- 2016-05-09 US US15/149,888 patent/US9959507B2/en active Active
-
2017
- 2017-09-15 AU AU2017228695A patent/AU2017228695B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872440A (zh) * | 2009-04-21 | 2010-10-27 | 迪尔公司 | 用于管理资源使用的系统和方法 |
US20110137547A1 (en) * | 2009-12-03 | 2011-06-09 | Electronics And Telecommunications Research Institute | System and method for generating spatial information |
US20140012732A1 (en) * | 2010-10-25 | 2014-01-09 | Trimble Navigation Limited | Generating a crop recommendation |
US20140089045A1 (en) * | 2012-09-27 | 2014-03-27 | Superior Edge, Inc. | Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users |
CN104010020A (zh) * | 2013-10-31 | 2014-08-27 | 杭州古北电子科技有限公司 | 一种基于物联网的个人农场系统 |
CN104381096A (zh) * | 2014-12-09 | 2015-03-04 | 武汉大学 | 一种基于zigbee网络的插入式无线灌溉排渍装置 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107465712A (zh) * | 2016-08-09 | 2017-12-12 | 唐轩韬 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
CN106373020A (zh) * | 2016-08-30 | 2017-02-01 | 山东胜伟园林科技有限公司 | 一种物联网喷灌系统中断应急方法 |
CN113137954B (zh) * | 2016-09-03 | 2023-06-27 | 微软技术许可有限责任公司 | 根据视频和地面内传感器数据生成实时传感器地图 |
CN113137954A (zh) * | 2016-09-03 | 2021-07-20 | 微软技术许可有限责任公司 | 根据视频和地面内传感器数据生成实时传感器地图 |
CN109922651A (zh) * | 2016-10-18 | 2019-06-21 | 巴斯夫农化商标有限公司 | 规划和实施农业措施 |
WO2018138648A1 (en) | 2017-01-24 | 2018-08-02 | Gamaya Sa | Method and apparatus for recording, processing, visualisation and application of agronomical data |
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
CN107229999B (zh) * | 2017-05-31 | 2020-12-25 | 深圳春沐源控股有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
CN111108517A (zh) * | 2017-09-29 | 2020-05-05 | 巴斯夫欧洲公司 | 用于作物保护优化的系统和方法 |
CN111108517B (zh) * | 2017-09-29 | 2024-05-28 | 巴斯夫欧洲公司 | 用于作物保护优化的系统和方法 |
US11562444B2 (en) | 2017-11-09 | 2023-01-24 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
CN111565557A (zh) * | 2017-11-09 | 2020-08-21 | 克莱米特公司 | 根据田地的杂交种子选择和种子投资组合优化 |
CN108830309A (zh) * | 2018-05-31 | 2018-11-16 | 天津时空经纬信息技术有限公司 | 预测场地的地质状况的方法、存储介质和设备 |
CN108830309B (zh) * | 2018-05-31 | 2021-05-18 | 天津时空经纬信息技术有限公司 | 路面损害的预测方法、存储介质和设备 |
CN109360394A (zh) * | 2018-09-30 | 2019-02-19 | 康美中药材数据信息服务有限公司 | 一种药材生产环境预警系统 |
CN113226008A (zh) * | 2018-10-19 | 2021-08-06 | 巴斯夫欧洲公司 | 用于作物保护优化的计算机系统和计算机实现的方法 |
CN109548532B (zh) * | 2018-12-25 | 2023-09-05 | 北京京鹏环球科技股份有限公司 | 一种基于rfid技术的自动越跨喷灌机系统 |
CN109548532A (zh) * | 2018-12-25 | 2019-04-02 | 北京京鹏环球科技股份有限公司 | 一种基于rfid技术的自动越跨喷灌机系统 |
CN113766827A (zh) * | 2019-06-26 | 2021-12-07 | 株式会社久保田 | 联合收割机 |
CN113923978A (zh) * | 2019-06-26 | 2022-01-11 | 莱利专利股份有限公司 | 用于刈割植物、尤其是草的系统以及通过此系统来喂养动物的方法 |
CN113766827B (zh) * | 2019-06-26 | 2023-05-09 | 株式会社久保田 | 联合收割机 |
CN113923978B (zh) * | 2019-06-26 | 2024-03-29 | 莱利专利股份有限公司 | 用于刈割植物、尤其是草的系统以及通过此系统来喂养动物的方法 |
CN112465287A (zh) * | 2019-09-09 | 2021-03-09 | 国际商业机器公司 | 改进农场耕种质量 |
CN112700204A (zh) * | 2019-10-23 | 2021-04-23 | 广州极飞科技有限公司 | 农业控制系统中工作流生成方法和装置 |
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN113485491A (zh) * | 2021-05-20 | 2021-10-08 | 西安微媒软件有限公司 | 一种大棚智能检测控制模型及装置 |
Also Published As
Publication number | Publication date |
---|---|
AU2017228695A1 (en) | 2017-10-05 |
CN105787801B (zh) | 2022-04-15 |
AU2017228695B2 (en) | 2019-08-29 |
US9792557B2 (en) | 2017-10-17 |
CA2917515A1 (en) | 2016-07-14 |
EP3046066B1 (en) | 2019-02-27 |
AU2016200178A1 (en) | 2016-07-28 |
US20160202227A1 (en) | 2016-07-14 |
US20160253595A1 (en) | 2016-09-01 |
EP3046066A1 (en) | 2016-07-20 |
US9959507B2 (en) | 2018-05-01 |
CA2917515C (en) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787801A (zh) | 精确农业系统 | |
AU2018267537B2 (en) | Precision agriculture system | |
US20210174055A1 (en) | Ponding water detection on satellite imagery | |
US10402919B2 (en) | Data assimilation for calculating computer-based models of crop growth | |
US9111320B2 (en) | Automated location-based information recall | |
CN111373425A (zh) | 对农艺田地上作物上的病害的数字建模 | |
JP2022508939A (ja) | 植物の写真を分類することにより植物病の感染を検出すること | |
KR101934961B1 (ko) | 단말기를 이용한 수익성 예측 방법 및 수익성 예측 장치 | |
US20150106434A1 (en) | Compositons, methods and systems for retrieval of harvest data | |
WO2019239422A1 (en) | System and method for digital crop lifecycle modeling | |
US20200250360A1 (en) | Use of data from field trials in crop protection for calibrating and optimising prediction models | |
US20240242121A1 (en) | Systems and methods for treating crop diseases in growing spaces | |
Maring | The Role of Digital Technology in Agriculture | |
Usama | Application of Digital Technologies & Remote Sensing in Precision Agriculture for Sustainable Crop Production | |
van Rooyen | Concept demonstrator for a decision support tool for agricultural applications | |
Langangmeilu et al. | Chapter-6 Usages of ICTs for Resource Management and Agricultural Development | |
Fay | Using Unoccupied Aircraft System (UAS) to Assess Crop Damage by Wild Pigs in Alabama | |
WO2024151880A1 (en) | Systems and methods for treating crop diseases in growing spaces | |
Chhangani et al. | Sushma Sannidi | |
Saini et al. | Chapter-13 Remote Sensing and its Modern Applications in Agriculture | |
Bagdatli et al. | Estimation of Horticulture Area Expansion and Crop Yield Quantification by Using Remotely Sensed Data and Geographic Information Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |