CN106028790B - 用于根据预测产量处理农作物的方法和系统 - Google Patents
用于根据预测产量处理农作物的方法和系统 Download PDFInfo
- Publication number
- CN106028790B CN106028790B CN201480075982.9A CN201480075982A CN106028790B CN 106028790 B CN106028790 B CN 106028790B CN 201480075982 A CN201480075982 A CN 201480075982A CN 106028790 B CN106028790 B CN 106028790B
- Authority
- CN
- China
- Prior art keywords
- plant
- crop
- data
- parameter
- status function
- 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.)
- Active
Links
Images
Classifications
-
- 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
- A01G25/16—Control of watering
-
- 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
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- 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
- A01G7/00—Botany in general
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2625—Sprinkler, irrigation, watering
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Botany (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Soil Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
公开一种管理农作物处理的方法。所述方法包括:监测至少一参数,所述参数描述一植株的生长和/或状况;以及基于所述至少一参数的数值计算一植株状态函数。所述方法进一步包括:将所计算得的植株状态函数与一对应于一预测产量或一预测产量变化的植株状态基线作比较;并运行一农作物处理系统响应所述的比较。
Description
本申请主张均于2013年12月19日递交的第61/917,988号和第61/918,007号美国临时专利申请的优先权,上述优先权的内容全文以引用方式并入本文。
本发明的领域及背景
本发明在一些实施例中涉及农业,并且更具体地,但不仅限于,涉及一用于根据预测产量处理农作物的方法和系统。
世界上大部分的消耗淡水是用于灌溉,并且大部分的灌溉是用于农业。目前采用的灌溉技术包括重力进给(gravity fed)或“漫灌”技术、中心旋转灌溉、喷灌和滴灌。
尽管滴灌提供了远远高于重力进给或“漫灌”技术的用水效率,仍然存在用水过量的倾向。
为了计划灌溉,已提出测量用于蒸发量计算、土壤水分和土壤水势的气象参数。提出了使用植株作为灌溉计划的指示物。然而,相较于基于大气和土壤观测而建立的计划方法,先前的尝试受到了植株水分状况的动态性和缺乏合适指示物的阻碍。Goldhamer和Fereres提出了扁桃树主干的日最大收缩量(maximum daily shrinkage,MDS)可以作为灌溉计划的单一参数[Goldhamer and Fereres,Irrig Sci(2004)23:11–19]。Fernández等提出了主干直径日差值的测量对计划高载果量阿尔贝吉纳橄榄树的低频率亏缺灌溉策略是具有潜能的[Fernández et al.,Agricultural Water Management 98(2011)1813–1821]。
发明内容
根据本发明一些实施例的一方面,提供一种管理农作物处理的方法。所述方法包括:监测至少一参数,所述参数描述一植株的生长和/或状况;以及,基于所述至少一参数的数值计算一植株状态函数。所述方法进一步包括:将所计算得的植株状态函数与一对应于一预测产量或一预测产量变化的植株状态基线作比较,并响应所述的比较而运行一农作物处理系统。
根据本发明一些实施例的一方面,提供一种管理农作物处理的系统。所述系统包括:一传感器系统,所述传感器系统被部署并配置为用于监测至少一参数,所述参数描述一植株的生长和/或状况;一数据处理器,所述数据处理器被配置为用于接收来自于所述传感器系统的数据、从所述数据中提取所述参数、基于所述至少一参数的数值计算一植株状态函数、将所计算得的植株状态函数与一对应于一预测产量或一预测产量变化的植株状态基线作比较;以及,一控制器,所述控制器被配置为用于响应所述的比较而运行一农作物处理系统。
根据本发明的一些实施例,所述方法包括:当所计算得的植株状态函数低于所述植株状态基线时,改变所述农作物处理系统的至少一运行参数。
根据本发明的一些实施例,所述方法包括:当所计算得的植株状态函数与所述植株状态基线的一差值的绝对值高于一预定阈值时,改变所述农作物处理系统的至少一运行参数。
根据本发明的一些实施例,所述至少一参数包括:一第一参数和一第二参数,所述第一参数描述所述农作物一植株部位的一日收缩量,所述第二参数描述所述农作物一植株部位的日生长速率,并且其中,基于所述第一参数的数值及所述第二参数的数值计算所述植株状态函数。
根据本发明的一些实施例,所述植株状态函数是所述第一参数和所述第二参数的一线性函数。
根据本发明的一些实施例,对于所述参数中的至少一个参数,所述线性函数中的该参数的一系数是与该参数的一变化量成正比的。
根据本发明的一些实施例,对于所述参数中的至少一个参数,所述线性函数中的该参数的一系数是该参数的变化量与所述第一参数及第二参数的变化量之和的比值。
根据本发明的一些实施例,所述变化量是相对于前一天的至少一参数的数值计算而得的。
根据本发明的一些实施例,所述植株状态函数的计算包括:归一化所述第一参数及所述第二参数,其中所述植株状态函数是归一化参数的函数。
根据本发明的一些实施例,所述方法包括:基于所述植株状态函数及所述植株状态函数的历史数值计算一植株应激分数(plant stress score)。
根据本发明的一些实施例,所述农作物处理系统的运行还响应所述植株应激分数。
根据本发明的一些实施例,所述植株部位为一主干(trunk)。根据本发明的一些实施例,所述植株部位为一茎。根据本发明的一些实施例,所述植株部位为一果实。
根据本发明的一些实施例,所述植株状态函数是特定于所述农作物的属。
根据本发明的一些实施例,所述植株状态函数是特定于所述农作物的种。
根据本发明的一些实施例,所述植株状态函数是特定于所述农作物的年龄。
根据本发明的一些实施例,所述植株状态函数是特定于所述农作物生长周期种的一阶段。
根据本发明的一些实施例,所述方法包括:接收所述农作物的状态的历史数据,并部分基于所述历史数据而更新所述植株状态函数。
根据本发明的一些实施例,所述方法包括:接收来自于种植所述农作物的土壤的土壤水分数据,并基于所述植株状态函数校准土壤水分数据。
根据本发明的一些实施例,所述方法包括:接收灌溉量数据,并基于所述植株状态函数校准所述灌溉量数据。
根据本发明的一些实施例,所述的校准包括计算土壤水分阈值,并且所述方法包括:监测所述土壤水分数据,并将所监测到的土壤水分数据与所述土壤水分阈值进行反复比较,其中所述农作物处理系统的运行响应所述比较。
根据本发明的一些实施例,所述方法包括:接收来自于种植所述农作物的区域的气候数据,以及基于所述植株状态函数校准所述气候数据。
根据本发明的一些实施例,所述方法包括:基于所述植株状态函数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株产量中的至少一个的估计值。
根据本发明的一些实施例,所述方法包括:基于所述植株应激分数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株产量中的至少一个的估计值。
根据本发明的一些实施例,所述方法包括:基于所述植株应激分数预测所述植株部位的水势的估计值。
根据本发明的一些实施例,所述方法包括:基于所述植株状态函数预测所述植株部位的水势的估计值。
根据本发明的一些实施例,所述农作物处理系统包括一灌溉系统。
根据本发明的一些实施例,所述的监测包括:接收来自于所述植株部位的植物生长测量仪数据(dendrometer data),并基于所述植物生长测量仪数据计算所述参数。
根据本发明的一些实施例,所述方法包括:从一地理信息系统接收包含所述农作物的一区域的地理数据,并基于所述地理数据及所述植株部位的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
根据本发明的一些实施例,所述地理数据包括选自由株冠面积分布(canopy areadistribution)、温度分布及NDVI分布所组成的群组中的至少一参数。
根据本发明的一些实施例,所述的提供所述植株状态估计值包括:根据所述地理数据的外推和/或内插。
根据本发明的一些实施例,所述方法包括:从一地理信息系统接收一包含所述农作物的区域的地理数据、基于所述地理数据选择数个位于所述区域内不同位置的植株部位,并反复监测和计算每一所选的植株部位的植株状态函数。
根据本发明的一些实施例,所述方法包括:基于所述地理数据及所计算得的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
根据本发明的一些实施例,所述地理数据包括选自由株冠面积分布、温度分布及NDVI分布所组成的群组中的至少一地理参数。
根据本发明的一些实施例,所述的选择数个植株部位包括:选择至少两个以不同地理参数为特征的植株部位。
除非有其他定义,本文中使用的所有技术术语和/或科学术语具有与本发明所属领域技术人员通常理解的相同的含义。尽管在本发明实施例的实践或测试中可以使用与本文中描述的方法及材料相似或等效的方法及材料,以下描述示例性方法和/或材料。凡有抵触的,以专利说明书(包括定义)为准。此外,材料、方法及实例仅用作说明,而非旨在用作必要性限定。
本发明实施例的方法和/或系统的实施可能涉及人工地、自动地,或两者结合地进行或完成选定的任务。同时,根据本发明所述方法和/或系统的实施例的实际仪器和设备,数个选定的任务可以利用一操作系统由硬件、软件或固件或其组合实施。
例如,根据本发明实施例,用于执行选定任务的硬件可以以一芯片或一电路实现。至于软件,根据本发明实施例所述选定的任务可以以数个软件指令实现,通过一电脑使用任何合适的操作系统来执行所述软件指令。在本发明一示例性实施例中,根据本文描述的方法和/或系统的示例性实施例,一个或多个任务由一数据处理器进行,所述数据处理器诸如一用于执行数个指令的计算平台。可选地,所述数据处理器包括一用于存储指令和/或数据的易失性存储器,和/或一例如磁性硬盘和/或可移动媒体的非易失性存储,用于储存指令和/或数据。可选地,还提供一网络连接。可选地还提供一显示和/或一诸如键盘或鼠标的用户输入装置。
附图说明
本文仅以举例的形式结合参考附图描述了本发明的一些实施例。以下具体参见附图,需要强调的是,出于说明性地讨论本发明实施例的目的而以举例的方式显示细节。在此方面,说明书结合附图使本领域技术人员清楚本发明的实施例是如何实践的。
在附图中:
图1所示的是根据本发明一些实施例中适合以植株状态为特征的一种方法的流程图;
图2所示的是根据本发明一些实施例中适合管理农作物处理的一种方法的流程图;
图3所示的是根据本发明一些实施例中用于管理农作物处理的一种系统的框图示意图;
图4显示了根据本发明一些实施例而进行的一实验中测量得的在相似环境下两棵树的主干直径变化(以毫米计);
图5显示了根据本发明一些实施例而进行的一实验中测量得的与图4相同的两棵树的最大日收缩量值;
图6显示了根据本发明一些实施例而进行的一实验中计算得的图4中每棵树的植株状态函数S1和S2;
图7显示了在根据本发明一些实施例而进行的一实验中所获得的本文实施例所述的植株状态函数与测量得的茎水势(stem water potential)之间的相关性;
图8显示了在根据本发明一些实施例而进行的一实验中所获得的测量得的棉花高度(菱形)和利用本文实施例所述植株状态函数所计算得的棉花高度(实线);
图9显示了在根据本发明一些实施例而进行的一实验中所获得的测量得的茎水势(菱形)和利用本文实施例所述植株状态函数所计算得的茎水势(实线);
图10显示了在根据本发明一些实施例而进行的一实验中所获得的测量得的土壤水分百分数(左侧纵坐标)以及本文实施例的所述植株状态函数(右侧纵坐标);
图11显示了在根据本发明一些实施例而进行的一实验中所获得的基于植株状态、测量得的SWP值(三角形)及一基准基线的SWP预测;
图12显示了在根据本发明一些实施例而进行的一实验中所获得的基于植株状态、棉花高度测量值(菱形)及两条基准基线的棉花高度预测;
图13所示的是根据本发明一些实施例中,出于诸如提供一预定产量的目的的一种适合管理农作物的方法的框图示意图;
图14显示了不同区域的棉纤维产量(以千克每杜纳姆(kg/dunam)为单位)作为平均植株状态的函数;
图15显示了累积应激(cumulative stress)与所述棉花产量之间的相关性;
图16显示了不同树木的扁桃产量(以磅每树为单位)作为累积应激的函数;
图17显示了累积应激与扁桃产量之间的相关性;
图18A和18B显示了从一地理信息系统获得的一图像(图18A)和一相应的株冠大小分布(图18B);以及,
图19显示了整个区域的产量(以磅/英亩(lb/acre)为单位)作为所述区域累积应激的函数。
具体实施方式
本发明在一些实施例中涉及农业,并且更具体地,但不仅限于,涉及一用于管理农作物处理的方法和系统。
在详细解释本发明的至少一实施例之前,可以理解的是,本发明不一定仅限于申请中的构建细节和以下说明书中陈述和/或附图和/或实例中阐述的组件和/或方法的排列。本发明可以以其他实施例实现或以各种方式实践或实施。
本发明的一些实施例涉及基于一计算得的植株状态函数和/或一计算得的应激分数的农作物管理。所述农作物管理可以包括执行一个或多个操作,所述操作诸如但不限于预定的计划的灌溉、施肥、温度控制、湿度控制等。发明人发现当所述植株状态函数被维持在接近或高于一预定的植株状态基线时,可以显著提高所述农作物产量。发明人发现当所述植株应激分数的数值被维持在接近或低于一预定的应激基线时,可以显著提高所述农作物产量。
因此,在本发明不同的示范性实施例中,选择所述农作物管理操作,以使所述植株状态函数的数值和/或植株应激分数和/或其某些代用指标在季节的至少一部分(例如:季节长度的至少50%或至少60%或至少70%或至少80%或至少90%或至少99%)内维持在与所述植株状态基线或其某些代用指标的一预定关系(例如:位于或高于或低于)。在一些实施例中,所述植株状态函数被始终维持在位于或高于所述植株状态基线。在一些实施例中,所述植株应激分数被始终维持在位于或低于所述应激分数基线。这是可选并优选地通过执行所述农作物管理操作并反复计算植株状态函数和/或植株应激分数、将所计算得的植株状态函数和/或植株应激分数与相应的基线作比较,并执行响应所述比较的所述农作物管理操作来实现的。在一些实施例中,当所计算得的植株状态函数低于所述植株状态基线时,一农作物处理系统的至少一运行参数是可变的;在一些实施例中,当所计算得的植株状态函数与所述植株基线之间的差值的绝对值高于一预定的阈值(或在一预定的阈值范围内)时,所述农作物处理系统的至少一运行参数是可变的;在一些实施例中,当所计算得的植株应激分数低于所述应激分数基线时,所述农作物处理系统的至少一运行参数是可变的;在一些实施例中,当所计算得的植株应激分数与所述应激分数基线之间的差值的绝对值高于一预定的阈值时,所述农作物处理系统的至少一运行参数是可变的。
所述阈值也可以是动态阈值。例如,所述阈值在整个季节或一整年中是变化的。
所述植株状态函数及植株状态基线的代用指标可以包括,但不限于,描述植株自身状况和/或大小并为所述植株状态函数可预测的任意量。典型的实例包括,并非限制,水势(例如:茎水势)、高度、果实直径等。
农作物处理系统的所述运行参数可以是,例如,灌溉量、施肥量、灌溉计划、施肥计划、传递给植株或从植株提取的热量、传递给植株周围环境或从植株周围环境提取的含水量等。在本发明一实施例中,当所计算得的植株状态函数减小至低于所述基线的水平时,所述灌溉计划和灌溉量是变化的,直至所述植株状态函数的数值跨越所述基线。
可以使用例如一查找表来设置所述基线,所述查找表提供所述植株状态基线与一特定农作物的预测农作物产量或预测产量提高之间的关系。可以预先为一个或多个测试农作物类型而准备这种查找表。例如,一测试农作物可以在受控条件下生长,以确保在生长周期内或一感兴趣季节内所述植株状态函数一大致固定的水平(例如在大约20%内或在大约10%内)。然后可以测量所述测试农作物的产量,并将所述植株状态函数的水平定义为所测量得的测试农作物的产量的基线。然后,所述测试农作物类型、所定义的基线以及测量得的产量随后可以被记录为所述查找表的一单式录入(single entry)。可选且优选地对所述植株状态函数的多个固定水平和/或多个测试农作物类型重复这个过程,从而提供具有多个录入的查找表。如下表1中提供了根据本发明一些实施例的一查找表结构的代表性范例。
表1
在表1中,A、B和C代表农作物的类型(例如但不限于,A、B和C中的每一个可以是扁桃、甜椒、番茄、甜瓜、西瓜、棉花、玉米、大豆、油梨、芒果、柑橘、落叶树(deciduous trees)、橄榄、葡萄等中的任何一种)。典型地,A、B及C在属、种和年龄中的至少一个上是相互不同的。Y1,Y2,...Y8可以是产量值(例如,以每单位区域采集的农作物重量为单位,或以种子世代(seed generation)为单位),B1,B2,...B8为各自的植株状态基线(典型但非必要地,被归一化到范围[0,1]的无量纲单位),并且D1,D2,...D8为各自的应激核基线(典型但非必要地,被归一化到范围[0,1]的无量纲单位)。
如表1中举例说明地,每一农作物类型可以具有不止一个预测产量,其中每一预测产量均与一基线有关。因此,表1提供了一范例,在该范例中,农作物A具有三个产量选择(Y1,Y2,Y3)与三条各自的状态基线(B1,B2,B3)及三条各自的应激基线(D1,D2,D3);农作物B具有三个产量选择(Y4,Y5,Y6)与三条各自的状态基线(B4,B5,B6)及三条各自的应激基线(D4,D5,D6);以及,农作物C具有二个产量选择(Y7,Y8)与二条各自的状态基线(B7,B8)及二条各自的应激基线(D7,D8)。
每一农作物的预测产量是相互不同的,并且其各自的基线也是相互不同的。不同农作物类型的预测产量可能是相同或不同的。例如,Y1可以与Y4相同,Y2可以与Y5相同,但Y3可以与Y6不同。当两种不同农作物类型具有相同的预测产量时,其各自的基线可以是相同或不同的。例如,当Y1与Y4相同时,B1可以与B4不同;当Y2与Y5相同时,B2可以与B5相同。
本文实施例对任何查找表中的条目数加以考虑(contemplate),同时考虑农作物类型数与每一农作物类型的预测产量数及相应的基线数。
本文实施例中,可以基于一个或多个描述植株生长、大小变化和/或生长状况的参数计算所述植株状态函数。优选地,基于至少两个参数计算所述植株状态函数。
目前最常用的灌溉计划技术是基于农作物蒸散量(evapotranspiration,ETc)和/或土壤水分监测。发明人意识到这种技术仅间接地与植株的健康有关。在过去,当提出基于植株派生测量的灌溉计划时,这种技术会因在获取测量及解释其对于灌溉决策的意义上的逻辑问题而不受欢迎。
然而,发明人意识到:例如在期望始终避免水分胁迫(water stress)的情况下,基于植株指标而计划灌溉是对生产大果尤为有用的。这种计划在例如过量的果实生长或营养生长产生利润浪费或利润降低时而刻意施加应激的情况下也是有用的。这种计划的另一个有优点是可以自动进行。
自1970年代以来,在水分关系的研究中检测主干直径变化(TDV),提供数个可导出的指标,诸如主干生长速率(TGR)、两个连续日周期的直径最大值之差及日最大值与日最小值之差的最大日收缩量(MDS)。TDV对于水分胁迫的灵敏度是众所周知的。然而,发明人发现除了水分胁迫,TDV还取决于植株的年龄及大小、季节性生长模式、农作物载荷系数及其他农作物相关系数,因此,很难解释TDV测量的输出。
因此,发明人设计了一种方法及一种系统,反复地或持续地记录与植株状态有直接关系的植株行为。在本发明的不同示例性实施例中,监测两个参数。一第一参数描述一植株部位的收缩量(例如,日收缩量,诸如日最大收缩量);一第二参数描述一植株部位的生长速率(例如,日生长速率)。
本文中使用的“植株部位”是指一植株的任意部位,诸如但不限于,所述植株的主干、茎、果实和叶子。
典型但非必要地,所述第一参数和所述第二参数均表征同一植株部位的行为(收缩量、生长速率)。例如,当所述第一参数描述所述主干的日收缩量时,所述第二参数描述所述主干的日生长速率。在本发明的不同示例性实施例中,如下进一步详细描述的,利用由相同传感元件所产生的数据计算所述参数。
在一些实施例中,所述植株部位是所述植株的主干,在一些实施例中,所述植株部位是所述植株的茎,而在一些实施例中,所述植株部位是所述植株的果实。
请参见附图,图1所示的是根据本发明一些实施例中适合以植株状态为特征的一种方法的流程图。
本文实施例所述的方法可以以多种形式体现。例如,所选择的所述方法的运行可以体现为一有形媒介,所述有形媒介诸如用于进行所述运行的一电脑。所选择的所述方法的运行可以体现为一非易失性计算机可读介质,所述非易失性计算机可读介质包括用于实施所述运行的计算机可读指令。所选择的所述方法的运行也可以体现为电子器件,所述电子器件被配置为具有在有形媒介上运行计算机程序或在非易失性计算机可读介质上执行指令的数字计算机功能。
根据本发明的一些实施例,实施所述方法的计算机程序通常可以以一分配介质被分配给用户,所述分配介质诸如但不限于:CD-ROM、闪存设备(flash memory devices)、闪存盘(flash drive),或在一些实施例中的通过网络通讯、互联网(例如在一云环境)或一蜂窝网络可访问的设备。所述计算机程序可以从所述分配介质被复制到一硬盘或一相似的中间储存介质。通过将所述计算机指令从分配介质或中间存储介质载入至计算机的执行内存并且配置所述计算机依照本发明的方法运作,可以运行所述计算机程序。根据本发明的一些实施例,还可以通过属于一个云计算环境的一个或几个数据处理器来执行实施所述方法的计算机程序。所有这些运行对于计算机系统领域的技术人员而言都是已知的。本文实施例所述的方法所使用的数据和/或由本文实施例所述的方法所提供的数据可以通过网络通讯、互联网、蜂窝网络或任何适合数据传输的网络类型的方式进行传输。
可以理解的是,除非有其他定义,下文描述的运行可以同时执行,或者按序执行多个执行步骤的组合或顺序。特别地,本申请流程图中的顺序不应被视为限制。例如,以下说明或流程图中以特定顺序出现的两个或多个运行可以以不同的顺序(例如,一相反的顺序)执行或大体上同时执行。此外,以下描述的数个运行是可选地且可以不被执行。
所述方法从步骤10开始并继续至步骤11,在步骤11中获得一第一参数和一第二参数,所述第一参数描述所述植株一部位的收缩量(例如一日收缩量,诸如日最大收缩量),所述第二参数描述所述植株一部位的生长速率(例如一日生长速率)。所述方法继续至步骤12,在步骤12中,所述方法通过例如运行一数据处理器,基于所述参数的数值计算一植株状态函数。
在本发明的一些实施例中,所述方法继续至可选的步骤13,在步骤13中,所述方法接收所述农作物状态的历史数据,并随后循环至步骤12用以部分基于所述历史数据而更新所述植株状态函数。所述历史数据可以包括先前计算得的所述植株状态函数的数值、先前获得的描述收缩量和/或生长速率的参数等(例如,先前执行所述方法中获得的第一参数和第二参数)。因此,本文实施例中设计一机器学习过程,其中基于新采集得的数据及先前采集得的数据计算所述植株状态函数。
发明人发现:基于先前获得的所述植株状态函数的数值而计算得的一植株应激分数与所述农作物产量相关联。因此,在本发明的一些实施例中,所述方法继续至可选的步骤18,在步骤18中基于所述植株状态函数及所述植株状态函数的历史数值计算一植株应激分数。可以通过结合在某时间段中获得的植株状态函数数值,计算所述植株应激分数。例如,可以结合每日在一如上定义的时间段内所获得的植株状态函数数值。典型地,当所述植株状态函数数值的结合增加时,所述植株应激分数降低。例如,所述植株应激分数的计算可以包括计算一附加的此种组合的逆组合(inverse)。以下提供一植株应激分数的示例性范例,而不应视为限定。
在本发明的一些实施例中,所述方法继续至可选的步骤14及步骤15,在步骤14中,所述方法接收来自于种植所述农作物土壤的土壤水分数据;在步骤15中,基于所述植株状态函数计算一用于所述土壤水分数据的土壤水分阈值。可以通过任意本领域已知的测量土壤水分状态(水势或水分含量)的土壤水分传感器接收所述土壤水分数据。具有代表性的范例包括而非限制,诸如但不限于频域反射式(Frequency Domain Reflectometry,FDR)传感器、张力计(Tensiometer)和时域反射计(Time Domain Reflectometers,TDR)。
发明人意识到,由于不同土壤类型的土壤物理性质差异、土壤水分的分布不均匀以及不同植株对于土壤水分变化的不同反应或处于不同环境状况的相同植株对于土壤水分变化的不同反应,使得定义这些测量的一阈值是十分困难的。在构想本发明并且简化本发明的实践时,发明人假设并意识到:由于所述植株状态函数表达了所述植株的行为,因此可以利用所述植株状态函数来校准土壤水分数据,其中所述植株的行为特别受所述土壤水分的影响。因此,本文实施例的所述植株状态函数可以用于判断:对于所述植株而言,土壤水分的一特定水平或水平范围是否足以提供一足够的产量。优选地,在计算得所述植株状态函数的一新数值时,更新所述校准。在本发明一些实施例中,基于所述植株状态函数计算土壤水分数据的一阈值。
在本发明的一些实施例中,所述植株状态函数用于判断:对于所述植株而言,一气候状况(例如,温度、湿度、辐射)是否足以提供一足够的产量。例如,当所述植株状态函数足够高时(例如,高于一预定的阈值),因为一些观测到的气候状况,所述方法可以判断所观测到的气候状况对于所述植株而言是足以提供一足够的产量的。
发明人发现,本文实施例的所述植株状态函数和许多与未来所述植株质量相关的可观测量具有良好的相关性。所述可观测量包括,但不限于,植株高度、果实大小(重量和/或直径)、果实成熟时间和产量。发明人发现本文实施例的所述植株状态函数与所述植株部位的水势(WP)(例如,分步水势(step water potential)或主干水势)具有良好的相关性。因此,根据本发明的一些实施例,所述方法继续至步骤16,在步骤16中,所述方法基于本文实施例的所述植株状态函数,预测所述植株高度、所述果实大小(重量和/或直径)、所述果实成熟时间、所述产量及所述植株部位的水势中至少一个的估计值。这些实施例有助于提供农作物管理及控制的参考指南。可以基于所计算得的植株状态函数与前述基线之间的比较,运用例如上文详细描述的一查找表进行所述预测。
所述方法可选且优选地继续至步骤17,在步骤17中,将所计算得的植株状态函数和可选地所述土壤水分阈值和/或前述预测的估计值和/或所述植株应激分数传输至一计算机可读介质(诸如非易失性计算机可读介质)、一显示设备或一远程位置。在本发明一些实施例中,所述方法在达到一预设的标准或一系列标准时,发出一警报。例如,所述方法在植株状态函数的数值低于一预定的阈值或所述土壤水分低于所计算得的土壤水分阈值时,发出一警报。在本发明的一些实施例中,所述方法产生一可传输的警报,并通过例如互联网或一蜂窝网络将所述警报传输一远程位置。在一些实施例中,所述警报被发送至一个或多个移动电话,并产生一可感知的信号(诸如所述装置的一显示信息,一显示的标记,一显示的图形,一音频信号和/或一震动)。
在本发明的一些实施例中,所述方法从步骤15和/或16和/或17循环至步骤11,用以反复获得所述参数、重新计算所述植株状态函数,并可选地重新计算所述土壤水分阈值。
所述方法结束于步骤19。
可以通过不止一种方式获得所述第一参数和所述第二参数。在一些实施例中,所述方法将接收的所述参数视为来源于一外部资源的输入,所述外部资源诸如但不限于一远程计算机。在一些实施例中,所述方法通过一与所述数据处理器连接的用户界面接收所述参数。或者,所述方法可以从本方法可访问的数据中提取所述参数。例如,所述方法可访问一数据库,或者从部署在所述区域内或所述植株自身附近的传感器直接或间接接收测量值,其中所述数据库包括先前记录的一个或多个物理量的测量值。
本文实施例考虑用于提取或计算所述第一参数及所述第二参数的多种数据类型。代表性的实例包括,而非限制,植物生长测量仪数据、水势数据、水分含量数据、导电率数据、温度数据以及这些数据类型的任意组合。可以通过一个或多个靠近或位于所述植株的前述部位上的传感器采集所述数据。数据类型及相关的植株部位的代表性实例包括,而非限制,由一安装在果实茎部或主干的植物生长测量仪所测量得的一植物生长测量仪数据,由位于或靠近茎部或叶子的压力室或干湿球温度表所测量得的水势数据,由位于或靠近茎部或主干的水分含量传感器所测量得的水分含量,由安装在茎部或主干的电子传感器(例如欧姆表)所测量得的导电率,以及由位于或靠近叶子的温度测量装置所测量得的温度数据。
根据本发明一些实施例所述的方法可以接收或获得的附加数据类型包括,而非限制,土壤的水分含量、在叶子的茎上测量得的农作物温度、空气中测量得的空气温度,以及土壤中测量得的土壤温度。进一步对所述农作物位置上的湿度和/或辐射状况的数据加以考虑。
优选地,但非必要地,用于通过所述方法计算所述植株状态函数的所述植株部位与进行所述数据测量的植株部位是相同的。例如,在从所述植株的主干测量得的植物生长测量仪数据中提取所述第一参数及所述第二参数时,计算所述主干的所述植株状态函数。还考虑那些从一部位采集所述数据并根据相关性为一其他部位计算所述植株状态函数的实施例。例如,当所述茎的行为与所述主干的行为之间具有相关性时,可以从位于所述植株的主干所测量得的植物生长测量仪数据中提取所述第一参数及所述第二参数,并可以计算所述茎的植株状态函数。
可选且优选地测量对应于各自数据类型的数据量,以获得很长一段时间内所述数据量的一时间依赖性(time-dependence)。理想地,所述数据量的测量是连续的,以产生在一连续时间区间内的所述数据量数值的一连续集。然而,这种数值的连续集是很难获得的,并且在实践中,尽管测量可以是连续的,但是仅在多个离散的时间点上获得多个所述数据量的数据值。不过,所获得的样品的数量足以获得(例如通过内插法)所述时间段内所述数据量的时间依赖性。因此,在以足够短的时间间隔相互隔开的不同时间点上产生所述数据量样本的顺序。所获得的时间依赖性是一数学函数,所述数学函数表达了:在所述时间段内的至少一些时间点上,所述数据量的数值是关于时间的函数。在本发明的一些实施例中,所述数学函数是一连续函数,表达了:在所述时间段内的任意时刻t上,所述数据量的数值都是关于时间的函数。
获得所述测量值的所述时间段是可选的,并且优选地,所述时间段长到足以监测两天或多天内测量得的数据量的数值变化。获得测量值的连续时间点之间的间隔(例如反复)是可选的,并且优选地,所述间隔短到足以监测当日不同时间段内测量得的数据量的数值变化。典型地,但非强制地,在至少5天或至少10天或至少20天或至少30天或至少2个月或至少4个月或至少6个月或至少8个月或至少10个月或至少1年或至少一等于一季度的时间段内,至少每6小时或至少每4小时或至少每2小时或至少每1小时或至少每30分钟或至少每15分钟获得测量值。
本文实施例的所述植株状态函数可选且优选地特定于分析中的农作物。在本发明的一些实施例中,所述植株状态函数特定于所述农作物的属;在本发明的一些实施例中,所述植株状态函数特定于所述农作物的种;在本发明的一些实施例中,所述植株状态函数特定于所述农作物的年龄;并且,在本发明的一些实施例中,所述植株状态函数特定于所述农作物在生长周期中的阶段(例如,营养期、生殖期、开花前期(pre-flowering stage)、初花期、开花期、结果期等)。
对于应用于所述数据的分析类型确保了所述植株状态函数的特定性(specificity)。
本文中所用的“分析类型”是指用于从所述数据中提取所述参数的至少一种技术,以及提取参数后所述植株状态函数对于所述参数的依赖性。
当对所述数据进行的分析对于所述属内的所有种都相同时,可以获得一特定于所述农作物的属的植株状态函数。在这些实施例中,所述方法仅基于所述农作物的属来选择一分析过程,而无需考虑农作物的种。当对所述数据进行的分析对于同一属的不同种是不同的时,可以获得一特定于所述农作物的种的植株状态函数。在这些实施例中,所述方法基于所述农作物的属及种来选择一分析过程。
当所述植株状态函数是特定于所述农作物的年龄和/或农作物在生长周期中的阶段时,可选且优选地,所述植株状态函数也特定于农作物的属和/或种。例如,所述方法可以基于所述农作物的属、种及其年龄来选择一分析过程;或者基于所述农作物的属及其年龄来选择一分析过程,而无需考虑农作物的种;或者基于所述农作物的属、种及其生长周期中的阶段来选择一分析过程;或者基于所述农作物的属鸡及生长周期中的阶段来选择一分析过程,而无需考虑农作物的种;或者基于所述农作物的属、种、年龄及其生长周期中的阶段来选择一分析过程;或者其他任意组合。
通常,本文实施例中所述的植株状态函数被表达为所述第一参数与所述第二参数的组合。这种组合的一典型实例是所述第一参数p1的一第一函数g(p1)与所述第二参数p2的一第二函数h(p2)的组合。在本发明的一些实施例中,采用函数g与函数h的一线性组合。可以被数学公式化为:
S=αg(p1)+βh(p2) (等式1)
其中α和β是系数,可选并优选地通过将所述函数S与测量得的数据拟合而计算得所述系数。系数α和β中的任何一个可以由每一所述参数p1和p2决定,或者由所述参数p1和p2决定。
典型地,但非必要地,每一参数的数值代表了单日内采集的数据。例如,p1可以是每天内所述植株部位的最大收缩量,p2可以是每天内所述植株部位的生长速率。所述生长速率可以被计算为每天内所述植株部位的代表直径与前一天所述植株部位的代表直径之差,其中所述代表直径可以是最大直径、平均直径、中值直径、最小直径等中的任意一种。
在本发明的一些实施例中,系数α和β中的每一个均被表达为各自参数的变量与两个参数的变量之和的比值。可以被数学公式化为:
α=Δp1/(Δp1+Δp2)
β=Δp2/(Δp1+Δp2) (等式2)
在本发明的一些实施例中,所述变量Δp1和Δp2的计算与前一天的各参数的数值有关。
典型地,但非必要地,函数g和函数h的第一导数具有相反的符号,因此,一函数随其参数增大时,另一函数随着其参数减小。发明人发现:选择g(p1)作为所述第一参数的递减函数并选择h(p2)作为所述第二参数的递增函数是有利的。但是,也对那些选择g(p1)作为所述第一参数的递增函数并选择h(p2)作为所述第二参数的递减函数的实施例加以考虑。
在本发明的一些实施例中,所述方法归一化所述参数,其中所述植株状态函数S被表达为所述归一化参数的函数。一典型的归一化因子是各参数的最大值与最小值之差。这种归一化过程可以被表示为:
p1→p1/n1
p2→p2/n2 (等式3)
其中,n1=(p1,max-p1,min)是p1的归一化因子,n2=(p2,max-p2,min)是p2的归一化因子,p1,max和p1,min分别是p1的最大值和最小值,p2,max和p2,min分别是p2的最大值和最小值。典型地,基于数天内(例如5~20天)采集的数据计算所述最小值和最大值。在本发明的一些实施例中,每一参数的所述最小值及最大值中的一个是预设且固定的,而所述最小值及最大值中的另一个是从所述数据中提取的。同时还对那些至少一参数的最小值及最大值均为预设且固定的实施例加以考虑。进一步地,还对那些至少一参数的最小值及最大值均提取自从所述植株部位所接收的数据的实施例加以考虑。
可选并且优选地,函数g和h中的至少一个(例如两个)是所述各自参数的一线性函数。在本发明的一特定实施例中,所述植株状态函数的一种表达为:
S=α(p1,max-p1)/n1+β(p2-p2,min)/n2, (等式4)
其中,可选并优选地根据等式2计算α和β。典型地,等式4中右手边的两项中的每一项返回为一小于1的非负值。典型地,函数S的返回值在0至1之间。
所述植株状态函数的数个数值,例如从上述等式4获得的值,可以用于计算所述植株应激分数。例如,可以结合每日获得的值并将所述结合应用于计算所述分数。在一些实施例中,所述值的组合为总和。发明人发现:当采用一总和时,所述分数表达了所述植株的一累积应激。优选地,通过仅结合低于一预定阈值的植株状态函数值而排除其他数值来计算所述应激分数。在本发明一特定实施例中,所述植株应激分数C的表达式为:
其中,Si是第i天获得的所述植株状态函数的数值,σ是所述预定的阈值,n是计算所述植株应激分数的天数。例如,n可以是获得所述第一参数及第二参数的测量值的天数。优选地,阈值σ的数值在S数值的范围内。典型地,但非必要地,σ大约是S最大值的一半。由于使用数个状态函数计算C的,因此C也可以具有一每日值,可以基于计算至某一天的所述状态函数而计算所述C的每日值。因此,例如,可以基于所述状态函数S1,...Sk计算第k天的所述应激分数Ck。
在一些实施例中,所述应激分数被定义为利用等式5所获得的结果的绝对值,也即进行转换C→|C|。
典型地,所述函数Si及所述阈值σ是无量纲的。在这些实施例中,C可以以时间(例如天)为单位。
发明人发现,还可以估计未知日收缩率和日生长速率的植株或植株部位的所述植株状态函数及可选地所述应激分数。可选且优选地,基于包含所述农作物的区域的地理数据而进行估计。这种地理数据可以从例如一地理信息系统(GIS)获得。
一GIS可以提供一区域的GIS图像,所述GIS图像可以包括各种数据结构,每一数据结构均被视为所述图像的一图层。这些图层了提供各种GIS参数的信息。典型的GIS参数可以包括,例如株冠面积(例如株冠面积分布)、温度(例如温度分布)、归一化植被指数(NDVI)(例如NDVI分布)、土地总面积(所述区域加上邻近地区)、历史天气和气候数据、土壤属性(例如土壤类型、质地、有机质、肥力测试结果等)、地下水和地表水的存在及位置,以及地面上任何现存或曾经存在过的人造物(例如建筑物、道路、沟渠等),所述区域的位置、大小及形状、铺瓦信息(tiling information)、历史农作物及产物数据等。所述方法可以利用所述地理数据来外推所述植株状态函数和/或所述植株应激分数的数值至远离监测所述参数的植株位置的地区。
例如,当分种两株植株的地区具有相似的描述地区的地理数据时,所述方法可以判定这些地区的所述植株状态函数和/或植株应激分数是相同的。作为一代表性范例,对所述地理数据包括株冠大小分布的情况加以考虑。进一步地,对监测具有一株冠大小为X1的植株的所述第一参数及所述第二参数的情况加以考虑,并且对将某一天的所述植株状态函数计算为S1的情况加以考虑。根据本发明的一些实施例,所述方法在GIS图像中搜索具有相同株冠大小X1的其他地区,并估计该某一天的所述植株状态函数为S1。
作为另一个实施例,考虑到已为一具有一株冠大小为X1的第一植株及一具有一株冠大小为X2>X1的第二植株监测所述第一参数与所述第二参数,并且考虑到所述第一植株的某一天的所述植株状态函数为S1,而所述第二植株的该天的所述植株状态函数为S2。考虑到所述方法在所述GIS图像中搜索并找到一具有株冠大小为X3的一第三植株的情况,其中X1<X3<X2。根据本发明的一些实施例,所述方法可以在所述植株状态函数空间内找到一在数值范围[S1,S2]内的插值(interpolation),并利用所述插值估计对应于株冠大小X3的所述植株状态函数。
通常,基于已知的GIS参数(例如株冠大小)及相应的植株状态函数数值,所述方法可以计算所述植株状态函数与所述GIS参数的一函数关系S(X),并利用所述函数关系估计一由所述GIS图像而已知株冠大小的植株的所述植株状态函数。
可选地或附加地,基于已知的GIS参数(例如株冠大小)及相应的植株应激分数,所述方法可以计算所述植株应激分数与所述株冠大小的一函数关系C(X),并利用所述函数关系估计一由所述GIS图像而已知株冠大小的植株的所述植株应激分数。
通过结合所获得的区域内单株植株的所述状态函数的数值和/或应激分数,基于所述区域内一个或多个GIS参数的分布,所述GIS参数还可以被用于计算一区域状态函数或一区域应激分数。例如,所述区域内一GIS参数的数值范围可以被分为多个仓(bins),并且可以根据所述多个仓来分类所述区域内的所述植株。每一仓的相对权重可以被定义为被分类到该仓的植株的百分比,并且可以将所述多个仓的相对权重作为平均重量来计算所述单株植株的所述状态函数或应激分数的一加权平均数。所述状态函数的所述加权平均数可以被定义为所述区域状态函数,而所述应激分数的所述加权平均数可以被定义为所述区域应激分数。
如上文中进一步详细描述的,所述系统可以输出所述区域状态函数和/或区域应激分数。
图2所示的是根据本发明一些实施例中适合管理农作物处理的一种方法的流程图。出于管理诸如农作物灌溉的所述处理的目的,如上描述的,所述方法可选且优选地实施所述植株状态函数。
所述方法从步骤20开始并继续至步骤21,在步骤21中,如上进一步详细描述的,所述方法监测一第一参数和一第二参数,所述第一参数描述所述植株一部位的收缩量(例如一日收缩量,诸如日最大收缩量),所述第二参数描述所述植株一部位的生长速率(例如一日生长速率)。
在一些实施例中,基于从所述GIS获得的所述信息,步骤24选择用于监测所述第一参数及第二参数的所述植株部位在所述区域内的位置。例如,当所述区域的一GIS参数的数值范围被分为多个仓时,可选并优选地将两个或多个所选择的位置分类为不同的仓,从而允许计算如上进一步详细描述的函数关系。作为一代表性实例,当所述数据包括株冠大小分布时,两个或多个所选择的位置可选并优选地以不同株冠大小为特征。
所述方法继续至步骤12,在步骤12中,如上进一步详细描述的,所述方法计算一植株状态函数。在本发明的一些实施例中,如上进一步详细描述的,所述方法继续至可选的步骤13,在步骤13中,所述方法接收所述农作物状态的历史数据,并随后循环至步骤12用以部分基于所述历史数据而更新所述植株状态函数。
在一些实施例中,如上进一步详细描述的,所述方法继续至可选的步骤18,在步骤18中,所述方法计算一植株应激分数。
在本发明的一些实施例中,所述方法继续至可选的步骤14及步骤15,在步骤14中,所述方法接收土壤水分数据;在步骤15中,计算一土壤水分阈值。根据本发明的一些实施例,所述方法继续至步骤16,在步骤16中,所述方法预测所述植株部位的所述水势或所述植株的高度中至少一个的估计值。可以基于所计算得的植株状态函数与前述基线之间的比较,运用例如上文详细描述的一查找表来进行所述预测。
可选地,所述方法可选并优选地继续至步骤17,在步骤17中,将所计算得的植株状态函数和可选地所述土壤水分阈值和/或前述预测的估计值传输至一计算机可读介质(诸如非易失性计算机可读介质)或一显示设备。
一旦获得了所述植株状态函数和/或植株应激分数,所述方法继续至步骤22,在步骤22中,所述方法运行一响应所述植株状态函数和/或植株应激分数的农作物处理系统。所述农作物处理系统可以是,例如一可控的灌溉系统,在这种情况下,可以基于所述植株状态函数设置灌溉量和/或灌溉计划。
在以下实例部分提供利用所述植株状态函数和/或植株应激分数以设置灌溉量和/或灌溉计划的代表性实例。当所述方法接收土壤水分数据时,所述方法可选地基于所述植株状态函数校准所述土壤水分数据,并响应所述经校准的数据而运行所述灌溉系统。例如,所述方法可以将所述土壤水分数据与所计算得的阈值作比较,其中响应所述的比较而运行所述灌溉系统。特别地,当所述土壤水分高于所述阈值时,减小或停止所述灌溉;而当所述土壤水分低于所述阈值时,增大或开始所述灌溉。
本发明一些实施例考虑的另一种农作物处理系统包括,而非限制,一可控的施肥系统。
一些实施例考虑一过程化流程,在该流程中,所述方法计算所述植株状态函数并自动地基于所计算得的植株状态函数而运行所述农作物处理系统。
在本发明的一些实施例中,所述方法从步骤22循环至步骤11,用以反复监测所述参数、重新计算所述植株状态函数并运行所述处理系统。
所述方法结束于步骤23。
图13所示的是根据本发明一些实施例中,出于诸如提供一预定产量的目的的一种适合管理农作物的方法的框图示意图。
所述方法从步骤130开始并继续至步骤131,在步骤131中,如上进一步详细描述地监测描述所述植株生长和/或状况的至少一参数。所述方法继续至步骤132,在步骤132中,基于所监测到的参数的数值计算一植株状态函数。在本发明的一些实施例中,所述植株状态函数可以是所监测到的参数的数值。这些实施例在仅监测一单一参数时是有用的,但可能在监测不止一个参数时也是有用的。在后者的情况下,可以选择一个参数并将所述植株状态函数的数值定义为所选择的参数的数值。还考虑那些监测数个参数并定义数个植株状态函数的实施例,其中将至少一植株状态函数定义为所监测到的参数中的一个参数的数值。
所述方法继续至步骤133,在步骤133中,将所计算得的植株状态函数或植株状态函数的代用指标与一植株状态基线或植株状态基线的代用指标进行比较。优选地,如上详细描述的,所述植株状态基线是预设的并对应于一产量值或一产量改善值。例如,所述植株状态基线可以是一与上述表1相似的查找表中的植株状态基线中的一个。
所述方法可选地继续至步骤137,在步骤137中,如上进一步详细描述地,基于所述植株状态函数的数个数值计算一植株应激分数。所述方法可以从步骤137继续至步骤138,在步骤138中,将所计算得的分数或该分数的代用指标与一应激分数基线D或该基线的代用指标进行比较。优选地,如上进一步详细描述地,所述应激基线是预设的并对应于一产量值或一产量改善值。例如,所述应激基线可以是一与上述表1相似的查找表中的应激基线中的一个。
所述方法可选并优选地继续至步骤134,在步骤134中,响应所述比较步骤133和/或比较步骤138而运行一农作物处理系统。在一些实施例中,将所述植株状态函数维持在低于所述基线;在一些实施例中,将所述植株状态函数维持在高于所述基线;在一些实施例中,将所述植株应激分数维持在低于所述基线;并且,在一些实施例中,将所述植株应激分数维持在高于所述基线。
可选地,所述方法从步骤133移动至判断步骤135,在判断步骤135中,所述方法判断所述植株状态函数与所述基线之间的差值的绝对值是否高于一预定阈值。可以独立于步骤134的执行而执行所述判断步骤135。如果差值高于所述阈值,所述方法优选地继续至步骤136,在步骤136中发出一警报。
可选地,所述方法从步骤138移动至判断步骤139,在判断步骤139中,所述方法判断所述应激分数与所述基线之间的差值的绝对值是否高于一预定阈值。可以独立于步骤134的执行而执行所述判断步骤139。如果差值高于所述阈值,所述方法优选地继续至步骤140,在步骤140中发出一警报。
在本发明的一些实施例中,所述方法产生一可传输的警报,并通过例如互联网或一蜂窝网络将该警报传输至一远程位置。在一些实施例中,所述警报被传送至一个或多个移动电话并产生一可感知的信号(诸如所述装置的一显示信息,一显示的标记,一显示的图形,一音频信号和/或一震动)。
所述方法结束于步骤141。
图3所示的是根据本发明一些实施例中用于管理农作物32处理的一种系统30的框图示意图。系统30包括一传感器系统,所述传感器系统被部署并配置为用于测量并传输一第一参数的数据和一第二参数的数据,其中所述第一参数描述所述农作物32的一植株部位的日收缩量,所述第二参数描述所述农作物32的一植株部位的日生长速率。所述参数可选并优选地与上述方法10或方法20中描述的参数相同或相似。传感器系统被表示为方块34,但还代表那些所述传感器系统包括为测量农作物32的至少一植株部位的参数而排列的数个传感元件的实施例。这种传感元件的代表性范例被显示为36。如图3中所示的,所述传感元件可以附着于所述植株部位,或者传感元件可以位于所述植株部位的附近。在本发明的各种示例性实施例中,所述传感器系统包括至少一植物生长测量仪。
一植物生长测量仪是一已知的设备,通常包括一换能器构件,所述换能器构件能够机械弯曲以应对所述植株茎尺寸或主干尺寸的变化。所述换能器构件可以包含诸如但不限于电子应变片的应变片(strain gauge),所述应变片以一种使所述换能器构件的弯曲被测定为所附应变片变化中的一应变水平的配置附着于所述换能器构件。
可用于本文实施例的一植物生长测量仪可以可选地包含细长狭口,所述细长狭口连接至所述换能器构件以啮合所述植株部位。优选地,所述狭口被设计为引起所述植株茎组织的最小破坏和形变。所述植物生长测量仪可以,例如,使用C形的塑料或其他防腐及温稳的换能器构件。所述植物生长测量仪可以可选地包含臂部,所述臂部可以铰接在一起并连接一换能器构件,所述换能器构件因啮合在铰接的臂部或附着的细长狭口或其整体之间的茎的大小变化而发生应变。所述植物生长测量仪进一步可选的形式可以利用一对接触所述植株茎或主干的铰接板。在这些实施例中,所述换能器构件在所述一对铰接板之间延伸,并因而茎或主干的大小变化而发生可测量的应变。本发明的一些实施例中,也可以考虑其他类型的植物生长测量仪。也可以考虑其他类型的传感器。代表性实例包括,而非限制,一压力室、一干湿球温度表和/或一温度传感器。
可以预期的是,在从本申请开始的一专利周期中,将会开发出许多相关的传感元件,术语“传感元件”的范围意在事先包含所有这些新的技术。
传感器系统34可以通过一通信信道38传输所测量得的数据,所述通信信道38可以是一符合要求的有线通信信道或一符合要求的无线通信信道。
系统30还包括一数据处理器40,数据处理器40被配置为接收来自于所述传感器系统的数据、提取所述参数并基于所述参数的数值计算一植株状态函数。在一些实施例中,如上进一步描述的,数据处理器40还计算一应激分数。在本发明的不同示例性实施例中,数据处理器执行上述方法10和/或方法20和/或方法130中描述的至少一操作。可选地,系统30还包括一控制器42,控制器42与数据处理器40通信,并且如上进一步描述的,控制器42被配置为用于运行一响应所计算得的植株状态函数和/或植株应激分数的农作物处理系统44。在本发明的一些实施例中,系统30还包括所述农作物处理系统44。
本文中使用的术语“大约”是指±10%。
本文中使用的单词“示例性”意为“作为一范例、实例或例证”。任何被描述为“示例性”的实施例无需被理解为比其他实施例更优选或更有效果,和/或无需排除其他实施例特征的组合。
本文中使用的单词“可选”意为“在一些实施例中提供而不在其他实施例中提供”。本发明的任何特定实施例可以包括多个“可选的”特征,除非这些特征相互矛盾。
本文中使用的术语“包含(comprises)”、“包含(comprising)”、“包括(includes)”、“包括(including)”、“具有(having)”及其变化意为“包括但不限于”。
术语“由…组成(consisting of)”意为“包括并限于”。
术语“基本由…组成(consisting essentially of)”是指组合物、方法或结构可以包括额外的成分、步骤和/或部分,但仅限于所述额外的成分、步骤和/或部分不实质上改变所主张的化合物、方法或结构的基本特征及新颖性特征。
本文中使用的单数形式“一(a/an/the)”包括复数引用,除非上下文中另有明确规定。例如,术语“一化合物”或“至少一化合物”可以包括数个化合物及其混合物。
纵观本申请,以范围形式提出了本发明的不同实施例。可以理解的是,以范围形式进行的说明仅仅是为了方便和简洁,不应被理解为对本发明范围的固定限制。因此,范围的说明应当被认为是已经具体公开了在该范围内的所有可能的子区域和单个数值。例如,诸如“1至6”范围的描述应当本理解为已具体公开了子范围,诸如1至3,1至4,1至5,2至4,2至6,3至6等,以及范围内的单个数值,例如1,2,3,4,5和6。无论所述范围的宽度,都能适用这一点。
每当本文中指明一数值范围时,旨在包括所指明范围内的任意引用的数值(分数或整数)。本文中使用的语句“在一第一指明数字和一第二指明数字之间的范围内(ranging/ranges between)”和“在一第一指明数字至一第二指明数字范围内(ranging/ranges from)”是可以相互交换的,并且意在包括所述第一指明数字和第二指明数字以及两者之间的所有分数数值及整数数值。
可以认识到的是,本发明某些为清楚起见而分别描述在各个实施例中的特征,也可以在一单个实施例中被组合提供。相反地,本发明某些为简洁起见而描述在一单个实施例中的不同特征,也可以在本发明任何其他描述的实施例中被单独或以任意合适的子组合提供。不同实施例中描述的某些特征不应当被理解为这些实施例的必要特征,除非实施例没有这些元素无法运行。
上文描绘的本发明的不同实施例和方面及下文所主张的权利要求,可以从下文的实例获得实验性支持。
实例
请参见以下实例,以下实例结合上文说明旨在以一非限制方式说明本发明的一些实施例。
实例1
所述植株状态函数与SWP的相关性
材料及方法
2013年在一商品扁桃树果园内进行了一实验。所有树木具有相同的种、年龄和生长阶段。树木的树龄为20岁,并在相似环境(一排水良好的粘壤土)下生长。通过两台位于两棵不同树木上的植物生长测量仪(DE(dendrometer)Dendrometer PhytomonitorStations,PhyTech Ltd.,Yad Mordechai,Israel)每1小时记录主干直径的变化。
用压力室(Model 3005;Soil moisture Equipment,Santa Barbara,Calif)测量装有植物生长测量仪的同一树木的SWP。
所述第一参数p1是日最大收缩量,在本实例中以M表示;所述第二参数p2是所述主干生长速率,在本实例中以G表示。根据本发明的一些实施例,利用等式2至等式4,每日计算所述植株状态函数。分别分开计算每一树木的所述植株状态函数。所述归一化因子为n1=Mmax-Mmin和n1=Gmax-Gmin,其中Mmax、Mmin、Gmax、Gmin是10天内M和G的最大值及最小值。两个计算得的植株状态函数(一棵树木对应一个函数)以S1和S2表示。
此外,选择管理操作以使本文实施例的所述植株状态函数的数值维持在一预定的植株状态基线上,因而有超过0.8的可能性获得一预定的SWP数值。SWP与产量之间的相关性是已知的[Shackel,K.A.,S.Gurusinghe,and D.K.W.Micke.1998.Water stressresponses of almond[Prunus dulcis(Mill.)Webb]trees under fieldconditions.Acta Hort.470:309-316]。如下,本文实施例的所述方法已在扁桃作物上获得实施。执行农作物管理操作并反复计算所述植株状态函数。将所计算得的植株状态函数与所述基线作比较,并执行所述农作物管理操作响应所述比较。在本实例中,在整个季节中更新所述灌溉计划以符合所述基线,使得与SWP之间具有更好的相关性,并致使产量提高。
结果
图4显示了两棵树的主干直径的变化(以毫米计)为一年中每一天(DOY)的函数。如图所示的,树木在这个年龄段和在该年度的净生长是可以忽略的。另一方面,所述主干直径变化频繁,这显示了明显的日收缩和日膨胀。MDS值随着灌溉(每4~5天)而变化,因此,MDS可以作为植株水分状态的指标。
图5显示了由所述主干直径变化计算得的所述两棵树木的MDS值。如图所示的,两棵树木的MDS值之间具有明显的差异。由于相同的种、年龄和生长阶段的树木在作为单一参数的MDS上会有所不同,因此,在根据一具体的MDS值来设置灌溉是十分困难的。
图6显示了根据本发明的一些实施例,为每一棵树木计算得的所述植株状态函数S1和S2。如图所示的,对于两棵树而言,所述S1和S2的数值是一致的。
图7显示了本文实施例的所述植株状态函数与所测量得的SWP之间的相关性。相应的决定系数R2为0.7382,这表明所述植株状态函数与SWP具有良好的相关性,并且,所述植株状态函数可因此代替SWP作为一植株指标。
图11显示了基于植株状态、所测量得的SWP值(三角形)及一参考基线的SWP预测。选择所述灌溉计划以使所预测的SWP维持在位于或低于所述基线。如图所示的,在DOY200之后,所述农作物管理操作(在本实例中的灌溉计划)将所预测的SWP维持在低于所述基线。较低的SWP确保了产量的提高。
实例2
所述植株状态函数与SWP及植株高度的相关性
发明人发现,本文实施例的所述植株状态函数与其他农作物的其他植株指标也具有良好的相关性,所述其他农作物包括但不限于甜椒、番茄、甜瓜、西瓜、棉花、玉米、大豆、油梨、芒果、柑橘、落叶树(deciduous trees)、橄榄、葡萄。因此,本文实施例的所述植株状态函数可以被用于防止或降低植株应激(plant stress)从而获得较高的产量。在本实例中,计算棉花的所述植株状态函数。
对于棉花,用于评价所述植株应激的主要植株指标是营养期间的植株高度及生殖期间的SWP。本实例论证了:这两个指标与本文实施例中的所述植株状态函数具有良好的相关性。利用本文实施例的所述植株状态函数,这种相关性可以用于预测所述植株高度和/或SWP。可以认识到的是,这种预测可以为增强农作物管理及控制提供参考指南。
材料及方法
2013年在一商品棉田内进行了一实验。通过茎直径传感器(SD(Stem Diameter)Stem Diameter Phytomonitor Stations,PhyTech Ltd.,Yad Mordechai,Israel)每1小时记录100个茎直径的变化。
所述第一参数p1是日最大收缩量,在本实例中以M表示;所述第二参数p2是所述主干生长速率,在本实例中以G表示。根据本发明的一些实施例,利用等式2至等式4,每日计算所述植株状态函数。所述归一化因子为n1=Mmax-Mmin和n1=Gmax-Gmin,其中Mmax、Mmin、Gmax、Gmin是10天内M和G的最大值及最小值。
在相同的棉田内测量SWP和植株高度。利用本文实施例的所述植株状态函数计算植株高度和SWP。
棉花植株高度被称为优良产量的一指标。基于本文实施例的所述植株状态函数的植株高度预测能力允许定义一植株状态基线。选择管理操作以使所述植株状态函数的数值维持在一预定基线上,从而获得一预定的植株高度。在本实例中,反复执行农作物管理操作和植株状态函数的计算。将所计算得的植株状态函数与所述基线作比较,并执行所述农作物管理操作响应所述比较。使高度和时序(timing)获得了提高,从而获得一显著提高的产量(+15%)。
结果
图8和图9显示了测量得的(菱形)一代表性植株的所述棉花高度(图8)及SWP(图9)与利用本文实施例的所述植株状态函数计算得的(实线)一代表性植株的所述棉花高度及SWP。如图所示的,所述高度及所述SWP均与由本文实施例的所述植株状态函数所预测的数值良好吻合。
图12显示了基于植株状态的棉花高度预测、棉花高度测量(菱形)和两条基于所述高度测量而定义的参考基线(以基线1和基线2表示)。这些参考基线可以被转换为用于农作物管理实践的植株状态基线,从而如上解释地获得一提高的产量。
实例3
使用所述植株状态函数以定义土壤水分阈值
本实例验证了所述植株状态函数对于定义土壤水分阈值或灌溉阈值是有用的。
材料及方法
2013年在一商品甜椒温室内进行了一实验。在DOY220,将所述甜椒种植在一排水良好的砂土中。通过茎直径传感器(SD(Stem Diameter)Stem Diameter PhytomonitorStations,PhyTech Ltd.,Yad Mordechai,Israel)每1小时记录主干直径的变化。利用FDR测量土壤水分含量。
所述第一参数p1是日最大收缩量,在本实例中以M表示;所述第二参数p2是所述主干生长速率,在本实例中以G表示。根据本发明的一些实施例,利用等式2至等式4,每日计算所述植株状态函数。所述归一化因子为n1=Mmax-Mmin和n1=Gmax-Gmin,其中Mmax、Mmin、Gmax、Gmin是7天内M和G的最大值及最小值。
结果
图10显示了所述土壤水分百分数(左侧纵坐标)和所述植株状态函数(右侧纵坐标)。如图所示的,从DOY260至DOY290,所述植株状态函数显著降低(低于0.7)。这表明所述植株受到胁迫(stress)。在此期间,所述水分含量也降低。因此,从DOY290起定义最小水含量的阈值为15.75。通过灌溉系统的合理运行使得所述土壤水分保持高于此水平,可以使所述植株避免所述胁迫状况。
实例4
使用植株应激分数预测产量
棉花
在一个生长季内监测以色列境内的24个棉田。对于每一个棉田,使用一植物生长测量仪连续监测一代表性植株的所述茎直径。计算每日植株状态参数及其移动平均数。基于所述植株状态函数,利用被设置为0.47的阈值σ,根据上述等式5计算一植株应激分数。在本实例中,所述植株应激分数被称为一累积应激。称量每一棉花田的棉纤维产量。
图14显示了不同棉田的棉纤维产量(以kg/dunam为单位)作为平均植株状态的函数。还显示了相关系数、均方根差(RMSE)和标准偏差(STDV)。将所述RMSE与所述STDV作比较,显然所述平均植株状态误差降低了一半。
图15和以下表2显示了所述累积应激(C.S)与所述产量之间的相关性。如显示的,所述累积应激对于最终产量具有一负面影响,其中较高的累积应激提供了一较低的产量。
扁桃
在一个生长季内监测美国加利福尼亚境内的17棵扁桃树。每一棵树都安装有一植物生长测量仪并被连续监测。计算每一棵树的每日植株状态参数及其移动平均数。利用被设置为0.4的阈值σ,根据上述等式5计算所述累积应激。
由于技术问题,三个树植物生长测量仪的数据是局部的(partial)。以下使用足够量的数据给出扁桃树的结果和分析。
图16显示了不同扁桃树的扁桃产量(以磅每树为单位)作为累积应激的函数。还显示了相关系数、均方根差(RMSE)和标准偏差(STDV)。将所述RMSE与所述STDV作比较,显然所述平均植株状态误差降低了一半。
图17和以下表2显示了所述累积应激(C.S)与所述产量之间的相关性。由于样品数量不足,根据累积应激范围将所述扁桃树分为两组。如显示的,所述累积应激对于最终产量具有一负面影响,其中较高的累积应激提供了一较低的产量。
发现所述累积应激与所述产量具有一良好的相关性,尤其在生长季的第一部分期间,直至5月底。这可能是因为中后期MDS值上升,因此生殖期不必与水分胁迫相关。
表2
棉花 | P<sub>AB</sub>=0.00029,P<sub>BC</sub>=0.04147,P<sub>AC</sub>=0.00004, |
扁桃 | P<sub>AB</sub>=0.00497 |
在表2中,Pxy是用于组x与组y之间学生t检验的P值。这是一种对于零假设的双侧检测,其中两个独立的样品具有相同平均值(期望值)。在本实例中,没有假设所述两组具有相等的总体方差。这种学生t检验有时被称为Welch t-test。表2显示了用于棉花和扁桃的所述Welch’s测试,位于每两组的累积应激范围内。所述P值<0.05,这意味着一与零假设相反的有力推定:在各组之间没有明显的差异。
实例5
使用地理数据估计植株应激分数
在一个生长季内监测美国加利福尼亚境内的扁桃树。每一区域内,在三个不同的位置上进行测量,每一位置上取两棵不同的树木。对于每一单株树木,利用被设置为0.4的阈值σ,根据上述等式5计算一植株应激分数。在本实例中,所述植株应激分数称为一累积应激。计算每一单株树木的所述累积应激与该单株树木的产量之间的相关性。
对于每一区域,从一GIS图像中获得所述株冠大小分布。将所述株冠大小分布作为一加权函数,所述区域的累积应激按照所计算得的整个区域的累积应激的一加权平均数来计算。特别地,在平均化过程中,根据具有相同或相似株冠大小的百分比(例如20%内)而对每一树木的所述累积应激进行加权。计算所述区域的所述累积应激与所述区域的产量之间的相关性。
图18A和18B显示了从一GIS获得的一图像(图18A)和一相应的株冠大小分布(图18B),图19显示了整个区域的产量(以磅每英亩为单位)作为所述区域的累积应激的一函数。如图所示的,通过结合地理数据与所计算得的数个单株树木的累积应激,可以获得一描绘整个区域的累积应激,该累积应激与所述区域的产量具有很高的相关性。
尽管已结合特定实施例对本发明加以描述,很明显地,许多代替、修饰和变化对于本领域技术人员而言是显而易见的。因此,本文意在包含所有这些落入所附权利要求范围内的替代、修饰和变化。
本说明书中提及的所有出版物、专利及专利申请的全文以引用方式并入本文,与每一单独出版物、专利或专利申请被特别且单独地引用到本文中具有相同的程度。此外,本申请的任何参考文献的应用和识别不应当被理解为承认该些参考文献可以作为本申请的现有技术。就使用的章节标题来说,这些章节标题不应当被理解为必要限定。
Claims (63)
1.一种管理农作物处理的方法,包括:
监测至少一第一参数和一第二参数,所述第一参数描述所述农作物的一植株部位的一日收缩量,所述第二参数描述所述农作物的一植株部位的日生长速率;
基于所述第一参数的数值和所述第二参数的数值计算一植株状态函数;
将所计算得的植株状态函数与一对应于一预测的农作物产量或一预测的农作物产量变化的植株状态基线作比较;以及,
运行一农作物处理系统响应所述的比较。
2.如权利要求1所述的方法,进一步包括:当所计算得的植株状态函数低于所述植株状态基线时,改变所述农作物处理系统的至少一运行参数。
3.如权利要求1所述的方法,进一步包括:当所计算得的植株状态函数与所述植株状态基线的一差值的绝对值高于一预定阈值时,改变所述农作物处理系统的至少一运行参数。
4.如权利要求1所述的方法,其中,所述植株状态函数是所述第一参数和所述第二参数的一线性函数。
5.如权利要求4所述的方法,其中,对于所述参数中的至少一个参数,所述线性函数中的所述参数的一系数是与该所述参数的一变化量成正比的。
6.如权利要求4所述的方法,其中,对于所述参数中的至少一个参数,所述线性函数中的所述参数的一系数是该所述参数的变化量与所述第一参数及第二参数的变化量之和的比值。
7.如权利要求5所述的方法,其中,所述变化量是相对于前一天的至少一参数的数值计算而得的。
8.如权利要求1至7中任一项所述的方法,其中,所述植株状态函数的计算包括:使用从所述植株部位接收的数据中提取的数值来归一化所述第一参数及所述第二参数,其中所述植株状态函数是归一化参数的函数。
9.如权利要求1至7中任一项所述的方法,进一步包括:基于所述植株状态函数及所述植株状态函数的历史数值计算一植株应激分数。
10.如权利要求9所述的方法,其中,所述农作物处理系统的运行还响应所述植株应激分数。
11.如权利要求1至7中任一项所述的方法,其中,所述植株部位为一主干。
12.如权利要求1至7中任一项所述的方法,其中,所述植株部位为一茎。
13.如权利要求1至7中任一项所述的方法,其中,所述植株部位为一果实。
14.如权利要求1至3中任一项所述的方法,其中,所述植株状态函数是特定于所述农作物的属。
15.如权利要求1至7中任一项所述的方法,其中,所述植株状态函数是特定于所述农作物的种。
16.如权利要求1至7中任一项所述的方法,其中,所述植株状态函数是特定于所述农作物的年龄。
17.如权利要求1至7中任一项所述的方法,其中,所述植株状态函数是特定于所述农作物生长周期中的一阶段。
18.如权利要求1至7中任一项所述的方法,进一步包括:接收所述农作物的状态的历史数据,并部分基于所述历史数据而更新所述植株状态函数。
19.如权利要求1至7中任一项所述的方法,进一步包括:接收来自于种植所述农作物的土壤的土壤水分数据,并基于所述植株状态函数校准土壤水分数据。
20.如权利要求1至7中任一项所述的方法,进一步包括:接收灌溉量数据,并基于所述植株状态函数校准所述灌溉量数据。
21.如权利要求19所述的方法,其中,所述的校准包括计算土壤水分阈值,并且所述方法包括:监测所述土壤水分数据,并将所监测到的土壤水分数据与所述土壤水分阈值进行反复比较,其中所述农作物处理系统的运行响应所述比较。
22.如权利要求21所述的方法,进一步包括:接收来自于种植所述农作物的区域的气候数据,以及基于所述植株状态函数校准所述气候数据。
23.如权利要求1至7中任一项所述的方法,进一步包括:基于所述植株状态函数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株的农作物产量中的至少一个的估计值。
24.如权利要求1至7中任一项所述的方法,进一步包括:基于所述植株状态函数预测所述植株部位的水势的估计值。
25.如权利要求9所述的方法,进一步包括:基于所述植株应激分数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株的农作物产量中的至少一个的估计值。
26.如权利要求9所述的方法,进一步包括:基于所述植株应激分数预测所述植株部位的水势的估计值。
27.如权利要求1至7中任一项所述的方法,其中,所述农作物处理系统包括一灌溉系统。
28.如权利要求1至7中任一项所述的方法,其中,所述的监测包括:接收来自于所述植株部位的植物生长测量仪数据,并基于所述植物生长测量仪数据计算所述参数。
29.如权利要求1至7中任一项所述的方法,进一步包括:从一地理信息系统接收包含所述农作物的一区域的地理数据,并基于所述地理数据及所述植株部位的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
30.如权利要求29所述的方法,其中,所述地理数据包括选自由株冠面积分布、温度分布及NDVI分布所组成的群组中的至少一参数。
31.如权利要求29所述的方法,其中,所述的提供所述植株状态估计值包括:根据所述地理数据的外推和/或内插。
32.如权利要求1至7中任一项所述的方法,进一步包括:从一地理信息系统接收一包含所述农作物的区域的地理数据、基于所述地理数据选择数个位于所述区域内不同位置的植株部位,并反复监测和计算每一所选的植株部位的植株状态函数。
33.如权利要求32所述的方法,进一步包括:基于所述地理数据及所计算得的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
34.如权利要求32所述的方法,其中,所述地理数据包括选自由株冠面积分布、温度分布及NDVI分布所组成的群组中的至少一地理参数。
35.如权利要求34所述的方法,其中,所述的选择数个植株部位包括:选择至少两个以不同地理参数为特征的植株部位。
36.如权利要求8所述的方法,其中,所述的计算所述植株状态函数包括归一化所述第一参数及所述第二参数,其中所述植株状态函数是所述归一化的参数的一函数。
37.如权利要求8所述的方法,进一步包括:基于所述植株状态函数及所述植株状态函数的历史数值计算一植株应激分数。
38.如权利要求37所述的方法,其中,所述运行所述农作物处理系统也响应所述植株应激分数。
39.如权利要求8所述的方法,其中,所述植株部位为一主干。
40.如权利要求8所述的方法,其中,所述植株部位为一茎。
41.如权利要求8所述的方法,其中,所述植株部位为一果实。
42.如权利要求8所述的方法,其中,所述植株状态函数是特定于所述农作物的种。
43.如权利要求8所述的方法,其中,所述植株状态函数是特定于所述农作物的年龄。
44.如权利要求8所述的方法,其中,所述植株状态函数是特定于所述农作物生长周期中的一阶段。
45.如权利要求8所述的方法,进一步包括:接收所述农作物一状态的历史数据,并部分基于所述历史数据而更新所述植株状态函数。
46.如权利要求8所述的方法,进一步包括:接收来自于种植所述农作物的土壤的土壤水分数据,并基于所述植株状态函数校准土壤水分数据。
47.如权利要求8所述的方法,进一步包括:接收灌溉量数据,并基于所述植株状态函数校准所述灌溉量数据。
48.如权利要求46所述的方法,其中所述的校准包括计算土壤水分阈值,并且,所述方法包括:监测所述土壤水分数据,并将所监测到的土壤水分数据与所述土壤水分阈值进行反复比较,其中所述运行所述农作物处理系统响应所述比较。
49.如权利要求46所述的方法,进一步包括:接收来自于种植所述农作物的区域的气候数据,以及基于所述植株状态函数校准所述气候数据。
50.如权利要求8所述的方法,进一步包括:基于所述植株状态函数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株的农作物产量中的至少一个的估计值。
51.如权利要求8所述的方法,进一步包括:基于所述植株状态函数预测所述植株部位的水势的估计值。
52.如权利要求10所述的方法,进一步包括:基于所述植株应激分数预测所述植株的高度、所述植株的果实大小、所述植株的果实成熟时间和所述植株的农作物产量中的至少一个的估计值。
53.如权利要求10所述的方法,进一步包括:基于所述植株状态函数预测所述植株部位的水势的估计值。
54.如权利要求8所述的方法,其中,所述农作物处理系统包括一灌溉系统。
55.如权利要求8所述的方法,其中,所述的监测包括:接收来自于所述植株部位的植物生长测量仪数据,并基于所述植物生长测量仪数据计算所述参数。
56.如权利要求8所述的方法,进一步包括:从一地理信息系统接收一包含所述农作物的区域的地理数据,并基于所述地理数据及所述植株部位的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
57.如权利要求56所述的方法,其中,所述地理数据包括选自由株冠面积分布、温度分布及NDVI分布所组成的群组中的至少一参数。
58.如权利要求56所述的方法,其中,所述的提供所述植株状态估计值包括:根据所述地理数据的外推和/或内插。
59.如权利要求8所述的方法,进一步包括:从一地理信息系统接收一包含所述农作物的区域的地理数据,基于所述地理数据选择数个位于所述区域内不同位置的植株部位,并反复监测及计算每一所选的植株部位的所述植株状态函数。
60.如权利要求59所述的方法,进一步包括:基于所述地理数据及所计算得的植株状态函数,提供一对应于一未知日收缩量及日生长速率的植株部位的植株状态估计值。
61.如权利要求59所述的方法,其中,所述地理数据包括选自由株冠面积分布、温度分布及NDVI分布所组成的群组中的至少一地理参数。
62.如权利要求61所述的方法,其中所述选择数个植株部位包括:选择至少两个以不同地理参数为特征的植株部位。
63.一种管理农作物处理的系统,包括:
一传感器系统,所述传感器系统被部署并配置为用于监测至少一植株的生长;
一数据处理器,所述数据处理器被配置为用于接收来自于所述传感器系统的数据、从所述数据中提取一第一参数和一第二参数、基于所述第一参数的数值和所述第二参数的数值计算一植株状态函数、将所计算得的植株状态函数与一对应于一预测的农作物产量或一预测的农作物产量变化的植株状态基线作比较,所述第一参数描述所述农作物的一植株部位的一日收缩量,所述第二参数描述所述农作物的一植株部位的日生长速率;以及,
一控制器,所述控制器被配置为用于响应所述的比较而运行一农作物处理系统。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361918007P | 2013-12-19 | 2013-12-19 | |
US201361917988P | 2013-12-19 | 2013-12-19 | |
US61/917,988 | 2013-12-19 | ||
US61/918,007 | 2013-12-19 | ||
PCT/IL2014/051113 WO2015092800A1 (en) | 2013-12-19 | 2014-12-18 | Method and system for treating crop according to predicted yield |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106028790A CN106028790A (zh) | 2016-10-12 |
CN106028790B true CN106028790B (zh) | 2021-02-09 |
Family
ID=53402218
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480075973.XA Active CN106028792B (zh) | 2013-12-19 | 2014-12-18 | 用于农作物管理的方法和系统 |
CN201480075982.9A Active CN106028790B (zh) | 2013-12-19 | 2014-12-18 | 用于根据预测产量处理农作物的方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480075973.XA Active CN106028792B (zh) | 2013-12-19 | 2014-12-18 | 用于农作物管理的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10721880B2 (zh) |
CN (2) | CN106028792B (zh) |
AU (2) | AU2014369083B2 (zh) |
BR (2) | BR112016014285A2 (zh) |
WO (2) | WO2015092800A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112016014285A2 (pt) * | 2013-12-19 | 2017-08-08 | Phytech Ltd | Método e sistema de gestão de tratamento da safra |
PE20160981A1 (es) | 2013-12-31 | 2016-10-05 | Dispersolar Llc | Recoleccion, transmision, modificacion espectral y suministro de luz solar a areas sombreadas de las plantas |
US9613516B2 (en) * | 2015-03-19 | 2017-04-04 | Ebay Inc. | System and methods for soiled garment detection and notification |
JP2017042136A (ja) * | 2015-08-28 | 2017-03-02 | 株式会社リコー | 植物栽培支援装置、植物栽培支援方法、プログラム、記憶媒体 |
CN105812739B (zh) * | 2016-03-23 | 2019-07-30 | 中国农业大学 | 一种自动采集植物生长信息的系统和方法 |
CN105900634A (zh) * | 2016-04-19 | 2016-08-31 | 淮安市苏泽生态农业有限公司 | 生态可持续的有机小麦种植方法 |
US11039584B2 (en) | 2016-07-04 | 2021-06-22 | Rockwool International A/S | Plant growth control system |
FR3054705B1 (fr) * | 2016-07-29 | 2018-07-27 | Veolia Environnement-VE | Outil de gestion de multiples ressources en eau |
DE102016214554A1 (de) * | 2016-08-05 | 2018-02-08 | Deere & Company | Verfahren zur Optimierung eines Arbeitsparameters einer Maschine zur Ausbringung von landwirtschaftlichem Material auf ein Feld und entsprechende Maschine |
US20180197287A1 (en) * | 2017-01-08 | 2018-07-12 | Adrian Ronaldo Macias | Process of using machine learning for cannabis plant health diagnostics |
US10531617B2 (en) * | 2017-02-21 | 2020-01-14 | International Business Machines Corporation | Cognitive watering system with plant-initiated triggering of watering |
EP3605063B1 (en) * | 2017-03-23 | 2023-04-05 | Nec Corporation | Vegetation index calculation device and method, and computer program |
US20180359957A1 (en) * | 2017-06-14 | 2018-12-20 | Grow Solutions Tech Llc | Systems and methods for providing an external notification of a grow pod status |
AU2018322047A1 (en) * | 2017-08-21 | 2020-04-02 | Climate Llc | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
AU2018329244A1 (en) | 2017-09-11 | 2020-03-12 | 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 |
CN108323295B (zh) * | 2017-12-05 | 2019-12-03 | 江苏大学 | 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置 |
CN108197741B (zh) * | 2017-12-29 | 2021-07-06 | 深圳春沐源控股有限公司 | 植物产量的预测方法及装置 |
JP7152100B2 (ja) * | 2018-03-16 | 2022-10-12 | ミツミ電機株式会社 | センシングシステム、センシング方法、および非一時的コンピューター可読媒体 |
IL258665B (en) | 2018-04-12 | 2021-12-01 | Manna Irrigation Ltd | Growth constants and their use for guiding irrigation |
CN109892056B (zh) * | 2018-06-15 | 2022-02-18 | 河北立萨信息科技有限公司 | 一种土壤盐渍化改良系统 |
WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
WO2020084455A1 (en) * | 2018-10-24 | 2020-04-30 | Radient Technologies Innovations Inc. | Post-harvest optimization |
CN109615148B (zh) * | 2018-12-29 | 2023-04-28 | 航天信息股份有限公司 | 一种确定玉米气象产量的方法和系统 |
US11528837B2 (en) * | 2019-03-08 | 2022-12-20 | Climate Llc | Real-time agricultural recommendations using weather sensing on equipment |
CN109816181B (zh) * | 2019-03-15 | 2022-02-11 | 合肥工业大学 | 基于土壤性状监测的农作物种植收成预测方法 |
CN110097272A (zh) * | 2019-04-24 | 2019-08-06 | 大连民族大学 | 一种快速确定羊草草甸草原刈割留茬高度的方法 |
CN110199712A (zh) * | 2019-06-27 | 2019-09-06 | 河南科技大学 | 一种基于叶冠温度的自动降温系统 |
CN111854831A (zh) * | 2019-09-24 | 2020-10-30 | 王跃 | 基于大数据的智能化、自动化农业数据采集系统 |
CN112930817A (zh) * | 2019-12-10 | 2021-06-11 | 中移(成都)信息通信科技有限公司 | 农作物的智能种植方法、装置、系统、终端设备及介质 |
CN111638306B (zh) * | 2020-06-11 | 2022-05-17 | 中国农业科学院农业信息研究所 | 一种作物动态监控方法、装置、设备和系统 |
BR112023000388A2 (pt) * | 2020-07-12 | 2023-03-14 | Phytech Ltd | Método e sistema para prever a qualidade da fruta em uma cultura |
WO2022046657A1 (en) * | 2020-08-22 | 2022-03-03 | Bifarm Tech, Inc. | Method and system of analyzing plant image data and projecting plant growth and health status |
CN112215184B (zh) * | 2020-10-21 | 2023-04-25 | 安徽农业大学 | 一种基于三维激光扫描仪的油茶果树产量检测方法 |
US11832609B2 (en) | 2020-12-21 | 2023-12-05 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
US11944087B2 (en) | 2020-12-21 | 2024-04-02 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
US11608813B2 (en) | 2021-03-22 | 2023-03-21 | Westbrook Labs, Inc. | Wind machine control and monitor systems and methods |
USD1028646S1 (en) | 2021-04-30 | 2024-05-28 | Opti-Harvest, Inc. | Canopy unit for light harvesting |
CN113748945B (zh) * | 2021-09-09 | 2023-02-07 | 青岛农业大学 | 一种薯类作物精细化测产方法和系统 |
CN115965161B (zh) * | 2023-02-14 | 2023-06-13 | 联通(四川)产业互联网有限公司 | 一种基于人工智能和历史数据的农作物产量预测方法 |
CN117649599B (zh) * | 2023-11-07 | 2024-05-17 | 宁波大学 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
CN117178769B (zh) * | 2023-11-08 | 2024-01-19 | 临沂市园林环卫保障服务中心 | 一种基于自动化的园林植物养护方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000055702A (ja) * | 1998-08-12 | 2000-02-25 | Agency Of Ind Science & Technol | 環境状況計測方法及びその装置並びに環境状況改善測定方法及びその装置 |
US6178253B1 (en) * | 1997-10-10 | 2001-01-23 | Case Corporation | Method of determining and treating the health of a crop |
EP1806049A1 (en) * | 2005-11-18 | 2007-07-11 | S-Rain Control A/S | A two-wire controlling and monitoring system for in particular irrigation of localised areas of soil |
CN101044823A (zh) * | 2007-04-17 | 2007-10-03 | 华南师范大学 | 一种作物能量利用率评价及产量预测的方法 |
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6714925B1 (en) | 1999-05-01 | 2004-03-30 | Barnhill Technologies, Llc | System for identifying patterns in biological data using a distributed network |
ID26384A (id) | 1999-06-17 | 2000-12-21 | Satake Eng Co Ltd | Metode diagnosa kondisi nutrisi dari panenan pada ladang tanaman |
US6947811B2 (en) | 2000-12-07 | 2005-09-20 | John Addink | Automatic adjustment of irrigation schedule according to condition of plants |
US20020170229A1 (en) * | 2001-04-13 | 2002-11-21 | Phytech Ltd. | System and method for phytomonitoring |
US20110162116A1 (en) * | 2008-06-16 | 2011-06-30 | Holman Edwin Henricus Antonius | Method For Growing Plants |
WO2010117944A1 (en) * | 2009-04-06 | 2010-10-14 | Martin Tommy J | Remote analysis and correction of crop condition |
US8028470B2 (en) * | 2009-04-21 | 2011-10-04 | Deere & Company | Robotic watering unit |
US8150554B2 (en) * | 2009-04-21 | 2012-04-03 | Deere & Company | Resource use management in yards and gardens |
US8437879B2 (en) | 2009-04-21 | 2013-05-07 | Deere & Company | System and method for providing prescribed resources to plants |
US20120010938A1 (en) | 2010-07-10 | 2012-01-12 | Bazomb, Inc. | Geographically defined electronic coupon or voucher dissemination |
JP2014502851A (ja) * | 2011-01-24 | 2014-02-06 | ビーエーエスエフ プラント サイエンス カンパニー ゲーエムベーハー | 植物の成長状態をモニタするためのシステム |
WO2013065043A1 (en) | 2011-10-30 | 2013-05-10 | Paskal Technologies Agriculture Cooperative Society Ltd. | Self-learning of plant growth strategy in a greenhouse |
US9113590B2 (en) | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
BR112016014285A2 (pt) | 2013-12-19 | 2017-08-08 | Phytech Ltd | Método e sistema de gestão de tratamento da safra |
-
2014
- 2014-12-18 BR BR112016014285A patent/BR112016014285A2/pt not_active Application Discontinuation
- 2014-12-18 US US15/105,039 patent/US10721880B2/en active Active
- 2014-12-18 BR BR112016014292A patent/BR112016014292A2/pt not_active Application Discontinuation
- 2014-12-18 CN CN201480075973.XA patent/CN106028792B/zh active Active
- 2014-12-18 WO PCT/IL2014/051113 patent/WO2015092800A1/en active Application Filing
- 2014-12-18 US US15/105,115 patent/US10631474B2/en active Active
- 2014-12-18 AU AU2014369083A patent/AU2014369083B2/en active Active
- 2014-12-18 CN CN201480075982.9A patent/CN106028790B/zh active Active
- 2014-12-18 WO PCT/IL2014/051112 patent/WO2015092799A1/en active Application Filing
- 2014-12-18 AU AU2014369084A patent/AU2014369084B2/en active Active
-
2020
- 2020-07-21 US US16/934,074 patent/US20200344961A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6178253B1 (en) * | 1997-10-10 | 2001-01-23 | Case Corporation | Method of determining and treating the health of a crop |
JP2000055702A (ja) * | 1998-08-12 | 2000-02-25 | Agency Of Ind Science & Technol | 環境状況計測方法及びその装置並びに環境状況改善測定方法及びその装置 |
EP1806049A1 (en) * | 2005-11-18 | 2007-07-11 | S-Rain Control A/S | A two-wire controlling and monitoring system for in particular irrigation of localised areas of soil |
CN101044823A (zh) * | 2007-04-17 | 2007-10-03 | 华南师范大学 | 一种作物能量利用率评价及产量预测的方法 |
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
Non-Patent Citations (3)
Title |
---|
Could trunk diameter sensors be used in woody crops for irrigation scheduling? A review of current knowledge and future perspectives;M.F. Ortuno等;《Agricultural Water Management》;20101231;第97卷;1-11 * |
人工神经网络模型及其在农业和生态学研究中的应用;米湘成等;《植物生态学报》;20051231;第29卷(第5期);863-870 * |
基于作物水分生产函数的冬小麦干旱评估模型;康西言等;《中国农学通报》;20111231;第27卷(第8期);274-279 * |
Also Published As
Publication number | Publication date |
---|---|
WO2015092800A1 (en) | 2015-06-25 |
CN106028790A (zh) | 2016-10-12 |
AU2014369084B2 (en) | 2018-12-06 |
US10631474B2 (en) | 2020-04-28 |
US20160316643A1 (en) | 2016-11-03 |
AU2014369083B2 (en) | 2018-08-02 |
BR112016014285A2 (pt) | 2017-08-08 |
AU2014369084A1 (en) | 2016-07-28 |
AU2014369083A1 (en) | 2016-07-28 |
BR112016014292A2 (pt) | 2017-08-08 |
CN106028792A (zh) | 2016-10-12 |
CN106028792B (zh) | 2021-01-05 |
WO2015092799A1 (en) | 2015-06-25 |
US10721880B2 (en) | 2020-07-28 |
US20200344961A1 (en) | 2020-11-05 |
US20160309659A1 (en) | 2016-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106028790B (zh) | 用于根据预测产量处理农作物的方法和系统 | |
Kullberg et al. | Evaluation of thermal remote sensing indices to estimate crop evapotranspiration coefficients | |
Paredes et al. | Partitioning evapotranspiration, yield prediction and economic returns of maize under various irrigation management strategies | |
Wei et al. | Modelling transpiration, soil evaporation and yield prediction of soybean in North China Plain | |
Araya et al. | Simulating yield response to water of Teff (Eragrostis tef) with FAO's AquaCrop model | |
Piccinni et al. | Determination of growth-stage-specific crop coefficients (KC) of maize and sorghum | |
Cho et al. | Estimation of individual leaf area, fresh weight, and dry weight of hydroponically grown cucumbers (Cucumis sativus L.) using leaf length, width, and SPAD value | |
Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
US20150370935A1 (en) | Agronomic systems, methods and apparatuses | |
WO2016154482A1 (en) | Agronomic systems, methods and apparatuses | |
Andreini et al. | Understanding dormancy release in apricot flower buds (Prunus armeniaca L.) using several process-based phenological models | |
Koksal et al. | Evaluation of financial efficiency of drip-irrigation of red pepper based on evapotranspiration calculated using an iterative soil water-budget approach | |
Tsakmakis et al. | Operational precise irrigation for cotton cultivation through the coupling of meteorological and crop growth models | |
Araya et al. | Grain sorghum production functions under different irrigation capacities | |
Solgi et al. | Wheat yield modeling under water-saving irrigation and climatic scenarios in transition from surface to sprinkler irrigation systems | |
Tojo Soler et al. | Scheduling irrigation with a dynamic crop growth model and determining the relation between simulated drought stress and yield for peanut | |
Liu et al. | Evapotranspiration characteristics and soil water balance of alfalfa grasslands under regulated deficit irrigation in the inland arid area of Midwestern China | |
da Silva | Biodegradable mulch of recycled paper reduces water consumption and crop coefficient of pak choi | |
Seidel et al. | The influence of climate variability, soil and sowing date on simulation-based crop coefficient curves and irrigation water demand | |
Sandhu et al. | Performance assessment of Hybrid-Maize model for rainfed, limited and full irrigation conditions | |
da Silva et al. | Water requirements and single and dual crop coefficients of sugarcane grown in a tropical region, Brazil | |
Bai et al. | Simulating on the effects of irrigation on jujube tree growth, evapotranspiration and water use based on crop growth model | |
Patil et al. | Quantification of transpiration and evaporation of okra under subsurface drip irrigation using SIMDualKc model during vegetative development | |
Charoenhirunyingyos et al. | Soil moisture estimation from inverse modeling using multiple criteria functions | |
Amiri et al. | Assessment of CERES-Maize model in simulating maize growth, yield and soil water content under rainfed, limited and full irrigation |
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 |