CN106940824A - 用于估计有效害虫严重程度指数的系统和方法 - Google Patents

Abstract

本公开涉及用于估计有效害虫严重程度指数的系统和方法。天敌的存在对所考虑的地理位置处的害虫严重程度产生了相当大的影响。然而，人工估计害虫严重程度或天敌的种群是繁重、不准确和不可扩展的。本公开的系统和方法通过以下操作使得能够估计有效害虫严重程度指数：接收关于与所考虑的地理位置相关联的气候的第一组输入；接收关于农艺信息的第二组输入；基于所接收的第一组输入和第二组输入生成害虫预测模型和天敌预测模型；以及基于所生成的模型估计有效害虫严重程度指数。杀虫剂应用的时机和用量可以基于所估计的害虫严重程度指数进行优化。所生成的模型还可以基于历史数据、参与感知输入、众包输入和管理实践中的一个或多个被不断地增强。

Description

用于估计有效害虫严重程度指数的系统和方法

相关申请的交叉引用

本申请要求于2016年1月4日递交的印度专利申请No.201621000220的优先权，其全部内容通过引用被结合于此。

技术领域

本文的实施例一般涉及综合害虫管理，更加具体地涉及用于估计有效害虫严重程度指数的系统和方法。

背景技术

在农业领域中，农民所面临的关键问题之一是决定使用杀虫剂的时机和最佳条件以将害虫的破坏影响所造成的损失降至最低。当进行害虫控制时，不可避免的是存在天敌。对于农民来说，首先预测特定农艺和气候环境下在所考虑的时间段内的害虫的严重程度是具有挑战性的。其次，精确计算天敌的存在甚至更加具有挑战性。尽管农民意识到把天敌考虑在内的综合害虫管理是可行的，但是上述实际的挑战妨碍了对杀虫剂的最佳应用，从而无法有效地利用天敌的存在。害虫、天敌、气候条件和农艺因素之间的复杂关系对农民在将害虫严重程度控制在经济阈值水平(ETL)以下的问题上提出了巨大的挑战。另外，由于忽视天敌种群和/或对害虫的严重程度的错误估计而对杀虫剂的过度使用会导致危害作物。

发明内容

本概述被提供用于介绍与综合害虫管理有关的概念。本概述既不意图标识所要求保护的主题的必要特征，也不意图用于确定或限制本公开的范围。

在一个方面中，提供了一种用于估计有效害虫严重程度指数的计算机实施的方法，该方法包括：接收关于与所考虑的地理位置相关联的气候的第一组输入；接收关于农艺信息的第二组输入；生成针对与所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，该害虫预测模型和天敌预测模型是基于所接收的第一组输入和第二组输入；以及基于所生成的害虫预测模型和天敌预测模型来估计有效害虫严重程度指数。

在另一方面中，提供了一种用于估计有效害虫严重程度指数的系统，该系统包括：一个或多个包括指令的内部数据存储设备；以及一个或多个处理器，该一个或多个处理器被操作耦合至一个或多个内部数据存储设备，该一个或多个处理器被指令配置为执行以下各项操作：接收关于与所考虑的地理位置相关联的气候的第一组输入；接收关于农艺信息的第二组输入；生成针对与所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，该害虫预测模型和天敌预测模型是基于所接收的第一组输入和第二组输入；以及基于所生成的害虫预测模型和天敌预测模型来估计有效害虫严重程度指数。

在实施例中，上文所述的方法还包括：基于所接收的第一组输入和第二组输入以及所估计的有效害虫严重程度指数创建历史数据查找表；向历史数据查找表添加在给定时间段内针对第一组输入和第二组输入所检测的实际有效害虫严重程度指数；以及基于实际有效害虫严重程度指数更新害虫预测模型和天敌预测模型。

在实施例中，所接收的第一组输入和第二组输入包括参与感知输入和众包(crowdsourcing)输入中的至少一者。

在实施例中，更新害虫预测模型和天敌预测模型还基于对所考虑的地理位置所部署的管理实践。

在实施例中，上文所述的方法还包括基于所估计的有效害虫严重程度指数优化杀虫剂的应用。

在实施例中，上文所述的系统的一个或多个处理器被配置为执行上文的各种实施例中所述的一个或多个方法。

在又一方面中，提供了一种用于处理数据的计算机程序产品，该计算机程序产品包括具有被体现在其上的程序指令的非暂态计算机可读介质，该程序指令用于：接收关于与所考虑的地理位置相关联的气候的第一组输入；接收关于农艺信息的第二组输入；生成针对与所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，该害虫预测模型和天敌预测模型是基于所接收的第一组输入和第二组输入；以及基于所生成的害虫预测模型和天敌预测模型来估计有效害虫严重程度指数。

附图说明

通过下面的详细说明并结合附图将更好地理解本文的实施例，其中：

图1根据本公开的实施例示出用于估计有效害虫严重程度指数的系统的框图；

图2是根据本公开的实施例示出用于估计有效害虫严重程度指数的计算机实施的方法的示例性流程图；

图3根据本公开示出在一段时间段内针对示例性使用案例的害虫严重程度、天敌种群和有效害虫严重程度指数的图形表示。

本领域的技术人员应当理解的是本文的任何框图表示体现了本主题的原理的说明性系统的概念视图。类似地，应当理解的是任何流程图表、流程图示、状态转换图、伪代码等等表示实质上可以被表示在计算机可读介质中并且被计算系统或处理器执行的各种处理，无论这种计算系统或处理器是否被明确示出。

具体实施方式

参考附图所示出的和下面的说明所详述的非限制性实施例，对本文的实施例及其各种特征和有益的细节进行了更加全面地解释。本文所使用的示例仅意图帮助理解本文的实施例可以被实践的方式，并且进一步使本领域的技术人员能够实现本文的实施例。因此，这些示例不应当被解读为限制本文的实施例的范围。

词语“包括”、“具有”、“包含”和“涵盖”以及它们的其他形式意图在含义上是等价的，并且它们的开放式限定在于跟在这些词语中的任何一个词语后面的一个或多个物品不意味着对这类物品的穷举或是意味着仅限于所列举的一个或多个物品。

还必须注意到的是如本文及权利要求中所使用的单数形式“一”、“一个”、以及“这个”包括复数形式的引用，除非上下文清楚地另作说明。尽管与本文所述的系统和方法类似或等同的任何系统和方法都可以被用于实践或测试本公开的实施例，不过现在将描述的是优选的设备和方法。

现在将详细讨论示出本公开的全部特征的一些实施例。所公开的实施例仅仅是本公开的典型示例，其可以体现在各种形式中。在提出详细说明之前，应当注意的是无论所讨论的具体实施方式如何，下面的所有讨论在本质上均都示例性的而非限制性的。

害虫管理对于所考虑的地理位置处所部署的管理实践来说是必不可少的。常规上，害虫管理涉及关于害虫的数据的采集。由于害虫的出现极其动态并且取决于若干农艺和气候相关的参数，对害虫进行监控和计算它们的数量几乎是不可能的。对于有效估计害虫的严重程度来说，考虑到天敌的存在也是很重要的。同样，计算天敌的种群，除了造成实践限制，还可能不准确。人工巡察田地以进行数据采集是繁复的过程，并且不准确也不可扩展。本公开的系统和方法集合了可能影响害虫控制的所有数据并通过生成害虫预测模型和天敌预测模型来帮助进行害虫严重程度和天敌种群的预测，它们进而被用于估计有效害虫严重程度指数。害虫和天敌预测模型还通过参与感知和众包输入被进一步增强。关于实际有效害虫严重程度指数的历史数据和所部署的管理实践也可以被用于进一步增强害虫和天敌预测模型。

现在参考附图，具体来说参考附图1至3，其中类似的参考标号表示这些附图中始终一致的相应特征，所示出的是优选实施例，并且在下面的示例性设备和方法背景中对这些实施例进行描述。

图1根据本公开的实施例示出用于估计有效害虫严重程度指数的系统100的框图，并且图2是根据本公开的实施例示出用于估计有效害虫严重程度指数的计算机实施的方法200的示例性流程图。

在实施例中，系统100包括一个或多个硬件处理器104、通信接口设备或输入/输出(I/O)接口106、以及存储器102或一个或多个被操作耦合至一个或多个处理器的内部数据存储装置。一个或多个处理器可以被实现为一个或多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令操纵信号的设备。除了其他能力之外，(一个或多个)处理器被配置为提取和执行被存储在存储器中的计算机可读指令。在实施例中，系统100可以被实现在各种计算系统中，这些计算机系统诸如是便携式计算机、台式计算机、笔记本电脑、工作站、大型计算机、服务器、网络服务器、手持设备、穿戴式设备等等。

I/O接口设备106可以包括各种软件和硬件接口，例如，网页接口、图形用户接口等等，并且可以促进广泛的网络和协议类型(包括有线网络(例如，LAN、电缆网络等等)和无线网络(例如，WLAN、蜂窝网或卫星))之间的多种通信。在实施例中，I/O接口设备106可以包括一个或多个接口，这些接口用于将多个设备彼此相连或连接到另一服务器。

存储器102可以包括任何本领域已知的计算机可读介质，例如易失性存储器(诸如，静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM))和/或非易失性存储器(诸如，只读存储器(ROM)、可擦除可编程ROM、闪速存储器、硬盘、光盘和磁盘)。在实施例中，如所示出的，系统100的各个模块102A到102D可以被存储在存储器102中。

现在将参考图1所描述的系统100的组件来解释本公开的计算机实施的方法200的步骤。在实施例中，在步骤202处，系统100被配置为经由输入模块(未示出)接收第一组输入，也就是与所考虑的地理位置相关联的气候输入10。在实施例中，气候输入10可以经由无线传感器网络(WSN)、自动气候站(AWS)、气象卫星等等进行接收。在实施例中，气候输入10可以包括关于温度、降雨、生长度日(GDD)、湿度和其他这样的对作物管理和害虫控制至关重要的气候参数的数据。

在步骤204处，系统100被配置为经由输入模块(未示出)接收关于农艺信息的第二组输入。在实施例中，第二组输入或农艺输入12是针对所考虑的地理位置的遥感数据(诸如地形的卫星图像)，其可以经由卫星、UAV、地面传感器和其他这样的作用地理空间技术并提供地理空间数据集的其他系统获得。

在实施例中，从作为农艺输入12接收的遥感数据中导出各种植被、土壤和水相关的指标。在实施例中，植被指数可以是归一化差分植被指数(NDVI)，并且土壤和水相关的指标可以是土壤亮度指数和归一化差分水指数(NDWI)。

在步骤206处，基于所接收的气候输入10和农艺输入12，针对与所考虑的地理位置相关联的每一种害虫生成害虫预测模型102A和天地预测模型102B。在实施例中，针对第n天预测的害虫严重程度是生长度日、被包括在第一组输入中的气候参数、从第二组输入导出的植被和其他指标、季节和地理区域的函数，在本文中通常被表示如下：

P(n)＝f(GDD，W，VI，G，T)

在实施例中，针对第n天预测的天敌的种群是针对第n天预测的害虫严重程度、被包括在第一组输入中的气候参数、从第二组输入导出的植被和其他指标、季节和地理区域中的一个或多个的函数，在本文中通常被表示如下：

NE(n)＝f(P(n)，W，VI，G，T)，

其中，

P(n)：针对第n天预测的害虫严重程度，

NE(n)：针对第n天预测的天敌的种群，

GDD：生长度日，

VI：从遥感数据导出的植被和其他指标，

W：诸如温度、湿度、降雨之类的气候参数，

T：季节，以及

G：地理区域。

在步骤208处，有效害虫严重程度估计器102C基于所生成的害虫预测模型102A和天地预测模型102B估计有效害虫严重程度指数，在本文中被表示如下：

EP(n)＝P(n)-αNE(n)，

其中，

EP(n)：第n天的有效害虫严重程度，

α：比例因数(取决于季节、害虫以及天敌的生长阶段(卵、成体、lava))。

在实施例中，所生成的害虫预测模型102A和天敌预测模型102B通过历史数据被增强。例如，存储器102可以包括存储所接收的气候输入10、农艺输入12和所估计的有效害虫严重程度指数EP(n)的历史数据查找表(未示出)。根据本公开，历史数据查找表被添加有针对相应的气候输入10和农艺输入12所检测的实际有效害虫严重程度指数。然后，历史数据查找表被用于动态地更新害虫预测模型102A和天敌预测模型102B。

在实施例中，所生成的害虫预测模型102A和天敌预测模型102B通过参与感知输入和众包输入中的至少一者被增强。例如，居住在所考虑的地理位置处的农民或当地人可以在害虫的生存期和天敌出现期间通过从农场采集事件来向知识体系做出贡献。在另一示例性方法中，采用具有叶子、树木、害虫影响区域的地理坐标的图像并附带来自农民或当地人的标签或评论的形式的地面实况可以通过众包的方式被征集。这种附加的输入增加了所生成的害虫预测模型102A和天敌预测模型102B的有效性和可靠性。在实施例中，系统100还可以包括任务生成模块(未示出)，该任务生成模块可以被配置为生成通过众包的方式寻找特定信息的任务。在实施例中，这样的任务可以基于历史数据查找表，该历史数据查找表被动态更新以提供对所估计的有效害虫严重程度指数和实际有效害虫严重程度指数之间的差距(如果存在的话)的概述，并且通过寻找特定信息可以帮助增强害虫预测模型102A和天敌预测模型102B的准确性和可靠性。

在实施例中，害虫预测模型102A和天敌预测模型102B还基于所考虑的地理位置处部署的管理实践被增强。例如，农民和当地人部署用于维持农业生成率的若干管理实践，诸如直接或间接影响害虫严重程度和天敌的种群的养分管理、授粉管理等等。根据本公开，这些输入被考虑以使所生成的害虫预测模型102A和天敌预测模型102B更加有效和可靠。

图3根据本公开示出在一段时间内针对示例性部分模拟的使用案例的害虫严重程度、天敌种群和有效害虫严重程度指标的图形表示。害虫的严重程度和天敌的种群取决于各种因素，诸如气候数据、卫星数据、作物的生长阶段、地区、当年时间等等，这些因素被本公开的系统100捕获作为第一组输入和第二组输入。针对孟加拉邦的一个地区内的茶作物对本公开的系统和方法进行了研究，并且针对害虫红蜘蛛生成了害虫预测模型。基于经验数据和领域知识，已知的是红蜘蛛的严重程度取决于湿度和温度。因此，在非限制性的示例性使用案例中，如下所示的害虫预测模型被生成以提前7天预测害虫严重程度：

Ps＝(0.36*T)-(0.00034*H)+(0.031*T²)-(0.0005*H²)+0.078，

其中：

Ps：害虫严重程度，

T：某天的平均温度，以及

H：某天的平均湿度。

害虫预测模型中的常数是基于研究的相关性参数(即，湿度和温度)以及与所考虑的地理位置(即，孟加拉邦)相关联的农艺条件，针对所考虑的害虫红蜘蛛计算的。

另外，天敌预测模型是针对与害虫红蜘蛛相关联的两种天敌，即食螨瓢虫和草蛉(Agistemus hystrix Chrysoperla carnea)生成的。针对食螨瓢虫的天敌预测模型被生成为如下所示：

NE1＝(0.22*T)-(0.011*H)+(0.00094*T²)-0.06

其中，

NE1：食螨瓢虫种群，

T：某天的平均温度，以及

H：某天的平均湿度。

同样，如下所示针对草蛉的天敌预测模型被生成为使用比例因数α2＝0.6来预测提前7天的种群：

NE2＝(0.51*T)-(0.018*H)+0.0047

其中，

NE1：草蛉种群，

T：某天的平均温度，以及

H：某天的平均湿度。

天敌预测模型中的常数也是基于研究的相关性参数(即，湿度和温度)以及与所考虑的地理位置(即，孟加拉邦)相关联的农艺条件，针对所考虑的天敌计算的。

根据本公开，有效害虫严重程度指数EP是基于所生成的害虫预测模型和天敌预测模型估计的，如下所示：

EP＝Ps-α1*NE1-α2*NE2

在示例性使用案例中，所研究的是针对2015年1月至6月的气候输入。如图3的图表所示，天敌对害虫严重程度产生了巨大影响，因此当结合天敌种群一起考虑害虫严重程度时，可以看到有效害虫严重程度被降低。可以理解的是上面所考虑的害虫红蜘蛛和天敌食螨瓢虫和草蛉的使用案例在本质上仅仅是示例性的。所考虑的第一组输入和第二组输入也仅仅是示例性的。本公开基于针对生成模型所考虑的因素的范围能够实现更加复杂的预测模型。

因此，根据本公开，与仅仅基于害虫严重程度(其可能对作物生产率造成不利影响，并且对天敌产生不可避免的伤害)相比，杀虫剂优化器102D可以基于所估计的有效害虫严重程度对杀虫剂的应用进行优化。在实施例中，当所估计的有效害虫严重程度指数大于经济阈值水平(ETL)时，可以推荐杀虫剂应用的用量和时机。

基于持续更新的害虫预测模型和天敌预测模型，可以通过不同方式(诸如手机应用、web控制台、IVR等等)向农民提供关于害虫和它们的天敌的信息的传播。

书面说明描述了本文的主题以使本领域的任何技术人员能够制造和使用本公开的实施例。这里所定义的主题实施例的范围可以包括本领域的技术人员所想到的其他修改。这样的其他修改在它们具有类似的、不与权利要求中的文字语言相异的元素或者它们包括等同的、与文字语言无实质性不同的元素的情况下，意图落入的本公开的范围。

然而，应当理解的是，保护范围被扩展至程序，以及在其中具有消息的计算机可读装置；这种计算机可读存储装置包含用于在程序在服务器或移动设备或任何适当的可编程设备上运行时，实现方法的一个或多个步骤的程序代码装置。硬件设备可以是可以被编程的任何种类的设备，包括例如任何种类的计算机，诸如服务器或个人计算机等等，或任意它们的组合。设备还可以包括这样的装置，其可以是例如硬件装置，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或硬件和软件装置的组合，例如ASIC和FPGA或至少一个微处理器和至少一个具有位于其中的软件模块的存储器。因此，装置可以包括硬件装置和软件装置二者。本文所述的方法实施例可以被实现在硬件和软件中。系统还可以包括软件装置。可替代地，本公开的系统可以被实现在例如使用多个CPU的不同的硬件设备上。

本文的实施例可以包括硬件和软件元件。被实现在软件中的实施例包括但不限于固件、驻存软件、伪代码等等。各种模块(包括本公开和本文所述的设备)所执行的函数可以被实现在其他模块或其他模块的组合中。出于本说明的目的，计算机可使用或计算机可读介质可以是能够包括、存储、通信、传播或传送由指令执行系统、装置或设备使用或与它们有关的程序的任何装置。本文所述的各种模块可以被实现为软件和/或硬件模块并且可以被存储在任何类型的非暂态计算机可读介质或其他存储设备中。一些非暂态计算机可读介质的非限制性示例包括CD、DVD、BLU-RAY、闪速存储器和硬盘驱动器。

另外，尽管处理步骤、方法步骤、技术等等可以以相继顺序被描述，但是这样的处理、方法和技术还可以被配置为以不同顺序工作。换句话说，所描述的任何序列或顺序的步骤不一定指示必须以该顺序执行这些步骤。本文所描述的处理的步骤在实践中可以以任何顺序来执行。另外，一些顺序可以被同时执行。

前述说明已经参考各种实施例被提出。具有本领域的一般技术和本申请所属技术的人员将理解在不背离原理、精神和范围的情况下，可以实施对所述结构和操作方法的修改和改变。

Claims (11)

1.一种用于估计有效害虫严重程度指数的计算机实施的方法，所述方法包括：

接收关于与所考虑的地理位置相关联的气候的第一组输入；

接收关于与所述所考虑的地理位置相关联的农艺信息的第二组输入；

生成针对与所述所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，所述害虫预测模型和所述天敌预测模型是基于所接收的第一组输入和第二组输入；以及

基于所生成的所述害虫预测模型和所述天敌预测模型估计有效害虫严重程度指数。

2.如权利要求1所述的计算机实施的方法，还包括：

基于所接收的所述第一组输入和所述第二组输入以及所估计的有效害虫严重程度指数，创建历史数据查找表；

向所述历史数据查找表添加在给定时间段内针对相应的所述第一组输入和所述第二组输入所检测的实际有效害虫严重程度指数；以及

基于所述实际有效害虫严重程度指数更新所述害虫预测模型和所述天敌预测模型。

3.如权利要求2所述的计算机实施的方法，其中所接收的所述第一组输入和所述第二组输入包括参与感知输入和众包输入中的至少一者。

4.如权利要求2所述的计算机实施的方法，其中更新所述害虫预测模型和所述天敌预测模型还基于在所述所考虑的地理位置处部署的管理实践。

5.如权利要求1所述的计算机实施的方法，还包括基于所述所估计的有效害虫严重程度指数优化杀虫剂的应用。

6.一种用于估计有效害虫严重程度指数的系统，所述系统包括：

一个或多个包括指令的内部数据存储设备；以及

一个或多个处理器，该一个或多个处理器被操作耦合至所述一个或多个内部数据存储设备，所述一个或多个处理器被所述指令配置为：

接收关于与所考虑的地理位置相关联的气候的第一组输入；

接收关于农艺信息的第二组输入；

生成针对与所述所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，所述害虫预测模型和所述天敌预测模型是基于所接收的第一组输入和第二组输入；以及

基于所生成的所述害虫预测模型和所述天敌预测模型估计有效害虫严重程度指数。

7.如权利要求6所述的系统，其中所述一个或多个处理器还被配置为：

基于所接收的所述第一组输入和所述第二组输入以及所估计的有效害虫严重程度指数创建历史数据查找表；

向所述历史数据查找表添加在给定时间段内针对相应的所述第一组输入和所述第二组输入所检测的实际有效害虫严重程度指数；以及

基于所述实际有效害虫严重程度指数更新所述害虫预测模型和所述天敌预测模型。

8.如权利要求7所述的系统，其中所述所接收的第一组输入和第二组输入包括参与感知输入和众包输入中的至少一者。

9.如权利要求7所述的系统，其中所述一个或多个处理器被配置为基于在所述所考虑的地理位置处部署的管理实践更新所述害虫预测模型和所述天敌预测模型。

10.如权利要求6所述的系统，其中所述一个或多个处理器还被配置为基于所述所估计的有效害虫严重程度指数优化杀虫剂的应用。

11.一种包括非暂态计算机可读介质的计算机程序产品，该非暂态计算机可读介质具有体现在其中的计算机可读程序，其中所述计算机可读程序当在计算设备上被执行时，导致所述计算设备执行以下各项操作：

接收关于与所考虑的地理位置相关联的气候的第一组输入；

接收关于农艺信息的第二组输入；

生成针对与所述所考虑的地理位置相关联的每一种害虫的害虫预测模型和天敌预测模型，所述害虫预测模型和所述天敌预测模型是基于所接收的第一组输入和第二组输入；以及

基于所生成的所述害虫预测模型和所述天敌预测模型估计有效害虫严重程度指数。