CN107077650A - 用于管理农业活动的方法和系统 - Google Patents
用于管理农业活动的方法和系统 Download PDFInfo
- Publication number
- CN107077650A CN107077650A CN201580056097.0A CN201580056097A CN107077650A CN 107077650 A CN107077650 A CN 107077650A CN 201580056097 A CN201580056097 A CN 201580056097A CN 107077650 A CN107077650 A CN 107077650A
- Authority
- CN
- China
- Prior art keywords
- data
- field
- user
- user equipment
- computer systems
- 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.)
- Pending
Links
- 230000000694 effects Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 60
- 241001269238 Data Species 0.000 claims abstract description 72
- 238000004891 communication Methods 0.000 claims abstract description 19
- 239000002689 soil Substances 0.000 claims description 129
- 238000001556 precipitation Methods 0.000 claims description 103
- 238000009313 farming Methods 0.000 claims description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 48
- 230000006855 networking Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 213
- 229910052757 nitrogen Inorganic materials 0.000 description 107
- 238000003306 harvesting Methods 0.000 description 75
- 201000010099 disease Diseases 0.000 description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 60
- 230000007613 environmental effect Effects 0.000 description 57
- 241000238631 Hexapoda Species 0.000 description 44
- 230000003698 anagen phase Effects 0.000 description 42
- 230000036541 health Effects 0.000 description 40
- 241000196324 Embryophyta Species 0.000 description 39
- 241000607479 Yersinia pestis Species 0.000 description 35
- 230000006378 damage Effects 0.000 description 31
- 230000012010 growth Effects 0.000 description 25
- 238000003860 storage Methods 0.000 description 25
- 238000001704 evaporation Methods 0.000 description 24
- 239000000575 pesticide Substances 0.000 description 23
- 230000008020 evaporation Effects 0.000 description 22
- 238000007726 management method Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 21
- 240000008042 Zea mays Species 0.000 description 17
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 17
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 17
- 235000005822 corn Nutrition 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 239000002028 Biomass Substances 0.000 description 14
- 235000013339 cereals Nutrition 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 14
- 239000003905 agrochemical Substances 0.000 description 13
- 239000000618 nitrogen fertilizer Substances 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 241000193738 Bacillus anthracis Species 0.000 description 12
- 208000035240 Disease Resistance Diseases 0.000 description 12
- 238000009396 hybridization Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 8
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 7
- 241000223218 Fusarium Species 0.000 description 7
- 241000700605 Viruses Species 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 230000017074 necrotic cell death Effects 0.000 description 7
- 241000894006 Bacteria Species 0.000 description 6
- 241001123567 Puccinia sorghi Species 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 6
- 231100000518 lethal Toxicity 0.000 description 6
- 230000001665 lethal effect Effects 0.000 description 6
- 239000004016 soil organic matter Substances 0.000 description 6
- 241000228438 Bipolaris maydis Species 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000018044 dehydration Effects 0.000 description 5
- 238000006297 dehydration reaction Methods 0.000 description 5
- 230000009746 freeze damage Effects 0.000 description 5
- 230000000977 initiatory effect Effects 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 5
- 238000004856 soil analysis Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 244000046052 Phaseolus vulgaris Species 0.000 description 4
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 4
- 229940100389 Sulfonylurea Drugs 0.000 description 4
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 4
- 230000000844 anti-bacterial effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 239000003899 bactericide agent Substances 0.000 description 4
- 238000005452 bending Methods 0.000 description 4
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 description 4
- 239000004202 carbamide Substances 0.000 description 4
- 238000005341 cation exchange Methods 0.000 description 4
- 150000001768 cations Chemical class 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000024346 drought recovery Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003630 growth substance Substances 0.000 description 4
- 239000003112 inhibitor Substances 0.000 description 4
- 238000002386 leaching Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- YROXIXLRRCOBKF-UHFFFAOYSA-N sulfonylurea Chemical class OC(=N)N=S(=O)=O YROXIXLRRCOBKF-UHFFFAOYSA-N 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- PAWQVTBBRAZDMG-UHFFFAOYSA-N 2-(3-bromo-2-fluorophenyl)acetic acid Chemical compound OC(=O)CC1=CC=CC(Br)=C1F PAWQVTBBRAZDMG-UHFFFAOYSA-N 0.000 description 3
- 241000952610 Aphis glycines Species 0.000 description 3
- 241001147398 Ostrinia nubilalis Species 0.000 description 3
- 241000254101 Popillia japonica Species 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- BFNBIHQBYMNNAN-UHFFFAOYSA-N ammonium sulfate Chemical compound N.N.OS(O)(=O)=O BFNBIHQBYMNNAN-UHFFFAOYSA-N 0.000 description 3
- 229910052921 ammonium sulfate Inorganic materials 0.000 description 3
- 235000011130 ammonium sulphate Nutrition 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- CSGLCWIAEFNDIL-UHFFFAOYSA-O azanium;urea;nitrate Chemical compound [NH4+].NC(N)=O.[O-][N+]([O-])=O CSGLCWIAEFNDIL-UHFFFAOYSA-O 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 230000010152 pollination Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000009084 Cold Injury Diseases 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 241001147381 Helicoverpa armigera Species 0.000 description 2
- 206010027336 Menstruation delayed Diseases 0.000 description 2
- 241000409991 Mythimna separata Species 0.000 description 2
- 241000256259 Noctuidae Species 0.000 description 2
- 241001454295 Tetranychidae Species 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000002595 cold damage Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000000361 pesticidal effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 241001124201 Cerotoma trifurcata Species 0.000 description 1
- 241000935926 Diplodia Species 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 241001477931 Mythimna unipuncta Species 0.000 description 1
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 241000098281 Scirpophaga innotata Species 0.000 description 1
- 241001454293 Tetranychus urticae Species 0.000 description 1
- YMHVBCADCUZNKP-UHFFFAOYSA-M [NH4+].[Ca+].[O-]S([O-])(=O)=O Chemical compound [NH4+].[Ca+].[O-]S([O-])(=O)=O YMHVBCADCUZNKP-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000001166 ammonium sulphate Substances 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000001418 larval effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Environmental Sciences (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
Abstract
由与存储器通信的农业智能计算机系统实现了一种用于推荐农业活动的计算机实现的方法。方法包括:接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;标识多个田地活动选项;至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
Description
背景技术
本文描述的实施例一般地涉及农业活动,并且更具体地涉及用于基于作物相关的数据和田地状况数据在田地层面管理和推荐农业活动的系统和方法。
农业生产需要重要的策略和分析。在许多情况下,需要农业种植者(例如,农民或参与农业耕种的其他人)分析多种数据以在作物耕种期(即,生长季节)之前的数个月做出策略决定。在做出这样的策略决定时,种植者必须考虑以下决定约束中的至少一些:燃料和资源成本、历史的和预计的天气趋势、土壤状况、由害虫带来的预计风险、病害和天气事件、以及农产品(即,作物)的预计市场价值。分析这些决定约束可有助于种植者预测关键农业结果,包括作物产量、能源使用、成本和资源利用率、以及农场利润率。这样的分析可以通知种植者确定作物耕种类型、方法和时机的策略决定。
尽管这样的分析和策略很重要,但由于各种原因它们是难以实现的。第一,获得针对种植者的各种考虑的可靠信息通常是困难的。第二,将这样的信息聚合成可用的方式是一项耗时的任务。第三,在数据是可用的情况下,它可能不够精确,不足以帮助确定策略。例如,对于诸如县或州之类的大区域,(历史的或预计的)天气数据通常是广义化的。在现实中,天气可以在更细的粒度级上(例如,单个田地)显著变化。此外,地形特征可能使得天气数据在甚至更小的区域中显著变化。
此外,种植者通常必须在生长季节期间定期作出决定。这些决定可以包括调整何时收获、提供补充肥料、以及如何减轻由害虫、病害和天气带来的风险。因此,种植者必须在生长季节期间持续监测其作物的各个方面,包括天气状况、土壤状况和作物状况。按粒度级准确地监控所有这些方面是困难和耗时的。因此,需要用于分析作物相关的数据并提供田地状况数据和用于最大化作物产量的策略推荐的方法和系统。
发明内容
在一个方面,提供了一种用于推荐农业活动的计算机实现的方法。该方法由与存储器通信的农业智能计算机系统来实现。方法包括:接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;标识多个田地活动选项;至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
在另一方面,提供了一种用于管理农业活动的联网农业智能系统。该联网农业智能系统包括:用户设备;多个数据网络计算机系统;农业智能计算机系统,包括处理器和与处理器通信的存储器。处理器被配置为:从用户设备接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;标识多个田地活动选项;至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
在另一方面,提供了一种用于管理农业活动的计算机可读存储介质。该计算机可读存储介质具有体现在其上的计算机可执行指令。当由至少一个处理器执行时,计算机可执行指令使处理器被配置为:从用户设备接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;标识多个田地活动选项;至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
在另一方面,提供了一种农业智能计算机系统。该农业智能计算机系统包括处理器和与处理器通信的存储器。处理器被配置为:从用户设备接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;以及向用户设备提供多个田地状况数据。
附图说明
图1是描绘包括使用农业智能计算机系统监控和管理的多个田地的示例农业环境的图示,该农业智能计算机系统用于管理和推荐农业活动;
图2是如图1的农业环境中所示出的用于管理和推荐农业活动的用户计算设备的框图;
图3是如图1的农业环境中所示出的用于管理和推荐农业活动的计算设备的框图;
图4是在图1中示出的农业环境中使用图1、图2和图3的计算设备来管理和推荐农业活动的示例数据流程图;
图5是在图1中的农业环境中用于管理农业活动的示例性方法;
图6是在图1中的农业环境中用于推荐农业活动的示例性方法;
图7是被用来在图1的农业环境中推荐和管理农业活动的示例计算设备的图示;并且
图8-30是由图3的农业智能计算机系统提供给图2的用户设备的用于促进农业活动的管理和推荐的信息的示例图示。
虽然各种实施例的具体特征可以在一些图中示出而不在其他图中示出,但这仅是为了方便。任何附图的任何特征可以与任何其他附图的任何特征组合地被引用和/或被要求保护。
具体实施方式
以下对本公开的实施例的详细描述参考附图。不同附图中的相同参考编号可以标识相同的或相似的元素。此外,以下详细描述不限制权利要求。
本文所描述的主题一般地涉及为用户(例如,种植者或农民)管理和推荐农业活动。具体地,本文描述的方法和系统的第一实施例包括(i)接收多个田地定义数据;(ii)从多个数据网络获取多个输入数据;(iii)基于田地定义数据确定田地区域;(iv)识别与田地区域相关联的多个输入数据的子集;(v)基于多个输入数据的子集来确定多个田地状况数据;以及(vi)向用户设备提供多个田地状况数据。
本文描述的方法和系统的第二实施例包括(i)接收多个田地定义数据;(ii)从多个数据网络获取多个输入数据;(iii)基于田地定义数据确定田地区域;(iv)识别与田地区域相关联的多个输入数据的子集;(v)基于多个输入数据的子集来确定多个田地状况数据;(vi)识别多个田地活动选项;(vii)至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及(viii)基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
在至少一些农业环境(例如,农场、农场群和其他农业耕种环境)中,农业种植者采用重要的策略和分析来作出关于农业耕种的决定。在许多情况下,种植者分析多种数据以在作物耕种期(即,生长季节)之前数个月做出策略决定。在做出这样的策略决定时,种植者必须考虑以下决定约束中的至少一些:燃料和资源成本、历史的和预计的天气趋势、土壤状况、由害虫带来的预计风险、病害和天气事件、以及农产品(即,作物)的预计市场价值。分析这些决定约束可有助于种植者预测关键农业结果,包括作物产量、能源使用、成本和资源利用率、以及农场利润率。这样的分析可以通知种植者确定作物耕种类型、方法和时间的策略决定。尽管这样的分析和策略很重要,但由于各种原因它们是难以实现的。第一,获得针对种植者的各种考虑的可靠信息通常是困难的。第二,将这样的信息聚合成可用的方式是一项耗时的任务。第三,在数据是可用的情况下,它可能不够精确,不足以帮助确定策略。例如,对于诸如县或州之类的大区域,(历史的或预计的)天气数据通常是广义化的。在现实中,天气可以在更细的粒度级上(例如,单个田地)显著变化。地形特征可能使得天气数据在甚至更小的区域中显著变化。
此外,种植者通常必须在生长季节期间定期作出决定。这些决定可以包括调整何时收获、提供补充肥料、以及如何减轻由害虫、病害和天气带来的风险。因此,种植者必须在生长季节期间持续监控其作物的各个方面,包括天气状况、土壤状况和作物状况。按粒度级准确地监控所有这些方面是困难和耗时的。因此,需要用于分析作物相关的数据并提供田地状况数据和用于最大化作物产量的策略推荐的方法和系统。相应地,本文所描述的系统和方法有助于为种植者管理和推荐农业活动。
如本文所使用的,术语“农业智能服务”指多个数据提供者,用于帮助用户(例如农民、农艺师或顾问)管理农业服务,并且向用户提供农业服务的建议。如本文所使用的,除非另有说明,否则术语“农业智能服务”、“数据网络”、“数据服务”、“数据提供者”和“数据源”在本文中可以互换使用。在一些实施例中,农业智能服务可以是外部数据网络(例如,第三方系统)。如本文所使用的,由任何这样的“农业智能服务”或“数据网络”提供的数据可以被称为“输入数据”或“源数据”。
如本文所使用的,术语“农业智能计算机系统”指被配置为执行本文所描述的方法的计算机系统。农业智能计算机系统与“用户设备”(例如,台式计算机、膝上型计算机、智能电话、个人数字助理、平板或其他计算设备)和多个数据源网络连接。在示例实施例中,农业智能计算机系统使用基于云的软件即服务(SaaS)模型提供农业智能服务。因此,农业智能计算机系统可以使用各种不同的计算设备来实现。用户设备可以使用任意合适的网络与农业智能计算机系统进行交互。
在示例实施例中,农业机器(例如,联合收割机、拖拉机、耕田机、犁、深耕犁、喷洒器、或农场上用于帮助耕作的其他机械)可以耦合到计算设备(“农业机器计算设备”),该计算设备以与用户设备类似的方式与农业智能计算机系统进行交互。在一些示例中,农业机器计算设备可以是种植机监控器、种植机控制器或产量监控器。农业机器和农业机器计算设备可以向农业智能计算机系统提供田地定义数据和特定于田地的数据。
术语“田地定义数据”指田地标识符、地理标识符、边界标识符、作物标识符、以及可以用来标识农场土地的任意其他合适的数据(例如公共土地单元(CLU)、批次和块编号、地块坐标、地理坐标和边界、农场序列号(FSN)、农场编号、道号、田地编号、区段、乡镇和/或范围)。根据美国农业部(USDA)农场服务机构,CLU是土地的最小单元,具有与USDA农场计划相关联的农业土地中的永久和连续边界、共同土地覆盖和土地管理、共同所有者、和共同生产者。CLU边界用相对永久的特征(例如,栅栏线、道路和/或水道)描绘。USDA农场服务机构为美国农场维护包括CLU的地理信息系统(GIS)数据库。
当没有经由与农业智能计算机系统交互的一个或多个农业机器或农业机器设备直接向农业智能计算机系统提供田地定义数据和特定于田地的数据时,可以通过用户设备(由农业智能计算机系统服务)上的一个或多个用户界面来提示用户输入这样的信息。在示例实施例中,用户可以通过访问用户设备(由农业智能计算机系统服务)上的地图并且选择已经在地图上以图形方式示出的具体CLU来标识田地定义数据。在替代实施例中,用户可以通过访问用户设备(由农业智能计算机系统服务)上的地图并且在地图上绘制田地的边界来标识田地定义数据。这样的CLU选择或地图绘图表示地理标识符。在替代实施例中,用户可以通过经由用户设备访问来自美国农业部农场服务机构或其他来源的田地定义数据(作为形状文件或类似的格式提供)并且将这样的田地定义数据提供给农业智能计算机系统来标识田地定义数据。由“田地定义数据”标识的土地可以被称为“田地”或“土地带(Tract)”。如本文所使用的,耕地或“土地带”被包含在可以被称为“田地区域”的区域中。这样的“田地区域”可以与例如温度网格或降水网格(如下文所使用和定义的)有共同的范围。
术语“特定于田地的数据”指(a)田地数据(例如,田地名称、土壤类型、面积、耕作状态、灌溉状态)、(b)收获数据(例如,作物类型、作物品种、作物轮作、作物是否以有机方式栽培、收获日期、实际生产历史(APH)、预期产量、产量、作物价格、作物收益、谷物水分、耕作实践、可由用户维护或访问的天气信息(例如,温度、降雨量)、以前的生长季节信息)、(c)土壤构成(例如,pH、有机物质(OM)、阳离子交换能力(CEC))、(d)种植数据(例如,种植日期、(一个或多个)种子类型、(一个或多个)种植的种子的相对成熟度(RM)、种子种群)、(e)氮数据(例如,施用日期、数量、来源)、(f)农药数据(例如,农药、除草剂、杀菌剂、旨在用作植物调节剂、脱叶剂或除湿剂的其他物质或混合物)、(g)灌溉数据(例如,施用日期、数量、来源)、以及(h)侦察观察(照片、视频、自由形式笔记、语音录音、语音转录、天气状况(温度、降水(当前的和随着时间的)、土壤水分、作物生长阶段、风速、相对湿度、露点、黑层))。如果没有经由与农业智能计算机系统交互(以与用户设备类似的方式)的一个或多个农业机器或农业机器设备提供特定于田地的数据,则用户可以经由用户设备将这样的数据提供给农业智能计算机系统。换句话说,用户经由用户设备访问农业智能计算机系统并且提供特定于田地的数据。
农业智能计算机系统还利用环境数据来提供农业智能服务。术语“环境数据”指与农耕活动相关的环境信息,例如天气信息、植被和作物生长信息、种子信息、病虫害信息、和土壤信息。环境数据可以从农业智能计算机系统可访问的外部数据源获得。环境数据还可以从集成在农业智能计算机系统内的内部数据源获得。环境数据的数据源可以包括天气雷达源、基于卫星的降水量源、气象数据源(例如,气象站)、卫星影像源、航空影像源(例如,飞机、无人机)、陆地影像源(例如,农业机器、无人地面车辆)、土壤源和数据库、种子数据库、作物物候源和数据库、以及病虫害报告及预测源和数据库。例如,土壤数据库可以将土壤类型和土壤位置与土壤数据相关,包括pH水平、有机物质组成、和阳离子交换能力。虽然在许多示例中,用户可以经由农业智能计算机系统间接地从数据源访问数据,但是在其他示例中,用户可以经由任何适当的网络连接直接访问数据源。
农业智能计算机系统处理来自多个数据源的多个田地定义数据、特定于田地的数据、和环境数据,以向用户提供由田地定义数据标识的田地或田地区域的多个田地状况数据。术语“田地状况数据”指可以由农业智能计算机系统用来管理和推荐农业活动的田地的特征和状况。田地状况数据可以包括,例如但不限于,田地天气状况、田地可工作性状况、生长阶段状况、土壤水分和降水状况。使用用户设备向用户呈现田地状况数据。
农业智能计算机系统还向用户提供针对由田地定义数据标识的土地带或田地区域的多个农业智能服务。这样的农业智能服务可以被用来向用户推荐要进行的行动方案。在示例实施例中,推荐服务包括种植顾问、氮肥施用顾问、害虫顾问、田地健康顾问、收获顾问和收益顾问。本文将对每个进行讨论。
系统架构
如上所述,农业智能计算机系统可以使用各种不同的计算设备来实现,该各种不同的计算设备使用任意适当的网络。在示例实施例中,农业智能计算机系统使用被配置为通过网络(例如,互联网)交换数据的客户端-服务器架构。一个或多个用户设备可以经由网络与用户应用或应用平台进行通信。应用平台表示用户设备上可用的应用,其可以被用来与农业智能计算机系统进行通信。其他示例实施例可以包括其他网络架构,例如对等或分布式网络环境。
应用平台可以经由网络向一个或多个用户设备提供服务器侧功能。因此,应用平台可以包括在用户设备处本地存储的客户端侧软件以及在农业智能计算机系统处存储的服务器侧软件。在示例实施例中,用户设备可以经由web客户端或程序化客户端来访问应用平台。用户设备可以向一个或多个前端服务器发送数据,以及从一个或多个前端服务器接收数据。在示例实施例中,数据可以采用对用户设备的请求和用户信息输入的形式(例如,特定于田地的数据)。一个或多个前端服务器可以处理用户设备请求和用户信息,并且确定这些请求是服务请求还是内容请求等等。内容请求可以被发送到一个或多个内容管理服务器以供处理。应用请求可以被发送到一个或多个应用服务器。在示例实施例中,应用请求可以采用请求的形式,来提供一个或多个田地的田地状况数据和/或农业智能服务。
在示例实施例中,应用平台可以包括互相通信的一个或多个服务器。例如,农业智能计算机系统可以包括前端服务器、应用服务器、内容管理服务器、帐户服务器、建模服务器、环境数据服务器、和相应的数据库。如上所述,环境数据可以从农业智能计算机系统可访问的外部数据源获得,或者可以从集成在农业智能计算机系统内的内部数据源获得。
在示例实施例中,外部数据源可以包括第三方托管服务器,该第三方托管服务器通过应用程序接口(API)请求和响应向农业智能计算机系统提供服务。农业智能计算机系统消费由这些第三方托管服务器公布或使得可用的数据的频率可以基于数据的类型而变化。在示例实施例中,当数据源提供新数据时,可以向农业智能计算机系统发送通知。农业智能计算机系统可以经由网络将API调用发送到托管数据的农业智能计算机系统,并且响应于该调用接收新数据。在需要的范围内,农业智能计算机系统可以处理数据,以使得应用平台的组件能够处置数据。例如,处理数据可以包括从流或数据馈送中提取数据、以及将数据映射到数据结构(例如,XML数据结构)。由农业智能计算机系统接收和/或处理的数据可以被发送到应用平台,并且被存储在适当的数据库中。
当作出应用请求时,一个或多个应用服务器与内容管理服务器、账户服务器、建模服务器、环境数据服务器、和相应的数据库进行通信。在一个示例中,建模服务器可以部分地使用基于田地定义数据和用户信息识别的一个或多个田地的特定于田地的数据和环境数据来生成预定数量的仿真(例如,10,000次仿真)。根据应用请求的类型,一个或多个田地的特定于田地的数据和环境数据可以位于内容管理服务器、帐户服务器、环境数据服务器、相应的数据库中,并且在一些实例中,存档在建模服务器和/或应用服务器中。基于由建模服务器生成的仿真,将一个或多个田地的田地状况数据和/或农业智能服务提供给应用服务器以用于通过网络传输到请求用户设备。更具体地,用户可以使用用户设备来访问示出田地状况数据和/或农业智能服务的多个窗口或显示器,如下面将进行描述的。
虽然上述应用平台已经被配置有上面的各种示例实施例,但是本领域技术人员将理解,服务器的任何配置都是可能的,并且本公开的示例实施例不需要被限制于本文公开的配置。
田地状况数据
田地天气和温度状况
作为提供的田地状况数据的一部分,农业智能计算机系统跟踪用户所标识的每个田地的田地天气状况。农业智能计算机系统确定当前天气状况,包括田地温度、风、湿度和露点。农业智能计算机系统还确定预报的天气状况,包括针对每小时计划间隔的、每日计划间隔的、或由用户指定的任意间隔的田地温度、风、湿度和露点。预报的天气状况也被用来预报田地降水、田地可工作性和田地生长阶段。使用气象模型(例如,Microcast模型)来确定近期预报,而使用历史模拟仿真来确定长期预报。
农业智能计算机系统使用网格温度来确定温度值。已知的研究表明使用网格技术提供了比基于点的温度报告更准确的温度测量。温度网格通常是正方形的物理区域,通常为2.5英里乘以2.5英里。农业智能计算机系统将田地与包含该田地的温度网格相关联。农业智能计算机系统标识接近该温度网格的多个气象站。农业智能计算机系统从多个气象站接收温度数据。由多个气象站报告的温度是基于它们相对于网格的接近度加权的,从而更接近的气象站比不太接近的气象站具有更高的权重。此外,将温度网格的相对海拔与多个气象站的海拔进行比较。响应于海拔的相对差异来调整由多个气象站报告的温度值。在一些示例中,温度网格包括或邻近水体。已知水体会引起区域温度的降低。因此,当与提供温度读数的气象站相比特定田地接近水体时,考虑到更接近水体,将针对该田地报告的温度向下调整。
类似地,使用利用气象雷达数据的降水网格确定降水值。降水网格具有与温度网格类似的用途和特征。具体来说,农业智能计算机系统使用可用的数据源,例如国家气象局的NEXRAD多普勒雷达数据、雨量计网络、和美国各处的气象站。农业智能计算机系统用地面站和卫星数据进一步验证和校准报告的数据。在示例实施例中,针对降水网格获得多普勒雷达数据。多普勒雷达数据被用来确定降水网格的降水估计。基于其他数据源(例如,其他气象雷达源、地面气象站(例如雨量计)、卫星降水源(例如,国家海洋和大气管理局的卫星应用和研究)、和气象源)来调整估计的降水。通过利用多个不同的数据源,可以实现更准确的降水跟踪。
当前天气状况和预测的天气状况(每小时、每天、或由用户指定)和与具体田地有关的适用信息(例如,田地名称、作物、面积、田地降水、田地可工作性、田地生长阶段、土壤水分、和用户可以指定的任意其他田地定义数据或特定于田地的数据)一起以图形方式显示在用户设备上。这样的信息可以按用户指定的一个或多个组合和细节程度被显示在用户设备上。
在示例实施例中,温度可以被显示为一段时间内的高温、平均温度和低温。可以显示具体时间和/或日期范围和/或收获年份期间的温度,并且与先前的时期、年份(包括5年平均值,15年平均值,30年平均值或由用户指定)进行比较。
在示例实施例中,降水可以被显示为一段时间内的降水量和/或累积的降水量。可以显示具体时间和/或日期范围和/或收获年份期间的降水,并且与先前的时期、年份(包括5年平均值,15年平均值,30年平均值或由用户指定)进行比较。降水也可以被显示为过去的和未来的雷达数据。在示例实施例中,可以显示最近1.5小时(或者由用户指定)内的过去的雷达。可以显示接下来的6小时(或者由用户指定)内的未来的雷达。雷达可以被显示为示出用户的一个或多个田地的航空影像地图的覆盖图,其中用户具有放大和缩小地图的能力。雷达可以在用户选择的间隔处被显示为静态的,或者在用户选择的间隔期间被连续地显示。由农业智能计算机系统接收和/或处理的底层雷达数据可以采用二进制格点(GRIB)文件的形式,包括预报的反射率文件、降水类型、和降水类型反射率值。
田地可工作性状况数据
作为田地状况数据的一部分,农业智能计算机系统提供田地可工作性状况,其指示针对一年中的给定时间可以使用机械其他器具对田地或田地的部分(与田地定义数据相关联)进行耕作的程度。在示例实施例中,农业智能计算机系统获取预定时间段内的田地历史降水数据、预定时间段内的田地预测降水、和预定时间段内的田地温度。获取的数据被用来确定一个或多个可工作性指数。
在示例实施例中,可工作性指数可以被用来导出特定农场活动的可工作性的三个值。可工作性值为“良好”指示田地状况在即将到来的时间间隔期间可接受使用机械或特定活动的可能性很高。可工作性值为“检查”表示田地状况在即将到来的时间间隔期间对于使用机械或特定活动可能是不理想的。可工作性值为“停止”表示田地状况在即将到来的时间间隔期间不适于工作或特定活动。
可工作性的确定值可以根据农场活动而变化。例如,种植和耕作通常需要低程度的泥泞,并且与允许更高程度的泥泞的活动相比可能需要更高的可工作性指数以实现“良好”的值。在一些实施例中,基于一组独特的因素为每个活动单独计算可工作性指数。例如,针对种植的可工作性指数可以与接下来60小时内的预测温度相关,而针对收获的可工作性指数可以仅与降水相关。在一些示例中,可以在用户设备处提示用户回答关于田地活动的问题,如果这样的信息尚未被提供给农业智能计算机系统。例如,可以询问用户当前正在进行什么田地活动。取决于响应,农业智能计算机系统可以根据用户的活动来调整它对可工作性指数的计算,从而将用户的反馈并入可工作性指数的计算中。或者,农业智能计算机系统可以调整针对活动向用户做出的推荐。在另一示例中,农业智能计算机系统可以基于响应推荐用户停止这样的活动。
田地生长阶段状况
作为提供的田地状况数据的一部分,农业智能计算机系统提供针对每个列出的田地中正在生长的农作物的田地生长阶段状况(例如,针对玉米,营养(VE-VT)生长阶段和生殖(R1-R6)生长阶段)。玉米的营养生长阶段通常描述如下。“VE”阶段表示出苗,“V1”阶段表示具有叶颈(1eaf collar)的第一片完全展开的叶;“V2”阶段表示具有叶颈的第二片完全展开的叶;“V3”阶段表示具有叶颈的第三片完全展开的叶;任何“V(n)”阶段表示具有叶颈的第n片完全展开的叶;以及“VT”阶段表示玉米的雄穗完全出现。在所描述的生殖生长阶段模型中,“R1”表示进行授粉和受精过程的抽丝期;“R2”或籽粒形成阶段(在R1之后10-14天发生)表示玉米粒是可见的并且类似于籽粒;“R3”或乳熟阶段(在R1后18-22天发生)表示核粒外部是黄色的并且含有乳白色液体;“R4”或蜡熟阶段(在R1后24-28天发生)表示核粒的内部已增稠为面团状稠度;“R5”或凹陷阶段(在R1后35-42天发生)表示核粒顶部凹进并开始脱水(drydown);以及“R6”或生理完熟阶段(在R1后55-65天发生)表示核粒已经达到最大干物质积累。田地生长阶段状况可以被用来确定关键耕种决策的时机。农业智能计算机系统通过跟踪天气(历史的和预报的两者)对作物从种植到收获的现象学发展的影响,计算每个作物在生长阶段(农艺阶段)期间的作物进展。
在示例实施例中,农业智能计算机系统使用由用户设备输入的种植日期来确定田地生长阶段状况。换句话说,用户可以将种植日期输入到用户设备中,用户设备将种植日期传输给农业智能计算机系统。或者,农业智能计算机系统可以使用系统算法来估计种植日期。具体地,可以基于与田地定义数据相关联的区域中的农艺阶段数据和种植实践来估计种植日期。可以从数据服务(例如,监视区域的典型种植技术的大学数据网络)接收种植实践。农业智能计算机系统还使用与用户在当前季节和历史季节内的耕作实践相关的数据,从而促进历史分析。换句话说,农业智能计算机系统被配置为当种植者没有提供实际种植日期时,使用每个具体种植者在对象田地的历史实践或替代地使用相应区域的历史实践来预测作物的种植日期。农业智能计算机系统按照种植日期、用户的耕作实践、和特定于田地的数据基于生长季节中的预期热量单位来确定作物的相对成熟度值。由于热量是作物接收的能量的代表,农业智能计算机系统计算作物的预期热量单位,并且确定作物的成熟度的发展。在示例实施例中,最高温度和低温被用来估计热量单位。
土壤水分
作为田地状况数据的一部分,农业智能计算机系统确定土壤水分数据,并且经由在用户设备上示出客户端应用的显示器提供土壤水分数据。土壤水分表示存在于田地土壤中的作物可获得的总水容量的百分比。基于当时农业智能计算机系统中的环境数据(例如,来自北美土地数据同化系统的数据)、以及特定于田地的数据,在生长季节开始时初始化土壤水分值。在另一实施例中,土壤分析计算设备可以为种植者分析来自多个田地的土壤样本,其中多个田地包括选择的田地。一旦分析完成,结果可以从土壤分析计算设备被直接提供给农业智能计算机系统,以使得土壤分析结果可以被提供给种植者。此外,来自土壤分析的数据可以被输入到农业智能计算机系统中,以用于确定田地状况数据和农业智能服务。
然后在生长季节期间通过跟踪经由降水进入土壤的水分和经由蒸发(ET)离开土壤的水分来至少每天地调整土壤水分值。
在一些示例中,在区域中作为降水被接收的水不会进入土壤,因为它作为径流而损失。因此,在一个示例中,计算总降水值和净降水值。总降水表示总降水值。净降水不包括由于作为径流损失而从未进入土壤的经计算的数量的水。基于一段时间内的降水量和由USDA土壤类型分类确定的曲线来确定径流值。系统考虑用户的与土壤相关的具体的特定于田地的数据来确定具体田地的径流和径流曲线。如上所述的土壤输入数据可以替代地经由土壤分析计算设备被提供。相比于较重、较紧密的土壤,较轻、多沙的土壤允许更大的降水渗透,并且在强降水事件期间经历更少的径流。较重或较致密的土壤类型具有较低的降水渗透率,并且在具有强降水事件的日子里更多的降水被损失为径流。
基于标准Penman-Monteith ET模型的版本来计算与用户的具体田地相关联的日蒸发量。某一天通过蒸发离开土壤的水的总量是基于以下参数计算的:
当天的最高温度和最低温度:与较冷的温度相比,较暖的温度导致更大的蒸发值。
纬度:在大部分玉米生长季节,与位于更南纬度的田地相比,位于更北纬度的田地由于较长的天数会经历更大的太阳辐射。但是由于地球倾斜,位于更北纬的地区也获得减少的辐射。与具有更低净太阳辐射值的区域相比,具有更大净太阳辐射值的区域将具有相对更高的蒸发值。
估计的作物生长阶段:授粉附近的生长阶段提供最高的潜在每日蒸发值,而种植附近的生长阶段和籽粒灌浆的晚期产生相对较低的每日蒸发值,因为作物在这些生长阶段使用较少的水。
当前土壤水分:农业智能计算机系统的模型考虑以下事实,当土壤中可用的水较少时,作物保存和使用较少的水。被报告高于一定百分比(由作物类型决定)的报告土壤水分值提供最高的潜在蒸发值,随着土壤水分值接近0%,潜在蒸散量值降低。当土壤水分值低于这个百分比时,玉米将开始保存水,并以低于最佳速率的速率使用土壤水分。植物的水分保存随着土壤水分值的降低而增加,导致越来越低的每日蒸发值。
风:蒸发要考虑风;然而,相对于其他条件,蒸发对风并不敏感。在示例实施例中,针对所有蒸发计算使用2米每秒的设定风速。
警报和报告
农业智能计算机系统还被配置为基于天气和田地相关信息提供警报。具体地,用户可以为多个警报类别中的每一个警报类别定义多个阈值。当田地状况数据指示已经超过阈值时,用户设备将接收警报。可以通过应用(例如,登录时的通知、推送通知)、电子邮件、文本消息、或任意其他适当的方法来提供警报。可以针对作物耕作监控(例如,冰雹大小、降雨量、总降水、土壤水分、作物监测、风况、田地图像、虫害报告或病害报告)定义警报。或者,可以针对作物生长策略提供警报。例如,可以基于商品价格、谷物价格、可工作性指数、生长阶段、和作物水分含量来提供警报。在一些示例中,警报可以指示推荐的行动方针。例如,警报可以推荐田地活动(例如,种植、氮肥施用、病虫害治疗、灌溉应用、侦测、或收获)在特定时间段内发生。农业智能计算机系统还被配置为从例如用户设备、农业机器和/或农业机器计算设备、或任何其他源接收关于农业活动的信息。因此,还可以基于记录的农场活动(例如,种植、氮肥施用、喷洒、灌溉、侦测、或收获)来提供警报。在一些示例中,可以在不管阈值的情况下提供警报,以指示某些田地状况。在一个示例中,可以向用户设备提供每日降水、生长阶段、田地图像、或温度警报。
农业智能计算机系统还被配置为基于田地状况数据生成多个报告。这样的报告可以被用户用来改进耕种中的策略和决策。报告可能包括关于作物生长阶段、温度、湿度、土壤水分、降水、可工作性、害虫风险、和病害风险的报告。报告还可以包括一个或多个田地定义数据、环境数据、特定于田地的数据、侦测和日志事件、田地状况数据、农业智能服务概要或FSA表格578。
侦测和笔记
农业智能计算机系统还被配置为从用户设备接收补充信息。例如,用户可以提供关于与田地定义数据相关联的田地的日志记录或侦测事件。用户可以访问用户设备处的日志记录应用,并且更新农业智能计算机系统。在一个实施例中,当在物理上位于田地中时,用户经由用户设备访问农业智能计算机系统以输入特定于田地的数据。农业智能计算机系统可以自动地显示和传输日期和时间、以及与特定于田地的数据相关联的田地定义数据(例如,地理坐标和边界)。用户可以提供活动的一般数据,包括田地、位置、日期、时间、作物、图像、和笔记。用户还可以提供针对特定活动(例如,种植、氮肥施用、杀虫剂施用、收获、侦测、和当前天气观察)的数据。这样的补充信息可以与其他数据网络相关联,并被用户用于分析。
农业智能计算机系统还被配置为显示侦测和日志记录事件,该侦测和日志记录事件与经由与农业智能计算机系统交互的一个或多个农业机器或农业机器设备、或者经由用户设备从用户接收特定于田地的数据相关。这样的信息可以按用户指定的来显示。在一个示例中,信息被显示在用户设备上的日历上,其中用户可以根据需要获得与信息相关的进一步细节。在另一示例中,信息被显示在用户设备上的表格中,其中用户可以选择用户想要显示的具体信息类别。
农业智能计算机系统还包括多个模块(或与多个模块进行数据通信),该多个模块被配置为分析田地状况数据和农业智能计算机系统可用的其他数据,并且相对于正在被分析的田地推荐将要被执行的某些农业行动(或活动),以最大化特定田地的产量和/或收益。换句话说,这样的模块审核田地状况数据和其他数据,以推荐如何有效地增加特定田地的产出和效益。这些模块可以被不同地称为农业智能模块、或替代地被称为推荐顾问组件或农业智能服务。如本文所使用的,这样的农业智能模块可以包括但不限于a)种植顾问模块、b)氮肥施用顾问模块、c)害虫顾问模块、d)田地健康顾问模块、e)收获顾问模块、以及f)收益顾问模块。
农业智能服务
种植顾问模块
农业智能计算机系统还被配置为提供与种植相关的农业智能服务。在一个示例实施例中,种植顾问模块提供种植日期推荐。这些推荐针对田地的位置,并且适合当前田地状况数据以及预测的具体田地将经历的天气。
在一个实施例中,种植顾问模块接收由用户标识的每个田地(如从田地定义数据确定)的以下数据点中的一个或多个,以便于确定并提供这样的种植日期推荐:
1.第一组数据点是种子特征数据。种子特征数据可以包括与被种植或将被种植的种子有关的任何相关信息。种子特征数据可以包括例如,种子公司数据、种子成本数据、种群密度数据、种子杂交数据,种子成熟度水平数据、种子抗病性数据、和任何其他适当的种子数据。种子公司数据可以指种子的制造商或提供者。种子成本数据可以指给定数量、重量或体积的种子的种子价格。种群密度数据可包括种植(或想要种植)的种子的数量、或种植(或想要种植)的种子的密度。种子杂交数据可以包括与种子的生物组成相关的任何信息(即,哪些植物杂交形成给定种子)。种子成熟度水平数据可以包括例如,给定种子的相对成熟度水平(例如,比较相对成熟度(“CRM”)值、或抽丝比较相对成熟度(“抽丝CRM”))、直到诸如抽丝、授粉中期、黑层、或开花之类的给定阶段的生长度单位(“GDU”)、以及给定种子在生理成熟时的相对成熟水平(“Phy.CRM”)。抗病性数据可以包括与种子对特定病害的抗性相关的任何信息。在示例实施例中,抗病性数据包括与对以下病害的抗性相关的数据,如灰斑病(Gray Leaf Spot)、大斑病(Northern Leaf Blight)、炭疽茎腐病(Anthracnose StalkRot)、戈斯枯萎病(Goss′s Wilt)、小斑病(Southern Com Leaf Blight)、眼斑病(Eyespot)、普通锈病(CommonRust)、炭疽叶枯病(Anthracnose Leaf Blight)、南方锈病(SouthernRust)、南方病毒复合体(Southern Virus Complex)、斯图尔特叶枯病(Stewart′s Leaf Blight)、玉米致死性坏死(Corn Lethal Necrosis)、丝黑穗病(Headsmut)、色二孢菌穗腐病(Diplodia Ear Rot)、和镰孢冠腐病(Fusarium Crown Rot)。其他合适的种子数据可以包括与以下信息相关的数据,例如谷物脱水、茎强度、根强度、胁迫出苗(stressemergence)、持绿(staygreen)、耐旱性、穗弯曲(ear flex)、测试八(test eight)、植株高度、穗高度、季中脆秆(mid-season brittle stalk)、植物活力(plant vigor)、杀菌剂反应、生长调节剂敏感性、色素抑制剂、敏感性、磺酰脲类敏感性、收获时机、籽粒纹理、出苗、收获外观、收获种群(harvest population)、幼苗生长、穗轴颜色、和苞叶覆盖。
2.第二组数据点是与土壤组成相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
3.第三组数据点是与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地名称和标识符、土壤类型或分类、耕作状态、灌溉状态。
4.第四组数据点是与历史收获数据相关的特定于田地的数据。这样的特定于田地的数据可以包括作物类型或分类、收获日期、实际生产历史(“APH”)、产量、谷物水分、和耕作实践。
在一些示例中,可以在用户设备处提示用户通过回答与期望的种植种群(例如,特定田地的总作物量和总作物密度)和/或种子成本、预期产量、以及风险偏好的指示(例如,一般的或具体的:用户愿意冒每英亩具体数量的蒲式耳的风险来增加每英亩产出具体更大数量的蒲式耳的机会)相关的问题来提供第五组数据点,如果这样的信息尚未被提供给农业智能计算机系统。
种植顾问模块接收并处理数据点集合以仿真可能的产量潜力。针对各种植日期计算可能的产量潜力。种植顾问模块还使用附加数据来生成这样的仿真。附加数据可以包括种植数据和收获日期之间的仿真天气、田地可工作性、季节性冻害风险、干旱风险、受热风险、水分过多风险、估计的土壤温度、和/或风险容忍度。可能的收获日期可以基于提供的相对成熟度被估计(例如,以生成最早的推荐收获日期),并且可以基于预测的天气和可工作性被进一步调整。可以基于高利润/高风险情景、低风险情景、平衡的风险/利润情景、和用户定义的情景来计算风险容忍度。种植顾问模块针对每个种植日期生成这样的仿真,并在用户设备上为用户显示种植日期推荐。推荐包括推荐的种植日期、预计产量、相对成熟度,并且用图表描绘预计产量对比种植日期。在一些示例中,种植顾问模块还用图表描绘种植日期对比由春季冻害风险、降雪冻害风险、干旱风险、受热风险、水分过多风险、和估计的土壤温度产生的预计产量损失。在一些示例中,这样的图表是基于每个种植日期与针对选择的相对成熟度的可能的或最早的推荐收获日期之间的预测温度和/或降水生成的。种植顾问模块通过修改与种子特征数据、特定于田地的数据、期望种植种群和/或种子成本、预期产量、和/或风险偏好的指示相关联的一个或多个数据点,来提供建模和显示种植数据和预计产量的替代产量情景的选项。替代产量情景可以与原始推荐一起被显示和用图表描绘在用户设备上。
在一些示例中,种植顾问模块基于预测的可工作性来推荐或排除种植日期。例如,其中预测的特定于种植的可工作性值为“停止”的日期可以被排除或不被推荐。在一些示例中,种植顾问基于预测的天气事件(例如,温度或降水)推荐或排除种植日期。例如,可以推荐在冻害的可能性低于相关阈值的日期之后的种植日期。
在一些示例中,种植顾问推荐种子特征、或者针对各种种子特征用图表描绘估计的产量对比种植日期。例如,可以针对种子特性和推荐的种子特性生成估计的产量对比种植日期的图表。推荐的种子特征可以是基于在任意种植日期处的最大产量、在一组种植日期期间的最大平均产量、或最早可能的收获日期(例如,在由于预测的天气而不期望较晚的收获日期的情况下,相对成熟度可以被选择以使能期望的收获日期)中的任一个被推荐的。
氮肥施用顾问模块
农业智能计算机系统还被配置为提供与土壤相关的农业智能服务。氮肥施用顾问模块确定土壤中对氮的潜在需求,并向用户推荐氮肥施用实践。更具体地,氮肥施用顾问模块被配置为识别存在于土壤中的氮不能满足作物需要的状况。在一个示例实施例中,氮肥施用顾问模块提供针对田地的位置并且适应当前田地状况数据的侧施肥或喷洒的建议,例如日期和频率。在一个实施例中,氮肥施用顾问模块被配置为接收由用户标识的每个田地的以下数据点中的一个或多个(如从田地定义数据确定):
1.第一组数据点包括环境信息。环境信息可以包括与天气、降水、气象学、土壤和作物物候有关的信息。
2.第二组数据点包括与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地名称和标识符、土壤类型或分类、耕作状态、灌溉状态。
3.第三组数据点包括与历史收获数据相关的特定于田地的数据。这样的特定于田地的数据可以包括作物类型或分类、收获日期、实际生产历史(“APH”)、产量、谷物水分、和耕作实践。
4.第四组数据点是与土壤组成相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
5.第五组数据点是与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括种植日期、一个或多个种子类型、(一个或多个)种植的种子的相对成熟度(RM)水平、和种子密度。在一些示例中,种植数据从种植者监视器传输到农业智能计算机系统150,例如,经由蜂窝调制解调器或种植机监视器的其他数据通信设备。
6.第六组数据点是与氮数据相关的特定于田地的数据。这样的特定于田地的数据可以包括氮肥施用日期、氮肥施用量、和氮肥施用源。
7.第七组数据点是与灌溉数据相关的特定于田地的数据。这样的特定于田地的数据可以包括灌溉施用日期、灌溉量、和灌溉源。
基于数据点集合,氮肥施用顾问模块确定氮肥施用推荐。如下所述,推荐包括具有足够的氮的田地的列表、具有不足的氮的田地的列表、以及针对具有不足的氮的田地的推荐氮肥施用。
在一些示例中,可以在用户设备处提示用户回答与氮肥施用(例如,修整,喷洒)实践和成本相关的问题,例如氮肥的类型(例如,无水氨(Anhydrous Ammonia)、尿素(Urea)、UAN(尿素硝酸铵(Urea Ammonium Nitrate))28%、30%或32%、硝酸铵(AmmoniumNitrate)、硫酸铵(Ammonium Sulphate)、硫酸钙(Calcium Ammonium Sulphate))、氮肥成本、可施用氮肥的作物的最近生长阶段、施用设备、劳动力成本、预期作物价格、耕作实践(例如,类型(常规,无耕种,减少,剥离)和已经耕种的田地的表面数量)、枯落物(residue)(枯落物覆盖的田地的表面数量)、相关耕种实践(例如粪肥施用、氮稳定剂、覆盖作物)、以及以前的作物数据(例如,作物类型、收获日期、实际生产历史(APH)、产量、耕作实践)、当前作物数据(例如,种植日期、(一个或多个)种子类型、(一个或多个)种植的种子的相对成熟度(RM)、种子密度)、土壤特性(pH、OM、CEC),如果这样的信息尚未提供给农业智能计算机系统。对于某些问题(例如可以施用氮肥的作物的最近生长阶段、施用设备、劳动力成本),用户可以选择提供多个替代响应,以便农业智能计算机系统可以优化氮肥施用顾问推荐。
使用环境信息、特定于田地的数据、氮肥施用实践和成本、先前作物数据、当前作物数据、和/或土壤特性,农业智能计算机系统标识每个田地中的可用氮,并且仿真可能的氮肥施用实践、日期、频率、以及针对氮肥施用的可工作性为“绿色”的下一个日期(考虑到预测的可工作性和通过淋溶、反硝化、和挥发的氮损失)。氮肥施用顾问模块在用户设备上为用户生成并显示氮肥施用推荐。
推荐包括:
1.具有足够的氮的田地的列表,包括针对每个田地的可用的氮、最近施用数据、以及最近氮肥施用量。
2.其中氮肥施用被推荐的田地的列表,包括针对每个田地的可用的氮、推荐施用实践,推荐施用日期、推荐施用量、以及针对氮肥施用的可工作性为“绿色”的下一个数据。
用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模(即,运行模型)并显示针对与一个或多个替代情景相对的推荐氮肥施用在指定的时间段内(预定义的或由用户定义)的氮损失(总计并分成由挥发、反硝化、和淋溶引起的损失)和作物对氮的利用(“吸收”)。用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用的估计的投资回报率。替代氮肥施用情景可以与原始推荐一起在用户设备上被显示和被用图表描绘。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用的估计的产出效益(最小、平均和最大)。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用在由用户指定的任意时间段内的估计的可用的氮。用户还可以选择针对田地内的一个或多个子田地或管理区域,运行氮肥施用顾问(使用氮肥施用顾问)。
害虫顾问模块(或病虫害顾问模块)
农业智能计算机系统还被配置为提供与病虫害相关的农业智能服务。病虫害顾问模块被配置为标识害虫损害和/或病害损害对作物造成的风险。在一个示例实施例中,病虫害顾问模块标识在美国对作物造成最大经济损害的害虫引起的风险。这样的害虫包括例如,玉米根虫(com rootworm)、玉米穗虫(com earworm)、大豆蚜虫(soybean aphid)、西部豆夜蛾(western bean cutworm)、欧洲玉米螟(European corn borer)、粘虫(armyworm)、豆叶甲虫(bean leaf beetle)、日本甲虫(Japanese beetle)、和棉叶螨(two spottedspider mite)。在一些示例中,病虫害顾问针对由生长阶段(例如,幼虫阶段和成年阶段)划分的每个害虫提供补充分析。病虫害顾问模块还标识在美国对作物造成最大经济损害的病害所引起的病害风险。这样的病害包括例如,灰斑病、大斑病、炭疽茎腐病、戈斯枯萎病、小斑病、眼斑病、普通锈病、炭疽叶枯病、南方锈病、南方病毒复合体、斯图尔特叶枯病、玉米致死性坏死、丝黑穗病、色二孢菌穗腐病、和镰孢冠腐病。害虫顾问还被配置为响应于这样的病虫害风险来推荐监视实践和治疗方法。害虫顾问还被配置为基于观察靠近用户田地的区域中的害虫来提供警报。
在一个实施例中,病虫害顾问可以接收由用户标识的每个田地的以下数据集中的一个或多个(如从田地定义数据确定):
1.第一组数据点是环境信息。环境信息包括与天气、降水、气象、作物物候、和病虫害报告相关的信息。
2.第二组数据点是种子特征数据。种子特征数据可以包括与被种植或将被种植的种子相关的任何相关信息。种子特征数据可以包括例如,种子公司数据、种子成本数据、播种密度数据、种子杂交数据,种子成熟度水平数据、种子抗病性数据、和任何其他适当的种子数据。种子公司数据可以指种子的制造商或提供者。种子成本数据可以指给定数量的、重量的或体积的种子的种子价格。播种密度数据可包括种植(或想要种植)的种子的数量、或种植(或想要种植)的种子的密度。种子杂交数据可以包括与种子的生物组成相关的任何信息(即,哪些植物杂交形成给定种子)。种子成熟度水平数据可以包括例如,给定种子的相对成熟水平(例如,比较相对成熟度(“CRM”)值、或抽丝比较相对成熟度(“抽丝CRM”))、直到诸如抽丝、授粉中期、黑层、或开花之类的给定阶段的生长度单位(“GDU”)、以及给定种子在生理成熟时的相对成熟水平(“Phy.CRM”)。抗病性数据可以包括与种子对特定病害的抗性相关的任何信息。在示例实施例中,抗病性数据包括与对以下病害的抗性相关的数据,如灰斑病、大斑病、炭疽茎腐病、戈斯枯萎病、小斑病、眼斑病、普通锈病、炭疽叶枯病、南方锈病、南方病毒复合体、斯图尔特叶枯病、玉米致死性坏死、丝黑穗病、色二孢菌穗腐病、和镰孢冠腐病。其他合适的种子数据可以包括与以下信息相关的数据,例如谷物脱水、茎强度、根强度、胁迫出苗、持绿、耐旱性、穗弯曲、测试八、植株高度、穗高度、季中脆秆、植物活力、杀菌剂反应、生长调节剂敏感性、色素抑制剂、敏感性、磺酰脲类敏感性、收获时机、籽粒纹理、出苗、收获外观、收获种群、幼苗生长、穗轴颜色、和苞叶覆盖。
3.第三组数据点是与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、和种子密度。
4.第四组数据点是与农药数据有关的特定于田地的数据。这样的特定于田地的数据可以包括例如,农药施用日期、农药产品类型(例如,由EPA注册号指定)、农药剂型、农药使用率、农药英亩测试、喷洒的农药量、和农药来源。
在一些示例中,可以在用户设备处提示用户回答关于农药施用实践和成本的问题,例如产品类型、施用日期、剂型、频率、英亩测试、数量、来源、成本、可以施用农药的作物的最近生长阶段、施用设备、劳动力成本、预期作物价格、以及当前作物数据(例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、种子密度),如果这些信息尚未提供给农业智能计算机系统。因此,病虫害顾问模块从用户设备接收这样的数据。对于某些问题(例如,可以施用农药的作物的最近生长阶段、施用设备、劳动力成本),用户可以选择提供多种替代响应,以便农业智能计算机系统可以优化病虫害顾问推荐。
病虫害顾问模块被配置为接收并处理所有这样的数据点集合以及接收到的用户数据,并且仿真可能的农药施用实践。可能的农药实践的仿真包括,日期、频率、以及针对农药施用的可工作性为“绿色”的下一个日期(考虑到预测的可工作性)。病虫害顾问模块在用户设备上为用户生成并显示监视推荐和治疗推荐。监视推荐包括每天一次(或由用户指定的频率)监视具体的病虫害。用户可以选择显示具体的病虫害子集以及与具体的病虫害相关的附加信息。治疗推荐包括其中农药施用被推荐的田地的列表,包括针对每个田地的推荐的施用实践,推荐的施用日期,推荐的施用频率,以及针对农药施用的可工作性为“绿色”的下一个数据。用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐农药施用的估计的投资回报率。替代农药施用情景可以与原始推荐一起在用户设备上被显示和被用图表描绘。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐农药施用的估计的产出效益(最小、平均和最大)。
田地健康顾问模块
田地健康顾问模块在季节中标识作物健康质量,并且使用这样的作物健康决定来推荐在不良田地健康区域进行监视或调查。更具体地,田地健康顾问模块接收并处理田地图像数据,以确定、标识和提供生物量(biomass)健康的指数值。生物量健康的指数值的范围可以从0(表示没有生物量)到1(表示最大数量的生物量)。在示例实施例中,指数值具有具体的颜色方案,使得每个图像具有用颜色编码的生物量健康方案(例如,棕色区域示出了具有最低相对生物量健康的田地中的区域)。在一个实施例中,田地健康顾问模块可以接收由用户标识的每个田地的以下数据点中的一个或多个(如从田地定义数据确定):
1.第一组数据点包括环境信息。这样的环境信息包括与卫星图像、航空图像、地面图像和作物物候相关的信息。
2.第二组数据点包括与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地和土壤标识符,例如田地名称和土壤类型。
3.第三组数据点包括与土壤成分数据相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
4.第四组数据点包括与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、和种子密度。
田地健康顾问模块接收并处理所有这些数据点(以及田地图像数据),以便在每次新的田地图像可用时,确定并且识别由用户标识的每个田地中的每个位置的作物健康指数。在一个示例实施例中,田地健康顾问模块将作物健康指数确定为,基于田地中的每个栅格位置处的至少一个近红外(“NIR”)反射率值和至少一个可见光谱反射率值的归一化差异植被指数(“NDVI”)。在另一示例实施例中,作物健康指数是基于多光谱反射率的NDVI。
田地健康顾问模块在用户设备上生成并显示健康指数地图,作为由用户标识的每个田地的航空地图上的覆盖。在示例实施例中,针对每个田地,田地健康顾问模块显示田地图像日期、作物当时的生长阶段、当时的土壤水分、以及健康指数地图,作为田地的航空地图上的覆盖。在示例实施例中,田地图像分辨率在5m与0.25cm之间。用户可以选择基于田地图像日期和/或作物健康指数来建模和显示田地列表(例如,具有最低整体健康指数值的田地到具有最高整体健康指数值的田地、具有最高整体健康指数值的田地到具有最低的整体健康指数值的田地、田地内最低健康指数值可变性、田地内最高健康指数值可变性、或如用户指定的)。用户还可以选择建模和显示一段时间内田地的作物健康指数的比较(例如,并排比较,重叠比较)。在示例实施例中,田地健康顾问模块向用户提供以下能力,即,选择田地上的位置以获得与特定位置处的健康指数、土壤类型、或海拔相关的更多信息。在示例实施例中,田地健康顾问模块向用户提供保存选择的位置、相关信息、和短小笔记的能力,以便用户可以在田地里时在用户设备上检索相同的信息。
本文所描述的系统和方法的技术效果包括以下中的至少一个:(a)通过改进的现场状况监测来提高农业田地的利用率;(b)改进对受精的时间和方法的选择;(c)改进对害虫控制的时间和方法的选择;(d)改进对种植在土壤的给定位置的种子的选择;(e)改进微局部水平的田地状况数据;和(f)改进对收获的时间的选择。
更具体地,技术效果可以通过执行以下步骤中的至少一个来实现:(a)接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;以及向用户设备提供多个田地状况数据。(b)定义降水分析期;从多个输入数据的子集中获取与降水分析期相关联的一组近期降水数据、一组预测降水数据和一组温度数据;基于一组近期降水数据、一组预测降水数据和一组温度数据来确定可工作性指数;以及基于可工作性指数向用户设备提供可工作性值。(c)接收预期田地活动;以及部分地基于预期田地活动来确定可工作性指数。(d)确定初始作物水分水平;接收多个每日高温和低温;接收多个作物用水量;以及确定土壤水分水平。(e)从用户设备接收多个警报偏好;标识与多个警报偏好相关联的多个警报阈值;监视多个输入数据的子集;以及在超过警报阈值中的至少一个警报阈值时向用户设备告警。(f)从用户设备和农业机器设备中的至少一者接收多个田地定义数据。(g)标识与田地区域相关联的网格;从与网格相关联的多个气象站进行标识,其中多个气象站中的每个气象站与气象站位置相关联;基于每个相关联的气象站位置来标识多个气象站中的每个气象站的相关联的权重;从多个气象站中的每个气象站接收温度读数;以及基于多个温度读数和每个相关联的权重来标识田地区域的温度值。(h)接收多个田地定义数据;从多个数据网络获取多个输入数据;基于田地定义数据确定田地区域;标识与田地区域相关联的多个输入数据的子集;基于多个输入数据的子集来确定多个田地状况数据;标识多个田地活动选项;至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。(i)定义降水分析期;从多个输入数据的子集中获取与降水分析期相关联的一组近期降水数据、一组预测降水数据和一组温度数据;基于一组近期降水数据、一组预测降水数据和一组温度数据来确定可工作性指数;以及至少部分地基于可工作性指数来标识推荐的农业活动。(j)确定初始作物水分水平;接收多个每日高温和低温;接收多个作物用水量;确定田地区域的土壤水分水平;以及基于确定的土壤水分水平来标识要推荐的多个作物。(k)基于输入数据来确定田地区域的预期热量单位值;接收被考虑用于种植的多个作物选项,其中多个作物选项中的每一个包括作物数据;基于预期热量单位值和作物数据来确定多个作物选项中的每一个的相对成熟度;以及基于多个作物选项中的每一个的相对成熟度从多个作物选项中推荐选择的作物。(1)接收多个害虫风险数据,其中多个害虫风险数据中的每一个包括害虫标识符和害虫位置;接收与多个作物相关联的多个作物标识符;接收与作物标识符相关联的多个杀虫喷雾信息;确定与多个作物中的每一个相关联的害虫风险评估;以及基于多个害虫风险评估来推荐喷洒策略。(m)从用户设备接收与每个田地区域相关联的多个历史农业活动;以及至少部分地基于多个历史农业活动提供推荐的田地活动选项。以及(n)利用基于网格的模型来获得局部的田地状况数据。
如本文所使用的,处理器可以包括任意可编程系统,包括使用微控制器的系统、使用精简指令集电路(RISC)的系统、使用专用集成电路(ASIC)的系统、使用逻辑电路的系统、以及使用能够执行本文所描述功能的任意其他电路或处理器的系统。上述示例仅是示例,因此不旨在以任何方式限制术语“处理器”的定义和/或含义。
如本文所使用的,术语“数据库”可以指数据主体、关系数据库管理系统(RDBMS)、或它们两者。如本文所使用的,数据库可以包括数据的任何集合,包括分层数据库、关系数据库、平面文件数据库、对象关系数据库、面向对象的数据库、以及存储在计算机系统中的记录或数据的任何其他结构化集合。上述示例仅是示例,因此不旨在以任何方式限制术语数据库的定义和/或含义。RDBMS的示例包括但不限于,数据库、MySQL、DB2、SQL服务器、和PostgreSQL。然而,可以使用能够实现本文所描述的系统和方法的任何数据库。(Oracle是加利福尼亚红木海岸的甲骨文公司的注册商标;IBM是纽约阿蒙克的国际商业机器公司的注册商标;Microsoft是华盛顿雷德蒙德的微软公司的注册商标;Sybase是加利福尼亚都柏林的赛贝斯公司的注册商标。)
在一个实施例中,提供了计算机程序,并且程序被体现在计算机可读介质上。在示例实施例中,系统在单个计算机系统上执行,而不需要连接到服务器计算机。在另一实施例中,系统在环境中运行(Windows是是华盛顿雷德蒙德的微软公司的注册商标)。在另一个实施例中,该系统在大型机环境和服务器环境中运行(UNIX是位于英国伯克郡雷丁的X/Open有限公司的注册商标)。该应用是灵活的,并且旨在运行在各种不同的环境中,而不会影响任何主要功能。在一些实施例中,系统包括分布在多个计算设备之间的多个组件。一个或多个组件可以是体现在计算机可读介质中的计算机可执行指令的形式。
如本文所使用的,单数列举的并且使用单词“一”或“一个”的元件或步骤应当被理解为不排除多个元件或步骤,除非这种排除被明确地叙述。此外,对本公开的“示例实施例”或“一个实施例”的引用不旨在被解释为排除还包括叙述的特征的附加实施例的存在。
如本文所使用的,术语“软件”和“固件”是可互换的,并且包括存储在存储器中用于由处理器执行的任何计算机程序,其中存储器包括RAM存储器,ROM存储器,EPROM存储器,EEPROM存储器、和非易失性存储器RAM(NVRAM)存储器。上述存储器类型仅是示例,因此不限制可用于存储计算机程序的存储器的类型。
系统和过程不限于本文所描述的具体实施例。此外,每个系统的组件和每个过程可以独立于本文所描述的其他组件和过程被独立地实现。每个组件和过程也可以与其他组件和过程结合被使用。
以下详细描述通过示例而非限制的方式来说明本公开的实施例。可以预期,本公开对农业活动的管理和推荐具有普遍适用性。
图1是描绘包括使用农业智能计算机系统监视和管理的多个田地的示例农业环境100的图。示例农业环境100包括种植者110,该种植者110耕种包括第一田地122和第二田地124的多个田地120。种植者110与农业智能计算机系统150进行交互,从而有效地管理田地120并且接收对农业活动的推荐以有效地利用田地120。农业智能计算机系统150利用多个计算机系统112、114、116、118、130A、130B、和140来提供这样的服务。计算机系统112、114、116、118、130A、130B、140、和150以及所有相关联的子系统可以被称为“联网农业智能系统”。虽然仅示出了一个种植者110和两个田地120,但是应当理解,具有多个田地120的多个种植者110可以利用农业智能计算机系统150。
在示例实施例中,种植者110利用用户设备112、114、116、和/或118来与农业智能计算机系统150进行交互。在一个示例中,用户设备112是智能手表、计算机使能的眼镜、智能电话、PDA、或能够发送和接收诸如本文所描述的信息的“平板手机”计算设备。或者,种植者110可以利用平板计算设备114、或膝上型计算机116来与农业智能计算机系统150进行交互。由于用户设备112和114是具有特定类型和范围的输入和输出的“移动设备”,在至少一些示例中,用户设备112和114使用专业软件(有时称为“应用”)来与农业智能计算机系统150进行交互。
在示例实施例中,农业机器117(例如,联合收割机、拖拉机、耕田机、犁、深耕犁、喷洒器、或农场上用于帮助耕作的其他机械)可以耦合到计算设备118(“农业机器计算设备”),该计算设备118以与用户设备112、114和116类似的方式与农业智能计算机系统150进行交互。在一些示例中,农业机器计算设备118可以是种植机监控器、种植机控制器或产量监控器。在一些示例中,农业机器计算设备118可以是如通过引用并入本文的美国专利No.8738243中、或通过引用并入本文的国际专利申请No.PCT/US2013/054506中所公开的种植机监控器。在一些示例中,农业机器计算装置118可以是如通过引用并入本文序列号为14/237,844的美国专利申请中所公开的产量监控器。农业机器117和农业机器计算设备118可以向农业智能计算机系统150提供田地定义数据160和特定于田地的数据,如下面将进行描述的。
如下文和本文所描述的,种植者(或用户)110与用户设备112、114、116和/或118进行交互,以获得与管理田地120相关的信息。更具体地,种植者110与用户设备112、114、116和/或118进行交互,以获得与管理田地120相关的推荐、服务和信息。种植者110通过用户设备112、114、116和/或118提供描述田地120的位置、布局、地理和地形的田地定义数据160。在示例实施例中,种植者110可以通过访问用户设备112、114、116和/或118上的地图(由农业智能计算机系统150服务)并且选择已经在地图上图形化示出的具体CLU来向农业智能计算机系统150提供田地定义数据160。在替代实施例中,种植者110可以通过访问用户设备112、114、116和/或118上的地图(由农业智能计算机系统150服务)并且在地图上绘制田地120(或更具体地,田地122和田地124)的边界来标识田地定义数据160。这样的CLU选择或地图绘图表示地理标识符。在替代实施例中,用户可以通过经由用户设备访问来自美国农业部农业服务机构或其他源的田地定义数据160(作为形状文件或类似的格式提供)并且将这样的田地定义数据160提供给农业智能计算机系统来标识田地定义数据160。由“田地定义数据”标识的土地可以被称为“田地”或“土地块”。如本文所使用的,耕地或“土地块”被包含在可以被称为“田地区域”的区域中。这样的“田地区域”可以与例如温度网格或降水网格(如下文所使用和定义的)有共同的范围。
具体地,田地定义数据160定义田地122和124的位置。如本文所描述的,田地122和124的精确位置对于标识特定于田地的数据和环境数据170和/或田地状况数据180是有用的。小范围内的田地状况可能存在显著变化,包括以下数据中的变化,例如土壤质量、土壤成分、土壤水分水平,氮水平、作物相对成熟度、降水、风、温度、光照、其他气象状况、和田地的可工作性。因此,农业智能计算机系统150基于田地定义数据160来标识田地122和124中的每一个的位置,并且标识田地122和124中的每一个的田地区域。如上所述,在一个实施例中,农业智能计算机系统150利用“网格”架构模型,该“网格”架构模型将土地细分为2.5英里×2.5英里的网格部分。
因此,农业智能计算机系统150利用田地定义数据160来标识针对特定田地要处理并确定哪些田地状况和田地数据。在示例中,数据网络130A和130B分别表示与田地124和122相关联的数据源,因为与田地122相关联的网格由外部数据源130B监测,并且与田地124相关联的网格由数据网络130A监测。数据网络130A和130B中的每一个可以各自具有相关联的子系统131A、132A、133A、134A(与数据网络130A相关联)和131B、132B、133B和134B(与外部数据源130B相关联)。因此,田地定义数据160将田地122与数据网络130A相关联,并且将田地124与数据网络130B相关联。提供由数据网络130A和130B覆盖的区域的这种区别是为了说明的目的。在操作中,数据网络130A和130B可以与多个网格相关联,并且能够基于田地定义数据160为特定网格提供特定于田地的数据和环境数据170。
如本文所述,数据网络130A和130B接收多个信息以确定特定于田地的数据和环境数据170。数据网络130A和130B可以从其他外部服务接收气象数据的馈送、或者接收与气象设备(例如,风速计135和雨量计136)相关联的气象数据的馈送。因此,基于这样的设备135和136以及其他可访问数据,数据网络130A和130B向农业智能计算机系统150提供特定于田地的数据和环境数据170。
此外,农业智能计算机系统可以从其他数据网络140接收附加信息,以确定特定于田地的数据和环境数据170、和田地状况数据180。在示例中,其他数据网络140从航空监测系统145和卫星设备146接收输入。这样的输入145和146可以为多个田地120提供特定于田地的数据和环境数据。
使用与每个田地122和124(由田地定义数据160定义)相关联的字段特定和环境数据170,农业智能计算机系统确定田地状况数据180和/或至少一个推荐的农业活动190,如本文所描述的。田地状况数据180基本上表示对来自种植者110的请求的响应,种植者110请求与田地120的田地状况有关的信息,包括田地天气状况、田地可工作性状况、生长阶段状况,土壤水分、和降水状况。推荐的农业活动190包括来自本文所描述的多个服务(包括种植顾问、氮肥施用顾问、害虫顾问、田地健康顾问、收获顾问、和收益顾问)中的任意一个的输出。因此,推荐的农业活动190可以包括,例如,与种植、氮肥施用、害虫应对、田地健康补救措施、收获、以及作物的销售和营销相关的建议。
农业智能计算机系统150可以使用多种不同的计算设备(例如,使用任意适当的网络的农业智能计算设备151、152、153和154)来实现。在示例实施例中,农业智能计算机系统150使用客户端-服务器架构,被配置为通过网络(例如,互联网)与其他计算机系统(包括系统112、114、116、118、130A、130B和140)交换数据。一个或多个用户设备112、114、116和/或118可以使用适当的交互方法经由网络进行通信,包括使用存储在用户设备112、114、116和/或118上的用户应用(或应用平台)、或使用利用(或调用)应用平台接口的单独应用。其他示例实施例可以包括其他网络架构,例如对等或分布式网络环境。
用户应用可以经由网络向一个或多个用户设备112、114、116和/或118提供服务器侧功能。在示例实施例中,用户设备112、114、116和/或118可以经由web客户端或程序客户端来访问用户应用。用户设备112、114、116和/或118可以向一个或多个前端服务器发送数据,并且从一个或多个前端服务器接收数据。在示例实施例中,数据可以采用请求和用户信息输入的形式(例如,特定于田地的数据),被输入到用户设备中。一个或多个前端服务器可以处理用户设备请求和用户信息,并且确定这些请求是否是服务请求或内容请求等等。内容请求可以被发送到一个或多个内容管理服务器,以用于处理。应用请求可以被发送到一个或多个应用服务器。在示例实施例中,应用请求可以采用请求的形式,来为一个或多个田地120提供田地状况数据和/或农业智能服务。
在示例实施例中,农业智能计算机系统150可以包括互相通信的一个或多个服务器151、152、153和154。例如,农业智能计算机系统150可以包括前端服务器151、应用服务器152、内容管理服务器153、帐户服务器154、建模服务器155、环境数据服务器156、和相应的数据库157。如上所述,环境数据可以从农业智能计算机系统150可访问的数据网络130A、130B和140获得,或者这样的环境数据可以从集成在农业智能计算机系统150内的内部数据源或数据库获得。
在示例实施例中,数据网络130A、130B和140可以包括第三方托管服务器,该第三方托管服务器通过应用程序接口(API)请求和响应向农业智能计算机系统150提供服务。农业智能计算机系统150消费由这些第三方托管服务器130A、130B和140公布或使得可用的数据的频率,可以基于数据的类型而变化。在示例实施例中,当数据源提供新数据时,可以向农业智能计算机系统发送通知。农业智能计算机系统150可以经由网络将API调用发送到托管数据的服务器130A、130B和140,并且响应于该调用接收新数据。在需要的范围内,农业智能计算机系统150可以处理数据,以使得农业智能计算机系统和用户应用的组件能够处置数据。例如,处理数据可以包括从流或数据馈送中提取数据、以及将数据映射到数据结构(例如,XML数据结构)。由农业智能计算机系统150接收和/或处理的数据可以被发送到应用平台,并且被存储在适当的数据库中。
当作出应用请求时,一个或多个前端服务器151与应用服务器151、内容管理服务器153、帐户服务器154、建模服务器155、环境数据服务器156、和相应的数据库157进行通信。在一个示例中,建模服务器155可以部分地使用基于田地定义数据和用户信息标识的一个或多个田地的特定于田地的数据和环境数据,来生成预定数量的仿真(例如,10,000次仿真)。根据应用请求的类型,一个或多个田地的特定于田地的数据和环境数据可以位于内容管理服务器153、帐户服务器154、环境数据服务器156、相应的数据库157中,并且在一些情况下,存档在建模服务器155和/或应用服务器152中。基于由建模服务器155生成的仿真,将一个或多个田地的田地状况数据和/或农业智能服务提供给应用服务器152,以用于通过网络传输到请求用户设备112、114、116和/或118。更具体地,种植者(或用户)110可以使用用户设备112、114、116和/或118来访问示出田地状况数据和/或农业智能服务的多个窗口或显示器,如下面将进行描述的。
图2是如图1的农业环境中所示出的用于管理和推荐农业活动的用户计算设备202的框图。用户计算设备202可以包括但不限于,智能电话112、平板电脑114、笔记本电脑116和农业计算设备118(均在图1中示出)。或者,用户计算设备202可以是用户110使用的任意适当的设备。在示例实施例中,用户系统202包括用于执行指令的处理器205。在一些实施例中,可执行指令被存储在存储器区域210中。处理器205可以包括一个或多个处理单元,例如,多核配置。存储器区域210是允许存储和获取诸如可执行指令和/或文本之类的信息的任意设备。存储器区域210可以包括一个或多个计算机可读介质。
用户系统202还包括至少一个媒体输出组件215,用于向用户201呈现信息。媒体输出组件215是能够向用户201传送信息的任意组件。在一些实施例中,媒体输出组件215包括输出适配器,例如视频适配器和/或音频适配器。输出适配器可操作地耦合到处理器205,并且可操作地耦合到输出设备,例如显示设备、液晶显示器(LCD)、有机发光二极管(OLED)显示器、或“电子墨水”显示器、或音频输出设备、扬声器或耳机。
在一些实施例中,用户系统202包括输入设备220,用于从用户201接收输入。输入设备220可以包括,例如键盘、指点设备、鼠标、触控笔、触敏面板、触摸板、触摸屏、陀螺仪、加速度计、位置检测器、或音频输入设备。诸如触摸屏之类的单个组件可以用作媒体输出组件215的输出设备、和输入设备220两者。用户系统202还可以包括通信接口225,其通信地耦合到远程设备,例如,农业智能计算机系统150。通信接口225可以包括,例如有线或无线网络适配器、或无线数据收发器,用于在移动电话网络、全球移动通信系统(GSM)、3G、或其他移动数据网络或全球微波互连接入(WIMAX)情况下使用。
存储在存储区域210中的是,例如,用于通过媒体输出组件215向用户201提供用户界面的、以及可选地用于接收并处理来自输入设备220的输入的计算机可读指令。用户界面可以包括web浏览器和客户端应用等等。web浏览器使得用户(例如,用户201)能够显示通常嵌入在农业智能计算机系统150的网页或网站上的媒体和其他信息,并且与之交互。客户端应用允许用户201与农业智能计算机系统150的服务器应用进行交互。
如本文所描述的,用户系统202可以与各种设备特征相关联。例如,设备特征可以根据以下不同而不同:发起第一事务的用户设备202使用的操作系统、发起第一事务的用户设备202使用的浏览器操作系统、与发起第一事务的用户设备202相关联的多个硬件特征、与发起第一事务的用户设备202相关联的互联网协议地址、与发起第一事务的用户设备202相关联的互联网服务提供商、发起第一事务的用户设备202使用的浏览器使用的显示属性和特征、发起第一事务的用户设备202使用的浏览器使用的配置属性、以及发起第一事务的用户设备202使用的软件组件。如本文进一步描述的,农业智能计算机系统150(如图1所示出的)能够接收与用户系统202相关联的设备特征数据并且分析如本文所描述的这样的数据。
图3是如图1的农业环境中所示出的用于管理和推荐农业活动的计算设备的框图。服务器系统301可以包括但不限于,数据网络系统130A。130B和140以及农业智能计算机系统150。在示例实施例中,服务器系统301确定并分析在支付交易中使用的设备的特性,如下面将进行描述的。
服务器系统301包括用于执行指令的处理器305。例如,可以将指令存储在存储区域310中。处理器305可以包括用于执行指令的一个或多个处理单元(例如,在多核配置中)。指令可以在服务器系统301上的各种不同操作系统内被执行,例如UNIX、LINUX、Microsoft等等。还应当理解,在初始化基于计算机的方法时,在初始化期间可以执行各种指令。一些操作可能被需要以执行本文所描述的一个或多个过程,而其他操作可能对于特定编程语言(例如,C、C#、C++、Java、Python或其他合适的编程语言)是更一般的和/或具体的。
处理器305可操作地耦合到通信接口315,使得服务器系统301能够与远程设备(例如,用户系统或另一服务器系统301)进行通信。例如,通信接口315可以经由互联网从用户系统112、114、116和118接收请求,如图1和2所示出的。
处理器305还可以可操作地耦合到存储设备330。存储设备330是适用于存储和/或获取数据的任意计算机操作的硬件。在一些实施例中,存储设备330被集成在服务器系统301中。例如,服务器系统301可以包括一个或多个硬盘驱动器,作为存储设备330。在其他实施例中,存储设备330在服务器系统301的外部,并且可以被多个服务器系统301访问。例如,存储设备330可以包括多个存储单元,例如,廉价磁盘冗余阵列(RAID)配置中的硬盘或固态磁盘。存储设备330可以包括存储区域网络(SAN)和/或网络附加存储(NAS)系统。
在一些实施例中,处理器305通过存储接口320可操作地耦合到存储设备330。存储接口320是能够向处理器305提供到存储设备330的访问的任意组件。存储接口320可以包括,例如高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器、和/或向处理器305提供到存储设备330的访问的任意组件。
存储区域310可以包括但不限于,随机存取存储器(RAM)(例如,动态RAM(DRAM)或静态RAM(SRAM))、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、和非易失性RAM(NVRAM)。上述存储器类型仅是示例性的,由此不限制可用于存储计算机程序的存储器的类型。
图4是在图1中示出的农业环境中使用图1、图2和图3的计算设备来管理和推荐农业活动的示例数据流程图。如本文所述,种植者110使用任意适当的用户设备112、114、116和/或118(图1所示)来指定种植者请求401,该种植者请求401被发送到农业智能计算机系统150。如所描述的,种植者110使用在用户设备114上服务的用户应用或应用平台,来与农业智能计算机系统150进行交互并做出任意适当的种植者请求401。如本文所描述的,种植者请求401可以包括对田地状况数据180的请求和/或对推荐的农业活动190的请求。
应用平台(或用户应用)可以经由网络向一个或多个用户设备114提供服务器侧功能。在示例实施例中,用户设备114可以经由web客户端或程序客户端来访问应用平台。用户设备114可以向一个或多个前端服务器发送数据,并且从一个或多个前端服务器接收数据(例如,前端服务器151(在图1中示出))。在示例实施例中,数据可以采用种植者请求401和用户信息输入402的形式(例如,特定于田地的数据和环境数据170(由种植者110提供)),被输入到用户设备114中。一个或多个前端服务器151可以处理种植者请求401和用户信息输入402,并且确定种植者请求401是否是服务请求(即,对推荐的农业活动的请求190)或内容请求(即,对田地状况数据180的请求)等等。内容请求可以被发送到一个或多个内容管理服务器153(在图1中示出)以用于处理。应用请求可以被发送到一个或多个应用服务器152(在图1中示出)。在示例实施例中,应用请求可以采用种植者请求401的形式,来为一个或多个田地120(在图1示出)提供田地状况数据180和/或农业智能服务。
在示例实施例中,应用平台可以包括互相通信的一个或多个服务器151、152、153和154(在图1示出)。例如,农业智能计算机系统150可以包括前端服务器151、应用服务器152、内容管理服务器153、帐户服务器154、建模服务器155、环境数据服务器156、和相应的数据库157(均在图1中示出)。此外,农业智能计算机系统包括多个农业智能模块158和159。在示例实施例中,农业智能模块158和159是收获顾问模块158和收益顾问模块159。在另外的示例中,种植顾问模块、氮肥施用顾问模块、病虫害顾问模块、和田地健康顾问模块可以存在于农业智能计算机系统150中。如上所述,环境数据可以从农业智能计算机系统150可访问的数据网络130和140获得,或者可以获得从集成在农业智能计算机系统150内的内部数据源获得。
在示例实施例中,数据网络130和140可以包括第三方托管服务器,该第三方托管服务器通过应用程序接口(API)请求和响应向农业智能计算机系统150提供服务。农业智能计算机系统150消费由这些第三方托管服务器130和140公布或使得可用的数据的频率,可以基于数据的类型而变化。在示例实施例中,当新数据可用时,可以向农业智能计算机系统150发送通知。农业智能计算机系统150可以替代地经由网络将API调用发送到托管数据的外部数据源130,并响应于该呼叫而接收新数据。在需要的范围内,农业智能计算机系统150可以处理数据,以使应用平台的组件能够处理数据。例如,处理数据可以包括从流或数据馈送中提取数据、以及将数据映射到数据结构(例如,XML数据结构)。由农业智能计算机系统150接收和/或处理的数据可以被发送到应用平台,并被存储在适当的数据库中。
当作出应用请求时,一个或多个应用服务器152与内容管理服务器153、帐户服务器154、建模服务器155、环境数据服务器156、和相应的数据库157进行通信。在一个示例中,建模服务器155可以部分地使用基于田地定义数据160和用户输入信息402标识的一个或多个田地的特定于田地的数据和环境数据170,来生成预定数量的仿真(例如,10,000次仿真)。根据种植者请求401的类型,一个或多个田地120的特定于田地的数据和环境数据170可以位于内容管理服务器153、帐户服务器154、建模服务器155、环境数据服务器156、和相应的数据库157中,并且在一些情况下,存档在应用服务器152中。基于由建模服务器155生成的仿真,将一个或多个田地120的田地状况数据180和/或农业智能服务(即,推荐的农业活动190)提供给应用服务器152,以用于通过网络传输到请求用户设备114。更具体地,用户可以使用用户设备114来访问示出田地状况数据180和/或推荐的农业活动190的多个窗口或显示器,如下面将进行描述的。
虽然上述应用平台已经配置有上述各种示例性实施例,但是本领域技术人员将理解,服务器的任何配置都是可能的,并且本公开的示例实施例不限制本文公开的配置。
为了提供田地状况数据180,农业智能计算机系统150运行多个田地状况数据分析模块410。田地状况分析模块包括田地天气数据模块411,其被配置为确定由种植者110标识的每个田地120的天气状况。农业智能计算机系统150使用田地天气数据模块411来确定田地温度、风、湿度、和露点。农业智能计算机系统150还使用田地天气数据模块411来确定预测的天气状况,包括针对每小时预测间隔的、每日预测间隔的、或由种植者110指定的任意间隔的田地温度、风、湿度和露点。田地降水模块415、田地可工作性模块412、和田地生长阶段模块413还接收和处理预测的天气状况。使用气象模型(例如,Microcast模型)来确定近期预测,而使用历史模拟仿真来确定长期预测。
农业智能计算机系统150使用网格温度来确定温度值。已知的研究表明,使用网格技术提供了比基于点的温度报告更准确的温度测量。温度网格通常是正方形的物理区域,通常为2.5英里乘以2.5英里。农业智能计算机系统150将田地(例如,田地122或124)与包含该田地的温度网格相关联。农业智能计算机系统150标识靠近温度网格的多个气象站。农业智能计算机系统150从多个气象站接收温度数据。由多个气象站报告的温度是基于它们相对于网格的接近度加权的,从而更接近的气象站比不太接近的气象站具有更高的权重。此外,将温度网格的相对海拔与多个气象站的海拔进行比较。响应于海拔的相对差异来调整由多个气象站报告的温度值。在一些示例中,温度网格包括或邻近水体。已知水体会引起区域温度的降低。因此,当与提供温度读数的气象站相比,特定田地接近水体时,考虑到更接近水体,将针对该田地报告的温度向下调整。
类似地,使用利用气象雷达数据的降水网格确定降水值。降水网格具有与温度网格类似的用途和特征。具体来说,农业智能计算机系统150使用可用的数据源,例如国家气象局的NEXRAD多普勒雷达数据。农业智能计算机系统150用地面站和卫星数据进一步验证和校准报告的数据。在示例实施例中,针对降水网格获得多普勒雷达数据。多普勒雷达数据被用来确定降水网格的降水估计。基于其他数据源(例如,其他气象雷达源、地面气象站(例如雨量计)、卫星降水源(例如,国家海洋和大气管理局的卫星应用和研究)、和气象源)来调整估计的降水。通过利用多个不同的数据源,可以实现更准确的降水跟踪。
当前天气状况和预测的天气状况(每小时、每天、或由用户指定)和与具体田地有关的适用信息(例如,田地名称、作物、面积、田地降水、田地可工作性、田地生长阶段、土壤水分、和用户可以指定的任意其他田地定义数据或特定于田地的数据和环境数据170)一起以图形方式显示在用户设备上。这样的信息可以按用户指定的一个或多个组合和细节程度被显示在用户设备上。
在示例实施例中,温度可以被显示为一段时间内的高温、平均温度和低温。可以显示具体时间和/或日期范围和/或收获年份期间的温度,并且与先前的时期、年份(包括5年平均值,15年平均值,30年平均值或由用户指定)进行比较。
在示例实施例中,田地降水模块415确定并提供一段时间内的降水量和/或累积的降水量。可以显示具体时间和/或日期范围和/或收获年份期间的降水,并且与先前的时期、年份(包括5年平均值,15年平均值,30年平均值或由用户指定)进行比较。降水也可以被显示为过去的和未来的雷达数据。在示例实施例中,可以显示最近1.5小时(或者由用户指定)内的过去的雷达。可以显示接下来的6小时(或者由用户指定)内的未来的雷达。雷达可以被显示为示出用户的一个或多个田地的航空影像地图的覆盖图,其中用户具有放大和缩小地图的能力。雷达可以在用户选择的间隔处被显示为静态的,或者在用户选择的间隔期间被连续地显示。由农业智能计算机系统接收和/或处理的底层雷达数据可以采用二进制格点(GRIB)文件的形式,包括预报的反射率文件、降水类型、和降水类型反射率值。
作为提供的田地状况数据180的一部分,农业智能计算机系统150运行或执行田地可工作性数据模块412,该田地可工作性数据模块412处理特定于田地的数据和环境数据170以及用户信息输入402,以确定针对一年中的给定时间可以使用机械其他器具对田地或田地的部分(与田地定义数据相关联)进行耕作的程度。在示例实施例中,农业智能计算机系统150获取预定时间段内的田地历史降水数据、预定时间段内的田地预测降水、和预定时间段内的田地温度。获取的数据被田地可工作性数据模块412用来确定一个或多个可工作性指数。
在示例实施例中,可工作性指数可以被用来导出特定农场活动的可工作性的三个值。可工作性值为“良好”指示田地状况在即将到来的时间间隔期间可接受使用机械或特定活动的可能性很高。可工作性值为“检查”表示田地状况在即将到来的时间间隔期间对于使用机械或特定活动可能是不理想的。可工作性值为“停止”表示田地状况在即将到来的时间间隔期间不适于工作或特定活动。
可工作性的确定值可以根据农场活动而变化。例如,种植和耕作通常需要低程度的泥泞,并且与允许更高程度的泥泞的活动相比可能需要更高的可工作性指数以实现“良好”的值。在一些实施例中,基于一组独特的因素为每个活动单独计算可工作性指数。例如,针对种植的可工作性指数可以与接下来60小时内的预测温度相关,而针对收获的可工作性指数可以仅与降水相关。在一些示例中,可以在用户设备处提示用户回答关于田地活动的问题,如果这样的信息尚未被提供给农业智能计算机系统150。例如,可以询问用户当前正在进行什么田地活动。取决于响应,农业智能计算机系统150可以根据用户的活动来调整它对可工作性指数的计算,从而将用户的反馈并入可工作性指数的计算中。或者,农业智能计算机系统150可以调整针对活动向用户做出的推荐。在另一示例中,农业智能计算机系统150可以基于响应推荐用户停止这样的活动。
作为提供的田地状况数据180的一部分,农业智能计算机系统150运行或执行田地生长阶段数据模块413(例如,针对玉米,营养(VE-VT)生长阶段和生殖(R1-R6)生长阶段)。田地生长阶段数据模块413接收并处理特定于田地的数据和环境数据170和用户信息输入402,以确定关键农业决定的时机。农业智能计算机系统通过跟踪天气对作物从种植到收获的现象学发展的影响,计算每个作物通过生长阶段(农艺阶段)的作物进展。
在示例实施例中,农业智能计算机系统150使用由用户设备输入的种植日期。或者,农业智能计算机系统150可以使用系统算法来估计种植日期。具体地,可以基于与田地定义数据相关联的区域中的农艺阶段数据和种植实践来估计种植日期。可以从数据服务(例如,监视区域的典型种植技术的大学数据网络)接收种植实践。农业智能计算机系统150还使用与用户在当前季节和历史季节内的耕作实践相关的数据,从而促进历史分析。农业智能计算机系统150根据种植日期、用户的耕作方法、和特定于田地的数据和环境数据170基于生长季节中的预期热量单位来确定作物的相对成熟度值。由于热量是作物接收的能量的代表,农业智能计算机系统150计算作物的预期热量单位,并且确定作物的成熟度的发展。
作为提供的田地状况数据180的一部分,农业智能计算机系统150使用并执行土壤水分数据模块414。土壤水分数据模块414被配置为确定存在于田地土壤中的作物可获得的总水容量的百分比。土壤水分数据模块414基于当时农业智能计算机系统150中的环境数据(例如,来自北美土地数据同化系统的数据)、以及特定于田地的数据和环境数据170,在生长季节开始时初始化输出。
然后在生长季节期间通过跟踪经由降水进入土壤的水分和经由蒸发(ET)离开土壤的水分来至少每天地调整土壤水分值。降水不包括从未进入土壤的经计算的数量的水,因为它作为径流而损失。基于一段时间内的降水量和由USDA土壤类型分类确定的曲线来确定径流值。农业智能计算机系统考虑用户的与土壤相关的具体的特定于田地的数据和环境数据170,从而确定具体田地的径流和径流曲线。相比于较重、较紧密的土壤,较轻、多沙的土壤允许更大的降水渗透,并且在强降水事件期间经历更少的径流。较重或较致密的土壤类型具有较低的降水渗透率,并且在具有强降水事件的日子里更多的降水被损失为径流。
基于标准Penman-Monteith ET模型的版本来计算与用户的具体田地相关联的日蒸发量。某一天通过蒸发离开土壤的水的总量是基于以下参数计算的:
当天的最高温度和最低温度:与较冷的温度相比,较暖的温度导致更大的蒸发值。
纬度:在大部分玉米生长季节,与位于更南纬度的田地相比,位于更北纬度的田地由于较长的天数会经历更大的太阳辐射。但是由于地球倾斜,位于更北纬的地区也获得减少的辐射。与具有更低净太阳辐射值的区域相比,具有更大净太阳辐射值的区域将具有相对更高的蒸发值。
估计的作物生长阶段:授粉附近的生长阶段提供最高的潜在每日蒸发值,而种植附近的生长阶段和籽粒灌浆的晚期产生相对较低的每日蒸发值,因为作物在这些生长阶段使用较少的水。
当前土壤水分:农业智能计算机系统的模型考虑以下事实,当土壤中可用的水较少时,作物保存和使用较少的水。被报告高于一定百分比(由作物类型决定)的报告土壤水分值提供最高的潜在蒸发值,随着土壤水分值接近0%,潜在蒸散量值降低。当土壤水分值低于这个百分比时,玉米将开始保存水,并以低于最佳速率的速率使用土壤水分。植物的水分保存随着土壤水分值的降低而增加,导致越来越低的每日蒸发值。
风:蒸发要考虑风;然而,相对于其他条件,蒸发对风并不敏感。在示例实施例中,针对所有蒸发计算使用2米每秒的设定风速。
农业智能计算机系统150还被配置为基于天气和田地相关信息提供警报。具体地,用户可以为多个警报类别中的每一个警报类别定义多个阈值。当田地状况数据指示已经超过阈值时,用户设备将接收警报。可以通过应用程序(例如,登录时的通知、推送通知)、电子邮件、文本消息、或任意其他适当的方法来提供警报。可以针对作物耕作监控(例如,冰雹大小、降雨量、总降水、土壤水分、作物监测、风况、田地图像、虫害报告或病害报告)定义警报。或者,可以针对作物生长策略提供警报。例如,可以基于商品价格、谷物价格、可工作性指数、生长阶段、和作物水分含量来提供警报。在一些示例中,警报可以指示推荐的行动方针。例如,警报可以推荐田地活动(例如,种植、氮肥施用、病虫害治疗、灌溉应用、侦测、或收获)在特定时间段内发生。农业智能计算机系统150还被配置为从例如用户设备、农业机器、或任何其他源接收关于农业活动的信息。因此,还可以基于记录的农场活动(例如,种植、氮肥施用、喷洒、灌溉、侦测、或收获)来提供警报。在一些示例中,可以在不管阈值的情况下提供警报,以指示某些田地状况。在一个示例中,可以向用户设备提供每日降水、生长阶段、田地图像、或温度警报。
农业智能计算机系统150还被配置为基于田地状况数据180生成多个报告。这样的报告可以被用户用来改进耕种中的策略和决策。报告可能包括关于作物生长阶段、温度、湿度、土壤水分、降水、可工作性、和害虫风险的报告。报告还可以包括一个或多个田地定义数据160、特定于田地的数据和环境数据170、侦测和日志事件、田地状况数据180、农业智能服务概要(例如,推荐的农业活动190)或FSA表格578。
农业智能计算机系统150还被配置为从用户设备接收补充信息。例如,用户可以提供关于与田地定义数据相关联的田地的日志记录或侦测事件。用户可以访问用户设备处的日志记录应用,并且更新农业智能计算机系统150。在一个实施例中,当在物理上位于田地中时,用户经由用户设备访问农业智能计算机系统150(以输入特定于田地的数据。农业智能计算机系统可以自动地显示和传输日期和时间、以及与特定于田地的数据相关联的田地定义数据(例如,地理坐标和边界)。用户可以提供活动的一般数据,包括田地、位置、日期、时间、作物、图像、和笔记。用户还可以提供针对特定活动(例如,种植、氮肥施用、杀虫剂施用、收获、侦测、和当前天气观察)的数据。这样的补充信息可以与其他数据网络相关联,并被用户用于分析。
农业智能计算机系统150还被配置为显示侦测和日志记录事件,该侦测和日志记录事件与经由与农业智能计算机系统150交互的一个或多个农业机器或农业机器设备、或者经由用户设备从用户接收特定于田地的数据相关。这样的信息可以按用户指定的来显示。在一个示例中,信息被显示在用户设备上的日历上,其中用户可以根据需要获得与信息相关的进一步细节。在另一示例中,信息被显示在用户设备上的表格中,其中用户可以选择用户想要显示的具体信息类别。
农业智能模块420
种植顾问模块421
农业智能计算机系统150还被配置为提供与种植相关的农业智能服务。更具体地,农业智能计算机系统150包括多个农业智能模块420(或农业活动模块),其可以被用来确定提供给种植者110的推荐的农业活动190。在至少一些示例中,农业智能模块420可以类似于农业智能模块158和159(图1所示)。在至少一些示例中,种植顾问模块421可以类似于农业智能模块158和159(在图1中示出)。这样的农业智能模块420可以被称为农业智能服务,并且可以包括种植顾问模块421、氮肥施用顾问模块422、害虫顾问模块423、田地健康顾问模块424、和收获顾问模块425。在一个示例实施例中,种植顾问模块421处理特定于田地的数据和环境数据170和用户信息输入402,以确定并提供种植日期推荐。这些推荐针对田地的位置,并且适应当前田地状况数据。
在一个实施例中,种植顾问模块421接收由用户标识的每个田地(如从田地定义数据确定)的以下数据点中的一个或多个,以便于确定并提供这样的种植日期推荐:
1.第一组数据点是种子特征数据。种子特征数据可以包括与被种植或将被种植的种子有关的任何相关信息。种子特征数据可以包括例如,种子公司数据、种子成本数据、种群密度数据、种子杂交数据,种子成熟度水平数据、种子抗病性数据、和任何其他适当的种子数据。种子公司数据可以指种子的制造商或提供者。种子成本数据可以指给定数量、重量或体积的种子的种子价格。种群密度数据可包括种植(或想要种植)的种子的数量、或种植(或想要种植)的种子的密度。种子杂交数据可以包括与种子的生物组成相关的任何信息(即,哪些植物杂交形成给定种子)。种子成熟度水平数据可以包括例如,给定种子的相对成熟水平(例如,比较相对成熟度(“CRM”)值、或抽丝比较相对成熟度(“抽丝CRM”))、直到诸如抽丝、授粉中期、黑层、或开花之类的给定阶段的生长度单位(“GDU”)、以及给定种子在生理成熟时的相对成熟水平(“Phy.CRM”)。抗病性数据可以包括与种子对特定病害的抗性相关的任何信息。在示例实施例中,抗病性数据包括与对以下病害的抗性相关的数据,如灰斑病、大斑病、炭疽茎腐病、戈斯枯萎病、小斑病、眼斑病、普通锈病、炭疽叶枯病、南方锈病、南方病毒复合体、斯图尔特叶枯病、玉米致死性坏死、丝黑穗病、色二孢菌穗腐病、和镰孢冠腐病。其他合适的种子数据可以包括与以下信息相关的数据,例如谷物脱水、茎强度、根强度、胁迫出苗、持绿、耐旱性、穗弯曲、测试八、植株高度、穗高度、季中脆秆、植物活力、杀菌剂反应、生长调节剂敏感性、色素抑制剂、敏感性、磺酰脲类敏感性、收获时机、籽粒纹理、出苗、收获外观、收获种群、幼苗生长、穗轴颜色、和苞叶覆盖。
2.第二组数据点是与土壤组成相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
3.第三组数据点是与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地名称和标识符、土壤类型或分类、耕作状态、灌溉状态。
4.第四组数据点是与历史收获数据相关的特定于田地的数据。这样的特定于田地的数据可以包括作物类型或分类、收获日期、实际生产历史(“APH”)、产量、谷物水分、和耕作实践。
在一些示例中,可以在用户设备处提示用户通过回答与期望的种植种群(例如,特定田地的总作物量和总作物密度)和/或种子成本、预期产量、以及风险偏好的指示(例如,一般的或具体的:用户愿意冒每英亩具体数量的蒲式耳的风险来增加每英亩产出具体更大数量的蒲式耳的机会)相关的问题来提供第五组数据点,如果这样的信息尚未被提供给农业智能计算机系统。
种植顾问模块421接收并处理数据点集合以仿真可能的产量潜力。针对各种植日期计算可能的产量潜力。种植顾问模块421还使用附加数据来生成这样的仿真。附加数据可以包括种植数据和收获日期之间的仿真天气、田地可工作性、季节性冻害风险、干旱风险、受热风险、水分过多风险、估计的土壤温度、和/或风险容忍度。可以基于高利润/高风险情景、低风险情景、平衡的风险/利润情景、和用户定义的情景来计算风险容忍度。种植顾问模块421针对每个种植日期生成这样的仿真,并在用户设备上为用户显示种植日期推荐。推荐包括推荐的种植日期、预计产量、相对成熟度,并且用图表描绘预计产量对比种植日期。在一些示例中,种植顾问模块还用图表描绘预计产量对比针对春季冻害风险的种植日期、针对降雪冻害风险的种植日期、针对干旱风险的种植日期、针对受热风险的种植日期、针对水分过多风险的种植日期、针对估计的土壤温度的种植日期、和针对各种风险容忍度水平的种植日期。种植顾问模块421通过修改与种子特征数据、特定于田地的数据、期望种植种群和/或种子成本、预期产量、和/或风险偏好的指示相关联的一个或多个数据点,来提供建模和显示种植数据和预计产量的替代产量情景的选项。替代产量情景可以与原始推荐一起被显示和用图表描绘在用户设备上。
氮肥施用顾问模块422
农业智能计算机系统150还被配置为通过使用氮肥施用顾问模块422来提供与土壤相关的农业智能服务。在至少一些示例中,氮肥施用顾问模块422可以类似于农业智能模块158和159(图1所示)。氮肥施用顾问模块422确定土壤中对氮的潜在需求,并向用户推荐氮肥施用实践。更具体地,氮肥施用顾问模块422被配置为标识存在于土壤中的氮不能满足作物需要的状况。在一个示例实施例中,氮肥施用顾问模块422提供针对田地的位置并且适应当前田地状况数据的侧施肥或喷洒的建议,例如日期和频率。在一个实施例中,氮肥施用顾问模块422被配置为接收由用户标识的每个田地的以下数据点中的一个或多个(如从田地定义数据确定):
1.第一组数据点包括环境信息。环境信息可以包括与天气、降水、气象学、土壤和作物物候有关的信息。
2.第二组数据点包括与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地名称和标识符、土壤类型或分类、耕作状态、灌溉状态。
3.第三组数据点包括与历史收获数据相关的特定于田地的数据。这样的特定于田地的数据可以包括作物类型或分类、收获日期、实际生产历史(“APH”)、产量、谷物水分、和耕作实践。
4.第四组数据点是与土壤组成相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
5.第五组数据点是与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括种植日期、一个或多个种子类型、(一个或多个)种植的种子的相对成熟度(RM)水平、和种子密度。
6.第六组数据点是与氮数据相关的特定于田地的数据。这样的特定于田地的数据可以包括氮肥施用日期、氮肥施用量、和氮肥施用源。
7.第七组数据点是与灌溉数据相关的特定于田地的数据。这样的特定于田地的数据可以包括灌溉施用日期、灌溉量、和灌溉源。
基于数据点集合,氮肥施用顾问模块422确定氮肥施用推荐。如下所述,推荐包括具有足够的氮的田地的列表、具有不足的氮的田地的列表、以及针对具有不足的氮的田地的推荐氮肥施用。
在一些示例中,可以在用户设备处提示用户回答与氮肥施用(例如,修整,喷洒)实践和成本相关的问题,例如氮肥的类型(例如,无水氨(Anhydrous Ammonia)、尿素(Urea)、UAN(尿素硝酸铵)28%、30%或32%、硝酸铵、硫酸铵、硫酸钙)、氮肥成本、可施用氮肥的作物的最近生长阶段、施用设备、劳动力成本、预期作物价格、耕作实践(例如,类型(常规,无耕种,减少,剥离)和已经耕种的田地的表面数量)、枯落物(residue)(枯落物覆盖的田地的表面数量)、相关耕种实践(例如粪肥施用、氮稳定剂、覆盖作物)、以及以前的作物数据(例如,作物类型、收获日期、实际生产历史(APH)、产量、耕作实践)、当前作物数据(例如,种植日期、(一个或多个)种子类型、(一个或多个)种植的种子的相对成熟度(RM)、种子密度)、土壤特性(pH、OM、CEC),如果这样的信息尚未提供给农业智能计算机系统。对于某些问题(例如可以施用氮肥的作物的最近生长阶段、施用设备、劳动力成本),用户可以选择提供多个替代响应,以便农业智能计算机系统可以优化氮肥施用顾问推荐。
使用环境信息、特定于田地的数据、氮肥施用实践和成本、先前作物数据、当前作物数据、和/或土壤特性,氮肥施用顾问模块422标识每个田地中的可用氮,并且仿真可能的氮肥施用实践、日期、频率、以及针对氮肥施用的可工作性为“绿色”的下一个日期(考虑到预测的可工作性和通过淋溶、反硝化、和挥发的氮损失)。氮肥施用顾问模块422在用户设备上为用户生成并显示氮肥施用推荐。
推荐包括:
1.具有足够的氮的田地的列表,包括针对每个田地的可用的氮、最近施用数据、以及最近氮肥施用量。
2.其中氮肥施用被推荐的田地的列表,包括针对每个田地的可用的氮、推荐施用实践,推荐施用日期、推荐施用量、以及针对氮肥施用的可工作性为“绿色”的下一个数据。
3.每个田地的氮肥施用的推荐的日期。在一些示例中,推荐的日期可以针对产量或投资回报率被优化。在一些示例中,推荐的日期可以是在不施加氮肥施用的情况下,田地的最小预测氮含量将达到阈值最小值的日期。在一些示例中,推荐日期可以根据由用户指示的可用设备被排除或被选择;例如,如果在给定的生长阶段用于施用氮肥的设备是不可用的,则优选地推荐在将要到达该生长阶段的预测日期之前的日期。
4.针对每个可能的或推荐的施用日期的每个田地的氮肥施用的推荐的频率。氮肥施用的推荐的频率可以针对产量或投资回报率被优化。
用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模并显示针对与一个或多个替代情景相对的推荐氮肥施用在指定的时间段内(预定义的或由用户定义)的氮损失(总计并分成由挥发、反硝化、和淋溶引起的损失)和作物对氮的利用(“吸收”)。用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用的估计的投资回报率。替代氮肥施用情景可以与原始推荐一起在用户设备上被显示和被用图表描绘。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用的估计的产出效益(最小、平均和最大)。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐氮肥施用在由用户指定的任意时间段内的估计的可用的氮。用户还可以选择针对田地内的一个或多个子田地或管理区域,运行氮肥施用顾问(使用氮肥施用顾问)。
害虫顾问模块(或病虫害顾问模块)423
农业智能计算机系统150还被配置为通过使用害虫顾问模块423来提供与病虫害相关的农业智能服务。在至少一些示例中,害虫顾问模块423可以类似于农业智能模块158和159(图1所示)。害虫顾问模块423被配置为识别害虫损害和/或病害损害对作物造成的风险。在一个示例实施例中,害虫顾问模块423识别在美国对作物造成最大经济损害的害虫引起的风险。这样的害虫包括例如,玉米根虫、玉米穗虫、大豆蚜虫、西部豆夜蛾、欧洲玉米螟、粘虫、豆叶甲虫、日本甲虫、和棉叶螨。在一些示例中,病虫害顾问针对由生长阶段(例如,幼虫阶段和成年阶段)划分的每个害虫提供补充分析。害虫顾问模块423还识别在美国对作物造成最大经济损害的病害所引起的病害风险。这样的病害包括例如,灰斑病、大斑病、炭疽茎腐病、戈斯枯萎病、小斑病、眼斑病、普通锈病、炭疽叶枯病、南方锈病、南方病毒复合体、斯图尔特叶枯病、玉米致死性坏死、丝黑穗病、色二孢菌穗腐病、和镰孢冠腐病。害虫顾问还被配置为响应于这样的病虫害风险来推荐监视实践和治疗方法。害虫顾问模块423还被配置为基于观察靠近用户田地的区域中的害虫来提供警报。
在一个实施例中,害虫顾问模块423可以接收由用户标识的每个田地(如从田地定义数据确定)的以下数据集中的一个或多个:
1.第一组数据点是环境信息。环境信息包括与天气、降水、气象、作物物候、和病虫害报告相关的信息。在一些示例中,病虫害报告可以从第三方服务器或数据源(例如,大学或政府报告服务)被接收。
2.第二组数据点是种子特征数据。种子特征数据可以包括与被种植或将被种植的种子有关的任何相关信息。种子特征数据可以包括例如,种子公司数据、种子成本数据、种群密度数据、种子杂交数据,种子成熟度水平数据、种子抗病性数据、和任何其他适当的种子数据。种子公司数据可以指种子的制造商或提供者。种子成本数据可以指给定数量、重量或体积的种子的种子价格。种群密度数据可包括种植(或想要种植)的种子的数量、或种植(或想要种植)的种子的密度。种子杂交数据可以包括与种子的生物组成相关的任何信息(即,哪些植物杂交形成给定种子)。种子成熟度水平数据可以包括例如,给定种子的相对成熟度水平(例如,比较相对成熟度(“CRM”)值、或抽丝比较相对成熟度(“抽丝CRM”))、直到诸如抽丝、授粉中期、黑层、或开花之类的给定阶段的生长度单位(“GDU”)、以及给定种子在生理成熟时的相对成熟水平(“Phy.CRM”)。抗病性数据可以包括与种子对特定病害的抗性相关的任何信息。在示例实施例中,抗病性数据包括与对以下病害的抗性相关的数据,如灰斑病、大斑病、炭疽茎腐病、戈斯枯萎病、小斑病、眼斑病、普通锈病、炭疽叶枯病、南方锈病、南方病毒复合体、斯图尔特叶枯病、玉米致死性坏死、丝黑穗病、色二孢菌穗腐病、和镰孢冠腐病。其他合适的种子数据可以包括与以下信息相关的数据,例如谷物脱水、茎强度、根强度、胁迫出苗、持绿、耐旱性、穗弯曲、测试八、植株高度、穗高度、季中脆秆、植物活力、杀菌剂反应、生长调节剂敏感性、色素抑制剂、敏感性、磺酰脲类敏感性、收获时机、籽粒纹理、出苗、收获外观、收获种群、幼苗生长、穗轴颜色、和苞叶覆盖。
3.第三组数据点是与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、和种子密度。
4.第四组数据点是与农药数据有关的特定于田地的数据。这样的特定于田地的数据可以包括例如,农药施用日期、农药产品类型(例如,由EPA注册号指定)、农药剂型、农药使用率、农药英亩测试、喷洒的农药量、和农药来源。
在一些示例中,可以在用户设备处提示用户回答关于农药施用实践和成本的问题,例如产品类型、施用日期、剂型、频率、英亩测试、数量、来源、成本、可以施用农药的作物的最近生长阶段、施用设备、劳动力成本、预期作物价格、以及当前作物数据(例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、种子密度),如果这些信息尚未提供给农业智能计算机系统。因此,害虫顾问模块423从用户设备接收这样的数据。对于某些问题(例如,可以施用农药的作物的最近生长阶段、施用设备、劳动力成本),用户可以选择提供多种替代响应,以便农业智能计算机系统150可以优化病虫害顾问推荐。
害虫顾问模块423被配置为接收并处理所有这样的数据点集合以及接收到的用户数据,并且仿真可能的农药施用实践。可能的农药实践的仿真包括,日期、频率、以及针对农药施用的可工作性为“绿色”的下一个日期(考虑到预测的可工作性)。害虫顾问模块423在用户设备上为用户生成并显示监视推荐和治疗推荐。监视推荐包括每天一次(或由用户指定的频率)监视具体的病虫害。用户可以选择显示具体的病虫害子集以及与具体的病虫害相关的附加信息。治疗推荐包括其中农药施用被推荐的田地的列表,包括针对每个田地的推荐的施用实践,推荐的施用日期,推荐的施用频率,以及针对农药施用的可工作性为“绿色”的下一个数据。用户可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐农药施用的估计的投资回报率。替代农药施用情景可以与原始推荐一起在用户设备上被显示和被用图表描绘。用户还可以选择基于由用户输入的自定义施用实践、日期和频率,来建模和显示针对与一个或多个替代情景相对的推荐农药施用的估计的产出效益(最小、平均和最大)。
田地健康顾问模块424
农业智能计算机系统150还被配置为提供与田地120的区域的健康和质量相关的信息。在至少一些示例中,田地健康顾问模块424可以类似于农业智能模块158和159(图1所示)。田地健康顾问模块424在季节中识别作物健康质量,并且使用这样的作物健康决定来推荐在不良田地健康区域进行监视或调查。更具体地,田地健康顾问模块424接收并处理田地图像数据,以确定、标识和提供生物量(biomass)健康的指数值。生物量健康的指数值的范围可以从0(表示没有生物量)到1(表示最大数量的生物量)。在示例实施例中,指数值具有具体的颜色方案,使得每个图像具有用颜色编码的生物量健康方案(例如,棕色区域示出了具有最低相对生物量健康的田地中的区域)。在一个实施例中,田地健康顾问模块424可以接收由用户标识的每个田地的以下数据点中的一个或多个(如从田地定义数据确定):
1.第一组数据点包括环境信息。这样的环境信息包括与卫星图像、航空图像、地面图像和作物物候相关的信息。
2.第二组数据点包括与田地数据相关的特定于田地的数据。这样的特定于田地的数据可以包括田地和土壤标识符,例如田地名称和土壤类型。
3.第三组数据点包括与土壤成分数据相关的特定于田地的数据。这样的特定于田地的数据可以包括土壤的酸度或碱度(例如,pH水平)的、土壤有机物水平(“OM”水平)的、和阳离子交换能力水平(“CEC”水平)的测量值。
4.第四组数据点包括与种植数据相关的特定于田地的数据。这样的特定于田地的数据可以包括例如,种植日期、种子类型、种植的种子的相对成熟度(RM)、和种子密度。
田地健康顾问模块接收并处理所有这些数据点(以及田地图像数据),以便在每次新的田地图像可用时,确定并且识别由用户标识的每个田地中的每个位置的作物健康指数。在一个示例实施例中,田地健康顾问模块将作物健康指数确定为,基于田地中的每个栅格位置处的至少一个近红外(“NIR”)反射率值和至少一个可见光谱反射率值的归一化差异植被指数(“NDVI”)。在另一示例实施例中,作物健康指数是基于多光谱反射率的NDVI。
田地健康顾问模块在用户设备上生成并显示健康指数地图,作为由用户标识的每个田地的航空地图上的覆盖。在示例实施例中,针对每个田地,田地健康顾问模块显示田地图像日期、作物当时的生长阶段、当时的土壤水分、以及健康指数地图,作为田地的航空地图上的覆盖。在示例实施例中,田地图像分辨率在5m与0.25cm之间。用户可以选择基于田地图像日期和/或作物健康指数来建模和显示田地列表(例如,具有最低整体健康指数值的田地到具有最高整体健康指数值的田地、具有最高整体健康指数值的田地到具有最低的整体健康指数值的田地、田地内最低健康指数值可变性、田地内最高健康指数值可变性、或如用户指定的)。用户还可以选择建模和显示一段时间内田地的作物健康指数的比较(例如,并排比较,重叠比较)。在示例实施例中,田地健康顾问模块向用户提供以下能力,即,选择田地上的位置以获得与特定位置处的健康指数、土壤类型、或海拔相关的更多信息。在示例实施例中,田地健康顾问模块向用户提供保存选择的位置、相关信息、和短小笔记的能力,以便用户可以在田地里时在用户设备上检索相同的信息。
收获顾问模块425
农业智能计算机系统150还被配置为使用收获顾问模块425来提供与收获的时机和机制相关的农业智能服务。在至少一些示例中,收获顾问模块425可以类似于农业智能模块158和159(如图1中示出的),更具体地类似于收获顾问模块158。
收获顾问计算模块425与农业智能计算系统150进行数据通信。农业智能计算系统150在其存储器设备内采集并且存储田地定义数据160、特定于田地的数据和环境数据170和田地状况数据180。收获顾问计算模块425从农业智能计算系统150接收并处理田地定义数据160、特定于田地的数据和环境数据170和田地状况数据180,以提供(i)收获之前在特定田地的脱水期间的谷物水分值预测,(ii)特定田地将达到目标水分值的预计日期,(iii)一个或多个田地的收获推荐和计划。更具体地,收获顾问计算模块425被配置为:(i)识别田地内的作物的初始日期(initial date)(例如,黑层日期);(ii)识别与作物和初始日期相关联的初始水分值;(iii)识别与作物相关联的目标收获水分值;(iv)接收与田地相关联的田地状况数据;(v)至少部分地基于初始日期、初始水分值、田地状况数据和目标收获水分值来计算作物的目标收获日期,其中目标收获日期指示日期,作物在该日期处将具有大致等于目标收获水分值的当前水分值;以及(vi)将作物的目标收获日期显示给种植者以用于进行收获计划。目标收获水分值表示,当收获时(例如,在收获日期处)种植者110希望作物具有的水分值。因此,收获顾问计算模块425通过预计随着时间变化的水分值并且考虑给定田地处的过去天气数据和未来天气预报,来帮助种植者预计给定田地何时准备好进行收获。
收益顾问模块426
农业智能计算机系统150还被配置为使用收益顾问模块426来提供与销售和营销作物相关的农业智能服务。在至少一些示例中,收益顾问模块426可以类似于农业智能模块158和159(如图1中示出的),更具体地类似于收益顾问模块159。
收益顾问模块426与农业智能计算系统150进行数据通信。农业智能计算系统150在其存储器设备内采集并且存储田地定义数据160、特定于田地的数据和环境数据170和田地状况数据180。收益顾问计算模块426从农业智能计算系统150接收并处理田地定义数据160和田地状况数据180,以提供(i)国家级、农场级、和田地级的每日产量预测,(ii)国家级和本地级当前作物价格,(iii)农场级和田地级的每日收益预测,以及(iv)田地、农场和英亩的每日利润估计。更具体地,收益顾问模块426被配置为:(i)从农业智能计算系统150接收种植者110的每个田地120的田地状况数据180和田地定义数据160,其中田地状况数据180包括生长阶段状况、天气状况、土壤水分和降水状况,并且其中田地定义数据包括田地标识符、地理标识符、边界标识符和作物标识符;(ii)从种植者110接收成本数据,其中成本数据包括和与种植者110相关联的单个田地120或所有田地相关的成本;(iii)从当地和国家来源接接收作物定价数据;(iv)处理田地状况数据180、作物定价数据和成本数据,以确定种植者110的每个田地120的产量数据、收益数据和利润数据;以及(v)将产量数据、收益数据和利润数据输出到用户设备112、114、116和/或118。产量数据、收益数据和利润数据与单个田地相关,并且还可以和与种植者相关联的多个附加田地相关。产量数据包括在高、低和预期情况下的每个田地的产量估计和国家级的产量估计。收益数据包括基于每个田地的国家价格和本地价格的收益估计。利润数据包括在高、低和预期情况下的每个田地的预期利润。
图5是在农业环境100(在图1中示出)中用于管理农业活动的示例性方法。方法500由农业智能计算机系统150(在图1中示出)实现。农业智能计算机系统150接收多个田地定义数据(510)。农业智能计算机系统150从多个数据网络130A、130B和140获取多个输入数据(520)。农业智能计算机系统150基于田地定义数据确定田地区域(530)。农业智能计算机系统150标识与田地区域相关联的多个输入数据的子集(540)。农业智能计算机系统150基于多个输入数据的子集确定多个田地状况数据(550)。农业智能计算机系统150向用户设备提供多个田地状况数据(560)。
图6是在图1的农业环境中用于推荐农业活动的示例方法。方法500由农业智能计算机系统150(在图1中示出)实现。农业智能计算机系统150接收多个田地定义数据(610)。农业智能计算机系统150从多个数据网络130A、130B和140获取多个输入数据(620)。农业智能计算机系统150基于田地定义数据确定田地区域(630)。农业智能计算机系统150标识与田地区域相关联的多个输入数据的子集(640)。农业智能计算机系统150基于多个输入数据的子集来确定多个田地状况数据(650)。农业智能计算机系统150向用户设备提供多个田地状况数据(660)。农业智能计算机系统150至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数(670)。农业智能计算机系统150基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项(680)。
图7是可以在图5所示的环境中使用的一个或多个示例计算设备的组件的图示。图7还示出了数据库的配置,至少包括数据库157(在图1中示出)。数据库157耦合到执行特定任务的欺诈检测计算机系统150内的若干单独组件。
农业智能计算机系统150包括:第一接收组件701,用于接收多个田地定义数据;第一获取组件702,用于从多个数据网络获取多个输入数据;第一确定组件703,用于基于田地定义数据确定田地区域;第一标识组件704,用于标识与田地区域相关联的多个输入数据的子集;第二确定组件705,用于基于多个输入数据的子集来确定多个田地状况数据;第一提供组件706,用于向用户设备提供多个田地状况数据;第三确定组件707,用于至少部分地基于多个田地状况数据来确定多个田地活动选项中的每个田地活动选项的推荐分数;以及第二提供组件708,用于基于多个推荐分数从多个田地活动选项中提供推荐的田地活动选项。
在示例实施例中,数据库157被划分为多个部分,包括但不限于,气象分析部分710、土壤和作物分析部分712、以及市场分析部分714。数据库157中的这些部分被互连以根据需要进行更新和获取信息。
图8-30是由图3的农业智能计算机系统提供给图2的用户设备从而促进农业活动的管理和推荐的信息的示例图示。
参考图8,屏幕截图800示出了设置屏幕,其中种植者110(在图1中示出)可以提供用户信息输入402(在图4中示出)从而定义与其帐户相关联的基本属性。
参考图9-11,屏幕截图900、1000和1100示出了允许种植者110(在图1中示出)查看田地状况数据180(在图1中示出)的选项。如屏幕截图900所示出的,种植者110可以选择查看田地状况数据180的特定日期,该特定日期可以是过去的、现在的或将来的,并且可以相应地提供历史的、当前的或预测的田地状况数据180。种植者110可以相应地选择特定日期和时间,来查看特定田地120(在图1中示出)的田地状况数据180。屏幕截图1000示出了特定日期的特定田地120的田地状况数据180的综合视图。更具体地,所示出的田地状况数据180包括田地天气数据模块411的、田地可工作性数据模块412的、生长阶段数据模块413的、和土壤水分数据模块414的输出。屏幕截屏1100类似地示出了特定田地120在特定时间段的田地降水模块415的输出。如上所述,这样的田地状况数据180是使用本地化方法来确定的,该本地化方法针对每个田地120唯一地确定这样的田地状况。
图12和13示出了使用地图以图形方式显示的这样的田地状况数据180。更具体地,从屏幕截图1200的角度看,种植者110可以选择地图的特定部分来标识每个田地120的田地状况数据180。屏幕截图1300相应地示出了对于特定田地122的田地状况数据180的这种显示。
参考图14-20,屏幕截图1400、1500、1600、1700、1800、1900和2000示出了与种植者110(在图1中示出)相关联的田地120(在图1中示出)的显示。更具体地,在截图1400中,种植者110提供田地定义数据160(在图1中示出)来定义田地120,以图形方式表示。因此,示出了多个田地120,并且可以单独或以任何组合来查看多个田地120,以获得田地状况数据180(在图1中示出)和/或推荐的农业活动190(在图1中示出)。注意,屏幕截图1400示出了种植者110可以拥有、使用或以其他方式管理多个田地120,该多个田地120彼此相距很远并且与独特的地理和气象状况相关联。应当理解,本文所描述的系统和方法(提供超本地化田地状况数据180和推荐的农业活动190),充分地帮助种植者110标识每个田地120之间的有意义的区别,以便有效地管理每个田地120。
在屏幕截图1500中,种植者110(在图1中示出)可以结合这样的田地的地图视图,来看到指示每个田地120(在图1中示出)的标识符的表格视图。种植者110可以使用表格视图(或图形视图)来导航到与每个田地120相关联的各个动作。因此,屏幕截图1600示出了在从表格视图或图形视图中选择特定田地用于查看时(例如,通过点击其中一个田地),被示出给用户的增强信息。如屏幕截图1700、1800、1900和2000中示出的,种植者110可以额外地增强显示(或“放大”)以查看较小的田地120的子集。
参考图21和图22,屏幕截图2100和2200示出了历史数据,该历史数据可以由种植者110(在图1中示出)或任何其他来源提供以标识与种植相关联的笔记或细节。更具体地,种植者110可以在屏幕截图2400中导航到特定日期,并且查看如屏幕截图2200所示出的种植笔记。
参考图23,屏幕截图2300示出了允许种植者110(在图1中示出)将公共陆地单元(“CLU”)分组或合并为“田地组”的表格视图。作为结果,一般地可以查看与特定田地组相关联的数据。在一些示例中,种植者110可能对基于例如共同作物或地理位置以特定组合来查看和管理特定田地120(在图1中示出)感兴趣。因此,所描述的应用和系统促进了这种有效的管理。
参考图24-30,屏幕截图2400、2500、2600、2700、2800、2900和3000示出了“田地管理器”工具的使用,该“田地管理器”使得种植者110(在图1中示出)能够以表格格式来查看多个田地的信息。截图2400、2500、2600、2700、2800、2900和3000还指示,种植者110可以一起查看田地状况数据180与特定于田地的数据和环境数据170(在图1中示出)。例如,屏幕截图2400在每田地的基础上示出了,当前耕种的作物、种植面积、平均产量、耕作实践或方法、以及枯落物水平。相比之下,屏幕截图2500示出了,种植者110可以应用过滤器2510基于特征(包括当前耕种的作物、种植面积、平均产量、耕作实践或方法、以及枯落物水平)来标识田地120的特定子组。田地管理器工具还使得种植者110能够更新或编辑信息。屏幕截图2600、2700、2800、2900和3000显示视图,其中种植者110可以更新或编辑先前耕种时期的信息。更具体地,在屏幕截图2600中,一般数据可以被更新,而在屏幕截图2700中,种植数据可以被更新。类似地,在屏幕截图2800中,收获数据可以被更新,并且在屏幕截图2900中,氮数据可以被更新。在屏幕截图3000中,土壤特征数据可以被更新。
如本文所使用的,术语“非暂态计算机可读介质”旨在表示以任何方法或技术实现的用于短期和长期存储信息(例如,计算机可读指令、数据结构、程序模块和子模块、或任何设备中的其他数据)的任何有形的基于计算机的设备。因此,本文描述的方法可以被编码为实施在有形的、非暂态的计算机可读介质(包括但不限于,存储设备和/或存储器设备)中的可执行指令。当由处理器执行时,这样的指令使得处理器执行本文所描述的方法的至少一部分。此外,如本文所使用的,术语“非暂态计算机可读介质”包括所有有形的计算机可读介质,包括但不限于非暂态计算机存储设备,包括但不限于易失性和非易失性介质、以及可擦除和非可擦除介质,例如固件、物理和虚拟存储器、CD-ROM、DVD、以及任何其他数字源(例如,网络或因特网,以及尚未开发的数字装置,唯一的例外是短暂的传播信号)。
该书面描述使用示例来公开本公开,包括最佳模式,并且还使得本领域任何技术人员能够实践实施例,包括制造和使用任何设备或系统并执行任何并入的方法。本公开的可专利范围由权利要求限定,并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的文字语言相同的结构元件,或者如果它们包括与权利要求的文字语言无实质性差异的等同的结构元件,则这些其他示例将落入权利要求的范围内。
Claims (22)
1.一种用于管理农业活动的计算机实现的方法,通过使用与存储器通信的农业智能计算机系统来实现,所述方法包括:
接收多个田地定义数据;
从多个数据网络获取多个输入数据;
基于所述田地定义数据确定田地区域;
标识与所述田地区域相关联的所述多个输入数据的子集;
基于所述多个输入数据的子集来确定多个田地状况数据;以及
向用户设备提供所述多个田地状况数据。
2.根据权利要求1所述的方法,还包括:
定义降水分析期;
从所述多个输入数据的子集中获取与所述降水分析期相关联的一组近期降水数据、一组预测降水数据和一组温度数据;
基于所述一组近期降水数据、所述一组预测降水数据和所述一组温度数据来确定可工作性指数;以及
基于所述可工作性指数向所述用户设备提供可工作性值。
3.根据权利要求2所述的方法,还包括:
接收预期田地活动;以及
部分地基于所述预期田地活动来确定所述可工作性指数。
4.根据权利要求1所述的方法,还包括:
确定初始作物水分水平;
接收多个每日高温和每日低温;
接收多个作物用水量;以及
确定土壤水分水平。
5.根据权利要求1所述的方法,还包括:
从所述用户设备接收多个警报偏好;
标识与所述多个警报偏好相关联的多个警报阈值;
监视所述多个输入数据的子集;以及
在超过所述警报阈值中的至少一个警报阈值时向所述用户设备告警。
6.根据权利要求1所述的方法,还包括从用户设备和农业机器设备中的至少一者接收多个田地定义数据。
7.根据权利要求1所述的方法,还包括:
标识与所述田地区域相关联的网格;
从与所述网格相关联的多个气象站进行标识,其中所述多个气象站中的每个气象站与气象站位置相关联;
基于每个相关联的气象站位置来标识所述多个气象站中的每个气象站的相关联的权重;
从所述多个气象站中的每个气象站接收温度读数;以及
基于所述多个温度读数和每个相关联的权重来标识所述田地区域的温度值。
8.一种用于管理农业活动的联网农业智能系统,包括:
多个数据网络计算机系统;
农业智能计算机系统,包括处理器和与所述处理器通信的存储器,所述处理器被配置为:
从用户设备接收多个田地定义数据;
从所述多个数据网络获取多个输入数据;
基于所述田地定义数据确定田地区域;
标识与所述田地区域相关联的所述多个输入数据的子集;
基于所述多个输入数据的子集来确定多个田地状况数据;以及
向所述用户设备提供所述多个田地状况数据。
9.根据权利要求8所述的联网农业智能系统,其中,所述处理器还被配置为:
定义降水分析期;
从所述多个输入数据的子集获取与所述降水分析期相关联的一组近期降水数据、一组预测降水数据和一组温度数据;
基于所述一组近期降水数据、所述一组预测降水数据和所述一组温度数据来确定可工作性指数;以及
基于所述可工作性指数向所述用户设备提供可工作性值。
10.根据权利要求9所述的联网农业智能系统,其中,所述处理器还被配置为:
接收预期田地活动;以及
部分地基于所述预期田地活动来确定所述可工作性指数。
11.根据权利要求8所述的联网农业智能系统,其中,所述处理器还被配置为:
确定初始作物水分水平;
接收多个每日高温和每日低温;
接收多个作物用水量;以及
确定土壤水分水平。
12.根据权利要求8所述的联网农业智能系统,其中,所述处理器还被配置为:
从所述用户设备接收多个警报偏好;
标识与所述多个警报偏好相关联的多个警报阈值;
监视所述多个输入数据的子集;以及
在超过所述警报阈值中的至少一个警报阈值时向所述用户设备告警。
13.根据权利要求8所述的联网农业智能系统,其中,所述处理器还被配置为从用户设备和农业机器设备中的至少一者接收多个田地定义数据。
14.根据权利要求8所述的联网农业智能系统,其中,所述处理器还被配置为:
标识与所述田地区域相关联的网格;
从与所述网格相关联的多个气象站进行标识,其中所述多个气象站中的每个气象站与气象站位置相关联;
基于每个相关联的气象站位置来标识所述多个气象站中的每个气象站的相关联的权重;
从所述多个气象站中的每个气象站接收温度读数;以及
基于所述多个温度读数和每个相关联的权重来标识所述田地区域的温度值。
15.一种用于管理农业活动的计算机可读存储介质,该计算机可读存储介质具有体现在其上的计算机可执行指令,其中,当由至少一个处理器执行时,所述计算机可执行指令使所述处理器进行以下各项操作:
从用户设备接收多个田地定义数据;
从所述多个数据网络获取多个输入数据;
基于所述田地定义数据确定田地区域;
标识与所述田地区域相关联的所述多个输入数据的子集;
基于所述多个输入数据的子集来确定多个田地状况数据;以及
向所述用户设备提供所述多个田地状况数据。
16.根据权利要求15所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器进行以下各项操作:
定义降水分析期;
从所述多个输入数据的子集获取与所述降水分析期相关联的一组近期降水数据、一组预测降水数据和一组温度数据;
基于所述一组近期降水数据、所述一组预测降水数据和所述一组温度数据来确定可工作性指数;以及
基于所述可工作性指数向所述用户设备提供可工作性值。
17.根据权利要求16所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器进行以下各项操作:
接收预期田地活动;以及
部分地基于所述预期田地活动来确定所述可工作性指数。
18.根据权利要求15所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器进行以下各项操作:
确定初始作物水分水平;
接收多个每日高温和每日低温;
接收多个作物用水量;以及
确定土壤水分水平。
19.根据权利要求15所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器进行以下各项操作:
从所述用户设备接收多个警报偏好;
标识与所述多个警报偏好相关联的多个警报阈值;
监视所述多个输入数据的子集;以及
在超过所述警报阈值中的至少一个警报阈值时向所述用户设备告警。
20.根据权利要求15所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器从用户设备和农业机器设备中的至少一者接收多个田地定义数据。
21.根据权利要求15所述的计算机可读存储介质,其中,所述计算机可执行指令使所述处理器进行以下各项操作:
标识与所述田地区域相关联的网格;
从与所述网格相关联的多个气象站进行标识,其中所述多个气象站中的每个气象站与气象站位置相关联;
基于每个相关联的气象站位置来标识所述多个气象站中的每个气象站的相关联的权重;
从所述多个气象站中的每个气象站接收温度读数;以及
基于所述多个温度读数和每个相关联的权重来标识所述田地区域的温度值。
22.一种农业智能计算机系统,包括处理器和与所述处理器通信的存储器,所述处理器被配置为:
从用户设备接收多个田地定义数据;
从所述多个数据网络获取多个输入数据;
基于所述田地定义数据确定田地区域;
标识与所述田地区域相关联的所述多个输入数据的子集;
基于所述多个输入数据的子集来确定多个田地状况数据;以及
向所述用户设备提供所述多个田地状况数据。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462049898P | 2014-09-12 | 2014-09-12 | |
US62/049,898 | 2014-09-12 | ||
US14/846,422 US10667456B2 (en) | 2014-09-12 | 2015-09-04 | Methods and systems for managing agricultural activities |
US14/846,422 | 2015-09-04 | ||
PCT/US2015/049486 WO2016040678A1 (en) | 2014-09-12 | 2015-09-10 | Methods and systems for managing agricultural activities |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107077650A true CN107077650A (zh) | 2017-08-18 |
Family
ID=55453433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580056097.0A Pending CN107077650A (zh) | 2014-09-12 | 2015-09-10 | 用于管理农业活动的方法和系统 |
Country Status (10)
Country | Link |
---|---|
US (3) | US10667456B2 (zh) |
EP (2) | EP3192021A1 (zh) |
CN (1) | CN107077650A (zh) |
AR (2) | AR103494A1 (zh) |
AU (2) | AU2015315001A1 (zh) |
BR (1) | BR112017004750A2 (zh) |
CA (1) | CA2960424C (zh) |
CO (1) | CO2017003536A2 (zh) |
UA (1) | UA123762C2 (zh) |
WO (1) | WO2016040678A1 (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN108805384A (zh) * | 2017-04-27 | 2018-11-13 | 塔塔顾问服务有限公司 | 用于评估与推荐农作物规范的符合度的系统和方法 |
CN109726940A (zh) * | 2019-02-14 | 2019-05-07 | 深圳市木雅园林股份有限公司 | 一种园林植物养护管理方法及系统 |
CN110470336A (zh) * | 2019-07-09 | 2019-11-19 | 生态环境部南京环境科学研究所 | 基于温湿度核算全国规模化禽畜养殖场氨排放量的方法 |
CN111095340A (zh) * | 2018-01-22 | 2020-05-01 | 株式会社久保田 | 农业辅助系统 |
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 |
CN111246729A (zh) * | 2017-08-21 | 2020-06-05 | 克莱米特公司 | 用于实施农田试验的农田数字建模和跟踪 |
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 |
CN111565558A (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 |
CN111722303A (zh) * | 2019-03-21 | 2020-09-29 | 国际商业机器公司 | 用于作物管理的温度和降雨量建模 |
CN112585643A (zh) * | 2018-07-02 | 2021-03-30 | 气象公司 | 将杂交种或种子自动分配给田地用于种植 |
CN112740258A (zh) * | 2018-07-26 | 2021-04-30 | 气象公司 | 通过田地健康影像生成农艺产量地图 |
CN112889063A (zh) * | 2018-08-02 | 2021-06-01 | 克莱米特公司 | 基于天气数据的产量自动预测和播种率推荐 |
CN112930544A (zh) * | 2018-10-24 | 2021-06-08 | 克莱米特公司 | 利用遗传学和特征工程来提高按田地的种子产品选择和推荐的放置可预测性 |
CN112955000A (zh) * | 2018-10-24 | 2021-06-11 | 克莱米特公司 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
CN113038823A (zh) * | 2018-10-31 | 2021-06-25 | 克莱米特公司 | 自动化样本采集和跟踪系统 |
CN113168577A (zh) * | 2018-09-21 | 2021-07-23 | 克莱米特公司 | 用于执行机器学习算法的方法和系统 |
CN113168598A (zh) * | 2018-09-11 | 2021-07-23 | 克莱米特公司 | 由田间的风险调整的杂交种子选择和作物产量优化 |
CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
CN113226009A (zh) * | 2018-12-24 | 2021-08-06 | 克莱米特公司 | 针对大豆的预测性的种子脚本处理 |
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 |
CN113473840A (zh) * | 2019-02-21 | 2021-10-01 | 克莱米特公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
US11246273B2 (en) * | 2019-12-09 | 2022-02-15 | Valmont Industries, Inc. | System, method and apparatus for integration of field, crop and irrigation equipment data for irrigation management |
CN114384819A (zh) * | 2020-10-02 | 2022-04-22 | 丰田自动车株式会社 | 服务管理装置 |
CN114430536A (zh) * | 2022-04-06 | 2022-05-03 | 广东邦盛北斗科技股份公司 | 基于北斗定位模块的农业物联网方法、系统及云平台 |
CN114494904A (zh) * | 2022-01-25 | 2022-05-13 | 海南大学 | 基于粪土颜色的南极鸟类种群数目遥感估算方法及装置 |
TWI765794B (zh) * | 2021-07-30 | 2022-05-21 | 國立中興大學 | 水稻蟲害健康預警系統及方法 |
CN115697037A (zh) * | 2020-05-29 | 2023-02-03 | 索尔美瑞斯公司 | 用于精准农业的增强的管理区 |
CN115796558A (zh) * | 2023-02-03 | 2023-03-14 | 光泽县宏翔智能科技有限公司 | 基于深度神经网络的烟草种植面积智能管理系统 |
TWI796616B (zh) * | 2020-11-27 | 2023-03-21 | 悠由數據應用股份有限公司 | 農作物生長週期與產量交互動態預測系統 |
CN116485040A (zh) * | 2023-06-13 | 2023-07-25 | 中国农业大学 | 种子活力预测方法、系统、电子设备及存储介质 |
Families Citing this family (86)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
EP3276544A1 (en) | 2016-07-29 | 2018-01-31 | Accenture Global Solutions Limited | Precision agriculture system |
US10212876B2 (en) | 2015-10-12 | 2019-02-26 | Droneseed Co. | Aerial deployment planting methods and systems |
CN108366526B (zh) | 2015-10-12 | 2021-04-09 | 德罗纳斯德公司 | 通过自动生物特征数据的优先级简化林业信息管理的系统及方法 |
RU2728540C2 (ru) * | 2016-03-04 | 2020-07-30 | Басф Се | Устройства и способы планирования и мониторинга выращивания сельскохозяйственной культуры |
KR102163610B1 (ko) * | 2016-05-10 | 2020-10-08 | 코니카 미놀타 가부시키가이샤 | 토양 상태 평가 장치, 해당 방법 및 해당 프로그램 |
ZA201704685B (en) * | 2016-07-12 | 2019-06-26 | Tata Consultancy Services Ltd | Systems and methods for pest forecasting using historical pesticide usage information |
CA3035068A1 (en) | 2016-09-08 | 2018-03-15 | Walmart Apollo, Llc | Systems and methods for dispensing an insecticide via unmanned vehicles to defend a crop-containing area against pests |
WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
WO2018049290A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for determining agronomic outputs for a farmable region, and related methods and apparatus |
US11544296B1 (en) * | 2016-09-15 | 2023-01-03 | Winfield Solutions, Llc | Systems and methods for spatially-indexing agricultural content |
US10719787B2 (en) | 2016-10-31 | 2020-07-21 | Basf Agro Trademarks Gmbh | Method for mapping crop yields |
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 |
US10709073B2 (en) | 2017-06-14 | 2020-07-14 | Grow Solutions Tech Llc | Systems and methods for communicating data via a plurality of grow pods |
CN107370820B (zh) * | 2017-08-02 | 2021-04-23 | 台州市吉吉知识产权运营有限公司 | 代理ap自动发现装置及系统 |
US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
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 |
CN107742172A (zh) * | 2017-11-03 | 2018-02-27 | 深圳前海弘稼科技有限公司 | 预测农作物产量的方法、系统及计算机装置 |
US11423492B2 (en) | 2017-11-21 | 2022-08-23 | Climate Llc | Computing risk from a crop damaging factor for a crop on an agronomic field |
US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
US11138677B2 (en) | 2018-04-24 | 2021-10-05 | Indigo Ag, Inc. | Machine learning in an online agricultural system |
US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
WO2020056283A1 (en) * | 2018-09-14 | 2020-03-19 | Agjunction Llc | Using non-real-time computers for agricultural guidance systems |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
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 |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
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 |
US11375656B2 (en) | 2018-11-06 | 2022-07-05 | Droneseed Co. | Remote drone configuration systems and methods |
WO2020144545A1 (en) * | 2019-01-11 | 2020-07-16 | Shankar S Siva | System and method for agricultural grievance management |
CN109781963A (zh) * | 2019-01-26 | 2019-05-21 | 成都鑫芯电子科技有限公司 | 一种大田种植环境监测系统 |
US11191204B2 (en) | 2019-02-18 | 2021-12-07 | Cnh Industrial Canada, Ltd. | System and method for monitoring soil conditions within a field |
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 |
CN110213376B (zh) * | 2019-06-05 | 2021-03-09 | 黑龙江北大荒农业股份有限公司 | 一种用于虫害预防的信息处理系统及方法 |
US11432485B2 (en) * | 2019-06-10 | 2022-09-06 | Smart Rain Systems, LLC | Artificially intelligent irrigation system |
US11553640B2 (en) | 2019-06-11 | 2023-01-17 | Cnh Industrial Canada, Ltd. | Agricultural wear monitoring system |
US11874264B2 (en) * | 2019-08-02 | 2024-01-16 | Heritage Landscape Supply Group, Inc. | Systems and methods for reporting performance of agricultural inputs |
WO2021062147A1 (en) | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
AU2020359451A1 (en) * | 2019-09-30 | 2022-04-21 | Nutrien Ag Solutions, Inc. | Agriculture service platform |
EP3822976A1 (en) * | 2019-11-13 | 2021-05-19 | Basf Se | Crop monitoring and protection |
DE102020102148A1 (de) * | 2020-01-29 | 2021-07-29 | 365Farmnet Group Kgaa Mbh & Co Kg | Verfahren zum prozessbezogenen Generieren landwirtschaftlicher Daten |
US11748824B2 (en) | 2020-01-31 | 2023-09-05 | Deere & Company | Systems and methods for site traversability sensing |
US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
RS20200817A1 (sr) | 2020-07-10 | 2022-01-31 | Inst Biosens Istrazivacko Razvojni Inst Za Informacione Tehnologije Biosistema | Sistem i metod za inteligentno uzorkovanje zemljišta |
BR112023000950A2 (pt) | 2020-07-21 | 2023-03-28 | Indigo Ag Inc | Algoritmos de sensoriamento remoto para mapear a agricultura regenerativa |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
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 |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
CN113030441B (zh) * | 2021-03-27 | 2023-12-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种耕地土壤健康的评价方法 |
WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
EP4396756A1 (en) | 2021-08-31 | 2024-07-10 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
CN114509116A (zh) * | 2022-03-01 | 2022-05-17 | 金陵科技学院 | 一种基于STM32和NB-IoT的低功耗农业监测系统 |
KR20230140210A (ko) * | 2022-03-29 | 2023-10-06 | 주식회사 쉘파스페이스 | 환경 영향 평가에 기반한 영농 활동 의사 결정 시스템 및 방법 |
US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
US20230341586A1 (en) * | 2022-04-20 | 2023-10-26 | Deere & Company | Method and system for mapping cut crop moisture in a field |
US20230385654A1 (en) * | 2022-05-25 | 2023-11-30 | X Development Llc | Model-predictive control of pest presence in host environments |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
CN102141801A (zh) * | 2011-03-09 | 2011-08-03 | 黑龙江八一农垦大学 | 水稻田间生长环境监测与灌溉控制系统 |
US20120101634A1 (en) * | 2010-10-25 | 2012-04-26 | Lindores Robert J | Crop treatment compatibility |
US20130332205A1 (en) * | 2012-06-06 | 2013-12-12 | David Friedberg | System and method for establishing an insurance policy based on various farming risks |
US8738243B2 (en) * | 2007-01-08 | 2014-05-27 | Precision Planting Llc | Planter monitor system and method |
Family Cites Families (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2840292A (en) | 1955-05-31 | 1958-06-24 | James J Stoddard | Cup support |
US4492111A (en) | 1981-10-07 | 1985-01-08 | Kirkland James L | Rheological penetrometer |
WO1995019597A1 (en) * | 1994-01-14 | 1995-07-20 | Strategic Weather Services | A user interface for graphically displaying the impact of weather on managerial planning applications |
US5668719A (en) | 1994-08-05 | 1997-09-16 | Tyler Limited Partnership | Method of fertilizer application and field treatment |
US6608672B1 (en) | 1999-03-15 | 2003-08-19 | Omron Corporation | Soil survey device and system for precision agriculture |
JP3831249B2 (ja) | 1999-07-08 | 2006-10-11 | 農工大ティー・エル・オー株式会社 | 土壌測定装置、土壌測定支援装置及び方法並びにプログラムを記録した記録媒体及びデータを記録した記録媒体並びに土壌モデルデータベース管理システム |
US6535817B1 (en) | 1999-11-10 | 2003-03-18 | The Florida State Research Foundation | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble |
US6422508B1 (en) | 2000-04-05 | 2002-07-23 | Galileo Group, Inc. | System for robotic control of imaging data having a steerable gimbal mounted spectral sensor and methods |
US20020133505A1 (en) | 2001-03-14 | 2002-09-19 | Hideki Kuji | System for recommending crops and attachments to farm tractors |
US20030061075A1 (en) | 2001-05-17 | 2003-03-27 | Converium Reinsurance (North America) Inc. | System and method for rating and structuring bands of crop production insurance |
US6853937B2 (en) | 2001-07-06 | 2005-02-08 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil characteristics survey device and soil characteristics survey method |
JP3966139B2 (ja) | 2002-09-27 | 2007-08-29 | 株式会社日立製作所 | 気象物理量の推定方法 |
US20050027572A1 (en) | 2002-10-16 | 2005-02-03 | Goshert Richard D.. | System and method to evaluate crop insurance plans |
US6999877B1 (en) * | 2003-01-31 | 2006-02-14 | Deere & Company | Method and system of evaluating performance of a crop |
US7050910B2 (en) | 2003-12-18 | 2006-05-23 | Kemira Growhow Oy | Method and system for analyzing site-specific growth factors limiting production |
US7702597B2 (en) | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
US7327245B2 (en) * | 2004-11-22 | 2008-02-05 | Microsoft Corporation | Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations |
US20060167926A1 (en) | 2005-01-27 | 2006-07-27 | James Verhey | Vineyard information collection and management system |
US8527301B2 (en) | 2006-01-20 | 2013-09-03 | Deere & Company | System and method for evaluating risk associated with a crop insurance policy |
US8200368B2 (en) | 2008-12-10 | 2012-06-12 | Rain Bird Corporation | Automatically adjusting irrigation controller with temperature and rainfall sensor |
US8816262B2 (en) | 2007-07-03 | 2014-08-26 | Kyle H. Holland | Auto-calibration method for real-time agricultural sensors |
NZ562316A (en) | 2007-10-09 | 2009-03-31 | New Zealand Inst For Crop And | Method and system of managing performance of a tuber crop |
US9285501B2 (en) | 2008-11-04 | 2016-03-15 | Veris Technologies, Inc. | Multiple sensor system and method for mapping soil in three dimensions |
US8150554B2 (en) | 2009-04-21 | 2012-04-03 | Deere & Company | Resource use management in yards and gardens |
US8311780B2 (en) | 2009-04-23 | 2012-11-13 | Honeywell International Inc. | Enhanced prediction of atmospheric parameters |
WO2011064445A1 (en) | 2009-11-25 | 2011-06-03 | Nokia Corporation | Method and apparatus for agricultural resource mapping |
US8426211B1 (en) | 2010-02-08 | 2013-04-23 | Bowling Green State University | Method and system for detecting copper in soil from reflected light |
US8655601B1 (en) | 2010-02-08 | 2014-02-18 | Bowling Green State University | Method and system for detecting phosphorus in soil from reflected light |
WO2011150353A1 (en) | 2010-05-28 | 2011-12-01 | Gvm, Inc. | Remote management system for equipment |
US8594897B2 (en) | 2010-09-30 | 2013-11-26 | The Curators Of The University Of Missouri | Variable product agrochemicals application management |
US10115158B2 (en) | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
US9058633B2 (en) * | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
US20130144827A1 (en) | 2011-02-03 | 2013-06-06 | Schaffert Manufacturing Company, Inc. | Systems and methods for supporting fertilizer decisions |
US8737694B2 (en) | 2011-02-07 | 2014-05-27 | Southern Minnesota Beet Sugar Cooperative | Organic matter mapping using remotely sensed images |
US20130173321A1 (en) | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
US20130174040A1 (en) | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-planting plan |
WO2013137856A1 (en) | 2012-03-12 | 2013-09-19 | Empire Technology Development Llc | Robotic appendages |
WO2013144458A1 (fr) | 2012-03-27 | 2013-10-03 | Total Sa | Procede de determination de la composition mineralogique |
US20140012504A1 (en) | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
DE212013000164U1 (de) | 2012-07-17 | 2015-03-20 | Us Synthetic Corporation | Kippende superharte Lagerelemente in Lageranordnungen, Vorrichtungen und Motoranordnungen, die diese verwenden |
US20140067745A1 (en) | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
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 |
ES2638965T3 (es) | 2013-03-22 | 2017-10-24 | Foss Analytical A/S | Sistema y método para investigaciones por LIBS y espectroscopía de absorción IR combinadas |
US20140321714A1 (en) | 2013-04-24 | 2014-10-30 | Billy R. Masten | Methods of enhancing agricultural production using spectral and/or spatial fingerprints |
US9349148B2 (en) | 2013-07-17 | 2016-05-24 | Sigma Space Corp. | Methods and apparatus for adaptive multisensor analisis and aggregation |
US20150237796A1 (en) | 2014-02-24 | 2015-08-27 | Robert Celli | Apparatus and method for localized irrigation and application of fertilizers, herbicides, or pesticides to row crops |
CN103941254A (zh) | 2014-03-03 | 2014-07-23 | 中国神华能源股份有限公司 | 一种基于地质雷达的土壤物性类别识别方法和装置 |
US10107770B2 (en) | 2014-06-18 | 2018-10-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US10697951B2 (en) | 2014-12-15 | 2020-06-30 | Textron Systems Corporation | In-soil data monitoring system and method |
US9953241B2 (en) | 2014-12-16 | 2018-04-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for satellite image processing to estimate crop yield |
US9087312B1 (en) | 2015-01-23 | 2015-07-21 | Iteris, Inc. | Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states |
UA125018C2 (uk) | 2015-07-15 | 2021-12-29 | Зе Клаймет Корпорейшн | Спосіб управління внесенням добрив з використанням цифрової моделі доступності біогенних речовин та система для його здійснення |
US10529036B2 (en) | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
-
2015
- 2015-09-04 US US14/846,422 patent/US10667456B2/en active Active
- 2015-09-10 UA UAA201703547A patent/UA123762C2/uk unknown
- 2015-09-10 CN CN201580056097.0A patent/CN107077650A/zh active Pending
- 2015-09-10 EP EP15775530.7A patent/EP3192021A1/en not_active Ceased
- 2015-09-10 BR BR112017004750-0A patent/BR112017004750A2/pt not_active Application Discontinuation
- 2015-09-10 AU AU2015315001A patent/AU2015315001A1/en not_active Abandoned
- 2015-09-10 CA CA2960424A patent/CA2960424C/en active Active
- 2015-09-10 EP EP19219254.0A patent/EP3693903A1/en active Pending
- 2015-09-10 WO PCT/US2015/049486 patent/WO2016040678A1/en active Application Filing
- 2015-09-11 AR ARP150102912A patent/AR103494A1/es not_active Application Discontinuation
-
2017
- 2017-04-12 CO CONC2017/0003536A patent/CO2017003536A2/es unknown
-
2020
- 2020-06-01 US US16/889,627 patent/US11785879B2/en active Active
-
2021
- 2021-03-24 AU AU2021201834A patent/AU2021201834A1/en not_active Abandoned
- 2021-09-24 AR ARP210102670A patent/AR123608A2/es unknown
-
2023
- 2023-09-22 US US18/372,045 patent/US20240008390A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8738243B2 (en) * | 2007-01-08 | 2014-05-27 | Precision Planting Llc | Planter monitor system and method |
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
US20120101634A1 (en) * | 2010-10-25 | 2012-04-26 | Lindores Robert J | Crop treatment compatibility |
CN102141801A (zh) * | 2011-03-09 | 2011-08-03 | 黑龙江八一农垦大学 | 水稻田间生长环境监测与灌溉控制系统 |
US20130332205A1 (en) * | 2012-06-06 | 2013-12-12 | David Friedberg | System and method for establishing an insurance policy based on various farming risks |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805384B (zh) * | 2017-04-27 | 2022-11-18 | 塔塔顾问服务有限公司 | 用于评估与推荐农作物规范的符合度的系统和方法 |
CN108805384A (zh) * | 2017-04-27 | 2018-11-13 | 塔塔顾问服务有限公司 | 用于评估与推荐农作物规范的符合度的系统和方法 |
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 |
CN111246729A (zh) * | 2017-08-21 | 2020-06-05 | 克莱米特公司 | 用于实施农田试验的农田数字建模和跟踪 |
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 |
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 |
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 |
CN111565558A (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 |
CN111095340A (zh) * | 2018-01-22 | 2020-05-01 | 株式会社久保田 | 农业辅助系统 |
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN112585643A (zh) * | 2018-07-02 | 2021-03-30 | 气象公司 | 将杂交种或种子自动分配给田地用于种植 |
CN112740258A (zh) * | 2018-07-26 | 2021-04-30 | 气象公司 | 通过田地健康影像生成农艺产量地图 |
CN112740258B (zh) * | 2018-07-26 | 2023-04-18 | 气象有限责任公司 | 通过田地健康影像生成农艺产量地图 |
CN112889063A (zh) * | 2018-08-02 | 2021-06-01 | 克莱米特公司 | 基于天气数据的产量自动预测和播种率推荐 |
CN113168598A (zh) * | 2018-09-11 | 2021-07-23 | 克莱米特公司 | 由田间的风险调整的杂交种子选择和作物产量优化 |
CN113168577A (zh) * | 2018-09-21 | 2021-07-23 | 克莱米特公司 | 用于执行机器学习算法的方法和系统 |
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 |
US12020177B2 (en) | 2018-10-24 | 2024-06-25 | Climate Llc | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation |
CN112955000A (zh) * | 2018-10-24 | 2021-06-11 | 克莱米特公司 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
CN112955000B (zh) * | 2018-10-24 | 2022-07-19 | 克莱米特有限责任公司 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
CN112930544A (zh) * | 2018-10-24 | 2021-06-08 | 克莱米特公司 | 利用遗传学和特征工程来提高按田地的种子产品选择和推荐的放置可预测性 |
US11785877B2 (en) | 2018-10-31 | 2023-10-17 | Climate Llc | Automated sample collection and tracking system |
CN113038823A (zh) * | 2018-10-31 | 2021-06-25 | 克莱米特公司 | 自动化样本采集和跟踪系统 |
CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
CN113226009B (zh) * | 2018-12-24 | 2023-06-23 | 克莱米特有限责任公司 | 针对大豆的预测性的种子脚本处理 |
CN113226009A (zh) * | 2018-12-24 | 2021-08-06 | 克莱米特公司 | 针对大豆的预测性的种子脚本处理 |
CN109726940A (zh) * | 2019-02-14 | 2019-05-07 | 深圳市木雅园林股份有限公司 | 一种园林植物养护管理方法及系统 |
CN113473840A (zh) * | 2019-02-21 | 2021-10-01 | 克莱米特公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
CN113473840B (zh) * | 2019-02-21 | 2023-09-05 | 克莱米特有限责任公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
US11631040B2 (en) | 2019-02-21 | 2023-04-18 | Climate Llc | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
CN111722303B (zh) * | 2019-03-21 | 2022-04-26 | 国际商业机器公司 | 用于作物管理的温度和降雨量建模 |
CN111722303A (zh) * | 2019-03-21 | 2020-09-29 | 国际商业机器公司 | 用于作物管理的温度和降雨量建模 |
CN110470336B (zh) * | 2019-07-09 | 2021-04-27 | 生态环境部南京环境科学研究所 | 一种基于温湿度核算全国规模化禽畜养殖场氨排放量的方法 |
CN110470336A (zh) * | 2019-07-09 | 2019-11-19 | 生态环境部南京环境科学研究所 | 基于温湿度核算全国规模化禽畜养殖场氨排放量的方法 |
US11246273B2 (en) * | 2019-12-09 | 2022-02-15 | Valmont Industries, Inc. | System, method and apparatus for integration of field, crop and irrigation equipment data for irrigation management |
CN114760835A (zh) * | 2019-12-09 | 2022-07-15 | 瓦尔蒙特工业股份有限公司 | 整合田间、作物和灌溉设备数据来灌溉管理的系统、方法及装置 |
CN114760835B (zh) * | 2019-12-09 | 2023-08-01 | 瓦尔蒙特工业股份有限公司 | 整合田间、作物和灌溉设备数据来灌溉管理的系统、方法及装置 |
CN115697037A (zh) * | 2020-05-29 | 2023-02-03 | 索尔美瑞斯公司 | 用于精准农业的增强的管理区 |
CN114384819A (zh) * | 2020-10-02 | 2022-04-22 | 丰田自动车株式会社 | 服务管理装置 |
CN114384819B (zh) * | 2020-10-02 | 2024-06-11 | 丰田自动车株式会社 | 服务管理装置 |
TWI796616B (zh) * | 2020-11-27 | 2023-03-21 | 悠由數據應用股份有限公司 | 農作物生長週期與產量交互動態預測系統 |
TWI765794B (zh) * | 2021-07-30 | 2022-05-21 | 國立中興大學 | 水稻蟲害健康預警系統及方法 |
CN114494904A (zh) * | 2022-01-25 | 2022-05-13 | 海南大学 | 基于粪土颜色的南极鸟类种群数目遥感估算方法及装置 |
CN114494904B (zh) * | 2022-01-25 | 2024-07-26 | 海南大学 | 基于粪土颜色的南极鸟类种群数目遥感估算方法及装置 |
CN114430536A (zh) * | 2022-04-06 | 2022-05-03 | 广东邦盛北斗科技股份公司 | 基于北斗定位模块的农业物联网方法、系统及云平台 |
CN114430536B (zh) * | 2022-04-06 | 2022-07-19 | 广东邦盛北斗科技股份公司 | 基于北斗定位模块的农业物联网方法、系统及云平台 |
CN115796558A (zh) * | 2023-02-03 | 2023-03-14 | 光泽县宏翔智能科技有限公司 | 基于深度神经网络的烟草种植面积智能管理系统 |
CN116485040B (zh) * | 2023-06-13 | 2023-09-08 | 中国农业大学 | 种子活力预测方法、系统、电子设备及存储介质 |
CN116485040A (zh) * | 2023-06-13 | 2023-07-25 | 中国农业大学 | 种子活力预测方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3192021A1 (en) | 2017-07-19 |
AR103494A1 (es) | 2017-05-17 |
CO2017003536A2 (es) | 2017-05-31 |
UA123762C2 (uk) | 2021-06-02 |
EP3693903A1 (en) | 2020-08-12 |
US10667456B2 (en) | 2020-06-02 |
AU2021201834A1 (en) | 2021-04-29 |
BR112017004750A2 (pt) | 2018-06-26 |
US11785879B2 (en) | 2023-10-17 |
WO2016040678A1 (en) | 2016-03-17 |
AR123608A2 (es) | 2022-12-21 |
CA2960424A1 (en) | 2016-03-17 |
US20200288626A1 (en) | 2020-09-17 |
US20240008390A1 (en) | 2024-01-11 |
CA2960424C (en) | 2023-02-28 |
AU2015315001A1 (en) | 2017-04-27 |
US20160073573A1 (en) | 2016-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941709B2 (en) | Methods and systems for managing crop harvesting activities | |
US11847708B2 (en) | Methods and systems for determining agricultural revenue | |
US11785879B2 (en) | Methods and systems for managing agricultural activities | |
US20210383290A1 (en) | Methods and systems for recommending agricultural activities | |
US11893648B2 (en) | Methods and systems for recommending agricultural activities | |
CA3013215C (en) | Modeling trends in crop yields | |
CN111373425A (zh) | 对农艺田地上作物上的病害的数字建模 | |
UA126557C2 (uk) | Спосіб визначення врожайності сільськогосподарської культури на національному рівні протягом періоду вегетації із використанням погодних індексів | |
UA126555C2 (uk) | Спосіб управління робочими параметрами сільськогосподарського обладнання | |
KR101935008B1 (ko) | 농작물 생장상태정보를 이용한 농작물 유통관리 방법 | |
BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
US20150185196A1 (en) | Characterization of field sites for utility in agronomic stress trials | |
JP7053083B2 (ja) | 情報処理装置 | |
US20220270015A1 (en) | Agricultural assistance mobile applications, systems, and methods | |
US20230380329A1 (en) | Systems and methods for use in planting seeds in growing spaces | |
US20240242121A1 (en) | Systems and methods for treating crop diseases in growing spaces | |
US20220383428A1 (en) | Systems and methods for use in planting seeds in growing spaces | |
Chowhan | Remote sensing, GIS and e-commerce: Technological tools to sustain agricultural development of rural India | |
Kanwar et al. | Precision farming: components and applications-a review. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
WD01 | Invention patent application deemed withdrawn after publication |