CN108241905B - 用于预测土壤和/或植物状况的方法 - Google Patents
用于预测土壤和/或植物状况的方法 Download PDFInfo
- Publication number
- CN108241905B CN108241905B CN201711345955.0A CN201711345955A CN108241905B CN 108241905 B CN108241905 B CN 108241905B CN 201711345955 A CN201711345955 A CN 201711345955A CN 108241905 B CN108241905 B CN 108241905B
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- feedback
- interest
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 239000002689 soil Substances 0.000 title claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 150
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000013145 classification model Methods 0.000 claims abstract description 53
- 230000009471 action Effects 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 40
- 238000002360 preparation method Methods 0.000 claims description 31
- 238000007635 classification algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000003306 harvesting Methods 0.000 claims description 18
- 239000002028 Biomass Substances 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000009313 farming Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003971 tillage Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims 8
- 238000013441 quality evaluation Methods 0.000 claims 6
- 238000002083 X-ray spectrum Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000011545 laboratory measurement Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 239000003337 fertilizer Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Educational Administration (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
- Botany (AREA)
Abstract
用于预测土壤和/或植物状况的方法。本发明涉及用于利用测量数据的分类以提供测量地块到感兴趣类别的分配而在精准农业中预测土壤和/或植物状况的方法和系统,特别是其中,分配用于基于所获取的测量数据,特别是遥感数据,特别是实时或接近实时地向农民和/或农业装置提供动作推荐,并且其中,分类模型例如依赖于用于监督和/或无监督学习的深度学习由机器学习算法来训练,并且由于反馈过程而可能被连续地改善并调整。
Description
技术领域
本发明涉及一种用于利用测量数据的分类以提供测量地块(parcel)到感兴趣类别的分配而在精准农业中预测土壤和/或植物状况的方法和系统。
背景技术
在精准农业的一般领域中,农业基于用于在保留资源的同时优化收获和收益的现代观察、测量以及分析技术的高级组合。农民被提供有与他们的农场和他们的产品有关的大量信息,以启用改善的决策和高优化程度。特别是,精准农业关于作物学(例如,通过优化肥料投入、环境保护(例如,通过限制氮的淋洗减少农业的足迹))和经济学(例如,以改进的投入管理提供增强的作物并由此提供更高的竞争力)优化农业管理。
精准农业涉及收集并分析具有各种数据(例如,来自光谱或超光谱土壤和植物分析、残留氮、生物量、植物健康以及植物成熟度的数据、环境数据(例如,当地气候条件、湿度、太阳位置、地形坡度(terrain slope)以及地形高程)或田地历史数据(例如,之前的耕作周期和收获结果、之前的土壤和植物处理以及病情的发展))的数据库。
基于数据和分析结果,可以开发为农民提供详尽动作推荐的、与土壤含量和田地状态有关的预测模型。然而,考虑到变量和经济策略的复杂性,最终的分析和决定由基于诸如预期商业价值、环境影响或资源和设备的可用性的考虑具体决定的农民来决定。
可以区分两种类型的数据收集(即,遥感和实验室中的地面实况分析(groundtruth analysis))。
一方面,凭借遥感(例如,由在拖拉机前面或由机器人或无人机携带的专用传感器、由具有专用传感器的手持仪器或由飞机或卫星成像),可以在不干涉土壤的情况下(例如,由收集试样)实时或至少接近实时地得到测量参数(例如,温度、湿度、NDVI(归一化差值植被指数)、EVI(增强型植被指数)、SAVI(土壤调节植被指数)、风、地理位置、太阳光入射以及太阳照射、田地坡度和高程)。特别是,凭借遥感,高自动化程度是可能的。
另一方面,地面实况分析通常涉及干涉土壤(特别是收集土壤和植物试样(probe))以及专用且详尽的实验室分析。通常,这种探测和实验室测量比遥感更耗时,并且通常涉及较高的人员交互程度(即,防止高自动化程度)。例如,这种非自动化处理可能占用二十天来收集土壤试样测量,将它们送到实验室,使得它们被分析并提供用于动作推荐的结果。
实验室测量在一些情况下可以是有利的(例如,在可用测试能力或隔离的测试环境方面)。然而,在将来自不同实验室的结果进行比较时,可能仍然需要考虑例如由于不同设备的使用、不同精度要求或不同标准化程序而引起的实验室到实验室的变化。此外,实验室设备通常昂贵且测量需要较深层的知识,由此需要专业人员,而对于农业中的广泛应用,可以优选高度易用的(特别是自动化或机器人的)收集和分析工具。
这种容易使用且快速(特别是自动化(且比较便宜))的处理和分析可以由遥感技术来提供。然而,即使具有越来越多的计算能力和数据存储,具有其各种数据和变量的农业系统的大复杂性也将当前实施方案推至它们的极限,并且可能经常仍然需要高度的人员交互。
为了分析特定农业田地的土壤和/或植物状况,需要将测量数据分类为表示不同的感兴趣类别(例如,特别是还包括可能的分层子类别的感兴趣类别):
ο土壤类型
·矿物含量;
·湿度等级;
·土壤密度等。
ο植物类型
·植物健康,例如,良好或患有疾病X
·植物状态,例如,良好或干枯
·生物量,
·植物成熟度等。
例如,分类可以基于由所测量物理量(例如,由光谱仪获得的超光谱波长)构成的特征向量。
将这种类别和子类别分配到测量数据特别是由于高维数、噪声数据、可解释性的缺少等而对于人而言不是直接的。在尝试由计算机实施的解决方案使这种分配处理自动化时,面临许多计算挑战。
所获取的数据在数据类型、信息内容和分辨率、数据精度强烈变化的情况下可能是松散且高度不均匀的,并且计算算法可能需要处理不均匀且不完整的数据集。而且,因为需要处理许多测量和数据点,所以需要例如实施并行计算的高效算法和大数据存储。
而且,考虑到例如物理、生物、环境以及经济参数和优先级的复杂性和变化,用于不同精准农业应用或不同耕作区域的决策算法可能随着土壤和植物类型、地理位置、一年的不同季节或经济目标而强烈变化。因此,可能需要许多不同定义和/或类别和子类别的组。
机器学习算法的应用允许不同处理在对测量数据分类时的自动化。基于一般机器学习(ML)的子类别的这种分类框架与基于规则的编程相比提供用于模式识别的非常高效的“学习方法”。机器学习算法可以处理大复杂性的任务,使用隐式或显式用户反馈(由此变得适应),并且提供分类的“每地块”(数据样本)概率。这节省了时间,降低了处理成本,并且减小了手动工作量。
一方面,在所谓的“监督ML”中,算法隐式地学习哪些特征描述特性(即,特征的组合)根据在标记训练数据时由用户进行的定义来定义地块的目标特性(诸如,类别成员关系、与子类别的从属关系等)。
另一方面,在所谓的“无监督ML”中,算法例如通过找到共享特征空间中的类似特性的多组数据样本来找到未标记数据中的隐藏结构。这被称为“聚类”或“分割”。
概率分类算法还使用统计推断来找到给定实例的最佳类别。代替简单地确定针对各实例的“最佳”类别,概率算法提供实例为各个可能类别的成员的概率,其中,通常选择具有最高概率的一个类别。这相对于非概率算法具有若干优点(即,关联用于对其选择加权的置信度值,并且因此提供在其置信度值太低时放弃选择的选项)。
然而,机器学习算法的使用需要大量的训练数据。在监督机器学习的情况下,标记信息(即,对象类别到数据的分配)也是必要的。数据获取、准备以及标记需要大量努力和时间。
总之,实际上难以将一个预训练的决策算法用于具有类别的不同定义的、变化的耕作以及经济目标等的各种各样的不同精准农业应用。
即使具有越来越多的计算能力和数据存储,在测量数据内自动分配特定感兴趣类别所需的大复杂性也将传统方法(诸如,基于规则的计算方法)推至极限,并且仍然需要高度的人员交互。
发明内容
因此,本发明的目的是特别是通过改进当前工作流程和/或通过启用新工作流程和精准农业应用来改善用于在用于预测土壤和/或植物状况的测量地块的测量数据内分配感兴趣的类别的处理。
另一个目的是与精准农业中的现有工作流程(例如,“拇指规则(rules ofthumb)”)相比降低错误率特别是还降低人为干涉的需要。
本发明的另一个目的是降低数据获取和分析的开销时间,并且由此启用用于精准农业应用的土壤和/或植物状况的实时或接近实时的预测。
本发明涉及一种用于在精准农业中预测土壤和/或植物状况的方法,该方法具有以下步骤:获取至少一个测量地块的测量数据,所述至少一个测量地块至少部分通过测量数据来捕获,测量数据包括光谱传感器数据、超光谱传感器数据、湿度传感器数据、位置数据、时间数据、太阳位置数据以及地形数据(特别是坡度)中的至少一个,以及基于以下内容由分类算法对测量数据进行分类,以便提供至少一个测量地块到至少一个感兴趣类别的分配:测量数据;以及(先验)分类模型,该分类模型至少包括至少一个感兴趣类别。
分配可以意指到感兴趣类别的分配(分类)或值的分配(回归)。为了简单起见,在下文中,在分类和回归的意义上都使用术语“分类”。
根据本发明,分配由提供反馈数据的反馈过程来处理,该反馈数据包括以下内容中的至少一个:用于测量地块到至少一个感兴趣类别的分配的验证信息,特别是分配的确认、分配的拒绝以及警告(特别是在分配错误或不确定的时候)中的至少一个;测量地块到至少一个感兴趣类别的分配的变化信息,特别是分配的去除以及到另一个感兴趣类别的重新分配中的至少一个;通过合并或分割现有类别或通过调整现有类别例如从头开始进行的新感兴趣类别的定义;用于从分类模型去除感兴趣类别的指令;要用于分类的测量数据的第一选择;以及要针对另外处理忽略的测量数据的第二选择的识别;其中,反馈数据被提供给训练过程,训练过程基于机器学习算法(可能依赖于例如用于监督学习和/或无监督学习的深度学习),并且为分类模型提供更新信息。
特别是,凭借本发明的方法,根据宽范围的物理、生物、环境以及经济参数,可以关于各测量任务获取并准备合适的训练数据,这具体减少数据存储、开销时间以及错误分类,这导致用于宽范围的不同农业应用的多个决策算法的更精确分类和更高效训练。
反馈过程可以(例如,在测量期间)借助于作为农业测量装置的一部分(内部或外部的)的反馈单元接近实时地来执行,或者反馈过程例如可以(例如,在专用反馈工步期间)利用安装在计算机上或在云中可用的专用软件工具线下地执行。
例如,由本发明的方法提供的经丰富并改进的一组分类模型允许从要用于精准农业(例如,局部应用正确类型和量的肥料、水和/或农药)中的超光谱数据预报土壤含量和植物健康,预测收获和经济收益的量等。
在特定实施方式中,反馈数据基于以下内容中的至少一个来提供:借助于反馈过程进行的显式反馈,特别是基于由用于获取测量数据的测量装置的操作员进行的反馈、由用于处理测量数据的软件进行的反馈以及来自地面实况验证过程(例如,与至少一些数据记录对应的土壤试样测量)的反馈中的至少一个;以及隐式反馈,特备是基于作为分配的确认的显式反馈的缺少的解释、对至少一个测量地块进行的实际执行的动作与用于基于至少一个测量地块的分配的动作的提议的比较、测量数据的质量评估(特别是由分类单元的控制和评价功能进行的(例如,关于噪声、系统精度或数据完整度的)自动质量评估)、以及用于获取测量数据的测量装置的系统设置中的至少一个,特别是其中,系统设置由测量装置的操作员来定义。
在另一个实施方式中,训练过程适于处理多个测量数据、反馈数据以及辅助数据,其中,多个测量数据的分类的反馈数据被提供给训练过程,特别是其中,反馈数据由至少一个测量装置(特别是多个测量装置)来获取,特别是其中,建立到训练过程的已定义访问和上传;和/或另外的数据被提供给训练过程,特别是,另外的数据包括以下内容中的至少一个:实验室土壤试样测量的数据;植物研究数据;以及测量地块的田地历史数据,该田地历史数据具体指示耕作周期、之前的农业动作、来自不同收获期的生物量数据以及收获结果中的至少一个。
特别是,训练过程可以提供一组不同的分类模型,该组不同的分类模型具有用于以下内容中的至少一个的特定分类参数和/或特定感兴趣类别:区域特定分类;时间特定分类;土壤和/或植物类型特定分类;以及历史特定分类,该历史特定分类考虑耕作历史、农业动作历史以及收获历史中的至少一个,其中,用于测量数据的分类的(来自一组分类模型的)所提供的分类模型与测量数据的获取对应地、基于位置信息、时间信息、土壤和/或植物类型信息以及田地历史信息中的至少一个来提供。
例如,用于测量数据的分类的分类模型可以基于全球定位系统的数据和/或由用于土壤和/或植物类型信息和/或田地历史信息的用户输入装置的数据自动提供。
例如,改进的分类器例如可以在“分类器应用存储”的意义上在中央数据库上存储并共享,其中,到特定分类器的访问可以基于特定更新间隔、用于特定农业应用的用户组、测量位置或测量时间,其中,更新可以自动执行,或者其中,农业测量装置的操作员可以针对特定任务从中央数据库下载所需的模型。
另一个实施方式的特征在于:用于分类模型的更新信息被使得可用于多个分类算法,特别是在具有到更新信息的已定义访问和已定义更新过程的多个分类单元(例如,这些分类单元为计算机上的不同软件安装的形式或集成到专用农业测量装置)上运行的分类算法。
因此,基于ML训练过程和与实际测量数据的各数据获取和分类并行的、多个量分类反馈和分类数据的获取的特别有益的组合,许多用户可以得益于在来自团体(community)(例如,覆盖宽范围的不同农业应用和环境场景)的日益增长的数据库上学习的多个一般决策算法。
在特定实施方式中,反馈过程由提供分类的状态信息的通知功能来支持,特别是,该通知功能包括在完成分配时的通知、在分类失败时的通知以及对分配的质量评估(例如在分配不确定时的警告,可能具有与不确定性的程度或不确定性的原因有关的指示)中的至少一个。
例如,不确定性可能对于边界线情况而发生,例如,其中,基于计算特征向量的给定不确定性,测量数据具有要被分配到多个类别的类似概率。在这种情况下,在反馈过程在继续处理之前自动要求显式用户反馈时也可以是有用的。
通知功能可以基于以下内容中的至少一个:特别是由在测量数据被分配给不同感兴趣类别时的已定义颜色编码和/或光编码和/或由文本消息进行的状态信息的视觉表示;以及状态信息的听觉通知(特别是音频代码或语音信号),特别是其中,通知功能触发反馈过程。
例如,反馈可以借助音频输出或LED颜色指示器来触发,以提供给农民诸如“被分配给类别X的所测量地块”的信息连同用于诸如“需要低磷/施肥”的动作的指示或不需要动作的信息(例如,“健康植物/不需要动作”)。农民然后可以具有在已定义的时间窗内作出反应的选项(例如,进行(或不进行)对应的动作)。由此,这样,农民可以隐式地确认分类结果,改变结果,或者定义新的感兴趣类别。如果不需要动作,则制止作出反应也可以被解释为分配的确认。农民还可以提供显式反馈(例如,在专用屏幕上或使用专用动作键来显式地删除一个感兴趣类别或选择要用于将来分类和/或训练的测量数据的子样本)。在完成分配时,还可以存在需要农业测量装置的操作员在向训练过程发送数据之前确认分类的输入请求的弹出窗口(pop-up)。
线下用户可以由测量装置的输入装置、与测量装置关联的操作装置或在计算机上运行的专用办公软件的输入选项查阅分类。特别是,反馈过程还包括清单、功能图、示意图或图像(例如,所测量地块的2D或3D图像)的视觉化,其中,特定值或识别特征通过专用颜色突出显示。
分类性能高度依赖要分类的测量数据的类型和特性。因此,需要不同算法和不同组的分类参数之间的选择。例如,分类可以基于以下类别中的至少一个:基于土壤含量和/或土壤湿度的感兴趣类别;基于植物状态、植物健康以及植物成熟度中的至少一个的感兴趣类别;基于生物量的感兴趣类别;线性分类,特别是基于费舍线性判别(Fisher’s lineardiscriminant)、逻辑回归、朴素贝叶斯分类器(naive Bayes classifier)或感知器的线性分类;支持向量机,特别是最小二乘支持向量机;二次分类器;核估计,特别是k最近邻(k-nearest neighbour);boosting算法;决策树,特别是基于随机森林的决策树;深度学习,特别是基于神经网络,(特别是卷积神经网络)的深度学习;以及学习向量量化。
本发明还涉及一种用于在精准农业中预测土壤和/或植物状况的系统,该系统包括:测量装置,该测量装置具有数据获取单元,该数据获取单元用于获取至少一个测量地块的测量数据,测量数据包括光谱传感器数据、超光谱传感器数据、湿度传感器数据、位置数据、时间数据、太阳位置数据以及地形数据(特别是坡度)中的至少一个;以及分类单元,该分类单元用于基于以下内容由分类算法执行测量数据的分类,以便提供至少一个测量地块到至少一个感兴趣类别的分配:测量数据;以及被使得可用于分类单元的分类模型,所述分类模型至少包括至少一个感兴趣类别。
根据本发明,系统还包括反馈功能,该反馈功能用于由提供反馈数据的反馈过程处理分配,该反馈数据包括以下内容中的至少一个:用于测量地块到至少一个感兴趣类别的分配的验证信息,特别是分配的确认、分配的拒绝以及警告(特别是在分配错误或不确定的时候)中的至少一个;测量地块到至少一个感兴趣类别的分配的变化信息,特别是分配的去除以及到另一个感兴趣类别的重新分配中的至少一个;特别是通过以下方式中的至少一个进行的新感兴趣类别的定义:修改现有类别,将一个现有类别分成两个新类别,以及将两个现有类别合并成一个新类别;用于从分类模型去除感兴趣类别的指令;要用于分类的测量数据的第一选择;以及要针对另外处理忽略的测量数据的第二选择的识别,其中,反馈数据被提供给包括训练过程的训练单元,训练过程基于机器学习算法(可能依赖于例如,用于监督学习和/或无监督学习的深度学习)并为分类模型提供更新信息。
特别是,系统被建造为使得反馈数据可以基于以下内容中的至少一个来提供:借助于反馈功能进行的显式反馈,特别是基于由用于获取测量数据的测量装置的操作员进行的反馈、由用于处理测量数据的软件进行的反馈以及来自地面实况验证过程的反馈中的至少一个;以及隐式反馈,特别是基于以下内容中的至少一个:作为分配的确认的显式反馈的缺少的解释、对至少一个测量地块进行的实际执行的动作与用于基于至少一个测量地块的分配的动作的提议的比较、测量数据的质量评估(特别是由分类单元的控制和评价功能进行的自动质量评估)以及用于测量数据的获取的测量装置的系统设置,特别是其中,系统设置由测量装置的操作员来定义。
在另一个实施方式中,训练单元被建造为处理多个测量数据、反馈数据以及辅助数据,特别是其中,多个测量数据的分类的反馈数据被提供给训练单元,其中,反馈数据由至少一个测量装置(特别是多个测量装置)来获取,特别是其中,建立到训练单元的已定义访问和上传;和/或另外的数据被提供给训练单元,特别是,另外的数据包括以下内容中的至少一个:实验室土壤试样测量的数据;植物研究数据;以及测量地块的田地历史数据,该田地历史数据具体指示耕作周期、之前的农业动作、来自不同收获的生物量数据以及收获结果中的至少一个。
训练单元还可以适于使得训练过程提供一组不同的分类模型,该组不同的分类模型具有用于以下内容中的至少一个的特定分类参数和/或特定感兴趣类别:区域特定分类;时间特定分类;土壤和/或植物类型特定分类;以及历史特定分类,该历史特定分类考虑耕作历史、农业动作历史以及收获历史中的至少一个,其中,用于测量数据的分类的分类模型与测量数据的获取对应地、基于以下内容中的至少一个来提供:位置信息、时间信息、土壤和/或植物类型信息以及田地历史信息。
特别是,系统可以适于使得用于测量数据的分类的分类模型可以基于全球定位系统的数据和/或由用于土壤和/或植物类型信息和/或田地历史信息的用户输入装置的数据自动提供。
在另一个实施方式中,系统适于使得用于分类模型的更新信息被使得可用于多个分类算法,特别是在具有到更新信息的已定义访问和已定义更新过程的多个分类单元上运行的分类算法。
反馈过程可以由提供分类的状态信息的通知功能来支持,特别是,该通知功能包括以下内容中的至少一个:在完成分配时的通知、在分类失败时的通知以及分配的质量评估(特别是在分配不确定时的警告),其中,通知功能基于以下内容中的至少一个:特别是由在测量数据被分配给不同感兴趣类别时的已定义颜色编码和/或光编码和/或由文本消息进行的状态信息的视觉表示;以及状态信息的听觉通知,特别是音频代码或语音信号,特别是其中,通知功能触发反馈过程。
特别是,系统可以被安排为使得分类基于以下类别中的至少一个:基于土壤含量和/或土壤湿度的感兴趣类别;基于植物状态、植物健康以及植物成熟度中的至少一个的感兴趣类别;基于生物量的感兴趣类别;线性分类,特别是基于费舍线性判别、逻辑回归、朴素贝叶斯分类器或感知器的线性分类;支持向量机,特别是最小二乘支持向量机;二次分类器;核估计,特别是为k最近邻;boosting算法;决策树,特别是基于随机森林的决策树;深度学习,特别是基于神经网络(特别是卷积神经网络)的深度学习;以及学习向量量化。
附图说明
以下参照在附图中示意性示出的工作示例仅通过示例的方式更详细地描述或说明根据本发明的方法和系统。特别是:
图1是精准农业应用的示例性图;
图2是用于提供与测量地块到感兴趣类别的分配的反馈有关的本发明方法的示例性图,其中,分配用于向农民和/或农业装置提供动作推荐;以及
图3a至图3e是用于数据和/或信息输入的数据获取单元、分类单元、反馈单元、训练单元以及另外的单元的不同布置的示意性实施方式。
附图的图不应被认为是等比例绘制。在适当的情况下,相同的附图标记用于相同的特征或具有类似功能的特征。
具体实施方式
图1示出了在精准农业领域中的示例性图,其中,农业基于用于优化收获和收益的现代观察、测量以及分析技术的高级组合。农民被提供有与土壤1和/或植物2有关的多个的测量数据和信息,由此可以得到耕作地块3的实际或预测状态和耕作地块的产品,以启用改善的决策和高优化程度。
例如,基于这种优化模型,“智能拖拉机”4可以装配有专用动作单元5,该专用动作单元5用于施加正确类型和精确量的肥料和/或例如水/农药,或者例如可以执行优化的播种模式。拖拉机4还可以装配有数据获取单元6,该数据获取单元6具有用于例如通过三角测量或GPS接收器等进行遥感的专用传感器(例如,用于光谱测量或成像(例如,红外成像)的传感器、用于得到NDVI数据的传感器、用于超光谱数据获取的传感器、湿度传感器、温度传感器、坡度传感器、气象站、位置传感器)。所获取的数据然后例如可以稍后线下或例如实时或接近实时地在线处理,以触发下一个动作。
具有专用传感器的另一个数据获取单元6’可以为手持仪器7的一部分,和/或可以由无人机(例如,无人飞行器8(UAV))或移动机器人(未示出)携带另一个数据获取单元6”,或者可以由飞机(未示出)或卫星9上的专用数据获取单元6”’获取另外的数据。
另选地或另外,例如为了提供地面实况和/或为了校准遥感数据,例如可以直接在田地上(更可能地为在专用实验室设施10中)取得并分析土壤或植物试样。这种地面实况信息可以用于监督学习,而且在地面实况类别可以面临实际分类结果的反馈过程内,这种地面实况信息可以用于验证或拒绝它们。基于该反馈和已存储的测量数据,可以细化决策算法。实验室测量在一些情况下可以提供高级测试能力,但实验室设备通常昂贵且实验室测量和分析通常需要专业人员。特别是,因为需要较高度的人员交互,所以这种探测和对应的实验室测量通常比通过遥感进行的分析更耗时。例如,实验室测量可能占用二十天来收集土壤试样测量,将它们送到实验室,使得它们被分析并为农民提供动作推荐。特别是,在容易处理和快速(例如,自动化)且较便宜的处理和分析方面,遥感过程可以非常有利。然而,即使具有越来越多的计算能力和数据存储,具有其各种数据和变量的农业系统的大复杂性也将当前实施方案推至它们的极限,并且实际土壤和/或植物状况的自动化分类和产生的动作推荐的错误率仍然很高(特别是在寻求实时或接近实时的分析时)。
实际上,难以将普通的一组预训练决策算法用于各种各样的不同精准农业应用,例如,对于改进关于专用的多组分类器和感兴趣类别面临许多计算和相互依赖的系统挑战,由此难以覆盖大复杂性的可能农业应用。
图2示出了用于提供与测量地块20(例如,耕作地块3的一块)到感兴趣类别的分配有关的反馈的本发明方法的示例性图,其中,分配用于基于所获取的测量数据(特别是遥感数据)和(先验)分类模型向农民21和/或农业装置(特别是实时或接近实时地)提供动作推荐。
例如,凭借基于本发明工作流程的改进分类算法,智能拖拉机、施肥器或收割机4’可以利用在前面的专用传感器6””允许实时进行利用在后面的专用动作单元5’的最佳施肥。
为了对于特定的地理位置、对于变化的环境条件或者对于特定经济边界改进分类模型(例如,改进用于专用农业应用的独立分类器)且由此在减小自动化分类的错误率的同时加速分类,特别是利用机器学习算法来具体实施专用训练过程,其中,用户(特别是多个不同用户的)的反馈用于使专用分类模型适于不同的需要。
反馈可以包括:用于测量地块20到感兴趣类别的分配的验证信息(例如,分配的确认、分配的拒绝以及警告(特别是在分配错误或不确定的时候));测量地块到感兴趣类别的分配的变化信息(例如,分配的去除或到另一个感兴趣类别的重新分配);新感兴趣类别的定义;用于从分类模型去除感兴趣类别的指令;要用于分类的测量数据的第一选择;或要针对另外处理忽略的测量数据的第二选择的识别。
测量数据内类别和子类别的自动分配经常需要耗时准备处理,特别是以便定义专用分类参数(例如,用于计算由所测量物理量(例如,经由光谱仪获得的超光谱波长)构成的特征向量)。
随着数据类型、信息内容和分辨率、数据精度强烈变化,所获取的数据通常是无结构化且高度不均匀的,并且计算算法可能需要处理不均匀且不完整的数据集。而且,考虑到例如物理、生物、环境以及经济参数和优先级的复杂性和变化,用于不同精准农业应用或不同耕作区域的决策算法例如可能随着土壤和植物类型、地理位置、气候带、当日时间或一年的不同季节或经济目标而强烈变化。
机器学习算法的应用允许不同处理在对测量数据分类时的自动化。基于一般机器学习(ML)的子类,这种分类算法与基于规则的编程相比提供用于模式识别的非常高效的“学习方法”。机器学习算法可以处理大复杂性的任务,使用隐式或显式用户反馈(由此变得适应),并且提供分类的“每地块”概率。这节省了时间,降低了处理成本,并且减小了准备工作量。
然而,机器学习算法的使用需要多个的训练数据。在监督机器学习的情况下,标记信息(即,对象类别到数据的分配)同样是必要的。由于具有变化的分类参数和感兴趣类别的不同应用的复杂性和宽范围,数据获取、准备以及标记需要巨大努力。
此外,对于合适训练数据的选择,获取多个数据剩余,这经常将数据处理和数据存储推至极限。现代测量装置能够每天获取太字节的数据。因此,基于分类反馈进行的数据减少(即,非相关数据或没有另外信息内容的数据的消除)是有利的。
例如,可以在可能在云23中可用的外部全局服务器22上学习一般分类模型,其中,用户可以上传测量数据(特别是遥感数据或地面实况数据)、以及关于数据、应用和/或分类器的反馈,因此提供丰富用于改进(先验)分类模型的训练数据库和训练过程的新信息。特别是,利用与分类模型的实际性能有关的反馈的训练提供(例如,关于地理、土壤类型和/或季节依赖性的)更智能的分类算法。
例如在改进的农业测量装置或专用反馈装置上实施的专用反馈过程用于例如由具有专用数据获取单元6””和反馈终端(未示出)的智能拖拉机4’的操作员或使用具有反馈功能的手持农业测量装置7’的农民21提供显式反馈。农民还可以使用专用反馈装置(例如,具有反馈功能的、用于控制无人机8’的遥控单元或用于提供关于基于卫星9’的测量或分类的反馈的平板电脑)来提供反馈。显式反馈还可以由实验室员工例如基于在外部实验室10’中进行的用于所选传感器记录的地面实况验证过程来给出。
另外,农民21可以向训练过程提供另外的数据(例如,报告田地历史(例如,之前的耕作周期、植物研究数据),或者稍后报告收获结果)。
反馈例如还可以通过根据作为正反馈的基于分类的动作提议解释施肥或通过拒绝结果并进行不同的动作(例如,负反馈)来隐式地给出。显式反馈的缺少也可以被解释为分配的确认(正反馈)。此外,隐式反馈可以基于(自动)进行测量数据的质量测量(例如,关于噪声、系统精度或数据完整性)的测量装置的控制和评价功能。例如由环境传感器自动或由操作员设置的、用于获取测量数据的测量装置的系统设置也可以用于提供隐式反馈。
例如,隐式反馈可以由通知功能(例如,借助音频输出或LED颜色指示器)来触发,以给智能拖拉机4’的操作员提供诸如“所测量地块被分配给类别X”的信息连同诸如“需要低磷/施肥”、“需要低湿度/水分”或“健康植物/不需要动作”的指令。农民或智能拖拉机4’的操作员然后可以具有在已定义时间窗内作出反应的选项(例如,进行(或不进行)对应动作),或者在自动化过程的情况下,制止作出反应也可以被解释为分配的确认。
总之,根据本发明,与实际测量数据的各数据获取和分类并行地获取用于训练过程(特别是用于基于机器学习的训练过程)的分类反馈。由此,许多用户可以从在来自团体的日益增长的数据库上学习的多个一般决策算法获益,并且通过提供测量数据、反馈以及辅助数据在他们的日常工作期间将自己贡献于(先验)模型的决策算法的改进,同时提高他们自己应用的分类精度。
另选地,本发明方法还可以利用到独立农业装置的分类单元的更新信息的已定义访问和已定义更新过程来实施,和/或利用针对到训练过程(例如,到训练云23)的数据和信息传递而建立的已定义上传过程来实施(例如,在用户更喜欢保持他的数据私密的时候)。例如,改进的分类器可以被存储在中央服务器单元22上,在该中央服务器单元中,例如可以基于用户组限制到特定分类器的访问,其中,测量装置的操作员可以针对特定农业应用从中央数据库下载所需模型。
特别是,对于一年中给定时间在给定地理位置上的给定农业应用,可以基于全球定位系统的数据和/或由用于土壤和/或植物类型信息和/或田地历史信息的用户输入装置的数据自动提供最佳分类模型。
根据本发明,对于数据获取单元、分类单元、反馈功能以及训练单元,各种实施方案和结构是可以的。图3a至图3e示意性地例示了不同实施方案的选择。
图3a示出了测量地块20(参见图2)的测量数据利用第一农业测量装置40A的数据获取单元60来获取的实施方式。基于被使得可用于分类单元61的测量数据和分类模型,执行第一分类(例如,测量地块被分配给诸如特定土壤和/或植物类型或特定耕作动作的感兴趣类别)。
例如在仪器屏幕、音频输出上或由诸如LED颜色指示器的视觉通知来通知农业测量装置40A的操作员分类结果。操作员然后借助于隐式反馈功能或创建反馈数据的反馈单元62隐式地或显式地提供与分类有关的反馈,例如,操作员可以利用动作单元6””(图2)进行(或不进行)诸如喷洒或施肥的推荐动作,从而隐式地确认分类结果,改变结果或者定义新感兴趣类别,并且操作员可以显式删除感兴趣类别或选择要用于将来分类和/或训练的测量数据的子样本。
反馈数据被传输到训练单元63,例如,被存储在外部服务器220上,在训练单元中,基于训练过程(特别是基于机器学习的训练过程)训练并改进分类器。因此,ML平台通过学习农民反馈的时间、区域、土壤和/或植物类型以及动作变得更智能。
改进的模型(即,包括改进的决策算法)然后被传输到一组已定义的农业测量装置40A、40B、40C、40X(未示出),以便更新它们的分类算法,由此允许它们的分类算法实现更高的精度。
另选地或另外(未示出),改进的分类模型可以铺开为用于分类数据的软件产品(例如,被存储在专用计算机或中央处理器上)。
图3b示出了测量地块20(参见图2)的测量数据利用第一农业测量装置41A的数据获取单元60获取的实施方式。基于在与第一测量装置41A一体的分类单元61上存储的测量数据和分类模型,基于分类模型执行第一分类。例如,第一测量装置41A可以为具有专用传感器和数据处理单元的手持装置,该数据处理单元具有预测能力。
测量数据和第一分类结果被传输到包括反馈单元62(例如,专用农业软件产品)的计算机230,其中,用户(例如,诸如农业装置41A的操作员的在线用户或办公室中的线下用户)提供与分类有关的反馈,这创建了这里存储在同一计算机230上的、用于训练单元63的反馈数据。例如,农民稍后可以通过在实验室中进行另外的土壤试样测量、通过报告来自实际收获的生物量等来提供与分类结果有关的反馈。
改进的模型(例如,具有改进的分类器)然后被铺开(例如,被传输到一组已定义的农业测量装置41A、41B、41C、41X(未示出),以便更新它们的分类算法),和/或改进的模型可以被提供给安装在专用计算机或服务器(未示出,例如,参见图3c)上的软件产品。
图3c示出了测量数据由没有分类功能的一般农业测量装置42的数据获取单元60(例如,仅没有数据处理的传感器)来生成的实施方式。测量数据被输出到存储在计算机231上并且具有用于基于分类模型对测量数据进行分类的自动分类功能61的专用软件产品中。这里,软件还可以包括反馈功能62和训练功能63,其中,(例如,办公室中线下的)用户借助于创建用于软件的训练功能63的反馈数据的反馈功能62提供隐式或显式反馈。
然后,具有改进的决策算法的改进模型被使得可用于软件产品的分类部61,并且被传输到具有分类功能61的一组已定义的其他装置/平台43A、43B、43X(未示出),以便更新它们的分类算法。
图3d示出了测量数据由农业测量装置44(例如,没有分类功能的一般农业测量装置)的数据获取单元60来生成的实施方式。测量数据被传输到第一计算机232A上,该第一计算机232A包括基于分类模型的、具有自动分类功能61的专用软件产品和用于提供反馈数据的反馈部62。反馈数据且可能地还有另外的数据(诸如,地面实况数据)然后被提供给训练过程(这里例如被存储为例如为云形式的中央服务器221上),以便训练分类器并提供改进的分类模型。
然后,改进的分类模型作为更新从中央服务器221分配到在不同计算机232A、232B、232C、232X上安装的软件产品(未示出)的一组实例和/或分配到具有分类单元的农业测量装置(未示出,例如,参见图3a)。
图3e具体实施一般提出的ML处理,在该ML处理中,农民的反馈用于使分类模型适于他的特定需要(例如,他的特定农业应用、特定经济策略、可用测量装置的类型和/或特定田地历史)。利用例如特定传感器式的数据获取单元60A获取测量数据且具有分类功能61的、他的装置45A首先应用在外部全局数据库222(可能可用于(全局)云240C上)上学习的一般分类模型。农民然后具有例如基于地面实况提供另外的数据70A(例如,与已经由装置进行的至少一些传感器记录60A对应的土壤试样测量)的可能性,特别是其中,这种地面实况可能不是实时的。这里在专用云240A(例如,用于农民的一组农业设施的本地云)中具体实施的反馈部62A然后可以将新可用的地面实况与分类器输出进行比较并(隐式地)得到用于本地训练部63A的反馈,这得到了聚焦于特定本地需要并且关于由全局数据库222的一般分类器进行的农民的数据不出错的细化分类器。这种专业分类器然后可以针对农民的装置45A来本地更新。同时,反馈模块62A还可以利用新可用的反馈、地面实况以及数据样本更新外部数据库222,并且可以由全局训练单元63C重新学习一般分类器。
其他农民然后可以从在来自团体的越来越多的数据库上学习的宽范围的专业和一般分类器获益,并且通过提供他们的反馈、地面实况以及数据样本中的一些来贡献自己,同时提高他们应用的分类精度。
例如,第二农民例如可以关于农业应用、农业设施、土壤和/或植物类型、气候带、经济情况等在类似的工作框架中作为第一农民。例如使用具有类似传感器60B的类似测量装置45B的第二农民然后可以立即从第一农民的工作获益,并且例如通过在他自己的云240B内还处理另外的数据70B和反馈62B或通过向全局云240C提供数据来使分类进一步适于他自己的特定需要。
虽然以上部分参照一些优选实施方式例示了本发明,但必须理解,可以进行实施方式不同特征的多种修改和组合。所有这些修改位于所附权利要求的范围内。
Claims (28)
1.一种用于在精准农业中预测土壤和/或植物状况的方法,该方法具有以下步骤:
●获取至少一个测量地块的测量数据,所述至少一个测量地块至少部分通过所述测量数据来捕获,所述测量数据包括以下内容中的至少一个:
○光谱传感器数据,
○超光谱传感器数据,
○湿度传感器数据,
○位置数据,
○时间数据,
○太阳位置数据,以及
○地形数据,
以及
●基于以下内容由分类算法对所述测量数据进行分类,以便提供所述至少一个测量地块到至少一个感兴趣类别的分配:
○所述测量数据,以及
○分类模型,所述分类模型至少包括所述至少一个感兴趣类别,
其特征在于,
所述分配由提供反馈数据的反馈过程来处理,所述反馈数据包括以下内容中的至少一个:
●用于所述测量地块到所述至少一个感兴趣类别的所述分配的验证信息,
●所述测量地块到所述至少一个感兴趣类别的所述分配的变化信息,
●通过以下方式中的至少一个进行的新感兴趣类别的定义:
○修改现有类别,
○将一个现有类别分成两个新类别,以及
○将两个现有类别合并成一个新类别,
●用于从所述分类模型去除感兴趣类别的指令,
●要用于所述分类的所述测量数据的第一选择,以及
●要针对另外处理忽略的所述测量数据的第二选择的识别,
其中,所述反馈数据被提供给训练过程,所述训练过程基于机器学习算法并为所述分类模型提供更新信息,
其中,所述反馈数据基于隐式反馈来提供,所述隐式反馈基于以下内容中的至少一个:
○作为所述分配的确认,对缺少显式反馈的解释,
○对所述至少一个测量地块进行的实际执行的动作与提议的基于所述至少一个测量地块的所述分配的动作的比较,
○所述测量数据的质量评估,其中,所述质量评估是由分类单元的控制和评价功能进行的自动质量评估以及
○用于获取所述测量数据的测量装置的系统设置,其中,所述系统设置由所述测量装置的操作员来定义。
2.根据权利要求1所述的方法,
其特征在于,
所述反馈数据基于以下内容来提供:
●借助于所述反馈过程进行的显式反馈,所述显式反馈基于以下内容中的至少一个:
○由用于获取所述测量数据的测量装置的操作员进行的反馈,
○由用于处理所述测量数据的软件进行的反馈,以及
○来自地面实况验证过程的反馈。
3.根据权利要求1所述的方法,
其特征在于,
所述验证信息是以下内容中的至少一个:
○所述分配的确认,
○所述分配的拒绝,以及
○在所述分配错误或不确定时的警告。
4.根据权利要求1所述的方法,
其特征在于,
所述变化信息是以下内容中的至少一个:
○所述分配的去除,以及
○到另一个感兴趣类别的重新分配。
5.根据权利要求1所述的方法,
其特征在于,
所述训练过程适于处理多个测量数据、反馈数据以及辅助数据。
6.根据权利要求5所述的方法,
其特征在于,
●多个测量数据的分类的反馈数据被提供给所述训练过程,其中,所述反馈数据由多个测量装置来获取,其中,建立到所述训练过程的已定义访问和上传,和/或
●另外的数据被提供给所述训练过程。
7.根据权利要求6所述的方法,
其特征在于,
所述另外的数据包括以下内容中的至少一个:
○实验室土壤试样测量的数据,
○植物研究数据,以及
○测量地块的田地历史数据。
8.根据权利要求7所述的方法,
其特征在于,
所述测量地块的田地历史数据指示耕作周期、之前的农业动作、来自不同收获的生物量数据以及收获结果中的至少一个。
9.根据权利要求1所述的方法,
其特征在于,
所述训练过程提供一组不同的分类模型,所述一组不同的分类模型具有用于以下内容中的至少一个的特定分类参数和/或特定感兴趣类别:
●区域特定分类,
●时间特定分类,
●土壤和/或植物类型特定分类,以及
●历史特定分类,所述历史特定分类考虑耕作历史、农业动作历史以及收获历史中的至少一个,
其中,来自用于所述测量数据的所述分类的所述一组不同的分类模型的分类模型与所述测量数据的所述获取对应地、基于以下内容中的至少一个来提供:
●位置信息,
●时间信息,
●土壤和/或植物类型信息,以及
●田地历史信息。
10.根据权利要求9所述的方法,
其特征在于,
用于所述测量数据的所述分类的所提供的分类模型基于全球定位系统的数据和/或由用于土壤和/或植物类型信息和/或田地历史信息的用户输入装置的数据自动提供。
11.根据权利要求1所述的方法,
其特征在于,
所述分类模型的所述更新信息被使得能够用于多个分类算法,所述多个分类算法是在具有到所述更新信息的已定义访问和已定义更新过程的多个分类单元上运行的分类算法。
12.根据权利要求1所述的方法,
其特征在于,
所述反馈过程由提供所述分类的状态信息的通知功能来支持,所述通知功能包括以下内容中的至少一个:
●在完成所述分配时的通知,
●在所述分类失败时的通知,以及
●对所述分配的质量评估,
其中,所述通知功能基于以下内容中的至少一个:
●所述状态信息的视觉表示,以及
●所述状态信息的听觉通知。
13.根据权利要求12所述的方法,
其特征在于,
所述通知功能触发所述反馈过程。
14.根据权利要求1所述的方法,
其特征在于,
所述分类基于以下内容中的至少一个:
●基于土壤含量和/或土壤湿度的感兴趣类别,
●基于植物状态、植物健康以及植物成熟度中的至少一个的感兴趣类别,
●基于生物量的感兴趣类别,
●线性分类,
●支持向量机,
●二次分类器,
●核估计,
●boosting算法,
●决策树,
●深度学习,以及
●学习向量量化。
15.一种用于在精准农业中预测土壤和/或植物状况的系统,该系统包括:
●测量装置,该测量装置具有数据获取单元,该数据获取单元用于获取至少一个测量地块的测量数据,所述测量数据包括以下内容中的至少一个:
○光谱传感器数据,
○超光谱传感器数据,
○湿度传感器数据,
○位置数据,
○时间数据,
○太阳位置数据,以及
○地形数据,
以及
●分类单元,该分类单元用于基于以下内容由分类算法执行所述测量数据的分类,以便提供所述至少一个测量地块到至少一个感兴趣类别的分配:
○所述测量数据,以及
○被使得能够用于所述分类单元的分类模型,该分类模型至少包括所述至少一个感兴趣类别,
其特征在于,
所述系统还包括反馈功能,该反馈功能用于由提供反馈数据的反馈过程处理所述分配,所述反馈数据包括以下内容中的至少一个:
●用于所述测量地块到所述至少一个感兴趣类别的所述分配的验证信息,
●所述测量地块到所述至少一个感兴趣类别的所述分配的变化信息,
●通过以下方式中的至少一个进行的新感兴趣类别的定义:
○修改现有类别,
○将一个现有类别分成两个新类别,以及
○将两个现有类别合并成一个新类别,
●用于从所述分类模型去除感兴趣类别的指令,
●要用于所述分类的所述测量数据的第一选择,以及
●要针对另外处理忽略的所述测量数据的第二选择的识别,
其中,所述反馈数据被提供给包括训练过程的训练单元,所述训练过程基于机器学习算法并为所述分类模型提供更新信息,
其中,所述系统被建造为使得所述反馈数据能够基于隐式反馈来提供,所述隐式反馈基于以下内容中的至少一个:
○作为所述分配的确认,对缺少显式反馈的解释,
○对所述至少一个测量地块进行的实际执行的动作与提议的基于所述至少一个测量地块的所述分配的动作的比较,
○所述测量数据的质量评估,其中,所述质量评估是由所述分类单元的控制和评价功能进行的自动质量评估,以及
○用于获取所述测量数据的所述测量装置的系统设置,其中,所述系统设置由所述测量装置的操作员来定义。
16.根据权利要求15所述的系统,
其特征在于,
所述系统被建造为使得所述反馈数据能够基于以下内容来提供:
●借助于所述反馈功能进行的显式反馈,所述显式反馈基于以下内容中的至少一个:
○由用于获取所述测量数据的测量装置的操作员进行的反馈,
○由用于处理所述测量数据的软件进行的反馈,以及
○来自地面实况验证过程的反馈。
17.根据权利要求15所述的系统,
其特征在于,
所述验证信息是以下内容中的至少一个:
○所述分配的确认,
○所述分配的拒绝,以及
○在所述分配错误或不确定时的警告。
18.根据权利要求15所述的系统,
其特征在于,
所述变化信息是以下内容中的至少一个:
○所述分配的去除,以及
○到另一个感兴趣类别的重新分配。
19.根据权利要求15所述的系统,
其特征在于,
所述训练单元被建造为处理多个测量数据、反馈数据以及辅助数据。
20.根据权利要求19所述的系统,
其特征在于,
●多个测量数据的分类的反馈数据被提供给所述训练单元,其中,所述反馈数据由多个测量装置来获取,其中,建立到所述训练单元的已定义访问和上传,和/或
●另外的数据被提供给所述训练单元。
21.根据权利要求20所述的系统,
其特征在于,
所述另外的数据包括以下内容中的至少一个:
○实验室土壤试样测量的数据,
○植物研究数据,以及
○用于测量地块的田地历史数据。
22.根据权利要求21所述的系统,
其特征在于,
用于测量地块的所述田地历史数据指示耕作周期、之前的农业动作、来自不同收获的生物量数据以及收获结果中的至少一个。
23.根据权利要求15所述的系统,
其特征在于,
所述训练单元适于使得所述训练过程提供一组不同的分类模型,所述一组不同的分类模型具有用于以下内容中的至少一个的特定分类参数和/或特定感兴趣类别:
●区域特定分类,
●时间特定分类,
●土壤和/或植物类型特定分类,以及
●历史特定分类,所述历史特定分类考虑耕作历史、农业动作历史以及收获历史中的至少一个,
其中,用于所述测量数据的所述分类的所述一组不同的分类模型中的分类模型与所述测量数据的所述获取对应地、基于以下内容中的至少一个来提供:
●位置信息,
●时间信息,
●土壤和/或植物类型信息,以及
●田地历史信息。
24.根据权利要求23所述的系统,
其特征在于,
用于所述测量数据的所述分类的所提供的分类模型基于全球定位系统的数据和/或由用于土壤和/或植物类型信息和/或田地历史信息的用户输入装置的数据自动提供。
25.根据权利要求15所述的系统,
其特征在于,
用于所述分类模型的所述更新信息被使得能够用于多个分类算法,所述多个分类算法是在具有到所述更新信息的已定义访问和已定义更新过程的多个分类单元上运行的分类算法。
26.根据权利要求15所述的系统,
其特征在于,
所述反馈过程由提供所述分类的状态信息的通知功能来支持,所述通知功能包括以下内容中的至少一个:
●在完成所述分配时的通知,
●在所述分类失败时的通知,以及
●所述分配的质量评估,
其中,所述通知功能基于以下内容中的至少一个:
●所述状态信息的视觉表示,以及
●所述状态信息的听觉通知。
27.根据权利要求26所述的系统,
其特征在于,
所述通知功能触发所述反馈过程。
28.根据权利要求15所述的系统,
其特征在于,
所述分类基于以下内容中的至少一个:
●基于土壤含量和/或土壤湿度的感兴趣类别,
●基于植物状态、植物健康以及植物成熟度中的至少一个的感兴趣类别,
●基于生物量的感兴趣类别,
●线性分类,
●支持向量机,
●二次分类器,
●核估计,
●boosting算法,
●决策树,
●深度学习,以及
●学习向量量化。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16206777.1A EP3340130A1 (en) | 2016-12-23 | 2016-12-23 | Method for prediction of soil and/or plant condition |
EP16206777.1 | 2016-12-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241905A CN108241905A (zh) | 2018-07-03 |
CN108241905B true CN108241905B (zh) | 2023-03-21 |
Family
ID=57680132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711345955.0A Active CN108241905B (zh) | 2016-12-23 | 2017-12-15 | 用于预测土壤和/或植物状况的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11432469B2 (zh) |
EP (1) | EP3340130A1 (zh) |
CN (1) | CN108241905B (zh) |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11817993B2 (en) | 2015-01-27 | 2023-11-14 | Dell Products L.P. | System for decomposing events and unstructured data |
US11924018B2 (en) | 2015-01-27 | 2024-03-05 | Dell Products L.P. | System for decomposing events and unstructured data |
US20180197287A1 (en) * | 2017-01-08 | 2018-07-12 | Adrian Ronaldo Macias | Process of using machine learning for cannabis plant health diagnostics |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
US20190138974A1 (en) * | 2017-09-18 | 2019-05-09 | Sunago Systems, Inc. | Systems and devices for parcel transportation management |
US10733572B2 (en) * | 2017-12-22 | 2020-08-04 | Microsoft Technology Licensing, Llc | Data protection using alerts to delay transmission |
CN108981728B (zh) * | 2018-07-25 | 2020-11-10 | 北京理工大学 | 一种智能车辆导航地图建立方法 |
CN109116897A (zh) * | 2018-07-27 | 2019-01-01 | 安徽神州生态农业发展有限公司 | 一种基于大数据的农业种植环境智能调节方法 |
CN109076761B (zh) * | 2018-08-08 | 2021-01-08 | 安徽省现代农业装备产业技术研究院有限公司 | 一种基于遥感图像变量施肥方法 |
JP7225600B2 (ja) * | 2018-08-10 | 2023-02-21 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、プログラム |
EP3836776A4 (en) * | 2018-08-17 | 2022-07-27 | Hortau Inc. | SYSTEMS AND METHODS TO MONITOR AND REGULATE THE PRODUCTIVITY OF PLANTS |
DE102018120753A1 (de) * | 2018-08-24 | 2020-02-27 | naiture GmbH & Co. KG | Mobile Analyse- und Bearbeitungsvorrichtung |
CN109359814B (zh) * | 2018-09-06 | 2021-03-09 | 和辰(深圳)科技有限公司 | 土壤成分信息处理方法、装置、系统、存储介质及设备 |
US10684612B2 (en) * | 2018-10-10 | 2020-06-16 | The Climate Corporation | Agricultural management recommendations based on blended model |
DE102018123480A1 (de) | 2018-09-24 | 2020-03-26 | Claas Tractor Sas | Landwirtschaftliches Arbeitssystem |
AU2019365211A1 (en) * | 2018-10-24 | 2021-05-27 | Climate Llc | Systems and methods for identifying and utilizing testing locations in agricultural fields |
BR112021007121A2 (pt) | 2018-10-24 | 2021-07-20 | The Climate Corporation | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador |
JP7357674B2 (ja) * | 2018-10-24 | 2023-10-06 | クライメイト、リミテッド、ライアビリティー、カンパニー | 改良された機械学習による植物病害の感染検出 |
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 |
US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
CN109657540B (zh) * | 2018-11-06 | 2020-11-27 | 北京农业信息技术研究中心 | 枯死树定位方法及系统 |
CN111275065B (zh) * | 2018-12-05 | 2023-08-15 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
CN109657988B (zh) * | 2018-12-22 | 2023-05-05 | 四川农业大学 | 基于hasm和欧氏距离算法的烟叶品质分区方法 |
CN109738438B (zh) * | 2018-12-29 | 2021-07-23 | 扬州大学 | 一种小麦叶片衰老程度快速测量方法 |
DE102019200794A1 (de) * | 2019-01-23 | 2020-07-23 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | System und Verfahren zur Identifizierung von Zeitfenstern und Flächenbereichen eines landwirtschaftlich genutzten Feldes mit günstigen Bedingungen für einen wirkungsvollen und umweltgerechten Einsatz und/oder die Befahrbarkeit von Landmaschinen |
JP7225002B2 (ja) * | 2019-03-29 | 2023-02-20 | 株式会社クボタ | 散布支援装置及び散布支援システム |
CN110070004B (zh) * | 2019-04-02 | 2021-07-20 | 杭州电子科技大学 | 一种应用于深度学习的近地高光谱数据扩展方法 |
CN110024648A (zh) * | 2019-04-11 | 2019-07-19 | 哈尔滨工业大学 | 基于深度神经网络的川贝母精准种植方法 |
CN110262560A (zh) * | 2019-07-19 | 2019-09-20 | 武汉理工大学 | 一种面向机耕农场的监察搁荒系统 |
CN110555416B (zh) * | 2019-09-06 | 2021-09-03 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN110751035A (zh) * | 2019-09-16 | 2020-02-04 | 中国农业大学 | 一种制种玉米的识别方法及装置 |
US11651248B2 (en) * | 2019-10-10 | 2023-05-16 | International Business Machines Corporation | Farm data annotation and bias detection |
US11457554B2 (en) | 2019-10-29 | 2022-10-04 | Kyndryl, Inc. | Multi-dimension artificial intelligence agriculture advisor |
CN110679440A (zh) * | 2019-10-29 | 2020-01-14 | 广东食品药品职业学院 | 一种应用北斗短报文通信功能的精准灌溉系统及灌溉方法 |
IT201900024853A1 (it) * | 2019-12-19 | 2021-06-19 | Stiga S P A In Breve Anche St S P A | Sistema e relativo metodo di manutenzione di terreni |
CN111160250A (zh) * | 2019-12-30 | 2020-05-15 | 安徽易刚信息技术有限公司 | 一种基于人工神经网络的蓝莓生长期检测方法及装置 |
DE102020102149A1 (de) * | 2020-01-29 | 2021-07-29 | 365Farmnet Group Kgaa Mbh & Co Kg | Verfahren zum Analysieren landwirtschaftlicher Daten |
US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
US11423305B2 (en) * | 2020-02-26 | 2022-08-23 | Deere & Company | Network-based work machine software optimization |
EP4118597A1 (en) * | 2020-03-13 | 2023-01-18 | BASF Agro Trademarks GmbH | Method and system for determining a plant protection treatment plan of an agricultural plant |
US20230153332A1 (en) * | 2020-04-03 | 2023-05-18 | Basf Agro Trademarks Gmbh | Method for verifying and/or correcting geographical map data |
CN111489092B (zh) * | 2020-04-15 | 2023-01-31 | 云南户外图科技有限公司 | 一种植物栽培种植环境适生区的评估方法及系统 |
CN111859303B (zh) * | 2020-07-28 | 2023-09-05 | 南京大学 | 基于动态贝叶斯平均的土壤湿度融合方法及系统 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
CN112381133A (zh) * | 2020-11-11 | 2021-02-19 | 西南林业大学 | 一种森林地上生物量遥感估测中合理样本数的确定方法 |
CN112731381A (zh) * | 2020-12-16 | 2021-04-30 | 华南农业大学 | 一种利用安卓调试桥以及车载雷达智能检测土壤硬质异物方法 |
CN112710613B (zh) * | 2020-12-18 | 2022-04-01 | 太原理工大学 | 一种三组分状态下的光合植被参数遥感估算指数确定方法 |
CN112562074B (zh) * | 2021-02-25 | 2021-05-04 | 中国建筑西南设计研究院有限公司 | 一种智慧绿地的健康判定方法及养护管理方法 |
CN113096027B (zh) * | 2021-03-02 | 2024-01-23 | 吉林农业大学 | 一种基于点云的农田土壤层水平校正及去除方法 |
US20220346331A1 (en) * | 2021-04-28 | 2022-11-03 | Tianjin Kantian Technology Co., Ltd. | Intelligent irrigation management system |
US11880430B2 (en) * | 2021-05-31 | 2024-01-23 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning neural network to predict management zones |
US11934489B2 (en) | 2021-05-31 | 2024-03-19 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning to infer implementation of regenerative irrigation practices |
CN113435707B (zh) * | 2021-06-03 | 2023-11-10 | 大连钜智信息科技有限公司 | 基于深度学习和计权型多因子评价的测土配方施肥方法 |
CN113420921B (zh) * | 2021-06-23 | 2022-04-22 | 天津大学 | 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 |
DE102021120765A1 (de) * | 2021-08-10 | 2023-02-16 | Claas Tractor Sas | Verfahren zur Optimierung der Einstellung von Maschinenparametern eines landwirtschaftlichen Gespanns |
CN113875562A (zh) * | 2021-10-29 | 2022-01-04 | 山东润浩水利科技有限公司 | 一种多用户预付费农田智能灌溉施肥自动化设备及方法 |
US20230281924A1 (en) * | 2022-03-01 | 2023-09-07 | International Business Machines Corporation | Operational efficiencies in iot agricultural ecosystems |
WO2023168506A1 (pt) * | 2022-03-11 | 2023-09-14 | Fundação Universidade Federal De São Carlos | Método e sistema de análise e processamento de imagens para estimativa de cobertura vegetal por meio de software em aprendizagem de máquina |
NO20220416A1 (en) * | 2022-04-05 | 2023-10-06 | Digifarm As | Methods and systems for estimating crop yield from vegetation index data |
CN115266612A (zh) * | 2022-07-27 | 2022-11-01 | 福建农林大学 | 一种基于高分辨率环境变量的南方丘陵地区耕地土壤有效磷制图方法 |
CN116578667A (zh) * | 2023-07-13 | 2023-08-11 | 湖南惠农科技有限公司 | 一种基于农业大数据管理的农业信息服务终端 |
CN118350718B (zh) * | 2024-06-13 | 2024-08-27 | 武汉雷特科技有限公司 | 基于gis和自动化技术的生态土壤质量管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则,继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
CN104657422A (zh) * | 2015-01-16 | 2015-05-27 | 北京邮电大学 | 一种基于分类决策树的内容发布智能分类方法 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐系统及方法 |
CN106066645A (zh) * | 2015-04-21 | 2016-11-02 | 赫克斯冈技术中心 | 在操作推土机的同时测量和绘制地形的方法和控制系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5884225A (en) * | 1997-02-06 | 1999-03-16 | Cargill Incorporated | Predicting optimum harvest times of standing crops |
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 |
CN101346718A (zh) * | 2005-10-28 | 2009-01-14 | 意大利电信股份公司 | 用于向用户提供选定内容项的方法 |
WO2013134480A1 (en) * | 2012-03-07 | 2013-09-12 | Blue River Technology, Inc. | Method and apparatus for automated plant necrosis |
WO2015051339A1 (en) * | 2013-10-03 | 2015-04-09 | Farmers Business Network, Llc | Crop model and prediction analytics |
CN104063718B (zh) * | 2014-04-01 | 2017-09-22 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
CN105005782A (zh) * | 2014-04-24 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于多时相遥感数据及光谱数据的全球精细植被分类方法 |
US20160224703A1 (en) * | 2015-01-30 | 2016-08-04 | AgriSight, Inc. | Growth stage determination system and method |
US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
WO2016116888A1 (en) * | 2015-01-21 | 2016-07-28 | Ramot At Tel-Aviv-University Ltd | Agricultural robot |
WO2016127094A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US20160247075A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
US10139279B2 (en) * | 2015-05-12 | 2018-11-27 | BioSensing Systems, LLC | Apparatuses and methods for bio-sensing using unmanned aerial vehicles |
CN106203450A (zh) * | 2016-07-11 | 2016-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于深度学习框架对图像进行特征提取的目标检测方法 |
-
2016
- 2016-12-23 EP EP16206777.1A patent/EP3340130A1/en not_active Ceased
-
2017
- 2017-12-15 CN CN201711345955.0A patent/CN108241905B/zh active Active
- 2017-12-22 US US15/853,466 patent/US11432469B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则,继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN104657422A (zh) * | 2015-01-16 | 2015-05-27 | 北京邮电大学 | 一种基于分类决策树的内容发布智能分类方法 |
CN106066645A (zh) * | 2015-04-21 | 2016-11-02 | 赫克斯冈技术中心 | 在操作推土机的同时测量和绘制地形的方法和控制系统 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐系统及方法 |
Non-Patent Citations (3)
Title |
---|
Mobile sensing for agriculture activities detection;Somya Sharma,etc;《2013 IEEE Global Humanitarian Technology Conference (GHTC)》;20140116;正文第1-6页 * |
基于图像分析的北京地区杨树种类识别研究;赵作林;《中国博士学位论文全文数据库 信息科技辑(月刊)》;20161015(第10期);正文第1-91页 * |
基于机器学习的花卉分类算法研究;王永波 等;《现代计算机》;20130531(第13期);第21-24页 * |
Also Published As
Publication number | Publication date |
---|---|
EP3340130A1 (en) | 2018-06-27 |
US11432469B2 (en) | 2022-09-06 |
US20180177136A1 (en) | 2018-06-28 |
CN108241905A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241905B (zh) | 用于预测土壤和/或植物状况的方法 | |
EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
EP3816880B1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
Anguraj et al. | Crop recommendation on analyzing soil using machine learning | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
Kaur | Automated nutrient deficiency detection in plants: A Review | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
Rai et al. | Advancement in Agricultural Techniques With the Introduction of Artificial Intelligence and Image Processing | |
Aishwarya et al. | Data mining analysis for precision agriculture: A comprehensive survey | |
Kumar Apat et al. | IoT-assisted crop monitoring using machine learning algorithms for smart farming | |
Mridha et al. | Artificial Intelligence (AI) for Agricultural Sector | |
Reddy et al. | Integrating Soil Sensing and Rainfall Modelling for Precision Crop Recommendation Systems | |
Chaudhary et al. | Deep Learning Approach for Forecasting Apple Yield Using Soil Parameters | |
Rubini et al. | A comprehensive literature survey for deep learning approaches to agricultural applications | |
Theodorou et al. | Decision Making in Precision Agriculture-The Case of VEL OS Intelligent Decision Support System | |
Ranta | Feasibility of Remote Sensing Based Deep Learning in Crop Yield Prediction | |
Vignesh et al. | Crop models and decision support systems using machine learning | |
Babu et al. | SMART CULTIVATION PREDICTOR FOR INDIAN AGRICULTURE SYSTEM | |
Tageldin | Integration of machine learning and predictive analytics in agriculture to optimize plant disease detection and treatment in Egypt | |
Rogachev et al. | Remote Sensing, Monitoring and Classification of Agricultural Land Using Artificial Neural Networks | |
MALLIKARJUNARAO et al. | ASurvey: CROP YEID PREDICTION USING NEURAL NETWORKS & MACHINE LEARNING | |
Kiktev et al. | Apple Fruits Monitoring Diseases on the Tree Crown Using a Convolutional Neural Network. | |
Abdullahi et al. | Advances of image processing in precision agriculture | |
Rodríguez-Díaz et al. | Explainable Olive grove and Grapevine pest forecasting through machine learning-based classification and regression |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |