CN109891440A - 用于绘制作物产量的方法 - Google Patents
用于绘制作物产量的方法 Download PDFInfo
- Publication number
- CN109891440A CN109891440A CN201780066649.5A CN201780066649A CN109891440A CN 109891440 A CN109891440 A CN 109891440A CN 201780066649 A CN201780066649 A CN 201780066649A CN 109891440 A CN109891440 A CN 109891440A
- Authority
- CN
- China
- Prior art keywords
- field region
- crop yield
- data
- processors
- yield
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000003306 harvesting Methods 0.000 description 37
- 238000010586 diagram Methods 0.000 description 17
- 230000012010 growth Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000238421 Arthropoda Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
提供了用于生成作物产量图的系统和方法。在一个示例实施例中,方法可以包括由一个或多个处理器访问指示田地区域的作物产量的数据;并且由一个或多个处理器访问与该田地区域相关联的一个或多个数据类型。数据类型中的每一个数据类型可以提供与横跨田地区域的植被相关联的数据的地理空间分布。该方法可以进一步包括由一个或多个处理器至少部分地基于指示作物产量的数据和一个或多个数据类型,确定田地区域的作物产量分布;以及由一个或多个处理器至少部分地基于作物产量分布生成田地区域的产量图。
Description
技术领域
本公开一般涉及作物产量绘制(mapping)。
背景技术
作物绘制可用于分析诸如田地中的作物产量的变量。更特别地,产量图可用于评价横跨田地或其它空间的作物产量分布。例如,可以使用产量图来分析响应于各种输入(例如,水分含量、杀菌剂的使用、林分计数(stand count)等)在特定位置处的作物产量的可变性。作物产量与田地或其它空间中的特定地理点之间的联系对于这种分析的准确性可能是重要的。
收获设备(诸如收割机)可以包括用于随着收获设备在收获期间在田地中摄取作物来生成产量图的系统。然而,收获设备的主要目的是从田地有效地收获作物。因此,大多数收割机配置为在收获设备穿过田地的同时收获多排作物。因此,收获设备可能仅能够接近于具有许多植物生长(例如在10至15米的区域内)的产量图的数据。此外,当收获设备上坡、下坡、转弯、加速或减速移动时,收获设备的摄取率可能变化。摄入率的变化可能导致难以将作物产量与特定区域联系。
发明内容
本公开的实施例的方面和优点将部分地在以下描述中阐述,或者可以从描述中学习,或者可以通过实施例的实践来学习。
本公开的一个示例方面涉及一种用于生成田地区域的产量图的方法。该方法可以包括由一个或多个处理器访问指示田地区域的作物产量的数据。该方法可以进一步包括由一个或多个处理器访问与该田地区域相关联的一个或多个数据类型。数据类型中的每一个数据类型可以提供与横跨田地区域的植被相关联的数据的地理空间分布。该方法可以进一步包括由一个或多个处理器至少部分地基于指示作物产量的数据和一个或多个数据类型来确定田地区域的作物产量分布,并由一个或多个处理器至少部分地基于作物产量分布生成田地区域的产量图。
本公开的其它示例方面涉及用于生成田地区域的产量图的系统、设备、方法、过程和非暂态计算机可读介质。
参考以下描述和所附权利要求,将更好地理解各种实施例的这些和其它特征、方面和优点。包含在本说明书中并构成其一部分的附图示出了本公开的实施例,并且与说明书一起用于解释相关原理。
附图说明
在参考附图的说明书中阐述了针对本领域普通技术人员的实施例的详细讨论,在附图中:
图1描绘了根据本公开的示例实施例的改进的作物产量绘制的概述;
图2描绘了由收获设备生成的示例作物产量图;
图3描绘了根据本公开的示例实施例的改进的作物产量图的表示;
图4描绘了根据本公开的示例实施例的从VI图像确定作物产量分布的示例;
图5描绘了根据本公开的示例实施例的示例方法的流程图;以及
图6描绘了根据本公开的示例实施例的用于生成作物产量图的示例系统。
具体实施方式
现在将详细参考实施例,其一个或多个示例在附图中示出。通过解释实施例来提供每个示例,而不是限制本公开。实际上,对于本领域技术人员显而易见的是,在不脱离本公开的范围或精神的情况下,可以对实施例进行各种修改和变化。例如,作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用以产生又一个实施例。因此,本公开的各方面旨在覆盖这种修改和变化。
本公开的示例方面涉及用于生成改进的作物产量图的系统和方法。更特别地,可以使用从例如收获设备获取的数据来确定用于田地区域的作物产量分布。可以使用与田地区域相关联的一个或多个数据类型以地理空间横跨田地区域分配改进的作物产量值。数据类型可以包括与以地理空间横跨田地区域分布的植被相关联的数据。例如,数据类型可以包括描绘或以其它方式表示植被的图像(例如,植被指数(VI)图像、LIDAR图像、摄影图像、卫星图像、航拍图像、基于地面的图像等)。数据类型还可以包括诸如林分计数数据、种植值等数据。一旦确定,作物产量分布可用于以相对于通常由收获设备生成的产量图增加的准确性和/或分辨率生成改进的作物产量图。
例如,在一个实施例中,可以访问指示田地区域的作物产量的数据(例如,总作物产量、由收割机设备生成的作物产量分布等)。使用一个或多个VI图像可以更准确地横跨田地区域分配作物产量。在特定实施例中,模型可以分析一个或多个VI图像中的像素值(例如,像素颜色和/或强度)分布图案,并基于像素值分布将作物产量值分配给田地区域中的不同地理空间位置。作为一个示例,可以至少部分地基于与田地区域的离散子区段对应的VI图像中的每个像素的像素值,确定用于田地区域的离散子区段的作物产量值。
可以通过调整模型以考虑来自其它数据源的数据来确定对从收割机生成的作物产量分布的附加细化或调节。例如,可以基于从种植设备收集的种植值来调节初始作物产量分布,以集中在田地上可能的目标作物点上。作为另一个示例,可以使用在生长季节期间的不同时间收集的多个VI图像来创建更稳健的模型,该模型考虑了生长季节中的生长趋势。林分计数数据可用于区分目标作物和杂草位置。LIDAR图可以提供有关作物高度的信息,以提供与作物活力相关的附加信息,以便提高模型的准确性。
一旦基于模型确定了作物产量分布,就可以使用作物产量分布来生成改进的作物产量图。改进的作物产量图可以类似地包括多个像素。每个像素包括对应于针对与像素对应的田地区域的离散子集确定的作物产量值的像素值。
以该方式,本公开的示例实施例可以提供基于由任何收获设备收集的作物产量数据的改进的作物产量图的生成。在一些实施例中,可以生成改进的作物产量图以补偿海拔、坡度、土壤条件和收获设备变异性的变化。结果,根据本公开的某些示例实施例生成的改进的作物产量图可以在评估作物产量分布方面具有更高的准确度。此外,改进的作物产量图可以导致更准确的田地区域管理,可以提供土壤条件的更好了解,并可以提供作物投入应用效果与特定田地区域的更优联系。
如在此所使用的,作物产量可以指每单位面积的作物产量(例如,收获的作物量)或每种种子的作物产量(例如,收获的作物量)的度量,或作物产量的其它度量或作物产量的另一种适当的度量。田地区域可以指种植和/或收获作物的空间。数据类型可以包括一组数据(例如,图像、表格或其它数据集),其提供以地理空间横跨田地区域分配的数据点(例如,像素值、林分计数测量等)。作物产量图可以指提供在空间上以地理空间分配的作物产量值的数据集。植被指数可包括一个或多个植被指数中的任何一个指数,包括例如归一化差异植被指数NDVI、叶面积指数(LAI)、绿色比植被指数(GRVI)、增强植被指数(EVI)、差异植被指数(DVT)、简单比率指数(SR)或其它指数。当与数值结合使用时,术语“大约”是指所述数值的35%以内。
图1描绘了根据本公开的示例实施例的示例改进的作物产量图的生成的概述。更特别地,改进的产量图生成器100可以由一个或多个处理器实施,以基于用于田地区域的各种数据源(诸如指示作物产量110的数据(例如,从收获设备115生成的产量图))和一个或多个数据类型120生成改进的作物产量图150。参考图1,可以分析改进的作物产量图150以确定用于各种生长输入(例如,水分、农药、林分计数等)的最优田地管理实践,以获得田地区域的改进的作物产量。
在一些实施例中,根据本公开的示例方面,改进的产量图生成器100可以包括用于生成作物产量图的计算机逻辑。改进的产量图生成器100可以用硬件、专用电路、固件和/或控制通用处理器的软件来实施。在一个实施例中,改进的产量图生成器100可以包括存储在一个或多个存储器设备上并由一个或多个处理器执行的程序代码文件,或者可以从计算机程序产品提供,例如计算机可执行指令,其存储在有形计算机可读存储介质(诸如RAM、ROM、硬盘或光学或磁介质)中。当使用软件时,可以使用任何合适的编程语言或平台来实施改进的产量图生成器100。图5中描绘了由改进的产量图生成器100实施的示例方法的流程图。
改进的产量图生成器100可以访问指示田地区域110的作物产量的数据。从收获设备115获得的作物产量数据110可以是来自田地区域的收获设备摄取的作物的总体积,由收获设备115生成的作物产量分布,或从收获设备115或其它来源获得的任何其它作物产量数据。例如,收获设备115可以从田地区域摄取作物。田地区域的作物产量数据110可以例如由收获设备115或其它设备来确定。作物产量数据110可以存储在一个或多个存储器设备中,以供改进的产量图生成器100访问。
图2描绘了可以由收获设备115生成的作物产量数据110的一个示例。作物产量数据110可以是包括多个像素的作物产量图。每个像素表示作物产量图的离散子区段。另外,每个像素对应于由作物产量图表示的田地区域的离散子区段。每个像素可以具有与像素的颜色和/或强度相关联的像素值。像素的像素值可以指示由像素表示的田地区域的离散子区段的作物产量值。
返回参考图1,改进的产量图生成器100还可以访问与一个或多个数据类型120相关联的数据。数据类型120可以包括在生长季节期间收集的数据,该数据以地理空间横跨田地区域被分配。如下面将更详细讨论的,数据类型120可以由改进的作物产量图生成器100使用,以更准确地以地理空间分配指示横跨田地区域的作物产量的数据。
一个或多个数据类型120可以包括例如与田地区域相关联的一个或多个VI图像122。一个或多个VI图像122中的每一个VI图像可包括多个像素。每个像素可以具有与对应于像素的田地区域的离散子区段中的植被量相关联的像素值(例如,颜色和/或强度)。更特别地,VI图像中的每个像素可以对应于田地区域的离散子区段(例如,描绘田地区域的离散子区段)。与像素相关联的像素值指示离散子区段中的活植被量。
可以从任何合适的来源访问或获得VI图像122。例如,在一些实施例中,VI图像122可以是例如基于光谱反射率测量从卫星捕获的VI图像。在一些实施例中,可以在生长季节期间的不同时间捕获VI图像122。例如,可以在生长季节期间在第一时间捕获第一VI图像。可以在生长季节期间的与第一时间不同的第二时间捕获第二VI图像。
一个或多个数据类型120可以包括田地区域的摄影图像124,诸如航拍图像、卫星图像,或者例如从图像捕获设备捕获的基于地面的图像。航拍图像可以包括从空中视角(例如,从有人驾驶或无人驾驶的航空飞机)捕获的田地区域的图像(例如照片)。卫星图像可以包括从一个或多个卫星捕获的田地区域的图像(例如照片)。基于地面的图像可以是从地面或附近的地平面捕获的田地区域的图像。摄影图像124可包括捕获的田地区域的数字图像。摄影图像124可以描绘生长季节的各个阶段的植被,以通过改进的产量图生成器100帮助横跨田地区域的作物产量的地理空间分配。
一个或多个数据类型120可以包括与田地区域相关联的LIDAR数据126(例如,LIDAR图像)。LIDAR数据126可以基于激光范围感测测量提供与田地区域中的不同地理空间点相关联的深度信息。深度信息可以指示作物高度,该作物高度可以提供作物活力和其它作物健康的度量。LIDAR数据126可用于通过提供指示作物生长高度的度量来确定改进的产量图生成器100对横跨田地区域的作物产量的地理空间分配。
一个或多个数据类型120可以包括林分计数数据128。林分计数数据128可以提供从给定区域中的种子中出现的植物数量的度量。林分计数数据128可以提供用于田地区域的不同地理空间区域的林分计数值。林分计数数据128可用于基于从种植种子生长的植物的实际数量确定改进的产量图生成器100对横跨田地区域的作物产量的地理空间分配。
一个或多个数据类型120可以包括与地理空间上横跨田地区域分配的植被相关联的其它数据130。作为一个示例,一个或多个数据类型120可以包括指示在田地区域的离散地理空间子区段中种植的作物数量的种植数据。可以从例如种植设备获得种植数据。作为另一个示例,一个或多个数据类型120可以包括捕获的田地区域的高光谱(hyperspectral)图像。其它数据进一步包括但不限于其它农艺田地观测(例如疾病等级、节肢动物损害等级等)、田地的物理特性(例如土壤数据,诸如水分数据、电导率、土壤类型、土壤化学、地面海拔等)和气候要素(例如气象站数据、预报数据等)。
改进的产量图生成器100可以被配置为处理作物产量数据110和一个或多个数据类型120,以生成田地区域的改进的作物产量图150。更特别地,改进的产量图生成器100可以生成作物产量分布,该作物产量分布为田地区域的离散子区提供更准确的作物产量值。作物产量分布可用于生成改进的作物产量图150。改进的作物产量图150可以存储在一个或多个存储设备中和/或提供用于在一个或多个显示设备上显示以提供作物产量分布的图形表示。
图3描绘了根据本公开的示例实施例生成的示例改进的作物产量图150。改进的作物产量图150被示出为显示在显示设备325上。显示设备325可以是与计算设备(诸如台式机、膝上型计算机、平板计算机、移动电话、可穿戴设备、具有一个或多个处理器的显示器、专用计算设备或其它设备)相关联的显示器。
改进的作物产量图150包括多个像素155。每个像素155表示改进的作物产量图150的离散子区段。此外,每个像素155对应于由作物产量图表示的田地区域的离散子区段。每个像素155可以具有与像素的颜色和/或强度相关联的像素值。像素的像素值可以指示由像素表示的田地区域的离散子区段的作物产量值。
参考图1,产量图生成器100可以被配置为使用根据作物产量定义田地区域的离散子区段的作物产量值的模型以及与来自一个或多个数据类型的离散子区段相关联的数据来生成改进的作物产量图150。该模型可以是算法(例如,非线性算法)、统计模型、查找表、相关性、函数或其它合适的关系。
例如,在一个实施例中,改进的产量图生成器100可以被配置为基于当作物处于峰值植物状态时收集的田地区域的VI图像122的像素值,以地理空间横跨田地区域分配作物产量。更特别地,该模型可以将VI图像122中的像素的像素值与对应于像素的田地区域的离散子区段的作物产量值相关联,以确定田地区域的作物产量分布。
例如,图4描绘了示例VI图像122。VI图像120具有多个像素125。每个像素125对应于田地区域的离散子区段。每个像素125具有指示离散子区段中的植被量的像素值。
可以将像素125的像素值提供给模型140。模型140可以将VI图像的像素值以及由收获设备生成的产量数据与对应于像素125的离散子区段的作物产量值相关。可以至少部分地基于作物产量值确定与离散子区段对应的作物产量图150的像素155的像素值。
在一些实施例中,模型140可以基于诸如摄影图像124、LIDAR数据126、林分计数数据128和其它数据类型130的其它数据类型来确定离散子区段的作物产量值。例如,在一些实施例中,可以至少部分地基于来自收获设备的作物产量数据确定初始作物产量值。当其它数据源变得可用时,可以基于其它数据类型(例如,VI图像)调节和/或细化初始作物产量值。取决于其它数据类型的可用性,可以基于区分目标作物和杂草的林分计数数据、考虑作物高度的LIDAR数据、在不同时间收集以考虑不同生长阶段的VI图像等来调节初始作物产量值。
为了说明和讨论的目的,参考基于VI图像122调节由收获设备生成的初始作物产量值来讨论本公开的示例方面。本领域的普通技术人员使用在此提供的公开内容,将了解初始作物产量值可以基于其它数据来源(诸如摄影图像、LIDAR图像、高光谱图像、林分计数数据等)确定。
在一些实施例中,模型140可以被配置为根据多个输入确定作物产量分布。每个输入都可以在模型中分配权重。更特别地,该模型可以具有与一个或多个数据类型中的每一个数据类型相关联的权重或者用于确定该田地区域的作物产量分布的其它数据源。可以向相对于其它数据类型(例如,摄影图像)的某些数据类型(例如,VI图像)提供更高的权重。基于多种输入的模型可以基于多种因素提供更稳健和准确的作物产量分布的确定。
图5描绘了根据本公开的示例实施例的生成改进的作物产量图的示例方法(200)的流程图。方法(200)可以由一个或多个处理器(诸如根据本公开的示例方面植入改进的作物产量生成器100的一个或多个处理器)实施。另外,图5描绘了出于说明和讨论的目的以特定顺序执行的步骤。本领域普通技术人员使用在此提供的公开内容将理解,这里公开的任何方法的各个步骤可以在不脱离本公开的范围的情况下以各种方式调整、修改、重新布置或省略。
在(202)处,该方法包括访问由例如收获设备或其它来源生成的田地区域的作物产量数据。指示作物产量的数据可至少部分地基于例如收获期间由收获设备从田地区域摄取的总作物、由收获设备生成的作物产量分布等。来自收获设备的作物产量数据可以从存储器设备访问,或者可以由用户经由合适的用户界面和/或输入设备输入。
在(204)处,可以访问一个或多个数据类型。一个或多个数据类型可以组织与植被相关联的数据,使得它以地理空间横跨田地区域分布。示例数据类型可包括VI图像、高光谱图像、摄影图像(例如,航拍、卫星、基于地面)、LIDAR数据、林分计数数据、种植数据、其它农艺田地观测(例如疾病等级、节肢动物损害等级等)、田地的物理性质(例如SSURGO土壤数据(SSURGO:(土壤测量地理数据库)、海拔等)、气候要素(例如气象站数据、预报数据等)。
在(206)处,该方法可以包括访问作物产量分布模型。该模型可以根据指示作物产量的数据和一个或多个数据类型定义田地区域的离散子区段的作物产量值。例如,数据类型中的数据的地理空间分配可用于通知横跨田地区域的收获设备生成的作物产量数据的作物产量分布。该模型可以是算法(例如,非线性算法)、统计模型、查找表、相关性、函数或其它合适的关系。
例如,如上所述,该模型可以根据多个输入将作物产量分布相关联。每个输入都可以在模型中分配权重。更特别地,该模型可以具有与一个或多个数据类型中的每一个数据类型或者用于确定田地区域的作物产量分布的其它数据源相关联的权重。可以向相对于其它数据类型(例如,摄影图像)的某些数据类型(例如,VI图像)提供更高的权重。基于多种输入的模型可以基于多种因素提供作物产量分布的更稳健和准确的确定。
在(208)处,可以使用该模型确定田地区域的作物产量分布。例如,可以至少部分地基于模型确定田地区域的离散子区段的作物产量值。作为一个示例,可以基于用于离散地理空间区域的数据点(例如,像素值、深度数据、林分计数数据)来确定用于离散地理空间区域的作物产量值。
一旦确定了作物产量分布,就可以生成改进的作物产量图(210)。改进的作物产量图可包括多个像素。多个像素中的每个像素可以具有与对应于像素的田地区域的离散子区段的作物产量值对应的像素值。
在(212)处,可以提供改进的作物产量图以在一个或多个显示设备上显示。用户可以分析改进的作物产量图,以评估田地区域的各种条件以及关于它们在作物产量上的影响的生长投入。在一些实施例中,可以修改作物生长投入(例如,浇水量、杀菌剂的施用等)以至少部分地基于如(214)处所示的产量图提供改善的作物产量。
图6描绘了可以用于实施根据本公开的示例方面的方法和系统的示例计算系统300。系统300可以包括一个或多个计算设备310。计算设备310可以具有一个或多个处理器312和一个或多个存储器设备314。计算设备310还包括用于通过通信链路340与一个或多个远程设备330通信的网络接口。网络接口可以包括用于与一个或多个网络以接口连接的任何合适的组件,包括例如发射机、接收机、端口、控制器、天线或其它合适的组件。
一个或多个处理器312可以包括一个或多个合适的处理设备,诸如微处理器、微控制器、集成电路、逻辑设备或其它合适的处理设备。存储器设备314可以包括一个或多个计算机可读介质,包括但不限于非暂态计算机可读介质、RAM、ROM、硬盘驱动器、闪存驱动器或其它存储器设备。存储器设备314可以存储可由一个或多个处理器312访问的信息,包括可以由一个或多个处理器312执行的计算机可读指令316。指令316可以是任何指令集,该任何指令集当由一个或多个处理器312执行时使一个或多个处理器312执行操作。指令316可以用硬件和/或软件实施。在一些实施例中,根据本公开的示例实施例,指令316可以由一个或多个处理器312执行以实施产量图生成器100和/或图5的方法。
参考图6,存储器设备314还可以包括可以由一个或多个处理器312检索、操纵、创建或存储的数据318。数据318可以包括例如产量图、数据类型、来自收获设备的作物产量数据和其它数据。数据318可以存储在一个或多个数据库中。一个或多个数据库可以通过高带宽LAN或WAN连接到计算设备310,或者也可以通过网络340连接到计算设备310。可以拆分一个或多个数据库,使得它们位于多个地点。
计算设备310可以通过通信链路340与一个或多个远程设备330交换数据。类似于计算设备310,远程设备330可以包括一个或多个处理器和存储器设备。通信链路340可以包括有线和/或无线通信链路的任何组合。在一些实施例中,通信链路340可以包括任何类型的通信网络,诸如局域网(例如内联网)、广域网(例如因特网)、蜂窝网络或其一些组合。通信链路340还可以包括计算设备310和远程设备330之间的直接连接。
计算设备310可以包括用于提供和接收来自用户的信息的各种输入输出设备,诸如触摸屏、触摸板、数据输入键、扬声器和/或适合于语音识别的麦克风。例如,计算设备310可以具有显示设备330,用于向用户呈现作物产量图。
本发明的另外示例是:
根据在此公开的任何实施例的一个或多个方面的装置或其变体。
根据在此公开的任何实施例的一个或多个方面的系统,或其变体。
根据在此公开的任何实施例的一个或多个方面的方法,或其变体。
一种用于生成田地区域的产量图的方法,包括:
由一个或多个处理器访问指示田地区域的作物产量的数据;
由一个或多个处理器访问与田地区域相关联的一个或多个数据类型,数据类型中的每一个数据类型提供与横跨田地区域的植被相关联的数据的地理空间分布;
由一个或多个处理器至少部分地基于指示作物产量的数据和一个或多个数据类型,确定田地区域的作物产量分布;
由一个或多个处理器至少部分地基于作物产量分布生成田地区域的产量图。
如[0060]中所定义的方法,其中,该方法进一步包括提供用于在一个或多个显示设备上显示的产量图。
如[0060]中所定义的方法,其中,由一个或多个处理器确定田地区域的作物产量分布包括:
由一个或多个处理器访问模型,该模型根据至少一个或多个数据类型定义田地区域的离散子区段的作物产量值;以及
由一个或多个处理器至少部分地基于模型确定作物产量分布。
如[0060]至[0062]中任一项所定义的方法,其中,产量图包括多个像素,每个像素的像素值至少部分地基于与像素对应的田地区域的离散子区段的作物产量值来确定。
如[0060]至[0063]中任一项所定义的方法,其中,一个或多个数据类型包括田地区域的植被指数(VI)图像。
如[0060]至[0064]中任一项所定义的方法,其中,由一个或多个处理器确定田地区域的作物产量分布包括:由一个或多个处理器至少部分地基于与VI图像中的离散子区段对应的像素的像素值来确定田地区域的离散子区段的作物产量值。
如[0060]至[0065]中任一项所定义的方法,其中,一个或多个数据类型包括多个VI图像,VI图像中的每一个VI图像在不同时间被捕捉。
如[0060]至[0066]中任一项所定义的方法,其中,一个或多个数据类型包括田地区域的林分计数数据。
如[0060]至[0067]中任一项所定义的方法,其中,一个或多个数据类型包括田地区域的一个或多个LID AR图像。
如[0060]至[0068]中任一项所定义的方法,其中,一个或多个数据类型包括田地区域的一个或多个卫星图像、航拍图像或基于地面的图像。
如[0060]至[0069]中任一项所定义的方法,其中,一个或多个数据类型包括从种植设备获得的种植值。
如[0060]至[0070]中任一项所定义的方法,其中,一个或多个数据类型包括从田地区域获得的一个或多个高光谱图像。
如[0060]至[0070]中任一项所定义的方法,其中,指示作物产量的数据通过田地区域的收获设备生成。
一种用于生成田地区域的产量图的方法,包括:
由一个或多个处理器访问指示田地区域的作物产量的数据;
由一个或多个处理器访问田地区域的植被指数(VI)图像,该VI图像包括多个像素,VI图像中的每个像素具有与对应于像素的田地区域的离散子区段中的植被量相关联的像素值;
由一个或多个处理器确定田地区域的作物产量分布,作物产量分布包括至少部分地基于指示作物产量的数据和与田地区域中的离散子区段对应的VI图像中的像素的像素值确定的田地区域的多个离散子区段中的每一个离散子区段的作物产量值;
由一个或多个处理器至少部分地基于作物产量分布生成区域的产量图,产量图包括多个像素,产量图中的每个像素的像素值至少部分地基于与像素对应的田地区域的离散子区段的作物产量值来确定。
如[0060]至[0073]中任一项所定义的方法,其中,该方法进一步包括:
由一个或多个处理器至少部分地基于一个或多个数据类型细化作物产量分布。
如[0060]至[0073]中任一项所定义的方法,其中,一个或多个数据类型包括在不同时间段捕捉的一个或多个VI图像、一个或多个LIDAR图像、一个或多个卫星图像、航拍图像或田地区域的基于地面的图像、林分计数数据、从种植设备获得的种植值,或一个或多个高光谱图像。
一种系统,包括:
一个或多个显示设备;
一个或多个处理器;以及
一个或多个存储器设备,该一个或多个存储器设备存储计算机可读指令,该计算机可读指令当由一个或多个处理器执行时,使一个或多个处理器执行操作,该操作包括前述权利要求的方法中的任何一个的一个或多个方面。
一种存储计算机可读指令的一个或多个有形的非暂态计算机可读介质,该计算机可读指令当由一个或多个处理器执行时,使一个或多个处理器执行操作,该操作包括前述权利要求的方法中的任一个的一个或多个方面。
在此讨论的技术参考计算设备、数据库、软件应用程序和其它基于计算机的系统,以及所采取的动作和发送到这种系统和从这种系统发送的信息。本领域普通技术人员将认识到,基于计算机的系统的固有灵活性允许组件之间和组件中的任务与功能的各种可能的配置、组合和分割。例如,在此讨论的过程可以使用单个计算设备或以组合方式工作的多个计算设备来实施。数据库和应用程序可以在单个系统上实施或横跨多个系统分布。分布式组件可以顺序或并行操作。
虽然已经关于本发明的具体示例实施例详细描述了本主题,但是应当理解,本领域技术人员在获得和理解前述内容后可以容易地产生对这些实施例的改变、变化和等同。因此,本公开的范围是示例性的而不是限制性的,并且本公开内容并不排除包含对本主题的这些修改、变化和/或添加,这对于本领域普通技术人员是显而易见的。
Claims (16)
1.一种用于生成田地区域的产量图(150)的系统(300),包括:
一个或多个显示设备(325);
一个或多个处理器(312);以及
一个或多个存储器设备(314),所述一个或多个存储器设备(314)存储计算机可读指令(316),所述计算机可读指令(316)当由所述一个或多个处理器(312)执行时,使所述一个或多个处理器(312)执行操作,所述操作包括:
由一个或多个处理器(312)访问指示田地区域的作物产量(110)的数据;
由所述一个或多个处理器(312)访问所述田地区域的植被指数(VI)图像(122),所述VI图像(122)包括多个像素(122),所述VI图像(122)中的每个像素(122)具有与对应于所述像素(125)的所述田地区域的离散子区段中的植被量相关联的像素值;
由所述一个或多个处理器(312)确定所述田地区域的作物产量分布,所述作物产量分布包括至少部分地基于指示作物产量(310)的所述数据和与所述田地区域中的所述离散子区段对应的所述VI图像(122)中的所述像素(125)的像素值确定的所述田地区域的多个离散子区段中的每一个离散子区段的作物产量值;
由所述一个或多个处理器(312)生成用于至少部分地基于所述作物产量分布的所述区域的产量图(150),所述产量图(150)包括多个像素(155),所述产量图(150)中的每个像素(155)的像素值至少部分地基于与所述像素(155)对应的所述田地区域的所述离散子区段的作物产量值来确定。
2.根据权利要求1所述的系统(300),其中,所述操作进一步包括由所述一个或多个处理器(312)至少部分地基于一个或多个数据类型(120)细化所述作物产量分布。
3.根据权利要求1或2所述的系统(300),其中,所述操作进一步包括由所述一个或多个处理器(312)提供所述产量图(150)以在所述一个或多个显示设备(325)上显示。
4.根据权利要求2或3所述的系统(300),其中,所述一个或多个数据类型(120)包括在不同时间段捕捉的一个或多个VI图像(122)、一个或多个LIDAR图像(126)、一个或多个卫星图像(124)、航拍图像(124)或所述田地区域的基于地面的图像(124)、林分计数数据(128)、从种植设备(130)获得的种植值,或一个或多个高光谱图像(130)。
5.一种用于生成田地区域的产量图(150)的方法(200),包括:
(202)由一个或多个处理器(312)访问指示田地区域的作物产量(110)的数据;
(204)由所述一个或多个处理器(312)访问与所述田地区域相关联的一个或多个数据类型(120),所述数据类型(120)中的每一个数据类型提供与横跨所述田地区域的植被相关联的数据的地理空间分布;
(208)由所述一个或多个处理器(312)至少部分地基于指示作物产量(110)的所述数据和所述一个或多个数据类型(120),确定所述田地区域的作物产量分布;
(210)由所述一个或多个处理器(312)至少部分地基于所述作物产量分布生成所述田地区域的产量图(150)。
6.根据权利要求5所述的方法(200),进一步包括:
(212)由所述一个或多个处理器(312)提供所述产量图(150)以在一个或多个显示设备(325)上显示。
7.根据权利要求5或6所述的方法(200),其中(208)由所述一个或多个处理器(312)确定所述田地区域的作物产量分布包括:
(206)由所述一个或多个处理器(312)访问模型(140),所述模型(140)至少根据所述一个或多个数据类型(120)定义所述田地区域的离散子区段的作物产量值;以及
(208)由所述一个或多个处理器(312)至少部分地基于所述模型(140)确定所述作物产量分布。
8.根据权利要求5至7中任一项所述的方法(200),其中,所述产量图(150)包括多个像素(155),每个像素(155)的像素值至少部分地基于与所述像素(155)对应的所述田地区域的所述离散子区段的作物产量值来确定。
9.根据权利要求5至8中任一项所述的方法(200),其中,所述一个或多个数据类型(120)包括所述田地区域的植被指数(VI)图像(122)。
10.根据权利要求9所述的方法(200),其中,(208)由所述一个或多个处理器(312)确定所述田地区域的作物产量分布包括:由所述一个或多个处理器(312)至少部分地基于与所述VI图像(122)中的所述离散子区段对应的像素(125)的像素值来确定所述田地区域的离散子区段的作物产量值。
11.根据权利要求5至10中任一项所述的方法(200),其中,所述一个或多个数据类型(120)包括多个VI图像(122),所述VI图像(122)中的每一个VI图像(122)在不同时间被捕捉。
12.根据权利要求5至11中任一项所述的方法(200),其中,所述一个或多个数据类型(120)包括从种植设备获得的种植值(130)和/或所述田地区域的林分计数数据(128)。
13.根据权利要求5至中任一项所述的方法(200),其中,所述一个或多个数据类型(120)包括与所述田地区域相关联的一个或多个LIDAR图像(126)和/或从所述田地区域获得的一个或多个高光谱图像(130)。
14.根据权利要求5至13中任一项所述的方法(200),其中,所述一个或多个数据类型(120)包括所述田地区域的一个或多个卫星图像(124)、航拍图像(124)或基于地面的图像(124)。
15.一种用于控制根据权利要求1至4中任一项所述的系统的计算机程序单元,所述计算机程序单元当由处理器执行时,被配置为执行根据权利要求5至14中任一项所述的方法。
16.一种计算机可读介质,其存储根据权利要求15所述的程序单元。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662414928P | 2016-10-31 | 2016-10-31 | |
US62/414,928 | 2016-10-31 | ||
PCT/US2017/059146 WO2018081759A1 (en) | 2016-10-31 | 2017-10-31 | Method for mapping crop yields |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109891440A true CN109891440A (zh) | 2019-06-14 |
Family
ID=60515795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780066649.5A Pending CN109891440A (zh) | 2016-10-31 | 2017-10-31 | 用于绘制作物产量的方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US10719787B2 (zh) |
EP (1) | EP3533008A1 (zh) |
CN (1) | CN109891440A (zh) |
AR (1) | AR110005A1 (zh) |
BR (1) | BR112019008676A2 (zh) |
RU (1) | RU2019115854A (zh) |
WO (1) | WO2018081759A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719787B2 (en) * | 2016-10-31 | 2020-07-21 | Basf Agro Trademarks Gmbh | Method for mapping crop yields |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
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 |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
EP4064182A4 (en) * | 2019-11-18 | 2023-01-25 | Sony Group Corporation | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
US11508092B2 (en) * | 2019-12-16 | 2022-11-22 | X Development Llc | Edge-based crop yield prediction |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
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 |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
JP7471211B2 (ja) | 2020-12-10 | 2024-04-19 | 株式会社クボタ | 圃場マップ生成システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150116330A1 (en) * | 2013-10-31 | 2015-04-30 | Trimble Navigation Limited | Crop yield data adjustments |
US20160073573A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing agricultural activities |
US20160180473A1 (en) * | 2011-05-13 | 2016-06-23 | Hydrobio, Inc. | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208680B2 (en) * | 2006-11-07 | 2012-06-26 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to N-deficiency |
US8135178B2 (en) * | 2007-04-10 | 2012-03-13 | Deere & Company | Process for normalizing images or other data layers |
US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
WO2016183182A1 (en) * | 2015-05-14 | 2016-11-17 | Board Of Trustees Of Michigan State University | Methods and systems for crop land evaluation and crop growth management |
CA3016216C (en) * | 2016-03-04 | 2023-05-02 | Nutrien Ag Solutions (Canada) Inc. | System and method for prescribing fertilizer application rates for spatial distribution of a product |
US20190335674A1 (en) * | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
US10719787B2 (en) * | 2016-10-31 | 2020-07-21 | Basf Agro Trademarks Gmbh | Method for mapping crop yields |
-
2017
- 2017-10-31 US US16/345,778 patent/US10719787B2/en active Active
- 2017-10-31 BR BR112019008676A patent/BR112019008676A2/pt active Search and Examination
- 2017-10-31 CN CN201780066649.5A patent/CN109891440A/zh active Pending
- 2017-10-31 WO PCT/US2017/059146 patent/WO2018081759A1/en unknown
- 2017-10-31 EP EP17807957.0A patent/EP3533008A1/en active Pending
- 2017-10-31 RU RU2019115854A patent/RU2019115854A/ru unknown
- 2017-10-31 AR ARP170103013A patent/AR110005A1/es unknown
-
2020
- 2020-07-20 US US16/933,411 patent/US11361256B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180473A1 (en) * | 2011-05-13 | 2016-06-23 | Hydrobio, Inc. | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
US20150116330A1 (en) * | 2013-10-31 | 2015-04-30 | Trimble Navigation Limited | Crop yield data adjustments |
US20160073573A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing agricultural activities |
Non-Patent Citations (1)
Title |
---|
汪懋华: "《精细农业》", 中国农业大学出版社, pages: 105 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
CN116757867B (zh) * | 2023-08-18 | 2023-11-03 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
BR112019008676A2 (pt) | 2019-07-09 |
WO2018081759A1 (en) | 2018-05-03 |
EP3533008A1 (en) | 2019-09-04 |
AR110005A1 (es) | 2019-02-13 |
US10719787B2 (en) | 2020-07-21 |
RU2019115854A3 (zh) | 2021-03-15 |
RU2019115854A (ru) | 2020-11-30 |
US11361256B2 (en) | 2022-06-14 |
US20200057968A1 (en) | 2020-02-20 |
US20200364629A1 (en) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109891440A (zh) | 用于绘制作物产量的方法 | |
Iglhaut et al. | Structure from motion photogrammetry in forestry: A review | |
US9734400B2 (en) | System and method for field variance determination | |
Torres-Sánchez et al. | Mapping the 3D structure of almond trees using UAV acquired photogrammetric point clouds and object-based image analysis | |
KR102300799B1 (ko) | 작물 상태 판단 장치 및 이를 포함하는 작물 재배 정보 서비스 플랫폼 | |
Alganci et al. | Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in Southeastern Turkey | |
CA3016216C (en) | System and method for prescribing fertilizer application rates for spatial distribution of a product | |
CN106780091A (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
US20230091677A1 (en) | Monitoring and intelligence generation for farm field | |
Costa et al. | Combining per-pixel and object-based classifications for mapping land cover over large areas | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
Brocks et al. | Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras | |
CN109033937A (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
JP2018005467A (ja) | 農作業計画支援装置及び農作業計画支援方法 | |
US20230162496A1 (en) | System and method for assessing pixels of satellite images of agriculture land parcel using ai | |
Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
CN108629289A (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
Enciso et al. | Assessing land leveling needs and performance with unmanned aerial system | |
Franklin et al. | Landsat-comparable land cover maps using ASTER and SPOT images: a case study for large-area mapping programmes | |
Lee et al. | Single-plant broccoli growth monitoring using deep learning with UAV imagery | |
JP2022082636A (ja) | 情報処理装置 | |
Syal et al. | Apple fruit detection and counting using computer vision techniques | |
Manggau et al. | Interpretation of food crop growth progress visualization and prediction of drone based production estimates based on histogram values in government areas-case study of Merauke regency | |
Han et al. | Classifying cropping area of middle Heihe River Basin in China using multitemporal normalized difference vegetation index data | |
US20210315150A1 (en) | Method and systems for generating prescription plans for a region under cultivation |
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 |