CN111246729A - 用于实施农田试验的农田数字建模和跟踪 - Google Patents
用于实施农田试验的农田数字建模和跟踪 Download PDFInfo
- Publication number
- CN111246729A CN111246729A CN201880068566.4A CN201880068566A CN111246729A CN 111246729 A CN111246729 A CN 111246729A CN 201880068566 A CN201880068566 A CN 201880068566A CN 111246729 A CN111246729 A CN 111246729A
- Authority
- CN
- China
- Prior art keywords
- field
- data
- test
- fields
- trial
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 claims description 93
- 230000008901 benefit Effects 0.000 claims description 48
- 230000009418 agronomic effect Effects 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 20
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 140
- 238000007726 management method Methods 0.000 description 88
- 238000002474 experimental method Methods 0.000 description 83
- 238000010899 nucleation Methods 0.000 description 79
- 229910052757 nitrogen Inorganic materials 0.000 description 70
- 239000002689 soil Substances 0.000 description 68
- 238000004891 communication Methods 0.000 description 31
- 239000003337 fertilizer Substances 0.000 description 29
- 230000004043 responsiveness Effects 0.000 description 27
- 238000013515 script Methods 0.000 description 26
- 238000003860 storage Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 23
- 238000009331 sowing Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 20
- 238000003973 irrigation Methods 0.000 description 18
- 230000002262 irrigation Effects 0.000 description 18
- 239000000417 fungicide Substances 0.000 description 17
- 239000000575 pesticide Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000009313 farming Methods 0.000 description 16
- 230000000855 fungicidal effect Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 238000003306 harvesting Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 12
- 239000000203 mixture Substances 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004883 computer application Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 241000607479 Yersinia pestis Species 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 238000013479 data entry Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000011282 treatment Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 238000003556 assay Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 241001124569 Lycaenidae Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000037406 food intake Effects 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000004790 biotic stress Effects 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003967 crop rotation Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 241000233866 Fungi Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 239000003899 bactericide agent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- -1 silt Substances 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000714197 Avian myeloblastosis-associated virus Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101150037717 Mavs gene Proteins 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 235000002245 Penicillium camembertii Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 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
- 238000009402 cross-breeding Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000005303 weighing 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
- 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
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
- G01C11/025—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures by scanning the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Environmental Sciences (AREA)
- Soil Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
Abstract
提供了一种用于在一个或多个田地中实施试验的系统。在实施例中，服务器计算机接收多个农田的田地数据。服务器计算机至少部分地基于多个农田的田地数据，识别一个或多个目标农田。服务器计算机向与一个或多个目标农田相关联的田地管理者计算设备发送试验参与请求。服务器从田地管理者计算设备接收指示接受试验参与请求的数据。服务器确定一个或多个目标农田上的一个或多个地点用于实施试验，并将识别该一个或多个地点的数据发送给田地管理者计算设备。当服务器计算机接收到一个或多个目标农田的应用数据时，服务器计算机确定一个或多个目标农田是否符合该试验。然后，服务器计算机接收该试验的结果数据，并基于结果数据计算该试验的收益值。
Description
版权声明
本专利文件的一部分公开内容包含受版权保护的材料。版权所有者不反对任何人以专利和商标局专利文件或记录中出现的方式对专利文件或专利公开进行传真复制，但保留所有版权或权利。
2018 Climate公司(克莱米特公司)。
技术领域
本公开涉及农田的数字计算机建模和跟踪。具体地，本公开涉及对执行特定实践的农田的收益进行建模，识别用于实施特定实践的试验的地点，以及跟踪特定实践的执行的方法。
背景技术
本部分中描述的方法是可以采用的方法，但不一定是先前已经设想或采用的方法。因此，除非另有说明，否则不应仅仅由于包括在本部分中就假定本部分中所述的任何方法是现有技术。
田地管理者面临着各种有关农田管理的决策。这些决策包括：确定播种什么农作物，播种哪种类型的农作物种子，何时收获农作物，是否进行耕作、灌溉、农药施用、杀菌剂施用、肥料施用，以及施用什么类型的农药、杀菌剂和肥料。
通常，可以通过使用不同的杂交(hybrid)种子、在田地应用不同的产品或在田地执行不同的管理活动来改进田地的管理实践。这些改进对于仅使用有关其自己田地的信息的田地管理者来说，可能不容易识别。因此，对于计算机系统有益的是获得关于多个田地的信息以识别播种实践、管理实践或应用实践的改进。
虽然建议的改进可能对农田有用，但实施起来可能会有风险。田地管理者可以确信其实践将产生特定的结果，但田地管理者可能无法保证遵循该建议会带来收益。
即使田地管理者同意遵循建议，该田地管理者也无法量化所获得的收益是由于不同的播种、应用或管理实践还是由于一个或多个外部因素(诸如有利的天气)所致。因此，在无法量化特定新实践的收益的情况下，田地管理者无法确定是否应在未来几年中使用这些实践。
因此，需要一种方法来识别田地可以从农业实践的改变中受益，并开发能够证明农业实践的改变的价值的试验。
发明内容
所附权利要求可以用作本公开的发明内容。
附图说明
在附图中：
图1示出了被配置为执行本文所述的功能的示例计算机系统，该计算机系统和与该系统交互的其他装置一起在田地环境中被示出。
图2示出了当示例移动应用被加载以供执行时在主存储器中的指令集的示例逻辑组织的两个视图。
图3示出了编程的过程，通过该过程，农业智能计算机系统使用由一个或多个数据源提供的农艺数据来生成一个或多个预先配置的农艺模型。
图4是示出了可以在其上实现本发明的实施例的计算机系统的框图。
图5描绘了数据输入的时间线视图的示例实施例。
图6描绘了数据输入的电子表格视图的示例实施例。
图7描绘了实施试验的示例方法。在步骤702，接收多个农田的田地数据。
图8描绘了在田地实施测试地点的示例。
图9描绘了用于选择地点以布置测试地点的图形用户界面。
图10描绘了用于定义所选地点的示例图形用户界面。
图11描绘了用于显示与所选区域有关的信息的示例图形用户界面。
图12描绘了用于描绘试验结果的示例图形用户界面。
图13示出了由田地研究服务器执行的从田地确定作为目标的跨种植者系统的信息分发的示例过程。
图14示出了给定杂交种的农作物密度与农作物产量之间的示例关系。
图15示出了管理实践的示例类型。
图16示出了由田地研究服务器执行以确定用于种植者的田地或其区域的农作物杂交种的示例过程。
图17示出了由田地研究服务器执行的以种植者田地为目标以进行农作物产量提升的示例过程。
具体实施方式
在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供对本公开的透彻理解。然而，将显而易见的是，可以在没有这些具体细节的情况下实践实施例。在其他情况下，以框图的形式示出了公知的结构和设备，以避免不必要地使本公开模糊。根据以下大纲在各部分中公开了实施例：
1.总体概述
2.农业智能计算机系统示例
2.1.结构概述
2.2.应用程序概述
2.3.数据摄入到计算机系统
2.4.过程概述—农艺模型训练
2.5.实施示例—硬件概述
3.功能概述
4.提供的田地数据
5.目标识别
6.试验设计
7.田地管理者计算设备通信
8.值关联
9.某些实施例的益处
10.扩展和替代
*
1.总体概述
本文描述了用于在一个或多个田地中实施试验的系统和方法。在实施例中，农业智能计算机系统通信地耦合到多个田地管理者计算设备。农业智能计算机系统接收多个农田的田地数据，并使用田地数据来识别将从进行特定试验受益的田地。农业智能计算机系统将试验参与请求发送到与所识别的田地相关联的田地管理者计算设备，这保证了参与试验的特殊收益。如果田地管理者计算设备同意参加该试验，则农业智能计算机系统在所识别的田地上标识用于实施该试验的地点，并将数据发送到田地管理者计算设备。农业智能计算机系统可以跟踪在所识别的田地上的实践，以确定所识别的田地是否符合试验。农业智能计算机系统可以另外接收标识试验结果的数据，并使用该数据来计算试验的一项或多项收益。
在实施例中，一种方法包括：在农业智能计算系统处，接收多个农田的田地数据；至少部分地基于所述多个农田的田地数据，识别一个或多个目标农田；向与所述一个或多个目标农田相关联的田地管理者计算设备发送试验参与请求；从所述田地管理者计算设备接收指示接受所述试验参与请求的数据；在所述一个或多个目标农田上确定一个或多个地点以实施试验；发送标识所述一个或多个地点和一个或多个实施指令的数据；接收所述一个或多个目标农田的应用数据；基于所述应用数据，确定所述一个或多个目标农田是否符合所述试验；接收所述试验的结果数据；基于所述结果数据，计算所述试验的收益值。
2.示例农业智能计算机系统
2.1结构概述
图1示出了被配置为执行本文所述的功能的示例计算机系统，该计算机系统和与该系统交互的其他装置一起在田地环境中被示出。在一个实施例中，用户102拥有、操作或具有在田地地点中的或与田地地点相关联的田地管理者计算设备104，诸如是用于农业活动的田地或针对一个或多个农田的管理地点。田地管理者计算机设备104被编程或配置为经由一个或多个网络109向农业智能计算机系统130提供田地数据106。
田地数据106的示例包括(a)标识数据(例如，面积、田地名称、田地标识符、地理标识符、边界标识符、农作物标识符、以及可用于识别农田的任何其他合适数据，诸如常见土地单位(CLU)、地块编号、地号、地理坐标和边界、农场序列号(FSN)、农场编号、地段编号、田地编号、区域、乡镇和/或范围)；(b)收获数据(例如，农作物类型、农作物品种、农作物轮作、是否以有机方式种植农作物、收获日期、实际生产历史(APH)、预期产量、产量、农作物价格、农作物收入、谷物水分、耕作习惯以及以前的生长季节信息)；(c)土壤数据(例如，类型、成分、pH、有机物质(OM)、阳离子交换能力(CEC))；(d)播种数据(例如播种日期、种子类型、播种种子的相对成熟度(RM)、种子密度(population))；(e)肥料数据(例如，营养物类型(氮、磷、钾)、施用类型、施用日期、数量、来源、方法)；(f)化学施用数据(例如，农药、除草剂、杀菌剂、拟用作植物调节剂、脱叶剂或干燥剂的其他物质或物质混合物、施用日期、数量、来源、方法)；(g)灌溉数据(例如，施用日期、数量、来源、方法)；(h)天气数据(例如，降水、降雨率、预测降雨、水径流率区域、温度、风力、天气预报、气压、能见度、云量、热指数、露点、湿度、雪深、空气质量、日出、日落)；(i)图像数据(例如，来自农业装置传感器、相机、计算机、智能手机、平板电脑、无人机、飞机或卫星的图像和光谱信息)；(j)勘探观测(照片、视频、自由形式笔记、语音记录、语音合成、天气状况(温度、降水(当前和过去)、土壤湿度、农作物生长阶段、风速、相对湿度、露点、黑色层))；以及(k)土壤、种子、农作物物候、病虫害报告、以及预测来源和数据库。
数据服务器计算机108通信耦合到农业智能计算机系统130，并且被编程或配置为经由(一个或多个)网络109将外部数据110发送到农业智能计算机系统130。外部数据服务器计算机108可以由与农业智能计算机系统130相同的法人或实体拥有或操作，或者由不同的人或实体(诸如，政府机构、非政府组织(NGO)和/或私人数据服务提供商)拥有或操作。外部数据的示例包括天气数据、图像数据、土壤数据或与农作物产量相关的统计数据等。外部数据110可以由与田地数据106相同类型的信息构成。在一些实施例中，外部数据110由拥有和/或操作农业智能计算机系统130的同一实体所拥有的外部数据服务器108提供。例如，农业智能计算机系统130可以包括专门专注于可能以其他方式从第三方源(诸如，天气数据)获得的数据类型的数据服务器。在一些实施例中，外部数据服务器108实际上可以被并入系统130内。
农业装置111可以具有固定在其上的一个或多个远程传感器112，这些传感器通过农业装置111直接或间接地通信耦合到农业智能计算机系统130，并且被编程或配置为将传感器数据发送到农业智能计算机系统130。农业装置111的示例包括拖拉机、联合收割机、收割机、播种机、卡车、肥料设备、包括无人驾驶飞行器的飞行器以及任何其他物理机械或硬件设备，通常为移动式机械，并且可以用于与农业相关联的任务。在一些实施例中，装置111的单个单元可以包括在装置上本地耦合在网络中的多个传感器112；控制器局域网(CAN)是可以安装在联合收割机、收割机、喷雾器和耕田机中的这种网络的示例。应用控制器114经由(一个或多个)网络109通信地耦合到农业智能计算机系统130，并且被编程或配置为从农业智能计算机系统130接收一个或多个脚本，该一个或多个脚本用于控制农业车辆的操作参数或从农业智能计算系统130实施。例如，控制器局域网络(CAN)总线接口可以用于实现从农业智能计算机系统130到农业装置111的通信，诸如如何使用从加利福尼亚旧金山的克莱米特公司(Climate Corporation)获得的CLIMATE FIELDVIEW DRIVE(克莱米特视野驱动)。传感器数据可以由与田地数据106相同类型的信息构成。在一些实施例中，远程传感器112可以不固定在农业装置111上，而是可以远程地位于田地总并且可以与网络109通信。
装置111可以包括使用驾驶室应用编程的驾驶室计算机115，该驾驶室计算机115可以包括设备104的移动应用的版本或变体，其在本文的其他部分中将进一步描述。在实施例中，驾驶室计算机115包括紧凑型计算机，通常是平板大小的计算机或智能手机，其具有安装在设备111的操作者驾驶室中的图形屏幕显示器，诸如彩色显示器。驾驶室计算机115可以实现本文中针对移动计算机设备104进一步描述的一些或全部操作和功能。
(一个或多个)网络109广泛地表示使用任意有线或无线链路(包括地面或卫星链路)的一个或多个数据通信网络(包括局域网、广域网、互联网或因特网)的任意组合。(一个或多个)网络可以由提供图1的各个元件之间的数据交换的任何介质或机制来实现。图1的各个元件还可以具有直接(有线或无线)通信链路。传感器112、控制器114、外部数据服务器计算机108和系统的其他元件分别包括与(一个或多个)网络109兼容的接口，并且被编程或配置为使用标准化协议用于跨网络的通信，例如TCP/IP、蓝牙、CAN协议以及更高层协议(诸如HTTP、TLS)等。
农业智能计算机系统130被编程或配置为从田地管理者计算设备104接收田地数据106，从外部数据服务器计算机108接收外部数据110以及从远程传感器112接收传感器数据。农业智能计算机系统130可以进一步被配置为托管、使用或执行一个或多个计算机程序、其他软件元素、数字编程逻辑(诸如FPGA或ASIC)、或其任意组合，以按照在本公开的其他部分中进一步描述的方式执行数据值的转换和存储、在一个或多个田地上的一种或多种农作物的数字模型的构建、建议和通知的生成、以及到应用控制器114的脚本的生成和发送。
在实施例中，农业智能计算机系统130被编程有或包括通信层132、表示层134、数据管理层140、硬件/虚拟化层150以及模型和田地数据存储库160。在本文中，“层”是指电子数字接口电路、微控制器、固件(诸如，驱动程序)和/或计算机程序或其他软件元素的任意组合。
通信层132可以被编程或配置为执行输入/输出接口功能，包括分别向田地管理者计算设备104、外部数据服务器计算机108和远程传感器112发送对田地数据、外部数据和传感器数据的请求。通信层132可以被编程或配置为将接收到的数据发送到模型和田地数据存储库160以存储为田地数据106。
表示层134可以被编程或配置为生成要在田地管理者计算设备104、驾驶室计算机115或通过网络109耦合到系统130的其他计算机上显示的图形用户界面(GUI)。GUI可以包括控件用于输入要发送到农业智能计算机系统130的数据、生成对模型和/或建议的请求、和/或显示建议、通知、模型和其他田地数据。
数据管理层140可以被编程或配置为管理涉及存储库160和系统的其他功能元件的读取操作和写入操作，包括在系统的功能元件与存储库之间通信的查询和结果集。数据管理层140的示例包括JDBC、SQL服务器接口代码和/或HADOOP接口代码等。储存库160可以包括数据库。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、分布式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。RDBMS的示例包括但不限于
MYSQL、
DB2、
SQL SERVER、
和POSTGRESQL数据库。然而，可以使用支持本文描述的系统和方法的任何数据库。
当田地数据106未通过与农业智能计算机系统交互的一个或多个农业机械或农业机械设备直接提供给农业智能计算机系统时，可以通过(由农业智能计算机系统服务的)用户设备上的一个或多个用户界面来提示用户输入此类信息。在示例实施例中，用户可以通过访问(由农业智能计算机系统服务的)用户设备上的地图并选择已经在该地图上以图形方式示出的特定CLU来指定标识数据。在替代实施例中，用户102可以通过访问(由农业智能计算机系统130服务的)用户设备上的地图并在地图上绘制田地边界来指定标识数据。这种CLU选择或地图绘制表示地理标识符。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局或其他来源的田地标识数据(以形状文件或类似格式提供)来指定标识数据，并将此类田地标识数据提供给农业智能计算机系统。
在示例实施例中，农业智能计算机系统130被编程以生成并使得显示包括用于数据输入的数据管理器的图形用户界面。在使用上述方法识别了一个或多个田地之后，数据管理器可以提供一个或多个图形用户界面窗口小部件，当其被选择时可以识别田地、土壤、农作物、耕作或养分实践的变化。数据管理器可以包括时间线视图、电子表格视图和/或一个或多个可编辑程序。
图5描绘了数据输入的时间线视图的示例实施例。使用图5中所示的显示器，用户计算机可以输入对特定田地和特定日期的选择以用于事件的添加。时间线顶部描述的事件可能包括氮、播种、实践和土壤。为了添加氮施用事件，用户计算机可以提供输入以选择氮标签。然后，用户计算机可以为特定田地选择时间线上的位置，以指示氮在所选田地上的施用。响应于接收到对特定田地的时间线上的位置的选择，数据管理器可以显示数据输入覆盖图，从而允许用户计算机输入与氮施用、播种过程、土壤施用、耕作过程、灌溉实践有关的数据，或与特定田地有关的其他信息。例如，如果用户计算机选择时间线的一部分并指示氮的施用，则数据输入覆盖图可以包括用于输入氮施用量、施用日期、使用的肥料类型以及与施用氮有关的任何其他信息。
在实施例中，数据管理器提供用于创建一个或多个程序的界面。在本文中，“程序”是指与氮施用、播种过程、土壤施用、耕作过程、灌溉实践有关的一组数据，或可能与一个或多个田地相关的其他信息，这些数据可以存储在数字数据存储装置中以在其他操作中作为集合重复使用。在创建程序之后，可以在概念上将其应用于一个或多个田地，并且可以将该程序的引用和标识这些田地的数据相关联地存储在数字存储装置中。因此，代替手动输入与针对多个不同田地的相同氮施用有关的相同数据，用户计算机可以创建指示氮的特定施用的程序，然后将该程序应用于多个不同田地。例如，在图5的时间线视图中，最上面的两个时间线选择了“春天施用”程序，其包括在4月初施用150lbs N/ac。数据管理器可以提供用于编辑程序的界面。在实施例中，当编辑特定程序时，选择了该特定程序的每个田地都被编辑。例如，在图5中，如果编辑了“春天施用”程序以将氮的施用量减少到130lbs N/ac，则可以基于所编辑的程序使用减少后的施氮量来更新前两个田地。
在实施例中，响应于接收到对具有所选程序的田地的编辑，数据管理器解除该田地与所选程序的对应关系。例如，如果在图5中将氮施用添加到顶部田地中，该界面可以更新以指示“春天施用”程序不再被应用于顶部田地。虽然4月初的氮施用量可能会保持不变，但“春天施用”程序的更新不会改变4月的氮肥施用量。
图6描绘了数据输入的电子表格视图的示例实施例。使用图6中所示的显示器，用户可以创建和编辑一个或多个田地的信息。数据管理器可以包括电子表格，该电子表格用于输入关于氮、播种、实践和土壤的信息，如在图6中所描绘的。为了编辑特定条目，用户计算机可以在电子表格中选择特定条目并更新值。例如，图6描绘了对第二田地的目标产量值的正在进行的更新。另外，用户计算机可以选择一个或多个田地以便应用一个或多个程序。响应于接收到对针对特定田地的程序的选择，数据管理器可以基于所选程序自动完成针对特定田地的条目。与时间线视图一样，数据管理器可以响应于接收到对该程序的更新来更新与特定程序相关联的每个田地的条目。另外，数据管理器可以响应于接收到对该田地的条目之一的编辑而解除所选程序与该田地的对应关系。
在实施例中，模型和田地数据被存储在模型和田地数据存储库160中。模型数据包括为一个或多个田地创建的数据模型。例如，农作物模型可以包括一个或多个田地上的农作物生长的数字构建模型。在本文中，“模型”是指彼此相关联的可执行指令和数据值的电子数字存储集合，它们能够基于指定的输入值接收和响应程序性或其他数字调用、调取或解析请求，以产生一个或多个存储或计算出的输出值，该输出值可以用作计算机实施的建议、输出数据显示或机器控制等的基础。本领域技术人员发现使用数学方程式表达模型是方便的，但是这种表达形式并不将本文公开的模型局限于抽象概念。替代地，本文中的每个模型都以存储的可执行指令和数据的形式在计算机中具有实际应用，该可执行指令和数据使用计算机来实现该模型。该模型可以包括一个或多个田地上的过去事件的模型、一个或多个田地的当前状态的模型和/或一个或多个田地的预测事件的模型。模型和田地数据可以存储在存储器中的数据结构中、数据库表中的行中、平面文件或电子表格中或其他形式的存储数字数据中。
在实施例中，目标识别指令135、试验设计指令136、试验跟踪指令137和值关联指令138中的每一个包括在农业智能计算机系统130中的主存储器的一组一个或多个页面，诸如RAM，可执行指令已被加载到其中，并且在被执行时使得农业智能计算系统执行本文参考那些模块描述的功能或操作。例如，目标识别指令135可以包括RAM中的一组页面，这些页面包含指令，这些指令在被执行时使得执行本文所述的目标识别功能。指令可以使在CPU指令集中的机器可执行代码中，并且可以基于单独以JAVA、C、C++、OBJECTIVE-C或任何其他人类可读编程语言或环境编写的源代码，或与JAVASCRIPT中的脚本、其他脚本语言和其他编程源文本组合，来进行编译。术语“页面”旨在广义地指代主存储器内的任何区域，并且系统中使用的特定术语可以根据存储器架构或处理器架构而变化。在另一实施例中，目标识别指令135、试验设计指令136、试验跟踪指令137和值关联指令138中的每一个还可以表示在农业智能计算机系统130或单独的存储库系统中被数字地存储在大容量存储设备(诸如非易失性RAM或磁盘存储器)中的一个或多个源代码文件或项目，其在被编译或解释时使得生成可执行指令，该可执行指令在被执行时使农业智能计算系统执行本文中参照那些模块所描述的功能或操作。换句话说，附图可以表示程序员或软件开发人员组织和安排源代码的方式，以供将来编译为可执行文件或解释为字节码或等同形式，以供农业智能计算机系统130执行。
目标识别指令135包括计算机可读指令，该计算机可读指令在由一个或多个处理器执行时使农业智能计算机系统130执行识别将从实施试验受益的一个或多个目标田地和/或与将从实施试验中受益的田地相关的一个或多个田地管理者计算设备和/或田地管理者帐户。试验设计指令136包括计算机可读指令，该计算机可读指令在由一个或多个处理器执行时使农业智能计算机系统130执行在农田上识别一个或多个地点以用于实施试验。试验跟踪指令137包括计算机可读指令，该计算机可读指令在由一个或多个处理器执行时使农业智能计算机系统130执行接收田地数据并基于田地数据确定农田是否符合试验的一个或多个要求。值关联指令138包括计算机可读指令，该计算机可读指令在由一个或多个处理器执行时使农业智能计算机系统130执行将值与一个或多个试验的结果关联。
硬件/虚拟化层150包括一个或多个中央处理单元(CPU)、存储器控制器以及计算机系统的其他设备、组件或元件，诸如易失性或非易失性存储器、非易失性存储装置(例如磁盘)以及例如结合图4说明和描述的I/O设备或接口。层150还可以包括被配置为支持虚拟化、集装化或其他技术的编程指令。
为了清楚地说明示例，图1示出了某些功能元件的有限数量的实例。但是，在其他实施例中，可以有任意数量的此种元件。例如，实施例可以使用与不同用户相关联的数千或数百万个不同移动计算设备104。此外，系统130和/或外部数据服务器计算机108可以使用两个或更多个处理器、核、集群或物理机或虚拟机的实例来实现，它们被配置在离散地点或与数据中心、共享计算设施或云计算设施中的其他元件同地点。
2.2.应用程序概述
在实施例中，使用由一个或多个通用计算机中加载并执行的一个或多个计算机程序或其他软件元件来实施本文描述的功能，将使得该通用计算机被配置作为特定机器或专门适合执行本文所述功能的计算机。此外，本文进一步描述的每个流程图可以单独地或与本文内容中对过程和功能的描述相结合地用作算法、计划或方向，这些算法、计划或方向可以用于对计算机或逻辑进行编程以实现所述的功能。换句话说，本文中的所有内容文本和所有附图一起旨在提供对算法、计划或方向的公开，该公开足以允许技术人员结合具有适合此类发明和公开的技能水平的人员的技能和知识对计算机进行编程以执行本文中描述的功能。
在实施例中，用户102使用配置有操作系统和一个或多个应用程序或app的田地管理者计算设备104与农业智能计算机系统130进行交互。田地管理者计算设备104还可以在程序控制或逻辑控制下独立且自动地与农业智能计算机系统进行互操作，并且并不总是需要直接的用户交互。田地管理者计算设备104广泛地代表智能电话、PDA、平板计算设备、膝上型计算机、台式计算机、工作站或能够发送和接收信息并执行本文所述功能的任何其他计算设备中的一个或多个。田地管理者计算设备104可以使用存储在田地管理者计算设备104上的移动应用经由网络进行通信，并且在一些实施例中，该设备可以使用电缆113或连接器耦合到传感器112和/或控制器114。特定用户102关于系统130可以一次拥有、操作或具有和使用不止一个田地管理者计算设备104。
该移动应用可以经由网络向一个或多个移动计算设备提供客户端功能。在示例实施例中，田地管理者计算设备104可以经由网络浏览器或本地客户端应用或app访问移动应用。田地管理者计算设备104可以使用基于网络的协议或诸如HTTP、XML和/或JSON的格式或应用专用协议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，数据可以采取请求和用户信息输入(例如田地数据)的形式进入移动计算设备中。在一些实施例中，移动应用与田地管理者计算设备104上的地点跟踪硬件和软件进行交互，该地点跟踪硬件和软件使用诸如无线电信号的多边定位、全球定位系统(GPS)、WiFi定位系统或其他移动定位方法的标准跟踪技术来确定田地管理者计算设备104的地点。在某些情况下，可以通过查询设备的操作系统或通过请求设备上的应用以从操作系统获得数据，来获取地点数据或与设备104、用户102和/或用户帐户相关联的其他数据。
在实施例中，田地管理者计算设备104向农业智能计算机系统130发送田地数据106，该农业智能计算机系统130包括但不限于表示以下一个或多个的数据值：一个或多个田地的地理地点；一个或多个田地的耕作信息；在一个或多个田地中播种的农作物以及从一个或多个田地中提取的土壤数据。田地管理者计算设备104可以响应于来自用户102的指定一个或多个田地的数据值的用户输入来发送田地数据106。另外，当一个或多个数据值变得可用于田地管理者计算设备104时，田地管理者计算设备104可以自动发送田地数据106。例如，田地管理者计算设备104可以通信地耦合到远程传感器112和/或应用控制器114，其包括灌溉传感器和/或灌溉控制器。响应于接收到指示应用控制器114将水释放到一个或多个田地上的数据，田地管理者计算设备104可以将田地数据106发送到农业智能计算机系统130，以指示水被释放在一个或多个田地上。在本公开中标识的田地数据106可以使用通过HTTP或另一种合适的通信或消息协议使用参数化的URL在计算设备之间传输的电子数字数据被输入和传输。
移动应用的商业示例是可从加利福尼亚州旧金山的克莱米特公司商购获得的CLIMATE FIELDVIEW。CLIMATE FIELDVIEW应用或其他应用可以被修改、扩展或调整以包括在本公开的申请日之前尚未公开的特征、功能和程序。在一个实施例中，移动应用包括一个集成的软件平台，该平台允许种植者为他们的操作做出基于事实的决策，因为它组合了有关种植者田地的历史数据与种植者希望比较的任何其他数据。组合和比较可以实时进行并且基于提供了可能的情景的科学模型，以允许种植者做出更好、更明智的决策。
图2示出了当示例移动应用被加载以供执行时在主存储器中的指令集的示例逻辑组织的两个视图。在图2中，每个命名的元件表示RAM或其他主存储器的一页或多页的区域，或磁盘存储装置或其他非易失性存储装置的一个或多个块的区域，以及这些区域内的编程指令。在一个实施例中，在视图(a)中，移动计算机应用200包括账户田地数据摄取共享指令202、概述和警报指令204、数字地图簿指令206、种子和播种指令208、氮指令210、天气指令212、田地健康指令214和性能(performance)指令216。
在一个实施例中，移动计算机应用200包括帐户、田地、数据摄取、共享指令202，其被编程为经由手动上传或API从第三方系统接收、翻译和摄取田地数据。数据类型可以包括田地边界、产量图、播种图、土壤测试结果、施用图和/或管理区等。数据格式可以包括形状文件、第三方的本地数据格式和/或农场管理信息系统(FMIS)导出等等。接收数据可能通过手动上传、带有附件的电子邮件、将数据推送到移动应用的外部API或调用外部系统的API来将数据拉入移动应用的指令来发生。在一个实施例中，移动计算机应用200包括数据收件箱。响应于接收到对数据收件箱的选择，移动计算机应用200可以显示图形用户界面，以用于手动上传数据文件并将上传的文件导入数据管理器。
在一个实施例中，数字地图簿指令206包括存储在设备存储器中的田地地图数据层，并被用数据可视化工具和地理空间田地注释编程。这为种植者提供了方便的信息，供其参考、记录和观察田地表现。在一个实施例中，概述和警报指令204被编程为提供对种植者重要的内容的全操作视图，以及及时采取行动或关注特定问题的建议。这样可使种植者将时间集中在需要注意的地方，以节省时间并在整个季节保持产量。在一个实施例中，种子和播种指令208被编程为基于科学模型和经验数据提供用于种子选择、杂交种放置和脚本创建的工具，包括可变率(variable rate，VR)脚本创建。这使种植者可以通过优化种子购买、放置和密度(population)来最大化产量或投资回报。
在一个实施例中，脚本生成指令205被编程为提供用于生成脚本的界面，该脚本包括可变率(VR)肥力脚本。该界面使能种植者为田地实施(诸如养分施用、播种和灌溉)创建脚本。例如，播种脚本界面可以包括用于识别用于播种的种子类型的工具。在接收到对种子类型的选择之后，移动计算机应用200可以显示分成管理区域的一个或多个田地，诸如作为数字地图簿指令206的一部分而创建的田地地图数据层。在一个实施例中，管理区域包括土壤区域以及标识每个土壤区域以及每个区域的土壤名称、质地、排水或其他田地数据的面板。移动计算机应用200还可以在一个或多个田地的地图上显示用于编辑或创建的工具，诸如用于绘制管理区域(例如土壤区域)的图形工具。播种过程可以应用于所有管理区域，或者不同的播种过程可以应用于管理区域的不同子集。当创建脚本时，移动计算机应用200可以使脚本可用于以应用程序控制器可读的格式下载，诸如存档或压缩格式。另外和/或可替代地，脚本可以从移动计算机应用200直接发送到驾驶室计算机115和/或被上传到一个或多个数据服务器并被存储以供进一步使用。
在一个实施例中，氮指令210被编程以提供工具，以通过可视化农作物中氮的可用性来通知氮决策。这使得种植者能够通过优化季节期间的氮施用来使产量或投资回报最大化。示例编程功能包括显示图像(诸如SSURGO图像)以允许以高空间分辨率(取决于传感器的接近度和分辨率，可达到毫米或以下)绘制肥料施用区和/或从子田地土壤数据(诸如从传感器获得的数据)生成的图像；上传现有的种植者定义的区域；提供植物养分可用率的图表和/或地图以允许跨多个区域调节氮的施用；输出脚本以驱动机械装置；用于大量数据输入和调整的工具；和/或用于数据可视化的地图等。在该上下文中，“大量数据输入”可以指一次性输入数据，然后将相同数据应用于系统中已定义的多个田地和/或区域；示例数据可以包括对于同一种植者的许多田地和/或区域都相同的氮施用数据，但是这种大量数据输入适用于将任何类型的田地数据输入到移动计算机应用200中。例如，氮指令210可以被编程为接受氮施用和实践程序的定义并接受指定跨多个田地应用那些程序的用户输入。在此上下文中，“氮应用程序”指的是存储的命名数据集，这些数据集与以下相关联：名称、颜色代码或其他标识符、施用的一个或多个日期、每种日期和数量的材料或产品类型、施用或掺入的方法(例如注射或撒播)、和/或作为施用对象的杂交种、农作物、或每个日期的施用量或施用速率等。在该上下文中，“氮实践程序”指的是存储的命名数据集，这些数据集与以下相关联：实践名称；以前的农作物；耕作系统；主要耕作日期；使用过的一个或多个以前的耕作系统；使用过的一种或多种施用类型的指标，例如肥料。氮指令210还可以被编程为生成并使得显示氮图，该氮图指示植物对指定氮的使用的规划并预测是过量还是不足；在一些实施例中，不同的颜色指示符可以信号通知过剩量或不足量。在一个实施例中，氮图包括计算机显示设备中的图形显示，其包括多行，每一行与田地相关联并标识田地；指定田地播种何种农作物、田地大小、田地地点以及田地周长的图形表示的数据；在每一行中，按月的时间线，其具有图形指示符，用于指定与月份名称相关的点的每次氮施用和施用量；以及过量或短缺的数字和/或彩色指示符，其中颜色表示数量。
在一个实施例中，氮图可以包括一个或多个用户输入特征，诸如刻度盘或滑动条，以动态地改变氮播种和实践程序，使得用户可以优化他的氮图。然后，用户可以使用其优化的氮图以及相关的氮播种和实践程序来实施一个或多个脚本，包括可变率(VR)肥力脚本。氮指令210也可以被编程为生成并使得显示氮图，该氮图指示植物对指定氮的使用的规划并预测是过量还是不足；在一些实施例中，不同的颜色指示符可以信号通知过剩量或不足量。氮图可以显示植物对指定氮的使用的规划，并使用过剩或不足的数字和/或颜色指示符显示预测在过去和未来的不同时间(诸如每天、每周、每月或每年)是过量还是不足，其中颜色指示了量。在一个实施例中，氮图可以包括一个或多个用户输入特征，诸如刻度盘或滑动条，以动态地改变氮的播种和实践程序，使得用户可以优化他的氮图，诸如获取优选过剩量来弥补不足。然后，用户可以使用其优化的氮图以及相关的氮播种和实践程序来实施一个或多个脚本，包括可变率(VR)肥力脚本。在其他实施例中，类似于氮指令210的指令可以用于其他营养物(诸如磷和钾)的施用、农药的施用以及灌溉程序。
在一个实施例中，天气指令212被编程为提供特定于田地的最近天气数据和天气预报信息。这使得种植者能够节省时间，并在日常操作决策方面具有高效的集成显示。
在一个实施例中，田地健康指令214被编程以及时提供突出当季农作物变化和潜在的关注的遥感图像。示例编程功能包括云检查，用于识别可能的云或云阴影；基于田地图像确定氮指数；勘探层的图形可视化，包括例如与田地健康有关的层，以及查看和/或共享勘探笔记；和/或从多个源下载卫星图像，并为种植者确定图像优先级等。
在一个实施例中，性能指令216被编程为使用农场数据来提供报告、分析和见解工具，以用于评估、洞悉和决策。这使种植者能够通过基于事实的结论(为何投资回报率处于先前水平)以及对产量限制因素的见解，来为下一年寻求改善结果。性能指令216可以被编程为经由(一个或多个)网络109传输到在农业智能计算机系统130和/或外部数据服务器计算机108处执行的后端分析程序，并且被配置为分析诸如产量、产量差异、杂交种、密度、SSURGO区域、土壤测试属性或海拔等的度量。编程的报告和分析可以包括产量可变性分析、处理效果估计、基于从许多种植者处收集的匿名数据或种子和播种数据等对照其他种植者对产量和其他度量进行的基准测试。
具有以此方式配置的指令的应用可以针对不同的计算设备平台来实现，同时保持相同的通用用户界面外观。例如，可以对移动应用进行编程，以在使用客户端计算机上的浏览器访问的平板电脑、智能手机或服务器计算机上执行。此外，为平板计算机或智能手机配置的移动应用可以提供适合于驾驶室计算机115的显示和处理能力的完整应用体验或驾驶室应用体验。例如，现在参考图2的视图(b)，在一个实施例中，驾驶室计算机应用220可以包括地图-驾驶室(maps-cap)指令222、远程视图指令224、数据收集和传输指令226、机器警报指令228、脚本传输指令230和驾驶室勘探指令232。视图(b)的指令的代码库可以与视图(a)的相同，可以对实现该代码的可执行文件(executable)进行编程，以检测它们在其上执行的平台的类型，并通过图形用户界面仅公开适用于驾驶室平台或完整平台的那些功能。这种方法使系统能够识别出适用于驾驶室内环境和驾驶室不同技术环境的截然不同的用户体验。可以对地图-驾驶室指令222进行编程以提供可用于指导机器操作的田地、农场或区域的地图视图。远程视图指令224可以被编程为实时地或近乎实时地打开、管理机器活动的视图，并且经由无线网络、有线连接器或适配器等将机器活动的视图提供给连接到系统130的其他计算设备。数据收集和传输指令226可以被编程为打开、管理在传感器和控制器处收集的数据，并且经由无线网络、有线连接器或适配器等将其传输给系统130。机器警报指令228可以被编程为检测与驾驶室相关的机器或工具的操作问题并生成操作者警报。脚本传输指令230可以被配置为以指令脚本的形式传输，该指令脚本被配置为指导机器操作或数据的收集。驾驶室勘探指令232可以被编程为基于田地管理者计算设备104、农业装置111或传感器112在田地中的地点来显示从系统130接收的基于地点的警报和信息，并且基于农业装置111或传感器112在田地中的地点来摄取、管理基于地点的勘探观测并将其传输给系统130。
2.3.数据摄入到计算机系统
在实施例中，外部数据服务器计算机108存储外部数据110，其包括表示一个或多个田地的土壤成分的土壤数据和表示一个或多个田地的温度和降水的天气数据。天气数据可以包括过去和当前的天气数据以及对未来天气数据的预测。在实施例中，外部数据服务器计算机108包括由不同实体托管的多个服务器。例如，第一服务器可以包含土壤成分数据，而第二服务器可以包括天气数据。另外，土壤成分数据可以存储在多个服务器中。例如，一个服务器可以存储表示土壤中的沙子、淤泥和粘土百分比的数据，而第二个服务器可以存储表示土壤中的有机物(OM)百分比的数据。
在实施例中，远程传感器112包括被编程或配置为产生一个或多个观察结果的一个或多个传感器。远程传感器112可以是空中传感器(诸如卫星)、车辆传感器、播种设备传感器、耕作传感器、肥料或杀虫剂施用传感器、收割机传感器以及能够从一个或多个田地接收数据的任何其他工具。在实施例中，应用控制器114被编程或配置为从农业智能计算机系统130接收指令。应用控制器114也可以被编程或配置为控制农用车辆或农具的操作参数。例如，应用控制器可以被编程或配置为控制车辆的操作参数，诸如拖拉机、播种设备、耕作设备、肥料或杀虫剂设备、收割机设备或其他农具(诸如水阀)。其他实施例可以使用传感器和控制器的任何组合，以下仅仅是选择的示例。
系统130可以在用户102的控制下从向共享数据库系统贡献数据的大量种植者大规模获取或摄取数据。这种获取数据的形式可以称为“手动数据摄取”，因为一个或多个用户控制的计算机操作被请求或触发来获得供系统130使用的数据。作为示例，可以操作可从加利福尼亚州旧金山的克莱米特公司购买的CLIMATE FIELDVIEW应用，以将数据导出到系统130用于存储在存储库160中。
例如，种子监控器系统既可以控制播种机装置组件并且获得播种数据，包括通过信号线束来自种子传感器的信号，该信号线束包括CAN主干网和点对点连接以用于注册和/或诊断。种子监控器系统可以被编程或配置为通过驾驶室计算机115或系统130内的其他设备向用户显示种子间距、密度和其他信息。示例在美国专利No.8,738,243和美国专利公开号为20150094916中被公开，并且本公开假定具有这些其他专利公开的知识。
同样，产量监控器系统可以包含用于收割机装置的产量传感器，这些传感器将产量测量数据发送到驾驶室计算机115或系统130中的其他设备。产量监控器系统可以利用一个或多个远程传感器112来获得联合收割机或其他收割机中谷物的水分测量值，并通过驾驶室计算机115或系统130内的其他设备将测量值发送给用户。
在实施例中，可以与本文其他各处描述的类型的任何移动车辆或装置一起使用的传感器112的示例包括运动学传感器和位置传感器。运动学传感器可以包括任何速度传感器，例如雷达或车轮速度传感器、加速计或陀螺仪。位置传感器可以包括GPS接收器或收发器，或基于WiFi的位置或地图应用，其被编程为基于附近的WiFi热点等确定地点。
在实施例中，可以与拖拉机或其他移动车辆一起使用的传感器112的示例包括发动机速度传感器、燃料消耗传感器、与GPS或雷达信号交互的区域计数器或距离计数器、PTO(动力输出装置)速度传感器、被配置为检测液压参数(诸如压力或流量和/或液压泵速度)的拖拉机液压传感器、轮速传感器或轮滑传感器。在实施例中，可以与拖拉机一起使用的控制器114的示例包括液压方向控制器、压力控制器和/或流量控制器；液压泵速度控制器；速度控制器或调速器；挂钩位置控制器；或车轮位置控制器提供自动转向。
在实施例中，可以与诸如播种机、条播机或空中播种机之类的种子播种设备一起使用的传感器112的示例包括：种子传感器，其可以是光学、电磁或碰撞传感器；下压力传感器，诸如负载销、测压元件、压力传感器；土壤特性传感器，诸如反射率传感器、湿度传感器、电导率传感器、光学残留传感器或温度传感器；组件操作标准传感器，诸如播种深度传感器、下压力缸压力传感器、种子盘速度传感器、种子驱动电机编码器、种子输送系统速度传感器或真空度传感器；或农药施用传感器，诸如光学或其他电磁传感器或碰撞传感器。在实施例中，可以与此种子播种设备一起使用的控制器114的示例包括：工具栏折叠控制器，诸如用于与液压缸相关联的阀门的控制器；下压力控制器，诸如与气压缸、安全气囊或液压缸相关联的阀门的控制器，并被编程以将下压力施加到单个行单元或整个播种机架上；播种深度控制器，诸如线性致动器；计量控制器，诸如电动种子计量器驱动电机、液压种子计量器驱动电机或条带控制离合器；杂交种选择控制器，诸如种子计量器驱动电机或其他致动器，其被编程用于选择性地允许或阻止种子混合物或空气种子混合物(air-seed mixture)将种子传送至种子计量器或中央散装料斗或从种子计量器或中央散装料斗传送种子；计量控制器，诸如电动种子计量器驱动电机或液压种子计量器驱动电机；种子输送机系统控制器，诸如带式种子传送输送机电机的控制器；标记控制器，诸如气动或液压致动器的控制器；或农药施用速率控制器，诸如计量驱动控制器、孔口大小或位置控制器。
在实施例中，可以与耕作设备一起使用的传感器112的示例包括：用于工具(诸如柄或圆盘)的位置传感器；用于此类工具的工具位置传感器，该类工具被配置为检测深度、成组角度(gang angle)或横向间距；下压力传感器；或牵引力传感器。在实施例中，可以与耕作设备一起使用的控制器114的示例包括下压力控制器或工具位置控制器，诸如被配置为控制工具深度、成组角度或横向间隔的控制器。
在实施例中，可以关于用于施用肥料、杀虫剂、杀菌剂等的设备(诸如播种机上的肥料启动器系统、下层土壤肥料施用器或肥料喷洒器)使用的传感器112的示例包括：流体系统标准传感器，诸如流量传感器或压力传感器；指示哪个喷头阀或流体管线阀打开的传感器；与罐相关的传感器，诸如料位传感器；分段或全系统供给线传感器，或行专用的供给线传感器；或运动学传感器，诸如布置在喷杆上的加速度计。在实施例中，可以与此种装置一起使用的控制器114的示例包括：泵速度控制器；以及阀控制器，其被编程为控制压力、流量、方向、PWM等；或位置致动器，诸如动臂高度、深耕犁深度或动臂位置。
在实施例中，可以与收割机一起使用的传感器112的示例包括：产量监测器，诸如碰撞板应变仪或位置传感器、电容式流量传感器、负载传感器、重量传感器或与升降机或螺旋钻相关联的扭矩传感器、或光学或其他电磁谷物高度传感器；谷物水分传感器，诸如电容传感器；谷物损失传感器，包括碰撞、光学或电容传感器；割台操作标准传感器，诸如割台高度传感器、割台类型传感器、盖板间隙传感器、进料器速度传感器和卷筒速度传感器；分离器操作标准传感器，诸如凹入间隙传感器、转子速度传感器、底托间隙传感器或筛选间隙传感器；针对位置、操作或速度的螺旋钻传感器；或发动机转速传感器。在实施例中，可以与收割机一起使用的控制器114的示例包括：针对如下元素的割台操作标准控制器，诸如割台高度、割台类型、盖板间隙、进料器速度或卷盘速度；针对如下特征的分离器操作标准控制器，诸如凹入间隙、转子速度、底托间隙或筛选间隙；或针对螺旋钻位置、操作或速度的控制器。
在实施例中，可以与谷物推车一起使用的传感器112的示例包括重量传感器或针对螺旋钻位置、操作或速度的传感器。在实施例中，可以与谷物推车一起使用的控制器114的示例包括针对螺旋钻位置、操作或速度的控制器。
在实施例中，传感器112和控制器114的示例可以安装在无人驾驶飞行器(UAV)装置或“无人机”中。此类传感器可以包括：带有对任何范围的电磁光谱都有效的检测器的相机，这些电磁光谱包括可见光、红外、紫外、近红外(NIR)等；加速度计；高度计；温度传感器；湿度传感器；皮托管传感器或其他空速或风速传感器；电池寿命传感器；或雷达发射器和反射式雷达能量检测装置；其他电磁辐射发射器和反射电磁辐射检测装置。此种控制器可以包括引导或电机控制装置、控制面控制器、相机控制器或被编程为从任何前述传感器开启、操作、获得数据，管理并配置任何前述传感器的控制器。示例在美国专利No.14/831,165中公开，并且本公开假定具有其他专利公开的知识。
在实施例中，传感器112和控制器114可以固定到土壤采样和测量装置，该装置被配置或编程为对土壤进行采样并执行土壤化学测试、土壤湿度测试以及其他与土壤有关的测试。例如，可以使用美国专利No.8,767,194和美国专利No.8,712,148中公开的装置，并且本公开假定具有这些专利公开的知识。
在实施例中，传感器112和控制器114可以包括用于监视田地的天气状况的天气设备。例如，可以使用在2015年4月29日提交的美国临时申请No.62/154,207、2015年6月12日提交的美国临时申请No.62/175,160、2015年7月28日提交的美国临时申请No.62/198,060、和2015年9月18日提交的美国临时申请No.62/220,852中公开的装置，并且本公开假定具有这些专利公开的知识。
2.4.过程概述-农艺模型训练
在实施例中，农业智能计算机系统130被编程或配置为创建农艺模型。在该上下文中，农艺模型是农业智能计算机系统130的存储器中的数据结构，其包括田地数据106，诸如一个或多个田地的标识数据和收获数据。农艺模型还可以包括计算出的农艺特性，其描述了可能影响一种或多种农作物在田地的生长的条件，或一种或多种农作物的特性，或两者。另外，农艺模型可以包括基于农艺因素的建议，例如农作物建议、灌溉建议、播种建议、肥料建议、杀菌剂建议、农药建议、收获建议和其他农作物管理建议。农艺因素还可以用于估计一种或多种与农作物有关的结果，例如农艺产量。农作物的农艺产量是对所生产的农作物的数量的估计，或者在某些示例中是从所生产农作物获得的收入或利润。
在实施例中，农业智能计算机系统130可以使用预配置的农艺模型来计算与当前接收到的一个或多个田地的地点和农作物信息有关的农艺特性。预先配置的农艺模型基于先前处理的田地数据，包括但不限于标识数据、收获数据、肥料数据和天气数据。预先配置的农艺模型可能已经过交叉验证，以确保模型的准确性。交叉验证可以包括与地面实况的比较，该实况将预测结果与田地的实际结果进行比较，例如降雨估算与使用雨量计或传感器提供相同或附近位置的天气数据的比较，或氮含量估算与土壤样品测量的比较。
图3示出了编程的过程，通过该过程，农业智能计算机系统使用由一个或多个数据源提供的田地数据来生成一个或多个预先配置的农艺模型。图3可以用作用于对农业智能计算机系统130的功能元件进行编程以执行现在所描述的操作的算法或指令。
在框305，农业智能计算机系统130被配置或编程为对从一个或多个数据源接收的田地数据实施农艺数据预处理。可以对从一个或多个数据源接收的田地数据进行预处理，以消除噪声、失真影响以及农艺数据中的混杂因素，混杂因素包括可能对接收到的田地数据值产生不利影响的异常值。农艺数据预处理的实施例可以包括但不限于去除通常与异常数据值相关联的数据值、已知不必要地歪曲其他数据值的特定测量数据点、用于去除或减少噪声带来的加性或乘性效应的数据平滑、聚合或采样技术、以及用于明确区分正负数据输入的其他过滤或数据推导技术。
在框310，农业智能计算机系统130被配置或编程为使用预处理的田地数据来执行数据子集选择，以便识别对于初始农艺模型生成有用的数据集。农业智能计算机系统130可以实现数据子集选择技术，包括但不限于遗传算法方法、所有子集模型方法、顺序搜索方法、逐步回归方法、粒子群优化方法和蚁群优化方法。例如，遗传算法选择技术基于自然选择和遗传学的进化原理，使用自适应启发式搜索算法来确定和评估预处理农艺数据中的数据集。
在框315，农业智能计算机系统130被配置或编程为实施田地数据集评估。在实施例中，通过创建农艺模型并使用针对所创建的农艺模型的特定质量阈值来评估特定田地数据集。可以使用一种或多种比较技术来比较和/或验证农艺模型，例如但不限于，留一交叉验证均方根误差(RMSECV)、平均绝对误差和平均百分比误差。例如，RMSECV可以通过比较由农艺模型创建的预测农艺属性值与收集和分析的历史农艺属性值来交叉验证农艺模型。在实施例中，将农艺数据集评估逻辑用作反馈回路，其中在未来的数据子集选择步骤期间使用不满足配置的质量阈值的农艺数据集(框310)。
在框320，农业智能计算机系统130被配置或编程为基于交叉验证的农艺数据集来实现农艺模型创建。在实施例中，农艺模型创建可以实施多元回归技术以创建预配置的农艺数据模型。
在框325，农业智能计算机系统130被配置或编程为存储用于将来田地数据评估的预配置的农艺数据模型。
2.5.实施示例-硬件概述
根据一个实施例，本文描述的技术由一个或多个专用计算设备实现。专用计算设备可以硬连线来执行该技术，或者可以包括数字电子设备，例如一个或多个被持续地编程以执行该技术的专用集成电路(ASIC)或现场可编程门阵列(FPGA)，或者可以包括一个或多个通用硬件处理器，其被编程为根据固件、存储器、其他存储装置或组合中的程序指令来执行技术。此种专用计算设备还可以将定制的硬连线逻辑、ASIC或FPGA与定制的编程相结合，以实现这些技术。专用计算设备可以是台式计算机系统、便携式计算机系统、手持式设备、网络设备或结合了硬连线和/或程序逻辑以实现该技术的任何其他设备。
例如，图4是示出了可以在其上实现本发明的实施例的计算机系统400的框图。计算机系统400包括用于传输信息的总线402或其他通信机制，以及与总线402耦合以处理信息的硬件处理器404。硬件处理器404可以是例如通用微处理器。
计算机系统400还包括主存储器406，例如随机存取存储器(RAM)或其他动态存储设备，其耦合到总线402用于存储要由处理器404执行的信息和指令。主存储器406还可用于在由处理器404执行的指令的执行期间存储临时变量或其他中间信息。当此指令被存储在处理器404可访问的非暂态存储介质中时，其将计算机系统400渲染成专用于执行指令中指定的操作的专用机器。
计算机系统400还包括只读存储器(ROM)408或其他静态存储设备，其耦合到总线402用于存储处理器404的静态信息和指令。存储设备410(诸如磁盘、光盘或固态驱动器)被提供并耦合到总线402以存储信息和指令。
计算机系统400可以通过总线402耦合到显示器412，例如阴极射线管(CRT)，以向计算机用户显示信息。包括字母数字和其他键的输入设备414被耦合到总线402，用于将信息和命令选择传输给处理器404。用户输入设备的另一种类型是光标控件416，诸如鼠标、轨迹球或光标方向键，用于将方向信息和命令选择传输给处理器404并控制显示器412上的光标移动。该输入设备通常在两个轴(第一轴(例如，x)和第二轴(例如，y))上具有两个自由度，这允许该设备指定平面中的位置。
计算机系统400可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或与计算机系统结合来使得或将计算机系统400编程为专用机器的程序逻辑来实现本文描述的技术。根据一个实施例，本文的技术由计算机系统400响应于处理器404执行包含在主存储器406中的一个或多个指令的一个或多个序列来执行。此指令可以从另一存储介质(诸如存储设备410)被读入到主存储器406。执行主存储器406中包括的指令序列使处理器404执行本文所述的处理步骤。在替代实施例中，可以使用硬连线电路代替软件指令或与软件指令结合使用。
如本文所用的术语“存储介质”是指存储使机器以特定方式操作的数据和/或指令的任何非暂态介质。此存储介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘、磁盘或固态驱动器，例如存储设备410。易失性介质包括动态存储器，例如主存储器406。存储介质的常见形式包括，例如，软盘、软性盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、任何带有孔图案的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储芯片或盒式磁带。
存储介质与传输介质不同，但可以与传输介质结合使用。传输介质参与存储介质之间的信息传输。例如，传输介质包括同轴电缆、铜线和光纤，包括包含总线402的线。传输介质也可以采用声波或光波的形式，例如在无线电波和红外数据通信期间生成的声波或光波。
各种形式的介质可以涉及将一个或多个指令的一个或多个序列携带到处理器404以供执行。例如，指令最初可以承载在远程计算机的磁盘或固态驱动器上。远程计算机可以将指令加载到其动态存储器中，然后使用调制解调器通过电话线发送指令。计算机系统400本地的调制解调器可以在电话线上接收数据，并使用红外发射器将数据转换为红外信号。红外检测器可以接收红外信号中携带的数据，并且适当的电路可以将数据放置在总线402上。总线402将数据携带到主存储器406，处理器404从主存储器406中检索并执行指令。由主存储器406接收的指令可以可选地在处理器404执行之前或之后存储在存储设备410上。
计算机系统400还包括耦合到总线402的通信接口418。通信接口418提供耦合到被连接到本地网络422的网络链路420的双向数据通信耦合。例如，通信接口418可以是集成服务数字网络(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供到对应类型的电话线的数据通信连接。作为另一示例，通信接口418可以是局域网(LAN)卡，以提供到兼容LAN的数据通信连接。无线链路也可以被实现。在任何此实现方式中，通信接口418发送和接收电、电磁或光信号，其携带表示各种类型的信息的数字数据流。
网络链路420通常通过一个或多个网络向其他数据设备提供数据通信。例如，网络链路420可以通过本地网络422提供到主机计算机424的连接或到由互联网服务提供商(ISP)426操作的数据设备的连接。ISP 426进而通过现在通常称为“因特网”428的全球分组数据通信网络提供数据通信服务。局域网422和因特网428都使用携带数字数据流的电、电磁或光信号。通过各种网络的信号和在网络链路420上并通过通信接口418的信号是传输介质的示例形式，这些信号携带去往和来自计算机系统400的数字数据。
计算机系统400可以通过(一个或多个)网络、网络链路420和通信接口418发送消息并接收数据，包括程序代码。在因特网示例中，服务器430可以通过因特网428、ISP 426、本地网络422和通信接口418发送针对应用程序的请求的代码。
所接收的代码可以在其被接收到时由处理器404执行，和/或存储在存储设备410或其他非易失性存储器中，以供以后执行。
3.功能概述
本文描述了用于在一个或多个田地中实施试验的系统和方法。如本文所用的，试验是指在一部分农田中进行一种或多种不同的农业活动，以便识别进行一种或多种不同的农业活动的益处或坏处。作为示例，可以在农田i中选择子田地以实施杀菌剂试验。在子田地区域内，农作物可以接收杀菌剂的施用，而田地的其余部分和/或田地上的其他子田地区域不接收杀菌剂的施用。替代地，该田地的其余部分可以接收杀菌剂的施用，而该子田地区域内的农作物不接收杀菌剂的施用。田地的进行一种或多种不同农业活动的子田地区域在本文中称为测试地点。在一些实施例中，还可以分配不包括不同农业活动的子田地区域，并称为测试地点。
可以进行试验以测试新产品、不同的管理实践、不同的农作物或其任意组合的效能。例如，如果田地通常不接收杀菌剂，则可以设计其中在田地选定部分内的农作物在农作物生长过程中一次或多次接收杀菌剂的试验。作为另一示例，如果通常以常规方式耕作田地，则可以设计其中田地的选定部分不耕作的试验。因此，可以实施试验来确定是否遵循管理实践建议，而不必局限于测试特定产品的效能。另外地或替代地，可以设计试验来比较两种不同类型的产品、播种率、设备和/或其他管理实践。
试验可能会受到一个或多个规则的约束。试验可能需要一个或多个测试地点具有特定的大小和/或布置在特定的地点。例如，该试验可能需要将一个或多个测试地点布置在条件与田地的其余部分相当的田地区域中。如本文所用的，测试地点是指农田的一区域，该区域接收与周围区域不同的一种或多种的处理。因此，测试地点可以指代农田中任何形状的土地。另外地或替代地，该试验可能需要将一个或多个测试地点布置在条件与田地的其余部分不同的田地区域中和/或跨不同类型的条件的田地区域中。该试验可能需要在一个或多个测试地点进行一种或多种不同的管理实践。例如，作为播种不同类型杂交种种子的测试的一部分，试验可能需要特定的播种率。
图7描绘了实施试验的示例方法。在步骤702，在农业智能计算系统处接收多个农田的田地数据。例如，农业智能计算系统可以跟踪与多个不同的田地管理者相关联的田地的发展。服务器可以通过网络从田地管理者计算设备、远程传感器和/或外部计算系统接收多个田地的数据。本文进一步描述了田地数据的类型和获得田地数据的方法。
在步骤704，至少部分地基于多个农田的田地数据来识别一个或多个目标农田。农业智能计算系统可以被编程或配置为直接识别田地和/或将田地管理者帐户识别为用于发送试验请求消息的目标帐户。通常，农业智能计算系统可以基于接受试验的似然性、执行试验的田地的可能收益、检测执行试验的田地的收益的似然性以及试验的一般适用性来选择目标农田。识别田地的方法在本文中进一步描述。
在步骤706，农业智能计算系统将试验参与请求发送到与一个或多个目标农田相关联的田地管理者计算设备。试验参与请求可以标识产品和/或要进行的一种或多种管理实践，作为试验的一部分。试验参与请求可以还包括参加试验的成本或收益。本文将进一步描述试验参与请求。
在步骤708，从田地管理者计算设备接收指示接受试验参与请求的数据。例如，农业智能计算系统可以通过在田地管理者计算设备上执行的图形用户界面来接收指示对试验参与请求的接受的选项的选择。
在步骤710，确定用于实施试验的一个或多个目标农田上的一个或多个地点。农业智能计算系统可以基于能够执行试验的田地中的区域、在每个地点执行试验的效率、试验对其他地点的适用性和/或执行试验的田地的收益，识别用于实施试验的田地的地点。本文进一步描述确定用于实施试验的地点的方法。
在步骤712，将识别一个或多个地点的数据发送到田地管理者计算设备。例如，农业智能计算系统可以使地图显示在客户端计算设备的显示器上，其中该地图标识一个或多个测试地点以及指示要应用于该测试地点的产品和/或管理实践的数据。另外地或替代地，农业智能计算系统可以在一个或多个田地上生成用于田地器具的一个或多个脚本，该脚本使该田地器具在一个或多个地点上应用产品和/或管理实践。数据可以附带实施试验的指令。本文进一步描述了用于识别一个或多个测试地点到田地管理者计算设备的方法。
在步骤714，农业智能计算系统接收一个或多个目标农田的应用数据。例如，田地器具和/或远程传感器可以测量播种的填充率(population rate)、农药的施用、杀菌剂的施用和/或肥料的施用、灌溉、耕作或与一种或多种农作物的生长相关联的任何其他应用的产品、管理方法或价值。另外地或可替代地，田地管理者可以通过在田地管理者计算设备上执行的图形用户界面来识别对农业智能计算系统的管理、播种和/或应用实践。
在步骤716，基于应用数据，确定一个或多个目标农田是否符合试验。例如，农业智能计算系统可以确定是否已经在适当的位置并且利用适当的播种、产品和/或管理规则实施了适当大小的测试地点。如果一个或多个目标农田不符合该试验，则农业智能计算系统可以确定更新试验的方式，以使田地管理者有机会符合该试验。例如，如果田地管理者在为试验选择的地点中播种的填充率不正确的，则农业智能计算系统可以识别用于实施部分或全部试验的新地点，并将识别新地点的数据发送给田地管理者计算设备。
在步骤718，计算系统接收用于试验的结果数据。例如，如果田地符合初始试验或更新的试验，则农业智能计算系统可以接收该田地的一个或多个测试地点和一个或多个其他部分的产量数据和/或利润数据。另外地或替代地，一个或多个单独的计算设备可以在将收益值发送到农业智能计算机系统之前执行计算产量数据和计算收益值的步骤。结果数据可以由田地管理者计算设备和/或一个或多个器具或传感器发送。例如，一个或多个田地的卫星图像可以用于计算一个或多个田地和测试地点二者的总产量和/或推断农作物状态。
在步骤720，基于结果数据，计算试验的收益值。例如，农业智能计算机系统可以根据结果数据来计算收益值。收益值可以包括标识产量增加、利润增加、投入成本或时间节省和/或农作物质量增加的值。基于收益值，农业智能计算系统可以确定是否发出针对试验的回扣、请求额外资金或以其他方式和与田地管理者计算设备相关联的田地管理者交换值。
图7描绘了实施试验的一种示例方法。其他示例可以包括更少或更多的步骤。例如，农业智能计算系统可以执行图7的步骤，但没有步骤706和708，从而提供了目标识别、地点识别和跟踪试验的益处，而无需与田地管理者计算设备进行交互。作为另一种选择，农业智能计算系统可以将多种可能的试验类型发送到田地管理者计算设备，并具有选择在田地实施的一种或多种试验类型的选项。
本文所使用的田地管理者计算设备可以充当田地管理者和农业智能计算系统之间的通信设备和/或作为田地器具的控制器。因此，农业智能计算系统可以将指令发送到田地管理者计算设备，该指令在由田地管理者计算设备执行时，使得控制在田地上的器具实施试验和/或收集田地数据。与田地器具的直接通信可以用于绕过与田地管理者的通信。例如，在步骤712中，可以将标识用于实施试验的地点的数据发送到充当田地器具的控制器的田地管理者计算设备，从而使田地器具在所标识的地点执行试验。田地管理者计算设备可以包括与农业智能计算系统进行通信的单个计算设备，或者包括在处理的不同步骤与农业智能计算系统进行通信的多个计算设备。例如，第一计算设备可以在步骤706中接收试验参与请求，而第二计算设备可以在步骤712中接收地点数据。
4.提供的田地数据
在实施例中，农业智能计算系统通过网络与多个田地管理者计算设备进行通信。多个田地管理者计算设备中的每个田地管理者计算设备可以与一个或多个田地相关联。例如，农业智能计算系统可以存储多个不同用户账户的账户信息。田地管理者计算设备可以登录到特定用户帐户以与农业智能计算系统进行通信。该用户帐户可以包括标识与该用户帐户相关联的一个或多个田地的数据。
农业智能计算系统可以从田地管理者计算设备接收关于一个或多个田地的数据。另外地或替代地，农业智能计算系统系统可以从一个或多个田地上的或附近的一个或多个远程传感器、一个或多个卫星、一个或多个载人无人飞行器(MAV或UAV)、一个或多个活跃传感器和/或一个或多个外部数据服务器，接收关于与田地管理者计算设备相关联的一个或多个田地的信息。数据可以包括田地描述、土壤数据、播种数据、肥料数据、收获和产量数据、农作物保护数据、病虫害数据、灌溉数据、平铺(tiling)数据、图像、天气数据以及其他管理数据。
田地描述可以指田地地点、田地总面积、田地的形状和边界、田地的海拔和地形变化性、田地耕作的历史、田地的农作物轮作历史、田地的病害史、田地农作物保护、田地农场设备使用历史以及关于田地操作者的数据。可以使用GPS坐标或任何其他标识田地地点的数据来标识田地地点。地形变化性可能包括海拔以及坡度差异、曲率以及该田地区域的一种或多种复合地形指数。耕作历史可以包括耕作类型、深度和/或时间安排。农作物轮作历史可以包括对田地上每个点播种的过去农作物的标识和/或用于识别轮作是规则的还是不规则的数据。农场设备的使用历史可以包括耕作、播种、施用和收获设备的标识。田地操作者数据可以标识在田地执行活动的一个或多个人员、操作或服务提供商。
土壤数据可以包括空间和/或时间上变化的子田地土壤水分、连续的子田地土壤温度、水流在田地上的连续涡动协方差、子田地土壤质地(包括土壤的类别和/或沙、淤泥和/或粘土的百分比、子田地土壤pH值、田地土壤有机质、田地土壤阳离子交换能力)、土壤测试数据(包括土壤收集地点、土壤收集日期、采样程序、处理日期、处理设施的标识、和/或处理和/或收集土壤的一个或多个人的标识)、其他土壤化学数据、土壤容重和/或缓冲能力。可以通过来自田地管理者计算设备、与测试设施相关联的一个或多个服务器、一个或多个远程或近端连接的传感器、土壤湿度、土壤温度和/或其他土壤化学或物理参数的一个或多个模型、和/或来自一个或多个土壤信息数据库(例如SSURGO土壤数据库)的输入来接收土壤数据。
播种数据可以包括农作物类型、种子产品信息(例如杂交数据)、品种、种子处理、相对成熟度、成熟度的生长天数、抗病性等级和/或可站立性、深度和行距、播种的种子密度、预期的种子密度、播种的时间和日期、空间索引的种子播种率、目标产量、播种设备数据(例如类型、能力和尺寸)、使用或未使用种子牢固剂、开始的肥料数据、补种数据、存在的试验和/或其他实验、以及播种的形状和边界。
肥料数据可以包括肥料的施用日期、施用的混合物的类型、施用位置、施用量和目标速率、肥料成分、施用方法、肥料施用设备数据(例如类型、能力和尺寸)和/或施用成本。
收获和产量数据可以包括收获日期和时间、按地点和/或田地的产量、诸如玉米等产物的壳重、测试重量、田地使用的联合收割机数量、产量监视数据(诸如标定参数、速度和割台高度)、升降机测量值(诸如，负载湿重和湿度)、秆完整性、由于茎秆完整性问题而导致的定量产量损失、设备数据(例如类型、能力和尺寸)、残留物管理数据(诸如打捆数据、早期林分计数、倒伏数据，其包括根倒伏和茎秆衰竭)、greensnap(绿色突跳)数据、白色霉菌数据、黄色闪光数据和/或收获的形状和边界。
农作物保护数据可以包括农作物保护化学物质的施用日期和时间、施用类型、农作物保护化学物质和/或佐剂的化学组成、载体量、化学物质的施用率、载体溶液的比率、田地上的施用地点、施用方法、犁沟内肥料和/或杀虫剂的用户、设备数据(例如类型、能力和尺寸)和/或使用成本。
病虫害数据可以包括在植物组织、残留物和土壤中存在子田地病原体、昆虫引起的生物胁迫的损害类型和程度、和/或病原体引起的生物胁迫的损害类型和程度。损害程度可以被标识为低、中或高，或者标识为一个或多个数字等级。生物胁迫和病原体的存在可以被测量和/或建模。
灌溉数据可以包括灌溉的存在、灌溉系统类型、灌溉时间、灌溉量、灌溉施肥的使用和/或灌溉施肥的类型和量。
平铺数据可以包括平铺的存在、平铺系统类型、平铺系统地图、平铺系统流导、和/或平铺线中的流速或液位。
图像可以包括叶片病害和胁迫的叶面照片、胁迫植物的叶面和田地面照片、跨一个或多个可视带的田地的卫星图像和/或田地上的地点的任何其他图像。田地的图像可以另外包括对图像的部分的损害进行量化。图像可以基于可见光和/或可见光光谱之外的光带。
天气数据可以包括：历史、当前和/或预测的降雨数据，例如降雨量和降雨地点；历史、当前和/或预测温度，包括每小时温度、最高和最低温度，白天温度和夜间温度；露点；湿度；风速；风向；太阳辐射和白天和夜间的天空覆盖；天气对产量的影响；冰雹的存在；直线风；龙卷风和/或强降水和/或冬季的冻结深度。
额外的管理数据可以包括与农作物的管理和护理有关的任何其他数据，例如施用、处理和观察。观察结果可以包括观察到的干旱、观察到的积水、观察到的排水、观察到的农作物覆盖和/或观察到的对农作物的损害。
5.目标识别
至少部分地基于关于与多个田地管理者计算设备相关联的多个田地的数据，农业智能计算系统可以选择一个或多个特定田地来进行实验性试验。农业智能计算系统可以考虑以下因素，例如对实施实验性试验的田地的模型化收益、与该田地相关联的历史风险容忍度、使用田地实施实验性试验的有用性、检测到实施实验性试验的田地的收益的似然性、与田地相关联的操作能力、关于田地使用特定设备或机械、和/或识别的在田地上的现有或先前的实验。这些因素中的每一个将在本文中进一步描述。在本申请的第5.1节中以及在美国专利申请No.15/989,944中描述了用于识别目标田地的其他方法，该美国专利申请No.15/989,944的全部内容通过引用并入本文，如同在此完整阐述。
在实施例中，农业智能计算系统对实施实验性试验的田地的收益进行建模。例如，农业智能计算系统可以识别用于执行杀菌剂施用试验的一个或多个田地。农业智能计算系统可以识别过去曾经被真菌破坏和/或将来很可能被真菌破坏的一个或多个田地。农业智能计算系统还可以确定田地的产量和/或田地的总利润将通过施用特定的杀菌剂而产生益处或受益。农业智能计算系统还可以确定施用特定的杀菌剂的田地的产量和/或利润收益基于如下项将可能是可检测的：产量和/或利润收益的大小、整个田地的产量和/或收益的可变性、和/或田地的大小以及试验或测试区域的大小。基于该确定，农业智能计算系统可以将该一个或多个田地识别为杀菌剂施用试验的良好候选。
农业智能计算系统可以基于田地的响应性和对产品性能的分析来对田地效益进行建模。例如，通过对产品的不同试验，农业智能计算系统可以确定该产品平均将响应田地的产量增加第一数量，而将非响应田地的产量平均增加第二数量。可以基于先前的实践和产量的变化来确定田地的响应性。例如，当管理实践发生变化时，响应性较高的田地将具有更高的产量变化，而当管理实践发生变化时，响应性较低的田地将具有较低的产量变化。农业智能计算系统可以基于先前的实践、先前的产量数据以及来自一个或多个田地的其他田地数据，确定特定田地不同区域的响应性。然后，农业智能计算系统可以确定将产品应用于田地的响应部分和非响应部分的有效性。
农业智能计算系统可以识别具有可能影响农作物产量的一个或多个事件的风险的一个或多个田地。例如，病害风险可能是基于建模或测量的土壤湿度、田地中积水的存在、测量或建模的环境温度、测量或建模的环境湿度、记录或建模的农作物遗传学、记录或建模的播种日期、田地的卫星图像和/或田地的热成像。在专利申请No.15/820,317和15/820,322中描述了识别具有一个或多个事件的风险的田地的示例，上述专利申请的全部内容通过引用合并于此，如同在本文完全公开一样。
另外，农业智能计算系统可以识别增加或减少一个或多个事件的风险的管理实践。病害控制的示例包括对灌溉、轮作、耕作方法、植物遗传学和播种率的使用。另外，农业智能计算系统可以识别增加或减少一个或多个事件的风险的环境因素。病害控制的示例包括土壤有机质百分比、土壤pH值和其他土壤养分浓度。农业智能计算系统可以使用环境因素来确定哪些田地处于风险中，并基于风险百分比或计算的风险损害的严重性来选择田地。
尽管针对特定产品的应用描述了实施例，但是还可以基于来自一个或多个建议的对该田地的其他可能的收益来识别田地。例如，如果农业智能计算系统确定在田地的特定区域中较高的播种率有可能增加农作物的产量，则农业智能计算系统可以选择用于进行播种率增加试验的田地。
还可以基于田地的产量数据的均匀性、可变性和可预测性来识别田地。例如，如果农业智能计算系统确定田地在短长度尺度和/或区域中具有较低的产量变化性，而在较长长度尺度和/或区域之间具有较高的产量变化性，则农业智能计算系统可以选择该田地和/或进行试验的特定区域。
在实施例中，农业智能计算系统确定与田地相关的历史风险容忍度。例如，田地的先前实践可以指示，田地管理者对可能会增加土地的平均产量的高风险活动具有更高的容忍度。指示具有较高风险容忍度的实践示例包括：播种较少的杂交种或种子品种，播种设计成在最佳条件下产生较高产量但在非最佳条件下产生较低产量的杂交种或品种，与最佳管理实践相比不充分采用病虫害防治措施的历史趋势，首次播种新产品的田地的百分比，田地上的实验的数量，使用的播种密度高于周围县或地区的平均值，种子选择或种子性状包装与周围县或地区的典型情况相比有很大差异，相对先进和/或可能未经验证类型的设备，例如变化率能力，能够提供后期氮肥的施肥设备，和/或播种机上的主动下压力管理系统，以及参考社交媒体上的风险较高的活动。另外，农业智能计算系统可以从田地管理者计算设备接收指示关于一个或多个田地的风险容忍度的调查数据。
通过田地管理者选择一项或多项先前的试验也可以指示风险容忍度。例如，如果田地管理者已经同意在上一个季节中进行了试验，则农业智能计算系统可以将田地识别为当前试验的良好候选。另外地或可替代地，农业智能计算系统可以存储已经表示有兴趣参加未来试验的账户、田地和/或田地管理者的列表。例如，农业智能计算系统可以使界面显示在田地管理者计算设备上，该界面请求关于田地管理者是否愿意参加将来的试验的指示。如果农业智能计算系统系统接收到肯定指示，则农业智能计算系统可以更新该列表以指示田地管理者已经表明愿意参加将来的试验。
农业智能计算系统可以被编程或配置为单独地和/或组合地考虑这些因素。例如，农业智能计算系统可以被编程为识别具有专用于新产品的最高百分比的田地。另外地或替代地，农业智能计算系统可以被编程或配置为选择包括多于阈值数量的实验并且与一个或多个其他风险活动相关联的田地。在实施例中，农业智能计算系统计算风险容忍值。可以根据上述任何因素来计算风险容忍值。作为简单的示例，风险容忍度方程可以包括：
Rt＝S+N+Ex+D+Y+Eq+M
其中R是风险容忍度，S是基于种子中特定性状的存在而增加的值，N是基于使用新产品的田地的百分比而增加的值，E是随着在田地上识别的实验的数量而增加的值，D是随田地播种数量与县平均水平之间的差异而增加的值，Y是基于产量可变性的可预测性而增加的值，E是基于特定类型设备的存在而增加的值，而M是参考社交媒体上的风险活动而增加的值。可以对这些因素进行加权，使得某些因素比其他因素更为重要。尽管上面显示的示例是累加的，但其他实施例也可以包括估计风险的其他方法，例如乘法风险容忍度方程，例如：
Rt＝S*N*Ex*D*Y*Eq*M*R0
其中R0是基本风险率。
在实施例中，农业智能计算系统确定使用田地来实施实验性试验的有用性。使用该田地的有用性是指该试验对一个或多个其他地点的适用性。例如，在具有独特特征的田地上进行试验时，试验可能不太有用，使得被测行为的益处不适用于更广泛的地点。因此，出于特定试验的目的，可以对农业智能计算系统进行编程以识别具有与其他田地相似的特征的田地。例如，对于杀菌剂试验，农业智能计算系统可以识别具有与其他田地相似的蓄水条件、平均温度、土壤湿度和降雨的田地。作为另一示例，可以基于与该地区的其他田地的土壤条件相似的土壤条件，诸如沙、淤泥和粘土的百分比，来选择肥料试验的田地。
农业智能计算系统还可以基于指示计划的实践的数据来确定有用性。指示计划的实践的数据可以直接从田地管理者计算设备接收和/或从先前的实践推断。例如，农业智能计算系统可以存储田地的先前播种数据，该先前播种数据指示过去三年中已经在特定田地上播种了特定杂交种的农作物。基于所存储的先前播种数据，农业智能计算系统可以确定在过去的三年中已经在特定的田地上播种了特定的杂交种。然后，农业智能计算系统可以确定不同的杂交种可以增加农作物产量，降低成本，提高农作物质量和/或以其他方式使特定田地受益于特定杂交种。
该试验对一个或多个其他地点的适用性可以基于该田地的过去事件。例如，农业智能计算系统可以识别由于特定害虫而具有低产量的多个田地。农业智能计算系统可以基于多个田地中的一个或多个田地由于特定害虫而遭受大约平均产量损失，将该一个或多个田地标识为试验的候选。
在实施例中，农业智能计算系统确定与田地相关联的操作能力。例如，田地管理者计算设备可以将关于田地设备的数据发送到农业智能计算系统。数据可以指示设备的类型、设备的能力以及设备的数量。如果农业智能计算系统确定田地上的设备与试验的设备要求不匹配，则农业智能计算系统可能不会选择该田地。例如，田地管理者计算设备可以确定在特定大小的田地上使用了两个联合收割机。如果试验需要特定尺寸的田地最多有一个联合收割机，则农业智能计算系统可能不会选择该田地作为参加该试验的候选。
在实施例中，农业智能计算系统识别田地上现有的或先前的实验的证据。基于该田地的现有或先前的实验的证据，农业智能计算系统可以选择该田地作为进行试验的候选。农业智能计算系统可以基于被与田地的其余部分不同地处理的田地的部分，来识别实验的证据。例如，农业智能计算系统可以识别田地中的已接收到不同种子类型、种子密度和/或产品应用(例如肥料和农药)的地点。如果确定田地包含一个或多个实验，则农业智能计算系统可以选择该田地作为参与试验的候选。
上述因素可以是二进制确定和/或定量计算。可以通过满足一个或多个条件来定义上述因素的二进制确定。例如，农业智能计算系统可以确定是否在田地上进行了当前的实验、田地上的设备是否能够执行试验、田地的特征是否在特定范围内、对田地的建模收益是否大于阈值、检测到田地的收益的建模似然性是否大于阈值、和/或田地的风险值是否超过特定的阈值。响应于一个或多个条件的满足，农业智能计算系统可以识别用于进行试验的田地。例如，如果唯一的要求是风险值超过阈值，则如果风险值高于阈值，则农业智能计算系统可以选择农田。如果农业智能计算系统利用两个要求，则如果两个要求都被满足，则农业智能计算系统可以选择农田。
作为另一个示例，农业智能计算系统可以计算作为风险容忍度值的函数的值、描述该田地与其他田地的相似性的值、以及描述参与试验的收益的值。可以将收益值计算为参与试验的产量和/或利润的模型化增益。可以根据田地的土壤、天气或其他田地值的一个或多个属性与其他田地的平均值之间的差异来计算相似值。农业智能计算系统可以确定所计算的值是否高于存储的阈值，并且响应于确定所计算的值高于存储的阈值，选择用于进行试验的农田。
尽管以上示例描述了基于绝对值(诸如一个或多个超过阈值的值)选择农田，但是在一些实施例中，农田是基于值与其他农田的比较来选择的。例如，农业智能计算系统可以选择与为其计算了收益值的其余农田相比具有最高收益值的一个或多个农田。比较值可以与二进制确定相结合。例如，农业智能计算系统可以识别出风险值高于特定阈值的所有农田的组，并从该组中选择一个或多个与该组中的其余农田相比具有最高收益值的农田。作为另一示例，农业智能计算系统可以识别出具有预测收益值高于特定阈值的所有农田的组，并且从该组中选择一个或多个与该组中的其他农田相比具有检测到收益的最高似然性的农田。
在一些实施例中，可以至少部分地基于来自田地管理者计算设备的请求来选择用于执行试验的田地。例如，农业智能计算系统可以向田地管理者计算设备提供图形用户界面，其具有用于请求安排到试验中的选项。响应于从选择该选项的田地管理者计算设备接收到输入，农业智能计算系统可以利用本文所述的方法来识别与田地管理者计算设备的帐户相对应的农田的一个或多个试验。
5.1.示例目标识别实现
5.1.1.跨种植者田地研究
图13示出了由农业智能计算机系统执行的从田地确定作为目标的跨种植者系统的信息分发的示例过程。在一些实施例中，系统130被编程以执行自动化的跨种植者分析，其可以包括以计算方式确定作为目标的种植者田地、规定种植者田地的实验、从规定的实验中收集数据、验证规定的实验的执行、分析所收集的数据以及在整个种植者系统中分发分析结果。
在步骤1302，系统130准备用于预测产量提升的预测的基于产品概念的模型。在一些实施例中，给定关于种植者田地的列表的相关数据，系统130被编程为针对特定种植者田地设计特定实验。实验的目的通常是将一个或多个田地的产量提高一定水平，尽管这也可能与减少投入或改善田地的任何其他方面有关。对实验或专门针对的试验的设计(将与对照试验区分开，如下文进一步讨论)包括确定田地的哪些属性可能与实验目标相关以及这些属性中的某些属性的值如何变化可能有助于达到实验目的。一个示例实验是将田地的播种率增加一定量，以使农作物产量增加或提高一定量。另一示例实验是增加一定量的田地杀菌剂使用量，以使病害传播减少一定量。
在一些实施例中，系统130被编程为以粒度级别管理种植者田地的列表。因此，系统130被配置为识别将不参与规定的实验的田地的某些边界或其他有问题的区域，并且进一步确定特定条带或正方形，其间的缓冲区域将参与规定的实验。
作为示例，为了确定对于哪些田地的哪个部分增加一定量的播种率或对于特定田地确定增加多大量的播种率，系统130可以被配置成针对每个田地评估具有杂交种或品种的农作物类型、当前播种率、历史年产量、过去播种率的变化如何影响产量、天气或其他变量如何影响播种率、影响田地的其他因素。虽然被称为实验，但是系统130被配置为预测实验的结果并基于预测的结果确定是否应用实验。例如，系统130可以配置为仅应用研究中具有最高预测产量提升的那些实验。因此，每个实验基本上都包含一个建议，例如将播种率提高一定数量，该建议有待验证。
在一些实施例中，目标种植者田地还涉及多个实验以协同方式应用于一个或多个种植者的田地的设计。例如，单个田地可以分为多个地点，以播种农作物的多个杂交种或品种。虽然不同的田地可能会在特定时间从不同的试验中特别受益，但是所有田地的集合都可以从协调的试验中受益，以便可以在各个种植者田地共享尽可能多的分析见解，以获得长期收益。例如，一些种植者的田地数量可能有限，而今年只能进行有限数量的涉及少量属性或特定属性值的实验。然后，这些田地可以通过将其他实验应用于涉及具有不同属性或相同属性的不同值的其他种植者的田地而受益。
在一些实施例中，系统130被编程为响应于特定触发而开始设计、选择或应用实验。此类触发可以包括当田地表现不佳(例如，某个时期内农作物生物量低或预计农作物产量低)时、当田地处于异常状态(例如土壤湿度或硝酸盐低)时、当环境发生变化(例如，极端热浪)时、或者当类似田地进行的规定实验产生了一定结果时。可以从在执行规定的实验过程中收集的数据中检测出这些触发，如下所述。每个触发通常代表可以提高田地的性能或获得对某些农业现象或关系的特定见解的机会。
在步骤1304中，系统130被编程以规定种植者田地的实验。在一些实施例中，实验的设计或选择可以根据预定时间表自动进行，诸如在每年的开始时或在每个生长季节。规定的实验也可以自动执行。系统130可以被配置为生成要由人、机器或两者的组合理解的实验的规定、计划或方案。例如，一个实验可能是在某些种植者的田地上以一定的比率播种某些种子。实验计划可以包括各种细节，例如种子的类型、种子在田地内的目的地、每天要播种的种子量或每天要播种的时间。
在一些实施例中，规定或方案还包括用于相对于目标试验(原始的、预期的实验)实施对照试验的细节，以使种植者能够更好地理解目标试验的效果。通常，对照试验涉及相关属性的对比值，该值可以基于当前或过去在该领域中所执行的操作。例如，当目标试验是将播种率增加第一数量以将产量提高一定水平时，对照试验可能是不增加播种率(保持当前播种率)或增加比第一数量高或低的第二数量。规定可以包括其他信息，例如在种植者的田地何时何地进行目标试验和对照试验。例如，在一个方案中，可以将种植者的田地划分为多个地点，并且规定可以指示将第一个地点用于目标试验，将第二个地点用于对照试验，并且此模式在地理上被重复三遍(第二遍在第三地点和第四地点、第三遍在第五地点和第六地点)。规定通常可以在管理目标试验和对照试验时纳入至少某种程度的随机化，例如为两者中的任一试验随机分配某些地点，以最小化两种试验之间可能存在的任何偏差。
在一些实施例中，系统130被编程为将计划直接发送到相关田地的农业器具，例如种子分配器或注册在该田地的种植者名下或与特定田地相关联的另一播种机。根据播种机的智能程度，播种机可以根据计划自动实施至少一些实验，或者在种植者手动操作播种机时至少将计划显示给种植者。例如，该计划可以被转换成电子信号，以控制播种机的唤醒时间、播种机的移动或旋转速度或播种机所采用的路线。可选地，系统130可以被编程为将实验的计划或方案发送到注册在种植者名下的其他智能设备，例如移动设备，以达到计划的一部分需要手动执行的程度或仅出于信息目的。
在一些实施例中，代替将用于实验的整个方案发送到智能设备(无论是农具还是个人数字助理)，系统130都被编程为递增地且及时地发送方案。例如，当方案涉及日常任务的执行时，系统130可以被配置为每天发送与每天工作相对应的方案的一部分。系统130还可以被配置为例如根据方案将提醒传递给种植者的移动设备，以执行某些任务。
在步骤1306中，系统130被编程以从规定的实验中收集数据。在一些实施例中，系统130被编程为从实施实验方案或计划被传输到的相同农具或从注册在种植者名下的相同的田地管理者计算设备(包括移动设备)接收数据。农具可以配备可以捕获多种类型数据的传感器。除了与实验中涉及的变量相关的数据外，例如实际播种的种子量、实际播种时间、农具的实际移动或旋转速度、农具实际采用的路线或实际达到的农作物产量，农具还可以捕获与天气有关的其他数据，例如阳光、湿度、花粉、风等。农具还可以记录与其内部状态相关的其他数据，包括不同组件是否正常运行、何时清洁或维护农具、使用农具的频率或是否以任何异常方式使用农具。这些类型的数据中的某些可以通过与个人计算设备集成的传感器观察到，也可以由种植者直接观察，然后通过个人计算设备报告给系统130。通常，一旦数据变得可用，根据系统130的请求或根据预定时间表，就可以由农具或个人计算设备将数据发送到系统130。
在步骤1308中，系统130被编程以验证规定的实验的执行。在一些实施例中，系统130被编程以确定是否根据实验的计划或方案适当地执行了规定的实验。目的是使得规定的实验能够正确执行，以达到预期的结果。对于方案中涉及的变量，系统130被编程以比较实际值(例如在特定时间段(例如一小时)内在特定地点实际播种的种子量)与规定值。系统130被配置为报告任何检测到的差异。例如，至少可以向种植者的个人计算设备发送警告，即如果不严格遵守该计划，将无法实现规定实验的预期收益。警告可能以本领域已知的任何形式出现，例如弹出窗口、即时消息、电子邮件或其他文本消息。可替代地，警告可以呈现为静态或移动或闪烁的视觉或图形，例如颜色编码的视觉，诸如绿灯指示该实验符合要求，或者红灯显示不符合要求。符合(或不符合)还可以基于值是否落在预定的公差或范围内。例如，农业智能计算机系统可以确定符合水平是否低于阈值。例如，如果符合水平与符合的地点的百分比有关，则系统可以确定该符合的地点的百分比是否低于90％。
在一些实施例中，系统130被编程为评估其他收集的数据并建议补救步骤。具体地，系统130可以被配置为发送一系列步骤以用于诊断农具的部件是否正常工作。例如，当在一小时跨度内在特定地点实际播种的种子量大于规定值时，存放待播种种子的料箱或称量待播种种子的秤可能出现了故障。因此，系统130可以被编程为请求检查料箱或秤。当直接通过传感器或通过某些诊断检测到农具的故障时，系统130可以被编程以发送类似的建议来重新校准或修理农具。另一方面，在确定某些步骤被完全跳过之后，系统130可以被编程为发送遵循这些步骤的指令，或者发送用于重新调整提醒警报或用于检查农具的建议。
在一些实施例中，系统130可以被编程以根据预定的时间表(例如，每个月或一旦接收到错误信号或应用数据)来验证每个规定的实验的执行。系统130还可以被编程为根据特定范例(诸如基于随机采样的范例)验证所有规定的实验的执行，以便节省资源。
在步骤1310，系统130被编程为分析收集的数据。在一些实施例中，系统130被编程为进一步分析数据，以调整规定的实验的预测或计划，或收集可用于设计未来实验的特定见解。这种分析可以在一个季节或一年结束时定期进行，也可以根据种植者的要求进行。
在一些实施例中，当未适当地执行规定的实验时，可能无法获得预测结果，并且系统130可以被编程为基于如何遵循规定实验的计划来调整预测。例如，系统130可以被配置为考虑到由于对农具的错误校准、跳过某些播种步骤或其他原因实际播种率仅为全部规定播种率的80％，确定预测的农作物产量可能仅是预期或建议的农作物产量的80％或更低。系统130还可以被编程为生成一系列补救步骤，以实现原始预测。例如，当实际播种率仅为全部规定播种率的80％时，系统130可以配置为通过规定播种率比实验其余部分最初规定的播种率高20％或其他方式来对其进行补偿。
在一些实施例中，系统130可以被编程为确定即使当正确地进行了规定的实验时仍未实现预测结果的原因。分别对从目标试验和对照试验中收集的数据进行比较通常可以用来消除考虑的某些因素。系统130还可被配置为检测实验的目标与其他田地属性或外部变量之间的相关性。系统130还可以被配置为从类似实验的结果中检测模式，这可以帮助识别异常值并指向特定于田地的问题。预测结果与实际结果之间的差异背后的原因可用于设计未来的实验或生成未来实验的预测。例如，在关于农作物产量检测到农作物类型和播种率之间的显著相关性之后，系统130可以被配置为针对特定田地，在该特定田地中通常播种某些类型的农作物以进行将播种率农作物的产量相关的实验。类似地，系统130可以被编程为根据在特定田地中生长的农作物的类型来预测农作物产量的不同水平。
在一些实施例中，系统130被编程为设计增量实验。为了测试相对新的假设，系统130可以被配置为通过对属性或变量之一引入相对小的改变来规定保守实验。当最后规定的实验的实际结果与预测结果一致时，系统130可以被编程，以将变量的属性进一步更改。在其他实施例中，系统130被编程为考虑应用于两个相似田地的两个规定实验的结果，并确定组合这两个实验是否可能是允许的和有益的。例如，当在两个相似的田地中清楚地且分别地证明了播种量与产量之间的关系以及土壤水分与产量之间的关系时，未来的实验可能是在应用于同一田地的同一实验中提高播种量和土壤水分。
在步骤1312中，系统130可选地被编程为在种植者系统之间分发分析见解。在一些实施例中，系统130被编程为呈现摘要、技巧或进一步建议，这些摘要、技巧或进一步建议是通过分析从跨种植者田地的多个规定实验获得的数据而产生的。系统130可以被配置为将报告发送到每个种植者系统，例如种植者的移动设备，该报告示出了所有规定实验或某些规定实验组的汇总统计。该报告还可以指示与其他种植者的田地相比，种植者的田地表现如何，并基于对种植者的田地与其他种植者的田地之间性能差异的分析，指出可能的原因。该报告可以突出显示类似于对种植者的田地规定的实验的其他规定的实验。该报告还可以概述将来可能应用于种植者的田地的可能实验，并征求种植者的反馈。
在一些实施例中，这些步骤1302至1312中的一些或全部可以重复地、迭代地或无序地执行。例如，数据捕获和执行验证可以在一个季节内定期进行。
5.1.2田地目标确定
在一些实施例中，系统130被编程以构建包括用于预测产品(农作物产量)对田地的播种率的变化的响应性的计算机可执行指令的模型。系统130被编程为根据跨越与不同种植者设备相关联的不同种植者的多个田地的多年的历史数据初始建立某些基线。历史数据可以从内部试验和实验中获得，也可以从外部数据源中获得。多个田地在某些特征上可以具有相同的值，例如田地中生长的农作物杂交种、田地的地点或田地的产量提升管理实践，如下文进一步讨论的。可以从历史数据中计算出给定杂交种的农作物密度与农作物产量之间的平均关系，以提供基准。这种关系通常反映在二次曲线中。图14示出了给定杂交种的农作物密度与农作物产量之间的示例关系。X轴1402对应于每英亩播种(ppa)中的农作物密度或播种率，而Y轴1404对应于每英亩蒲式耳中的农作物产量。在该示例中，将播种率数据和相应的农作物产量数据拟合为二次曲线1408。二次曲线1408的形状和大小可以由从对应于最低播种率的数据点1412到对应于最佳播种率和最高农作物产量的数据点1406的斜线1410来表征。系统130可以被编程为基于农作物密度和农作物产量之间的平均关系来选择产品响应性的阈值。例如，由于这里的斜线1410的斜率大约是2.8，因此阈值可以被设置为1.5，使得田地每增加1000种子产生1.5蒲式耳的产量提升将被认为是响应性的，如下文进一步讨论的。
在一些实施例中，代替专注于达到最佳播种率，系统130被编程为允许播种率增加的灵活性。具体地，代替关注当前播种率和最佳播种率之间的关系，系统130被配置为考虑其他因素，例如小于最佳播种率的目标播种率或与目标播种率的变化相对应的农作物产量提升。例如，系统130可以被配置为通过杂交种和通过地点来群聚某些田地，并且计算群聚内的平均播种率作为目标播种率。从上述斜线确定的同一阈值仍可以应用于评估相对于目标播种率的产品响应性。
在一些实施例中，系统130被配置为采用更复杂的方法，例如建立决策树，该决策树基于初始(当前)播种率、目标播种率、初始播种率与目标播种率之差或其他与田地相关的属性，将具有播种率数据和农作物产量数据的给定田地分类为与不同农作物产量提升量相对应的不同类别。其他属性的示例可以包括从固有属性(例如土壤湿度水平)到环境属性(例如土壤管理实践)。也可以使用本领域技术人员已知的用于捕获播种率(结合其他属性)和农作物产量提升之间的各种关系的其他机器学习方法，例如神经网络或回归技术。更复杂的方法可以产生更详细的信息，而不仅限于是否可以进行提升以及可能达到的提升量。
在一些实施例中，系统130被编程为接下来确定特定于种植者的产品响应性。对于种植者的田地，系统130被编程为类似地查看田地内或田地内的特定区域多年来的平均历史农作物产量数据，并且识别田地或区域的杂交种和当前播种率。回到图14，其示出了适当的杂交种的农作物密度和农作物产量之间的关系，上面讨论的斜率阈值，例如基于第一斜线1410的斜率的值1.5，可以用来确定种植者的田地是否可能是响应于一定的播种量增加。例如，可以从对应于当前播种率的数据点1416和对应于最佳播种率和最高农作物产量的数据点1406形成第二斜线1414。在当前播种率小于最佳播种率时，第二斜线的斜率将为正，但可以高于或低于上述阈值。系统130可以被配置为在第二斜线的斜率等于或大于阈值时，将田地视为响应于播种率增加到最佳播种率。在当前播种率大于最佳播种率时，第二斜线的斜率将为负。系统130然后可以被配置为评估田地对播种率降低的产品响应性。系统130可以被配置成类似地评估田地对播种率增加到比最佳播种率小的目标播种率的产品响应性。
在一些实施例中，系统130被编程为应用更复杂的方法之一，例如上述的决策树，以评估特定于种植者的产品响应性。至少可以将种植者田地的当前播种率和该种植者田地的预期播种率或目标播种率输入决策树，并且决策树可以估算一系列农作物产量提升值，可以对其进一步分类分为响应性或不响应性或其他粒度或不同类别。
在一些实施例中，系统130被编程为按照随时间提升农作物产量来评估种植者的田地管理实践。图15示出了管理实践的示例类型。X轴1502对应于年份，Y轴1504对应于目标或实际农作物产量。在提高农作物产量方面的管理实践类型可以反映在各种曲线上。曲线1506指示进取性类型，其中农作物产量一年又一年稳定且显著增加。曲线1508指示保守或务实的类型，其中从一年到下一年的农作物产量没有显著增加。曲线1510指示不切实际的类型，其中几年中农作物产量没有变化，但是随后急剧增加。识别管理实践的类型或土壤外部的其他方面可能有助于为目标种植者的田地规定实际实验。在其他实施例中，管理实践的类型也可以是上述机器学习方法的输入属性。
在一些实施例中，系统130被编程为还评估种植者田地内的可变程度。实际密度数据可能可用于该田地内的不同区域，或者可以通过本领域技术人员已知的图像分析技术来分析该田地的航拍图像。基于这样的数据，系统130可以被编程为确定农作物密度或播种率在田地是大体上恒定还是在不同区域之间实质上变化。这样的确定对于规定目标种植者的田地的实际实验也可能是有用的。
在一些实施例中，系统130被编程为针对响应于增加的播种率的那些种植者的田地并且针对那些田地设计实验。每个设计可以具有各种参数，例如农作物杂交种、区域变化性或播种率增加。图16示出了由农业智能计算机系统执行以确定用于种植者的田地或其区域的农作物杂交种的示例过程。在一些实施例中，在步骤1602，系统130被编程为和与目标田地相关联的种植者设备通信。具体地，系统130被配置为从种植者设备接收田地的预期密度或播种率。预期密度通常大于田地的当前聚集密度。系统130被编程为然后确定预期密度如何与该田地的目标密度相比较。可以基于多种方法的组合，为田地预先确定目标密度，例如如上所述的，与计算的平均播种率或最佳播种率进行比较，通过已建立的播种率决策树进行分类或鉴于提高农作物产量对管理实践类型进行评估。目标密度通常也大于田地中当前的聚集密度。当预期密度低于目标密度时，在步骤1604，系统130被配置为然后从种植者设备接收关于是否将预期密度增加到目标密度的决策。当决策不增加预期密度时，在步骤1606，系统130被配置为计算预期密度与目标密度的差。当差异高于某个阈值以使得预期密度保持足够低时，系统130被配置为向田地建议柔性(flex)或半柔性(semi-flex)杂交种。例如，某个阈值可以是目标密度的80％。在一些实施例中，当预期密度等于或高于目标密度，达到实质上大的值时，在步骤1608，系统130被配置为建议用于该田地的固定或半柔性杂交种。
在一些实施例中，系统130被编程为接下来响应于目标田地内的区域变化。具体地，在步骤1610，系统130被配置为确定田地不同区域之间的播种率是否存在显著变化，以及到目前为止所考虑的当前聚集密度是否仅是跨该田地的聚集。系统130可以被配置为基于特定区域相对于当前聚集密度的当前播种率、预期播种率之间和目标播种率之间的差，进一步确定特定区域是否可以从比预期播种率更高的播种率受益。例如，当特定区域的当前播种率与当前聚集密度之间的差异高于特定阈值(例如当前聚集密度的30％)时，并且当预期密度小于目标密度时，可以将特定区域的播种率增加到超出预期密度。在这样的情况下，其中对于高于预期播种率的播种率存在产出收益机会(yield oppotunity)，在步骤1612，由于相对较大的密度限制，系统130被配置为建议固定或半柔性杂交种。在其他情况下，对于高于预期播种率的播种率不存在产出收益机会，在步骤1614，系统130被配置为对静态率(static rate)田地不建议杂交种变化。另外，系统130可以被配置为进一步确定特定区域是否可以从比预期播种率低的播种率中受益。此类区域可能是遭受干旱或其他自然或环境袭击的危险区域。因此，在步骤1616，系统130可以被配置为针对与相对较低的当前播种率或预期播种率相对应的此种区域建议柔性杂交种，以促进水分的保持或激励进一步的农作物生长。
图17示出了由农业智能计算机系统执行的以种植者田地为目标进行农作物产量提升的示例过程。
在一些实施例中，在步骤1702，系统130被编程为接收关于与多个种植者设备相关联的一组田地在一段时间内的农作物播种率数据和相应的农作物产量数据。此类数据用于建立确定产品对种植者田地播种率增加的响应性的基准。该组田地可以从那些在某些特征上与种植者的田地共享值的田地中选择，例如田地中播种的农作物杂交种、为田地管理实践改变而预测的产量提升、或田地的地点。数据的时间覆盖范围可以揭示播种量增加对农作物产量提升的影响。如上所述，至少可以确定最佳播种量和并确定关于播种量增加对农作物产量提升的影响的相应阈值，并且可以开发更复杂的方法来表征或确定播种量变化对种植者的田地中的农作物产量的潜在影响以及最终是否应针对该种植者的田地进行特定实验以提高农作物产量。在步骤1704，系统130被编程为接收与多个种植者设备之一相关联的种植者田地的当前播种率。当前的播种率可以是田地内的不同区域的聚集(aggregate)。
在步骤1706，系统130被编程为基于农作物播种率数据和相应的农作物产量数据来进一步确定种植者的田地是否将响应于该种植者的田地的农作物播种率从当前播种率增加到目标播种率。可以将目标播种率设置为最佳播种率，或者将其设置为与种植者的田地的产量提升管理实践或其他意图更加一致的值。本质上，根据可以从农作物播种率数据和相应的农作物产量数据推导出的由该组田地所证明的播种率与农作物产量之间的关系，系统130被配置或编程为估计在种植者的田地中播种率从当前播种率改变到目标播种率的影响，进而确定种植者的田地是否将通过产生所期望的农作物产量提高来有效地响应播种率变化。
在步骤1708，响应于确定种植者的田地将做出响应，系统130被编程为以种植者的田地为目标进行实验以增加农作物产量并为该实验准备规定，包括要在种植者的田地中实施的新的农作物播种率和特定的农作物杂交种。除非被种植者设备提供的预期播种率所推翻，否则该新的播种率可以是目标播种率。任何建议的农作物杂交种品种的变化通常与播种量的变化一致，可以在田地内逐步实施，也可以随着时间逐渐地实施，以能够实现尽可能多的估计农作物产量提升。此外，系统130可以被配置为评估种植者的田地内的农作物产量的变化性，并准备更详细的规定。这种评估可以基于来自田地的物理样本或田地的航拍图像。通常可以对具有比当前播种率高的播种率的区域另外规定比新的播种率更高的播种率。类似地，对于具有比当前播种率低的播种率的区域，可以另外规定比新的播种率低的播种率。
如图13所示，系统130可以被编程以进一步从这一个种植者设备或直接从执行规定的实验的农具中收集执行规定的实验的结果。具体地，可以对照实际农作物产量提升来验证预测的农作物产量提升。系统130可以被配置为随后将与实验有关的数据和经验证的结果分发给与该组田地相关联的其他种植者设备。播种率数据和农作物产量数据也可以使用经过验证的结果进行更新，以实现对农作物播种率与农作物产量之间关系的更精确建模。
6.试验设计
在实施例中，农业智能计算系统基于一个或多个管理区域来确定将测试地点布置在何处。管理区域是指一个或多个农田内的区域，这些区域被预计为具有影响农作物收获产量的类似限制因素。尽管通常相对于单个田地的部分描述管理区域，但是管理区域可以被设计为涵盖跨多个种植者的多个田地中的地点。在美国专利申请No.15/234,943中进一步描述了用于识别管理区域的方法，该专利的全部内容通过引用合并于此，就如在本文中完全公开。农业智能计算系统可以识别针对管理区域使用新产品、不同种子和/或管理实践的收益。农业智能计算系统可以标识管理区域内的测试地点，以便可以将执行试验的效果与管理区域的其余部分进行比较。
在实施例中，农业智能计算系统基于正在执行的试验的类型来识别管理区域。例如，田地上的两个地点可以包含不同的土壤类型，但产量相似，病虫害也相似。为了实施农药试验，可以将这两个地点视为一个管理区域。相反，为了实施取决于土壤类型的肥料试验，可以将这两个地点视为不同的区域。
在实施例中，基于响应性和总产量两者来识别管理区域。农业智能计算系统可以基于先前的产量数据、土壤数据、图像、其他农作物数据和管理实践来确定田地中的区域对产品和/或不同管理实践的响应性。例如，农业智能计算系统可以识别两个等同的地点，其中在一个地点施肥而另一个不施肥。基于等同地点上两种肥料率之间的产量差异，农业智能计算系统可以确定田地上的这些和其他等同地点对肥料的响应性。
响应性可以是计算的值和/或二进制确定。例如，农业智能计算系统可以确定具有比阈值绝对值或产量的百分比变化大的地点被认为具有高响应性，而具有比阈值绝对值或产量的百分比变化小的区域被认为具有低响应性。农业智能计算系统可以生成具有相似的响应性和相似的产量的区域。例如，农业智能计算系统可以基于产量数据、播种数据、土壤数据、天气数据和/或管理实践数据来生成具有高响应性和高产量的区域以及具有高响应性和低产量的单独区域。因此，农业智能计算系统可以生成受总产量约束的高响应区域和低响应区域。
在区域内，农业智能计算系统可以识别用于测试地点的可能地点。可以基于特定田地或区域中的变化性来确定测试地点的大小和形状。本文所用的“变化性”是指在田地和/或管理区内总产量趋于变化的量。变化量可以包括变化的大小和变化的空间分量。例如，如果产量在管理区域的较小区域内快速波动，则农业智能计算系统可以确定应实施更大的测试地点。相反，如果产量在产量方面具有长的长度尺度趋势，则可以实施较小的测试地点。测试地点的最佳尺寸、形状和数量可以直接从历史产量可变性数据中确定。在一个实施例中，历史产量数据被划分到大小不同的潜在测试地点的统一网格中；在答案具有可接受的统计显著性的前提下针对每个测试地点大小计算所需的总测试面积(包括测试地点周围的缓冲面积)；最佳配置是使总测试面积最小化的配置。测试地点的最佳尺寸、形状和数量也可以从根据历史图像的建模的产量可变性数据中确定，或从基于模型预测结果而建模的产量可变性数据确定，该模型是用历史产量可变性数据进行训练的。进一步地，基于测试地点的大小，农业智能计算系统可以识别测试地点的形状，以使能够安排到单个区域中的测试地点的数量最大化。例如，如果区域特别窄，则农业智能计算系统可以选择窄矩形作为测试地点的形状。
使用所识别的测试地点的大小和形状，农业智能计算系统可以确定用于将测试地点布置在田地中的多个可能的地点。农业智能计算系统然后可以选择多个可能地点的子集以布置测试地点。在实施例中，农业智能计算系统基于试验需求和/或用户选择来确定要实施的多个测试地点。例如，试验的约束条件可能是在每个管理区域中至少植入两个测试地点。作为另一个示例，田地管理者可以通过在田地管理者计算设备上执行的图形用户界面指示该田地管理者愿意将百分之五的田地专用于试验。农业智能计算系统因此可以将测试地点的数量计算为：
其中N是测试地点的数量，A是田地的面积，D是专用于试验的田地的百分比，AT是测试地点的面积。作为另一个示例，田地管理者可以通过在田地管理者计算设备上执行的图形用户界面指示，该田地管理者希望以给定的信噪比检测每英亩一定数量的蒲式耳(bushel)的最小处理效果。农业智能计算系统因此可以将测试地点的数量计算为：
其中N是测试地点的数量，SNR是信噪比，σ是潜在测试地点之间的平均产量差异的标准偏差，T是所需的最小可检测处理效果。
在实施例中，农业智能计算系统随机选择多个潜在地点中的地点，直到已经识别到确定数量的测试地点。农业智能计算系统可以通过为选择了第一地点的区域选择至少两个地点来约束随机选择，从而允许测试组和对照组二者。农业智能计算系统还可以限制随机选择，以确保将测试地点布置在最大数量的区域中。另外地或替代地，农业智能计算系统可以通过田地管理者计算设备上的图形用户界面来呈现用于测试地点的多个可能地点。田地管理者可以选择多个可能地点中的特定地点，并将选择发送给农业智能计算系统。
在实施例中，农业智能计算系统为测试地点选择地点，以便将进行试验对总产量的影响最小化。例如，农业智能计算系统可以优先考虑历史上具有较低产量的田地区域，从而减少对田地产量的任何可能的负面影响。另外地或可替代地，农业智能计算系统可以以使执行试验的收益最大化的方式为测试地点确定地点的优先级。例如，对于农药试验，农业智能计算系统可以选择历史上因虫害而对产量产生最大负面影响的区域。
基于使得进行试验对产量的影响最小化或使得进行试验的收益最大化的优先级可以与其他约束条件一起实施。例如，农业智能计算系统可能最初尝试在每个管理区域中布置至少两个测试地点。然后，农业智能计算系统可以伪随机地选择其他测试地点，同时将较高的权重分配给低产量或高响应性的地点。作为另一个示例，农业智能计算系统可以尝试将测试地点布置在高响应性和高产量地点、高响应性和低产量地点、低响应性和高产量地点以及低响应性和低产量地点中的最小地点。
图8描绘了在田地实施测试地点的示例。图8的田地划分为不同的管理区域，每个管理区域均用颜色标记。深棕色多边形描述了可能的测试地点。在实施例中，它们被布置为跨越管理区域。在实施例中，可以合并具有相同管理的相邻多边形。在可能的测试地点的实施例中，农业智能计算系统随机选择地点来实施测试地点。在实施例中，农业智能计算系统根据一个或多个约束条件选择地点。例如，在图8中，可能的限制是与田地管理者设备兼容的最小地点宽度为120英尺。另一个是，在该田地中至少实施了40个测试地点，以实现预期的最小显著的可检测处理效果。另外，在图8中，实施了测试地点，使得每个地点具有未标记的对照地点，其被随机地分配给在其两个长侧边中的一个或另一个上的同样大小的区域。
7.田地管理者计算设备通信
农业智能计算系统可以将试验参与请求发送到田地管理者计算设备上的图形用户界面。该试验参与请求可以标识该试验的约束以及与该试验相关联的一个或多个值。关联值在本文中进一步描述。图形用户界面可以包括如下选项：同意参加试验、选择特定量的田地以专用于试验、选择管理实践的变化程度和/或选择结果的期望置信度。农业智能计算系统可以识别田地中可能的地点，以实施试验的测试地点。另外地或可替代地，图形用户界面可以包括用于选择测试地点的布置的选项。
在实施例中，试验参与请求不直接识别到田地管理者计算设备的产品或管理实践。例如，试验参与请求可以标识在测试地点要使用不同的杂交种种子，但不标识杂交种的类型。杂交种种子可以物理地发送到田地进行试验。因此，田地管理者可以在不知道所播种的种子类型、所应用的产品类型、或未将一种或多种管理实践应用作为试验的一部分的情况下执行试验。
图9描绘了用于选择地点以布置测试地点的图形用户界面。在图9的最左侧图像中，基于土壤类型将田地分为多个区域。在最右侧图像中按地点显示了氮的施用量。已选择了一个地点用于实施已施氮的测试地点，同时已选择了第二地点用于实施未施氮的测试地点，从而作为对照组。两个地点都在同一管理区域内。
在田地管理者计算设备上执行的图形用户界面可以包括用于命名、描述和标记所选地点的选项。图10描绘了用于定义所选地点的示例图形用户界面。图10的显示包括用于命名所选地点的文本框、用于添加所选地点的描述的文本框以及用于为所选地点选择一个或多个标签的选项。标签可以稍后用于搜索先前选择的地点。例如，如果田地管理者实施多种不同类型的试验，则田地管理者可以使用标签来识别针对特定类型的试验已经被标记的地点。虽然图10是根据用户界面被描述，但是农业智能计算系统可以使用类似的标签来跟踪进行特定试验的田地区域。
一旦选择了区域，农业智能计算系统就可以跟踪并使得显示与所选区域有关的信息。图11描绘了用于显示与所选区域有关的信息的示例图形用户界面。在图11中，已选择了“40Lbs Control”(40Lbs对照)区域。该报告描述了该地点的产量、该地点的土壤湿度以及与所选区域的子区域有关的统计信息。例如，在所选地点的平均产量下描述了“密度>38.0k种子/英亩”子区域的平均产量。在另一个实施例中，该报告可以描绘其他地点的产量，例如，试验区域中“密度>38.0k种子/英亩”的平均产量或“40Lbs对照”区域之外的其余田地中的平均产量。
服务器可以另外显示试验数据、对照数据和其他田地数据之间的比较。图12描绘了用于描绘试验结果的示例图形用户界面。图12标识了每种类型的试验的平均产量与田地的平均产量的对比。图12的界面描绘了氮控制、氮试验和后期氮施用试验的示例产量。该界面可以轻松直观地验证实施试验的效果。竖直线也可以描绘整个田地的平均产量。
在实施例中，农业智能计算系统最初跟踪在田地内实施测试地点的进度。例如，田地传感器可以指示田地器具已经播种农作物或施用产品的位置。当田地在选择作为测试地点的区域内实施播种种子时，农业智能计算系统可以监视播种和/或施用，以确定测试地点是否符合试验要求。例如，试验可能要求测试地点包括每英亩35,000颗种子的播种密度的要求。如果农业智能计算系统接收到数据指示器具已在特定测试地点播种了每英亩35,000颗种子，则农业智能计算系统可以向田地管理者指示测试地点已正确实施。作为示例，响应于服务器确定测试地点满足试验的要求，可以改变显示在田地管理者计算设备上的地图上的测试地点的颜色。
当服务器跟踪田地器具的播种和/或施用时，农业智能计算系统可以向田地管理者计算设备发送警告，指示田地器具即将在测试地点开始播种或施用。例如，服务器可以跟踪通过播种器具在特定田地上播种第一杂交种种子。如果测试地点需要播种第二杂交种种子，则农业智能计算系统可以在播种工具接近测试地点时向田地管理者计算设备发送警告。该警告允许田地管理者在播种工具使试验的测试地点无效之前停止播种工具。
另外地或可替代地，农业智能计算系统可以发送指令，如果该指令被执行，则使得田地器具校正测试地点中的播种或施用。例如，农业智能计算系统可以发送脚本，该脚本可用于控制田地器具以使田地器具实施试验。农业智能计算系统可以将脚本直接发送到控制器具的田地管理者计算设备，从而自动补偿不正确的播种或施用。另外地或替代地，农业智能计算系统可以将脚本发送到田地管理者计算设备，然后田地管理者使用该设备来补偿播种或施用。
在实施例中，如果农业智能计算系统确定测试地点已经无效，则农业智能计算系统提供替代方案。当测试地点已经无效时，农业智能计算系统可以识别一个或多个额外地点以用于实施测试地点。农业智能计算系统可以通过在田地管理者计算设备上执行的图形用户界面来显示用于实施测试地点的一个或多个替代地点的标识。在实施例中，图形用户界面可以包括田地管理者选择用于实施测试地点的替代地点之一的选项。在另一实施例中，农业智能计算系统可以通过应用控制器使农业装置自动在替代地点实施测试地点，而无需田地管理者采取动作。
作为示例，可以在第一地点将第一测试地点定义为不接受氮施用的对照组。如果农业智能计算系统确定氮已被施用到第一地点，则农业智能计算系统可识别未施用氮的一个或多个第二地点。农业智能计算系统可以使得在田地管理者计算设备上显示一个或多个第二地点。响应于接收到选择的特定地点，农业智能计算系统可以更新地图以指示该特定地点是被定义为不接收氮施用的对照组的第二测试地点。农业智能计算系统然后可以将警告发送到田地管理者计算设备，以不向特定地点施用氮。
作为另一示例，可以在第一地点处将第一测试地点定义为不接受氮施用的对照组。如果农业智能计算系统确定氮已被施用到第一地点，则农业智能计算系统可以识别未施用氮的一个或多个第二地点。农业智能计算系统可以直接通过应用控制器使农业装置自动在替代地点实施测试地点，而无需田地管理者采取动作。然后，农业装置可以不将氮施用到特定地点。
在实施例中，农业智能计算系统可以被编程或配置为响应于确定测试地点不符合试验而改变一个或多个试验。在实施例中，农业智能计算系统建议对其他地点的一种或多种实践进行变更，以抵消测试地点中的错误。例如，如果对照地点使用比试验所需的播种率高百分之十的播种率来播种，则农业智能计算系统可以将其他测试地点的播种率修改为百分之十以上。
农业智能计算系统可以基于所识别的对测试地点的修改来额外更改试验的预测结果。例如，对于40lbs/英亩的氮施用，农业智能计算系统可以预测每英亩30蒲式耳的产量增加。如果农业智能计算系统检测到仅向农田施用了30lbs/英亩的氮，则农业智能计算系统可能会降低30蒲式耳/英亩的预计产量增加。
农业智能计算系统还可以使用观察到的田地数据来确定田地是否符合试验。例如，农业智能计算系统可以将试验结果与其他田地的等效试验结果和/或地理区域(例如县)的平均结果进行比较。如果试验结果与其他田地或地理区域的结果相差很大，则农业智能计算系统可能会确定该试验在田地上的实施不正确。
8.值关联
在实施例中，农业智能计算系统将结果值与试验的执行关联。相关联的结果值可以是降低的产品获得成本、试验成功时为田地管理者带来的成本、试验失败时为退换款、碳信用额、用水信用额和/或任何形式的数字货币。
在实施例中，试验参与请求包括对特定结果的承诺，例如绝对产量、收入、基于产量的收入或收益的百分比增加、和/或农作物的质量。例如，试验参与请求可以包括保证，如果在田地上使用特定的农药，则田地的总产量将增加20蒲式耳/英亩。如果田地管理者同意参加试验，则要求田地管理者在一个或多个测试地点使用农药，而在一个或多个对照地点不使用农药。如果测试地点胜过对照地点至少20蒲式耳/英亩，则农业智能计算系统将确定已发生保证的结果。如果测试地点没有比对照地点高出至少20蒲式耳/英亩，则农业智能计算系统可以确定未发生保证的结果。
在实施例中，试验参与请求可以打折或免费提供产品或种子，以换取参与试验和利润的一部分的回报(如果发生保证结果的话)。例如，试验参与供应可以包括为农民提供的特定杂交种的免费种子，但承诺如果测试地点的产量增加超过20蒲式耳/英亩，则田地管理者必须支付收入增加的百分之十，和/或从农作物的销售中获得投资回报。利润部分可以是实际利润的一部分，也可以是基于收获农作物平均价格的模型化利润。
尽管已经相对于种子的播种或产品的应用总体上描述了实施例，但是类似的试验参与请求可以基于不同的管理实践。例如，农业智能计算系统可以从田地管理者计算设备接收指示历史管理实践和历史产量的数据。农业智能计算系统可以计算改变一种或多种管理实践的收益。农业智能计算系统可以发送指示该农业智能计算系统已经识别出一种或多种管理实践的试验参与请求，如果对这一种或多种管理实践进行更改，则将保证特定的收益。如果田地管理者计算设备同意参加试验，则农业智能计算系统可以将一种或多种更改的管理实践发送给田地管理者计算设备。如果实施更改后的管理实践的测试地点得到保证数量的收益，则农业智能计算系统可以请求收益和/或投资回报的一部分。例如，农业智能计算系统可以计算从秋季氮肥施用改变成春季氮肥施用的收益。如果实施春季氮肥施用的测试地点得到保证数量的收益，则农业智能计算系统可以要求所增加的收益和/或投资回报的一部分。
尽管已经相对于种子的播种或产品的应用或不同的管理实践总体上描述了实施例，但是类似的试验参与请求可以基于不同的农场设备。例如，农业智能计算系统可以从田地管理者计算设备接收指示历史管理实践、历史农场设备和历史产量的数据。农业智能计算系统可以计算改变一个或多个农场设备部件的收益。农业智能计算系统可以发送试验参与请求，该请求指示农业智能计算系统已经识别出一个或多个农场设备部件，如果对这一个或多个农场设备部件进行更改，将保证特定的收益。如果田地管理者计算设备同意参加该试验，并且农业设备经销商同意参加该试验，则农业智能计算系统可以将一种或多种已更改的管理实践发送给田地管理者计算设备和农场设备经销商。如果实施更改后的农场设备的测试地点得到保证数量的收益，则农业智能计算系统可以从农场管理者或农场设备经销商请求收益和/或投资回报的一部分。例如，农业智能计算系统可以计算改变为新的播种设备的收益。如果实施新播种设备的测试地点得到保证数量的收益，则农业智能计算系统可以要求所增加的收益、投资回报或设备销售价格的一部分。
另外地或替代地，如果没有出现保证的产量增加，则农业智能计算系统可以提供回扣。例如，农业智能计算系统可以对特定产品或提供管理实践建议进行收费。农业智能计算系统可以基于所提供的管理实践设备或特定产品的使用来保证产量的特定增加。如果没有出现保证的特定产量增加，则农业智能计算系统可以额外提供返还款。因此，可以向田地管理者保证，要么田地管理者将因参加试验而获得可观的收益，要么参与试验的至少一部分费用是可收回的。
在实施例中，农业智能计算系统基于针对田地的捕获数据来确定结果值关联。例如，农业智能计算系统可以接收田地数据，包括田地描述、土壤数据、播种数据、肥料数据、收获和产量数据、农作物保护数据、病虫害数据、灌溉数据、平铺数据、图像、天气数据、以及其他管理数据。基于田地数据，农业智能计算系统可以计算使用一种或多种产品、管理实践、农场设备或种子对田地的收益。农业智能计算系统可以基于所计算的对田地的收益来生成试验参与请求。例如，农业智能计算系统可以被编程或配置为以计算出的田地利润增加的特定百分比提供一种或多种产品、管理实践、农场设备或种子。
作为示例，农业智能计算系统可以确定应用特定的管理实践将使田地的产量增加20蒲式耳/英亩。农业智能计算系统还可以确定农作物的价格约为每蒲式耳4美元。因此，实施管理实践的预期利润增加为$80/英亩。如果农业智能计算系统被编程或配置为请求10％的预期利润，则农业智能计算系统可以发送试验参与请求，该请求保证每英亩增加15蒲式耳的产量，每英亩成本为8美元。
在实施例中，农业智能计算系统基于与田地管理者计算设备相关联的风险容忍度来确定结果值关联。可以使用本文描述的任何方法来确定风险容忍度。如果与田地管理者计算设备相关联的风险容忍度高于特定值，则农业智能计算系统可以提供相对较高的初始价格以及相对较高的回扣，以应对不符合条件。如果与田地管理者计算设备相关联的风险容忍度低于特定值，则农业智能计算系统可以提供相对较低的初始价格以及相对较低的回扣，以应对不符合条件。
在实施例中，农业智能计算系统设置多个结果值以与试验参与请求相关联。例如，试验参与请求可以包括分层式回扣系统，如果试验使产量受益，但不能达到试验参与请求所保证的程度，则返还第一回扣，而如果试验未使产量收益，则返还第二回扣。可以根据试验的收益级别设置其他层级。例如，分层式系统可以针对低于保证产量的每5蒲式耳/英亩设置不同的回扣值。
结果值关联可以基于各个测试地点或测试地点的组合。例如，试验参与请求可以包括基于参与试验的所有测试地点的平均执行的提议。因此，只要测试地点的平均产量高于保证产量，其中一个生产地点的产量低于保证产量的情况可能并不表示试验失败。作为另一示例，试验参与请求可以包括基于来自参与地理区域(例如县)中的试验的多个操作的所有测试地点的平均执行的提议。
在实施例中，可以基于与田地管理者计算设备相关联的风险容忍度来确定用于确定试验收益的试验参与请求提议的平均执行区域。如果与田地管理者计算设备相关联的风险容忍度高于特定值，则农业智能计算系统可以提供相对较小的平均执行区域、潜在地包括单独测试地点级别的子田地。如果与田地管理者计算设备相关的风险容忍度低于特定值，则农业智能计算系统可以提供相对较大的平均执行区域，潜在地包括跨多个田地管理者的田地中的测试地点，甚至跨地理区域(如县)的农场操作。
在实施例中，结果值关联包括针对田地管理者的保证利润。例如，农业智能计算系统可以通过使用一种或多种种子、一种或多种产品和/或一种或多种管理实践来对可能的产量和/或可能的收益进行建模。农业智能计算系统可以基于建模的产量和/或可能的收益来保证田地管理者的收益。如果田地管理者计算设备同意该试验，则可以向该田地管理者提供一种或多种种子、一种或多种产品和/或一种或多种管理实践。在试验完成后，农业智能计算系统可以计算结果值，该结果值包括预测收益和/或实际收益与保证收益之间的差异。计算的结果值可以表示应由田地管理者支付的金额。如果计算的结果值为负，则计算的结果值指示欠田地管理者的金额。因此，试验参与请求能够为田地管理者确保特定的收益，同时还对试验请求者有利。
在实施例中，关联结果值可以基于分配给试验的田地的一部分。例如，农业智能计算系统可以基于田地管理者同意用于试验的田地的百分比或面积来产生不同级别的回扣。可以为分配给该试验的田地的第一百分比或数量设置第一回扣值，并且可以为分配给该试验的田地的第二较高百分比或数量设置第二较高回扣值。因此，激励田地管理人员增加专门用于试验的田地数量，以便能够要求更高的收益和/或回扣。
9.某些实施例的益处
使用本文描述的技术，计算机可以跟踪跨多个田地的实践、识别将从进行试验中受益的田地、识别进行试验的地点、以及激励参与试验。本文描述的技术可以另外用于使特定田地上的机器自动化。例如，在确定田地的测试地点并从田地管理者计算设备接收到参与试验的协议后，农业智能计算系统可以为田地器具生成一个或多个脚本，该脚本使田地器具播种、应用产品、或根据试验执行特定的管理实践。另外，通过实时监视田地器具，农业智能计算系统可以能够在不正确的应用发生之前识别不正确的应用和/或响应于不正确的应用而识别替代方案。因此，本文描述的方法可以提高农业智能计算系统通过网络与田地管理者计算设备进行交互并提供实时解决方案的能力。
10.扩展和替代
在前述说明书中，已经参照可以随实施方式变化的许多具体细节描述了实施例。因此，说明书和附图应被认为是说明性的而不是限制性的。本公开范围的唯一且排他性的指示以及申请人旨在作为本公开范围的内容，是由本申请产生的权利要求书的字面意义的和等效的范围，其以此类权利要求书发布的特定形式，包括任何后续更正。
Claims (24)
1.一种方法，包括：
在农业智能计算系统处，接收多个农田的田地数据；
至少部分地基于所述多个农田的田地数据，识别一个或多个目标农田；
向与所述一个或多个目标农田相关联的田地管理者计算设备发送试验参与请求；
从所述田地管理者计算设备接收指示接受所述试验参与请求的数据；
在所述一个或多个目标农田上确定一个或多个地点以实施试验；
发送标识所述一个或多个地点和一个或多个实施指令的数据；
接收所述一个或多个目标农田的应用数据；
基于所述应用数据，确定所述一个或多个目标农田是否符合所述试验；
接收所述试验的结果数据；
基于所述结果数据，计算所述试验的收益值。
2.根据权利要求1所述的方法，还包括：
计算所述多个农田中的每个农田的风险容忍值；
确定所述一个或多个目标农田的风险容忍值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
3.根据权利要求1所述的方法，还包括：
计算所述多个农田中的每个农田的收益值，所述收益值指示在所述农田上进行所述试验的收益；
确定所述一个或多个目标农田的收益值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
4.根据权利要求1所述的方法，还包括：
使用一个或多个农艺模型，为所述多个农田中的每个农田计算检测到在所述农田上进行所述试验的收益的似然值；
确定检测到所述一个或多个目标农田的收益的所述似然值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
5.根据权利要求1所述的方法，还包括：
接收输入，所述输入标识用于实施所述试验的农田的百分比；
至少部分地基于在所述农田中观察到的变化性和田地管理者农用设备限制，识别测试地点的大小；
根据所述农田的百分比、所述测试地点的大小和所述农田的大小，计算用于实施所述试验的地点的数量；
确定所述一个或多个地点以包括所计算的数量个地点。
6.根据权利要求1所述的方法，还包括：
确定所述一个或多个目标农田不符合所述试验；
响应于确定所述一个或多个目标农田不符合所述试验，在所述一个或多个农田上识别一个或多个额外地点来实施所述试验；
发送识别所述一个或多个额外地点的数据。
7.根据权利要求1所述的方法，还包括：
从所述田地管理者计算设备接收输入，所述输入标识用于实施所述试验的所述农田的第一百分比；
至少部分地基于在所述农田中观察到的变化性、所述农田的大小、田地管理者农用设备限制、预期收益值以及实施所述试验的所述农田的第一百分比，计算检测到在允许区域中进行所述试验的收益的似然值；
如果所述似然值低于阈值，则确定达到所述阈值所需的农田的第二百分比，并且通过所述田地管理者计算设备请求此改变，其中所述第二百分比大于所述第一百分比。
8.根据权利要求1所述的方法，还包括：
基于所述应用数据，确定应用到所述农田的一个或多个参数与所述试验的一个或多个参数不同；
至少部分地基于所述应用的所述一个或多个参数，更新对所述农田的所述试验的结果的一个或多个预测。
9.根据权利要求1所述的方法，其中，计算所述试验的收益值包括以下一项或多项：计算所述一个或多个地点的平均产量与所述农田的其余地点的平均产量之间的差；计算所述一个或多个地点的平均产量与一个或多个对照地点的平均产量之间的差；计算所述一个或多个地点的平均利润与所述农田的其余地点的平均利润之间的差；或计算所述一个或多个地点的平均利润与所述一个或多个对照地点的平均利润之间的差。
10.根据权利要求1所述的方法，还包括：
基于所述收益值，计算一个或多个结果值；
存储将所述一个或多个结果值与所述试验相关联的数据。
11.根据权利要求10所述的方法，其中，计算所述一个或多个结果值还包括：
计算估计的收益值与计算的收益值之间的差；
确定所述计算的收益值低于所述估计的收益值；并且
发送标识所述一个或多个结果值的数据。
12.根据权利要求10所述的方法，其中，计算所述一个或多个结果值还包括计算所述一个或多个地点的以下一项或多项：利润的百分比增加、产量的百分比增加、利润的绝对增加或产量的绝对增加。
13.一种系统，包括：
一个或多个处理器；
存储器，所述存储器存储指令，所述指令在由所述一个或多个处理器执行时使得执行如下操作：
在农业智能计算系统处，接收多个农田的田地数据；
至少部分地基于所述多个农田的田地数据，识别一个或多个目标农田；
向与所述一个或多个目标农田相关联的田地管理者计算设备发送试验参与请求；
从所述田地管理者计算设备接收指示接受所述试验参与请求的数据；
在所述一个或多个目标农田上确定一个或多个地点以实施试验；
发送标识所述一个或多个地点和一个或多个实施指令的数据；
接收所述一个或多个目标农田的应用数据；
基于所述应用数据，确定所述一个或多个目标农田是否符合所述试验；
接收所述试验的结果数据；
基于所述结果数据，计算所述试验的收益值。
14.根据权利要求13所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
计算所述多个农田中的每个农田的风险容忍值；
确定所述一个或多个目标农田的风险容忍值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
15.根据权利要求13所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
使用一个或多个农艺模型，计算所述多个农田中的每个农田的收益值，所述收益值指示在所述农田上进行所述试验的收益；
确定所述一个或多个目标农田的收益值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
16.根据权利要求13所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
为所述多个农田中的每个农田，计算检测到在所述农田上进行所述试验的收益的似然值；
确定检测到所述一个或多个目标农田的收益的似然值大于阈值，并且作为响应，执行对所述一个或多个目标农田的识别。
17.根据权利要求13所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
接收输入，所述输入标识用于实施所述试验的农田的百分比；
至少部分地基于在所述农田中的变化性，识别测试地点的大小；
根据所述农田的百分比、所述测试地点的大小和所述农田的大小，计算用于实施所述试验的地点的数量；
确定所述一个或多个地点以包括所计算的数量个地点。
18.根据权利要求13所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
确定所述一个或多个目标农田不符合所述试验；
响应于确定所述一个或多个目标农田不符合所述试验，在所述一个或多个农田上识别一个或多个额外地点来实施所述试验；
发送识别所述一个或多个额外地点的数据。
19.根据权利要求11所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
从所述田地管理者计算设备接收输入，所述输入标识用于实施所述试验的所述农田的第一百分比；
至少部分地基于在所述农田中观察到的变化性、所述农田的大小、田地管理者农用设备限制、预期收益值以及实施所述试验的所述农田的第一百分比，计算检测到在允许区域中进行所述试验的收益的似然值；
如果所述似然值低于阈值，则确定达到所述阈值所需的农田的第二百分比，并且通过所述田地管理者计算设备请求此改变，其中所述第二百分比大于所述第一百分比。
20.根据权利要求11所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
基于所述应用数据，确定应用到所述农田的一个或多个参数与所述试验的一个或多个参数不同；
至少部分地基于所述应用的一个或多个参数，更新对在所述农田上的所述试验的结果的一个或多个预测。
21.根据权利要求11所述的系统，其中，计算所述试验的收益值包括以下一项或多项：计算所述一个或多个地点的平均产量与所述农田的其余地点的平均产量之间的差；计算所述一个或多个地点的平均产量与一个或多个对照地点的平均产量之间的差；计算所述一个或多个地点的平均利润与所述农田的其余地点的平均利润之间的差；或计算所述一个或多个地点的平均利润与所述一个或多个对照地点的平均利润之间的差。
22.根据权利要求11所述的系统，其中，所述指令在由所述一个或多个处理器执行时还使得执行如下操作：
基于所述收益值，计算一个或多个结果值；
存储将所述一个或多个结果值与所述试验相关联的数据。
23.根据权利要求18所述的系统，其中，计算所述一个或多个结果值包括计算估计的收益值与计算的收益值之间的差；并且所述方法还包括：
确定所述计算的收益值低于所述估计的收益值；
发送标识所述一个或多个结果值的数据。
24.根据权利要求18所述的系统，其中，计算所述一个或多个结果值包括：至少部分地基于所述收益值计算所述一个或多个地点的以下一项或多项：利润的百分比增加、产量的百分比增加、利润的绝对增加或产量的绝对增加。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762548396P | 2017-08-21 | 2017-08-21 | |
| US62/548,396 | 2017-08-21 | ||
| PCT/US2018/047397 WO2019040538A1 (en) | 2017-08-21 | 2018-08-21 | DIGITAL MODELING AND TRACKING OF AGRICULTURAL FIELDS FOR THE IMPLEMENTATION OF AGRICULTURAL FIELD TRIALS |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111246729A true CN111246729A (zh) | 2020-06-05 |
| CN111246729B CN111246729B (zh) | 2022-12-23 |
Family
ID=65361536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880068566.4A Active CN111246729B (zh) | 2017-08-21 | 2018-08-21 | 用于实施农田试验的农田数字建模和跟踪 |
Country Status (9)
| Country | Link |
|---|---|
| US (3) | US11145007B2 (zh) |
| EP (1) | EP3673448A4 (zh) |
| CN (1) | CN111246729B (zh) |
| AR (1) | AR112742A1 (zh) |
| AU (1) | AU2018322047A1 (zh) |
| BR (3) | BR112020003688B1 (zh) |
| CA (1) | CA3073348C (zh) |
| WO (1) | WO2019040538A1 (zh) |
| ZA (1) | ZA202001786B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762585A (zh) * | 2021-01-08 | 2021-05-07 | 青岛海信日立空调系统有限公司 | 一种空调系统和控制方法 |
| US11461899B1 (en) * | 2021-10-29 | 2022-10-04 | Guangdong Polytechnic Normal University | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
| CN115486247A (zh) * | 2022-08-30 | 2022-12-20 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| 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 |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10785905B2 (en) * | 2014-05-08 | 2020-09-29 | Precision Planting Llc | Liquid application apparatus comprising a seed firmer |
| CA2988972C (en) * | 2015-06-08 | 2023-04-18 | Precision Planting Llc | Agricultural data analysis |
| CA3073348C (en) | 2017-08-21 | 2022-11-22 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| CN111095314A (zh) * | 2017-08-22 | 2020-05-01 | 巴斯夫农化商标有限公司 | 作物植物种植的产量估计 |
| US10755367B2 (en) * | 2018-05-10 | 2020-08-25 | The Climate Corporation | Analysis and presentation of agricultural data |
| US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
| CA3100195A1 (en) * | 2018-06-01 | 2019-12-05 | Monsanto Technology Llc | Rapid stalk strength assessment |
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| US11406056B2 (en) * | 2018-12-05 | 2022-08-09 | H2Gr0, Llc | Social farming network and control system for agricultural chemical management |
| AR118178A1 (es) | 2019-02-21 | 2021-09-22 | Climate Corp | Seguimiento y modelo digital de campos agrícolas para la implementación de ensayos de campo agrícolas |
| EP3741214A1 (en) * | 2019-05-20 | 2020-11-25 | BASF Agro Trademarks GmbH | Method for plantation treatment based on image recognition |
| US11266058B2 (en) | 2019-08-26 | 2022-03-08 | Deere & Company | Automated check strips |
| JP7070872B2 (ja) * | 2019-08-29 | 2022-05-18 | 株式会社天地人 | 土地適性評価装置、土地適性評価方法、及びプログラム |
| US11624829B2 (en) * | 2019-09-12 | 2023-04-11 | Cnh Industrial America Llc | System and method for determining soil clod size distribution using spectral analysis |
| CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
| WO2021081894A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳市大疆创新科技有限公司 | 可移动平台的作业规划方法、系统和控制终端 |
| EP4055584A1 (en) * | 2019-11-08 | 2022-09-14 | BASF Agro Trademarks GmbH | Method for automated buffer zone management |
| US11704576B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Identifying ground types from interpolated covariates |
| US11610272B1 (en) | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| US11704581B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Determining crop-yield drivers with multi-dimensional response surfaces |
| US11715024B1 (en) | 2020-02-20 | 2023-08-01 | Arva Intelligence Corp. | Estimating soil chemistry at different crop field locations |
| JP7175537B2 (ja) * | 2020-02-06 | 2022-11-21 | 株式会社ナイルワークス | 生育診断システム、生育診断サーバ及び生育診断方法 |
| US11720723B2 (en) | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel sustainability attributes for land parcel valuation |
| US11682090B2 (en) * | 2020-02-14 | 2023-06-20 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel production stability attributes for land parcel valuation |
| US11798043B2 (en) | 2020-02-14 | 2023-10-24 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of agro-economic metrics for land parcel valuation |
| US11727170B2 (en) * | 2020-02-14 | 2023-08-15 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation based on supplemented parcel productivity attributes |
| US11823296B2 (en) | 2020-02-14 | 2023-11-21 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel productivity attributes for land parcel valuation |
| US11720724B2 (en) | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation tailored for use |
| EP4125314A1 (en) * | 2020-05-01 | 2023-02-08 | Kinze Manufacturing, Inc. | Connected planter data sharing playthrough |
| US20220207621A1 (en) * | 2020-12-29 | 2022-06-30 | International Business Machines Corporation | Interaction neural network for providing feedback between separate neural networks |
| CN113641336B (zh) * | 2021-06-30 | 2022-07-01 | 广东省国土资源测绘院 | 一种自然资源外业调查平台及其构建方法、电子设备、存储介质、程序产品 |
| CA3231233A1 (en) * | 2021-09-08 | 2023-03-16 | Hubert Schmeer | Computer-implemented method for evaluating application threshold values for an application of a product on an agricultural field |
| BE1030162B1 (fr) * | 2022-01-05 | 2023-07-31 | Medinbio Sprl | Procédé de génération d'un plan de traitement adapté pour le développement d'une surface cultivée sans pesticides d'origine chimique, modèle d'apprentissage et système associés |
| US20230385958A1 (en) * | 2022-05-26 | 2023-11-30 | Climate Llc | Systems and methods for use in identifying trials in fields |
| US20230385959A1 (en) * | 2022-05-26 | 2023-11-30 | Climate Llc | Systems and methods for use in assessing trials in fields |
| US20230403988A1 (en) * | 2022-06-15 | 2023-12-21 | Blue River Technology Inc. | Dynamic generation of experimental treatment plans |
| CN116484287B (zh) * | 2023-06-21 | 2023-09-01 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
| CN205249868U (zh) * | 2015-12-03 | 2016-05-25 | 韩山师范学院 | 物联网智能农场种植系统 |
| CN106028790A (zh) * | 2013-12-19 | 2016-10-12 | 菲泰科有限公司 | 用于根据预测产量处理农作物的方法和系统 |
| CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
| US20170196171A1 (en) * | 2016-01-07 | 2017-07-13 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和系统 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5961573A (en) * | 1996-11-22 | 1999-10-05 | Case Corporation | Height control of an agricultural tool in a site-specific farming system |
| US6058351A (en) * | 1998-09-10 | 2000-05-02 | Case Corporation | Management zones for precision farming |
| US8019636B2 (en) * | 2004-09-28 | 2011-09-13 | International Business Machines Corporation | Method, system and program product for planning and managing a call center study |
| CA2770216C (en) * | 2012-03-02 | 2016-10-18 | Phantom Ag Ltd. | Method and system for identifying management zones for variable-rate crop inputs |
| US9113590B2 (en) * | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
| 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 |
| CA2933233A1 (en) * | 2013-12-09 | 2015-06-18 | Trinetx, Inc. | Identification of candidates for clinical trials |
| WO2015100023A1 (en) | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
| US10104836B2 (en) * | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
| BR112017003725A2 (pt) * | 2014-08-27 | 2017-12-26 | Premier Crop Systems Llc | sistema operável para aplicar uma entrada agrícola e colher uma saída agrícola em uma zona de gestão e método para randomizar e replicar entradas agrícolas |
| US11069005B2 (en) * | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
| US20160085943A1 (en) * | 2014-09-22 | 2016-03-24 | Medidata Solutions, Inc. | System and Method for Monitoring Clinical Trial Progress |
| US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| WO2016127094A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US9813512B2 (en) * | 2015-04-20 | 2017-11-07 | Agverdict, Inc. | Systems and methods for efficiently generating a geospatial data map for use in agricultural operations |
| CA2988972C (en) * | 2015-06-08 | 2023-04-18 | Precision Planting Llc | Agricultural data analysis |
| US20190090432A1 (en) * | 2016-03-04 | 2019-03-28 | Basf Se | Devices and Methods for Planning and Monitoring Agricultural Crop Growing |
| US11257172B2 (en) * | 2017-04-26 | 2022-02-22 | International Business Machines Corporation | Cognitive based decision support system for agriculture |
| US10262206B2 (en) * | 2017-05-16 | 2019-04-16 | Cnh Industrial America Llc | Vision-based system for acquiring crop residue data and related calibration methods |
| US10580093B2 (en) * | 2017-06-17 | 2020-03-03 | Institute Of Agricultural Resources And Regional Planning Chinese Academy Of Agricultural Sciences | Estimating the prior for a stochastic allocation model |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CA3073348C (en) | 2017-08-21 | 2022-11-22 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| EP3923231A1 (en) * | 2020-06-11 | 2021-12-15 | KWS SAAT SE & Co. KGaA | Method and system for managing agricultural processes |
-
2018
- 2018-08-21 CA CA3073348A patent/CA3073348C/en active Active
- 2018-08-21 BR BR112020003688-9A patent/BR112020003688B1/pt active IP Right Grant
- 2018-08-21 BR BR122021024395-6A patent/BR122021024395B1/pt active IP Right Grant
- 2018-08-21 WO PCT/US2018/047397 patent/WO2019040538A1/en active Application Filing
- 2018-08-21 AR ARP180102375A patent/AR112742A1/es active IP Right Grant
- 2018-08-21 CN CN201880068566.4A patent/CN111246729B/zh active Active
- 2018-08-21 AU AU2018322047A patent/AU2018322047A1/en active Pending
- 2018-08-21 EP EP18847900.0A patent/EP3673448A4/en active Pending
- 2018-08-21 US US16/108,002 patent/US11145007B2/en active Active
- 2018-08-21 BR BR122021024397-2A patent/BR122021024397B1/pt active IP Right Grant
-
2020
- 2020-03-20 ZA ZA2020/01786A patent/ZA202001786B/en unknown
-
2021
- 2021-08-26 US US17/458,099 patent/US11587186B2/en active Active
-
2023
- 2023-02-20 US US18/111,795 patent/US12002115B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
| CN106028790A (zh) * | 2013-12-19 | 2016-10-12 | 菲泰科有限公司 | 用于根据预测产量处理农作物的方法和系统 |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和系统 |
| CN205249868U (zh) * | 2015-12-03 | 2016-05-25 | 韩山师范学院 | 物联网智能农场种植系统 |
| US20170196171A1 (en) * | 2016-01-07 | 2017-07-13 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| NORMAN ET AL.: "The Farming Systems Approach to Development and Appropriate Technology Generation", 《HTTP://FTPMIRROR.YOUR.ORG/PUB/MISC/CD3WD/1004/_AG_AT_FARMING_SYSTEMS_UNFAO_EN_LP_103690_.PDF》 * |
| WOZNIAK ET AL.: "Regulation of Agricultural Biotechnology: the United States and Canada", 《SPRINGER》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762585A (zh) * | 2021-01-08 | 2021-05-07 | 青岛海信日立空调系统有限公司 | 一种空调系统和控制方法 |
| US11461899B1 (en) * | 2021-10-29 | 2022-10-04 | Guangdong Polytechnic Normal University | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
| CN115486247A (zh) * | 2022-08-30 | 2022-12-20 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| CN115486247B (zh) * | 2022-08-30 | 2023-08-22 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3673448A4 (en) | 2021-08-11 |
| BR122021024397A2 (zh) | 2020-09-01 |
| US11145007B2 (en) | 2021-10-12 |
| US20190057461A1 (en) | 2019-02-21 |
| US20230206352A1 (en) | 2023-06-29 |
| US12002115B2 (en) | 2024-06-04 |
| WO2019040538A1 (en) | 2019-02-28 |
| US11587186B2 (en) | 2023-02-21 |
| AR112742A1 (es) | 2019-12-04 |
| CA3073348A1 (en) | 2019-02-28 |
| BR112020003688A2 (pt) | 2020-09-01 |
| BR122021024397A8 (pt) | 2022-10-25 |
| BR122021024395B1 (pt) | 2023-01-31 |
| BR122021024395A2 (zh) | 2020-09-01 |
| BR112020003688B1 (pt) | 2023-02-07 |
| BR122021024395A8 (pt) | 2022-11-29 |
| BR122021024397B1 (pt) | 2023-01-31 |
| CN111246729B (zh) | 2022-12-23 |
| AU2018322047A1 (en) | 2020-04-02 |
| CA3073348C (en) | 2022-11-22 |
| US20210390633A1 (en) | 2021-12-16 |
| ZA202001786B (en) | 2021-05-26 |
| EP3673448A1 (en) | 2020-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111246729B (zh) | 用于实施农田试验的农田数字建模和跟踪 | |
| CN113473840B (zh) | 用于实现农业田地试验的农业田地数字建模和跟踪 | |
| EP3827401B1 (en) | Generating agronomic yield maps from field health imagery | |
| EP3362979B1 (en) | A method for recommending seeding rate for corn seed using seed type and sowing row width | |
| US20200042890A1 (en) | Automatic prediction of yields and recommendation of seeding rates based on weather data | |
| EP3882829A1 (en) | Generating digital models of crop yield based on crop planting dates and relative maturity values | |
| US11707016B2 (en) | Cross-grower study and field targeting | |
| CN113226010B (zh) | 利用空间统计模型实现农艺试验 | |
| US11861737B1 (en) | Hybrid seed supply management based on prescription of hybrid seed placement |
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 | ||
| CB02 | Change of applicant information |
Address after: California, USA Applicant after: Clemet Co.,Ltd. Address before: California, USA Applicant before: THE CLIMATE Corp. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: Missouri, USA Patentee after: Clemet Co.,Ltd. Address before: California, USA Patentee before: Clemet Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder |