CN112465287A - 改进农场耕种质量 - Google Patents

改进农场耕种质量 Download PDF

Info

Publication number
CN112465287A
CN112465287A CN202010785678.0A CN202010785678A CN112465287A CN 112465287 A CN112465287 A CN 112465287A CN 202010785678 A CN202010785678 A CN 202010785678A CN 112465287 A CN112465287 A CN 112465287A
Authority
CN
China
Prior art keywords
farming
farm
quality
tractor
operator
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
Application number
CN202010785678.0A
Other languages
English (en)
Other versions
CN112465287B (zh
Inventor
J·米泰
D·W·卡古玛
S·M·卡鲁姆巴
N·K·波尔
P·S·德鲁希纳
A·基奈
K·维尔德玛利亚姆
P·M·瓦乌鲁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN112465287A publication Critical patent/CN112465287A/zh
Application granted granted Critical
Publication of CN112465287B publication Critical patent/CN112465287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/06395—Quality analysis or management
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/44—Statistical methods, e.g. probability models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • 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
    • A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • B60W2050/0051—Sampling combined with averaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)

Abstract

本公开的实施例涉及改进农场耕种质量。一种存储器体现指令，并且处理器被耦合到存储器并且由指令操作以促进：访问关于农场耕种技术的信息源；使用自然语言处理，通过解析关于农业耕种技术的该信息源，来构建耕种知识图；通过将机器学习应用于该耕种知识图来标识耕种质量评估因素；通过比较实时数据的流与该耕种质量评估因素来估计农场耕种任务的质量，其中实时数据的流与农场耕种任务的执行有关；使用耕种知识图从实时数据的流中标识影响农场耕种任务的质量的可控变量；以及通过促进可控变量的变化来改进该农场耕种任务的质量。该可控变量可以是拖拉机操作员的身份。

Description

改进农场耕种质量
技术领域
本发明涉及农业技术领域，并且更具体地涉及农田的耕种。
背景技术
拖拉机提供一系列耕种(cultivation)/耕作(farming)服务，诸如翻耕(ploughing)、深挖(deep ripping)、耙地(harrowing)、施肥、播种等。对于这些服务类型中的每一个，相关联的设备或工具都可以附接到拖拉机上。现代拖拉机还配备了非常复杂的拖拉机内置设备/工具，每个设备/工具都具有复杂的物联网(IoT)能力，用以感测、学习和管理农场等级的活动，同时实时帮助拖拉机的操作员。
耕种质量与农作物生长链接，并且因此得到产量生产率。例如，农作物的根生长得更深，并且更快速地生长到已经由被拖拉机拖过的尖齿“深挖”的土壤中。根系生长对于植物从土壤中获取水分(moisture)和养分以促进农作物生长至关重要。因此，在农场使用拖拉机时，应格外小心地完成拖拉机的操作。
耕种操作的质量取决于许多因素或受其影响，诸如土壤类型、结构和状况、地形、天气/气候、用户输入(农作物类型、种植(planting)日期)等。相关因素及其影响在各种文档中进行了解释，诸如科学文章、网站、机器/产品所有者手册等。
拖拉机的操作员在耕种的总体质量上起着相关的作用，因此在农场的总体生产率上也起着相关的作用。例如，通过使用坚固的尖齿向下作用到大约35-50cm的深度，以松开坚硬的土壤层，深挖机械地粉碎压实的土壤层。齿距间隔、工作深度、浅齿或圆盘的使用、土壤水分含量、定时和土壤类型都应考虑在内。这些参数中的一些参数由受过一定程度农艺知识的良好培训的拖拉机操作员可控。
因此，农场主们想知道(并且能够选择)对于给定的拖拉机服务类型的操作员的经验等级和/或效率。
发明内容
本发明的原理提供了用于改进农场耕种质量的技术。在一方面，一种示例性方法包括：访问关于农场耕种技术的信息源；使用自然语言处理，通过解析关于农业耕种技术的信息源，来构建耕种知识图；通过将机器学习应用于耕种知识图来标识耕种质量评估因素；通过比较实时数据的流与耕种质量评估因素来估计农场耕种任务的质量，其中实时数据的流与农场耕种任务的执行有关；使用耕种知识图从实时数据的流中标识影响农场耕种任务的质量的可控变量；以及通过促进影响农场耕种任务的质量的可控变量的变化来改进农场耕种任务的质量。
本发明的一个或多个实施例或其元素可以按照计算机程序产品的形式实现，该计算机程序产品包括具有计算机可用程序代码的计算机可读存储介质，计算机可用程序代码用于促进所指示的方法步骤。此外，本发明的一个或多个实施例或其元件可以按照系统(或装置)的形式实现，该系统(或装置)包括体现计算机可执行指令的存储器以及至少一个处理器，至少一个处理器被耦合到该存储器并由该指令操作以促进示例性方法步骤。进一步地，在另一方面，本发明的一个或多个实施例或其元件可以按照用于实施在此描述的一个或多个方法步骤的部件的形式来实现；该部件可以包括：(i)硬件模块，(ii)(多个)软件模块，被存储在有形计算机可读存储介质(或多个此类介质)中并在硬件处理器上实现，或(iii)(i)和(ii)的组合；(i)-(iii)中的任何一个实现本文阐述的特定技术。
如本文所使用的，“促进(facilitating)”动作包括执行动作、使动作更容易、帮助实施动作、或使动作被执行。因此，通过示例而非限制，在一个处理器上执行的指令可以通过发送适当的数据或命令以引起或帮助该动作被执行，来促进由在远程处理器上执行的指令所实施的动作。为了避免疑问，在行动者通过执行行动以外的其他方式来促进动作的情况下，该动作还是由某个实体或实体的组合执行。
鉴于前述内容，本发明的技术可以提供实质性的有益技术效果。例如，一个或多个实施例提供以下中的一项或多项：
农场耕种设备的高效利用。
农场耕种技术的增强的有效性。
最优的农场耕种策略的选择。
构建用于农场耕种质量评估的知识图。
估计农场耕种质量以最大化农场生产率。
通过以下将结合附图阅读的对说明性实施例的详细描述，本发明的这些和其他特征和优点将变得明显。
附图说明
图1描绘了根据本发明的实施例的云计算环境；
图2描绘了根据本发明的实施例的抽象模型层；
图3以示意图的形式示出了根据示例性实施例的数字农场监测和决策支持环境；
图4描绘了图示根据示例性实施例的用于构造耕种知识图的方法的流程图；
图5描绘了图示图4的方法的特定步骤的示意图；
图6描绘了图示根据示例性实施例的用于计算耕种质量的方法的流程图；
图7描绘了图示根据示例性实施例的用于操作员评价的方法的流程图；
图8描绘了图示图6的方法的输入和输出的示意图；
图9描绘了图示用于实现图6的方法的模块系统的示意图；以及
图10描绘了图示可以有助于实现本发明的一个或多个方面和/或元素的计算机系统的示意图。
具体实施方式
首先应当理解，尽管本公开包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括：
按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型计算机、个人数字助理PDA)对云的使用。
资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。
迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。
可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。
服务模型如下：
软件即服务(SaaS)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下：
私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有；
混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1，描绘了说明性的云计算环境50。如图所示，云计算环境50包括一个或多个云计算节点10，云消费者所使用的本地计算设备利用该云计算节点10可以通信，本地计算设备诸如例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C、和/或汽车计算机系统54N。节点10可以彼此通信。可以在一个或多个网络中对它们进行物理或虚拟分组(未示出)，诸如上文所述的私有云、共同体云、公共云或混合云、或其组合。这允许云计算环境50提供基础设施即服务、平台即服务和/或软件即服务，云消费者不需要为其维护本地计算设备上的资源。应当理解，图1所示的计算设备54A-54N的类型仅是说明性的，并且计算节点10和云计算环境50可以通过任何类型的网络和/或网络可寻址连接(例如使用web浏览器)与任何类型的计算机化设备进行通信。
现在参考图2，示出了由云计算环境50(图1)提供的功能抽象层集合。应当预先理解，图2中所示的组件、层和功能仅旨在是说明性的，并且本发明的实施例不限于此。如所描绘的，提供了以下层和对应的功能：
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括：大型机61；基于RISC(精简指令集计算机)架构的服务器62；服务器63；刀片服务器64；存储设备65；以及网络和联网组件66。在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层，从该抽象层可以提供以下虚拟实体的示例：虚拟服务器71；虚拟存储装置72；虚拟网络73，包括虚拟专用网络；虚拟应用和操作系统74；以及虚拟客户端75。
在一个示例中，管理层80可以提供以下描述的功能。资源供应81提供对用于在云计算环境内执行任务的计算资源和其他资源的动态采购。当在云计算环境中利用资源时，计量和定价82提供成本跟踪，并为这些资源的消耗开具帐单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及对数据和其他资源的保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务等级管理84提供云计算资源分配和管理，从而满足所需的服务等级。服务等级协议(SLA)的计划和履行85为根据SLA预期未来需求的云计算资源提供了预先安排和采购。
工作负载层90提供了可以利用云计算环境的功能性的示例。可以从该层提供的工作负载和功能的示例包括：映射和导航91；软件开发和生命周期管理92；虚拟课堂教学交付93；数据分析处理94；事务处理95；以及数字农场监测和决策支持环境(DFMDSE)96。
本发明的一个或多个实施例包括：从多个耕作数据源构建耕种知识图/模型(CKG)，然后，针对农场F上的每种拖拉机服务类型t：从CKG中标识耕种“质量”评估因素；实时分析从多个数据源接收的数据的(多个)流(例如，来自支持IoT的拖拉机的数据、卫星数据、来自可以附接到拖拉机上的低成本相机的数据、天气预报等)；以及基于数据的(多个)分析后的流、耕种质量评估因素、和与农场、操作员和拖拉机有关的简档(profile)的分析，来估计农场F的耕种质量。
图3以示意图的形式描绘了根据示例性实施例的数字农场监测和决策支持环境(DFMDSE)96。DFMDSE 96包括知识收集接口102，该知识收集接口102访问一个或多个农业知识源103，即学术文章、通过策划(curation)或通过自然语言处理技术标识的网页、农用设备手册等。DMFDSE 96还包括第一机器学习模块104，该模块将自然语言处理应用于农业知识源103，以生成包括耕种质量因素106和耕种质量度量107的耕种知识图(CKG)105。DFMDSE96还包括数据收集接口108，其访问从与农场和/或耕种设备的项相关联的一个或多个传感器109流传输的实时数据。DFMDSE 96的另一组件是第二机器学习模块110，该第二机器学习模块110将来自传感器109的实时数据与CKG 105集成在一起，并从没有耕种的预计基准，根据预测的农作物产量方差得出耕种质量的估计112。该系统可以构建跨多种拖拉机服务类型的“农场影响”目录，并基于其当前和预测的农场产量以及围绕这些特定农场影响的结果，将农场简档分配给多个“农场影响”。这是通过构建耕种知识图(CKG)或模型来完成的。
图4以流程图的形式描绘了用于构建CKG 105的方法200。方法200将数据挖掘技术与专家小组进行的广泛的手动策划相结合。方法200首先包括：在204处配置web爬虫(webcrawler)以从结构化和非结构化的数据收集、提取和准备与耕作有关的数据源。举例来说，结构化数据206可以包括与耕作操作员有关的文档(例如，农业或农学教科书、期刊)。非结构化数据可以包括各种受信任的web内容208。对web内容的信任可以首先通过手动策划来建立，然后可选地通过基于手动策划的机器学习来建立(即受监督的机器学习用以使用例如递归神经网络基于自然语言处理以不同的置信度来应用“可信赖”的标签)。多个与耕作有关的数据源可以包括：例如最佳农场管理实践、有关拖拉机服务类型(例如翻耕、深挖、耙地、施肥等)中的每一个的准则或规定、土壤简档(例如类型、水分、营养/化学含量、肥料)、整个农场群的历史估计耕种质量值等。
然后，方法200包括：在210处提取服务类型和实践(概念)的提及，与产量生产率的可能(否定)指示相结合，并且将这些概念填充到共生矩阵(co-occurrence matrix)中。在212，学习将耕种服务类型和实践与产量生产率的预测关联起来的机器学习模型(MLM)。在214，将学习到的MLM转换成CKG。在一个或多个实施例中，对于每个MLM，构造权重度量以确定在每种服务类型的耕种质量与“最佳”实践(“质量度量”)之间是否应在CKG中包括边(edge)。权重度量表明每个模型的相对置信度，即一对节点之间存在一条边。在一个实施例中，然后通过权重度量对每种“最佳”实践(“质量度量”)的每种服务类型的耕种质量进行分类。例如，用于逻辑回归的权重度量可以是Max(wij,0)，其中wij是与逻辑回归模型中的服务类型ti相关联的权重，适合预测质量度量j。换言之，如果最佳实践的使用使给定服务类型t的耕种质量增加的可能性更大，则该图中可以存在对应的边。
在一个或多个实施例中，用于使用深度自回归模型来生成现实图的技术可以用于生成CKG。
在一个或多个实施例中，学习了与拖拉机服务类型和实践(概念)有关的机器学习模型，该机器学习模型通过使用提取的概念描述跨多个因素的一种或多种耕作操作的实践，来对耕种服务和质量度量之间的关系进行建模。多个因素可以包括：农场简档(例如土壤类型、结构、拓扑、特性、农作物、水分等级等)、天气状况(包括季节性模型)、拖拉机简档(包括类型、模型和附件)、操作员的简档等。可以采用各种机器学习模型/算法(例如自然语言处理、朴素贝叶斯、逻辑回归)，来从多个数据源中推断服务类型和“最佳”实践(“质量度量”)之间的关系。可以使用最大似然估计来学习这些机器学习模型中的每一个的参数。参考图5，方法200的特定步骤包括：在212处学习MLM，在213处基于MLM建议图的边，以及在214处基于所建议的图的边将所学习的MLM转换成CKG。
简要地返回参考图3，DFMDSE 96还包括改良(amelioration)模块114，改良模块114将耕种质量的估计与阈值有效性进行比较，生成一个或多个改良动作(对可控变量的调整)，并实现或以其他方式促进通过向农场耕种设备116发送控制信号115进行的改良动作。
图6以示例性方法300的形式描绘了本发明的另一方面，该方法300用于改进农场耕种质量。在302处，接收耕种知识图(CKG)202。在304处，导航知识图(例如以决策树结构表示)，并且标识与给定农场F的给定耕种类型T相关的多个耕种质量评估因素。在306，确定农场F的对于耕种质量改进感兴趣的分段s。在308，从诸如拖拉机引擎传感器、卫星图像、无人机图像、安装在拖拉机上的相机图像、天气预报等的源接收针对分段s的实时传感器数据的一个或多个流。在310处，通过使用并入了CKG的一个或多个机器学习模型实时分析数据的(多个)流，来标识针对农场分段s的耕种质量度量M。在一个实施例中，机器学习模型和CKG可以被部署在边缘设备上(即在拖拉机计算机上、在用户移动电话上等)。在一个实施例中，机器学习模型和CKG可以被配置为以离线模式运行，并且它们可以不时地与其对应的云托管的部署同步，以取回关于任何模型或知识更新的全局知识。在312处，使用所标识的耕种质量度量M和耕种质量评估因素来估计针对分段s的耕种的当前质量Qs。在314处，确定Qs是否低于预定耕种质量阈值Δ。如果是这样，则在315，通过标识可以被调整以改进Qs的一个或多个可控变量来生成一个或多个改良动作。在一种场景中，可以由专家组(例如由农艺师)设置针对预定耕种质量阈值Δ的值。在另一种场景中，可以基于一个或多个农场中的预定值或模拟值的历史表现，通过机器学习算法来确定预定的耕种质量阈值Δ。在316处，通过引导耕种设备(例如将信号发送至附件工具的控制单元以调整以厘米为单位的深度和宽度)或其操作员改变耕种设备的操作来实现或以其他方式促进改良动作。在318，检查方法300是否已经针对所有分段s完成。如果为否，则在306处转到农场F的下一分段。在320处，如果对于整个农场F已完成方法300，则在用户计算设备(在操作员电话、农场主电话、农艺师平板电脑/智能电话等上)处、和/或在拖拉机的仪表板上汇总并显示整体耕种质量Q＝ΣsQs。本质上，Q是拖拉机操作员已经设法接近或正在接近耕种质量度量M的目标值的程度的量度，其中目标值是使用CKG基于所测量的农场状况而被确定的。
如图7所示，确定整体耕种质量Q可以得到方法400，方法400用于对农场拖拉机的操作员O的表现进行评级以便于提高农场生产率。方法400包括：在402接收操作员O已经或正在耕种的分段s的耕种质量Qs。在404，确定分段s的拖拉机服务类型t。在406，确定可能影响针对拖拉机服务类型t(例如翻耕、深挖、耙地、施肥)的耕种质量Qs的至少一个状况c。
因此，对于每种给定的服务类型t(例如翻耕、深挖、耙地、施肥)，在406确定一种或多种状况c，该状况可以通过遗传算法的变体来影响(affect)/影响(influence)评级，以选择对于评级更重要的特征和对这些特征进行排名。使用机器学习算法、遗传算法等的变体，从用户简档模型、农场简档模型、拖拉机简档模型和/或从其他数据源生成的其他模型确定一个或多个状况，机器学习算法的变体诸如，加权联合熵索引(例如，基于熵权重分析层级处理来将方法应用于权重计算)。
该方法还将所标识的事件和状况与从CKG 105获得的推荐实践进行比较和交叉引用。例如，基于翻耕服务期间所标识的事件，系统可以检查农场的已翻耕区域是否可能受到损害或当土壤太湿时杀死土壤中的微生物。该信息将由评分模块使用。然后，系统确定与拖拉机服务类型中的每一个相关联的相应服务类型值。然后，确定与至少一个状况相关联的至少一个状况值。
在408，确定操作员O的操作员得分SO，其中该操作员得分包括针对拖拉机服务类型t的分量值vt和针对至少一种状况的分量值vc。在一个或多个实施例中，
Figure BDA0002621879450000111
指示操作员的估计得分：
Figure BDA0002621879450000112
其中W＝(w1，w2，w3，w4，…)是系数的向量，并且x＝(xoperator_profile，xtractor_profile，xservtce_type，xfarm_profile，…)是输入的向量。输入向量包括有关操作员简档、农场简档、拖拉机简档、服务类型简档等的变量。
因此，对于操作员中的每一个，步骤408基于服务类型值、针对农场的第一状况值和第二状况值，针对相应操作员标识包括相应的多分量值的相应得分。服务类型值基于耕种历史值，而耕种历史值进而又基于一个或多个农场中的操作员在以相应服务类型进行操作时、在一个或多个状况下进行操作时所估计的质量得分。在一个实施例中，耕作操作得分(即拖拉机驾驶得分)中的每一个还基于估计的耕种质量值和可能影响耕种质量的多个事件(和事件类型)(例如，在田地的一部分中不必要的来回往返，例如翻耕的深度和宽度、整平均匀度、喷洒的均匀度等)。因此，当在一种或多种状况下以相应服务类型进行操作时，多分量值基于操作员的估计质量得分。
在第一说明性示例中，在丘陵农场上进行耕种时，第一操作员可以在10000平方米(1公顷)中具有八(8)个质量事件的记录(例如操作历史值)或0.08％(即8/10000)，而在非丘陵农场上驾驶时，在15000平方米(1.5公顷)中记录了十二(12)个质量事件，或0.027％。同一操作员在第一服务上下文(即在旱季期间翻耕)中驾驶时，可以在5000平方米(0.5公顷)中具有两(2)个质量事件的记录，或0.080％，而在第二服务上下文(即在雨季期间翻耕)中驾驶时，可以在600平方米中具有二十(20)个质量事件的记录，或0.33％。另外，第一操作员在旱季期间在丘陵农场上进行操作时，可以在2公顷中具有四(4)个质量事件的记录，或0.020％，而在雨季期间在丘陵农场上耕种时，可以在4公顷中具有十二(12)个质量事件的记录，或0.03％。此外，第一操作员在旱季期间在非丘陵农场上操作时，可以在X1公顷中具有X个质量事件的记录，或X2％(即X2＝X/X1)，而在雨季期间在丘陵农场上耕种时，可以在Y1公顷中具有Y个质量事件的记录，或Y2％(即Y2＝Y/Y1)。因此，该第一操作员具有针对在旱季期间在非丘陵农场上进行操作的最佳(最低)驾驶得分，而具有针对在雨季期间在丘陵农场上进行耕种的最差(最高)驾驶得分。
在410处，基于多分量操作员得分SO，针对拖拉机服务类型t，对操作员O相对于其他操作员进行评级。因此，对于每种服务类型，系统还接收多个农场的先前估计质量值。因此，每个历史操作得分都并入了在相应农场状况(例如基于土壤类型和状况的翻耕)和上下文(例如在旱季和雨季期间的翻耕)等之下由农场的操作员引发的多个质量事件。事件和事件类型的标识基于对从多个源接收的实时流数据的分析，多个源诸如IoT设备/传感器(例如GPS、加速度计)、卫星、相机等。在一个实施例中，确定给定农场中的操作员的驾驶行为进一步提高了操作员的评分。为了计算操作员得分，设O表示所有操作员的集合，B表示驾驶行为的所有类别的集合。执行B中行为之一的操作员的每次出现都称为驾驶行为事件e。在一方面，可以使用5元组e∈E＝<o，b，t，l，c>对驾驶行为事件进行建模，其中：
o：表示特定的操作员，其中o∈O，
b：表示操作员的驾驶行为的类型，其中b∈B，
t：当事件发生时的时间戳，
l：表示事件发生在农场F或农场分段s中的位置(例如GPS)，以及
c：表示操作员驾驶上下文(在下面定义)。
所有驾驶行为事件的集合E由操作员o、行为类型b和上下文c使用和索引，以获得事件的特定子集。操作员的驾驶上下文与每个驾驶行为事件相关联，并且描述事件发生的情况。在一方面，上下文变量可以包括天气、一天中的时间、拖拉机的模式和附件、农场简档和操作员简档。我们用C表示上下文，其中C＝C1×C2×C3×…×CN是n元组的集合，该n元组表示可以与操作员驾驶行为事件相关联的上下文变量的所有组合。每个Ci是具有其自身的可能值域的上下文变量。操作员驾驶行为事件的上下文
Figure BDA0002621879450000131
是元组c＝<v1，v2，…，vn>，其中vk是上下文中每个变量的对应域的值分配。
在另一方面，可以使用
Figure BDA0002621879450000132
来计算驾驶员评级得分，其中σc是表示给定上下文C中所有操作员的驾驶行为的平均的因素，而fc是针对给定上下文C的单个操作员的评分因素。然后，可以使用函数
Figure BDA0002621879450000133
来计算评分因素，该函数表示分配给操作员o的贴现(discounting)罚函数(penalty function)，以用于在所有上下文C中执行类型b的行为。
Figure BDA0002621879450000134
是操作员在给定上下文中执行某种行为的概率。针对操作员So的所计算的得分在范围(0，1)中给出，其中得分接近1表示“良好”驾驶，而0表示“不良”驾驶。
在412处，基于评级得分SO来更新一个或多个耕作操作服务配对模型。在一个或多个实施例中，所公开的用于拖拉机操作员的评级系统可以针对给定的拖拉机服务请求推荐拖拉机操作员的列表。如有必要，系统可以针对请求的服务类型自动将拖拉机与操作员或一组操作员配对。例如，当相应服务类型的操作员得分的每个分量值超过预定阈值时，可以推荐操作员或将操作员与拖拉机配对。换言之，在预订服务请求的创建时，将使用操作员的得分对操作员进行排名，选择操作员并将操作员与耕作操作服务类型和拖拉机配对。在一个或多个实施例中，可以由于高得分而通过“等级”、社交认可(例如通过向朋友和家人发消息来传达社区冠军)或其他激励来奖励操作员。操作员可以使用应用彼此跟踪，该应用呈现表现信息和/或消息，这些信息和/或消息与和耕作操作和/或拖拉机有关的特定技能集合相关联。在一个或多个实施例中，方法400可以被并入拖拉机共享系统或应用中。
在一个或多个实施例中，方法400在以下模块中实现：
操作员剖析器(profiler)(OP)模块602。在一些实施例中，操作员剖析器模块602构建用于对拖拉机操作员进行评级和排名的操作员简档。操作员剖析器模块还分析与操作员相关联的多个评级数据，包括来自活动日志的先前作业经验，诸如来自拖拉机传感器(例如GPS、加速度计等)、远程(卫星)传感器等。在一个或多个实施例中，操作员剖析器模块602还基于教育、培训和历史耕作职责等，来估计操作员针对跨一个或多个农场和拖拉机的多种服务类型中的一种或多种的训练、技能和/或经验等级。操作员剖析器系统可以采用使用这些特征的一个或多个定制机器学习模型来准确地表征操作员和为操作员制作简档。
农场剖析器(FP)模块604。农场剖析器模块使用农场特定的数据，通过混合各种模型/数据来生成农场简档，各种模型/数据诸如卫星(即遥感数据)、本地(IoT和本地感测)、专有天气预报(例如，天气预报公司)、土壤类型、结构和状况、地形、气候、操作员输入(农场位置、农作物类型、种植日期)等。现有技术中的各种现有技术(包括IBM的农业决策平台产品)可以用于估计土壤简档(土壤类型、水分等级等)。农场剖析器模块还确定“农场可及性指数”，由于操作员的专业知识随农场的每种服务类型和特性而异，诸如位置和土壤类型，因此该农场可及性指数可能会影响操作员的表现。此外，对农场制作简档的方法考虑了在给定时间拖拉机的速度，包括表征操作员在农场给定部分中的频率和/或花费的时间。
拖拉机剖析器(TP)模块606。使用来自多个评级数据的拖拉机特定数据，诸如机械/拖拉机简档(包括每个附件的简档)、一个或多个操作员对拖拉机在一个或多个农场中的历史使用情况、拖拉机的维护记录、从农场主或与拖拉机相关联的其他实体(经由基于文本的反馈、基于IVR的反馈、或诸如图像/视频反馈的多媒体)接收到的反馈/评论、等等。在一个实施例中，拖拉机简档包括基于历史利用数据、维护记录、操作员评级、或关于服务表现、服务质量评估等的反馈来使用机器学习模型对“拖拉机健康指数”的估计。因此，对于正在操作的拖拉机，根据拖拉机型号、附属机具和维护质量来确定拖拉机简档(TP)：TP＝<TractorModel,ImplementAttached,Maintenance>。
方法400的输入例如包括(非穷尽列表)：
对于每种拖拉机服务类型，当前农场分段的估计的耕种质量得分Qs，其中Qs是通过将耕种质量度量M与度量的目标值进行比较来估计的。
给定的农场服务t使用拖拉机简档TP和农作物简档CP。农作物简档(CP)是农场简档FP、农作物类型(CropType)和时间段(TimePeriod)的函数，其中时间段是种植信息。
耕种质量Q是给定服务t、操作员简档OP和反馈得分的函数。反馈与从农场主或其他实体处接收到的操作员和服务有关。反馈数据可以包括(历史的)SMS消息、经由交互式语音响应(IVR)系统接收到的语音消息、或多媒体(例如农场主或其他实体、无人机或遥感器发送的被耕种的农场的照片/图像)。如下所述，反馈分析器(FA)模块608处理、分析并生成针对操作员和服务的得分。
包括给定操作员的一组操作员的历史估计的耕种质量得分。
耕种期间的天气状况，例如由安装在拖拉机上的传感器提供。
主要输出是操作员耕种质量得分QO＝<score,service type>。
图8以示意图的方式描绘了方法400的选定输入和输出，包括拖拉机简档TP、天气状况501、土壤状况502、拖拉机驾驶员身份503、服务类型t、农场生产历史Qh、和拖拉机驾驶员耕种质量得分QO。
图9以示意图的方式描绘了用于实现方法400的系统600的各模块。系统600包括操作员简档模块602、农场剖析器模块604、拖拉机剖析器模块606、反馈分析器模块608、和评级因素选择器610。评级因素选择器610对来自模块602、604、606、608的信号进行加权，以产生操作员质量得分QO。
系统还使用多模式(例如文本、音频、多媒体)反馈分析器模块来分析由用户生成的针对拖拉机、操作员或一般服务的反馈/评论。反馈分析器(FA)模块608采用一种或多种机器学习模型，诸如自然语言处理(NLP)来分析文本反馈、音频/语音合成模型、或分析用于诸如视频/图像/照片的多媒体数据的深度学习模型。此外，各种传感器和IoT数据(例如加速度计、磁力计、GPS、相机等)可以用于进一步确定操作员简档。如果有必要，FA模块608根据例如服务类型相关性、农场难度指数、耕作操作知识图，在层级上和语义上链接和组织每个简档。
在一个或多个实施例中，可以在区块链上跟踪、存储和管理：评级数据、所生成的得分以及与建立可信的评级和评分有关的其他数据和事务。特别地，区块链用于创建防篡改记录和一个或多个智能合约，以跟踪、存储和管理与评级相关联的数据和事务，并验证评级和评分值(以及用于生成评级和评分值的数据)对于评级和评分拖拉机操作员有效。区块链服务调用与预期的一个或多个评级和评分输出相关联的一个或多个智能合约，以利用所存储或动态构成的同意书，根据操作员的排名和服务质量度量来帮助建立(多个)操作员与(多个)拖拉机的配对的有效性，以及确定各方(农场主、拖拉机所有者、金融机构、政府等)需要遵守拖拉机服务类型的、用于评级和相关活动的特定选定得分属性/特征。如有必要，区块链评级和评分服务中的智能合约和共识协议可以通过诸如“等级”、社会认可、货币支付等激励手段(基于操作员的服务质量)促进奖励操作员。
鉴于目前为止的讨论，将认识到，一般而言，根据本发明的一方面的示例性方法包括：访问关于农场耕种技术的信息源；使用自然语言处理，通过解析关于农业耕作技术的信息源，来构建耕作知识图；通过将机器学习应用于耕种知识图来标识耕种质量评估因素；通过比较实时数据的流与耕种质量评估因素来估计农场耕种任务的质量，其中实时数据的流与农场耕种任务的执行有关；使用耕种知识图从实时数据的流中标识影响农场耕种任务的质量的可控变量；通过促进影响农场耕种任务的质量的可控变量的变化来改进农场耕种任务的质量。
在一个或多个实施例中，在标识步骤中，信息源包括结构化数据源。备选地，在标识步骤中，信息源包括由定制web爬虫访问的非结构化数据源。
在一个或多个实施例中，解析信息源包括：针对耕种任务的提及以及对农场产量的影响的相关联指示进行解析。在一个或多个实施例中，耕种任务的提及是从由以下各项构成的组中选择的：翻耕、深挖、耙地和施肥。
在一个或多个实施例中，解析信息源还包括：针对与耕种任务的影响有关的一般农场状况的提及进行解析。在一个或多个实施例中，一般农场状况是从由以下各项构成的组中选择的：土壤类型、土壤结构、土壤水分、拓扑、农作物种植模式、历史降雨量、预计降雨量、历史温度和预计温度。
本发明的一个或多个实施例或其元件可以按照包括存储器和至少一个处理器的装置的形式来实现，该至少一个处理器被耦合到该存储器并且操作以促进示例性方法步骤，或者按照体现计算机可执行指令的非瞬态计算机可读介质的形式来实现，计算机可执行指令在由计算机执行时，使计算机促进示例性方法步骤。
图10描绘了计算机系统10，其可以有助于实现本发明的一个或多个方面和/或元件，也代表根据本发明的实施例的云计算节点。现在参考图10，云计算节点10仅是合适的云计算节点的一个示例，并且不旨在对本文所述的本发明的实施例的使用范围或功能性提出任何限制。无论如何，云计算节点10能够被实现和/或执行上文阐述的任何功能性。
在云计算节点10中，存在计算机系统/服务器12，其可与许多其他通用或专用计算系统环境或配置一起操作。可以与计算机系统/服务器12一起使用的众所周知的计算系统、环境和/或配置的示例包括但不限于个人计算机系统、服务器计算机系统、瘦客户端、厚客户端、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统、大型计算机系统以及包括任何上述系统或设备的分布式云计算环境等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图10所示，云计算节点10中的计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信、和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，其它硬件和/或软件模块可以与计算机系统/服务器12一起操作，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
因此，一个或多个实施例可以利用在通用计算机或工作站上运行的软件。参考图10，这样的实现可以采用例如处理器16、存储器28和到显示器24和(多个)外部设备14的输入/输出接口22，外部设备诸如键盘、定点设备等。如本文中所使用的，术语“处理器”旨在包括任何处理设备，诸如例如包括CPU(中央处理单元)和/或其他形式的处理电路的设备。此外，术语“处理器”可以指不止一个单独的处理器。术语“存储器”旨在包括与处理器或CPU相关联的存储器，诸如例如RAM(随机存取存储器)30、ROM(只读存储器)、固定存储器设备(例如硬盘驱动器34)、可移动存储器设备(例如软盘)、闪存等。另外，本文所使用的短语“输入/输出接口”旨在考虑例如用于向处理单元输入数据的一个或多个机构(例如鼠标)的接口，以及用于提供与处理单元相关联的结果的一个或多个机构(例如打印机)的接口。处理器16、存储器28和输入/输出接口22可以例如经由总线18互连，作为数据处理单元12的一部分。合适的互连，例如经由总线18，也可以被提供给网络接口20，诸如网卡，该网络接口20可以被提供以与计算机网络接口连接；并且合适的互连可以被提供给介质接口，诸如软盘或CD-ROM驱动器，该介质接口可以被提供以与适当介质接口连接。
因此，如本文所述，包括用于执行本发明的方法的指令或代码的计算机软件可以被存储在相关联的存储器设备(例如ROM、固定或可移动存储器)中的一个或多个存储器设备中，并且当准备好被利用时，被部分或全部加载(例如到RAM中)并由CPU实现。这样的软件可以包括但不限于固件、驻留软件、微代码等。
一种适合于存储和/或执行程序代码的数据处理系统将包括至少一个处理器16，该至少一个处理器16通过系统总线18直接或间接耦合到存储器元件28。存储器元件可以包括：在程序代码的实际实现期间采用的本地存储器、大容量存储装置和高速缓存存储器32，它们提供至少一些程序代码的临时存储，以便于减少在实现期间必须从大容量存储装置中获取代码的次数。
输入/输出或I/O设备(包括但不限于键盘、显示器、定点设备等)可以直接或通过中间I/O控制器被耦合到系统。
网络适配器20也可以被耦合到系统，以使得数据处理系统能够通过中间的私用或公共网络被耦合到其他数据处理系统或远程打印机或存储设备。调制解调器、电缆调制解调器和以太网卡仅是网络适配器的当前可用类型的几种。
如本文所使用的，包括权利要求，“服务器”包括运行服务器程序的物理数据处理系统(例如图10所示的系统12)。将理解，这样的物理服务器可以包括或可以不包括显示器和键盘。
一个或多个实施例可以在云或虚拟机环境的上下文中至少部分地实现，尽管这是示例性且非限制性的。
应当注意，本文描述的任何方法可以包括：提供包括在计算机可读存储介质上体现的不同软件模块的系统的附加步骤；模块可以包括例如框图中描述的和/或本文描述的任何或所有适当的元件；通过示例而非限制的方式，所描述的模块/框和/或子模块/子框中的任何一个、一些或全部。然后，可以使用如上所述的、在诸如16的一个或多个硬件处理器上执行的系统的不同软件模块和/或子模块来实施方法步骤。此外，计算机程序产品可以包括具有代码的计算机可读存储介质，该代码适于被实现以实施本文所述的一个或多个方法步骤，包括为系统提供不同的软件模块。
在一些情况下，可以被采用的用户接口的一个示例是由服务器等向用户的计算设备的浏览器提供服务的超文本标记语言(HTML)代码。HTML由用户的计算设备上的浏览器解析，以创建图形用户接口(GUI)。
示例性系统和制品细节
在任何可能的技术细节结合层面，本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如SMALLTALK、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种用于改进农场耕种质量的方法，包括：
访问关于农场耕种技术的信息源；
使用自然语言处理，通过解析关于农业耕种技术的所述信息源，来构建耕种知识图；
通过将机器学习应用于所述耕种知识图来标识耕种质量评估因素；
通过比较实时数据的流与所述耕种质量评估因素来估计农场耕种任务的质量，其中实时数据的所述流与所述农场耕种任务的执行有关；
使用所述耕种知识图从实时数据的所述流中标识影响所述农场耕种任务的所述质量的可控变量；以及
通过促进影响所述农场耕种任务的所述质量的所述可控变量的变化来改进所述农场耕种任务的所述质量。
2.根据权利要求1所述的方法，其中所述可控变量是拖拉机操作员的身份。
3.根据权利要求1所述的方法，其中在所述标识步骤中，所述信息源包括由定制web爬虫访问的非结构化数据源。
4.根据权利要求1所述的方法，其中解析所述信息源包括：针对耕种任务的提及以及对农场产量的影响的相关联指示进行解析。
5.根据权利要求4所述的方法，其中耕种任务的所述提及是从由以下各项构成的组中选择的：由拖拉机进行的翻耕、深挖、耙地、施肥和其他农场耕种操作。
6.根据权利要求4所述的方法，其中解析所述信息源还包括：针对与耕种任务的影响有关的一般农场状况的提及进行解析。
7.根据权利要求6所述的方法，其中所述一般农场状况是从由以下各项构成的组中选择的：土壤类型、土壤结构、土壤水分、农场拓扑、农作物种植模式、历史降雨量、预计降雨量、历史温度和预计温度。
8.根据权利要求1所述的方法，其中在所述估计步骤中，所述实时数据是从由以下各项构成的组中选择的：空气温度、土壤温度、空气湿度、土壤水分、土壤表面图像、拖拉机引擎扭矩、拖拉机附件阻力和拖拉机附件的运行深度。
9.一种体现计算机可执行指令的非瞬态计算机可读介质，所述计算机可执行指令在由计算机执行时使所述计算机促进一种方法，所述方法包括根据权利要求1至8中任一项所述的方法中的步骤。
10.一种装置，包括：
存储器，体现计算机可执行指令；以及
至少一个处理器，被耦合到所述存储器，并且由所述计算机可执行指令操作以促进一种方法，所述方法包括根据权利要求1至8中任一项所述的方法中的步骤。
11.一种用于针对耕种任务选择拖拉机操作员O的方法，所述方法包括：
获得针对农场分段s的耕种质量得分Qs；
确定针对所述分段s的拖拉机服务类型t；
确定至少一个状况c，所述至少一个状况c能够影响针对所述拖拉机服务类型t的所述耕种质量Qs；
确定针对所述操作员O的操作员得分QO，其中所述操作员得分包括针对所述拖拉机服务类型t的分量值vt和针对所述至少一种状况c的分量值vc；
基于多分量的所述操作员得分QO，相对于其他操作员，针对所述服务类型t和所述状况c，对所述拖拉机操作员进行评级；以及
基于评级的所述得分QO来更新耕作操作服务配对模型。
12.一种计算机系统，包括被配置为执行根据权利要求1至8中任一项所述的方法中的步骤的模块。
CN202010785678.0A 2019-09-09 2020-08-06 改进农场耕种质量 Active CN112465287B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/565,457 US11497156B2 (en) 2019-09-09 2019-09-09 Farm cultivation quality
US16/565,457 2019-09-09

Publications (2)

Publication Number Publication Date
CN112465287A true CN112465287A (zh) 2021-03-09
CN112465287B CN112465287B (zh) 2024-07-23

Family

ID=74833774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010785678.0A Active CN112465287B (zh) 2019-09-09 2020-08-06 改进农场耕种质量

Country Status (2)

Country Link
US (1) US11497156B2 (zh)
CN (1) CN112465287B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379188A (zh) * 2021-05-06 2021-09-10 贵州省烟草公司贵阳市公司 基于物联网的烟草轮作种植方法和系统
CN113722502A (zh) * 2021-08-06 2021-11-30 深圳清华大学研究院 基于深度学习的知识图谱构建方法、系统及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021120765A1 (de) * 2021-08-10 2023-02-16 Claas Tractor Sas Verfahren zur Optimierung der Einstellung von Maschinenparametern eines landwirtschaftlichen Gespanns
EP4435683A1 (en) * 2023-03-22 2024-09-25 Tata Consultancy Services Limited Systems and methods for monitoring and managing farm versions and measuring portability to target farms
CN118536720A (zh) * 2024-07-22 2024-08-23 安徽省农业科学院烟草研究所 施用生物炭对改善烟田土壤质量的评价方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787801A (zh) * 2015-01-14 2016-07-20 埃森哲环球服务有限公司 精确农业系统
CN105814552A (zh) * 2014-01-14 2016-07-27 迪尔公司 农艺变化和团队绩效分析
US20160232475A1 (en) * 2015-02-10 2016-08-11 Bendix Commercial Vehicle Systems Llc System and method for rating drivers
US20160302351A1 (en) * 2015-04-17 2016-10-20 360 Yield Center, Llc Agronomic systems, methods and apparatuses
US9892573B1 (en) * 2015-10-14 2018-02-13 Allstate Insurance Company Driver performance ratings
US20180059691A1 (en) * 2016-08-25 2018-03-01 International Businiess Machines Corporation Predicting Crop Productivity via Intervention Planning on Small-scale Farms
CN110209839A (zh) * 2019-06-18 2019-09-06 卓尔智联(武汉)研究院有限公司 农业知识图谱构建装置、方法及计算机可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4015366A (en) * 1975-04-11 1977-04-05 Advanced Decision Handling, Inc. Highly automated agricultural production system
US8290809B1 (en) 2000-02-14 2012-10-16 Ebay Inc. Determining a community rating for a user using feedback ratings of related users in an electronic environment
JP3711098B2 (ja) * 2002-09-26 2005-10-26 株式会社荒井製作所 ゴム組成物
US7774350B2 (en) 2004-02-26 2010-08-10 Ebay Inc. System and method to provide and display enhanced feedback in an online transaction processing environment
US7930263B2 (en) 2007-01-12 2011-04-19 Health Information Flow, Inc. Knowledge utilization
US8170979B2 (en) 2008-08-12 2012-05-01 Intersect Ptp, Inc. Systems and methods for calibrating user ratings
US8639704B2 (en) 2012-04-04 2014-01-28 Gface Gmbh Inherited user rating
US20160110650A1 (en) 2013-11-29 2016-04-21 Ims Solutions, Inc. Advanced context-based driver scoring
EP3125670B1 (en) 2014-04-01 2019-01-23 The Climate Corporation Agricultural implement operator monitoring methods
US20170139380A1 (en) 2015-07-28 2017-05-18 ATP-labs Ltd. Cloud-based cultivation system for plants

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105814552A (zh) * 2014-01-14 2016-07-27 迪尔公司 农艺变化和团队绩效分析
CN105787801A (zh) * 2015-01-14 2016-07-20 埃森哲环球服务有限公司 精确农业系统
US20160232475A1 (en) * 2015-02-10 2016-08-11 Bendix Commercial Vehicle Systems Llc System and method for rating drivers
US20160302351A1 (en) * 2015-04-17 2016-10-20 360 Yield Center, Llc Agronomic systems, methods and apparatuses
US9892573B1 (en) * 2015-10-14 2018-02-13 Allstate Insurance Company Driver performance ratings
US20180059691A1 (en) * 2016-08-25 2018-03-01 International Businiess Machines Corporation Predicting Crop Productivity via Intervention Planning on Small-scale Farms
CN110209839A (zh) * 2019-06-18 2019-09-06 卓尔智联(武汉)研究院有限公司 农业知识图谱构建装置、方法及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379188A (zh) * 2021-05-06 2021-09-10 贵州省烟草公司贵阳市公司 基于物联网的烟草轮作种植方法和系统
CN113379188B (zh) * 2021-05-06 2022-10-25 贵州省烟草公司贵阳市公司 基于物联网的烟草轮作种植方法和系统
CN113722502A (zh) * 2021-08-06 2021-11-30 深圳清华大学研究院 基于深度学习的知识图谱构建方法、系统及存储介质
CN113722502B (zh) * 2021-08-06 2023-08-01 深圳清华大学研究院 基于深度学习的知识图谱构建方法、系统及存储介质

Also Published As

Publication number Publication date
US11497156B2 (en) 2022-11-15
CN112465287B (zh) 2024-07-23
US20210068334A1 (en) 2021-03-11

Similar Documents

Publication Publication Date Title
CN112465287B (zh) 改进农场耕种质量
US11120552B2 (en) Crop grading via deep learning
US20210350295A1 (en) Estimation of crop pest risk and/or crop disease risk at sub-farm level
US11386496B2 (en) Generative network based probabilistic portfolio management
US11531878B2 (en) Behavior prediction with dynamic adaptation to environmental conditions
US11645308B2 (en) Customizing agricultural practices to maximize crop yield
US20200090088A1 (en) Enterprise health control processor engine
US12118626B2 (en) Generating context-aware process-based model determinations for greenhouse gas emissions from agricultural fields
US11620683B2 (en) Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy
Choi et al. The effect of innovation characteristics on cloud computing diffusion
CN107169574A (zh) 利用嵌套机器学习模型来执行预测的方法及系统
US20200302556A1 (en) Crop recommendation
US20220343440A1 (en) Agriculture service platform
Dury The cropping-plan decision-making: a farm level modelling and simulation approach
US20240281903A1 (en) Machine learning techniques for determining sigificant events
US20220124961A1 (en) Soil density prediction for subsoil crops
Saad et al. Estimating stem diameter distributions from airborne laser scanning data and their effects on long term forest management planning
US11580389B2 (en) System and method for predicting fall armyworm using weather and spatial dynamics
US20200302555A1 (en) Crop seeding recommendations
Chavali Cloud computing in agriculture
Adeva et al. Web-based simulation of fruit fly to support biosecurity decision-making
Tsiligiridis et al. Remote sensing Big AgriData for food availability
Conway et al. Innovation patterns and big data
Halama et al. Penumbra: A spatially distributed, mechanistic model for simulating ground-level incident solar energy across heterogeneous landscapes
Umachandran et al. Affordances of data science in agriculture, manufacturing, and education

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant