CN112889007A - 使用特定于农艺田地的空间分布值来改进数字养分模型 - Google Patents
使用特定于农艺田地的空间分布值来改进数字养分模型 Download PDFInfo
- Publication number
- CN112889007A CN112889007A CN201980067370.8A CN201980067370A CN112889007A CN 112889007 A CN112889007 A CN 112889007A CN 201980067370 A CN201980067370 A CN 201980067370A CN 112889007 A CN112889007 A CN 112889007A
- Authority
- CN
- China
- Prior art keywords
- data
- nutrient
- field
- value
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/041—Function-oriented details
- G05B19/0415—Function-oriented details adapting phase duration according to measured parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
在实施例中,农业智能接收针对农艺田地的农艺田地数据,该农艺田地数据包括一个或多个输入参数、养分施用值和所测量的产量值。系统使用作物生长数字模型针对田地上的多个位置来计算所需养分值,所需养分值指示所需的养分量以产生所测量的产量值。该系统标识多个位置的子集,在子集中计算出的所需养分值大于养分施用值,以及针对每个位置,计算包括所需养分值和养分施用值的差值的残差值。该系统生成包括残差值的残差地图。使用残差地图和针对多个位置中的每个位置的一个或多个输入参数,该系统生成并且存储针对农艺田地的模型校正数据。
Description
版权声明
本专利文档的公开内容的一部分包含受版权保护的材料。版权所有者不反对任何人以专利商标局专利文件或记录中的形式复制专利文档或专利公开内容,但保留任何所有版权或权利。气候公司(The Climate Corporation)。
技术领域
本公开涉及在诸如氮、磷和钾的田地中的养分的数字计算机建模。另外,本公开涉及用于基于农艺田地特定数据来生成对数字养分模型的空间适应的计算机处理技术。
背景技术
本节中描述的方法是可以实行的方法,但不一定是先前已经设想或实行的方法。因此,除非另外指出,否则不应仅由于将本节中所描述的任何方法包括在本节中而认为其有资格作为现有技术。
养分在作物的生长和发育中是必不可少的。作物吸收周围土壤中诸如氮、磷和钾的养分以支持作物生长。不同类型的作物对每种养分的需求不同。当作物无法满足其养分需求时,作物就会歉收。例如,氮的缺乏会导致作物叶片的破坏。附加地,只要植物中的氮浓度降低到临界阈值以下,就会对光合作用和干物质积累产生负面影响。最终结果是未接收到足够养分的作物的产量下降。
计算机实现的农作物肥力的预测模型对于计算最佳养分施用率会是有用的。通常,这些预测模型是使用大量实验数据或来自大量田地的聚合历史数据生成的。这些预测模型倾向于概括作物生长的模型,将每个个体田地视为其输入的总和。例如,如果两个田地具有相同的土壤类型、相同的作物杂交种、相同的海拔和相同的管理结构,则在两个田地之间计算每个田地达到理想产量所需的氮量将是相等的。
计算机实现的预测模型的一个主要问题是,它们特定于农艺田地的能力完全基于当年对模型的输入。因此,模型未捕获的农艺田地的任何潜在特点都将导致模型始终高估或低估针对田地的养分需求。
为了创建考虑特定田地习性的模型,需要来自每个农艺田地的海量数据。这种数据很少可用于不是农艺实验场所的农艺田地。因此,针对具体田地的个体养分模型通常不可行并且效率低下。
附加地,在一些情况下,由于该田地的未测量、测量差或未知的田地特性,数字肥力模型可能会偏向特定田地。在这种情况下,针对特定田地的个体养分模型将不可靠或将导致无效结果。
因此,需要一种系统,该系统可以使用针对农艺田地的可用历史数据将养分模型校准到具体的农艺田地。
发明内容
所附权利要求可以用作本公开的概述。
附图说明
在附图中:
图1图示出了示例计算机系统,该计算机系统被配置为执行本文中所描述的功能,在田地环境中与该系统可以与之交互的其他装置一起被示出。
图2图示出了当示例移动应用被加载以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图示出了经编程的过程,农业智能计算机系统通过该过程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配置的农艺模型。
图4是图示出了可以在其上实现本发明实施例的计算机系统的框图。
图5描绘了针对数据条目的时间线视图的示例实施例。
图6描绘了针对数据条目的电子表格视图的示例实施例。
图7描绘了用于使用历史数据来校正养分模型输出的示例方法。
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。在其他实例中,以框图的形式示出了熟知的结构和设备,以避免不必要地模糊本公开。根据以下梗概,在各部分中公开了实施例:
1.总体概述
2.示例农业智能计算机系统
2.1.结构概述
2.2.应用程序概述
2.3.计算机系统的数据摄取
2.4.过程概述——农艺模型训练
2.5.实现示例——硬件概述
3.养分模型校正
3.1.功能概述
3.2.模型相关性和校正
3.3.残差地图实施例
3.4.附加的模型校正使用
4.某些实施例的好处
5.扩展和备选
*
1.总体概述
本文描述了一种用于将养分模型校准到具体的农艺田地的系统和方法。在实施例中,农业智能计算机系统存储作物生长的数字模型。农业智能计算机系统使用针对特定农艺田地的历史输入数据来计算针对该农艺田地中多个位置所需的养分施用值,所需的养分施用值指示必须添加到农艺田地以生成当年农艺田地收到的与输入相对应的农艺产量的养分量。农业智能计算机系统计算针对每个位置的残差值,其中所需养分值高于实际施用到农艺田地的养分量。农业智能计算机系统将残差值的空间映射与农艺田地的其他空间特点的空间映射进行比较,以创建用于将养分模型校准到具体的农艺田地的模型校正数据。
在实施例中,一种方法包括:将作物生长数字模型存储在计算机系统中,作物生长数字模型被配置为,至少部分地基于特定于农业田地的数据,计算土壤中的养分需求以产生特定产量值;接收用于特定农艺田地的农艺田地数据,农艺田地数据包括:针对农艺田地上多个位置中每个位置的一个或多个输入参数、针对多个位置中每个位置的养分施用值、以及针对多个位置中每个位置的测量产量值;对于多个位置中的每个位置,使用作物生长的数字模型来计算所需养分值,所需养分值指示产生所测量的产量值所需的养分量;标识多个位置的子集,在该子集中计算出的所需养分值大于养分施用值;对于多个位置的子集中的每个位置,计算包括所需养分值和养分施用值的差值的残差值;生成包括在多个位置的子集处的残差值的残差地图;从残差地图和针对多个位置中每个位置的一个或多个输入参数,生成用于特定农艺田地的特定模型校正数据;将特定模型校正数据与特定农艺田地的标识符一起存储。
2.示例农业智能计算机系统
2.1结构概述
图1图示出了示例计算机系统,该计算机系统被配置为执行本文中所描述的功能,在田地环境中与该系统可以与之交互的其他装置一起被示出。在一个实施例中,用户102拥有、操作或支配在田地位置中或与田地位置相关联的田地管理器计算设备104,田地位置诸如打算用于农业活动的田地或针对一个或多个农业田地的管理位置。田地管理器计算机设备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,英亩数、田地名称、田地标识符、地理标识符、边界标识符、作物标识符,以及可以被用来标识农地的任何其他合适的数据,诸如公共土地单位(CLU)、地段和地块编号、宗地编号、地理坐标和边界、农场序列编号(FSN)、农场编号、地带编号、田地编号、区域、乡镇、和/或范围),(b)收获数据(例如,作物类型、作物品种、作物轮换、作物是否以有机方式生长、收获日期、实际生产历史(APH)、预期产量、产量、作物价格、作物收入、谷物水分、耕作实践,以及先前的生长季节信息),(c)土壤数据(例如,类型、成分、pH、有机质(OM)、阳离子交换容量(CEC)),(d)种植数据(例如,种植日期、(多种)种子类型、播种的(多种)种子的相对成熟度(RM)、种子种群),(e)肥料数据(例如:养分类型(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、杀真菌剂,其他拟用作植物调节剂的其他物质或物质混合物、脱叶剂或干燥剂、施用日期、用量、来源、方法),(g)灌溉数据(例如,施用日期、用量、来源、方法),(h)天气数据(例如,降水量、降雨率、预测降雨、径流率区域、温度、风、预报、压力、能见度、云、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、平板计算机、无人驾驶飞机、飞机或卫星的图像和光谱信息;(j)侦察观察(照片、视频、自由形式的注释、语音记录、语音转录、天气情况(温度、降水(当前和长期)、土壤湿度、作物生长阶段、风速、相对湿度、露点、黑层)),以及(k)土壤、种子、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被通信地耦接到农业智能计算机系统130,并且被编程或配置为经由(多个)网络109将外部数据110发送给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,或者由诸如政府机关、非政府组织(NGO)和/或私人数据服务提供方之类的不同人或实体拥有或操作。外部数据的示例尤其包括天气数据、图像数据、土壤数据,或与作物生长有关的统计数据。外部数据110可以由与田地数据106相同类型的信息组成。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的相同实体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从第三方源获取的数据类型(诸如天气数据)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,这些传感器经由农业装置111直接或间接地通信耦接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给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、施肥装备、包括无人驾驶飞行器在内的飞行器、以及任何通常为移动机械的其他物理机械或硬件,并且它们可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在网络中本地耦接的多个传感器112;控制器局域网(CAN)是可以安装在联合收割机、收割机、喷雾器和中耕机中的这种网络的示例。施用控制器114经由(多个)网络109被通信地耦接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接收被用来控制农业车辆的操作参数或实现的一个或多个脚本。例如,控制器局域网(CAN)总线接口可以被用来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利亚的旧金山的气候公司可获得的CLIMATEFIELDVIEW DRIVE。传感器数据可以由与田地数据106相同类型的信息组成。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,而是可以远程放置在田地中并且可以与网络109通信。
装置111可以包括利用驾驶室应用编程的驾驶室计算机115,驾驶室计算机115可以包括针对设备104的移动应用版本或变体,其在本文的其他部分中被进一步描述。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,其具有安装在装置111的操作员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进一步描述的操作和功能的一些或全部。
(多个)网络109广泛地表示使用有线或无线链路(包括地面或卫星链路)中任何的一个或多个数据通信网络的任何组合,包括局域网、广域网、互连网络或互联网。(多个)网络可以由提供图1的各种元素之间的数据交换的任何介质或机制来实现。图1的各种元素还可以具有直接(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和系统的其他元素均包括与(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来在网络上进行通信,诸如TCP/IP、蓝牙、CAN协议,以及更高层的协议(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器计算设备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还可以被配置为托管、使用或执行一个或多个计算机程序、其他软件元素、诸如FPGA或ASIC的数字编程逻辑或其任意组合,以便以在本公开其他部分中进一步描述的方式执行对数据值进行转换和存储,构建一个或多个田地上的一种或多种作物的数字模型,生成推荐和通知,以及生成脚本并且将脚本发送给施用控制器114。
在实施例中,农业智能计算机系统130用通信层132、呈现层134、数据管理层140、硬件/虚拟化层150以及模型和田地数据储存库160进行编程,或者包括通信层132、呈现层134、数据管理层140、硬件/虚拟化层150以及模型和田地数据储存库160。在此上下文中,“层”指代电子数字接口电路、微控制器、诸如驱动的固件、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器计算设备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储存库160以存储为田地数据106。
呈现层134可以被编程或配置为生成要在田地管理器计算设备104、驾驶室计算机115或通过网络109耦接到系统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,该控件用于输入要发送给农业智能计算机系统130的数据,生成对模型和/或推荐的请求,和/或显示推荐、通知、模型以及其他田地数据。
数据管理层140可以被编程或配置为管理涉及储存库160和系统的其他功能元素的读取操作和写入操作,包括在系统的功能元素和储存库之间传递的查询和结果集。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”可以指代数据主体、关系数据库管理系统(RDBMS)或指代这两者。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,可以使用实现本文所描述的系统和方法的任何数据库。
当没有经由与农业智能计算机系统交互的一个或多个农业机械或农业机械设备直接向农业智能计算机系统提供田地数据106时,可以经由用户设备(由农业智能计算机系统提供服务)上的一个或多个用户界面提示用户输入这种信息。在示例实施例中,用户可以通过访问用户设备(由农业智能计算机系统提供服务)上的地图并且选择已经在该地图上以图形方式示出的具体CLU来指定标识数据。在备选实施例中,用户102可以通过访问用户设备上的地图(由农业智能计算机系统130提供服务)并在该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。在备选实施例中,用户可以通过经由用户设备访问来自美国农业部农业服务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,并且将这种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被编程为生成并且引起显示包括针对数据输入的数据管理器的图形用户界面。在已经使用上文描述的方法标识一个或多个田地之后,该数据管理器可以提供一个或多个图形用户界面小部件(widget),该小部件被选择时可以标识对田地、土壤、作物、耕作、或养分实践的改变。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描绘了针对数据条目的时间线视图的示例实施例。使用图5中所描绘的显示,用户计算机可以输入特定田地的选择和针对事件添加的特定日期。在时间线顶部描述的事件可以包括氮、种植、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,用户计算机可以在时间线上选择针对特定田地的位置,以便指示在所选择田地上的氮的施用。响应于接收到在时间线上针对特定田地的位置的选择,数据管理器可以显示数据条目覆盖,从而允许用户计算机输入与氮施用、种植程序、土壤施用、耕作程序、灌溉实践、或与特定田地有关的其他信息有关的数据。例如,如果用户计算机选择时间线的一部分并且指示氮的施用,则数据条目覆盖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氮有关的任何其他信息的田地。
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。在此上下文中,“程序”指代涉及氮施用、种植程序、土壤施用、耕作程序、灌溉实践或可能与一个或多个田地相关的其他信息的数据集,这些数据可以被存储在数字数据存储中以供在其他操作中作为数据集重复使用。在程序已经被创建之后,可以在概念上将其应用到一个或多个田地,并且可以将该程序的引用与标识这些田地的数据相关联地存储在数字存储中。因此,替代于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,然后将该程序应用到多个不同田地。例如,在图5的时间线视图中,最上面的两个时间线选择了“春季施用”程序,该程序包括在4月初每英亩施用150磅氮。数据管理器可以提供界面以用于编辑程序。在实施例中,当对特定程序进行编辑时,对已经选择该特定程序的每个田地进行编辑。例如,在图5中,如果“春季施用”程序被编辑以将氮施用减少到每英亩130磅氮,则可以基于所编辑的程序以减少氮施用对前两个田地进行更新。
在实施例中,响应于接收到对具有所选程序的田地的编辑,数据管理器移除该田地与所选程序的对应关系。例如,如果在图5的顶部田地中增加了氮施用,该界面可以更新以指示“春季施用”程序不再被应用于顶部田地。尽管可能会保留4月初的氮施用,但是对“春季施用”程序的更新不会更改4月的氮施用。
图6描绘了针对数据条目的电子表格视图的示例实施例。使用图6中所描绘的显示,用户可以创建和编辑针对一个或多个田地的信息。数据管理器可以包括电子表格,电子表格用于输入如图6中所描绘的关于氮、种植、实践和土壤的信息。为了编辑特定的条目,用户计算机可以在电子表格中选择特定条目并且更新值。例如,图6描绘了针对第二田地的目标产量值的正在进行的更新。附加地,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。响应于接收到针对特定田地的程序选择,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,响应于接收到对特定程序的更新,数据管理器可以更新针对与该程序相关联的每个田地的条目。附加地,响应于接收到针对该田地的条目之一的编辑,数据管理器可以移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储存库160中。模型数据包括针对一个或多个田地创建的数据模型。例如,作物模型可以包括一个或多个田地上的作物发育的数字构建模型。在此上下文中,“模型”指代彼此相关联的电子数字存储的可执行指令集和数据值,它们能够接收程序或其他数字调用、唤出或解析请求并且基于指定输入值对其做出响应,以产生一个或多个存储或计算的输出值,这些输出值可以充当计算机实现的建议、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没有将本文所公开的模型限制为抽象概念;相反,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模型。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被存储在存储器中的数据结构中,存储在数据库表中的行中,存储在平面文件或电子表格中,或存储在其他形式的存储数字数据中。
在实施例中,养分建模指令136、映射相关指令137和模型校准指令138中每一个指令都包括农业智能计算机系统130中诸如RAM的主存储器一个或多个页面集,其中可执行指令已经加载到页面集中,并且页面集在被执行时使得农业智能计算系统执行参考那些模块在本文中描述的功能或操作。例如,养分建模指令136可以包括RAM中包含指令的页面集,这些指令在被执行时使得执行本文所述的养分建模功能。指令可以在CPU指令集中的机器可执行代码中并且可以基于源代码进行编译,源代码单独以JAVA、C、C++、OBJECTIVE-C或任何其他人类可读编程语言或环境编写,或者可以是JAVA、C、C++、OBJECTIVE-C或任何其他人类可读编程语言或环境与JAVASCRIPT中的脚本、其他脚本语言和其他编程源文本结合编写的。术语“页面”旨在广义地指代主存储器内的任何区域,并且在系统中使用的具体术语可以取决于存储器架构或处理器架构而变化。在另一实施例中,养分建模指令136、映射相关指令137和模型校准指令138中每个指令也可以表示源代码的一个或多个文件或项目,其被数字地存储在诸如非易失性RAM或磁盘的大容量存储设备中,存储在农业智能计算机系统130或分离的储存库系统中,当其被编译或解释使得生成可执行指令,可执行指令在被执行时使得农业智能计算系统执行参考那些模块在本文中描述的功能或操作。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以随后将其编译为可执行文件,或解释为字节码或等效代码以供农业智能计算机系统130执行的方式。
养分建模指令136包括指令,当该指令由一个或多个处理器执行时使计算系统基于农艺田地的一个或多个输入值以及对作物生长进行建模的一个或多个所存储的算法来计算养分需求。映射相关指令137包括指令,当该指令由一个或多个处理器执行时使计算系统针对农艺田地上的多个位置来计算残差值,生成残差值的空间地图,以及将残差值的空间地图关联到农艺田地上的其他输入值的空间地图。模型校准指令138包括指令,当该指令由一个或多个处理器执行时使计算系统使用农艺田地输入值的残差地图和相关空间地图来生成针对特定农艺田地的模型校正数据。
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、组件或元素,诸如易失性或非易失性存储器、诸如磁盘的非易失性存储,以及例如结合图4所图示和描述的I/O设备或接口。层150还可以包括被配置为支持虚拟化、容器化或其他技术的编程指令。
为了说明清楚的示例,图1示出了某些功能元素的有限数目的实例。然而,在其他实施例中,可以有任何数目的这种元素。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的移动计算设备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的处理器、核心、群集、或物理机或虚拟机的实例来实现,它们被配置在离散位置或与数据中心中的其他元素共置一地,共享计算设施或云计算设施。
2.2.应用程序概述
在实施例中,使用被加载到一个或多个通用计算机中并且使用一个或多个通用计算机执行的一个或多个计算机程序或其他软件元素在本文中描述的功能的实现,将使得通用计算机被配置为特别适合执行本文所述功能的特定机器或计算机。此外,本文进一步描述的流程图中的每个流程图可以单独地或与本文中的过程和功能的描述结合地充当算法、计划或方向,这些算法、计划或方向可以被用来对计算机或逻辑进行编程以实现所描述的功能。换句话说,本文中的所有散文文本以及所有附图一起旨在,与具有适合这类发明和披露的技能水平的这种人员的技能和知识相结合来提供算法、计划或方向的公开,该公开足以允许技术人员对计算机进行编程以执行本文中所描述的功能。。
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的田地管理器计算设备104与农业智能计算机系统130进行交互;田地管理器计算设备104还可以在程序控制或逻辑控制下独立并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。田地管理器计算设备104广泛地表示智能电话、PDA、平板计算设备、膝上型计算机、台式计算机、工作站,或能够传送和接收信息并且执行本文中所描述功能的任何其他计算设备中的一个或多个。田地管理器计算设备104可以使用存储在田地管理器计算设备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或连接器耦接到传感器112和/或控制器114。具体的用户102可以与系统130相关联地一次拥有、操作或支配和使用多于一个的田地管理器计算设备104。
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,田地管理器计算设备104可以经由Web浏览器或本地客户端应用或app访问移动应用。使用基于Web的协议或诸如HTTP、XML和/或JSON格式或专用于应用的协议,田地管理器计算设备104可以向一个或多个前端服务器传送数据并且从一个或多个前端服务器接收数据。在示例实施例中,数据可以采取到移动计算设备中的请求和用户信息输入(诸如田地数据)的形式。在一些实施例中,移动应用与田地管理器计算设备104上的位置跟踪硬件和软件进行交互,田地管理器计算设备104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器计算设备104的位置。在一些情况下,通过查询设备的操作系统或请求设备上的app从操作系统获取数据,可以获取与设备104、用户102和/或(多个)用户账户相关联的位置数据或其他数据。
在实施例中,田地管理器计算设备104向农业智能计算机系统130发送田地数据106,包括或包含但不限于表示以下一项或多项的数据值:一个或多个田地的地理位置、针对一个或多个田地的耕作信息、一个或多个田地中种植的作物、以及从一个或多个田地中提取的土壤数据。田地管理器计算设备104可以响应于来自用户102的用户输入来发送田地数据106,用户输入指定针对一个或多个田地的数据值。附加地,当一个或多个数据值变得可用于田地管理器计算设备104时,田地管理器计算设备104可以自动发送田地数据106。例如,田地管理器计算设备104可以被通信地耦接到远程传感器112和/或施用控制器114,其包括灌溉传感器和/或灌溉控制器。响应于接收到指示施用控制器114放水到一个或多个田地上的数据,田地管理器计算设备104可以将田地数据106发送给农业智能计算机系统130,田地数据106指示已经在一个或多个田地上放水。可以使用电子数字数据来输入和传递在本公开中标识的田地数据106,电子数字数据通过使用HTTP上的参数化URL或另一合适的通信或消息收发协议在计算设备之间传递。
移动应用的商业示例是CLIMATE FIELDVIEW,其可从加利福尼亚州旧金山的气候公司商购。CLIMATE FIELDVIEW应用或其他应用可以进行修改、扩展或适配,以包括尚未在本公开的申请日之前公开的特征、功能和程序。在一个实施例中,移动应用包括集成的软件平台,该平台允许种植者对其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科学模型,该模型提供了可能的情景以允许种植者做出更好、更明智的决策。
图2图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,每个命名的元素表示RAM或其他主存储器的一个或多个页面的区域,或磁盘存储或其他非易失性存储的一个或多个块的区域,以及那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、数字地图手册指令206、种子和种植指令208、氮指令210、天气指令212、田地健康指令214和动作指令216。
在一个实施例中,移动计算机应用200包括账户、田地、数据摄取、共享指令202,它们被编程为经由手动上传或API从第三方系统接收、转化和摄取田地数据。数据类型可以包括田地边界、产量地图、按种植地图、土壤测试结果、按施用地图和/或管理区等。数据格式可以包括形状文件、第三方的本机数据格式和/或农场管理信息系统(FMIS)导出等。接收数据可以经由手动上传、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且将上传的文件导入数据管理器。
在一个实施例中,数字地图手册指令206包括存储在设备存储器中的田地地图数据层,并且用数据可视化工具和地理空间田地注释进行编程。这为种植者提供了触手可得的方便信息,以用于对田地性能进行参考、日志记录和视觉洞察。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操作范围视图,并且提供及时建议以采取行动或集中于特定问题。这样可使种植者将时间集中在需要注意的地方,以节省时间并且在整个季节保持产量。在一个实施例中,对种子和种植指令208进行编程,以基于科学模型和经验数据来提供针对种子选择、混合放置和脚本创建(包括可变速率(VR)脚本创建)的工具。这使种植者能够通过优化的种子购买、安置和种群,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包括可变速率(VR)肥力脚本的脚本的界面。该界面使种植者能够为田地工具创建脚本,诸如养分施用、种植和灌溉。例如,种植脚本界面可以包括用于标识用于种植的种子类型的工具。在接收到对种子类型的选择之后,移动计算机应用200可以显示被划分为管理区域的一个或多个田地,诸如作为数字地图手册指令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的面板以及用于每个区域的土壤名称、质地、排水情况或其他田地数据。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(诸如土壤区域)的图形工具。种植程序可以被应用到所有管理区域,或者不同的种植程序可以被应用到管理区域的不同子集。当脚本被创建时,移动计算机应用200可以使脚本可用于以施用控制器可读的格式下载,诸如存档或压缩格式。附加地和/或备选地,脚本可以从移动计算机应用200直接发送给驾驶室计算机115和/或上载到一个或多个数据服务器并且被存储,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,该工具通过可视化作物的氮可用性来通知氮决策。通过优化季节期间的氮施用,这使种植者能够最大程度地提高产量或投资回报。示例的编程功能包括显示图像(诸如SSURGO图像),以使得能够以高空间分辨率(取决于传感器的接近度和分辨率,精细到毫米或毫米以下),来绘制肥料施用区域和/或从子田地土壤数据(诸如从传感器获取的数据)生成的图像;上传现有的种植者定义区域;提供植物养分可用性的图表和/或地图,以调节跨多个区域的(多个)氮施用;输出脚本以驱动机械;用于海量数据条目和调整的工具;和/或用于数据可视化的地图等。在此上下文中,“海量数据条目”可以意味着一次输入数据,然后将相同的数据应用到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相同种植者的许多田地和/或区都相同的氮施用数据,但是这种海量数据条目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,并且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,“氮施用程序”指代与以下内容相关联的已存储的数据命名集:名称、颜色代码或其他标识符、一个或多个施用日期、针对日期和量中的每个日期和量的材料或产品类型、诸如注射或播撒之类的施用或掺入方法、和/或对于每个日期的施用量或施用率、施用主题的作物或杂交种等等。在此上下文中,“氮实践程序”指代与以下内容相关联的数据的存储、命名集:实践名称、先前的作物、耕作系统、主要耕作日期、使用过的一个或多个先前的耕作系统、使用过的施用类型的一个或多个指示符,例如肥料。氮指令210也可以被编程为生成并且引起显示氮图表,氮图表指示植物对指定氮的使用的预测以及是否预测了盈余或短缺;例如,在一些实施例中,不同的颜色指示符可以表示盈余的量级或短缺的量级。在一个实施例中,氮图表包括计算机显示设备中的图形显示,包括:多行,每行与田地相关联并且标识田地;数据,其指定在田地中种植哪种作物、田地大小、田地位置和田地周长的图形表示;在每行中,带有图形指示符的按月时间线,其在与月份名称相关点指定每个氮施用和氮施用量;以及数字和/或彩色的盈余或短缺指示符,其中颜色指示量级。
在一个实施例中,氮图表可以包括一个或多个用户输入特征,诸如刻度盘或滑动条,以动态地改变氮种植和实践程序,以使用户可以优化他的氮图表。然后,用户可以使用其优化的氮图表以及相关的氮种植和实践程序来实现一个或多个脚本,包括可变速率(VR)肥力脚本。氮指令210也可以被编程为生成并且引起显示氮地图,该氮地图指示植物对指定氮的使用预测以及是否预测了盈余或短缺;在一些实施例中,不同的颜色指示符可以标志盈余的量级或短缺的量级。使用数字和/或彩色的盈余或短缺指示符,其中颜色指示量级,氮地图可以显示指定氮的植物使用的预测,以及过去和未来的不同时间(诸如每天、每周、每月或每年)是否预测了盈余或短缺。在一个实施例中,氮地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,以动态地改变氮种植和实践程序,以使用户可以优化他的氮地图,诸如以获取优选的盈余或短缺量。然后,用户可以使用他的优化的氮地图以及相关的氮种植和实践程序来实现一个或多个脚本,包括可变速率(VR)肥力脚本。在其他实施例中,与氮指令210相似的指令可能被用于其他养分(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被编程以提供特定田地的最近天气数据和天气预报信息。这使种植者能够节省时间,并且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被编程以提供及时的远程感测图像,以突出显示季节作物变化和潜在问题。示例经编程功能包括:云检查,以标识可能的云或云阴影;基于田地图像确定氮指数;侦察层的图形可视化,包括例如与田地健康有关的那些侦察层,以及查看和/或共享侦察注解;和/或从多个来源下载卫星图像,并且为种植者确定图像的优先级等。
在一个实施例中,动作指令216被编程以使用在农场的数据进行评估、洞察和决策,以提供报告、分析和洞察工具。这使种植者能够通过基于事实的结论(关于为何投资回报率处于先前水平)以及对产量限制因素的洞察来寻求下一年的改善结果。动作指令216可以被编程为经由(多个)网络109与后端分析程序通信,后端分析程序在农业智能计算机系统130和/或外部数据服务器计算机108处被执行并且被配置为分析诸如产量、产量差异、杂交种、种群、SSURGO区、土壤测试特性或海拔之类的度量。经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、基于从许多种植者收集的匿名数据进行针对其他种植者的产量和其他度量的标杆分析、或者针对种子和种植的数据等。
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,同时保持相同的一般用户界面外观。例如,移动应用可以被编程,以在使用客户端计算机上的浏览器访问的平板计算机、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电话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的app体验或驾驶室app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-驾驶室指令222、远程查看指令224、数据收集和传递指令226、机器警报指令228、脚本传输指令230和侦察-驾驶室指令232。用于视图(b)的指令的代码库可以与用于视图(a)的指令的代码库相同,并且实现代码的可执行文件可以被编程以检测其执行平台的类型,并且以通过图形用户界面仅揭露那些适合驾驶室平台或全平台的功能。这种方案使系统能够标识出适合驾驶室内环境和驾驶室的不同技术环境的截然不同的用户体验。地图-驾驶室指令222可以被编程以提供有用于指导机器操作的田地、农场或地区的地图视图。远程查看指令224可以被编程以实时地或近乎实时地开启、管理机器活动的视图并且将其提供给经由无线网络、有线连接器或适配器等连接到系统130的其他计算设备。数据收集和传递指令226可以被编程为开启、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并将其传输到系统130。机器警报指令228可以被编程为检测与驾驶室相关联的机器或工具的操作问题并且生成操作者警报。脚本传递指令230可以被配置为以指令脚本的形式传递,指令脚本被配置为指导机器操作或数据收集。侦查-驾驶室指令232可以被编程为,基于田地管理器计算设备104、农业装置111或传感器112在田地中的位置来显示从系统130接收的基于位置的警报和信息,以及基于农业装置111或传感器112在田地中的位置来摄取、管理基于位置的侦察观测结果并且将其传送到系统130。
2.3.计算机系统的数据摄取
在实施例中,外部数据服务器计算机108存储外部数据110,包括表示针对一个或多个田地的土壤成分的土壤数据和表示针对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现在的天气数据以及对未来天气数据的预报。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。附加地,土壤成分数据可以被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、淤泥和粘土的百分比的数据,而第二个服务器可以存储表示土壤中的有机物(OM)的百分比的数据。
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可以是诸如卫星的空中传感器、交通工具传感器、种植装备传感器、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,施用控制器114被编程或配置为从农业智能计算机系统130接收指令。施用控制器114也可以被编程或配置为控制农业交通工具或工具的操作参数。例如,施用控制器可以被编程或配置为控制交通工具的操作参数,交通工具诸如是拖拉机、种植装备、耕种装备、肥料或杀虫剂设备、收割机装备,或着诸如水阀之类的其他农具。其他实施例可以使用传感器和控制器的任何组合,以下仅仅是其选择的示例。
系统130可以在用户102的控制下海量地从将数据贡献给共享数据库系统的大量种植者那里获取或摄取数据。当一个或多个用户控制的计算机操作被请求或触发以获取数据供系统130使用时,这种数据获取形式可以被称为“手动数据摄取”。作为示例,加利福尼亚州、旧金山的气候公司商业可用的CLIMATE FIELDVIEW应用可以被操作将数据导出到系统130,以用于存储在储存库160中。
例如,种子监视器系统可以即控制播种机装置组件并且获取种植数据,包括经由信号线束来自种子传感器的信号,信号线束包括CAN主干网和针对注册和/或诊断的点对点连接。种子监视器系统可以被编程或配置为经由驾驶室计算机115或系统130内的其他设备向用户显示种子间距、种群和其他信息。在美国专利号8,738,243和美国专利申请号20150094916中披露了若干示例,并且本公开假定了解那些其他专利公开。
同样,产量监视器系统可以包含针对收割机装置的产量传感器,收割机装置将产量测量数据发送给驾驶室计算机115或系统130内的其他设备。产量监视器系统可以利用一个或多个远程传感器112来获取联合收割机或其他收割机中的谷物水分测量结果,并且经由驾驶室计算机115或系统130中的其他设备将这些测量结果传送给用户。
在实施例中,可以与在本文其他各处描述的类型的任何移动交通工具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,诸如雷达或车轮速度传感器、加速度计、或陀螺仪。位置传感器可以尤其包括GPS接收器或收发器,或被编程为基于附近的WiFi热点来确定位置的基于WiFi的位置或映射app。
在实施例中,可以与拖拉机或其他移动交通工具一起使用的传感器112的示例包括引擎速度传感器、燃料消耗传感器、与GPS或雷达信号交互的面积计数器或距离计数器、PTO(取力器)速度传感器、被配置为检测诸如压力或流量和/或液压泵速度之类的液压参数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;或提供自动转向的车轮位置控制器。
在实施例中,可以与诸如播种机、钻机或空气播种机的种子种植装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、电磁或冲击传感器;下压力传感器,诸如称重销、称重传感器、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,诸如种植深度传感器、下压力缸压力传感器、种子圆盘速度传感器、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、或撞击传感器。在实施例中,可以与此类种子种植装备一起使用的控制器114的示例包括:工具栏折叠控制器,诸如针对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,该控制器被编程用于将下压力施用到个体的行单元或整个播种机框架上;种植深度控制器,诸如线性执行器;计量控制器,诸如电动种子计量器驱动马达、液压种子计量器驱动马达、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马达,或其他经编程的执行器,用于选择性地允许或阻止种子或空气种子混合物向种子计量器或中央散装料斗输送种子或从种子计量器或中央散装料斗输送种子;计量控制器,诸如电动种子计量器驱动马达或液压种子计量器驱动马达;种子输送机系统控制器,诸如针对带式种子输送机马达的控制器;标记器控制器,诸如针对气动或液压执行器的控制器;或农药施用率控制器,诸如计量驱动控制器、孔口尺寸或位置控制器。
在实施例中,可以与耕作装备一起使用的传感器112的示例包括:针对诸如柄或盘之类的工具的位置传感器;针对这种工具的工具位置传感器,其被配置为检测深度、组合角度或横向间距;下压力传感器;或牵引力传感器。在实施例中,可以与耕作装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、组合角度或横向间隔的控制器。
在实施例中,可以与用于施用肥料、杀虫剂、杀真菌剂等的装置(诸如播种机上施肥系统、下层土壤施用器、或肥料喷雾器)关联使用的传感器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;传感器,其指示哪个喷头阀或流体管线阀是打开的;与储罐相关联的传感器,诸如液位传感器;分段或系统范围的供应线传感器,或行专用的供应线传感器;或运动学传感器,诸如安置在喷雾机吊杆上的加速度计。在实施例中,可以与这种装置一起使用的控制器114的示例包括:泵速度控制器;阀门控制器,其被编程以控制压力、流量、方向、PWM等;或位置执行器,诸如用于动臂高度、下土层深度或动臂位置。
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:产量监视器,诸如冲击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,包括撞击、光学或电容传感器;割台运行标准传感器,诸如割台高度、割台类型、盖板间隙、进料器速度和卷盘速度传感器;分离器操作标准传感器,诸如凹形间隙、转子速度、鞋间隙或颖壳筛间隙传感器;针对位置、操作或速度的螺旋钻传感器;或引擎转速传感器。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:针对诸如割台高度、割台类型、甲板间隙、进料器速度或卷筒速度等元素的割台操作标准控制器;以及针对诸如有凹入间隙、转子速度、鞋间隙或颖壳筛间隙的特征的分离器操作标准控制器;或针对位置、操作或速度的螺旋钻控制器。
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的示例可以被安装在无人驾驶飞行器(UAV)装置或“无人机”中。这种传感器可以包括:带有检测器的摄像头,该检测器对包括可见光、红外、紫外线、近红外(NIR)等在内的电磁频谱的任何范围都有效;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式电磁辐射检测装置。这种控制器可以包括引导或马达控制装置、控制面控制器、摄像头控制器,或被编程为对任何前述传感器进行开启、操作、从中获取数据、管理和配置的控制器。在美国专利申请号14/831,165中披露了若干示例,并且本公开假定了解其他专利公开。
在实施例中,传感器112和控制器114可以被贴附到土壤采样和测量装置,该装置被配置或编程为对土壤采样并且执行土壤化学测试、土壤湿度测试,以及其他与土壤有关的测试。例如,可以使用在美国专利号8,767,194和美国专利号No.8,712,148中披露的装置,并且本公开假定了解那些专利公开。
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,在于2015年4月29日提交的美国临时申请号62/154,207、于2015年6月12日提交的美国临时申请号62/175,160、于2015年7月28日提交的美国临时申请号62/198,060、于2015年9月18日提交的美国临时申请号62/220,852中披露的装置可以被使用,并且本公开假定了解那些专利公开。
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。在此上下文中,农艺模型是农业智能计算机系统130的存储器中包括田地数据106的数据结构,诸如针对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,农艺特性描述可能影响田地上一种或多种作物生长的条件、或一种或多种作物的特性、或其两者。附加地,农艺模型可以包括基于农艺因素的建议,诸如作物建议、灌溉建议、种植建议、肥料建议、杀真菌剂建议、农药建议、收获建议,以及其他作物管理建议。农艺因素也可以被用来估计与一种或多种作物有关的结果,诸如农艺产量。作物的农艺产量是对所生产作物的数量的估计,或者在某些示例中是从所生产作物获取的收入或利润。
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针对一个或多个田地的当前接收的位置和作物信息有关的农艺特性。预配置的农艺模型是基于先前经处理的田地数据,包括但不限于标识数据、收获数据、肥料数据和天气数据。预配置的农艺模型可能已经经过交叉验证,以确保模型的准确性。交叉验证可以包括与真实值的比较,这比较的是预测结果与田地上的实际结果,诸如将降水估计与雨量计或提供相同或附近位置的天气数据的传感器进行比较,或者将氮含量与土壤样本测量结果进行比较。
图3图示出了经编程的过程,农业智能计算机系统通过该过程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配置的农艺模型。图3可以充当用于对农业智能计算机系统130的功能元素进行编程以执行现在所描述的操作的算法或指令。
在框305处,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现农艺数据预处理。可以对从一个或多个数据源接收的田地数据进行预处理,以用于移除噪声、失真影响以及农艺数据中的混杂因素,包括可能对接收到的田地数据值产生不利影响的经测量离群值。农艺数据预处理的实施例可以包括但不限于移除通常与离群值数据值相关联的数据值,已知会不必要地扭曲其他数据值的具体测量数据点,被用来移除或降低噪声带来的加性或乘性效应的数据平滑、聚合或采样技术,以及被用来明确区分正负数据输入的其他滤波或数据推导技术。
在框310处,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,以便标识对初始的农艺模型的生成有用的数据集。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,以及蚁群优化方法。例如,基于遗传学和自然选择的进化原理,遗传算法选择技术使用自适应启发式搜索算法来确定并且评估预处理的农艺数据内的数据集。
在框315处,农业智能计算机系统130被配置或编程为实现田地数据集评估。在实施例中,通过创建农艺模型并且使用针对所创建的农艺模型的具体质量阈值来评估具体的田地数据集。可以使用一种或多种比较技术来比较和/或验证农艺模型,诸如但不限于均方根误差和留一法交叉验证(RMSECV)、平均绝对误差和平均百分比误差。例如,通过比较由农艺模型创建的预测农艺特性值与被收集并且分析的历史农艺特性值,RMSECV可以对农艺模型进行交叉验证。在实施例中,农艺数据集评估逻辑被用作反馈回路,其中在未来的数据子集选择步骤(框310)期间使用不满足所配置的质量阈值的农艺数据集。
在框320处,农业智能计算机系统130被配置或编程为基于经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现多元回归技术以创建预配置的农艺数据模型。
在框325处,农业智能计算机系统130被配置或编程为存储预配置的农艺数据模型,以用于将来的田地数据评估。
2.5.实现示例-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以执行这些技术,或者可以包括数字电子设备,诸如一个或多个经过永久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,一个或多个硬件处理器被编程为以固件、存储器、其他存储或组合来执行符合程序指令的技术。这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来实现该技术。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、联网设备,或结合硬连线和/或程序逻辑以实现该技术的任何其他设备。
例如,图4是例示出了其上可以实现本发明实施例的计算机系统400的框图。计算机系统400包括总线402或用于传达信息的其他通信机制,以及与总线402耦接以用于处理信息的硬件处理器404。例如,硬件处理器404可以是通用微处理器。
计算机系统400还包括耦接到总线402的主存储器406,诸如随机存取存储器(RAM)或其他动态存储设备,用于存储信息和处理器404要执行的指令。主存储器406也可以被用于在执行处理器404要执行的指令期间存储临时变量或其他中间信息。当这些指令被存储在处理器404可访问的非暂态存储介质中时,它们将计算机系统400渲染成定制为执行指令中指定操作的专用机器。
计算机系统400还包括耦接到总线402的只读存储器(ROM)408或其他静态存储设备,用于存储静态信息和针对处理器404的指令。存储设备410,诸如磁盘、光盘、或固态驱动器被提供并且耦接到总线402以存储信息和指令。
计算机系统400可以经由总线402被耦接到诸如阴极射线管(CRT)的显示器412,以向计算机用户显示信息。包括字母数字键和其他键的输入设备414被耦接到总线402,以用于将信息和命令选择传达给处理器404。另一类用户输入设备是光标控件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达给处理器404并且用于控制显示器412上的光标移动。此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/或程序逻辑来实现本文中所描述的技术,它们与计算机系统结合使得计算机系统400成为专用机器。根据一个实施例,本文中的技术由计算机系统400响应于处理器404执行主存储器406中包含的一个或多个指令的一个或多个序列来执行。这种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中。主存储器406中包含的指令序列的执行使处理器404执行本文中所描述的处理步骤。在备选实施例中,可以使用硬连线电路系统来代替软件指令或与软件指令结合使用。
本文所用的术语“存储介质”是指任何非暂态介质,其存储使得机器以特定方式操作的数据和/或指令。这种存储介质可以包括非易失性介质和/或易失性介质。例如,非易失性介质包括光盘、磁盘或固态驱动器,诸如存储设备410。易失性介质包括动态存储器,诸如主存储器406。例如,存储介质的常见形式包括软盘、柔性盘、硬盘、固态驱动器、磁带、或任何其他磁性数据存储介质、CD-ROM、任何其他光学数据存储介质、具有孔的图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储器芯片或盒式磁带。
存储介质不同于传输介质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递。例如,传输介质包括同轴电缆、铜线和光纤,包括包括总线402的导线。传输介质还可以采用声波或光波的形式,诸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给处理器404以供执行。例如,指令最初可以在远程计算机的磁盘或固态驱动器上被携带。远程计算机可以将指令加载到其动态存储器中,并切使用调制解调器通过电话线发送该指令。计算机系统400的本地调制解调器可以在电话线上接收数据,并切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所携带的数据,并且适当的电路系统可以将数据放置于总线402上。总线402将数据携带给主存储器406,处理器404从主存储器406取回并且执行指令。可选地,由主存储器406接收的指令可以在处理器404执行之前或之后被存储在存储设备410上。
计算机系统400还包括耦接到总线402的通信接口418。通信接口418提供耦接到网络链路420的双向数据通信,网络链路420被连接到局域网422。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,或提供与相应类型的电话线的数据通信连接的调制解调器。作为另一示例,通信接口418可以是提供到兼容LAN的数据通信连接的局域网(LAN)卡。也可以实现无线链路。在任何这种实现中,通信接口418发送并且接收电、电磁或光信号,这些信号携带表示各类信息的数字数据流。
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向主机计算机424或向由互联网服务提供方(ISP)426操作的数据设备提供连接。ISP426又通过全球分组数据通信网络(现在通常被称为“互联网”428)来提供数据通信服务。局域网422和互联网428两者都使用携带数字数据流的电、电磁或光信号。经过各种网络的信号以及在网络链路420上并且经过通信接口418的信号是传输介质的示例形式,其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(多个)网络、网络链路420和通信接口418来发送消息并且接收包括程序代码在内的数据。在互联网示例中,服务器430可以通过互联网428、ISP426、本地网络422和通信接口418传送对应用程序的请求代码。
所接收的代码可以在其被接收时由处理器404执行,和/或被存储在存储设备410或其他非易失性存储器中以供以后执行。
3.养分模型校正
3.1.功能概述
图7描绘了用于使用历史数据来校正养分模型的输出的示例方法。
在步骤702处,作物生长数字模型被存储在计算系统中,作物生长数字模型被配置为计算产生特定产量值的土壤中的养分需求。作物生长数字模型包括一种或多种经过训练的算法,该算法被配置为基于一个或多个输入来生成针对土壤的养分需求。一个或多个输入可以包括天气数据、土壤数据、管理数据、种植数据和/或与作物、田地或外部元素有关的其他数据。在美国专利号9,519,861和美国专利申请号14/968,728中描述了示例养分模型,其两者的内容通过引用并入本文,如同其在本文中充分阐述一样。其他的示例养分模型可以结合机器学习技术,以使用历史数据计算经训练的所需养分施用,其中历史数据的输入至少具有总产量,其输出具有作物生长期间土壤中养分水平。养分可以包括氮、钾或磷中的任何。
在步骤704处,针对特定农艺田地的农艺田地数据被接收。例如,农业智能计算系统可以接收针对特定农艺田地的农艺田地数据,该农艺田地数据包括针对农艺田地上多个位置中每个位置的一个或多个输入参数,针对多个位置中每个位置的养分施用值,以及针对多个位置中每个位置的经测量产量值。可以从田地上的客户端计算设备、一个或多个外部服务器计算机、和/或一个或多个农具接收农艺田地数据。在实施例中,在农业智能计算系统处计算农艺田地数据。
一个或多个输入参数可以包括特定于农艺田地的参数。例如,一个或多个输入参数可以包括多个位置的海拔、针对多个位置的土壤pH、阳离子交换能力、土壤湿度、或农艺田地特定的其他空间分布值。一个或多个输入参数可以被用来生成输入参数的空间地图,该空间地图包括针对二维网格中多个位置的输入参数。
农艺田地数据包括针对先前生长周期的历史数据值,诸如先前的养分施用值和针对养分施用位置的对应产量测量值。养分施用值包括指示在过去的生长周期期间施用到农艺田地的养分量的数据。例如,针对农艺田地上的每个位置,田地管理器计算设备和/或农具可以标识被施用到农艺田地的养分量。经测量产量值包括指示施用了养分的农艺田地总量的数据。
除了所施用的养分值和经测量产量值之外,农业智能计算系统还可以接收在先前生长周期中针对农艺田地的模型输入值。模型输入值可以包括天气数据、土壤数据、管理数据、种植数据、和/或与养分施用值和经测量产量值对应的时间段内与作物、田地或外部要素有关的其他数据。模型输入值可以包括农艺田地数据的一个或多个输入参数。例如,海拔数据可以包括对作物生长的数字模型的输入以及针对模型校正数据的生成的输入。附加地或备选地,一个或多个输入参数可以包括不是模型输入值的一部分的参数。例如,海拔数据可以不包括对作物生长数字模型的输入,而是包括针对模型校正数据生成的输入。
在步骤706处,使用作物生长数字模型针对多个位置中每个位置来计算所需养分值。如本文所使用的,所需养分值指代这样的值,其指示要施用到田地以产生特定产量值的养分所需量。农业智能计算机系统可以使用模型输入参数(所测量的作物生长、以及作物生长的数字模型),针对模型输入参数来计算必须施用到农艺田地的养分量,以生成与所测量的产量值和模型输入值相对应的先前年份中的所测量的产量值。
在步骤708处,多个位置的子集被标识,其中计算出的所需养分值大于被标识的养分施用值。例如,在计算针对每个位置的所需养分值以产生所测量的产量之后,农业智能计算系统可以将计算出的所需养分值与指示实际施用到田地的养分量的养分施用值进行比较。其中计算出的所需养分值高于养分施用值的每个位置指示,由于实际上需要较低的养分施用来产生所测量的作物生长,因此作物生长的数字模型错误地计算了所需养分值。
在步骤710处,针对多个位置的子集中的每个位置计算了残差值。如本文所使用的,残差值指代所需养分值和养分施用值的差值。例如,农业智能计算机系统可以从针对具体年份和位置的计算出的所需养分值中减去针对具体年份和位置的养分施用值,以生成针对该年份和位置的残差值。因此,残差值压缩了数字产量模型高估施用到农艺田地的所需养分的程度以生成具体的作物生长。在其中作物生长的数字模型生成了养分需求的概率估计的实施例中,可以将残差值计算为养分施用值与针对位置和年份所需养分值的概率均值的差值,或被计算为是超出概率均值的一个或多个标准偏差的值,或被计算为针对所需养分值的误差范围的峰值。
在步骤712处,包括在多个位置的子集处的残差值的残差地图被生成。如本文所使用的,残差地图指代残差值的空间组成,以使每个残差值对应于农艺田地上的空间位置。残差地图可以作为一系列对应值存储在数据记录中,其中记录的每行包括标识残差值和残差值的位置的数据。该位置可以被存储为网格上的位置、纬度和经度值、和/或标识二维位置的任何其他手段。
在步骤714处,针对特定农艺田地的特定模型校正数据被生成。例如,农业智能计算系统可以使用针对农业领域和残差地图上多个位置的一个或多个输入参数来生成校正数据。通过使用空间输入参数来生成针对特定农艺田地的校正数据,农业智能计算系统能够结合所理解的空间分布参数来考虑农艺田特有特征的未知影响。例如,海拔差异可能对一个农艺田地的养分吸收或损失影响不大,但对不同的农艺田地的影响会更大。
3.2.模型相关性和校正
在实施例中,农业智能计算系统生成一个或多个输入参数与残差地图之间的相关性。例如,农业智能计算系统可以归一化残差地图和一个或多个输入参数的地图。使用归一化的地图,农业智能计算系统可以计算残差地图中的残差值和针对对应位置的一个或多个输入参数之间的相关性。相关值可以被用来标识与残差值最紧密相关的输入参数。例如,农业智能计算系统可以选择具有高于具体阈值的相关值的输入参数,以用于生成模型校正数据。
在实施例中,农业智能计算系统通过计算残差值与一个或多个输入参数之间的相关性来生成模型校正数据。例如,农业智能计算系统可以根据下式使用线性回归技术来生成权重值:
其中ai-an包括权重值的矩阵,其中矩阵的每个元素对应于不同的位置,Xi-Xn包括一个或多个输入参数的矩阵,其中矩阵的每个元素对应于不同的位置,R是残差地图,n是输入参数的数量,m是可用数据的年数。本文描述的技术可以与一个或多个输入参数的任何组合一起被采用。例如,残差地图可以仅与跨多年的海拔图相关,或者可以与海拔图和pH图的组合相关。在一个实施例中,在上面等式中的输入参数Xi-Xn仅对应于被标识为与残差值具有高相关性的输入参数。
在实施例中,农业智能计算系统使用机器学习系统生成模型校正数据。例如,农业智能计算系统可以使用来自前几年的残差地图、前几年的产量图、以及来自前几年的参数图来训练卷积神经网络。可以使用表示农艺产量的值的矩阵和表示用于对应位置的对应参数的值的矩阵作为输入并将残差值作为输出来训练机器学习系统。在实施例中,仅使用包括残差值的位置处的数据来训练机器学习系统。附加地或备选地,可以将没有残差值的位置分配零残差值,从而允许针对整个地图来训练机器学习系统。
农业智能计算系统可以生成模型校正数据,以作为用于增强作物生长数字模型的数据。例如,如果作物生长数字模型包含多个参数以计算所需的农艺产量,则农业智能计算系统可以生成附加参数,附加参数包括基于位置的权重值和对应的参数值。如果使用多个输入参数来生成模型校正数据,则可以使用多个附加项,附加项每个包括基于位置的权重值和对应的参数值。作为示例,基于位置的权重值可以包括矩阵ai的元素。
农业智能计算系统可以生成模型校正数据作为后处理数据,以增强作物生长数字模型的输出。例如,模型校正数据可以包括经训练的机器学习系统,该系统基于至少产量的输入和一个或多个输入参数来生成残差值。模型校正数据可以包括后处理指令,后处理指令在被执行时使农业智能计算系统使用经训练的机器学习系统来使用请求的产量值和针对农艺田地的一个或多个输入参数来计算针对当年的残差值。然后,后处理指令可以使农业智能计算系统增加针对农艺田地的所需养分值,例如通过从针对对应位置的所需养分值中减去残差值。
在步骤714处,将模型校正数据与特定农艺田地的标识符一起存储。例如,农业智能计算系统可以在使用模型校正数据来增强作物生长的数字模型之前临时存储模型校正数据。作物生长的增强数字模型可以与标识特定田地的数据一起存储。附加地或备选地,后处理指令可以与标识特定农艺田地的数据一起存储。标识特定农艺田地的数据可以包括一个或多个用于标识特定于特定农艺田地的标识符。
农业智能计算系统可以针对多个农艺田地来执行本文所述的过程。例如,农业智能计算系统可以为多个农艺田地中每个农艺田地生成模型校正数据,然后将其与标识模型校正数据所对应的农艺田地的数据一起存储。因此,当农业智能计算系统接收到为特定田地生成养分需求数据的请求时,农业智能计算系统标识模型校正数据和/或与特定农艺田地相对应的作物生长的增强数字模型,并且使用模型校正数据和/或作物生长的增强模型来计算用于特定农艺田地的养分需求,以便达到特定产量值。
3.3.残差地图实施例
第3.1节描述了基于计算出的所需养分值大于养分施用值的位置来生成残差地图。在第3.1节和图7的示例中,系统标识出所需养分值大于养分施用值的每个位置,并且从这两个值中计算出残差。在附加的或备选的实施例中,基于用于位置的附加养分数据,系统还附加计算养分施用值大于所需养分值的位置的残差值。
在一个实施例中,农业智能计算机系统接收针对农业田地上一个或多个位置的附加养分数据。附加养分数据可以包括土壤中的养分水平和/或作物上养分胁迫证据。例如,服务器计算机可以从农业田地上的一个或多个传感器和/或从田地管理器计算设备接收数据,该数据标识在作物已经被收割之后或之前不久的土壤中的养分量。作为另一示例,农业智能计算机系统可以接收作物的图像,并且基于该图像来确定作物正遭受养分胁迫。
在一个实施例中,农业智能计算机系统使用农业田地中剩余养分的测量和/或估计来计算残差值。对于其中养分使用值低于所需养分值的位置,农业智能计算机系统可以基于作物收割之前或之后不久土壤中剩余的养分量以及所需养分值和养分施用值的差值来确定残差值。
作为实际示例,服务器计算机可以计算120磅/英亩(lb/acre)的所需氮施用率,以产生180蒲式耳/英亩(bu/acre)的测量产量。如果向田地施用了150lb/acre的氮,那么养分施用量与所需养分值之间的差为30lb/acre。如果收割后土壤中仍剩余20lb/acre,则农业智能计算机系统可将残差值计算为20lb/acre(剩余养分值)减去30lb/acre(所需养分和使用养分值的差值)。-10lb/acre的残差值指示,作物生长的数字模型低估了作物达到10lb/acre的经测量产量所需的养分数量。如果收割后土壤中仍剩余50lb/acre,则农业智能计算机系统可以将残差值计算为50lb/acre-30lb/acre=20lb/acre。残差值+20lb/acre指示,作物生长的数字模型高估了作物达到20lb/acre的经测量产量所需的养分量。
在另一实施例中,农业智能计算机系统使用养分胁迫的证据来确定残差值。对于养分施用值低于所需养分值的位置,如果农业智能计算机系统接收到指示作物正遭受养分胁迫的附加数据,则农业智能计算机系统可以将残差值标识为土壤中的养分剩余量。例如,服务器计算机可以计算用以产生180bu/acre的经测量产量的所需的120lb/acre的施氮量。如果向田地施用了150lb/acre的氮,那么养分施用量与所需养分值之间的差为30lb/acre。如果农业智能计算机系统接收到在位置处的作物胁迫证据(诸如通过图像或直接标识该位置的养分胁迫的数据),则农业智能计算机系统可以将残差值计算为-30lb/acre,从而指示作物生长的数字模型低估了作物达到10lb/acre的经测量产量所需的养分量。
服务器计算机可以使用以上技术的任意组合,以便生成残差地图。例如,对于所需养分值大于养分施用值的每个位置,服务器计算机可以计算残差值作为所需养分值和养分施用值的差值。因此,如果在第一位置处所需的养分施用值是120lb/acre,而养分施用值是100lb/acre,则剩余值可被计算为+20lb/acre。如果在第二位置处所需养分值为120lb/acre,而养分施用值为130lb/acre,并且作物显示出养分胁迫的迹象,则剩余值可被计算为-10lb/acre。
3.4.附加的模型校正使用
在实施例中,农业智能计算系统使用本文所述的方法来创建针对特定农艺田地的养分施用推荐。例如,农业智能计算系统可以接收请求以生成将养分施用到特定农艺田地的推荐以便产生特定产量,最大化针对该田地的产量,和/或基于一个或多个其他参数生成养分施用推荐,诸如最小化成本和/或最大化利润。农业智能计算系统可以使用作物生长的数字模型和模型校正数据来生成将多少养分施用到田地以创建预期结果的推荐。例如,农业智能计算系统可以使用对应于特定田地的作物生长的增强模式来生成该推荐。作为另一个示例,农业智能计算系统可以使用作物生长的数字模型为农艺田地上每个位置生成所需养分值,并且使用模型校正数据来增加作物生长的数字模型的输出,以生成针对每个位置的养分推荐。然后,农业智能计算系统可以将养分推荐发送到田地管理器计算设备。
在实施例中,农业智能计算系统使用养分推荐来生成用于农具的脚本。脚本可以包括一个或多个指令集,这些指令在由农具执行时使得农具根据养分推荐将养分释放到农艺田地上。例如,农业智能计算系统可以使用养分推荐来创建用于养分释放阀的施用参数,该参数描述要在一个或多个田地上释放的养分量。农业智能计算系统可以将是施用参数发送到施用控制器,施用控制器使用农具来实现施用参数,诸如通过使得养分释放阀将推荐养分量释放到农艺田地上。
4.某些实施例的好处
使用本文中所描述的技术,计算机可以以在其他情况下可能的更高准确性和效率来递送养分推荐。例如,需要一个需要大量初始输入的复杂模型来捕获针对每个田地的养分推荐的所有方面。通过使用广义的养分模型和与特定田地相关的残差数据,计算机能够捕获特定田地的潜在遗传力,并使用该数据来增加作物生长模型的输出。因此,本文中所描述的技术通过减少生成精确推荐所需的数据量,来改进先前的产量建模技术,提高了利用其运行作物生长数字模型的效率,并且提高了作物数字模型的定位精度。附加地,本文中所描述的技术可以被用来针对施用控制器创建施用参数,从而提高由施用控制器控制的农具的性能。
5.扩展和备选
在前述说明书中,已经参考可能在实现与实现之间有所变化的许多具体细节描述了实施例。因此,说明书和附图应该被认为是说明性的而不是限制性的。本公开范围的唯一和排他性、并且是申请人打算作为本公开范围的指示,是从本申请发布的权利要求集合的字面意义和等效范围,其具体形式由这种权利要求限定,包括任何后续更正。
Claims (16)
1.一种用于基于计算系统中的养分值来提高作物生长数字模型的准确性的方法,所述方法包括:
将作物生长数字模型存储在所述计算系统中,所述作物生长数字模型被配置为至少部分地基于特定于农业田地的数据,来计算土壤中的养分需求以产生特定产量值;
接收针对特定农艺田地的农艺田地数据,所述农艺田地数据包括:针对所述农艺田地上的多个位置中的每个位置的一个或多个输入参数、针对所述多个位置中的每个位置的养分施用值、以及针对所述多个位置中的每个位置的所测量的产量值;
对于所述多个位置中的每个位置使用所述作物生长数字模型来计算所需养分值,所述所需养分值指示产生所述测量的产量值所需的养分量;
标识所述多个位置的子集,在所述子集中,计算出的所述所需养分值大于所述养分施用值;
对于所述多个位置的所述子集中的每个位置计算残差值,所述残差值包括所述所需养分值和所述养分施用值的差值;
生成残差地图,所述残差地图包括在所述多个位置的所述子集处的残差值;
根据所述残差地图以及针对所述多个位置中的每个位置的所述一个或多个输入参数,生成针对所述特定农艺田地的特定模型校正数据;
将所述特定模型校正数据与所述特定农艺田地的标识符一起存储。
2.根据权利要求1所述的方法,还包括:
接收针对所述农艺田地的特定农艺田地数据;
使用针对所述农艺田地的所述特定农艺田地数据以及所述作物生长数字模型,针对所述多个位置中的每个位置来计算特定养分值,所述特定养分值指示要施用到所述农艺田地的推荐养分量;
生成特定养分值的数字地图,所述数字地图包括针对所述多个位置中的每个位置的所述特定养分值;
使用所述特定模型校正数据,调整特定养分值的所述数字地图,所述特定模型校正数据包括用于调整针对所述特定农艺田地的养分值的后处理指令。
3.根据权利要求1所述的方法,还包括:
使用所述特定模型校正数据,调整所述作物生长数字模型;
接收针对所述农艺田地的特定农艺田地数据;
使用针对所述农艺田地的所述特定农艺田地数据和经调整的所述作物生长数字模型,针对所述多个位置中的每个位置来计算特定养分值,所述特定养分值指示要施用到所述农艺田地的推荐养分量;
生成特定养分值的数字地图,所述数字地图包括针对所述多个位置中的每个位置的所述特定养分值。
4.根据权利要求1所述的方法,其中针对所述多个位置的所述一个或多个输入参数包括标识以下一项或多项的数据:海拔、土壤中的有机物百分比、土壤的pH、或土壤的阳离子交换容量。
5.根据权利要求1所述的方法,还包括:
使用所述一个或多个输入参数,生成多个空间参数地图,所述多个空间参数地图中的每个空间参数地图包括所述一个或多个输入参数中的不同的输入参数;
使用数字编程逻辑,使所述空间参数地图与所述残差地图相关;
至少部分地基于所述空间参数地图与所述残差地图的相关性,来生成所述模型校正数据。
6.根据权利要求1所述的方法,还包括:
使用所述一个或多个输入参数,生成针对多个年份的多个空间参数地图,所述多个空间参数地图中的每个空间参数地图包括针对所述多个年份中的不同年份的所述一个或多个输入参数的输入参数;
生成针对所述多个年份的多个残差地图,所述多个残差地图包括所述残差地图;
使用数字编程逻辑,使所述多个空间参数地图与所述多个残差地图相关;
至少部分地基于所述空间参数地图与所述多个残差地图的相关性,来生成所述模型校正数据。
7.根据权利要求1所述的方法,还包括:
存储针对多个不同农业田地的模型校正数据;
接收针对所述特定农业田地的特定输入参数数据;
利用所述特定农艺田地的所述标识符来标识所述模型校正数据,并且作为响应,使用所述数字模型以及与所述特定农艺田地的所述标识符一起被存储的所述模型校正数据,来计算针对所述特定农艺田地的推荐养分值;
将所述推荐养分值发送给客户端计算设备。
8.根据权利要求1所述的方法,还包括:
存储针对多个不同农业田地的模型校正数据;
接收针对所述特定农业田地的特定输入参数数据;
利用所述特定农艺田地的所述标识符来标识所述模型校正数据,并且作为响应,使用所述数字模型和与所述特定农艺田地的所述标识符一起被存储的所述模型校正数据,来计算针对所述特定农艺田地的推荐养分值;
生成脚本,所述脚本在由一个或多个处理器执行时使农具以所述推荐养分值将所述养分释放到所述特定农艺田地上。
9.一种系统,包括:
一个或多个处理器;
存储指令的存储器,所述指令在由所述一个或多个处理器执行时引起以下动作:
存储作物生长数字模型,所述作物生长数字模型被配置为至少部分地基于特定于农业田地的数据,来计算土壤中的养分需求以产生特定产量值;
接收针对特定农艺田地的农艺田地数据,所述农艺田地数据包括:针对所述农艺田地上多个位置中的每个位置的一个或多个输入参数、针对所述多个位置中的每个位置的养分施用值、以及针对所述多个位置中的每个位置的所测量的产量值;
对于所述多个位置中的每个位置,使用所述作物生长数字模型来计算所需养分值,所述所需养分值指示产生所述测量的产量值所需的养分量;
标识所述多个位置的子集,在所述子集中,计算出的所述所需养分值大于所述养分施用值;
对于所述多个位置的所述子集中的每个位置,计算残差值,所述残差值包括所述所需养分值和所述养分施用值的差值;
生成残差地图,所述残差地图包括在所述多个位置的所述子集处的残差值;
根据所述残差地图以及针对所述多个位置中的每个位置的所述一个或多个输入参数,生成针对所述特定农艺田地的特定模型校正数据;
将所述特定模型校正数据与所述特定农艺田地的标识符一起存储。
10.根据权利要求9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进一步引起以下动作:
接收针对所述农艺田地的特定农艺田地数据;
使用针对所述农艺田地的所述特定农艺田地数据以及所述作物生长数字模型,针对所述多个位置中的每个位置来计算特定养分值,所述特定养分值指示要施用到所述农艺田地的推荐养分量;
生成特定养分值的数字地图,所述数字地图包括针对所述多个位置中的每个位置的所述特定养分值;
使用所述特定模型校正数据,调整特定养分值的所述数字地图,所述特定模型校正数据包括用于调整针对所述特定农艺田地的养分值的后处理指令。
11.根据权利要求9所述的系统,所述指令在由所述一个或多个处理器执行时进一步引起以下动作:
使用所述特定模型校正数据,调整所述作物生长数字模型;
接收针对所述农艺田地的特定农艺田地数据;
使用针对所述农艺田地的所述特定农艺田地数据以及经调整的所述作物生长数字模型,针对所述多个位置中的每个位置来计算特定养分值,所述特定养分值指示要施用到所述农艺田地的推荐养分量;
生成特定养分值的数字地图,所述数字地图包括针对所述多个位置中的每个位置的所述特定养分值。
12.根据权利要求9所述的系统,其中针对所述多个位置的所述一个或多个输入参数包括标识以下一项或多项的数据:海拔、土壤中的有机物百分比、土壤的pH、或土壤的阳离子交换容量。
13.根据权利要求9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进一步引起以下动作:
使用所述一个或多个输入参数,生成多个空间参数地图,所述多个空间参数地图中的每个空间参数地图包括所述一个或多个输入参数中的不同的输入参数;
使用数字编程逻辑,使所述空间参数地图与所述残差地图相关;
至少部分地基于所述空间参数地图与所述残差地图的相关性,生成所述模型校正数据。
14.根据权利要求9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进一步引起以下动作:
使用所述一个或多个输入参数,生成针对多个年份的多个空间参数地图,所述多个空间参数地图中的每个空间参数地图包括针对所述多个年份中的不同年份的所述一个或多个输入参数的输入参数;
生成针对所述多个年份的多个残差地图,所述多个残差地图包括所述残差地图;
使用数字编程逻辑,使所述多个空间参数地图与所述多个残差地图相关;
至少部分地基于所述空间参数地图与所述多个残差地图的相关性,生成所述模型校正数据。
15.根据权利要求9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进一步引起以下动作:
存储针对所述多个不同农业田地的模型校正数据;
接收针对所述特定农业田地的特定输入参数数据;
利用所述特定农艺田地的所述标识符来标识所述模型校正数据,并且作为响应,使用所述数字模型以及与所述特定农艺田地的所述标识符一起被存储的所述模型校正数据,来计算针对所述特定农艺田地的推荐养分值;
将所述推荐养分值发送给客户端计算设备。
16.根据权利要求9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进一步引起以下动作:
存储针对多个不同农业田地的模型校正数据;
接收针对所述特定农业田地的特定输入参数数据;
利用所述特定农艺田地的所述标识符来标识所述模型校正数据,并且作为响应,使用所述数字模型以及与所述特定农艺田地的所述标识符一起被存储的所述模型校正数据,来计算针对所述特定农艺田地的推荐养分值;
生成脚本,所述脚本在由一个或多个处理器执行时使农具以所述推荐养分值将所述养分释放到所述特定农艺田地上。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/102,577 | 2018-08-13 | ||
US16/102,577 US11596119B2 (en) | 2018-08-13 | 2018-08-13 | Digital nutrient models using spatially distributed values unique to an agronomic field |
PCT/US2019/042835 WO2020036705A1 (en) | 2018-08-13 | 2019-07-22 | Improving digital nutrient models using spatially distributed values unique to an agronomic field |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112889007A true CN112889007A (zh) | 2021-06-01 |
Family
ID=69404944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980067370.8A Pending CN112889007A (zh) | 2018-08-13 | 2019-07-22 | 使用特定于农艺田地的空间分布值来改进数字养分模型 |
Country Status (9)
Country | Link |
---|---|
US (1) | US11596119B2 (zh) |
EP (1) | EP3837589A4 (zh) |
CN (1) | CN112889007A (zh) |
AR (1) | AR115952A1 (zh) |
AU (1) | AU2019322623A1 (zh) |
BR (1) | BR112021002525A2 (zh) |
CA (1) | CA3108712A1 (zh) |
MX (1) | MX2021001699A (zh) |
WO (1) | WO2020036705A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10952365B2 (en) * | 2016-11-01 | 2021-03-23 | Kinze Manufacturing, Inc. | Control units, nodes, system, and method for transmitting and communicating data |
US20200349656A1 (en) * | 2019-05-02 | 2020-11-05 | Sentek Systems Llc | Process for sensing-based crop nutrient management using limiting-rate estimation and yield response prediction |
WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
AR125623A1 (es) * | 2021-03-31 | 2023-08-02 | Basf Agro Trademarks Gmbh | Método implementado por computadora para proporcionar datos corregidos del índice relacionado con plantas |
US20230206430A1 (en) * | 2021-12-27 | 2023-06-29 | Deere & Company | Crop yield component map |
US20230341586A1 (en) * | 2022-04-20 | 2023-10-26 | Deere & Company | Method and system for mapping cut crop moisture in a field |
EP4338565A1 (en) * | 2022-09-14 | 2024-03-20 | Yara International ASA | Method and system for determining a measurement region |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2439575A1 (en) * | 2001-02-28 | 2002-09-06 | Cargill, Incorporated | Computer specified fertilizer application for agricultural fields |
CN103927685A (zh) * | 2014-04-23 | 2014-07-16 | 广西力源宝科技有限公司 | 农(林)业智能施肥系统 |
US9519861B1 (en) * | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
CN206115670U (zh) * | 2016-08-10 | 2017-04-19 | 民政部国家减灾中心 | 一种自动化分析作物产量影响因素的系统 |
CA3021673A1 (en) * | 2016-04-27 | 2017-11-02 | The Climate Corporation | Improving a digital nutrient model by assimilating a soil sample |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL2104413T5 (pl) | 2007-01-08 | 2020-07-13 | The Climate Corporation | Układ i sposób monitorowania siewnika |
BRPI0915598B1 (pt) | 2008-06-06 | 2019-11-26 | Monsanto Technology Llc | geração de produtos de informação agrícola usando sensoreamento remoto |
US8477295B2 (en) | 2009-05-07 | 2013-07-02 | Solum, Inc. | Automated soil measurement device |
US10115158B2 (en) | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
US10096073B2 (en) * | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
WO2014018717A1 (en) | 2012-07-25 | 2014-01-30 | Precision Planting Llc | Systems, methods and apparatus for multi-row agricultural implement control and monitoring |
US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
US20160309646A1 (en) * | 2015-04-24 | 2016-10-27 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
ES2942267T3 (es) * | 2015-07-15 | 2023-05-31 | Climate Llc | Generación de modelos digitales de nutrientes disponibles en un cultivo durante el curso del desarrollo del cultivo en función de datos meteorológicos y del suelo |
US10251347B2 (en) * | 2016-01-07 | 2019-04-09 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
WO2018049289A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
EP3528613B1 (en) | 2016-10-24 | 2022-12-07 | Board of Trustees of Michigan State University | Method for mapping temporal and spatial sustainability of a cropping system |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2018
- 2018-08-13 US US16/102,577 patent/US11596119B2/en active Active
-
2019
- 2019-07-22 CA CA3108712A patent/CA3108712A1/en active Pending
- 2019-07-22 AU AU2019322623A patent/AU2019322623A1/en active Pending
- 2019-07-22 BR BR112021002525-1A patent/BR112021002525A2/pt unknown
- 2019-07-22 MX MX2021001699A patent/MX2021001699A/es unknown
- 2019-07-22 EP EP19850333.6A patent/EP3837589A4/en active Pending
- 2019-07-22 CN CN201980067370.8A patent/CN112889007A/zh active Pending
- 2019-07-22 WO PCT/US2019/042835 patent/WO2020036705A1/en unknown
- 2019-08-13 AR ARP190102308A patent/AR115952A1/es active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2439575A1 (en) * | 2001-02-28 | 2002-09-06 | Cargill, Incorporated | Computer specified fertilizer application for agricultural fields |
CN103927685A (zh) * | 2014-04-23 | 2014-07-16 | 广西力源宝科技有限公司 | 农(林)业智能施肥系统 |
US9519861B1 (en) * | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
CA3021673A1 (en) * | 2016-04-27 | 2017-11-02 | The Climate Corporation | Improving a digital nutrient model by assimilating a soil sample |
CN206115670U (zh) * | 2016-08-10 | 2017-04-19 | 民政部国家减灾中心 | 一种自动化分析作物产量影响因素的系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
MX2021001699A (es) | 2021-04-19 |
EP3837589A4 (en) | 2022-05-11 |
US20200045898A1 (en) | 2020-02-13 |
WO2020036705A1 (en) | 2020-02-20 |
AU2019322623A1 (en) | 2021-03-18 |
EP3837589A1 (en) | 2021-06-23 |
AR115952A1 (es) | 2021-03-17 |
BR112021002525A2 (pt) | 2021-05-04 |
US11596119B2 (en) | 2023-03-07 |
CA3108712A1 (en) | 2020-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112740258B (zh) | 通过田地健康影像生成农艺产量地图 | |
US11557116B2 (en) | Generating pixel maps from non-image data and difference metrics for pixel maps | |
EP3362979B1 (en) | A method for recommending seeding rate for corn seed using seed type and sowing row width | |
US10467540B2 (en) | Estimating confidence bounds for rainfall adjustment values | |
CA3020852C (en) | Estimating rainfall adjustment values | |
US20180260504A1 (en) | Location selection for model assessment sampling | |
US10043239B2 (en) | Using digital images of a first type and a feature set dictionary to generate digital images of a second type | |
US11596119B2 (en) | Digital nutrient models using spatially distributed values unique to an agronomic field | |
CN113614769A (zh) | 在装备上使用天气感测的实时农业建议 | |
CN112889063A (zh) | 基于天气数据的产量自动预测和播种率推荐 | |
CN112166453A (zh) | 杂交种植研究与田地目标 | |
CN113163710A (zh) | 标识和利用农田中的测试地点的系统和方法 | |
US11906621B2 (en) | Quantitative precipitation estimate quality control | |
CN113226010A (zh) | 利用空间统计模型实现农艺试验 |
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 | ||
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 | ||
CB02 | Change of applicant information |
Address after: Missouri, USA Applicant after: Clemet Co.,Ltd. Address before: California, USA Applicant before: Clemet Co.,Ltd. |