CN112955000B - 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 - Google Patents
使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 Download PDFInfo
- Publication number
- CN112955000B CN112955000B CN201980070343.6A CN201980070343A CN112955000B CN 112955000 B CN112955000 B CN 112955000B CN 201980070343 A CN201980070343 A CN 201980070343A CN 112955000 B CN112955000 B CN 112955000B
- Authority
- CN
- China
- Prior art keywords
- data
- field
- digital
- date
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
实施例生成针对农业田地的数字计划。在实施例中,模型接收数字输入,所述数字输入包括压力风险数据、产品成熟度数据、田地位置数据、种植日期数据和/或收获日期数据。所述模型将多组数字输入与同所述压力风险数据相关联的阈值数据进行数学相关。所述模型被用于为针对一组产品成熟度和田地位置组合生成压力风险预测数据。在数字计划中,产品成熟度数据或种植日期数据或收获日期数据或田地位置数据可以基于所述压力风险预测数据来调整。数字计划可以被发射给田地管理器计算设备。农业装置可以响应于数字计划被移动。
Description
版权声明
该专利文件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按照如专利商标局专利文件或记录中的那样对专利文件或专利公开内容进行复制但是保留全部版权或任何权利。2015-2019Climate Corporation。
技术领域
本公开涉及农业智能系统,并且更具体地涉及用于生成针对农业操作的数字计划的技术。
背景技术
在确定针对后续生长季节的计划时,农业种植者经常参考种植和收获操作的历史时空模式。例如,种植计划可以包括将农业产品分派给种植者的农业操作的田地以及对应的种植时间和收获时间的时间表。种植计划经常被设计为最大程度地提高产量,同时确保在特定时间窗内种植和收获产品。例如,种植计划可以包括在春霜日期之后要种植并且在秋霜日期之前要收获的产品的时间表。
数字种植计划已经通过诸如CLIMATE FIELDVIEW等移动应用生成并显示,该移动应用可以从加利福尼亚州旧金山市的气候公司(Climate Corporation)购得。
本部分中所描述的方案是可能想要获得的方案,但并不一定是先前已经设想或追求的途径。因此,除非另有说明,否则不应假设本部分所描述的方案中的任一方案仅仅由于该方案被包括在本部分中而被认为是现有技术。
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图示了被配置为执行本文中所描述的功能的示例计算机系统,该示例计算机系统在田地环境中与该系统可以与之互操作的其他装置一起示出。
图2图示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合的示例逻辑组织的两个视图。
图3图示了编程的过程,通过该编程的过程,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配置的农艺模型。
图4是图示了一种计算机系统的框图,可以在该计算机系统上实现本发明的实施例。
图5描绘了用于数据录入的时间线视图的示例实施例。
图6描绘了用于数据录入的电子表格视图的示例实施例。
图7A图示了分布式计算机系统中的数据流,该数据流可以被用作对预测农作物水分含量的过程进行编程的基础。
图7B图示了反馈数据流,该反馈数据流可以在一些实施例中被用于改进图7A的在生长季节期间的输出。
图7C图示了计算机实现的实施例中的数据流,该数据流使用肥力模型作为工具来获得用于训练图7A的机器学习模型的某些数据。
图7D图示了根据实施例的生成一组日期值的过程,针对该日期值建议收获。
图8图示了特征在训练图7A的机器学习模型中的相对重要性,这基于在对已指定类型的数千个数据点进行训练之后对实际机器学习模型的研究。
图9图示了可以在实施例中生成的示例预测输出数据的图。
图10图示了可以在诸如图7A的机器学习模型之类的计算机程序实施方式中实现的示例数学模型。
图11(a)图示了编程的处理,通过该处理,农业智能计算机系统生成数字种植计划。
图11(b)图示了示例预测模型。
图12(a)、图12(b)描绘了示例数字种植计划的两个视图。
图13(a)、图13(b)、图13(c)描绘了另一示例数字种植计划的多个视图。
图14(a)、图14(b)、图14(c)、图14(d)、图14(e)描绘了示例数字种植计划的多个其他视图。
具体实施方式
在以下描述中,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,清楚的是,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,公知结构和设备以框图形式示出,以免不必要地模糊本公开。根据以下概述,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.处理概述—农艺模型训练
2.5.实现示例—硬件概述
3.收获水分预测的示例
3.1.示例HOW模型
4.数字计划的示例生成
4.1过程概述
4.2分类模型概述
4.3使用案例-数字计划的创建和调整
4.4示例POW模型
5.附加示例
6.益处、扩展和备选
1.总体概述
天气、环境和操作上的不确定性会影响由适当设计和执行的计划所产生的实际收获产量。最近的研究表明,由于这些不确定性,即使产品已在期望时间窗内被种植并成功避免了收获前生长阶段的压力风险(stress risk),收获时发生产量损失也很普遍。研究表明,使用现有农业计划软件的大约80%的种植者因在较干燥(低于产量-最佳谷物水分)的条件下收获而损失了大量的产量。
本公开描述了通过计算生成数字种植计划以通过改进收获时产品水分改进和保护收获产量来解决现有农业计划软件的缺点的技术。在实施例中,创建或修改数字种植计划以提高当使农业装置遵循种植计划时将产生期望收获产量的可能性。
收获时的产品水分或收获水分是产量的决定因素。此处使用的产品水分可以指被测量为被包含在已种植在田地中的产品项中的水分的量;例如,作为在播种后的某个发育阶段并且在收获前或在收获时水分占种子、果仁或谷物的重量百分比。在实施例中,所公开的技术基于预测收获水分窗来创建或修改数字种植计划的一个或多个参数。如本文所使用的窗可以指时间间隔,诸如日期范围、或天数或月数、或开始时间和结束时间。例如,“种植窗(planting window)”可以指建议在特定田地中种植产品的天数范围;收获水分窗(harvest moisture window)可以指所种植的产品的水分被认为是进行收获所期望的日期范围,而收获窗(harvest window)可以指建议对特定产品和田地进行收获操作的日期范围。
所公开技术的实施例使用预测收获水分窗来确定将在可能产生期望产量的收获水分条件下收获在特定田地中种植的产品的可能性。相反,所公开的技术可以使用预测收获水分窗来确定将在可能产生低于最佳产量的收获水分条件下收获产品的风险。
可以使用由所公开的技术生成的预测来调整的数字种植计划的参数的示例包括对田地的相对成熟度的分配或相对成熟度分布、种植日期/时间和收获日期/时间。
通过计算确定收获水分窗。在实施例中,基于机器学习的技术被应用于历史和/或当前观察到的操作数据、天气数据、环境数据和产品数据的组合,以生成针对各种田地和产品组合的预测收获水分窗。
在实施例中,种植计划特定于特定种植者的特定农业田地。在一些实施例中,种植计划包括针对种植者的农业操作的多个田地或所有田地的种植和/或收获规格。种植计划的实施例可以包括产品组合,例如杂交种或相对成熟度混合、种植计划和/或收获计划;以及因此,本文所使用的术语“种植计划”并不严格限于种植日期,而是可以包括相对成熟度、收获日期以及与农业操作相关联的其他信息。
如本文中所使用的田地可以指有界的土地,该土地可以由一组英亩定义。如本文所用的产品可以指种子产品,诸如杂交种。如本文所使用的,农业操作可以指可以种植或收获产品的多个田地,该田地可以是连续的,也可以不是连续的。
在实施例中,可以跨农业操作来种植和收获多种不同的产品或相对成熟度,并且可以在特定田地中种植那些产品或相对成熟度的子集。如本文所使用的相对成熟度可以指指示将农业产品视为准备好收获的时间量的数据值。相对成熟度可以以天为单位进行测量,例如105天、110天、115天或120天。种子杂交种可以通过相对成熟度来分类,使得许多杂交种,包括竞争产品,可以与特定相对成熟度相关联。因此,相对成熟度数据可以是用于选择要包括在种植计划中的种子杂交种的标准。
在实施例中,所公开的技术用于基于在开始种植之前收集的数据(例如历史田地、农作物和天气数据)来生成静态种植计划。由所公开的技术生成的静态种植计划的实施例包括将相对成熟度(RM)分配给农业操作的田地,其中将RM分配给田地的目的是实现期望收获水分。由所公开的技术生成的静态种植计划的其他实施例包括将种植时间分配给用于农业操作的田地和产品组合,其中将种植时间分配给田地的目的是实现所种植的产品的期望收获水分。
在实施例中,使用在生长季节期间捕获的观察数据来动态更新静态种植计划,以解决由于天气、环境和/或操作数据的变化而引起的压力,而在用于生成静态计划的数据中则可能没有考虑这些压力。种植日期/时间收获日期/时间和/或相对成熟度田地分配是数字种植计划的参数的示例,可以在创建静态计划后对这些参数进行动态调整。
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描述的功能的示例计算机系统,该示例计算机系统在田地环境中与该系统可以与之进行互操作的其他装置一起示出。在一个实施例中,用户102拥有、操作或占有田地位置中的或与田地位置(诸如用于农业活动的田地或用于一个或多个农业田地的管理位置)相关联的田地管理器计算设备104。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,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、以及可以被用于标识农业田地的任何其他合适数据,诸如公共土地单位(CLU)、地块和街段编号、宗地编号、地理坐标和边界、农场序列号(FSN)、农场编号、地带编号、田地编号、地区、镇区和/或范围);(b)收获数据(例如,农作物类型、农作物品种、农作物轮换、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、耕作实践、以及先前的生长季节信息);(c)土壤数据(例如,类型、组成、pH、有机质(OM)、阳离子交换能力(CEC));(d)种植数据(例如,种植日期、一个或多个种子的类型、所种植的一个或多个种子的相对成熟度(RM)、种子种群);(e)肥料数据(例如,营养物类型(氮、磷、钾)、施用类型、施用日期、数目、来源、方法);(f)化学施用数据(例如,农药、除草剂、杀真菌剂、旨在用作植物调节剂、脱叶剂或干燥剂的其他物质或物质混合物、施用日期、数目、来源、方法);(g)灌溉数据(例如,施用日期、数目、来源、方法);(h)天气数据(例如,降水量、降雨率、预测的降雨、水径流率区域、温度、风、预测、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、智能电话、平板、无人驾驶飞行器、飞机或卫星的图像和光谱信息);(j)侦察观察(照片、视频、自由形式的笔记、语音记录、语音转录、天气情况(温度、降水(当前和随着时间推移)、土壤湿度、农作物生长阶段、风速、相对湿度、露点、黑层));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通信地耦合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有关的统计数据等。外部数据110可由与田地数据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可包括专门专注于否则可能从第三方来源获得的一类数据(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实际上可被并入系统130内。
农业装置111可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合到农业智能计算机系统130并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、化肥设备、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项目,农业装置111通常为移动机械,并且可以被用于与农业相关联的任务。在一些实施例中,装置111的单个单元可包括在该装置上的网络中本地耦合的多个传感器112;控制器区域网络(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。应用控制器114经由(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接收用于控制农业车辆的操作参数或实施的一个或多个脚本。例如,控制器区域网络(CAN)总线接口可以被用于实现从农业智能计算机系统130到农业装置111的通信,例如可从加利福尼亚州旧金山市的气候公司获得的CLIMATE FIELDVIEWDRIVE如何被使用。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可能不被固定到农业装置111,而是可以远程位于田地中并且可以与网络109通信。
装置111可包括用驾驶室应用编程的驾驶室计算机115,该驾驶室应用可包括用于在本文的其他部分中进一步描述的设备104的移动应用的版本或变体。在实施例中,驾驶室计算机115包括紧凑型计算机,通常是平板尺寸的计算机或智能电话,驾驶室计算机115具有安装在装置111的操作者的驾驶室内的图形屏幕显示,诸如彩色显示器。驾驶室计算机115可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的操作和功能。
(多个)网络109广义地表示使用有线或无线链路(包括陆地或卫星链路)中的任何链路的包括局域网、广域网、互联网或因特网在内的一个或多个数据通信网络的任何组合。(多个)网络可以由提供图1的各种要素之间的数据交换的任何介质或机制来实现。图1的各种要素还可具有直接(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和系统的其他要素各自包括与(多个)网络109兼容的接口,并且被编程或配置为使用用于跨网络的通信的标准化协议,诸如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,并从远程传感器112接收传感器数据。农业智能计算机系统130可被进一步配置为托管、使用或执行一个或多个计算机程序、其他软件元素、数字编程的逻辑(诸如FPGA或ASIC)或其任意组合,以便以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、一个或多个田地上的一个或多个农作物的数字模型的构造、建议和通知的生成以及生成脚本并将该脚本发送给应用控制器114。
在实施例中,农业智能计算机系统130被编程有通信层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,或者包括通信层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。该上下文中的“层”指的是电子数字接口电路、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何组合。
通信层132可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可被编程或配置为将接收到的数据发送给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耦合到系统130的其他计算机上显示的图形用户界面(GUI)。该GUI可包括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/或建议的请求和/或显示建议、通知、模型和其他田地数据的控件。
数据管理层140可被编程或配置为管理涉及存储库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与存储库之间传送的查询和结果集。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。存储库160可包括数据库。如本文所使用的,术语“数据库”可以指数据的主体、关系数据库管理系统(RDBMS)或指两者。如本文所使用的,数据库可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)、以及在计算机系统中存储的记录或数据的任何其他结构化的集合。RDBMS的示例包括但不限于MYSQL、DB2、SQL SERVER、和POSTGRESQL数据库。然而,可以使用实现本文描述的系统和方法的任何数据库。
当未经由诸如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之类的农业装置直接向农业智能计算机系统提供田地数据106时,可以经由(农业智能计算机系统所服务的)用户设备上的一个或多个用户界面提示用户输入这样的信息。在示例实施例中,用户可以通过访问(农业智能计算机系统所服务的)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。在备选实施例中,用户102可以通过访问(农业智能计算机系统130所服务的)用户设备上的地图并在该地图上绘制田地的边界来指定标识数据。这样的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场服务局或其他来源的(作为形状文件或以类似格式提供的)田地标识数据并将这样的田地标识数据提供给农业智能计算机系统来指定标识数据。
在示例实施例中,农业智能计算机系统130被编程为生成包括用于数据输入的数据管理器的图形用户界面并使得显示该图形用户界面。在已经使用上述方法标识出一个或多个田地之后,数据管理器可提供一个或多个图形用户界面窗小部件,当被选择时,该图形用户界面窗小部件可以标识田地、土壤、农作物、耕作或养分实践的变化。数据管理器可包括时间线视图、电子表格视图和/或一个或多个可编辑的程序。
图5描绘了数据输入的时间线视图的示例实施例。使用在图5中描述的显示,用户计算机可以输入对特定田地和特定日期的选择以添加事件。在时间线顶部描述的事件可包括氮、种植、实践和土壤。为了添加氮施用事件,用户计算机可提供输入以选择氮标签。用户计算机然后可以为特定田地选择时间线上的位置,以指示氮在所选择的田地上的施用。响应于接收到对特定田地在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、种植过程、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包括用于输入所施用的氮的数目、施用日期、所使用的肥料的类型以及与氮的施用有关的任何其他信息的字段。
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。该上下文中的“程序”指的是与氮施用、种植过程、土壤施用、耕作过程、灌溉实践有关的一组数据,或者可能与一个或多个田地相关并可以存储在数字数据存储中以供在其他操作中作为一组重复使用的其他信息。在已经创建程序之后,可以在概念上将该程序应用于一个或多个田地,并且可以将对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,代替针对多个不同田地手动输入与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,前两条时间线选择了“春季施用”程序,其中包括在4月初施用150lbs N/ac。数据管理器可提供用于编辑程序的界面。在实施例中,当特定程序被编辑时,已经选择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“春季施用”程序以将氮的施用减少到130lbs N/ac,则可以基于编辑后的程序用减少的氮施用来更新前两个田地。
在实施例中,响应于接收到对选择了程序的田地的编辑,数据管理器去除该田地与所选择的程序的对应关系。例如,如果氮施加被添加到图5中的顶部田地,则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4月初的氮施用可能保留,但是对“春季施用”程序的更新将不会改变氮的4月施用。
图6描绘了用于数据输入的电子表格视图的示例实施例。使用在图6中描绘的显示,用户可以创建和编辑一个或多个田地的信息。数据管理器可包括如在图6中描绘的电子表格,该电子表格用于输入关于氮、种植、实践和土壤的信息。为了编辑特定条目,用户计算机可以选择电子表格中的特定条目并更新值。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。此外,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。响应于接收到针对特定田地的程序选择,数据管理器可以基于所选择的程序来自动完成特定田地的条目。与时间线视图一样,数据管理器可以响应于接收到对特定程序的更新而更新与该程序相关联的每个田地的条目。此外,数据管理器可以响应于接收到对田地的条目之一的编辑而删除所选择的程序与该田地的对应关系。
在实施例中,模型和田地数据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,农作物模型可包括一个或多个田地上的农作物的发育的数字构建模型。该上下文中的“模型”指的是彼此相关联的可执行指令和数据值的电子数字存储集合,它们能够接收程序化或其他数字调用、调用或解析请求并基于指定的输入值来响应该程序化或其他数字调用、调用或解析请求,以产生一个或多个存储或计算出的输出值,这些输出值可以用作计算机实现的建议、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来表达模型是方便的,但是该表达形式不将本文公开的模型局限于抽象概念;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,存储的可执行指令和数据使用计算机来实现该模型。该模型可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/或一个或多个田地上的预测事件的模型。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,种植计划指令136包括农业智能计算机系统130中的主存储器(诸如RAM)的一组一个或多个页面,可执行指令已被加载到其中并且该指令当被执行时使农业智能计算系统执行本文中参考那些指令描述的功能或操作。例如,种植计划指令136可包括RAM中的一组页面,该组页面包含指令,这些指令当被执行时导致执行本文中描述的种植计划功能。这些指令可能在CPU的指令集中的机器可执行代码中,并且可能已经单独基于以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进行编译,或者与JAVASCRIPT中的脚本、其他脚本语言和其他编程源文本结合基于以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,并且在系统中使用的具体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,种植计划指令136还可表示以数字方式存储在农业智能计算机系统130或单独的存储库系统中的诸如非易失性RAM或磁盘存储之类的大容量存储设备中的一个或多个源代码文件或项目,其当被编译或解释时导致生成可执行指令,这些可执行指令当被执行时使农业智能计算系统执行本文中参考那些模块描述的功能或操作。换句话说,附图可以表示程序员或软件开发者组织和安排源代码以便以后编译为可执行文件或解释为字节码或等效物以供农业智能计算机系统130执行的方式。
下面将参照图11至图14详细描述种植计划指令136的实施例及其操作。
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、组件或要素,诸如易失性或非易失性的存储器、非易失性存储(诸如disPlk)以及例如结合图4说明和描述的I/O设备或接口。层150还可包括被配置为支持虚拟化、容器化或其他技术的编程指令。
出于说明清楚示例的目的,图1示出了某些功能要素的有限数目的实例。然而,在其他实施例中,可以存在任何数目的这样的要素。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移动计算设备104。另外,系统130和/或外部数据服务器计算机108可以使用被配置在离散位置或与数据中心、共享计算设施或云计算设施中的其他要素位于同一位置的两个或更多个处理器、核心、群集或者物理机或虚拟机的实例来实现。
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要素来实现本文描述的功能将使这些通用计算机被配置为特定机器或配置为专门用于执行本文描述的功能的计算机。另外,本文进一步描述的每个流程图可以单独用作可以被用于将计算机或逻辑编程为实现所描述的功能的算法、计划或指导,或与本文中的散文形式的过程和功能的描述结合用作这些算法、计划或指导。换句话说,本文中的所有散文和所有附图一起旨在提供如下算法、计划或指导的公开,这些算法、计划或指导足以允许技术人员考虑到适用于该类型的发明和公开的技能水平结合此类人员的技能和知识将计算机编程为执行本文描述的功能。
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应用的田地管理器计算设备104与农业智能计算机系统130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且自动地与农业智能计算机系统进行互操作,并且直接的用户交互不是总被要求。田地管理器计算设备104广义地表示以下各项中的一个或多个: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、或者能够发射和接收信息以及执行本文描述的功能的任何其他计算设备。田地管理器计算设备104可以使用在田地管理器计算设备104上存储的移动应用程序经由网络进行通信,并且在一些实施例中,可以使用电缆113或连接器将该设备耦合到传感器112和/或控制器114。特定用户102可以一次拥有、操作或拥有和结合系统130使用多于一个田地管理器计算设备104。
移动应用程序可以经由网络向一个或多个移动计算设备提供客户端侧功能。在示例实施例中,田地管理器计算设备104可以经由网络浏览器或本地客户端应用程序或应用来访问移动应用程序。田地管理器计算设备104可以使用基于网络的协议或格式(诸如HTTP、XML和/或JSON)或应用专用协议向一个或多个前端服务器发射数据和从一个或多个前端服务器接收数据。在示例实施例中,数据可以采用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,移动应用程序与田地管理器计算设备104上的位置追踪硬件和软件进行交互,该位置追踪硬件和软件使用标准的追踪技术(诸如无线电信号的多点定位、全球定位系统(GPS)、WiFi定位系统、或其他移动定位方法)来确定田地管理器计算设备104的位置。在一些情况下,可以通过对设备的操作系统的查询或通过请求设备上的应用从该操作系统获得数据来获得与设备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将田地数据106发送给农业智能计算机系统130,田地数据106包含或包括但不限于表示以下各项中的一个或多个的数据值:一个或多个田地的地理位置、一个或多个田地的耕作信息、在一个或多个田地中种植的农作物、以及从一个或多个田地中提取的土壤数据。田地管理器计算设备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而发送田地数据106。此外,当数据值中的一个或多个变得对田地管理器计算设备104可用时,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可以通信地耦合到远程传感器112和/或应用控制器114,远程传感器112和/或应用控制器114包括灌溉传感器和/或灌溉控制器。响应于接收到表明应用控制器114曾将水释放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,从而表明水在一个或多个田地上曾被释放。可以使用电子数字数据来输入和传送在本公开中标识的田地数据106,该电子数字数据是使用通过HTTP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送的。
移动应用程序的商业示例是可从加利福尼亚州旧金山市的气候公司购买的CLIMATE FIELDVIEW。CLIMATE FIELDVIEW应用程序或其他应用程序可被修改、扩展或调整,以包括在本公开的申请日之前尚未被公开的特征、功能和编程。在一个实施例中,移动应用程序包括集成的软件平台,该软件平台允许种植者为他们的操作做出基于事实的决定,因为它将与种植者的田地有关的历史数据与种植者希望比较的任何其他数据结合。结合和比较可以实时进行,并且基于科学模型,这些科学模型提供了可能的情景,以允许种植者做出更好、更明智的决定。
图2示出了当示例移动应用程序被加载以供执行时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,或者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,移动计算机应用程序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、以及执行指令216。
在一个实施例中,移动计算机应用程序200包括账户、田地、数据摄取、共享指令202,该移动计算机应用程序200被编程为经由手动上传或API从第三方系统接收、转换和摄取田地数据。数据类型可包括田地边界、产量图、种植图、土壤测试结果、施用图、和/或管理区等。数据格式可包括形状文件、第三方的原生数据格式、和/或农场管理信息系统(FMIS)导出等。接收数据可以经由以下方式发生: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、或者调用外部系统的API来将数据拉取到移动应用中的指令。在一个实施例中,移动计算机应用程序200包括数据收件箱。响应于接收到对数据收件箱的选择,移动计算机应用程序200可以显示用于手动上传数据文件和将上传的文件导入到数据管理器的图形用户界面。
在一个实施例中,数字地图簿指令206包括在设备存储器中存储的田地地图数据层,并被编程有数据可视化工具和地理空间田地注释。这为种植者提供了近在咫尺的方便信息,以供参考、记录和对田地表现的视觉洞察力。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之物的操作范围视图,以及采取行动或专注于特定问题的及时建议。这允许种植者将时间集中在需要关注什么,以节省时间并在整个季节保持产量。在一个实施例中,种子和种植指令208被编程为基于科学模型和经验数据来提供用于种子选择、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、放置和种群来使产量或投资回报最大化。
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(包括可变速率(VR)肥力脚本)的界面。该界面使种植者能够为田地器具(诸如养分施用、种植和灌溉)创建脚本。例如,种植脚本界面可包括用于标识用于种植的种子的类型的工具。在接收到对种子类型的选择之后,移动计算机应用程序200可以显示被划分为管理区域的一个或多个田地,诸如作为数字地图簿指令206的一部分而被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面板,该面板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。移动计算机应用程序200还可在一个或多个田地的地图上显示用于编辑或创建此类的工具,诸如用于绘制管理区域(诸如土壤区域)的图形工具。种植过程可以应用于所有管理区域,或者不同的种植过程可以应用于管理区域的不同子集。当脚本被创建时,移动计算机应用程序200可以使该脚本可以被用于以应用控制器可读的格式(诸如存档或压缩的格式)下载。此外,和/或备选地,脚本可以被从移动计算机应用程序200直接发送给驾驶室计算机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被编程为提供通过使氮对农作物的可用性可视化来告知氮决策的工具。这使种植者能够通过季节期间的优化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,精细到毫米或更小)绘制肥料施用区域和/或根据子田地土壤数据(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;提供植物养分可用性的图和/或使得能够调节跨多个区域的(多个)氮施用的地图;输出脚本以驱动机械;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。该上下文中的“大量数据输入”可能表示输入数据一次然后将相同的数据应用于已经在系统中定义的多个田地和/或区域;示例数据可包括对于相同种植者的许多田地和/或区域都相同的氮施用数据,但是这样的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程序200中。例如,氮指令210可被编程为接受氮施用和实践程序的定义以及接受指定跨多个田地应用那些程序的用户输入。该上下文中的“氮施用程序”指的是与以下各项相关联的所存储的命名的数据集:名称、颜色代码或其他标识符、一个或多个施用日期、每个日期的材料或产品类型以及数目、施用或掺入的方法(诸如注入或播撒)、和/或每个日期的施用量或施用速率,作为施用对象的农作物或杂交种,等等。该上下文中的“氮实践程序”指的是与以下各项相关联的所存储的命名的数据集:实践名称;先前的农作物;耕作系统;主要耕作的日期;曾使用的一个或多个先前的耕作系统;曾使用的施用类型(诸如施肥)的一个或多个指示符。氮指令210也可被编程为生成并导致显示氮图,该氮图指示对指定氮的植物使用的预测以及是预测到盈余还是预测到不足;在一些实施例中,不同的颜色指示符可以表示盈余的幅度或不足的幅度。在一个实施例中,氮图包括:计算机显示设备中的包括多行的图形显示,每一行与田地相关联并标识该田地;指定在田地中种植什么农作物、田地大小、田地位置和田地周界的图形表示的数据;在每一行中,具有图形指示符的按月的时间线指定与月份名称相关的点处的每次氮施用和数目;以及数字和/或有颜色的盈余指示符或不足指示符,其中颜色指示幅度。
在一个实施例中,氮图可包括诸如刻度盘或滑动条之类的用于动态地改变氮种植和实践程序的一个或多个用户输入特征,使得用户可以优化用户的氮图(nitrogengraph)。用户然后可以使用用户的优化的氮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。氮指令210也可被编程为生成并导致显示氮地图,该氮地图指示对指定氮的植物使用的预测以及是预测到盈余还是预测到不足;在一些实施例中,不同的颜色指示符可以表示盈余的幅度或不足的幅度。氮地图可以使用数字和/或有颜色的盈余指示符或不足指示符来显示对指定氮的植物使用的预测以及针对过去和未来的不同时间(诸如每天、每周、每月或每年)是预测到盈余还是预测到不足,其中颜色指示幅度。在一个实施例中,氮地图可包括诸如刻度盘或滑动条之类的用于动态地改变氮种植和实践程序的一个或多个用户输入特征,使得用户可以优化用户的氮地图(nitrogen map),例如以获得优选量的盈余到不足。用户然后可以使用用户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类似的指令可以用于其他养分(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被编程为提供田地专用的最近天气数据和预报天气信息。这使得种植者能够节省时间以及具有关于日常操作决策的高效集成显示。
在一个实施例中,田地健康指令214被编程为提供及时的遥感图像,这些遥感图像突出显示应季农作物变化和潜在担忧。示例编程功能包括: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;对例如包括与田地健康有关的那些的侦察层的图形可视化,以及对侦察笔记的查看和/或共享;和/或从多个来源下载卫星图像,并优先考虑种植者的图像,等等。
在一个实施例中,执行指令216被编程为提供报告、分析和洞察力工具,这些工具使用农场数据进行评估、洞察力和决策。这使种植者能够通过关于为何投资回报处于先前水平的基于事实的结论以及对产量限制因素的洞察力来寻求下一年的改进结果。执行指令216可被编程为经由(多个)网络109向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传送,并且被配置为分析诸如产量、产量差异、杂交种、种群、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包括:产量可变性分析、治疗效果估计、基于从许多种植者收集的匿名数据或种子和种植的数据对照其他种植者的产量和其他度量的基准测试,等等。
具有以这种方式配置的指令的应用程序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,移动应用可被编程以便在使用客户端计算机处的浏览器访问的平板、智能电话或服务器计算机上执行。另外,针对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应用程序体验或驾驶室应用程序体验。例如,现在参考图2的视图(b),在一个实施例中,驾驶室计算机应用程序220可包括地图—驾驶室指令222、远程视图指令224、数据收集和传送指令226、机器警报指令228、脚本传送指令230和侦察—驾驶室指令232。视图(b)的指令的代码基可以与视图(a)的相同,并且实现该代码的可执行文件可被编程为检测它们所执行于的平台的类型,并被编程为通过图形用户界面仅暴露适用于驾驶室平台或完整平台的那些功能。该方法使系统能够识别出适用于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可被编程为提供田地、农场或区域的地图视图,这些地图视图在指导机器操作时有用。远程视图指令224可被编程为打开、管理实时的或近乎实时的机器活动的视图并将该视图经由无线网络、有线连接器或适配器等提供给连接到系统130的其他计算设备。数据收集和传送指令226可被编程为打开、管理在传感器和控制器处收集的数据,并提供将该数据经由无线网络、有线连接器或适配器等传送到系统130。机器警报指令228可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生成操作者警报。脚本传送指令230可被配置为以指令脚本的方式传送,这些指令脚本被配置为指导机器操作或数据的收集。侦察—驾驶室指令232可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接收到的基于位置的警报和信息,并且摄取、管理基于位置的侦察观察结果并提供基于农业装置111或传感器112在田地中的位置将基于位置的侦察观察结果传送到系统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,外部数据110包括表示一个或多个田地的土壤组成的土壤数据以及表示一个或多个田地上的温度和降水的天气数据。天气数据可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,第一服务器可包含土壤组成数据,而第二服务器可包括天气数据。此外,土壤组成数据可存储在多个服务器中。例如,一个服务器可存储表示土壤中的沙子、淤泥和粘土的百分比的数据,而第二服务器可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包括一个或多个传感器,这一个或多个传感器被编程或配置为生成一个或多个观察结果。远程传感器112可以是空中传感器(诸如卫星),车辆传感器,种植设备传感器,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器具。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还可被编程或配置为控制农业车辆或用具的操作参数。例如,应用控制器可被编程或配置为控制车辆(诸如拖拉机)、种植设备、耕作设备、肥料或杀虫剂设备、收割机设备或其他农场用具(诸如水阀)的操作参数。其他实施例可使用传感器和控制器的任何组合,其中以下仅仅是选中的示例。
系统130可以在用户102的控制下大规模地从已经将数据贡献给共享数据库系统的大量种植者获得或摄取数据。当请求或触发一个或多个用户控制的计算机操作以获得供系统130使用的数据时,该形式的获取数据可以称为“手动数据摄取”。例如,可以操作可从加利福尼亚州旧金山市的气候公司购买的CLIMATE FIELDVIEW应用程序以将数据导出到系统130,以存储在存储库160中。
例如,种子监视器系统既可以控制播种机装置组件,也可以获得种植数据,包括经由信号线束来自种子传感器的信号,该信号线束包括CAN主干网以及用于注册和/或诊断的点对点连接。种子监视器系统可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播种间距、种群和其他信息。在美国专利第8,738,243号和美国专利公开20150094916中公开了示例,并且本公开假定那些其他专利公开的知识。
同样,产量监视器系统可包含用于收割机装置的产量传感器,产量传感器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的谷物水分测量结果,并经由驾驶室计算机115或系统130内的其他设备将这些测量结果发射给用户。
在实施例中,可以与在本文中其他地方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。运动学传感器可包括任何速度传感器,诸如雷达或车轮速度传感器、加速计或陀螺仪。位置传感器可包括GPS接收器或收发器,或者基于WiFi的位置或地图应用程序等,这些应用程序被编程为基于附近的WiFi热点来确定位置。
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:发动机转速传感器,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(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;悬挂装置位置控制器;或者车轮位置控制器提供自动转向。
在实施例中,可以与诸如种植机、条播机或空气播种机之类的种子种植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,诸如称重销、称重传感器、压力传感器;土壤性质传感器,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、种子盘速度传感器、种子驱动电机编码器、种子输送机系统速度传感器或者真空度传感器;或者杀虫剂施加传感器,诸如光学或其他电磁传感器或碰撞传感器。在实施例中,可以与这样的种子种植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的控制器;下压力控制器,诸如用于与气压缸、安全气囊或液压缸相关联的阀的控制器,并被编程用于将下压力施加到单个行单元或整个种植机框架上;种植深度控制器,诸如线性致动器;计量控制器,诸如电动排种器驱动马达、液压排种器驱动马达或收割宽度(swath)控制离合器;混合选择控制器,诸如排种器驱动马达,或者被编程用于选择性地允许或阻止种子或空气种子混合物将种子递送到排种器或中央散装料斗中或从排种器或中央散装料斗中递送种子的其他致动器;计量控制器,诸如电动排种器驱动马达或液压排种器驱动马达;种子输送机系统控制器,诸如用于带式种子递送输送机马达的控制器;标记控制器,诸如用于气动或液压致动器的控制器;或者杀虫剂施用速率控制器,诸如计量驱动控制器、孔口尺寸或位置控制器。
在实施例中,可以与耕作设备一起使用的传感器112的示例包括:用于诸如柄或盘之类的工具的位置传感器;用于被配置为检测深度、同轴角或侧向间距的此类工具的工具位置传感器;下压力传感器;或牵伸力传感器。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、同轴角或侧向间距的控制器。
在实施例中,可以联系用于施用肥料、杀虫剂、杀真菌剂等的装置(诸如播种机上的起动肥料系统、底土肥料施用器或肥料喷雾器)使用的传感器112的示例包括:流体系统标准传感器,例如流量传感器或压力传感器;指示哪些喷头阀或流体管线阀为打开的传感器;与罐相关联的传感器,诸如液位传感器;分段或全系统的供应线传感器,或者行专用的供应线传感器;或者运动学传感器,诸如布置在喷雾器喷杆上的加速度计。在实施例中,可以与这样的装置一起使用的控制器114的示例包括:泵速度控制器;阀控制器,其被编程为控制压力、流量、方向、PWM等;或者诸如用于喷杆高度、深耕铲深度或喷杆位置的位置致动器。
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、重量传感器或者与升降机或螺丝钻(auger)相关联的扭矩传感器,或者光学或其他的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,包括碰撞传感器、光学传感器或电容传感器;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、甲板间隙传感器、送料机速度传感器和拨禾轮速度传感器;分离器操作标准传感器,诸如凹板间隙、转子速度、闸瓦间隙或筛间隙传感器;用于位置、操作或速度的螺丝钻传感器;或者发动机转速传感器。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:用于诸如割台高度、割台类型、甲板间隙、送料机速度或拨禾轮速度之类的元素的割台操作标准控制器;用于诸如凹板间隙、转子速度、闸瓦间隙或筛间隙之类的特征的分离器操作标准控制器;或者用于螺丝钻位置、操作或速度的控制器。
在实施例中,可以与谷物拖车一起使用的传感器112的示例包括重量传感器或者用于螺丝钻位置、操作或速度的传感器。在实施例中,可以与谷物拖车一起使用的控制器114的示例包括用于螺丝钻位置、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。这样的传感器可包括具有对包括可见光、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的检测器的相机;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雷达能量探测装置;其他电磁辐射发射器和反射电磁辐射检测装置。这样的控制器可包括:引导或马达控制设备,控制面控制器,相机控制器,或者被编程为打开任何前述传感器、操作任何前述传感器、从任何前述传感器获得数据、管理和配置任何前述传感器的控制器。在美国专利申请第14/831,165号中公开了示例,并且本公开假定该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以及执行土壤化学测试、土壤湿度测试和其他与土壤有关的测试。例如,在美国专利第8,767,194号和美国专利第8,712,148号中公开的装置可被使用,并且本公开假定那些专利公开的知识。
在实施例中,传感器112和控制器114可包括用于监视田地的天气状况的天气设备。例如,在2015年4月29日提交的美国临时申请第62/154,207号、2015年6月12日提交的美国临时申请第62/175,160号、2015年7月28日提交的美国临时申请第62/198,060号和2015年9月18日提交的美国临时申请第62/220,852号中公开的装置可被使用,并且本公开假定那些专利公开的知识。
2.4处理概述-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,该数据结构包括田地数据106,诸如一个或多个田地的标识数据和收获数据。农艺模型还可包括计算出的农艺特性,该农艺特性描述了可能影响田地上的一个或多个农作物的生长的条件或一个或多个农作物的特性或两者。此外,农艺模型可包括基于农艺因素的建议,诸如农作物建议、灌溉建议、种植建议、肥料建议、杀真菌剂建议、杀虫剂建议、收获建议和其他农作物管理建议。农艺因素也可以被用于估计一个或多个农作物相关结果,诸如农艺产量。农作物的农艺产量是对所生产的农作物的数目的估计,或者在一些示例中是从所生产的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可使用预先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位置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,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被交叉验证,以确保模型的准确性。交叉验证可包括与地面实况的比较,其将预测结果与田地上的实际结果进行比较,诸如将降雨估计与提供相同或附近位置的天气数据的雨量计或传感器进行比较,或将氮含量的估计与土壤样本测量结果进行比较。
图3示出了编程的处理,通过该处理,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可以用作用于将农业智能计算机系统130的功能要素编程为执行现在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被配置或编程为实现对从一个或多个数据源接收的田地数据的农艺数据预处理。可以出于去除噪声、失真影响以及农艺数据内的混杂因素的目的而对从一个或多个数据源接收的田地数据进行预处理,这些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测量异常值。农艺数据预处理的实施例可包括但不限于:去除通常与异常数据值相关联的数据值、已知不必要地使其他数据值倾斜的特定测量数据点,数据平滑、聚合,或者用于去除或减少来自噪声的加性或乘性影响的采样技术,以及用于提供正数据输入和负数据输入之间的明显区别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后的田地数据来执行数据子集选择,以标识对初始农艺模型生成有用的数据集。农业智能计算机系统130可实现数据子集选择技术,其包括但不限于基因算法方法、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,基因算法选择技术基于自然选择和基因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对所创建的农艺模型使用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(诸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)来比较和/或验证农艺模型。例如,RMSECV可以通过将由农艺模型创建的预测农艺属性值与所收集和分析的历史农艺属性值进行比较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已配置质量阈值的农艺数据集(框310)。
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,农艺模型创建可实施多变量回归技术以创建预先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先配置的农艺数据模型以用于未来的田地数据评估。
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。专用计算设备可被硬连线以执行这些技术,或者可包括诸如一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)之类的被永久编程为执行这些技术的数字电子设备,或者可包括被编程为根据固件、存储器、其他存储或组合中的程序指令来执行这些技术的一个或多个通用硬件处理器。这样的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,联网设备,或是包含用来实现这些技术的硬连线和/或程序逻辑的任何其他设备。
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包括总线402或用于传送信息的其他通信机制,以及与总线402耦合的用于处理信息的硬件处理器404。硬件处理器404可以例如是通用微处理器。
计算机系统400还包括耦合到总线402的用于存储信息和要由处理器404执行的指令的主存储器406,诸如随机存取存储器(RAM)或其他动态存储设备。主存储器406也可以被用于在要由处理器404执行的指令的执行期间存储临时变量或其他中间信息。这样的指令当存储在处理器404可访问的非暂时性存储介质中时使计算机系统400成为专用于执行在这些指令中指定的操作的专用机器。
计算机系统400还包括耦合到总线402的用于存储静态信息和处理器404的指令的只读存储器(ROM)408或其他静态存储设备。诸如磁盘、光盘或固态驱动器之类的存储设备410被提供并耦合到总线402以存储信息和指令。
计算机系统400可以经由总线402耦合到诸如阴极射线管(CRT)之类的用于向计算机用户显示信息的显示器412。包括字母数字键和其他键的输入设备414耦合到总线402,以向处理器404传送信息和命令选择。另一种类型的用户输入设备是用于向处理器404传送方向信息和命令选择并用于控制显示器412上的光标移动的光标控制416,诸如鼠标、追踪球或光标方向键。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描述的技术,该程序逻辑与计算机系统结合使计算机系统400成为专用机器或将计算机系统400编程为专用机器。根据一个实施例,由计算机系统400响应于处理器404执行在主存储器406中包含的一个或多个指令的一个或多个序列而执行本文中的技术。可以从诸如存储设备410之类的另一存储介质将这样的指令读取到主存储器406中。执行在主存储器406中包含的指令序列使处理器404执行本文描述的处理步骤。在备选实施例中,可以使用硬连线电路来代替软件指令或者与软件指令结合使用硬连线电路。
本文所使用的术语“存储介质”指的是存储数据和/或使机器以特定方式运行的指令的任何非暂时性介质。这样的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,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。存储介质的常见形式例如包括: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,但是可以与传输介质结合使用。传输介质参与在存储介质之间传送信息。例如,传输介质包括同轴电缆、铜线和光纤,包括构成总线402的电线。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那些。
各种形式的介质可参与将一个或多个指令的一个或多个序列运送到处理器404以供执行。例如,指令最初可被携带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,并使用调制解调器通过电话线来发送指令。在计算机系统400本地的调制解调器可以接收电话线上的数据,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将数据运送到主存储器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向连接到本地网络422的网络链路420提供双向数据通信耦合。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、或者用于向对应类型的电话线提供数据通信连接的调制解调器。作为另一个示例,通信接口418可以是用于向兼容的LAN提供数据通信连接的局域网(LAN)卡。无线链路也可被实现。在任何这样的实现中,通信接口418发送和接收电信号、电磁信号或光信号,这些电信号、电磁信号或光信号携带表示各种类型的信息的数字数据流。
网络链路420通常向其他数据设备提供通过一个或多个网络的数据通信。例如,网络链路420可以向主机计算机424或向由因特网服务提供商(ISP)426操作的数据设备提供通过本地网络422的连接。ISP 426继而通过现在通常称为“因特网”428的全球分组数据通信网络来提供数据通信服务。本地网络422和因特网428都使用携带数字数据流的电信号、电磁信号或光信号。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,这些信号向和从计算机系统400传送数字数据。
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发送消息和接收包括程序代码在内的数据。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来发射所请求的应用程序的代码。
所接收的代码可以在该代码被接收时由处理器404执行,并且/或者存储在存储设备410或其他非易失性存储中以供以后执行。
3.收获水分窗预测的示例
作为示例,种植者根据经验已经确定收获玉米(包谷)的最佳时间是谷粒水分以重量计在20%至25%之间时。当水分值大于或小于20%-25%范围时,将会发生损失,这会影响总产量,从而影响利润。在水分低于20%时发生的损失影响的示例包括增加的倒伏和掉穗、以及联合收割机或收割机中的机械问题。当植物因消耗过多能量继续活得比必要的时间更长而损失掉挥发性的蒸发化合物形式的干物质时,就会发生幻像产量损失。当水分高于25%时,在穗未达到全势的生长阶段R6以下,不完整的穗填充会发生,并且会经历更高的干燥成本。然而,在现有技术中,评估农作物或田地的收获准备度(readiness)主要是基于从表示田地的一小部分的少量谷粒样本中获得的水分值所告知的本能。
在实施例中,对数据分析模型进行编程以预测在特定位置的特定田地中种植的特定杂交种以高准确度和高置信度达到20%-25%的水分含量的时间。尽管20%-25%是常见值范围,但是其他实施例可以训练机器学习模型预测其他值或范围的水分。此外,可以使用标识收获是理想的并能减轻损失的日历日期的特定范围的预测技术,来增强该模型。
模型的输出可以作为输入被发射给操作研究模型,该模型可以进一步优化种植者的操作中的所有田地的所有收获操作。
因此,实施例提供了可以为特定种植者生成定制计划以优化收获操作的计算机实现的工具。实施例可以被用于指导联合收割机或收割机在特定田地中的移动和放置。
在实施例中,基于经验的相对成熟度(AERM)模型使用应季天气数据、杂交种或产品数据以及实际过去种植数据来生成输出,该输出指定了收获被预期是理想的并能减轻损失的时间窗。
图7A图示了分布式计算机系统中的数据流,该数据流可以用作对预测农作物水分含量的过程进行编程的基础。
在实施例中,训练数据702作为输入被发射,以训练计算机实现的机器学习模型708。在训练之后,在评估阶段,机器学习模型被编程为接收其他输入数据710并生成输出概率数据集712。
在实施例中,训练数据702包括市场开发数据704和种植者数据706。种植者数据706可以包括关于实际种植日期、收获日期以及在指定收获日期的谷粒或种子水分含量的历史数据以及田地地理位置数据。例如,种植者数据706可以指定该指定玉米杂交种在某个日期被种植、在某个日期被收获、以平均水分含量22%产生谷粒、以及出现在具有指定纬度-经度值的质心的田地中。因此,训练数据702可以包括针对指定位置处的指定田地在特定日期收获时所体验的实际谷粒水分值。该数据可以被与天气数据相关以用于进一步的训练充实。可以从数十个或数百个田地收集该数据,以产生数千个用于训练的数据点。
市场开发数据704可以包含相同种类的值,但是例如可以来自被种子或杂交种的制造商或销售商用作研究和市场开发活动的一部分的田地。市场开发数据704可以包括关于种子或杂交种的数据,诸如一直到成熟或生长阶段的典型天数。通常,相较于种植者数据706,市场开发数据704被用于更少的杂交种,但是对于那些更少的杂交种,它是一大组数据值。这种市场开发数据704的使用是可选的,并且不要求必须被没有这种开发操作的各方使用。在一些实施例中,数据值表示恰好在收获之前收集的应季R6生长阶段地面实况数据。
此外,在一些实施例中,训练数据702可以包括关于达到杂交种的指定生长阶段的日期的科学数据。例如,对于玉米(包谷),通常将农作物生长分为物候阶段,分别表示为VE、V1、V3、V7、V10、VT、R1和R6。对于任何给定的杂交种,从发芽到每个阶段的平均天数通常可以通过研究和实验得知。这些与收获窗范围相关或包括收获窗范围的数据值可以形成训练数据702的一部分。训练数据702中的物候数据还可以为针对多种杂交种中的每种杂交种指定黑层日期、R6阶段日期和从R6到收获的天数,天数是基于研究经验建议的或理想的。
在一些实施例中,机器学习模型708包括经过训练的神经网络、分类器或线性回归模型,该模型使用Google TensorFlow作为具有特定于应用的配置数据的基础来实现。例如,训练可以使用随机森林方法、或者使用XGboost开源库的梯度提升。
对于评估阶段,其他输入数据710可以包括历史或近期天气数据、针对种植者数据706中表示的杂交种或针对预期田地的基因数据、针对种植者数据706中表示的田地的或其他田地的田地操作数据,等等。天气数据可以指定与地理位置值和/或田地质心位置值相关的AERM值、蒸散值、平衡水分含量值和/或降水值。田地操作数据可以包括实际或的预计播种日期和收获日期。基因数据可以包括以发芽后天数计的相对成熟度值。其他输入数据710可以表示种植者计划使用的当前条件或提议值。天气数据可以包括基于最后观察日期和预报日期的预计天气数据,并且可以从提供数字天气数据的可商购或可公开获得的服务中获得。
输出数据集712提供了在特定收获日期农作物中的水分含量等于目标范围的概率。例如,输出数据集712可以指定从种植算起“105”天作为收获日期,玉米粒水分含量为22%的概率为80%。输出数据集712可以包括针对从1%到99%的不同预测水分含量值或针对一些其他实际范围(诸如12%到32%)的多个值。
图7B图示了反馈数据流,该反馈数据流可以在一些实施例中被用于改进图7A的在生长季节期间的输出。在一些实施例中,可以在特定种植者已经开始收获活动时接收其他数据710,并且可以在那个时候执行机器学习模型708以提供更新的输出数据集712。因此,在一些实施例中,可以在一个或多个种植者正在收获的同时重复执行图7A的数据流,因此可以向种植者提供“实时”结果,以便能够修改或更新机械的移动或针对特定田地的收获开始或结束。在其他实施例中,可以在该季节中针对每个种植者执行一次机器学习模型708,以针对该种植者的所有田地的收获日期提供一次建议。例如,可以在季末点(诸如八月的第一周)执行机器学习模型708,以便针对特定地理位置,在比最早典型第一收获周早约一个月的时间,生成有关何时开始收获的建议。此处,以一个月为例进行说明,其他实施例可以使用更早或更晚的定时。
在实施例中,模型输出712(图7A)被进一步变换以产生初始模型预测714(图7B),作为一组日期,在该日期期间,收获被预测在以体积计20%至25%的谷粒水分含量下发生。初始模型预测714被用于确定针对实际谷粒水分含量要采样的田地。应季田地测量716是从那些田地获得的,并且可以包括实际水分值和农作物阶段值,该农作物阶段值指示要获取样本的农作物的阶段。可以在生长季节的任何阶段(包括收获开始之后)接收应季田地测量716。在一些情况下,应季田地测量716可以指示农作物已经达到生长阶段R6。因此,在实施例中,实现图7A、图7B的各个方面的计算机可以被编程为:比较来自应季田地测量716的预测值和实际观测到的R6日期,以在框718中产生在R6日期之后的新窗预测720。该数据可以被反馈到机器学习模型708中作为训练的附加组成部分。
在训练和评估中使用地理位置数据使得本技术能够考虑收获日期的地理可变性。
实施例例如在大型农业操作中是有用的,在大型农业操作中,农业设备的放置和移动是重要的问题。示例收获操作可以包括60个工作日的收获、同一田地中的3台联合收割机、每天每台联合收割机覆盖的100英亩、3台带有谷物卡的拖拉机和16台将种子移至干燥机或储藏室的16轮拖拉机-拖车钻机。在这种规模的操作中,预测正确的收获窗将为操作带来可观的价值。在一些实施例中,本文中的计算机实现的技术可以被用于预测分别具有不同地理位置值的多个不同田地的收获时间窗。然后,可以将不同田地的地理位置值作为输入提供给移动预测算法,以生成对收获顺序的建议,该建议优化了预测的最佳收获日期和田地的位置,从而为将设备从一个田地移动到另一田地提供了高效的路径。在一些情况下,水分含量和理想收获时间窗与位置之间的平衡可能会建议在给定的一周或一天内划分设备的库存,并将设备的第一部分移动到具有次佳水分含量的更近田地并且将设备的第二部分移动到具有更佳水分含量的另一田地。
在一些实施例中,可以在训练和评估中使用其他参数值,包括田地海拔;土壤质地,诸如质地等级、沙子百分比、粘土百分比;土壤水特征;到最接近自然水源的距离和角定向;正常降水、严重干旱和严重降水的区域频率;产品脱水速率;和/或田地坡度或地形。
图7C图示了计算机实现的实施例中的数据流,该数据流使用肥力模型作为工具来获得用于训练图7A的机器学习模型的某些数据。在一些实施例中,用于训练机器学习模型708的数据和预测特征可以通过使用从已经用图7A的功能要素编程的计算机发出的API调用访问可从气候公司购得的Nitrogen Advisor的执行实例来获得。例如,可以调用Nitrogen Advisor执行肥力模型,以产生天气数据和玉米生长阶段数据作为输出。可以从这种API调用获取操作数据、产品/基因数据、包括R6日期的玉米物候数据(这是收获的关键)以及天气数据,作为输出。这种方法可以被用作直接将编程调用发送给数字天气数据服务的备选方法,因为它会产生包括R6日期(指示成熟度)的玉米物候数据。R6之后的生长通常仅限于脱水,这与确定收获日期不太相关。因此,R6日期之后的任何日期都是潜在的收获日期。
图7D图示了根据实施例的生成的一组日期值的过程,针对该日期值建议收获。
在框750处,该过程从种植者田地和/或研究和开发田地接收训练数据,包括与获得水分含量值的日期值相关联地数字存储的谷粒水分含量值、以及从中获得水分含量值的田地的田地地理位置值。所有这种数据可以被数字地存储在数据库中,诸如图1的数据库。在框752中,使用训练数据来训练随机森林分类器机器学习模型。
在框754处,该过程接收特定于种植者的输入数据,包括天气、基因和本节先前所述类型的田地操作值。可选地,在框755中,该过程以编程方式调用肥力模型过程,以基于天气值和田地操作值,来获得基因值所表示的农作物将达到R6生长阶段的预测日期。
在框756处,该过程基于特定于种植者的输入数据来评估经过训练的机器学习模型,以输出经由框755获得的R6日期处的预测谷粒水分值。
在框758处,对于一个实施例,在预测的R6日期之前和之后的多个其他日期重复框756的评估,直到输出的预测水分值小于20%或大于25%。结果是谷粒水分预测落在20%至25%的范围内的日期范围。可以使用超出20%至25%范围的其他范围和/或公差。
在框759处,可选地,该过程通过平衡收获日期和行进距离来为一组农业设备计算在不同建议收获活动日期穿过一组田地的最佳路径或最短路径。框759可以使用经由框758获得的日期范围,并且可以使用严格应用的旅行商算法来产生以日期值表示的田地之间的最短路径,即使在那些日期在田地上的设备将收获谷粒水分超出20%至25%范围的农作物。或者,框759可以使用优化功能来平衡所行进的距离与预测水分会落在20%至25%范围内的日期。
在框760处,该过程输出经由框758获得的日期范围,其表示针对指定田地和杂交种的建议收获活动日期。在框760中的输出可以包括打印的报告、计算机显示单元中的文本、图形用户界面中针对图1描述的类型的条形图或图、或到农业设备中的驾驶室计算机的输出。
在框762处,在框758或框759之后,该过程可以将指令发射给联合收割机或收割机,使得在指定日期将该设备重新定位到指定田地以便在该日期在该田地中开始收获。在框762中发射的指令可以通过网络链接无线地发生到设备的能够将设备驱动到田地的驾驶室计算机。或者,指令可以引起在由接收移动指令的驾驶室计算机驱动的驾驶室内数字显示单元中显示移动指令。
图8图示了特征在训练图7A的机器学习模型中的相对重要性,这基于在对已指定类型的数千个数据点进行训练之后对实际机器学习模型的研究。
在图8的示例中,条形图802示出了多个特征804,这些特征804使用基尼系数值806被标识在Y轴上(相对于机器学习模型的相对重要性)、X轴上。可以在训练时在来自先前已经指定的任何数据源中的训练数据702中表示图8所示的每个特征。在实施例中,从R6阶段日期到收获日期的杂交种的每田地蒸散值已经被标识为从如图7A所述训练的机器学习模型708产生准确的输出数据集712的主要重要特征。其他重要特征包括从R6到收获的天数;AERM;从R6到收获的降水;均衡水分含量;生长季节期间的降水;收获日期;播种日期;产品相对成熟度;针对杂交种的R6日期;与历史温度记录相比,当前年份是否表示温度异常;与历史降水记录相比,今年是否表示降水异常。前面已经按降序列出了在评估经过训练的机器学习模型中实际遇到的情况。不需要以田地为基础获得异常值,而是可以以气候分区(例如“伊利诺伊州东部”)或县、地区或州为基础获得异常值。
图9图示了可以在实施例中生成的示例预测输出数据的图。图9的数据特定于针对指定种植日期RM值为109的田地、产品或杂交种209-53STXRIB。在图9的示例中,图902包括边界线904、906,该边界线904、906对应于如在轴908上看到的20%至25%的估计水分值。预测水分值被表示为点,每个点对应于沿日期轴910的不同日历日期。目标收获窗912包括围绕所有约20%至约25%的估计水分值的边界框,因此,在该示例中,该窗的横向宽度与大约8月25日至9月8日的目标收获日期相关。基于该数据,计算机接口可以指示指定收获设备移动到指定田地,以在指定日期开始收获操作。
图10图示了可以在诸如图7A的机器学习模型之类的计算机程序实施方式中实现的示例数学模型。如图10所示,机器学习模型708(图7A)可以被编程为线性回归模型、或者基于微分方程的多种不同模型。在一个实施例中,可以使用美国专利公开第20170124463(JR Chen等人)中描述的线性回归方法。美国专利公开第20170124463中的全部内容通过引用并入本文,如同在本文中被充分阐述一样。图10所示的每个方程都可以被编程在形成机器学习模型708的一部分的计算机程序指令中。
3.1示例HOW模型
短期HOW模型
在一个示例中,上述技术被用于生成应季收获优化窗(HOW)模型,该模型试图通过对最佳收获水分窗进行短期预测来优化种植者的收获。应季HOW模型基于最近观察到的在农作物季节进行期间和实际收获之前收集到的数据,生成短期(例如每天)收获时水分窗预测。例如,到应季HOW的输入包括已知的杂交种、已知的相对成熟度(RM)、观测的种植日期、观测的天气数据(一直到预测日)、预测的天气数据(例如,提前2周)和其他农作物和环境特征。
响应于这些输入,应季HOW模型输出运行收获窗预测,即,在设定日期在给定田地中的给定杂交种的谷物水分水平。应季HOW模型可以按照周期性(例如每天)的方式摄取输入并生成预测,直到系统确定种植者操作内的所有田地都已收获。为了确定哪些田地已经收获或尚未收获,系统可以查询例如存储农业操作数据的数据库的收获日期字段。
长期HOW模型
在另一示例中,上述技术被用于生成季前收获优化窗(HOW)模型,该模型试图通过对最佳收获水分窗进行长期预测来优化种植者的收获;也就是说,针对即将到来的生长季节但在生长季节已经开始之前,对给定日期在给定田地中的给定杂交种的谷物水分水平的预测。季前HOW模型基于在先前生长季节中收集的历史数据,产生长阶段(例如,提前8-10个月)的收获水分窗预测。
季前HOW模型的输出可以用作种植优化窗(POW)模型的输入,例如,用作用于预测相对成熟度优化或种植日期优化的一个因素。例如,使用基于历史数据已经预测的主导天气情景以及也从针对特定田地的历史数据已经得出的可能的杂交种RM选项,POW框架的季前RM优化功能可以使用种植者田地的历史数据(例如,先前x年的数据)来标识针对田地的中值种植日期和中值收获日期。
季前HOW模型的输出是以种植者操作中所有杂交种田地组合中的每个田地计针对一系列杂交种的预测收获谷物水分。该输出可以被馈送到杂交种投资组合模型中,该模型可以基于种植者收获能力来优化投资组合中种植者的杂交种RM,以增加产量并优化针对每个田地的收获,使每个杂交种更有可能在最佳收获水分窗中被收获。
在下面的第4部分中将更详细地描述POW模型的示例。
短期和长期HOW模型都使用类似的输入,这些输入可以包括但不限于:
·种植日期
·收获日期
·最高温度
·最低温度
·生长度日
·蒸散
·降水
·风
·太阳辐射
·基于经验的相对成熟度(AERM)
·平均相对湿度
·相对成熟度(RM)
·RM分布
·土壤质地类别
·凋萎点
·田地容量
·沙子百分比
·植物可用水
·距溪流的距离
·溪流角度
·海拔
·干旱风险类别
在针对种植者田地实施之后,可以基于先前的一组预测的结果继续对HOW模型和算法进行微调。
4.数字计划的示例生成
4.1过程概述
图11(a)示出了编程的过程,通过该过程,农业智能计算机系统执行种植计划指令136,以使用一个或多个预测模型来使用由一个或多个数据源提供的田地数据来生成和/或修改数字种植计划。使用所公开的技术生成的数字种植计划包括优化的产品相对成熟度和/或优化的产品种植时间,其中产品成熟度和/或种植时间的配置旨在最大程度地提高产量和/或最小化压力,其中收获水分被用作压力指标。
图11(a)可以用作用于对农业智能计算机系统130的功能要素进行编程以执行现在描述的操作的算法或指令。在一些实施例中,图11(a)的过程的各个方面,诸如数据生成、预处理和模型创建,可以结合上面参考图3描述的一种或多种方法。
在操作1105中,农业智能计算机系统130被配置或编程为使用电子通信从一个或多个数据源(诸如模型和田地数据存储库160)接收或提取田地数据,并根据需要,使用例如上面参照图3描述的一种或多种预处理技术,来预处理田地数据。在操作1105中从一个或多个数据源接收或提取的田地数据包括田地和产品数据1102以及压力风险数据1104。在实施例中,田地和产品数据1102指示将产品分配给历史上在种植者农业操作的最近几年或生长季节中已经操作的田地。在下面的表1中示出了包括田地和产品数据1102的示例数据记录规范。田地ID是种植者农业操作的田地的唯一标识符,而面积、边界和产品相对成熟度则是与所标识的田地相关联的数据。
田地ID | 面积 | 边界 | 产品相对成熟度(RM) |
表1.示例田地和产品数据记录
在操作1105中接收的田地数据还包括压力风险数据1104。在实施例中,压力风险数据1104指示历史上在针对种植者农业操作的特定田地的最近几年或生长季节中发生的某些天气、环境和/或操作条件的测量。在实施例中,压力风险数据1104包括在种植者农业操作的多个不同阶段期间针对特定产品和田地组合收集的数据。
农业操作的阶段包括例如:种植前、种植后、早季、开花、收获前和收获。在实施例中,所公开的技术在生长季节的各个阶段期间生成静态种植计划并动态地更新该静态计划。备选地或附加地,根据计划阶段对压力风险数据1104进行分类,在该计划阶段中,使用特定压力风险数据来影响种植计划,例如:静态的、动态的、静态的或动态的、或者静态的和动态的两种皆有。下面的表2示出了按农业操作和计划阶段分类的压力风险数据的示例。
表2.示例压力风险数据分类
按操作阶段对压力风险数据1104进行分类允许将权重分配给不同的压力风险,并在生长季节对权重进行调整。例如,随着生长阶段进入开花阶段,分配给热应力的权重可以增加,而分配给春季霜冻日期的权重可以减小。
按计划阶段对压力风险数据1104进行分类允许将权重分配给不同的压力风险并基于种植计划生成或修改的阶段对权重进行调整。例如,在静态种植计划的生成期间,可以将为零的权重分配给那些在生长季节期间变化很大或难以预测的压力风险,诸如积水。类似地,在种植计划的动态调整期间,分配给积水的权重可以增加,而为零的权重可以分配给那些静态的或仅在种植前阶段才相关的压力风险。
在下面的表3中示出了包括压力风险数据1104的示例数据记录规范。字段ID是种植者农业操作的田地的唯一标识符,而产品RM、种植日期、土壤温度、热应力和收获水分是与所标识的田地相关联的压力风险数据。
田地ID | 产品RM | 种植日期 | 土壤温度 | 热应力 | 收获水分 |
表3.示例压力风险数据记录
可以从相同数据源或不同数据源接收或提取田地和产品数据1102和压力风险数据1104。操作1105处理接收到的或提取的数据记录,并生成并输出一组田地-产品情景1108。在实施例中,田地-产品情景1108是数据记录,该数据记录指示已经种植了特定产品RM的特定田地的特定生长季节的纵向数据。这样,田地-产品情景1108包括田地和产品数据1102和压力风险数据1104以及收获数据(诸如收获时测得的实际产量和收获时基于经验的产品RM(aeRM))的组合。在下面的表4中示出了针对田地-产品情景1108的示例数据记录规范。田地ID和产品RM的组合唯一地标识了田地-产品情景1108。种植日期、土壤温度、热应力和收获数据(包括收获日期、收获水分、aeRM和产量)是与特定田地ID和产品RM组合相关联的数据。
田地ID | 产品RM | 种植日期 | 土壤温度 | 热应力 | 收获数据 | 收获水分 | aeRM | 产量 |
表4.示例田地-产品情景
在操作1110中,使用(多个)预测阈值1106对由操作1105生成的田地-产品情景1108进行分类。(多个)预测阈值1106指示一个或多个标准,诸如最小和/或最大值或值范围,它们与期望的收获结果相关联。例如,基于经验研究确定(多个)预测阈值1106。在下面的表5中示出了预测阈值和与预测阈值相关联的阶段可变权重的示例。
表5.示例预测阈值
在实施例中,将预测阈值1106合并到基于树的学习过程中以对田地-产品情景1108进行分类。图11(b)中示出了这种基于树的分类过程的示例,并在下面对其进行了更详细地描述。可以被用于实施学习过程的算法的示例包括随机森林和提升算法。
所描述的分类过程的输出被操作1110用来选择(多个)候选田地-产品情景1116以进行进一步的分析和潜在的优化。(多个)候选田地-产品情景1116是田地-产品情景1108的子集,该子集包含作为进一步分析的候选的田地-产品情景。例如,在期望的收获水分下产生期望产量的田地-产品情景1108可能会被从(多个)候选田地-产品情景1116中排除,而导致低于期望产量或收获水分的田地-产品情景1108可能会被包括在(多个)候选田地-产品情景1116中。
预测阈值1106还被风险分数计算操作1120用来生成一个或多个特定于情景的风险分数。在实施例中,操作1120计算多个不同的风险分数,其中每个风险分数对应于特定优化参数。在所公开的实施例中,优化参数包括产量、收获水分和用于种植的田地准备度,其中产量和收获水分是用于静态种植计划的优化参数,而田地准备度是用于动态种植计划的优化参数。
操作1120通过针对特定候选田地-产品情景将产品RM与aeRM进行比较来计算产量风险分数,其中产品RM是例如由产品制造商指定的在种植时的产品相对成熟度。如果aeRM大于产品RM,则可以推断出特定田地环境可以支持更长产品RM。如果在可以支持更长相对成熟度的田地中使用更长产品RM,则会增加更高产量的可能性。因此,操作1120输出产量风险分数,该产量风险分数反映了调整被分配给该田地的产品成熟度以增加产量的机会。
操作1120使用上面在第3部分中描述的基于机器学习的方法来计算针对特定候选田地-产品情景的收获水分风险分数。给定特定候选田地-产品情景1116,操作1120输出的收获水分风险分数指示当其水分在期望水分范围内时将收获被分配给产品-田地情景的产品成熟度的可能性。如果收获水分风险分数指示,当其水分在期望水分范围内时,不会收获具有分配的产品成熟度的产品的可能性很高,则由于收获水分不是最佳而导致产量降低的可能性更高。因此,操作1120输出收获水分风险分数,该收获水分风险分数反映了调整被分配给该田地的产品成熟度以保护产量的机会。田地准备度风险分数是由操作1130(动态适应)计算的,如下所描述的。操作1120输出与对应的候选田地-产品情景1116相关联的(多个)情景-风险分数1122。操作1120与操作1110协作,以迭代地计算各个候选田地-产品情景1116的风险分数。
操作1125接收候选田地-产品情景1116的(多个)情景-风险分数1122,并基于这些(多个)风险分数调整种植计划。如果情景风险分数1122超过特定候选田地-产品情景的风险阈值,则操作1125使用优化算法来调整特定候选田地-产品情景的参数以改进风险分数。在实施例中,如果产量风险分数指示aeRM>产品RM和/或如果收获水分风险分数指示在收获时测量的产品的预测水分很可能在期望范围之外,则操作1125更改被分配给该字段的产品RM。例如,操作1125可迭代地增加产品RM,直到获得aeRM和预测收获水分的最佳组合。在实施例中,使用线性编程优化方法,例如单纯形法,来达到最佳产品RM调整。
通过操作1125进行的产品RM调整可以在宏观水平上进行,例如,可以通过改变被分配给特定产品RM的英亩数或总英亩数的百分比来调整产品RM在种植者操作的所有田地之间的分派。备选地或附加地,调整被分配给特定田地的产品RM。例如,为110的产品RM可以代替针对特定田地的为105的产品RM。
操作1125将(多次)产品RM调整合并到种植计划中并输出数字种植计划1126。数字种植计划1126包括针对种植者农业操作的特定田地或若干田地的产品成熟度分派的一个或多个数字可视化。数字可视化可以包括特定于田地的产品RM分派和/或产品RM跨若干田地中或整个农业生产的分布。通过操作1125来改进种植计划,因为进行了(多次)产品RM调整,这些调整在数学上被确定为可能改进产量和/或收获水分。图12(a)、图12(b)和图13图示了上述改进种植计划的过程,如下所述。
在操作1130中,基于当前天气预报数据1128动态地重新评估数字种植计划1126。在实施例中,在静态种植计划被创建之后并且在安排的种植日期之前,更新指示田地准备度(诸如田地可工作性数据)的压力风险数据。例如,操作1130可以基于接下来的两周、10天或24小时的天气预报的变化,每天或随着种植日期临近根据需要来重新评估田地准备度。
为了确定田地可工作性而测量和追踪的天气数据包括实际降水、土壤水、土壤温度和积水。通过与针对田地的历史天气数据相比观察这些因素的每天变化或周期性变化,操作1130计算田地准备度风险分数。在实施例中,田地准备度风险分数是二进制值,其中0指示田地不可工作或没准备好进行种植,而1则指示田地是可工作的。
当操作1130得出田地不可工作的结论时,操作1130使用历史和当前天气数据将安排的种植日期移动到预测田地将准备好进行种植的日期。当接收到新天气预报数据1128时,操作1130可以重复该过程以重新评估田地准备度并调整种植日期。图14(b)至图14(e)图示了基于田地准备度动态地适应种植计划的上述过程,如下所述。
4.2分类模型概述
图11(b)图示了可以被用于生成压力风险预测的示例模型1140。图11(b)的模型使用基于树的图结构,在该结构中,节点指示数据集,而边指示针对不同压力风险的不同预测阈值。该图结构被分为多个子树,其中每个子树对应于生长季节的阶段(阶段1、阶段2、阶段3)。被分配给阶段的边的预测阈值对应于与该特定阶段相关联的压力风险。
节点1142表示数据集,例如一组田地-产品情景。阶段1对应于种植阶段,在该阶段中,相关的压力风险为土壤温度。因此,阶段1的边表示针对土壤温度的预测阈值。因此,数据集1144表示数据集1142的子集,在该子集中,田地-产品情景与8-12摄氏度范围内的土壤温度的预测阈值匹配。类似地,数据集1146表示数据集1142的子集,在该子集中,田地-产品情景与小于8摄氏度或大于12摄氏度的土壤温度的预测阈值匹配。选择预测阈值,使得可以将数据集1142划分为子集而不会丢失数据。也就是说,数据集1142中的所有田地-产品情景的土壤温度都在8-12摄氏度范围内或在该范围之外。
类似地,阶段2对应于开花阶段,在该阶段中,相关的压力风险是热应力。根据针对特定田地-产品情景记录的热应力是低还是高,数据集1144、1146被分为子集1148、1150、1152、1154。因此,每个数据集1148、1150、1152、1154包含数据集1142的子集,该子集满足针对土壤温度和热应力的预测阈值的特定组合。
阶段3对应于收获阶段,在该阶段中,相关的压力风险是收获水分。根据针对特定田地-产品情景记录的收获水分是否处于或是否低于期望水分范围,数据集1148、1150、1152、1154还被分为子集1156、1158、1160、1162、1164、1166、1168、1170。因此,每个数据集1156、1158、1160、1162、1164、1166、1168、1170包含数据集1142的子集,该子集满足针对土壤温度和热应力以及收获水分的预测阈值的特定组合。
列1172和1174表示针对预测阈值的各种组合中的每一个组合针对两个不同数据集1142计算的风险分数。列1176指示被分配给数据集中各种田地-产品情景的田地面积的数目和百分比。以这种方式对数据集1142进行建模使得能够标识出作为改进产量的候选的田地-产品情景,并且还标识出与最佳和次佳产量结果相关联的预测阈值的组合。因此,模型1140可以被用于从更大的一组田地-产品情景1108中标识出候选田地-产品情景1116。
4.3使用案例-数字计划的创建和调整
图12(a)、图12(b)、图13、图14示出了用于创建或修改数字种植计划的上述技术的示例实施方式。
图12(a)、图12(b)描绘了在应用本文描述的技术之前的示例数字种植计划的两个视图。在图12(a)中,示例图示出了在种植时产品RM针对田地面积的初始分布。图12(b)是示例图,示出了在收获时针对图12(a)的产品RM测量的水分水平。从图12(b)可以看出,针对根据图12(a)的种植计划种植的大部分田地,收获时的水分低于期望水分范围。
图13(a)、图13(b)、图13(c)描绘了另一示例数字种植计划的若干视图。图13(a)是示例图,示出了针对根据图12(a)的产品RM分布种植的田地在收获时的基于经验的相对成熟度,按占总面积的百分比计算。图13(a)表明根据图12(a)的RM分布种植的田地实际上可以支持不同的RM分布,更长的产品RM被用于更大百分比的田地。
图13(b)是示例图,示出了如果要以根据图13(a)的RM分布而不是使用图12(a)的RM分布来种植田地时的预测收获水分。图13(c)图示了图13(a)的图覆盖在与图13(b)的分布相似但使用与图13(a)相同的y轴比例的aeRM分布的图上。这两个分布的中值之间的距离表示优化机会。如图13(c)所示,预测将RM分布朝aeRM分布进行调整可能会改进能收获到处于期望水分范围内的产品的田地数目。
图14(a)示出了跨种植者整个农业操作的RM分布的示例图,使得饼状图的每个部分表示该操作中要种植特定产品RM的田地总数的百分比。图14(a)的饼状图是可以由图11(a)的操作1125产生的一种类型的输出。在实施例中,诸如图14(a)之类的图被发送给种植者的计算设备,并且种植者使用该图在生长季节开始之前做出产品购买决定。
图14(b)示出了示例田地地图,该田地地图包括覆盖在将要种植RM的对应田地的数字图像上的图14(a)的RM分布。在实施例中,RM分布覆盖是使用增强现实技术生成的。诸如图14(b)之类的田地地图是可以由图11(a)的操作1125产生的另一种类型的输出。在实施例中,诸如图14(B)之类的地图可以被发送给田地管理者的移动设备,并且田地管理者使用该地图来确定例如将哪些产品RM加载到种植机中。
在图14(b)中,根据由图11(a)的操作1130动态确定的田地准备度,对增强现实覆盖进行颜色编码。标为绿色的田地已准备好种植而标为红色的田地尚未准备好种植,并且标为黄色的田地可能要谨慎种植。图14(b)中所示的颜色编码在动态适应操作1130接收到新天气预报数据1128时被动态更新。在实施例中,图14(b)之类的经过颜色编码的地图被发送给田地管理者的移动设备,并且田地管理者使用该地图来确定例如特定田地被种植的顺序。
图14(c)、图14(d)和图14(e)示出了可以由种植计划优化操作1125与图11(a)的动态调整操作1130协作生成的附加输出。图14(c)示出了田地准备度指示符的示例图,该指示符与跨种植者整个种植操作的对应地理位置对齐。田地准备度指示符被编码,例如被颜色编码,并且使用例如增强现实技术被覆盖在生长区域的地理地图上。
图14(d)示出了与动态调整操作1130协作生成的种植计划优化操作1125的电子表格或表格输出的示例,其包括关于针对若干不同压力风险的计算得到的风险分数的详细信息。例如通过在用户界面显示器上单击或点击来选择图14(d)的第五列中的图标会引起图14(e)所示的详细田地准备度风险预测的显示,这些详细田地准备度风险预测由动态适应操作1130计算。在所图示的实施例中,田地准备度风险分数被计算为上面讨论的早季、开花和收获压力风险的组合。更低的风险分数指示针对种植更高的田地准备度程度。图14(e)示出了基于日历的可视化的示例,在该示例中,田地准备度的变化被映射到生长季节中已经接收到当前天气预报数据的几天。
4.4示例POW模型
种植优化窗(POW)模型使用上述技术以试图通过两种机制来优化收获:相对成熟度(RM)和种植时间。
RM优化
RM优化模型试图优化种植者投资组合中所有杂交种的相对成熟度(RM)散布。RM优化模型使用长期数据;即历史数据,并在生长季节开始之前(例如提前8-10个月)生成预测。RM优化模型生成的预测被用于针对即将到来的生长季节选择杂交种,并将杂交种分配给生长操作的田地。
种植时间优化
种植时间优化模型试图在跨种植者操作的所有田地针对使用RM优化选择的所有杂交种优化种植时间。种植时间优化包括静态模型(输出长期的种植前建议或“静态种植计划”)和动态模型(输出基于观测和预报的天气的短期/近期调整)。
对RM和种植时间POW模型的输入包括预测的天气情景以及其他农作物、环境和管理因素,包括种植者的历史种植和收获操作数据。
静态种植计划
POW模型输出的静态种植计划包括针对各种田地产品-RM组合的建议种植日期。POW模型可以基于HOW模型产生的收获水分窗预测来生成种植日期建议。由POW模型产生的建议的示例是种植者在特定时间在特定田地种植特定杂交种RM,该特定时间是被预测为使该杂交种RM能够在最佳谷物水分窗内但在该田地出现秋季霜冻风险之前收获。针对静态POW模型的关键输入可以包括但不一定限于:
·针对某个地区的估计保险截止日期
·杂交种RM-AERM匹配
·预测晚春霜冻日期
·开花期间的预测热应力
·开花期间的预测干旱压力
·开花期间的预测病/虫害风险
·预测第一秋季霜冻日期
·针对杂交种-田地组合的预测收获谷物水分
动态种植计划
动态POW模型产生种植计划,该种植计划包括针对田地-杂交种RM组合的种植准备度的应季近期(例如,实时或每天)预测。该模型的目标是帮助种植者,针对他们如静态POW模型所产生的操作,保持在最佳静态种植计划范围内。由于天气是种植时间期间最大的变量,因此动态POW模型将短期(例如每天)观测天气数据和短期预报天气数据作为输入。动态POW模型的输出包括对田地准备度情况的预测。动态POW模型的输出可以被用于例如移动或路由诸如种植机之类的农业机械,或者被用于,如果预测田地准备度超出指示田地准备度被延迟一定量的阈值,则对杂交种-田地分配进行调整。来自动态POW模型的输出可以被馈送到决策支持工具中,以优化种植操作。针对动态POW模型的输入可以包括但不一定限于:
·田地准备度指数
·种植前积水风险
·种植后积水风险
·露头不均匀风险
在针对种植者田地实施之后,可以基于先前的一组预测的结果继续对POW模型和算法进行微调。
5.附加示例
下面提供本文公开的技术的说明性示例。技术的实施例可以包括以下描述的任何示例或组合。
在示例1中,一种用于生成改进数字计划计算机实现的方法,该改进数字计划与生长季节期间的种植者操作相关联的农业田地,该方法包括:通过预测模型,接收与数字计划有关的一组数字输入;其中该组数字输入包括:针对要在农业田地中种植的产品的压力风险数据以及以下的至少一项:产品成熟度数据、田地位置数据、种植日期数据、收获日期数据;其中预测模型已被训练为将多组数字输入与同压力风险数据相关联的预测阈值数据进行数学相关;使用预测模型,针对一组产品成熟度和田地位置组合生成压力风险预测数据,作为响应于该组数字输入的数字输出;其中压力风险预测数据指示在生长季节期间的特定日期实际收获数据与期望收获数据匹配的数学可能性;其中实际收获数据包括根据数字计划种植产品而在收获时测得的产品水分;其中期望收获数据指示与期望产品产量相关联的水分;通过基于压力风险预测数据调整产品成熟度数据或种植日期数据或收获日期数据或田地位置数据来创建并数字化存储改进数字计划;将改进数字计划发射给与种植者操作相关联的田地管理器计算设备,并引起改进数字计划在田地管理器计算设备的显示器上的显示,或响应于改进数字计划而引起农业装置的移动。
示例2包括示例1的主题,其中压力风险预测数据指示对产量、收获水分、针对种植的田地准备度中的任何一种或多种的预测。示例3包括示例1或示例2的主题,其中数字计划标识跨农业田地的产品成熟度分布,并且通过基于压力风险预测数据改变农业田地上的产品成熟度分布,该改进数字计划被创建。示例4包括示例1至3中任一示例的主题,其中数字计划指示到农业田地的产品成熟度的分配,并且通过基于压力风险预测数据改变到农业田地的产品成熟度的分配,该改进数字计划被创建。示例5包括示例1至4中任一示例的主题,其中数字计划指示对农业田地的种植日期或收获日期的分配,并且通过基于压力风险预测数据改变对农业田地的种植日期或收获日期的分配,该改进数字计划被创建。示例6包括示例1至5中任一示例的主题,还包括:使用预测模型,其中压力风险数据与针对特定农业田地的种植者操作的至少两个不同阶段相关联。示例7包括示例1至6中任一示例的主题,还包括:响应于在数字计划已经被创建之后获得的天气预报数据的变化,来调整改进数字计划。示例8包括示例1至7中任一示例的主题,其中组数字输入中的至少一些数字输入使用与农业装置的电子通信而被接收。示例9包括示例1至8中任一示例的主题,其中改进数字计划包括对农业田地的产品成熟度指派的数字可视化。示例10包括示例1至9中任一示例的主题,其中预测模型使用包括随机森林算法或梯度提升算法的计算机实现的监督机器学习算法来训练。示例11包括一种或多种非暂时性存储介质,存储指令,该指令在由一个或多个计算设备执行时引起示例1至10中任一示例所述的操作的执行。示例12包括一种计算机系统,被配置为引起示例1至10中任一示例所述的操作的执行。
在示例13中,一种用于生成改进数字计划的计算机实现的方法,该改进数字计划用于与生长季节期间的种植者操作相关联的农业田地和在农业田地中种植的产品,该方法包括:通过预测模型,接收与数字计划和在生长季节期间在产品已经被种植在农业田地之后的预测日期有关的一组数字输入;其中该组数字输入包括:针对农业田地,在生长季节期间一直到预测日期收集的观测天气数据和针对在生长季节期间在述预测日期之后的未来日期范围计算的预测天气数据;以及针对在农业田地中种植的产品的种植日期数据和产品成熟度数据;其中预测模型已被训练为将多组数字输入与同收获水分相关联的阈值数据进行数学相关;使用预测模型,针对农业田地中种植的产品、针对未来日期范围生成收获水分预测数据,作为响应于该组数字输入的数字输出;其中收获水分预测数据指示在未来日期范围期间实际收获水分数据与期望收获水分数据匹配的数学可能性;其中实际收获数据包括根据数字计划种植产品而在收获时测得的产品水分;其中期望收获水分数据指示与期望产品产量相关联的水分;创建并数字化存储改进数字种植计划,改进数字种植计划包括基于收获水分预测数据建议的收获日期;将改进数字计划发射给与种植者操作相关联的田地管理器计算设备,并引起改进数字计划在田地管理器计算设备的显示器上的显示,或响应于改进数字计划而引起农业装置的移动。
示例14包括示例13的主题,并且还包括:响应于在预测日期之后的新预测日期,通过预测模型接收与数字计划和新预测日期有关的一组新数字输入;使用预测模型,针对农业田地中种植的产品、针对新未来日期范围生成新收获水分预测数据,作为响应于该组新数字输入的数字输出;通过基于新收获水分预测数据调整收获日期,来创建并数字化存储新改进数字计划;将新改进数字计划发射给与种植者操作相关联的田地管理器计算设备,并引起新改进数字计划在田地管理器计算设备的显示器上的显示。示例15包括示例14的主题,还包括:定期或每天重复该接收、生成、创建和发射。
示例16包括示例13至15中任一示例的主题,还包括:将收获水分预测数据输入到第二预测模型中;使用第二预测模型,针对产品和农业田地组合,生成建议数据,该建议数据包括相对成熟度建议、种植日期建议和收获日期建议中的至少一种;将建议数据发射给与种植者操作相关联的计算设备,并且引起建议数据在计算设备的显示器上的显示,或响应于建议数据引起农业装置的移动。示例17包括一种或多种非暂时性存储介质,存储指令,该指令在由一个或多个计算设备执行时引起示例13至16中任一示例所述的操作的执行。示例18包括一种计算机系统,被配置为引起示例13至16中任一示例所述的操作的执行。
在示例19中,一种用于生成的改进数字计划的计算机实现的方法,该改进数字计划用于与生长季节期间的种植者操作相关联的农业田地和要在农业田地中种植的产品,该方法包括:通过预测模型,接收与数字计划和在生长季节期间并且在产品被种植之前的预测日期有关的一组数字输入;其中该组数字输入包括:针对农业田地,在生长季节期间一直到预测日期为止收集的观测天气数据和针对在生长季节期间在述预测日期之后的未来日期范围计算的预测天气数据;以及,针对要在农业田地中种植的产品,产品成熟度数据;其中预测模型已被训练为将多组数字输入与同田地准备度相关联的阈值数据进行数学相关;使用预测模型,针对要在农业田地中种植的产品、针对未来日期范围生成田地准备度预测数据,作为响应于该组数字输入的数字输出;其中田地准备度预测数据指示实际田地准备度数据与期望田地准备度数据匹配的数学可能性;通过基于田地准备度预测数据调整种植日期来创建并数字化存储改进数字计划;将改进数字计划发射给与种植者操作相关联的田地管理器计算设备,并引起改进数字计划在田地管理器计算设备的显示器上的显示,或响应于改进数字计划而引起农业装置的移动。
示例20包括示例19的主题,还包括:定期或每天重复该接收、生成、创建和发射。示例21包括一种或多种非暂时性存储介质,存储指令,该指令在由一个或多个计算设备执行时引起示例19至20中任一示例所述的操作的执行。示例22包括一种计算机系统,被配置为引起示例19至20中任一示例所述的操作的执行。
在示例23中,计算机实现的方法包括示例1-22中任一示例的一个或多个方面,并且包括从种植者田地和/或研究和开发田地接收训练数据,包括与获得水分含量值的日期值相关联地数字存储的谷粒水分含量值、以及从中获得水分含量值的田地的田地地理位置值;接收特定于种植者的输入数据,包括天气、基因和田地操作值;可选地,以编程方式调用肥力模型过程,以基于天气值和田地操作值,来获得基因值所表示的农作物将达到R6生长阶段的预测日期;基于特定于种植者的输入数据来评估经过训练的机器学习模型,以输出在R6日期处的预测谷粒水分值;在预测的R6日期之前和之后的多个其他日期重复该评估,直到输出的预测水分值在特定范围之外,结果是创建并存储谷粒水分预测落在该特定范围内的日期范围;可选地,通过平衡收获日期和行进距离来为一组农业设备计算在不同建议收获活动日期穿过一组田地的最佳路径或最短路径;输出该日期范围,这些日期表示针对指定田地和杂交种的建议收获活动日期;可选地,将指令发射给联合收割机或收割机,使得在指定日期将该设备重新定位到指定田地以便在该日期在该田地中开始收获。
6.益处、扩展和备选
本公开的技术提供了许多实际的益处和改进。例如,由实施例生成的预测可以被用于改进在种植时间和/或收获时间的农业机械的定位。还可以基于由实施例生成的预测来改进田地数据(诸如可以在驾驶室计算机上显示的田地地图)的图形显示。按照这种方式,本公开将所描述的过程集成到实际应用中,包括但不限于改进与农业种植和收获相关联的机器操作。此外,本公开提供了对农业、农业科学、农作物管理和田地管理技术以及图形用户界面和图形信息显示的明显改进。
本文所公开的所有过程旨在使用编程的计算机来实现,以经由所公开的特定过程来实现上述益处和改进。本公开针对这些过程,但不针对概念。本公开中的任何内容都不旨在或不应解释为公开或主张抽象的思想、自然产物、自然规律或自然现象。本公开中的任何内容都不旨在或不应被解释为公开或主张仅数学概念、组织人类活动或精神过程的某些方法,并且,鉴于本公开和本段落,对权利要求的任何解释以覆盖前述任何内容均不合理。
在前述说明书中,已经参考可能根据实现方式而发生变化的许多具体细节对本发明的实施例进行了描述。因而,说明书和附图要被认为是说明性的而非限制性的。本发明的范围以及申请人意图作为本发明保护范围的唯一且排他性的指示是本申请发出的权利要求书的字面和等同范围,其具有这些权利要求的具体形式,包括任何后续补正在内。
Claims (22)
1.一种用于生成改进数字计划的计算机实现的方法,所述改进数字计划用于与生长季节期间的种植者操作相关联的农业田地,所述方法包括:
通过预测模型,接收与数字计划有关的一组数字输入;
其中所述组数字输入包括:针对要在所述农业田地中种植的产品的压力风险数据以及以下至少一项:产品成熟度数据、田地位置数据、种植日期数据、收获日期数据;
其中所述预测模型已被训练为将多组数字输入与同所述压力风险数据相关联的预测阈值数据进行数学相关;
使用所述预测模型,针对一组产品成熟度和田地位置组合生成压力风险预测数据,作为响应于所述组数字输入的数字输出;
其中所述压力风险预测数据指示在所述生长季节期间的特定日期实际收获数据与期望收获数据匹配的数学可能性;
其中所述实际收获数据包括根据所述数字计划种植产品而在收获时测得的产品水分;
其中所述期望收获数据指示与期望产品产量相关联的水分;
通过基于所述压力风险预测数据调整所述产品成熟度数据或所述种植日期数据或所述收获日期数据或所述田地位置数据,来创建并数字化存储改进数字计划;
将所述改进数字计划发射给与所述种植者操作相关联的田地管理器计算设备,并引起所述改进数字计划在所述田地管理器计算设备的显示器上的显示,或响应于所述改进数字计划而引起农业装置的移动。
2.根据权利要求1所述的方法,其中所述压力风险预测数据指示对产量、收获水分、针对种植的田地准备度中的任何一种或多种的预测。
3.根据权利要求1所述的方法,其中所述数字计划标识跨所述农业田地的产品成熟度分布,并且通过基于所述压力风险预测数据改变跨所述农业田地的所述产品成熟度分布,所述改进数字计划被创建。
4.根据权利要求1所述的方法,其中所述数字计划指示对农业田地的产品成熟度的分配,并且通过基于所述压力风险预测数据改变到所述农业田地的所述产品成熟度的所述分配,所述改进数字计划被创建。
5.根据权利要求1所述的方法,其中所述数字计划指示对农业田地的种植日期或收获日期的分配,并且通过基于所述压力风险预测数据改变到所述农业田地的所述种植日期或所述收获日期的所述分配,所述改进数字计划被创建。
6.根据权利要求1所述的方法,还包括:使用所述预测模型,其中所述压力风险数据与针对特定农业田地的种植者操作的至少两个不同阶段相关联。
7.根据权利要求1所述的方法,还包括:响应于在所述数字计划已经被创建之后获得的天气预报数据的变化,来调整所述改进数字计划。
8.根据权利要求1所述的方法,其中使用与农业装置的电子通信接收所述组数字输入中的至少一些数字输入。
9.根据权利要求1所述的方法,其中所述改进数字计划包括对农业田地的产品成熟度指派的数字可视化。
10.根据权利要求1所述的方法,其中所述预测模型使用包括随机森林算法或梯度提升算法的计算机实现的监督机器学习算法来训练。
11.一种或多种非暂时性存储介质,存储有指令,所述指令在由一个或多个计算设备执行时引起权利要求1所述的操作的执行。
12.一种计算机系统,被配置为引起权利要求1所述的操作的执行。
13.一种用于生成改进数字计划的计算机实现的方法,所述改进数字计划用于与生长季节期间的种植者操作相关联的农业田地和在所述农业田地中种植的产品,所述方法包括:
通过预测模型,接收与数字计划和在所述生长季节期间在所述产品已经被种植在所述农业田地之后的预测日期有关的一组数字输入;
其中所述组数字输入包括:针对所述农业田地,在所述生长季节期间一直到所述预测日期收集的观测天气数据和针对在所述生长季节期间在所述预测日期之后的未来日期范围计算的预测天气数据;以及针对在所述农业田地中种植的所述产品的种植日期数据和产品成熟度数据;
其中所述预测模型已被训练为将多组数字输入与同收获水分相关联的阈值数据进行数学相关;
使用所述预测模型,针对所述农业田地中种植的所述产品、针对所述未来日期范围生成收获水分预测数据,作为响应于所述组数字输入的数字输出;
其中所述收获水分预测数据指示在所述未来日期范围期间实际收获水分数据与期望收获水分数据匹配的数学可能性;
其中所述实际收获数据包括根据所述数字计划种植产品而在收获时测得的产品水分;
其中所述期望收获水分数据指示与期望产品产量相关联的水分;
创建并数字化存储改进数字种植计划,所述改进数字种植计划包括基于所述收获水分预测数据建议的收获日期;
将所述改进数字计划发射给与所述种植者操作相关联的田地管理器计算设备,并引起所述改进数字计划在所述田地管理器计算设备的显示器上的显示,或响应于所述改进数字计划而引起农业装置的移动。
14.根据权利要求13所述的计算机实现的方法,还包括:
响应于在所述预测日期之后的新预测日期,通过预测模型接收与所述数字计划和所述新预测日期有关的一组新数字输入;
使用所述预测模型,针对所述农业田地中种植的所述产品、针对新未来日期范围生成新收获水分预测数据,作为响应于所述组新数字输入的数字输出;
通过基于所述新收获水分预测数据调整所述收获日期,来创建并数字化存储新改进数字计划;
将所述新改进数字计划发射给与所述种植者操作相关联的田地管理器计算设备,并引起所述新改进数字计划在所述田地管理器计算设备的显示器上的显示。
15.根据权利要求14所述的计算机实现的方法,还包括:定期或每天重复所述接收、生成、创建和发射。
16.根据权利要求13所述的计算机实现的方法,还包括:
将所述收获水分预测数据输入到第二预测模型中;
使用所述第二预测模型,针对产品和农业田地组合,生成建议数据,所述建议数据包括相对成熟度建议、种植日期建议和收获日期建议中的至少一种;
将所述建议数据发射给与所述种植者操作相关联的计算设备,并且引起所述建议数据在所述计算设备的显示器上的显示,或响应于所述建议数据引起农业装置的移动。
17.一种或多种非暂时性存储介质,存储有指令,所述指令在由一个或多个计算设备执行时引起权利要求13所述的操作的执行。
18.一种计算机系统,被配置为引起权利要求13所述的操作的执行。
19.一种用于生成改进数字计划的计算机实现的方法,所述改进数字计划用于与生长季节期间的种植者操作相关联的农业田地和要在所述农业田地中种植的产品,所述方法包括:
通过预测模型,接收与数字计划和在所述生长季节期间并且在所述产品被种植之前的预测日期有关的一组数字输入;
其中所述组数字输入包括:针对所述农业田地,在所述生长季节期间一直到所述预测日期收集的观测天气数据和针对在所述生长季节期间在所述预测日期之后的未来日期范围计算的预测天气数据;以及针对要在所述农业田地中种植的所述产品的产品成熟度数据;
其中所述预测模型已被训练为将多组数字输入与同田地准备度相关联的阈值数据进行数学相关;
使用所述预测模型,针对要在所述农业田地中种植的所述产品、针对所述未来日期范围生成田地准备度预测数据,作为响应于所述组数字输入的数字输出;
其中所述田地准备度预测数据指示实际田地准备度数据与期望田地准备度数据匹配的数学可能性;
通过基于所述田地准备度预测数据调整种植日期,来创建并数字化存储改进数字计划;
将所述改进数字计划发射给与所述种植者操作相关联的田地管理器计算设备,并引起所述改进数字计划在所述田地管理器计算设备的显示器上的显示,或响应于所述改进数字计划而引起农业装置的移动。
20.根据权利要求19所述的计算机实现的方法,还包括:定期或每天重复所述接收、生成、创建和发射。
21.一种或多种非暂时性存储介质,存储有指令,所述指令在由一个或多个计算设备执行时引起权利要求19所述的操作的执行。
22.一种计算机系统,被配置为引起权利要求19所述的操作的执行。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862749882P | 2018-10-24 | 2018-10-24 | |
US201862749863P | 2018-10-24 | 2018-10-24 | |
US62/749,863 | 2018-10-24 | ||
US62/749,882 | 2018-10-24 | ||
PCT/US2019/057712 WO2020086750A1 (en) | 2018-10-24 | 2019-10-23 | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112955000A CN112955000A (zh) | 2021-06-11 |
CN112955000B true CN112955000B (zh) | 2022-07-19 |
Family
ID=70325310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980070343.6A Active CN112955000B (zh) | 2018-10-24 | 2019-10-23 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
Country Status (8)
Country | Link |
---|---|
US (2) | US11017306B2 (zh) |
EP (1) | EP3869934A4 (zh) |
CN (1) | CN112955000B (zh) |
AU (1) | AU2019365214B2 (zh) |
BR (1) | BR112021007121A2 (zh) |
CA (1) | CA3117211A1 (zh) |
MX (1) | MX2021004569A (zh) |
WO (1) | WO2020086750A1 (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112021007121A2 (pt) * | 2018-10-24 | 2021-07-20 | The Climate Corporation | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador |
US11593674B2 (en) * | 2018-10-24 | 2023-02-28 | Climate Llc | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field |
US20220067614A1 (en) * | 2018-12-19 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
US11120552B2 (en) * | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
US11620477B2 (en) | 2019-06-03 | 2023-04-04 | Cerebri AI Inc. | Decoupled scalable data engineering architecture |
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 |
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 |
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 |
US11720724B2 (en) * | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation tailored for use |
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 |
EP4125315A1 (en) * | 2020-05-01 | 2023-02-08 | Kinze Manufacturing, Inc. | Gps location augmentation and outage playthrough |
US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
US11295331B2 (en) * | 2020-07-01 | 2022-04-05 | X Development Llc | Analyzing crop fields based on agricultural management practices |
WO2022097053A1 (en) * | 2020-11-04 | 2022-05-12 | Reid And Verwey Cc | Methods and systems for agricultural substance application |
CA3213328A1 (en) * | 2021-03-26 | 2022-09-29 | Zhisheng QIN | Method and system for generating a crop agronomy prediction |
US20220350307A1 (en) * | 2021-04-30 | 2022-11-03 | Farmers Edge Inc. | Method and System for Validating Execution of a Planned Agricultural Operation |
CN113469831A (zh) * | 2021-07-01 | 2021-10-01 | 浙江数秦科技有限公司 | 基于区块链技术的农时导航系统 |
WO2023288068A1 (en) * | 2021-07-16 | 2023-01-19 | Climate Llc | Systems and methods for use in application of treatments to crops in fields |
CA3231095A1 (en) * | 2021-09-07 | 2023-03-16 | Mike QUASHIE | Systems and methods for load forecasting for improved forecast results based on tuned weather data |
WO2024017728A1 (en) * | 2022-07-22 | 2024-01-25 | Basf Agro Trademarks Gmbh | Variable pesticide application data |
WO2024025905A1 (en) * | 2022-07-29 | 2024-02-01 | Climate Llc | Methods and systems for use in mapping tillage based on remote data |
WO2024030401A1 (en) * | 2022-08-01 | 2024-02-08 | Indigo Ag, Inc. | Field-scale harvest date estimation based on satellite imagery |
CN115561415B (zh) * | 2022-09-15 | 2023-12-22 | 西安御风云想网络科技有限公司 | 一种基于大数据的水环境污染监控分析系统及方法 |
CN117054354B (zh) * | 2023-10-12 | 2024-03-05 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6141614A (en) * | 1998-07-16 | 2000-10-31 | Caterpillar Inc. | Computer-aided farming system and method |
CN101522023A (zh) * | 2006-10-16 | 2009-09-02 | 孟山都技术公司 | 改善植物健康的方法和组合物 |
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 |
CN108140214A (zh) * | 2015-10-23 | 2018-06-08 | 日本电气株式会社 | 信息处理系统、耕种支持方法、信息处理设备、其控制方法和记录介质 |
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6236907B1 (en) * | 1995-05-30 | 2001-05-22 | Ag-Chem Equipment Co., Inc. | System and method for creating agricultural decision and application maps for automated agricultural machines |
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 |
US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
US20160232621A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
BR112021007121A2 (pt) * | 2018-10-24 | 2021-07-20 | The Climate Corporation | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador |
-
2019
- 2019-10-23 BR BR112021007121-0A patent/BR112021007121A2/pt unknown
- 2019-10-23 WO PCT/US2019/057712 patent/WO2020086750A1/en unknown
- 2019-10-23 MX MX2021004569A patent/MX2021004569A/es unknown
- 2019-10-23 CN CN201980070343.6A patent/CN112955000B/zh active Active
- 2019-10-23 AU AU2019365214A patent/AU2019365214B2/en active Active
- 2019-10-23 EP EP19874865.9A patent/EP3869934A4/en not_active Withdrawn
- 2019-10-23 US US16/661,860 patent/US11017306B2/en active Active
- 2019-10-23 CA CA3117211A patent/CA3117211A1/en active Pending
-
2021
- 2021-05-06 US US17/313,504 patent/US20210342719A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6141614A (en) * | 1998-07-16 | 2000-10-31 | Caterpillar Inc. | Computer-aided farming system and method |
CN101522023A (zh) * | 2006-10-16 | 2009-09-02 | 孟山都技术公司 | 改善植物健康的方法和组合物 |
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 |
CN108140214A (zh) * | 2015-10-23 | 2018-06-08 | 日本电气株式会社 | 信息处理系统、耕种支持方法、信息处理设备、其控制方法和记录介质 |
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200134485A1 (en) | 2020-04-30 |
CA3117211A1 (en) | 2020-04-30 |
US11017306B2 (en) | 2021-05-25 |
CN112955000A (zh) | 2021-06-11 |
EP3869934A4 (en) | 2022-09-14 |
BR112021007121A2 (pt) | 2021-07-20 |
WO2020086750A1 (en) | 2020-04-30 |
MX2021004569A (es) | 2022-11-30 |
EP3869934A1 (en) | 2021-09-01 |
US20210342719A1 (en) | 2021-11-04 |
AU2019365214A1 (en) | 2021-05-27 |
AU2019365214B2 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112955000B (zh) | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 | |
US11769232B2 (en) | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery | |
CA3081024C (en) | Hybrid seed selection and seed portfolio optimization by field | |
CN112740258B (zh) | 通过田地健康影像生成农艺产量地图 | |
JP7357675B2 (ja) | マルチステージでマルチスケールの深層学習による植物病害の検出 | |
AU2017316292B2 (en) | Optimizing split fertilizer application | |
CA3081022C (en) | Hybrid seed selection and seed portfolio optimization by field | |
CN113168598B (zh) | 由田间的风险调整的杂交种子选择和作物产量优化 | |
CN111373425A (zh) | 对农艺田地上作物上的病害的数字建模 | |
US20200042890A1 (en) | Automatic prediction of yields and recommendation of seeding rates based on weather data | |
CN111372446A (zh) | 根据针对农艺田地上的作物的作物损害因子计算风险 | |
US20220301080A1 (en) | Determining uncertainty of agronomic predictions |
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 |