CN113196287A - 应季田地级产量预报 - Google Patents
应季田地级产量预报 Download PDFInfo
- Publication number
- CN113196287A CN113196287A CN201980084807.9A CN201980084807A CN113196287A CN 113196287 A CN113196287 A CN 113196287A CN 201980084807 A CN201980084807 A CN 201980084807A CN 113196287 A CN113196287 A CN 113196287A
- Authority
- CN
- China
- Prior art keywords
- field
- data
- spectral band
- values
- instructions
- 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
- 230000003595 spectral effect Effects 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000005670 electromagnetic radiation Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000012935 Averaging Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012905 input function Methods 0.000 claims 2
- 238000002372 labelling Methods 0.000 claims 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 104
- 229910052757 nitrogen Inorganic materials 0.000 description 52
- 230000009418 agronomic effect Effects 0.000 description 35
- 239000002689 soil Substances 0.000 description 30
- 238000003860 storage Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 24
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000013515 script Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000009313 farming Methods 0.000 description 11
- 239000003337 fertilizer Substances 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 238000013479 data entry Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000006735 deficit Effects 0.000 description 8
- 238000003306 harvesting Methods 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 239000000575 pesticide Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000037406 food intake Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000003826 tablet Substances 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000000855 fungicidal effect Effects 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
在实施例中,农田的数字图像是在农业智能处理系统处接收的。每个数字图像包括具有像素值的像素集合,并且像素的每个像素值包括多个频谱带强度值。每个频谱带强度值描述了多个电磁辐射带中的一个频带的频谱带强度。针对农田中的每个农田,每个频带的频谱带强度值是使用该农田的数字图像以田地级别预处理的,导致预处理的强度值。预处理的强度值被提供为机器学习模型的输入。该模型针对每个田地生成预测产量值。该预测产量值被用于更新农田的田地产量图以进行预报,并且可以经由客户端计算设备的图形用户界面(GUI)来显示。
Description
相关申请的交叉引用、权益请求
本申请根据35U.S.C.§119(e)要求于2018年12月21日提交的临时申请号62/784,252的权益,根据35U.S.C.§119(e),其全部内容通过引用并入本文,就像本文充分陈述的一样。
版权声明
该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按照如专利商标局专利文件或记录中的那样对专利文档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公司。
技术领域
本公开涉及计算机系统和计算机实现的过程,其被配置为接收农田的航空图像数据(例如星载数字图像),将图像数据变换为适当的分辨率(例如空间和/或时间分辨率),并且使用变换后的图像数据以及(多个)其他特征(例如农作物产量数据)来解决以田地级别准确预报或建模农业农作物产量预测的挑战。
背景技术
本部分中所描述的方法是可能追求的方法,但并不一定是先前已经设想或追求的方法。因此,除非另有指示,否则不应假设本部分中所描述的任何方法仅仅由于其被包括在该部分中而被认为是现有技术。
农业生产需要重要的策略和分析。在许多情况下,农业栽培者(诸如农民或涉及农业耕种的人)需要分析各种数据,以在农作物耕种时段之前和期间做出策略决策。在做出这种策略决策时,栽培者依赖于计算机实现的农作物产量预报模型来确定其耕种策略。农作物产量预报模型可以帮助栽培者决定如何在影响耕种的关键区域中进行支出或节约,诸如燃料和资源成本、设备投资、农作物相关保险和农作物耕种人力。
从卫星捕获的遥感成像已被用于补充传统的天气数据,因为它们具有更精细的空间分辨率、在全球范围内更大的可用性以及它们在农作物季节期间捕获测量值的能力。然而,用于估计季末生产潜力的遥感图像仅被限于估计县、地区或州级别的农作物产量。县、地区或州级别的较大估计不考虑田地内的变化,并且可能仅表示田地特定级别的更广义估计。
即使可用,田地级图像数据样本集也可能非常大(大数据),使得计算预测产量估计不切实际且困难。附加地,需要大型物理数据存储单元和专用计算设备来处理大数据。
因此,期望改进的计算机实现来以田地特定级别建模农作物产量。
发明内容
所附权利要求可以用作本公开的各种实施例的发明内容。
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是图示了本发明的实施例可以被实现的计算机系统的框图。
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7描绘了用于确定农田的应季预测产量值的示例方法的流程图。
图8描绘了农业智能计算机系统的示例实现的框图。
图9a和图9b分别描绘了用于两个示例农作物的基于深度学习图像的产量模型。
图10a和图10b分别描绘了框图形式的农业智能计算机系统的各种实现的其他细节。
图11描绘了‘N’数量个田地的数据批次的示例,‘N’是整数值。
具体实施方式
在以下描述中,出于解释的目的,许多具体细节被陈述,以便提供对本公开的透彻理解。然而,明显的是,实施例可以在没有这些具体细节的情况下实践。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,实施例在各个部分中公开:
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.使用应季卫星数字图像和深度学习模型的田地级产量估计的示例过程
*
1.总体概述
本公开使用在栽培季节(当前和/或先前季节)期间获得的农田的航空图像数据和机器学习模型来改进田地级别的农作物产量预测。在实施例中,产量预测被用于更新田地的产量图,并且产量图是通过图形用户界面显示的,或以其他方式被用于帮助在确定和实现农作物耕种和管理策略时引导现实世界考虑。本文描述的技术和产量预测还可以被用于为应用控制器创建应用参数,从而提高由应用控制器控制的农具的性能。
诸如由卫星图像传感器获得的航空图像数据通过数字图像来表示农田。包括一个或多个田地的区域的数字图像随着时间的推移而积累,使得可能有数百万个可用的卫星图像,其可以被处理并应用于机器学习模型以进行产量预测。这些积累的数字图像表示不同的地点或空间分辨率,因为图像是在图像传感器(例如卫星)移动并经过该区域时捕获的。进一步地,数字图像还表示不同的时间或时间分辨率,因为图像传感器通常以可变时段移动并经过区域。
用于变换图像数据的各种技术被提供,使得服务器计算机或数据处理系统可以有效且高效地使用大型的空间和时间可变的图像数据集来以田地级别进行预报和/或后报产量预测。例如,该技术包括向每个图像的频谱带值添加二元指标(indicator),该二元指标提供关于给定时段(例如给定的一天)的实际图像数据的可用性的数据。
该技术还包括将整个栽培季节的图像数据合并为在机器学习模型中使用的代表值,这有助于解决处理大数据的技术挑战。更特别地,将大量图像频带数据变换为代表值减少了机器学习模型的特征数据量,从而有助于需要更少的CPU周期,使用更少的存储器、存储装置和网络带宽。预处理可以包括每天计算聚合的频谱带强度平均值,或通过田地的所有数字图像的像素的频谱带强度值计算直方图向量。根据实施例,服务器计算机或数据处理系统为每个(频谱)带计算跨数字图像聚合中的每个数字图像的像素的频谱带强度值的平均(或平均值)值。在该实施例中,服务器计算机或数据处理系统连结每个频带的计算平均值,以生成每个频带的田地的所有图像的平均值(或平均值)。
通过帮助高效且有效地处理大数据集并同时对数据集中的空间和时间数据建模,以提供准确的产量预测,本文更详细描述的这些技术和其他技术有助于本公开的技术特性。
一种计算机实现的方法和系统被公开,以用于在农业智能处理系统处接收农田的数字图像。每个农田由应季(同一种植季节)或不同种植季节获得的一个或多个数字图像表示。农田的每个数字图像包括具有像素值的像素集合,像素的每个像素值包括多个频谱带强度值,这些频谱带强度值表示多个电磁辐射带中的频带的频谱带强度。针对农田中的每个农田,每个频带的频谱带强度值是使用该农田的所有数字图像以田地级别预处理的,导致预处理的强度值。预处理的强度值被存储,并且所存储的每个田地的预处理频谱带强度值被输入到训练后的机器学习模型。该模型针对每个田地生成预测产量值。该预测产量值被用于更新(多个)农田的(多个)田地产量图以进行预报,并且可以经由客户端计算设备的图形用户界面(GUI)来显示。
2.示例农业智能计算机系统
2.1.结构概述
图1图示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、操作或占有田地地点中的或与田地地点(诸如用于农业活动的田地或用于一个或多个农田的管理地点)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、农作物是否以有机方式栽培、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、谷物湿度、耕作实践以及先前的栽培季节信息);(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、(多个)种子类型、所种植的(多个)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、量、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、量、来源、方法);(g)灌溉数据(例如施用日期、量、来源、方法);(h)天气数据(例如降水、降雨率、预测的降雨、水径流率区域、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)成像数据(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、飞机或卫星的成像和光谱信息);(j)侦察观察结果(照片、视频、自由形式的笔记、语音记录、语音转录、天气状况(温度、降水(当前和随着时间推移)、土壤湿度、农作物栽培阶段、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被通信地耦合至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/或私有数据服务提供方)拥有或操作。外部数据的示例包括天气数据、成像数据、土壤数据或与农作物产量相关的统计数据等。外部数据110可以由与田地数据106相同类型的信息组成。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方108提供。例如,农业智能计算机系统130可以包括专门专注于一类数据(诸如天气数据)的数据服务器,否则该数据可能从第三方来源获得。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直接或间接地被通信地耦合至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、种植机、卡车、肥料设备、包括无人驾驶飞行器的飞行器以及任何其他物理机械或硬件项目,其通常为移动机械,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的单个单元可以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)是可以被安装在联合收割机、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被通信地耦合至农业智能计算机系统130,并且被编程或配置为从农业智能计算机系统130接收一个或多个脚本,其被用于控制农业交通工具的操作参数或实现。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,诸如从加利福尼亚州旧金山市的气候公司可获得的CLIMATEFIELDVIEW DRIVE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可能不被固定至农业装置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可以包括用驾驶室应用编程的驾驶室计算机115,该驾驶室应用可以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型。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电话,其具有被安装在装置111的操作员的驾驶室内的图形屏幕显示器,诸如彩色显示器。驾驶室计算机115可以实现本文中针对移动计算机设备104进一步描述的一些或全部操作和功能。
(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、互联网或因特网。该(多个)网络可以由提供图1的各种元件之间的数据交换的任何介质或机制来实现。图1的各种元件还可以具有直接(有线或无线)通信链路。传感器112、控制器114、外部数据服务器计算机108和系统的其他元件分别包括与(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、其他软件元件、数字编程的逻辑(诸如FPGA或ASIC)或其任何组合,以通过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,构造一个或多个田地上的一个或多个农作物的数字模型,生成建议和通知,以及生成脚本并将其发送给应用控制器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。该上下文中的“层”指的是电子数字接口电路、微控制器、固件(诸如驱动器)和/或计算机程序或其他软件元件的任何组合。
通信层132可以被编程或配置为执行输入/输出接口连接功能,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给模型和田地数据储存库160,以被存储为田地数据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被耦合至系统130的其他计算机上显示的图形用户界面(GUI)。该GUI可以包括用于以下的控件:输入要被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。
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件的读取操作和写入操作,包括在系统的功能元件与储存库之间传递的查询和结果集合。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)以及被存储在计算机系统中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包括MYSQL、DB2、SQL SERVER、和POSTGRESQL数据库。然而,实现本文描述的系统和方法的任何数据库都可以被使用。
当田地数据106未经由与农业智能计算机系统交互的一个或多个农业机器或农业机器设备被直接提供给农业智能计算机系统时,用户可以经由(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被提示,以输入这种信息。在示例实施例中,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,用户可以指定标识数据。在替代实施例中,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,用户102可以指定标识数据。这种CLU选择或地图绘制表示地理标识符。在替代实施例中,通过经由用户设备访问来自美国农业部农场服务机构或其他来源的(作为形状文件或以类似格式提供的)田地标识数据并将这种田地标识数据提供给农业智能计算机系统,用户可以指定标识数据。
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。在一个或多个田地已经使用上述方法标识出之后,数据管理器可以提供一个或多个图形用户界面小部件,当被选择时,它可以标识田地、土壤、农作物、耕作或养分实践的变化。数据管理器可以包括时间线视图、电子表格视图和/或一个或多个可编辑的程序。
图5描绘了用于数据录入的时间线视图的示例实施例。使用在图5中描绘的显示,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。在时间线顶部描绘的事件可以包括氮、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。用户计算机然后可以为特定田地选择时间线上的地点,以指示氮在所选田地上的施用。响应于接收到对特定田地在时间线上的地点的选择,数据管理器可以显示数据录入覆盖图(overlay),从而允许用户计算机输入关于氮施用、种植程序、土壤施用、耕作程序、灌溉实践的数据或者与特定田地相关的其他信息。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,那么数据录入覆盖图可以包括用于输入所施用的氮的数量、施用日期、所使用的肥料类型以及与氮的施用相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。该上下文中的“程序”指的是关于氮施用、种植程序、土壤施用、耕作程序、灌溉实践的数据集或者其他信息,其可能与一个或多个田地相关,并可以被存储在数字数据存储装置中以供在其他操作中作为集合重用。在程序已经被创建之后,它可以在概念上被应用于一个或多个田地,并且对该程序的引用可以与标识这些田地的数据相关联地被存储在数字存储装置中。因此,代替针对多个不同田地手动录入与相同氮施用相关的相同数据,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,前两个时间线选择了“春季施用”程序,其包括在4月初施用150lbs N/ac。数据管理器可以提供用于编辑程序的界面。在实施例中,当特定程序被编辑时,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“春季施用”程序被编辑,以将氮的施用减少到130lbs N/ac,则前两个田地可以基于编辑后的程序用减少的氮施用来更新。
在实施例中,响应于接收到具有所选程序的田地的编辑,数据管理器去除该田地与所选程序的对应关系。例如,如果氮施用被添加到图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月初的氮施用可以保持,但是对“春季施用”程序的更新将不会更改氮的4月施用。
图6描绘了用于数据录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。数据管理器可以包括在图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。为了编辑特定录入,用户计算机可以选择电子表格中的特定录入,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。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。响应于接收到对特定田地的程序的选择,数据管理器可以基于所选程序来自动完成特定田地的录入。与时间线视图一样,响应于接收到对程序的更新,数据管理器可以更新与该特定程序相关联的每个田地的录入。附加地,响应于接收到对田地的录入中的一个录入的编辑,数据管理器可以去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。模型数据包括为一个或多个田地创建的数据模型。例如,农作物模型可以包括一个或多个田地上的农作物的发育的数字构造模型。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/或一个或多个田地上的预测事件的模型。模型和田地数据可以被存储在存储器中的数据结构中、数据库表格中的行中、平面文件或电子表格中或其他形式的存储数字数据中。
参照图1,农业智能计算机系统130被示出为包括图像数据处理子系统170,该图像数据处理子系统170又被示出为包括田地数据预处理指令171、农作物产量估计指令175和产量图处理指令177。在实施例中,田地数据预处理指令171、农作物产量估计指令175和产量图处理指令177中的每一个包括农业智能计算机系统130中的主存储器(诸如RAM)的一个或多个页面的集合,可执行指令已被加载到其中,并且当被执行时,它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。例如,田地数据预处理指令171可以包括RAM中的页面集合,该页面集合包含指令,这些指令当被执行时导致执行本文描述的目标标识功能。这些指令可能在CPU的指令集中的机器可执行代码中,并且可能已经单独地或者与JAVASCRIPT中的脚本、其他脚本语言和其他编程源文本组合基于以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取决于存储器架构或处理器架构而变化。在另一实施例中,田地数据预处理指令171、农作物产量估计指令175和产量图处理指令177中的每一个还可以表示以数字方式被存储在农业智能计算机系统130或单独的储存库系统中的海量存储设备(诸如非易失性RAM或磁盘存储装置)中的一个或多个源代码文件或项目,当被编译或解译时,它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。换言之,附图可以表示程序员或软件开发者组织和布置源代码以便稍后编译为可执行文件或解译为字节码或等效物的方式,以供农业智能计算机系统130执行。
硬件/虚拟化层150包括一个或多个中央处理单元(CPU)、存储器控制器以及计算机系统的其他设备、组件或元件,诸如易失性或非易失性存储器、非易失性存储装置(诸如磁盘)以及例如结合图4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。
出于图示清楚示例的目的,图1示出了某些功能元件的有限数量的实例。然而,在其他实施例中,可能存在任何数量的这种元件。例如,实施例可以使用与不同用户相关联的数千或数百万个不同的移动计算设备104。进一步地,系统130和/或外部数据服务器计算机108可以使用两个或更多个处理器、核心、集群或者物理机或虚拟机的实例来实现,其被配置在离散地点或与数据中心、共享计算设施或云计算设施中的其他元件位于同一位置。
2.2.应用程序概述
在实施例中,使用一个或多个计算机程序或其他软件元件(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)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专门被适用于执行本文描述的功能的计算机。进一步地,本文进一步描述的流程图中的每个流程图可以单独或与本文中的散文形式的过程和功能的描述组合用作算法、计划或指导,其可以被用于将计算机或逻辑编程为实现所描述的功能。换言之,本文中的所有散文文本和所有附图一起旨在提供算法、计划或指导的公开内容,考虑到与适用于该类型的发明和公开内容的技能水平,与这种人员的技能和知识组合,这些算法、计划或指导足以允许技术人员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app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广义地表示以下一项或多项:智能电话、PDA、平板计算设备、膝上型计算机、台式计算机、工作站或者能够传输和接收信息并且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或连接器被耦合至传感器112和/或控制器114。特定用户102可以一次拥有、操作或占有并且结合系统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行。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来访问移动应用。田地管理器计算设备104可以使用基于web的协议或格式(诸如HTTP、XML和/或JSON)或app特定协议向一个或多个前端服务器传输数据,并且从一个或多个前端服务器接收数据。在示例实施例中,数据可以采用输入到移动计算设备中的请求和用户信息(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上的地点追踪硬件和软件进行交互,该地点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的地点。在一些情况下,通过对设备的操作系统的查询或通过请求设备上的app从该操作系统获得数据,与设备104、用户102和/或(多个)用户账户相关联的地点数据或其他数据可以被获得。
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一项或多项的数据值:一个或多个田地的地理地点、一个或多个田地的耕作信息、在一个或多个田地中种植的农作物以及从一个或多个田地提取的土壤数据。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,田地管理器计算设备104可以发送田地数据106。附加地,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可以被通信地耦合至远程传感器112和/或应用控制器114,其包括灌溉传感器和/或灌溉控制器。响应于接收到指示应用控制器114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,从而指示水曾被释放到一个或多个田地上。在本公开中标识的田地数据106可以使用电子数字数据来输入和传递,该电子数字数据是使用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可从加利福尼亚州旧金山市的气候公司购买的CLIMATEFIELDVIEW。CLIMATE FIELDVIEW应用或其他应用可以被修改、扩展或适配,以包括在本公开的申请日期之前尚未被公开的特征、功能和编程。在一个实施例中,移动应用包括集成的软件平台,该软件平台允许栽培者为其操作做出基于事实的决策,因为它将与栽培者的田地相关的历史数据与栽培者希望比较的任何其他数据组合。组合和比较可以被实时进行,并且基于科学模型,这些科学模型提供了可能的场景,以允许栽培者做出更好、更明智的决策。
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装置或其他非易失性存储装置的一个或多个块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以及表现指令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,其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、产量图、种植图、土壤测试结果、施用图和/或管理区等。数据格式可以包括形状文件、第三方的本机数据格式和/或农场管理信息系统(FMIS)导出等。接收数据可以经由以下方式发生:手动上传、具有附件的电子邮件、将数据推送给移动应用的外部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到数据管理器。
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,并被编程有数据可视化工具和地理空间田地笔记。这为栽培者提供了近在咫尺的以供参考的方便信息、日志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被编程为提供对栽培者重要之物的操作范围视图以及采取动作或专注于特定问题的及时建议。这允许栽培者将时间集中在需要关注什么,节省时间并在整个季节维持产量。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、杂交种放置和脚本创建(包括可变速率(VR)脚本创建)的工具。这使栽培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。该界面使栽培者能够为田地用具(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时,移动计算机应用200可以显示被分为管理区的一个或多个田地,诸如作为数字地图手册指令206的一部分而被创建的田地地图数据层。在一个实施例中,管理区包括土壤区以及面板,该面板标识每个土壤区以及每个区域的土壤名称、质地、排水或者其他田地数据。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这种的工具,诸如用于绘制管理区(诸如土壤区)的图形工具。种植程序可以被应用于所有管理区,或者不同的种植程序可以被应用于管理区的不同子集。当脚本被创建时,移动计算机应用200可以使该脚本可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。附加地和/或备选地,脚本可以从移动计算机应用200被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通知氮决策的工具。这使栽培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)绘制肥料施用区和/或通过子田地土壤数据(诸如从传感器获得的数据)生成的图像;上传现有的栽培者定义的区域;提供植物养分可用性的曲线图和/或使得能够调谐跨多个区域的(多次)氮施用的地图;输出脚本以驱动机械;用于大量数据录入和调整的工具;和/或用于数据可视化的地图等。该上下文中的“大量数据录入”可能表示录入数据一次,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;示例数据可以包括对于相同栽培者的许多田地和/或区域都相同的氮施用数据,但是这种大量数据录入适用于将任何类型的田地数据录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。该上下文中的“氮施用程序”指的是与以下相关联的所存储的命名数据集:名称、颜色代码或其他标识符、一个或多个施用日期、日期中的每个日期的材料或产品类型以及数量、施用或掺入的方法(诸如注入或播撒)和/或日期中的每个日期的施用数量或速率、作为施用对象的农作物或杂交种等。该上下文中的“氮实践程序”指的是与以下相关联的所存储的命名数据集:实践名称;先前的农作物;耕作系统;主要耕作日期;曾使用的一个或多个先前的耕作系统;曾使用的施用类型(诸如粪肥)的一个或多个指标。氮指令210也可以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推测以及是推测到盈余还是不足;在一些实施例中,不同的颜色指标可以用信号通知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,每行都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、田地地点和田地周界的图形表示的数据;在每行中,具有图形指标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量;以及数字和/或彩色的盈余或不足的指标,其中颜色指示幅度。
在一个实施例中,氮图可以包括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,诸如刻度盘或滑动条,使得用户可以优化其氮图。用户然后可以使用其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也可以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推测以及是推测到盈余还是不足;在一些实施例中,不同的颜色指标可以用信号通知盈余的幅度或不足的幅度。使用数字和/或彩色的盈余或不足的指标,氮图可以显示对指定氮的植物使用的推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)是预测到盈余还是不足,其中颜色指示幅度。在一个实施例中,氮图可以包括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,诸如刻度盘或滑动条,使得用户可以优化其氮图,诸如以获得优选量的盈余到不足。用户然后可以使用其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。在其他实施例中,与氮指令210类似的指令可以被用于其他养分(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被编程为提供田地特定的最近天气数据和预报天气信息。这使得栽培者能够节省时间,并且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相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,并优先考虑栽培者的图像等。
在一个实施例中,表现指令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。这使栽培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。表现指令216可以被编程为经由(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递,并且被配置为分析度量,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。编程的报告和分析可以包括:产量可变性分析、治疗效果估计、基于从许多栽培者收集的匿名数据或种子和种植的数据对照其他栽培者的产量和其他度量的基准测试等。
具有以这种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,同时保留相同的一般用户界面外观。例如,移动应用可以被编程,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。进一步地,针对平板计算机或智能电话配置的移动应用可以提供完整的app体验或驾驶室app体验,其适合于驾驶室计算机115的显示和处理能力。例如,现在参照图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以被编程为检测它们所执行的平台的类型,并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可以被编程为提供田地、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可以被编程为打开、管理实时的或近乎实时的机器活动的视图,并经由无线网络、有线连接器或适配器等将其提供给连接至系统130的其他计算设备。数据收集和传送指令226可以被编程为打开、管理在传感器和控制器处收集的数据,并提供经由无线网络、有线连接器或适配器等将其传送给系统130。机器警报指令228可以被编程为检测与驾驶室相关联的机器或工具的操作问题,并生成操作员警报。脚本传送指令230可以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在田地中的地点来显示从系统130接收到的基于地点的警报和信息,并且摄取、管理基于地点的侦察观察结果,并提供基于农业装置111或传感器112在田地中的地点将其传送给系统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,其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。天气数据可以包括过去和当前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组成数据,而第二服务器可以包括天气数据。附加地,土壤组成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包括一个或多个传感器,该一个或多个传感器被编程或配置为产生一个或多个观察结果。远程传感器112可以是航空传感器(诸如卫星)、交通工具传感器、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用具。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还可以被编程或配置为控制农业交通工具或用具的操作参数。例如,应用控制器可以被编程或配置为控制交通工具(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。其他实施例可以使用传感器和控制器的任何组合,其中以下仅仅是所选示例。
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栽培者获得或摄取数据。当一个或多个用户控制的计算机操作被请求或触发以获得供系统130使用的数据时,该形式的获得数据可以被称为“手动数据摄取”。作为示例,可从加利福尼亚州旧金山市的气候公司购买的CLIMATE FIELDVIEW应用可以被操作,以将数据导出到系统130,以存储在储存库160中。
例如,种子监测器系统既可以控制种植机装置组件,并且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。种子监测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。示例是在美国专利号8,738,243和美国专利公开20150094916中公开的,并且本公开假设知道那些其他专利公开。
同样地,产量监测器系统可以包含用于收割机装置的产量传感器,其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。产量监测器系统可以利用一个或多个远程传感器112来获得联合收割机或其他收割机中的谷物湿度测量值,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值传输给用户。
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,诸如雷达或轮速传感器、加速度计或陀螺仪。位置传感器可以包括GPS接收器或收发器或者基于WiFi的位置或映射app等,这些基于WiFi的位置或映射app被编程为基于附近的WiFi热点来确定地点。
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(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、播种机或空气播种机等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、电磁或撞击传感器;下压力传感器,诸如负载销、负载单元、压力传感器;土壤属性传感器,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,可以与这种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;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刈幅控制离合器;混合选择控制器,诸如排种器驱动马达或其他致动器,其被编程用于选择性地允许或防止种子或空气种子混合物将种子递送给排种器或中央散装料斗或从排种器或中央散装料斗递送种子;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、孔口大小或位置控制器。
在实施例中,可以与耕作设备一起使用的传感器112的示例包括:用于诸如柄或盘等工具的位置传感器;用于被配置为检测深度、同轴角或侧向间距的这种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,可以关于用于施用肥料、杀虫剂、杀真菌剂等的装置(诸如种植机上的开端肥料系统、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,诸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特定的供应线传感器;或者运动学传感器,诸如设置在喷雾器喷杆上的加速度计。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;阀控制器,其被编程为控制压力、流量、方向等;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:产量监测器,诸如撞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、或者与升降机或螺旋钻相关联的扭矩传感器、或者光学或其他电磁谷物高度传感器;谷物湿度传感器,诸如电容式传感器;谷物损失传感器,包括撞击、光学或电容式传感器;割台操作标准传感器,诸如割台高度、割台类型、台面板间隙、送料机速度和拨禾轮速度传感器;分离器操作标准传感器,诸如凹板空隙、转子速度、闸瓦空隙或筛空隙传感器;用于位置、操作或速度的螺旋钻传感器;或者引擎速度传感器。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、台面板间隙、送料机速度或拨禾轮速度等元素的割台操作标准控制器;用于诸如凹板空隙、转子速度、闸瓦空隙或筛空隙等特征的分离器操作标准控制器;或者用于螺旋钻位置、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旋钻位置、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具有检测器的相机,该检测器对包括可见光、红外线、紫外线、近红外线(NIR)等的电磁频谱的任何范围都有效;加速度计;测高计;温度传感器;湿度传感器;皮托管传感器或者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检测装置;其他电磁辐射发射器和反射电磁辐射检测装置。这种控制器可以包括:引导或马达控制装置、控制表面控制器、相机控制器或者控制器,该控制器被编程为打开任何、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。示例是在美国专利申请号14/831,165中公开的,并且本公开假设知道该其他专利公开。
在实施例中,传感器112和控制器114可以被贴附至土壤采样和测量装置,该装置被配置或编程为对土壤进行采样并且执行土壤化学测试、土壤湿度测试和与土壤相关的其他测试。例如,在美国专利号8,767,194和美国专利号8,712,148中公开的装置可以被使用,并且本公开假设知道那些专利公开。
在实施例中,传感器112和控制器114可以包括用于监测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号62/154,207、2015年6月12日提交的美国临时申请号62/175,160、2015年7月28日提交的美国临时申请号62/198,060和2015年9月18日提交的美国临时申请号62/220,852中公开的装置可以被使用,并且本公开假设知道那些专利公开。
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。在该上下文中,农艺模型是农业智能计算机系统130的存储器中的数据结构,其包括田地数据106,诸如一个或多个田地的标识数据和收获数据。农艺模型还可以包括计算出的农艺属性,其描述了可能影响田地上的一个或多个农作物的栽培的条件或一个或多个农作物的属性或两者。附加地,农艺模型可以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量估计,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可以使用预配置的农艺模型来计算农艺属性,其与当前接收到的一个或多个田地的地点和农作物信息相关。预配置的农艺模型基于先前处理的田地数据,包括但不限于标识数据、收获数据、肥料数据和天气数据。预配置的农艺模型可能已被交叉验证,以确保模型的准确性。交叉验证可以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,诸如将降水估计与提供相同或附近地点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值进行比较。
图3图示了编程的过程,通过该过程,农业智能计算机系统使用由一个或多个数据源提供的田地数据来生成一个或多个预配置的农艺模型。图3可以用作算法或指令,以用于将农业智能计算机系统130的功能元件编程为执行现在描述的操作。
在框305中,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。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,从一个或多个数据源接收的田地数据可以被预处理,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以包括但不限于:去除一般与异常值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导出技术。
在框310中,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可以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,基于自然选择和基因学的进化原理,基因算法选择技术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中,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,特定田地数据集被评估。农艺模型可以使用一种或多种比较技术(诸如但不限于留一法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。例如,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,RMSECV可以交叉验证农艺模型。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期间,不满足已配置质量阈值的农艺数据集被使用(框310)。
在框320中,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变量回归技术,以创建预配置的农艺数据模型。
在框325中,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。专用计算设备可以被硬连线,以执行这些技术,或者可以包括被永久编程为执行这些技术的数字电子设备,诸如一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA),或者可以包括被编程为按照固件、存储器、其他存储装置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。这种专用计算设备还可以将自定义的硬连线逻辑、ASIC或FPGA与自定义编程组合,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、联网设备或者并入用于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是图示了本发明的实施例可以被实现的计算机系统400的框图。计算机系统400包括总线402或用于传递信息的其他通信机制以及与总线402耦合以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还包括耦合至总线402以用于存储信息和将由处理器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。当被存储在处理器404可访问的非瞬态存储介质中时,这种指令使计算机系统400成为被定制为执行在这些指令中指定的操作的专用机器。
计算机系统400还包括耦合至总线402以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、光盘或固态驱动器等存储设备410被提供并耦合至总线402,以用于存储信息和指令。
计算机系统400可以经由总线402被耦合至诸如阴极射线管(CRT)等显示器412,以用于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被耦合至总线402,以用于将信息和命令选择传递给处理器404。另一类型的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,以用于将方向信息和命令选择传递给处理器404,并控制显示器412上的光标移动。该输入设备通常在两个轴(第一轴(例如x)和第二轴(例如y))上具有两个自由度,其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组合使计算机系统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,响应于处理器404执行主存储器406中所包含的一个或多个指令的一个或多个序列,本文的技术由计算机系统400执行。这种指令可以从诸如存储设备410等另一存储介质被读取到主存储器406中。主存储器406中所包含的指令序列的执行使处理器404执行本文描述的过程步骤。在替代实施例中,硬连线电路系统可以代替软件指令或者与软件指令组合使用。
本文使用的术语“存储介质”指的是存储数据和/或使机器以特定方式操作的指令的任何非瞬态介质。这种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、闪存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。
各种形式的介质可以涉及将一个或多个指令的一个或多个序列携带到处理器404以供执行。例如,指令最初可能被承载在远程计算机的磁盘或固态驱动器上。远程计算机可以将指令加载到其动态存储器中,并使用调制解调器通过电话线发送指令。计算机系统400本地的调制解调器可以在电话线上接收数据,并使用红外发送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,并且适当的电路系统可以将数据放置在总线402上。总线402将数据携带到主存储器406,处理器404从主存储器406取回并执行指令。在由处理器404执行之前或之后,由主存储器406接收的指令可以可选择地被存储在存储设备410上。
计算机系统400还包括耦合至总线402的通信接口418。通信接口418提供耦合至网络链路420的双向数据通信,该网络链路420被连接至局域网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、卫星调制解调器或调制解调器,以提供与对应类型的电话线的数据通信连接。作为另一示例,通信接口418可以是局域网(LAN)卡,以提供与兼容LAN的数据通信连接。无线链路也可以被实现。在任何这种实现中,通信接口418发送和接收电信号、电磁信号或光学信号,其携带表示各种类型的信息的数字数据流。
网络链路420通常通过一个或多个网络向其他数据设备提供数据通信。例如,网络链路420可以通过本地网络422向主机计算机424或由因特网服务提供方(ISP)426操作的数据设备提供连接。ISP 426又通过全球分组数据通信网络(现在一般被称为“因特网”428)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、电磁信号或光学信号。通过各种网络的信号以及在网络链路420上并且通过通信接口418的信号(将数字数据携带到计算机系统400并且从计算机系统400携带数字数据)是示例形式的传输介质。
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,并且接收包括程序代码的数据。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来传输所请求的应用程序的代码。
处理器404可以在代码被接收到时执行代码,和/或将代码存储在存储设备410或其他非易失性存储装置中以供稍后执行。
3.使用应季卫星数字图像和深度学习模型的田地级产量估计的示例过程
在实施例中,在一个或多个种植季节期间农田的历史数据(诸如应季卫星图像)被用于应季或针对不同季节确定田地级预测产量值。历史数据通常包括经由卫星、飞机或其他航空图像传感器捕获的农田的一个或多个田地级数字图像,这些图像在预处理和特征工程后作为输入被提供给机器学习模型,以确定或预测相同或不同农田的未来产量。预测产量实际上是用于提高未来应季农作物产量的先验信息。多年来,产量预测一直是智能农业中的长期问题,并且先前的努力仅被限于基于数据可用性问题的国家、州或县级估计。大规模田地级数据的可用性是改进估计的基础,这些估计可由深度学习模型(诸如长短期记忆(LSTM)神经网络和随机森林(RF)模型)消耗,并且可以导致计算性能与以县级别操作的其他产量模型相当—即,比之前更快且更高效。同时,只有利用本文描述的不同计算方法才能使用田地的数百万个卫星数字图像作为输入,以帮助减少必要的CPU周期、存储器和存储要求以及网络带宽。
图7图示了在实施例中用于确定农田的应季(或随后的季节)预测产量值的示例计算机实现方法。所得的产量值可以形成在具有特定环境条件的实际田地中改进种子放置计算策略的基础。根据一个示例,图1的农业智能计算机系统130被编程或配置为执行图7的流程图700的功能。例如,图像数据处理子系统170可以执行指令,以实现本文进一步描述的功能性。
在流程图700的框702中,农田的应季数字图像被接收到。例如,图像数据处理子系统170可以执行田地数据预处理指令171(图1),以接收已经由卫星或飞机捕获的多个应季数字图像。表1提供了卫星图像源的示例规范,包括RapidEye、Sentinel-2、LandSat-8和Planet Dove,以用于提供在本公开中使用的合适的图像数据。
表1
表1中的规范提供了图像频率范围,该范围通常与给定卫星传感器经过特定田地或地理区域以在适当位置提供该田地的数字图像的频率相关。分辨率以米为单位列出。表1的示例中的覆盖行是指爱荷华州,并且可能包括美国的其他州,诸如伊利诺伊州、明尼苏达州、密苏里州、爱荷华州、北达科他州、南达科他州、堪萨斯州、内布拉斯加州、俄亥俄州、印第安纳州、威斯康星州、肯塔基州和密歇根州。进一步地,卫星图像可以包括多个频带中的数据,诸如红色(R)、绿色(G)、蓝色(B)、近红外(NIR)、红边(RE)、短波红外(SWIR)–SWIR1的波长范围约为1.55至1.75微米,并且SWIR2的波长范围约为2.10至2.35微米、水蒸汽等。进一步地,表1标识了多个田地的大量图像被收集时的示例时间帧。
表2提供了给定田地的示例数据,并且包括田地标识符、田地的一系列图像的面积测量值、与一系列图像相对应的一年中的天数、图像频带数据。
表2
每个农田可以在给定时间帧内具有一个或多个数字图像。在一些情况下,取决于气候和/或环境条件,例如农田可以在给定时间帧内没有数字图像。接收到的数字图像包括具有多个像素值的像素集合,并且像素值包括一个或多个频谱带强度值。频谱带强度值描述了电磁辐射频谱带的频谱带强度。示例频谱带及其使用是在上面和本文中的其他部分中描述的。
在框704中,图像数据处理子系统170对接收到的数字图像执行预处理,以针对每个田地生成每个频谱带的频谱带强度值的聚合平均值。在实施例中,所得的频谱带强度值被存储在模型和田地数据储存库160中(图1)。在其他实施例中,存储器内的存储装置可以被用于存储所得的频谱带强度值。
在框706中,图像数据处理子系统170将聚合的频谱带强度值作为输入提供给训练后的机器学习模型,这导致单个预测产量值。例如,图像数据处理子系统170可以执行农作物产量估计指令175(图1),以使频谱带强度值被提供给机器学习模型,以用于经由模型评估。
在框708中,基于预测产量值,相同或不同农田的更新后的田地产量图可以被生成和显示。例如,图像数据处理子系统170可以执行产量图预处理指令177,以执行生成和显示产量图的功能。在一些实施例中,产量图是通过客户端计算设备(诸如田地管理器计算设备104)的图形用户界面显示的。预测产量值和更新后的田地产量图可以被保存在模型和田地数据储存库160中。
图8描绘了农业智能计算机系统的实现的框图,以用于在具有卫星图像的产量估计中使用。在图8的示例中,图像数据处理子系统170执行田地数据预处理指令,以接收应季的卫星图像和田地级数字图像。每个田地可以在给定时间帧内具有一个或多个数字图像,或者没有数字图像。数字图像包括像素集合,并且每个像素由像素值表示。每个像素值包括频谱带强度值集合,其中每个频谱带强度值对应于对应像素的频谱带强度。
图像数据处理子系统170还执行田地数据预处理指令171,以田地级别预处理接收到的数字图像。在一些实施例中,预处理包括从大气顶部(ToA)数据集去除云图像或其他伪像和/或将接收到的数字图像的值归一化为同一值标度。图像数据处理子系统170执行农作物产量估计指令175,以将预处理的田地数据集作为输入提供给机器学习模型。在示例中,图像数据处理子系统170执行农作物产量估计指令175,以将预处理的田地数据集组织为数据批次,其作为输入被提供给机器学习模型。
在示例实施例中,像素的频谱带强度可以包括红色(R)、绿色(G)、蓝色(B)、近红外(NIR)和红边(RE)。其他示例可以包括更少的、附加的和/或不同的频谱带。来自田地数据预处理指令框171的预处理输出由针对田地的接收到的数字图像集合的像素的每个频谱带的频谱带强度值的总数组成,其用作机器学习模型的输入。在上面每个像素具有5个频谱带的示例中,每个预处理的像素值包括5个值,一个值针对每个频谱带强度。在操作期间,在农作物田地估计指令框177中,机器学习模型从预处理的数据生成单个预测产量值。预测产量值随后被用于预报相同和/或不同田地的产量。
在实施例中,机器学习模型是深度学习算法,在被执行时,该深度学习算法生成训练后的存储器内模型或数据网络,其在被应用于数字图像的数据集时产生单个预测产量值。在各种实施例中,机器学习模型是应季训练的并且是田地级别。预测产量值可以使用训练后的模型应季周期性地更新。用于训练模型的频率和数据集大小可以确定模型在操作期间产生的产量准确性。
用10个数字图像扩展上述示例,该10个数字图像是在一年的跨度期间针对每个田地接收的,5个预处理的频带强度值的10个集合被输入到机器学习模型以进行预测。该模型生成单个值-预测产量-其可以被用于更新现有的产量图,出于预报和计划目的,该产量图通过图形界面被显示给用户。
适合于田地级处理的机器学习算法可以用固定大小的输入数据集来提供更好的结果。然而,田地级数据集通常在大小上不是固定的。当卫星经过每个田地时,每天、每个地点的田地气候和环境条件可能会显著变化。进一步地,给定卫星周期性地经过每个田地,并且可以以可变频率这样做。另外,当给定卫星经过田地时,每个田地可能被云覆盖,而其他田地是无云的。在上述示例中,每天的5个预处理频带值作为输入被提供给模型,但是这些输入不必对应于卫星碰巧经过田地的天数。根据实施例,针对图像缺失或图像数据不足的天数,频谱带强度的5个值是针对田地估算的,这具有将提供给模型的输入数据集改变为固定大小的效果。备选地,图像数据缺失或不足的天数仍然没有关联数据。
在具有180天栽培季节的示例中,5个预处理频带值的180个集合由模型生成。该模型可以由表格实现,该表格被存储在存储器中,并且在机器学习模型的操作期间访问以进行预报。在该示例中,180x5个预处理频带值的表格(或矩阵)被生成。附加地,每天的指标(“缺失图像指标”)都被生成,以通过与可用数据不同的方式来帮助模型处置缺失/不足数据。示例缺失图像指标是二进制位,如果针对田地的对应天数的5个频带值是卫星图像,则它等于二进制值‘0’,并且如果5个频带值被估算或为空(例如当没有卫星图像数据或不足图像数据时),则等于二进制值‘1’。在该示例中,当没有图像数据时,对应的图像频带值分别为零,并且缺失图像指标的值为‘1’,并且当存在图像数据时,对应的图像频带值通常分别是非零,并且缺失图像指标的值为‘0’,这帮助提供更有用的梯度信息以使模型学习。
在机器学习模型通过整个栽培季节(诸如180天(从田地最初被种植的那天开始))可操作的场景中,除了表示给定的一天中的对应的5个值是实际数据还是估计/为空的180个缺失图像指标之外,机器学习模型的输入是预处理频带值的180x 5个数据集的矩阵。该模型使用这些值来生成田地的平均产量的估计,并且所估计的平均产量被用于预报。术语“平均田地的估计”、“所估计的平均产量”和“预测产量值”在本文中可互换使用。
使用上述示例,通过在一年或多年或者栽培季节期间处理历史图像数据的大集合-跨许多田地的数据,机器学习算法进行训练,在180天栽培季节的情况下,它包括180x5个频带值。示例在图10a和图10b中示出并且关于图10a和图10b讨论的补充数据(诸如但不限于观察/估计的云掩膜)和实际观察产量可以被用于训练,以确定如何利用模型的输入来估计季末(或随后的季节)产量。
通过处理一年或栽培季节内的较短时段的数据集,模型的输入图像数据可以在大小上被减小。参照上述示例,该算法不一定需要全部180天的输入数据。例如,季末产量可以从种植后100天预测,因此只有来自收获之前或收获之后的前100天后(而不是来自该季节的整个180天)的数据集作为输入被提供给模型。要理解的是,栽培季节可以长于或短于180天,并且出于讨论目的,180天仅被用作示例。
再次参照图8,另一示例实现包括田地数据预处理指令框171,它针对三个田地-田地1、田地2、田地3(或分别为F1、F2、F3)按顺序接收三天-第1天、第2天、第3天(或分别为D1、D2、D3)的应季数字图像。例如,天数D1至D3可以是随机的,D2可以是第1天之后的三个月或者紧接D2。天数D1至D3中的每天可以表示除一天之外的时间段,诸如一月、一年或两者的某个组合。每天之间的时段也可以变化,例如第3天可以是第2天之后的一周,而第2天可以是紧接第1天的那天。
图8表示田地中的每个田地F1至F3,其具有三个数字图像框,被标记为图像1、图像2、图像3(或分别为I1、I2、I3),其中一些包括数字图像,而其中一些不包括(例如针对给定的一天没有可用的或足够的图像数据)。没有点的框表示没有数字图像,并且具有点的框表示数字图像。框中的点表示对应图像的像素集合。田地的图像数量可能因田地而变化,并且可能由一个图像、多于一个图像或没有图像组成。在图8中,针对田地F1,存在3个图像I1至I3,每天D1至D3具有一个图像。而针对田地F2,分别有一个图像I2,并且分别针对天数D1、D3有缺失图像I1、I3。针对田地F3,存在两个图像I2、I3,并且针对第3天有缺失图像I3。
在图8的示例中,像素的每个像素值具有五个频谱带强度值,针对每个频谱带R、G、B、NIR和RE有一个频谱带强度值。在另一实施例中,可能存在四个频谱带强度值,其中蓝色的频谱带被省略,因为颜色蓝色的频谱带强度对于采集植被图像来说可能相对不太有用。
田地数据预处理指令框171预处理田地的接收到的数字图像的频谱带强度值,并且生成输出。农作物产量估计指令175被执行,以接收该输出。在图8的示例中,在每个像素包括五个频谱带强度并且卫星图像的总数为6的情况下,在被执行时,田地数据预处理指令171处理每天、每个田地、每个数字图像的6x 5x像素数量的数据集。预处理输出(模型的输入)包括5个预处理的频谱带强度值。在实际场景中,一年时间段内的150万个数据值也可以通过这种方式来处理。
预处理的附加详细示例是相对于图10a和图10b讨论和示出的。例如,预处理可以包括计算聚合的频谱带强度平均值,或每天通过田地的所有数字图像的像素的频谱带强度值计算直方图向量。在图10a的实施例中,针对每个(频谱)带,跨数字图像集合中的每个数字图像的像素的频谱带强度值的平均(或平均值)值被计算,并且每个频带所计算的平均值被连结,其表示每个频带的田地的所有图像的平均值(或平均值)。在该示例中,单个田地可以具有与不同天数相对应的多个图像。
还参照图8的示例,针对图像1、第1天、田地1,针对每个频谱带的频谱带强度值的平均值被计算。类似地,图像2、第2天、田地1的频谱带强度值(针对每个频谱带)的平均值被计算,图像3、第3天、田地1的频谱带强度值的平均值被计算,图像1、第1天、田地2的频谱带强度值的平均值被计算,以此类推。接下来,田地的三个数字图像的平均频谱带强度值1至5与每个频谱带的跨田地的所有数字图像的所得平均值连结。每个频谱带的聚合频谱带强度值作为输入被提供给机器学习模型。
在直方图的示例中,针对每个频带,每个图像的像素的频谱带强度值是用具有值(或值的向量)范围的每个组分组(排序)的。在获得每个图像的直方图向量之后,直方图向量被连结在一起,以表示田地的特征,并且作为输入被提供给深度机器学习模型。直方图方法的其他细节是在下面讨论的。
大数据的计算要求通常是昂贵的,并且需要大的数据存储装置。为了减轻这些要求,数据集可以在建模期间以批次(或组)处理。在该方面中,不太专业并因此不太昂贵且位于本地的计算设备可以被使用,尽管一系列的这种计算设备可以几乎同时处理数据批次,因此更快。
在操作中,训练后的模型可以在栽培季节期间使用,以针对当前的栽培季节和/或随后的栽培季节生成田地的产量预报。例如,在2019年8月,当许多新的应季图像可以被获得时,来自2018年和可能前几年的预测数据可以被用于预报2019年的农作物产量。预测产量然后可以预先提醒农民注意产量。当产量数据在2019年10月准备好时,通常在栽培季节之后,2018年的先前模型和2019年期间获得的新图像数据可以被用于更新模型,以用于预测2020年的产量,并且训练和更新过程可以在未来几年对应地重复。如先前注意的,补充数据也可以被用于预测。
执行预处理操作导致数据集没有田地边界。例如,由于平均值或平均方法,田地边界不再明显,如本文相对于图10a讨论的,即,在每个频带的每个数字图像的像素的频谱带强度值被平均并且平均值被连结之后。出于该原因,边界不需要被限于田地边界,并且可以基于其他类型的边界或自选标准。通过示例,边界可以基于田地内的感兴趣区域来选择,其中数字图像集合对应于在田地内限定区域的边界。田地内的感兴趣区域可以随机地在地理上定位和/或基于某个标准,诸如土壤强度或栽培区域。边界因此是自我限定的。
图9a和图9b分别描绘了出于模型训练目的处理并平均产量图和对应田地图像的进展的示例图形表示。该模型的输出是单个产量数字,其表示特定田地的平均产量值。在每个附图中,对比色和阴影可以被用于指定各种区域田地。图9a示出了大豆田地产量图的进展,并且图9b示出了玉米田地产量图的进展。图9a和图9b表示在一年的应季时段期间从一百万个田地图像生成的产量图,并且它是使用深度学习模型周期性地更新的。图9a的大豆田地产量图是在2015年7月11日、2015年7月24日和2015年8月23日更新的。玉米田地产量图是在2016年6月24日、2016年7月27日和2016年8月28日更新的。分别在902和904中示出的每个农作物的最终产量图是先前更新的顶点。
图10a和图10b分别描绘了框图形式的农业智能计算机系统170的各种实现的其他细节。在图10a中,平均和聚合(或连结)功能被采用,并且在图10b中,包括聚合直方图的变化被采用。通常,处理工作负载被分布在计算密集型计算设备之间,该计算密集型计算设备可以是位于本地的计算系统,其可以包括一系列分布式计算设备以进行更快地处理。在图10a和图10b中,由前者执行的功能以矩形用标记为1000的虚线示出,并且由后者执行的功能由矩形用标记为1002的实线示出。在图10a和图10b中,处理大数据集并需要大的物理存储空间的功能通常由前者执行,并且不处理大数据集并不需要大存储空间的功能通常由后者执行。例如,各种实施例可以使用用于Apache Spark软件的PySpark开源Python应用接口、用于分布式计算的Keras深度学习框架和/或谷歌TensorFlow。
参照图10a,在框1001中,田地数据预处理指令框171接收被剪短为田地级别的数字卫星图像。该图像由大气顶部(ToA)格式的数字图像组成,像素值被归一化为‘0’和‘1’之间的值。接下来,数字图像被筛选,以去除某些图像数据,并且诸如通过引入产量偏差防止产量估计的降级。筛选可以通过应用多种技术中的一种或多种来执行。一种技术是通过应用云掩膜1004基于云覆盖范围来筛选接收到的数字图像。云掩膜1004被应用于数字图像,以标识云覆盖范围在数字图像中的百分比,并且将云覆盖范围与阈值进行比较。针对每个田地,数字图像的像素值与对应的阈值数进行比较,该阈值数的特点是云覆盖范围,并且未满足阈值的数字图像被去除(参见1006)。
各种合适的云和阴影检测算法可以被使用,例如用于LandSat-9的内置云掩膜层Fmask和用于Dove的Tmask和/或其他公开可用或专有的云掩膜算法。为云覆盖范围筛选田地的技术的示例如下,但不限于此。如果其像素的阈值数或百分比具有不超过预定阈值强度的强度,则田地图像可以被声明为充分无云并保留以供进一步处理。备选地,基于田地的像素或像素组的一个或多个频谱带强度值,充分无云的田地图像可以通过云田地级别来标识。又一选项是基于具有像素的数字图像的数量或超过阈值的像素的数量来确定无云田地图像。无云过滤的其他方法可以被采用。
当卫星经过田地并且卫星图像被获得时,云覆盖范围通常基于气候、环境或其他类似条件。云覆盖范围可能会影响卫星图像的质量。大部分没有云覆盖范围或具有可容忍的云覆盖级别的田地图像仍然存在,而具有不可接受的云覆盖级别的那些田地图像将被去除。在示例实施例中,具有大于百分之十的云覆盖范围的田地图像被去除,并且具有百分之十或更少的云覆盖范围的田地图像仍然存在,并且被提供给田地特征框1008。云掩膜1004表示每个田地的值,指示田地的某个级别的云覆盖范围。云覆盖级别确定了在卫星图像被捕获时具有不可接受的可见性条件的田地图像。在示例实施例中,针对每个田地,140万个数字卫星图像的像素值与匹配图像大小140万的云掩膜1004的像素值进行比较。如果云覆盖范围在建模之前未被去除,则随后的产量值可能会有偏差。例如,10%的云覆盖范围的预定阈值可以被容忍,其中田地的卫星图像的10%的像素值指示云覆盖范围可以被容忍。以云掩膜或其他云覆盖过滤形式进行的田地筛选有助于计算更可靠的田地图像平均值。
具有可接受的云覆盖范围或没有云覆盖范围的田地图像继续在图10a中的田地特征框1008中进行预处理,其中田地特征被应用于田地图像的像素值。在实施例中,田地特征是平均/聚合功能,其针对每个图像频带,计算数字图像上的像素值的平均值,并且连结给定田地的田地图像上的平均值。
例如,根据实施例,田地特征框1008应用附加的工程功能,诸如图像频带归一化、时间平均和确定地点交叉特征。
通过用相同图像的频带的L2范数归一化给定卫星图像的每个频带,田地特征框1008应用图像频带归一化。L2范数是像素值平方和的平方根。田地特征框1008对相应图像频带的单个田地级平均值应用图像频带归一化。由于基于树的模型将每个特征与每个决策节点处的绝对阈值进行比较,因此图像频带归一化提供了一种允许基于树的模型在每个决策节点处进行相对比较的技术。测试结果示出了,与对图像频带相关特征使用绝对决策阈值相比,图像频带归一化可以将平均绝对误差(MAE)提高约0.5蒲式耳每英亩(bu/ac)。MAE是一个示例度量,已被发现可用于测量模型准确性,然而,其他度量(诸如绝对误差、机器绝对百分比误差、均方根误差和R平方)也可以被用于总结和评定机器学习模型的质量。
通过时间抽取或滑动时间窗口的平均,田地特征框1008将时间平均应用于图像频带。根据实施例,时间窗口内的平均仅对每个有效或非零图像频带执行,并且实际上,通常在四天时间窗口内最多存在一个有效图像频带。在该实施例中,在应用频带归一化之后,时间平均被应用。使用网格搜索的超参数调谐已被执行,并表明时间窗口持续时间为四天,其中窗口步幅为四天,使得时间窗口之间没有重叠,帮助提供良好的结果。进一步地,应用时间平均减少了特征数量,并且帮助提供更简单的模型,其更好地概括并减少噪声。
部分地通过计算每个田地质心的纬度(lat)和经度(lon)值的算术组合,田地特征框1008应用地点交叉特征。示例算术组合包括lat+lon、lat-lon、lat*lon、lat/lon、2*lat+lon、2*lat-lon、lat+2*lon、lat-2*lon等。这些算术组合被用作地点交叉特征,以允许机器学习模型(例如随机森林模型)学习可能复杂的基于地点的模型,这对于图像数据在某些时间缺失或以某种方式缺乏预测能力的田地特别有用,例如被云遮蔽。测试结果表明(1)最佳产量预测器可能会隐式学习整个农业区域的详细空间地图,例如玉米带,以及(2)适当地概括机器学习模型,以帮助最佳地学习空间地图可以提供附加的预测增益。
值得注意的是,RF模型的整体树深度可能非常大,平均约为130个级别,这部分地由于模型隐式学习的复杂空间地图。根据实施例,175个级别的最大树深度是在训练期间设置的(并且一些树达到该深度)。在该实施例中,每个树叶允许在训练期间包含少至一个样本,这可能会影响树深度,但是发现将每个树叶限制为包含多于一个样本会不可忽略地增加预测误差。关于基于地点的特征和使用地点交叉特征的一个附加注释是,州(例如爱荷华州)可能是机器学习模型的重要特征,而县标识符可能不是。在实施例中,还包括状态作为特征有助于允许基于树的模型基于大规模空间信息构建更有效的树,并且还使用地点交叉特征帮助模型学习局部空间信息,而不是可以通过使用县边界作为特征来实现。
标准化处理数据框1012表示框1004中的云掩模处理和框1008中的田地特征确定的结果。在实施例中,产量数据过滤可以在框1010中执行,以忽略低于阈值的产量数据。在示例实施例中,小于每英亩400蒲式耳的产量数据被使用,并且大于每英亩400蒲式耳的田地数据被排除或去除。产量数据比较的结果与来自框1012的处理图像数据联合或合并,以创建用于每年/每个地点组合的主数据集。(多个)主数据集作为输入被提供给图10a的农作物产量估计指令框175的批次生成框1018。批次生成框1018生成产量值的批次。
根据实施例,农作物产量估计指令框175可以执行附加联合,以将所有年份/地点组合组合为单个表格。在一个示例中,该单个表格包含大约600,000行,其中每行对应于具有关联数据的田地。该所得表格的大小可能相当大,例如40至60GB。为了解决数据表大小过大,一种方法是以与当前机器/深度学习和分布式框架更兼容的格式持留数据,这可以通过使用Tensorflow文件格式或TFRecord来满足。
根据实施例,田地特征框1008中的输出是田地的每个频谱带的值。在标准处理数据框1012中,处理是对频谱带强度值执行的。框1012中的处理是指号码集的分布标准化。这种处理的示例是输入的零均值、单位方差标准化,诸如频谱带强度值。在示例实施例中,在框1012中的处理之后,频谱带强度值与作为频谱带强度值的标识的对应预测产量数据相匹配,并作为输入被提供给深度机器学习模型。在实施例中,田地数据预处理指令171还执行标准处理数据框1012的功能性。
作为筛选过程的另一部分,产量高于预定阈值的田地被淘汰。在实施例中,产量值大于每英亩400蒲式耳的田地被去除。产量筛选被执行,以帮助防止可能由大产量偏差引入的产量估计的降级。在农作物产量估计指令框175中,批次生成器1018将来自框1012的田地的剩余产量数据和关联的田地图像数据布置为组(或批次)。来自随机田地的一组预测产量数据可以形成一个或多个批次,其可以基于某个标准形成,或者可以是随机的。对数据进行更随机的批次处理可能有助于解耦数据,并改进机器学习模型的训练。在农作物田地估计指令框177中,批次通过深度机器学习模型来循环,直到预测产量数据的所有批次被处理为止。
将预测产量数据划分为批次可以在本地执行,并且除了有助于提高处理速度之外,还具有降低本地计算设备工作负载的计算压力的效果。附加地,不需要用于存储大数据的大数据存储装置。批次的处理可以被分布在一系列本地计算设备上。批次通过机器学习模型循环,最终生成产量值,如先前讨论的。批次可以被用于评估训练后的机器学习模型和/或预测栽培季节中的不同时间的农作物产量。
在图10a中,预测产量数据批次是在框1014中使用一系列圆圈表示的。圆圈是按行或批次组织的图像数据的符号表示,并在田地级别按列或天数组织-每个频带、每个田地、一天一个数字(或值)。一行的圆圈可以共同对应于田地的种植季节中的天数,例如从种植到收获或一些较短的时间帧。每个圆圈的颜色或阴影表示是否存在对应田地的一个或多个数字图像频带。没有颜色的圆圈、空的或无阴影的圆圈指定当天没有来自对应田地的数字图像。空心圆圈是值向量的符号表示,这些值代替了频谱带强度值并且在格式上与频谱带强度值类似。它们可以被视为地方填充物,并适应某些深度学习机器模型的固定数据集大小要求。彩色圆圈的不同阴影指示对应于频谱带聚合的强度级别。每个圆圈都被标记有缺失图像指标。丢失图像指标可以是标签、标志、位或某种其他形式的指标。
在图10a和图10b中,1014中的每个圆圈表示特定的一天和特定田地的深度机器学习模型的输入。每个田地在每个季节都具有单个产量值。备选地,每个圆圈可以为每个田地指定多于一种类型的信息。例如,具有杂交种农作物的田地可能有两种不同类型的值。两个值可以表示田地内的两个感兴趣区域。如果田地具有两个(感兴趣区域)子区域,则样本单位是每个子区域(子区域级别)而不是每个田地(或田地级别)。每个田地的子区域数量可以是除2之外的数字,其中每个圆圈表示对应数量的值。
在图10b中,大气顶部框1052执行大气顶部框1001的功能,云掩膜框1054执行云掩膜框1004的功能,田地特征产量数据框1060执行产量数据框1010的功能,并且田地特征框1058可以执行与田地特征框1008类似的功能。田地特征框1058还表示田地的数字图像的像素的直方图计算功能。直方图值是为数字图像的像素的每个频谱带计算的。具有1000个像素的数字图像的示例(每个像素的像素值在0至1的范围内)包括将像素划分为100个桶(或组),其中每个桶的值介于‘0’和‘1’之间。计数值是针对在值0至0.01之间的频谱带强度的像素数量计算的(通过将范围0至1划分为100个桶)。类似地,计数值针对下一个桶来计算,即,强度在0.01至0.02之间的像素数量,以此类推。直方图值针对像素的每个频带计算,并被输入到深度学习机模型框177。
例如,直方图通常相对于平均值计算在计算上是复杂的,并且产生多值预测产量数据而不是单值预测产量数据。因此,工作负载是在图10a和10b的实现中被不同地管理的。在图10a和图10b中,产量数据功能框1010、1060被示出为由专用计算设备执行,但田地特征的输出由图10中的本地机器和图10b中的专用(位于远程的)机器处理。
图11示出了田地的输入数据批次的示例。出于说明清晰示例的目的,在一些实施例中,批次包括表示为田地1至田地N的多个田地的数据。针对每个田地,从种植日期开始到收获日期结束,每日时间步骤中的多个应季数据值被维护。在一些实施例中,例如通过在季节中间选择性地丢弃重复值,田地的数据可以被归一化为180个栽培天数,而不管实际栽培天数。产量值可以在季节中的任何时间生成,并且产量值可以在幅度或置信度级别上变化。
根据实施例,就实现预测产量的最低平均绝对误差(MAE)而言,包含200个估计器(树)的随机森林模型被用于产生基线田地级性能。机器学习算法库提供了合适的随机森林模型,其可以被用于实现本文描述的建模。在该实施例中,RF田地级模型的特征包括卫星图像(例如Landsat-8图像)和田地的地理空间地点。云掩膜被应用于卫星图像,以排除云覆盖范围大于10%的图像。表示州以及年份的唯一索引也被包括为特征。跨越2013年到2018年从13个州收集的产量训练和测试数据以逗号分隔值文件提供。观察到的产量超过400bu/ac的数据被放弃。在该实施例中,RF模型用跨所有年份的90/10数据拆分来训练,以产生所有数据的单个模型,并且还用来自每年的90/10数据拆分来训练,以每年产生不同的模型。这样做允许比较单个联合模型与年度特定模型。从一年中的第120天开始,图像按捕获日期按时间顺序排列,总共跨越150天,并且不按每个田地的种植日期对准。
根据另一实施例,通过使用由亚马逊Web服务开发的称为SageMaker的工具,使用大数据集训练基于深度学习的模型被促进。在该实施例中,与谷歌提供的TensorFlow估计器组合的SageMaker是在机器学习模型训练过程中使用的。在实现中,超参数调谐特征被配置为基于贝叶斯优化选择新一轮的超参数组合。
在另一实施例中,长短期记忆(LSTM)模型被使用。通常,LSTM以其从一个时间点到另一时间点的信息流中学习的能力而闻名,这使其成为当前用例的合适候选。然而,由于卫星图像的性质,每个田地可能不是每天都有图像,这使得在给定的日历日对准来自不同田地的图像具有挑战性。具有许多缺失图像会导致非常稀疏的时间序列,这对于LSTM学习来说并不理想。通过平均图像(例如平均每五天的图像)作为平衡缺失数据和通过不同时间点的信息流的更有效方式,本公开帮助解决该挑战。
前面的描述已经有效地示出了在一个或多个种植季节期间农田的应季卫星图像可以如何与机器学习模型一起被大规模地使用,以输出应季(或在不同种植季节)的田地级预测产量值。与现有方法不同,所公开的方法在使用针对各个田地的应季捕获的大量数字图像数据进行操作时是有效的。当训练后的机器学习模型是在季节中的不同点评估时,所公开的方法产生准确的产量估计。取决于计算所需的中间任务,实施例可以在用于大型或小型数据集的预置和基于云的计算资源之间平衡计算负载。因此,栽培者有机会以田地级别准确预测产量,而不必满足于县、州或国家级产量估计。
Claims (20)
1.一种计算机实现的方法,包括:
在农业智能处理系统处,接收多个农田的多个数字图像,所述农田中的每个农田由应季或在不同种植季节获得的一个或多个数字图像表示,农田的每个数字图像包括具有像素值的像素集合,像素的每个像素值表示频谱带强度集合,频谱带强度集合中的每个频谱带强度由电磁辐射的多个频带中的一个频带的频谱带强度值表示;
针对所述农田中的每个农田,使用针对该农田的所有所述数字图像,预处理针对所述多个频带中的每个频带的频谱带强度值,导致针对所有所述农田以田地级别存储多个预处理强度值;
将针对特定田地的所存储的经预处理的所述多个频谱带强度值输入到训练后的机器学习模型,以导致获得输出,所述输出包括针对该特定田地或除所述特定田地之外的农田的预测产量值;以及
基于所述预测产量值,引起使用客户端计算设备的图形用户界面来生成和显示所述特定田地的更新后的田地产量图。
2.根据权利要求1所述的方法,其中所述预处理还包括:
针对每个频带计算所述特定田地的所有数字图像的所述频谱带强度值的聚合平均值或者直方图值。
3.根据权利要求1所述的方法,还包括:
在随后的种植季节中,将所述预测产量值应用于所述特定田地或者除所述特定田地之外的所述农田的一个或多个数字图像。
4.根据权利要求1所述的方法,还包括:
用在随后的种植季节期间获得的另一田地的数字图像、所述预测产量值或其组合来重新训练所述训练后的机器学习模型;以及
在随后的种植季节期间,用所获得的所述特定田地、除所述特定田地之外的一个或多个农田或其组合的数字图像集合来周期性地重复重新训练所述训练后的机器学习模型。
5.根据权利要求1所述的方法,还包括:
用预测产量数据集的多个批次中的特定批次对所述预测产量值进行分组,所述预测产量数据集对应于除所述特定田地之外的田地集合,每个批次具有预测产量数据集;
将所述特定批次输入到所述训练后的机器学习模型;以及
针对除所述特定批次之外的批次重复所述输入功能。
6.根据权利要求1所述的方法,其中预测产量数据集的所述批次中的预测产量数据对应于农田内的一个或多个感兴趣区域。
7.根据权利要求1所述的方法,还包括:
针对数字图像缺失的所述特定田地之外的一个或多个农田,针对数字图像的所述像素集合中的像素的所述频谱带强度值中的每个频谱带强度值,每个频带输入频谱带强度值;以及
标注数字图像缺失的农田。
8.根据权利要求1所述的方法,其中电磁辐射的所述多个频带至少包括红色、绿色、近红外(NIR)和红边(RE)。
9.根据权利要求1所述的方法,还包括:应用图像频带归一化、时间平均中的一个或多个,或者确定地点交叉特征以准备提供给所述训练后的机器学习模型的特征。
10.根据权利要求1所述的方法,还包括:
检测所述多个农田中的一个或多个云覆盖田地,云覆盖田地具有超过阈值云覆盖水平的像素计数;以及
在所述预处理功能之前,从所述多个农田的所述数字图像中去除检测到的所述一个或多个云覆盖田地的所有数字图像。
11.一种系统,包括:
一个或多个处理器;
存储器,存储指令,所述指令在由所述一个或多个处理器执行时,引起功能的执行,所述功能包括:
在农业智能处理系统处,接收多个农田的多个数字图像,所述农田中的每个农田由应季或在不同种植季节获得的一个或多个数字图像表示,农田的每个数字图像包括具有像素值的像素集合,像素的每个像素值表示频谱带强度集合,频谱带强度集合中的每个频谱带强度由电磁辐射的多个频带中的一个频带的频谱带强度值表示;
针对所述农田中的每个农田,使用针对该农田的所有所述数字图像,在田地数据预处理指令处,预处理针对所述多个频带中的每个频带的频谱带强度值,导致针对所有所述农田以田地级别存储多个预处理强度值;
在所述田地数据批次处理指令处,将针对所述多个农田中的特定田地的经预处理的所述多个频谱带强度值输入到训练后的机器学习模型,以导致获得输出,所述输出包括针对该特定田地或除所述特定田地之外的农田的预测产量值;以及
基于所述预测产量值,引起使用客户端计算设备的图形用户界面来生成和显示所述特定田地的更新后的田地产量图。
12.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
针对每个频带计算所述特定田地的所有数字图像的所述频谱带强度值的聚合平均值或者直方图值。
13.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
在随后的种植季节中,将所述预测产量值应用于所述特定田地或者除所述特定田地之外的农田的一个或多个数字图像。
14.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
用在随后的种植季节期间获得的另一田地的数字图像、所述预测产量值或其组合来重新训练所述训练后的机器学习模型;以及
在随后的种植季节期间,用所获得的所述特定田地、一个或多个其他田地或其组合的数字图像集合来周期性地重复重新训练所述训练后的机器学习模型。
15.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
用预测产量数据集的多个批次中的特定批次对所述预测产量值进行分组,所述预测产量数据集对应于除所述特定田地之外的所述多个农田中的农田集合,每个批次具有预测产量数据集;
将所述特定批次输入到所述训练后的机器学习模型;以及
针对除所述特定批次之外的批次重复所述输入功能。
16.根据权利要求15所述的系统,其中预测产量数据集批次中的所述预测产量数据对应于农田内的一个或多个感兴趣区域。
17.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
针对数字图像缺失的所述特定田地之外的一个或多个农田,针对数字图像的所述像素集合中的像素的所述频谱带强度值中的每个频谱带强度值,每个频带输入频谱带强度值;以及
标注数字图像缺失的农田。
18.根据权利要求11所述的系统,其中电磁辐射的所述多个频带至少包括红色、绿色、近红外(NIR)和红边(RE)。
19.根据权利要求11所述的系统,所述存储器存储指令,所述指令在由所述一个或多个处理器执行时引起功能的执行,所述功能包括:应用图像频带归一化、时间平均中的一个或多个,或者确定地点交叉特征以准备提供给所述训练后的机器学习模型的特征。
20.根据权利要求11所述的系统,其中所述指令在由所述一个或多个处理器执行时还引起以下的执行:
检测所述多个农田中的一个或多个云覆盖田地,云覆盖田地具有超过阈值云覆盖水平的像素计数;以及
在所述预处理功能之前,从所述多个农田的所述数字图像中去除检测到的所述一个或多个云覆盖田地的所有数字图像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862784252P | 2018-12-21 | 2018-12-21 | |
US62/784,252 | 2018-12-21 | ||
PCT/US2019/068306 WO2020132674A1 (en) | 2018-12-21 | 2019-12-23 | In-season field level yield forecasting |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113196287A true CN113196287A (zh) | 2021-07-30 |
Family
ID=71098490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980084807.9A Pending CN113196287A (zh) | 2018-12-21 | 2019-12-23 | 应季田地级产量预报 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11574465B2 (zh) |
EP (1) | EP3899785A4 (zh) |
CN (1) | CN113196287A (zh) |
AR (1) | AR117511A1 (zh) |
AU (1) | AU2019401506A1 (zh) |
BR (1) | BR112021010122A2 (zh) |
CA (1) | CA3120299A1 (zh) |
WO (1) | WO2020132674A1 (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
USD927534S1 (en) * | 2019-03-25 | 2021-08-10 | Valmont Industries, Inc. | Display screen or portion thereof with graphical user interface |
US10970852B2 (en) * | 2019-04-01 | 2021-04-06 | Alloy Surfaces Company, Inc. | Systems and methods for multi-signature countermeasure testing |
US20210243936A1 (en) * | 2020-02-06 | 2021-08-12 | Deere & Company | Predictive weed map generation and control system |
US20230108969A1 (en) * | 2020-03-09 | 2023-04-06 | Nitto Denko Corporation | Abnormality detecting system |
US11556563B2 (en) * | 2020-06-12 | 2023-01-17 | Oracle International Corporation | Data stream processing |
US11295331B2 (en) * | 2020-07-01 | 2022-04-05 | X Development Llc | Analyzing crop fields based on agricultural management practices |
CA3188599A1 (en) * | 2020-07-16 | 2022-01-20 | Taylor AUNE | Predicting horticultural yield for a field location using multi-band aerial imagery |
US11666004B2 (en) * | 2020-10-02 | 2023-06-06 | Ecoation Innovative Solutions Inc. | System and method for testing plant genotype and phenotype expressions under varying growing and environmental conditions |
US20220104437A1 (en) * | 2020-10-02 | 2022-04-07 | Ecoation Innovative Solutions Inc. | Reduction of time of day variations in plant-related data measurements |
EP3979193A1 (en) * | 2020-10-02 | 2022-04-06 | Sensilize Ltd | System for evaluating and monitoring plants |
US20220107297A1 (en) * | 2020-10-02 | 2022-04-07 | Ecoation Innovative Solutions Inc. | Platform for real-time identification and resolution of spatial production anomalies in agriculture |
WO2022106302A1 (en) | 2020-11-20 | 2022-05-27 | Bayer Aktiengesellschaft | Representation learning |
US11663192B2 (en) | 2020-12-10 | 2023-05-30 | Oracle International Corporation | Identifying and resolving differences between datastores |
EP4302233A1 (en) | 2021-03-05 | 2024-01-10 | Bayer Aktiengesellschaft | Multimodal representation learning |
EP4116897A1 (en) | 2021-07-06 | 2023-01-11 | Enrique Menotti Pescarmona | Process and system of management and analysis for agricultural production |
WO2023011943A1 (en) | 2021-08-02 | 2023-02-09 | Bayer Aktiengesellschaft | Similarity retrieval |
KR102457893B1 (ko) * | 2021-12-02 | 2022-10-24 | 주식회사 에스아이에이 | 딥러닝 기반의 강수량 예측 방법 |
US11861520B2 (en) * | 2022-03-31 | 2024-01-02 | Planet Watchers Ltd. | Crop monitoring system and method thereof |
US20240028957A1 (en) * | 2022-07-20 | 2024-01-25 | Tata Consultancy Services Limited | Methods and systems for high resolution and scalable crop yield forecasting |
CN115564145B (zh) * | 2022-11-17 | 2023-06-30 | 北京市农林科学院信息技术研究中心 | 基于分布式数据的农作物品种产量预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101836561A (zh) * | 2010-03-08 | 2010-09-22 | 南京大学 | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 |
CA3007202A1 (en) * | 2015-12-02 | 2017-06-08 | The Climate Corporation | Forecasting field level crop yield during a growing season |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和系统 |
CN108414455A (zh) * | 2018-01-30 | 2018-08-17 | 阳光农业相互保险公司 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652691B2 (en) * | 2006-11-07 | 2017-05-16 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to N-deficiency |
US8064692B2 (en) | 2008-12-24 | 2011-11-22 | Weyerhaeuser Nr Company | Automatic age classification of forest land |
US9946931B2 (en) | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
US9638678B2 (en) * | 2015-01-30 | 2017-05-02 | AgriSight, Inc. | System and method for crop health monitoring |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
US20180330435A1 (en) * | 2017-05-11 | 2018-11-15 | Harvesting Inc. | Method for monitoring and supporting agricultural entities |
US10942113B2 (en) * | 2018-03-07 | 2021-03-09 | Emerald Metrics | Methods, systems, and components thereof relating to using multi-spectral imaging for improved cultivation of cannabis and other crops |
-
2019
- 2019-12-23 US US16/725,869 patent/US11574465B2/en active Active
- 2019-12-23 BR BR112021010122-5A patent/BR112021010122A2/pt unknown
- 2019-12-23 CN CN201980084807.9A patent/CN113196287A/zh active Pending
- 2019-12-23 CA CA3120299A patent/CA3120299A1/en active Pending
- 2019-12-23 AR ARP190103860A patent/AR117511A1/es active IP Right Grant
- 2019-12-23 EP EP19901397.0A patent/EP3899785A4/en active Pending
- 2019-12-23 AU AU2019401506A patent/AU2019401506A1/en active Pending
- 2019-12-23 WO PCT/US2019/068306 patent/WO2020132674A1/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101836561A (zh) * | 2010-03-08 | 2010-09-22 | 南京大学 | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 |
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 |
CA3007202A1 (en) * | 2015-12-02 | 2017-06-08 | The Climate Corporation | Forecasting field level crop yield during a growing season |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN108414455A (zh) * | 2018-01-30 | 2018-08-17 | 阳光农业相互保险公司 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
Non-Patent Citations (3)
Title |
---|
王娣: ""高光谱与多光谱遥感水稻估产研究"", 《中国优秀硕士学位论文全文数据库农业科技辑》, pages 047 - 45 * |
程传阳等: ""基于波段背景清晰度的小波变换高光谱遥感图像融合"", 《南昌航空大学学报:自然科学版》, vol. 32, no. 2, 30 June 2018 (2018-06-30), pages 71 * |
谢永凯: ""冬小麦冻害高光谱信息提取及产量早期估测研究"", 《中国优秀硕士学位论文全文数据库农业科技辑》, pages 047 - 72 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020132674A1 (en) | 2020-06-25 |
US11574465B2 (en) | 2023-02-07 |
CA3120299A1 (en) | 2020-06-25 |
BR112021010122A2 (pt) | 2021-08-24 |
AR117511A1 (es) | 2021-08-11 |
AU2019401506A1 (en) | 2021-07-15 |
US20200202127A1 (en) | 2020-06-25 |
EP3899785A4 (en) | 2022-08-10 |
EP3899785A1 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574465B2 (en) | In-season field level yield forecasting | |
US11769232B2 (en) | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery | |
US11557116B2 (en) | Generating pixel maps from non-image data and difference metrics for pixel maps | |
CN112740258B (zh) | 通过田地健康影像生成农艺产量地图 | |
CA3007202C (en) | Forecasting field level crop yield during a growing season | |
CN113196294A (zh) | 使用机器学习方法利用卫星数据来映射土壤属性 | |
CA3020852C (en) | Estimating rainfall adjustment values | |
US20210209490A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
US11796971B2 (en) | Utilizing spatial statistical models for implementing agronomic trials | |
CN113226009A (zh) | 针对大豆的预测性的种子脚本处理 |
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 | ||
CB02 | Change of applicant information |
Address after: Missouri, USA Applicant after: Clemet Co.,Ltd. Address before: California, USA Applicant before: Clemet Co.,Ltd. |
|
CB02 | Change of applicant information |