CN114026609A - 传感器融合 - Google Patents

传感器融合 Download PDF

Info

Publication number
CN114026609A
CN114026609A CN202080047198.2A CN202080047198A CN114026609A CN 114026609 A CN114026609 A CN 114026609A CN 202080047198 A CN202080047198 A CN 202080047198A CN 114026609 A CN114026609 A CN 114026609A
Authority
CN
China
Prior art keywords
sensor data
remote
local
time
remote sensor
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
Application number
CN202080047198.2A
Other languages
English (en)
Inventor
M·卡拉米
N·维尔纳
T·托布鲁克
O·詹森
C·克霍夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BASF Agro Trademarks GmbH
Original Assignee
BASF Agro Trademarks GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BASF Agro Trademarks GmbH filed Critical BASF Agro Trademarks GmbH
Publication of CN114026609A publication Critical patent/CN114026609A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
    • A01B69/007—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow
    • A01B69/008—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow automatic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Environmental Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Soil Sciences (AREA)
  • Molecular Biology (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Wood Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Botany (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种用于校正农田的远程传感器数据的方法，该方法包括以下步骤：从远程传感器接收农田的远程传感器数据(DR)，其中远程传感器数据(DR)包括至少一个远程测量值，该至少一个远程测量值对应于由远程传感器在获取远程测量值的至少一个时间点测量的至少一个位置；从至少一个本地传感器接收农田的本地传感器数据(DL)，其中至少一个本地传感器数据(DL)包括至少一个本地测量值，该至少一个本地测量值对应于至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的本地测量值的至少一个时间点；基于先前接收的本地传感器数据(DL)和先前接收的远程传感器数据(DR)，确定校正模型；以及通过将校正模型应用于当前远程传感器数据来确定校正的当前远程传感器数据(DRP，DRPR)。

Description

传感器融合
技术领域
本公开涉及用于校正农田的远程传感器数据的方法、处理设备、系统、计算机程序、计算机程序和计算机非易失性存储介质。
背景技术
对于精准农业，植物、疾病和害虫模型的质量构成了将数据转化为对农田的可执行洞察和自动化操作的基础。此类模型的质量高度依赖于现实世界的数据。两个例子是卫星数据或天气数据。特别是对于长时间重访导致的卫星图像的可用性和质量限制，存在云或大气效应。
现代植物和害虫模型的准确性和性能高度依赖于几个特定于农田的高质量天气和作物数据。现在的天气模型已经具有很高的精度，但一些对于建模影响较大的特定于农田的天气参数需要进一步改进和地面实况，以减少输入数据引起的建模错误。特别是，具有特定于农田的小气候条件的位置受益于额外的现场(in-situ)测量。
为了进一步改进喷雾建议，需要更精细的技术来提高数据质量。此外，数据的可用性和可靠性是现代农业安全操作农田的先决条件。
关于卫星图像的可用性和质量，存在大量针对基于卫星的生物量和作物健康分析的市场产品。然而，这些都受到图像可用性和质量的限制。这些问题尝试通过增加摄取的卫星产品数量和加入后处理步骤(例如大气校正)来缓解。然而，这些措施正在影响这些市场产品的成本。
IoT设备或非固定传感器的安装和维护非常耗时。现有产品通常需要大量安装和大量维护工作。这会影响种植者的资源，即人们对农艺学习的关注度小于在保持系统运行和维护方面的关注度。
在“大数据”时代，种植者非常关注从他们的农田收集数据并管理这些数据，然而，这并不一定意味着更多的洞察力和更有效的农业实践。数字农业平台通常缺乏消化数据并将其转化为实用见解和建议的能力。
远程传感器数据通常用于提供额外的农田数据。这种提供远程传感器数据的远程传感器例如是能够覆盖整个农田的卫星。然而，特别是对于从远程传感器到农田的距离，可能会引入测量误差。例如，诸如云之类的大气畸变可能会使远程传感器数据出现偏差。
因此，需要一种获得农田远程传感器数据的改进方法。
发明内容
以下公开同样适用于本文公开的系统、方法、计算机程序、计算机可读非易失性存储介质和计算机程序产品。因此，系统、方法、计算机程序、计算机可读非易失性存储介质或计算机程序产品之间没有区别。结合本文公开的系统、方法、计算机程序、计算机可读非易失性存储介质和计算机程序产品公开所有特征。
根据本发明的一个方面，提供了一种用于校正农田的远程传感器数据的方法，所述方法包括以下步骤：从远程传感器接收所述农田的远程传感器数据，其中所述远程传感器数据包括至少一个远程测量值，所述至少一个远程测量值对应于由所述远程传感器在获取所述远程测量值的至少一个时间点测量的至少一个位置；从至少一个本地传感器接收所述农田的本地传感器数据，其中所述至少一个本地传感器数据包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的本地测量值的至少一个时间点；基于先前接收的本地传感器数据和先前接收的远程传感器数据，确定校正模型；以及通过将所述校正模型应用于当前远程传感器数据，确定校正的当前远程传感器数据。
如本文所用，术语“当前远程传感器数据”涉及当前远程传感器数据，特别是卫星数据，将对这些数据应用用于确定校正的当前远程传感器数据的校正模型。换言之，当前远程传感器数据例如涉及例如通过卫星实时提供的直播远程传感器数据。
如本文所用，术语“远程传感器数据”和“本地传感器数据”涉及任何传感器数据，其中包括历史传感器数据。换言之，远程传感器数据和本地传感器数据描述了用于确定校正模型的可用传感器数据。需要指出，远程传感器数据和本地传感器数据可以在获取当前远程传感器数据之前不久获得，也可以在获取当前远程传感器数据之前很久获得。
如本文所用，术语“确定校正模型”包括校正模型的训练和学习，特别是基于远程传感器数据和本地传感器数据。
如本文所用，术语“校正的当前远程传感器数据”涉及已经校正的当前远程传感器数据。校正当前远程传感器数据包括修改当前远程传感器数据或验证当前远程传感器数据。
换言之，在先前接收的本地传感器数据表明先前接收的远程传感器数据已经足够准确的场景中，校正模型基于先前接收的本地传感器数据和先前接收的远程传感器数据确定之前的远程传感器数据不必修改。因此，校正模型确定校正的当前远程传感器数据是先前接收的远程传感器数据，而无需修改先前接收的远程传感器数据。因此，校正模型验证先前接收的远程传感器数据，或者换言之，校正模型确认先前接收的远程传感器数据足够准确度。
在先前接收的本地传感器数据表明先前接收的远程传感器数据不够准确的场景中，校正模型基于先前接收的本地传感器数据和先前接收的远程传感器数据确定先前的远程传感器数据必须修改。因此，校正模型修改先前接收的远程传感器数据。校正模型被提供用于鉴于先前提供的本地传感器数据确定先前接收的远程传感器数据是否已经足够准确的预定阈值。
此外，校正模型被提供用于确定先前接收的远程传感器数据是否为异常值的预定异常值阈值。异常值不会被校正模型校正，而是直接丢弃。
如本文所用，术语“农田”包括任何种类的商用区域，特别是森林区域、草场和耕地。
根据实施例，远程传感器远离农田而设置，例如集成在卫星中。
根据实施例，本地传感器设置在农田附近或农田中。
根据实施例，本文所述的方法是计算机实现的方法。
根据实施例，校正模型基于当前远程传感器数据和当前本地传感器数据来确定校正的当前远程传感器数据。
基于本地传感器数据或现场数据，可以确定校正或投影模型，从而导致提高的数据质量或改进的模型。在前一情况下由于模型输入的增强，在后一情况下由于模型本身的改进，都会导致更稳健的模型性能。后一情况可能与天气模型、生长阶段模型、病虫害模型以及此类模型中反映的任何田间特定元素特别相关。这种方法为农民带来了好处，因为所提供的建议是根据特定田地的条件量身定制的，并且减少了农民到田间实地观测的工作量。
在一种实施方式中，本地传感器或现场观测传感器提供与农田的一个或多个条件相关的至少一个测量值。在一种实施方式中，测量值与农田中的天气、土壤和/或作物条件有关。测量或导出的天气条件的示例包括气温、湿度、压力、降水、风、生长期。作物条件可以通过光谱仪测量或推导，例如基于反射测量来确定生物量指数，例如归一化差值植被指数(NDVI)、叶面积指数(LAI)或光合有效辐射(PAR)或叶湿度。例如，NDVI基于分别在红色(可见光)和近红外区域获取的红色和近红外光谱反射率测量。这些光谱反射率是每个光谱带中入射辐射的反射率，因此它们的值介于0.0至1.0之间。土壤条件可以包括反射率或与养分含量、土壤成分等相关的土壤测量值。通过将各个传感器元件包括到本地传感器中，可以同时测量农田上的不止一种状况。远程传感器数据可以包括映射在网格上作为测量值的一个条件或一个条件组合，因此相当于现场数据或本地传感器数据。
在实施例中，本地传感器提供多波段光谱仪、气温、湿度、压力、PAR、GPS坐标、声波图(声音分类)、倾斜、罗盘和/或加速度。可以从本地传感器获得的数据示例包括来自上行(upwelling)长波的叶片温度、来自光谱仪的开花或授粉以及来自PAR的光合作用(A)、可用PAR的一部分以及光利用效率(LUE)。
这里，第一时间点可以被视为两个数据集(即，远程传感器数据和本地传感器数据)中最匹配的时间点。远程传感器数据可以包括卫星图像的时间序列。远程传感器数据可以是多变量时间序列，包括例如测量值(例如，NDVI或LAI)的二维网格。本地传感器数据可以包括分别与本地传感器的位置相关联的测量值的时间序列。本地传感器数据可以是单变量时间序列，包括例如一维测量值(例如，NDVI或LAI)链。根据实施例，本地传感器的位置对应于由嵌入本地传感器的定位系统提供的定位值。定位系统例如包括全球定位系统。
在一种实施方式中，本地传感器可以是非固定的。此外，本地传感器的位置可以是当前位置或校正位置。可以根据用于校正从本地传感器接收的本地传感器数据的方法来确定校正位置，如本文所述。
在一种实施方式中，接收来自现场不同位置的多个本地传感器或多个单变量时间序列的本地传感器数据。如果将多于一个本地传感器放置在农田的不同位置，并且映射田间可变性，则可以考虑校正模型的定位相关性。在一种实施方式中，可以考虑被放置在感兴趣的农田(例如，附近农田或距离感兴趣的农田低于阈值的农田)附近的本地传感器。
在一种实施方式中，针对多于一个时间点和/或位置确定校正模型。如果针对多于一个时间点确定校正模型，则根据公共时间戳(stamp)来匹配本地传感器数据和远程传感器数据。在这种情况下，校正模型变得依赖于时间，并且可以反映季节变化的潜在性。如果针对多于一个位置确定校正，则可以反映田间可变性。时间和位置的组合导致更准确的校正模型来反映田间可变性以及季节性变化。
在一种实施方式中，可以确定校正模型并将其应用到限于感兴趣的农田的远程传感器数据。附加地或替代地，可以针对限于第一感兴趣的农田的远程传感器数据确定校正模型，并可将校正模型应用到与第二感兴趣的农田相关的远程传感器数据。在这种情况下，可以验证校正模型对例如相邻的农田或位于第一农田的一定距离内的农田的适用性。这种验证可以经由静态或预定义的距离阈值凭经验确定。替代地或附加地，可以通过分析具有多于一个农田的感兴趣区域中的观测来动态地确定这种验证。在这种情况下，可以通过农田边界或在农田上种植的作物类型来指定农田。将校正模型应用到其他农田可以扩大应用范围并增加农民的利益。如果例如只有一个田地配备有本地传感器，则所确定的校正函数也可用于未配备此类传感器的相邻农田。
因此，基于训练的校正模型系统地校正由远程传感器提供的当前远程传感器数据。
将来自本地传感器的光谱原位时间序列与卫星图像相结合可以提供对农田区域生物量的连续高精度监测，从而实现每天可用的精确区域喷雾解决方案。
因此，提供了更一致和更准确的远程传感器数据。此外，还提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，本地传感器是非固定的。
因此，提供了通过放置在感兴趣的农田上或附近的本地传感器收集的来自遥感的较大网格数据集的本地传感器数据或现场数据。本地传感器可以是非固定的。根据实施例，本地传感器是非固定的，因为它可以通过放置在间歇位置而在农田中移动。因此，在第一时间段，本地传感器可以被放置在农田的第一位置，在第二时间段，本地传感器可以被放置在农田的第二位置。例如，农民可以在本地传感器干扰其作业时重新定位本地传感器。换言之，农民可能会在几米的范围内重新定位本地传感器。在这两种情况下，本地传感器都会收集时间序列数据，这些数据可能在某个时间尺度上可用，例如秒、分、天、周、月或年。可以在农田或农田附近放置多个本地传感器。然而，本地传感器并非每次都覆盖整个农田。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，远程测量值和/或本地测量值与高光谱指数或生物量指数相关联。
在一种实施方式中，远程测量值和例如本地测量值可与高光谱或生物量指数(例如，NDVI)相关联或可以是该指数。在这种情况下，本地传感器是例如配备光谱仪，例如至少在红色到红外区域进行测量的多波段光谱仪。此外，传感器可以定位在顶篷(canopy)上方和/或下方。上方和下方位置允许确定诸如LAI之类的绝对生物量指数。在非固定传感器的情况下，它可以放置在例如将传感器的位置抬高到地面以上的杆子或柱子上。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在一个示例性实施例中，确定校正模型包括以下步骤：确定对应于至少一个本地传感器的位置的远程测量值；以及确定对应于至少一个本地传感器的位置的远程测量值和至少一个本地传感器的本地测量值之间在多个时间点的差异；其中确定校正模型还基于所确定的差异。
根据实施例，校正模型确定农田中特定位置的远程测量值和本地测量值在多个时间点之间的平均差。然后，校正模型基于所确定的平均差，确定每个时间点的校正的远程测量值，并因此确定校正的远程传感器数据。
因此，确定了更一致且更准确地校正远程传感器数据的校正模型。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，所述远程传感器数据包括至少一个远程图像，其基于所述至少一个远程测量值，其中确定对应于所述本地传感器的所述位置的所述远程测量值包括以下步骤：从所述远程图像中提取最接近所述本地传感器的所述位置的像素或提取最接近所述本地传感器的所述位置的像素的预定距离内的像素平均值；基于所提取的像素确定所述远程测量值，其中确定所述校正模型还基于所述远程测量值所基于的已提取的像素。远程传感器数据包括至少一个远程图像，其基于远程传感器数据的至少一个远程测量值。远程图像优选地为卫星图像。远程图像的每个像素涉及远程测量值。
换言之，来自与位置(例如，当前或校正位置)相关的远程传感器数据的远程测量值通过从最接近该位置(例如，当前或校正位置)的远程传感器数据中提取像素，或通过提取最接近该位置(例如，当前或校正位置)的像素的预定距离内的像素的平均值来确定。对于基于反射率的远程传感器数据，例如可以包括多个光波段。如果在波段级别上进行比较，则基于远程传感器数据和本地传感器数据的光谱响应函数，可以匹配来自每个数据集的测量值。对于相对测量值，这可能不是必需的。
因此，提供了更加一致和准确的远程传感器数据。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，确定所述远程测量值之间的差异包括以下步骤：从所述至少一个本地传感器接收所述本地传感器数据的本地时间序列数据，其中所述本地时间序列数据包括对应于所述位置的多个时间点的多个位置数据，其中所述至少一个本地传感器在特定时间点定位；基于所述本地传感器随时间的各个位置之间的最大距离，确定本地传感器数据的集群；基于所确定的集群确定所述至少一个本地传感器的集群位置；以及确定对应于所述至少一个本地传感器的所述集群位置的所述远程测量值和所述至少一个本地传感器的所述本地测量值之间在多个时间点的差异，其中确定所述校正模型还基于所确定的差异。
一旦确定了集群，就可以检查新的传感器数据点，若其位于集群之一内的话。如果识别出集群，则可以存储与新传感器数据点的测量值相关联的相应校正位置。如果未识别出集群，则可以标记为设备移动和/或可以重复用于校正本地传感器数据的方法以确定相应的集群中心。
通过校正每个本地传感器数据点的位置，可以避免本地传感器定位系统的不准确，提高传感器融合的整体数据质量。特别是对于可移动的本地传感器，这种不准确性对数据的进一步处理有很大影响，并可能导致额外的错误。因此，该方法允许将本地传感器测量的轨迹与大规模像素或网格数据集相匹配，并考虑定位系统中的随机波动。检测物理设备运动(信号/噪声)对于将来自可移动本地传感器的数据(例如，NDVI时间序列)与其他来源的数据(例如，来自卫星的NDVI时间序列)相结合至关重要。本质上，物理传感器运动的检测是通过机器学习(例如层次群聚)和卫星GPS信号的过滤来完成的。
在一种实施方式中，基于以下至少一种集群(cluster)分析方法来确定集群：即，层次群聚(clustering)，特别是单链接层次群聚，基于质心的群聚；基于分布的群聚或基于密度的群聚。
在一种实施方式中，集群的确定基于位置之间的距离，可选地包括集群之间分离的预定义最大距离。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，所述集群位置通过确定所述集群的中心来确定。
在一种实施方式中，集群中心的确定可以基于分布函数。这里可以将简单的径向距离或分布函数的最大值定义为集群中心。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，所述方法包括以下步骤：如果所接收的远程时间序列数据包括至少一个间隙，在该间隙中缺少所述远程时间序列数据的所述时间序列中的预期时间点的远程传感器数据，则接收所述间隙的所述时间点的本地传感器数据，以及基于所接收的本地传感器数据来确定所述间隙的所述时间点的预测的远程传感器数据。
根据实施例，校正模型预测远程传感器数据，特别是使用被馈送本地传感器数据和/或远程传感器数据的统计模型。
远程传感器数据可能非常不规则，因此在此类测量中会丢失某些时间点。生成这种缺失的时间点的远程传感器数据允许为农民提供有关田间状况的更多最新信息、在这种间隙中更准确的建模以及从而更准确的建议或决策。在这种情况下，间隙包括在其中远程传感器数据可用的两点之间的缺少的远程传感器数据，或者在远程传感器数据可用的一个点之后的缺少的远程传感器数据。因此，该方法允许将当前远程传感器数据投影到未来，直到接收到下一组远程传感器数据。因此，尽管远程传感器数据不规则，该方法仍允许增加数据可用性并向农民提供农田的当前最新视图。
因此，即使是大的间隙也可以用预测的远程传感器数据来填充。此外，即使没有可用的当前远程传感器数据，也可以提供来自远程传感器的更频繁的图像。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，确定预测的远程传感器数据包括：接收所述间隙前的一时间点的远程传感器数据，以及基于所接收的所述间隙前的所述时间点的远程传感器数据来确定所述预测的远程传感器数据。
因此，提供了一种用于估计预测的远程传感器数据的简单解决方案。此外，还提供了一种用于校正农田的远程传感器数据的改进方法。
在实施例中，所述校正模型包括取决于远程传感器数据和本地传感器数据的历史数据集的投影函数，其中所预测的远程传感器数据基于所述投影函数而确定。
换言之，投影函数针对直到间隙的本地传感器数据的时间序列而确定。考虑到例如季节性变化，可以生成时间相关的投影函数。这里使用诸如自回归之类的时间序列建模技术，贝叶斯技术，或者诸如长短期记忆(LSTM)、回声状态网络(ESN)、常微分方程(ODE)或随机偏微分方程(SPDE)之类的更复杂的循环神经网络。此外，高斯过程回归技术可用于考虑远程传感器数据的不规则或不连续性质。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
根据本发明的另一方面，一种处理设备被配置为从远程传感器接收农田的远程传感器数据，其中所述远程传感器数据包括至少一个远程测量值，所述至少一个远程测量值对应于所述远程传感器在获取所述远程测量值的至少一个时间点测量的至少一个位置；从至少一个本地传感器接收所述农田的本地传感器数据，其中所述至少一个本地传感器数据包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的本地测量值的至少一个时间点；基于先前接收的本地传感器数据和先前接收的远程传感器数据，确定校正模型；以及通过将所述校正模型应用于当前远程传感器数据，确定校正的当前远程传感器数据。
因此，提供了一种用于校正农田的远程传感器数据的改进方法。
根据本发明的另一方面，一种用于校正农田的远程传感器数据的系统，包括：远程传感器，其被配置为从远程传感器提供所述农田的远程传感器数据，其中所述远程传感器数据包括至少一个远程测量值，所述至少一个远程测量值对应于由所述远程传感器在获取所述远程测量值的至少一个时间点测量的至少一个位置；本地传感器，其被配置为从至少一个本地传感器提供所述农田的本地传感器数据，其中所述至少一个本地传感器数据包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的所述本地测量值的至少一个时间点；以及如本文所述的处理设备。
根据本发明的另一方面，提供了一种包括计算机可读指令的计算机程序，所述计算机可读指令在被处理设备加载和执行时，执行如本文所述的方法。
根据本发明的另一方面，一种计算机可读非易失性存储介质被配置为存储如本文所述的计算机程序。
根据本发明的另一方面，提供了在如本文所述的方法中的对所述农田的远程传感器数据和所述农田的本地传感器数据的用途。
在一种实施方式中，提供了一种基于来自现场(on-site)观测传感器的本地传感器数据来校正感兴趣的农田的远程传感器数据的方法，该方法包括以下步骤：经由通信接口，接收感兴趣的农田的本地传感器数据，其中本地传感器数据包括至少一个第一时间点、至少一个测量值和观测传感器的位置；经由通信接口，接收感兴趣的农田的远程传感器数据，其中包括与至少一个第一时间点的本地传感器数据相关的相同或导出的测量值；经由处理单元，基于来自与本地传感器数据的当前或校正位置相关联的远程传感器数据的测量值并且基于本地传感器数据的测量值，确定校正模型；经由通信接口，将校正模型应用于远程传感器数据，并提供校正的远程传感器数据。
在一种实施方式中，观测传感器是非固定的或固定的。
在一种实施方式中，观测传感器的位置是当前位置或校正位置。
在一种实施方式中，测量值与高光谱或生物量指数相关联。
在一种实施方式中，来自与位置相关联的远程传感器数据的测量值通过从最接近该位置的远程传感器数据中提取像素或通过提取最接近该位置的像素的预定义距离内的像素的平均值来确定。
在一种实施方式中，其中针对多于一个时间点和/或位置确定校正模型。
在一种实施方式中，提供了一种用于校正从现场观测传感器接收的本地传感器数据的方法，现场观测传感器特别是从本地非固定传感器，现场观测传感器更特别地是从在间歇位置可移动的，该方法包括以下步骤：经由通信接口，接收来自现场观测传感器的时间序列数据，其中时间序列数据针对每个时间点包括与位置相关联的至少一个测量值；经由处理单元，基于该位置，确定时间序列数据中的一个或多个集群；经由处理单元，针对每个确定的集群，确定集群中心；经由通信接口，提供所确定的集群中心作为与每个集群中的每个测量值相关联的校正位置。
在一种实施方式中，在接收到新的传感器数据点时，检查该新的传感器数据点，若它位于所确定的集群之一的话。如果新的传感器数据点不在所确定的集群之一内，则假定本地传感器已明显重新定位。因此，确定新的集群，并且重复相应集群中心的确定。
在一种实施方式中，提供了一种基于本地传感器数据填充远程传感器数据时间序列中的间隙的方法，该方法包括以下步骤：经由通信接口，接收来自数据库的具有间隙的远程传感器数据的时间序列，在该间隙内不存在任何远程传感器数据；经由通信接口，接收至少位于间隙中的时间点的本地传感器数据；经由处理单元，基于就在间隙之前的远程传感器数据和在间隙期间接收的本地传感器数，据使用投影函数，确定间隙中时间点的远程传感器数据，其中，投影函数被根据远程传感器数据和本地传感器数据的历史数据而集参数化；在没有远程传感器数据的情况下，经由通信接口，提供所识别时间点的投影远程传感器数据。
在一种实施方式中，提供了一种基于来自现场观测传感器的本地传感器数据来校正感兴趣的农田的远程传感器数据的系统，该系统包括通信接口和处理单元，其被配置为：经由通信接口，接收感兴趣的农田的本地传感器数据，其中本地传感器数据包括至少一个第一时间点、至少一个测量值和观测传感器的位置；经由通信接口，接收感兴趣的农田的远程传感器数据，其中包括与至少一个第一时间点的本地传感器数据相关的相同或导出的测量值；经由处理单元，基于来自与本地传感器数据的当前或校正位置相关联的远程传感器数据的测量值，并且基于本地传感器数据的测量值，确定校正模型；经由通信接口，将校正模型应用到远程传感器数据，并提供校正的远程传感器数据。
在一种实施方式中，提供了一种用于校正从现场观测传感器接收的本地传感器数据的系统，现场观测传感器特别是从本地非固定传感器接，现场观测传感器更特别地是从在间歇位置可移动的，该系统包括通信接口和处理单元，其被配置为：经由通信接口，接收来自现场观测传感器的时间序列数据，其中时间序列数据针对每个时间点包括与位置相关联的至少一个测量值；经由处理单元，基于该位置，确定时间序列数据中的一个或多个集群；经由处理单元，针对每个确定的集群，确定集群中心；经由通信接口，提供所确定的集群中心作为与每个集群中的每个测量值相关联的校正位置。
在一种实施方式中，提供了一种基于本地传感器数据填充远程传感器数据时间序列中的间隙的系统，该系统包括通信接口和处理单元，其被配置为：经由通信接口，接收来自数据库的具有间隙的远程传感器数据的时间序列，在该间隙内不存在任何远程传感器数据；经由通信接口，接收至少位于间隙中的时间点的本地传感器数据；经由处理单元，基于就在间隙之前的远程传感器数据和在间隙期间接收的本地传感器数据，使用投影函数，确定间隙中时间点的远程传感器数据，其中投影函数被根据远程传感器数据和本地传感器数据的历史数据集而参数化；在没有远程传感器数据的情况下，经由通信接口，提供所识别时间点的投影远程传感器数据。
在一种实施方式中，提供了一种包括计算机可读指令的计算机程序或计算机可读非易失性存储介质，当被处理设备加载和执行时，这些计算机可读指令执行如本文所述的方法。
例如，所提供的方法和系统对于实际农业具有以下相关性。在田间区域特定的相关性方面，通过融合卫星数据和现场高光谱测量，使用地面真实(truth)、现场测量来校准分区算法得到更准确和一致的分区数据。在连续监测的相关性方面，结合卫星数据使用来自本地传感器的光谱信息可以在田间区域水平对植物健康和生长进行连续、空间明确的监测。
例如，所提供的方法和系统对于农场作业和农场劳动力具有以下益处。由于可变量处方图(variable rate prescription maps)的日常可用性提供了改进的后勤，例如杀菌剂处理，种植者不需要围绕卫星图像可用性来规划他们的后勤。这样便提高了灵活性。非固定的本地传感器是高度可移动的、易于安装设备。根据季节进展，本地传感器可以安装在不同的农田，例如用于T1、T2或T3谷物杀菌剂应用。从而提高了效率。无缝的一键式解决方案互操作性可节省时间、减少安装压力因素和导入(onboarding)工作。提供改进的维护：数百个安装单元确认，不需要维护非固定的本地传感器和系统。
所提供的方法和系统例如对环境和能源具有以下益处。非固定的本地传感器可以使用太阳能而不是电池。更有效的喷洒可以通过减少作物投入和优化操作来帮助农民环保地作业。
所提供的方法和系统例如对劳动效率和/或劳动安全具有以下影响。如果在田间将传感器置于适当的位置，农民可以减少田地观测的工作量，如果需要的话，可以触发更有针对性的田地观测。
附图说明
示例性实施例在附图中示出，其中
图1示出了来自远程传感器数据和本地传感器数据的NDVI与时间的关系示例性实施例；
图2示出了来自远程传感器数据和本地传感器数据的另一NDVI与时间的关系的示例性实施例；
图3示出了预测的卫星测量的示例性实施例；
图4示出了具有拒绝(rejection)的预测的卫星测量的示例性实施例；
图5示出了来自远程传感器数据和本地传感器数据的另一NDVI与时间的关系的示例性实施例，其中具有截止点(cut off)；
图6示出了来自远程传感器数据和本地传感器数据的NDVI与时间的关系的示例性实施例，其中具有根据截止点的预测；
图7A示出了来自非固定的本地传感器的位置数据的示例性实施例；
图7B示出了来自非固定的本地传感器的集群位置数据的示例性实施例；以及
图8示出了用于传感器融合的流程图的示例性实施例。
具体实施方式
图1示出了来自远程传感器数据DR(特别是卫星测量数据)和本地传感器数据DL的标准化差异植被指数NDVI随时间(以不同日期的形式)变化的示例性实施例，并且特别突显了明显偏离本地传感器数据的差异，特别是对于第一图像1、第二图像2、第三图像3、第四图像4和第五图像5，这是诸如云之类的大气畸变的迹象。
图2示出了来自远程传感器数据DR和本地传感器数据DL的另一NDVI随时间的变化的示例性实施例。鉴于每个图像的NDVI，远程传感器数据DR尤其在第一数据点S1、第二数据点S2、第三数据点S3、第四数据点D4和第五数据点S5偏离本地传感器数据DL。这又是诸如云之类的大气畸变的迹象。
图3示出了图2的远程传感器数据DR和本地传感器数据DL的示例性实施例。通常，远程传感器数据DR的NDVI低于本地传感器数据DL，因为远程传感器数据DR通常由卫星确定，并且诸如大气畸变之类的畸变对远程传感器数据DR的影响大于对本地传感器数据DL的影响。因此，远程传感器数据DR引入了对真实条件的系统性低估。NDVI中的这种系统性低估差异通过这样来克服：基于本地传感器数据DL和远程传感器数据DR，将远程传感器数据(在这种情况下为当前远程传感器数据)校正为校正的当前远程传感器数据DRC。根据实施例，校正模型或预测模型，特别是机器学习模型，确定校正的远程传感器数据DRC。换言之，本地传感器数据DL和远程传感器数据DR的系统性低估差异被确定，并且其被添加到远程传感器数据DR以确定校正的远程传感器数据DRC。换言之，远程传感器数据DR的值因NDVI中确定的系统性低估差异而增加。在这种情况下，确定在分析的时间内平均而言，本地传感器数据DL的NDVI比远程传感器数据DR高0.1。因此，远程传感器数据DR的每个数据点增加0.1以到达校正的远程传感器数据DRC。在图中，远程传感器数据DR上移了0.1。或者，系统性低估差异可以是预定值，例如来自之前的测试循环。因此，校正的远程传感器数据DRC指示远程传感器数据DR的校正版本。
图4示出了图3的远程传感器数据DR和本地传感器数据DL的示例性实施例。除了仅确定合理的校正远程传感器数据DPC之外，校正模型还被配置为检测远程传感器数据DR中的异常值。如图3中所述，第一数据点S1、第二数据点S2、第三数据点S3、第四数据点D4和第五数据点S5严重偏离对应的本地传感器数据DL。校正模型比较每个时间点的远程传感器数据DR和本地传感器数据DL的测量值(或换言之，NDVI值)，如果远程传感器数据DR和本地传感器数据DL的差异超过阈值，则确定异常值。该阈值可以预先确定。或者，阈值可以由校正模型动态地调整。因此，不再考虑确定的异常值，因为它们很可能对应于不合理的图像。因此，校正模型确定具有校正DRCC的校正的远程传感器数据，其中远程传感器数据DR的异常值被校正模型，基于校正的远程传感器数据DRC和本地传感器数据DL，来替换为校正的数据点。或者，校正模型不使用导致异常值NDVI数据的被拒绝图像，而是采用来自卫星的最后一个未被拒绝的图像的NDVI来确定具有校正DRCC的校正的远程传感器数据。
图5和6示出了另外的本地传感器数据DL和远程传感器数据DR随时间变化的示例性实施例。在这种情况下，假设在截止点C之后，不再有卫星图像，因此不再有可用的远程传感器数据DR。因此，校正模型基于截止点之后的本地传感器数据DL以及截止点之前的本地传感器数据DL和远程传感器数据DR，来预测所预测的传感器数据DP。因此，校正模型可以填充缺失的远程传感器数据的间隙。
图7A示出了来自非固定的本地传感器的位置数据的示例性实施例。传感器设备位置的测量误差，通过变化的设备位置的报告观测(observation)，来突出显示。因此，必须经由例如单链接层次群聚算法来找到传感器设备的唯一位置。在识别的集群中，合并具有最小距离的点，并在指定的最大距离处引入停止点。图7B示出了来自非固定的本地传感器的集群位置数据。
图8示出了传感器融合的流程图的示例性实施例。为了找到本地传感器数据的对应卫星数据，提取所有可用时间/日期的每小时、每日数据，特别是经由传感器应用编程接口(传感器API)提取。基于每日数据，针对每个观测识别来自远程传感器数据(特别是卫星数据)的相应传感器设备ID。在给定传感器设备ID的情况下，从农田管理器检索相应数据以查找卫星数据，或者换言之，查找与观测日期相匹配的卫星图像。
农田管理器包括存储有本地传感器数据的农田相关数据库，以及用于查找相关卫星数据的决策支持系统。或者，本地数据存储在云存储中。然后针对本地传感器设备的位置，下载图像的周围像素。下载是从存储有卫星数据的云存储中进行的。可以存储用于视觉分析的裁剪的卫星图像，并且识别与本地传感器数据相关的正确像素值。基于时间，合并卫星图像和本地观测。最后可以提取卫星图像的元信息(即卫星的角度)。
在一个实施例中，本文公开的方法提供了结合来自例如非固定的本地传感器的现场(in-field)本地传感器数据和基于卫星的生物量和作物健康指数的农田区域管理解决方案。使用本地传感器数据，可实现更准确的区域喷雾，并允许增加生物量、作物健康图和可变量处方图可用性。
作物优化平台，通过农艺建模、获得洞察力、推荐行动，可以包括从数据收集和生成的所有方式。使用这样的平台，种植者知道何时、何地以及施用多少(例如杀菌剂)。某些进一步的功能可能包括应用或喷雾图中的现场可变性，以及有关例如罐混合和变量应用的最佳处理窗口的进一步说明。这对于杀菌剂可能特别有用。监测功能可以让种植者使用我们的网络和移动解决方案，来检查和比较(在地球上日复一日地)不同时间和农田的植物生长和健康状况。
本地传感器(例如，非固定的)的智能性体现在具有多个传感器元件、带有传感器元件的高度可移动、易于安装的IoT设备(例如由太阳能供电的光谱仪或声学雨滴谱仪(distrometer))。这些设备的设计和制造使得它们实际上可以免维护。
通过将作物优化平台与现场本地传感器(例如，非固定的)相结合，可以利用此类平台的完全自动化和可扩展性潜力，同时支持精确的生物量、作物健康分析图和具有地面真实数据的可变量应用图。
试验表明，这样减少了例如由卫星导出的生物量和作物健康指数的偏差。此外，通过巧妙地将卫星与本地传感器数据相结合，可以克服卫星图像可用性方面的问题。
为了使本地传感器(例如，非固定的)进入平台，可以在平台中包含简单的无缝的一键式解决方案。这为基于来自本地传感器的现场数据所支持的平台来检查作物的生长情况并采取措施的一站式解决方案提供了便利。

Claims (15)

1.一种用于校正农田的远程传感器数据的方法，所述方法包括以下步骤：
从远程传感器接收所述农田的远程传感器数据(DR)，其中所述远程传感器数据(DR)包括至少一个远程测量值，所述至少一个远程测量值对应于由所述远程传感器在获取所述远程测量值的至少一个时间点所测量的至少一个位置；
从至少一个本地传感器接收所述农田的本地传感器数据(DL)，其中所述至少一个本地传感器数据(DL)包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的本地测量值的至少一个时间点；
基于先前接收的本地传感器数据(DL)和先前接收的远程传感器数据(DR)，确定校正模型；以及
通过将所述校正模型应用于当前远程传感器数据来确定校正的当前远程传感器数据(DRP，DRPR)。
2.根据权利要求1所述的方法，其中，所述本地传感器是非固定的。
3.根据前述权利要求中任一项所述的方法，其中，
所述远程测量值和/或所述本地测量值与高光谱指数或生物量指数相关联。
4.根据前述权利要求中任一项所述的方法，包括在已接收到所述远程传感器数据和所述本地传感器数据之后的以下步骤：
确定与所述至少一个本地传感器的位置相对应的所述远程测量值；以及
确定与所述至少一个本地传感器的位置与的所述远程测量值和所述至少一个本地传感器的本地测量值之间在多个时间点的差异；
其中，确定所述校正模型还基于所确定的差异。
5.根据前述权利要求中任一项所述的方法，其中，
所述远程传感器数据包括至少一个远程图像，其基于所述至少一个远程测量值；其中
确定与所述本地传感器的位置相对应的所远程测量值包括以下步骤：
从所述远程图像中提取最接近所述本地传感器的位置的像素或提取在最接近所述本地传感器的位置的像素的预定距离内的像素平均值；
基于所提取的像素来确定所述远程测量值，
其中，确定所述校正模型还基于所述远程测量值所基于的已提取的像素。
6.根据权利要求4或5中任一项所述的方法，其中，确定所述远程测量值之间的差异包括以下步骤：
从所述至少一个本地传感器接收所述本地传感器数据(DL)的本地时间序列数据，其中所述本地时间序列数据包括与所述位置的多个时间点相对应的多个位置数据，其中所述至少一个本地传感器在特定时间点被定位；
基于所述本地传感器随着时间的各个位置之间的最大距离来确定本地传感器数据的集群；
基于所确定的集群来确定所述至少一个本地传感器的集群位置；以及
确定与所述至少一个本地传感器的所述集群位置相对应的所述远程测量值和所述至少一个本地传感器的本地测量值之间在多个时间点的差异，
其中确定所述校正模型还基于所确定的差异。
7.根据权利要求6所述的方法，其中，
所述集群位置是通过确定所述集群的中心来确定的。
8.根据前述权利要求中任一项所述的方法，其中，所述方法包括以下步骤：
如果所接收的远程时间序列数据包括至少一个间隙，其中缺少在远程时间序列数据(DR)的时间序列中的预期时间点的远程传感器数据(DR)；则
接收针对所述间隙的所述时间点的本地传感器数据(DL)；以及
基于所接收的本地传感器数据(DL)，确定针对所述间隙的时间点的预测的远程传感器数据(DP)。
9.根据权利要求8所述的方法，其中，确定所述预测的远程传感器数据(DP)包括：
接收就在所述间隙前的时间点的远程传感器数据(DR)；以及
基于所接收的就在所述间隙前的时间点的远程传感器数据(DR)，确定所述预测的远程传感器数据(DP)。
10.根据前述权利要求中任一项所述的方法，其中，所述校正模型包括取决于远程传感器数据和本地传感器数据的历史数据集的投影函数，其中所述预测的远程传感器数据是基于所述投影函数而确定的。
11.一种处理设备，其被配置为：
从远程传感器接收农田的远程传感器数据(DR)，其中所述远程传感器数据(DR)包括至少一个远程测量值，所述至少一个远程测量值对应于由所述远程传感器在获取所述远程测量值的至少一个时间点所测量的至少一个位置；
从至少一个本地传感器接收所述农田的本地传感器数据(DL)，其中所述至少一个本地传感器数据(DL)包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的本地测量值的至少一个时间点；
基于先前接收的本地传感器数据(DL)和先前接收的远程传感器数据(DR)，确定校正模型；以及
通过将所述校正模型应用于当前远程传感器数据来确定校正的当前远程传感器数据(DRP，DRPR)。
12.一种用于校正农田的远程传感器数据的系统，包括
远程传感器，其被配置为从远程传感器提供所述农田的远程传感器数据(DR)，其中所述远程传感器数据(DR)包括至少一个远程测量值，所述至少一个远程测量值对应于由所述远程传感器在获取所述远程测量值的至少一个时间点测量的至少一个位置；
本地传感器，其被配置为从至少一个本地传感器提供所述农田的本地传感器数据(DL)，其中所述至少一个本地传感器数据(DL)包括至少一个本地测量值，所述至少一个本地测量值对应于所述至少一个本地传感器的至少一个位置，并且对应于获取与获取所述远程测量值的位置和时间点相关的所述本地测量值的至少一个时间点；以及
根据权利要求11所述的处理设备。
13.一种包括计算机可读指令的计算机程序，所述计算机可读指令在被处理设备加载和执行时，执行根据权利要求1至10中任一项所述的方法。
14.一种计算机可读非易失性存储介质，其被配置为存储根据权利要求13所述的计算机程序。
15.在根据权利要求1至10中任一项所述的方法中的对农田的远程传感器数据和所述农田的本地传感器数据的用途。
CN202080047198.2A 2019-06-28 2020-06-26 传感器融合 Pending CN114026609A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19183266.6 2019-06-28
EP19183266 2019-06-28
EP19183430.8 2019-06-28
EP19183430 2019-06-28
PCT/EP2020/068088 WO2020260626A1 (en) 2019-06-28 2020-06-26 Sensor fusion

Publications (1)

Publication Number Publication Date
CN114026609A true CN114026609A (zh) 2022-02-08

Family

ID=71401755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080047198.2A Pending CN114026609A (zh) 2019-06-28 2020-06-26 传感器融合

Country Status (7)

Country Link
US (1) US20220253991A1 (zh)
EP (1) EP3989698A1 (zh)
JP (1) JP2022538597A (zh)
CN (1) CN114026609A (zh)
BR (1) BR112021025393A2 (zh)
CA (1) CA3144030A1 (zh)
WO (1) WO2020260626A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240169721A1 (en) * 2021-03-31 2024-05-23 Basf Agro Trademarks Gmbh Computer-implemented method for providing corrected plant-related index data
WO2024096750A1 (en) * 2022-11-01 2024-05-10 Carbonco Limited Methods and system for vegetation data acquisition and application

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008506167A (ja) * 2004-06-25 2008-02-28 デジタルグローブ インコーポレイテッド 画像に関連するロケーションを確定する方法および装置
CA2679376A1 (en) * 2007-03-23 2008-10-02 Qualcomm Incorporated Multi-sensor data collection and/or processing
US8024074B2 (en) * 2007-12-07 2011-09-20 Deere & Company System and method of managing substances in a plant root zone
US8655536B2 (en) * 2009-11-16 2014-02-18 Trimble Navigation Limited Method and system for augmenting a guidance system with a path sensor
US9396528B2 (en) * 2013-03-15 2016-07-19 Digitalglobe, Inc. Atmospheric compensation in satellite imagery
US10295998B2 (en) * 2014-11-13 2019-05-21 Yanmar Co., Ltd. Agricultural work vehicle
EP3451275B1 (en) * 2016-04-27 2020-10-28 Hitachi, Ltd. Information processing device and method
WO2018049288A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for learning farmable zones, and related methods and apparatus
DE102016118237A1 (de) * 2016-09-27 2018-03-29 Claas Selbstfahrende Erntemaschinen Gmbh Landwirtschaftliche Arbeitsmaschine mit Bildanalysesystem
US11263707B2 (en) * 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
RU2020123108A (ru) * 2017-12-21 2022-01-21 Басф Агро Трейдмаркс Гмбх Устройство для определения относящейся к сельскому хозяйству информации

Also Published As

Publication number Publication date
EP3989698A1 (en) 2022-05-04
CA3144030A1 (en) 2020-12-30
JP2022538597A (ja) 2022-09-05
WO2020260626A1 (en) 2020-12-30
US20220253991A1 (en) 2022-08-11
BR112021025393A2 (pt) 2022-02-01

Similar Documents

Publication Publication Date Title
US20210209705A1 (en) System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain
US10241098B2 (en) Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
Skakun et al. Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model
EP4245126A2 (en) Method for mapping temporal and spatial sustainability of a cropping system
US20190050741A1 (en) Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture
US20150254800A1 (en) Nitrogen status determination in growing crops
BR112020026356A2 (pt) Sistemas, dispositivos e métodos para diagnóstico em campo de estágio de crescimento e estimativa de rendimento de cultura em uma área de plantas
US20210209490A1 (en) Using optical remote sensors and machine learning models to predict agronomic field property data
Coops et al. Framework for near real-time forest inventory using multi source remote sensing data
UA124801C2 (uk) Точні картографічні дані врожайності, що генеруються комп'ютером із використанням експертних фільтрів та виявленням просторових статистичних викидів
US9037521B1 (en) Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states
BR112019002763A2 (pt) detecção automática de valores de discrepância em dados coletados
WO2023108213A1 (en) Methods and systems for classifying and benchmarking irrigation performance
Jeffries et al. Mapping sub-field maize yields in Nebraska, USA by combining remote sensing imagery, crop simulation models, and machine learning
UA126017C2 (uk) Генерування оцінки недостовірності даних при оцінці кількості опадів за допомогою радарів
US9031884B1 (en) Modeling of plant wetness and seed moisture for determination of desiccant application to effect a desired harvest window using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states
US20220309595A1 (en) System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain
WO2021053118A1 (en) A decision support system and method for agriculture
CN114026609A (zh) 传感器融合
EP4402652A1 (en) Method and system for delineating agricultural fields in satellite images
WO2024020542A1 (en) Methods to estimate field-level carbon, water and nutrient implications for agriculture
Sisheber et al. Assimilation of Earth Observation data for crop yield estimation in smallholder agricultural systems
WO2024059300A1 (en) Uncertainty prediction models
Myers et al. Issues in analysis of soil-landscape effects in a large regional yield map collection
EP4250250A1 (en) Carbon soil backend

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