CN115244553A - 使用地理空间特征和机器学习预测有害生物压力的系统和方法 - Google Patents

使用地理空间特征和机器学习预测有害生物压力的系统和方法 Download PDF

Info

Publication number
CN115244553A
CN115244553A CN202180019042.8A CN202180019042A CN115244553A CN 115244553 A CN115244553 A CN 115244553A CN 202180019042 A CN202180019042 A CN 202180019042A CN 115244553 A CN115244553 A CN 115244553A
Authority
CN
China
Prior art keywords
pest
data
computing device
pest pressure
geographic location
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
CN202180019042.8A
Other languages
English (en)
Inventor
S·辛格
S·C·斯特林
S·B·巴拉特
R·巩
W·林
S·A·芒达贡迪
C·帕拉伊
R·J·皮泰曼
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.)
FMC Corp
Original Assignee
FMC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US17/081,263 external-priority patent/US11257265B2/en
Priority claimed from US17/081,361 external-priority patent/US20210279639A1/en
Application filed by FMC Corp filed Critical FMC Corp
Publication of CN115244553A publication Critical patent/CN115244553A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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"
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Pest Control & Pesticides (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental Sciences (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Remote Sensing (AREA)
  • Insects & Arthropods (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)

Abstract

提供了用于预测未来有害生物压力的系统和方法。有害生物压力预测计算装置包括存储器和通信地耦合到该存储器的处理器。该处理器被编程为：接收某个地理位置中的多个有害生物诱捕器的诱捕器数据；接收该地理位置的天气数据；接收该地理位置的图像数据；识别该地理位置内或附近的至少一个地理空间特征；将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。

Description

使用地理空间特征和机器学习预测有害生物压力的系统和 方法
相关申请的交叉引用
本申请要求于2020年3月4日提交的美国临时申请序列号62/984885、2020年3月4日提交的美国临时申请序列号62/984881、2020年10月27日提交的美国专利申请序列号17/081,263和2020年10月27日提交的美国专利申请号美国专利申请序列号17/081,361，这些美国申请的全部内容通过引用并入本文。
背景技术
本申请总体上涉及可以用于辅助预测有害生物压力的技术，更具体地，涉及用于使用地理空间特征和机器学习来预测有害生物压力的基于网络的系统和方法。
由于世界人口的增加和耕地的减少，希望有提高农作物生产力的方法和系统。影响农作物生产力的至少一个因素是有害生物压力。
因此，已经开发了用于监测和分析有害生物压力的系统和方法。例如，在至少一些已知系统中，多个昆虫诱捕器被放置在关注的田间。为了监测关注的田间中的有害生物压力，定期检查诱捕器以计数每个诱捕器中的有害生物数量。基于每个诱捕器中的有害生物数量，可以确定关注的田间的有害生物压力水平。
每个诱捕器中监测的有害生物数量还可以用于预测未来的有害生物压力。然而，有害生物压力是一个相对复杂的现象，受多种因素的制约。因此，主要基于诱捕器计数来准确预测未来有害生物压力可能相对不准确。进一步地，至少一些用于有害生物压力监测的已知系统集中在单个农场层面，导致可视化有限和数据收集方面的显著时间滞后。另外，至少一些用于预测未来有害生物压力的已知系统依赖于静态逻辑(例如，固定的物候模型和/或决策树)，因此它们准确预测未来有害生物压力的能力受到限制。US 2017/041407 A1描述了一种数据接收模块，其接收与给定地理区域相关联的采样农业相关数据。US 2008/312942 A1描述了一种用于在空间地图上显示预测的方法和系统，其包括使用数据分析器来分析具有空间分量的异构数据以找到可利用的数据，并使用机器学习从可利用的数据中自动提取关系。EP 3482630 A1描述了一种进行有害生物预测的方法。WO 2012/054397 A1描述了综合有害生物管理(IPM)系统和电子昆虫监测装置(EIMD)的说明性实施例。WO2004/110142 A1描述了一种综合方法和系统，用于预防和解决与场地、建筑物、过程、安装或区域中的任何种类的有害生物有关的问题。US 2015/025926 A1描述了一种计算机系统，用于管理涉及销售人员和第一种植者的农产品销售。
因此，希望提供一种能够捕获并智能地分析多种不同类型的信息以快速且准确地预测未来有害生物压力的系统。进一步地，希望呈现预测的未来有害生物压力，以辅助用户执行监测有害生物压力以及可选地控制有害生物诱捕系统和/或有害生物处理系统的技术任务。
发明内容
在一方面，提供了一种有害生物压力预测计算装置。该有害生物压力预测计算装置包括存储器和通信地耦合到该存储器的处理器。该处理器被编程为：接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；接收该地理位置的图像数据；识别该地理位置内或附近的至少一个地理空间特征；将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
在另一方面，提供了一种用于生成有害生物压力预测数据的方法。该方法是使用包括通信地耦合到处理器的存储器的有害生物压力预测计算装置来实施的。该方法包括：接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；接收该地理位置的图像数据；识别该地理位置内或附近的至少一个地理空间特征；将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
在又一方面，提供了一种计算机可读存储介质，其上体现了计算机可执行指令。当由包括与存储器通信的至少一个处理器的有害生物压力预测计算装置执行时，这些计算机可读指令使有害生物压力预测计算装置：接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；接收该地理位置的图像数据；识别该地理位置内或附近的至少一个地理空间特征；将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。可以理解，所披露的技术提供了预测的未来有害生物压力以辅助用户执行监测有害生物压力以及可选地控制有害生物诱捕系统和/或有害生物处理系统的技术任务。可以理解，所披露的技术允许提供例如在未来的某个时间点有害生物压力监测系统的动态内部状态。
附图说明
图1至图10示出了本文描述的方法和系统的示例实施例。
图1是根据本披露的一个实施例的用于预测有害生物压力的计算机系统的框图。
图2是说明了通过图1所示的系统的数据流的框图。
图3说明了比如图1和图2的有害生物压力预测计算装置等服务器系统的示例配置。
图4说明了图1和图2中所示的客户端系统的示例配置。
图5是用于使用图1所示的系统生成有害生物压力数据的示例方法的流程图。
图6是用于使用图1所示的系统生成热图的示例方法的流程图。
图7至图12是可以使用图1所示的系统生成的用户界面的示例屏幕截图。
尽管各种实施例的具体特征可能在一些附图中而不在其他附图中示出，但这仅是为了方便。可以结合任何其他附图的任何特征来引用和/或要求保护任何附图的任何特征。
具体实施方式
本文所述的系统和方法针对用于使用机器学习来预测未来有害生物压力的计算机实施的系统。有害生物压力预测计算装置包括存储器和通信地耦合到该存储器的处理器。该处理器被编程为接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力。该处理器进一步被编程为接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；以及接收该地理位置的图像数据。进一步地，该处理器进一步被编程为识别该地理位置内或附近的至少一个地理空间特征；以及将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性。基于至少一个识别的相关性，该处理器被编程以为该地理位置生成预测的未来有害生物压力。
本文所述的系统和方法有助于准确预测一个或多个地理位置处的有害生物压力。如本文所用，‘地理位置’通常指农业相关地理位置(例如，包括用于生产作物的一个或多个田间和/或农场的位置)。进一步地，如本文所用，‘有害生物压力’是指对在特定位置存在的有害生物的分布量的定性和/或定量评估。例如，高有害生物压力表明该位置存在相对大分布量的有害生物(例如，与预期的分布量相比)。相比之下，低有害生物压力表明该位置存在相对低分布量的有害生物。在本文所述的至少一些实施例中，出于农业目的来分析有害生物压力。即，监测和预测一个或多个田间的有害生物压力。然而，本领域技术人员将理解，本文所述的系统和方法可以用于分析任何合适环境中的有害生物压力。
如本文所用，术语‘有害生物’是指在特定地理位置、特别是农业相关地理位置通常不希望有其存在的有机体。例如，对于分析一个或多个田间的有害生物压力的实施方式，有害生物可以包括具有损害那些田间中的作物的倾向的昆虫。然而，本领域技术人员将理解，本文所述的系统和方法可以用于分析其他类型有害生物的有害生物压力。例如，在一些实施例中，可以针对真菌、杂草和/或病害来分析有害生物压力。本文所述的系统和方法涉及‘有害生物诱捕器’和‘诱捕器数据’。如本文所用，‘有害生物诱捕器’可以指任何能够容纳和/或监测所关注有害生物的存在的装置，并且‘诱捕器数据’可以指使用这种装置收集的数据。例如，对于昆虫来说，‘有害生物诱捕器’可以是固定住有害生物的传统遏制装置。可替代地，对于真菌、杂草或病害，‘有害生物诱捕器’可以指能够监测真菌、杂草和/或病害的存在和/或水平的任何装置。例如，在‘有害生物’是一种或多种真菌的实施例中，‘有害生物诱捕器’可以指能够定量测量与感测装置周围环境中的一种或多种真菌相关联的孢子水平的感测装置。在一个实施例中，‘有害生物’是一种昆虫或多种昆虫，并且术语‘有害生物诱捕器(pest trap)’和‘有害生物诱捕器(pest traps)’分别指‘昆虫诱捕器(insecttrap)’和‘昆虫诱捕器(insect traps)’。
以下对本披露实施例的详细描述参照附图。不同附图中的相同附图标记可以标识相同或相似的元件。此外，以下详细描述不限制权利要求。
本文描述的是计算机系统，比如有害生物压力预测计算装置。如本文所述，所有这种计算机系统都包括处理器和存储器。然而，本文提及的计算机装置中的任何处理器也可以指一个或多个处理器，其中，该处理器可以在一个计算装置中或在并行起作用的多个计算装置中。另外，本文提及的计算机装置中的任何存储器也可以指一个或多个存储器，其中，该存储器可以在一个计算装置中或在并行起作用的多个计算装置中。
如本文所用，处理器可以包括任何可编程系统，包括使用微控制器、精简指令集电路(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文所述功能的任何其他电路或处理器的系统。上述示例仅为示例，因此不旨在以任何方式限制术语“处理器”的定义和/或含义。
如本文所用，术语“数据库”可以指数据体、关系数据库管理系统(RDBMS)或两者。如本文所用，数据库可以包括任何数据集合，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、面向对象数据库、以及存储在计算机系统中的任何其他结构化的记录或数据集合。上述示例仅为示例，因此不旨在以任何方式限制术语“数据库”的定义和/或含义。RDBMS的示例包括但不限于
Figure BDA0003831843150000061
Database、MySQL、
Figure BDA0003831843150000062
DB2、
Figure BDA0003831843150000063
SQLServer、
Figure BDA0003831843150000064
和PostgreSQL。然而，可以使用实现本文描述的系统和方法的任何数据库。(Oracle是加利福尼亚州红木海岸的Oracle公司的注册商标；IBM是纽约阿蒙克的国际商用机器公司的注册商标；Microsoft是华盛顿州雷德蒙德的微软公司的注册商标；并且Sybase是加利福尼亚州都柏林的Sybase的注册商标。)
在一个实施例中，提供了一种计算机程序，并且该程序体现在计算机可读介质上。在示例实施例中，该系统在单个计算机系统上执行，而无需连接到服务器计算机。在另外的实施例中，系统在
Figure BDA0003831843150000065
环境中运行(Windows是华盛顿州雷德蒙德的微软公司的注册商标)。在又一实施例中，系统在大型机环境和
Figure BDA0003831843150000066
服务器环境(UNIX是英国伯克郡雷丁的X/Open有限公司的注册商标)上运行。该应用程序非常灵活，被设计为在各种不同的环境中运行，而不会影响任何主要功能。在一些实施例中，该系统包括分布在多个计算装置之间的多个部件。一个或多个部件可以呈体现在计算机可读介质中的计算机可执行指令的形式。
如本文所用，以单数形式叙述并以词“一个(a或an)”开头的元件或步骤应理解为不排除复数个元件或步骤，除非明确地叙述了这种排除。此外，对本披露的“示例实施例”或“一个实施例”的提及不旨在被解释为排除同样包含所述特征的附加实施例的存在。
如本文所用，术语“软件”和“固件”是可互换的，并且包括存储在存储器中供处理器执行的任何计算机程序，该存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。上述存储器类型仅是示例，并且因此不限制可用于存储计算机程序的存储器类型。
系统和过程不限于本文描述的具体实施例。另外，每个系统的部件和每个过程都可以与本文所述的其他部件和过程独立和分开实施。每个部件和过程也可以与其他装配包和过程结合使用。
以下详细描述以示例而非限制的方式说明了本披露的实施例。可以设想，本披露对于预测有害生物压力具有普遍应用。
图1是根据本披露的一个示例实施例的用于预测有害生物压力的计算机系统100的示例实施例的框图，该计算机系统包括有害生物压力预测(PPP)计算装置112。如本文所述，PPP计算装置112在本文中也可以称为热图生成计算装置。在示例实施例中，系统100用于预测有害生物压力并生成有害生物压力热图，如本文所述。
更具体地，在示例实施例中，系统100包括有害生物压力预测(PPP)计算装置112、以及连接到PPP计算装置112的多个客户端子系统，也称为客户端系统114。在一个实施例中，客户端系统114是包括网络浏览器的计算机，使得客户端系统114可以使用互联网和/或使用网络115来访问PPP计算装置112。客户端系统114通过许多接口互连到互联网，包括网络115，比如局域网(LAN)或广域网(WAN)、拨号连接、电缆调制解调器、特殊的高速综合服务数字网络(ISDN)线路和RDT网络。客户端系统114可以包括与农民、种植者、侦察员等相关联的系统以及用于存储数据的外部系统。PPP计算装置112还使用网络115与一个或多个数据源130通信。进一步地，客户端系统114还可以使用网络115与数据源130通信。进一步地，在一些实施例中，一个或多个客户端系统114可以用作数据源130，如本文所述。客户端系统114可以是能够互连到互联网的任何装置，包括基于网络的电话、PDA或其他基于网络的可连接装置。
数据库服务器116连接到数据库120，该数据库包含关于各种事项的信息，如下面更详细描述的。在一个实施例中，集中式数据库120存储在PPP装置112上，并且可以由客户端系统114之一处的潜在用户通过客户端系统114之一登录到PPP计算装置112来访问。在替代实施例中，数据库120远离PPP装置112存储并且可以是非集中式的。数据库120可以是被配置为存储由PPP计算装置112使用的信息(包括例如交易记录)的数据库，如本文所述。
数据库120可以包括具有分开的部分或分区的单个数据库，或者可以包括多个数据库，每个数据库彼此分开。数据库120可以存储从数据源130接收并由PPP计算装置112生成的数据。例如，数据库120可以存储天气数据、成像数据、诱捕器数据、侦察数据、种植者数据、有害生物压力预测数据和/或热图数据，如本文中详细描述的。
在示例实施例中，客户端系统114可以与例如种植者、侦察实体、有害生物管理实体和/或能够使用本文所述的系统100的任何其他方相关联。在示例实施例中，客户端系统114中的至少一个包括用户界面118。例如，用户界面118可以包括具有交互功能的图形用户界面，使得可以以图形格式示出从PPP计算装置112传输到客户端系统114的有害生物压力预测和/或热图。客户端系统114的用户可以与用户界面118交互以查看、探索以及以其他方式与所显示的信息交互。
在示例实施例中，PPP计算装置112从多个数据源130接收数据，并且汇总和分析接收到的数据(例如，使用机器学习)以生成有害生物压力预测和/或热图，如本文中详细描述的。
图2是说明了通过系统100的数据流的框图。在图2所示的实施例中，数据源130包括天气数据源202、成像数据源204、诱捕器数据源206、侦察数据源、种植者数据源210和另一个数据源212。本领域的技术人员将理解图2中所示的数据源130仅是示例，并且系统100可以包括任何合适数量和类型的数据源。
天气数据源202向PPP计算装置112提供天气数据以用于生成有害生物压力预测。天气数据可以包括例如温度数据(例如，指示在一个或多个地理位置测量的当前和/或过去的温度)、湿度数据(例如，指示在一个或多个地理位置测量的当前和/或过去的湿度)、风数据(例如，指示在一个或多个地理位置测量的当前和/或过去的风级和风向)、降雨数据(例如，指示在一个或多个地理位置测量的当前和/或过去的降雨水平)和预报数据(例如，指示为一个或多个地理位置预测的未来天气状况)。
成像数据源204向PPP计算装置112提供图像数据以用于生成有害生物压力预测。图像数据可以包括例如从一个或多个地理位置获取的卫星图像和/或无人机图像。
诱捕器数据源206向PPP计算装置112提供诱捕器数据以用于生成有害生物压力预测。诱捕器数据可以包括例如来自地理位置中的至少一个有害生物诱捕器的有害生物计数(例如，表示为有害生物物种的数量、有害生物物种的密度等)。进一步地，诱捕器数据例如在昆虫的情况下可以包括有害生物类型(例如，分类属、物种、品种等)和/或有害生物发育阶段和性别(例如，幼虫、幼体、成虫、雄性、雌性等)。有害生物诱捕器可以是例如昆虫诱捕器。可替代地，有害生物诱捕器可以是能够确定有害生物存在并向PPP计算装置112提供诱捕器数据的任何装置，如本文所述。例如，在一些实施例中，有害生物诱捕器是可操作以感测与一种或多种真菌相关联的孢子的环境水平的感测装置。在这样的实施例中，诱捕器数据可以包括例如孢子的数量(代表有害生物计数)、真菌类型、真菌发育阶段等。
在一些实施例中，诱捕器数据源206是通信地耦合到PPP计算装置112(例如，通过无线通信链路)的有害生物诱捕器。因此，在这样的实施例中，诱捕器数据源206能够自动确定有害生物诱捕器中的有害生物计数(例如，使用图像处理算法)并将所确定的有害生物计数传输到PPP计算装置。
侦察数据源208向PPP计算装置112提供侦察数据以用于生成有害生物压力预测。侦察数据可以包括由监测一个或多个地理位置的人类侦察员提供的任何数据。例如，侦察数据可以包括作物状况、有害生物计数(例如，由人类侦察员在有害生物诱捕器处手动计数的)等。在一些实施例中，侦察数据源208是客户端系统114之一。即，侦察员既可以向PPP计算装置112提供侦察数据，又可以使用相同的计算装置(例如，移动计算装置)查看有害生物压力预测数据和/或热图数据。
种植者数据源210向PPP计算装置112提供种植者数据以用于生成有害生物压力预测。种植者数据可以包括例如田间边界数据、作物状况数据等。进一步地，类似于侦察数据源208，在一些实施例中，种植者数据源210是客户端系统115之一。即，种植者既可以向PPP计算装置112提供侦察数据，又可以使用相同的计算装置(例如，移动计算装置)查看有害生物压力预测数据和/或热图数据。
其他数据源212可以向PPP计算装置112提供不能从数据源202-210获得的其他类型的数据。例如，在一些实施例中，其他数据源212包括向PPP计算装置112提供地图数据(例如，一个或多个地理位置的地形图)的地图数据库。
在示例实施例中，PPP计算装置112接收来自至少一个数据源202-212的数据，并且汇总和分析该数据(例如，使用机器学习)以生成有害生物压力预测数据，如本文所述。进一步地，如本文所述，PPP计算装置112还可以汇总和分析该数据以生成热图数据。可以将有害生物压力预测数据和/或热图数据传输到客户端系统114(例如，用于向客户端系统114的用户显示)。
在一些实施例中，来自至少一个数据源202-210的数据被自动推送到PPP计算装置112(例如，无需PPP计算装置112轮询或查询数据源202-210)。进一步地，在一些实施例中，PPP计算装置112轮询或查询(例如，周期性地或连续地)至少一个数据源202-210以检索相关联的数据。
图3说明了根据本披露的一个示例实施例的比如PPP计算装置112(图1和图2中所示)等服务器系统301的示例配置。服务器系统301还可以包括但不限于数据库服务器116。在示例实施例中，服务器系统301生成如本文所述的有害生物压力预测数据和热图数据。
服务器系统301包括用于执行指令的处理器305。例如，指令可以存储在存储器区域310中。处理器305可以包括用于执行指令的一个或多个处理单元(例如，在多核配置中)。指令可以在服务器系统301上的各种不同操作系统中执行，比如UNIX、LINUX、Microsoft
Figure BDA0003831843150000101
等。还应该理解，在启动基于计算机的方法时，可以在初始化期间执行各种指令。为了执行本文所述的一个或多个过程，可能需要一些操作，而其他操作可能更通用和/或特定于特定编程语言(例如，C、C#、C++、Java或其他合适的编程语言等)。
处理器305可操作地耦合到通信接口315，使得服务器系统301能够与比如用户系统或另一个服务器系统301等远程装置进行通信。例如，通信接口315可以经由互联网从客户端系统114接收请求，如图2所示。
处理器305还可以可操作地耦合到存储装置134。存储装置134是适用于存储和/或检索数据的任何计算机操作的硬件。在一些实施例中，存储装置134集成在服务器系统301中。例如，服务器系统301可以包括一个或多个硬盘驱动器作为存储装置134。在其他实施例中，存储装置134在服务器系统301外部并且可以被多个服务器系统301访问。例如，存储装置134可以包括多个存储单元，比如廉价磁盘冗余阵列(RAID)配置中的硬盘或固态磁盘。存储装置134可以包括存储区域网络(SAN)和/或网络附加存储(NAS)系统。
在一些实施例中，处理器305经由存储接口320可操作地耦合到存储装置134。存储接口320是能够为处理器305提供对存储装置134的访问的任何部件。存储接口320可以包括例如高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器和/或为处理器305提供对存储装置134的访问的任何部件。
存储器区域310可以包括但不限于比如动态RAM(DRAM)或静态RAM(SRAM)等随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和非易失性RAM(NVRAM)。上述存储器类型仅是示例，并且因此不限制可用于存储计算机程序的存储器类型。
图4说明了客户端计算装置402的示例配置。客户端计算装置402可以包括但不限于客户端系统(“客户端计算装置”)114。客户端计算装置402包括用于执行指令的处理器404。在一些实施例中，可执行指令存储在存储器区域406中。处理器404可以包括一个或多个处理单元(例如，在多核配置中)。存储器区域406是允许存储和检索比如可执行指令和/或其他数据等信息的任何装置。存储器区域406可以包括一个或多个计算机可读介质。
客户端计算装置402还包括用于向用户400呈现信息的至少一个媒体输出部件408。媒体输出部件408是能够向用户400传达信息的任何部件。在一些实施例中，媒体输出部件408包括输出适配器，比如视频适配器和/或音频适配器。输出适配器可操作地耦合到处理器404并且可操作地耦合到输出装置，比如显示装置(例如，液晶显示器(LCD)、有机发光二极管(OLED)显示器、阴极射线管(CRT)或“电子墨水”显示器)或音频输出装置(例如扬声器或头戴式耳机)。
在一些实施例中，客户端计算装置402包括用于接收来自用户400的输入的输入装置410。输入装置410可以包括例如键盘、定点装置、鼠标、触控笔、触敏面板(例如，触摸板或触摸屏)、相机、陀螺仪、加速度计、位置检测器和/或音频输入装置。单个部件(比如触摸屏)既可以用作媒体输出部件408的输出装置又可以用作输入装置410。
客户端计算装置402还可以包括通信接口412，该通信接口可通信地耦合到远程装置，比如服务器系统301或网络服务器。通信接口412可以包括例如有线或无线网络适配器或无线数据收发器，用于与移动电话网络(例如，全球移动通信系统(GSM)、3G、4G、5G或蓝牙)或其他移动数据网络(例如，全球微波接入互操作性(WIMAX))一起使用。
存储在存储器区域406中的是例如用于经由媒体输出部件408向用户400提供用户界面以及可选地接收和处理来自输入装置410的输入的计算机可读指令。除其他可能性外，用户界面可以包括网络浏览器和客户端应用程序。网络浏览器使用户400能够显示媒体和通常嵌入在来自网络服务器的网页或网站上的其他信息并与之交互。客户端应用程序允许用户400与服务器应用程序交互。用户界面经由网络浏览器和客户端应用程序之一或两者来促进显示由PPP计算装置112提供的有害生物压力信息。客户端应用程序能够在在线模式(其中，客户端应用程序与PPP计算装置112通信)和离线模式(其中，客户端应用程序不与PPP计算装置112通信)两者中操作。
图5是用于生成有害生物压力数据的示例方法500的流程图。方法500可以例如使用PPP计算装置112来实施。
方法500包括接收502某个地理位置中的多个有害生物诱捕器的诱捕器数据。在示例实施例中，诱捕器数据包括多个诱捕器中的每一个处的当前有害生物压力和历史有害生物压力两者。可以从例如诱捕器数据源206(图2所示)接收502诱捕器数据。进一步地，PPP计算装置112可以分析接收到的502诱捕器数据以生成附加数据。例如，根据接收到的502诱捕器数据，PPP计算装置112可以针对多个不同的有害生物压力水平(例如，由合适的上限和下限阈值限定)确定每个水平的诱捕器数量。进一步地，PPP计算装置112可以确定跨多个诱捕器和/或跨地理位置的至少一部分的平均有害生物压力。如本文所述，该附加数据可以用于识别相关性和预测未来有害生物压力。
方法500进一步包括接收504地理位置的天气数据502。在示例实施例中，天气数据包括该地理位置的当前天气状况和历史天气状况两者。进一步地，在一些实施例中，天气数据可以包括该地理位置的预测未来天气状况。可以从例如天气数据源202(图2所示)接收504天气数据。
在示例实施例中，方法500进一步包括接收506地理位置的图像数据。图像数据可以包括例如卫星和/或无人机图像数据。可以从例如成像数据源204(图2所示)接收506图像数据。
进一步地，方法500包括识别508地理位置内或地理位置附近的至少一个地理空间特征。
如本文所用，‘地理空间特征’是指可能对有害生物压力产生影响的地理特征或结构。例如，地理特征可以包括水体(例如，河流、溪流、湖泊等)、海拔特征(例如，山、丘陵、峡谷等)、运输路线(例如，公路、铁轨等)、农场位置或工厂(例如，棉花工厂)。
在一个实施例中，至少一个地理空间特征是从现有地图数据中识别508的。例如，PPP计算装置112可以从地图数据源(例如其他数据源212(图2所示))检索先前生成的地图(例如，地形地图、海拔地图、道路地图、勘测等)，这些先前生成的地图划定一个或多个地理空间特征的界线。
在另一实施例中，PPP计算装置112通过分析接收到的506图像数据来识别508一个或多个地理空间特征。例如，PPP计算装置112可以对图像数据应用光栅处理以生成数字海拔地图，其中，数字海拔地图的每个像素(或其他类似的细分)与海拔值相关联。然后，基于海拔值，PPP计算装置112从数字海拔地图识别508一个或多个地理空间特征。例如，可以使用这样的技术来识别海拔特征和/或水体。
方法500进一步包括将机器学习算法应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征，以识别有害生物压力与至少一个地理空间特征之间的相关性。将机器学习算法应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征可以被视为将基于机器学习的方案应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征，以识别有害生物压力与至少一个地理空间特征之间的相关性。在一个或多个示例实施例中，将机器学习算法应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征可以包括基于有害生物压力与至少一个地理空间特征之间的关系(例如，相关性)来确定与有害生物诱捕器相关联的有害生物压力值。
在一些实施例中，PPP计算装置112可以通过应用510机器学习算法来确定(例如，在有害生物诱捕器的位置处的)有害生物压力基于距至少一个识别的地理空间特征的距离而变化。例如，PPP计算装置112可以确定有害生物压力在水体附近的位置处较高(例如，由于水体处的有害生物水平增加)。在另一个示例中，PPP计算装置112可以确定在运输路线附近的位置处有害生物压力较高(例如，由于沿运输路线运输的材料导致有害生物水平增加)。在又一个示例中，PPP计算装置112可以确定在工厂附近的位置处有害生物压力较高(例如，由于在工厂处理的材料导致有害生物水平增加)。在又其他示例中，PPP计算装置112可以确定有害生物压力在至少一个识别的地理空间特征附近的位置处降低。
本领域技术人员将理解，应用510机器学习算法可以识别至少一个地理空间特征处的有害生物压力之间的其他相关性。具体地，机器学习算法将诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征结合起来考虑，并能够检测这些不同类型的数据之间的可能无法由人类分析师确定的复杂相互作用。例如，在一些实施例中，可以识别至少一个识别的地理空间特征与有害生物压力之间的非基于距离的相关性。
例如，在一个或多个示例实施例中，将机器学习算法应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征可以包括基于表征有害生物压力与诱捕器数据(可选地，其中，诱捕器数据包括昆虫数据和/或昆虫的发育阶段数据)之间的关系(例如相关性)的模型(例如机器学习模型、有害生物生命周期模型)来确定与有害生物诱捕器相关联的有害生物压力值。进一步地，在一个或多个示例实施例中，将机器学习算法应用510于诱捕器数据、天气数据、图像数据和至少一个识别的地理空间特征可以包括基于表征有害生物压力、诱捕器数据和天气数据之间的关系(例如相关性)的模型(例如机器学习模型)来确定与有害生物诱捕器相关联的有害生物压力值。
进一步地，在一些实施例中，第一有害生物的有害生物压力可以与不同的第二有害生物的有害生物压力相关，并且可以使用PPP计算装置112检测该相关性。例如，至少一个地理空间特征是具有已知第二有害生物的高有害生物压力的特定田间。使用本文所述的系统和方法，PPP计算装置112可以确定该特定田间附近的位置通常具有第一有害生物的高有害生物压力，其与该特定田间中的第二有害生物的有害生物压力水平相关。这些“有害生物间”相关性可以是PPP计算装置112可识别但人类分析师无法识别的复杂关系。类似地，PPP计算装置112可以识别生产不同作物的附近地理位置之间的“作物间”相关性。
随后，方法500包括至少基于所识别的相关性为该地理位置生成512预测的未来有害生物压力。具体地，PPP计算装置112使用所识别的相关性，结合一个或多个模型、算法等来预测该地理位置的未来有害生物压力值。例如，PPP计算装置112可以利用喷洒定时器模型、有害生物生命周期模型等，结合所识别的相关性、诱捕器数据、天气数据和图像数据，以基于所识别的模式生成512预测的未来有害生物压力。本领域技术人员将理解，也可以结合其他类型的数据来生成512预测的未来有害生物压力。例如，在预测未来有害生物压力时，可以考虑先前种植的作物数据、邻近农场数据、田间水位数据和/或土壤类型数据。在一种或多种示例方法中，方法500进一步包括基于预测的未来有害生物压力来输出控制信号，以用于控制该地理位置处的一个或多个附加系统，比如用于监测该地理位置处有害生物压力的系统、用于控制该地理位置的有害生物压力的系统、和/或该地理位置的有害生物处理系统。
作为模型的一个示例，所关注的有害生物(例如，昆虫或真菌)的发育阶段可能受环境温度的制约。因此，使用“度日”模型，可以基于(例如，根据温度数据确定的)热量积累来预测有害生物的发育阶段。
所生成512的预测的未来有害生物压力是有害生物压力预测数据的一个示例，该预测数据可以传输到用户计算装置并显示在用户计算装置上，比如客户端系统114(图1和图2中所示)。例如，可以将预测的未来有害生物压力传输到用户计算装置，以使用户计算装置以文本、图形和/或音频格式或任何其他合适的格式呈现预测的未来有害生物压力。如下文详细描述的，在一些实施例中，说明预测的未来有害生物压力的一个或多个热图显示在用户计算装置上。
根据所生成512的预测的未来有害生物压力，在一些实施例中，本文所述的系统和方法还可以用于生成(例如，使用机器学习)针对地理位置的处理建议，以解决预测的未来有害生物压力。例如，有了对未来有害生物压力的准确预测，PPP计算装置112可以自动生成针对该地理位置的处理计划以减轻未来的高有害生物压力水平。处理计划可以指定例如一种或多种物质(例如杀虫剂、化肥等)以及应该施用这些一种或多种物质的具体时间(例如每天、每周等)。可替代地，考虑到预测的未来有害生物压力，处理计划可以包括其他数据以促进改善农业生产情况。
进一步地，在一些实施例中，所生成512的预测的未来有害生物压力用于(例如，由PPP计算装置112)控制附加系统。在一个实施例中，可以基于预测的未来有害生物压力来控制用于监测有害生物压力的系统(例如，包括有害生物诱捕器的系统)。例如，PPP计算装置112可以被配置为基于未来有害生物压力来输出控制信号以用于控制一个或多个附加系统，比如用于监测有害生物压力的系统、用于控制有害生物压力的系统和/或有害生物处理系统。例如，热图计算装置可以被配置为基于未来有害生物压力来输出控制信号以用于控制一个或多个附加系统，比如用于监测有害生物压力的系统、用于控制有害生物压力的系统和/或有害生物处理系统。例如，可以基于预测的未来有害生物压力来修改由一个或多个有害生物诱捕器报告的诱捕器数据的报告频率和/或类型。在另一个示例中，可以基于预测的未来有害生物压力来控制喷洒设备(例如，用于喷洒杀虫剂)或其他农业设备。
如上所述，PPP计算装置112还可以使用有害生物压力预测数据生成一个或多个热图。出于该讨论的目的，PPP计算装置112在本文中可以被称为热图生成计算装置112。
图6是用于生成热图的示例方法600的流程图。方法600可以例如使用热图生成计算装置112(图1所示)来实施。
方法600包括接收602某个地理区域中的多个有害生物诱捕器的诱捕器数据。在示例实施例中，诱捕器数据包括多个诱捕器中的每一个处的当前有害生物压力和历史有害生物压力两者。可以从例如诱捕器数据源206(图2所示)接收602诱捕器数据。
进一步地，方法600包括接收604地理位置的天气数据。在示例实施例中，天气数据包括该地理位置的当前天气状况和历史天气状况两者。进一步地，在一些实施例中，天气数据可以包括该地理位置的预测未来天气状况。可以从例如天气数据源202(图2所示)接收604天气数据。
在示例实施例中，方法600进一步包括接收606地理位置的图像数据。图像数据可以包括例如卫星和/或无人机图像数据。可以从例如成像数据源204(图2所示)接收606图像数据。
方法600进一步包括将机器学习算法应用608于诱捕器数据、天气数据和图像数据以生成多个有害生物诱捕器中的每一个处的预测的未来有害生物压力值。
另外，方法600包括生成610第一热图和生成612第二热图。在示例实施例中，第一热图与第一时间点相关联并且第二热图与不同的第二时间点相关联。可以如下生成610、612第一热图和第二热图。
在示例实施例中，通过在地理位置的地图上绘制多个节点来生成每个热图。每个节点对应于多个有害生物诱捕器中的特定有害生物诱捕器的位置。进一步地，在示例实施例中，每个节点以代表在相关时间点对应测试诱捕器的有害生物压力值的颜色显示。在一个示例中，每个节点显示为绿色(指示低有害生物压力值)、黄色(指示中等有害生物压力值)或红色(指示高有害生物压力值)。在图7至图9中，绿色由斜线图案表示，黄色由交叉影线图案表示，并且红色由点图案表示。本领域技术人员将理解，在本文描述的实施例中可以使用其他数量的颜色和不同的颜色。取决于与热图相关联的时间点，节点的颜色可以指示过去的有害生物压力值(如果时间点是过去，例如当前日期之前或在诱捕器数据的最新读取日期之前的特定日期)、当前的有害生物压力值(如果该时间点是现在，例如当前日期或诱捕器数据的最新读取日期)、或预测的未来有害生物压力值(如果时间点是未来，例如在当前日期之后或在诱捕器数据的最新读取日期之后的特定日期)。如本文所述，可以例如使用机器学习算法来生成未来预测的有害生物压力值。
为了完成热图，对包括已着色节点的地图的至少一些剩余部分进行着色。具体地，对地图的剩余部分进行着色以生成有害生物压力值的连续地图。在示例实施例中，通过在多个节点处的有害生物压力值之间插值来对剩余部分进行着色。
在一个实施例中，插值是使用反距离加权(IDW)算法执行的，其中，地图剩余部分上的点基于它们与节点处已知有害生物压力值的距离而被着色。例如，在这样的实施例中，可以基于节点附近的反距离的加权平均来计算没有节点的位置的有害生物压力值。该实施例所基于的假设是：在特定点处的有害生物压力受更近节点的影响将更大(与更远节点相比)。在其他实施例中，作为距节点的距离的补充或替代，可以基于其他标准执行插值。
通过为地图的至少一些剩余部分生成有害生物压力值(使用插值，如上所述)，基于所生成的有害生物压力值对这些部分进行着色。与节点一样，在一个示例中，绿色指示低有害生物压力值，黄色指示中等有害生物压力值，并且红色指示高有害生物压力值。例如，可以基于历史有害生物压力设置不同颜色的阈值，并且可以随时间调整(自动或基于用户输入)。本领域技术人员将理解这三种颜色仅仅是示例，并且任何合适的着色方案都可以用于生成本文所述的热图。
在示例实施例中，第一热图和第二热图存储在数据库中，比如数据库120(图1所示)。因此，在该实施例中，当如下所述用户在用户装置(例如，移动计算装置)上查看热图时，热图先前已经由热图生成计算装置112生成和存储。可替代地，可以基于用户的请求实时生成和显示热图。
有了生成610、612的第一热图和第二热图，在示例实施例中，方法600进一步包括使用户界面显示614缩时热图。用户界面例如可以是显示在客户端装置114(图1和图2中所示)上的用户界面。例如，用户界面可以经由安装在客户端装置114上的应用程序(例如，由操作发热计算装置112的实体提供的应用程序)来实施。在一种或多种示例方法中，方法600进一步包括基于预测的未来有害生物压力来输出控制信号以用于控制一个或多个附加系统，比如用于监测有害生物压力的系统、用于控制有害生物压力的系统和/或有害生物处理系统。
缩时热图在用户界面上显示动画。具体地，在示例实施例中，缩时热图随时间推移在多个先前生成的热图(例如，第一热图和第二热图)之间动态转变，如下所述。因此，通过查看动态热图，用户可以轻松查看和了解地理区域的有害生物压力随时间的变化。缩时热图可以显示该地理区域的过去、当前和/或未来的有害生物压力值。
应当理解，在示例实施例中，第二时间点的第二热图是使用预测的有害生物压力值生成的，并且该第二时间点是指晚于结合到机器学习算法中的最近的当前和历史有害生物压力值(例如，包括在诱捕器数据中)的时间的时间点。即，在这样的实施例中，第二时间点是指未来时间点。
关于第一时间点的第一热图，在示例实施例中，这是使用早于第二时间点的时间点的有害生物压力值生成的。因此，用于生成第一热图的有害生物压力值通常是当前或历史有害生物压力值。在另一个实施例中，第一时间点也是未来时间点，但是与第二时间点不同的时间点。因此，用于生成第一热图的有害生物压力值也是预测的有害生物压力值。
在本披露的范围内，应当理解，本文对“第一热图”和“第二热图”以及“第一热图和第二热图”的提及可以暗示使用第一时间点与第二时间点之间的各个时间点的有害生物压力值(例如当前、历史或预测的有害生物压力值，视情况而定)生成一个或多个(例如，多个)“中间热图”。在这种情况下，缩时热图显示随时间推移在第一热图、一个或多个中间热图和第二热图之间的动态转变。在一个实施例中，中间热图包括使用预测的有害生物压力值生成的一个或多个(例如，多个)中间热图。在另一个实施例中，中间热图包括使用当前和/或历史有害生物压力值生成的一个或多个(例如，多个)中间热图。在又一实施例中，中间热图包括使用预测的有害生物压力值生成的一个或多个(例如，多个)中间热图和使用当前和/或历史有害生物压力值生成的一个或多个(例如，多个)中间热图。
在一个实施例中，为了显示缩时热图，在瞬时转变到下一个热图(例如，以幻灯片格式)之前，将每个先前生成的热图显示一小段时间。可替代地，在一些实施例中，热图生成计算装置112在连续热图之间进行时间插值以生成这些热图之间的转变数据(例如，使用机器学习)。在这样的实施例中，缩时热图显示有害生物压力随时间的平滑演变，而不是一系列静态图像。
图7是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第一屏幕截图700。例如，计算装置可以是移动计算装置。
第一屏幕截图700包括有害生物压力热图702，其显示与包括田间706的区域704中的特定有害生物和作物相关联的有害生物压力。在第一屏幕截图700所示的示例中，有害生物是棉铃象鼻虫，并且作物是棉花。本领域技术人员将理解，本文所述的热图可以显示任何合适的有害生物和作物的有害生物压力信息。进一步地，在一些实施例中，热图可以显示同一作物中的多种有害生物、多种作物中的一种有害生物或多种作物中的多种有害生物的有害生物压力。
如图7所示，田间706在热图702上以田间边界708为界。可以由热图生成计算装置112基于例如由与田间706相关联的种植者提供的信息将田间边界708绘制在热图702上。例如，种植者可以从种植者计算装置(比如种植者数据源210(图2所示))向热图生成计算装置112提供信息。
热图702包括与田间706中的三个有害生物诱捕器相对应的三个节点710。如图7所示，每个节点710具有相关联的颜色(这里是两个红色节点和一个黄色节点)。进一步地，在热图702中，通过对节点710处的有害生物压力值进行插值来对不包括节点710的位置进行着色，从而生成有害生物压力值的连续地图。尽管在图7中仅示出了三个节点710，但本领域技术人员将理解，可以使用附加的有害生物诱捕器来对热图702的各部分进行着色。在该示例中，热图702是示出特定时间点的有害生物压力的静态热图(例如，上述第一热图和第二热图之一)。
第一屏幕截图700进一步包括缩时按钮712，该缩时按钮当被用户选择时使得显示缩时热图，如本文所述。
图8是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第二屏幕截图800。具体地，第二屏幕截图800示出了热图702的放大视图。例如，可以响应于用户在用户界面上做出改变缩放级别的选择来生成放大视图。
如图8所示，在放大视图中示出了第一屏幕截图700中未示出的附加信息。例如，附加节点802(代表附加诱捕器)现在可见。进一步地，与每个节点710一起显示了相关联的诱捕器名称。在示例性实施例中，在放大视图中，用户可以选择特定节点710以使用户界面显示该节点710的有害生物压力数据。这将在下面结合图10更详细地描述。
图9是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第三屏幕截图900。具体地，第三屏幕截图900示出了缩时热图902。例如，响应于用户选择缩时按钮712(图7和图8中所示)，可以显示缩时热图902。
如图9所示，与缩时热图902相关联地显示了时间线904。时间线904使用户能够快速确定当前所示的是哪个时间的有害生物压力。时间线904示出了日期范围，在示例实施例中包括历史日期和未来日期。进一步地，时间线904包括指示当前(即，现在时间)的当前时间标记906以及指示与缩时热图902上所示的有害生物压力相关联的时间的所选时间标记908。
例如，在图9中，时间线904从1月5日延伸到2月2日，当天是1月26日，并且缩时热图902示出了1月29日的有害生物压力。值得注意的是，图9中所示的有害生物压力是预测的未来有害生物压力，因为所选时间标记908晚于当前时间标记906。
在一个实施例中，用户可以调整所选时间标记908(例如，通过选择和拖动所选时间标记908)以操纵缩时热图902所显示的时间。进一步地，在示例实施例中，当用户选择激活图标910时，缩时热图902被显示为动画，在不同静态热图之间自动转变以示出有害生物压力随时间的演变。屏幕截图900中还示出了停止图标912。当用户先前选择了激活图标910时，用户可以选择停止图标912以在期望的时间点停止动画和冻结缩时热图902。
图10是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第四屏幕截图1000。具体地，第四屏幕截图1000示出了特定诱捕器的有害生物压力数据1002。例如，可以响应于用户选择了特定节点710(如以上参考图8所述)来显示有害生物压力数据1002。在一个实施例中，有害生物压力数据1002包括显示随时间推移的有害生物压力(例如，当前和历史有害生物压力)的图形数据1004和总结预测的未来有害生物压力的文本数据1006。
图11示出的是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第五屏幕截图1100。第五屏幕截图1100示出了多个用户界面对象。用户界面对象在本文中是指显示在计算装置的显示器上的对象的图形表示。用户界面对象可以是用户交互的，或者可以通过用户输入来选择。例如，图像(例如，图标)、按钮和文本(例如，超链接)每个都可选地构成用户界面对象。用户界面对象可以以任何形状、任何颜色和/或任何形式显示。第五屏幕截图1100示出了代表田间边界的用户界面对象1101和代表田间边界外的有害生物诱捕器的用户界面对象1104。具体地，第五屏幕截图1100示出了代表指示与当前时间段(比如当前月、当前周、当前季节)内的时间点相关联的当前有害生物压力值的热图的用户界面对象1102。时间点可能已在图9的屏幕截图900上选择，更具体地，通过将时间标记908置于由906指示的期望日期处。具体地，第五屏幕截图1100示出了包括用户界面对象1103的热图，其代表与历史时间段内的时间点(比如前一年的对应于当前月(例如2020年1月)的月(例如2019年1月)、前一年的对应于当前周的周、前一年的对应于当前季节(例如2020年冬季)的季节(例如2019年冬季))相关联的历史有害生物压力值(或指示其的热图)。可以例如根据过去时间或过去时间段(比如通过使用用户界面对象1105的用户输入而选择的对应过去季节)来显示用户界面对象1103。在一个或多个示例中，热图生成计算装置和/或客户端装置和/或移动计算装置可以被配置为同时显示(例如，叠加和/或重叠)代表指示与当前时间段内的时间点相关联的当前有害生物压力值的热图的用户界面对象1102以及代表与对应于当前时间段的历史或过去时段(比如前一年的同一季节)内的时间点相关联的历史有害生物压力值的用户界面对象1103。例如，历史有害生物压力值包括(多个)过去生长季节的历史有害生物压力。例如，第五屏幕截图1100示出了用户界面对象1105，该对象当被用户选择时使得由1103显示对历史有害生物压力值的时间段的选择。
用户界面对象1102和1103可以以任何形状或形式显示，而不限于图11所示的形状。例如，用户界面对象1102和1103可以显示为叠加或重叠在彼此之上并具有指示对应有害生物压力值的颜色和/或纹理的两个用户界面对象(例如，形状为圆盘或圆环)。可以理解，在某些区域中以及对于某些作物，一个日历年实际上可能有两个(或更多个)生长季节。利用所披露的技术，向种植者提供了可以用于将当前季节的实际有害生物压力值与(多个)过去季节的历史有害生物压力值进行比较的信息。可以应用相同的技术将当前时间段或季节的预测的未来有害生物压力值与对应的(多个)过去季节的历史有害生物压力值进行比较。用户界面可以包括被配置为接收用户输入的用户界面对象，以用于在显示代表历史有害生物压力值的用户界面对象与显示代表当前有害生物压力值的用户界面对象之间来回切换或转换。
用户界面可以包括被配置为接收用户输入的用户界面对象，以用于在显示代表第一时间段(例如当前时间段)的有害生物压力值的用户界面对象与显示代表第二时间段(例如历史时间段)的有害生物压力值的用户界面对象之间切换或转换。
图12是可以显示在比如客户端系统114(图1和图2中所示)等计算装置上的用户界面的第六屏幕截图1200。具体地，第六屏幕截图1200示出了特定诱捕器的有害生物压力数据1202。例如，可以响应于用户选择了特定节点710(如以上参考图8所述)来显示有害生物压力数据1202。在一个实施例中，有害生物压力数据1202包括显示随时间推移的有害生物压力值(例如，当前时间段的有害生物压力值)的图形数据1204、显示与当前时段相对应的历史或过去时间段随时间推移的历史有害生物压力值的图形数据1208(比如从去年或另一个更早的年份的7月21日到8月10日)和可选的总结预测的未来有害生物压力的文本数据1206。用户可以使用用户界面对象1210来选择用于显示1208的历史或过去时间段，比如特定过去季节或特定过去年份。还可以响应于用户在图11的屏幕截图1100中选择过去时段已经选择的诱捕器来显示屏幕截图1200。
进一步地，在一些实施例中，所生成的热图有助于控制附加系统。在一个实施例中，可以(例如，通过有害生物预测计算装置和/或热图生成计算装置)基于热图来控制用于监测有害生物压力的系统(例如，包括有害生物诱捕器的系统)。例如，可以基于热图来修改由一个或多个有害生物诱捕器报告的诱捕器数据的报告频率和/或类型。在另一个示例中，可以基于热图来控制喷洒设备(例如，用于喷洒杀虫剂)或其他农业设备。
该系统解决的至少一个技术问题包括：i)无法准确监测有害生物压力；ii)无法准确预测未来有害生物压力；以及iii)无法以全面、直接的方式向用户传达有害生物压力信息。
本文所述实施例所提供的技术效果至少包括：i)实时监测有害生物压力；ii)使用机器学习准确预测未来有害生物压力；iii)基于预测的未来有害生物压力控制其他系统或设备；iv)生成说明有害生物压力的综合热图；v)生成动态显示有害生物压力随时间的变化的缩时热图；以及vi)基于所生成的热图控制其他系统或设备。
进一步地，本文所述的系统和过程的技术效果是通过执行以下步骤中的至少一个来实现的：(i)接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；(ii)接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；(iii)接收该地理位置的图像数据；(iv)识别该地理位置内或附近的至少一个地理空间特征；(v)将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及(vi)至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
本文描述的实施例中的处理器或处理元件可以采用人工智能，和/或可以使用有监督或无监督机器学习进行训练，并且机器学习程序可以采用神经网络，其可以是卷积神经网络、深度学习神经网络、或在两个或更多个感兴趣的领域或方面进行学习的组合学习模块或程序。机器学习可能涉及识别和辨识现有数据中的模式，以便于对后续数据进行预测。可以基于示例输入创建模型，以便对新输入进行有效和可靠的预测。
附加地或可替代地，可以通过将样本数据集或某些数据(比如图像数据、文本数据、报告数据和/或数值分析)输入到程序中来训练机器学习程序。机器学习程序可以利用可能主要集中于模式识别的深度学习算法，并且可以在处理多个示例之后进行训练。机器学习程序可以包括贝叶斯程序学习(BPL)、语音识别和合成、图像或对象识别、光学字符识别和/或自然语言处理——单独地或组合。机器学习程序还可以包括自然语言处理、语义分析、自动推理和/或机器学习。
在有监督的机器学习中，可以为处理元件提供示例输入及其相关联的输出，并且可以寻求发现将输入映射到输出的一般规则，以便在后续提供新输入时，处理元件可以基于发现的规则来准确预测正确的输出。在无监督机器学习中，处理元件可能需要在未标记的示例输入中找到自己的结构。在一个实施例中，机器学习技术可以用于提取与计算机装置、计算机装置的用户、托管计算机装置的计算机网络、在计算机装置上执行的服务有关的数据和/或其他数据。
基于这些分析，处理元件可以学习如何识别特性和模式，然后可以将这些特性和模式应用于分析诱捕器数据、天气数据、图像数据、地理空间(例如，使用一个或多个模型)以预测未来有害生物压力。
如本文所用，术语“非暂态计算机可读介质”旨在代表以用于信息的短期和长期存储的任何方法或技术实施的任何有形的基于计算机的装置，比如计算机可读指令、数据结构、程序模块和子模块或任何装置中的其他数据。因此，本文描述的方法可以被编码为体现在有形非暂态计算机可读介质(包括但不限于存储装置和/或存储器装置)中的可执行指令。这样的指令在由处理器执行时使处理器执行本文描述的方法的至少一部分。此外，如本文所用，术语“非暂态计算机可读介质”包括所有有形计算机可读介质，包括但不限于非暂态计算机存储装置，包括但不限于易失性和非易失性的介质，以及可移动和不可移动的介质，比如固件、物理和虚拟存储、CD-ROM、DVD和任何其他数字资源，比如网络或互联网，以及尚未开发的数字手段，唯一例外是暂态传播信号。
本书面说明使用示例来披露本披露内容，包括其最佳模式，并且还用于使得本领域任何技术人员能够实践这些实施例，包括制造和使用任何装置或系统并且执行所结合的任何方法。本披露的可专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这样的其他示例具有与权利要求的字面语言没有区别的结构要素，或者如果它们包括与权利要求的字面语言没有实质性区别的等效结构要素，则它们旨在这些权利要求的范围内。

Claims (20)

1.一种有害生物压力预测计算装置，包括：
存储器；以及
通信地耦合到该存储器的处理器，该处理器被编程为：
接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；
接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；
接收该地理位置的图像数据；
识别该地理位置内或附近的至少一个地理空间特征；
将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及
至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
2.如权利要求1所述的有害生物压力预测计算装置，其中，该至少一个地理空间特征包括海拔特征、水体、运输路线和工厂中的至少一种。
3.如权利要求1-2中任一项所述的有害生物压力预测计算装置，其中，该处理器进一步被编程为：
基于这些预测的未来有害生物压力来生成针对该地理位置的处理建议。
4.如权利要求1-3中任一项所述的有害生物压力预测计算装置，其中，该处理器进一步被编程为：
将这些预测的有害生物未来有害生物压力传输到移动计算装置以使得在该移动计算装置上显示这些预测的有害生物压力，这些预测的有害生物压力是经由安装在该移动计算装置上的应用程序显示的。
5.如权利要求1-4中任一项所述的有害生物压力预测计算装置，其中，该天气数据包括该地理位置的预测未来天气状况。
6.如权利要求1-5中任一项所述的有害生物压力预测计算装置，其中，所识别的相关性是有害生物压力与至少距该至少一个地理空间特征的距离之间的相关性。
7.如权利要求1-6中任一项所述的有害生物压力预测计算装置，其中，该处理器进一步被编程为基于这些预测的未来有害生物压力来控制有害生物监测系统和农业设备中的至少一者。
8.一种用于生成有害生物压力预测数据的方法，该方法是使用包括通信地耦合到处理器的存储器的有害生物压力预测计算装置来实施的，该方法包括：
接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；
接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；
接收该地理位置的图像数据；
识别该地理位置内或附近的至少一个地理空间特征；
将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及
至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
9.如权利要求8所述的方法，其中，该至少一个地理空间特征包括海拔特征、水体、运输路线和工厂中的至少一种。
10.如权利要求8-9中任一项所述的方法，进一步包括：
基于这些预测的未来有害生物压力来生成针对该地理位置的处理建议。
11.如权利要求8-10中任一项所述的方法，进一步包括：
将这些预测的有害生物未来有害生物压力传输到移动计算装置以使得在该移动计算装置上显示这些预测的有害生物压力，这些预测的有害生物压力是经由安装在该移动计算装置上的应用程序显示的。
12.如权利要求8-11中任一项所述的方法，其中，该天气数据包括该地理位置的预测未来天气状况。
13.如权利要求8-12中任一项所述的方法，其中，所识别的相关性是有害生物压力与至少距该至少一个地理空间特征的距离之间的相关性。
14.如权利要求8-13中任一项所述的方法，进一步包括基于这些预测的未来有害生物压力来控制有害生物监测系统和农业设备中的至少一者。
15.一种计算机可读存储介质，其上体现了计算机可执行指令，其中，当由包括与存储器通信的至少一个处理器的有害生物压力预测计算装置执行时，这些计算机可读指令使该有害生物压力预测计算装置：
接收某个地理位置中的多个有害生物诱捕器的诱捕器数据，该诱捕器数据至少包括在该多个有害生物诱捕器中的每一个处的当前有害生物压力和历史有害生物压力；
接收该地理位置的天气数据，该天气数据至少包括该地理位置的当前天气状况和历史天气状况；
接收该地理位置的图像数据；
识别该地理位置内或附近的至少一个地理空间特征；
将机器学习算法应用于该诱捕器数据、该天气数据、该图像数据和该至少一个识别的地理空间特征，以识别有害生物压力与该至少一个地理空间特征之间的相关性；以及
至少基于所识别的有害生物压力与该至少一个地理空间特征之间的相关性，为该地理位置生成预测的未来有害生物压力。
16.如权利要求15所述的计算机可读存储介质，其中，该至少一个地理空间特征包括海拔特征、水体、运输路线和工厂中的至少一种。
17.如权利要求15-16中任一项所述的计算机可读存储介质，其中，这些指令进一步使该有害生物压力预测计算装置：
基于这些预测的未来有害生物压力来生成针对该地理位置的处理建议。
18.如权利要求15-17中任一项所述的计算机可读存储介质，其中，这些指令进一步使该有害生物压力预测计算装置：
将这些预测的有害生物未来有害生物压力传输到移动计算装置以使得在该移动计算装置上显示这些预测的有害生物压力，这些预测的有害生物压力是经由安装在该移动计算装置上的应用程序显示的。
19.如权利要求15-18中任一项所述的计算机可读存储介质，其中，该天气数据包括该地理位置的预测未来天气状况。
20.如权利要求15-19中任一项所述的计算机可读存储介质，其中，所识别的相关性是有害生物压力与至少距该至少一个地理空间特征的距离之间的相关性。
CN202180019042.8A 2020-03-04 2021-03-04 使用地理空间特征和机器学习预测有害生物压力的系统和方法 Pending CN115244553A (zh)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US202062984885P 2020-03-04 2020-03-04
US202062984881P 2020-03-04 2020-03-04
US62/984,881 2020-03-04
US62/984,885 2020-03-04
US17/081,263 US11257265B2 (en) 2020-03-04 2020-10-27 Systems and methods for pest pressure heat maps
US17/081,361 US20210279639A1 (en) 2020-03-04 2020-10-27 Systems and methods for predicting pest pressure using geospatial features and machine learning
US17/081,361 2020-10-27
US17/081,263 2020-10-27
PCT/US2021/020809 WO2021178626A1 (en) 2020-03-04 2021-03-04 Systems and methods for predicting pest pressure using geospatial features and machine learning

Publications (1)

Publication Number Publication Date
CN115244553A true CN115244553A (zh) 2022-10-25

Family

ID=77613727

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202311082987.1A Pending CN116975377A (zh) 2020-03-04 2021-03-04 用于有害生物压力热图的系统和方法
CN202180019042.8A Pending CN115244553A (zh) 2020-03-04 2021-03-04 使用地理空间特征和机器学习预测有害生物压力的系统和方法
CN202180019035.8A Active CN115210732B (zh) 2020-03-04 2021-03-04 用于有害生物压力热图的系统和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202311082987.1A Pending CN116975377A (zh) 2020-03-04 2021-03-04 用于有害生物压力热图的系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202180019035.8A Active CN115210732B (zh) 2020-03-04 2021-03-04 用于有害生物压力热图的系统和方法

Country Status (11)

Country Link
EP (2) EP4115367A1 (zh)
JP (3) JP2023516294A (zh)
CN (3) CN116975377A (zh)
AU (3) AU2021231977B2 (zh)
BR (2) BR112022017596A2 (zh)
CA (2) CA3174476A1 (zh)
CO (2) CO2022014097A2 (zh)
MX (2) MX2022010924A (zh)
PE (2) PE20221861A1 (zh)
WO (2) WO2021178626A1 (zh)
ZA (2) ZA202209827B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GR1010544B (el) * 2022-11-10 2023-09-14 Οικοαναπτυξη Ανωνυμη Εταιρια, Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης
CN117272028B (zh) * 2023-10-19 2024-01-26 中国铁塔股份有限公司吉林省分公司 基于物联网态势感知的虫情监测方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3007969B1 (ja) * 1999-02-24 2000-02-14 農林水産省農業工学研究所長 土壌生物の密度探知法
US7656300B2 (en) 2003-06-16 2010-02-02 Rønnau Development ApS Pest control system
US7856370B2 (en) * 2007-06-15 2010-12-21 Saama Technologies, Inc. Method and system for displaying predictions on a spatial map
BR112013009401A2 (pt) 2010-10-17 2016-07-26 Purdue Research Foundation monitoração automática de populações de insetos
US20150025926A1 (en) 2013-07-17 2015-01-22 O & B Marketing, LLC Systems and methods for enhanced use of data in agriculture management
US9813512B2 (en) 2015-04-20 2017-11-07 Agverdict, Inc. Systems and methods for efficiently generating a geospatial data map for use in agricultural operations
TWM525505U (zh) * 2016-04-01 2016-07-11 Sinyi Realty Inc 區域災害的呈現裝置
ES2890727T3 (es) 2017-11-13 2022-01-21 Efos D O O Método, sistema y programa informático para realizar un pronóstico de plagas
US11582963B2 (en) * 2018-04-25 2023-02-21 Terrier Technologies, Llc Flying insect light trap monitoring system
CN110235873B (zh) * 2019-06-26 2021-11-26 北京农业智能装备技术研究中心 一种农林有害昆虫虫情自动监测预报系统

Also Published As

Publication number Publication date
AU2021231977B2 (en) 2023-11-09
PE20221861A1 (es) 2022-11-30
CO2022014103A2 (es) 2022-10-21
CA3174476A1 (en) 2021-09-10
ZA202209827B (en) 2024-01-31
BR112022017596A2 (pt) 2022-10-18
AU2023219976A1 (en) 2023-09-14
EP4115367A1 (en) 2023-01-11
BR112022017603A2 (pt) 2022-10-18
MX2022010924A (es) 2022-09-29
JP2023156493A (ja) 2023-10-24
AU2021231977A1 (en) 2022-10-20
MX2022010923A (es) 2022-09-29
CN116975377A (zh) 2023-10-31
AU2021230335A1 (en) 2022-10-13
WO2021178622A1 (en) 2021-09-10
CA3174472C (en) 2024-01-30
JP2023509230A (ja) 2023-03-07
CA3174472A1 (en) 2021-09-10
WO2021178626A1 (en) 2021-09-10
PE20221860A1 (es) 2022-11-30
CN115210732B (zh) 2023-08-25
CN115210732A (zh) 2022-10-18
EP4115366A1 (en) 2023-01-11
ZA202209828B (en) 2024-01-31
JP7338074B2 (ja) 2023-09-04
CO2022014097A2 (es) 2022-10-31
JP2023516294A (ja) 2023-04-19

Similar Documents

Publication Publication Date Title
US11455760B2 (en) Digital visualization of periodically updated in-season agricultural prescriptions
US11941709B2 (en) Methods and systems for managing crop harvesting activities
AU2021229238B2 (en) Ponding water detection on satellite imagery
US11721050B2 (en) Systems and methods for pest pressure heat maps
BR112019015401A2 (pt) Estimativa de rendimento de plantação usando rede neural agronômica
US10956780B2 (en) Detecting infection of plant diseases with improved machine learning
JP2023156493A (ja) 有害生物圧力ヒートマップのためのシステム及び方法
WO2023108213A1 (en) Methods and systems for classifying and benchmarking irrigation performance
US20210279639A1 (en) Systems and methods for predicting pest pressure using geospatial features and machine learning

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