CN115500082A - 用于确定农业植物的植物保护处理计划的方法和系统 - Google Patents

Abstract

本申请提供一种用于确定农业植物的植物保护处理计划的方法，该方法由数据处理单元(111)执行，并且该方法包括以下步骤：由数据处理单元获得(S110)指示农业植物或参考植物的当前健康状态的植物观察数据，由数据处理单元获得(S120)与栽培农业植物的位置相关联的天气数据，通过由数据处理单元执行的计算模型(113)，基于获得的观察数据和获得的天气数据来预测(S130)农业植物的时间相关疾病概率，以及由计算模型(113)至少基于预测的疾病概率确定(S140)要包括在植物保护处理计划中的至少一个植物保护处理参数。

Description

用于确定农业植物的植物保护处理计划的方法和系统

技术领域

本申请涉及计算机辅助农业植物处理。特别地，本申请涉及用于确定农业植物的植物保护处理计划的方法和设备。此外，本申请涉及用于使计算模型适应农业植物的变化的栽培条件以便通过使用适应的计算模型来确定农业植物的植物保护处理计划的方法，以及用于基于分配给农业植物的植物保护处理计划来处理农业植物的系统。

背景技术

在农业中，栽培植物(特别是作物)可能会受到播种和收获之间发生的疾病影响，这可能会降低产量。因此，植物疾病的发生主要由三个因素驱动，即影响植物特定脆弱性的寄主植物、代表致病因子的病原体以及可能包括疾病有利天气的环境条件。主要是这三个因素驱动疾病的发生，其中疾病的发展是这些因素之间的动态过程。仅该复杂的因素关系就使植物疾病管理成为一项挑战。与此同时，农业面临着养活预计到2050年将增至90亿的不断增长的人口的挑战，使得农业应尽可能高效。而且，土地、水和生物多样性等重要资源日益稀缺。这与气候变化的影响相结合，导致更频繁的极端天气事件和植物病虫害的增加，使农业成为挑战。

然而，植物可以采用植物保护措施或处理来保持健康，诸如施用植物保护剂、杀虫剂等。然而，例如确定植物保护措施的最合适的时间、识别合适的植物保护剂、确定植物保护剂的最优量等仍是一个挑战。

发明内容

因此，可能仍然需要在植物的疾病和/或健康管理方面提供更高效和有效的手段来支持农业。因此，本发明的目标是提供用于在植物的疾病和/或健康管理方面支持农业的更高效和有效的手段。

本发明的第一方面提供了一种优选计算机实现的方法，用于确定农业植物(例如作物)的植物保护处理计划。该方法将由数据处理单元执行，该数据处理单元可以是处理器、计算机设备等。该方法可以以计算机程序指令实现，例如作为计算机程序元件提供，并且可以由例如一个或多个数据处理单元和/或计算机设备来执行。它也可以由分布式计算机系统的一个或多个计算机设备来执行。这种分布式计算机系统可以特别包括计算云、客户端-服务器系统等，以及植物栽培现场计算机设备。这意味着分布式计算机系统可以经由云计算集中实现和/或经由边缘计算在植物栽培现场远程实现。该方法可以集中地或远程地执行，或者集中地和远程地结合执行。在一些实施例中，可以设想可以在不同的处理单元上处理各个计算步骤。计算机设备可以包括数据处理器、用于存储计算机程序元件的存储器、数据接口、通信接口等。如在此所使用的，数据或信息可以以电子形式(例如作为信号、数据包等)提供和/或交换，并且可以由上述数据处理单元或计算机设备电子地处理。数据交换可以经由诸如互联网的通信网络执行。

一种用于确定农业植物的植物保护处理计划的方法包括以下步骤：

-由数据处理单元获得指示农业植物或参考植物的当前健康状态的植物观察数据。植物观察数据可以包括一个或多个个体数据，其也可以是数据融合的对象。观察数据不一定需要从直接观察中获得，而是可以从数据库、数据集、组合不同数据源等间接确定。上述数据中的一些或全部也可以彼此组合或合并。

-由数据处理单元获得与栽培农业植物的位置相关联的天气数据。如上所述，植物的环境条件通常可影响植物的健康，或分别影响疾病的发展。天气数据可以从天气数据库、天气记录、天气预报服务、天气测量、卫星数据等中获得。天气数据也可以通过植物的地理位置的指示间接获得。此外，天气数据可以包括温度、湿度等中的一项或多项。该位置可以例如由位置坐标、位置标识符、位置名称(诸如地区、城市、城镇的名称等)指示。优选地，天气数据和位置可以彼此相关、映射、组合等。

-由数据处理单元执行的计算模型，基于至少包括获得的观察数据和获得的天气数据的输入数据来预测农业植物的时间相关疾病概率。换句话说，即以时间相关的方式，关于是否以及可选地如果是的话，关于植物疾病预期到何种程度或至少可能的程度对未来进行预测和/或估计和/或预报。计算模型可以被广泛理解，并且特别是作为计算科学中使用的数学模型，其需要例如由上述数据处理单元提供的计算资源，以通过例如计算机模拟来研究复杂系统的行为，例如植物的农业栽培并且特别是植物疾病的概率。此外，计算模型可以是机器学习模型。如在此所使用的，疾病概率可包括疾病严重度、疾病事件、疾病风险等中的一项或多项。因此，疾病严重度可以被理解为疾病的量，或疾病指标量，诸如来自植物的反射率和/或植物上的可见变化，例如植物上可见的斑点等，使得其也可以例如由目视观察人工地进行观察和/或检测。可替代地或另外地，它也可以例如通过使用具有检测部件的机器人检测设备，诸如飞机，例如无人机、农用车辆，和/或借助于卫星图像等以至少半自动化的方式被观察和/或检测。在至少一些实施例中，疾病检测可以基于所谓的归一化差异植被指数(NDVI)和/或叶面积指数(LAI)，其是图形指标和/或每单位地表面积的单侧绿叶面积，其适于被用于分析，例如遥感，用于评估被观察植物是否含有活的绿色植被的本地测量。此外，疾病严重度可以被理解为一段时间(例如若干天)内给定感染风险的结果。例如，关于疾病严重度，植物上部叶子上的疾病检测可能特别关注。这会对产量具有重大影响。

-由计算模型，至少基于预测的疾病概率来确定要包括在植物保护处理计划中的至少一个植物保护处理参数。植物保护处理参数和/或植物保护计划也可以称为计算模型的输出数据和/或方法的结果。随后可以将其用作相关装置和/或系统的输入数据，该装置和/或系统可以进一步处理这些数据或可以基于这些数据进行操作。例如此外，植物保护处理参数和/或植物保护计划可以被显示给用户和/或记录给用户，该用户诸如是农业公司、农民等。此外，植物保护处理参数和/或植物保护计划可以用作触发器，例如适于触发植物保护措施或处理的触发信号、消息等，其可以例如通过使用机器人至少部分自动化地执行，该机器人可以是至少半自动化和/或可远程控制的设备，诸如具有检测部件的农用车辆、飞行器(例如无人机)。

如在此所使用的，植物疾病可以是任何不希望的或破坏性植物疾病和/或破坏性作物疾病。例如，植物疾病可归于或由以下一种或多种试剂引起：植物病原真菌，包括土壤传播的真菌，特别是来自疟原虫类、霜孢菌纲(同义词卵菌纲)、壶菌纲、接合菌纲、子囊菌纲、担子菌纲和半知菌纲(同义词不完全菌纲)。这里描述的方法特别适用于与小麦壳针孢等疾病相关的使用。这种疾病可对例如植物的产量具有影响。当疾病到达顶叶中的一个，并且特别是三个顶叶中的一个时，对产量的影响可能特别大。因此，该方法还能够将预测的植物保护处理参数映射到叶层特定的估计。

该方法允许以自动方式调节用于确定植物保护处理参数和/或植物保护计划的规则。这意味着该方法，并且特别是用于该方法的模型，可以适应不同的情况。例如，它可以在没有人类专家干预的情况下适于例如新的栽培位置(诸如新地区)，不断变化的天气条件，气候变化，新的或变化的疾病等。因此，该方法允许优化例如植物保护剂、杀虫剂等的施用定时，使得农业公司、农民等仅将实际量(即尽可能少的量)施用于植物并且从而保护产量、节约成本和环境。

例如，通过使用根据第二方面的方法，计算模型可以适于其它疾病。

例如，然后可预测的植物疾病可归于或由以下一种或多种试剂引起：

观赏植物、蔬菜(例如白锈菌(A.candida))和向日葵(例如婆罗门参白锈菌(A.tragopogonis))上的白锈菌属(Albugo)(白锈病)；蔬菜(例如胡萝卜黑斑病(A.dauci)或大葱紫斑病(A.porri))、油菜(例如芸苔生链格孢(A.brassicola)或芸苔链格孢(A.brassicae))、糖用甜菜(例如细链格孢(A.tenuis))、水果(例如巨链格孢(A.grandis))、稻、大豆、土豆和西红柿(例如早疫链格孢(A.solani)、巨链格孢(A.grandis)或链格孢(A.alternata))、西红柿(例如早疫链格孢或链格孢)和小麦(例如小麦链格孢(A.triticina))上的链格孢属(Alternaria)(链格孢叶斑病)；糖用甜菜和蔬菜上的丝囊霉属(Aphanomyces)；禾谷类和蔬菜上的壳二孢属(Ascochyta)，例如小麦上的A.tritici(炭疽病)和大麦上的大麦壳二孢(A.hordei)；玉米上的玉米北方炭疽病菌(Aureobasidium zeae)(同义词玉米眼斑病菌(Kapatiella zeae))；平脐蠕孢属(Bipolaris)和内脐蠕孢属(Drechslera)(有性型：旋孢腔菌属(Cochliobolus))，例如玉米上的叶斑病(玉蜀黍平脐蠕孢(D.maydis)或玉米生离蠕孢(B.zeicola))，例如禾谷类上的斑枯病(麦根腐平脐蠕孢(B.sorokiniana)以及例如稻和草坪上的稻平脐蠕孢(B.oryzae)；禾谷类(例如小麦或大麦)上的小麦白粉菌(Blumeria(旧名：Erysiphe)graminis)(白粉病)；水果和浆果(例如草莓)、蔬菜(例如莴苣、胡萝卜、根芹菜和卷心菜)(洋葱科上的葱鳞葡萄孢(B.squamosal)或葱腐葡萄孢(B.allii)、油菜、观赏植物(例如百合灰霉病(Beliptica))、葡萄藤、森林植物和小麦上的灰葡萄孢(Botrytis cinerea)(有性型：灰葡萄孢霉(Botryotinia fuckeliana)：灰霉病)；莴苣上的莴苣盘梗霉(Bremia lactucae)(霜霉病)；阔叶树和常绿树上的长喙壳属(Ceratocystis)(同义词线嘴壳属(Ophiostoma))(腐烂病或枯萎病)，例如榆树上的榆枯萎病菌(C.ulmi)(荷兰榆病)；玉米(例如灰叶斑病:玉米尾孢菌(C.zeae-maydis))、稻、糖用甜菜(例如甜菜生尾孢(C.beticola))、甘蔗、蔬菜、咖啡、大豆(例如大豆灰斑病菌(C.sojina)或大豆紫斑病菌(C.kikuchii))和稻上的尾孢属(Cercospora)(尾孢叶斑病)；蘑菇上的Cladobotryum spp.(同义词指孢霉属(Dactylium))(例如C.mycophilum(旧名：树状指孢霉(Dactylium dendroides)，有性型：Nectriaalbertinii，Nectria rosella，同义词粉红寄生菌(Hypomyces rosellus))；西红柿(例如番茄叶霉菌(C.fulvum)：叶霉病)和禾谷类(例如小麦上的草芽枝孢(C.herbarum)(穗腐病))上的枝孢属(Cladosporium)；禾谷类上的麦角菌(Claviceps purpurea)(麦角病)；玉米(灰色长蠕孢(C.carbonum))、禾谷类(例如禾旋孢腔菌(C.sativus)，无性型：麦根腐平脐蠕孢)和稻(例如宫部旋孢腔菌(C.miyabeanus)，无性型：水稻长蠕孢(H.oryzae))上的旋孢腔菌属(无性型：长蠕孢属(Helminthosporium)或平脐蠕孢属)(叶斑病)；棉花(例如棉炭疽病菌(C.gossypii))、玉米(例如禾生炭疽病菌(C.graminicola)：炭疽茎腐病)、浆果、土豆(例如西瓜炭疽病菌(C.coccodes)：黑点病)、菜豆(例如菜豆炭疽病菌(C.lindemuthianum))和大豆(例如大豆炭疽病菌(C.truncatum)或毛豆炭疽病菌(C.gloeosporioides))、蔬菜(例如黄瓜炭疽病菌(C.lagenarium)或辣椒炭疽病菌(C.capsici))、水果(例如尖孢炭疽菌(C.acutatum))、咖啡(例如咖啡刺盘孢(C.coffeanum)或卡哈瓦刺盘孢(C.kahawae))和各种作物(胶孢炭疽菌(C.gloeosporioides)上的剌盘孢属(Colletotrichum)(有性型：围小丛壳菌属(Glomerella))(炭疽病)；伏革菌属(Corticium)，例如稻上的笹木伏革菌(C.sasakii)(纹枯病)；大豆、棉花和观赏植物上的黄瓜褐斑病菌(Corynespora cassiicola)(叶斑病)；锈斑病菌属(Cycloconium)，例如橄榄树上的油橄榄孔雀斑病(C.oleaginum)；果树、葡萄藤(例如C.liriodendri，有性型：Neonectria liriodendri：乌脚病)和观赏植物上的人参生柱隔孢属(Cylindrocarpon)(例如果树腐烂病或葡萄藤乌脚病，有性型：丛赤壳属(Nectria)或杓兰菌根菌属(Neonectria))；大豆上的白纹羽菌(Dematophora(有性型：Rosellinia)necatrix)(根腐病/茎腐病)；北茎溃疡菌属(Diaporthe)，例如大豆上的大豆北茎溃疡病菌(D.phaseolorum)(立枯疡)；玉米、禾谷类如大麦(例如大麦网斑内脐蠕孢(D.teres)，网斑病)和小麦(例如D.tritici-repentis：褐斑病)、稻和草坪上的内脐蠕孢属(同义词长蠕孢属，有性型：核腔菌属(Pyrenophora))；由斑褐孔菌(Formitiporia(同义词Phellinus)punctata)、地中海嗜蓝孢孔菌(F.mediterranea)、Phaeomoniellachlamydospora(旧名：Phaeoacremonium chlamydosporum)、Phaeoacremonium aleophilum和/或葡萄座腔菌(Botryosphaeria obtusa)引起的葡萄藤上的埃斯卡(Esca)(葡萄藤枯萎病，干枯病)；仁果(E.pyri)、浆果(覆盆子痂囊腔菌(E.veneta)：炭疽病)和葡萄藤(葡萄痂囊腔菌(E.ampelina)：炭疽病)上的痂囊腔菌属(Elsinoe)；稻上的稻叶黑粉菌(Entylomaoryzae)(叶黑粉病)；小麦上的附球菌属(Epicoccum)(黑穗病)；糖用甜菜(甜菜白粉菌(E.betae))、蔬菜(例如豌豆白粉菌(E.pisi))如葫芦科植物(例如二孢白粉菌(E.cichoracearum))、卷心菜、油菜(例如E.cruciferarum)上的白粉菌属(Erysiphe)(白粉病)；果树、葡萄藤和观赏树上的侧弯孢菌(Eutypa lata)(Eutypa溃疡病或枯萎病，无性型：Cytosporina lata，同义词Libertella blepharis)；玉米(例如玉米大斑病菌(E.turcicum))上的突脐蠕孢属(Exserohilum)(同义词长蠕孢属)；各种植物上的镰孢霉属(Fusarium)(有性型：赤霉属(Gibberella))(枯萎病，根腐病或茎腐病)，例如禾谷类(例如小麦或大麦)上的禾本科镰孢(F.graminearum)或大刀镰孢(F.culmorum)(根腐病、黑星病或银尖病)，西红柿上的尖镰孢(F.oxysporum)，大豆上的茄镰孢(F.solani)(甘氨酸镰刀菌(f.sp.glycines)，现在的同义词为北美大豆猝死综合症病菌(F.virguliforme)及各自引起猝死综合症的南美大豆猝死综合症病菌(F.tucumaniae)和巴西镰刀菌(F.brasiliense)以及玉米上的轮枝镰孢(F.verticillioides)；禾谷类(例如小麦或大麦)和玉米上的禾顶囊壳(Gaeumannomyces graminis)(全蚀病)；禾谷类(例如玉蜀黍赤霉(G.zeae))和稻(例如藤仓赤霉(G.fujikuroi)：恶苗病)上的赤霉属；葡萄藤、仁果和其他植物上的苹果炭疽病菌(Glomerella cingulata)以及棉花上的棉炭疽病菌(G.gossypii)；稻上的Grainstainingcomplex；葡萄藤上的葡萄黑腐病菌(Guignardia bidwellii)(黑腐病)；蔷薇科植物和刺柏上的锈菌属(Gymnosporangium)，例如梨上的G.sabinae(锈病)；玉米、禾谷类、土豆和稻上的长蠕孢属(同义词内脐蠕孢属，有性型：旋孢腔菌属)；驼孢锈菌属(Hemileia)，例如咖啡上的咖啡驼孢锈菌(H.vastatrix)(咖啡叶锈病)；葡萄藤上的褐斑拟棒束孢(Isariopsisclavispora)(同义词Cladosporium vitis)；大豆和棉花上的菜豆壳球孢(Macrophominaphaseolina(同义词phaseoli))(根腐病/茎腐病)；禾谷类(例如小麦或大麦)上的雪霉叶枯菌(Microdochium(同义词Fusarium)nivale(雪霉病)；大豆上的扩散叉丝壳(Microsphaeradiffusa)(白粉病)；丛梗孢属(Monilinia)，例如核果和其他蔷薇科植物上的核果链核盘菌(M.laxa)、桃褐腐菌(M.fructicola)和M.fructigena(同义词丛梗孢属(Monilia spp.)：花腐病和枝腐病，褐腐病)；禾谷类、香蕉、浆果和花生上的球腔菌属(Mycosphaerella)，例如小麦上的禾生球腔菌(M.graminicola)(无性型：叶枯病菌(Zymoseptoria tritici)，旧名：小麦壳针孢(Septoria tritici)，壳针孢叶斑病)或香蕉上的斐济球腔菌(M.fijiensis)(同义词Pseudocercospora fijiensis：Sigatoka黑斑病)和香蕉黄条叶斑病菌(M.musicola)，花生上的花生球腔菌(M.arachidicola)(同义词花生褐斑病菌(M.arachidis)或Cercospora arachidis)，伯克利球腔菌(M.berkeleyi)，豌豆上的M.pisi和芥属植物上的M.brassiciola；卷心菜(例如芸苔霜霉(P.brassicae))、油菜(例如寄生霜霉(P.parasitica))、洋葱(例如大葱霜霉(P.destructor))、烟草(烟草霜霉(P.tabacina))和大豆(例如大豆霜霉病菌(P.manshurica))上的霜霉属(Peronospora)(霜霉病)；大豆上的豆薯层锈菌(Phakopsora pachyrhizi)和山马蟥层锈菌(P.Meibomiae)(大豆锈病)；例如葡萄藤(例如P.Tracheiphila和P.tetraspora)和大豆(例如大豆茎褐腐病菌(P.gregata)：茎病害)上的瓶霉菌属(Phialophora)；油菜和卷心菜上的黑胫茎点霉(Phoma lingam)(同义词黑胫病菌(Leptosphaeria biglobosa)和斑点小球腔菌(L.maculans)：根腐病和茎腐病)，糖用甜菜上的甜菜茎点霉(P.betae)(根腐病、叶斑病和立枯疡)以及玉米上的P.zeae-maydis(同义词Phyllostica zeae)；向日葵、葡萄藤(例如葡萄黑腐病菌(P.viticola)：蔓割病和叶斑病)和大豆(例如茎腐病：菜豆拟茎点霉(P.phaseoli)，有性型：大豆北茎溃疡病菌(Diaporthe phaseolorum))上的拟茎点霉属(Phomopsis)；玉米上的玉米褐斑病菌(Physoderma maydis)(褐斑病)；各种植物如柿子椒和葫芦科植物(例如辣椒疫霉(P.capsici))、大豆(例如大豆疫霉(P.megasperma)，同义词大豆疫霉菌(P.sojae))、土豆和西红柿(例如致病疫霉(P.infestans)：晚疫病)和阔叶树(例如栎树猝死病菌(P.ramorum)：橡树急死病)上的疫霉属(Phytophthora)(枯萎病，根腐病，叶腐病，果树腐烂病和茎腐病)；卷心菜、油菜、小萝卜和其他植物上的芸苔根肿菌(Plasmodiophorabrassicae)(根肿病)；霜霉属(Plasmopara)，例如葡萄藤上的葡萄生单轴霉(P.viticola)(葡萄藤霜霉病)和向日葵上的霍尔斯单轴霉(P.halstedii)；蔷薇科植物、啤酒花、仁果和浆果(例如苹果上的苹果白粉病菌(P.leucotricha))以及葫芦科植物(甜瓜白粉病(P.xanthii))上的叉丝单囊壳属(Podosphaera)(白粉病)；例如禾谷类如大麦和小麦(禾谷多粘菌(P.graminis))以及糖用甜菜(甜菜多粘菌(P.betae))上的多粘菌属(Polymyxa)以及由此传播的病毒病害；禾谷类如小麦或大麦上的小麦基腐病菌(Pseudocercosporellaherpotrichoides)(同义词Oculimacula yallundae，O.acuformis：眼斑病，有性型：Tapesia yallundae)；各种植物上的假霜霉属(Pseudoperonospora)(霜霉病)，例如葫芦科植物上的古巴假霜霉(P.cubensis)或啤酒花上的葎草假霜(P.humili)；葡萄藤上的Pseudopezicula tracheiphila(葡萄角斑叶焦病菌或‘rotbrenner’，无性型：瓶霉属(Phialophora))；各种植物上的柄锈菌属(Puccinia)(锈病)，例如禾谷类如小麦、大麦或黑麦上的小麦柄锈菌(P.triticina)(褐锈病或叶锈病)，条形柄锈病(P.striiformis)(条纹病或黄锈病)，大麦柄锈病(P.hordei)(大麦黄矮叶锈病)，禾柄锈菌(P.graminis)(茎腐病或黑锈病)或小麦叶锈菌(P.recondita)(褐锈病或叶锈病)，甘蔗上的屈恩柄锈菌(P.kuehnii)(橙锈病)和芦笋上的天门冬属柄锈病(P.asparagi)；油菜上的核盘菌属(Pyrenopeziza spp.)，例如P.brassicae；小麦上的小麦黄斑叶枯病菌(Pyrenophora(无性型：Drechslera)tritici-repentis)(黄斑病)或大麦上的大麦网斑内脐蠕孢(P.teres)(网斑病)；梨孢属(Pyricularia)，例如稻上的稻瘟病菌(P.oryzae)(有性型：Magnaporthegrisea，稻瘟病)以及草坪和禾谷类上的稻梨孢菌(P.grisea)；草坪、稻、玉米、小麦、棉花、油菜、向日葵、大豆、糖用甜菜、蔬菜和各种其他植物(例如终极腐霉菌(P.ultimum)或瓜果腐霉(P.aphanidermatum))和蘑菇(寡雄腐霉(P.oligandrum))上的腐霉属(Pythium)(立枯病)；柱隔孢属(Ramularia)，例如大麦上的R.collo-cygni(柱隔孢叶斑病，生理叶斑病)，棉花上的白斑柱隔孢(R.areola)(有性型：网孢球腔菌(Mycosphaerella areola))和糖用甜菜上的甜菜叶斑病菌(R.Beticola)；棉花、稻、土豆、草坪、玉米、油菜、土豆、糖用甜菜、蔬菜和各种其他植物上的丝核菌属(Rhizoctonia)，例如大豆上的立枯丝核菌(R.solani)(根腐病/茎腐病)，稻上的R.solani(纹枯病)或小麦或大麦上的禾谷丝核菌(R.cerealis)(小麦纹枯病)；草莓、胡萝卜、卷心菜、葡萄藤和西红柿上的葡枝根霉(Rhizopus stolonifer)(黑霉病，软腐病)；大麦、黑麦和小黑麦上的黑麦喙孢(Rhynchosporium secalis)和R.commune(叶斑病)；稻上的稻帚枝霉(Sarocladium oryzae)和S.attenuatum(叶鞘腐败病)；蔬菜(小核盘菌(S.minor)和核盘菌(S.sclerotiorum))和大田作物如油菜、向日葵(例如核盘菌(S.sclerotiorum))以及大豆、花生、蔬菜、玉米、禾谷类和观赏植物(白绢病(S.rolfsii)(同义词罗耳阿太菌(Athelia rolfsii))上的核盘菌属(Sclerotinia)(茎腐病或白绢病)；各种植物上的壳针孢属(Septoria)，例如大豆上的大豆壳针孢(S.glycines)(褐斑病)，小麦上的小麦壳针孢(S.tritici)(同义词叶枯病菌(Zymoseptoria tritici)，壳针孢叶斑病)和禾谷类上的颖枯壳多孢(S.(同义词Stagonospora)nodorum)(斑枯病)；葡萄藤上的葡萄钩丝壳(Uncinula(同义词Erysiphe)necator)(白粉病，无性型：葡萄粉孢(Oidiumtuckeri))；玉米(例如玉米大斑病菌(S.turcicum)，同义词大斑凸脐蠕孢(Helminthosporium turcicum))和草坪上的大斑病菌属(Setosphaeria)(叶枯病)；玉米(例如丝轴黑粉菌(S.reiliana)，同义词Ustilago reiliana：丝黑穗病)、小米和甘蔗上的轴黑粉菌属(Sphacelotheca)(黑穗病)；葫芦科植物上的单丝壳白粉菌(Sphaerothecafuliginea)(同义词甜瓜白粉病(Podosphaera xanthii)：白粉病)；土豆上的粉痂菌(Spongospora subterranea)(粉痂病)以及由此传播的病毒病害；禾谷类上的壳多孢属(Stagonospora)，例如小麦上的颖枯壳多孢(S.nodorum)(斑枯病，有性型：颖枯球腔菌(Leptosphaeria[同义词Phaeosphaeria]nodorum)，同义词颖枯壳多孢(Septorianodorum))；土豆上的马铃薯癌肿病菌(Synchytrium endobioticum)(土豆癌肿病)；外囊菌属(Taphrina)，例如桃上的畸形外囊菌(T.deformans)(缩叶病)和李上的李外囊菌(T.pruni)(囊果李)；烟草、仁果、蔬菜、大豆和棉花上的根串珠霉属(Thielaviopsis)(黑色根腐病)，例如黑色根腐病菌(T.basicola)(同义词根黑腐病(Chalara elegans))；禾谷类上的腥黑粉菌属(Tilletia)(腥黑穗病或光腥黑穗病)，例如小麦上的小麦腥黑粉菌(T.tritici)(同义词小麦网腥黑粉菌(T.caries)，小麦腥黑穗病)和小麦矮腥黑穗病(T.controversa)(矮腥黑穗病)；蘑菇上的哈茨木霉菌(Trichoderma harzianum)；大麦或小麦上的肉孢核瑚菌(Typhula incarnata)(灰雪腐病)；黑粉菌属(Urocystis)，例如黑麦上的隐条黑粉菌(U.occulta)(条黑粉病)；蔬菜如菜豆(例如疣顶单胞锈菌(U.appendiculatus)，同义词U.phaseoli)、糖用甜菜(例如甜菜锈病菌(U.betae)或U.beticola))和豆类(例如豇豆锈菌(U.vignae)、豌豆锈菌(U.pisi)、U.viciae-fabae和蚕豆锈菌(U.fabae))上的单孢锈属(Uromyces)(锈病)；禾谷类(例如大麦散黑粉菌(U.nuda)和燕麦散黑粉菌(U.avaenae))、玉米(例如玉蜀黍黑粉菌(U.maydis)：玉米黑穗病)和甘蔗上的黑粉菌属(Ustilago)(黑穗病)；苹果(例如苹果黑星病(V.inaequalis))和梨上的黑星菌属(Venturia)(黑星病)；以及各种植物如果树和观赏树、葡萄藤、浆果、蔬菜和大田作物上的轮生菌属(Verticillium)(枯萎病)，例如油菜上的油菜黄萎菌(V.longisporum)，草莓、油菜、土豆和西红柿上的茄黄萎病菌(V.dahliae)及蘑菇上的蘑菇褐腐病(V.fungicola)；禾谷类上的叶枯病菌(Zymoseptoria tritici)。

在实施例中，输入数据可以进一步包括土壤水分指标，该土壤水分指标由数据处理单元获得并且与栽培农业植物的位置相关联。例如，土壤水分指标可以指示土壤在给定时间和/或可能在未来时间曾经或现在有多湿。换句话说，该方法可以包括可选步骤：由数据处理单元获得与栽培农业植物的位置相关联的土壤水分指标，其中，土壤水分指标作为输入数据的一部分提供给计算模型。以该方式，可以对疾病概率做出更加准确的预测。

根据实施例，可以以定量值预测疾病概率。换句话说，计算模型可以预测被分配给特定概率值或概率范围的值，在该概率值或概率范围内，疾病可能完全在植物中发生，或者疾病的进程可能已经蔓延超过特定阈值。定量值可以在例如0到1、0到100之间等，以用于指示疾病概率。可替代地或另外地，预测值可以作为从0到100％的百分比值来提供。因此，疾病概率可以在预测时段内的某个时间点或某个时段内以具体值被精确地预测和/或估计。此外，可以基于预测值来确定时间相关阈值，从该时间相关阈值起或在该时间相关阈值之后，疾病进程或疾病水平不可接受，例如由于移动到顶部叶子。

在实施例中，该至少一个植物保护处理参数可以包括处理期或处理时间。换句话说，该方法能够找到合适的或优选最合适的处理定时，诸如喷雾定时，在该喷雾定时，例如可以施用植物保护剂或杀虫剂以便一方面至少控制、消除或预防疾病，并且另一方面要求尽可能最少量的植物保护剂或杀虫剂。植物保护处理参数因此也可以称为最优处理和/或施用时间。

根据实施例，该至少一个植物保护处理参数可以进一步包括当采用某些植物保护措施的疾病的可控性高于最小阈值时的日期或时间窗口。这也可以称为最优处理和/或施用时间。

在实施例中，栽培农业植物的位置可以是田地，例如土壤表面等，可以将田地划分为多个子田地，以及其中可以以子田地特定的方式对多个子田地的至少一部分预测疾病概率。例如，可以创建地图，该地图将田地划分为不同的子田地，并将地理参考数据分配给它们。然后，对于一个、一些或所有子田地预测疾病概率。以该方式，可以针对子田地中的每个子田地单独控制植物处理，这可以例如在植物上节省的保护剂和/或由植物的机器处理产生的机器操作时间。

根据实施例，可以以子田地特定的方式来确定至少一个植物保护处理参数。以该方式，可以针对一个、一些或所有子田地单独确定至少一个植物保护处理参数，这可以例如在植物上节省保护剂和/或由植物的机器处理产生的机器操作时间。

在实施例中，土壤水分指标可以包括与一个或多个土壤深度相关联的土壤水分值。例如，土壤水分值可以指示田地或一个或多个子田地的土壤在给定时间(和/或可能在未来时间)曾经或现在有多湿。此外，举例来说，土壤水分值可以从微波辐射测量中导出，其中不同的波长可以用于提供土壤的不同深度的土壤水分值。可选地，C波段微波辐射可用于提供和/或确定土壤顶部2cm的土壤水分值，X波段微波辐射可用于提供和/或确定土壤顶部1cm的土壤水分值，并且L波段微波辐射可用于提供和/或确定土壤顶部5cm的土壤水分值。土壤水分值可用作计算模型的输入数据。以该方式，可以提供对疾病概率的更准确的预测。

根据实施例，其中土壤水分指标可以包括土壤类型。因此，可以例如按相应的分类将不同的土壤类型分配给疾病概率的不同倾向(predisposition)。以该方式，可以提供对疾病概率的更准确的预测。

在实施例中，可以基于土壤数据和天气数据对土壤水分指标进行建模和/或计算，其中土壤数据可以是以下数据类型中的一种或多种：与田地或子田地有关的土壤类型、土壤质量、土壤沙质、土壤湿度、土壤温度、土壤表面温度、土壤密度、土壤质地、土壤电导率、土壤的pH值和/或土壤的持水能力。因此，可以例如按相应的分类将不同的土壤数据分配给疾病概率的不同倾向。以该方式，可以提供对疾病概率的更准确的预测。

在实施例中，可以至少基于土壤类型和天气数据对土壤水分指标进行建模和/或计算。因此，可以例如通过相应的分类将不同的土壤类型分配给疾病概率的不同倾向。以该方式，可以提供对疾病概率的更准确的预测。

根据实施例，土壤水分指标可以至少部分地源自对栽培农业植物的位置执行的远程测量。例如，土壤水分(例如土壤水分值等)可以从卫星数据中获得。可选地，C波段微波辐射可用于提供和/或确定土壤顶部2cm的土壤水分值，X波段微波辐射可用于提供和/或确定土壤顶部1cm的土壤水分值，并且L波段微波辐射可用于提供和/或确定土壤顶部5cm的土壤水分值。土壤水分值可用作计算模型的输入数据。以该方式，可以提供对疾病概率的更准确的预测。

在实施例中，土壤水分指标可以至少部分地源自对栽培农业植物的位置执行的本地测量。例如，至少一个土壤水分传感器可用于确定土壤水分和/或土壤水分指标。土壤水分值可用作计算模型的输入数据。以该方式，可以提供对疾病概率的更准确的预测。

根据实施例，该方法可以进一步包括获得与栽培农业植物的位置相关联的生物量指标，其中，生物量指标可以作为用于预测疾病概率的附加输入数据另外提供给计算模型。例如，生物量指标可以是归一化差异植被指数(NDVI)和/或叶面积指数(LAI)。以该方式，可以提供对疾病概率的更准确的预测。

在实施例中，计算模型可以是计算回归模型。在实施例中，该至少一个植物保护处理参数可用于指定要使用的植物保护剂的规格。为此，可以使用合适的计算模型或通过数据库等获得的数据。这可以进一步提高植物处理的质量。

根据实施例，该至少一个植物保护处理参数和/或植物处理计划可用作触发器，以便例如通过消息、警报等通知用户关于至少一个植物保护处理参数和/或植物处理计划，和/或基于至少一个植物保护处理参数和/或植物处理计划指示用户例如在某个时间执行某些动作。

在实施例中，该至少一个植物保护处理参数和/或植物处理计划可用于生成适于提供给机器人设备的控制数据集，该机器人设备例如适于在特定日期或时间自动执行植物处理计划或施用例如植物保护剂、杀虫剂等。这可以进一步提高农业效率。

根据实施例，预测农业植物的疾病概率可以进一步包括：

-由计算模型预测疾病进展窗口，在该疾病进展窗口中，农业植物在一段时间内的可能的疾病进程被计算并且指示疾病进展窗口内特定时间的疾病概率，

-预测的疾病概率可从疾病进展窗口中提取。

换句话说，计算模型能够确定疾病进展曲线，其可以是窗口的一部分。该疾病进展曲线可用于识别在其之后疾病水平不可接受的阈值，例如由于移动到植物的上部或顶部叶子等。这然后可以用来确定最优施用时间。

在实施例中，植物观察数据可以包括以下一项或多项：田地数据、观察到的侵染数据和与农业植物相关联的生长阶段。这些数据可以组合和/或相关联。根据实施例，田地数据可以包括以下一项或多项：指示栽培农业植物的地理位置的地理位置信息，以及包括土壤数据、田地尺寸、田地取向、田地环境数据中的一项或多项的田地数据。

根据实施例，田地数据可以包括以下一项或多项：指示栽培农业植物的地理位置的地理位置信息、土壤数据、田地尺寸、田地取向、田地环境数据。这些数据可以组合和/或相关联。在至少一些实施例中，计算模型可以包括多个层，层的数量可以基于要处理的输入数据的数量、多个要处理的输入数据等。如果引入附加层，则可以考虑进一步的数据和/或参数用于预测。例如，它可能另外考虑土壤水分等。

在实施例中，预测的疾病概率指示或包括疾病严重度、疾病事件和疾病风险中的一项或多项。优选地，它指示疾病的严重度，因为已经发现一天的高感染风险还不一定是问题，其中持续数天的高风险可导致疾病出现。然而，作为植物上可见的疾病量的疾病严重度可被视为感染风险天数的结果。

根据实施例，计算回归模型利用适于响应于输入的植物观察数据和天气数据输出数据的人工神经网络。神经网络可以由多个层组成，其中，每一层包括一个或多个神经元。相邻层之间的神经元被连接，其中第一层的神经元的输出是相邻第二层中的一个或多个神经元的输入。每个这种连接都被赋予“权重”，相应的输入采用该“权重”进入“激活函数”，该“激活函数”将神经元的输出作为其输入的函数。激活函数通常是其输入的非线性函数。例如，激活函数可以包括作为其输入的加权和或其它线性函数的“预激活函数”，以及从预激活函数的值产生神经元的最终输出的阈值函数或其它非线性函数。在用于执行本方法的神经网络中，在进行预测之前，通过采用合适的训练数据进行训练来设定或调节权重。在至少一些实施例中，神经网络可以采用诸如Pytorch和/或FastAI的技术来实现。

在至少一些实施例中，计算模型可以是时间感知计算模型。例如，模型可以包括适于处理时间相关输入数据的另外的层，该输入数据包括例如时间戳等，以将输入值映射到时间点或时间段。这可以进一步提高计算模型的学习和/或预测能力。

此外，可替代地或另外地，计算模型可以包括或可以形成为递归神经网络(RNN)，其中节点之间的连接沿着时间序列形成有向图。这可以进一步提高计算模型的学习和/或预测能力。

可替代地或另外地，计算模型可以包括或者可以形成为长短期记忆(LSTM)架构，其是人工递归神经网络(RNN)架构。这可以进一步提高计算模型的学习和/或预测能力。

在实施例中，植物保护处理参数和/或植物保护处理计划可以作为适于由数据处理设备执行的计算机可读数据集来提供。例如，植物保护处理参数和/或植物保护处理计划可以作为消息提供，例如由终端(诸如智能电话或任何其它合适的计算机设备)接收。其也可用于控制机器人来使用保护处理参数和/或执行植物保护处理计划。

根据实施例，计算模型可以进一步获得在栽培季节期间收集和/或捕获的侦察信息和/或用户反馈。侦察信息可以从例如计算机应用程序(App)获得。侦察信息可以包括例如在植物位置处拍摄的一个或多个侦察图像。侦察成像可经受成像处理，诸如图像分析、模式识别等。用户反馈可以基于例如人工观察，至少半自动检测等。侦查信息和/或用户反馈也可以经由同一个或另一计算机App输入。在至少一些实施例中，所获得的侦察信息和/或用户反馈可用于在植物的栽培季节调节和/或校准计算模型。这可以进一步提高计算模型的学习和/或预测能力。

本发明的第二方面提供了一种用于使计算模型适应农业植物的变化的栽培条件以便通过使用适应的计算模型来确定农业植物的植物保护处理计划的方法。该方法优选地是计算机实现的并且由数据处理单元执行。这可以是上述数据处理单元或计算机设备。该方法包括以下步骤：

-向计算模型提供训练数据作为输入数据，该输入数据至少包括田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据中的一项或多项，输入数据与农业植物的变化的栽培条件相关联。

田地特定数据可以指通过实验试验收集的数据。田地试验是农业研究种子品种影响、易感性、杀菌剂效果和其它特定农业活动的标准方法。例如，作为这些研究的一部分，不同的地块设计或试验设置可被设计，并由试验操作员在整个生长期记录不同的方面，其然后由试验操作员进行分析和研究。在该研究中，来自试验中未处理的地块的数据用于研究在农民不采取任何动作的情况下疾病将如何发展。这允许更好地研究疾病的动态，并且从而更好地研究设备管理策略。作为该过程的一部分，可以进一步使用栽培日期、作物数据(诸如作物类型)和试验的位置细节。可以对这些田地特定数据进行计算处理以提供电子形式的输入数据。可以通过合适的检测和/或收集部件(诸如光学检测部件)例如通过遥控或至少部分自主的机器人、卫星成像等以电子方式获得田地特定数据。此外，田地特定数据可以与观察到的疾病严重度和/或生长阶段和/或天气数据相关。在实施例中，田地特定数据包括与栽培日期和作物数据有关的数据，其中作物数据包括与作物类型、作物种类、作物品种、作物遗传信息、作物对特定疾病的易感性有关的数据。可以通过测量(包括基于例如遥感、近端传感的传感器测量)、建模或用户输入来获得田地特定的数据、与栽培日期相关的数据和作物数据。“遗传信息”被理解为关于生物体遗传特性的任何类型的信息，包括但不限于DNA序列、RNA序列、DNA和/或RNA序列的部分、DNA和/或RNA的分子结构、表观遗传信息(例如DNA部分的甲基化)、基因突变信息、基因复制数变异信息、基因过表达信息、基因表达水平信息、基因转移信息、野生型和突变体之间的比率信息、不同突变体之间的比率信息、突变体与其它变体(例如表观遗传变体)之间的比率信息、不同变体(例如表观遗传变体)比率的信息,并且还包括某些野生型、突变体的信息，或变体(例如表观遗传变体)或DNA/RNA序列，或DNA/RNA序列的部分，或特定的表观遗传信息不存在。

观察到的疾病严重度和/或生长阶段数据可以通过观察确定农业植物在整个生长期的不同生长阶段的疾病严重度来获得。此外，观察到的疾病严重度和/或生长阶段数据可以与田地特定数据和/或天气数据相关。

天气数据可以指历史天气数据，并且可以经由合适的应用编程接口(API)从例如天气数据库、气象站网络和来自合适天气模型的模拟数据导出。此外，天气数据可以与田地特定数据和/或观察到的疾病严重度和/或生长阶段数据相关联。

在将上述数据作为训练数据提供给计算模型之前，可以对田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据中的一项或多项进行预处理。例如，可以按观察日期进行观察，并且可以对同一天的值进行平均。此外，由于种植日期可能是关键参数，因此可能会丢弃缺少种植日期的试验。此外，试验可能会遗漏地理坐标细节，其中对于这种试验，可以基于可用于位置的进一步信息(诸如城市或城镇的指定)和/或通过反向地理编码来估计位置估计。

此外，在将上述数据作为训练数据提供给计算模型之前，可以对上述数据进行疾病进展分析。例如，在试验中进行的观察可能旨在捕捉时间疾病发展，即在生长季节多次评估时，植物种群中存在的疾病量。可以对不同叶层的疾病严重度进行这种评估。特别地，加权求和技术可用于基于不同叶层特定疾病严重度值对最终产量的影响来对不同叶层特定疾病严重度值求和。这导致随着时间推移更易于理解、更简单、更平滑的疾病进展曲线。基于这些时间疾病发展值，可以准备疾病进展曲线，该疾病进展曲线是描述疾病发展随时间动态的集体表示。该时间进展曲线代表了宿主、病原体、环境和作物饲养之间复杂相互作用的结果。用于描述时间疾病进展的方法是使用合适的生长模型。

-通过使用反向传播，基于训练数据对计算模型的参数或权重进行调节，以使计算模型适应农业植物的变化的栽培条件。

例如，计算模型可以形成为或可以利用神经网络。通常，神经网络可以由多个层组成，其中，每一层包括一个或多个神经元。相邻层之间的神经元被连接，其中第一层的神经元的输出是相邻第二层中一个或多个神经元的输入。每个这种连接都被赋予“权重”，相应的输入采用该“权重”进入“激活函数”，该“激活函数”将神经元的输出作为其输入的函数。激活函数通常是其输入的非线性函数。例如，激活函数可以包括作为其输入的加权和或其它线性函数的“预激活函数”，以及从预激活函数的值产生神经元的最终输出的阈值函数或其它非线性函数。在用于执行本方法的神经网络中，在进行预测之前，通过使用合适的训练数据进行训练来设定或调节权重。

此外，反向传播在机器学习领域中是已知的，并且是指用于例如训练前馈神经网络以便进行监督学习的算法。反向传播可以计算损失函数关于网络权重的梯度以拟合神经网络。用于训练前馈网络的反向传播能够执行非线性多元回归。前馈网络的目标是逼近函数f，使得y＝f(x；θ)其中f映射所有输入数据和参数θ以给出疾病概率的值y，该值介于例如0到1或0到100％之间。采用反向传播技术，可以对参数θ进行重复调节，以便最小化实际输出和期望输出之间的差异。输入数据可以是分类值和连续值的组合。连续值无需进一步预处理即可用作输入数据，但分类值可能会从预处理中受益。在至少一些实施例中，它可以通过将分类列中的值表示为N维向量的形式而不是单个整数来进一步改进反向传播。向量能够捕获更多信息，并且可以以更合适的方式找到不同分类值之间的关系。可以将输入数据馈送到多层前馈神经网络中。这意味着网络包含多层隐藏神经元。隐藏层用于增加非线性并改变数据的表示，以便更好地泛化函数。由于这是一项复杂的表格数据分析任务，因此该层包含例如多个，例如数百或数千个输出神经元，并且优选地在两层网络中分别包含500到1500个，优选地大约1000个，以及200到800个，优选地大约500个输出神经元。因此，例如矩阵乘法是线性函数。使用的非线性可以是例如整流线性单元(ReLU)。随着泛化能力提高，数据过度拟合的风险也会增加。为了避免这种情况，可以使用dropout正则化。可替代地或另外地，也可以在非线性之后应用所谓的批量归一化以避免过度拟合。此外，还可以执行所谓的批量归一化来提高神经网络的速度、性能和稳定性。它可以特别用于通过调节和缩放激活来归一化输入层。输出层接收来自最后一层的相应数量(例如200到800，优选大约500)的输入作为输入输出激活。可选地，可以执行线性变换以获得一个输出，即在0到1之间范围内的预测的疾病概率值，其然后可以映射到0到100％之间的值。因此，反向传播可以用于训练计算模型。

-使用适应的计算模型以用于通过至少预测农业植物的时间相关疾病概率来确定农业植物的植物保护处理计划。

在训练和适应之后，计算模型适应变化的栽培条件。因此，可用于准确地确定农业植物针对新天气条件、新疾病和/或新地区的植物保护处理计划。

根据实施例，该方法可以进一步包括在提供训练数据作为输入数据之前的以下步骤：

-将田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据组合成组合数据。

-通过加权求和函数处理组合数据，以基于不同叶层特定疾病概率值对农业植物的最终产量的影响对不同叶层特定疾病概率值求和。

本发明的第三方面提供了一种用于确定农业植物的植物保护处理计划的设备。该设备包括适于接收数据和/或输出数据的数据接口，以及数据处理单元。数据处理单元适于：

-通过使用由数据处理单元执行的计算模型，基于获得的观察数据、可选地获得的土壤水分数据和获得的天气数据来预测农业植物的时间相关的疾病概率。

-通过使用计算模型，至少基于预测的疾病概率来确定要包括在植物保护处理计划中的至少一个植物保护处理参数。

优选地，该设备可以适于执行第一方面的方法。

本发明的第四方面提供了一种用于使计算模型适应农业植物的变化的栽培条件的设备，以便通过使用适应的计算模型来确定农业植物的植物保护处理计划。该设备包括适于接收数据和/或输出数据的数据接口，以及数据处理单元。该数据处理单元适于：

-由计算模型获得训练数据，该训练数据至少包括田地特定数据、观察到的疾病严重度、生长阶段数据、可选的土壤水分数据和天气数据中的一项或多项，该训练数据与农业植物的变化的栽培条件相关。

-通过使用反向传播，基于训练数据来调节计算模型的参数或权重以使计算模型适应农业植物的变化的栽培条件。

-使用适应的计算模型以便通过至少预测农业植物的时间相关疾病概率来确定农业植物的植物保护处理计划。

优选地，该设备可以适于执行第二方面的方法。

本发明的第五方面提供了一种用于基于分配给农业植物的植物保护处理计划来处理农业植物的系统。该系统包括：

-第一设备，其包括适于接收数据和/或输出数据的数据接口，以及数据处理单元。该数据处理单元适于：

-通过使用由第一数据处理单元执行的计算模型，基于获得的观察数据、可选地获得的土壤水分数据和获得的天气数据来预测农业植物的时间相关的疾病概率，以及

-通过使用计算模型，至少基于预测的疾病概率来确定要包括在植物保护处理计划中的至少一个植物保护处理参数，以及

-提供至少包括至少一个植物保护处理参数的输出数据。

-第二设备，其包括适于接收数据和/或输出数据的数据接口，以及数据处理单元。该数据处理单元适于：

-从第一数据处理单元获得输出数据。

-处理获得的输出数据以使用至少一个植物保护处理参数。

该系统可以是分布式计算机系统，其中，第一和第二设备可以经由诸如互联网的通信网络连接。例如，第一设备可以是服务器、云等，并且可以适于集中执行上述步骤。此外，第二设备可以远离第一设备。第二设备可以是任何类型的计算机设备、终端，诸如智能电话、机器人设备的控制器等。例如，如果植物保护处理参数指示植物处理的定时，则第一设备的输出数据可以包括要发送到例如终端并由其接收的消息，以便通知用户植物处理的预计定时。此外，第一设备的输出数据可以触发机器人设备以执行植物处理。

本发明的第六方面提供了用于确定农业植物的植物保护处理计划的计算机程序单元，该计算机程序当由数据处理单元和/或计算机设备执行时适于执行根据第一和/或第二方面的方法。

本发明的这些和其它方面将从下文描述的实施例中变得明显并且参考下文描述的实施例来阐明。

附图说明

下面将参考附图描述本发明的示例性实施例。

图1示出根据本发明的实施例的用于处理农业植物的系统的示意框图。

图2在示意框图中示出了根据本发明的实施例的适于确定农业植物的植物保护处理计划的计算模型的架构。

图3示出根据本发明的实施例的用于确定农业植物的植物保护处理计划的方法的流程图。

图4示出根据本发明的实施例的用于使计算模型适应农业植物的变化的栽培条件的方法的流程图。

附图仅仅是示意性表示并且仅用于示出本发明。相同或等效的元件一致地具有相同的附图标记。

具体实施方式

图1以示意框图示出用于处理农业植物的系统100。

如下文将更详细描述的，系统100包括适于确定农业植物的植物保护处理计划的第一设备110。第一设备110可以是合适类型的计算机并且包括适于接收数据和/或输出数据的数据接口111，以及数据处理单元112。它还可以包括数据存储装置、存储器等。可选地，数据接口111可以适于经由诸如互联网的通信网络进行通信。在一些实施例中，第一设备110可以形成或可以是计算云、服务器等的一部分。在其它实施例中，第一设备110可以是本地计算机设备。第一设备110适于在计算上执行计算模型113(参见例如图2)，该计算模型113适于确定农业植物的植物保护处理计划，如下面将更详细描述的。

此外，系统100包括第二设备120，该第二设备120适于至少获得和/或处理从第一设备110获得的输出数据。换句话说，第一设备110的输出数据可以由第二设备120用于处理农业植物。例如，第二设备120可以从第一设备110接收农业植物的植物保护处理计划。第二设备120可以是合适类型的计算机并且包括适于接收数据和/或输出数据的数据接口121，以及数据处理单元122。它还可以包括数据存储装置、存储器等。可选地，数据接口121可以适于经由诸如互联网的通信网络进行通信。在至少一些实施例中，第二设备140可以远离第一设备110和/或第二设备120，例如在农业植物的位置处或附近。此外，可选地第二设备120可以是终端，诸如智能电话、机器人设备等。

此外，系统100包括或可操作地连接到至少一个数据源130，该数据源130适于收集和/或提供要输入到第一设备110和/或第二设备120的数据。数据源130可以示例性地表示多个不同的数据源，诸如气象站、气象站网络、包括观察到的植物数据的数据库等。它可以包括训练数据，该训练数据至少包括田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据中的一项或多项，其中训练数据与农业植物的变化的栽培条件相关联。此外，数据源130可以包括指示农业植物或参考植物的当前健康状态的植物观察数据以及与栽培农业植物的位置相关联的天气数据。

数据源130、第一设备110和/或第二设备120可以至少部分地可操作地彼此连接，如图1中由在实体之间的相应箭头所示，其中实体之间的数据流可通过箭头的方向识别。

上述系统100可以如下所述操作。

第一设备110可适于确定农业植物的植物保护处理计划。特别地，第一设备110适于例如由数据处理单元112经由数据接口111从数据源130获得指示农业植物或参考植物的当前健康状态的植物观察数据。此外，第一设备110适于由数据处理单元112经由数据接口111从数据源130获得与栽培农业植物的位置相关联的天气数据。第一设备110进一步适于基于获得的观察数据、获得的天气数据以及(可选地)土壤水分指标，由优选地存储在或加载到例如第一设备110的数据存储装置中并由数据处理单元112执行的上述计算模型113来预测农业植物的时间相关的疾病概率。此外，第一设备110适于由计算模型113至少基于预测的疾病概率来确定要包括在植物保护处理计划中的至少一个植物保护处理参数。计算模型113可以形成为或者可以利用适于响应于输入的植物观察数据和天气数据而输出数据的神经网络。计算模型113可以适于处理输入数据以便计算以定量值(例如，以0到1或0到100的值)的疾病概率。在至少一些实施例中，该至少一个植物保护处理参数包括处理期或处理时间。例如，该至少一个植物保护处理参数包括当采用某些植物保护措施的疾病的可控性高于最小阈值时的日期或时间窗口。此外，在至少一些实施例中，第一设备110和/或计算模型113适于由计算模型113预测疾病进展窗口，在该疾病进展窗口中农业植物在一段时间内的可能的疾病进程被计算并指示疾病进展窗口内特定时间的疾病概率，其中预测的疾病概率从疾病进展窗口中提取。此外在至少一些实施例中，第一设备110和/或计算模型113适于通过使用加权和函数来处理植物观察数据，该加权和函数适于基于不同叶层特定疾病概率对植物产量的影响来对不同叶层特定疾病概率求和。例如，植物观察数据包括以下一项或多项：田地数据、观察到的侵染数据和与农业植物相关联的生长阶段。此外，预测的疾病概率指示或包括疾病严重度、疾病事件和疾病风险中的一项或多项。植物保护处理参数和/或植物保护处理计划被提供为适于由数据处理设备(例如由第二设备120)执行的计算机可读数据集。

可选地，栽培农业植物的位置可以是田地，该田地可以划分为若干个子田地，以及其中，可以以子田地特定的方式对多个子田地的至少一部分预测疾病概率。例如，可以通过使用地图(例如数字和/或计算机可读地图)来划分田地，该地图指示不同的子田地。基于对多个子田地的划分，可以以子田地特定的方式确定至少一个植物保护处理参数，以及其中，例如可以针对每个特定的子田地单独确定至少一个植物保护处理参数。

进一步可选地，土壤水分指标包括与一个或多个土壤深度相关联的土壤水分值。在至少一些实施例中，土壤水分指标可以包括土壤类型。进一步可选地，可以至少基于土壤类型和天气数据对土壤水分指标进行建模、预测和/或计算。此外，土壤水分指标可以至少部分地源自对栽培农业植物的位置执行的远程测量。可替代地或另外地，土壤水分指标可以至少部分地源自栽培农业植物的位置处执行的本地测量。

在至少一些实施例中，可以获得与栽培农业植物的位置相关联的生物量指标，诸如LAI和/或NDVI，其可以源自卫星数据。因此，生物量指标可以作为用于预测疾病概率的附加输入数据被另外提供给计算模型113。

由第一设备110执行的计算模型113可适于农业植物的变化的栽培条件，以通过使用适应的计算模型113确定农业植物的合适的植物保护处理计划。为此目的，第一设备110适于由计算模型113例如经由数据接口112获得训练数据，该训练数据至少包括田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据中的一项或多项，该训练数据与农业植物的变化的栽培条件相关联。此外，第一设备110适于基于训练数据通过使用反向传播来调节计算模型113的参数或权重，以使计算模型113适应农业植物的变化的栽培条件。然后如上所述，适应的计算模型113可以用于通过预测农业植物的至少时间相关的疾病概率来确定农业植物的植物保护处理计划。

图2在示意框图中示出上述计算模型113的示例性架构，其在这里是多层神经网络。举例来说，计算模型113是适于通过诸如反向传播算法的反向传播来训练的两层前馈神经网络。因此，计算模型133包括第一层113A和第二层113B。如图2中由框113C和113D指定的，可以包括分类值(参见框113C)和连续值(参见框113D)的输入数据被馈送到神经网络中，并且特别是第一层113A中。第一层113A和第二层113B可以互连。第一层113A和第二层113B中的每一层可以包括线性函数(包括例如矩阵乘法)和非线性函数(包括例如整流线性单元(ReLU))。计算模型113的经由框113E的输出可以是上述预测的要包括在植物保护处理计划中的至少一个植物保护处理参数，或者是包括至少一个植物保护处理参数的完整植物保护处理计划。

图3示出用于确定农业植物的植物保护处理计划的方法的流程图。需要说明的是，下面的方法步骤，特别是输入数据的获得不一定要按照指定的顺序执行，也可以以不同的顺序来获得输入数据。在步骤S110中，例如由数据处理单元111获得指示农业植物或参考植物的当前健康状态的植物观察数据。在步骤S120中，由例如数据处理单元111获得与栽培农业植物的位置相关联的天气数据。可选地，由例如数据处理单元111获得与栽培农业植物的位置相关联的土壤水分指标。在步骤S130中，基于至少包括获得的观察数据和获得的天气数据以及可选地获得的土壤水分指标的输入数据，通过由数据处理单元111执行的计算模型113预测农业植物的时间相关的疾病概率。在步骤S140中，至少基于预测的疾病概率，例如通过由例如数据处理单元111执行的计算模型113确定要包括在植物保护处理计划中的至少一个植物保护处理参数。

图4示出用于使计算模型113适应农业植物的变化的栽培条件以便通过使用适应的计算模型113确定农业植物的植物保护处理计划的方法的流程图。在步骤S210中，由计算模型113获得训练数据，该训练数据至少包括田地特定数据、观察到的疾病严重度、生长阶段数据、天气数据和可选的土壤水分指标中的一项或多项，其中训练数据与农业植物的变化的栽培条件相关联。在步骤S220中，基于训练数据，计算模型113的参数或权重被调节以使计算模型113通过使用反向传播适应农业植物的变化的栽培条件。在步骤S230中，适应的计算模型113用于通过至少预测农业植物的时间相关的疾病概率来确定农业植物的植物保护处理计划。

注意，本发明的实施例参考不同的主题来描述。特别地，参考方法类型权利要求描述了一些实施例，而参考设备类型权利要求描述了其它实施例。然而，本领域技术人员将从以上和以下描述中得知，除非另有说明，除了属于一种主题的特征的任何组合之外，还认为与不同主题相关的特征之间的任何组合与本申请一起公开。然而，所有特征都可以组合起来，提供不仅仅是特征的简单总和的协同效应。

虽然本发明已在附图和前述说明中详细说明和描述，但这种说明和描述应被认为是说明性或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践要求保护的发明时可以理解和实现对所公开实施例的其它变化。

在权利要求中，“包括”一词不排除其它元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其它单元可以实现权利要求中引用的若干项的功能。在相互不同的从属权利要求中引用了某些措施这一事实并不指示这些措施的组合不能有利地使用。权利要求中的任何参考符号不应被解释为限制范围。

Claims (25)

1.一种用于确定农业植物的植物保护处理计划的方法，所述方法由数据处理单元(111)执行，并且所述方法包括以下步骤：

由所述数据处理单元获得(S110)指示所述农业植物或参考植物的当前健康状态的植物观察数据，

由所述数据处理单元获得(S120)与栽培所述农业植物的位置相关联的天气数据，

通过由所述数据处理单元执行的计算模型(113)，基于至少包括获得的观察数据和获得的天气数据的输入数据来预测(S130)所述农业植物的时间相关疾病概率，以及

由所述计算模型(113)至少基于预测的疾病概率来确定(S140)要包括在所述植物保护处理计划中的至少一个植物保护处理参数。

2.根据权利要求1所述的方法，其中，所述输入数据进一步包括由所述数据处理单元获得并与栽培所述农业植物的所述位置相关联的土壤水分指标。

3.根据权利要求1或2所述的方法，其中，所述至少一个植物保护处理参数包括处理期或处理时间。

4.根据前述权利要求中任一项所述的方法，其中，所述至少一个植物保护处理参数包括当采用某些植物保护措施的所述疾病的可控性高于最小阈值时的日期或时间窗口。

5.根据前述权利要求中任一项所述的方法，其中，栽培所述农业植物的所述位置是田地，所述田地被划分为多个子田地，以及其中，以子田地特定的方式对所述多个子田地的至少一部分预测所述疾病概率。

6.根据权利要求5所述的方法，其中，所述至少一个植物保护处理参数以子田地特定的方式确定。

7.根据前述权利要求中任一项所述的方法，其中，所述土壤水分指标包括与一个或多个土壤深度相关联的土壤水分值。

8.根据前述权利要求中任一项所述的方法，其中，所述土壤水分指标包括土壤类型。

9.根据前述权利要求中任一项所述的方法，其中，所述土壤水分指标至少基于土壤类型和所述天气数据来建模。

10.根据前述权利要求中任一项所述的方法，其中，所述土壤水分指标至少部分地源自对栽培所述农业植物的所述位置执行的远程测量。

11.根据前述权利要求中任一项所述的方法，其中，所述土壤水分指标至少部分地源自在栽培所述农业植物的所述位置处执行的本地测量。

12.根据前述权利要求中任一项所述的方法，进一步包括：

获得与栽培所述农业植物的所述位置相关联的生物量指标，

其中，所述生物量指标被另外提供给所述计算模型(113)作为用于预测所述疾病概率的附加输入数据。

13.根据前述权利要求中任一项所述的方法，其中，预测所述农业植物的所述疾病概率进一步包括：

由所述计算模型(113)预测疾病进展窗口，其中所述农业植物在一段时间内的可能的疾病进程被计算并且指示所述疾病进展窗口内特定时间的所述疾病概率，

其中，所述预测的疾病概率从所述疾病进展窗口中提取。

14.根据前述权利要求中任一项所述的方法，其中，所述植物观察数据被叶层特定地获得和/或被叶层特定地处理。

15.根据前述权利要求中任一项所述的方法，其中，基于所述不同叶层对所述农业植物的产量的影响，针对所述农业植物或所述参考植物的不同叶层对所述植物观察数据进行加权或分类，以及其中，基于加权或分类的植物观察数据预测所述疾病概率。

16.根据前述权利要求中任一项所述的方法，其中，所述植物观察数据包括以下中的一项或多项：田地数据、观察到的侵染数据以及与所述农业植物相关联的生长阶段。

17.根据前述权利要求中任一项所述的方法，其中，所述预测的疾病概率指示或包括疾病严重度、疾病事件和疾病风险中的一项或多项。

18.根据前述权利要求中任一项所述的方法，其中，所述计算模型(113)利用适于响应于所输入的植物观察数据和天气数据而输出数据的神经网络。

19.根据前述权利要求中任一项所述的方法，其中，所述至少一个植物保护处理参数和/或所述植物保护处理计划被提供为适于由机器人设备的数据处理设备执行计算机可读数据集以在特定日期或时间施用植物保护剂。

20.根据前述权利要求中任一项所述的方法，其中，所述至少一个植物保护处理参数和/或所述植物处理计划被用作触发器以关于所述至少一个植物保护处理参数和/或植物处理计划自动通知用户，和/或指示所述用户在特定时间执行特定动作。

21.一种用于使计算模型(113)适应农业植物的变化的栽培条件以通过使用所适应的计算模型(113)确定所述农业植物的植物保护处理计划的方法，所述方法由数据处理单元(111)执行，并且所述方法包括以下步骤：

由所述计算模型(113)获得至少包括田地特定数据、观察到的疾病严重度、生长阶段数据和天气数据中的一项或多项的训练数据，所述训练数据与所述农业植物的变化的栽培条件相关联，

通过使用反向传播，基于所述训练数据来调节所述计算模型(113)的参数或权重以使所述计算模型(113)适应所述农业植物的所述变化的栽培条件，以及

使用所适应的计算模型(113)，通过至少预测所述农业植物的时间相关疾病概率来确定所述农业植物的所述植物保护处理计划。

22.根据权利要求21所述的方法，在提供所述训练数据作为输入数据之前进一步包括以下步骤：

通过使用加权和函数处理所述植物观察数据，所述加权和函数适于基于不同叶层特定疾病概率对所述植物的产量的影响来对不同叶层特定疾病概率求和。

23.一种用于确定农业植物的植物保护处理计划的设备(110)，包括适于接收数据和/或输出数据的数据接口(112)，以及数据处理单元(111)，所述数据处理单元(111)适于：

通过使用由所述数据处理单元执行的计算模型(113)，基于获得的观察数据和获得的天气数据来预测所述农业植物的时间相关疾病概率，以及

通过使用所述计算模型(113)，至少基于所预测的疾病概率来确定要包括在所述植物保护处理计划中的至少一个植物保护处理参数。

24.一种用于基于分配给农业植物的植物保护处理计划处理所述农业植物的系统，包括：

第一数据处理单元(111)，其适于：

通过使用由所述第一数据处理单元(111)执行的计算模型(113)，基于获得的观察数据和获得的天气数据来预测所述农业植物的时间相关的疾病概率，以及

通过使用所述计算模型(113)，至少基于所预测的疾病概率来确定要包括在所述植物保护处理计划中的至少一个植物保护处理参数，以及

提供至少包括所述至少一个植物保护处理参数的输出数据，以及第二数据处理单元(121)，其适于：

从所述第一数据处理单元(111)获得所述输出数据，以及

处理所获得的输出数据以使用所述至少一个植物保护处理参数。

25.一种用于确定农业植物的植物保护处理计划的计算机程序元件，所述计算机程序当由数据处理单元和/或计算机设备执行时适于执行根据权利要求1至20或权利要求21或22中任一项所述的方法。

Images