DE102021119842A1 - PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES - Google Patents
PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES Download PDFInfo
- Publication number
- DE102021119842A1 DE102021119842A1 DE102021119842.9A DE102021119842A DE102021119842A1 DE 102021119842 A1 DE102021119842 A1 DE 102021119842A1 DE 102021119842 A DE102021119842 A DE 102021119842A DE 102021119842 A1 DE102021119842 A1 DE 102021119842A1
- Authority
- DE
- Germany
- Prior art keywords
- agricultural
- predictive
- map
- feature
- machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Es werden eine oder mehrere Informationskarten von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural trait at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural trait sensed by the in situ sensor . The predictive map can be output and used in automated machine control.
Description
GEBIET DER BESCHREIBUNGFIELD OF DESCRIPTION
Die vorliegende Beschreibung bezieht sich auf landwirtschaftliche Maschinen.The present description relates to agricultural machines.
HINTERGRUNDBACKGROUND
Es gibt eine Vielzahl verschiedener Arten von landwirtschaftlichen Maschinen. Einige landwirtschaftliche Maschinen beinhalten Erntemaschinen, wie etwa Mähdrescher, Zuckerrohrerntemaschinen, Baumwollerntemaschinen, selbstfahrende Feldhäcksler und Schwader. Einige Erntemaschinen können auch mit verschiedenen Arten von Vorsätzen ausgestattet werden, um verschiedene Arten von Erntegut zu ernten.There are many different types of agricultural machinery. Some agricultural machines include harvesters such as combine harvesters, sugar cane harvesters, cotton harvesters, forage harvesters, and windrowers. Some harvesters can also be fitted with different types of headers to harvest different types of crops.
Die Felder, auf denen die verschiedenen Arten von landwirtschaftlichen Maschinen arbeiten, können eine Vielzahl von Bodeneigenschaften aufweisen, wie etwa Topographie, Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung, Bodenstruktur sowie eine Vielzahl anderer Bodeneigenschaften. Jede der unterschiedlichen Bodeneigenschaften der Felder, auf denen die landwirtschaftlichen Maschinen arbeiten, kann über das Feld variieren, wie etwa variierende Topographie, variierende Bodenart, variierende Bodenfeuchtigkeitsniveaus, variierende Bodenbedeckungsgrade, variierende Bodenstrukturen sowie Varianz einer Reihe anderer Bodeneigenschaften. Eine Karte, die eine oder mehrere der Bodeneigenschaften über ein Feld angibt, kann während des Betriebs der landwirtschaftlichen Maschine auf dem Feld erzeugt und verwendet werden.The fields in which the various types of agricultural machinery operate can have a variety of soil characteristics, such as topography, soil type, soil moisture, soil cover, soil structure, as well as a variety of other soil characteristics. Each of the different soil properties of the fields in which agricultural machinery operates can vary across the field, such as varying topography, varying soil type, varying soil moisture levels, varying degrees of soil cover, varying soil structures, as well as variance in a number of other soil properties. A map indicative of one or more of the soil properties across a field can be generated and used during operation of agricultural machinery in the field.
KURZFASSUNGSHORT VERSION
Es werden eine oder mehrere Informationskarten von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural feature at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural feature sensed by the in situ sensor . The predictive map can be output and used in automated machine control.
Figurenlistecharacter list
-
1 ist eine teilweise bildliche, teilweise schematische Darstellung eines Beispiels eines Mähdreschers.1 12 is a partially pictorial, partially schematic representation of an example combine harvester. -
2 ist ein Blockdiagramm, das einige Abschnitte einer landwirtschaftlichen Erntemaschine gemäß einiger Beispiele der vorliegenden Offenbarung detaillierter zeigt.2 12 is a block diagram showing in more detail some portions of an agricultural harvesting machine according to some examples of the present disclosure. -
Die
3a-3b (hierin gemeinsam als3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb einer landwirtschaftlichen Erntemaschine beim Erzeugen einer Karte veranschaulicht.the3a-3b (herein together as3 ) show a flow chart illustrating an example of the operation of an agricultural harvesting machine in generating a map. -
4A ist ein Blockdiagramm, das ein Beispiel für einen prädiktiven Modellgenerator und einen prädiktiven Kartengenerator zeigt.4A Figure 12 is a block diagram showing an example of a predictive model generator and a predictive map generator. - 4B ist ein Blockdiagramm, das beispielhafte In-situ-Sensoren zeigt.4B is a block diagram showing exemplary in situ sensors.
-
5 ist ein Flussdiagramm, das ein Beispiel für den Betrieb einer landwirtschaftlichen Erntemaschine beim Empfangen einer Bodeneigenschaftskarte, Erkennen eines Merkmals und Erzeugen einer funktionellen prädiktiven Karte zur Verwendung beim Steuern der landwirtschaftlichen Erntemaschine während eines Erntevorgangs zeigt.5 12 is a flowchart showing an example of operating a farm harvester in receiving a soil feature map, recognizing a feature, and generating a functional predictive map for use in controlling the farm harvester during a harvesting operation. -
6 ist ein Blockdiagramm, das ein Beispiel für eine landwirtschaftliche Erntemaschine in Kommunikation mit einer Remote-Serverumgebung zeigt.6 Figure 12 is a block diagram showing an example agricultural harvester in communication with a remote server environment. -
Die
7-9 zeigen Beispiele für mobile Vorrichtungen, die in einer landwirtschaftlichen Erntemaschine verwendet werden können.the7-9 show examples of mobile devices that can be used in an agricultural harvesting machine. -
10 ist ein Blockdiagramm, das ein Beispiel einer Computerumgebung zeigt, die in einer landwirtschaftlichen Erntemaschine verwendet werden kann, und die Architekturen, die in den vorhergehenden Figuren veranschaulicht sind.10 Figure 12 is a block diagram showing an example of a computing environment that may be used in an agricultural harvester and the architectures illustrated in the previous figures.
AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION
Für ein besseres Verständnis der Prinzipien der vorliegenden Offenbarung wird nun auf die in den Zeichnungen dargestellten Beispiele Bezug genommen, und es wird eine spezifische Sprache verwendet, um diese zu beschreiben. Es versteht sich jedoch, dass keine Einschränkung des Schutzumfangs der Offenbarung beabsichtigt ist. Alle Abänderungen und weiteren Modifikationen der beschriebenen Vorrichtungen, Systeme, Verfahren und jede weitere Anwendung der Prinzipien der vorliegenden Offenbarung werden vollständig in Betracht gezogen, wie sie normalerweise Fachleute auf dem Gebiet, auf das sich die Offenbarung bezieht, bemerken würden. Insbesondere wird vollständig in Betracht gezogen, dass die Merkmale, Komponenten, Schritte oder eine Kombination davon, die in Bezug auf ein Beispiel beschrieben sind, mit den Merkmalen, Komponenten, Schritten oder einer Kombination davon kombiniert werden können, die in Bezug auf andere Beispiele der vorliegenden Offenbarung beschrieben sind.For a better understanding of the principles of the present disclosure, reference will now be made to the examples illustrated in the drawings and specific language will be used to describe them. However, it should be understood that no limitation on the scope of the disclosure is intended. All alterations and further modifications to the described devices, systems, methods, and any further application of the principles of the present disclosure are contemplated fully as would normally occur to those skilled in the art to which the disclosure pertains. In particular, is fully in It is contemplated that the features, components, steps, or combination thereof, described with respect to one example may be combined with the features, components, steps, or combination thereof, described with respect to other examples of the present disclosure .
Die vorliegende Beschreibung bezieht sich auf die Verwendung von In-situ-Daten, die gleichzeitig mit einem landwirtschaftlichen Vorgang in Kombination mit früheren Daten aufgenommen wurden, um eine prädiktive Karte und insbesondere eine prädiktive Karte zu erzeugen, die die In-situ-Daten mit den früheren Daten korreliert, um das durch die In-situ-Daten über das Feld angezeigte Merkmal vorherzusagen. In einigen Beispielen kann die prädiktive Karte verwendet werden, um eine landwirtschaftliche Arbeitsmaschine, wie etwa eine landwirtschaftliche Erntemaschine, zu steuern. Wie oben erörtert, können die Bodeneigenschaften eines Feldes über das Feld variieren, zum Beispiel kann die Bodenart, die Bodenfeuchtigkeit, die Bodenabdeckung, die Bodenstruktur sowie verschiedene andere Bodeneigenschaften über das Feld variieren. Andere landwirtschaftliche Eigenschaften, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale, können durch die Bodeneigenschaft beeinflusst werden oder anderweitig eine gewisse Beziehung zu dieser aufweisen, sodass das landwirtschaftliche Merkmal in verschiedenen Bereichen des Feldes mit ähnlichen Bodeneigenschaften vorhersehbar sein kann. Zum Beispiel kann ein Ertrag oder eine Biomasse von Ernte in einem Bereich des Feldes mit bekannten (oder geschätzten) Bodeneigenschaften einem Ertrag oder einer Biomasse von Ernte in einem anderen Bereich des Feldes mit bekannten (oder geschätzten) ähnlichen Bodeneigenschaften ähnlich sein. Die Leistung einer landwirtschaftlichen Maschine kann durch das landwirtschaftliche Merkmal beeinflusst werden, und somit kann durch Vorhersage des landwirtschaftlichen Merkmals über das Feld eine Steuerung der landwirtschaftlichen Maschine vorgenommen werden, um den Betrieb der landwirtschaftlichen Maschine bei dem bestimmten landwirtschaftlichen Merkmal zu optimieren. Zum Beispiel kann durch Vorhersagen der Biomasse von Erntegut über das Feld auf Grundlage von Daten aus einer Bodeneigenschaftskarte und In-situ-Daten, die die Biomasse angeben, wie etwa Ernteguthöhe, Erntegutdichte, Erntegutvolumen, Dreschrotorantriebskraft sowie eine Reihe anderer Merkmale, die Position des Erntevorsatzes der landwirtschaftlichen Erntemaschine relativ zu der Feldoberfläche oder der Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine eingestellt werden, um einen Durchsatz oder eine Vorschubgeschwindigkeit von Pflanzenmaterial zu steuern, das von der landwirtschaftlichen Erntemaschine verarbeitet werden soll. Dies ist nur ein Beispiel.The present description relates to the use of in situ data collected concurrently with a farming operation in combination with previous data to produce a predictive map and more particularly to a predictive map that combines the in situ data with the previous data correlated to predict the feature indicated by the in situ data about the field. In some examples, the predictive map may be used to control an agricultural work machine, such as an agricultural harvester. As discussed above, the soil properties of a field can vary across the field, for example, soil type, soil moisture, soil cover, soil structure, as well as various other soil properties can vary across the field. Other agricultural traits, such as non-machine traits or machine traits, may be affected by, or otherwise have some relationship to, the soil property such that the agricultural trait may be predictable in different areas of the field with similar soil properties. For example, a yield or biomass of crop in one area of the field with known (or estimated) soil properties may be similar to a yield or biomass of crop in another area of the field with known (or estimated) similar soil properties. The performance of an agricultural machine can be influenced by the agricultural trait and thus by predicting the agricultural trait across the field, control of the agricultural machine can be made to optimize the operation of the agricultural machine on the particular agricultural trait. For example, by predicting crop biomass across the field based on data from a soil property map and in situ data indicative of biomass, such as crop height, crop density, crop volume, threshing rotor drive power, and a number of other characteristics, the position of the header of the agricultural harvester relative to the field surface or the forward speed of the agricultural harvester to control a throughput or feed rate of plant material to be processed by the agricultural harvester. This is only an example.
Die Leistung einer landwirtschaftlichen Erntemaschine kann auf Grundlage einer Reihe unterschiedlicher landwirtschaftlicher Merkmale, wie etwa Nicht-Maschinenmerkmale, zum Beispiel Merkmale des Feldes oder der Pflanzen auf dem Feld, sowie einer Reihe unterschiedlicher Maschinenmerkmale der landwirtschaftlichen Erntemaschine, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungsmerkmale, beeinflusst werden. Sensoren an der landwirtschaftlichen Erntemaschine können in-situ verwendet werden, um diese landwirtschaftlichen Merkmale zu erkennen oder um Werte zu erkennen, die diese landwirtschaftlichen Merkmale anzeigen, und die landwirtschaftliche Erntemaschine kann auf verschiedene Weise auf Grundlage dieser landwirtschaftlichen Merkmale gesteuert werden.The performance of an agricultural harvesting machine can be affected based on a number of different agricultural characteristics, such as non-machine characteristics, for example characteristics of the field or the crops in the field, as well as a number of different machine characteristics of the agricultural harvesting machine, such as machine settings, operating characteristics or machine performance characteristics will. Sensors on the agricultural harvester can be used in situ to detect these agricultural characteristics or to detect values indicative of these agricultural characteristics, and the agricultural harvester can be controlled in various ways based on these agricultural characteristics.
Eine Bodeneigenschaftskarte bildet veranschaulichend Bodeneigenschaftswerte (die Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung, Bodenstruktur sowie verschiedene andere Bodeneigenschaften anzeigen können) über verschiedene geografische Positionen in einem Feld von Interesse ab. Die Bodeneigenschaftskarten stellen somit georeferenzierte Bodeneigenschaften über ein Feld von Interesse bereit. Der Bodentyp kann sich auf taxonomische Einheiten in der Bodenwissenschaft beziehen, wobei jeder Bodentyp definierte Sätze von gemeinsamen Eigenschaften beinhaltet. Die Bodentypen können beispielsweise sandiger Boden, Lehmboden, Schluffboden, Torfboden, Kreideboden, Lehmboden und verschiedene andere Bodenarten umfassen. Die Bodenfeuchtigkeit kann sich auf die Wassermenge beziehen, die im Boden gehalten oder anderweitig enthalten ist. Die Bodenfeuchtigkeit wird auch als Bodenfeuchte bezeichnet. Die Bodenbedeckung kann sich auf die Menge von Elementen oder Materialien beziehen, die den Boden bedecken, einschließlich Vegetationsmaterial, wie Erntegutrückstände oder Zwischenfrüchte, Schutt sowie verschiedene andere Elemente oder Materialien. In landwirtschaftlicher Hinsicht umfasst die Bodenbedeckung häufig ein Maß an verbleibenden Erntegutrückständen, wie etwa eine verbleibende Masse an Pflanzenstängeln, sowie ein Maß an Zwischenfrüchten. Die Bodenstruktur kann sich auf die Anordnung fester Teile des Bodens und des zwischen den festen Teilen des Bodens befindlichen Porenraums beziehen. Die Bodenstruktur kann die Art und Weise beinhalten, wie einzelne Partikel, wie etwa einzelne Partikel aus Sand, Schluff und Ton, zusammengesetzt werden. Die Bodenstruktur kann in Bezug auf den Grad (Aggregationsgrad), die Klasse (durchschnittliche Größe der Aggregate) und die Form (Arten von Aggregaten) sowie eine Vielzahl anderer Beschreibungen beschrieben werden. Dies sind nur Beispiele. Verschiedene andere Merkmale und Eigenschaften des Bodens können als Bodeneigenschaftswerte auf einer Bodeneigenschaftskarte abgebildet werden.A soil property map illustratively maps soil property values (which may indicate soil type, soil moisture, soil cover, soil structure, as well as various other soil properties) across various geographic locations in a field of interest. The soil property maps thus provide georeferenced soil properties over a field of interest. Soil type can refer to taxonomic units in soil science, with each soil type having defined sets of common properties. The soil types may include, for example, sandy soil, clay soil, silt soil, peat soil, chalky soil, clay soil, and various other soil types. Soil moisture can refer to the amount of water held or otherwise contained in the soil. Soil moisture is also known as soil moisture. Land cover may refer to the amount of elements or materials covering the ground, including vegetation material such as crop residues or cover crops, debris, as well as various other elements or materials. In agricultural terms, soil cover often includes a level of residual crop residues, such as a residual mass of plant stems, as well as a level of catch crops. Soil structure can refer to the arrangement of solid parts of the soil and the pore space located between the solid parts of the soil. Soil structure may include the way individual particles, such as individual particles of sand, silt and clay, are assembled. Soil structure can be described in terms of grade (degree of aggregation), class (average size of aggregates), and shape (types of aggregates), as well as a variety of other descriptions. These are just examples. Various other features and properties of soil can be considered soil property values are shown on a soil property map.
Diese Bodeneigenschaftskarten können auf der Grundlage von Daten generiert werden, die während eines anderen Vorgangs erfasst wurden, der dem Feld von Interesse entspricht, beispielsweise frühere landwirtschaftliche Vorgänge in derselben Saison, wie Pflanzvorgänge oder Sprühvorgänge, sowie frühere landwirtschaftliche Vorgänge, die in vergangenen Jahreszeiten durchgeführt wurden, wie beispielsweise ein früherer Erntevorgang. Die landwirtschaftlichen Maschinen, die diese landwirtschaftlichen Vorgänge durchführen, können bordeigene Sensoren aufweisen, die Eigenschaften erkennen, die Bodeneigenschaften angeben, zum Beispiel Merkmale, die Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung, Bodenstruktur angeben, sowie verschiedene andere Merkmale, die verschiedene andere Bodeneigenschaften angeben. Zusätzlich können Betriebseigenschaften, Maschineneinstellungen oder Maschinenleistungsmerkmale der landwirtschaftlichen Maschinen während früherer Vorgänge zusammen mit anderen Daten verwendet werden, um eine Bodeneigenschaftskarte zu erzeugen. Zum Beispiel können Erntevorsatzhöhendaten, die eine Höhe des Erntevorsatzes einer landwirtschaftlichen Erntemaschine über verschiedene geografische Positionen in dem Feld von Interesse während eines vorherigen Erntevorgangs angeben, zusammen mit Wetterdaten, die Wetterbedingungen wie Niederschlagsdaten oder Winddaten während eines Übergangszeitraums (wie etwa den Zeitraum seit dem Zeitpunkt des vorherigen Erntevorgangs und der Erzeugung der Bodeneigenschaftskarte) angeben, verwendet werden, um eine Bodenfeuchtigkeitskarte zu erzeugen. Zum Beispiel kann durch Kenntnis der Höhe des Erntevorsatzes die Menge an verbleibenden Pflanzenrückständen, wie etwa Erntegutstängeln, bekannt oder geschätzt werden und zusammen mit Niederschlagsdaten kann ein Niveau der Bodenfeuchtigkeit vorhergesagt werden. Dies ist nur ein Beispiel.These soil property maps may be generated based on data collected during another operation corresponding to the field of interest, for example previous farming operations in the same season, such as planting operations or spraying operations, as well as previous farming operations performed in previous seasons , such as a previous harvest. The agricultural machines that perform these agricultural operations may have on-board sensors that detect properties indicative of soil properties, for example traits indicative of soil type, soil moisture, soil cover, soil structure, and various other traits indicative of various other soil properties. Additionally, operating characteristics, machine settings, or machine performance characteristics of the agricultural machines during previous operations, along with other data, can be used to generate a soil property map. For example, header elevation data indicating an elevation of an agricultural harvester's header over various geographic locations in the field of interest during a previous harvest operation, along with weather data representing weather conditions such as precipitation data or wind data during a transition period (such as the period from the time of previous harvesting operation and the generation of the soil property map) can be used to generate a soil moisture map. For example, by knowing the height of the header, the amount of remaining crop residue, such as crop stalks, can be known or estimated, and along with precipitation data, a level of soil moisture can be predicted. This is only an example.
In anderen Beispielen können Untersuchungen des Feldes von Interesse durchgeführt werden, entweder durch verschiedene Maschinen mit Sensoren, wie etwa bildgebende Systeme, oder durch Menschen. Die während dieser Untersuchungen gesammelten Daten können verwendet werden, um eine Bodeneigenschaftskarte zu erzeugen. Beispielsweise können Luftvermessungen des Feldes von Interesse durchgeführt werden, bei denen eine Abbildung des Feldes erfolgt, und anhand der Bilddaten kann eine Bodeneigenschaftskarte generiert werden. In einem weiteren Beispiel kann ein Mensch in das Feld gehen, um verschiedene Daten oder Proben mit oder ohne Unterstützung von Vorrichtungen wie etwa Sensoren zu sammeln, und auf Grundlage der Daten oder Proben kann eine Bodeneigenschaftskarte des Feldes erzeugt werden. Beispielsweise kann ein Mensch eine Kernprobe an verschiedenen geografischen Positionen über das Feld von Interesse sammeln. Diese Kernproben können verwendet werden, um Bodeneigenschaftskarten des Feldes zu erzeugen. In anderen Beispielen können die Bodeneigenschaftskarten auf Benutzer- oder Bedienereingaben beruhen, wie etwa einer Eingabe von einem Farmmanager, der verschiedene Daten bereitstellen kann, die vom Benutzer oder Bediener erfasst oder beobachtet werden.In other examples, investigations of the field of interest may be performed, either by various machines with sensors, such as imaging systems, or by humans. The data collected during these surveys can be used to generate a soil property map. For example, an aerial survey of the field of interest may be performed, mapping the field and generating a soil property map from the imagery. In another example, a human may go into the field to collect various data or samples with or without the assistance of devices such as sensors, and a soil property map of the field may be generated based on the data or samples. For example, a human can collect a core sample at different geographic locations across the field of interest. These core samples can be used to generate soil property maps of the field. In other examples, the soil property maps may be based on user or operator input, such as input from a farm manager, who may provide various data collected or observed by the user or operator.
Darüber hinaus kann die Bodengrundstückskarte von entfernten Quellen, wie Drittanbietern oder Regierungsbehörden, zum Beispiel dem USDA Natural Resources Conservation Service (NRCS), der United States Geological Survey (USGS) sowie von verschiedenen anderen entfernten Quellen bezogen werden.In addition, the ground lot map may be obtained from remote sources such as third party suppliers or government agencies such as the USDA Natural Resources Conservation Service (NRCS), the United States Geological Survey (USGS), and various other remote sources.
In einigen Beispielen kann eine Bodeneigenschaftskarte aus Sensormesswerten von einem oder mehreren Bändern elektromagnetischer Strahlung abgeleitet werden, die von dem Boden (oder der Oberfläche des Feldes) reflektiert werden. Ohne Einschränkung können diese Bänder im Mikrowellen-, Infrarot-, sichtbaren oder ultravioletten Teil des elektromagnetischen Spektrums liegen.In some examples, a ground property map may be derived from sensor readings from one or more bands of electromagnetic radiation reflected from the ground (or the surface of the field). Without limitation, these bands can be in the microwave, infrared, visible, or ultraviolet portions of the electromagnetic spectrum.
Dies sind nur einige Beispiele dafür, wie Bodeneigenschaftskarten in aktuellen Systemen erstellt und bereitgestellt werden können. Fachleute auf dem Gebiet werden erkennen, dass Bodeneigenschaftskarten auf verschiedene Weise erzeugt werden können und dass der Umfang der vorliegenden Offenbarung nicht auf die hierin bereitgestellten Beispiele beschränkt ist.These are just a few examples of how soil property maps can be created and deployed in current systems. Those skilled in the art will recognize that soil feature maps can be generated in a variety of ways and that the scope of the present disclosure is not limited to the examples provided herein.
Die vorliegende Erörterung fährt somit in Bezug auf Systeme fort, die eine Bodeneigenschaftskarte eines Feldes oder eine Karte empfangen, die auf der Grundlage eines früheren Vorgangs erzeugt wird, und auch einen In-situ-Sensor verwenden, um eine Variable zu erkennen, die ein oder mehrere Merkmale während eines Erntevorgangs angibt, wie etwa ein landwirtschaftliches Merkmal, zum Beispiel ein Nicht-Maschinenmerkmal, wie etwa Merkmale des Feldes oder der Pflanzen auf dem Feld, sowie Maschinenmerkmale, wie etwa eine Maschineneinstellung, ein Betriebsmerkmal oder Maschinenleistungsdaten. Es ist jedoch zu beachten, dass der In-situ-Sensor eine Variable erkennen kann, die ein beliebiges von einer Anzahl von Merkmalen angibt, und nicht auf die hierin beschriebenen Merkmale beschränkt ist. Ein landwirtschaftliches Merkmal ist eines von mehreren Merkmalen, die einen landwirtschaftlichen Vorgang beeinflussen können, wie etwa einen Erntevorgang. Die Systeme erzeugen ein Modell, das eine Beziehung zwischen den Bodeneigenschaftswerten auf der Bodeneigenschaftskarte oder den Werten auf der Karte, die aus dem Vorabbetrieb erzeugt wird, und den Ausgabewerten von dem In-situ-Sensor modelliert. Das Modell wird verwendet, um eine funktionelle prädiktive Karte zu erzeugen, die das durch die Ausgabewerte von dem In-situ-Sensor an verschiedenen Positionen in dem Feld angegebene Merkmal vorhersagt. Die funktionelle prädiktive Karte, die während des Erntevorgangs erzeugt wird, kann einem Bediener oder einem anderen Benutzer dargestellt werden oder zum automatischen Steuern einer landwirtschaftlichen Erntemaschine während des Erntevorgangs verwendet werden oder beides.The present discussion thus continues with respect to systems that receive a soil feature map of a field or a map that is generated based on a previous operation, and also use an in situ sensor to detect a variable that a or indicates multiple traits during a harvesting operation, such as an agricultural trait, for example a non-machine trait, such as traits of the field or crops in the field, and machine traits, such as a machine setting, an operational trait, or machine performance data. However, it should be noted that the in situ sensor can detect a variable indicative of any of a number of characteristics and is not limited to the characteristics described herein. An agricultural trait is one of several traits that can affect an agricultural operation, such as a harvesting operation. The systems generate a model that establishes a relationship between soil property values the soil property map or the values on the map generated from the preliminary operation and the output values from the in situ sensor. The model is used to generate a functional predictive map that predicts the feature indicated by the output values from the in situ sensor at various locations in the field. The functional predictive map generated during the harvesting process may be presented to an operator or other user, or used to automatically control an agricultural harvesting machine during the harvesting process, or both.
Wie in
Der Drescher 110 beinhaltet veranschaulichend einen Dreschrotor 112 und einen Satz von Dreschkörben 114. Ferner beinhaltet die landwirtschaftliche Erntemaschine 100 auch einen Abscheider 116. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Reinigungs-Teilsystem oder einen Siebkasten (gemeinsam als Reinigungs-Teilsystem 118 bezeichnet), das ein Reinigungsgebläse 120, einen Häcksler 122 und ein Sieb 124 beinhaltet. Das Materialhandhabungs-Teilsystem 125 beinhaltet außerdem eine Auswurftrommel 126, einen Überkehrelevator 128, einen Reinkornelevator 130 sowie eine Entladeschnecke 134 und den Auswurf 136. Der Reinkornelevator befördert reines Korn in den Reinkorntank 132. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Rückstands-Teilsystem 138, das einen Häcksler 140 und einen Verteiler 142 beinhalten kann. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Antriebs-Teilsystem, das einen Motor beinhaltet, der Bodeneingriffskomponenten 144, wie etwa Räder oder Raupenketten, antreibt. In einigen Beispielen kann ein Mähdrescher innerhalb des Umfangs der vorliegenden Offenbarung mehr als eines der oben genannten Teilsysteme aufweisen. In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 linke und rechte Reinigungs-Teilsysteme, Abscheider usw. aufweisen, die in
Im Betrieb und zur Übersicht bewegt sich die landwirtschaftliche Erntemaschine 100 veranschaulichend durch ein Feld in der durch Pfeil 147 angezeigten Richtung. Während der Bewegung der landwirtschaftlichen Erntemaschine 100 greift der Erntevorsatz 102 (und die zugehörige Haspel 164) in das zu erntende Erntegut ein und sammelt das Erntegut in Richtung der Schneidevorrichtung 104. Ein Bediener der landwirtschaftlichen Erntemaschine 100 kann ein lokaler menschlicher Bediener, ein entfernter menschlicher Bediener oder ein automatisiertes System sein. Ein Bedienerbefehl ist ein Befehl eines Bedieners. Der Bediener der landwirtschaftlichen Erntemaschine 100 kann eine oder mehrere Höheneinstellungen, Neigungswinkeleinstellungen oder Rollwinkeleinstellungen für den Erntevorsatz 102 bestimmen. Zum Beispiel gibt der Bediener eine Einstellung oder Einstellungen in ein Steuersystem ein, das im Folgenden genauer beschrieben wird und das das Stellglied 107 steuert. Das Steuersystem kann auch eine Einstellung vom Bediener zum Einrichten des Neigungswinkels und Rollwinkels des Erntevorsatzes 102 empfangen und die eingegebenen Einstellungen implementieren, indem zugeordnete Stellglieder, die nicht gezeigt sind, gesteuert werden, die arbeiten, um den Neigungswinkel und Rollwinkel des Erntevorsatzes 102 zu ändern. Das Stellglied 107 hält den Erntevorsatz 102 auf einer Höhe über dem Boden 111 auf Grundlage einer Höheneinstellung und gegebenenfalls auf gewünschten Neigungs- und Rollwinkeln. Jede der Höhen-, Roll- und Neigungseinstellungen kann unabhängig von den anderen implementiert werden. Das Steuersystem reagiert auf Erntevorsatzfehler (z. B. die Differenz zwischen der Höheneinstellung und der gemessenen Höhe des Erntevorsatzes 104 über dem Boden 111 und in einigen Beispielen Neigungswinkel- und Rollwinkelfehler) mit einer Reaktionsfähigkeit, die auf Grundlage einer ausgewählten Empfindlichkeitsstufe bestimmt wird. Wenn die Empfindlichkeitsstufe auf eine größere Empfindlichkeitsstufe eingestellt ist, reagiert das Steuersystem auf kleinere Erntevorsatz-Positionsfehler und versucht, die erkannten Fehler schneller zu reduzieren, als wenn die Empfindlichkeit auf einer niedrigeren Empfindlichkeitsstufe ist.In operation and for overview,
Zurückkehrend zur Beschreibung des Betriebs der landwirtschaftlichen Erntemaschine 100 wird das abgetrennte Erntematerial, nachdem das Erntegut durch die Schneidevorrichtung 104 geschnitten wurde, durch einen Förderer im Zuführgehäuse 106 in Richtung des Zuführbeschleunigers 108 bewegt, der das Erntematerial in den Drescher 110 beschleunigt. Das Erntegut wird durch den Rotor 112 gedroschen, der das Erntegut gegen die Dreschkörbe 114 dreht. Das gedroschene Erntegutmaterial wird durch einen Abscheiderrotor im Abscheider 116 bewegt, wobei ein Teil des Rückstands durch die Auswurftrommel 126 in Richtung des Rückstands-Teilsystems 138 bewegt wird. Der Teil des Rückstands, der an das Rückstands-Teilsystem 138 übertragen wird, wird vom Rückstandhäcksler 140 zerkleinert und vom Verteiler 142 auf dem Feld verteilt. In anderen Konfigurationen wird der Rückstand in einer Schwade von der landwirtschaftlichen Erntemaschine 100 freigegeben. In anderen Beispielen kann das Rückstands-Teilsystem 138 Unkrautbeseitigungsmittel (nicht gezeigt) beinhalten, wie etwa Samenabsackanlagen oder andere Samensammler oder Samenzerkleinerer oder andere Saatzerstörer.Returning to the description of the operation of
Das Korn fällt auf das Reinigungs-Teilsystem 118. Der Häcksler 122 trennt einen Teil gröberer Materialstücke vom Korn und das Sieb 124 trennt einen Teil feinerer Materialstücke vom Reinkorn. Das Reinkorn fällt auf eine Schnecke, die das Korn zu einem Einlassende des Reinkornelevators 130 bewegt und der Reinkornelevator 130 bewegt das Reinkorn nach oben, wodurch das Reinkorn im Reinkorntank 132 abgeschieden wird. Rückstände werden aus dem Reinigungs-Teilsystem 118 durch den Luftstrom des Reinigungsgebläses 120 entfernt. Das Reinigungsgebläse 120 leitet Luft entlang eines Luftstrompfads nach oben durch die Siebe und Häcksler. Der Luftstrom trägt Rückstände in der landwirtschaftlichen Erntemaschine 100 nach hinten in Richtung des Rückstandhandhabungs-Teilsystems 138.The grain falls onto the
Der Überkehrelevator 128 führt die Überkehr zum Drescher 110 zurück, wo die Überkehr nachgedroschen wird. Alternativ kann die Überkehr auch einem separaten Nachdresch-Mechanismus durch einen Überkehrelevator oder eine andere Transportvorrichtung zugeführt werden, wo die Überkehr ebenfalls nachgedroschen wird.The
Der Bodengeschwindigkeitssensor 146 erfasst die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 über den Boden. Der Bodengeschwindigkeitssensor 146 kann die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch Erfassen der Umdrehungsgeschwindigkeit der Bodeneingriffskomponenten (wie etwa Räder oder Raupenketten), einer Antriebswelle, einer Achse oder anderer Komponenten erfassen. In einigen Fällen kann die Fahrgeschwindigkeit mithilfe eines Ortungssystems, wie etwa eines globalen Positionierungssystems (GPS), eines Koppelnavigationssystems, eines Fernnavigationssystems (LORAN) oder einer Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrgeschwindigkeit vorsehen, erfasst werden.The
Die Verlustsensoren 152 stellen veranschaulichend ein Ausgabesignal bereit, das die Menge des Kornverlustes anzeigt, der sowohl auf der rechten als auch auf der linken Seite des Reinigungs-Teilsystems 118 auftritt. In einigen Beispielen sind die Sensoren 152 Schlagsensoren, die Kornschläge pro Zeiteinheit oder pro Entfernungseinheit zählen, um einen Hinweis auf den Kornverlust vorzusehen, der an dem Reinigungs-Teilsystem 118 auftritt. Die Schlagsensoren für die rechte und linke Seite des Siebkastens 118 können einzelne Signale oder ein kombiniertes oder aggregiertes Signal vorsehen. In einigen Beispielen können die Sensoren 152 einen einzelnen Sensor beinhalten, im Gegensatz zu separaten Sensoren, die für jedes Reinigungs-Teilsystem 118 bereitgestellt sind.
Der Abscheider-Verlustsensor 148 stellt ein Signal bereit, das den Kornverlust im linken und rechten Abscheider anzeigt, nicht separat in
Die landwirtschaftliche Erntemaschine 100 kann auch andere Sensoren und Messmechanismen beinhalten. Die landwirtschaftliche Erntemaschine 100 kann beispielsweise einen oder mehrere der folgenden Sensoren beinhalten: einen Erntevorsatzhöhensensor, der eine Höhe des Erntevorsatzes 102 über dem Boden 111 erfasst; Stabilitätssensoren, die eine Oszillations- oder Prellbewegung (und Amplitude) der landwirtschaftlichen Erntemaschine 100 erfassen; einen Rückstandeinstellungssensor, der konfiguriert ist, um zu erfassen, ob die landwirtschaftliche Erntemaschine 100 konfiguriert ist, den Rückstand zu zerkleinern, eine Schwade zu erzeugen usw.; einen Reinigungsschuhlüfterdrehzahlsensor, um die Drehzahl des Reinigungslüfters 120 zu erfassen; einen Dreschkorbabstandssensor, der den Abstand zwischen dem Rotor 112 und den Dreschkörben 114 erfasst; einen Dreschrotordrehzahlsensor, der eine Rotordrehzahl des Rotors 112 erfasst; einen Kraftsensor, der eine Kraft erfasst, die zum Antrieb des Dreschwerks 112 erforderlich ist, wie etwa einen Drucksensor, der einen Fluiddruck (z. B. Hydraulik, Luft usw.) erfasst, der zum Antrieb des Dreschwerks 112 erforderlich ist, oder einen Drehmomentsensor, der ein Drehmoment erfasst, das zum Antrieb des Dreschwerks 112 erforderlich ist; einen Häckselspaltensensor, der die Größe der Öffnungen im Häcksler 122 erfasst; einen Siebspaltensensor, der die Größe der Öffnungen im Sieb 124 erfasst; einen Feuchtigkeitssensor für anderes Material als Korn (MOG), der einen Feuchtigkeitsgehalt des MOG erfasst, das die landwirtschaftliche Erntemaschine 100 passiert; einen oder mehrere Maschineneinstellsensoren, die dazu konfiguriert sind, verschiedene konfigurierbare Einstellungen der landwirtschaftlichen Erntemaschine 100 zu erfassen; einen Maschinenausrichtungssensor, der die Ausrichtung der landwirtschaftlichen Erntemaschine 100 erfasst; und Ernteeigenschaftssensoren, die eine Vielzahl verschiedener Arten von Ernteeigenschaften erfassen, wie etwa die Art des Ernteguts, die Feuchtigkeit des Ernteguts, die Höhe des Ernteguts, die Dichte des Ernteguts, das Volumen des Ernteguts und andere Eigenschaften des Ernteguts. Die Ernteguteigenschaftssensoren können auch konfiguriert werden, um die Merkmale des abgetrennten Ernteguts während der Verarbeitung durch die landwirtschaftliche Erntemaschine 100 zu erfassen. Beispielsweise können die Ernteguteigenschaftssensoren in einigen Fällen die Kornqualität erfassen, wie etwa gebrochenes Korn, MOG-Werte; Kornbestandteile, wie etwa Stärken und Protein; und Kornzufuhrmenge, wenn sich das Korn durch das Zuführgehäuse 106, den Reinkornelevator 130 oder anderswo in der landwirtschaftlichen Erntemaschine 100 bewegt. Die Ernteguteigenschaftssensoren können auch die Vorschubgeschwindigkeit von Biomasse durch das Zuführgehäuse 106, durch den Abscheider 116 oder an anderer Stelle in der landwirtschaftlichen Erntemaschine 100 erfassen. Die Ernteguteigenschaftssensoren können die Vorschubgeschwindigkeit auch als Massendurchsatz von Korn durch den Elevator 130 oder durch andere Abschnitte der landwirtschaftlichen Erntemaschine 100 erfassen oder andere Ausgangssignale bereitstellen, die auf andere erfasste Größen hinweisen. Die Ernteguteigenschaftssensoren können einen oder mehrere Ertragssensoren beinhalten, die den Erntegutertrag erfassen, der von der landwirtschaftlichen Erntemaschine geerntet wird.
Bevor beschrieben wird, wie die landwirtschaftliche Erntemaschine 100 eine funktionelle prädiktive Merkmalkarte erzeugt und die funktionelle prädiktive Merkmalkarte zur Steuerung verwendet, erfolgt zunächst eine kurze Beschreibung einiger Elemente der landwirtschaftlichen Erntemaschine 100 und deren Betrieb.Before describing how the
Die Beschreibung der
Nachdem der allgemeine Ansatz in Bezug auf die
Die Vorabinformationskarte 258 kann mithilfe des Kommunikationssystems 206 oder auf andere Weise in die landwirtschaftliche Erntemaschine 100 heruntergeladen und im Datenspeicher 202 gespeichert werden. In einigen Beispielen kann das Kommunikationssystem 206 ein zellulares Kommunikationssystem, ein System zum Kommunizieren über ein Weitverkehrsnetzwerk oder ein lokales Netzwerk, ein System zum Kommunizieren über ein Nahfeldkommunikationsnetzwerk oder ein Kommunikationssystem sein, das konfiguriert ist, um über ein beliebiges aus einer Vielzahl anderer Netzwerke oder Kombinationen von Netzwerken zu kommunizieren. Das Kommunikationssystem 206 kann auch ein System beinhalten, das das Herunterladen oder Übertragen von Informationen auf eine und von einer Secure Digital (SD-) Karte oder einer universellen seriellen Bus (USB-) Karte oder beider erleichtert.The
Der geografische Positionssensor 204 erfasst oder erkennt veranschaulichend die geografische Position oder den Ort der landwirtschaftlichen Erntemaschine 100. Der geografische Positionssensor 204 kann unter anderem einen Empfänger für ein globales Navigationssatellitensystem (GNSS) beinhalten, der Signale von einem GNSS-Satellitensender empfängt. Der geografische Positionssensor 204 kann auch eine Echtzeit-Kinematikkomponente (RTK) enthalten, die konfiguriert ist, um die Genauigkeit der aus dem GNSS-Signal abgeleiteten Positionsdaten zu verbessern. Der geografische Positionssensor 204 kann ein Koppelnavigationssystem, ein zellulares Triangulationssystem oder eine Vielzahl von anderen geografischen Positionssensoren beinhalten.The
Bei den In-situ-Sensoren 208 kann es sich um beliebige der vorstehend beschriebenen Sensoren in Bezug auf
Der prädiktive Modellgenerator 210 erzeugt ein Modell, das eine Beziehung zwischen den durch den In-situ-Sensor 208 erfassten Werten und einem durch die Vorabinformationskarte 258 auf das Feld abgebildeten Wert angibt. Wenn zum Beispiel die Vorabinformationskarte 258 einen Bodeneigenschaftswert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der Biomasse angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Biomassemodell, das die Beziehung zwischen dem Bodeneigenschaftswert und dem Biomassewert modelliert. Dies liegt daran, dass verschiedene Bodeneigenschaften das Wachstum der Vegetation, einschließlich Erntegutpflanzen, auf dem Feld von Interesse anzeigen können. Beispielsweise kann der Feuchtigkeitsgehalt des Bodens sowie der Bodentyp, der als Wachstumsmedium verwendet wird, das Wachstum und die daraus resultierende Biomasse von Erntegut (sowie anderer Vegetation) auf dem Feld beeinflussen. Bodeneigenschaften und Biomasse sind lediglich Beispiele und Bodeneigenschaften können sich auf andere Merkmale beziehen, die von einem oder mehreren In-situ-Sensoren 208 erfasst werden, auf Grundlage derer der prädiktive Modellgenerator 210 ein Modell erzeugen kann.The predictive model generator 210 generates a model that indicates a relationship between the values sensed by the in
Das prädiktive Modell kann auch auf Grundlage von Bodeneigenschaftswerten von der Vorabinformationskarte 258 und mehreren In-situ-Datenwerten erzeugt werden, die durch In-situ-Sensoren 208 erzeugt werden. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Modell, um eine funktionelle prädiktive Karte 263 zu erzeugen, die den Wert eines Merkmals, das durch die In-situ-Sensoren 208 an verschiedenen Positionen in dem Feld erfasst wird, auf Grundlage der Vorabinformationskarte 258 vorhersagt.The predictive model may also be generated based on ground property values from the
In einem Beispiel, in dem die Vorabinformationskarte 258 eine Bodeneigenschaftskarte und ein In-situ-Sensor 208 einen Wert erfasst, der ein Merkmal angibt, kann der prädiktive Kartengenerator 212 die Bodeneigenschaftswerte in der Vorabinformationskarte 258 und dem durch den prädiktiven Modellgenerator 210 erzeugten Modell verwenden, um eine funktionelle prädiktive Karte 263 zu erzeugen, die das Merkmal an verschiedenen Positionen in dem Feld vorhersagt. Der prädiktive Kartengenerator 212 gibt somit die prädiktive Karte 264 aus.In an example where the
In einigen Beispielen kann der Wertetyp in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Sensortyp sein. In einigen Fällen kann der Wertetyp in der funktionellen prädiktiven Karte 263 andere Einheiten als die von den In-situ-Sensoren 208 erfassten Daten aufweisen. In einigen Beispielen kann sich der Wertetyp in der funktionellen prädiktiven Karte 263 von dem von den In-situ-Sensoren 208 erfassten In-situ-Datentyp unterscheiden, jedoch eine Beziehung zu dem Typ des von den In-situ-Sensoren 208 erfassten Datentyps haben. Beispielsweise kann der von den In-situ-Sensoren 208 erfasste Datentyp in einigen Beispielen den Wertetyp in der funktionellen prädiktiven Karte 263 anzeigen. In einigen Beispielen kann sich der Datentyp in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Vorabinformationskarte 258 unterscheiden. In einigen Fällen kann der Datentyp in der funktionellen prädiktiven Karte 263 andere Einheiten als die Daten in der Vorabinformationskarte 258 aufweisen. In einigen Beispielen kann sich der Datentyp in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Vorabinformationskarte 258 unterscheiden, hat jedoch eine Beziehung zu dem Datentyp in der Vorabinformationskarte 258. Beispielsweise kann der Datentyp in der Vorabinformationskarte 258 in einigen Beispielen in der funktionellen prädiktiven Karte 263 in einigen Beispielen den Datentyp in der funktionellen prädiktiven Karte 263 angeben. In einigen Beispielen unterscheidet sich der Datentyp in der funktionellen prädiktiven Karte 263 von einem oder beiden von dem durch die In-situ-Sensoren 208 erfassten In-situ-Datentyp und dem Datentyp in der Vorabinformationskarte 258. In einigen Beispielen ist der Datentyp in der funktionellen prädiktiven Karte 263 der gleiche wie einer oder beide des von den In-situ-Sensoren 208 erfassten In-situ-Datentyps und des Datentyps in der Vorabinformationskarte 258. In einigen Beispielen ist der Datentyp in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp oder der Datentyp in der Vorabinformationskarte 258 und unterscheidet sich von dem anderen.In some examples, the type of values in functional predictive map 263 may be the same as the in situ sensor type sensed by in
Wie in
Nun werden einige Variationen in den Datentypen beschrieben, die in der vorherigen Informationskarte 258 abgebildet sind, die Datentypen, die von In-situ-Sensoren 208 erfasst werden, und die Datentypen, die auf der prädiktiven Karte 264 vorhergesagt werden.Some variations in the types of data depicted in the
In einigen Beispielen unterscheidet sich der Datentyp in der Vorabinformationskarte 258 von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, dennoch ist der Datentyp in der prädiktiven Karte 264 derselbe wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. Die prädiktive Karte 264 kann dann eine prädiktive Ertragskarte sein, die vorhergesagte Ertragswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann eine Ernteguthöhe sein. Die prädiktive Karte 264 kann dann eine prädiktive Ernteguthöhenkarte sein, die vorhergesagte Ernteguthöhenwerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the type of data in
Außerdem unterscheidet sich in einigen Beispielen der Datentyp in der Vorabinformationskarte 258 von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 unterscheidet sich sowohl von dem Datentyp in der Vorabinformationskarte 258 als auch von dem Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Ernteguthöhe sein. Die prädiktive Karte 264 kann dann eine prädiktive Biomassekarte sein, die vorhergesagte Biomassewerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. Die prädiktive Karte 264 kann dann eine prädiktive Geschwindigkeitskarte sein, die vorhergesagte landwirtschaftliche Erntemaschinengeschwindigkeitswerte auf verschiedene geografische Positionen in dem Feld abbildet.Also, in some examples, the type of data in the
In einigen Beispielen stammt die frühere Informationskarte 258 von einem früheren Durchgang durch das Feld während eines früheren Vorgangs und der Datentyp unterscheidet sich von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, jedoch ist der Datentyp in der prädiktiven Karte 264 der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Stängelgröße sein. Die prädiktive Karte 264 kann dann eine prädiktive Stängelgrößenkarte sein, die vorhergesagte Stängelgrößenwerte auf verschiedene geografische Positionen im Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Erntegutzustand sein, wie etwa stehendes Erntegut oder umgeknicktes Erntegut. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutzustandskarte sein, die vorhergesagte Erntegutzustandswerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the
In einigen Beispielen stammt die Vorabinformationskarte 258 von einem früheren Durchgang durch das Feld während eines früheren Betriebs und der Datentyp ist der gleiche wie der Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 ist ebenfalls der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Bodeneigenschaftskarte sein, die während eines vorhergehenden Jahres erzeugt wurde, und die von den In-situ-Sensoren 208 erfasste Variable kann eine Bodeneigenschaft sein. Die prädiktive Karte 264 kann dann eine prädiktive Bodeneigenschaftskarte sein, die vorhergesagte Bodeneigenschaftswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel können die relativen Bodeneigenschaftsunterschiede in der georeferenzierten Vorabinformationskarte 258 aus dem Vorjahr durch den prädiktiven Modellgenerator 210 verwendet werden, um ein prädiktives Modell zu erzeugen, das eine Beziehung zwischen den relativen Bodeneigenschaftsunterschieden in der Vorabinformationskarte 258 und den Bodeneigenschaftswerten modelliert, die durch In-situ-Sensoren 208 während des aktuellen Erntevorgangs erfasst werden. Das prädiktive Modell wird dann von dem prädiktiven Kartengenerator 210 verwendet, um eine prädiktive Bodeneigenschaftskarte zu erstellen.In some examples, the
In einem weiteren Beispiel kann die frühere Informationskarte 258 eine Bodeneigenschaftskarte sein, die während eines früheren Betriebs erzeugt wird, wie etwa von einer Sprühvorrichtung oder einer Sävorrichtung, und die von den In-situ-Sensoren 208 erfasste Variable kann eine Bodeneigenschaft sein. Die prädiktive Karte 264 kann dann eine prädiktive Bodeneigenschaftskarte sein, die vorhergesagte Bodeneigenschaftswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel wird eine Karte der Bodeneigenschaften zum Zeitpunkt des Besprühens oder der Aussaat georeferenziert aufgezeichnet und der landwirtschaftlichen Erntemaschine 100 als eine Vorabinformationskarte 258 einer oder mehrerer Bodeneigenschaften bereitgestellt. Die In-situ-Sensoren 208 können eine oder mehrere Bodeneigenschaften an geografischen Positionen in dem Feld erkennen und der prädiktive Modellgenerator 210 kann dann ein prädiktives Modell erstellen, das eine Beziehung zwischen einer Bodeneigenschaft zum Zeitpunkt der Ernte und einer Bodeneigenschaft zum Zeitpunkt des Besprühens oder der Aussaat modelliert.In another example, the
In einigen Beispielen kann dem Steuerzonengenerator 213 eine prädiktive Karte 264 bereitgestellt werden. Der Steuerzonengenerator 213 gruppiert benachbarte Abschnitte eines Bereichs auf Grundlage von Datenwerten der prädiktiven Karte 264, die diesen benachbarten Abschnitten zugeordnet sind, in eine oder mehrere Steuerzonen. Eine Steuerzone kann zwei oder mehr zusammenhängende Abschnitte eines Bereichs, wie etwa eines Feldes, beinhalten, für die ein Steuerparameter, der der Steuerzone zum Steuern eines steuerbaren Teilsystems entspricht, konstant ist. Beispielsweise kann eine Reaktionszeit zum Ändern einer Einstellung steuerbarer Teilsysteme 216 unzureichend sein, um zufriedenstellend auf Änderungen von Werten zu reagieren, die in einer Karte enthalten sind, wie etwa der prädiktiven Karte 264. In diesem Fall analysiert der Steuerzonengenerator 213 die Karte und identifiziert Steuerzonen, die eine definierte Größe aufweisen, um die Reaktionszeit der steuerbaren Teilsysteme 216 zu berücksichtigen. In einem weiteren Beispiel können die Steuerzonen bemessen sein, um den Verschleiß durch übermäßige Stellgliedbewegung, die sich aus der kontinuierlichen Einstellung ergibt, zu reduzieren. In einigen Beispielen kann es einen anderen Satz von Steuerzonen für jedes steuerbare Teilsystem 216 oder für Gruppen von steuerbaren Teilsystemen 216 geben. Die Steuerzonen können zu der prädiktiven Karte 264 hinzugefügt werden, um eine prädiktive Steuerzonenkarte 265 zu erhalten. Die prädiktive Steuerzonenkarte 265 kann somit der prädiktiven Karte 264 ähnlich sein, mit der Ausnahme, dass die prädiktive Steuerzonenkarte 265 Steuerzoneninformationen beinhaltet, die die Steuerzonen definieren. Somit kann eine funktionelle prädiktive Karte 263, wie hierin beschrieben, Steuerzonen beinhalten. Sowohl die prädiktive Karte 264 als auch die prädiktive Steuerzonenkarte 265 sind funktionelle prädiktive Karten 263. In einem Beispiel beinhaltet eine funktionelle prädiktive Karte 263 keine Steuerzonen, wie etwa die prädiktive Karte 264. In einem weiteren Beispiel beinhaltet eine funktionelle prädiktive Karte 263 Steuerzonen, wie etwa die prädiktive Steuerzonenkarte 265. In einigen Beispielen können mehrere Erntegüter gleichzeitig in einem Feld vorhanden sein, wenn ein Mischkultur-Produktionssystem implementiert ist. In diesem Fall sind der prädiktive Kartengenerator 212 und der Steuerzonengenerator 213 in der Lage, die Position und die Merkmale der zwei oder mehr Erntegutarten zu identifizieren und dann die prädiktive Karte 264 und die prädiktive Karte mit Steuerzonen 265 entsprechend zu erzeugen.In some examples, a predictive map 264 may be provided to the
Es ist ebenfalls zu beachten, dass der Steuerzonengenerator 213 Werte gruppieren kann, um Steuerzonen zu erzeugen, und die Steuerzonen zu einer prädiktiven Steuerzonenkarte 265 oder einer separaten Karte hinzugefügt werden können, die nur die erzeugten Steuerzonen zeigt. In einigen Beispielen können die Steuerzonen zum Steuern oder Kalibrieren der landwirtschaftlichen Erntemaschine 100 oder für beides verwendet werden. In anderen Beispielen können die Steuerzonen dem Bediener 260 angezeigt und verwendet werden, um die landwirtschaftliche Erntemaschine 100 zu steuern oder zu kalibrieren, und in anderen Beispielen können die Steuerzonen dem Bediener 260 oder einem anderen Benutzer angezeigt oder zur späteren Verwendung gespeichert werden.It should also be noted that the
Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide werden dem Steuersystem 214 bereitgestellt, das Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider erzeugt. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 an andere landwirtschaftliche Erntemaschinen, die auf demselben Feld ernten, zu kommunizieren. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide an andere Remote-Systeme zu senden.The predictive map 264 or the predictive control zone map 265 or both are provided to the
Die Bedienerschnittstellensteuerung 231 ist betreibbar, um Steuersignale zu erzeugen, um die Bedienerschnittstellenmechanismen 218 zu steuern. Die Bedienerschnittstellensteuerung 231 ist außerdem betreibbar, um dem Bediener 260 die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder andere Informationen, die von oder auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider abgeleitet werden, zu präsentieren. Der Bediener 260 kann ein lokaler Bediener oder ein Remote-Bediener sein. Als ein Beispiel erzeugt die Steuerung 231 Steuersignale, um einen Anzeigemechanismus zu steuern, um eine oder beide der prädiktiven Karte 264 und prädiktiven Steuerzonenkarte 265 für den Bediener 260 anzuzeigen. Die Steuerung 231 kann vom Bediener betätigbare Mechanismen erzeugen, die angezeigt werden und vom Bediener betätigt werden können, um mit der angezeigten Karte zu interagieren. Der Bediener kann die Karte bearbeiten, indem er auf Grundlage der Beobachtung des Bedieners beispielsweise ein auf der Karte angezeigtes Merkmal korrigiert. Die Einstellungssteuerung 232 kann Steuersignale erzeugen, um verschiedene Einstellungen an der landwirtschaftlichen Erntemaschine 100 auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Zum Beispiel kann die Einstellungssteuerung 232 Steuersignale erzeugen, um die Maschinen- und Erntevorsatzstellglieder 248 zu steuern. Als Reaktion auf die erzeugten Steuersignale arbeiten die Maschinen- und Erntevorsatzstellglieder 248, um zum Beispiel eine oder mehrere der Sieb- und Häckseleinstellungen, den Dreschkorbspalt, die Rotoreinstellungen, die Reinigungsgebläse-Drehzahleinstellungen, die Erntevorsatzhöhe, die Erntevorsatzfunktionalität, die Haspeldrehzahl, die Haspelposition, die Draperfunktionalität (wobei die landwirtschaftliche Erntemaschine 100 mit einem Draper-Erntevorsatz gekoppelt ist), die Maisvorsatzfunktionalität, die interne Verteilungssteuerung und andere Stellglieder 248, die die anderen Funktionen der landwirtschaftlichen Erntemaschine 100 beeinflussen, zu steuern. Die Pfadplanungssteuerung 234 erzeugt veranschaulichend Steuersignale, um das Lenkungs-Teilsystem 252 zu steuern, um die landwirtschaftliche Erntemaschine 100 gemäß einem gewünschten Pfad zu steuern. Die Pfadplanungssteuerung 234 kann ein Pfadplanungssystem steuern, um eine Route für die landwirtschaftliche Erntemaschine 100 zu erzeugen, und kann das Antriebs-Teilsystem 250 und das Lenkteilsystem 252 steuern, um die landwirtschaftliche Erntemaschine 100 entlang dieser Route zu lenken. Die Vorschubgeschwindigkeitssteuerung 236 kann verschiedene Teilsysteme steuern, wie etwa das Antriebs-Teilsystem 250 und die Maschinenstellglieder 248, um eine Vorschubgeschwindigkeit oder einen Durchsatz auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Wenn sich zum Beispiel die landwirtschaftliche Erntemaschine 100 einem bevorstehenden Bereich des Ernteguts auf dem Feld mit einem Biomassewert über einem ausgewählten Schwellenwert nähert, kann die Vorschubgeschwindigkeitssteuerung 236 die Geschwindigkeit der Maschine 100 verringern, um eine konstante Vorschubgeschwindigkeit der Biomasse durch die Maschine aufrechtzuerhalten. Die Erntevorsatz- und Haspelsteuerung 238 kann Steuersignale erzeugen, um einen Erntevorsatz oder eine Haspel oder eine andere Erntevorsatzfunktionalität zu steuern. Die Draperbandsteuerung 240 kann Steuersignale erzeugen, um einen Draperband oder eine andere Draperfunktionalität auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Deckplattenpositionssteuerung 242 kann Steuersignale erzeugen, um eine Position einer Deckplatte, die in einem Erntevorsatz enthalten ist, auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern, und die Rückstandssystemsteuerung 244 kann Steuersignale erzeugen, um ein Rückstands-Teilsystem 138 auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Maschinenreinigungssteuerung 245 kann Steuersignale erzeugen, um das Maschinenreinigungs-Teilsystem 254 zu steuern. Zum Beispiel kann auf Grundlage der verschiedenen Arten von Saatgut oder Unkraut, das durch die Maschine 100 geleitet wird, eine bestimmte Art von Maschinenreinigungsvorgang oder eine Häufigkeit, mit der ein Reinigungsvorgang durchgeführt wird, gesteuert werden. Andere Steuerungen, die in der landwirtschaftlichen Erntemaschine 100 enthalten sind, können andere Teilsysteme auf Grundlage der prädiktiven Karte 264 oder prädiktiven Steuerzonenkarte 265 oder beider ebenfalls steuern.Operator interface controller 231 is operable to generate control signals to control
Die
Bei 280 empfängt die landwirtschaftliche Erntemaschine 100 die Vorabinformationskarte 258. Beispiele für die Vorabinformationskarte 258 oder das Empfangen der Vorabinformationskarte 258 werden in Bezug auf die Blöcke 281, 282, 284 und 286 erörtert. Wie oben erörtert, bildet die Vorabinformationskarte 258 Werte einer Variable, die einem ersten Merkmal entspricht, auf verschiedene Positionen im Feld ab, wie bei Block 282 angezeigt. Wie bei Block 281 angezeigt, kann das Empfangen der Vorabinformationskarte 258 das Auswählen einer oder mehrerer einer Vielzahl von möglichen Vorabinformationskarten beinhalten, die verfügbar sind. Zum Beispiel kann eine Vorabinformationskarte eine Bodeneigenschaftskarte sein, die aus Luftbildern erzeugt wird. Eine andere Karte mit Vorabinformationen kann eine Karte sein, die während eines vorherigen Durchgangs durch das Feld erzeugt wurde, der von einer anderen Maschine durchgeführt worden sein kann, die einen früheren Vorgang auf dem Feld durchgeführt hat, wie beispielsweise eine Sprühvorrichtung oder eine andere Maschine. Der Vorgang, durch den eine oder mehrere Vorabinformationskarten ausgewählt werden, kann manuell, halbautomatisch oder automatisch sein. Zusätzlich können die Vorabinformationskarten auf Grundlage der Ähnlichkeit oder Verschiedenheit aktueller Bedingungen oder Merkmale des Feldes von Interesse im Vergleich zu Bedingungen oder Merkmalen desselben Feldes (oder anderer Felder), auf denen die vorherige Karte basiert, ausgewählt werden. Zum Beispiel Ähnlichkeit oder Verschiedenheit der Witterungsbedingungen oder Bodeneigenschaften. Die Vorabinformationskarte 258 basiert auf Daten, die vor einem aktuellen Erntevorgang erfasst wurden. Dies wird durch Block 284 angezeigt. Beispielsweise können die Daten auf der Grundlage von Luftbildern erfasst werden, die während eines Vorjahres oder früher in der aktuellen Wachstumsperiode oder zu anderen Zeiten aufgenommen wurden.At 280,
Die Daten können auf Daten basieren, die auf andere Weise als mithilfe von Luftbildern erkannt wurden. Zum Beispiel kann die landwirtschaftliche Erntemaschine 100 oder eine andere Maschine mit einem oder mehreren Sensoren ausgestattet sein, die konfiguriert sind, um verschiedene Bodeneigenschaften oder Merkmale zu erfassen, wie etwa Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung oder Bodenstruktur. Zusätzlich kann die landwirtschaftliche Erntemaschine 100 oder eine andere Maschine mit einem oder mehreren Sensoren ausgestattet sein, die dazu konfiguriert sind, eine Topographie des Feldes von Interesse zu erfassen, und auf Grundlage der Topographie und verschiedener anderer Daten, wie etwa Wettermerkmale, zum Beispiel Niederschlag und Wind, oder Rückstandsmerkmalen, wie etwa verbleibende Pflanzenstängelhöhe, können verschiedene Bodeneigenschaften vorhergesagt werden. Beispielsweise können auf Grundlage der Topographie des Feldes und eines Niederschlagsniveaus verschiedene Bodeneigenschaften für Bereiche des Feldes vorhergesagt werden. Beispielsweise ist die Bodenfeuchtigkeit an niedrigen Stellen des Feldes typischerweise höher als die Bodenfeuchtigkeit an hohen Stellen des Feldes. In einem anderen Beispiel wird die Feuchtigkeitsrückhaltung und somit die Bodenfeuchtigkeit typischerweise durch die Menge an verbleibenden Rückständen auf dem Feld beeinflusst, wie etwa die Höhe oder Masse der verbleibenden Erntegutstängel. Dies sind nur Beispiele. Die Daten für die Vorabinformationskarte 258 können mithilfe des Kommunikationssystems 206 an die landwirtschaftliche Erntemaschine 100 übertragen und im Datenspeicher 202 gespeichert werden. Die Vorabinformationskarte 258 kann auch auf andere Weise mithilfe des Kommunikationssystems 206 der landwirtschaftlichen Erntemaschine 100 bereitgestellt werden, was durch Block 286 im Flussdiagramm von
Bei Beginn eines Erntevorgangs erzeugen die In-situ-Sensoren 208 Sensorsignale, die einen oder mehrere In-situ-Datenwerte anzeigen, die ein landwirtschaftliches Merkmal anzeigen, zum Beispiel ein Nicht-Maschinenmerkmal, wie etwa ein Merkmal des Feldes, oder ein Maschinenmerkmal, wie etwa ein Maschineneinstellungs-, Betriebsmerkmal oder Maschinenleistungmerkmal, wie durch Block 288 angezeigt. Beispiele für In-situ-Sensoren 208 werden in Bezug auf die Blöcke 222, 290 und 226 erörtert. Wie oben erläutert, beinhalten die In-situ-Sensoren 208 bordeigene Sensoren 222; Remote-In-situ-Sensoren 224, wie etwa UAV-basierte Sensoren, die zu einem Zeitpunkt geflogen werden, um In-situ-Daten zu sammeln, wie in Block 290 gezeigt; oder andere Arten von In-situ-Sensoren, die durch In-situ-Sensoren 226 bezeichnet werden. In einigen Beispielen werden Daten von bordeigenen Sensoren mithilfe von Positions-, Kurs- oder Geschwindigkeitsdaten von dem geografischen Positionssensor 204 georeferenziert.At the beginning of a harvesting operation, the in
Der prädiktive Modellgenerator 210 steuert den Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228, um ein Modell zu erzeugen, das eine Beziehung zwischen den abgebildeten Werten, die in der Vorabinformationskarte 258 enthalten sind, und den In-situ-Werten, die durch die In-situ-Sensoren 208 erfasst werden, modelliert, wie durch Block 292 angezeigt. Die Merkmale oder Datentypen, die durch die abgebildeten Werte in der Vorabinformationskarte 258 dargestellt werden, und die In-situ-Werte, die durch die In-situ-Sensoren 208 erfasst werden, können die gleichen Merkmale oder Datentypen oder verschiedene Merkmale oder Datentypen sein.The predictive model generator 210 controls the prior information variable-to-in situ variable model generator 228 to generate a model representing a relationship between the mapped values contained in the
Die Beziehung oder das Modell, die bzw. das von dem prädiktiven Modellgenerator 210 erzeugt wird, wird dem prädiktiven Kartengenerator 212 bereitgestellt. Der prädiktive Kartengenerator 212 erzeugt eine prädiktive Karte 264, die einen Wert des durch die In-situ-Sensoren 208 erfassten Merkmals an verschiedenen geografischen Positionen in einem zu erntenden Feld oder ein anderes Merkmal, das mit dem durch die In-situ-Sensoren 208 erfassten Merkmal in Beziehung steht, mithilfe des prädiktiven Modells und der Vorabinformationskarte 258 vorhersagt, wie durch Block 294 angezeigt.The relationship or model generated by the predictive model generator 210 is provided to the predictive map generator 212 . The predictive map generator 212 generates a predictive map 264 that represents a value of the marker sensed by the in
Es ist zu beachten, dass die Vorabinformationskarte 258 in einigen Beispielen zwei oder mehr verschiedene Karten oder zwei oder mehr verschiedene Kartenebenen einer einzelnen Karte beinhalten kann. Jede Kartenebene kann einen anderen Datentyp als den Datentyp einer anderen Kartenebene darstellen oder die Kartenebenen können denselben Datentyp aufweisen, der zu verschiedenen Zeitpunkten erhalten wurde. Jede Karte in den zwei oder mehr verschiedenen Karten oder jede Ebene in den zwei oder mehr verschiedenen Kartenebenen einer Karte bildet einen anderen Typ von Variablen zu den geografischen Positionen im Feld ab. In einem solchen Beispiel erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehung zwischen den In-situ-Daten und jeder der verschiedenen Variablen modelliert, die durch die zwei oder mehr verschiedenen Karten oder die zwei oder mehr verschiedenen Kartenebenen abgebildet sind. Gleichermaßen können die In-situ-Sensoren 208 zwei oder mehr Sensoren beinhalten, die jeweils eine andere Art von Variablen erfassen. Somit erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehungen zwischen jedem durch die vorherige Informationskarte 258 abgebildeten Variablentyp und jedem durch die In-situ-Sensoren 208 erfassten Variablentyp modelliert. Der prädiktive Kartengenerator 212 kann eine funktionelle prädiktive Karte 263 erzeugen, die einen Wert für jedes erfasste Merkmal, das von den In-situ-Sensoren 208 erfasst wird (oder einem Merkmal, das sich auf das erfasste Merkmal bezieht), an verschiedenen Positionen in dem Feld, das geerntet wird, mithilfe des prädiktiven Modells und jeder der Karten oder Kartenebenen in der Vorabinformationskarte 258 vorhersagt.Note that in some examples, the
Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 derart, dass die prädiktive Karte 264 durch das Steuersystem 214 umsetzbar (oder verbrauchbar) ist. Der prädiktive Kartengenerator 212 kann die prädiktive Karte 264 dem Steuersystem 214 oder dem Steuerzonengenerator 213 oder beiden bereitstellen. Einige Beispiele für verschiedene Arten, wie die prädiktive Karte 264 konfiguriert oder ausgegeben werden kann, werden in Bezug auf die Blöcke 296, 295, 299 und 297 beschrieben. Beispielsweise konfiguriert der prädiktive Kartengenerator 212 die prädiktive Karte 264, so dass die prädiktive Karte 264 Werte beinhaltet, die durch das Steuersystem 214 gelesen und als Grundlage zum Erzeugen von Steuersignalen für eines oder mehrere der verschiedenen steuerbaren Teilsysteme der landwirtschaftlichen Erntemaschine 100 verwendet werden können, wie durch Block 296 angezeigt.The predictive map generator 212 configures the predictive map 264 such that the predictive map 264 is actionable (or consumable) by the
Der Steuerzonengenerator 213 kann die prädiktive Karte 264 auf Grundlage der Werte auf der prädiktiven Karte 264 in Steuerzonen unterteilen. Kontinuierlich geolokalisierte Werte, die innerhalb eines Schwellenwertes voneinander liegen, können in eine Steuerzone gruppiert werden. Der Schwellenwert kann ein Standardschwellenwert sein oder der Schwellenwert kann auf Grundlage einer Bedienereingabe, auf Grundlage einer Eingabe von einem automatisierten System oder auf Grundlage anderer Kriterien festgelegt werden. Eine Größe der Zonen kann auf einer Reaktionsfähigkeit des Steuersystems 214, der steuerbaren Teilsysteme 216 auf Grundlage von Verschleißüberlegungen oder auf anderen Kriterien basieren, wie durch Block 295 angezeigt. Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 zur Präsentation für einen Bediener oder einen anderen Benutzer. Der Steuerzonengenerator 213 kann eine prädiktive Steuerzonenkarte 265 zur Präsentation für einen Bediener oder einen anderen Benutzer konfigurieren. Dies wird durch Block 299 angezeigt. Wenn sie einem Bediener oder einem anderen Benutzer präsentiert wird, kann die Präsentation der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider einen oder mehrere der prädiktiven Werte auf der prädiktiven Karte 264, die mit der geografischen Position korreliert sind, die Steuerzonen auf der prädiktiven Steuerzonenkarte 265, die mit der geografischen Position korreliert sind, und Einstellwerte oder Steuerparameter enthalten, die auf der Grundlage der prädiktiven Werte auf der prädiktiven Karte 264 oder den Zonen auf der prädiktiven Steuerzonenkarte 265 verwendet werden. Die Präsentation kann in einem anderen Beispiel mehr abstrahierte Informationen oder detailliertere Informationen beinhalten. Die Darstellung kann auch ein Konfidenzniveau beinhalten, das eine Genauigkeit angibt, mit der die prädiktiven Werte auf der prädiktiven Karte 264 oder die Zonen auf der prädiktiven Steuerzonenkarte 265 mit gemessenen Werten übereinstimmen, die durch Sensoren an der landwirtschaftlichen Erntemaschine 100 gemessen werden können, wenn sich die landwirtschaftliche Erntemaschine 100 durch das Feld bewegt. Ferner kann ein Authentifizierungs- und Autorisierungssystem vorgesehen werden, das Authentifizierungs- und Autorisierungsprozesse implementiert, wenn Informationen an mehreren Positionen präsentiert werden. Beispielsweise kann es eine Hierarchie von Personen geben, die berechtigt sind, Karten und andere präsentierte Informationen anzuzeigen und zu ändern. Beispielsweise kann eine bordeigene Anzeigevorrichtung die Karten in nahezu Echtzeit lokal auf der Maschine anzeigen, oder die Karten können auch an einem oder mehreren Remote-Standorten oder beiden generiert werden. In einigen Beispielen kann jede physische Anzeigevorrichtung an jedem Standort einer Person oder einer Benutzerberechtigungsstufe zugeordnet sein. Die Benutzerberechtigungsstufe kann verwendet werden, um zu bestimmen, welche Anzeigemarkierungen auf der physischen Anzeigevorrichtung sichtbar sind und welche Werte die entsprechende Person ändern kann. Beispielsweise kann ein lokaler Bediener der landwirtschaftlichen Erntemaschine 100 nicht in der Lage sein, die Informationen, die der prädiktiven Karte 264 entsprechen, zu sehen oder Änderungen am Maschinenbetrieb vorzunehmen. Ein Vorgesetzter, wie etwa ein Vorgesetzter an einem Remote-Standort, kann jedoch die prädiktive Karte 264 auf der Anzeige sehen, aber daran gehindert werden, Änderungen vorzunehmen. Ein Manager, der sich an einem separaten Remote-Standort befinden kann, kann in der Lage sein, alle Elemente auf der prädiktiven Karte 264 zu sehen und auch in der Lage sein, die prädiktive Karte 264 zu ändern. In einigen Fällen kann die prädiktive Karte 264, auf die ein remote angeordneter Manager zugreifen kann und die von ihm geändert werden kann, in der Maschinensteuerung verwendet werden. Dies ist ein Beispiel für eine Autorisierungshierarchie, die implementiert werden kann. Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide können auch auf andere Weise konfiguriert werden, wie durch Block 297 angezeigt.The
Bei Block 298 werden Eingaben von dem geografischen Positionssensor 204 und anderen In-situ-Sensoren 208 von dem Steuersystem empfangen. Insbesondere erkennt das Steuersystem 214 bei Block 300 eine Eingabe von dem geografischen Positionssensor 204, der eine geografische Position der landwirtschaftlichen Erntemaschine 100 identifiziert. Block 302 stellt den Empfang von Sensoreingaben durch das Steuersystem 214 dar, die den Bahnverlauf oder den Kurs der landwirtschaftlichen Erntemaschine 100 angeben, und Block 304 stellt den Empfang einer Geschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch das Steuersystem 214 dar. Block 306 stellt den Empfang anderer Informationen von verschiedenen In-situ-Sensoren 208 durch das Steuersystem 214 dar.At
Bei Block 308 generiert das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider und der Eingabe von dem geografischen Positionssensor 204 und beliebigen anderen In-situ-Sensoren 208 zu steuern. Bei Block 310 wendet das Steuersystem 214 die Steuersignale auf die steuerbaren Teilsysteme an. Es versteht sich, dass die bestimmten Steuersignale, die erzeugt werden, und die bestimmten steuerbaren Teilsysteme 216, die gesteuert werden, auf Grundlage eines oder mehrerer verschiedener Dinge variieren können. Beispielsweise können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, auf der Art der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beiden basieren, die verwendet werden. Gleichermaßen können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, und der Zeitpunkt der Steuersignale auf verschiedenen Latenzen des Erntegutstroms durch die landwirtschaftliche Erntemaschine 100 und der Reaktionsfähigkeit der steuerbaren Teilsysteme 216 basieren.At block 308 the
Beispielsweise kann eine erzeugte prädiktive Karte 264 in Form einer prädiktiven Biomassekarte verwendet werden, um eines oder mehrere Teilsysteme 216 zu steuern. Beispielsweise kann die prädiktive Biomassekarte Biomassewerte beinhalten, die auf Positionen innerhalb des zu erntenden Feldes georeferenziert sind. Die Biomassewerte aus der prädiktiven Biomassekarte können extrahiert und verwendet werden, um die Lenk- und Antriebs-Teilsysteme 252 und 250 zu steuern. Durch Steuern der Lenk- und Antriebs-Teilsysteme 252 und 250 kann eine Vorschubgeschwindigkeit von Material, das sich durch die landwirtschaftliche Erntemaschine 100 bewegt, gesteuert werden. In ähnlicher Weise kann die Höhe des Erntevorsatzes gesteuert werden, um mehr oder weniger Material aufzunehmen, und somit kann die Höhe des Erntevorsatzes auch gesteuert werden, um die Vorschubgeschwindigkeit des Materials durch die landwirtschaftliche Erntemaschine 100 zu steuern. In anderen Beispielen kann die Steuerung der landwirtschaftlichen Erntemaschine 100 implementiert werden, wenn die prädiktive Karte 264 Erträge relativ zu Positionen auf dem Feld abbildet. Wenn zum Beispiel die in der prädiktiven Ertragskarte vorhandenen Werte angeben, dass ein Ertrag vor der landwirtschaftlichen Erntemaschine 100 an einem Abschnitt des Erntevorsatzes 102 höher ist als an einem anderen Abschnitt des Erntevorsatzes 102, kann die Steuerung des Erntevorsatzes 102 implementiert werden. Beispielsweise kann eine Drapergeschwindigkeit auf einer Seite des Vorsatzgeräts 102 relativ zu der Drapergeschwindigkeit auf der anderen Seite des Vorsatzgeräts 102 erhöht oder verringert werden, um die zusätzliche Biomasse zu berücksichtigen. Somit kann die Erntevorsatz- und Haspelsteuerung 238 mithilfe georeferenzierter Werte, die in der prädiktiven Ertragskarte vorhanden sind, gesteuert werden, um die Drapergeschwindigkeiten der Draperbänder auf dem Erntevorsatz 102 zu steuern. Ferner kann die Höhe des Erntevorsatzes durch die Erntevorsatz- und Haspelsteuerung 238 automatisch geändert werden, wenn die landwirtschaftliche Erntemaschine 100 mithilfe georeferenzierter Werte, die von der prädiktiven Biomassekarte oder der prädiktiven Ertragskarte erhalten werden, sowie mithilfe georeferenzierter Werte, die von verschiedenen anderen prädiktiven Karten erhalten werden, durch das Feld fährt. Die vorhergehenden Beispiele mit Biomasse und Ertrag mithilfe einer prädiktiven Karte sind lediglich beispielhaft bereitgestellt. Folglich kann eine Vielzahl anderer Steuersignale mithilfe von Werten erzeugt werden, die von einer prädiktiven Biomassekarte, einer prädiktiven Ertragskarte oder einer anderen Art von prädiktiver Karte erhalten werden, die von einer vorherigen Bodeneigenschaftskarte abgeleitet wurde, um eines oder mehrere der steuerbaren Teilsysteme 216 zu steuern. Die prädiktive Karte kann eine beliebige von mehreren prädiktiven landwirtschaftlichen Karten sein, die prädiktive Werte von landwirtschaftlichen Eigenschaften auf verschiedene Positionen in einem Feld von Interesse abbilden.For example, a generated predictive map 264 in the form of a biomass predictive map may be used to control one or
Bei Block 312 wird bestimmt, ob der Erntevorgang abgeschlossen wurde. Wenn die Ernte nicht abgeschlossen ist, fährt die Verarbeitung mit Block 314 fort, wo In-situ-Sensordaten von dem geografischen Positionssensor 204 und den In-situ-Sensoren 208 (und möglicherweise anderen Sensoren) weiterhin abgelesen werden.At
In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 bei Block 316 auch Lernauslösekriterien erkennen, um maschinelles Lernen an einer oder mehreren von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265, dem Modell, das von dem prädiktiven Modellgenerator 210 erzeugt wird, den Zonen, die von dem Steuerzonengenerator 213 erzeugt werden, einem oder mehreren Steueralgorithmen, die von den Steuerungen in dem Steuersystem 214 implementiert werden, und anderem ausgelösten Lernen durchzuführen.In some examples, at block 316,
Die Lernauslösekriterien können eine Vielzahl verschiedener Kriterien beinhalten. Einige Beispiele für das Erkennen von Auslösekriterien werden in Bezug auf die Blöcke 318, 320, 321, 322 und 324 erörtert. Beispielsweise kann das ausgelöste Lernen in einigen Beispielen das Wiederherstellen einer Beziehung beinhalten, die verwendet wird, um ein prädiktives Modell zu erzeugen, wenn eine Schwellenmenge von In-situ-Sensordaten von den In-situ-Sensoren 208 erhalten wird. In solchen Beispielen löst der Empfang einer Menge von In-situ-Sensordaten von den In-situ-Sensoren 208, die einen Schwellenwert überschreitet, den prädiktiven Modellgenerator 210 aus oder veranlasst ihn, ein neues prädiktives Modell zu erzeugen, das vom prädiktiven Kartengenerator 212 verwendet wird. Wenn also die landwirtschaftliche Erntemaschine 100 einen Erntevorgang fortsetzt, löst der Empfang der Schwellenmenge an In-situ-Sensordaten von den In-situ-Sensoren 208 die Erzeugung einer neuen Beziehung aus, die durch ein prädiktives Modell repräsentiert wird, das durch den prädiktiven Modellgenerator 210 erzeugt wird. Ferner können die neue prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide mithilfe des neuen prädiktiven Modells erneut erzeugt werden. Block 318 stellt das Erkennen einer Schwellenwertmenge von In-situ-Sensordaten dar, die verwendet werden, um die Erstellung eines neuen prädiktiven Modells auszulösen.The learning trigger criteria can contain a large number of different criteria. Some examples of detecting trigger criteria are discussed with respect to
In anderen Beispielen können die Lernauslösekriterien darauf beruhen, wie stark sich die In-situ-Sensordaten von den In-situ-Sensoren 208 ändern, wie etwa über die Zeit oder im Vergleich zu vorherigen Werten. Wenn zum Beispiel Abweichungen innerhalb der In-situ-Sensordaten (oder der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Vorabinformationskarte 258) innerhalb eines ausgewählten Bereichs liegen oder weniger als ein definierter Betrag sind oder unter einem Schwellenwert liegen, dann wird kein neues prädiktives Modell durch den prädiktiven Modellgenerator 210 erzeugt. Infolgedessen erzeugt der prädiktive Kartengenerator 212 keine neue prädiktive Karte 264, prädiktive Steuerzonenkarte 265 oder beides. Wenn jedoch Abweichungen innerhalb der In-situ-Sensordaten außerhalb des ausgewählten Bereichs liegen, größer als der definierte Betrag sind oder beispielsweise über dem Schwellenwert liegen, erzeugt der prädiktive Modellgenerator 210 ein neues prädiktives Modell mithilfe aller oder eines Teils der neu empfangenen In-situ-Sensordaten, die der prädiktive Kartengenerator 212 verwendet, um eine neue prädiktive Karte 264 zu erzeugen. Bei Block 320 können Variationen der In-situ-Sensordaten, wie etwa eine Größe eines Betrags, um den die Daten den ausgewählten Bereich überschreiten, oder eine Größe der Variation der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Vorabinformationskarte 258, als Auslöser verwendet werden, um die Erzeugung eines prädiktiven Modells und einer prädiktiven Karte zu veranlassen. Unter Beibehaltung der oben beschriebenen Beispiele können der Schwellenwert, der Bereich und der definierte Betrag auf Standardwerte eingestellt werden; durch einen Bediener oder eine Benutzerinteraktion über eine Benutzerschnittstelle eingestellt werden; durch ein automatisiertes System eingestellt werden; oder auf andere Weise eingestellt werden.In other examples, the learning trigger criteria may be based on how much the in situ sensor data from the in
Es können auch andere Lernauslösekriterien verwendet werden. Wenn zum Beispiel der prädiktive Modellgenerator 210 zu einer anderen Vorabinformationskarte (die sich von der ursprünglich ausgewählten Vorabinformationskarte 258 unterscheidet) wechselt, kann das Wechseln zu der anderen Vorabinformationskarte ein erneutes Lernen durch den prädiktiven Modellgenerator 210, den prädiktiven Kartengenerator 212, den Steuerzonengenerator 213, das Steuersystem 214 oder andere Elemente auslösen. In einem weiteren Beispiel kann auch der Übergang der landwirtschaftlichen Erntemaschine 100 zu einer anderen Topographie oder zu einer anderen Steuerzone als Lernauslösekriterien verwendet werden.Other learning trigger criteria can also be used. For example, if the predictive model generator 210 switches to a different advance information map (different from the originally selected advance information map 258), switching to the different advance information map may require re-learning by the predictive model generator 210, the predictive map generator 212, the
In einigen Fällen kann der Bediener 260 auch die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide bearbeiten. Die Bearbeitungen können einen Wert auf der prädiktiven Karte 264, eine Größe, Form, Position oder vom Vorhandensein einer Steuerzone auf der prädiktiven Steuerzonenkarte 265 oder beides ändern. Block 321 zeigt, dass bearbeitete Informationen als Lernauslösekriterien verwendet werden können.In some cases,
In einigen Fällen kann es auch sein, dass der Bediener 260 beobachtet, dass die automatisierte Steuerung eines steuerbaren Teilsystems nicht das ist, was der Bediener wünscht. In solchen Fällen kann der Bediener 260 dem steuerbaren Teilsystem eine manuelle Anpassung bereitstellen, die widerspiegelt, dass der Bediener 260 wünscht, dass das steuerbare Teilsystem anders arbeitet, als vom Steuersystem 214 befohlen wird. Somit kann eine manuelle Änderung einer Einstellung durch den Bediener 260 bewirken, dass einer oder mehrere von dem prädiktiven Modellgenerator 210 ein Modell neu erlernen, dem prädiktiven Kartengenerator 212, um die Karte 264 zu regenerieren, dem Steuerzonengenerator 213, um eine oder mehrere Steuerzonen auf der prädiktiven Steuerzonenkarte 265 zu regenerieren, und dem Steuersystem 214, um einen Steueralgorithmus neu zu erlernen oder maschinelles Lernen an einer oder mehreren der Steuerkomponenten 232 bis 246 im Steuersystem 214 auf Grundlage der Einstellung durch den Bediener 260 durchzuführen, wie in Block 322 gezeigt. Block 324 stellt die Verwendung anderer ausgelöster Lernkriterien dar.Also, in some cases, the
In anderen Beispielen kann das Umlernen periodisch oder intermittierend durchgeführt werden, zum Beispiel auf Grundlage eines ausgewählten Zeitintervalls, wie etwa eines diskreten Zeitintervalls oder eines variablen Zeitintervalls, wie durch Block 326 angezeigt.In other examples, relearning may be performed periodically or intermittently, for example based on a selected time interval, such as a discrete time interval or a variable time interval, as indicated by
Wenn das Umlernen ausgelöst wird, ob auf Grundlage von Lernauslösekriterien oder auf Grundlage des Durchlaufs eines Zeitintervalls, wie durch Block 326 angezeigt, führt einer oder mehrere von dem prädiktiven Modellgenerator 210, dem prädiktiven Kartengenerator 212, dem Steuerzonengenerator 213 und dem Steuersystem 214 maschinelles Lernen durch, um ein neues prädiktives Modell, eine neue prädiktive Karte, eine neue Steuerzone bzw. einen neuen Steueralgorithmus auf Grundlage der Lernauslösekriterien zu erzeugen. Das neue prädiktive Modell, die neue prädiktive Karte und der neue Steueralgorithmus werden mithilfe zusätzlicher Daten generiert, die seit dem letzten Lernvorgang gesammelt wurden. Das Durchführen des Umlernens wird durch Block 328 angezeigt.When relearning is triggered, whether based on learning trigger criteria or based on the passage of a time interval, as indicated by
Wenn der Erntevorgang abgeschlossen wurde, geht der Vorgang von Block 312 zu Block 330 über, wo eines oder mehrere von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 und dem prädiktiven Modell, das durch den prädiktiven Modellgenerator 210 erzeugt wird, gespeichert werden. Die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 und das prädiktive Modell können lokal auf dem Datenspeicher 202 gespeichert oder mithilfe des Kommunikationssystems 206 zur späteren Verwendung an ein Remote-System gesendet werden.When the harvesting process has been completed, the process proceeds from
Es ist zu beachten, dass, während einige Beispiele hierin den prädiktiven Modellgenerator 210 und den prädiktiven Kartengenerator 212 beschreiben, die eine Vorabinformationskarte beim Erzeugen eines prädiktiven Modells bzw. beim Empfangen einer funktionellen prädiktiven Karte, der prädiktive Modellgenerator 210 bzw. der prädiktive Kartengenerator 212 in anderen Beispielen beim Erzeugen eines prädiktiven Modells und einer funktionellen prädiktiven Karte jeweils andere Arten von Karten, einschließlich prädiktiver Karten, wie etwa eine funktionelle prädiktive Karte, die während des Erntevorgangs erzeugt wird, empfangen können.It should be noted that while some examples herein describe predictive model generator 210 and predictive map generator 212 using a prior information map when generating a predictive model and receiving a functional predictive map, respectively, predictive model generator 210 and predictive map generator 212 in In other examples, when generating a predictive model and a functional predictive map, each may receive other types of maps including predictive maps, such as a functional predictive map generated during the harvesting process.
Merkmale, die durch das Verarbeitungssystem 338 erkannt werden, können beliebige von einer Reihe von landwirtschaftlichen Merkmalen beinhalten, wie etwa Nicht-Maschinenmerkmale, zum Beispiel Merkmale des Feldes oder Merkmale von Pflanzen, wie etwa Erntegut, auf dem Feld, zum Beispiel Merkmale, die Biomasse oder Ertrag angeben, sowie eine Vielzahl anderer Nicht-Maschinenmerkmale. Landwirtschaftliche Eigenschaften, die durch das Verarbeitungssystem 338 erfasst werden, können eine Anzahl von Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine beinhalten, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungsmerkmale, zum Beispiel eine Höhe des Erntevorsatzes 102 vom Feld, eine Kraft, die erforderlich ist, um den Dreschrotor 112 anzutreiben, eine Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 sowie eine Vielzahl anderer Maschinenmerkmale. Somit können die In-situ-Sensoren 208 jeder aus einer Reihe von Sensoren sein, die ein landwirtschaftliches Merkmal erkennen können, wie etwa ein Nicht-Maschinenmerkmal oder ein Maschinenmerkmal der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine, sowie verwandte Merkmale.Traits recognized by the
Das Verarbeitungssystem 338 verarbeitet Sensordaten, die von dem landwirtschaftlichen Merkmalsensor 336 erzeugt werden, um verarbeitete Daten zu erzeugen, von denen einige Beispiele nachfolgend beschrieben werden. Zum Beispiel kann der landwirtschaftliche Merkmalsensor 336 ein optischer Sensor sein, wie etwa eine Kamera oder eine andere Vorrichtung, die eine optische Erfassung durchführt. Der optische Sensor kann Bilder erzeugen, die verschiedene landwirtschaftliche Merkmale angeben, wie etwa Nicht-Maschinen- oder Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine sowie damit verbundene Merkmale. Das Verarbeitungssystem 338 verarbeitet ein oder mehrere Sensorsignale, wie etwa Bilder, die über den optischen Sensor erhalten wurden, um verarbeitete Sensordaten, wie etwa verarbeitete Bilddaten, zu erzeugen, die ein oder mehrere Nicht-Maschinenmerkmale, wie etwa Merkmale des Feldes, identifizieren, oder verarbeitete Sensordaten, die ein oder mehrere Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 identifizieren, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungsmerkmale, oder verwandte Merkmale.
Das Verarbeitungssystem 338 kann auch die vom In-situ-Sensor 208 empfangenen Werte geolokalisieren. Zum Beispiel ist die Position der landwirtschaftlichen Erntemaschine 100 zu dem Zeitpunkt, zu dem ein Signal vom In-situ-Sensor 208 empfangen wird, typischerweise nicht die genaue Position des landwirtschaftlichen Merkmals auf dem Feld. Dies liegt daran, dass eine Zeitspanne zwischen dem ersten Kontakt der landwirtschaftlichen Erntemaschine mit dem landwirtschaftlichen Merkmal und dem Erfassen durch den In-situ-Sensor verstreichen kann. Somit wird eine Übergangszeit zwischen dem Zeitpunkt, zu dem ein landwirtschaftliches Merkmal anfänglich von der landwirtschaftlichen Erntemaschine 100 angetroffen wird, und dem Zeitpunkt, zu dem das landwirtschaftliche Merkmal mit dem In-situ-Sensor 208 erfasst wird, bei der Georeferenzierung der erfassten Daten berücksichtigt. Dadurch kann das erfasste landwirtschaftliche Merkmal genau auf eine Position im Feld georeferenziert werden. Beispielsweise geolokalisieren sich die Ertragswerte aufgrund der Fahrt von abgetrenntem Erntegut entlang eines Erntevorsatzes in einer Richtung, die quer zu einer Fahrtrichtung der landwirtschaftlichen Erntemaschine ist, normalerweise zu einem V-förmigen Bereich hinter der landwirtschaftlichen Erntemaschine, während sich die landwirtschaftliche Erntemaschine in einer Vorwärtsrichtung bewegt. Das Verarbeitungssystem 338 ordnet einen Gesamtertrag, der von einem Ertragssensor während jedes Zeitpunkts oder Messintervalls erfasst wird, auf Grundlage der Fahrzeiten des Ernteguts von verschiedenen Abschnitten der landwirtschaftlichen Erntemaschine, wie etwa verschiedenen seitlichen Positionen entlang einer Breite eines Erntevorsatzes der landwirtschaftlichen Erntemaschine und der Bodengeschwindigkeit der Erntemaschine, früheren georeferenzierten Regionen zu oder teilt ihn auf. Zum Beispiel ordnet das Verarbeitungssystem 338 einen gemessenen Gesamtertrag von einem Messintervall oder einer Messzeit zurück georeferenzierten Bereichen zu, die von einem Erntevorsatz der landwirtschaftlichen Erntemaschine während unterschiedlicher Messintervalle oder -zeiten durchquert wurden. Das Verarbeitungssystem 338 ordnet den Gesamtertrag aus einem bestimmten Messintervall oder einer bestimmten Zeit zuvor durchlaufenen georeferenzierten Bereichen zu, die Teil des V-Förmigen Bereichs sind oder teilt ihn auf.The
In ähnlicher Weise kann das Verarbeitungssystem 338 in einem Beispiel, in dem der In-situ-Sensor 208 eine Dreschrotorantriebskraft ist, die ein Sensorsignal erzeugt, das Biomasse anzeigt, die Werte, wie etwa Biomassewerte, auch geolokalisieren, indem eine Zeitverzögerung zwischen dem Zeitpunkt, zu dem das Erntegut auf dem Feld angetroffen wurde, und dem Zeitpunkt, zu dem das Erntegut zum Beispiel durch den Dreschrotor 112 gedroschen wird, berechnet wird, sodass das Dreschrotorantriebskraftmerkmal als ein Indikator für Biomasse auf eine genaue Position auf dem Feld georeferenziert werden kann. Diese Zeitverzögerung kann zumindest teilweise auf der Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 basieren.Similarly, in an example where the in
In anderen Beispielen können In-situ-Sensoren 208, einschließlich des landwirtschaftlichen Merkmalsensors 336, sich auf Wellenlängen elektromagnetischer Energie und die Art und Weise stützen, in der elektromagnetische Energie zum Beispiel von Biomasse oder dem geernteten Getreide reflektiert, absorbiert, gedämpft oder durch diese übertragen wird. Der Merkmalsensor 336 kann andere elektromagnetische Eigenschaften von Biomasse oder geerntetem Getreide erfassen, wie etwa elektrische Permittivität, wenn das Material zwischen zwei kapazitiven Platten hindurchtritt. Der Merkmalsensor 336 kann sich auch auf mechanische Eigenschaften von Biomasse oder Körnern stützen, wie etwa ein Signal, das erzeugt wird, wenn ein Korn auf ein piezoelektrisches Element (wie etwa ein Blatt) auftrifft oder wenn ein Aufprall durch ein Mikrofon oder einen Beschleunigungsmesser erfasst wird. Andere Materialeigenschaften und Sensoren können ebenfalls verwendet werden. In einigen Beispielen können rohe oder verarbeitete Daten von dem Merkmalsensor 336 dem Bediener 260 über den Bedienerschnittstellenmechanismus 218 dargestellt werden. Der Bediener 260 kann sich an Bord der landwirtschaftlichen Erntemaschine 100 oder an einem Remote-Standort befinden.In other examples, in
Die vorliegende Erörterung fährt in Bezug auf ein Beispiel fort, in dem der landwirtschaftliche Merkmalsensor 336 dazu konfiguriert ist, landwirtschaftliche Merkmale, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine, sowie verwandte Merkmale zu erfassen. Ein Nicht-Maschinenmerkmal im Sinne dieser Offenbarung ist jedes landwirtschaftliche Merkmal, das sich nicht auf eine Maschine bezieht. Zum Beispiel können Nicht-Maschinenmerkmale des Feldes beinhalten, auf dem die landwirtschaftliche Erntemaschine 100 arbeitet, Merkmale von Pflanzen, wie etwa Erntegut, auf dem Feld sowie Merkmale von geerntetem Pflanzenmaterial, wie etwa geerntetem Erntegut. Es versteht sich, dass das Nicht-Maschinenmerkmal außerhalb der landwirtschaftlichen Erntemaschine 100 oder innerhalb der landwirtschaftlichen Erntemaschine 100 erfasst werden kann. Ein Maschinenmerkmal im Sinne dieser Offenbarung ist ein beliebiges landwirtschaftliches Merkmal, das sich auf eine Maschine bezieht, wie etwa die landwirtschaftliche Erntemaschine 100 oder eine andere Maschine. Beispielsweise können Maschinenmerkmale Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungmerkmale sowie andere Maschinenmerkmale umfassen. Es ist zu beachten, dass in einigen Beispielen ein Maschinenmerkmal auch ein Nicht-Maschinenmerkmal anzeigen kann oder umgekehrt. So kann beispielsweise eine Dreschrotorantriebskraft (Maschinenmerkmal) die Biomasse (Nicht-Maschinenmerkmal) anzeigen. Es versteht sich, dass es sich hierbei nur um einige Beispiele handelt und die oben genannten Sensoren als andere Beispiele des landwirtschaftlichen Merkmalsensors 336 hierin ebenfalls in Betracht gezogen werden. Es versteht sich, dass die In-situ-Sensoren 208, einschließlich des landwirtschaftlichen Merkmalsensors 336, ein beliebiges von einer Reihe von landwirtschaftlichen Merkmalen erfassen können. Der prädiktive Modellgenerator 210, der nachstehend erörtert wird, kann eine Beziehung zwischen einer beliebigen von einer Anzahl von landwirtschaftlichen Merkmalen, die in Sensordaten an einer geografischen Position erfasst oder dargestellt sind, die den Sensordaten entspricht, und Bodeneigenschaftswerten aus einer Bodeneigenschaftskarte, wie etwa der Bodeneigenschaftskarte 332, die derselben Position auf dem Feld entsprechen, identifizieren und auf Grundlage dieser Beziehung ein prädiktives landwirtschaftliches Merkmalmodell erzeugen. Ferner versteht es sich, dass der nachstehend erörterte prädiktive Kartengenerator 212 eines der durch den prädiktiven Modellgenerator 210 erzeugten landwirtschaftlichen Merkmalmodelle verwenden kann, um eine beliebige einer Anzahl von landwirtschaftlichen Merkmalen an verschiedenen Positionen auf Grundlage eines georeferenzierten Bodentypwerts oder eines georeferenzierten Bodenfeuchtigkeitswerts, der in der Bodeneigenschaftskarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The present discussion continues with respect to an example where
Wie in
Der Nicht-Maschinenmerkmal-zu-Bodentypmodellgenerator 342 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, die in Sensordaten 340 an einer geografischen Position erfasst oder dargestellt ist, die den Sensordaten 340 entspricht, und Bodentypwerten aus der Bodeneigenschaftskarte 332, die derselben Position auf dem Feld entsprechen, mit der das Nicht-Maschinenmerkmal korreliert. Auf Grundlage dieser Beziehung, die durch den Nicht-Maschinenmerkmal-zu-Bodentypmodellgenerator 342 hergestellt wird, erzeugt der Nicht-Maschinenmerkmal-zu-Bodentypmodellgenerator 342 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmalkartengenerator 352 verwendet, um das Nicht-Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Bodentypwerts, der in der Bodeneigenschaftskarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine feature-to-soil type model generator 342 identifies a relationship between a non-machine feature captured or represented in
Der Nicht-Maschinenmerkmal-zu-Bodenfeuchtigkeit-Modellgenerator 344 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, das in Sensordaten 340 an einer geografischen Position erkannt oder dargestellt ist, die den Sensordaten 340 entspricht, und den Bodenfeuchtigkeitswerten aus der Bodeneigenschaftskarte 332, die derselben Position auf dem Feld entsprechen, mit der das Nicht-Maschinenmerkmal korreliert. Auf Grundlage dieser Beziehung, die durch den Nicht-Maschinenmerkmal-Bodenfeuchtigkeit-Modellgenerator 344 hergestellt wird, erzeugt der Nicht-Maschinenmerkmal-Bodenfeuchtigkeit-Modellgenerator 344 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmalkartengenerator 352 verwendet, um das Nicht-Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Bodenfeuchtigkeitswerts, der in der Bodeneigenschaftskarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine feature-to-soil
Der Maschinenmerkmal-zu-Bodentyp-Modellgenerator 346 identifiziert eine Beziehung zwischen einem Maschinenmerkmal, das in Sensordaten 340 an einer geografischen Position erkannt oder dargestellt ist, die den Sensordaten 340 entspricht, und Bodentypwerten aus der Bodeneigenschaftskarte 332, die derselben Position auf dem Feld entsprechen, mit der das Maschinenmerkmal korreliert. Auf Grundlage dieser Beziehung, die durch den Maschinenmerkmal-zu-Bodentyp-Modellgenerator 346 hergestellt wird, erzeugt der Maschinenmerkmal-zu-Bodentyp-Modellgenerator 346 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Maschinenmerkmalkartengenerator 354 verwendet, um das Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Bodentypwerts, der in der Bodeneigenschaftskarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.Machine feature-to-soil type model generator 346 identifies a relationship between a machine feature detected or represented in
Der Maschinenmerkmal-zu-Bodenfeuchtigkeits-Modellgenerator 347 identifiziert eine Beziehung zwischen einem Maschinenmerkmal, das in Sensordaten 340 an einer geografischen Position erkannt oder dargestellt ist, die den Sensordaten 340 entspricht, und den Bodenfeuchtewerten aus der Bodeneigenschaftskarte 332, die derselben Position auf dem Feld entsprechen, mit der das Maschinenmerkmal korreliert. Auf Grundlage dieser Beziehung, die durch den Maschinenmerkmal-zu-Bodenfeuchtigkeit-Modellgenerator 347 hergestellt wird, erzeugt der Maschinenmerkmal-zu-Bodenfeuchtigkeit-Modellgenerator 347 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Maschinenmerkmalkartengenerator 354 verwendet, um das Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Bodenfeuchtigkeitswerts, der in der Bodeneigenschaftskarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.Machine feature-to-soil moisture model generator 347 identifies a relationship between a machine feature detected or represented in
Angesichts des Vorstehenden ist der prädiktive Modellgenerator 210 betreibbar, um eine Vielzahl von prädiktiven landwirtschaftlichen Merkmalmodellen zu erzeugen, wie etwa eines oder mehrere der prädiktiven landwirtschaftlichen Merkmalmodelle, die von den Modellgeneratoren 342, 344, 346 und 347 erzeugt werden. In einem weiteren Beispiel können zwei oder mehr der vorstehend beschriebenen prädiktiven landwirtschaftlichen Merkmalmodelle zu einem einzelnen prädiktiven Merkmalmodell kombiniert werden, das zwei oder mehr von Nicht-Maschinenmerkmalen oder Maschinenmerkmalen auf Grundlage der Bodeneigenschaftswerte an verschiedenen Positionen in dem Feld vorhersagt. Jedes dieser landwirtschaftlichen Merkmalmodelle oder Kombinationen davon wird gemeinsam durch das Merkmalmodell 350 in
Das prädiktive landwirtschaftliche Merkmalmodell 350 wird dem prädiktiven Kartengenerator 212 bereitgestellt. Im Beispiel von
Der Maschinenmerkmalkartengenerator 354 empfängt das prädiktive landwirtschaftliche Merkmalmodell 350, das Maschinenmerkmale auf Grundlage eines Bodeneigenschaftswerts zusammen mit der Bodeneigenschaftskarte 332 vorhersagt und eine funktionelle prädiktive Karte erzeugt, die das Maschinenmerkmal an verschiedenen Positionen in dem Feld vorhersagt.The machine
Der prädiktive Kartengenerator 212 gibt eine oder mehrere funktionelle prädiktive landwirtschaftliche Merkmalkarten 360 aus, die prädiktiv für eine oder mehrere landwirtschaftliche Merkmale sind, wie etwa eine oder mehrere von Nicht-Maschinenmerkmalen oder Maschinenmerkmalen oder eine oder mehrere von beiden. Jede der funktionellen prädiktiven landwirtschaftlichen Merkmalkarten 360 bildet prädiktiv das jeweilige landwirtschaftliche Merkmal an verschiedenen Positionen in einem Feld ab. Jede der erzeugten funktionellen prädiktiven landwirtschaftlichen Merkmalkarten 360 kann dem Steuerzonengenerator 213, dem Steuersystem 214 oder beiden bereitgestellt werden. Der Steuerzonengenerator 213 erzeugt Steuerzonen und integriert diese Steuerzonen in die funktionelle prädiktive Karte, d. h. die funktionelle prädiktive Karte 360, um die funktionelle prädiktive Karte 360 mit Steuerzonen bereitzustellen. Die funktionelle prädiktive Karte 360 (mit oder ohne Steuerzonen) kann dem Steuersystem 214 bereitgestellt werden, das Steuersignale erzeugt, um eines oder mehrere der steuerbaren Teilsysteme 216 auf Grundlage der funktionellen prädiktiven Karte 360 (mit oder ohne Steuerzonen) zu steuern.The predictive map generator 212 outputs one or more functional predictive agricultural feature maps 360 that are predictive of one or more agricultural features, such as one or more non-machine features or machine features, or one or more of both. Each of the functional predictive agricultural trait maps 360 predictively maps the respective agricultural trait at different positions in a field. Each of the generated functional predictive agricultural feature maps 360 may be provided to control
Die Maschinensensoren 982 können unterschiedliche Merkmale der landwirtschaftlichen Erntemaschine 100 erfassen. Wie vorstehend erörtert, können die Maschinensensoren 982 beispielsweise Maschinengeschwindigkeitssensoren 146, einen Abscheider-Verlustsensor 148, eine Reinkornkamera 150, einen nach vorne gerichteten Bilderfassungsmechanismus 151, Verlustsensoren 152 oder einen geografischen Positionssensor 204 beinhalten, von denen Beispiele vorstehend beschrieben sind. Maschinensensoren 982 können auch Maschineneinstellungssensoren 991 beinhalten, die Maschineneinstellungen erfassen. Einige Beispiele für Maschineneinstellungen wurden vorstehend in Bezug auf
Die Ernteguteigenschaftssensoren 984 können Merkmale des abgetrennten Ernteguts während der Verarbeitung des Ernteguts durch die landwirtschaftliche Erntemaschine 100 erfassen. Die Ernteguteigenschaften können Dinge wie etwa die Art des Ernteguts, die Feuchtigkeit des Ernteguts, die Kornqualität (wie etwa gebrochenes Korn), die MOG-Werte, die Kornbestandteile wie etwa Stärken und Protein, die MOG-Feuchtigkeit und andere Eigenschaften des Erntematerials beinhalten. Andere Sensoren könnten „Zähigkeit“ des Strohs, die Haftung von Mais an den Ähren und andere Merkmale erfassen, die vorteilhaft verwendet werden könnten, um die Verarbeitung für eine bessere Kornerfassung, reduzierte Kornschäden, reduzierten Leistungsverbrauch, reduzierten Kornverlust usw. zu steuern.The crop
Die Feld- und Bodeneigenschaftssensoren 985 können die Merkmale des Feldes und des Bodens erfassen. Die Feld- und Bodeneigenschaften können Bodenfeuchtigkeit, Bodenkompaktheit, das Vorhandensein und die Position von stehendem Wasser, Bodentyp und andere Boden- und Feldmerkmale beinhalten.The field and
Die Umgebungsmerkmalsensoren 987 können eine oder mehrere Umgebungsmerkmale erfassen. Die Umgebungsmerkmale können Dinge wie Windrichtung und Windgeschwindigkeit, Niederschlag, Nebel, Staubniveau oder andere Verschmutzungen oder andere Umgebungsmerkmale beinhalten.
Bei Block 372 verarbeitet das Verarbeitungssystem 338 das eine oder die mehreren empfangenen Sensorsignale, um Sensordaten zu erzeugen, die ein landwirtschaftliches Merkmal angeben, das in dem einen oder den mehreren Sensorsignalen vorhanden ist. Bei Block 374 können die Sensordaten ein oder mehrere Nicht-Maschinenmerkmale angeben, die einer Position auf dem Feld entsprechen können. In einigen Fällen können die Sensordaten, wie bei Block 376 angezeigt, Maschinenmerkmale anzeigen, die einer Position auf dem Feld entsprechen können. In einigen Fällen können die Sensordaten, wie bei Block 380 angezeigt, beliebige einer Anzahl von landwirtschaftlichen Merkmalen anzeigen.At
Bei Block 382 erhält der prädiktive Modellgenerator 210 auch die geografische Position, die den Sensordaten entspricht. Beispielsweise kann der prädiktive Modellgenerator 210 die geografische Position oder eine Angabe der geografischen Position von dem geografischen Positionssensor 204 erhalten und auf Grundlage von Maschinenverzögerungen, Maschinengeschwindigkeit usw. eine genaue geografische Position auf dem Feld bestimmen, der die Sensordaten entsprechen, wie etwa eine genaue geografische Position, an der das Sensorsignal erzeugt wurde oder von der die Sensordaten 340 abgeleitet wurden.At block 382, the predictive model generator 210 also obtains the geographic position corresponding to the sensor data. For example, the predictive model generator 210 may receive the geographic position or an indication of the geographic position from the
Bei Block 384 erzeugt der prädiktive Modellgenerator 210 ein oder mehrere prädiktive Modelle, wie etwa das prädiktive landwirtschaftliche Merkmalmodell 350, die eine Beziehung zwischen einem aus einer vorherigen Informationskarte, wie etwa der Bodeneigenschaftskarte 332, erhaltenen Bodeneigenschaftswert und einem durch den In-situ-Sensor 208 erfassten Merkmal oder einem zugehörigen Merkmal modellieren. Zum Beispiel kann der prädiktive Modellgenerator 210 ein prädiktives Modell erzeugen, das die Beziehung zwischen einem Bodeneigenschaftswert und einer erfassten landwirtschaftlichen Merkmal modelliert, wie etwa ein Nicht-Maschinenmerkmal oder ein Maschinenmerkmal, das durch die Sensordaten angezeigt wird, die von dem In-situ-Sensor 208 erhalten werden.At block 384, predictive model generator 210 generates one or more predictive models, such as predictive agricultural feature model 350, that establish a relationship between a soil property value obtained from a previous map of information, such as
Bei Block 386 wird das prädiktive Modell, wie etwa das prädiktive landwirtschaftliche Merkmalmodell 350, dem prädiktiven Kartengenerator 212 bereitgestellt, der eine funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 erzeugt, die eine prädiktive landwirtschaftliche Eigenschaft oder einen prädiktiven landwirtschaftlichen Merkmalwert auf Grundlage der Bodeneigenschaftskarte oder der Bodeneigenschaftswerte darin und des prädiktiven landwirtschaftlichen Merkmalmodells 350 abbildet. Beispielsweise sagt die prädiktive landwirtschaftliche Merkmalkarte 360 in einigen Beispielen ein Nicht-Maschinenmerkmal oder ein Maschinenmerkmal voraus. In einigen Beispielen sagt die funktionelle prädiktive Merkmalkarte 360 ein Nicht-Maschinenmerkmal voraus, wie durch Block 388 angezeigt. In einigen Beispielen sagt die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 ein Maschinenmerkmal voraus, wie durch Block 390 angezeigt, und in noch anderen Beispielen sagt die prädiktive Karte 360 andere Elemente voraus, wie durch Block 392 angezeigt. Zum Beispiel kann die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 eine oder mehrere Nicht-Maschinenmerkmale zusammen mit einem oder mehreren Maschinenmerkmalen vorhersagen. Ferner kann die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 während des Verlaufs eines landwirtschaftlichen Betriebs erzeugt werden. Somit wird, wenn sich eine landwirtschaftliche Erntemaschine durch ein Feld bewegt, in dem ein landwirtschaftlicher Vorgang durchgeführt wird, die funktionale prädiktive landwirtschaftliche Merkmalkarte 360 erzeugt, während der landwirtschaftliche Betrieb durchgeführt wird.At block 386, the predictive model, such as predictive agricultural feature model 350, is provided to predictive map generator 212, which generates a functional predictive agricultural feature map 360 that includes a predictive agricultural trait or a predictive agricultural feature value based on the soil property map or soil property values therein and of the predictive agricultural trait model 350 . For example, in some examples, predictive agricultural feature map 360 predicts a non-machine feature or a machine feature. In some examples, as indicated by
Bei Block 394 gibt der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 aus. Bei Block 391 gibt der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte zur Präsentation für und zur möglichen Interaktion durch den Bediener 260 aus. Bei Block 393 kann der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte für den Verbrauch durch das Steuersystem 214 konfigurieren. Bei Block 395 kann der prädiktive Kartengenerator 212 dem Steuerzonengenerator 213 auch die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 zur Erzeugung von Steuerzonen bereitstellen. Bei Block 397 konfiguriert der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 auch auf andere Weise. Die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 (mit oder ohne die Steuerzonen) wird dem Steuersystem 214 bereitgestellt. Bei Block 396 erzeugt das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Merkmalkarte 360 zu steuern.At
Das Steuersystem 214 kann Steuersignale erzeugen, um den Erntevorsatz oder andere Maschinenstellglieder 248 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Antriebs-Teilsystem 250 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Lenkungs-Teilsystem 252 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Rückstands-Teilsystem 138 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Maschinenreinigungs-Teilsystem 254 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um den Drescher 110 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Materialhandhabungs-Teilsystem 125 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Erntegutreinigungs-Teilsystem 118 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Kommunikationssystem 206 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um die Bedienerschnittstellenmechanismen 218 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um verschiedene andere steuerbare Teilsysteme 256 zu steuern.The
Somit ist ersichtlich, dass das vorliegende System eine Vorabinformationskarte erstellt, die ein Merkmal, wie etwa einen Bodeneigenschaftswert oder Informationen von einem Vorabbetriebsdurchgang auf verschiedene Positionen in einem Feld abbildet. Das vorliegende System verwendet auch einen oder mehrere In-situ-Sensoren, die In-situ-Sensordaten erfassen, die ein landwirtschaftliches Merkmal, wie etwa ein Nicht-Maschinenmerkmal, ein Maschinenmerkmal oder eine beliebige von einer Reihe anderer landwirtschaftlicher Merkmale, die von In-situ-Sensoren erfasst wurden oder von In-situ-Sensoren erfasst werden können, angeben, und erzeugt ein Modell, das eine Beziehung zwischen dem mithilfe des In-situ-Sensors erfassten landwirtschaftlichen Merkmal oder einem verwandten Merkmal und dem in der Vorabinformationskarte abgebildeten Merkmal modelliert. Somit erzeugt das vorliegende System eine funktionelle prädiktive Karte mithilfe eines Modells, In-situ-Daten und einer Vorabinformationskarte und kann die erzeugte funktionelle prädiktive Karte zum Verbrauch durch ein Steuersystem zur Präsentation an einen lokalen oder entfernten Bediener oder einen anderen Benutzer oder beides konfigurieren. Beispielsweise kann das Steuersystem die Karte verwenden, um eines oder mehrere Systeme einer landwirtschaftlichen Erntemaschine zu steuern.Thus, it can be seen that the present system creates a pre-information map that maps a feature, such as a soil property value or information from a pre-operational pass, to various locations in a field. The present system also utilizes one or more in situ sensors that collect in situ sensor data indicative of an agricultural trait, such as a non-machine trait, a machine trait, or any of a number of other agricultural traits that are detected or can be detected by in situ sensors, and generates a model representing a relationship between the agricultural feature detected by the in situ sensor or a related one th feature and the feature shown in the preliminary information card. Thus, the present system generates a functional predictive map using a model, in situ data, and a pre-information map, and can configure the generated functional predictive map for consumption by a control system for presentation to a local or remote operator or another user, or both. For example, the control system can use the map to control one or more systems of an agricultural harvester.
In der vorliegenden Diskussion wurden Prozessoren und Server erwähnt. In einem Beispiel beinhalten die Prozessoren und Server Computerprozessoren mit zugehörigem Speicher und Zeitschaltungen, die nicht separat dargestellt werden. Die Prozessoren und Server sind Funktionsteile der Systeme oder Vorrichtungen, zu denen die Prozessoren und Server gehören und durch die sie aktiviert werden, und erleichtern die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.Processors and servers have been mentioned in this discussion. In one example, the processors and servers include computer processors with associated memory and timing circuitry, not shown separately. The processors and servers are functional parts of the systems or devices that the processors and servers belong to and are activated by, and facilitate the functionality of the other components or elements in those systems.
Es wurde auch eine Reihe von Anzeigen der Benutzerschnittstelle diskutiert. Die Anzeigen können mehrere verschiedene Formen annehmen und können mehrere verschiedene benutzergesteuerte Bedienerschnittstellenmechanismen darauf aufweisen. Beispielsweise können die vom Benutzer aktivierbaren Bedienerschnittstellenmechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. beinhalten. Die vom Benutzer betätigbaren Bedienschnittstellenmechanismen können auch auf unterschiedlichste Weise betätigt werden. Zum Beispiel können die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen über Bedienerschnittstellenmechanismen, wie etwa eine Point-and-Click-Vorrichtung, ein Trackball oder eine Maus, Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenpads usw., eine virtuelle Tastatur oder andere virtuelle Stellglieder betätigt werden. Wenn der Bildschirm, auf dem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen angezeigt werden, ein berührungsempfindlicher Bildschirm ist, können außerdem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen mit Berührungsgesten betätigt werden. Benutzerbetätigbare Bedienerschnittstellenmechanismen können auch mithilfe von Sprachbefehlen mit der Spracherkennungsfunktionalität betätigt werden. Die Spracherkennung kann mithilfe einer Spracherkennungsvorrichtung, wie etwa eines Mikrofons, und einer Software implementiert werden, die dazu dient, Sprache zu erkennen und Befehle basierend auf der empfangenen Sprache auszuführen.A number of user interface displays were also discussed. The displays can take a number of different forms and can have a number of different user controlled operator interface mechanisms thereon. For example, the user-actuable operator interface mechanisms may include text boxes, check boxes, icons, links, drop-down menus, search boxes, and so on. The user actuatable operator interface mechanisms can also be actuated in a variety of ways. For example, the user actuable operator interface mechanisms can be operator interface mechanisms such as a point-and-click device, a trackball or mouse, hardware buttons, switches, a joystick or keyboard, thumb switches or thumbpads, etc., a virtual keyboard or other virtual Actuators are actuated. In addition, when the screen on which the user actuable operator interface mechanisms are displayed is a touch-sensitive screen, the user actuable operator interface mechanisms can be actuated with touch gestures. User actuatable operator interface mechanisms can also be actuated using voice commands with speech recognition functionality. Speech recognition can be implemented using a speech recognition device, such as a microphone, and software operable to recognize speech and execute commands based on the received speech.
Eine Reihe von Datenspeichern wurde ebenfalls erörtert. Es wird darauf hingewiesen, dass die Datenspeicher jeweils in mehrere Datenspeicher aufgeteilt werden können. In einigen Beispielen können einer oder mehrere der Datenspeicher lokal für die auf die Datenspeicher zugreifenden Systeme sein, einer oder mehrere der Datenspeicher können remote von einem den Datenspeicher verwendenden System angeordnet sein, oder ein oder mehrere Datenspeicher können lokal sein, während andere remote sind. All diese Konfigurationen werden durch die vorliegende Offenbarung in Betracht gezogen.A number of data stores were also discussed. It is pointed out that the data stores can each be divided into several data stores. In some examples, one or more of the data stores may be local to systems accessing the data stores, one or more of the data stores may be remote from a system using the data store, or one or more data stores may be local while others are remote. All of these configurations are contemplated by the present disclosure.
Außerdem zeigen die Figuren eine Reihe von Blöcken mit Funktionen, die jedem Block zugeordnet sind. Es wird darauf hingewiesen, dass weniger Blöcke verwendet werden können, um zu veranschaulichen, dass die Funktionalität, die mehreren verschiedenen Blöcken zugewiesen wird, von weniger Komponenten ausgeführt wird. Es können auch mehr Blöcke verwendet werden, die veranschaulichen, dass die Funktionalität auf mehrere Komponenten verteilt sein kann. In verschiedenen Beispielen können einige Funktionen hinzugefügt und einige entfernt werden.In addition, the figures show a series of blocks with functions associated with each block. It is noted that fewer blocks may be used to illustrate that functionality assigned to multiple different blocks is performed by fewer components. More blocks can also be used, illustrating that functionality can be distributed across multiple components. In different examples, some functionality may be added and some may be removed.
Es ist zu beachten, dass die vorstehende Erläuterung eine Vielzahl unterschiedlicher Systeme, Komponenten, Logiken und Interaktionen beschrieben hat. Es versteht sich, dass beliebige oder alle solcher Systeme, Komponenten, Logiken und Interaktionen durch Hardwareelemente, wie etwa Prozessoren, Speicher oder andere Verarbeitungskomponenten, von denen einige im Folgenden beschrieben werden, die die Funktionen ausführen, die mit diesen Systemen, Komponenten Logiken oder Interaktionen verbunden sind, umgesetzt werden können. Darüber hinaus können beliebige oder alle Systeme, Komponenten, Logiken und Interaktionen durch Software implementiert werden, die in einen Speicher geladen werden und anschließend von einem Prozessor oder Server oder einer anderen Rechnerkomponente ausgeführt werden, wie nachfolgend beschrieben. Jedes oder alle Systeme, Komponenten, Logiken und Interaktionen können auch durch verschiedene Kombinationen von Hardware, Software, Firmware usw. umgesetzt werden, von denen einige Beispiele nachfolgend beschrieben werden. Dies sind einige Beispiele für verschiedene Strukturen, die zur Implementierung beliebiger oder aller der oben beschriebenen Systeme, Komponenten, Logiken und Interaktionen verwendet werden können. Es können auch andere Strukturen verwendet werden.It should be noted that the discussion above has described a variety of different systems, components, logic and interactions. It is understood that any or all such systems, components, logic, and interactions are accomplished by hardware elements, such as processors, memory, or other processing components, some of which are described below, that perform the functions associated with such systems, components, logic, or interactions are connected can be implemented. In addition, any or all of the systems, components, logic, and interactions may be implemented by software loaded into memory and then executed by a processor or server or other computing component, as described below. Any or all of the systems, components, logic, and interactions may also be implemented through various combinations of hardware, software, firmware, etc., some examples of which are described below. These are some examples of different structures that can be used to implement any or all of the systems, components, logic, and interactions described above. Other structures can also be used.
In dem in
Es wird auch darauf hingewiesen, dass die Elemente von
In einigen Beispielen kann die Remote-Serverarchitektur 500 Cybersicherheitsmaßnahmen beinhalten. Ohne Einschränkung können diese Maßnahmen eine Verschlüsselung von Daten auf Speichervorrichtungen, eine Verschlüsselung von Daten, die zwischen Netzwerkknoten gesendet werden, eine Authentifizierung von Personen oder Prozessen, die auf Daten zugreifen, sowie die Verwendung von Hauptbüchern zum Aufzeichnen von Metadaten, Daten, Datenübertragungen, Datenzugriffen und Datentransformationen beinhalten. In einigen Beispielen können die Hauptbücher verteilt und unveränderlich sein (z. B. als Blockchain implementiert).In some examples, the remote server architecture 500 may include cyber security measures. Without limitation, these measures may include encryption of data on storage devices, encryption of data sent between network nodes den, authentication of individuals or processes accessing data, and the use of ledgers to record metadata, data, data transfers, data access, and data transformation. In some examples, the ledgers may be distributed and immutable (eg, implemented as a blockchain).
In anderen Beispielen können Anwendungen auf einer entfernbaren „Secure Digital“-(SD-)Karte empfangen werden, die mit einer Schnittstelle 15 verbunden ist. Die Schnittstelle 15 und die Kommunikationsverbindungen 13 kommunizieren mit einem Prozessor 17 (der auch die Prozessoren oder Server aus den anderen FIG. verkörpern kann) über einen Bus 19, der ebenfalls mit dem Speicher 21 und den Ein-/Ausgabekomponenten (E/A) 23 sowie dem Taktgeber 25 und dem Ortungssystem 27 verbunden ist.In other examples, applications may be received on a removable Secure Digital (SD) card connected to an
E/A-Komponenten 23 sind in einem Beispiel vorgesehen, um Ein- und Ausgabeoperationen zu erleichtern. E/A-Komponenten 23 für verschiedene Beispiele des Endgeräts 16 können Eingabekomponenten, wie etwa Tasten, Tastsensoren, optische Sensoren, Mikrofone, Touchscreens, Näherungssensoren, Beschleunigungssensoren, Orientierungssensoren, und Ausgabekomponenten, wie etwa eine Anzeigevorrichtung, ein Lautsprecher und/oder ein Druckeranschluss beinhalten. Es können auch andere E/A-Komponenten 23 verwendet werden.I/
Die Uhr 25 umfasst veranschaulichend eine Echtzeituhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Dieser kann auch, veranschaulichend, Timing-Funktionen für Prozessor 17 bereitstellen.
Das Ortungssystem 27 beinhaltet veranschaulichend eine Komponente, die eine aktuelle geografische Position des Geräts 16 ausgibt. Dies kann beispielsweise einen globalen Positionierungssystem-(GPS-)Empfänger, ein LORAN-System, ein Koppelnavigationssystem, ein zellulares Triangulationssystems oder ein anderes Positionierungssystems beinhalten. Das Ortungssystem 27 kann beispielsweise auch eine Karten- oder Navigationssoftware beinhalten, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen erzeugt.The
Der Speicher 21 speichert das Betriebssystem 29, die Netzwerkeinstellungen 31, die Anwendungen 33, die Anwendungskonfigurationseinstellungen 35, den Datenspeicher 37, die Kommunikationstreiber 39 und die Kommunikationskonfigurationseinstellungen 41. Der Speicher 21 kann alle Arten von greifbaren flüchtigen und nichtflüchtigen computerlesbaren Speichervorrichtungen beinhalten. Der Speicher 21 kann auch Computerspeichermedien beinhalten (siehe unten). Der Speicher 21 speichert computerlesbare Anweisungen, die, wenn sie von Prozessor 17 ausgeführt werden, den Prozessor veranlassen, computerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor 17 kann von anderen Komponenten aktiviert werden, um auch deren Funktionalität zu verbessern.
Es ist zu beachten, dass andere Formen der Vorrichtungen 16 möglich sind.It should be noted that other shapes of
Der Computer 810 beinhaltet typischerweise mehrere computerlesbare Medien. Computerlesbare Medien können beliebige verfügbare Medien sein, auf die der Computer 810 zugreifen kann, und umfassen sowohl flüchtige als auch nichtflüchtige Medien, entfernbare und nicht entfernbare Medien. Beispielsweise und nicht einschränkend können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen. Computerspeichermedien unterscheiden sich von einem modulierten Datensignal oder einer Trägerwelle und beinhalten diese nicht. Computerlesbare Medien umfassen Hardware-Speichermedien mit flüchtigen und nichtflüchtigen, entfernbaren und nicht entfernbaren Medien, die in einem beliebigen Verfahren oder einer Technologie für die Speicherung von Informationen, wie etwa computerlesbaren Befehlen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert sind. Rechenspeichermedien umfassen, aber sie sind nicht beschränkt auf RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologie, CD-ROM, Digitalversatile-Disks (DVD) oder andere optische Plattenspeicher, Magnetkassetten, -bänder, -plattenspeicher oder andere magnetische Speichergeräte oder jedes andere Medium, das verwendet werden kann, um die gewünschte Information zu speichern, auf die über den Rechner 810 zugegriffen werden kann. Kommunikationsmedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus enthalten und umfassen alle Informationslieferungsmedien. Der Begriff „moduliertes Datensignal“ bezeichnet ein Signal, bei dem eine oder mehrere seiner Merkmale so eingestellt oder geändert werden, dass Informationen in dem Signal codiert werden.
Der Systemspeicher 830 beinhaltet Computerspeichermedien in Form eines flüchtigen und/oder nichtflüchtigen Speichers oder beider, wie etwa Festwertspeicher (ROM) 831 und Direktzugriffsspeicher (RAM) 832. Ein grundlegendes Ein-/Ausgabesystem 833 (BIOS), das die grundlegenden Programme enthält, die helfen, Informationen zwischen den Elementen innerhalb des Computers 810 zu übertragen, wie etwa beim Starten, wird typischerweise im ROM 831 gespeichert. Der RAM 832 enthält typischerweise Daten- oder Programmmodule oder beide, die für die Verarbeitungseinheit 820 unmittelbar zugänglich sind und/oder derzeit betrieben werden. Beispielsweise und nicht einschränkend zeigt
Der Computer 810 kann auch andere entfernbare/nicht-entfernbare flüchtige/nichtflüchtige Computerspeichermedien beinhalten. Beispielsweise wird in
Alternativ oder zusätzlich kann die hierin beschriebene Funktionalität mindestens teilweise durch eine oder mehrere Hardware-Logikkomponenten ausgeführt werden. Zu den veranschaulichenden Arten von Hardware-Logikkomponenten, die verwendet werden können, gehören beispielsweise feldprogrammierbare Gate-Arrays (FPGAs), Applikations-spezifische integrierte Schaltungen (z. B. ASICs), Applikations-spezifische Standardprodukte (z. B. ASSPs), System-on-a-Chip-Systeme (SOCs), „Complex Programmable Logic Devices“ (CPLDs) usw.Alternatively or additionally, the functionality described herein may be performed at least in part by one or more hardware logic components. Illustrative types of hardware logic components that may be used include, for example, field-programmable gate arrays (FPGAs), application-specific integrated circuits (e.g., ASICs), off-the-shelf application-specific products (e.g., ASSPs), system -on-a-chip systems (SOCs), "Complex Programmable Logic Devices" (CPLDs), etc.
Die Laufwerke und die dazugehörigen Computerspeichermedien, die vorstehend erläutert und in
Ein Benutzer kann Befehle und Informationen in den Computer 810 über Eingabegeräte, wie etwa eine Tastatur 862, ein Mikrofon 863 und ein Zeigegerät 861, wie etwa eine Maus, einen Trackball oder ein Touchpad, eingeben. Andere Eingabevorrichtungen (nicht dargestellt) können einen Joystick, ein Gamepad, eine Satellitenschüssel, einen Scanner oder dergleichen beinhalten. Diese und andere Eingabegeräte sind oft über eine Benutzereingabeschnittstelle 860 mit der Verarbeitungseinheit 820 verbunden, die mit dem Systembus gekoppelt ist, aber auch über andere Schnittstellen- und Busstrukturen verbunden sein kann. Eine optische Anzeige 891 oder eine andere Art von Anzeigevorrichtung ist ebenfalls über eine Schnittstelle, wie etwa eine Videoschnittstelle 890, mit dem Systembus 821 verbunden. Zusätzlich zum Monitor können Computer auch andere periphere Ausgabevorrichtungen, wie etwa die Lautsprecher 897 und den Drucker 896 beinhalten, die über eine Ausgabeperipherieschnittstelle 895 verbunden werden können.A user may enter commands and information into the
Der Computer 810 wird in einer Netzwerkumgebung über logische Verbindungen (wie etwa CAN, LAN oder WAN) zu einem oder mehreren entfernten Computern, wie etwa einem entfernten Computer 880, betrieben.
Bei Verwendung in einer LAN-Netzwerkumgebung ist der Computer 810 über eine Netzwerkschnittstelle oder einen Adapter 870 mit dem LAN 871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung beinhaltet der Computer 810 typischerweise ein Modem 872 oder andere Mittel zum Aufbauen einer Kommunikation über das WAN 873, wie etwa das Internet. In einer vernetzten Umgebung können Programmmodule auf einer externen Speichervorrichtung gespeichert werden.
Es ist auch zu beachten, dass die verschiedenen hierin beschriebenen Beispiele unterschiedlich kombiniert werden können. Das heißt, Teile eines oder mehrerer Beispiele können mit Teilen eines oder mehrerer anderer Beispiele kombiniert werden. All dies wird hier in Betracht gezogen.It should also be noted that the various examples described herein can be combined in different ways. That is, portions of one or more examples may be combined with portions of one or more other examples. All of these are considered here.
Beispiel 1 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:
- [0142] ein Kommunikationssystem, das eine Vorabinformationskarte empfängt, die Werte einer Bodeneigenschaft beinhaltet, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- [0143] einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
- [0144] einen In-situ-Sensor, der einen Wert eines landwirtschaftlichen Merkmals erkennt, der der geografischen Position entspricht;
- [0145] einen prädiktiven Modellgenerator, der ein prädiktives Modell erzeugt, das eine Beziehung zwischen der Bodeneigenschaft und dem landwirtschaftlichen Merkmal auf Grundlage eines Werts der Bodeneigenschaft in der Vorabinformationskarte an der geografischen Position und des Werts des landwirtschaftlichen Merkmals modelliert, der durch den In-situ-Sensor erfasst wird, der der geografischen Position entspricht; und
- [0146] einen prädiktiven Kartengenerator, der eine funktionelle prädiktive landwirtschaftliche Karte des Feldes erzeugt, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte der Bodeneigenschaft in der Vorabinformationskarte und auf Grundlage des durch den In-situ-Sensor erkannten Werts des landwirtschaftlichen Merkmals auf die verschiedenen geografischen Positionen in dem Feld abbildet.
- [0142] a communication system that receives a preliminary information map that includes values of a ground property that correspond to different geographic positions in a field;
- [0143] a geographic position sensor that detects a geographic position of the agricultural working machine;
- [0144] an in situ sensor that detects a value of an agricultural feature that corresponds to the geographic location;
- a predictive model generator that generates a predictive model that models a relationship between the soil property and the agricultural feature based on a value of the soil property in the prior information map at the geographic position and the value of the agricultural feature obtained by the in situ -sensor is detected that corresponds to the geographic position; and
- a predictive map generator that generates a functional predictive agricultural map of the field that applies predictive values of the agricultural feature based on the values of the soil property in the preliminary information map and based on the value of the agricultural feature detected by the in situ sensor on the different geographical positions in the field.
Beispiel 2 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der prädiktive Kartengenerator die funktionelle prädiktive landwirtschaftliche Karte für den Verbrauch durch ein Steuersystem konfiguriert, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.Example 2 is the agricultural work machine of any or all of the preceding examples, wherein the predictive map generator configures the functional predictive agricultural map for consumption by a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural map .
Beispiel 3 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor Folgendes umfasst:
- Einen Bildsensor, der konfiguriert ist, um ein Bild zu erfassen, das das landwirtschaftliche Merkmal anzeigt.
- An image sensor configured to capture an image indicative of the agricultural feature.
Beispiel 4 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der Bildsensor ausgerichtet ist, um ein Bild mindestens eines Abschnitts des Feldes zu erkennen, und ferner Folgendes umfasst:
- Ein Bildverarbeitungssystem, das konfiguriert ist, um das Bild zu verarbeiten, um den Wert des landwirtschaftlichen Merkmals in dem Bild zu identifizieren, das das landwirtschaftliche Merkmal angibt.
- An image processing system configured to process the image to identify the value of the agricultural feature in the image indicative of the agricultural feature.
Beispiel 5 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Nicht-Maschinenmerkmals, das dem geografischen Standort entspricht, als Wert des landwirtschaftlichen Merkmals zu erkennen.Example 5 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor on the agricultural work machine is configured to recognize a non-machine feature value corresponding to the geographic location as the agricultural feature value.
Beispiel 6 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte der Bodeneigenschaft Werte eines Bodentyps, der den verschiedenen geografischen Positionen in dem Feld entspricht, beinhaltet, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem Bodentyp und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Werts des Bodens in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Wert des Bodentyps als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 6 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes, as soil property values, values of a soil type corresponding to the various geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the soil type and identify the non-machine feature based on the value of the non-machine feature detected by the in situ sensor corresponding to the geographic location and the value of the soil in the advance information map at the geographic location, configuring the predictive feature model to receive a value of the soil type as a model input and to generate a predictive value of the non-machine feature as a model output based on the identified relationship.
Beispiel 7 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte der Bodeneigenschaft Werte einer Bodenfeuchtigkeit beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen der Bodenfeuchtigkeit und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Werts der Bodenfeuchtigkeit in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Wert der Bodenfeuchtigkeit als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 7 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes, as values of the soil property, values of soil moisture corresponding to various geographic positions in the field, and wherein the predictive model generator is configured to generate a relationship between the soil moisture and the identify the non-machine feature based on the value of the non-machine feature detected by the in situ sensor corresponding to the geographic location and the value of soil moisture in the advance information map at the geographic location, wherein the predictive feature model is configured to receive a value of soil moisture as a model input and to generate a predictive value of the non-machine attribute as a model output based on the identified relationship.
Beispiel 8 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Maschinenmerkmals, der dem geografischen Standort entspricht, als Wert des landwirtschaftlichen Merkmals zu erkennen.Example 8 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor on the agricultural work machine is configured to recognize a value of a machine feature that corresponds to the geographic location as a value of the agricultural feature.
Beispiel 9 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte der Bodeneigenschaft Werte eines Bodentyps beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem Bodentyp und dem Maschinenmerkmal auf Grundlage des Werts des Maschinenmerkmalwerts, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Werts des Bodentyps in der vorherigen Informationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Wert des Bodentyps als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 9 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes, as soil property values, values of a soil type corresponding to various geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the soil type and the identify a machine feature based on the value of the machine feature value detected by the in situ sensor corresponding to the geographic location and the value of the soil type in the prior information map at the geographic location, wherein the predictive feature model is configured to receive a soil type value as a model input; and generate a predictive machine feature value as a model output based on the identified relationship.
Beispiel 10 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte der Bodeneigenschaft Werte einer Bodenfeuchtigkeit beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen der Bodenfeuchtigkeit und dem Maschinenmerkmal auf Grundlage des Werts des Maschinenmerkmals, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Werts der Bodenfeuchtigkeit in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Wert der Bodenfeuchtigkeit als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 10 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes, as values of the soil property, values of soil moisture corresponding to various geographic locations in the field, and wherein the predictive model generator is configured to generate a relationship between the soil moisture and the identify a machine feature based on the value of the machine feature detected by the in situ sensor corresponding to the geographic location and the value of soil moisture in the advance information map at the geographic location, wherein the predictive feature model is configured to generate a value of soil moisture as a model input; and generating a predictive value of the machine attribute as a model output based on the identified relationship.
Beispiel 11 ist ein computerimplementiertes Verfahren zum Erzeugen einer funktionellen prädiktiven landwirtschaftlichen Karte, umfassend:
- Empfangen einer Vorabinformationskarte in einer landwirtschaftlichen Arbeitsmaschine, die Werte einer Bodeneigenschaft beinhaltet, die verschiedenen geografischen Positionen in einem Feld entspricht;
- Erfassen einer geografischen Position der landwirtschaftlichen Arbeitsmaschine;
- Erkennen eines Werts eines landwirtschaftlichen Merkmals mit einem In-situ-Sensor, der der geografischen Position entspricht;
- Erzeugen eines prädiktiven Modells, das eine Beziehung zwischen der Bodeneigenschaft und dem landwirtschaftlichen Merkmal modelliert; und
- Steuern eines prädiktiven Kartengenerators, um die funktionelle prädiktive landwirtschaftliche Karte des Feldes zu erzeugen, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte der Bodeneigenschaft in der Vorabinformationskarte und auf Grundlage des durch den In-situ-Sensor erkannten Werts des landwirtschaftlichen Merkmals auf die verschiedenen geografischen Positionen in dem Feld abbildet.
- receiving, at an agricultural work machine, a preliminary information map that includes values of a soil property corresponding to various geographic locations in a field;
- detecting a geographical position of the agricultural working machine;
- detecting a value of an agricultural feature with an in situ sensor that corresponds to the geographic location;
- creating a predictive model that models a relationship between the soil property and the agricultural trait; and
- Controlling a predictive map generator to generate the functional predictive agricultural map of the field which assigns predictive values of the agricultural feature based on the values of the soil property in the preliminary information map and based on the value of the agricultural feature detected by the in situ sensor to the different geographical positions in the field.
Beispiel 12 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, ferner umfassend:
- Konfigurieren der funktionellen prädiktiven landwirtschaftlichen Merkmalkarte für ein Steuersystem, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Merkmalkarte zu steuern.
- configuring the functional predictive agricultural feature map for a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural feature map.
Beispiel 13 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erkennen eines Werts des landwirtschaftlichen Merkmals mit einem In-situ-Sensor das Erkennen eines Werts eines Nicht-Maschinenmerkmals umfasst, das der geografischen Position entspricht.Example 13 is the computer-implemented method of any or all of the preceding examples, wherein detecting a value of the agricultural feature with an in situ sensor includes detecting a value of a non-machine feature that corresponds to the geographic location.
Beispiel 14 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven Modells Folgendes umfasst:
- Identifizieren einer Beziehung zwischen der Bodeneigenschaft und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position und dem Wert der Bodeneigenschaft entspricht, in der Vorabinformationskarte an der geografischen Position; und
- Steuern eines prädiktiven Modellgenerators, um das prädiktive Modell zu erzeugen, das einen Wert einer Bodeneigenschaft als eine Modelleingabe empfängt und einen prädiktiven Wert des Nicht-Maschinenmerkmals als die Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.
- identifying a relationship between the ground property and the non-machine feature based on the value of the non-machine feature detected by the in situ sensor corresponding to the geographic location and the value of the ground property in the advance information map at the geographic location; and
- controlling a predictive model generator to generate the predictive model that receives a value of a soil property as a model input and generates a predictive value of the non-machine feature as the model output based on the identified relationship.
Beispiel 15 ist der implementierte Computer eines oder aller vorhergehenden Beispiele, wobei das Erkennen eines Werts des landwirtschaftlichen Merkmals mit einem In-situ-Sensor das Erkennen eines Werts eines Maschinenmerkmals umfasst, die der geografischen Position entspricht.Example 15 is the computer implemented of any or all of the preceding examples, wherein detecting a value of the agricultural feature with an in situ sensor includes detecting a value of a machine feature that corresponds to the geographic location.
Beispiel 16 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven Modells Folgendes umfasst:
- Identifizieren einer Beziehung zwischen der Bodeneigenschaft und dem Maschinenmerkmal auf Grundlage des Werts des Maschinenmerkmals, der durch den In-situ-Sensor erkannt wird, der der geografischen Position und dem Wert der Bodeneigenschaft entspricht, in der Vorabinformationskarte an der geografischen Position; und
- Steuern eines prädiktiven Modellgenerators, um das prädiktive Modell zu erzeugen, das einen Wert einer Bodeneigenschaft als eine Modelleingabe empfängt und einen prädiktiven Wert des Maschinenmerkmals als die Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.
- identifying a relationship between the ground property and the machine feature based on the value of the machine feature detected by the in situ sensor that corresponds to the geographic location and the value of the ground property in the advance information map at the geographic location; and
- controlling a predictive model generator to generate the predictive model that receives a value of a soil property as a model input and generates a predictive value of the machine feature as the model output based on the identified relationship.
Beispiel 17 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispielen, ferner umfassend:
- Steuern eines Bedienerschnittstellenmechanismus, um die funktionelle prädiktive landwirtschaftliche Karte darzustellen.
- Controlling an operator interface mechanism to present the functional predictive agricultural map.
Beispiel 18 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:
- ein Kommunikationssystem, das eine Bodeneigenschaftskarte empfängt, die Bodeneigenschaftswerte angibt, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
- einen In-situ-Sensor, der einen landwirtschaftlichen Merkmalwert erkennt, der der geografischen Position entspricht;
- einen prädiktiven Modellgenerator, der ein prädiktives Modell erzeugt, das eine Beziehung zwischen den Bodeneigenschaftswerten und dem landwirtschaftlichen Merkmalwert auf Grundlage eines Bodeneigenschaftswerts in der Vorabinformationskarte an der geografischen Position und des Werts des landwirtschaftlichen Merkmals identifiziert, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht; und
- einen prädiktiven Kartengenerator, der eine funktionelle prädiktive landwirtschaftliche Karte des Feldes erzeugt, die prädiktive landwirtschaftliche Merkmalwerte auf Grundlage der Bodeneigenschaftswerte in der Vorabinformationskarte und auf Grundlage des prädiktiven Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.
- a communication system that receives a soil property map that indicates soil property values that correspond to various geographic locations in a field;
- a geographic position sensor that detects a geographic position of the agricultural working machine;
- an in situ sensor that detects an agricultural feature value that corresponds to the geographic location;
- a predictive model generator that generates a predictive model that identifies a relationship between the soil property values and the agricultural feature value based on a soil property value in the advance information map at the geographic position and the value of the agricultural feature detected by the in situ sensor, which corresponds to the geographic position; and
- a predictive map generator that generates a functional predictive agricultural map of the field that includes predictive agricultural trait values based on the Maps soil property values in the pre-information map and based on the predictive model to the different geographical positions in the field.
Beispiel 19 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Bodeneigenschaftswerte Bodentypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Bodentypwerten und dem landwirtschaftlichen Merkmalwert auf Grundlage des landwirtschaftlichen Merkmalwerts, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Bodentypwerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Modell konfiguriert ist, um einen Bodentypwert als eine Modelleingabe zu empfangen und einen prädiktiven landwirtschaftlichen Merkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 19 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes as soil property values soil type values corresponding to various geographic locations in the field, and wherein the predictive model generator is configured to base a relationship between the soil type values and the agricultural feature value identify the agricultural feature value detected by the in situ sensor corresponding to the geographic location and the soil type value in the advance information map at the geographic location, the predictive model being configured to receive a soil type value as a model input and generate a predictive agricultural characteristic value as a model output based on the identified relationship.
Beispiel 20 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Bodeneigenschaftswerte Bodenfeuchtigkeitswerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen Bodenfeuchtigkeitswerten und dem landwirtschaftlichen Merkmalwert auf Grundlage des landwirtschaftlichen Merkmalwerts, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Bodenfeuchtigkeitswerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Modell konfiguriert ist, um einen Bodenfeuchtigkeitswert als eine Modelleingabe zu empfangen und einen prädiktiven landwirtschaftlichen Merkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 20 is the agricultural work machine of any or all of the preceding examples, wherein the preliminary information map includes, as soil property values, soil moisture values corresponding to various geographic locations in the field, and wherein the predictive model generator is configured to generate a relationship between soil moisture values and the agricultural feature value based on the agricultural feature value detected by the in situ sensor corresponding to the geographic location and the soil moisture value in the advance information map at the geographic location, the predictive model being configured to receive a soil moisture value as a model input and a generate predictive agricultural feature value as a model output based on the identified relationship.
Obwohl der Gegenstand in einer für strukturelle Merkmale oder methodische Handlungen spezifischen Sprache beschrieben wurde, versteht es sich, dass der in den beigefügten Ansprüchen definierte Gegenstand nicht unbedingt auf die vorstehend beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die vorstehend beschriebenen Besonderheiten und Handlungen als exemplarische Formen der Ansprüche offengelegt.Although the subject matter has been described in language specific to structural features or methodical acts, it should be understood that the subject matter defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the features and acts described above are disclosed as example forms of the claims.
Claims (15)
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/066,444 | 2020-10-08 | ||
US17/066,444 US20210243951A1 (en) | 2020-02-06 | 2020-10-08 | Machine control using a predictive map |
US17/067,161 | 2020-10-09 | ||
US17/067,161 US11895948B2 (en) | 2020-10-09 | 2020-10-09 | Predictive map generation and control based on soil properties |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021119842A1 true DE102021119842A1 (en) | 2022-04-14 |
Family
ID=80818272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021119842.9A Pending DE102021119842A1 (en) | 2020-10-08 | 2021-07-30 | PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021119842A1 (en) |
-
2021
- 2021-07-30 DE DE102021119842.9A patent/DE102021119842A1/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020204464A1 (en) | MACHINE CONTROL USING A REAL-TIME MODEL | |
DE102020204462A1 (en) | ZONAL MACHINE CONTROL | |
DE102020204478A1 (en) | MACHINE CONTROL USING A REAL-TIME MODEL | |
DE102020204363A1 (en) | IMAGE SELECTION FOR MACHINE CONTROL | |
DE102016215197A1 (en) | Use and path planning using images of crop wind damage | |
DE102021200028A1 (en) | AGRICULTURAL HARVESTER WITH PREHEATING WEED DETECTION AND COLLECTION SYSTEM | |
DE102021126413A1 (en) | AGRICULTURAL CHARACTERISTICS, CONFIDENCE AND CONTROL | |
US11895948B2 (en) | Predictive map generation and control based on soil properties | |
DE102021120069A1 (en) | PREDICTIVE SPEED MAP GENERATION AND CONTROL SYSTEM | |
EP4245117A1 (en) | Systems and methods for predictive reel control | |
US20210029878A1 (en) | Predictive map generation and control | |
DE102021124364A1 (en) | CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM | |
DE102022124448A1 (en) | PREDICTIVE RESPONSE MAP GENERATION AND CONTROL SYSTEM | |
DE102022123724A1 (en) | CROP COMPONENT DETECTION | |
DE102021124715A1 (en) | CROP CONSTITUENT CARD GENERATION AND CONTROL SYSTEM | |
DE102022100945A1 (en) | MACHINE CONTROL USING A MAP WITH REGIME ZONES | |
DE102021119856A1 (en) | MACHINE CONTROL USING A PREDICTIVE SPEED MAP | |
DE102021101230A1 (en) | Generation of predictive machine property maps and control system | |
DE102021124212A1 (en) | Machine control using a predictive map | |
DE102021119643A1 (en) | CROP STATE CARD GENERATION AND CONTROL SYSTEM | |
DE102022122389A1 (en) | FARM MACHINE CONTROL USING WORK QUALITY BASED ON SIN-SITU WORKFLOW CAPTURE | |
DE102021119842A1 (en) | PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES | |
DE102022203349A1 (en) | ROW RECOGNITION OPERATIONS WITH CONTEXT DETECTION | |
DE102021120197A1 (en) | Predictive map generation based on seeding traits and control | |
DE102021123055A1 (en) | PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |