DE102021124364A1 - CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM - Google Patents
CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM Download PDFInfo
- Publication number
- DE102021124364A1 DE102021124364A1 DE102021124364.5A DE102021124364A DE102021124364A1 DE 102021124364 A1 DE102021124364 A1 DE 102021124364A1 DE 102021124364 A DE102021124364 A DE 102021124364A DE 102021124364 A1 DE102021124364 A1 DE 102021124364A1
- Authority
- DE
- Germany
- Prior art keywords
- map
- predictive
- agricultural
- crop moisture
- crop
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
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, Forstmaschinen, Baumaschinen und Rasenpflegemaschinen.The present description relates to agricultural machines, forestry machines, construction machines and lawn care 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 Erntevorsätzen 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.
Eine Vielzahl unterschiedlicher Bedingungen in Feldern haben eine Reihe von nachteiligen Auswirkungen auf den Erntevorgang. Daher kann ein Bediener versuchen, die Steuerung der Erntemaschine zu modifizieren, wenn er während eines Erntevorgangs auf solche Bedingungen trifft.A variety of different field conditions have a number of adverse effects on the harvesting process. Therefore, an operator may attempt to modify the controls of the harvester when encountering such conditions during a harvesting operation.
KURZDARSTELLUNGEXECUTIVE SUMMARY
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 für ein Beispiel einer landwirtschaftlichen Erntemaschine.1 12 is a partially pictorial, partially schematic representation of an example agricultural 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. -
4 ist ein Blockdiagramm, das ein Beispiel für einen prädiktiven Modellgenerator und einen prädiktiven Kartengenerator zeigt.4 Figure 12 is a block diagram showing an example of a predictive model generator and a predictive map generator. -
5 ist ein Flussdiagramm, das ein Beispiel für einen Betrieb einer landwirtschaftlichen Erntemaschine beim Empfangen einer Karte zeigt, Erkennen eines In-situ-Merkmals und Erzeugen einer funktionellen prädiktiven Karte zur Präsentation oder Verwendung beim Steuern der landwirtschaftlichen Erntemaschine während eines Erntevorgangs oder beidem.5 12 is a flowchart showing an example of an operation of an agricultural harvester in receiving a map, detecting an in situ feature, and generating a functional predictive map for presentation or use in controlling the agricultural harvester during a harvesting operation, or both. -
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. Jegliche 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. Any alterations and further modifications to the described devices, systems, methods, and any further application of the principles of the present disclosure are fully contemplated as would normally occur to those skilled in the art to which the disclosure pertains. In particular, it is fully 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 present disclosure.
Die vorliegende Beschreibung bezieht sich auf die Verwendung von In-situ-Daten, die gleichzeitig mit einem landwirtschaftlichen Vorgang in Kombination mit vorherigen Daten aufgenommen wurden, um eine funktionelle prädiktive Karte und insbesondere eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen. In einigen Beispielen kann die funktionelle prädiktive Erntegutfeuchtigkeitskarte verwendet werden, um eine landwirtschaftliche Arbeitsmaschine, wie etwa eine landwirtschaftliche Erntemaschine, zu steuern. Die Leistung einer landwirtschaftlichen Erntemaschine kann beeinträchtigt werden, wenn die landwirtschaftliche Erntemaschine in Bereiche mit unterschiedlicher Erntegutfeuchtigkeit eintritt, es sei denn, die Maschineneinstellungen werden ebenfalls geändert. Zum Beispiel kann sich die landwirtschaftliche Erntemaschine in einem Bereich mit verringerter Erntegutfeuchtigkeit schnell über den Boden bewegen und Material mit einer erhöhten Vorschubgeschwindigkeit durch die Maschine bewegen. Beim Auftreffen auf einen Bereich erhöhter Erntegutfeuchtigkeit kann die Geschwindigkeit der landwirtschaftlichen Erntemaschine über dem Boden abnehmen, wodurch die Zufuhrrate in die landwirtschaftliche Erntemaschine verringert wird, oder die landwirtschaftliche Erntemaschine kann verstopfen, Korn verlieren oder andere Probleme erfahren. Beispielsweise können Bereiche eines Feldes mit erhöhter Erntegutfeuchtigkeit Erntegutpflanzen mit anderen physikalischen Strukturen aufweisen als in Bereichen des Feldes mit verringerter Erntegutfeuchtigkeit. Beispielsweise können einige Pflanzen in Bereichen mit erhöhter Erntegutfeuchtigkeit dickere Stängel, breitere Blätter, größere oder mehr Köpfe usw. aufweisen. In anderen Beispielen können Bereiche eines Feldes mit erhöhter Erntegutfeuchtigkeit aufgrund der erhöhten Masse der Erntegutpflanzen wegen ihres Feuchtigkeitsgehalts Erntegutpflanzen mit einem höheren Biomassewert aufweisen. Diese Variationen der Pflanzenstruktur in Bereichen mit unterschiedlicher Erntegutfeuchtigkeit können auch dazu führen, dass die Leistung der landwirtschaftlichen Erntemaschine variiert, wenn sich die landwirtschaftliche Erntemaschine durch Bereiche mit unterschiedlicher Erntegutfeuchtigkeit bewegt.The present description relates to the use of in situ data acquired concurrently with a farming operation in combination with previous data to produce a functional predictive map and in particular to generate a functional predictive crop moisture map. In some examples, the functional predictive crop moisture map may be used to control an agricultural work machine, such as an agricultural harvester. The performance of an agricultural harvester can be affected when the agricultural harvester enters areas of differing crop moisture unless the machine settings are also changed. For example, in an area of reduced crop moisture, the agricultural harvesting machine may be moving rapidly over the ground and moving material through the machine at an increased feed rate. Upon encountering an area of increased crop moisture, the above ground speed of the agricultural harvester may decrease, thereby reducing the feed rate into the agricultural harvester, or the agricultural harvester may clog, lose grain, or experience other problems. For example, areas of a field with increased crop moisture may have crop plants with different physical structures than areas of the field with reduced crop moisture. For example, in areas of increased crop moisture, some plants may have thicker stems, broader leaves, larger or more heads, etc. In other examples, areas of a field with increased crop moisture due to increased mass of crop plants may have crop plants with a higher biomass value due to their moisture content. These variations in plant structure in areas of different crop moisture may also cause the performance of the agricultural harvester to vary as the agricultural harvester moves through areas of different crop moisture.
Eine vegetative Indexkarte bildet veranschaulichend vegetative Indexwerte, die auf vegetatives Wachstum hinweisen können, über verschiedene geografische Positionen in einem Feld von Interesse ab. Ein Beispiel eines vegetativen Index beinhaltet einen normalisierten Differenzvegetationsindex (NDVI). Es gibt viele andere vegetative Indizes und alle diese vegetativen Indizes liegen innerhalb des Umfangs der vorliegenden Offenbarung. In einigen Beispielen kann ein vegetativer Index aus Sensormesswerten eines oder mehrerer Bänder elektromagnetischer Strahlung abgeleitet werden, die von den Pflanzen reflektiert werden. Ohne Einschränkungen können diese Bänder im Mikrowellen-, Infrarot-, sichtbaren oder ultravioletten Teil des elektromagnetischen Spektrums liegen.A vegetative index map illustratively maps vegetative index values, which may be indicative of vegetative growth, across various geographic locations in a field of interest. An example of a vegetative index includes a normalized difference vegetative index (NDVI). There are many other vegetative indices and all such vegetative indices are within the scope of the present disclosure. In some examples, a vegetative index may be derived from sensor readings of one or more bands of electromagnetic radiation reflected from the plants. Without limitation, these bands can be in the microwave, infrared, visible, or ultraviolet portions of the electromagnetic spectrum.
Eine vegetative Indexkarte kann somit verwendet werden, um das Vorhandensein und die Position der Vegetation zu identifizieren. In einigen Beispielen ermöglicht eine vegetative Indexkarte, dass Erntegut in Gegenwart von nacktem Boden, Erntegutrückständen oder anderen Pflanzen, einschließlich Erntegut oder Unkraut, identifiziert und georeferenziert werden. Zum Beispiel kann der vegetative Index zu Beginn einer Wachstumsperiode, wenn sich ein Erntegut in einem Wachstumszustand befindet, den Fortschritt der Entwicklung des Ernteguts anzeigen. Wenn daher eine vegetative Indexkarte zu Beginn der Wachstumsperiode oder in der Mitte der Wachstumsperiode erstellt wird, kann die vegetative Indexkarte den Fortschritt der Entwicklung der Erntegutpflanzen anzeigen. Zum Beispiel kann die vegetative Indexkarte angeben, ob die Pflanze unterentwickelt ist, ob ein ausreichender Bewuchs aufgebaut wurde oder ob andere Pflanzenattribute auf die Pflanzenentwicklung hinweisen.A vegetative index map can thus be used to identify the presence and location of vegetation. In some examples, a vegetative index map allows crops to be identified and georeferenced in the presence of bare soil, crop residue, or other vegetation, including crops or weeds. For example, at the beginning of a growing season, when a crop is in a state of growth, the vegetative index can indicate the progress of development of the crop. Therefore, if a vegetative index map is made at the beginning of the growing season or in the middle of the growing season, the vegetative index map can indicate the progress of development of the crop plants. For example, the vegetative index map can indicate whether the plant is underdeveloped, whether an adequate cover has been established, or whether other plant attributes are indicative of plant development.
Eine topographische Karte bildet veranschaulichend Höhen des Bodens über verschiedene geografische Positionen in einem Feld von Interesse ab. Da die Bodenneigung eine Höhenänderung anzeigt, ermöglicht das Bereitstellen von zwei oder mehr Höhenwerten die Berechnung der Neigung über die Bereiche mit bekannten Höhenwerten. Eine größere Granularität der Neigung kann erreicht werden, indem mehr Bereiche mit bekannten Höhenwerten bereitgestellt werden. Wenn eine landwirtschaftliche Erntemaschine in bekannte Richtungen über das Gelände fährt, können die Neigung und das Rollen der landwirtschaftlichen Erntemaschine basierend auf der Neigung des Bodens (d. h. Bereichen mit wechselnder Höhe) bestimmt werden. Topographische Merkmale, auf die nachstehend Bezug genommen wird, können unter anderem die Höhe, die Neigung (z. B. einschließlich der Maschinenausrichtung relativ zur Neigung) und das Bodenprofil (z. B. Unebenheit) beinhalten.A topographic map illustratively maps elevations of the ground across various geographic locations in a field of interest. Since ground slope indicates a change in elevation, providing two or more elevation values allows the slope to be calculated over the areas of known elevation values. Greater granularity of slope can be achieved by providing more regions with known elevation values. As an agricultural harvester travels over the terrain in known directions, the pitch and roll of the agricultural harvester can be determined based on the slope of the ground (i.e., areas of varying elevation). Topographical features, referred to below, may include, but are not limited to, elevation, slope (e.g., including machine orientation relative to the slope), and soil profile (e.g., unevenness).
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 Sandboden, Tonboden, Schlammboden, Torfboden, Kreideboden, Lehmboden und verschiedene andere Bodentypen beinhalten. Die Bodenfeuchtigkeit kann sich auf die Menge an Wasser beziehen, die im Boden gespeichert oder anderweitig enthalten ist. Die Bodenfeuchtigkeit kann auch als Bodennässe bezeichnet werden. Die Bodenbedeckung kann sich auf die Menge an Elementen oder Materialien beziehen, die den Boden bedecken, einschließlich Vegetationsmaterial, wie etwa Erntegutrückstände oder Zwischenfrüchte, Schmutz sowie verschiedene andere Elemente oder Materialien. Im Allgemeinen beinhaltet die Bodenbedeckung in landwirtschaftlicher Hinsicht ein Maß von verbleibenden Erntegutrückständen, wie eine verbleibende Masse von Pflanzenstängeln, sowie ein Maß an Zwischenfrüchten. 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 umfassen, wie einzelne Partikel, wie etwa einzelne Sand-, Schlamm- und Tonpartikel, zusammengefügt sind. 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, mud soil, peat soil, chalky soil, clay soil, and various other soil types. Soil moisture can refer to the amount of water stored or otherwise contained in the soil. The floor humidity can also be referred to as soil wetness. Land cover may refer to the amount of elements or materials that cover the ground, including vegetation material such as crop residues or cover crops, dirt, and various other elements or materials. Generally, in agricultural terms, land cover includes a measure of residual crop residues, such as a remaining mass of plant stems, as well as a measure 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 manner in which individual particles, such as individual sand, mud and clay particles, 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 the soil can be mapped as soil property values on a soil property map.
Diese Bodeneigenschaftskarten können auf Grundlage von Daten erzeugt werden, die während eines anderen Vorgangs erfasst wurden, der dem Feld von Interesse entspricht, beispielsweise vorhergehende landwirtschaftliche Vorgänge in derselben Saison, wie Pflanzvorgänge oder Sprühvorgänge, sowie vorhergehende landwirtschaftliche Vorgänge, die in vergangenen Jahreszeiten durchgeführt wurden, wie beispielsweise eines vorherigen Erntevorgangs. Die landwirtschaftlichen Maschinen, die diese landwirtschaftlichen Vorgänge durchführen, können bordeigene Sensoren aufweisen, die Merkmale erkennen, die Bodeneigenschaften angeben, zum Beispiel Merkmale, die Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung, Bodenstruktur angeben, sowie verschiedene andere Merkmale, die verschiedene andere Bodeneigenschaften angeben. 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, and previous farming operations performed in past seasons, such as a previous harvest. The agricultural machines that perform these agricultural operations may have on-board sensors that recognize features indicative of soil properties, for example features indicative of soil type, soil moisture, soil cover, soil structure, and various other features indicative of various other soil properties.
Zusätzlich können Betriebsmerkmale, Maschineneinstellungen oder Maschinenleistungsmerkmale der landwirtschaftlichen Maschinen während vorheriger 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 Bodenfeuchtekarte zu erzeugen. Zum Beispiel kann durch Kenntnis der Höhe des Erntevorsatzes die Menge an verbleibenden Pflanzenrückständen, wie etwa Erntegutstängeln, bekannt sein oder geschätzt werden und zusammen mit Niederschlagsdaten kann der Bodenfeuchtigkeitsgrad vorhergesagt werden. Dies ist nur ein Beispiel.In addition, 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 reflecting weather conditions such as precipitation data or wind data during a transition period (such as the period from the time of previous harvesting process 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 together with precipitation data, the soil moisture level 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 Bildgebungssysteme, 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 erzeugt 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 Betriebsleiter, der verschiedene Daten bereitstellen kann, die vom Benutzer oder Bediener gesammelt 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 image data. 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 an operations manager, who may provide various data collected or observed by the user or operator.
Darüber hinaus kann die Bodeneigenschaftskarte 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 soil property 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.
Eine historische Erntegutfeuchtigkeitskarte bildet veranschaulichend Erntegutfeuchtigkeitswerte über verschiedene geografische Positionen in einem oder mehreren Feldern von Interesse ab. Diese historischen Erntegutfeuchtigkeitskarten werden aus früheren Erntevorgängen auf dem oder den Feldern gesammelt. Eine Erntegutfeuchtigkeitskarte kann Erntegutfeuchtigkeit in Erntegutfeuchtigkeitswerteinheiten anzeigen. Ein Beispiel einer Erntegutfeuchtigkeitswerteinheit beinhaltet einen numerischen Wert, wie etwa einen Prozentsatz. In einem anderen Beispiel kann die Erntegutfeuchtigkeitswerteinheit jedoch auf verschiedene andere Weise ausgedrückt werden, wie etwa einen Pegelwert, zum Beispiel „hoch, mittel, niedrig“ oder „hoch, normal/erwünscht/erwartet, niedrig“ sowie verschiedene andere Ausdrücke. In einigen Beispielen kann eine historische Erntegutfeuchtigkeitskarte aus Sensormesswerten eines oder mehrerer Erntegutfeuchtigkeitssensoren abgeleitet werden. Ohne Einschränkung können diese Erntegutfeuchtigkeitssensoren unter anderem einen Kapazitätssensor, einen Mikrowellensensor oder einen Leitfähigkeitssensor beinhalten. In einigen Beispielen kann der Erntegutfeuchtigkeitssensor ein oder mehrere Bänder elektromagnetischer Strahlung zum Erkennen der Erntegutfeuchtigkeit verwenden.A historical crop moisture map illustratively maps crop moisture values across various geographic locations in one or more fields of interest. These historical crop moisture maps are from previous harvesting operations on the field or fields collected. A crop moisture map may display crop moisture in crop moisture value units. An example of a crop moisture value unit includes a numeric value, such as a percentage. However, in another example, the crop moisture value unit may be expressed in various other ways, such as a level value, for example “high, medium, low” or “high, normal/desired/expected, low” as well as various other expressions. In some examples, a historical crop moisture map may be derived from sensor readings from one or more crop moisture sensors. Without limitation, these crop moisture sensors may include, but are not limited to, a capacitance sensor, a microwave sensor, or a conductivity sensor. In some examples, the crop moisture sensor may use one or more bands of electromagnetic radiation to detect crop moisture.
Die vorliegende Erörterung fährt somit in Bezug auf Beispiele fort, in denen ein System eine oder mehrere von einer historischen Erntegutfeuchtigkeitskarte eines Feldes, einer vegetativen Indexkarte, einer topographischen Karte, einer Bodeneigenschaftskarte oder einer Karte empfängt, die während eines Vorabbetriebs erzeugt wurde, und außerdem einen In-situ-Sensor verwendet, um ein Merkmal als eine Variable zu erkennen, die Erntegutfeuchtigkeit während eines Erntevorgangs angibt. Das System erzeugt ein Modell, das eine Beziehung zwischen den historischen Erntegutfeuchtigkeitswerten, den vegetativen Indexwerten, den topographischen Merkmalswerten oder Bodeneigenschaftswerten aus einer oder mehreren der empfangenen Karten und den In-situ-Daten von dem In-situ-Sensor modelliert. Das Modell wird verwendet, um eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen, die die Erntegutfeuchtigkeit in dem Feld vorhersagt. Die funktionelle prädiktive Erntegutfeuchtigkeitskarte, 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. In einigen Beispielen bildet die vom System empfangene Karte Werte anderer Merkmale als Erntegutfeuchtigkeit ab (z. B. „Nicht-Erntegutfeuchtigkeitswerte“), wie etwa vegetative Indexwerte, topographische Merkmalswerte oder Bodeneigenschaftswerte. In einigen Beispielen bildet die vom System empfangene Karte historische Werte der Erntegutfeuchtigkeit ab.The present discussion thus continues with respect to examples in which a system receives one or more of a historical crop moisture map of a field, a vegetative index map, a topographic map, a soil feature map, or a map generated during a preliminary operation, and also a In situ sensor used to recognize a trait as a variable indicative of crop moisture during a harvesting operation. The system creates a model that models a relationship between the historical crop moisture values, vegetative index values, topographical feature values, or soil property values from one or more of the received maps and the in situ data from the in situ sensor. The model is used to generate a functional predictive crop moisture map that predicts crop moisture in the field. The functional predictive crop moisture 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. In some examples, the map received by the system depicts values of characteristics other than crop moisture (e.g., “non-crop moisture values”), such as vegetative index values, topographical feature values, or soil property values. In some examples, the map received from the system depicts historical values of crop moisture.
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 Dreschwerk 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 sehen veranschaulichend ein Ausgabesignal vor, das die Menge des Kornverlustes anzeigt, die 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.The
Der Abscheider-Verlustsensor 148 liefert ein Signal, das den Kornverlust im linken und rechten Abscheider anzeigt, die 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 Oszillation 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 Siebkasten-Gebläsedrehzahlsensor, um die Geschwindigkeit des Reinigungsgebläses 120 zu erfassen; einen konkaven Spaltensensor, der den Spalt zwischen dem Rotor 112 und den Dreschkörben 114 erfasst; einen Dreschrotor-Drehzahlsensor, der eine Rotordrehzahl des Rotors 112 erfasst; einen Häckselspaltensensor, der die Größe der Öffnungen in dem Häcksler 122 erfasst; einen Siebspaltsensor, der die Größe der Öffnungen in dem 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 konfiguriert sind, um verschiedene konfigurierbare Einstellungen der landwirtschaftlichen Erntemaschine 100 zu erfassen; einen Maschinenausrichtungssensor, der die Ausrichtung der landwirtschaftlichen Erntemaschine 100 erfasst; und Ernteguteigenschaftssensoren, die eine Vielzahl verschiedener Arten von Ernteguteigenschaften erfassen, wie etwa die Art des Ernteguts, die Feuchtigkeit 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 Erntegutfeuchtigkeitssensoren beinhalten, die Feuchtigkeit von Erntegut erfassen, das von der landwirtschaftlichen Erntemaschine geerntet wird.
Die Erntegutfeuchtigkeitssensoren können einen kapazitiven Feuchtigkeitssensor beinhalten. In einem Beispiel kann der kapazitive Feuchtigkeitssensor eine Feuchtigkeitsmesszelle zum Aufnehmen der Erntegutprobe und einen Kondensator zum Bestimmen der dielektrischen Eigenschaften der Probe beinhalten. In anderen Beispielen kann der Erntegutfeuchtigkeitssensor ein Mikrowellensensor oder ein Leitfähigkeitssensor sein. In anderen Beispielen kann der Erntegutfeuchtigkeitssensor Wellenlängen elektromagnetischer Strahlung zum Erfassen des Feuchtigkeitsgehalts des Ernteguts verwenden. Der Erntegutfeuchtigkeitssensor kann innerhalb des Zuführgehäuses 106 angeordnet sein (oder anderweitig einen Erfassungszugang zu Erntegutmaterial innerhalb des Zuführgehäuses 106 aufweisen) und konfiguriert sein, um die Feuchtigkeit von geerntetem Erntegutmaterial zu erfassen, das durch das Zuführgehäuse 106 hindurchtritt. In anderen Beispielen kann sich der Erntegutfeuchtigkeitssensor an anderen Bereichen innerhalb der landwirtschaftlichen Erntemaschine 100 befinden, zum Beispiel im Reinkornelevator, in einer Reinkornschnecke oder in einem Korntank. Es ist zu beachten, dass dies lediglich Beispiele für Erntegutfeuchtigkeitssensoren sind und dass verschiedene andere Erntegutfeuchtigkeitssensoren in Betracht gezogen werden.The crop moisture sensors may include a capacitive moisture sensor. In one example, the capacitive moisture sensor may include a moisture measurement cell for receiving the crop sample and a capacitor for determining the dielectric properties of the sample. In other examples, the crop moisture sensor may be a microwave sensor or a conductivity sensor. In other examples, the crop moisture sensor may use wavelengths of electromagnetic radiation to sense the moisture content of the crop. The crop moisture sensor may be located within the feeder housing 106 (or otherwise have sensing access to crop material within the feeder housing 106 ) and configured to sense the moisture of harvested crop material passing through the
In einigen Beispielen ist die Erntegutfeuchtigkeit das Verhältnis von Wasser zu anderen Pflanzenmaterialien, wie etwa Trockenmasse von Korn oder Gesamtbiomasse. In anderen Beispielen kann Erntegutfeuchtigkeit mit einer Wassermenge an der Außenseite einer Pflanze zusammenhängen, wie etwa Tau, Frost oder Regen. Die Erntegutfeuchtigkeit kann absolut gemessen werden, wie etwa Wasser als Prozentsatz einer Materialmasse oder eines Materialvolumens. In anderen Beispielen kann Erntegutfeuchtigkeit in relativen Kategorien wie etwa „hoch, mittel, niedrig“, „nass, typisch/normal, trocken“ usw. angegeben werden. Die Erntegutfeuchtigkeit kann auf mehrere Arten gemessen werden. In einigen Beispielen kann sich Erntegutfeuchtigkeit auf Erntegutfarbe beziehen, wie etwa dem Grün oder die Verteilung von braunen und grünen Bereichen über die Pflanze. In einem Beispiel kann es mit der Rate zusammenhängen, mit der sich die Erntegutfarbe während des Alterns von grün nach braun ändert. In anderen Beispielen kann Erntegutfeuchtigkeit unter Verwendung von Eigenschaften gemessen werden, wobei elektrische Felder oder elektromagnetische Wellen mit Wassermolekülen interagieren. Ohne Einschränkung beinhalten diese Eigenschaften Dielektrizitätskonstante, Resonanz, Reflexion, Absorption oder Transmission. In noch weiteren Beispielen kann sich die Erntegutfeuchtigkeit auf die Morphologie einer Pflanze beziehen, wie etwa 3D-Blattform, wie etwa „Rollen von Maisblättern“, Blattspaltöffnungsdurchmesser, der sich auf die Pflanzentemperatur auswirkt, und relativer Stängeldurchmesser über die Zeit.In some examples, crop moisture is the ratio of water to other plant materials, such as dry matter of grain or total biomass. In other examples, crop moisture may be related to an amount of water on the outside of a plant, such as dew, frost, or rain. Crop moisture can be measured in absolute terms, such as water as a percentage of a mass or volume of material. In other examples, crop moisture may be reported in relative categories such as high, medium, low, wet, typical/normal, dry, etc. Crop moisture can be measured in a number of ways. In some examples, crop moisture may refer to crop color, such as the green or the distribution of brown and green areas across the plant. In one example, it may be related to the rate at which crop color changes from green to brown during aging. In other examples, crop moisture may be measured using properties where electric fields or electromagnetic waves interact with water molecules. These properties include, without limitation, dielectric constant, resonance, reflection, absorption, or transmission. In still other examples, crop moisture may relate to a plant's morphology, such as 3D leaf shape, such as "corn leaf rolling", stomata diameter, which affects plant temperature, and relative stem diameter over time.
Bevor beschrieben wird, wie die landwirtschaftliche Erntemaschine 100 eine funktionelle prädiktive Erntegutfeuchtigkeitskarte erzeugt und die funktionelle prädiktive Erntegutfeuchtigkeitskarte zur Darstellung oder Steuerung verwendet, erfolgt zunächst eine kurze Beschreibung einiger Elemente der landwirtschaftlichen Erntemaschine 100 und deren Betrieb. Die Beschreibung von
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 und von einer Secure Digital (SD)-Karte oder einer universellen seriellen Bus (USB)-Karte oder beides 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
Nach dem Abruf durch die landwirtschaftliche Erntemaschine 100 kann der Vorabinformationskartenselektor 209 eine oder mehrere spezifische Vorabinformationskarte(n) 258 zur Verwendung durch den prädiktiven Modellgenerator 210 filtern oder auswählen. In einem Beispiel wählt die Vorabinformationskartenselektor 209 eine Karte auf Grundlage eines Vergleichs der Kontextinformationen in der Vorabinformationskarte mit den vorliegenden Kontextinformationen aus. Zum Beispiel kann eine historische Erntegutfeuchtigkeitskarte aus einem der letzten Jahre ausgewählt werden, in denen die Wetterbedingungen während der Wachstumsperiode den Wetterbedingungen des aktuellen Jahres ähnlich waren. Oder zum Beispiel kann eine historische Erntegutfeuchtigkeitskarte aus einem der letzten Jahre ausgewählt werden, wenn die Kontextinformationen nicht ähnlich sind. Zum Beispiel kann eine historische Erntegutfeuchtigkeitskarte für ein vorhergehendes Jahr ausgewählt werden, das „trocken“ war (d. h. Trockenheit oder reduzierte Niederschläge aufwies), während das aktuelle Jahr „nass“ ist (d. h. erhöhte Niederschläge oder Hochwasserbedingungen aufwies). Es kann immer noch eine nützliche historische Beziehung geben, aber die Beziehung kann umgekehrt sein. Beispielsweise können Bereiche, die in einem Dürrejahr trocken sind, in einem nassen Jahr Gebiete mit höherer Erntegutfeuchtigkeit sein, da diese Bereiche in nassen Jahren mehr Wasser speichern können. Gegenwärtige Kontextinformationen können Kontextinformationen enthalten, die über unmittelbare Kontextinformationen hinausgehen. Zum Beispiel können gegenwärtige Kontextinformationen unter anderem einen Satz von Informationen beinhalten, der der gegenwärtigen Wachstumsperiode entspricht, einen Satz von Daten, die einem Winter vor der gegenwärtigen Wachstumsperiode entsprechen, oder einen Satz von Daten, die mehreren vergangenen Jahren entsprechen.Upon retrieval by
Die Kontextinformationen können auch für Korrelationen zwischen Bereichen mit ähnlichen Kontexteigenschaften verwendet werden, unabhängig davon, ob die geografische Position der gleichen Position auf der Vorabinformationskarte 258 entspricht. Beispielsweise können die kontextbezogenen Merkmalsinformationen, die einer anderen Position zugeordnet sind, auf die Position auf der Vorabinformationskarte 258 angewendet werden, die ähnliche Merkmalsinformationen aufweist.The context information can also be used for correlations between areas with similar context properties, regardless of whether the geographic location corresponds to the same location on the
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 Merkmal angibt. Wenn zum Beispiel die Vorabinformationskarte 258 einen vegetativen Indexwert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der die Erntegutfeuchtigkeit angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Erntegutfeuchtigkeitsmodell, das die Beziehung zwischen den vegetativen Indexwerten und den Erntegutfeuchtigkeitswerten modelliert. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Erntegutfeuchtigkeitsmodell, um eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen, die den Wert der Erntegutfeuchtigkeit an verschiedenen Positionen in dem Feld auf Grundlage der Vorabinformationskarte 258 vorhersagt. Oder, wenn zum Beispiel die Vorabinformationskarte 258 einen historischen Erntegutfeuchtigkeitswert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der die Erntegutfeuchtigkeit angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Erntegutfeuchtigkeitsmodell, das die Beziehung zwischen den historischen Erntegutfeuchtigkeitswerten (mit oder ohne Kontextinformationen) und den In-situ-Erntegutfeuchtigkeitswerten modelliert. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Erntegutfeuchtigkeitsmodell, um eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen, die den Wert der Erntegutfeuchtigkeit an verschiedenen Positionen in dem Feld auf Grundlage der Vorabinformationskarte 258 vorhersagt. Oder, wenn zum Beispiel die Vorabinformationskarte 258 einen topographischen Merkmalswert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der Erntegutfeuchtigkeit angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Erntegutfeuchtigkeitsmodell, das die Beziehung zwischen den topographischen Merkmalswerten und den Erntegutfeuchtigkeitswerten modelliert. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Erntegutfeuchtigkeitsmodell, um eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen, die den Wert der Erntegutfeuchtigkeit an verschiedenen Positionen in dem Feld auf Grundlage der Vorabinformationskarte 258 vorhersagt. Oder, 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 die Erntegutfeuchtigkeit angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Erntegutfeuchtigkeitsmodell, das die Beziehung zwischen den Bodeneigenschaftswerten und den Erntegutfeuchtigkeitswerten modelliert. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Erntegutfeuchtigkeitsmodell, um eine funktionelle prädiktive Erntegutfeuchtigkeitskarte zu erzeugen, die den Wert der Erntegutfeuchtigkeit an verschiedenen Positionen in dem Feld auf Grundlage der Vorabinformationskarte 258 vorhersagt.The predictive model generator 210 generates a model that represents a relationship between the values sensed by the in
In einigen Beispielen kann der Typ der Daten in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp sein. In einigen Fällen kann der Typ der Daten 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 Typ der Daten in der funktionellen prädiktiven Karte 263 von dem von den In-situ-Sensoren 208 erfassten Datentyp unterscheiden, weist jedoch eine Beziehung zu dem von den In-situ-Sensoren 208 erfassten Datentyp auf. Beispielsweise kann der In-situ-Datentyp in einigen Beispielen den Datentyp 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, jedoch eine Beziehung zu dem Datentyp in der Vorabinformationskarte 258 haben. 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 data in functional predictive map 263 may be the same as the type of in situ data captured by in
Weiter mit den vorhergehenden Beispielen kann der prädiktive Kartengenerator 212 die Werte in der Vorabinformationskarte 258 und dem von dem prädiktiven Modellgenerator 210 erzeugten Modell verwenden, um eine funktionelle prädiktive Karte 263 zu erzeugen, die die Erntegutfeuchtigkeit an verschiedenen Positionen in dem Feld vorhersagt. Der prädiktive Kartengenerator 212 gibt somit die prädiktive Karte 264 aus.Continuing with the previous examples, the
Wie in
Nun werden einige Variationen in den Datentypen beschrieben, die in der Vorabinformationskarte 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 vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Erntegutfeuchtigkeit sein. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutfeuchtigkeitskarte sein, die vorhergesagte Erntegutfeuchtigkeitswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine vegetative Indexkarte 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 vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Erntegutfeuchtigkeit 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 vegetative Indexkarte 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 Erntemaschinengeschwindigkeitswerte auf verschiedene geografische Positionen in dem Feld abbildet.Also, in some examples, the type of data in the
In einigen Beispielen stammt die Vorabinformationskarte 258 von einem früheren Durchlauf durch das Feld während eines Vorabbetriebs 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 topographische Karte sein, die während des Pflanzens erzeugt wird, und die von den In-situ-Sensoren 208 erfasste Variable kann die Erntegutfeuchtigkeit sein. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutfeuchtigkeitskarte sein, die vorhergesagte Erntegutfeuchtigkeitswerte auf verschiedene geografische Positionen in dem Feld in der prädiktiven Karte 264 abbildet.In some examples, the
In einigen Beispielen stammt die Vorabinformationskarte 258 von einem früheren Durchlauf durch das Feld während eines Vorabbetriebs 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 Erntegutfeuchtigkeitskarte sein, die während eines vorhergehenden Jahres erzeugt wurde, und die von den In-situ-Sensoren 208 erfasste Variable kann die Erntegutfeuchtigkeit sein. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutfeuchtigkeitskarte sein, die vorhergesagte Erntegutfeuchtigkeitswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel können die relativen Erntegutfeuchtigkeitsunterschiede 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 Erntegutfeuchtigkeitsunterschieden auf der Vorabinformationskarte 258 und den Erntegutfeuchtigkeitswerten modelliert, die durch In-situ-Sensoren 208 während des aktuellen Erntevorgangs erfasst werden. Das prädiktive Modell wird dann von dem prädiktiven Kartengenerator 212 verwendet, um eine prädiktive Ertragskarte zu erstellen.In some examples, 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 das Merkmal der zwei oder mehr Erntegutarten zu identifizieren und dann die prädiktive Karte 264 und die prädiktive Steuerzonenkarte 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 beispielsweise aufgrund der Beobachtung des Bedieners einen auf der Karte angezeigten Erntegutfeuchtigkeitswert 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 konkaven Abstand, die Rotoreinstellungen, die Reinigungsgebläse-Drehzahleinstellungen, die Erntevorsatzhöhe, die Erntevorsatzfunktionalität, die Haspeldrehzahl, die Haspelposition, die Draperfunktionalität (wobei die landwirtschaftliche Erntemaschine 100 mit einem Draperband-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 auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Wenn sich zum Beispiel die landwirtschaftliche Erntemaschine 100 einem Bereich nähert, der eine Erntegutfeuchtigkeit über einem ausgewählten Schwellenwert aufweist, kann die Vorschubgeschwindigkeitssteuerung 236 die Geschwindigkeit der landwirtschaftlichen Erntemaschine 100 reduzieren, um eine konstante Vorschubgeschwindigkeit von Korn oder 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 landwirtschaftliche Erntemaschine 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.
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. Zum Beispiel kann eine Vorabinformationskarte eine Karte sein, die während eines Vorabbetriebs erzeugt wird oder auf Daten von einem Vorabbetrieb auf dem Feld basiert, wie etwa ein Vorabsprühvorgang, der von einer Sprühvorrichtung durchgeführt wurde. Die Daten für die vorherige Informationskarte 258 können auch auf andere Weise gesammelt werden. Beispielsweise können die Daten auf der Grundlage von Luftbildern oder Messwerten erfasst werden, die während eines Vorjahres oder früher in der aktuellen Wachstumsperiode oder zu anderen Zeiten aufgenommen wurden. Die Informationen können auch auf Daten basieren, die auf andere Weise (anders als mithilfe von Luftbildern) erkannt oder gesammelt wurden. Zum Beispiel können die Daten für die Vorabinformationskarte 258 mithilfe des Kommunikationssystems 206 an die landwirtschaftliche Erntemaschine 100 übertragen und im Datenspeicher 202 gespeichert werden. Die Daten für die Vorabinformationskarte 258 können auch auf andere Weise mithilfe des Kommunikationssystems 206 der landwirtschaftlichen Erntemaschine 100 bereitgestellt werden, was durch Block 286 im Flussdiagramm von
Bei Block 287 kann der Vorabinformationskartenselektor 209 eine oder mehrere Karten aus der Vielzahl der in Block 280 empfangenen in Frage kommenden Vorabinformationskarten auswählen. Beispielsweise können historischer Erntegutfeuchtigkeitskarten mehrerer Jahre als in Frage kommende Vorabinformationskarten empfangen werden. Jede dieser Karten kann Kontextinformationen enthalten, wie etwa Wettermuster über einen Zeitraum, wie etwa ein Jahr, Schädlingsbefall über einen Zeitraum, wie etwa ein Jahr, Bodeneigenschaften, topographische Merkmale usw. Kontextinformationen können verwendet werden, um auszuwählen, welche historische Erntegutfeuchtigkeitskarte ausgewählt werden soll. Zum Beispiel können die Wetterbedingungen über einen Zeitraum, wie in einem aktuellen Jahr, oder die Bodeneigenschaften für das aktuelle Feld mit den Wetterbedingungen und Bodeneigenschaften in den Kontextinformationen für jede in Frage kommende Vorabinformationskarte verglichen werden. Die Ergebnisse eines solchen Vergleichs können verwendet werden, um auszuwählen, welche historische Erntegutfeuchtigkeitskarte ausgewählt werden soll. Zum Beispiel können Jahre mit ähnlichen Wetterbedingungen im Allgemeinen zu einer ähnlichen Erntegutfeuchtigkeit oder Erntegutfeuchtigkeitstrends auf einem Feld führen. In manchen Fällen können Jahre mit entgegengesetzten Wetterbedingungen auch nützlich sein, um Erntegutfeuchtigkeit auf Grundlage der historischen Erntegutfeuchtigkeit vorherzusagen. Zum Beispiel kann ein Bereich mit einer niedrigen Erntegutfeuchtigkeit in einem trockenen Jahr eine hohe Erntegutfeuchtigkeit in einem nassen Jahr aufweisen, da der Bereich mehr Feuchtigkeit speichern kann. Der Vorgang, bei dem eine oder mehrere Vorabinformationskarten durch den Vorabinformationskartenselektor 209 ausgewählt werden, kann manuell, halbautomatisch oder automatisiert sein. In einigen Beispielen kann der Vorabinformationskartenselektor 209 während eines Erntevorgangs kontinuierlich oder intermittierend bestimmen, ob eine andere Vorabinformationskarte eine bessere Beziehung zu dem In-situ-Sensorwert aufweist. Wenn eine andere Vorabinformationskarte enger mit den In-situ-Daten korreliert, kann der Vorabinformationskartenselektor 209 die aktuell ausgewählte Vorabinformationskarte durch die korrelativere Vorabinformationskarte ersetzen.At block 287 , the prior
Bei Beginn eines Erntevorgangs erzeugen die In-situ-Sensoren 208 Sensorsignale, die einen oder mehrere In-situ-Datenwerte anzeigen, die ein Pflanzenmerkmal anzeigen, wie etwa Feuchtigkeit, wie durch Block 288 angezeigt. Beispiele für In-situ-Sensoren 288 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 Positionskurs- 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
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
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 Vorabinformationskarte 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
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-/Autorisierungssystem bereitgestellt 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 erzeugt 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 kann jedoch an einem Remote-Standort die prädiktive Karte 264 auf der Anzeige sehen, jedoch keine Änderungen daran vornehmen. 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, die in der Maschinensteuerung verwendet wird, zu ändern. 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. Block 300 stellt den Empfang einer Eingabe von dem geografischen Positionssensor 204 durch das Steuersystem 214 dar, 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 Erntegutfeuchtigkeitskarte verwendet werden, um eines oder mehrere steuerbare Teilsysteme 216 zu steuern. Beispielsweise kann die funktionelle prädiktive Erntegutfeuchtigkeitskarte prädiktive Werte von Erntegutfeuchtigkeit beinhalten, die auf Positionen innerhalb des zu erntenden Feldes georeferenziert sind. Die funktionelle prädiktive Erntegutfeuchtigkeitskarte kann extrahiert und verwendet werden, um die Lenk- und Antriebs-Teilsysteme 252 bzw. 250 zu steuern. Durch Steuern der Lenk- und Antriebs-Teilsysteme 252 und 250 kann eine Vorschubgeschwindigkeit von Material oder Korn, 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. Wenn die prädiktive Karte 264 in anderen Beispielen einen prädiktiven Wert von Erntegutfeuchtigkeit vor der Maschine abbildet, der an einem Abschnitt des Erntevorsatzes höher als an einem anderen Abschnitt des Erntevorsatzes ist, was dazu führt, dass eine andere Biomasse in eine Seite des Erntevorsatzes als die andere Seite eintritt, kann die Steuerung des Erntevorsatzes implementiert werden. Zum Beispiel kann eine Drapergeschwindigkeit auf einer Seite des Erntevorsatzes relativ zu der Drapergeschwindigkeit auf der anderen Seite des Erntevorsatzes erhöht oder verringert werden, um die zusätzliche Biomasse zu berücksichtigen. Somit können die Erntevorsatz- und Haspelsteuerung 238 unter Verwendung von georeferenzierten prädiktiven Werten gesteuert werden, die in der prädiktiven Erntegutfeuchtigkeitskarte vorhanden sind, um die Drapergeschwindigkeiten der Draperbänder auf dem Erntevorsatz zu steuern. Das vorhergehende Beispiel mit Vorschubgeschwindigkeit und Erntevorsatzsteuerung mithilfe einer funktionellen prädiktiven Erntegutfeuchtigkeitskarte ist nur beispielhaft bereitgestellt. Folglich kann eine Vielzahl anderer Steuersignale mithilfe prädiktiver Werte erzeugt werden, die von einer prädiktiven Erntegutfeuchtigkeitskarte oder einer anderen Art von funktioneller prädiktiver Karte erhalten werden, um eines oder mehrere der steuerbaren Teilsysteme 216 zu steuern.For example, a generated predictive map 264 in the form of a predictive crop moisture map may be used to control one or more
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 gelesen 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
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 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 block 326 .
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 block 326, one or more of the predictive model generator 210, the
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
Neben dem Empfangen einer oder mehrerer von einer vegetativen Indexkarte 332, einer historischen Erntegutfeuchtigkeitskarte 333, einer topographischen Karte 341, einer Bodeneigenschaftskarte 343 oder einer Vorabbetriebskarte 400 als eine Vorabinformationskarte empfängt der prädiktive Modellgenerator 210 auch eine geografische Positionsanzeige 334 oder eine Angabe einer geografischen Position von dem geografischen Positionssensor 204. Die In-situ-Sensoren 208 beinhalten beispielhaft einen Erntegutfeuchtigkeitssensor 336 sowie ein Verarbeitungssystem 338. Das Verarbeitungssystem 338 verarbeitet Sensordaten, die von den Erntegutfeuchtigkeitssensoren 336 erzeugt werden. In einigen Beispielen kann sich der Erntegutfeuchtigkeitssensor 336 an Bord der landwirtschaftlichen Erntemaschine 100 befinden.In addition to receiving one or more of a
In einigen Beispielen kann der Erntegutfeuchtigkeitssensor 336 einen kapazitiven Feuchtigkeitssensor beinhalten. In einem Beispiel kann der kapazitive Feuchtigkeitssensor eine Feuchtigkeitsmesszelle zum Aufnehmen der Erntegutprobe und einen Kondensator zum Bestimmen der dielektrischen Eigenschaften der Probe beinhalten. In anderen Beispielen kann der Erntegutfeuchtigkeitssensor ein Mikrowellensensor oder ein Leitfähigkeitssensor sein. In anderen Beispielen kann der Erntegutfeuchtigkeitssensor Wellenlängen elektromagnetischer Strahlung zum Erfassen des Feuchtigkeitsgehalts des Ernteguts verwenden. Der Erntegutfeuchtigkeitssensor kann innerhalb des Zuführgehäuses 106 angeordnet sein (oder anderweitig einen Erfassungszugang zu Erntegutmaterial innerhalb des Zuführgehäuses 106 aufweisen) und konfiguriert sein, um die Feuchtigkeit von geerntetem Erntegutmaterial zu erfassen, das durch das Zuführgehäuse 106 hindurchtritt. In anderen Beispielen kann sich der Erntegutfeuchtigkeitssensor an anderen Bereichen innerhalb der landwirtschaftlichen Erntemaschine 100 befinden, zum Beispiel im Reinkornelevator, in einer Reinkornschnecke oder in einem Korntank. Es ist zu beachten, dass dies lediglich Beispiele für Erntegutfeuchtigkeitssensoren sind und dass verschiedene andere Erntegutfeuchtigkeitssensoren in Betracht gezogen werden. Das Verarbeitungssystem 338 verarbeitet ein oder mehrere Sensorsignale, die durch den Erntegutfeuchtigkeitssensor 336 erzeugt wurden, um verarbeitete Sensordaten zu erzeugen, die einen oder mehrere Erntegutfeuchtigkeitswerte identifizieren. Das Verarbeitungssystem 338 kann auch die vom In-situ-Sensor 208 empfangenen Werte geolokalisieren. Zum Beispiel kann die Position der landwirtschaftlichen Erntemaschine zu dem Zeitpunkt, zu dem ein Signal vom In-situ-Sensor 208 empfangen wird, nicht die genaue Position der Erntegutfeuchtigkeit sein. Dies liegt daran, dass zwischen dem Zeitpunkt, zu dem die landwirtschaftliche Erntemaschine anfänglichen Kontakt mit der Erntegutpflanze herstellt, und dem Zeitpunkt, zu dem das Erntegutpflanzenmaterial durch den Erntegutfeuchtigkeitssensor 336 oder einen anderen In-situ-Sensor 208 erfasst wird, eine Zeitspanne vergeht. Somit wird bei der Georeferenzierung der erfassten Daten eine Übergangszeit zwischen dem anfänglichen Antreffen einer Pflanze und dem Erfassen des Pflanzenmaterials innerhalb der landwirtschaftlichen Erntemaschine berücksichtigt. Dadurch kann der Feuchtigkeitswert des Ernteguts auf die genaue Position auf dem Feld georeferenziert werden. Aufgrund der Fahrt von abgetrenntem Erntegut entlang eines Erntevorsatzes in einer Richtung, die quer zu einer Fahrtrichtung der landwirtschaftlichen Erntemaschine ist, geolokalisieren sich die Erntegutfeuchtigkeitswerte normalerweise zu einem V-förmigen Bereich hinter der landwirtschaftlichen Erntemaschine, während sich die landwirtschaftliche Erntemaschine in einer Vorwärtsrichtung bewegt.In some examples,
Das Verarbeitungssystem 338 ordnet eine aggregierte Erntegutfeuchtigkeit, die von einem Erntegutfeuchtigkeitssensor 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. Zum Beispiel ordnet das Verarbeitungssystem 338 eine gemessene aggregierte Erntegutfeuchtigkeit 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 verteilt oder ordnet die aggregierte Erntegutfeuchtigkeit aus einem bestimmten Messintervall oder einer bestimmten Zeit zuvor durchlaufenen georeferenzierten Bereichen zu, die Teil des V-förmigen Bereichs sind.The
In einigen Beispielen kann sich der Erntegutfeuchtigkeitssensor 336 auf verschiedene Arten von Strahlung und die Art und Weise stützen, in der Strahlung durch das Erntegutmaterial reflektiert, absorbiert, gedämpft oder durch das Erntegutmaterial übertragen wird. Der Erntegutfeuchtigkeitssensor 336 kann andere elektromagnetische Eigenschaften von Erntegutmaterial erfassen, wie etwa elektrische Permittivität, wenn das Material zwischen zwei kapazitiven Platten hindurchtritt. Andere Materialeigenschaften und Sensoren können ebenfalls verwendet werden. In einigen Beispielen können rohe oder verarbeitete Daten von dem Erntegutfeuchtigkeitssensor 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 some examples, the
Die vorliegende Erörterung fährt in Bezug auf ein Beispiel fort, in dem der Erntegutfeuchtigkeitssensor 336 einen Wert erfasst, der indikativ für die Erntegutfeuchtigkeit ist. Es versteht sich, dass es sich hierbei nur um ein Beispiel handelt und die oben genannten Sensoren als andere Beispiele des Erntegutfeuchtigkeitssensors 336 hierin ebenfalls in Betracht gezogen werden. Wie in
Der vegetativer-Index-zu-Erntegutfeuchtigkeit-Modellgenerator 342 identifiziert eine Beziehung zwischen In-situ-Erntegutfeuchtigkeitsdaten 340 an einer geografischen Position, die der entspricht, an dem In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden, und vegetativen Indexwerten aus der vegetativen Indexkarte 332, die derselben Position auf dem Feld entsprechen, an der die In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden. Auf Grundlage dieser Beziehung, die durch den vegetativer Index-zu-Erntegutfeuchtigkeit-Modellgenerator 342 hergestellt wird, erzeugt der vegetativer Index-zu-Erntegutfeuchtigkeit-Modellgenerator 342 ein prädiktives Erntegutfeuchtigkeitsmodell. Das prädiktive Erntegutfeuchtigkeitsmodell wird durch den prädiktiven Kartengenerator 212 verwendet, um eine Erntegutfeuchtigkeit an verschiedenen Positionen auf Grundlage des georeferenzierten vegetativen Indexwerts, der in der vegetativen Indexkarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The vegetative index-to-crop
Der historische Erntegutfeuchtigkeit-zu-Erntegutfeuchtigkeit-Modellgenerator 344 identifiziert eine Beziehung zwischen der Erntegutfeuchtigkeit, die in den In-situ-Erntegutfeuchtigkeitsdaten 340 an einer geografischen Position dargestellt ist, die der Position entspricht, an der die In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden, und der historischen Erntegutfeuchtigkeit an derselben Position (oder einer Position in einer historischen Erntegutfeuchtigkeitskarte 333 mit ähnlichen Kontextdaten 337 wie der aktuelle Bereich oder das aktuelle Jahr). Der historische Erntegutfeuchtigkeitswert 335 ist der georeferenzierte und kontextbezogene Wert, der in der historischen Erntegutfeuchtigkeitskarte 333 enthalten ist. Der historische Erntegutfeuchtigkeit-zu-Erntegutfeuchtigkeit-Modellgenerator 344 erzeugt dann ein prädiktives Erntegutfeuchtigkeitsmodell, das von dem Kartengenerator 212 verwendet wird, um die Erntegutfeuchtigkeit an einer Position auf Grundlage des historischen Erntegutfeuchtigkeitswerts 335 vorherzusagen.The historical crop moisture-to-crop
Der Bodeneigenschaften-zu-Erntegutfeuchtigkeit-Modellgenerator 345 identifiziert eine Beziehung zwischen In-situ-Erntegutfeuchtigkeitsdaten 340 an einer geografischen Position, die der entspricht, an dem In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden, und Bodeneigenschaftswerten aus der Bodeneigenschaftskarte 343, die derselben Position auf dem Feld entsprechen, an der In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden. Auf Grundlage dieser Beziehung, die durch den Bodeneigenschaften-zu-Erntegutfeuchtigkeit-Modellgenerator 345 hergestellt wird, erzeugt der Bodeneigenschaften-zu-Erntegutfeuchtigkeit-Modellgenerator 345 ein prädiktives Erntegutfeuchtigkeitsmodell. Das prädiktive Erntegutfeuchtigkeitsmodell wird durch den prädiktiven Kartengenerator 212 verwendet, um eine Erntegutfeuchtigkeit an verschiedenen Positionen auf Grundlage des georeferenzierten Bodeneigenschaftswerts, der in der Bodeneigenschaftskarte 343 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.Soil property-to-crop
Der topographisches Merkmal-zu-Erntegutfeuchtigkeit-Modellgenerator 346 identifiziert eine Beziehung zwischen In-situ-Erntegutfeuchtigkeitsdaten 340 an einer geografischen Position, die der Position entspricht, an der In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden, und topographische Merkmalswerte aus der topographischen Karte 341, die derselben Position auf dem Feld entsprechen, an der In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden. Auf Grundlage dieser Beziehung, die durch den topographisches Merkmal-zu-Erntegutfeuchtigkeit-Modellgenerator 346 hergestellt wird, erzeugt der topographisches Merkmal-zu-Erntegutfeuchtigkeit-Modellgenerator 346 ein prädiktives Erntegutfeuchtigkeitsmodell. Das prädiktive Erntegutfeuchtigkeitsmodell wird durch den prädiktiven Kartengenerator 212 verwendet, um eine Erntegutfeuchtigkeit an verschiedenen Positionen auf Grundlage des georeferenzierten topographischen Merkmalswerts, der in der topographischen Karte 341 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.Topographical feature-to-crop
Der Vorabbetrieb-zu-Erntegutfeuchtigkeit-Modellgenerator 348 identifiziert eine Beziehung zwischen In-situ-Erntegutfeuchtigkeitsdaten 340 an einer geografischen Position, die der Position entspricht, an der In-situ-Erntegutfeuchtigkeitsdaten 340 geolokalisiert wurden, und Vorabbetrieb-Merkmalswerten aus der Vorabbetriebskarte 400, die derselben Position auf dem Feld entsprechen, an der In-situ-Erntegutfeuchtigkeit 340 geolokalisiert wurde. Auf Grundlage dieser Beziehung, die durch den Vorabbetrieb-zu-Erntegutfeuchtigkeit-Modellgenerator 348 hergestellt wird, erzeugt der Vorabbetrieb-zu-Erntegutfeuchtigkeit-Modellgenerator 348 ein prädiktives Erntegutfeuchtigkeitsmodell. Das prädiktive Erntegutfeuchtigkeitsmodell wird von dem prädiktiven Kartengenerator 212 verwendet, um eine Erntegutfeuchtigkeit an verschiedenen Positionen auf Grundlage des georeferenzierten Vorabbetrieb-Merkmalswert, der in der Vorabbetriebskarte 400 an der gleichen Position auf dem Feld enthalten wurde, vorherzusagen.The pre-operation-to-crop
Angesichts des Vorstehenden ist der prädiktive Modellgenerator 210 betreibbar, um eine Vielzahl von prädiktiven Erntegutfeuchtigkeitsmodellen zu erzeugen, wie etwa eines oder mehrere der prädiktiven Erntegutfeuchtigkeitsmodelle, die von den Modellgeneratoren 342, 344, 345, 346, 348 und 349 erzeugt werden. In einem weiteren Beispiel können zwei oder mehr der vorstehend beschriebenen prädiktiven Erntegutfeuchtigkeitsmodelle zu einem einzelnen prädiktiven Erntegutfeuchtigkeitsmodell kombiniert werden, das eine Erntegutfeuchtigkeit auf Grundlage des vegetativen Indexwerts, des historischen Erntegutfeuchtigkeitswerts, des Bodeneigenschaftswerts, des topographischen Merkmalswerts oder des Vorabbetrieb-Merkmalswerts an verschiedenen Positionen in dem Feld oder beidem vorhersagt. Jedes dieser Erntegutfeuchtigkeitsmodelle oder Kombinationen davon wird gemeinsam durch das Erntegutfeuchtigkeitsmodell 350 in
Das prädiktive Erntegutfeuchtigkeitsmodell 350 wird dem prädiktiven Kartengenerator 212 bereitgestellt. Im Beispiel von
Der Erntegutfeuchtigkeitskartengenerator 352 kann eine funktionelle prädiktive Erntegutzustandskarte 360 erzeugen, die Erntegutzustand an verschiedenen Positionen in dem Feld auf Grundlage von einem oder mehreren von dem vegetativen Indexwert, dem historischen Erntegutzustandswert, dem topographischen Merkmalswert oder dem Bodeneigenschaftswert an diesen Positionen in dem Feld und dem prädiktiven Erntegutfeuchtigkeitsmodell 350 vorhersagt. Die erzeugte funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 (mit oder ohne Steuerzonen) 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 prädiktive Karte 360, um die prädiktive Steuerzonenkarte 265 zu erzeugen. Eines oder beide der funktionellen prädiktiven Karten 264 oder die prädiktive Steuerzonenkarte 265 können dem Bediener 260 oder einem anderen Benutzer präsentiert oder dem Steuersystem 214 bereitgestellt werden, das Steuersignale erzeugt, um eines oder mehrere der steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern.The crop
Bei Block 363 wählt der Vorabinformationskartenselektor 209 eine oder mehrere Karten zur Verwendung durch den prädiktiven Modellgenerator 210 aus. In einem Beispiel wählt die Vorabinformationskartenselektor 209 eine Karte aus einer Vielzahl von in Frage kommenden Karten auf Grundlage eines Vergleichs der Kontextinformationen in den in Frage kommenden Karten mit den aktuellen Kontextinformationen aus. Zum Beispiel kann eine in Frage kommende historische Erntegutfeuchtigkeitskarte aus einem Vorjahr ausgewählt werden, in dem die Wetterbedingungen über die Wachstumssaison den Wetterbedingungen des laufenden Jahres ähnlich waren. Oder zum Beispiel kann eine in Frage kommende historische Erntegutfeuchtigkeitskarte aus einem Vorjahr mit einem unterdurchschnittlichen Niederschlagsniveau ausgewählt werden, während das aktuelle Jahr ein durchschnittliches oder überdurchschnittliches Niederschlagsniveau aufweist, da die historische Erntegutfeuchtigkeitskarte, die mit einem Vorjahr mit unterdurchschnittlichem Niederschlag assoziiert ist, immer noch eine nützliche Erntegutfeuchtigkeit-zu-Erntegutfeuchtigkeit-Beziehung aufweisen kann, wie oben erörtert. In einigen Beispielen kann der Vorabinformationskartenselektor 209 ändern, welche Vorabinformationskarte verwendet wird, wenn erkannt wird, dass eine der anderen in Frage kommenden Vorabinformationskarten enger mit der In-situ erfassten Erntegutfeuchtigkeit korreliert.At block 363 , advance
Bei Block 372 verarbeitet das Verarbeitungssystem 338 das eine oder die mehreren empfangenen Sensorsignale, die von den In-situ-Sensoren 208 empfangen werden, wie etwa das eine oder die mehreren empfangenen Sensorsignale von Erntegutfeuchtigkeitssensoren 336, um einen Erntegutfeuchtigkeitswert zu erzeugen, der eine Feuchtigkeit des Ernteguts angibt.At block 372, the
Bei Block 382 erhält der prädiktive Modellgenerator 210 auch die geografische Position, die dem Sensorsignal entspricht. Beispielsweise kann der prädiktive Modellgenerator 210 die geografische Position von dem geografischen Positionssensor 204 erhalten und auf Grundlage von Maschinenverzögerungen (z. B. Maschinenverarbeitungsgeschwindigkeit) und Maschinengeschwindigkeit eine genaue geografische Position bestimmen, an der die In-situ erfasste Erntegutfeuchtigkeit zuzuordnen ist. Beispielsweise entspricht die genaue Zeit, zu der ein Erntegutfeuchtigkeitssensorsignal erfasst wird, möglicherweise nicht einer Zeit, zu der das Erntegut vom Boden abgetrennt wurde. Somit kann eine Position der landwirtschaftlichen Erntemaschine 100, wenn das Erntegutfeuchtigkeitssensorsignal erhalten wird, möglicherweise nicht der Position entsprechen, an der das Erntegut gepflanzt wurde. Stattdessen entspricht das aktuelle In-situ-Erntegutfeuchtigkeitssensorsignal einer Position auf dem Feld hinter der landwirtschaftlichen Erntemaschine 100, da eine Zeitspanne zwischen dem Zeitpunkt, zu dem der anfängliche Kontakt zwischen dem Erntegut und der landwirtschaftlichen Erntemaschine auftritt, und dem Zeitpunkt, zu dem das Erntegut den Erntegutfeuchtigkeitssensor 336 erreicht, verstreicht.At
Bei Block 384 erzeugt der prädiktive Modellgenerator 210 ein oder mehrere prädiktive Erntegutfeuchtigkeitsmodelle, wie etwa das Erntegutfeuchtigkeitsmodell 350, die eine Beziehung zwischen mindestens einem vegetativen Indexwert, einem historischen Erntegutfeuchtigkeitswert, einem topographischen Merkmalswert oder einem Bodeneigenschaftswert, der aus einer Vorabinformationskarte, wie etwa der Vorabinformationskarte 258, erhalten wird, und einer Erntegutfeuchtigkeit, die durch den In-situ-Sensor 208 erfasst wird, modellieren. Beispielsweise kann der prädiktive Modellgenerator 210 ein prädiktives Erntegutfeuchtigkeitsmodell auf Grundlage eines vegetativen Indexwerts, eines historischen Erntegutfeuchtigkeitswerts, eines topographischen Merkmalswerts oder eines Bodeneigenschaftswerts erzeugen und eine erfasste Erntegutfeuchtigkeit, die durch das Sensorsignal angezeigt wird, das von dem In-situ-Sensor 208 erhalten wird.At block 384, the predictive model generator 210 generates one or more predictive crop moisture models, such as crop moisture model 350, that establish a relationship between at least one of a vegetative index value, a historical crop moisture value, a topographical feature value, or a soil property value derived from a preliminary information map, such as
Bei Block 386 wird das prädiktive Erntegutfeuchtigkeitsmodell, wie etwa das prädiktive Erntegutfeuchtigkeitsmodell 350, dem prädiktive Kartengenerator 212 bereitgestellt, der eine funktionelle prädiktive Erntegutfeuchtigkeitskarte erzeugt, die eine prädiktive Erntegutfeuchtigkeit auf Grundlage der vegetativen Indexkarte, der historischen Erntegutfeuchtigkeitskarte 333, der topographischen Karte 341 oder der Bodeneigenschaftskarte 343 und des prädiktiven Erntegutfeuchtigkeitsmodells 350 auf verschiedene geografische Positionen in dem Feld abbildet. Beispielsweise sagt die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 in einigen Beispielen die Erntegutfeuchtigkeit vorher. In anderen Beispielen sagt die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 andere Elemente vorher. Ferner kann die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 während des Verlaufs eines landwirtschaftlichen Erntevorgangs erzeugt werden. Somit wird, wenn sich eine landwirtschaftliche Erntemaschine durch ein Feld bewegt, in dem ein landwirtschaftlicher Erntevorgang durchgeführt wird, die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 erzeugt.At block 386, the predictive crop moisture model, such as the predictive crop moisture model 350, is provided to the
Bei Block 394 gibt der prädiktive Kartengenerator 212 die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 aus. Bei Block 393 konfiguriert der prädiktive Kartengenerator 212 die funktionelle prädiktive Erntegutfeuchtigkeitskarte 360 für den Verbrauch durch das Steuersystem 214. Bei Block 395 kann der prädiktive Kartengenerator 212 dem Steuerzonengenerator 213 auch die Karte 360 zur Erzeugung und Integration von Steuerzonen bereitstellen. Bei Block 397 konfiguriert der prädiktive Kartengenerator 212 die Karte 360 auch auf andere Weise. Die funktionelle prädiktive Erntegutfeuchtigkeitskarte 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 funktionellen prädiktiven Erntegutfeuchtigkeitskarte 360 (mit oder ohne Steuerzonen) zu steuern.At block 394 , the
Das Steuersystem 214 kann Steuersignale erzeugen, um den Erntevorsatz oder andere Maschinenstellglieder 248 zu steuern, wie etwa um eine Position oder einen Abstand der Deckplatten 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
In einem Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Erntevorsatz-/Haspelsteuerung 238 Erntevorsatz- oder andere Maschinenstellglieder 248, um eine Höhe, Neigung oder Rolle des Erntevorsatzes 102 zu steuern. In einem Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Vorschubgeschwindigkeitssteuerung 236 das Antriebs-Teilsystem 250, um eine Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 zu steuern. In einem Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Pfadplanungssteuerung 234 das Lenkungs-Teilsystem 252, um die landwirtschaftliche Erntemaschine 100 zu steuern. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Rückstandssystemsteuerung 244 das Rückstands-Teilsystem 138. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Einstellungssteuerung 232 Dreschereinstellungen des Dreschers 110. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Einstellungssteuerung 232 oder eine andere Steuerung 246 das Materialhandhabungs-Teilsystem 125. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Einstellungssteuerung 232 das Erntegutreinigungs-Teilsystem 118. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Maschinenreinigungssteuerung 245 das Maschinenreinigungs-Teilsystem 254 der landwirtschaftlichen Erntemaschine 100. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206. In einem anderen Beispiel, in dem das Steuersystem 214 eine funktionelle prädiktive Karte oder eine funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Bedienerschnittstellensteuerung 231 die Bedienerschnittstellenmechanismen 218 der landwirtschaftlichen Erntemaschine 100. In einem anderen Beispiel, in dem das Steuersystem 214 die funktionelle prädiktive Karte oder die funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Deckplattenpositionssteuerung 242 Maschinen-/Erntevorsatzstellglieder 248, um eine Deckplatte an der landwirtschaftlichen Erntemaschine 100 zu steuern. In einem anderen Beispiel, in dem das Steuersystem 214 die funktionelle prädiktive Karte oder die funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuert die Draperbandsteuerung 240 Maschinen-/Erntevorsatzstellglieder 248, um ein Draperband an der landwirtschaftlichen Erntemaschine 100 zu steuern. In einem anderen Beispiel, in dem das Steuersystem 214 die funktionelle prädiktive Karte oder die funktionelle prädiktive Karte mit hinzugefügten Steuerzonen empfängt, steuern die anderen Steuerungen 246 andere steuerbare Teilsysteme 256 an der landwirtschaftlichen Erntemaschine 100.In an example where the
Somit ist ersichtlich, dass das vorliegende System eine Vorabinformationskarte erstellt, die ein Merkmal, wie etwa einen vegetativen Indexwert, einen historischen Erntegutfeuchtigkeitswert, einen topographischen Merkmalswert oder einen Bodeneigenschaftswert 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 Merkmal, wie etwa Erntegutfeuchtigkeit, angeben, und erzeugt ein Modell, das eine Beziehung zwischen der In-situ erfassten Erntegutfeuchtigkeit mithilfe des In-situ-Sensors und dem in der Vorabinformationskarte abgebildeten Merkmal modelliert. Somit erzeugt das vorliegende System eine funktionelle prädiktive Karte mithilfe eines Modells und einer Vorabinformationskarte und kann die erzeugte funktionelle prädiktive Karte zum Verbrauch durch ein Steuersystem oder zur Präsentation an einen lokalen oder entfernten Bediener oder einen anderen Benutzer konfigurieren. Beispielsweise kann das Steuersystem die Karte verwenden, um eines oder mehrere Systeme eines Mähdreschers zu steuern.Thus, it can be seen that the present system creates a preliminary information map that maps a trait, such as a vegetative index value, a historical crop moisture value, a topographical trait value, or a soil property value, to various locations in a field. The present system also uses one or more in situ sensors that acquire in situ sensor data indicative of a characteristic, such as crop moisture, and creates a model that represents a relationship between the in situ sensed crop moisture using the in -situ sensor and the feature depicted in the preliminary information map. Thus, the present system generates a functional predictive map using a model and a prior information map, and can configure the generated functional predictive map for consumption by a control system or for presentation to a local or remote operator or other user. For example, the control system can use the map to control one or more systems of a combine.
In der vorliegenden Erläuterung 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, umgesetzt werden können, von denen einige im Folgenden beschrieben werden, die die mit diesen Systemen, Komponenten, Logiken oder Interaktionen verbundenen Funktionen ausführen. 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 may be implemented by hardware elements, such as processors, memory, or other processing components, some of which are described below, that are associated with such systems, components, logic, or perform functions related to interactions. In addition, any or all of the systems, components, logic, and interactions may be implemented by software loaded into memory and then processed by a processor or server or other computing device components are executed 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
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 hierin betrachtet.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 herein.
Ein weiteres Beispiel ist ein Beispiel, das ein oder alle vorhergehenden Beispiele beinhaltet, umfassend:
- ein Kommunikationssystem, das eine Vorabinformationskarte empfängt, die Werte eines landwirtschaftlichen Merkmals entsprechend unterschiedlichen geografischen Orten in einem Feld beinhaltet;
- einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erkennt;
- einen In-situ-Sensor, der einen Wert von Erntegutfeuchtigkeit erkennt, der der geografischen Position entspricht;
- einen prädiktiven Modellgenerator, der ein prädiktives landwirtschaftliches Modell erzeugt, das eine Beziehung zwischen dem landwirtschaftlichen Merkmal und der Erntegutfeuchtigkeit auf Grundlage eines Werts des landwirtschaftlichen Merkmals in der Vorabinformationskarte an der geografischen Position und des Werts der Erntegutfeuchtigkeit modelliert, der durch den In-situ-Sensor erfasst wird, der der geografischen Position entspricht; und
- einen prädiktiven Kartengenerator, der eine funktionelle prädiktive landwirtschaftliche Karte des Feldes erzeugt, die prädiktive Werte von Erntegutfeuchtigkeit auf Grundlage der Werte des landwirtschaftlichen Merkmals in der Vorabinformationskarte und auf Grundlage des prädiktiven landwirtschaftlichen Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.
- a communication system that receives a preliminary information map that includes values of an agricultural feature corresponding to different 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 a value of crop moisture that corresponds to the geographic location;
- a predictive model generator that generates a predictive agricultural model that models a relationship between the agricultural trait and the crop moisture based on a value of the agricultural trait in the advance information map at the geographic location and the value of the crop moisture detected by the in situ sensor is recorded that corresponds to the geographical position; and
- a predictive map generator that generates a functional predictive agricultural map of the field that maps predictive values of crop moisture to the various geographic locations in the field based on the values of the agricultural trait in the preliminary information map and based on the predictive agricultural model.
Ein anderes Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, 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.Another example is an example that includes any or all of the preceding examples, wherein the predictive map generator is the functional configured 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.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die Steuersignale das steuerbare Teilsystem steuern, um eine Vorschubgeschwindigkeit von Material durch die landwirtschaftliche Arbeitsmaschine einzustellen.Another example is an example that includes any or all of the preceding examples, wherein the control signals control the controllable subsystem to adjust a rate of advancement of material through the agricultural work machine.
in weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die Vorabinformationskarte eine frühere vegetative Indexkarte umfasst, die als Werte des landwirtschaftlichen Merkmals vegetative Indexwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Another example is an example that includes any or all of the preceding examples, wherein the preliminary information map includes a previous vegetative index map that includes as agricultural characteristic values vegetative index values corresponding to various geographic locations in the field.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen vegetativen Indexwerten und Erntegutfeuchtigkeit auf Grundlage des Werts der Erntegutfeuchtigkeit, der durch den In-situ-Sensor erfasst wird, der der geografischen Position und einem vegetativen Indexwert entspricht, in der vegetativen Indexkarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen vegetativen Indexwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert der Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugenAnother example is an example that includes any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between vegetative index values and crop moisture based on the crop moisture value sensed by the in situ sensor that is the geographic location and a vegetative index value corresponds to identify in the vegetative index map at the geographic location, wherein the predictive agricultural model is configured to receive a vegetative index value as a model input and a predictive crop moisture value as a model output based on the identified relationship to create
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die Vorabinformationskarte eine historische Erntegutfeuchtigkeitskarte umfasst, die als Werte des landwirtschaftlichen Merkmals historische Werte der Erntegutfeuchtigkeit beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Another example is an example that includes any or all of the preceding examples, wherein the preliminary information map includes a historical crop moisture map that includes as agricultural characteristic values historical crop moisture values corresponding to various geographic locations in the field.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen historischen Werten der Erntegutfeuchtigkeit und Erntegutfeuchtigkeit auf Grundlage des Werts der Erntegutfeuchtigkeit, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und eines historischen Werts der Erntegutfeuchtigkeit in der historischen Erntegutfeuchtigkeitskarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen historischen Wert der Erntegutfeuchtigkeit als eine Modelleingabe zu empfangen und einen prädiktiven Wert der Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Another example is an example that includes any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between historical crop moisture values and crop moisture based on the crop moisture value detected by the in situ sensor. corresponding to the geographic location, and a historical crop moisture value in the historical crop moisture map at the geographic location, wherein the predictive agricultural model is configured to receive a historical crop moisture value as a model input and a predictive crop moisture value as a generate model output based on the identified relationship.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die Vorabinformationskarte eine topographische Karte umfasst, die als Werte des landwirtschaftlichen Merkmals Werte eines topographischen Merkmals beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Another example is an example that includes any or all of the preceding examples, wherein the prior information map includes a topographic map including as agricultural feature values topographic feature values corresponding to different geographic locations in the field.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem topographischen Merkmal und der Erntegutfeuchtigkeit auf Grundlage des Werts der Erntegutfeuchtigkeit, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und eines Werts des topographischen Merkmals in der topografischen Karte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen Wert des topographischen Merkmals als eine Modelleingabe zu empfangen und einen prädiktiven Wert der Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Another example is an example that includes any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between the topographical feature and crop moisture based on the value of crop moisture detected by the in situ sensor. corresponding to the geographic location, and a value of the topographical feature in the topographical map at the geographic location, wherein the predictive agricultural model is configured to receive a value of the topographical feature as a model input and a predictive value of crop moisture as a generate model output based on the identified relationship.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die Vorabinformationskarte eine Bodeneigenschaftskarte umfasst, die als die Werte des landwirtschaftlichen Merkmals Werte einer Bodeneigenschaft beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Another example is an example that includes any or all of the preceding examples, wherein the prior information map includes a soil property map that includes as the agricultural feature values values of a soil property that correspond to different geographic locations in the field.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen der Bodeneigenschaft und Erntegutfeuchtigkeit auf Grundlage des Werts der Erntegutfeuchtigkeit, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und eines Werts der Bodeneigenschaft in der Bodeneigenschaftskarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen Wert der Bodeneigenschaft als eine Modelleingabe zu empfangen und einen prädiktiven Wert der Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Another example is an example that includes any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between soil property and crop moisture based on the value of crop moisture detected by the in situ sensor that is the corresponds to geographic location, and to identify a value of the soil property in the soil property map at the geographic location, wherein the predictive agricultural model is configured to receive a value of the soil property as a model input and a predictive value of the crop moisture as a model output based on the identified to create relationship.
Ein weiteres Beispiel ist ein Beispiel, das ein oder alle vorhergehenden Beispiele beinhaltet, umfassend:
- Empfangen einer Vorabinformationskarte in einer landwirtschaftlichen Arbeitsmaschine, die Werte eines landwirtschaftlichen Merkmals angibt, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- Erkennen einer geografischen Position der landwirtschaftlichen Arbeitsmaschine;
- Erkennen eines Werts der Erntegutfeuchtigkeit mit einem In-situ-Sensor, der der geografischen Position entspricht;
- Erzeugen eines prädiktiven landwirtschaftlichen Modells, das eine Beziehung zwischen dem landwirtschaftlichen Merkmal und der Erntegutfeuchtigkeit modelliert; und
- Steuern eines prädiktiven Kartengenerators, um die funktionelle prädiktive landwirtschaftliche Karte des Feldes zu erzeugen, die prädiktive Werte von Erntegutfeuchtigkeit auf Grundlage der Werte des landwirtschaftlichen Merkmals in der Vorabinformationskarte und des prädiktiven landwirtschaftlichen Modells auf die verschiedenen Positionen in dem Feld abbildet.
- receiving a preliminary information card in an agricultural working machine, the values of an agricultural characteristic indicates that correspond to different geographic locations in a field;
- detecting a geographic location of the agricultural work machine;
- detecting a crop moisture value with an in situ sensor that corresponds to the geographic location;
- generating a predictive agricultural model that models a relationship between the agricultural trait and crop moisture; and
- Controlling a predictive map generator to generate the functional predictive agricultural map of the field mapping predictive values of crop moisture to the various locations in the field based on the values of the agricultural characteristic in the advance information map and the predictive agricultural model.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet und ferner Folgendes umfasst:
- Konfigurieren der funktionellen prädiktiven landwirtschaftlichen Karte für ein Steuersystem, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.
- Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei das Empfangen der Vorabinformationskarte das Empfangen einer früheren vegetativen Indexkarte umfasst, die als Werte des landwirtschaftlichen Merkmals vegetative Indexwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.
- configuring the functional predictive agricultural 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 map.
- Another example is an example that includes any or all of the preceding examples, wherein receiving the preliminary information map includes receiving a previous vegetative index map that includes as agricultural feature values vegetative index values corresponding to different geographic locations in the field.
Ein weiteres Beispiel ist Beispiel eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven landwirtschaftlichen Modells Folgendes umfasst:
- Identifizieren einer Beziehung zwischen den vegetativen Indexwerten und Erntegutfeuchtigkeit auf Grundlage des erkannten Werts der Erntegutfeuchtigkeit, die der geografischen Position entspricht, und eines vegetativen Indexwerts in der vegetativen Indexkarte an der geografischen Position; und
- Steuern eines prädiktiven Modellgenerators, um das prädiktive landwirtschaftliche Modell zu erzeugen, das einen vegetativen Indexwert als eine Modelleingabe empfängt und einen prädiktiven Wert von Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.
- identifying a relationship between the vegetative index values and crop moisture based on the recognized crop moisture value corresponding to the geographic location and a vegetative index value in the vegetative index map at the geographic location; and
- Controlling a predictive model generator to generate the predictive agricultural model that receives a vegetative index value as a model input and generates a predictive value of crop moisture as a model output based on the identified relationship.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei das Empfangen der Vorabinformationskarte das Empfangen einer historischen Erntegutfeuchtigkeitskarte umfasst, die als die Werte des landwirtschaftlichen Merkmals historische Werte der Erntegutfeuchtigkeit beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Another example is an example that includes any or all of the preceding examples, wherein receiving the preliminary information map comprises receiving a historical crop moisture map that includes as the agricultural characteristic values historical crop moisture values corresponding to different geographic locations in the field.
Ein weiteres Beispiel ist Beispiel eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven landwirtschaftlichen Modells Folgendes umfasst:
- Identifizieren einer Beziehung zwischen der historischen Erntegutfeuchtigkeit und der Erntegutfeuchtigkeit auf Grundlage des Werts der Erntegutfeuchtigkeit, die durch den In-situ-Sensor erkannt wird, der der geografischen Position und einem historischen Wert der Erntegutfeuchtigkeit entspricht, in der historischen Erntegutfeuchtigkeitskarte an der geografischen Position; und
- Steuern eines prädiktiven Modellgenerators, um das prädiktive landwirtschaftliche Modell zu erzeugen, das einen historischen Wert von Erntegutfeuchtigkeit als eine Modelleingabe empfängt und einen prädiktiven Wert von Erntegutfeuchtigkeit als eine Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.
- identifying a relationship between the historical crop moisture and the crop moisture based on the value of the crop moisture detected by the in situ sensor corresponding to the geographic location and a historical value of the crop moisture in the historical crop moisture map at the geographic location; and
- Controlling a predictive model generator to generate the predictive agricultural model that receives a historical value of crop moisture as a model input and generates a predicted value of crop moisture as a model output based on the identified relationship.
Ein weiteres Beispiel ist ein Beispiel, das ein oder alle vorhergehenden Beispiele beinhaltet, ferner umfassend:
- Steuern eines Bedienerschnittstellenmechanismus, um die funktionelle prädiktive landwirtschaftliche Karte darzustellen.
- Controlling an operator interface mechanism to present the functional predictive agricultural map.
Ein weiteres Beispiel ist ein Beispiel, das ein oder alle vorhergehenden Beispiele beinhaltet, umfassend:
- ein Kommunikationssystem, das eine vorherige Karte empfängt, die Werte eines landwirtschaftlichen Merkmals angibt, die unterschiedlichen geografischen Positionen in einem Feld entsprechen;
- einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erkennt;
- einen In-situ-Sensor, der einen Wert von Erntegutfeuchtigkeit erkennt, der der geografischen Position entspricht;
- einen prädiktiven Modellgenerator, der ein prädiktives Modell für Erntegutfeuchtigkeit erzeugt, das eine Beziehung zwischen dem landwirtschaftlichen Merkmal und der Erntegutfeuchtigkeit auf Grundlage eines Werts des landwirtschaftlichen Merkmals in der vorherigen Karte an der geografischen Position und des Werts der Erntegutfeuchtigkeit modelliert, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht; und
- einen prädiktiven Kartengenerator, der eine funktionelle prädiktive Erntegutfeuchtigkeitskarte des Feldes erzeugt, die prädiktive Werte der Erntegutfeuchtigkeit auf Grundlage der landwirtschaftlichen Merkmalswerte in der vorherigen Karte und auf Grundlage des prädiktiven Erntegutfeuchtigkeitsmodells auf die verschiedenen Positionen in dem Feld abbildet.
- a communication system that receives a previous map indicative of values of an agricultural characteristic corresponding to different geographic positions in a field;
- a geographic position sensor that detects a geographic position of the agricultural working machine;
- an in situ sensor that detects a value of crop moisture that corresponds to the geographic location;
- a predictive model generator that generates a crop moisture predictive model representing a relationship between the agricultural trait and the crop moisture based on a value of the agricultural trait in the previous map modeled at the geographic location and the value of crop moisture detected by the in situ sensor corresponding to the geographic location; and
- a predictive map generator that generates a functional predictive crop moisture map of the field that maps predictive crop moisture values to the various locations in the field based on the agricultural characteristic values in the previous map and based on the predictive crop moisture model.
Ein weiteres Beispiel ist ein Beispiel, das eines oder alle vorhergehenden Beispiele beinhaltet, wobei die vorherige Karte eines oder mehrere von Folgendem umfasst:
- eine vegetative Indexkarte, die als Werte des landwirtschaftlichen Merkmals vegetative Indexwerte angibt, die den verschiedenen geografischen Positionen in dem Feld entsprechen;
- eine historische Erntefeuchtigkeitskarte, die als Werte des landwirtschaftlichen Merkmals historische Werte der Erntefeuchtigkeit angibt, die den verschiedenen geografischen Positionen in dem Feld entsprechen;
- eine topographische Karte, die als Werte des landwirtschaftlichen Merkmals Werte eines topographischen Merkmals angibt, die den verschiedenen geografischen Positionen in dem Feld entsprechen, oder
- eine Bodeneigenschaftskarte, die als Werte des landwirtschaftlichen Merkmals Werte einer Bodeneigenschaft angibt, die den verschiedenen geografischen Positionen in dem Feld entsprechen.
- a vegetative index map indicating, as agricultural characteristic values, vegetative index values corresponding to different geographic locations in the field;
- a historical crop moisture map indicating, as agricultural characteristic values, historical values of crop moisture corresponding to different geographic locations in the field;
- a topographical map giving as agricultural feature values values of a topographical feature corresponding to different geographic positions in the field, or
- a soil property map giving as agricultural characteristic values values of a soil property corresponding to different geographic locations in the field.
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 (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/066,471 US20220110236A1 (en) | 2020-10-08 | 2020-10-08 | Predictive machine characteristic map generation and control system |
US17/066,442 | 2020-10-08 | ||
US17/066,444 US20210243951A1 (en) | 2020-02-06 | 2020-10-08 | Machine control using a predictive map |
US17/066,442 US11589509B2 (en) | 2018-10-26 | 2020-10-08 | Predictive machine characteristic map generation and control system |
US17/066,471 | 2020-10-08 | ||
US17/066,444 | 2020-10-08 | ||
US17/067,603 US11871697B2 (en) | 2020-10-09 | 2020-10-09 | Crop moisture map generation and control system |
US17/067,603 | 2020-10-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021124364A1 true DE102021124364A1 (en) | 2022-04-14 |
Family
ID=80818275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021124364.5A Pending DE102021124364A1 (en) | 2020-10-08 | 2021-09-21 | CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021124364A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220201936A1 (en) * | 2020-12-29 | 2022-06-30 | Agco Corporation | Skid plate for sensor integration |
-
2021
- 2021-09-21 DE DE102021124364.5A patent/DE102021124364A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220201936A1 (en) * | 2020-12-29 | 2022-06-30 | Agco Corporation | Skid plate for sensor integration |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020204464A1 (en) | MACHINE CONTROL USING A REAL-TIME MODEL | |
DE102017215087A1 (en) | Control of ground engaging elements based on images | |
US20220167547A1 (en) | Predictive environmental characteristic map generation and control system | |
DE102021126413A1 (en) | AGRICULTURAL CHARACTERISTICS, CONFIDENCE AND CONTROL | |
DE102021200028A1 (en) | AGRICULTURAL HARVESTER WITH PREHEATING WEED DETECTION AND COLLECTION SYSTEM | |
DE102021120069A1 (en) | PREDICTIVE SPEED MAP GENERATION AND CONTROL SYSTEM | |
CN114303599A (en) | Predictive map generation and control based on soil properties | |
US11844311B2 (en) | Machine control using a predictive map | |
DE102021124364A1 (en) | CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM | |
DE102022123724A1 (en) | CROP COMPONENT DETECTION | |
DE102022124448A1 (en) | PREDICTIVE RESPONSE MAP GENERATION AND CONTROL SYSTEM | |
DE102022100945A1 (en) | MACHINE CONTROL USING A MAP WITH REGIME ZONES | |
DE102021124212A1 (en) | Machine control using a predictive map | |
DE102021119856A1 (en) | MACHINE CONTROL USING A PREDICTIVE SPEED MAP | |
DE102021119643A1 (en) | CROP STATE CARD GENERATION AND CONTROL SYSTEM | |
DE102021101230A1 (en) | Generation of predictive machine property maps and control system | |
DE102022122389A1 (en) | FARM MACHINE CONTROL USING WORK QUALITY BASED ON SIN-SITU WORKFLOW CAPTURE | |
DE102021119454A1 (en) | MACHINE CONTROL USING A PREDICTIVE MAP | |
DE102021124343A1 (en) | MAP GENERATION AND CONTROL SYSTEM | |
DE102021119842A1 (en) | PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES | |
DE102021119312A1 (en) | GENERATION AND CONTROL SYSTEM FOR A CROP STATE MAP | |
DE102021120197A1 (en) | Predictive map generation based on seeding traits and control | |
DE102021124715A1 (en) | CROP CONSTITUENT CARD GENERATION AND CONTROL SYSTEM | |
DE102021124015A1 (en) | MACHINE CONTROL USING A PREDICTIVE MAP | |
DE102021124392A1 (en) | MACHINE CONTROL USING A PREDICTIVE MAP |