-
BEREICH DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich auf den Bereich des Internets der sensorgestützten Überwachung von landwirtschaftlichen Flächen.
-
Die vorliegende Erfindung bezieht sich auf das Gebiet des Internets der Sensoren und der auf maschinellem Lernen basierenden Überwachung von landwirtschaftlichen Flächen.
-
Insbesondere bezieht sich die vorliegende Erfindung auf ein intelligentes System zur Überwachung des landwirtschaftlichen Bereichs mit IOT-Sensoren (IOT = Internet of Things; Internet der Dinge) und maschinellem Lernen.
-
HINTERGRUND DER ERFINDUNG
-
Bei dem im Abschnitt „Hintergrund“ behandelten Gegenstand sollte nicht davon ausgegangen werden, dass er allein aufgrund seiner Erwähnung im Abschnitt „Hintergrund“ zum Stand der Technik gehört. Ebenso sollte nicht davon ausgegangen werden, dass ein im Hintergrundabschnitt erwähntes oder mit dem Gegenstand des Hintergrundabschnitts verbundenes Problem bereits im Stand der Technik erkannt wurde. Der Gegenstand des Hintergrundabschnitts stellt lediglich verschiedene Ansätze dar, die für sich genommen ebenfalls Erfindungen sein können.
-
Einige der hier aufgeführten früheren Arbeiten:
- CN103942459 - METHODE ZUR FERNERFASSUNG UND ÜBERWACHUNG DES BLATTFLÄCHENINDEX VON WEIZEN: Die Erfindung gehört zum technischen Gebiet der Landwirtschaft und bezieht sich auf ein Verfahren zur Fernerkundung und Überwachung des Blattflächenindex von Weizen. Das Verfahren umfasst die Schritte, dass (1) Trainingsstichprobendaten erfasst werden, LAI-Daten, die an einem Teststichprobenpunkt in der Weizenwachstumsperiode gemessen wurden, als Grundlage angenommen werden, Fernerkundungsdaten des Gebiets synchron erfasst werden, die Korrelation eines Vegetationsindex und des LAI analysiert wird und der Vegetationsindex, der signifikant korreliert ist, herausgefiltert wird, um als Eingabeparameter eines Trainingsmodells angenommen zu werden; (2) der Vegetationsindex, der offensichtlich in Beziehung steht, wird als Eingangsparameter angenommen, der LAI-Wert wird als Zielwert angenommen, ein MK-SVR-Mischmodell, das auf einer radialen Basis und einem Polynomkern basiert, wird durch eine Trainingsstichprobe trainiert, und ein MK-SVR-LAI-Modell für jede Wachstumsperiode wird erhalten; (3) eine Teststichprobe wird ausgewählt, eine Inversion wird für den LAI des Weizens durch die in Schritt (2) erstellten Modelle durchgeführt, und der LAI des Weizens wird fernerkundet und überwacht. Die neuartige Methode dient der Verbesserung der Genauigkeit der LAI-Fernerkundung von Weizen und bietet theoretische und technologische Unterstützung für die Fernerkundung und Überwachung verschiedener Wachstumsstatusparameter von Weizen.
- CN108629289 - VERFAHREN UND SYSTEM ZUR IDENTIFIZIERUNG VON LANDWIRTSCHAFTLICHEN FLÄCHEN, UNBEMANNTES FLUGZEUG ZUR ANWENDUNG IN DER LANDWIRTSCHAFT: Die Erfindung stellt ein Verfahren und ein System zur Identifizierung von Landwirtschaftsflächen sowie ein unbemanntes Fluggerät zur Anwendung in der Landwirtschaft bereit, die auf dem technischen Gebiet der Landwirtschaft anwendbar sind. Das Identifikationsverfahren umfasst die folgenden Schritte: Erfassen eines Satellitenbildes; Segmentieren des Satellitenbildes, um eine Segmentierungsblockgruppe zu erhalten, wobei die Segmentierungsblockgruppe mindestens mehr als zwei Segmentierungsblöcke umfasst; Entfernen eines Nicht-Farmland-Blocks aus der Segmentierungsblockgruppe und Erhalten einer Restsegmentierungsblockgruppe, wobei der Restsegmentierungsblock mindestens einen Segmentierungsblock umfasst; Identifizieren eines Farmland-Blocks aus der Restsegmentierungsblockgruppe auf der Grundlage eines Vegetationsindexmerkmals. Die Erfindung ist insofern vorteilhaft, als dass zunächst das Satellitenbild segmentiert wird und Nicht-Ackerland-Blöcke aus der segmentierten Blockgruppe vorläufig entfernt werden und dann die Ackerland- Blöcke aus der verbleibenden Segmentierungsblockgruppe auf der Grundlage des Vegetationsindexmerkmals weiter identifiziert werden; der Implementierungsprozess ist einfach und die Erkennungsgenauigkeit ist recht hoch.
- RU0002622708 - VERFAHREN ZUR ZUCHTSAUSWAHL FÜR DIE GRÜNE PLANUNG: Aggregat von Indikatoren, die die Menge jeder sauerstoffproduzierenden Biomasseart für Standorte mit anthropogener Unterdrückung und einen Referenzstandort, der keiner anthropogenen Unterdrückung unterliegt, bestimmen, gemessen wird, wird die Menge Q1 der Biomasse jeder Art als Produkt der folgenden Faktoren berechnet: der relativen Anzahl der gesund gebliebenen Bäume Ni/N; der durchschnittlichen Höhe hi; dem Vegetationsindex HDVI; der durchschnittlichen Kronenquerschnittsfläche Si; der Kronendichte als durchschnittliche räumliche Spektralfrequenz des Kronenbildes Fi; die Differenz ΔQi zwischen der Menge der Artenbiomasse für den Referenzstandort und den untersuchten Standort wird ermittelt, die Arten werden auf der Grundlage des geringsten prozentualen Biomasseverlustes ΔQi/Qi [%] in eine Rangfolge gebracht. EFFEKT: quantitative Indexgenauigkeit und hohe Empfindlichkeit gegenüber den Komponenten.
- RU0002662019 - METHOD AND SYSTEM OF VEGETATION DENSITY INDEX MEASUREMENT: Gruppe von Erfindungen bezieht sich auf die Landwirtschaft und die Fernerkundung der Erde. Verfahren zur Messung des Dichteindexes der Vegetation wird unter Verwendung einer Bildaufnahmevorrichtung realisiert, die sich in einem Flugzeug befindet, wobei die Bildaufnahmevorrichtung ein System von Spektralfiltern umfasst und darin besteht, dass sie Bilddaten des Objekts im RGB-Bereich erhält, die Daten unter Verwendung eines Filtersystems verarbeitet werden, in dem der rote Kanal (R) der Bilder durch den nahen Infrarotbereich (NIR) digitalisiert wird und die Bilddaten im grünen (G) und blauen Kanal (B) unverändert gelassen werden oder das Bild im G-Kanal gelöscht wird. Die geografischen Koordinaten zum Zeitpunkt des Empfangs der Bilder des Objekts werden mit Hilfe des Navigationsgeräts des Flugzeugs festgelegt, den empfangenen Bildern werden Koordinaten zugewiesen, die mit dem Zeitpunkt des Erhalts des Bildes mit der aktuellen Position des Flugzeugs synchronisiert sind. Mindestens ein Dichteindex der Vegetation wird als Differenz zwischen den Intensitäten des reflektierten Lichts im sichtbaren und infraroten Bereich geteilt durch die Summe ihrer Intensitäten berechnet, eine gemeinsame Karte des resultierenden Index wird auf der Grundlage der verarbeiteten Bilder des Objekts gebildet. EFFEKT: Das technische Ergebnis besteht in der Verringerung der Berechnungszeit des Vegetationsdichteindexes unter Beibehaltung einer hohen Messgenauigkeit
- RU0002416192 - METHODE ZUR IDENTIFIZIERUNG DES ÖKOLOGISCHEN ZUSTANDS VON WÄLDERN: Die Methode zur Identifizierung des ökologischen Zustands von Wäldern umfasst die Sondierung von einem Flugzeugträger aus, die Messung des spektralen Strahlungskoeffizienten (SRC) eines Blätterdachs und die Verwendung der gemessenen SRC-Werte, Berechnung der Indizes für Vitalität (g) und rote Läsion (r), Erstellung von 2D-Bildern des Helligkeitsfeldes I(x,y) des Blätterdaches im grünen (G) und roten (R) Bereich des sichtbaren Spektrums, Schätzung des Waldbodenzustandes anhand der gemessenen Werte von SRC und I(x,y). SRC und I(x,y) ein und desselben Abschnitts werden synchron mit einem Spektrometer und Digitalkameras des G- und R-Bereichs mit angepassten Sichtfeldern gemessen, die koaxial auf einer beweglichen, ferngesteuerten Plattform installiert sind. Ein Vegetationsindex (NDVI) wird für eine Bepflanzung auf der untersuchten Fläche im nahen IR-Bereich berechnet. Die resultierende Bildmatrix (O) wird durch pixelweise Addition der (G)- und (R)-Bildmatrizen erzeugt. Das Programm verarbeitet die Signale der Bildmatrizen, um die durchschnittliche Frequenz der Raumspektren der resultierenden Matrix und der Matrix (R) entsprechend Fav0 und FavR sowie die Fläche der Reliefs Sr0 und SrR der Blattkronen zu berechnen. Die flächenmäßigen Bestandesmerkmale werden berechnet: Volumen V0, VR und Durchmesser einer durchschnittlichen Baumkrone D0=1/Fav0, DR=1/FavR. Der Gewichtskoeffizient α wird über das Verhältnis α=(VR/V0)(DR/D0)1,2 des Koeffizienten des schwachen Baumbestands VRDR 1,2 zum Gesamtkoeffizienten des Abschnittsbestands V0D0 1,2 definiert.
- CN107085712 - MODIS-DATENBASIERTE LANDWIRTSCHAFTLICHE DÜRREÜBERWACHUNGSMETHODE: Die Erfindung offenbart eine auf MODIS-Daten basierende landwirtschaftliche Trockenheitsüberwachungsmethode und gehört zum technischen Bereich der Landwirtschaft. Die Eigenschaft, dass die MODIS-Fernerkundung eine relativ hohe zeitliche Auflösung hat, wird zur Überwachung der Dürre von Ackerland verwendet; EVI und LST werden verwendet, um einen Temperatur-Vegetations-Dürre-Index (TVDI) zu erstellen, die Beziehung zwischen dem TVDI und der Bodenfeuchtigkeit wird analysiert, und ein Bodenfeuchtigkeits-Inversionsmodell wird erstellt; und das erstellte Bodenfeuchtigkeits-Inversionsmodul wird zur Dürreüberwachung und -analyse verwendet, und eine Dürre-Fernerkundungsüberwachungsplattform wird erstellt. Gemäß der Erfindung wird eine Fernerkundungstechnologie für die dynamische Dürreüberwachung von Ackerland verwendet, und die praktische Anwendung zeigt, dass die Methode einfach, hocheffizient, leicht zu bedienen und genau im Ergebnis ist und weithin für die Dürreüberwachung von Ackerland angewendet werden kann.
- RU.02379879 - METHODE ZUR VORAUSSCHÄTZUNG DER ERTRÄGE VON GETREIDEKULTURPFLANZEN AUF DER GRUNDLAGE VON DATEN DER RAUMÜBERWACHUNG UND DER MODELLIERUNG DER BIO-PRODUKTIVITÄT:
- Nach dieser Methode werden die Parameter von Getreide auf der Grundlage des Modells der Bio-Produktivität EPIC und auf der Grundlage täglicher meteorologischer Daten berechnet. Der Block der Eingabedaten zur Sonneneinstrahlung im EPIC-Modell wird für die Berechnung der Parameter der Kultur durch die Nutzung täglich ausgewerteter Daten von Wetterstationen und Daten der Fernerkundung modifiziert, auf deren Grundlage Standard-Vegetations- und Blattindizes berechnet werden. Auch der Blattindex LAI wird mit Hilfe von Satellitenbildern des untersuchten Gebiets berechnet. Ferner wird der Blattindex LAI anhand von Weltraumfotos oder Daten von Erdbeobachtungen zu bestimmten Daten des Pflanzenwachstums korrigiert, bis der Blattindex LAI das Maximum erreicht. Die Maximaltemperatur des Bodens wird durch die zusammengefasste kurzwellige Sonnenstrahlung bestimmt, während die Minimaltemperatur durch die effektive atmosphärische Strahlung bestimmt wird. Die kurzwellige Strahlung, die auf die Pflanzen einwirkt, wird durch die an Wetterstationen gemessene Luftfeuchtigkeit bestimmt. Die folgenden Pflanzenparameter werden mit regressiven Gleichungen berechnet: Biomasse, Blattindex, Pflanzenhöhe und Wurzelgewicht; die Überwachung des Zustands der Getreidekulturen im Zeitraum von der Aussaat bis zur Ernte erfolgt anhand dieser Parameter der Bioproduktivität. EFFEKT: Bewertung des Ertrags und der Erntebedingungen der Getreidepflanzen.
- IN202121021761 - INTELLIGENT MULTIPLE REGRESSION ANALYSIS IN AGRICULTURE: CROP PRODUCTIVITY, RAINFALL, FERTILITY, HUMIDITY, TEMPERATURE USING MACHINE LEARNING: Die Offenbarung „Intelligent Multiple Regression Analysis in Agriculture: Crop Productivity, Rainfall, Fertility, Humidity, Temperature Using Machine Learning“ betrifft ein Werkzeug zur Unterstützung des maschinellen Lernens für die Vorhersage von Ernteerträgen, einschließlich der Unterstützung von Entscheidungen darüber, welche Pflanzen angebaut werden sollen und was während der Anbausaison der Pflanzen zu tun ist. Die erfundenen Methoden und der Prozess kombinierte Varianzanalyse wurde aus den mittleren Daten, die für jedes Merkmal über zwei Saisons erhalten wurden, durchgeführt und Korrelations- und Regressionsanalysen wurden durchgeführt, um die Beziehung zwischen Ertrag und einigen Ertragskomponenten besser zu verstehen. Die Ergebnisse zeigten, dass die Jahreszeiten einen signifikanten Einfluss auf alle Merkmale hatten und dass die Interaktion zwischen den Jahreszeiten und den Sorten ebenfalls signifikant war und dass für alle acht Merkmale hochsignifikante Unterschiede und eine angemessene genetische Variabilität zwischen den Sorten beobachtet wurden. Die erfassten Ergebnisse der Korrelationskoeffizienten der Merkmale mit dem Kornertrag zeigten, dass die Kornzahl pro Ähre (r=0,84**), das Korngewicht/Ähre (0,87**), das 1000-KornGewicht (r=0,88**), die Anzahl der Ähren pro Quadratmeter (r=0,68*) und die Ährenlänge (r=0,67*) die höchste signifikante positive Korrelation mit dem Kornertrag aufwiesen, was auf die Abhängigkeit dieser Merkmale voneinander hinweist. Die Analyse der besten Teilmenge der multiplen Regression zeigt, dass die Hinzufügung der Variablen Anzahl der Körner pro Ähre (X4) und Korngewicht pro Ähre (X5) die Anpassung des Modells nicht verbessert. Die erfundene Technologie ist eine Methode zur Bewertung und Vorhersage des Ernteertrages, die eine stückweise lineare Regression mit dem Bruchpunkt und verschiedenen Wetter- und Landwirtschaftsparametern wie NDVI, Oberflächenparametern (Bodenfeuchtigkeit und Oberflächentemperatur) und Niederschlagsdaten verwendet, und die Parameter können bei der Schätzung und Vorhersage der Erntebedingungen helfen.
-
Gruppierungen von alternativen Elementen oder Ausführungsformen der hierin offenbarten Erfindung sind nicht als Einschränkungen zu verstehen. Jedes Gruppenmitglied kann einzeln oder in beliebiger Kombination mit anderen Mitgliedern der Gruppe oder anderen hierin enthaltenen Elementen in Bezug genommen und beansprucht werden. Ein oder mehrere Mitglieder einer Gruppe können aus Gründen der Zweckmäßigkeit und/oder der Patentierbarkeit in eine Gruppe aufgenommen oder aus ihr entfernt werden. Wenn eine solche Aufnahme oder Streichung erfolgt, wird davon ausgegangen, dass die Spezifikation die Gruppe in der geänderten Form enthält, wodurch die schriftliche Beschreibung aller in den beigefügten Ansprüchen verwendeten Markush-Gruppen erfüllt wird.
-
Wie in der vorliegenden Beschreibung und in den folgenden Ansprüchen verwendet, schließt die Bedeutung von „ein“, „eine“ und „die“ den Plural ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt. Wie in der vorliegenden Beschreibung verwendet, schließt die Bedeutung von „in“ auch „in“ und „am“ ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt.
-
Die Aufzählung von Wertebereichen dient lediglich als Kurzbezeichnung für jeden einzelnen Wert, der in den Bereich fällt. Sofern hier nicht anders angegeben, wird jeder einzelne Wert in die Spezifikation aufgenommen, als ob er hier einzeln aufgeführt wäre. Alle hierin beschriebenen Verfahren können in jeder geeigneten Reihenfolge durchgeführt werden, sofern hierin nichts anderes angegeben ist oder der Kontext dem nicht eindeutig widerspricht.
-
Die Verwendung von Beispielen oder beispielhaften Formulierungen (z. B. „wie“) in Bezug auf bestimmte Ausführungsformen dient lediglich der besseren Veranschaulichung der Erfindung und stellt keine Einschränkung des Umfangs der ansonsten beanspruchten Erfindung dar. Keine Formulierung in der Beschreibung ist als Hinweis auf ein nicht beanspruchtes Element zu verstehen, das für die Ausübung der Erfindung wesentlich ist.
-
Die in diesem Abschnitt „Hintergrund“ offengelegten Informationen dienen lediglich dem besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die nicht zum Stand der Technik gehören und die einer Person mit normaler Fachkenntnis in diesem Land bereits bekannt sind.
-
ZUSAMMENFASSUNG
-
Bevor die vorliegenden Systeme und Methoden beschrieben werden, sei darauf hingewiesen, dass diese Anwendung nicht auf die beschriebenen Systeme und Methoden beschränkt ist, da es mehrere mögliche Ausführungsformen geben kann, die in der vorliegenden Offenlegung nicht ausdrücklich dargestellt sind. Es ist auch zu verstehen, dass die in der Beschreibung verwendete Terminologie nur zur Beschreibung der besonderen Versionen oder Ausführungsformen dient und nicht dazu gedacht ist, den Umfang der vorliegenden Anwendung zu begrenzen.
-
Die vorliegende Erfindung heilt und löst vor allem die technischen Probleme, die im Stand der Technik bestehen. Als Antwort auf diese Probleme offenbart die vorliegende Erfindung ein intelligentes System für die Überwachung der Landwirtschaft Feld mit IOT Sensoren und maschinelles Lernen.
-
Ein Aspekt der vorliegenden Erfindung präsentiert „Ein intelligentes System zur Überwachung der Landwirtschaft Feld mit lOT-Sensoren und maschinelles Lernen, wobei die intelligente dadurch gekennzeichnet, dass:
- Eine sichtbare und infrarote sichtbare und infrarote Lichteinheit umfassend eine sichtbare und infrarote Lichtquelle und einen sichtbaren und infraroten sichtbaren und infraroten Lichtempfänger, der verwendet wird, um das sichtbare und infrarote Licht auf das landwirtschaftliche Feld zu übertragen und das reflektierte sichtbare und infrarote Licht von dem landwirtschaftlichen Feld zu empfangen; eine Wetterüberwachungseinheit, die verwendet wird, um die Informationen über die Wettervorhersage unter Verwendung des geographischen Standorts zu erhalten; und eine zentrale Steuereinheit, die mit der gesamten sichtbaren und infraroten Lichteinheit verbunden ist und dazu dient, die von der sichtbaren und infraroten sichtbaren und infraroten Lichteinheit empfangenen Informationen zu verarbeiten, wobei die zentrale Steuereinheit den Wert des normalisierten Differenzvegetationsindex (NDVI) des landwirtschaftlichen Feldes berechnet, wobei die zentrale Steuereinheit den NDVI-Wert mit den Informationen über das landwirtschaftliche Feld verarbeitet, wobei die zentrale Steuereinheit die verarbeiteten Informationen an einen zentralen Server sendet, um die Daten mit einem Bodenindex zu analysieren, um die Gesundheit der landwirtschaftlichen Kulturen zu erhalten, wobei der Bodenindex von Landwirtschaftsexperten entsprechend der Art des Bodens, dem Wert des NDVI-Index und der aktuellen Wettervorhersage erzeugt wird. "
-
KURZBESCHREIBUNG DER FIGUREN
-
Um verschiedene Aspekte einiger Ausführungsbeispiele der vorliegenden Erfindung zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen, die in den beigefügten Figuren dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Figuren nur illustrierte Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung anzusehen sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail durch die Verwendung der beigefügten Figuren beschrieben und erläutert werden.
-
Damit die Vorteile der vorliegenden Erfindung leicht verstanden werden, wird im Folgenden eine detaillierte Beschreibung der Erfindung in Verbindung mit den beigefügten Figuren erörtert, die jedoch nicht als Beschränkung des Umfangs der Erfindung auf die beigefügten Figuren angesehen werden sollten, in denen:
- Die 1 ein Blockdiagramm eines intelligenten Systems zur Überwachung eines landwirtschaftlichen Feldes mit lOT-Sensoren und maschinellem Lernen zeigt.
-
DETAILLIERTE BESCHREIBUNG
-
Die vorliegende Erfindung bezieht sich auf ein intelligentes System zur Überwachung von landwirtschaftlichen Flächen mit IOT-Sensoren und maschinellem Lernen.
-
1 zeigt ein detailliertes Blockdiagramm eines intelligenten Systems zur Überwachung eines landwirtschaftlichen Feldes mit IOT-Sensoren und maschinellem Lernen.
-
Obwohl die vorliegende Offenlegung mit dem Zweck des intelligenten Systems für die Überwachung der Landwirtschaft Feld mit IOT-Sensoren und maschinelles Lernen beschrieben wurde, sollte es geschätzt werden, dass das gleiche nur getan wurde, um die Erfindung in einer beispielhaften Weise zu veranschaulichen und jeden anderen Zweck oder Funktion zu markieren, für die erklärte Strukturen oder Konfigurationen verwendet werden könnte und ist innerhalb des Anwendungsbereichs der vorliegenden Offenbarung abgedeckt.
-
Das intelligente System (10) zur Überwachung eines landwirtschaftlichen Feldes unter Verwendung von IOT-Sensoren und maschinellem Lernen wird in dieser Offenlegung vorgestellt.
-
Das intelligente Gerät (10) umfasst eine sichtbare und infrarote Lichteinheit (1) und eine zentrale Steuereinheit (4).
-
Die Einheit für sichtbares und infrarotes Licht (1) umfasst eine Quelle für sichtbares und infrarotes Licht (2) und einen Empfänger für sichtbares und infrarotes Licht (3).
-
Die Einheit für sichtbares und infrarotes Licht (1) wird verwendet, um das sichtbare und infrarote Licht auf das landwirtschaftliche Feld zu übertragen und das reflektierte sichtbare und infrarote Licht vom landwirtschaftlichen Feld zu empfangen.
-
Eine Wetterüberwachungseinheit (5) wird verwendet, um Informationen über die Wettervorhersage anhand des geografischen Standorts zu erhalten;
-
Eine zentrale Steuereinheit (4) wird verwendet, um die von der sichtbaren und infraroten sichtbaren und infraroten Lichteinheit (1) empfangenen Informationen zu verarbeiten. Die zentrale Steuereinheit (4) ist eine mikrocontrollerbasierte zentrale Steuereinheit.
-
Die zentrale Steuereinheit (4) berechnet den Wert des normalisierten Differenzvegetationsindex (NDVI) des landwirtschaftlichen Feldes. Die zentrale Steuereinheit (4) verarbeitet den NDVI-Wert mit den Informationen über das landwirtschaftliche Feld und bestimmt den Gesundheitszustand des landwirtschaftlichen Feldes mithilfe eines maschinellen Lernmodells.
-
Die zentrale Steuereinheit (4) sendet die Prozessinformationen an einen zentralen Server (6), um die Daten mit einem Bodenindex (6) zu analysieren und den Gesundheitszustand der landwirtschaftlichen Kulturen zu ermitteln.
-
Der Bodenindex (6) wird von Landwirtschaftsexperten auf der Grundlage der Bodenart, des NDVI-Indexes und der aktuellen Wettervorhersage erstellt."
-
Die Figuren und die vorangehende Beschreibung zeigen Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Blockdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden, und es müssen auch nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt.
-
Obwohl Ausführungsformen der Erfindung in einer für strukturelle Merkmale und/oder Methoden spezifischen Sprache beschrieben wurden, sind die beigefügten Ansprüche nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Methoden beschränkt. Vielmehr werden die spezifischen Merkmale und Methoden als Beispiele für Ausführungsformen der Erfindung offenbart.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- CN 103942459 [0005]
- CN 108629289 [0005]
- RU 0002622708 [0005]
- RU 0002662019 [0005]
- RU 0002416192 [0005]
- CN 107085712 [0005]
- RU 02379879 [0005]
- IN 202121021761 [0005]
