ES2946790T3

ES2946790T3 - Control de áreas de producción agrícola

Info

Publication number: ES2946790T3
Application number: ES17867562T
Authority: ES
Inventors: Simon Allen; Peter Love; Nicolene Abrie; Elizabeth Graham
Original assignee: Yield Tech Solutions Pty Ltd
Current assignee: Yield Tech Solutions Pty Ltd
Priority date: 2016-11-02
Filing date: 2017-10-30
Publication date: 2023-07-26
Anticipated expiration: 2037-10-30
Also published as: NZ753738A; WO2018081853A1; AU2023203307A1

Abstract

Esta divulgación se relaciona con un sistema de riego para un área de producción agrícola. El sistema recibe datos de predicción meteorológica de área amplia y los sensores desplegados dentro del área de producción agrícola recopilan datos de sensores de área local. Un procesador almacena los datos recibidos como datos históricos de predicción meteorológica de área amplia y los datos de los sensores como datos históricos de sensores de área local. El procesador determina una correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos de sensor de área local basándose en los datos históricos de predicción meteorológica de área amplia y los datos históricos de sensor de área local, y calcula una predicción sobre el suministro de agua en relación con demanda de agua dentro del área de producción agrícola basada en los datos actuales de predicción meteorológica de área amplia y la correlación calculada. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Control de áreas de producción agrícola

Campo técnico

[0001] Esta divulgación se relaciona con sistemas y métodos para controlar áreas de producción agrícola.

Antecedentes

[0002] La producción agrícola se ve significativamente afectada por las influencias ambientales. La figura 1 ilustra una producción agrícola 100 donde los cultivos 101 crecen en la ladera de una colina 102. El sol 103 proporciona luz para que crezcan los cultivos 101 pero también provoca la evapotranspiración que se equilibra con la precipitación 104 de las nubes 105. Sin embargo, la precipitación 104 depende de si la nube 105 pasa por la colina 102 antes de llegar al área por encima de los cultivos 101, que a su vez depende del viento 106. Para compensar la falta de precipitaciones, un agricultor puede mantener un depósito de agua 107 para regar los cultivos 101 cuando sea necesario.

Sin embargo, a menudo es difícil para el agricultor tomar las mejores decisiones porque la multitud de influencias hace que esta decisión sea complicada. Por lo tanto, las estimaciones a menudo son inexactas, lo que da como resultado una producción subóptima. Por lo tanto, existe la necesidad de una predicción más precisa para que los agricultores puedan tomar medidas en sus fincas de manera más eficiente. El documentoWO2016/164147 A1 divulga un método para calibrar pronósticos que involucran temperatura, precipitación y otras variables relacionadas con el clima. Los pronósticos históricos basados en conjuntos y las observaciones históricas son recibidos por un sistema informático de inteligencia agrícola. Las diferencias históricas se determinan entre los pronósticos y las observaciones correspondientes a los pronósticos y se almacenan en la memoria volátil del sistema informático de inteligencia agrícola. El sistema informático de inteligencia agrícola recibe pronósticos actuales basados en conjuntos y una solicitud de pronósticos mejorados. El sistema informático de inteligencia agrícola recupera las diferencias históricas y utiliza una combinación de las diferencias históricas y los pronósticos actuales basados en conjuntos para crear distribuciones de probabilidad para el clima para cada día adelantado. Luego, el sistema informático de inteligencia agrícola toma muestras de las distribuciones de probabilidad para crear pronósticos mejorados basados en conjuntos en la ubicación solicitada.

[0003] El documento US 2016/0232621 A1 divulga un método implementado por ordenador para recomendar actividades agrícolas implementadas por un sistema informático de inteligencia agrícola en comunicación con una memoria. El método incluye recibir una pluralidad de datos de definición de campo, recuperar una pluralidad de datos de entrada de una pluralidad de redes de datos, determinar una región de campo en base a los datos de definición de campo, identificar un subconjunto de la pluralidad de datos de entrada asociados con la región de campo, determinar una pluralidad de datos de condiciones de campo en base al subconjunto de la pluralidad de datos de entrada, identificar una pluralidad de opciones de actividad de campo, determinar un puntaje de recomendación para cada una de la pluralidad de opciones de actividad de campo en base al menos en parte a la pluralidad de condiciones de campo datos, y proporcionando una opción de actividad de campo recomendada de la pluralidad de opciones de actividad de campo en base a la pluralidad de puntuaciones de recomendación.

[0004] Cualquier discusión sobre documentos, actos, materiales, dispositivos, artículos o similares que se haya incluido en la presente especificación no debe tomarse como una admisión de que cualquiera o todos estos asuntos forman parte de la base del estado de la técnica o eran de conocimiento general común en el campo relevante para la presente divulgación tal como existía antes de la fecha de prioridad de cada reivindicación de esta solicitud.

[0005] A lo largo de esta especificación, la palabra "comprende", o variaciones como "que comprende" o "comprendiendo", se entenderá que implica la inclusión de un elemento, integrante o etapa, o grupo de elementos, integrantes o etapas, pero no la exclusión de cualquier otro elemento, integrante o etapa, o grupo de elementos, integrante o etapas.

Sumario

[0006] La presente invención proporciona un método implementado por ordenador según la reivindicación 1 y un sistema informático según la reivindicación 15. Otros desarrollos de la invención se definen en las reivindicaciones dependientes. Cualquier realización y ejemplo de la descripción que no esté dentro del ámbito de las reivindicaciones no forma parte de la invención y se proporciona únicamente con fines ilustrativos.

[0007] Es una ventaja que calcular una predicción basada en datos de sensores de área local sea más precisa ya que el cálculo captura variaciones en el área local que son imposibles de incorporar en pronósticos de área amplia. Por ejemplo, un potrero que se encuentra justo al lado de una vía fluvial tiene un microclima significativamente diferente, es decir, más húmedo según la dirección del viento, que un potrero que está a 50 m de la vía fluvial. Además, determinar la correlación a partir de los datos del sensor es más sólido y rentable que modelar las características del área local. Por ejemplo, es difícil y propenso a errores modelar el viento en un terreno determinado. La correlación determinada captura el efecto que el viento tiene en los datos del sensor. Como resultado, se puede capturar una amplia variedad de efectos microclimáticos sin modelado complicado y propenso a errores. Esto hace que el método se pueda implementar fácilmente en cualquier terreno y cualquier tipo de sensores y predicciones de área amplia.

[0008] La predicción puede referirse a por lo menos 24 horas en el futuro.

[0009] Los datos históricos de predicción meteorológica de área amplia y los datos históricos de sensores de área local pueden estar relacionados con al menos 5 días en el pasado.

[0010] El cálculo de la predicción sobre el parámetro agrícola del área local puede basarse en un modelo agrícola.

[0011] El modelo agrícola puede basarse en el crecimiento de las plantas.

[0012] Es una ventaja que considerar el crecimiento de las plantas hace que el resultado sea más preciso que otros modelos que solo se basan en los tipos de suelo, por ejemplo, ya que el crecimiento de las plantas puede capturar diferentes tipos de plantas en el mismo tipo de suelo.

[0013] El modelo agrícola puede comprender un valor indicativo de la evapotranspiración de las plantas.

[0014] El valor indicativo de la evapotranspiración de las plantas puede ser variable en el tiempo.

[0015] Es una ventaja que los cálculos puedan adaptarse al estado actual de crecimiento de las plantas y, por lo tanto, 'rastrear' la evapotranspiración a medida que crecen las plantas.

[0016] Los datos históricos de predicción meteorológica de área amplia y los datos actuales de predicción meteorológica de área amplia pueden comprender datos de viento y la determinación de la correlación y el cálculo de la predicción se basan en los datos de viento.

[0017] El método puede comprender además actualizar repetidamente la correlación en base a datos de predicción meteorológica de área amplia adicionales y datos de sensores de área local adicionales.

[0018] Es una ventaja que el método aprende con el tiempo y se vuelve más preciso a medida que hay más datos disponibles.

[0019] El área de producción agrícola puede comprender múltiples subáreas, puede haber al menos un sensor de área local en cada una de las múltiples subáreas, y se puede realizar la determinación de la correlación y el cálculo de la predicción para cada una de las subáreas.

[0020] Es una ventaja que las diferentes subáreas se puedan controlar individualmente, lo que permite una utilización óptima en toda el área. Esto puede capturar cambios de terreno, suelo y otros factores influyentes en las diferentes subáreas.

[0021] Calcular una predicción sobre un parámetro agrícola de área local puede comprender calcular una predicción del estado de una planta y controlar el sistema de riego o el mecanismo de protección puede basarse en el estado de la planta.

[0022] El método puede comprender además el cálculo de una predicción sobre los datos futuros del sensor de área local, en el que el control del sistema de riego o el mecanismo de protección puede basarse en el estado previsto de la planta y los datos futuros del sensor de área local.

[0023] El método puede comprender además la creación de una interfaz gráfica de usuario para presentar la predicción sobre el parámetro agrícola del área local a un usuario.

[0024] El método puede comprender repetir la etapa de calcular la predicción para múltiples tiempos futuros y crear la interfaz gráfica de usuario para presentar una serie temporal de la predicción para múltiples tiempos futuros.

[0025] Es una ventaja que el usuario pueda ver las predicciones a lo largo del tiempo y considerar qué acciones tomar. Por ejemplo, el usuario puede decidir detener el riego a pesar de un gran déficit actual de agua si una de las predicciones futuras muestra precipitaciones.

[0026] En otro ejemplo, es posible que el usuario necesite planificar la utilización del personal durante los próximos 7 días, pero si se pronostica que lloverá, es posible que solo se necesite la mitad del personal, ya que no regará ese día, por lo tanto, el usuario seleccionará al personal en función de la predicción futura de lluvias.

[0027] La interfaz gráfica de usuario puede comprender elementos de entrada para permitir al usuario introducir acciones de control planificadas.

[0028] Es una ventaja que el usuario pueda ingresar acciones de control con referencia a los valores predichos, lo que hace que la interfaz sea más intuitiva.

[0029] El método puede comprender además determinar una sugerencia para controlar el sistema de riego o el mecanismo de protección en base a la predicción del parámetro agrícola.

[0030] El método puede comprender además determinar una predicción sobre los datos del sensor de área local en base a los datos actuales de predicción meteorológica de área amplia y la correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos del sensor de área local, en el que la determinación de la sugerencia puede basarse en un riesgo predefinido asociado con datos de sensores de área local donde es probable que ocurra ese riesgo y la sugerencia se determina en función de la predicción de los datos de sensores de área local para reducir el riesgo.

[0031] El método puede comprender además la creación de una interfaz de usuario para mostrar la sugerencia.

[0032] El parámetro agrícola del área local puede ser un déficit o un excedente de agua.

[0033] La predicción sobre el parámetro agrícola del área local puede comprender un parámetro de calidad indicativo de una calidad prevista de un producto del área de producción agrícola y controlar el sistema de riego o el mecanismo de protección puede comprender optimizar el parámetro de calidad.

[0034] Es una ventaja que el usuario pueda controlar directamente la producción real que determina la rentabilidad de la cadena de valor. Esto evita conjeturas inexactas y propensas a errores y permite lograr el mejor resultado de calidad incluso cuando hay un gran grado de variación en las condiciones en toda la finca. El método puede comprender además repetir la etapa de calcular la predicción sobre el parámetro de calidad para múltiples tiempos futuros y crear una interfaz gráfica de usuario para presentar una serie temporal de la predicción sobre el parámetro de calidad para múltiples tiempos futuros.

[0035] Es una ventaja que el usuario pueda ver directamente en qué punto en el tiempos del futuro la calidad es óptima.

[0036] El parámetro de calidad puede comprender una vida útil esperada.

[0037] El software, cuando es ejecutado por un ordenador, hace que el ordenador realice el método anterior.

[0038] Las características opcionales descritas de cualquier aspecto del método, medio legible por ordenador, sistema informático o sistema de riego, cuando corresponda, se aplican de manera similar a los demás aspectos que también se describen aquí.

Breve descripción de los dibujos

La figura 1 ilustra una producción agrícola según la técnica anterior.

Ahora se describirá un ejemplo con referencia a:

La figura 2 ilustra una producción agrícola controlada.

La figura 3 ilustra el servidor de la figura 2 con más detalle.

La figura 4 ilustra un método para controlar un área de producción agrícola.

La figura 5 ilustra una base de datos de datos históricos.

La figura 6 ilustra una interfaz de usuario de ejemplo para un bloque.

La figura 7 ilustra una interfaz de usuario de ejemplo para múltiples bloques.

La figura 8 ilustra una interfaz de usuario acumulativa.

La figura 9 ilustra un diagrama de dispersión 800 de datos históricos de predicción meteorológica de área amplia. La figura 10 ilustra un gráfico de dispersión del viento pronosticado frente al viento medido para una primera condición sinóptica.

La figura 11 ilustra una matriz de correlación.

Descripción de realizaciones

[0040] Esta divulgación proporciona una predicción más precisa porque los cálculos propuestos aquí capturan variaciones en el área local que son prácticamente imposibles de incorporar en pronósticos de área amplia. El método divulgado es más sólido y rentable que modelar las características del área local, como el viento en un terreno dado. Se puede capturar una amplia variedad de efectos microclimáticos sin modelado complicado y propenso a errores.

[0041] Dentro de esta divulgación y a menos que se indique lo contrario, los datos de predicción meteorológica de área amplia se refieren a datos generados por un modelo con una resolución espacial limitada. Por ejemplo, el área amplia puede referirse a una resolución de 10 km o más, lo que significa que las ubicaciones dentro de una celda de 10 km por 10 km tienen la misma predicción. Los datos de predicción meteorológica de área amplia también pueden pasar por alto las características geológicas, como las vías fluviales y el terreno, por debajo de un umbral predefinido, como 100 m de ancho de vías fluviales o 100 de elevación del terreno o masas de agua o características del relieve que tienen una escala menor que la de la cuadrícula del modelo, o están mal resueltos en la resolución de la cuadrícula del modelo.

[0042] Los datos de predicción meteorológica de área amplia pueden incluir datos calculados por uno o más de los siguientes modelos:

GFS Sistema de Pronóstico Global (anteriormente AVN) - desarrollado por NOAA

NOGAPS - desarrollado por la Marina de los US para compararlo con el GFS

GEM Modelo Multiescala Ambiental Global - desarrollado por el Servicio Meteorológico de Canadá (MSC)

IFS desarrollado por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo

UM Modelo unificado desarrollado por la Oficina Meteorológica del Reino Unido

GME desarrollado por el Servicio Meteorológico Alemán, DWD, NWP Modelo global de DWD

ARPEGE desarrollado por el Servicio Meteorológico Francés, Météo-France

Modelo de Circulación General Intermedia IGCM

WRF El modelo Weather Research and Forecasting fue desarrollado en forma cooperativa por NCEP, NCAR y la comunidad de investigación meteorológica. WRF tiene varias configuraciones, que incluyen:

WRF-NMM El modelo de mesoescala no hidrostático WRF es el principal modelo de pronóstico del tiempo a corto plazo para los US y reemplaza al modelo Eta.

WRF-ARW Investigación Avanzada WRF desarrollado principalmente en el Centro Nacional de Investigación Atmosférica (NCAR) de U.S.

NAM El término modelo de mesoescala de América del Norte se refiere a cualquier modelo regional que NCEP opere en el dominio de América del Norte. NCEP comenzó a utilizar este sistema de designación en enero de 2005. Entre enero de 2005 y mayo de 2006 el modelo Eta utilizó esta denominación. A partir de mayo de 2006, NCEP comenzó a utilizar WRF-NMM como NAM operativo.

• RAMS, el Sistema Regional de Modelado Atmosférico desarrollado en la Universidad Estatal de Colorado para simulaciones numéricas de meteorología atmosférica y otros fenómenos ambientales en escalas de metros a cientos de kilómetros, ahora respaldado en el dominio público

• MM5 El modelo de mesoescala Penn State/NCAR de quinta generación

• ARPS, el Sistema avanzado de predicción de regiones desarrollado en la Universidad de Oklahoma, es un sistema integral de predicción y simulación no hidrostático a múltiples escalas que se puede utilizar para la predicción meteorológica a escala regional hasta la simulación y predicción a escala de tornado. La asimilación avanzada de datos de radar para la predicción de tormentas eléctricas es una parte clave del sistema.

• El modelo de área limitada de alta resolución HIRLAM está desarrollado por el consorcio de investigación europeo de PNT HIRLAM, cofinanciado por 10 servicios meteorológicos europeos. El modelo HIRLAM de mesoescala se conoce como HARMONIE y se desarrolló en colaboración con los consorcios Meteo France y ALADIN.

• GEM-LAM Modelo de Área Limitado Multiescala Ambiental Global, el GEM de alta resolución de 2,5 km (1,6 millas) del Servicio Meteorológico de Canadá (MSC)

• ALADIN El modelo hidrostático y no hidrostático de área limitada de alta resolución desarrollado y operado por varios países europeos y del norte de África bajo el liderazgo de Météo-France

• COSMO El Modelo COSMO, antes conocido como LM, aLMo o LAMI, es un modelo no hidrostático de área limitada desarrollado en el marco del Consorcio para Modelado a Pequeña Escala (Alemania, Suiza, Italia, Grecia, Polonia, Rumanía y Rusia).

• ECMWF Centro Europeo de Pronósticos Meteorológicos a Medio Plazo

• ACCESO al modelo meteorológico del Simulador de Clima y Sistema Terrestre de la Comunidad Australiana de la Oficina Australiana de Meteorología

[0043] Los datos de sensores de área local significan datos de sensores que se recopilan en un punto particular dentro del área de producción agrícola. Esto significa que el área considerada por los datos del sensor de área local es al menos una magnitud más pequeña que el área considerada por los datos de predicción meteorológica de área amplia.

[0044] La figura 2 ilustra la producción agrícola 100 de la figura 1 pero ahora, de acuerdo con la invención reivindicada, con un sistema de riego 200 desplegado para controlar el riego de la producción agrícola 100. El sistema de riego 200 comprende un servidor de seguimiento y control 201 conectado a un accionador de riego 202 y a un receptor 203 para datos de predicción meteorológica de área amplia. También hay una red de sensores 204 que comprende múltiples sensores, como el sensor de ejemplo 205 desplegado dentro de un área de producción agrícola 206 para recopilar datos de sensores de área local. El servidor 201 predice el suministro de agua en relación con la demanda de agua dentro del área de producción agrícola 206 y controla el accionador 206 en consecuencia para compensar cualquier escasez de agua.

Sistema informático

[0045] La figura 3 ilustra el servidor 201 con más detalle. El servidor 201 es un sistema informático que comprende un procesador 302 conectado a una memoria de programa 304, una memoria de datos 306, un puerto de comunicación 308 y un puerto de usuario 310. La memoria de programa 304 es un medio legible por ordenador no transitorio, tal como un disco duro, un disco de estado sólido o un CD-ROM. El software, es decir, un programa ejecutable almacenado en la memoria de programa 304 hace que el procesador 302 realice el método de la figura 4, es decir, el procesador 302 recopila datos del sensor de área local y determina una correlación con los datos de predicción meteorológica de área amplia, como datos de pronóstico del tiempo, predice el suministro de agua en relación con la demanda de agua dentro del área de producción agrícola 206 y controla el actuador 206 en consecuencia para compensar cualquier escasez de agua.

[0046] El procesador 302 puede almacenar el suministro de agua calculado en relación con la demanda de agua o generar una interfaz de usuario que muestre el suministro de agua calculado en relación con la demanda de agua en el almacén de datos 306, como código HTML en RAM o un registro de procesador. El procesador 302 también puede enviar los valores determinados y/o la interfaz de usuario a través del puerto de comunicación 308 a un servidor web 320 que pone el código HTML a disposición del usuario 316.

[0047] El procesador 302 puede recibir datos, como datos de sensores de área local, datos de predicción meteorológica de área amplia o datos de entrada del usuario, desde la memoria de datos 306, así como desde el puerto de comunicaciones 308 y el puerto de usuario 310, que está conectado a una pantalla 312 que muestra una representación visual 314 de la interfaz de usuario para un usuario 316. Se observa que el sistema informático 201 puede ser un sistema informático personal, tal como un ordenador personal, un teléfono inteligente, una tableta, un phablet u otro dispositivo informático. En esos casos, el procesador 302 y la pantalla 312 son parte del mismo dispositivo. En otros ejemplos, los datos se procesan en un servidor y el procesador 302 genera la interfaz de usuario en forma de HTML u otro formato basado en la web. En esos casos, la pantalla 312 es parte de un dispositivo diferente, como un dispositivo informático personal con un navegador web instalado o una aplicación de programa propietario ("aplicación") para representar la interfaz de usuario generada por el procesador 302.

[0048] En un ejemplo, el procesador 302 recibe datos del sensor del sensor 204 a través del puerto de comunicaciones 308, por ejemplo, mediante el uso de una red inalámbrica de sensores (WSN) de acuerdo con los estándares técnicos de WSN, incluidos IEEE 802.11 - WiFi, IEEE 802.15.4 compatible con 6LoWPAN y ZigBee, y LoRaWAN, para soportar la red de área local y usar telecomunicaciones móviles 3G/4G para red de retorno al procesador 302. La WSN puede ser una red ad-hoc descentralizada, de modo que no se requiera una infraestructura de administración dedicada, como un enrutador, o una red centralizada con un enrutador o punto de acceso que administre la red.

[0049] En un ejemplo, el procesador 302 recibe y procesa los datos del sensor de área local en tiempo real. Esto significa que el procesador 302 genera o actualiza la interfaz de usuario cada vez que se reciben datos del sensor del sensor 124 y completa este cálculo antes de que el sensor 124 envíe la siguiente actualización de datos del sensor. Esta es una ventaja ya que los datos de lluvia de área amplia a menudo se acumulan durante 24 horas, lo que no permite una evaluación de marcos de tiempo más cortos, como 1 hora. Por el contrario, los datos del sensor de área local del sensor 124 pueden capturarse a velocidades de hasta o superiores a una vez por minuto, lo que permite una evaluación a corto plazo. De esta manera, la producción agrícola 100 puede controlarse en un marco de tiempo de horas en lugar de días completos.

[0050] Aunque el puerto de comunicaciones 308 y el puerto de usuario 310 se muestran como entidades distintas, debe entenderse que se puede usar cualquier tipo de puerto de datos para recibir datos, como una conexión de red, una interfaz de memoria, una clavija del paquete de chips del procesador 302, o puertos lógicos, como tomas IP o parámetros de funciones almacenados en la memoria de programa 304 y ejecutados por el procesador 302. Estos parámetros pueden almacenarse en la memoria de datos 306 y pueden manejarse por valor o por referencia, es decir, como un puntero, en el código fuente.

[0051] El procesador 302 puede recibir datos a través de todas estas interfaces, que incluyen acceso a la memoria de memoria volátil, como caché o RAM, o memoria no volátil, como una unidad de disco óptico, unidad de disco duro, servidor de almacenamiento o almacenamiento en la nube. El sistema informático 300 puede implementarse además dentro de un entorno informático en la nube, como un grupo gestionado de servidores interconectados que alojan un número dinámico de máquinas virtuales.

[0052] Debe entenderse que cualquier etapa de recepción puede estar precedida por el procesador 302 determinando o calculando los datos que se reciben posteriormente. Por ejemplo, el procesador 302 preprocesa los datos del sensor y almacena los datos del sensor procesados en la memoria de datos 306, como la RAM o un registro del procesador. El procesador 302 luego solicita los datos del sensor de la memoria de datos 306, proporcionando una señal de lectura junto con una dirección de memoria. La memoria de datos 306 proporciona los datos como una señal de tensión en una línea de bit física y el procesador 302 recibe los datos del sensor a través de una interfaz de memoria.

[0053] Debe entenderse que, a lo largo de esta divulgación, a menos que se indique lo contrario, la predicción meteorológica, la precipitación, las variables, los datos de sensores y similares se refieren a estructuras de datos, incluidos los metadatos relacionados, que se almacenan físicamente en la memoria de datos 306 o se procesan mediante el procesador 302. Además, en aras de la brevedad, cuando se hace referencia a nombres de variables particulares, como "período de tiempo" o "lluvia", debe entenderse que se refiere a valores de variables almacenadas como datos físicos en el sistema informático 300.

Método para controlar una producción agrícola

[0054] La figura 4 ilustra un método 400 realizado por el procesador 302 para controlar un área de producción agrícola 206. La figura 4 debe entenderse como un anteproyecto para el programa de software y puede implementarse etapa a etapa, de modo que cada etapa de la figura 4 esté representado por una función en un lenguaje de programación, como C o Java. El código fuente resultante luego se compila y almacena como instrucciones ejecutables por ordenador en la memoria del programa 304.

Como se mencionó anteriormente, el procesador 302 recibe datos de predicción meteorológica de área amplia 402 a través del receptor 203 y/o el puerto de datos 308. Los datos de predicción meteorológica pueden comprender datos indicativos de la precipitación prevista en mm durante el siguiente período de tiempo de 24 horas o la velocidad del viento y la dirección del viento en intervalos de 10 min durante las próximas 24 horas. Recibir los datos de predicción meteorológica de área amplia puede comprender solicitar los datos desde una interfaz basada en web o desde un servicio de archivo de datos, a través de FTP, de un proveedor de servicios meteorológicos, o puede comprender raspar un sitio web de un proveedor de servicios meteorológicos. Los archivos de datos pueden ser archivos XML u otros formatos, incluidos axf, grb, dbf, shp, shx, csv, txt, NetCDF.

[0056] El procesador 302 almacena estos datos del receptor a lo largo del tiempo para construir una base de datos de datos históricos de predicción meteorológica de área amplia. El procesador 302 puede almacenar los datos de predicción para el tiempo de predicción más cercano. Por ejemplo, si hay un pronóstico del tiempo disponible para cada uno de los próximos cinco días, el procesador 302 almacena el pronóstico del tiempo para el día siguiente y lo repite todos los días. Más detalladamente, el 1 de enero el procesador 302 almacena el pronóstico del tiempo para el 2 de enero. El 2 de enero, el procesador 302 almacena el pronóstico del tiempo para el 3 de enero y así sucesivamente. De esta forma, el procesador 302 construye una base de datos de pronósticos meteorológicos para múltiples días. Es decir, el 31 de enero, el procesador 302 ha creado una base de datos de 31 entradas de datos históricos de predicción meteorológica de área amplia.

[0057] De manera similar, el procesador 302 almacena datos de la red de sensores 204 como datos históricos de sensores de área local. Más detalladamente, el procesador 302 almacena los datos del sensor para cada día. Los datos del sensor pueden ser un valor agregado de las mediciones de los sensores 205, tal como el valor promedio, acumulativo, máximo o mínimo del día. Por ejemplo, la lluvia puede almacenarse como acumulativa durante 24 horas. El viento se puede almacenar como un promedio. En la aplicación de protección contra heladas, el procesador 302 puede almacenar la temperatura mínima medida como los datos históricos del sensor de área local. En un ejemplo, el procesador 302 almacena los datos de cada sensor por separado. En otro ejemplo, el procesador 302 calcula un valor agregado a través de múltiples sensores, tal como un valor promedio, acumulativo, máximo o mínimo de todos los sensores. De esta manera, se puede almacenar, por ejemplo, la temperatura mínima medida dentro de toda el área 206.

[0058] La figura 5 ilustra la base de datos 500 de datos históricos que comprende un primer registro 501 y un segundo registro 502. En este ejemplo, los datos históricos del sensor de área local y los datos históricos de predicción meteorológica de área amplia se almacenan juntos en el mismo registro. En particular, el primer registro 501 y el segundo registro 502 comprenden campos de datos para la velocidad prevista del viento 503, la dirección prevista del viento 504, la temperatura prevista 505, la medición del viento del primer sensor 506, la medición de la temperatura del primer sensor 507, la medición del viento del segundo sensor 508 y la medición de temperatura del segundo sensor 509.

[0059] En este conjunto de datos del primer día 501, la predicción de viento era de 12 km/h desde el este y una temperatura pronosticada de 20 grados centígrados. El primer sensor midió velocidades del viento significativamente más bajas (en 506), lo que puede indicar que el primer sensor está protegido del viento del este. Como era de esperar, el primer sensor también mide una temperatura superior a la prevista (en 507). Por el contrario, el segundo sensor mide vientos más altos de lo previsto (en 508) y una temperatura más baja (en 509), lo que puede indicar que el segundo sensor está ubicado en un embudo de viento para vientos del este. En el segundo día 502, el viento pronosticado cambió a sur y, como resultado, el primer sensor midió velocidades de viento más altas (en 506) y el segundo sensor (en 508) midió velocidades de viento más bajas (en 508), lo que indica que la protección contra el viento del sensores es efectivo para direcciones particulares del viento.

[0060] En el ejemplo anterior, los valores medidos corresponden directamente a los valores pronosticados, lo que significa que tanto la predicción como las mediciones tienen la velocidad del viento y la temperatura. Se observa, sin embargo, que en otros ejemplos no hay correspondencia directa. Por ejemplo, la predicción puede ser sobre la temperatura y la medición sobre la humedad del suelo.

[0061] Como se puede ver arriba, existe una interrelación compleja entre las predicciones y las mediciones. Volviendo a la figura 4, el procesador 302 determina 402 una correlación entre los datos históricos de predicción meteorológica de área amplia (503, 504, 505) y los datos históricos del sensor de área local (506, 507, 508, 509) en función de los datos históricos datos de predicción meteorológica de área amplia (503, 504, 505) y datos históricos de sensores de área local (506, 507, 508, 509). Esta correlación puede incorporarse en una variedad de formas, como se describirá con más detalle a continuación, pero puede incluir factores de un modelo de regresión lineal o un método de agrupación en clústeres de k-medias.

[0062] A continuación, el procesador 302 recibe datos actuales de predicción meteorológica de área amplia desde el receptor. En este contexto, los datos de predicción actuales se relacionan con los datos de predicción que son para un punto en el tiempo futuro, es decir, la predicción es actual en el punto en el tiempo de recibir los datos. Por ejemplo, un pronóstico del tiempo para el 2 de enero recibido el 1 de enero es actual el 1 de enero y pasa a ser histórico el 2 o el 3 de enero. Si bien estos ejemplos se refieren a días, también se pueden utilizar otros períodos de tiempo para la previsión, como tres horas. En un ejemplo, la predicción se relaciona con al menos 24 horas en el futuro. En otro ejemplo, los datos históricos de predicción meteorológica de área amplia y los datos históricos de sensor de área local se refieren a al menos 5 días en el pasado. Esto significa 5 registros en la base de datos en el caso de datos diarios o 5*X registros para X registros por día.

[0063] El procesador 302 ahora calcula 404 una predicción sobre el suministro de agua en relación con la demanda de agua dentro del área de producción agrícola 206 en base a los datos de predicción meteorológica de área amplia actuales y la correlación entre los datos de predicción meteorológica de área amplia histórica y los datos de sensor de área local históricos. La predicción sobre el suministro de agua en relación con la demanda de agua puede ser una predicción sobre el déficit o el excedente de agua. Por ejemplo, la previsión meteorológica para mañana es de 30 grados con 40 km/h de viento. El procesador 302 puede usar la correlación previamente calculada para predecir un déficit de agua de 30 mm para mañana.

[0064] Para calcular el parámetro agrícola predicho, el procesador 302 puede calcular primero una predicción sobre los datos del sensor de área local basándose en la correlación y los datos actuales de predicción meteorológica de área amplia. El procesador 302 puede entonces usar una relación predeterminada entre los datos del sensor de área local y el parámetro agrícola para calcular la predicción del parámetro agrícola. Como se describe con más detalle a continuación, el procesador 302 puede usar un modelo agrícola o un modelo de aprendizaje automático entrenado, como un modelo de regresión, para calcular el parámetro agrícola a partir de los datos del sensor de área local. Si bien la correlación entre los datos de predicción meteorológica de área amplia y los datos del sensor de área local es diferente para cada sensor debido a las variaciones del entorno local, la relación entre los datos del sensor de área local y el parámetro agrícola puede ser idéntica para todos los sensores o para todos los usuarios del sistema. Por esta razón, se pueden invertir más recursos en la cuantificación precisa de esa relación y se podría disponer de más datos para el aprendizaje automático de esa relación.

[0065] Finalmente, el procesador 302 controla el accionador de riego 202 en base a la predicción del suministro de agua en relación con la demanda de agua para definir una cantidad de agua que se usará para regar el área de producción agrícola. Por ejemplo, para compensar un déficit de agua de 30 mm, el procesador 302 puede definir un caudal de agua de 100 l/h.

Modelo agrícola

[0066] En un ejemplo, calcular la predicción sobre el parámetro agrícola de área local en la etapa 404 se basa en un modelo agrícola. Un modelo agrícola es cualquier método para definir cuantitativamente un producto agrícola específico. Por ejemplo, un modelo agrícola puede ser un modelo de crecimiento del follaje a lo largo del tiempo. Cuando las plántulas se plantan por primera vez, la pérdida de agua causada por la evapotranspiración es mínima, pero a medida que las plántulas crecen, la evapotranspiración aumentará. Esto significa que el déficit de agua aumenta con el tiempo para los demás parámetros ambientales constantes. El procesador 302 considera tales efectos usando el modelo agrícola en la predicción. Por ejemplo, el procesador 302 recibe datos de viento pronosticados para los próximos 5 días y predice el déficit de agua durante los próximos cinco días considerando una mayor evapotranspiración del follaje para cada día.

[0067] En otro ejemplo, el modelo agrícola comprende estados de las plantas. En el ejemplo de los cultivos de trigo, los estados pueden incluir la germinación, el crecimiento de las plántulas, el macollaje, el alargamiento del tallo, el arranque, la emergencia de la espiga, la antesis (floración), el desarrollo de la leche, el desarrollo de la masa y la maduración u otros estados de la escala de crecimiento decimal de Zadok. En el ejemplo de un cerezo, los estados pueden incluir Latente, Capullo hinchado, Explosión del capullo, Capullo blanco temprano, Capullo blanco, Floración, Caída de pétalos y Cuajado de frutos.

[0068] La planta avanza a través de los estados dependiendo de los datos del sensor de área local. En particular, la planta progresa a través de los estados más rápido cuando hay una gran cantidad de luz solar y progresa más lentamente a través de los estados cuando hay una pequeña cantidad de luz solar. Como resultado, el procesador 302 puede predecir el estado de las plantas en el futuro basándose en los datos actuales de predicción meteorológica de área amplia y la correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos del sensor de área local. Es decir, el procesador 302 selecciona uno de los múltiples estados posibles basándose en los datos del sensor de área local previstos (que, a su vez, se basan en los datos de predicción meteorológica de área amplia y las correlaciones con los datos del sensor de área local). Los valores que determinan la transición de estado pueden almacenarse en el almacén de datos 306 en forma de matriz de transición de estado o máquina de estado.

[0069] Por ejemplo, cada estado puede estar asociado con una cantidad de horas de luz solar o un valor de Watts de irradiación, como el estado de capullo blanco de los cerezos que puede durar 30 h de luz solar en el área local y luego cambiar a Floración. Como se mencionó anteriormente, la luz solar del área local puede diferir entre bloques, ya que las condiciones locales, como la niebla o las nubes sobre las cadenas montañosas, pueden afectar significativamente los valores de luz solar, lo que se refleja en la correlación antes mencionada. Usando los estados de la planta con los valores asociados para la transición de estado, el procesador 302 puede predecir cuándo estarán las plantas en cada estado de la planta.

[0070] En un ejemplo particularmente importante, el procesador 302 puede predecir, basándose en el pronóstico del tiempo actual y la correlación con los datos históricos del sensor de área local, cuándo florecerá la planta. El estado de floración tiene características o riesgos particulares que también pueden almacenarse en la matriz de transición de estado en el almacén de datos 306. Por ejemplo, la planta puede ser particularmente susceptible a plagas, moho u otras enfermedades durante la floración. Si se pronostica que existirán las condiciones del área local mientras se prevé que la planta esté en estado de floración, se pueden planificar medidas de mitigación para evitar o reducir el impacto negativo de estos efectos. Por ejemplo, cuando las cerezas no están en estado de floración, no son susceptibles a las heladas (bajo riesgo de heladas). Sin embargo, cuando están en estado de floración (alto riesgo de heladas) y se prevén heladas en el área local, se pueden proporcionar redes, techos o control de humedad para reducir el efecto de las heladas en las flores. En otras palabras, la predicción sobre el parámetro agrícola del área local es una predicción sobre el estado de la planta y el valor de predicción es "floración". El control del área de producción agrícola comprende entonces mitigar el efecto de las condiciones adversas, como la instalación de techos o mallas o el control de la humedad.

[0071] La ventaja es que las redes y los techos y/u otras medidas de mitigación se pueden planificar con anticipación, lo cual es importante ya que generalmente lleva días instalar esas medidas.

Actualizando el modelo

[0072] En algunos ejemplos, el procesador 302 realiza la etapa 402 de determinar un cálculo repetidamente para actualizar la correlación en base a más datos de predicción meteorológica de área amplia y más datos de sensores de área local. En este sentido, el sistema propuesto puede estar completamente operativo dentro de unos días después de la implementación con un conjunto limitado de datos. Con el tiempo, el conjunto de datos se vuelve más completo, lo que significa que las predicciones se vuelven más precisas para una gama más amplia de condiciones.

Subáreas

[0073] En otros ejemplos, el área de producción agrícola 206 comprende múltiples subáreas, tales como regiones, fincas, potreros, hileras e incluso plantas individuales. En particular, para los enfoques más granulares, como potreros, hileras y plantas, la predicción del área local puede agregar un beneficio significativo ya que la predicción permite el control de cada potrero, hilera o planta de manera óptima e independiente de las otras subáreas. Se observa que el procesador 302 realiza el método 400 para cada una de las subáreas por separado. Es decir, al menos un sensor está ubicado en cada subárea y el procesador 302 determina la correlación para cada subárea basándose en los datos del sensor de esa subárea. En la mayoría de los ejemplos, los datos de predicción meteorológica de área amplia son idénticos para todas las subáreas. En otras palabras, el procesador 302 determina una primera correlación entre los datos de predicción meteorológica de área amplia y los datos de sensores históricos de un primer conjunto de sensores ubicados en una primera subárea. El procesador 302 determina entonces una segunda correlación entre los mismos datos de predicción meteorológica de área amplia y los datos de sensores históricos de un segundo conjunto de sensores ubicados en una segunda subárea y así sucesivamente. De esta manera, la correlación es específica para esa subárea particular y los datos del sensor. En esos ejemplos, el procesador 302 también puede controlar las subáreas individualmente basándose en la predicción calculada específica para esa subárea. Las subáreas también pueden incluir áreas de cultivo protegidas como invernaderos, cultivos bajo mallas u otras formas de protección. Por ejemplo, el procesador 302 puede proporcionar más agua a las filas inclinadas orientadas al norte, ya que reciben luz solar más intensa que las filas vecinas con una inclinación diferente. En otro ejemplo, la correlación entre los datos de predicción meteorológica de área amplia y los datos históricos de sensores de área local reflejan cómo cambian las condiciones dentro de un invernadero para diferentes condiciones climáticas en el exterior, por ejemplo, cómo se calienta el invernadero cuando hay sol afuera. Se puede calcular el aumento resultante de la evapotranspiración y, por tanto, el aumento de la demanda de agua.

Ejemplos de controles

[0074] Aunque los ejemplos anteriores se refieren al riego, se pueden elegir otros medios para controlar el área de producción agrícola que no forman parte de la invención reivindicada. Por ejemplo, la plantación de nuevos cultivos se puede optimizar para que ocurra en el punto en el tiempo en que se prevé que existirán condiciones particularmente beneficiosas, como una temperatura del suelo particularmente alta. Además, la cosecha puede ocurrir en base a un modelo de crecimiento y maduración. Es decir, el procesador 302 puede predecir la irradiación del sol durante varios días o meses y, por lo tanto, predecir el punto en el tiempo en que la cosecha estará lista para la recolección. Otros controles de acuerdo con la invención reivindicada se refieren a la protección de cultivos para subáreas que son particularmente propensas al granizo o vientos dañinos, por ejemplo. Otro ejemplo que forma parte de la invención reivindicada es el cultivo protegido donde los cultivos están cubiertos con una red u otro mecanismo de protección, estos pueden controlarse en función de los datos de predicción y los datos locales históricos. Además, y sin formar parte de la invención reivindicada, la alimentación de plantas con fertilizante puede controlarse basándose en la predicción del estado de la planta y otras limitaciones climáticas para mejorar el rendimiento del crecimiento.

Interfaces de usuario

[0075] En otros ejemplos, el procesador 302 también crea una interfaz gráfica de usuario para presentar la predicción sobre el parámetro agrícola del área local a un usuario. La figura 6 ilustra una interfaz de usuario de ejemplo 600 que comprende una indicación de un tipo de planta 601 y una indicación de un área local seleccionada 602, como una subárea del área de producción agrícola 206. Los valores que se muestran en la figura 6 se calculan para este tipo de planta en particular (cerezas en este ejemplo) y para esta área en particular ("bloque 1") como se describe anteriormente. La interfaz de usuario 600 comprende una indicación del déficit de agua de hoy 603 calculado en base a la evapotranspiración y la precipitación de hoy. La interfaz de usuario 600 comprende además indicaciones del exceso/déficit de agua previsto para los futuros 3 días 611, 5 días 612 y 7 días 613 en el futuro. Se observa que estos valores 611, 612 y 613 se calculan en base al pronóstico del tiempo (es decir, los datos de pronóstico meteorológico de área amplia) para esos tiempos futuros, así como la correlación entre el pronóstico del tiempo y los datos del sensor como se describe anteriormente. Por ejemplo, el déficit de agua pronosticado para 7 días se calcula en función del pronóstico del tiempo para 7 días en el futuro y la correlación entre el pronóstico del tiempo y los datos del sensor.

[0076] La interfaz de usuario 600 comprende además una indicación de lluvia pronosticada del pronóstico del tiempo 621, 622 y 623 para 3 días, 5 días y 7 días en el futuro, respectivamente. La interfaz de usuario 600 también comprende una indicación de la evapotranspiración prevista 631, 632, 633 para 3 días, 5 días y 7 días en el futuro, respectivamente. El control del área de producción agrícola 206 puede entonces comprender que el agricultor observe la interfaz de usuario 600 y provoque el control en consecuencia. La interfaz de usuario 600 proporciona además elementos de entrada para permitir que el agricultor introduzca las medidas de control que se aplican. En particular, la interfaz de usuario comprende entradas para proporcionar cantidades de riego 641,642 y 643 para 3 días, 5 días y 7 días en el futuro, respectivamente.

[0077] La figura 7 ilustra una interfaz de usuario de ejemplo 700 para múltiples bloques, es decir, para múltiples subáreas del área de producción agrícola 206. Las subáreas pueden tener diferentes tipos de plantas sembradas, como cerezas o manzanas. El tipo de planta puede definir el modelo agrícola que se utiliza para predecir la evapotranspiración a lo largo del tiempo, como se describe anteriormente.

[0078] La interfaz de usuario 700 comprende múltiples paneles para cada una de las múltiples subáreas, incluido el primer panel 701, el segundo panel 711, el tercer panel 721 y el cuarto panel 731. Dentro del primer panel 701 hay una indicación del tipo de planta 702 y un identificador de bloque o subárea 703. El panel 701 comprende además una indicación de un déficit o excedente de agua previsto para los próximos 3 días 704, 5 días 705 y 7 días 706. Como se describió anteriormente, el déficit o excedente de agua pronosticado se calcula con base en el pronóstico del tiempo para esos días y la correlación entre el pronóstico del tiempo y los datos del sensor para ese bloque en particular. Como se puede ver en la figura 7, los valores de déficit/excedente de agua son diferentes para cada bloque, lo que ilustra la diferencia en la correlación entre los datos del sensor de ese bloque y el pronóstico del tiempo y la diferencia entre los modelos de plantas para los tipos de plantas. Por ejemplo, en un segundo panel 710 asociado con un segundo bloque 713, el tipo de planta 712 es manzanas y el excedente de agua previsto para 3 días 714 es significativamente diferente del déficit de agua previsto para 3 días 704 para el primer bloque debido a diferentes tipos de plantas y bloque diferente. En el tercer panel 721, el déficit de agua previsto para 3 días 724 es diferente al déficit de agua previsto para 3 días 704 en el primer panel 701 para el primer bloque a pesar del tipo de planta idéntico. Esto ilustra la diferencia en la correlación entre el pronóstico del tiempo y los datos del sensor de área local para esos bloques.

[0079] La interfaz de usuario 700 puede comprender además una entrada de usuario 707, como un control deslizante o una entrada numérica, que permite al usuario establecer una cantidad de agua que se agregará para el riego del bloque. La cantidad de agua seleccionada puede mostrarse en mm, lo que puede equivaler a litros por metro cuadrado por día. El procesador 302 puede haber almacenado en el almacén de datos 306 el área superficial de las subáreas y multiplicar el área superficial por el valor seleccionado para calcular la cantidad de agua en litros para llegar al valor seleccionado en mm. Por ejemplo, para un déficit de agua de 4 mm, el usuario puede seleccionar un riego de 4 mm para compensar este déficit. El procesador 302 también puede sugerir el déficit de agua calculado como un valor de riego. El servidor 201 puede controlar el accionador 202 según la cantidad seleccionada.

[0080] La interfaz de usuario 700 puede comprender además una sugerencia automática sobre el control del área de producción agrícola. El procesador 203 determina la sugerencia basándose en la predicción del parámetro agrícola. Por ejemplo, el parámetro agrícola puede ser la etapa de planta predicha de la planta bajo los datos del sensor de área local pronosticados de acuerdo con el modelo de planta. Como se describe en el presente documento, cada etapa de la planta tiene ciertos riesgos asociados y la ocurrencia del evento de riesgo depende de las condiciones del área local detectadas por los sensores.

[0081] Por ejemplo, durante el crecimiento de la fruta, las quemaduras solares son un riesgo importante que ocurre predominantemente cuando la temperatura es alta, como más de 30 grados. En este caso, el procesador 203 determina la etapa de crecimiento de la fruta como un parámetro agrícola y predice una temperatura local alta como se describe en el presente documento. Como resultado, el procesador 203 determina automáticamente que la sombra y/o el enfriamiento deberían reducir las quemaduras solares. En consecuencia, como se muestra en la figura 7, el procesador 203 incluye en la interfaz de usuario 700 una primera recomendación 735 para sombrear y enfriar la fruta a los 3 días, una segunda recomendación 736 para sombrear y enfriar la fruta a los 5 días y una tercera recomendación 737 para cosechar la fruta a los 7 días. El agricultor puede entonces, siguiendo la sugerencia automática, reducir significativamente el riesgo de quemaduras solares, lo que aumentará la producción de fruta del área de producción.

[0082] De forma similar, el procesador 203 puede sugerir algunas medidas de control en determinados punto en el tiempos del día. Por ejemplo, el procesador 203 predice que la irradiación solar disminuirá a partir del mediodía debido al aumento de la nubosidad y, por lo tanto, sugiere la aplicación de calcio foliar para la tarde. Debe entenderse que en algunos ejemplos, la interfaz de usuario 700 puede mostrar solo las sugerencias 735, 736 y 737 y sin los datos previstos.

Parámetros de calidad

[0083] En un ejemplo, la predicción sobre el parámetro agrícola del área local comprende un parámetro de calidad que es indicativo de una calidad prevista de un producto del área de producción agrícola. Por ejemplo, la vida útil de la lechuga depende de la humedad del suelo durante las 24 horas previas a la cosecha. La humedad del suelo es diferente para diferentes tipos de suelo. Por ejemplo, el suelo arenoso retiene menos agua en comparación con la arcilla o la marga. Del mismo modo, diferentes plantas necesitan diferentes niveles de humedad del suelo en el mismo tipo de suelo para crecer de manera óptima. Por lo tanto, el agricultor puede optimizar la vida útil de la lechuga controlando la finca de manera óptima en el sentido de que la cosecha se programa donde se predice la humedad óptima del suelo. Esto también significa que la interfaz de usuario 600 puede comprender una indicación de la vida útil prevista en lugar de o además del déficit excedente de agua 611,612, 613. Por ejemplo, las interfaces de usuario 600 y/o 700 pueden mostrar "Medio, Bajo, Bueno" para la vida útil prevista del producto cuando se cosecha en 3 días, 5 días y 7 días, respectivamente.

[0084] El procesador 302 puede calcular una correlación entre los datos del sensor de área local y el parámetro de calidad. Por ejemplo, un minorista puede retroalimentar datos que indiquen la cantidad de productos que se desechan cada día para cada lote de productos. Entonces, el procesador 302 puede buscar el tiempo de cosecha y la subárea de ese lote y etiquetar el registro de los datos del sensor de área local de esa subárea para ese tiempo de cosecha con la cantidad de productos descartados. El procesador 302 puede entonces determinar una regresión u otro método de aprendizaje para calcular la correlación entre los datos del sensor de área local y la calidad del producto. En base a esta correlación, el procesador 302 puede calcular una calidad pronosticada usando los datos del sensor de área local pronosticados o el parámetro agrícola pronosticado, tal como el déficit de agua. En otros ejemplos, la calidad del producto se puede medir directamente, por ejemplo, midiendo el contenido de azúcar de las uvas o mediante catas manuales.

Controles futuros

[0085] La figura 8 ilustra una interfaz de usuario acumulativa 800 que comprende un primer gráfico 801 asociado con una primera subárea. El primer gráfico 801 comprende un eje de tiempo 801 y un eje de déficit de agua 802. El eje de tiempo 801 representa los tiempos de predicción en el futuro y la interfaz de usuario 800 comprende una columna para el déficit de agua acumulado para cada día en el futuro. Por ejemplo, una primera columna 811 indica que el primer día hay un déficit de agua previsto de 1 mm. El segundo día también hay un déficit de agua de 1 mm, que el procesador 203 suma al déficit de agua 811 del primer día para calcular un déficit de agua acumulado de 2 mm como indica una segunda columna 812. Igualmente, al tercer día y al cuarto día el déficit hídrico acumulado asciende a 3 mm 813 y 4 mm 814, respectivamente. En algunos casos, un agricultor comenzaría a regar si no llueve durante más de dos días. Usando los sistemas y métodos divulgados en el presente documento y en particular la interfaz de usuario 800, el agricultor puede ver con mayor precisión cuál será el déficit de agua previsto en el futuro. En este ejemplo, el agricultor puede establecer un umbral 820 y puede ver que el déficit de agua acumulado no alcanza el umbral antes de un evento de lluvia pronosticado en 5 días. El evento de lluvia pronosticado reduce el déficit de agua pronosticado, lo que significa que el agricultor puede decidir no regar sin un impacto negativo significativo en la finca.

[0086] La interfaz de usuario 800 comprende un segundo gráfico 851 asociado con una segunda subárea. El primer gráfico 801 y el segundo gráfico 851 muestran el déficit de agua acumulado previsto durante el mismo período de tiempo, lo que significa que el pronóstico del tiempo subyacente es el mismo para la primera subárea y la segunda subárea. Sin embargo, la correlación con los datos del sensor de área local es diferente. Como resultado, el déficit hídrico en el segundo bloque supera el umbral de 820, lo que indica que se debe activar el riego del segundo bloque para mejorar la productividad. Curiosamente, el riego puede activarse para uno o más del primer, segundo, tercer o cuarto día para reducir el déficit de agua acumulado en el cuarto día. Esto puede ser de gran valor en los casos en que el flujo de agua para todas las subáreas juntas se restringe a una cantidad máxima por día, como cuando se riega desde un río. En ese caso, el segundo bloque se puede regar el primer día y un tercer bloque se puede regar el segundo día para mantener los déficits de agua acumulados de ambos bloques el cuarto día por debajo del umbral.

Herramienta de apoyo a la decisión

[0087] Como ahora es evidente a partir de esta descripción, existe una herramienta de apoyo a la toma de decisiones para la agricultura que proporciona parámetros específicos de la agricultura a partir de la salida del modelo numérico de predicción meteorológica localizada utilizando factores de corrección de sesgo que se desarrollan a partir de observaciones in situ y clasificación sinóptica. La herramienta de soporte de decisiones se entrega a través de la UI y UX.

Los parámetros específicos de la agricultura incluyen la tasa de evapotranspiración (que alimenta el riego), los grados día de crecimiento (que alimenta eventos clave en el ciclo de crecimiento).

[0088] El resultado del modelo numérico de predicción del tiempo puede ser un resultado de modelo cuadriculado de parámetros como la temperatura del aire a 2 m, la humedad relativa a 2 m, la velocidad del viento a 10 m, el flujo de radiación solar, etc. Las observaciones in situ se recopilan mediante sensores que miden las mismas variables, o variables fácilmente comparables en el punto de interés.

Correlaciones

[0089] La siguiente descripción proporciona más detalles sobre cómo determinar la correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos del sensor de área local para crear predicciones de área local. El primer ejemplo ilustra un enfoque sinóptico y el segundo ejemplo un enfoque de aprendizaje automático que utiliza redes neuronales.

[0090] La figura 9 ilustra un diagrama de dispersión 800 de datos históricos de predicción meteorológica de área amplia que comprende un eje de velocidad del viento 901, un eje de dirección del viento 902 y un eje de temperatura 903. Cada punto representa datos de predicción meteorológica de área amplia para un día, también conocido como un punto de datos. El procesador 203 puede agrupar los puntos de datos dando como resultado un primer grupo 911 y un segundo grupo 912, por ejemplo, realizando un método de agrupación de k-medias. En otros ejemplos, el procesador 203 etiqueta cada punto de datos basándose en los datos del sensor de área local. Por ejemplo, el procesador 203 asigna puntos de datos a un primer grupo si la humedad del suelo medida está por encima de un umbral y a un segundo grupo si la humedad del suelo medida está por debajo del umbral. En otros ejemplos, el procesador 203 agrupa los puntos de datos basándose en el parámetro agrícola del área local, como el déficit de agua. Por ejemplo, el procesador 203 agrupa puntos de datos utilizando un umbral de déficit de agua de 3 mm.

[0091] Cada grupo de puntos de datos puede representar una condición sinóptica. Sinóptico en meteorología se refiere a la visión general del clima en la región. Por ejemplo, el primer grupo 911 representa la condición sinóptica de un día caluroso con fuertes vientos del norte. El segundo grupo 912 representa vientos ligeros de diferentes direcciones y temperaturas moderadas. El procesador 203 puede entonces calcular la correlación entre los datos de predicción meteorológica de área amplia y los datos del sensor de área local para cada grupo o condición sinóptica por separado. En un ejemplo, el procesador 203 desarrolla una serie de condiciones sinópticas definitorias que equilibran un número más pequeño de grupos y, por lo tanto, datos grandes para análisis frente a un número más grande de grupos, pero menos datos en cada grupo para validación y análisis. Esto se realiza utilizando un enfoque híbrido de conocimiento del sistema/aprendizaje automático donde las clases amplias iniciales se determinan utilizando el conocimiento del sistema ambiental, la expansión de estas clases se evalúa utilizando metodologías ML automatizadas. En un ejemplo, el marco original podría contener 8 direcciones de viento, 3 clases de viento y una temporada, dando 96 categorías sinópticas discretas para las cuales se determinarán las correcciones de manera continua y automatizada para las variables meteorológicas que se utilizan en los cálculos agrícolas.

[0092] El procesador 203 accede a un subconjunto de los datos de pronóstico del tiempo cuadriculados del Modelo de Pronóstico (GFS) Global de 0,25 grados (por celda), observando que este modelo podría ser reemplazado por cualquier modelo de pronóstico del tiempo. Los parámetros clave del pronóstico del tiempo, como la dirección del viento, la velocidad del viento, la humedad relativa, la temperatura, la radiación solar superficial, la humedad del suelo, etc., se utilizan para generar una situación sinóptica discreta. En un ejemplo, el procesador 203 toma la velocidad y dirección del viento, la temperatura media durante la última semana y los promedios estacionales para determinar una situación sinóptica. Un día de ejemplo puede ser una condición cálida y ventosa del norte. Para esta condición sinóptica, los registros anteriores han demostrado que la lluvia en el sitio del sensor A es normalmente menor que la prevista por el modelo. Esta corrección tiene tanto una cantidad (como factor de escala) como un grado de certeza basado en la dispersión de los valores anteriores. Esta corrección se aplica a la variable climática antes de calcular un parámetro agrícola. El procesador 203 calcula las correcciones meteorológicas locales (y por tanto el tiempo local) donde hay observaciones para construir la matriz de corrección basada en sensores (esta puede ser una estación meteorológica dentro de la red).

[0093] La figura 10 ilustra un diagrama de dispersión 1000 para el primer grupo 911 que comprende un primer eje 1001 para la velocidad del viento prevista históricamente a partir de los datos de predicción meteorológica y un segundo eje 1002 para la velocidad del viento medida a partir de los datos del sensor de área local. Como puede verse a partir de los puntos de datos, existe una fuerte correlación, pero la velocidad del viento medida 1002 es aproximadamente 0,5 veces la velocidad del viento pronosticada como se indica mediante una línea de regresión 1003. Como resultado, el procesador 203 almacena "0,5" como la correlación entre los datos históricos de predicción meteorológica y los datos históricos del sensor. Luego, el modelo agrícola vincula la velocidad del viento del área local con el déficit hídrico. En este ejemplo, la influencia de los parámetros restantes de los datos de predicción meteorológica, como la temperatura, son insignificantes y pueden despreciarse. En otras palabras, cuando el viento es fuerte, el déficit hídrico no depende significativamente de la temperatura. En otros ejemplos, la relación es más complicada. Por ejemplo, puede haber 10 parámetros medidos por los sensores de área local 205 que incluyen temperatura, humedad relativa, viento, lluvia, humedad de las hojas, radiación solar, radiación activa fotosintética, detección de escarcha, humedad del suelo y temperatura del suelo. Además, puede haber 3 parámetros pronosticados en los datos meteorológicos de área amplia, incluidos el viento, la temperatura y la lluvia.

[0094] La figura 11 ilustra una matriz de correlación 1100 en línea con la invención reivindicada que incluye los multiplicadores, que representan la correlación, para calcular los datos del sensor de área local previstos a partir de los datos de predicción meteorológica previstos. Cada entrada en la matriz 1100 puede denominarse factor de corrección de sesgo y puede calcularse a partir de una matriz de clasificación basada en múltiples variables de salida del modelo que, cuando se consideran en conjunto, pueden representar diferentes condiciones sinópticas que tienen un impacto en los cálculos del modelo y su representación de medidas puntuales localizadas. En un ejemplo, hay una matriz para cada una de las múltiples condiciones sinópticas.

[0095] En otros ejemplos, el procesador 302 realiza un algoritmo de selección de parámetros para seleccionar los parámetros más significativos de los datos, por ejemplo, realizando un análisis de componentes principales.

[0096] Usando el segundo enfoque, el enfoque de aprendizaje automático o red neuronal comienza con el preprocesamiento de los datos para obtener un formato y una estructura adecuados. El procesador 302 luego calcula las correlaciones entre diferentes variables para determinar qué variables son buenas predictoras. En un ejemplo, las variables son buenos predictores cuando su valor de correlación absoluta es superior a 0,7. Las buenas variables predictoras se incluyen luego en el modelo. El procesador 302 luego crea una lista de variables a partir de los datos sin procesar para indicar los mejores parámetros para el modelo. El procesador 302 determina las correlaciones recuperando datos históricos de predicción meteorológica de área amplia y datos históricos de sensores de área local y determinando el coeficiente de correlación de Pearson para cada par de variables. El coeficiente de correlación de Pearson se calcula mediante la fórmula:

[0097] Una determinación inicial de los modelos de aprendizaje automático apropiados puede identificar al mejor candidato. El procesador 302 selecciona uno o más modelos de aprendizaje automático evaluando candidatos iniciales de modelos en escenarios e identificando el mejor ajuste en base a resultados iniciales aproximados.

[0098] Después de que el procesador 302 seleccione el modelo con el mejor ajuste, el modelo puede ajustarse cambiando el número de capas ocultas y el número de nodos en cada capa. En algunos ejemplos, el procesador 302 realiza un algoritmo de selección de parámetros para seleccionar los parámetros más significativos de los datos realizando un análisis de componentes principales para categorizar las variables.

[0099] En un ejemplo, los modelos de redes neuronales se utilizan para predecir la velocidad y la dirección del viento, la humedad relativa, la temperatura, la cantidad de lluvia y la probabilidad de lluvia, la humedad de las hojas y la humedad del suelo. Sin embargo, se puede usar otra combinación de parámetros. La puesta a punto del modelo puede incluir:

• agregar escala min max al modelo;

• aplicar el análisis de componentes principales;

• construye la red neuronal agregando capas (la mayoría de los modelos tienen entre 3 y 4 capas).

[0100] El procesador 302 prueba el modelo en un conjunto de datos de entrenamiento y compara los resultados con un conjunto de prueba para determinar la precisión. Dependiendo de los resultados, el procesador 302 ajusta el modelo agregando o eliminando capas y ajusta automáticamente las técnicas utilizadas por el modelo, como los pesos de entrada y la técnica de optimización.

[0101] Los datos de entrada a los modelos son una combinación de datos de predicción meteorológica de área amplia obtenidos del Sistema de Pronóstico Global (GFS) en una cuadrícula de 0,25 grados. Las entradas de datos tomadas del GFS incluyen predicciones meteorológicas como temperatura, humedad, presión, cobertura de nubes (y sus diversas formas), punto de rocío, radiación solar, viento, índice de precipitación y precipitación total, duración prevista de la insolación, altura geopotencial a diferentes niveles de viento. niveles, movimiento de la tormenta, ráfagas superficiales, precipitación convectiva, categorías de lluvia helada, categorías de gránulos de hielo, categorías de nevadas y precipitaciones, flujo de calor del suelo, cubierta de hielo, índice de Haines, flujo neto de calor latente, tasa de evaporación, flujo neto de calor sensible, humedad del suelo, temperatura de la superficie, temperatura del suelo, escurrimiento del agua y punto de marchitez. Los datos de GFS de los últimos 12 meses se incluyen como entrada, ya que proporcionan un año de variación estacional. El segundo conjunto de entrada son datos reales del sensor en la ubicación de la predicción (es decir, datos del sensor de área local). Los datos del sensor incluyen temperatura, humedad, presión, humedad de las hojas, humedad del suelo, PAR, PYR, lluvia, velocidad y dirección del viento. Todos los datos de sensor disponibles se pueden utilizar como entrada.

[0102] Para crear las predicciones, el procesador 203 evalúa el modelo sobre una parte de los datos históricos (es decir, entre el 70 y el 100 %) para entrenar a intervalos regulares, por ejemplo, una vez al día. Esto significa que el procesador 203 mejora constantemente el modelo y el sistema se puede implementar sin ningún conocimiento previo de las condiciones locales. Después de unos pocos días, las predicciones calculadas por el procesador 203 serán más precisas que los datos de predicción meteorológica de área amplia. Luego, el procesador 203 ejecuta los modelos sobre los nuevos datos recibidos de los sensores y el GFS a intervalos regulares (por ejemplo, cada 2 a 6 horas) para crear las últimas predicciones. Los modelos crean una predicción por hora para los próximos 7 días (es decir, 168 puntos por hora) para cada variable.

[0103] Los modelos de predicción en uso para predecir las 8 variables crecientes incluyen:

[0104] En un ejemplo, la humedad de la hoja se puede predecir a partir de una red neuronal que aprende las correlaciones entre los datos de predicción meteorológica de área amplia y los datos del sensor de la finca y se ejecuta utilizando el procesador 203. En otro ejemplo, la humedad del suelo se puede predecir utilizando una máquina de vectores de soporte que se ejecuta en el procesador 203.

Sensores

[0105] En un ejemplo, los siguientes componentes del sensor se emplean en el sentido de que cualquier combinación de uno o más de esos componentes constituye un sensor 205:

Ejemplo

[0106] Un ejemplo es un área de producción agrícola operada por un productor de manzanas. Las manzanas producidas deben cumplir estándares específicos y desafiantes: 75 mm, 175 g, 90 % de rubor, 14,5 % de azúcar y la presión justa. Cuantas más manzanas cumplan con esta especificación, mayores serán las ganancias del cultivador de manzanas. En una cosecha de 50 toneladas por hectárea, la ganancia se puede duplicar con un aumento del 10 % en el empaque, el porcentaje de manzanas que no se rechazan. El empaque es una medida directa de la calidad general.

[0107] La temporada de manzanas comienza con la brotación de los brotes y los árboles deberían haber acumulado suficiente frío invernal para que se produzca la producción de frutos; 800 horas de frío pueden ser un objetivo. La primera tarea es regular el cuajado. Si hay demasiadas flores que dan fruto, entonces las manzanas serán demasiado pequeñas; si no hay suficientes, serán demasiado grandes. Por lo tanto, los raleos deben aplicarse al cultivo exactamente en las condiciones climáticas adecuadas: equilibrar las unidades de calor, las horas de luz solar, la humedad del suelo y la selección del producto. Los métodos y sistemas divulgados anteriormente pueden sugerir automáticamente al agricultor el uso de raleos como control del área de producción a través de la interfaz de usuario. Los métodos y sistemas propuestos monitorean las tendencias de temperatura durante el día y la noche. Esta solución automatizada evita errores que pueden llevar a tener que enviar cuadrillas a ralear a mano en exceso, lo que podría perder todo el beneficio del año. Del mismo modo, si las flores se ralean demasiado al principio, habrá poca o ninguna cosecha.

[0108] Al mismo tiempo, se produce la floración, y una de las principales preocupaciones son los brotes de enfermedades y plagas, así como la gestión del crecimiento de los brotes y el crecimiento de las raíces. Por ejemplo, un día a 15 C con más de seis horas de humedad de la hoja y mancha negra es un riesgo. Si se detecta un brote de palomilla de la miel, hay una ventana de 110 grados día (cada hora por encima de 10 C) antes de que salga la larva. Luego hay una elección de cuándo responder y con qué producto y a qué parte del huerto. Diferentes productos funcionan en diferentes condiciones y tienen costes muy diferentes. Un error aquí puede disminuir el aumento del 10 % en el empaque. Los sistemas y métodos divulgados en el presente documento pueden predecir los parámetros en el área local y, por lo tanto, sugerir automáticamente el producto más apropiado como control del área de producción agrícola. Esto reduce el riesgo para el agricultor de perder ganancias.

[0109] La siguiente etapa es la división celular. En este período de 4 semanas, se sacrifican todas las células de las manzanas, lo que finalmente determina el tamaño potencial de la fruta. Aquí también se decide la firmeza de la manzana, si se aplica la cantidad correcta de agua y calcio, en la parte correcta del árbol, en la forma correcta, se han sentado las bases de una fruta crujiente. Sin embargo, el calcio foliar debe aplicarse a fondo: rociado en el calor del día puede reducir el empaque en un 5 %, rechazado con la quemadura de la fruta. El fertilizante también debe mantenerse al mismo tiempo. Nuevamente, los sistemas y métodos divulgados en el presente documento pueden predecir los parámetros en el área local y, por lo tanto, sugerir automáticamente el régimen de aplicación más apropiado como control del área de producción agrícola y mostrar la sugerencia en la interfaz de usuario.

[0110] Otro riesgo en esta etapa es el brote de ácaros que es devastador para el objetivo de color. Además, el granizo, los pájaros y el viento pueden causar daños. A medida que se acerca la cosecha, es posible que se requiera más tiempo para lograr el objetivo de tamaño, ya que la ETo ha sido alta este año y el tamaño ha sido un desafío. Pero el riego puede no ser una solución porque la fruta podría ablandarse y ser sensible a las magulladuras. Si la fruta se deja en el árbol demasiado tiempo, puede quemarse con el sol (que es la segunda razón más importante de rechazo después de las magulladuras en Australia) o, lo que es peor, la recolección puede ser demasiado tardía, lo que compromete gravemente el potencial de almacenamiento y la vida útil. Nuevamente, los sistemas y métodos divulgados en el presente documento pueden predecir los parámetros en el área local y, por lo tanto, sugerir automáticamente el punto en el tiempo más apropiado como control del área de producción agrícola.

[0111] En cada etapa del camino, el agricultor toma decisiones críticas bajo la presión del tiempo. Los métodos y sistemas descritos en el presente documento brindan a los productores las herramientas para tomar decisiones seguras en cada etapa del camino, lo que reduce la incertidumbre y el riesgo.

[0112] Si bien los ejemplos en el presente documento se relacionan con el control de áreas de producción agrícola, los sistemas y métodos divulgados en el presente documento pueden aplicarse igualmente a otras operaciones que no forman parte de la invención reivindicada, incluidas, entre otras, acuicultura, minería, recursos naturales, monitoreo ambiental, logística, seguros y finanzas, edificación y construcción y salud. En este sentido, se proporciona un método para controlar una operación en un área operativa. El método comprende determinar una correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos de sensor de área local basados en datos históricos de predicción meteorológica de área amplia y datos históricos de sensor de área local. El método comprende además calcular una predicción sobre un parámetro operativo de área local basado en datos actuales de predicción meteorológica de área amplia y la correlación entre los datos históricos de predicción meteorológica de área amplia y los datos históricos del sensor de área local. El método también comprende controlar la operación en base a la predicción del parámetro operativo.

[0113] Los expertos en la materia apreciarán que se pueden realizar numerosas variaciones y/o modificaciones en las realizaciones específicas sin apartarse del ámbito definido en las reivindicaciones.

[0114] Debe entenderse que las técnicas de la presente divulgación pueden implementarse usando una variedad de tecnologías. Por ejemplo, los métodos descritos en el presente documento pueden implementarse mediante una serie de instrucciones ejecutables por ordenador que residen en un medio legible por ordenador adecuado. Los medios legibles por ordenador adecuados pueden incluir memoria volátil (por ejemplo, RAM) y/o no volátil (por ejemplo, ROM, disco), ondas portadoras y medios de transmisión. Las ondas portadoras ejemplares pueden adoptar la forma de señales eléctricas, electromagnéticas u ópticas que transportan flujos de datos digitales a lo largo de una red local o una red de acceso público como Internet.

[0115] También debe entenderse que, a menos que se indique específicamente lo contrario como se desprende de la siguiente discusión, se aprecia que a lo largo de la descripción, las discusiones que utilizan términos como "estimar" o "procesar" o "computar" o "calcular", "optimizar" o "determinar" o "mostrar" o "maximizar" o similares, se refieren a la acción y los procesos de un sistema informático, o dispositivo informático electrónico similar, que procesa y transforma datos representados como cantidades físicas (electrónicas) dentro de los registros del sistema informático y memorias en otros datos representados de manera similar como cantidades físicas dentro de las memorias o registros del sistema informático u otros dispositivos de visualización, transmisión o almacenamiento de información.

[0116] Las presentes realizaciones, por lo tanto, deben considerarse en todos los aspectos como ilustrativas y no restrictivas.

Claims

REIVINDICACIONES

1. Un método (400) implementado por ordenador para controlar un sistema de riego o mecanismo de protección (200) para un área de producción agrícola (206), comprendiendo el método realizar por un procesador las etapas de:

determinar una correlación entre los datos históricos de predicción meteorológica en cuadrícula de área amplia y los datos históricos de sensores de área local en una ubicación de sensor en función de los datos históricos de predicción meteorológica en cuadrícula de área amplia para múltiples parámetros meteorológicos realizados en un primer punto en el tiempo para un segundo punto en el tiempo y datos históricos del sensor de área local capturados en el segundo punto en el tiempo en la ubicación del sensor, comprendiendo los datos del sensor múltiples parámetros de datos del sensor y determinándose la correlación para cada uno de los múltiples parámetros de datos del sensor entre (i) múltiples parámetros meteorológicos y (ii) que uno de los múltiples parámetros de datos del sensor;

recibir datos de predicción reticulados meteorológicos de área amplia actuales para los múltiples parámetros meteorológicos para un punto futuro en el tiempo;

calcular en un punto en el tiempo actual una predicción sobre los datos del sensor de área local para cada uno de los múltiples parámetros de datos del sensor para el punto en el tiempo futuro basado en

los datos meteorológicos de predicción cuadriculados de área amplia actuales para los múltiples parámetros meteorológicos para el punto futuro en el tiempo, y

la correlación entre los múltiples parámetros meteorológicos y uno de los múltiples parámetros del sensor en la ubicación del sensor;

calcular una predicción para un parámetro agrícola utilizando una relación predeterminada entre la predicción de los datos del sensor de área local y el parámetro agrícola; y

controlar el sistema de riego o mecanismo de protección (200) en base a la predicción sobre el parámetro agrícola.

2. El método de la reivindicación 1, en el que la predicción se refiere a al menos 24 horas en el futuro y los datos históricos de predicción meteorológica de área amplia y los datos históricos del sensor de área local se refieren a al menos 5 días en el pasado.

3. El método de la reivindicación 1 o 2, en el que el cálculo de la predicción sobre el parámetro agrícola del área local se basa en un modelo agrícola, el modelo agrícola se basa preferiblemente en el crecimiento de las plantas, el modelo agrícola comprende preferiblemente un valor indicativo de la evapotranspiración de las plantas, y el valor indicativo de la evapotranspiración de las plantas es preferiblemente variable en el tiempo.

4. El método de cualquiera de las reivindicaciones anteriores, en el que los datos históricos de predicción meteorológica en cuadrícula de área amplia y los datos actuales de predicción meteorológica en cuadrícula de área amplia comprenden datos de viento y la determinación de la correlación y el cálculo de la predicción se basan en los datos de viento; y/o comprendiendo además el método actualizar repetidamente la correlación en base a datos de predicción meteorológica de área amplia adicionales y datos de sensores de área local adicionales.

5. El método de cualquiera de las reivindicaciones anteriores, en el que

el área de producción agrícola comprende múltiples subáreas,

hay al menos un sensor de área local en cada una de las múltiples subáreas, y

se realiza la determinación de la correlación y el cálculo de la predicción para cada una de las subáreas.

6. El método de cualquiera de las reivindicaciones anteriores, en el que

los múltiples parámetros meteorológicos comprenden datos sobre la velocidad del viento, la dirección del viento y la temperatura, y

los parámetros de datos de sensores múltiples comprenden datos para la velocidad del viento y la temperatura.

7. El método de cualquiera de las reivindicaciones anteriores, en el que calcular la predicción en cada uno de los múltiples parámetros de datos del sensor comprende calcular una predicción del estado de una planta y controlar el sistema de riego o el mecanismo de protección (200) se basa en el estado de la planta, el método preferiblemente que comprende además calcular una predicción sobre datos de sensores de área local futuros, en el que el control del sistema de riego o mecanismo de protección (200) se basa en el estado de la planta pronosticado y los datos de sensores de área local futuros.

8. El método de cualquiera de las reivindicaciones anteriores, que comprende además la creación de una interfaz gráfica de usuario para presentar la predicción sobre el parámetro agrícola del área local a un usuario, en el que el método comprende preferiblemente repetir la etapa de calcular la predicción para múltiples tiempos futuros y crear la interfaz gráfica de usuario para presentar una serie temporal de la predicción para los múltiples tiempos futuros.

9. El método de la reivindicación 7, en el que la interfaz gráfica de usuario comprende elementos de entrada para permitir que el usuario introduzca acciones de control planificadas;

y/o comprendiendo además el método determinar una sugerencia para controlar el sistema de riego o mecanismo de protección (200) en base a la predicción sobre el parámetro agrícola.

10. El método de la reivindicación 9, que comprende además determinar una predicción sobre los datos del sensor de área local en base a los datos de predicción reticular meteorológica de área amplia actual y la correlación entre los datos de predicción reticular meteorológicos de área amplia históricos y los datos del sensor de área local histórico, en el que la determinación de la sugerencia se basa en un riesgo predefinido asociado con los datos del sensor de área local donde es probable que ocurra ese riesgo y la sugerencia se determina en función de la predicción de los datos del sensor de área local para reducir el riesgo.

11. El método de cualquiera de las reivindicaciones anteriores, en el que el parámetro agrícola del área local es un déficit de agua o un excedente de agua.

12. El método de cualquiera de las reivindicaciones anteriores, en el que la predicción sobre el parámetro agrícola del área local comprende un parámetro de calidad indicativo de la calidad prevista de un producto del área de producción agrícola y el control del sistema de riego o mecanismo de protección (200) comprende la optimización el parámetro de calidad.

13. El método de la reivindicación 12, que comprende además repetir la etapa de calcular la predicción sobre el parámetro de calidad para múltiples tiempos futuros y crear una interfaz gráfica de usuario para presentar una serie temporal de la predicción sobre el parámetro de calidad para múltiples tiempos futuros.

14. Software que, cuando es ejecutado por un ordenador, hace que el ordenador realice el método de cualquiera de las reivindicaciones 1 a 13.

15. Un sistema informático (201) para el control de un sistema de riego o mecanismo de protección (200) para un área de producción agrícola (206) que comprende:

un receptor (308) para datos de predicción reticular meteorológica de área amplia y datos de sensor de área local; un procesador (302) para

determinar una correlación entre los datos históricos de predicción meteorológica en cuadrícula de área amplia y los datos históricos de sensores de área local en función de los datos históricos de predicción meteorológica en cuadrícula de área amplia para múltiples parámetros meteorológicos realizados en un primer punto en el tiempo para un segundo punto en el tiempo y datos del sensor de área local históricos capturados en el segundo punto en el tiempo en la ubicación del sensor comprendiendo los datos del sensor múltiples parámetros de datos del sensor y determinándose la correlación para cada uno de los múltiples parámetros de datos del sensor entre (i) los múltiples parámetros meteorológicos y (ii) ese de los múltiples parámetros de datos del sensor;

recibir datos de predicción reticulados meteorológicos de área amplia actuales para los múltiples parámetros meteorológicos para un punto en el tiempo futuro;

un puerto de salida para controlar el sistema de riego o mecanismo de protección (200) en base a la predicción sobre el parámetro agrícola.