ES2948618T3 - Procedimiento y sistema de estimación de la salud de las plantas - Google Patents

Procedimiento y sistema de estimación de la salud de las plantas Download PDF

Info

Publication number
ES2948618T3
ES2948618T3 ES20740850T ES20740850T ES2948618T3 ES 2948618 T3 ES2948618 T3 ES 2948618T3 ES 20740850 T ES20740850 T ES 20740850T ES 20740850 T ES20740850 T ES 20740850T ES 2948618 T3 ES2948618 T3 ES 2948618T3
Authority
ES
Spain
Prior art keywords
health
plant
plants
level
hardware processors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES20740850T
Other languages
English (en)
Inventor
Jayantrao Mohite
Sanjay Kimbahune
Srinivasu Pappula
Dineshkumar Singh
Sanat Sarangi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tata Consultancy Services Ltd
Original Assignee
Tata Consultancy Services Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Application granted granted Critical
Publication of ES2948618T3 publication Critical patent/ES2948618T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/90—Identifying an image sensor based on its output data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Botany (AREA)
  • Wood Science & Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines Containing Plant Substances (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Es necesario realizar una estimación de la salud vegetal para detectar cualquier problema de salud en las primeras etapas y tomar medidas para contrarrestarlo. Los sistemas existentes para la estimación de la salud vegetal realizan la estimación de la salud considerando datos obtenidos de imágenes satelitales de las plantas que se están monitoreando. Sin embargo, esto por sí solo puede no ser muy eficaz, ya que las imágenes de satélite no proporcionan información sobre muchos parámetros que tienen un impacto directo o indirecto en la salud de las plantas. En el presente documento se divulga un método y un sistema para la estimación de la salud de las plantas, en donde el sistema realiza una estimación de la salud a un nivel macro y micro. La estimación de la salud a nivel macro se realiza utilizando imágenes satelitales de las plantas como insumos, mientras que la estimación de la salud a nivel micro se realiza recopilando y procesando datos de sensores con respecto a varios parámetros que afectan la salud de una planta. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Procedimiento y sistema de estimación de la salud de las plantas
Referencia cruzada a solicitudes relacionadas y prioridad
La presente solicitud es una presentación en fase nacional de la OEP y reivindica prioridad de la solicitud internacional n°: PCT/IB2020/050288 presentada el 15 de enero de 2020 en la que se reivindica la prioridad de La solicitud de patente de la India n°: 201921001768, presentada el 15 de enero de 2019.
Campo técnico
La presente divulgación se refiere en general a la estimación de la salud de las plantas y, más particularmente, a un procedimiento y sistema para la estimación de la salud de las plantas que incluye una estimación a nivel macro y una estimación a nivel micro.
Antecedentes
Hay varios factores que afectan a la salud de las plantas. Por ejemplo, puede haber insectos que ataquen las plantas y causen daños. Del mismo modo, otros factores como las condiciones climáticas, la contaminación, etc., también pueden afectar negativamente a la salud de las plantas. A menudo se desarrollan síntomas en las plantas que indican/representan una o más condiciones sanitarias de las plantas. Si estos síntomas se observan en las primeras fases, entonces, en consecuencia, los agricultores pueden tomar algunos remedios. Sin embargo, cuando las plantas se siembran en una amplia zona, resulta difícil para un usuario (un agricultor) inspeccionar e identificar manualmente tales síntomas.
Existen algunos sistemas que pueden realizar estimaciones de la salud de las plantas. Algunos de estos sistemas utilizan satélites para captar imágenes y otros datos relativos a las plantas que están siendo supervisadas para recopilar información relativa a las plantas que están siendo supervisadas. Algunos de los sistemas existentes utilizan distintos tipos de sensores para recoger datos. Los sistemas utilizan estos datos para identificar la salud de las plantas. Sin embargo, el inconveniente de los sistemas actuales es que no se racionaliza el uso de los distintos tipos de datos.
El documento "Maximización de la relación del rendimiento con zonas de gestión específicas del lugar con segmentación orientada a objetos de imágenes hiperespectrales" de LID HUANJUN ET AL divulga un procedimiento para delinear las SSMZ usando segmentación orientada a objetos de imágenes aerotransportadas, donde las SSMZ son zonas de crecimiento homogéneo de cultivos. Se explotan tres dominios de teledetección -espectral, espacial y temporal- para mejorar la relación entre la SSMZ y el rendimiento. Los índices comunes de vegetación (VI) y las derivadas primera y segunda de doce imágenes hiperespectrales aéreas de un campo de algodón durante una temporada se utilizan como capas de entrada para la segmentación orientada a objetos. La combinación óptima de VI, tamaño de la SSMZ y estado fenológico del cultivo se utilizan como variables de entrada para la delimitación de la SSMZ, determinada maximizando la correlación con los mapas segmentados de supervisión del rendimiento. La combinación de índices de vegetación de banda estrecha y segmentación orientada a objetos proporcionó una mayor correlación entre VI y rendimiento a escala de SSMZ que a escala de píxel al reducir el ruido de los datos de múltiples recursos.
El documento US2012109614A1 (Robert J. Lindores) divulga sobre un sistema para estimar una característica de cultivo comprende una base de datos, un correlacionador de modelo de crecimiento de la planta, y un estimador de característica de cultivo. La base de datos incluye modelos de crecimiento de plantas para una pluralidad de campos. El correlacionador del modelo de crecimiento de la planta está acoplado comunicativamente con la base de datos. El correlacionador del modelo de crecimiento de la planta está configurado para determinar al menos un campo cosechado con un primer modelo de crecimiento de la planta que se correlaciona con un segundo modelo de crecimiento de la planta para al menos una parte de un campo no cosechado. El estimador de características del cultivo está configurado para estimar una característica del cultivo para el campo sin cosechar en base a datos reales de características del cultivo obtenidos del al menos un campo cosechado.
Sumario
Las realizaciones de la presente divulgación presentan mejoras tecnológicas como soluciones a uno o más de los problemas técnicos mencionados anteriormente reconocidos por los inventores en los sistemas convencionales. Por ejemplo, en una realización, se proporciona un procedimiento implementado por procesador para la estimación de la salud de las plantas. Inicialmente, uno o más procesadores de hardware recopilan una pluralidad de imágenes de satélite de uno o más campos en los que se encuentra una pluralidad de plantas que se están supervisando. Además, mediante uno o más procesadores de hardware, se recopilan datos de al menos un sensor relativos a al menos un parámetro que afecta a la salud de cada una de las plantas que están siendo supervisadas. Además, se estima la salud a nivel macro de cada planta en un conjunto de muestra de plantas de la pluralidad de plantas, utilizando al menos una de la pluralidad de imágenes de satélite, mediante uno o más procesadores de hardware. Mientras se estima la salud a nivel macro, la al menos una imagen de satélite se procesa con un dato de comportamiento espectral de la planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra. A continuación, el conjunto de plantas de muestra se agrupa en una pluralidad de agrupaciones, en base a la información sobre el inicio de la temporada y en la información sobre el área de la planta, mediante uno o más procesadores de hardware, y luego se estima la salud a nivel macro para cada uno de la pluralidad de agrupaciones. A continuación, se estima la salud a nivel micro de cada planta del conjunto de plantas de muestra utilizando los datos de al menos un sensor, mediante uno o más procesadores de hardware, donde la salud a nivel micro se estima a nivel de planta. Además, la salud a nivel macro se actualiza en función de la salud a nivel micro correspondiente.
En otro aspecto, se proporciona un sistema para la estimación de la salud de las plantas. El sistema incluye una o más interfaces de comunicación, uno o más procesadores de hardware y uno o más módulos de memoria que almacenan una pluralidad de instrucciones. La pluralidad de instrucciones, cuando se ejecutan, hacen que uno o más procesadores de hardware: recopilen una pluralidad de imágenes de satélite de uno o más campos en los que se encuentran una pluralidad de plantas que están siendo supervisadas; recopilen al menos un dato de sensor perteneciente a al menos un parámetro que afecta la salud de las plantas que están siendo supervisadas; estimen un nivel macro de salud de cada planta en un conjunto de plantas de muestra, utilizando al menos una de la pluralidad de imágenes de satélite, que comprende: procesar la al menos una de la pluralidad de imágenes de satélite con unos datos de comportamiento espectral de la planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra; agrupar el conjunto de plantas de muestra en una pluralidad de agrupaciones, en base a la información de inicio de la estación y en una información de área de la planta; y estimar la salud a nivel macro para cada uno de la pluralidad de agrupaciones. A continuación, el sistema estima la salud a nivel micro de cada planta del conjunto de plantas de muestra utilizando los datos de al menos un sensor y actualiza la salud a nivel macro de cada planta del conjunto de plantas de muestra en base a la salud a nivel micro correspondiente.
En otro aspecto, se proporciona un medio legible por ordenador no transitorio para la estimación de la salud de las plantas. Inicialmente, uno o más procesadores de hardware recopilan una pluralidad de imágenes de satélite de uno o más campos en los que se encuentra una pluralidad de plantas que se están supervisando. Además, mediante uno o más procesadores de hardware, se recopilan datos de al menos un sensor relativos a al menos un parámetro que afecta a la salud de cada una de las plantas que están siendo supervisadas. Además, se estima la salud a nivel macro de cada planta en un conjunto de muestra de plantas de la pluralidad de plantas, utilizando al menos una de la pluralidad de imágenes de satélite, mediante uno o más procesadores de hardware. Mientras se estima la salud a nivel macro, la al menos una imagen de satélite se procesa con un dato de comportamiento espectral de la planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra. A continuación, el conjunto de plantas de muestra se agrupa en una pluralidad de agrupaciones, en base a la información sobre el inicio de la temporada y en la información sobre el área de la planta, mediante uno o más procesadores de hardware, y luego se estima la salud a nivel macro para cada uno de la pluralidad de agrupaciones. A continuación, se estima la salud a nivel micro de cada planta del conjunto de plantas de muestra utilizando los datos de al menos un sensor, mediante uno o más procesadores de hardware, donde la salud a nivel micro se estima a nivel de planta. Además, la salud a nivel macro se actualiza en función de la salud a nivel micro correspondiente.
Debe entenderse que tanto la descripción general precedente como la descripción detallada siguiente son sólo ejemplares y explicativas y no son restrictivas de la invención, tal como se reivindica.
Breve descripción de los dibujos
Los dibujos adjuntos, que se incorporan y forman parte de esta divulgación, ilustran realizaciones ejemplares y, junto con la descripción, sirven para explicar los principios divulgados:
La FIG. 1 ilustra un diagrama de bloques ejemplar de un sistema para realizar la estimación de la salud de la planta, de acuerdo con algunas realizaciones de la presente divulgación.
La FIG. 2 es un diagrama de flujo en el que se representan las etapas involucradas en el procedimiento de realización de la estimación de la salud de las plantas mediante el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación.
La FIG. 3 es un diagrama de flujo que representa las etapas implicadas en el procedimiento de estimación de la salud de las plantas a nivel macro, utilizando el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación.
La FIG. 4 es un diagrama de flujo que representa las etapas implicadas en el procedimiento de estimación de la salud a nivel micro de las plantas, utilizando el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación.
Descripción detallada de las realizaciones
Las realizaciones ejemplares se describen con referencia a los dibujos adjuntos. En las figuras, la(s) cifra(s) situada(s) más a la izquierda de un número de referencia identifica(n) la figura en la que el número de referencia aparece por primera vez. Siempre que sea conveniente, se utilizan los mismos números de referencia en todos los dibujos para referirse a partes iguales o similares. Aunque en el presente documento se describen ejemplos y características de los principios divulgados, es posible realizar modificaciones, adaptaciones y otras implementaciones sin apartarse del ámbito de las realizaciones divulgadas. Se pretende que la siguiente descripción detallada se considere únicamente un ejemplo, y que el verdadero alcance se indique en las reivindicaciones siguientes.
Refiriéndose ahora a los dibujos, y más particularmente de la FIG. 1 a la FIG. 4, donde caracteres de referencia similares denotan características correspondientes de manera consistente a lo largo de las figuras, se muestran realizaciones preferentes y estas realizaciones se describen en el contexto del siguiente sistema y/o procedimiento ejemplar.
La FIG. 1 ilustra un diagrama de bloques ejemplar de un sistema para realizar la estimación de la salud de la planta, de acuerdo con algunas realizaciones de la presente divulgación. El sistema 100 incluye un módulo de memoria 101, uno o más procesadores de hardware 102 y una o más interfaces de comunicación 103.
El módulo o módulos de memoria 101 pueden incluir cualquier medio legible por ordenador conocido en la técnica, incluyendo, por ejemplo, memoria volátil, como memoria estática de acceso aleatorio (SRAM) y memoria dinámica de acceso aleatorio (DRAM), y/o memoria no volátil, como memoria de sólo lectura (ROM), ROM programable borrable, memorias flash, discos duros, discos ópticos y cintas magnéticas. En una realización, uno o más módulos (no mostrados) del sistema 100 pueden ser almacenados en el módulo(s) de memoria 101. El (los) módulo(s) de memoria 101 está(n) configurado(s) además para almacenar una pluralidad de instrucciones, que cuando se ejecutan, hacen que el (los) uno o más procesador(es) hardware 102 realice(n) diferentes acciones asociadas con la estimación de la salud de la planta gestionada por el sistema 100. El módulo o módulos de memoria 101 pueden configurarse además para almacenar cualquier dato asociado con la estimación de la salud, por ejemplo, datos de referencia relativos al tipo de planta, información sobre el inicio de la temporada (SoS), tipo de planta, coeficiente de ponderación de los datos del sensor, etc., que son utilizados por el sistema 100 para realizar la evaluación de la salud de la planta. El módulo de memoria 101 puede configurarse además para almacenar datos relativos a una salud estimada de las plantas como datos de referencia.
El uno o más procesadores de hardware 102 pueden ser implementados como uno o más procesadores, microordenadores, microcontroladores, procesadores de señal digital, unidades de procesamiento central, máquinas de estado, controladores gráficos, circuitos lógicos, y/o cualquier dispositivo que manipule señales basadas en instrucciones operacionales. Entre otras capacidades, el procesador o procesadores están configurados para recuperar y ejecutar instrucciones legibles por ordenador almacenadas en la memoria. En una realización, el sistema 100 puede implementarse en una variedad de sistemas informáticos, como ordenadores portátiles, tabletas, dispositivos de mano, estaciones de trabajo, ordenadores centrales, servidores, una nube de red y similares. El uno o más procesadores de hardware 102 están configurados para realizar el procesamiento de datos y señales de control, en diferentes etapas de la estimación de la salud de la planta, según sea necesario.
La interfaz o interfaces de comunicación 103 puede(n) incluir una variedad de interfaces de software y hardware, por ejemplo, una interfaz web, una interfaz gráfica de usuario, y similares, y puede(n) facilitar múltiples comunicaciones dentro de una amplia variedad de redes N/W y tipos de protocolo, incluyendo redes cableadas, por ejemplo, LAN, cable, etc., y redes inalámbricas, tales como WLAN, celular, o satélite. En una realización, la interfaz o interfaces de comunicación 103 puede(n) incluir uno o más puertos para conectar varios dispositivos entre sí o a otro servidor. La interfaz o interfaces de comunicación puede(n) estar configurada(s) para proporcionar uno o más canales con protocolos apropiados, para que el sistema 100 se comunique con uno o más sistemas externos. Por ejemplo, la interfaz o interfaces de comunicación 103 interactúa(n) con al menos un medio de captura de imágenes (un satélite) para recoger la imagen o imágenes de las plantas que están siendo supervisadas. Del mismo modo, la interfaz o interfaces de comunicación 103 proporciona(n) al menos un canal/interfaz adecuado para comunicarse con al menos un sensor para recoger las entradas del sensor con respecto a los diferentes parámetros que están siendo supervisadas con el fin de estimar la salud.
El sistema 100 ejecuta las siguientes etapas durante la estimación de la salud de las plantas:
El sistema 100 recoge como entrada una o más imágenes de satélite de una zona geográfica en la que se encuentran los campos en los que se están supervisando una pluralidad de plantas. El sistema 100 recoge además, utilizando uno o más sensores asociados, datos relativos a uno o más parámetros que afectan a la salud de las plantas, como entrada. Por ejemplo, los datos relativos a parámetros como la humedad del suelo, el nivel de nitrógeno de las hojas y la clorofila, entre otros, se recogen mediante sensores adecuados. En una realización, basada en el tipo de datos requeridos para la estimación de la salud, cualquier tipo adecuado de sensores puede ser utilizado por el sistema 100.
El sistema 100 almacena datos de series temporales del sistema temprano como datos de referencia en el módulo de memoria 101. Los primeros datos de series temporales del sistema pueden referirse a datos correspondientes a plantas, superficie de plantas, información sobre cultivos, etc., que pueden haber sido recogidos por el sistema 100 a lo largo de un periodo de tiempo. Esta información se actualiza para reflejar/captar cualquier cambio en los datos capturados y almacenados como datos de series temporales del sistema temprano. El sistema 100 hace referencia a estos datos para estimar la superficie de la planta. A continuación, el sistema 100 procesa la información del área de la planta, utilizando cualquier técnica de aprendizaje automático adecuada, para identificar la planta objetivo, en la que la planta objetivo se refiere a la planta o plantas que el sistema 100 debe supervisar para estimar su estado. En esta etapa, el sistema 100 identifica los píxeles de una o varias imágenes de satélite que deben tenerse en cuenta para la estimación de la salud.
El sistema 100 estima además la información del inicio de temporada (SoS) correspondiente a las plantas que se están supervisando. La información del SoS representa cuándo se han plantado las plantas y, a su vez, proporciona información sobre la edad/etapa de crecimiento de las plantas. Con el fin de estimar la información del SoS, el sistema 100 almacena el valor de retrodispersión (durante un periodo de tiempo) para cada píxel de cada imagen de satélite que se procesa, y la fecha correspondiente, en un formato de par clave-valor, es decir, como Sv1-Sd1, Sv2-Sd2, .... Svt-Sdt). A continuación, el sistema identifica el valor mínimo entre los valores de retrodispersión almacenados, es decir, MinV = min (Sv1, Sv2,...Svt). Tras identificar el valor mínimo, el sistema 100 comprueba la fecha correspondiente, y esta fecha es la información del SoS del píxel considerado. Este procedimiento se repite para todos los píxeles considerados.
Por ejemplo, supongamos que para una planta de arroz, durante una ventana de trasplante entre julio-agosto de 2018, los pares de valores de retrodispersión-fechas correspondientes son:
(-9,1-184, -9,8-196, -13-208, -12,1-220, -10,22-232, -9,76-244)
Donde los valores 184, 196, 208, 220, 232, y 244 representan la fecha almacenada en formato día del año (DoY). Aquí el valor mínimo MinV = -13, y el SoS correspondiente es 208, es decir, el 27 de julio de 2018.
A continuación, el sistema 100 estima una salud a nivel macro de la(s) planta(s) que están siendo supervisadas. A continuación se indican las etapas a seguir:
Estimación sanitaria a nivel macro:
En esta etapa, el sistema 100 agrupa el conjunto de muestra de plantas en una pluralidad de agrupaciones, en base a la información del SoS correspondiente y en una información de área de planta. A continuación, el sistema 100 identifica, para cada SoS, para cada planta de un conjunto de plantas de muestra, uno o más índices. En una realización, los datos relativos a uno o más índices que deben tenerse en cuenta para la planta se identifican a partir de los datos de una base de datos de referencia que especifica los índices que corresponden a cada planta (o tipo de planta), junto con otra información.
El sistema 100 utiliza esta información relativa al SoS y el valor de cada uno de los índices considerados, para generar un valor de índice de salud para el SoS. Esta etapa se repite para todos los píxeles considerados, y los valores del índice de salud se normalizan entre 0 y 1. A continuación, el sistema 100 identifica los valores más próximos a 0 como indicadores de mala salud de las plantas y los valores más próximos a 1 como indicadores de buena salud.
Por ejemplo, considerando que NDVI y NDWI son dos índices para la planta de arroz. Para el SoS 208 (es decir, 27 de julio de 2018), para un píxel, NDVI (t2) = 0,34, NDVI (t1) = 0,29, y NDWI (t2) = 0,33, NDWI (t1) = 0,31. Entonces, la salud a nivel macro se estima como:
Salud (m) = (0,5*(NDVIt2 - NDVItl)) (0,5*(NDWIt2 - NDWItl)) -0,035 — (1)
Este procedimiento se repite para todos los píxeles para estimar la salud a nivel macro. También es necesario señalar que la ecuación 1 se puede generalizar y se puede utilizar para cualquier índice y los valores correspondientes de los índices. La salud a nivel macro se estima a nivel de campo/parcela, es decir, la salud a nivel macro representa la salud de un grupo/pluralidad de plantas.
A continuación, el sistema 100 estima la salud a nivel micro de las plantas. A continuación se explica el procedimiento de estimación del nivel micro de salud:
Estimación sanitaria a nivel micro:
En esta fase, el sistema 100 identifica los sensores que deben tenerse en cuenta para una planta y los coeficientes de ponderación correspondientes que deben asignarse, en base a los datos de una base de datos de referencia. La base de datos de referencia contiene información relativa a los tipos de plantas y los sensores y coeficientes de ponderación correspondientes. Esta información puede preconfigurarse o configurarse dinámicamente con el módulo de memoria 101.
Tras identificar los coeficientes de ponderación para cada uno de los datos de los sensores que se están considerando, el sistema 100 estima la salud a nivel micro de las plantas en función de los coeficientes de ponderación, los datos de los sensores de cada uno de los sensores que se están considerando, el tipo de planta y la información relativa a la fase de crecimiento de la planta, como:
Figure imgf000006_0001
Considerando el siguiente ejemplo:
La Tabla 1 muestra los coeficientes de ponderación de los diferentes sensores en las diferentes etapas de crecimiento de la planta de arroz:
Tabla. 1
Figure imgf000006_0003
Si los coeficientes de ponderación deben ser recogidos para la fase de macollamiento, y asumiendo que los valores de los sensores son SM = 34%, LAI = 2,1, nitrógeno foliar = 25 mg/g, y clorofila = 10 mg/g, la salud a nivel micro se calcula como:
Figure imgf000006_0002
En base a la salud estimada a nivel micro de las plantas, se actualiza la salud a nivel macro, y la salud actualizada a nivel macro representa la salud de la correspondiente agrupación de plantas.
El sistema 100 puede utilizar cualquier modelo adecuado para actualizar la salud a nivel macro utilizando los datos de salud a nivel micro. A continuación se ofrece un ejemplo del modelo utilizado para actualizar la salud a nivel micro utilizando la información sanitaria a nivel macro:
Salud (m) = 0,15*Salud (M) 0,41 — (3)
donde los valores 0,15 y 0,41 son puntos de datos de salud a nivel micro de muestra, que pueden modificarse según las necesidades y/u otros parámetros como el tipo de planta, el tipo de sensor, etc.
Del mismo modo, a continuación se presenta un ejemplo del modelo de actualización temporal de la salud a nivel micro de las plantas:
Consideremos que las series temporales de la salud a nivel micro son Salud (M)t1, Salud (M)t2, Salud(M)t3, Salud(M)t4
Consideremos entonces las series temporales de la salud a nivel macro como Salud(m)t1, Salud(m)t2, Salud(m)t3, Salud(m)t4,
Salud (M)t5 = f (Salud(M)tl, Salud(M)t2, Salud(M)t3, Salud(M)t4) y f(Salud (m)tl, Salud (m)t2, Salud (m)t3, Salud (m)t4) — (4)
Este modelo puede utilizarse para actualizar los datos sanitarios a nivel micro para todos los píxeles para los que no se dispone de datos sanitarios a nivel micro y sí se dispone de datos sanitarios a nivel macro. En algunos casos, es posible que no se disponga de datos sanitarios a nivel micro o que no se disponga de datos sanitarios a nivel macro. En tales escenarios, el sistema 100 utiliza modelos de datos apropiados (como en la ecuación 3, y/o ecuación 4) que establecen la relación entre la salud a nivel micro y la salud a nivel macro, con el fin de actualizar la salud a nivel micro utilizando la información de salud a nivel macro o viceversa. Los macrodatos sanitarios actualizados (y los microdatos sanitarios por separado si es necesario) pueden proporcionarse a uno o varios usuarios finales. Por ejemplo, los usuarios (que pueden ser operadores del sistema, consumidores como agricultores, y cualquier otra persona interesada) pueden optar por recibir notificaciones sobre el estado de salud de las plantas que están siendo supervisadas, y dichos usuarios pueden ser notificados de la salud estimada de la planta (nivel macro y/o nivel micro de salud) utilizando cualquier mecanismo adecuado, como pero no limitado al Servicio de Mensajes Cortos (SMS), correos electrónicos, mensajes de voz, etc., periódicamente y cuando la estimación de la salud está siendo realizada por el sistema 100. En otro ejemplo, se puede proporcionar a los usuarios una aplicación móvil específica con una interfaz de usuario adecuada para el seguimiento en tiempo real de la salud de la planta.
Además, al tener en cuenta los datos obtenidos de las imágenes de satélite así como los datos de los sensores, el sistema 100 es capaz de realizar la estimación de la salud utilizando múltiples parámetros/factores que afectan directa/indirectamente a la salud de las plantas, lo que a su vez resulta en una mejora de la precisión de la estimación de la salud.
La FIG. 2 es un diagrama de flujo en el que se representan las etapas del procedimiento de estimación de la salud de las plantas mediante el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación. El sistema 100 recoge (202) una pluralidad de imágenes de satélite de uno o más campos en los que se encuentran las plantas que están siendo supervisadas para estimar su estado de salud. El sistema 100 recopila además (204) datos de sensores relativos a uno o más parámetros que afectan a la salud de las plantas que se están supervisando, utilizando uno o más sensores apropiados.
A continuación, el sistema 100 estima (206) la salud a nivel macro de cada una de las plantas que están siendo supervisadas, utilizando una o más imágenes de satélite y otra información relacionada. El sistema 100 estima además (208) un estado de salud a nivel micro de cada una de las plantas que están siendo supervisadas, utilizando los datos de los sensores recogidos y otra información relacionada. Los datos sanitarios a nivel macro y los datos sanitarios a nivel micro representan colectivamente (210) la salud de las plantas.
La FIG. 3 es un diagrama de flujo que muestra las etapas del procedimiento de estimación de la salud de las plantas a nivel macro, utilizando el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación. En este procedimiento, el sistema 100 genera inicialmente (302) una información de Inicio de Temporada (SoS) correspondiente al conjunto de plantas de muestra. A continuación, el sistema 100 agrupa (304) el conjunto de plantas de muestra en una pluralidad de agrupaciones, en base a la información del SoS y en una información sobre la superficie de la planta. A continuación, el sistema 100 identifica (306) una pluralidad de índices correspondientes a cada planta del conjunto de plantas de muestra, en base a unos datos de referencia preconfigurados o configurados dinámicamente. A continuación, el sistema 100 genera (308) un valor de índice de salud para la información del SoS, en base al valor de la pluralidad de índices. Además, el sistema 100 estima la salud a nivel macro de cada una de las plantas, en base al valor del índice de salud.
La FIG. 4 es un diagrama de flujo que muestra las etapas del procedimiento de estimación de la salud a nivel micro de las plantas, utilizando el sistema de la FIG. 1, según algunas realizaciones de la presente divulgación. El sistema 100 identifica (402) al menos un sensor que es relevante para una planta que se está considerando, de entre una pluralidad de sensores, como el sensor a considerar. En una realización, el sistema 100 identifica el al menos un sensor a tener en cuenta, en base a unos datos de referencia. Además, el sistema 100 identifica (404) el coeficiente de ponderación del al menos un sensor considerado, para una etapa de crecimiento de la planta durante la cual se está realizando la estimación de la salud. Los datos del al menos un sensor considerado y los datos del coeficiente de ponderación correspondientes son utilizados por el sistema 100 para estimar (406) la salud a nivel micro de cada una de las plantas.
La descripción escrita describe la materia objeto del presente documento para permitir a cualquier experto en la materia realizar y utilizar las realizaciones. El ámbito de aplicación de las realizaciones se define en las reivindicaciones.
Las realizaciones de la presente divulgación abordan el problema no resuelto de la estimación de la salud de las plantas. De este modo, la encarnación proporciona un mecanismo para la estimación de la salud a nivel micro utilizando datos de sensores y la estimación de la salud a nivel macro utilizando datos de imágenes de satélite. Además, las realizaciones del presente documento proporcionan modelos para actualizar los datos sanitarios a nivel macro y micro.
Debe entenderse que el alcance de la protección se extiende a dicho programa y además a un medio legible por ordenador que contenga un mensaje en el mismo; dicho medio de almacenamiento legible por ordenador contiene medios de código de programa para la implementación de uno o más etapas del procedimiento, cuando el programa se ejecuta en un servidor o dispositivo móvil o cualquier dispositivo programable adecuado. El dispositivo de hardware puede ser cualquier tipo de dispositivo que pueda ser programado, incluyendo, por ejemplo, cualquier tipo de ordenador como un servidor o un ordenador personal, o similar, o cualquier combinación de los mismos. El dispositivo también puede incluir medios que podrían ser, por ejemplo, medios de hardware como, por ejemplo, un circuito integrado para aplicaciones específicas (ASIC), una matriz de puertas programables en campo (FPGA), o una combinación de medios de hardware y software, por ejemplo, un ASIC y una FPGA, o al menos un procesador y al menos una memoria con módulos de software ubicados en ellos. Así, los medios pueden incluir tanto medios de hardware como de software. Los procedimientos aquí descritos pueden implementarse en hardware y software. El dispositivo también puede incluir medios de software. Alternativamente, las realizaciones pueden implementarse en diferentes dispositivos de hardware, por ejemplo, utilizando una pluralidad de CPU.
Las presentes realizaciones pueden incluir elementos de hardware y software. Las realizaciones implementadas en software incluyen, entre otros, firmware, software residente, microcódigo, etc. Las funciones realizadas por los distintos módulos descritos en el presente documento pueden implementarse en otros módulos o en combinaciones de otros módulos. A los efectos de esta descripción, un medio legible por ordenador o utilizable por ordenador puede ser cualquier aparato que pueda comprender, almacenar, comunicar, propagar o transportar el programa para su uso por o en conexión con el sistema, aparato o dispositivo de ejecución de instrucciones.
Las etapas ilustradas se exponen para explicar las realizaciones ejemplares mostradas, y debe anticiparse que el desarrollo tecnológico en curso cambiará la forma en que se realizan funciones particulares. Estos ejemplos se presentan a título ilustrativo y no limitativo. Además, los límites de los bloques funcionales se han definido arbitrariamente para facilitar la descripción. Se pueden definir límites alternativos siempre que las funciones especificadas y sus relaciones se realicen adecuadamente. Las alternativas (incluidos los equivalentes, extensiones, variaciones, desviaciones, etc., de los descritos en el presente documento) serán evidentes para los expertos en la(s) técnica(s) pertinente(s) sobre la base de las enseñanzas contenidas en el presente documento. Tales alternativas entran dentro del ámbito de las realizaciones divulgadas. Asimismo, las palabras "que comprende", "que tiene", "que contiene", "que incluye" y otras formas similares tienen un significado equivalente y son abiertas en el sentido de que un elemento o elementos que sigan a cualquiera de estas palabras no constituyen una lista exhaustiva de dicho elemento o elementos, ni se limitan únicamente al elemento o elementos enumerados. También debe tenerse en cuenta que, tal como se utilizan en el presente documento y en las reivindicaciones adjuntas, las formas singulares "un", "una" “el” y "la" incluyen referencias plurales a menos que el contexto indique claramente lo contrario.
Además, uno o más medios de almacenamiento legibles por ordenador pueden ser utilizados en la implementación de realizaciones consistentes con la presente divulgación. Un medio de almacenamiento legible por ordenador se refiere a cualquier tipo de memoria física en la que se puede almacenar información o datos legibles por un procesador. Por lo tanto, un medio de almacenamiento legible por ordenador puede almacenar instrucciones para su ejecución por uno o más procesadores, incluyendo instrucciones para hacer que el procesador(es) realice pasos o etapas consistentes con las realizaciones descritas en el presente documento. Debe entenderse que el término "medio legible por ordenador" incluye elementos tangibles y excluye las ondas portadoras y las señales transitorias, es decir, que no es transitorio. Algunos ejemplos son la memoria de acceso aleatorio (RAM), la memoria de sólo lectura (ROM), la memoria volátil, la memoria no volátil, los discos duros, los CD ROM, los DVD, las unidades flash, los discos y cualquier otro medio de almacenamiento físico conocido.
Se pretende que la divulgación y los ejemplos se consideren únicamente ejemplares, indicándose en las reivindicaciones siguientes el verdadero alcance de las realizaciones divulgadas.

Claims (9)

REIVINDICACIONES
1. Un procedimiento implementado por procesador (200) para la estimación de la salud de las plantas, que comprende:
recoger (202) una pluralidad de imágenes de satélite de uno o más campos en los que se encuentran una pluralidad de plantas que se están supervisando, mediante uno o más procesadores de hardware (102); recoger (204) al menos un dato de sensor relativo a al menos un parámetro que afecte a la salud de cada una de la pluralidad de plantas que se están supervisando, mediante uno o más procesadores de hardware (102);
estimar (206) una salud a nivel macro de cada planta en un conjunto de plantas de muestra de la pluralidad de plantas, utilizando al menos una de la pluralidad de imágenes de satélite, mediante el uno o más procesadores de hardware (102), comprendiendo:
procesar la al menos una imagen de satélite con datos de comportamiento espectral de una planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra;
agrupar el conjunto de plantas de muestra en una pluralidad de agrupaciones, en base a la información sobre el inicio de la temporada y en una información sobre la superficie de la planta, mediante uno o más procesadores de hardware (102); y
estimar la salud a nivel macro para cada uno de la pluralidad de agrupaciones;
estimar (208) la salud a nivel micro de cada planta en el conjunto de plantas de muestra utilizando el al menos un dato de sensor, mediante uno o más procesadores de hardware (102), en el que la salud a nivel micro se estima a nivel de planta; y
actualizar (210) la salud a nivel macro de cada planta del conjunto de plantas de muestra en base a la salud a nivel micro correspondiente.
2. El procedimiento (200) según la reivindicación 1, en el que la estimación de la salud a nivel macro para cada uno de la pluralidad de agrupaciones comprende:
identificar (306) una pluralidad de índices correspondientes a plantas en cada uno de la pluralidad de agrupaciones, mediante uno o más procesadores de hardware (102);
generar (308) un valor de índice de salud para la al menos una información del SoS en base al valor de cada uno de la pluralidad de índices, mediante uno o más procesadores de hardware (102); comparar el valor del índice de salud con un rango umbral de datos de referencia, mediante uno o más procesadores de hardware (102); y
estimar la salud a nivel macro de cada uno de la pluralidad de agrupaciones de plantas en base a la comparación del valor del índice de salud con el rango umbral de los datos de referencia, mediante uno o más procesadores de hardware (102).
3. El procedimiento (200) según la reivindicación 1, en el que la estimación de la salud a nivel micro comprende:
identificar (402) al menos un sensor que deba tenerse en cuenta, en base a una información de tipo de planta perteneciente a las plantas del conjunto de plantas de muestra, mediante uno o más procesadores de hardware (102);
identificar (404) un coeficiente de ponderación que debe asignarse a los datos procedentes del al menos un sensor, en base a la información sobre el tipo de planta y los datos relativos a la fase de crecimiento de las plantas del conjunto de plantas de muestra, mediante uno o más procesadores de hardware (102); y estimar (406) la salud a nivel micro de cada planta en el conjunto de plantas de muestra, en base al coeficiente de ponderación asignado a cada uno de la pluralidad de parámetros, mediante uno o más procesadores de hardware (102).
4. Un sistema (100) de estimación de la salud de las plantas, que comprende:
una o más interfaces de comunicación (103);
uno o más procesadores de hardware (102); y
uno o más módulos de memoria (101) que almacenan una pluralidad de instrucciones,
en el que dicha pluralidad de instrucciones, cuando se ejecutan, hacen que el uno o más procesadores de hardware (102):
recojan una pluralidad de imágenes de satélite de uno o varios campos en los que se encuentra una pluralidad de plantas que se están supervisando;
recojan al menos un dato de sensor relativo a al menos un parámetro que afecte a la salud de las plantas que se están supervisando;
estimar una salud a nivel macro de cada planta en un conjunto de plantas de muestra, utilizando al menos una de la pluralidad de imágenes de satélite, comprendiendo:
procesar la al menos una de la pluralidad de imágenes de satélite con los datos de comportamiento espectral de una planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra;
agrupar el conjunto de plantas de muestra en una pluralidad de agrupaciones, en base a la información sobre el inicio de la temporada y en la información sobre la superficie de la planta; y estimar la salud a nivel macro para cada una de la pluralidad de agrupaciones;
estimar la salud a nivel micro de cada planta del conjunto de plantas de muestra utilizando el al menos un dato de sensor; y
actualizar la salud a nivel macro de cada planta del conjunto de plantas de muestra en base a la salud a nivel micro correspondiente.
5. El sistema (100) según la reivindicación 4, en el que el sistema estima la salud a nivel macro mediante:
identificación de una pluralidad de índices correspondientes a las plantas de cada una de la pluralidad de agrupaciones;
generación de un valor de índice de salud para la al menos una información del SoS en base al valor de cada uno de la pluralidad de índices;
comparación del valor del índice de salud con un rango umbral de datos de referencia; y
estimación de la salud a nivel macro de cada una de la pluralidad de agrupaciones de plantas en base a la comparación del valor del índice de salud con el rango umbral de los datos de referencia.
6. El sistema (100) según la reivindicación 4, en el que el sistema estima la salud a nivel micro mediante:
identificación de al menos un sensor que deba tenerse en cuenta, en base a una información sobre el tipo de planta correspondiente a las plantas del conjunto de plantas;
identificación de un coeficiente de ponderación que debe asignarse a los datos del al menos un sensor, en base a la información sobre el tipo de planta y los datos relativos a la fase de crecimiento de las plantas del conjunto de plantas; y
estimación de la salud a nivel micro del conjunto de plantas de muestra en base al coeficiente de ponderación asignado a cada uno de la pluralidad de parámetros.
7. Un medio legible por ordenador no transitorio para la estimación de la salud de las plantas, realizando el medio legible por ordenador no transitorio la estimación de la salud de las plantas mediante:
recogida de una pluralidad de imágenes de satélite de uno o más campos en los que se encuentran una pluralidad de plantas que se están supervisando, mediante uno o más procesadores de hardware (102); recogida de al menos un dato de sensor relativo a al menos un parámetro que afecte a la salud de cada una de la pluralidad de plantas que se están supervisando, mediante uno o más procesadores de hardware (102);
estimación de la salud a nivel macro de cada planta en un conjunto de plantas de muestra de la pluralidad de plantas, utilizando al menos una de la pluralidad de imágenes de satélite, mediante el uno o más procesadores de hardware (102), comprendiendo:
procesar la al menos una imagen de satélite con un dato de comportamiento espectral de la planta para generar al menos una información de inicio de temporada (SoS) correspondiente al conjunto de plantas de muestra;
agrupar el conjunto de plantas de muestra en una pluralidad de agrupaciones, en base a la información sobre el inicio de la temporada y en una información sobre la superficie de la planta, mediante uno o más procesadores de hardware (102); y
estimación de la salud a nivel macro para cada una de la pluralidad de agrupaciones;
estimación de la salud a nivel micro de cada planta del conjunto de plantas de muestra utilizando el al menos un dato de sensor, mediante uno o más procesadores de hardware (102), en el que la salud a nivel micro se estima a nivel de planta; y
actualización de la salud a nivel macro de cada planta del conjunto de plantas de muestra en base a la salud a nivel micro correspondiente.
8. El medio legible por ordenador no transitorio según la reivindicación 7, en el que el medio legible por ordenador no transitorio estima la salud a nivel macro para cada una de la pluralidad de agrupaciones, mediante:
identificación de una pluralidad de índices correspondientes a plantas en cada una de la pluralidad de agrupaciones, mediante uno o más procesadores de hardware (102);
generación de un valor de índice de salud para la al menos una información del SoS en base al valor de cada uno de la pluralidad de índices, mediante uno o más procesadores de hardware (102);
comparación del valor del índice de salud con un rango umbral de datos de referencia, mediante uno o más procesadores de hardware (102); y
estimación de la salud a nivel macro de cada una de la pluralidad de agrupaciones de plantas en base a la comparación del valor del índice de salud con el rango umbral de los datos de referencia, mediante uno o más procesadores de hardware (102).
9. El medio legible por ordenador no transitorio según la reivindicación 7, en el que el medio legible por ordenador no transitorio estima la salud a nivel micro mediante:
identificación de al menos un sensor que deba tenerse en cuenta, en base a una información sobre el tipo de planta perteneciente a las plantas del conjunto de plantas de muestra, mediante uno o más procesadores de hardware (102);
identificación de un coeficiente de ponderación a asignar a los datos del al menos un sensor, en base a la información sobre el tipo de planta y los datos relativos a la fase de crecimiento de las plantas del conjunto de plantas de muestra, mediante uno o más procesadores de hardware (102); y
estimación de la salud a nivel micro de cada planta en el conjunto de plantas de muestra, en base al coeficiente de ponderación asignado a cada uno de la pluralidad de parámetros, mediante uno o más procesadores de hardware (102).
ES20740850T 2019-01-15 2020-01-15 Procedimiento y sistema de estimación de la salud de las plantas Active ES2948618T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201921001768 2019-01-15
PCT/IB2020/050288 WO2020148661A2 (en) 2019-01-15 2020-01-15 Method and system for plant health estimation

Publications (1)

Publication Number Publication Date
ES2948618T3 true ES2948618T3 (es) 2023-09-14

Family

ID=71614472

Family Applications (1)

Application Number Title Priority Date Filing Date
ES20740850T Active ES2948618T3 (es) 2019-01-15 2020-01-15 Procedimiento y sistema de estimación de la salud de las plantas

Country Status (6)

Country Link
US (1) US20240029254A1 (es)
EP (1) EP3911570B1 (es)
BR (1) BR112021013973A2 (es)
ES (1) ES2948618T3 (es)
FI (1) FI3911570T3 (es)
WO (1) WO2020148661A2 (es)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202022102082U1 (de) 2022-04-19 2022-04-29 Ajay Chaudhary Sensorgestütztes Internet der Dinge System zur Bewertung der Pflanzengesundheit und zur automatischen Düngerverteilung

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8855937B2 (en) 2010-10-25 2014-10-07 Trimble Navigation Limited Crop characteristic estimation
WO2014100856A1 (en) * 2012-12-24 2014-07-03 University Of Technology, Sydney An image processing based method to estimate crop requirements for nutrient fertiliser
US9336584B2 (en) * 2014-06-30 2016-05-10 Trimble Navigation Limited Active imaging systems for plant growth monitoring
US9131644B2 (en) * 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
AU2016287397B2 (en) * 2015-06-30 2021-05-20 Climate Llc Systems and methods for image capture and analysis of agricultural fields

Also Published As

Publication number Publication date
EP3911570A2 (en) 2021-11-24
WO2020148661A3 (en) 2020-09-03
WO2020148661A2 (en) 2020-07-23
FI3911570T3 (fi) 2023-07-25
EP3911570A4 (en) 2022-09-14
US20240029254A1 (en) 2024-01-25
BR112021013973A2 (pt) 2021-10-13
EP3911570B1 (en) 2023-04-26

Similar Documents

Publication Publication Date Title
US10555461B2 (en) Systems and methods for estimating effective pest severity index
Paudel Timilsena et al. Potential distribution of fall armyworm in Africa and beyond, considering climate change and irrigation patterns
US10957036B2 (en) Methods and systems for crop pest management utilizing geospatial images and microclimate data
CN107609666B (zh) 使用历史农药使用信息进行害虫预测的系统和方法
Breed et al. Climate-driven changes in northeastern US butterfly communities
US10448582B2 (en) Method and system for agriculture field clustering and ecological forecasting
JP7300796B2 (ja) 生育状況または病害虫発生状況の予測システム、方法およびプログラム
BR102018068976A2 (pt) Sistemas e métodos para inferência automatizada de alterações nas imagens espaço-temporais
US11989886B2 (en) Automated unsupervised localization of context sensitive events in crops and computing extent thereof
JP6618561B2 (ja) 推奨作物のプロトコルに対する順守度を推測するシステムおよび方法
US11294940B2 (en) Methods and systems for automated identification of agro-climatic zones
Dumond et al. The estimation of grizzly bear density through hair‐snagging techniques above the tree line
ES2948618T3 (es) Procedimiento y sistema de estimación de la salud de las plantas
EP4036799A1 (en) Method and system for providing generalized approach for crop mapping across regions with varying characteristics
US20230089304A1 (en) Method and system for assessing soil carbon sequestration of a farm based on remote sensing
KR102233454B1 (ko) 수분 정보를 이용하여 나무병을 예찰하는 방법 및 시스템
Martins et al. Genetic variation and effective population size of a Myracrodruon urundeuva (Engler) Fr. Allem. provenance and progeny test
US20230005259A1 (en) Method and system for crop loss estimation
EP3924874B1 (en) System and method for computing burning index score pertaining to crops
Inchaisri et al. The effect of a catastrophic flood disaster on livestock farming in Nakhon Sawan province, Thailand
BR102022011001A2 (pt) Método e sistema para gerenciamento microclimático
US20240185599A1 (en) Palm tree mapping
US20230060020A1 (en) Method and system for monitoring and measuring the behaviour of a plurality of animals
Briggs et al. A Population Bottleneck Did Not Affect Polymorphism Rates in California Swainson's Hawks
WO2022200948A1 (en) Palm tree mapping