JP2022538597A - センサフュージョン - Google Patents
センサフュージョン Download PDFInfo
- Publication number
- JP2022538597A JP2022538597A JP2021577249A JP2021577249A JP2022538597A JP 2022538597 A JP2022538597 A JP 2022538597A JP 2021577249 A JP2021577249 A JP 2021577249A JP 2021577249 A JP2021577249 A JP 2021577249A JP 2022538597 A JP2022538597 A JP 2022538597A
- Authority
- JP
- Japan
- Prior art keywords
- remote
- sensor data
- local
- data
- measurements
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title description 5
- 238000005259 measurement Methods 0.000 claims abstract description 106
- 238000012937 correction Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 59
- 101100064157 Drosophila melanogaster drpr gene Proteins 0.000 claims abstract 3
- 230000000875 corresponding effect Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 239000002028 Biomass Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 9
- 238000011065 in-situ storage Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
- A01B69/007—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow
- A01B69/008—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow automatic
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Environmental Sciences (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
圃場のリモートセンサデータを補正するための方法。この方法は、次の複数の工程を含む。複数の工程は、圃場に関するリモートセンサデータ（DR）をリモートセンサから受信する工程であって、リモートセンサデータ（DR）が少なくとも１つの位置に対応する少なくとも１つのリモート測定値を含み、当該位置が当該リモート測定値を取得する少なくとも１つの時点でリモートセンサによって測定される工程と、圃場に関するローカルセンサデータ（DL）を少なくとも１つのローカルセンサから受信する工程であって、少なくとも１つのローカルセンサデータ（DL）が少なくとも１つのローカル測定値を含み、当該ローカル測定値が少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともにリモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応する工程と、以前に受信されたローカルセンサデータ（DL）および以前に受信されたリモートセンサデータ（DR）に基づいて補正モデルを決定する工程と、補正モデルを現在のリモートセンサデータに適用することにより、補正された現在のリモートセンサデータ（DRP，DRPR）を決定する工程と、を含む。
【選択図】図８
【選択図】図８
Description
本開示は、圃場のリモートセンサデータを補正するための方法、処理装置、システム、コンピュータプログラム、コンピュータプログラムおよびコンピュータ不揮発性記憶媒体に関する。
背景
精密農業では、植物、病気および害虫のモデルの品質が、圃場に関する実践的な洞察および自動作業にデータをつなげるための基礎を成す。こうしたモデルの品質は、実世界のデータに大きく依存する。例のうちの２つとして、人工衛星または気象データが挙げられる。特に、衛星画像には、例えば、軌道周期の長さ、雲や大気の影響により、可用性および品質に限界がある。
精密農業では、植物、病気および害虫のモデルの品質が、圃場に関する実践的な洞察および自動作業にデータをつなげるための基礎を成す。こうしたモデルの品質は、実世界のデータに大きく依存する。例のうちの２つとして、人工衛星または気象データが挙げられる。特に、衛星画像には、例えば、軌道周期の長さ、雲や大気の影響により、可用性および品質に限界がある。
現代の植物および害虫のモデルの精度および性能は、圃場特有の高品質ないくつかの気象および作物のデータに大きく依存する。今日の気象モデルは既に高い精度を有しているが、モデリングに大きな影響を及ぼすいくつかの特定の圃場気象パラメータは、入力データに起因するモデリング誤差を低減するために更なる改善およびグラウンドトゥルースを必要とする。特に、圃場特有の微気象条件を有する位置は、付加的なin-situ測定から利益を享受する。
散布推奨事項をさらに改善するために、データ品質を向上させるより精巧な技術が必要とされる。付加的に、現代農業では、データの可用性および信頼性が、圃場での安全な作業の前提条件となる。
衛星画像の可用性および品質に関しては、衛星ベースのバイオマスおよび作物の健康分析について多くの市場提案がある。しかし、これらの全てが画像の可用性および品質によって制限される。この問題は、取り入れる衛星情報の数を増大し、後処理工程（例えば、大気補正）を含めることによって軽減が試みられている。しかし、これらの対策は、これらの市場提案のコストに影響する。
IoT装置または非据え置き型センサの設置およびメンテナンスには時間がかかる。既存の提案では、通常、設置およびメンテナンスに多大な労力を要する。このことは、生産者のリソースに影響を及ぼす。すなわち、生産者は、システムの稼働およびメンテナンスの維持に時間を取られ、農学的な学習に専念することができなくなる。
「ビッグデータ」の時代にあって、生産者は、圃場からデータを収集し管理することに大きな関心を寄せているが、このことは、より洞察に富む、より効率的な農業の実践を必ずしも意味しない。デジタル農業プラットフォームは、データを取り入れ、これを実践的な洞察および推奨事項に変換する能力に欠けていることが多い。
リモートセンサデータは、圃場についての付加的なデータを提供するために頻繁に使用される。リモートセンサデータを提供するこうしたリモートセンサは、例えば衛星であり、圃場の全体をカバーすることができる。しかし、特に、リモートセンサから圃場までの距離が長いと、測定誤差が生じる可能性がある。例えば、雲などの大気による歪により、リモートセンサデータが歪む可能性がある。
よって、圃場のリモートセンサデータを取得する改善された方法が必要とされる。
発明
以下の開示は、本明細書に開示されるシステム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体およびコンピュータプログラム製品に同様に当てはまる。したがって、システム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体またはコンピュータプログラム製品の間で区別は行われない。全ての特徴が、本明細書に開示されるシステム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体およびコンピュータプログラム製品に関連して開示される。
以下の開示は、本明細書に開示されるシステム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体およびコンピュータプログラム製品に同様に当てはまる。したがって、システム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体またはコンピュータプログラム製品の間で区別は行われない。全ての特徴が、本明細書に開示されるシステム、方法、コンピュータプログラム、コンピュータ可読不揮発性記憶媒体およびコンピュータプログラム製品に関連して開示される。
本発明の一態様によれば、圃場のリモートセンサデータを補正するための方法が提供される。この方法は、次の複数の工程を含む。当該複数の工程は、圃場に関するリモートセンサデータをリモートセンサから受信する工程であって、リモートセンサデータが少なくとも１つの位置に対応する少なくとも１つのリモート測定値を含み、当該位置が当該リモート測定値を取得する少なくとも１つの時点でリモートセンサによって測定される工程と、圃場に関するローカルセンサデータを少なくとも１つのローカルセンサから受信する工程であって、少なくとも１つのローカルセンサデータが少なくとも１つのローカル測定値を含み、当該ローカル測定値が少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともにリモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応する工程と、以前に受信されたローカルセンサデータおよび以前に受信されたリモートセンサデータに基づいて補正モデルを決定する工程と、補正モデルを現在のリモートセンサデータに適用することにより、補正された現在のリモートセンサデータを決定する工程と、を含む。
本明細書で使用する用語「現在のリモートセンサデータ」は、補正された現在のリモートセンサデータを決定するための補正モデルが適用される、現在のリモートセンサデータ、特に衛星データに関係する。すなわち、現在のリモートセンサデータは、例えば、衛星などによってリアルタイムで提供されるライブのリモートセンサデータに関係する。
本明細書で使用する用語「リモートセンサデータ」および「ローカルセンサデータ」は、履歴センサデータを含む任意のセンサデータに関係する。すなわち、リモートセンサデータおよびローカルセンサデータは、補正モデルを決定するために使用される利用可能なセンサデータを表す。なお、リモートセンサデータおよびローカルセンサデータは、現在のリモートセンサデータを取得する直前に、または現在のリモートセンサデータを取得するずっと前に、取得することができる。
本明細書で使用する用語「補正モデルを決定する」は、特に、リモートセンサデータおよびローカルセンサデータに基づいて、補正モデルを訓練および学習することを含む。
本明細書で使用する用語「補正された現在のリモートセンサデータ」は、補正されている現在のリモートセンサデータに関係する。現在のリモートセンサデータを補正することは、現在のリモートセンサデータの修正または現在のリモートセンサデータの検証を含む。
すなわち、以前に受信されたリモートセンサデータが既に十分に正確であることを以前に受信されたローカルセンサデータが示すシナリオでは、補正モデルは、以前に受信されたローカルセンサデータおよび以前に受信されたリモートセンサデータに基づいて以前のリモートセンサデータを修正する必要がないと判定する。その結果、補正モデルは、以前に受信されたリモートセンサデータを修正することなく、補正された現在のリモートセンサデータが以前に受信されたリモートセンサデータであると判定する。よって、補正モデルは、以前に受信されたリモートセンサデータを検証する、すなわち、以前に受信されたリモートセンサデータの精度が十分であることを確認することになる。
以前に受信されたリモートセンサデータが十分に正確でないことを以前に受信されたローカルセンサデータが示すシナリオでは、補正モデルは、以前に受信されたローカルセンサデータおよび以前に受信されたリモートセンサデータに基づいて以前のリモートセンサデータを修正しなければならないと判定する。よって、補正モデルは、以前に受信されたリモートセンサデータを修正する。補正モデルは、以前に提供されたローカルセンサデータをふまえて、以前に受信されたリモートセンサデータが既に十分に正確であるかを判定するために使用される、予め決定された閾値を備える。
加えて、補正モデルは、以前に受信されたリモートセンサデータが異常値であるかどうかを判定するために使用される、予め決定された異常値閾値を備える。異常値は、補正モデルによって補正されるのではなく、すぐに破棄される。
本明細書で使用する用語「圃場」は、あらゆる種類の商業的に使用される領域、特に、森林領域、草地および農場を含む。
一実施形態によれば、リモートセンサは、圃場から離れて配置され、例えば、衛星に統合される。
一実施形態によれば、ローカルセンサは、圃場の近くまたは圃場内に配置される。
一実施形態によれば、本明細書に記載される方法は、コンピュータによって実施される方法である。
一実施形態によれば、補正モデルは、現在のリモートセンサデータおよび現在のローカルセンサデータに基づいて、補正された現在のリモートセンサデータを決定する。
ローカルセンサデータ、すなわちin-situ圃場データに基づいて、補正モデルまたは予測モデルを決定し、データ品質の向上またはモデルの洗練化につなげることができる。前者の場合はモデル入力の向上により、後者の場合はモデル自体の洗練により、どちらもよりロバストなモデル性能につながる。後者の場合は特に、気象モデル、成長段階モデル、害虫または病気のモデル、さらにこのようなモデルに反映されるゾーン特有の任意の要素に関連することができる。このようなアプローチは、提供される推奨事項が特定の圃場の状態に合わせて調整され、農家が圃場を訪れる労力を軽減するという点で、農家に利益をもたらす。
一実施態様では、ローカルセンサ、すなわち現場観測センサは、圃場の１つ以上の状態に関係する少なくとも１つの測定値を提供する。一実施態様では、測定値は、圃場での天候、土壌および／または作物の状態に関係する。測定または導出される気象条件の例は、気温、湿度、気圧、降水量、風、生育日数である。作物の状態は、例えば、正規化差植生指数（NDVI、normalized difference vegetation index）、葉面積指数（LAI、leaf area index）もしくは光合成有効放射（PAR、photosynthetically active radiation）などのバイオマス指数または葉面濡れを決定するための反射率測定に基づいて、分光計によって測定または導出することができる。NDVIは、例えば、赤色（可視）および近赤外領域でそれぞれ取得される赤色および近赤外スペクトル反射率の測定に基づく。これらのスペクトル反射率は、各スペクトルバンドの入射光に対する反射光の比であり、それゆえに、０．０から１．０までの間の値をとる。土壌の状態は、反射率または栄養分や土壌成分などに関係する土壌中の測定を含むことができる。ローカルセンサにそれぞれのセンサ要素を含めることにより、圃場に関する２つ以上の状態を同時に測定することができる。リモートセンサデータは、グリッド上にマッピングされる状態の１つまたは組み合わせを測定値として含むことができ、それゆえに、in-situでの圃場内またはローカルセンサデータと比較することができる。
一実施形態では、ローカルセンサは、マルチバンド分光計、気温、湿度、気圧、PAR、GPS座標、音響ソノグラム（音の分類）、傾斜、コンパスおよび／または加速度を提供する。ローカルセンサから導出し得るデータの例は、上昇長波（upwelling longwave）からの葉温、分光計からの開花または受粉、およびPARからの光合成（A）、利用可能なPARの割合、および光利用効率（LUE、Light Use Efficiency）である。
ここで、第１の時点は、両方のデータセット、すなわち、リモートセンサデータおよびローカルセンサデータの最も適合する時点と見なすことができる。リモートセンサデータは、衛星画像の時系列を含むことができる。リモートセンサデータは、例えば、NDVIやLAIなどの測定値の２次元グリッドを含む、多変量時系列であることができる。ローカルセンサデータは、ローカルセンサの位置にそれぞれ関連付けられる測定値の時系列を含むことができる。ローカルセンサデータは、例えば、NDVIやLAIなどの測定値の一次元チェーンを含む、単変量時系列であることができる。一実施形態によれば、ローカルセンサの位置は、ローカルセンサに埋め込まれた測位システムによって提供されるような測位値に対応する。測位システムは、例えば、全地球測位システムで構成される。
一実施態様では、ローカルセンサは、非据え置き型であることができる。さらに、ローカルセンサの位置は、現在の位置であっても、補正された位置であってもよい。補正された位置は、本明細書に記載されるように、ローカルセンサから受信されたローカルセンサデータを補正するための方法によって決定することができる。
一実施態様では、圃場の異なる位置にある複数のローカルセンサからのローカルセンサデータ、または複数の単変量時系列が受信される。２つ以上のローカルセンサが圃場内で圃場の異なる位置に配置される場合、圃場内の変動性がマッピングされ、補正モデルのために局所依存性を考慮することができる。一実施態様では、関心対象の圃場の近くに、例えば、近隣の圃場に配置された、または関心対象の圃場から閾値よりも短い距離に配置されたローカルセンサを考慮することができる。
一実施態様では、補正モデルは、２つ以上の時点および／または位置について決定される。補正モデルが２つ以上の時点について決定される場合、ローカルセンサデータとリモートセンサデータが、共通のタイムスタンプによって適合される。このような場合、補正モデルは時間依存性となり、季節的な変動の可能性を反映させることができる。２つ以上の位置について補正を決定する場合、圃場内の変動性を反映させることができる。時間と位置との組み合わせにより、圃場内の変動性と季節的な変動性との両方を反映した、より正確な補正モデルが得られる。
一実施態様では、補正モデルは、決定された、関心対象の圃場限定のリモートセンサデータに適用することができる。付加的または代替的に、補正モデルは、関心対象の第１の圃場限定のリモートセンサデータについて決定され、関心対象の第２の圃場に関係するリモートセンサデータに適用することができる。この場合、例えば、近隣の圃場または第１の圃場からある距離内に位置する圃場への補正モデルの適用性を検証することができる。こうした検証は、静的なまたは予め定義された距離閾値によって経験的に決定することができる。代替的または付加的に、こうした検証は、２つ以上の圃場を有する関心領域の観測値を分析することによって動的に決定することができる。この文脈では、圃場は、圃場の境界または圃場で栽培される作物種によって指定することができる。補正モデルを他の圃場に適用することで、より広範な適用が可能になり、農家にとっての利益が増す。例えば、１つの圃場にのみローカルセンサが備え付けられている場合、このようなセンサが備え付けられていない近隣の圃場についても、決定された補正関数を使用することができる。
その結果、リモートセンサによって提供される現在のリモートセンサデータが、訓練された補正モデルに基づいて体系的に補正される。
ローカルセンサからのin-situのスペクトル時系列と衛星画像との組み合わせにより、圃場ゾーンのバイオマスの連続的で高精度なモニタリングが提供され、毎日利用できる精密なゾーン散布ソリューションが可能になる。
よって、より一貫した、より正確なリモートセンサデータが提供される。さらに、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、ローカルセンサは非据え置き型である。
よって、関心対象の圃場またはその近くに配置されたローカルセンサによって収集された、リモートセンシングによるより大きなグリッド化されたデータセットとしてのローカルセンサデータまたはin-situ圃場データが提供される。ローカルセンサは非据え置き型であってよい。一実施形態によれば、ローカルセンサは、不連続的な位置に配置することによって圃場内で移動可能であるという意味で、非据え置き型である。それゆえに、第１の時間では、ローカルセンサを圃場の第１の位置に配置することができ、第２の時間ではローカルセンサを圃場の第２の位置に配置することができる。例えば、農家は、ローカルセンサが自分の農作業の邪魔になるときに、ローカルセンサの位置を変更する。すなわち、農家は、数メートルの範囲内でローカルセンサの位置を変更する可能性がある。いずれの場合も、ローカルセンサは、特定の時間スケール（例えば、秒、分、日、週、月または年）で利用可能な時系列データを収集する。圃場内または圃場に近接して、複数のローカルセンサを配置することができる。しかし、ローカルセンサは、圃場の全体を常にカバーするわけではない。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、リモート測定値および／またはローカル測定値は、ハイパースペクトル指数またはバイオマス指数に関連付けられる。
一実施態様では、リモート測定値および例えばローカル測定値は、ハイパースペクトル指数またはNDVIなどのバイオマス指数に関連付けられていてよく、またはこれらの指数であってもよい。この場合、ローカルセンサは、例えば分光計、例えば少なくとも赤から赤外領域で測定するマルチバンド分光計を備える。付加的に、センサは、庇の上方および／または下方に配置することができる。上方および下方への配置は、LAIのような絶対的なバイオマス指数の決定を可能にする。非据え置き型センサの場合、センサの位置を地上よりも高くするために、センサをポールや支柱などに配置することができる。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
例示的な一実施形態では、補正モデルを決定する工程は、次の複数の工程、すなわち、少なくとも１つのローカルセンサの位置に対応するリモート測定値を決定する工程と、少なくとも１つのローカルセンサの位置に対応するリモート測定値と少なくとも１つのローカルセンサのローカル測定値との間の差を複数の時点について決定する工程と、を含み、補正モデルを決定する工程は、決定された差にさらに基づいて行われる。
一実施形態によれば、補正モデルは、圃場内の特定の位置についてリモート測定値とローカル測定値との間の平均的な差を複数の時点について決定する。次いで、補正モデルは、決定された平均的な差に基づいて、補正されたリモート測定値、ひいては補正されたリモートセンサデータを各時点について決定する。
よって、より一貫して、より正確にリモートセンサデータを補正する補正モデルが決定される。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、リモートセンサデータは、少なくとも１つのリモート測定値に基づく少なくとも１つのリモート画像を含み、ローカルセンサの位置に対応するリモート測定値を決定する工程は、ローカルセンサの位置に最も近い画素をリモート画像から抽出する工程、またはローカルセンサの位置に最も近い画素から予め定義された距離内にある画素の平均を抽出する工程と、抽出された画素に基づいてリモート測定値を決定する工程とを含み、補正モデルを決定する工程は、リモート測定値が基礎とするなる抽出された画素にも基づいて行われる。リモートセンサデータは、リモートセンサデータの少なくとも１つのリモート測定値に基づく少なくとも１つのリモート画像を含む。リモート画像は、好ましくは衛星画像である。リモート画像の各画素は、リモート測定値に関係する。
すなわち、位置、例えば、現在の位置または補正された位置に関連付けられるリモートセンサデータによるリモート測定値は、位置、例えば現在の位置もしくは補正された位置に最も近いリモートセンサデータから画素を抽出することにより、または位置、例えば現在の位置もしくは補正された位置に最も近い画素から予め定義された距離内にある画素の平均を抽出することにより、決定される。反射率に基づくリモートセンサデータでは、例えば、複数の光学バンドを含むことができる。比較をバンドレベルで行う場合、リモートセンサデータおよびローカルセンサデータのスペクトル応答関数に基づいて、各データセットの測定値を適合させることができる。相対的な測定値では、このことは必要とされない。
その結果、より一貫した正確なリモートセンサデータが提供される。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、リモート測定値の間の差を決定する工程は、次の複数の工程を含む。当該複数の工程は、ローカルセンサデータのローカル時系列データを少なくとも１つのローカルセンサから受信する工程であって、ローカル時系列データは、少なくとも１つのローカルセンサが特定の時点で位置する位置に対応する複数の時点での複数の位置データを含む工程と、ローカルセンサの経時的なそれぞれの位置の間の最大距離に基づいて、ローカルセンサデータのクラスタを決定する工程と、決定されたクラスタに基づいて、少なくとも１つのローカルセンサのクラスタ化された位置を決定する工程と、少なくとも１つのローカルセンサのクラスタ化された位置に対応するリモート測定値と少なくとも１つのローカルセンサのローカル測定値との間の差を複数の時点について決定する工程と、を含み、補正モデルを決定する工程は、決定された差にさらに基づいて行われる。
複数のクラスタが決定されると、新たなセンサデータ点が複数のクラスタのうちの１つに位置するかどうかをチェックすることができる。クラスタが特定されれば、新たなセンサデータ点の測定値に関連付けられる対応する補正された位置を格納することができる。クラスタが特定されなければ、装置の移動としてフラグを立てることができ、かつ／または、ローカルセンサデータを補正するための方法を繰り返して、それぞれのクラスタ中心を決定することができる。
ローカルセンサの各データ点の位置を補正することにより、ローカルセンサの測位システムの不正確さを回避し、センサフュージョンの全体的なデータ品質を向上させることができる。特に、移動可能なローカルセンサでは、このような不正確さは、データの更なる処理に大きな影響を及ぼし、追加の誤差を誘発する場合がある。よって、この方法は、ローカルセンサの測定軌跡を大規模な画素またはグリッド化されたデータセットに適合させ、測位システムのランダムな変動を考慮することを可能にする。装置の物理的な移動（信号／ノイズ）の検出は、移動可能なローカルセンサによるデータ（例えば、NDVI時系列）を他のソースによるデータ（例えば、衛星によるNDVI時系列）と組み合わせる際に重要となる。本質的に、センサの物理的な移動の検出は、機械学習（例えば、階層クラスタリング）および衛星GPS信号のフィルタリングによって行われる。
一実施態様では、クラスタは、階層クラスタリング、特にシングルリンケージ階層クラスタリング、セントロイドに基づくクラスタリング、分布に基づくクラスタリングまたは密度に基づくクラスタリングのうちの少なくとも１つのクラスタ分析法に基づいて決定される。
一実施態様では、クラスタの決定は、クラスタ同士を隔てる予め定義された最大距離を任意で含む、位置間の距離に基づく。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、クラスタ化された位置は、クラスタ中心を決定することによって決定される。
一実施態様では、クラスタ中心の決定は、分布関数に基づくことができる。ここで、単純な半径方向距離または分布関数の最大値をクラスタ中心として定義することができる。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、この方法は、次の複数の工程を含む。その複数の工程は、受信されたリモート時系列データが、リモート時系列データの時系列中の想定される時点でリモートセンサデータが欠落している少なくとも１つのギャップを含む場合に、ギャップの時点でのローカルセンサデータを受信する工程と、受信されたローカルセンサデータに基づいて、ギャップの時点について予測されるリモートセンサデータを決定する工程とを含む。
一実施形態によれば、補正モデルは、特に、ローカルセンサデータおよび／またはリモートセンサデータが供給される統計モデルを使用して、リモートセンサデータを予測する。
リモートセンサデータは、かなり不規則である場合があり、それゆえに、このような測定では特定の時点が欠落する。このような欠落した時点についてリモートセンサデータを生成することで、圃場の状態に関するより最新の情報、このようなギャップのより正確なモデリング、ひいてはより正確な推奨事項または決定事項を農家に提供することができる。この文脈では、ギャップは、リモートセンサデータが利用可能である２点間でのリモートセンサデータの欠落、またはリモートセンサデータが利用可能である１点に続くリモートセンサデータの欠落を含む。それゆえに、この方法により、次のセットのリモートセンサデータを受信するまで、現在のリモートセンサデータを将来へと予測することができる。よって、この方法は、データの可用性を高め、リモートセンサデータの不規則性にもかかわらず、圃場に関する現在の最新の見込みを農家に提供することができる。
よって、予測されるリモートセンサデータによって大きなギャップでも埋めることができる。さらに、現在のリモートセンサデータが利用不可能である場合でも、リモートセンサからの画像をより頻繁に提供することができる。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、予測されるリモートセンサデータを決定する工程は、ギャップの直前の時点のリモートセンサデータを受信する工程と、ギャップの直前の時点で受信されたリモートセンサデータに基づいて、予測されるリモートセンサデータを決定する工程とを含む。
よって、予測されるリモートセンサデータを推定するための簡単なソリューションが提供される。さらに、圃場のリモートセンサデータを補正するための改善された方法が提供される。
一実施形態では、補正モデルは、リモートセンサデータおよびローカルセンサデータの履歴データセットに依存する予測関数を含み、予測されるリモートセンサデータは、予測関数に基づいて決定される。
すなわち、予測関数は、ギャップまでのローカルセンサデータの時系列について決定される。例えば、季節的な変動を考慮して、時間依存性の予測関数を生成することができる。ここで、時系列モデリング法としては、自己回帰、ベイズ法、または、より高度なリカレントニューラルネットワーク（長短期記憶（LSTM、long short-term memory）、エコーステートネットワーク（ESN、echo state network）、常微分方程式（ODE、ordinary differential equations）、または確率偏微分方程式（SPDE、stochastic partial differential equations））などがある。付加的に、リモートセンサデータの不規則性または不連続性を考慮するために、ガウス過程回帰法を使用することができる。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
本発明の別の態様によれば、処理装置は、圃場に関するリモートセンサデータをリモートセンサから受信するように構成され、リモートセンサデータは、少なくとも１つの位置に対応する少なくとも１つのリモート測定値を含み、当該位置は、当該リモート測定値を取得する少なくとも１つの時点でリモートセンサによって測定される。また、処理装置は、圃場に関するローカルセンサデータを少なくとも１つのローカルセンサから受信するように構成され、その少なくとも１つのローカルセンサデータは、少なくとも１つのローカル測定値を含み、当該ローカル測定値は、少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともにリモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応する。また、処理装置は、以前に受信されたローカルセンサデータおよび以前に受信されたリモートセンサデータに基づいて補正モデルを決定するように構成され、かつ、補正モデルを現在のリモートセンサデータに適用することにより、補正された現在のリモートセンサデータを決定するように構成されている。
よって、圃場のリモートセンサデータを補正するための改善された方法が提供される。
本発明の別の態様によれば、圃場のリモートセンサデータを補正するためのシステムは、圃場に関するリモートセンサデータをリモートセンサから提供するように構成されたリモートセンサであって、リモートセンサデータが少なくとも１つのリモート測定値を含み、当該リモート測定値が当該リモート測定値を取得する少なくとも１つの時点でリモートセンサによって測定される少なくとも１つの位置に対応するリモートセンサと、圃場に関するローカルセンサデータを少なくとも１つのローカルセンサから提供するように構成されたローカルセンサであって、少なくとも１つのローカルセンサデータが少なくとも１つのローカル測定値を含み、当該ローカル測定値が少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともにリモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応するローカルセンサと、本明細書に記載される処理装置と、を備える。
本発明の別の態様によれば、処理装置によってロードされて実行される際に、本明細書に記載される方法を実施するためのコンピュータ可読命令を含む、コンピュータプログラムが提供される。
本発明の別の態様によれば、コンピュータ可読不揮発性記憶媒体が、本明細書に記載されるコンピュータプログラムを記憶するように構成されている。
本発明の別の態様によれば、本明細書に記載される方法における、圃場に関するリモートセンサデータおよび圃場に関するローカルセンサデータの使用が提供される。
一実施態様では、現場観測センサによるローカルセンサデータに基づいて、関心対象の圃場のリモートセンシングデータを補正するための方法が提供される。この方法は、次の複数の工程を含む。当該複数の工程は、関心対象の圃場に関するローカルセンサデータを通信インタフェースによって受信する工程であって、ローカルセンサデータは、少なくとも１つの第１の時点、少なくとも１つの測定値および観測センサの位置を含む工程と、通信インタフェースによって、少なくとも１つの第１の時点についてのローカルセンサデータとの関係で同一の測定値または導出された測定値を含む、関心対象の圃場に関するリモートセンサデータを受信する工程と、処理ユニットによって、ローカルセンサデータの現在の位置または補正された位置に関連付けられるリモートセンシングデータによる測定値に基づいて、かつローカルセンサデータの測定値に基づいて、補正モデルを決定する工程と、通信インタフェースによって、補正モデルをリモートセンシングデータに適用し、補正されたリモートセンシングデータを提供する工程とを含む。
一実施態様では、観測センサは、非据え置き型または据え置き型である。
一実施態様では、観測センサの位置は、現在の位置または補正された位置である。
一実施態様では、測定値は、ハイパースペクトル指数またはバイオマス指数に関連付けられる。
一実施態様では、位置に関連付けられるリモートセンシングデータによる測定値は、その位置に最も近い画素をリモートセンシングデータから抽出することにより、またはその位置に最も近い画素から予め定義された距離内にある画素の平均を抽出することにより決定される。
一実施態様では、補正モデルは、２つ以上の時点および／または位置について決定される。
一実施態様では、現場観測センサから、特にローカルの非据え置き型センサから、さらに特に不連続な位置で移動可能なセンサから受信されたローカルセンサデータを補正するための方法が提供される。この方法は、次の複数の工程を含む。当該複数の工程は、通信インタフェースによって現場観測センサから時系列データを受信する工程であって、時系列データが位置に関連付けられる少なくとも１つの測定値を各時点について含む工程と、処理ユニットによって、位置に基づいて時系列データ中の１つ以上のクラスタを決定する工程と、処理ユニットによって、決定された各クラスタについてクラスタ中心を決定する工程と、通信インタフェースによって、各クラスタ内の各測定値に関連付けられる補正された位置として、決定されたクラスタ中心を提供する工程と、を含む。
一実施態様では、新たなセンサデータ点を受信すると、その新たなセンサデータ点が、決定された複数のクラスタのうちの１つに位置するかどうかがチェックされる。その新たなセンサデータ点が決定された複数のクラスタのうちの１つに位置しない場合、ローカルセンサの位置が大幅に変更されたと仮定される。その結果、新たなクラスタが決定され、対応するクラスタ中心の決定が繰り返される。
一実施態様では、ローカルセンサデータに基づいてリモートセンシングデータの時系列中のギャップを埋めるための方法が提供される。この方法は、次の複数の工程を含む。当該複数の工程は、通信インタフェースによって、リモートセンシングデータが存在しないギャップを有するリモートセンシングデータの時系列をデータベースから受信する工程と、通信インタフェースによって、ギャップ中に位置する少なくとも時点のローカルセンサデータを受信する工程と、処理ユニットによって、ギャップの直前のリモートセンシングデータ、およびギャップ中の受信されたローカルセンサデータに基づいて、予測関数を使用してギャップ中の時点についてのリモートセンシングデータを決定する工程であって、予測関数がリモートセンシングデータおよびローカルセンサデータの履歴データセットによってパラメータ表記される工程と、通信インタフェースによって、リモートセンシングデータが存在しない特定された時点での予測されるリモートセンシングデータを提供する工程と、を含む。
一実施態様では、現場観測センサによるローカルセンサデータに基づいて、関心対象の圃場のリモートセンシングデータを補正するためのシステムが提供される。このシステムは、通信インタフェースおよび処理ユニットを備える。このシステムは、通信インタフェースによって、関心対象の圃場に関するローカルセンサデータを受信するように構成され、ローカルセンサデータが、少なくとも１つの第１の時点、少なくとも１つの測定値および観測センサの位置を含む。また、このシステムは、通信インタフェースによって、少なくとも１つの第１の時点についてのローカルセンサデータとの関係で同一の測定値または導出された測定値を含む、関心対象の圃場に関するリモートセンサデータを受信するように構成されている。また、このシステムは、処理ユニットによって、ローカルセンサデータの現在の位置または補正された位置に関連付けられるリモートセンシングデータによる測定値に基づいて、かつローカルセンサデータの測定値に基づいて、補正モデルを決定するように構成されている。また、このシステムは、通信インタフェースによって、補正モデルをリモートセンシングデータに適用し、補正されたリモートセンシングデータを提供するように構成されている。
一実施態様では、現場観測センサ、特にローカルの非据え置き型センサ、さらに特に不連続な位置で移動可能なセンサから、受信されたローカルセンサデータを補正するためのシステムが提供される。このシステムは、通信インタフェースおよび処理ユニットを備える。このシステムは、通信インタフェースによって、現場観測センサから時系列データを受信するように構成され、時系列データが位置に関連付けられる少なくとも１つの測定値を各時点について含む。また、このシステムは、処理ユニットによって、前記位置に基づいて時系列データ中の１つ以上のクラスタを決定するように構成されている。また、このシステムは、処理ユニットによって、決定された各クラスタについてクラスタ中心を決定するように構成されている。また、このシステムは、通信インタフェースによって、各クラスタ内の各測定値に関連付けられる補正された位置として、決定されたクラスタ中心を提供するように構成されている。
一実施態様では、ローカルセンサデータに基づいてリモートセンシングデータの時系列中のギャップを埋めるためのシステムが提供される。このシステムは、通信インタフェースおよび処理ユニットを備える。このシステムは、通信インタフェースによって、リモートセンシングデータが存在しないギャップを有するリモートセンシングデータの時系列をデータベースから受信するように構成されている。また、このシステムは、通信インタフェースによって、ギャップ中に位置する少なくとも１つの時点のローカルセンサデータを受信するように構成されている。また、このシステムは、処理ユニットによって、ギャップの直前のリモートセンシングデータ、およびギャップ中の受信されたローカルセンサデータに基づいて、予測関数を使用してギャップ中の時点についてのリモートセンシングデータを決定するように構成され、予測関数がリモートセンシングデータおよびローカルセンサデータの履歴データセットによってパラメータ表記される。また、このシステムは、通信インタフェースによって、リモートセンシングデータが存在しない特定された時点での予測されるリモートセンシングデータを提供するように構成されている。
一実施態様では、処理装置によってロードされて実行される際に、本明細書に記載される方法を実施するコンピュータ可読命令を含むコンピュータプログラムまたはコンピュータ可読不揮発性記憶媒体が提供される。
提供される方法およびシステムは、例えば、実践的な農業との以下の関連性を有する。圃場ゾーン特有の関連性に関して、グラウンドトゥルースのin-situ測定を使用して、衛星データとin-situハイパースペクトル測定との融合によってゾーニングアルゴリズムを較正することで、ゾーニングのためのより正確で一貫したデータが得られる。連続モニタリングの関連性に関して、衛星データと組み合わせてローカルセンサによるスペクトル情報を使用することで、植物の健康および成長を圃場ゾーンレベルで連続的にかつ空間的に明確にモニタリングすることができる。
提供される方法およびシステムは、例えば、農作業および農業労働にとって以下の利益を有する。例えば殺菌剤処理のための可変量処方マップが日常的に利用可能となるので、調達管理が改善され、生産者は、衛星画像の可用性を中心に調達管理を計画する必要がない。改善された柔軟性が得られる。非据え置き型ローカルセンサは、可動性が高く、設置が簡単な装置である。季節的な進捗に応じて、例えば、T1、T2、T3の穀物殺菌剤散布のために、ローカルセンサを異なる圃場に設置することができる。改善された効率が得られる。シームレスなワンクリックソリューションの相互運用性により、時間が節約され、設置時のストレス要因および実装時の労力が軽減される。改善されたメンテナンス性が得られる。何百台と設置されたユニットが確認され、非据え置き型ローカルセンサおよびシステムはメンテナンスを要しない。
提供される方法およびシステムは、例えば、環境およびエネルギにとって以下の利益を有する。非据え置き型ローカルセンサは、電池の代わりに太陽光発電を使用することができる。より効果的な散布により、農家は、作物投入量を減らし、作業を最適化することにより、環境に配慮した行動をとるように支援される。
提供される方法およびシステムは、例えば、労働効率性および／または労働安全性について以下の影響を及ぼす。圃場内に良好に配置されると、農家は、圃場を訪れる労力を軽減することができ、真に必要な場合に、ターゲットを絞った格段に良好な圃場訪問を生じさせることができる。
例示的な実施形態を図面に示す。
発明の実施形態
図１は、リモートセンサデータDR、特に衛星測定、およびローカルセンサデータDLによる異なるの日付の形式での経時的な正規化差植生指数NDVIの例示的な実施形態を示しており、特に、第１の画像１、第２の画像２、第３の画像３、第４の画像４および第５の画像５について、ローカルセンサデータから大きく離れる差（雲などの大気による歪の現れである）を浮き彫りにしている。
図１は、リモートセンサデータDR、特に衛星測定、およびローカルセンサデータDLによる異なるの日付の形式での経時的な正規化差植生指数NDVIの例示的な実施形態を示しており、特に、第１の画像１、第２の画像２、第３の画像３、第４の画像４および第５の画像５について、ローカルセンサデータから大きく離れる差（雲などの大気による歪の現れである）を浮き彫りにしている。
図２は、リモートセンサデータDRおよびローカルセンサデータDLによる経時的な別のNDVIの例示的な実施形態を示している。各画像のNDVIを見ると、リモートセンサデータDRは特に、第１のデータ点S1、第２のデータ点S2、第３のデータ点S3、第４のデータ点S4および第５のデータ点S5においてローカルセンサデータDLから乖離している。これも、雲などの大気による歪の現れである。
図３は、図２のリモートセンサデータDRおよびローカルセンサデータDLの例示的な実施形態を示している。一般に、リモートセンサデータDRは、ローカルセンサデータDLよりも低いNDVIを有する。これは、リモートセンサデータDRが通常、衛星によって決定され、大気による歪などの歪がローカルセンサデータDLよりもリモートセンサデータDRに大きな影響を及ぼすためである。このため、リモートセンサデータDRは、現実の状況をシステム的に過小評価している。こうしたシステム的なNDVIの過小評価差は、リモートセンサデータ、この場合には現在のリモートセンサデータを、ローカルセンサデータDLおよびリモートセンサデータDRに基づいて補正された現在のリモートセンサデータDRCに補正することによって解消される。一実施形態によれば、補正モデルまたは予測モデル、特に機械学習モデルが、補正されたリモートセンサデータDRCを決定する。すなわち、ローカルセンサデータDLとリモートセンサデータDRとのシステム的な過小評価差が決定されて、リモートセンサデータDRに加算され、これにより補正されたリモートセンサデータDRCが決定される。すなわち、リモートセンサデータDRの値が、決定されたシステム的なNDVIの過小評価差だけ増大される。この場合、分析時間の平均では、ローカルセンサデータDLがリモートセンサデータDRよりも０．１高いNDVIを有すると判定されている。このため、リモートセンサデータDRの各データポイントが、補正されたリモートセンサデータDRCに達するように０．１だけ増大される。グラフでは、リモートセンサデータDRが０．１だけ上にずらされている。システム的な過小評価差は代替的に、例えば、従前のテストサイクルによる予め決定された値とすることができる。よって、補正されたリモートセンサデータDRCは、補正されたバージョンのリモートセンサデータDRを示している。
図４は、図３のリモートセンサデータDRおよびローカルセンサデータDLの例示的な実施形態を示している。合理的な、補正されたリモートセンサデータDPCを決定するだけでなく、補正モデルは、リモートセンサデータDR中の異常値を検出するように構成されている。図３で説明したように、第１のデータ点S1、第２のデータ点S2、第３のデータ点S3、第４のデータ点S4および第５のデータ点S5が、対応するローカルセンサデータDLから大きく乖離している。補正モデルは、各時点におけるリモートセンサデータDRとローカルセンサデータDLの測定値すなわちNDVI値とを比較し、リモートセンサデータDRとローカルセンサデータDLとの差が閾値を超える場合に異常値として判定する。この閾値は、予め決定することができる。代替的に、閾値は、補正モデルによって動的に調整することもできる。その結果、判定された異常値は、不合理な画像に対応する可能性が高いので、それ以上考慮されない。よって、補正モデルは、補正を伴う補正されたリモートセンサデータDRCCを決定し、リモートセンサデータDRの異常値は、補正モデルによって、補正されたリモートセンサデータDRCおよびローカルセンサデータDLに基づいて補正されたデータ点によって置き換えられる。代替的に、異常値のNDVIデータをもたらした棄却画像の代わりに、補正モデルは、衛星からの最後の非棄却画像のNDVIを取り込んで、補正によって補正されたリモートセンサデータDRCCを決定する。
図５および図６は、経時的な更なるローカルセンサデータDLおよびリモートセンサデータDRの例示的な実施形態を示している。この場合、切捨てCの後、それ以上の衛星画像、ひいてはそれ以上のリモートセンサデータDRは利用不能とされる。よって、補正モデルは、切捨て後のローカルセンサデータDL、ならびに切捨て前のローカルセンサデータDLおよびリモートセンサデータDRに基づいて、予測されるセンサデータDPを予測する。その結果、補正モデルは、欠落しているリモートセンサデータのギャップを埋めることができる。
図７Ａは、非据え置き型ローカルセンサによる位置データの例示的な実施形態を示している。センサ装置の位置の測定誤差は、装置の変化する位置で報告された観測値によって浮き彫りにされている。それゆえに、センサ装置の一意の位置を、例えば、シングルリンケージ階層クラスタリングアルゴリズムによって見つけなければならない。特定されたクラスタでは、ポイントが最小距離でマージされ、指定された最大距離で停止が導入される。図７Ｂは、非据え置き型ローカルセンサによるクラスタ化された位置データを示している。
図８は、センサフュージョンのためのフローチャートの例示的な実施形態を示している。ローカルセンサデータに対応する衛星データを１時間毎に見つけるために、利用可能な全ての時刻／日付の日データが、特にセンサのAPI（アプリケーションプログラミングインタフェース）を介して、抽出される。日データに基づいて、リモートセンサデータ、特に衛星データから、各観測に対応するセンサ装置IDが特定される。センサ装置IDが与えられると、対応するデータが圃場マネージャから取得されて、観測の日付に適合する衛星データ、すなわち衛星画像が見つけられる。
圃場マネージャは、ローカルセンサデータを格納する圃場関係データベース、および関連する衛星データを見つけるための意思決定支援システムを備える。代替的に、ローカルデータはクラウドストレージに格納されている。この場合、ローカルセンサ装置の位置について画像の周囲画素のダウンロードが行われる。ダウンロードは、衛星データを格納するクラウドストレージから行われる。クロップされた視覚的分析用の衛星画像を格納し、ローカルセンサデータとの関係で正しい画素値を特定することができる。衛星画像の時刻に基づいて、ローカルの観測値が結合される。最後に、衛星画像のメタ情報（すなわち、衛星の角度）を抽出することができる。
一実施形態では、本明細書に開示される方法は、例えば非据え置き型であるローカルセンサによる圃場内ローカルセンサデータを、衛星ベースのバイオマスおよび作物健康指数と組み合わせる、圃場ゾーン管理ソリューションを提供する。ローカルセンサデータを使用することで、より正確なゾーン散布につながり、バイオマス、作物健康マップおよび可変量処方マップの可用性を高めることができる。
作物最適化プラットフォームは、データの収集および生成から、農学的モデリング、洞察の導出を通じて、行動の推奨に至るまでの全ての工程を含むことができる。このようなプラットフォームにより、生産者は、いつ、どこで、どれだけの量、（例えば、殺菌剤を）散布すべきかを知る。圃場内における散布または散布マップの変動性に関する更なる機能を含むことができ、例えば、タンク混合や可変量適用のための最適処理ウィンドウに関する更なる指示を含むことができる。これは、特に殺菌剤にとって有用である。モニタリング機能により、生産者は、ウェブおよびモバイルのソリューションを使用して、毎日、地球上のどこからでも、時間および場所につき横断的に、植物の成長および健康を検査および比較することが可能になる。
（例えば、非据え置き型の）ローカルセンサは、太陽電池で駆動される分光計または音響距離計などの複数のセンサ要素を備え、移動性が高く、設置が容易なIoT装置であるという意味でスマートでありうる。その設計および製造により、これらのローカルセンサは実質的にメンテナンスフリーであることができる。
作物最適化プラットフォームと（例えば、非据え置き型の）圃場内ローカルセンサとの組み合わせにより、精密なバイオマス、作物の健康分析マップ、可変量適用マップをグラウンドトゥルースデータで補強しながら、こうしたプラットフォームの完全自動化およびスケーラビリティの可能性を利用することができる。
これにより例えば衛星由来のバイオマスおよび作物健康指数におけるバイアスが低減されることが、試験により確認されている。付加的に、衛星とローカルのセンサデータをスマートに組み合わせることで、衛星画像の可用性の問題を解消することができる。
プラットフォームへの（例えば、非据え置き型の）ローカルセンサの実装を簡単にするために、シームレスなワンクリックソリューションをプラットフォームに含めることができる。このことは、作物がどのように成長するかを検査し、ローカルセンサによる圃場内データによって支援されたプラットフォームに基づいて行動するためのワンストップショップソリューションを有することの利便性をもたらす。
Claims (15)
- 圃場のリモートセンサデータを補正するための方法であって、
前記圃場に関するリモートセンサデータ（DR）をリモートセンサから受信する工程であって、前記リモートセンサデータ（DR）が少なくとも１つの位置に対応する少なくとも１つのリモート測定値を含み、当該位置が当該リモート測定値を取得する少なくとも１つの時点で前記リモートセンサによって測定される工程と、
前記圃場に関するローカルセンサデータ（DL）を少なくとも１つのローカルセンサから受信する工程であって、前記少なくとも１つのローカルセンサデータ（DL）が少なくとも１つのローカル測定値を含み、当該ローカル測定値が前記少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともに前記リモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応する工程と、
以前に受信された前記ローカルセンサデータ（DL）および以前に受信された前記リモートセンサデータ（DR）に基づいて補正モデルを決定する工程と、
前記補正モデルを現在のリモートセンサデータに適用することにより、補正された現在のリモートセンサデータ（DRP，DRPR）を決定する工程と、を含む方法。 - 前記ローカルセンサが非据え置き型である、請求項１に記載の方法。
- 前記リモート測定値および／または前記ローカル測定値は、ハイパースペクトル指数またはバイオマス指数に関連付けられる、請求項１または請求項２に記載の方法。
- 前記リモートセンサデータおよび前記ローカルセンサデータが受信された後の複数の工程を含み、該複数の工程は、
前記少なくとも１つのローカルセンサの位置に対応するリモート測定値を決定する工程と、
前記少なくとも１つのローカルセンサの位置に対応する前記リモート測定値と前記少なくとも１つのローカルセンサの前記ローカル測定値との間の差を複数の時点について決定する工程と、を含み、
前記補正モデルを決定する工程は、決定された前記差にさらに基づいて行われる、
請求項１から請求項３のいずれか一項に記載の方法。 - 前記リモートセンサデータは、前記少なくとも１つのリモート測定値に基づく少なくとも１つのリモート画像を含み、
前記ローカルセンサの位置に対応する前記リモート測定値を決定する工程は、
前記ローカルセンサの位置に最も近い画素を前記リモート画像から抽出する工程、または前記ローカルセンサの位置に最も近い画素から予め定義された距離内にある画素の平均を抽出する工程と、
抽出された前記画素に基づいて前記リモート測定値を決定する工程と、を含み、
前記補正モデルを決定する工程は、前記リモート測定値が基礎とする抽出された前記画素にも基づいて行われる、
請求項１から請求項４のいずれか一項に記載の方法。 - 前記リモート測定値の間の差を決定する工程は、
前記ローカルセンサデータ（DL）のローカル時系列データを前記少なくとも１つのローカルセンサから受信する工程であって、前記ローカル時系列データは、前記少なくとも１つのローカルセンサが特定の時点で位置する位置に対応する複数の時点での複数の位置データを含む工程と、
前記ローカルセンサの経時的なそれぞれの位置の間の最大距離に基づいて、ローカルセンサデータのクラスタを決定する工程と、
決定された前記クラスタに基づいて、前記少なくとも１つのローカルセンサのクラスタ化された位置を決定する工程と、
前記少なくとも１つのローカルセンサの前記クラスタ化された位置に対応するリモート測定値と前記少なくとも１つのローカルセンサの前記ローカル測定値との間の差を複数の時点について決定する工程と、を含み、
前記補正モデルを決定する工程は、決定された前記差にさらに基づいて行われる、
請求項４または請求項５に記載の方法。 - 前記クラスタ化された位置は、クラスタ中心を決定することによって決定される、
請求項６に記載の方法。 - 複数の工程を含み、該複数の工程は、
受信されたリモート時系列データが、リモート時系列データ（DR）の時系列中の想定される時点でリモートセンサデータ（DR）が欠落している少なくとも１つのギャップを含む場合に、
前記ギャップの時点でのローカルセンサデータ（DL）を受信する工程と、
受信された前記ローカルセンサデータ（DL）に基づいて、前記ギャップの時点について予測されるリモートセンサデータ（DP）を決定する工程と、を含む、
請求項１から請求項７のいずれか一項に記載の方法。 - 前記予測されるリモートセンサデータ（DP）を決定する工程は、
前記ギャップの直前の時点でリモートセンサデータ（DR）を受信する工程と、
前記ギャップの直前の時点で受信された前記リモートセンサデータ（DR）に基づいて、予測されるリモートセンサデータ（DP）を決定する工程と、を含む、
請求項８に記載の方法。 - 前記補正モデルは、リモートセンサデータおよびローカルセンサデータの履歴データセットに依存する予測関数を含み、前記予測されるリモートセンサデータは、前記予測関数に基づいて決定される、請求項１から請求項９のいずれか一項に記載の方法。
- 処理装置であって、
圃場に関するリモートセンサデータ（DR）をリモートセンサから受信するように構成され、前記リモートセンサデータ（DR）は、少なくとも１つの位置に対応する少なくとも１つのリモート測定値を含み、前記位置は、前記リモート測定値を取得する少なくとも１つの時点で前記リモートセンサによって測定され、
前記圃場に関するローカルセンサデータ（DL）を少なくとも１つのローカルセンサから受信するように構成され、前記少なくとも１つのローカルセンサデータ（DL）は、少なくとも１つのローカル測定値を含み、当該ローカル測定値は、前記少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともに前記リモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応し、
以前に受信された前記ローカルセンサデータ（DL）および以前に受信された前記リモートセンサデータ（DR）に基づいて補正モデルを決定するように構成され、かつ、
前記補正モデルを現在のリモートセンサデータに適用することにより、補正された現在のリモートセンサデータ（DRP，DRPR）を決定するように構成されている、処理装置。 - 圃場のリモートセンサデータを補正するためのシステムであって、
前記圃場に関するリモートセンサデータ（DR）を当該リモートセンサから提供するように構成されたリモートセンサであって、前記リモートセンサデータ（DR）が少なくとも１つのリモート測定値を含み、当該リモート測定値が当該リモート測定値を取得する少なくとも１つの時点で当該リモートセンサによって測定される少なくとも１つの位置に対応するリモートセンサと、
前記圃場に関するローカルセンサデータ（DL）を少なくとも１つのローカルセンサから提供するように構成されたローカルセンサであって、前記少なくとも１つのローカルセンサデータ（DL）が少なくとも１つのローカル測定値を含み、当該ローカル測定値が少なくとも１つのローカルセンサの少なくとも１つの位置に対応するとともに前記リモート測定値を取得する位置および時点に相関する当該ローカル測定値を取得する少なくとも１つの時点に対応するローカルセンサと、
請求項１１に記載の処理装置と、を備える、システム。 - 処理装置によってロードされて実行される際に、請求項１から請求項１０のいずれか一項に記載の方法を実施するためのコンピュータ可読命令を含む、コンピュータプログラム。
- 請求項１３に記載のコンピュータプログラムを記憶するように構成された、コンピュータ可読不揮発性記憶媒体。
- 請求項１から請求項１０のいずれか一項に記載の方法における、圃場に関するリモートセンサデータおよび圃場に関するローカルセンサデータの使用。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19183430 | 2019-06-28 | ||
| EP19183266 | 2019-06-28 | ||
| EP19183430.8 | 2019-06-28 | ||
| EP19183266.6 | 2019-06-28 | ||
| PCT/EP2020/068088 WO2020260626A1 (en) | 2019-06-28 | 2020-06-26 | Sensor fusion |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022538597A true JP2022538597A (ja) | 2022-09-05 |
Family
ID=71401755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021577249A Pending JP2022538597A (ja) | 2019-06-28 | 2020-06-26 | センサフュージョン |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220253991A1 (ja) |
| EP (1) | EP3989698A1 (ja) |
| JP (1) | JP2022538597A (ja) |
| CN (1) | CN114026609A (ja) |
| BR (1) | BR112021025393A2 (ja) |
| CA (1) | CA3144030A1 (ja) |
| WO (1) | WO2020260626A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4312488A1 (en) * | 2021-03-31 | 2024-02-07 | BASF Agro Trademarks GmbH | Computer-implemented method for providing corrected plant-related index data |
| WO2024096750A1 (en) * | 2022-11-01 | 2024-05-10 | Carbonco Limited | Methods and system for vegetation data acquisition and application |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8024074B2 (en) * | 2007-12-07 | 2011-09-20 | Deere & Company | System and method of managing substances in a plant root zone |
| EP3219184B1 (en) * | 2014-11-13 | 2020-04-15 | Yanmar Co., Ltd. | Agricultural work vehicle |
| WO2018049288A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for learning farmable zones, and related methods and apparatus |
| DE102016118237A1 (de) * | 2016-09-27 | 2018-03-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine mit Bildanalysesystem |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| WO2019121097A1 (en) * | 2017-12-21 | 2019-06-27 | Basf Se | Apparatus for determining agricultural relevant information |
-
2020
- 2020-06-26 WO PCT/EP2020/068088 patent/WO2020260626A1/en active Application Filing
- 2020-06-26 US US17/621,885 patent/US20220253991A1/en active Pending
- 2020-06-26 CN CN202080047198.2A patent/CN114026609A/zh active Pending
- 2020-06-26 EP EP20735335.0A patent/EP3989698A1/en active Pending
- 2020-06-26 JP JP2021577249A patent/JP2022538597A/ja active Pending
- 2020-06-26 CA CA3144030A patent/CA3144030A1/en active Pending
- 2020-06-26 BR BR112021025393A patent/BR112021025393A2/pt unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US20220253991A1 (en) | 2022-08-11 |
| WO2020260626A1 (en) | 2020-12-30 |
| CA3144030A1 (en) | 2020-12-30 |
| CN114026609A (zh) | 2022-02-08 |
| EP3989698A1 (en) | 2022-05-04 |
| BR112021025393A2 (pt) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique | |
| Skakun et al. | Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model | |
| US11275197B2 (en) | Forecasting national crop yield during the growing season | |
| US10241098B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
| US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| US9076118B1 (en) | Harvest advisory modeling using field-level analysis of weather conditions, observations and user input of harvest condition states, wherein a predicted harvest condition includes an estimation of standing crop dry-down rates, and an estimation of fuel costs | |
| US20150254800A1 (en) | Nitrogen status determination in growing crops | |
| WO2018081043A1 (en) | Methods for mapping temporal and spatial stability and sustainability of a cropping system | |
| EP3897100A1 (en) | Apparatus and method for crop yield prediction | |
| US9037521B1 (en) | Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states | |
| EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
| An-Vo et al. | Value of seasonal forecasting for sugarcane farm irrigation planning | |
| US9201991B1 (en) | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
| Jeffries et al. | Mapping sub-field maize yields in Nebraska, USA by combining remote sensing imagery, crop simulation models, and machine learning | |
| WO2023108213A1 (en) | Methods and systems for classifying and benchmarking irrigation performance | |
| US9031884B1 (en) | Modeling of plant wetness and seed moisture for determination of desiccant application to effect a desired harvest window using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
| Verdugo-Vásquez et al. | Towards an empirical model to estimate the spatial variability of grapevine phenology at the within field scale | |
| WO2021053118A1 (en) | A decision support system and method for agriculture | |
| JP2022538597A (ja) | センサフュージョン | |
| US11170219B2 (en) | Systems and methods for improved landscape management | |
| Servia et al. | Operational framework to predict field level crop biomass using remote sensing and data driven models | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
| CN115526713A (zh) | 一种农户贷款的授信额度确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230623 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240312 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240607 |