RU2019115854A - Способ картографирования урожайности - Google Patents

Способ картографирования урожайности Download PDF

Info

Publication number
RU2019115854A
RU2019115854A RU2019115854A RU2019115854A RU2019115854A RU 2019115854 A RU2019115854 A RU 2019115854A RU 2019115854 A RU2019115854 A RU 2019115854A RU 2019115854 A RU2019115854 A RU 2019115854A RU 2019115854 A RU2019115854 A RU 2019115854A
Authority
RU
Russia
Prior art keywords
yield
processors
field site
data
field
Prior art date
Application number
RU2019115854A
Other languages
English (en)
Other versions
RU2019115854A3 (ru
Inventor
Джеймс КУБ
Original Assignee
Басф Агро Трейдмаркс Гмбх
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 Басф Агро Трейдмаркс Гмбх filed Critical Басф Агро Трейдмаркс Гмбх
Publication of RU2019115854A publication Critical patent/RU2019115854A/ru
Publication of RU2019115854A3 publication Critical patent/RU2019115854A3/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Claims (30)

1. Система (300) для создания карты (110) урожайности для полевой площадки, причем система (300) содержит:
одно или несколько устройств (325) визуализации,
один или несколько процессоров (312), и
одно или несколько запоминающих устройств (314), причем одно или несколько запоминающих устройств (314) сохраняют машиночитаемые команды (316), которые при их выполнении одним или несколькими процессорами (312) принуждают один или несколько процессоров (312) к выполнению операций, причем операции содержат:
получение одним или несколькими процессорами (312) данных, отображающих урожайность (110) для полевой площадки,
получение одним или несколькими процессорами (312) изображения (122) вегетативного индекса (VI) полевой площадки, причем изображение (122) VI содержит множество пикселей (125), причем каждый пиксель (125) в изображении (122) VI имеет пиксельное значение, связанное с количеством растительности в соответствующем пикселю (125) обособленном подучастке полевой площадки,
определение одним или несколькими процессорами (312) распределения урожайности для полевой площадки, причем распределение урожайности содержит значение урожайности для каждого из множества обособленных подучастков полевой площадки определенное, по меньшей мере, частично основываясь на отображающих урожайность (110) данных и пиксельном значении пикселя (125) в изображении (122) VI, соответствующего обособленным подучасткам на полевой площадке,
создание посредством одного или нескольких процессоров (312) карты (150) урожайности для полевой площадки, по меньшей мере, частично основываясь на распределении урожайности, причем карта (150) урожайности содержит множество пикселей (155), причем пиксельное значение каждого пикселя в карте (150) урожайности определено, по меньшей мере, частично основываясь на значении урожайности для соответствующих пикселю (155) обособленных подучастков полевой площадки.
2. Система (300) по п. 1, причем операции, кроме того, содержат усовершенствование одним или несколькими процессорами (312) распределения урожайности, по меньшей мере, частично основываясь на одном или нескольких типах (120) данных.
3. Система (300) по п. 1 или 2, причем операции, кроме того, содержат предоставление одним или несколькими процессорами (312) карты (150) урожайности для отображения на одном или нескольких устройствах (325) визуализации.
4. Система (300) по п. 2 или 3, причем один или несколько типов (120) данных содержат одно или несколько захваченных в различные периоды времени изображений (122) VI, одно или несколько изображений (126) лазерного локатора, одно или несколько спутниковых изображений (124), воздушных изображений (124), или наземных изображений (124) полевой площадки, данные (128) густоты стояния растений, полученные от посадочной техники (130) посадочные значения, или одно или несколько гиперспектральных изображений (130).
5. Способ (200) создания карты (150) урожайности для полевой площадки, содержащий:
получение (202) одним или несколькими процессорами (312) данных, отображающих урожайность (110) для полевой площадки,
получение (204) одним или несколькими процессорами (312) одного или несколько типов (120) данных, связанных с полевой площадкой, причем каждый из типов (120) данных предоставляет геопространственное распределение данных, связанных с растительностью в пределах полевой площадки,
определение (208) одним или несколькими процессорами (312) распределения урожайности для полевой площадки, по меньшей мере, частично основываясь на данных, отображающих урожайность (110), а также одном или нескольких типах (120) данных,
создание (210) одним или несколькими процессорами (312) карты (150) урожайности для полевой площадки, по меньшей мере, частично основываясь на распределении урожайности.
6. Способ (200) по п. 5, который, кроме того, содержит:
предоставление (212) одним или несколькими процессорами (312) карты (150) урожайности для отображения на одном или нескольких устройствах (325) визуализации.
7. Способ (200) по п. 5 или 6, причем определение (208) одним или несколькими процессорами (312) распределения урожайности для полевой площадки содержит:
получение (206) одним или несколькими процессорами (312) модели (140), которая задает значения урожайности для обособленных подучастков полевой площадки как функцию по меньшей мере одного или нескольких типов (120) данных, и
определение (208) одним или несколькими процессорами (312) распределения урожайности, по меньшей мере, частично основываясь на этой модели (140).
8. Способ (200) по одному из пп. 5-7, причем карта (150) урожайности содержит множество пикселей (155), и причем пиксельное значение каждого пикселя (155) определяют, по меньшей мере, частично основываясь назначении урожайности для обособленных соответствующих пикселю (155) подучастков полевой площадки.
9. Способ (200) по одному из пп. 5-8, причем один или несколько типов (120) данных содержат изображение (122) вегетативного индекса (VI) полевой площадки.
10. Способ (200) по п. 9, причем определение (208) одним или несколькими процессорами (312) распределения урожайности для полевой площадки содержит определение одним или несколькими процессорами (312) значений урожайности для обособленных подучастков полевой площадки, по меньшей мере, частично основываясь на пиксельном значении пикселя (125), соответствующего обособленным подучасткам в изображении (122) VI.
11. Способ (200) по одному из пп. 5-10, причем один или несколько типов (120) данных содержат множество изображений (122) VI, и причем каждое из этих изображений (122) VI захватывают в различное время.
12. Способ (200) по одному из пп. 5-11, причем один или несколько типов (120) данных содержат полученные от посадочной техники посадочные значения (130) и/или данные (128) густоты стояния растений для полевой площадки.
13. Способ (200) по одному из пп. 5-12, причем один или несколько типов (120) данных содержат одно или несколько связанных с полевой площадкой изображений (126) лазерного локатора и/или одно или несколько полученных для полевой площадки гиперспектральных изображений (130).
14. Способ (200) по одному из пп. 5-13, причем один или несколько типов (120) данных содержат одно или несколько спутниковых изображений (124), воздушных изображений (124), или наземных изображений (124) для полевой площадки.
15. Элемент компьютерной программы для управления системой согласно одному из пп. 1-4, который, при выполнении его процессором, выполнен для осуществления способа по одному из пп. 5-14.
16. Машиночитаемый носитель с сохраненным элементом программы по п. 15.
RU2019115854A 2016-10-31 2017-10-31 Способ картографирования урожайности RU2019115854A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662414928P 2016-10-31 2016-10-31
US62/414,928 2016-10-31
PCT/US2017/059146 WO2018081759A1 (en) 2016-10-31 2017-10-31 Method for mapping crop yields

Publications (2)

Publication Number Publication Date
RU2019115854A true RU2019115854A (ru) 2020-11-30
RU2019115854A3 RU2019115854A3 (ru) 2021-03-15

Family

ID=60515795

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019115854A RU2019115854A (ru) 2016-10-31 2017-10-31 Способ картографирования урожайности

Country Status (7)

Country Link
US (2) US10719787B2 (ru)
EP (1) EP3533008A1 (ru)
CN (1) CN109891440A (ru)
AR (1) AR110005A1 (ru)
BR (1) BR112019008676A2 (ru)
RU (1) RU2019115854A (ru)
WO (1) WO2018081759A1 (ru)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3533008A1 (en) * 2016-10-31 2019-09-04 BASF Agro Trademarks GmbH Method for mapping crop yields
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US20220405863A1 (en) * 2019-11-18 2022-12-22 Sony Group Corporation Information processing device, information processing method, and program
US11508092B2 (en) * 2019-12-16 2022-11-22 X Development Llc Edge-based crop yield prediction
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
JP7471211B2 (ja) 2020-12-10 2024-04-19 株式会社クボタ 圃場マップ生成システム
CN116757867B (zh) * 2023-08-18 2023-11-03 山东征途信息科技股份有限公司 一种基于多源数据融合的数字乡村构建方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8208680B2 (en) * 2006-11-07 2012-06-26 The Curators Of The University Of Missouri Method of predicting crop yield loss due to N-deficiency
US8135178B2 (en) * 2007-04-10 2012-03-13 Deere & Company Process for normalizing images or other data layers
US20150206255A1 (en) * 2011-05-13 2015-07-23 HydroBio, Inc Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data
US10096073B2 (en) * 2011-05-13 2018-10-09 The Climate Corporation Systems to prescribe and deliver fertilizer over agricultural fields and related methods
US10373353B2 (en) 2013-10-31 2019-08-06 Trimble Inc. Crop yield data adjustments
US10667456B2 (en) 2014-09-12 2020-06-02 The Climate Corporation Methods and systems for managing agricultural activities
WO2016183182A1 (en) * 2015-05-14 2016-11-17 Board Of Trustees Of Michigan State University Methods and systems for crop land evaluation and crop growth management
CA3016216C (en) * 2016-03-04 2023-05-02 Nutrien Ag Solutions (Canada) Inc. System and method for prescribing fertilizer application rates for spatial distribution of a product
US20190335674A1 (en) * 2016-10-24 2019-11-07 Board Of Trustees Of Michigan State University Methods for mapping temporal and spatial stability and sustainability of a cropping system
EP3533008A1 (en) * 2016-10-31 2019-09-04 BASF Agro Trademarks GmbH Method for mapping crop yields

Also Published As

Publication number Publication date
US11361256B2 (en) 2022-06-14
CN109891440A (zh) 2019-06-14
BR112019008676A2 (pt) 2019-07-09
US20200364629A1 (en) 2020-11-19
EP3533008A1 (en) 2019-09-04
US20200057968A1 (en) 2020-02-20
AR110005A1 (es) 2019-02-13
US10719787B2 (en) 2020-07-21
RU2019115854A3 (ru) 2021-03-15
WO2018081759A1 (en) 2018-05-03

Similar Documents

Publication Publication Date Title
RU2019115854A (ru) Способ картографирования урожайности
Jiménez-Brenes et al. Quantifying pruning impacts on olive tree architecture and annual canopy growth by using UAV-based 3D modelling
Zahawi et al. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery
Kuc et al. Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas
US20160307373A1 (en) Method and system for generating augmented reality agricultural presentations
Cunliffe et al. Aboveground biomass corresponds strongly with drone-derived canopy height but weakly with greenness (NDVI) in a shrub tundra landscape
Hassan-Esfahani et al. Topsoil moisture estimation for precision agriculture using unmmaned aerial vehicle multispectral imagery
CN107833279B (zh) 一种基于dem的地形坡度分析方法
Gómez-Candón et al. Geo-referencing remote images for precision agriculture using artificial terrestrial targets
CN101403795A (zh) 估算城区树覆盖率的遥感测量方法及其遥感测量系统
da Silveira et al. Use of MSI/Sentinel-2 and airborne LiDAR data for mapping vegetation and studying the relationships with soil attributes in the Brazilian semi-arid region
Santos et al. Coffee crop coefficient prediction as a function of biophysical variables identified from RGB UAS images.
Clark Enhanced processing of SPOT multispectral satellite imagery for environmental monitoring and modelling
Almeida et al. Deforestation monitoring in different Brazilian Biomes: challenges and lessons
Jurišić et al. Methodology of development of purpose maps in GIS environment–resource management
Cunliffe et al. Drone-derived canopy height predicts biomass across non-forest ecosystems globally
Ichikawa et al. Identification of paddy fields in Northern Japan using RapidEye images
Sharma et al. Landuse and landcover mapping of East District of Sikkim using IRSP6 Satellite Imagery
Selin Modeling of effective leaf area index
Komp et al. Global monitoring for food security and sustainable land management–recent advances of remote sensing applications to african and siberian show cases
García-Torres et al. Management of remote imagery for precision agriculture
Lang et al. Mapping Vegetation Height from Multispectral Sentinel-2 Images at Country Scale using Deep Learning
Marzieh et al. Evaluation of different enhancement remote sensing techniques.
Ebrahimi et al. The Estimation of Land Use Changes under Irrigation Water of Traditional Streams of Khansar City
Wadsworth USING REMOTE SENSING TO OBSERVE VEGETATION CHANGE OVER TIME IN THE SOUTHERN ARIZONA SKY ISLANDS