RU2019115854A - Способ картографирования урожайности - Google Patents
Способ картографирования урожайности Download PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims 12
- 238000013507 mapping Methods 0.000 title 1
- 238000012800 visualization Methods 0.000 claims 3
- 238000004590 computer program Methods 0.000 claims 1
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)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (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.
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 (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719787B2 (en) * | 2016-10-31 | 2020-07-21 | 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 |
US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental 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 |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
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 |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
JPWO2021100430A1 (ru) * | 2019-11-18 | 2021-05-27 | ||
US11508092B2 (en) * | 2019-12-16 | 2022-11-22 | X Development Llc | Edge-based crop yield prediction |
US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US12178158B2 (en) | 2020-10-09 | 2024-12-31 | Deere & Company | Predictive map generation and control system for an agricultural work machine |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | 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 |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture 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 |
US12127500B2 (en) | 2021-01-27 | 2024-10-29 | Deere & Company | Machine control using a map with regime zones |
US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
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)
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 |
US10881045B2 (en) * | 2016-03-04 | 2021-01-05 | Nutrien Ag Solutions (Canada) Inc. | System and method for prescribing fertilizer application rates for spatial distribution of a product |
EP3528613B1 (en) * | 2016-10-24 | 2022-12-07 | Board of Trustees of Michigan State University | Method for mapping temporal and spatial sustainability of a cropping system |
US10719787B2 (en) * | 2016-10-31 | 2020-07-21 | Basf Agro Trademarks Gmbh | Method for mapping crop yields |
-
2017
- 2017-10-31 US US16/345,778 patent/US10719787B2/en active Active
- 2017-10-31 BR BR112019008676A patent/BR112019008676A2/pt not_active Application Discontinuation
- 2017-10-31 AR ARP170103013A patent/AR110005A1/es unknown
- 2017-10-31 WO PCT/US2017/059146 patent/WO2018081759A1/en unknown
- 2017-10-31 CN CN201780066649.5A patent/CN109891440A/zh active Pending
- 2017-10-31 RU RU2019115854A patent/RU2019115854A/ru unknown
- 2017-10-31 EP EP17807957.0A patent/EP3533008A1/en active Pending
-
2020
- 2020-07-20 US US16/933,411 patent/US11361256B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
RU2019115854A3 (ru) | 2021-03-15 |
US11361256B2 (en) | 2022-06-14 |
WO2018081759A1 (en) | 2018-05-03 |
US20200057968A1 (en) | 2020-02-20 |
US20200364629A1 (en) | 2020-11-19 |
EP3533008A1 (en) | 2019-09-04 |
US10719787B2 (en) | 2020-07-21 |
BR112019008676A2 (pt) | 2019-07-09 |
CN109891440A (zh) | 2019-06-14 |
AR110005A1 (es) | 2019-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2019115854A (ru) | Способ картографирования урожайности | |
Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
Zahawi et al. | Using lightweight unmanned aerial vehicles to monitor tropical forest recovery | |
Cunliffe et al. | Aboveground biomass corresponds strongly with drone-derived canopy height but weakly with greenness (NDVI) in a shrub tundra landscape | |
CA2930989C (en) | Apparatus for and method of forest-inventory management | |
Chu et al. | Cotton growth modeling and assessment using unmanned aircraft system visual-band imagery | |
US20160307373A1 (en) | Method and system for generating augmented reality agricultural presentations | |
Hassan-Esfahani et al. | Topsoil moisture estimation for precision agriculture using unmmaned aerial vehicle multispectral imagery | |
Gómez-Candón et al. | Geo-referencing remote images for precision agriculture using artificial terrestrial targets | |
JP6507927B2 (ja) | 植物生育指標測定装置、該方法および該プログラム | |
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 | |
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 | |
Wang et al. | Implementation of drone system in survey for tomato chlorotic spot virus | |
Dineshkumar et al. | Rice crop monitoring using sentinel-1 C-band data | |
Sharma et al. | Landuse and landcover mapping of East District of Sikkim using IRSP6 Satellite Imagery | |
Clark | Enhanced processing of SPOT multispectral satellite imagery for environmental monitoring and modelling | |
Ichikawa et al. | Identification of paddy fields in Northern Japan using RapidEye images | |
Cunliffe et al. | Drone-derived canopy height predicts biomass across non-forest ecosystems globally | |
Nesslage et al. | A Machine Learning Approach for High Resolution Fractional Vegetation Cover Estimation Using Planet Cubesat and RGB Drone Data Fusion | |
Selin | Modeling of effective leaf area index | |
Attarzadeh et al. | Investigating the Possibility of Preparing Small Scale Soil Moisture Map from Coupled SENTINEL-1 and SENTINEL-2 Data | |
Ebrahimi et al. | The Estimation of Land Use Changes under Irrigation Water of Traditional Streams of Khansar City | |
Lavender et al. | Combined use of uncrewed aerial vehicle and satellite remote sensing data to gain crop insights within Colombia | |
Parcero-Oubiña et al. | At Last! Remote-Sensing Discovery of Archaeological Features through Aerial Imagery and Lidar in Galician Hillforts |