UA123580C2 - Поліпшення прогнозування погоди шляхом подальшої обробки даних - Google Patents
Поліпшення прогнозування погоди шляхом подальшої обробки даних Download PDFInfo
- Publication number
- UA123580C2 UA123580C2 UAA201710918A UAA201710918A UA123580C2 UA 123580 C2 UA123580 C2 UA 123580C2 UA A201710918 A UAA201710918 A UA A201710918A UA A201710918 A UAA201710918 A UA A201710918A UA 123580 C2 UA123580 C2 UA 123580C2
- Authority
- UA
- Ukraine
- Prior art keywords
- ensemble
- chronological
- forecasts
- distribution
- ensembles
- Prior art date
Links
- 238000012805 post-processing Methods 0.000 title 1
- 238000009826 distribution Methods 0.000 claims abstract description 160
- 238000000034 method Methods 0.000 claims abstract description 100
- 238000001556 precipitation Methods 0.000 claims abstract description 25
- 230000009418 agronomic effect Effects 0.000 claims description 98
- 238000013459 approach Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000003306 harvesting Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims 16
- 230000006870 function Effects 0.000 claims 15
- 238000004891 communication Methods 0.000 claims 13
- 230000006872 improvement Effects 0.000 claims 11
- 230000005540 biological transmission Effects 0.000 claims 10
- 238000003860 storage Methods 0.000 claims 10
- 238000007405 data analysis Methods 0.000 claims 9
- 230000004044 response Effects 0.000 claims 9
- 238000012935 Averaging Methods 0.000 claims 8
- 238000007476 Maximum Likelihood Methods 0.000 claims 8
- 238000013075 data extraction Methods 0.000 claims 8
- 238000005070 sampling Methods 0.000 claims 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 8
- 230000002085 persistent effect Effects 0.000 claims 7
- 239000000969 carrier Substances 0.000 claims 5
- 238000010276 construction Methods 0.000 claims 5
- 238000012937 correction Methods 0.000 claims 5
- 238000010586 diagram Methods 0.000 claims 5
- 230000008642 heat stress Effects 0.000 claims 5
- 230000003287 optical effect Effects 0.000 claims 5
- 238000012545 processing Methods 0.000 claims 5
- 238000004088 simulation Methods 0.000 claims 5
- 239000002689 soil Substances 0.000 claims 5
- 230000001419 dependent effect Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 claims 4
- 239000011159 matrix material Substances 0.000 claims 4
- 238000006073 displacement reaction Methods 0.000 claims 3
- 239000007788 liquid Substances 0.000 claims 3
- 239000000463 material Substances 0.000 claims 3
- 241000159610 Roya <green alga> Species 0.000 claims 2
- 230000002776 aggregation Effects 0.000 claims 2
- 238000004220 aggregation Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 2
- 238000005315 distribution function Methods 0.000 claims 2
- 239000003337 fertilizer Substances 0.000 claims 2
- 230000003993 interaction Effects 0.000 claims 2
- 238000010899 nucleation Methods 0.000 claims 2
- 238000004321 preservation Methods 0.000 claims 2
- 238000009331 sowing Methods 0.000 claims 2
- KTTCLOUATPWTNB-UHFFFAOYSA-N 2-[2-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butylcarbamoyl]-4-methylphenoxy]ethyl methanesulfonate Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCOS(C)(=O)=O KTTCLOUATPWTNB-UHFFFAOYSA-N 0.000 claims 1
- 241001436679 Adama Species 0.000 claims 1
- 241000282994 Cervidae Species 0.000 claims 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims 1
- 241001582326 Renia Species 0.000 claims 1
- 238000009825 accumulation Methods 0.000 claims 1
- 238000003491 array Methods 0.000 claims 1
- 230000003190 augmentative effect Effects 0.000 claims 1
- 229910052802 copper Inorganic materials 0.000 claims 1
- 239000010949 copper Substances 0.000 claims 1
- 238000013500 data storage Methods 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 238000013461 design Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 239000000835 fiber Substances 0.000 claims 1
- 238000012417 linear regression Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 claims 1
- 238000005498 polishing Methods 0.000 claims 1
- 238000011176 pooling Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 230000003068 static effect Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- CMJCEVKJYRZMIA-UHFFFAOYSA-M thallium(i) iodide Chemical compound [Tl]I CMJCEVKJYRZMIA-UHFFFAOYSA-M 0.000 claims 1
- 230000008646 thermal stress Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 claims 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D1/00—Investigation of foundation soil in situ
- E02D1/02—Investigation of foundation soil in situ before construction work
- E02D1/04—Sampling of soil
-
- 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
- A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00
-
- 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
-
- 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
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- 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
- G01N33/24—Earth materials
-
- 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
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C99/00—Subject matter not provided for in other groups of this subclass
-
- 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
-
- 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
- G01N2021/1793—Remote sensing
-
- 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
- G01N2201/0616—Ambient light is used
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Environmental Sciences (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Soil Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
Abstract
Запропоновано спосіб калібрування прогнозів, що включають температуру, опади та інші метеорологічні змінні. У варіанті реалізації винаходу хронологічні ансамблеві прогнози й хронологічні спостереження надходять в сільськогосподарську інформаційну систему. Хронологічні відмінності визначаються між прогнозами та спостереженнями, що відповідають прогнозам, і зберігаються в енергозалежній пам'яті сільськогосподарської інформаційної системи. Сільськогосподарська інформаційна система отримує поточні ансамблеві прогнози та запит на поліпшені прогнози. Сільськогосподарська інформаційна система здійснює вибірку хронологічних відмінностей та використовує комбінацію хронологічних відмінностей поточних ансамблевих прогнозів для створення розподілів ймовірності для погоди на кожний майбутній день. Потім сільськогосподарська інформаційна система здійснює вибірку з розподілів ймовірності для складання поліпшених ансамблевих прогнозів для запитаного місцерозташування.
Description
чи / 108 нені
І ЕЇ ще ансамблі | Шан
ВЕ вісн !
Вихідні | Хронологічні | Шини
Місцерозтаніу ансамблі | | спостереження вання не | |. їз» 130Сільськогосполарська інформаційна система 152 Молулі поліппення ансамблів їм | 16 шен
Модуль знадізу | Модуль вилучення т ! даних що! даних КО ше ї і хі База даних 138 40 ансамблів : Модуль калібрування | Модуль калібрування Ши сен ! розподілу ще реконструкції їм | м в
Модуль інтерфейсу | Модуль : ль М згрономічних Прикладний модуль ! мобільного пристрою моделей | й Р дуль і Шокращені ЩІ Агрономічні Іо ! прогнози меделі Хонцюжр 150 | 180 внесення
Фіг. 1
ГАЛУЗЬ ТЕХНІКИ
Цей винахід в цілому стосується комп'ютерних систем, які можуть використовуватися для складання кліматичних прогнозів, а також у сільському господарстві. Конкретніше, винахід стосується комп'ютерних систем, запрограмованих для надання даних прогнозування, що стосуються температури й опадів, і способів коригування прогнозів.
РІВЕНЬ ТЕХНІКИ
Прогнози погоди зазвичай складають з використанням динамічної моделі зміни погоди та клімату. Сучасні прогнози погоди складаються з використанням метеорологічних ансамблів.
Метеорологічний ансамбль являє собою набір можливих прогнозів погоди, основаних на множині початкових умов і/або фізичних моделей.
Як правило, прогнози погоди складають з використанням методу, відомого як асиміляція даних, відповідно до якого,- вимірювання, проведені протягом 24 годин, застосовуються для визначення множини початкових умов. Потім кожна початкова умова використовується для створення ймовірних сценаріїв погоди або елементів ансамблю. Потім елементи ансамблю об'єднують в один прогноз погоди. Об'єднання елементів ансамблю в прогноз погоди може включати використання середніх температур елементів ансамблю, найбільш поширеної температури прогнозів або інших підходів до моделювання. Ансамблі також використовуються для визначення ймовірності опадів. Наприклад, якщо 20 95 елементів ансамблю містять опади, прогноз погоди може вказувати на те, що існує 20 95 вірогідність опадів.
Сучасні моделі прогнозування мають кілька основних недоліків. По-перше, моделі мають постійні зміщення. У сучасних моделях прогнозування виконується ряд апроксимацій для моделювання фізичних процесів. Наприклад, багато підходів до моделювання використовують грубу сітку для апроксимації просторової кореляції погоди. Незважаючи на можливість використання апроксимації, сітки часто виявляються занадто грубими для визначення важливих фізичних процесів, таких як конвекція. По-друге, моделі, як правило, відрізняються недостатньою дисперсією ансамблю, що часто пов'язано з недооцінкою величини систематичних помилок, що випливають із зазначених вище широких наближень. Нарешті, в сучасних підходах до моделювання використовується тільки ряд елементів ансамблю, необхідних для складання ймовірного прогнозу. Через використання невеликої кількості
Зо елементів ансамблю, сучасні підходи не дозволяють врахувати значну частину потенційно можливих погодних умов. Таким чином, ці моделі неефективні при визначенні ризиків виникнення рідкісних подій.
Ще одна проблема сучасних моделей прогнозування полягає в тому, що вони складають прогнози погоди в узагальненому масштабі. Наприклад, прогноз погоди на один день може включати різні прогнози для кожного міста. Хоча загальні прогнози корисні для значної частини населення, фермерам можуть бути потрібні прогнози з урахуванням місцевих умов, що прогнозують значення температури та ймовірні опади для їх окремих полів. Крім того, для агрономічних моделей можуть знадобитися більш локалізовані прогнози температури для отримання точних прогнозів, таких як урожай конкретної культури, або позитивних рекомендацій, наприклад, про найбільш сприятливі дні збору врожаю.
СТИСЛИЙ ОПИС СУТІ ВИНАХОДУ
Claims (19)
- Формула винаходу, що додається, може служити викладенням суті винаходу.КОРОТКИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВУ наведених графічних матеріалах:На Фіг. 1 наведена ілюстративна блок-схема поліпшення прогнозів погоди шляхом подальшої обробки даних з використанням сільськогосподарської інформаційної системи.На Фіг. 2 наведено ілюстративний процес поліпшення прогнозів погоди.На Фіг.ЗА наведено ілюстративний спосіб визначення ряду кореляцій з вихідних елементів ансамблю.БО На Фіг.ЗВ наведено ілюстративний спосіб побудови поліпшених елементів ансамблю з одного або кількох розподілів.На Фіг.ЗС проілюстрований приклад поліпшених ансамблів.На Фіг. 4 наведена блок-схема, що ілюструє комп'ютерну систему, за допомогою якої можуть бути здійснені варіанти реалізації даного винаходу.ДОКЛАДНИЙ ОПИС СУТІ ВИНАХОДУУ наведеному нижче описі при поясненні використовуються численні конкретні деталі та приклади.Це зроблено для того, щоб забезпечити повне розуміння цього винаходу.Однак слід розуміти, що варіанти реалізації винаходу можуть застосовуватись на практиці і без зазначених конкретних деталей.В інших випадках добре відомі конструкції та пристрої показані у вигляді60 блок-схеми, щоб не ускладнювати сприйняття опису винаходу.Опис має таку структуру розділів:Загальна інформаціяОгляд структуриРегресійна апроксимаціяСезонна варіаціяЗастосування в агрономічних моделяхАналіз калібрувальних підходівЛокальне калібруванняХронологічні дані про погодуВибір калібрувального підходуОгляд апаратного забезпеченняПереваги деяких варіантів реалізації винаходуРозширені й альтернативні варіанти реалізаціїЗАГАЛЬНА ІНФОРМАЦІЯАспекти даного винаходу в цілому стосуються комп'ютеризованих методів поліпшення прогнозів погоди.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система запрограмована на отримання вихідних даних ансамблевого прогнозу погоди, що узагальнюються на високому рівні, хронологічних даних ансамблевого прогнозу і хронологічних даних спостережень, які відповідають хронологічним даним ансамблевого прогнозу.Сільськогосподарська інформаційна система визначає ряд хронологічних відмінностей між даними хронологічних ансамблевих прогнозів і хронологічних спостережень.При отриманні сільськогосподарською інформаційною системою запиту на прогнози, модуль вилучення даних визначає ряд кореляцій з вихідних ансамблевих прогнозів.Кореляції та ряд хронологічних відмінностей використовуються для визначення розподілу ймовірності.У сільськогосподарській інформаційній системі аналізуються розподіли ймовірності для побудови нових ансамблів, що скориговані на основі відмінностей і містять прогнози на більш деталізованому рівні.В одному варіанті реалізації винаходу спосіб обробки даних включає: отримання по комп'ютерній мережі та зберігання в базі даних ансамблів множини хронологічних ансамблевих прогнозів погоди, що відповідають одному або кільком рокам прогнозів погоди, причому кожен ізЗо прогнозів містить множину хронологічних елементів ансамблю; отримання по комп'ютерній мережі множини хронологічних метеорологічних спостережень і збереження множини хронологічних метеорологічних спостережень з множиною хронологічних ансамблевих прогнозів погоди; визначення з використанням модуля аналізу даних множини хронологічних різницевих параметрів, які являють собою відмінності між хронологічними ансамблевими прогнозами погоди і відповідними хронологічними метеорологічними спостереженнями; отримання по комп'ютерній мережі множини вихідних ансамблевих прогнозів погоди, що містять множину вихідних елементів ансамблю; визначення з використанням модуля вилучення даних ряду кореляцій з множини вихідних ансамблевих прогнозів погоди і збереження ряду кореляцій в комп'ютерній пам'яті; створення з використанням модуля калібрування розподілу, збереження одного або кількох розподілів з множини вихідних елементів ансамблю та застосування множини хронологічних різницевих параметрів для модифікації одного або кількох розподілів, з метою створення одного або кількох поліпшених розподілів; створення з використанням модуля калібрування реконструкції поліпшених елементів ансамблю з одного або кількох поліпшених розподілів і ряду кореляцій, та створення покращених ансамблевих прогнозів погоди з поліпшених елементів ансамблю.Інші ознаки й аспекти винаходу будуть очевидні з наведених графічних матеріалів, опису і формули винаходу.ОГЛЯД СТРУКТУРИНа Фіг. 1 наведена ілюстративна блок-схема поліпшення прогнозів погоди шляхом подальшої обробки даних з використанням сільськогосподарської інформаційної системи.В одному варіанті реалізації винаходу користувач 102 зв'язаний з пристроєм користувача 104, виконаним з можливістю направлення в сільськогосподарську інформаційну систему 130 запиту 112 про прогноз для місця розташування 114. Сервер хронологічних прогнозів 108, сервер хронологічних спостережень 110 і сервер поточних прогнозів 106 комунікаційно зв'язані із сільськогосподарською інформаційною системою 130, і запрограмовані або сконфігуровані відповідним чином для надання хронологічних ансамблів 118, хронологічних спостережень 120 і вихідних ансамблів 116. Сільськогосподарська інформаційна система 130 запрограмована або виконана з можливістю визначення одного або кількох прогнозів погоди 150 і однієї або кількох агрономічних моделей 160, та спрямування їх у пристрій 104 користувача 102.бо В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 містить модулі поліпшення ансамблю 132, базу даних ансамблів 142, модуль інтерфейсу мобільного пристрою 144, модуль агрономічних моделей 146, прикладний модуль 148 і контролер внесення 170. В одному варіанті реалізації винаходу модулі поліпшення ансамблю 132 містять модуль аналізу даних 134, модуль отримання даних 136, модуль калібрування розподілу 138 і модуль калібрування реконструкції 140. В одному варіанті реалізації винаходу база даних ансамблів 142 містить значення даних, що зберігаються в енергозалежній пам'яті.Кожен з названих вище елементів далі описується в розрізі структури і функціонування в інших розділах.Сільськогосподарська інформаційна система 109 також може містити інші пристрої, компоненти або елементи комп'ютерної системи, такі як: енергозалежна або енергонезалежна пам'ять, енергонезалежне сховище, таке як диск, і пристрої введення/виводу, зображені і описані, наприклад, з посиланням на Фіг. 4.В одному варіанті реалізації винаходу модулі поліпшення ансамблю 132, як правило, запрограмовані або виконані з можливістю трансляції та зберігання значень даних, вилучення значень даних з множини ансамблевих прогнозів погоди, створення і зберігання функцій розподілу, псевдовипадкового вибору значень даних і складання поліпшених метеорологічних ансамблів.Модуль аналізу даних 134 запрограмований або виконаний з можливістю визначення множини різницевих параметрів, що являють собою відмінності між хронологічними ансамблями 118 і хронологічними спостереженнями 120, та збереження відмінностей у базі даних ансамблів 142. Модуль вилучення даних 136 запрограмований або виконаний з можливістю визначення ряду кореляцій для вихідних ансамблів 116 і збереження ряду кореляцій в базі даних ансамблів 142. Модуль калібрування розподілу 138 запрограмований або виконаний з можливістю створення і зберігання одного або кількох розподілів, для одного або кількох наступних днів на основі вихідних ансамблів 116, застосування хронологічних різницевих параметрів для створення одного або кількох поліпшених розподілів і збереження поліпшених розподілів у базі даних ансамблів 142. Модуль калібрування реконструкції 140 запрограмований або виконаний з можливістю створення поліпшених елементів ансамблю з поліпшених розподілів і ряду кореляцій, та об'єднання поліпшених елементів ансамблю в поліпшені ансамблеві прогнози погоди.В одному варіанті реалізації винаходу модуль інтерфейсу мобільного пристрою 144Зо запрограмований або виконаний з можливістю прийому повідомлень від мобільного пристрою, такого як пристрій користувача 104, та відправки йому повідомлень.В одному варіанті реалізації винаходу модуль інтерфейсу мобільного пристрою 144 додатково виконаний з можливістю взаємодії з прикладним сервером, який взаємодіє з програмами, що виконуються на мобільному пристрої.В одному варіанті реалізації винаходу модуль агрономічних моделей 146 запрограмований або виконаний з можливістю виконання розрахунку і зберігання агрономічних факторів із використанням ансамблевих прогнозів погоди.Модуль агрономічних моделей 146 може бути виконаний з можливістю формування попереджень на основі збережених агрономічних показників і відправки попереджень у прикладний модуль 148 або модуль інтерфейсу мобільного пристрою 144 користувача.В одному варіанті реалізації винаходу прикладний модуль 148 додатково виконаний з можливістю прийому даних від модулів поліпшення ансамблів 132, бази даних ансамблів 142 і модуля агрономічних моделей 146, що надають прогнози погоди і агрономічні моделі.Прикладний модуль 148 може бути виконаний з можливістю визначення рекомендованих параметрів сільськогосподарських робіт, таких як тип сільськогосподарського ресурсу, що вводиться, і швидкість внесення сільськогосподарського ресурсу, що вводиться, на основі прогнозів погоди і агрономічних моделей.В одному варіанті реалізації винаходу контролер внесення 170 виконаний з можливістю прийому даних від прикладного модуля 148, який надає рекомендовані параметри сільськогосподарських робіт.Контролер внесення 149 також може бути виконаний з можливістю управління робочим параметром сільськогосподарської машини або обладнання для реалізації рекомендації.Контролер внесення 170 може бути будь-яким з названих пристроїв: привід дозатора насіння, добрив, контролер смуг внесення насіння або добрив, клапан внесення рідини, контролер глибини посадки або регулятор притиску секції обробки рядка посадкової машини.Кожен з модулів поліпшення ансамблю 132, модуль інтерфейсу мобільного пристрою 144 і модуль агрономічних моделей 146 можуть бути реалізовані з використанням однієї або кількох комп'ютерних програм або інших програмних елементів, які завантажуються і виконуються з використанням одного або кількох комп'ютерів загального призначення, логіки, реалізованої у бо вентильній матриці, що програмується користувачем (ЕРБСА) або спеціалізованих інтегральних схемах (АБІС).В одному варіанті реалізації винаходу втілення описаних тут функцій модулів поліпшення ансамблів 132, модуля інтерфейсу мобільного пристрою 144 і модуля агрономічної моделі 146 з використанням однієї або кількох комп'ютерних програм або інших програмних елементів, які завантажуються і виконуються з використанням одного або кількох комп'ютерів загального призначення, приводить до того, що зазначені комп'ютери загального призначення будуть налаштовані як спеціальна машина або комп'ютер, спеціально адаптований для виконання описаних тут функцій.Крім того, кожна з описаних далі блок-схем може служити алгоритмами, планами або вказівками, які можуть використовуватися для програмування комп'ютера або логіки з метою втілення описаних функцій.Сільськогосподарська інформаційна система 130 може здійснювати зв'язок з пристроєм користувача 104, сервером хронологічних прогнозів 108, сервером хронологічних спостережень 110 ї сервером поточних прогнозів 106 по одній або кільком комп'ютерним мережам.Мережа (мережі) може (можуть) бути реалізована (реалізовані) із застосуванням будь-якого середовища або засобу, що забезпечує обмін даними між різними елементами на Фіг. 1. Приклади включають одну або кілька мереж Роса! Агеа Меїмогк (РАМ), глобальних мереж (МАМ) або систем локальних мереж, що використовують наземні, супутникові або бездротові лінії зв'язку.Різні елементи на фіг. 1 можуть також мати прямі (дротові або бездротові) лінії зв'язку.В одному варіанті реалізації винаходу користувач 102 взаємодіє з сільськогосподарською інформаційною системою 130, використовуючи пристрій користувача 104, забезпечений операційною системою і однією або кількома прикладними або мобільними програмами.Пристрій користувача 104 може бути смартфоном, КПК, планшетним комп'ютерним пристроєм, переносним комп'ютером, настільним комп'ютером або робочою станцією або будь-яким іншим обчислювальним пристроєм, здатним передавати й отримувати інформацію, а також виконувати описані тут функції.Пристрій користувача 104 може здійснювати зв'язок через мережу з використанням відповідного способу взаємодії, включаючи програму для користувача, збережену на пристрої користувача 104.Програма для користувача може забезпечувати по мережі серверні функції для одного або кількох пристроїв користувача.В ілюстративному варіанті реалізації винаходу пристрійЗо користувача 104 може звертатися до програми для користувача через веб-клієнт або програмний клієнт.Пристрій користувача 104 може передавати дані одному або кільком інтерфейсним серверам та отримувати від них дані.В ілюстративному варіанті реалізації винаходу дані можуть мати форму запитів та інформації, що вводиться користувачем у пристрій користувача, наприклад, вузькоспеціалізованих даних.У деяких варіантах реалізації винаходу програма для користувача взаємодіє з програмним забезпеченням відстеження на пристрої користувача 104, яке визначає місцерозташування пристрою користувача 104, використовуючи стандартні методи відстеження, такі як мультилатерація радіосигналів, глобальна система позиціонування (СР), МУМіБі-системи визначення місцерозташування, або інші методи мобільного визначення місцерозташування.В одному варіанті реалізації винаходу пристрій користувача 104 відправляє запит прогнозу 112 в сільськогосподарську інформаційну систему 130. В одному варіанті реалізації винаходу запит прогнозу 112 являє собою запит прогнозу погоди.В інших варіантах реалізації винаходу запит прогнозу 112 являє собою запит агрономічної моделі, заснованої на прогнозі погоди.Пристрій користувача 104 може відправляти запит у відповідь на дані, що вводяться користувачем 102. В альтернативному варіанті пристрій користувача 104 може бути виконаний з можливістю відправлення запитів без взаємодії з користувачем, наприклад, через запрограмовані інтервали часу.Пристрій користувача 104 також направляє дані місцерозташування 114 в сільськогосподарську інформаційну систему 130. Пристрій користувача 104 може визначати місцерозташування 114 з використанням програмного забезпечення відстеження, що працює на пристрої користувача 104. В альтернативному варіанті користувач 102 може вводити місцерозташування 114 у вигляді координат, що відповідають одному або кільком полям.В одному варіанті реалізації винаходу місцерозташування 114 є точковим місцерозташуванням, таким як точні координати пристрою користувача 104. В інших варіантах реалізації винаходу місцерозташування 114 є обмеженою областю, такою як одне або кілька полів.Кожен запит, зазначений в даному винаході, може бути реалізований з використанням електронних цифрових даних, що передаються між обчислювальними пристроями з використанням параметризованих ОКІ -адрес за протоколом НТТР або іншим відповідним протоком зв'язку або обміну повідомленнями.В одному варіанті реалізації винаходу сервер хронологічних прогнозів 108 зберігає дані, що бо представляють хронологічні ансамблі 118, в основній пам'яті або запам'ятовуючому пристрої великої ємності. Ансамблі можуть зберігатися в структурах даних у пам'яті, рядках таблиці бази даних, неструктурованих файлах, або електронних таблицях, або в інших формах збережених цифрових даних. Хронологічні ансамблі 118 можуть містити множину елементів ансамблю для кожного дня протягом кількох років. Хронологічні ансамблі 118 можуть містити окремі ансамблеві прогнози погоди для кожного географічного місцерозташування. В альтернативному варіанті кожен ансамблевий прогноз погоди хронологічних ансамблів 118 може містити прогнози для множини місцерозташувань. Хронологічні ансамблі 118 можуть містити дані прогнозів за останні 5 або більше років. Хронологічні ансамблі 118 також можуть бути згруповані по конкретному прогнозу, в якому вони використовувалися. В одному варіанті реалізації винаходу сервер хронологічних спостережень 110 містить хронологічні спостереження 120. Хронологічні спостереження 120 можуть містити температури і величини опадів, що спостерігаються, для дат, які відповідають хронологічним ансамблям 118, в місцях, які відповідають хронологічним ансамблям 118. Величини опадів можуть варіюватися від даних, що підтверджують або заперечують наявність опадів, до значень, що відповідають вимірюванням опадів. В одному варіанті реалізації хронологічні спостереження 120 доступні на більш детальному рівні, ніж хронологічні ансамблі 118. Наприклад, в той час як хронологічний ансамбль може містити прогнози температури для всього округу, хронологічні спостереження можуть бути доступні для кожного міста в окрузі. В одному варіанті реалізації винаходу сервер хронологічних спостережень 110 отримує хронологічні спостереження 120 з множини місць проведення спостережень. У тих випадках, коли спостереження недоступні, сільськогосподарська інформаційна система 130 може інтерполювати метеорологічні значення з використанням даних з місць проведення спостережень. В одному варіанті реалізації винаходу сервер поточних прогнозів 106 містить вихідні ансамблі 116. Вихідні ансамблі 116 можуть містити елементи ансамблю, згруповані у відповідні прогнози погоди. Вихідні ансамблі 116 можуть відповідати майбутнім датам на момент їх отримання сільськогосподарською інформаційною системою 130. В одному варіанті реалізації винаходу вихідні ансамблі 116 і хронологічні ансамблі 118 відправляються з одного й того ж джерела. В альтернативних варіантах реалізації вихідні ансамблі 116 ії хронологічні ансамблі 118 створюються одним і тим же джерелом, але зберігаються і відправляються з окремих Зо серверів. Сільськогосподарська інформаційна система 130 може отримувати хронологічні ансамблі 118, хронологічні спостереження 120 і вихідні ансамблі 116 і зберігати їх в базі даних ансамблів142. Термін "база даних", що тут вживається, може стосуватися сукупності даних, системи керування базами даних (КОВМ5) або обох. У даному описі база даних може містити будь-яку сукупність даних, включаючи ієрархічні бази даних, реляційні бази даних, бази даних з неструктурованими файлами, об'єктно-реляційні бази даних, об'єктно-орієнтовані бази даних і будь-який інший структурований набір записів або даних, що зберігаються в комп'ютерній системі. Приклади КОВМ5 включають, не обмежуючись названим, Огасіе? баїаразе, МУубОЇ, ІВМФ 082, МісгозопПе БОЇ. бегмег, Зуразеф і РозідгебОї. Однак можна використовувати будь- яку базу даних, яка дозволяє здійснювати описані тут системи та способи. РЕГРЕСІЙНА АПРОКСИМАЦІЯ На Фіг. 2 наведено ілюстративний процес поліпшення прогнозів погоди. Для ілюстрації чіткого і ясного прикладу Фіг. 2 описується в контексті системи згідно з Фіг. 1. Проте можливе втілення інших варіантів реалізації винаходу із застосуванням інших видів комп'ютерних систем.Фіг. 2 може являти собою алгоритм програмування функціональних елементів, які були описані вище з посиланням на Фіг. 1. На етапі 202 процес отримує множину хронологічних ансамблевих прогнозів погоди. Кожен із хронологічних ансамблевих прогнозів погоди може містити множину елементів ансамблю. Крім того, кожен з хронологічних ансамблевих прогнозів погоди може містити агреговані значення даних від елементів ансамблю, такі як: середня кількість елементів ансамблю, стандартне відхилення елементів ансамблю для конкретного дня, і прогноз температури, заснований на елементах ансамблю для конкретного дня. В одному варіанті реалізації винаходу хронологічні ансамблеві прогнози погоди складаються на 14 днів вперед. Майбутній час -- це кількість днів між початковою умовою і прогнозом температури. Таким чином, кожен ансамблевий прогноз погоди може містити прогнози на чотирнадцять днів з дати складання прогнозу. На етапі 204 процес отримує множину хронологічних метеорологічних спостережень, які відповідають хронологічним ансамблевим прогнозами погоди. В одному варіанті реалізації хронологічні метеорологічні спостереження можуть походити з кількох джерел. Наприклад, один бо сервер може надавати мінімальну та максимальну температуру, а інший сервер може надавати дані про опади. У деяких прикладах хронологічні метеорологічні спостереження можуть проводитися одним або кількома стаціонарними датчиками (наприклад, датчиками дощу, вітру, температури повітря, вологості повітря, атмосферного тиску, вологості грунту, температури грунту), які можуть містити стаціонарні датчики, розташовані на полі або в місцерозташуванні, що цікавить. У деяких прикладах хронологічні метеорологічні спостереження можуть проводитися одним або кількома розташованими на обладнанні датчиками (наприклад, датчиками температури повітря, вологості повітря, атмосферного тиску, температури грунту, вологості грунту), які можуть включати датчики, підтримувані сільськогосподарською машиною або обладнанням і розташовані таким чином, щоб взаємодіяти з грунтом під час польових робіт (наприклад, посадка, обробка, внесення добрив, збирання врожаю). Стаціонарні датчики і датчики на обладнанні можуть бути комунікативно зв'язані із сільськогосподарською інформаційною системою 130 і можуть бути запрограмовані або виконані з можливістю передачі хронологічних метеорологічних спостережень в сільськогосподарську інформаційну систему. На етапі 206 визначаються хронологічні різницеві параметри. Наприклад, в системі відповідно до Фіг. 17 модуль аналізу даних 134 визначає множину хронологічних різницевих параметрів. В одному варіанті реалізації винаходу хронологічні різницеві параметри є параметрами моделі, які можуть застосовуватися до розподілу даних для виправлення помилок або зсуву. Модуль аналізу даних 134 може визначати хронологічні різницеві параметри для кожного місцерозташування і кожного майбутнього часу, що відповідає цьому місцерозташуванню. Хронологічні різницеві параметри для кожного майбутнього часу можуть бути агреговані з відмінностей для цього майбутнього часу всіх параметрів моделі протягом року, сезону або на певну дату за останні кілька років. Наприклад, хронологічні різницеві параметри можуть бути агреговані з усіх ансамблів у місцерозташуванні з майбутнім часом п'ять днів з дати прогнозування. В альтернативному варіанті різницеві параметри можуть бути агреговані з усіх ансамблів у місцерозташуванні, складених влітку, з майбутнім часом п'ять днів з дати прогнозування. На етапі 208 процес отримує множину вихідних ансамблевих прогнозів погоди. Множина вихідних ансамблевих прогнозів погоди може містити один або кілька наборів вихідних ансамблів, які описують прогнози температури і опадів в різних місцерозташуваннях. Зо На етапі 210 визначають кореляції. Наприклад, компонент вилучення даних 136 на Фіг. 1 визначає ряд кореляцій з вихідних ансамблевих прогнозів погоди. Ряд кореляцій може включати загальне середнє значення вихідних ансамблів, загальне стандартне відхилення вихідних ансамблів, середнє значення для вихідних ансамблів в певному місцерозташуванні і для майбутнього часу, а також стандартне відхилення вихідних ансамблів в певному місці і для майбутнього часу. Ряд кореляцій може також включати ранжування елементів ансамблю на кожен майбутній день. На Фіг. ЗА зображено ілюстративний спосіб визначення ряду кореляцій з вихідних елементів ансамблю. Фіг. ЗА містить ансамблевий графік 301 і таблицю ранжування 302. Ансамблевий графік 301 містить елементи ансамблю 303. Кожен з елементів ансамблю 303 зображений як ряд відрізків з кінцевими точками в кожному з майбутніх днів, для яких складається прогноз. Кінцеві точки кожного відрізка відповідають розрахунковій температурі для цього конкретного майбутнього дня. Таблиця ранжування 302 містить ранги температури 304 для кожного з елементів ансамблю 303 в кожен майбутній день. Наприклад, в перший майбутній день ансамбль 2 містив найвищу температуру серед елементів ансамблю 303. Оскільки ансамбль 2 містить найвищу температуру серед елементів ансамблю 303, йому надається ранг1. Для другого майбутнього дня ансамбль 2 містив найнижчу температуру серед елементів ансамблю 303 і, таким чином, отримав ранг 4. Створюючи і зберігаючи значення рангів для значень температури елементів ансамблю 303, модуль вилучення даних здатний зберігати деякі просторові, часові і багатовимірні кореляції вихідних ансамблів. На етапі 212 створюються і зберігаються розподіли. Наприклад, модуль калібрування розподілу 138 створює один або кілька розподілів з ансамблевих прогнозів погоди. Побудова розподілів може включати вибір каліброваного підходу для значень ансамблю, вибір типу розподілу і підгонку значень ансамблю під розподіл за одним або кількома факторами. Одна або кілька кореляцій, визначених на етапі 210, можуть використовуватися для побудови розподілів. У якості калібрувального підходу може використовуватися неоднорідна регресія. Вона дає єдину оцінку розподілу ймовірності шляхом об'єднання всіх ансамблевих прогнозів і використання отриманих величин з прогнозів, включаючи середнє значення вибірки і стандартне відхилення вибірки, для отримання середнього значення і стандартного відхилення 60 для розподілу.Баєсова модель усереднення, що також може використовуватися для калібрування, моделює розподіл, комбінуючи всі ансамблеві прогнози і доповнюючи параметри функцією, яка дає можливість зсунути елементи ансамблю та збільшити поширення функції за рахунок збільшення невизначеності для кожного елемента ансамблю.Таким чином, при усередненні відповідно до баєсової моделі, до кожного елементу ансамблю додається зміщення і додаткова невизначеність.Це дає можливість системі попередньо зсувати розподіли на основі відомих зміщень і охоплювати додаткові сценарії.Модуль калібрування розподілу 138 може бути запрограмований для реалізації будь-якого такого підходу.В одному варіанті реалізації при програмуванні або конфігурації модуля калібрування розподілу 138 для кожної змінної, такої як температура або опади, вибирають тип розподілу.Можливі типи розподілу включають розподіли Гауса, цензуровані зліва узагальнені розподіли екстремальних значень і розподіли Бернуллі-Гамма.Розподіл Гауса передбачає симетричний розподіл значень навколо середнього значення.У розподілі Гауса ймовірність того, що значення менше середнього значення, дорівнює ймовірності того, що значення перевищує середнє значення.Крім того, розкид значень є однорідним, так що ймовірність того, що значення знаходиться між середнімнін «х, де х - будь-яке число, дорівнює ймовірності того, що значення знаходиться між н-хі ур.Цензурований зліва узагальнений розподіл екстремальних значень -- це розподіл ймовірності, який характеризується різким піком ймовірності при низькому значенні.У міру того,як значення перевищують середнє значення, ймовірність повільно знижується.Узагальнені розподіли екстремальних значень корисні для опису статистичних ситуацій, в яких є верхня чи нижня межа з можливістю екстремальних подій.Узагальнений розподіл екстремальних значень містить важкий хвіст в одному напрямку, який використовується для урахування низької ймовірності екстремальної події, такої як сильна злива з бурею, що виходить за рамки будь-якого історичного прецеденту.Цензурований зліва узагальнений розподіл екстремальних значень являє собою форму узагальненого розподілу екстремальних значень, що має нижню межу.Оскільки розподіл Гауса симетричний, розподіл Гауса з центром на низькому значенні буде містити неможливі події, такі як моделювання негативних опадів.Навпаки, цензурований зліва узагальнений розподіл екстремальних значень може бути визначений з нижньою межею в нулі, щоб більш точно моделювати змінні, такі як опади, які не можуть опускатися нижче нуля.Розподіл Бернуллі-Гамма являє собою комбінацію розподілу Бернуллі і розподілу Гамма.Розподіл Бернуллі - це розподіл ймовірності випадкової величини, яка дорівнює успіху з ймовірністю р і невдачі з ймовірністю 1-р для даної ймовірності р.Розподіл Гамма - це універсальний розподіл, який можна модифікувати, щоб надати йому різні форми.Об'єднуючи розподіл Гамма з розподілом Бернуллі, можна створити розподіл, що має властивості, аналогічні розподілу Гамма, але має кінцеву ймовірність нульового значення.В одному варіанті реалізації винаходу розподіл Гамма перетворено шляхом зведення в ступінь вхідних значень з фіксованим ступенем, таким як дріб 1/3, щоб забезпечити кращу відповідність розподілу для моделювання опадів у вигляді дощу.Значення ансамблю можуть бути апроксимовані в різні розподіли ймовірності з використанням різних методів, включаючи, але не обмежуючись названим, метод максимальної ймовірності і мінімізації безперервного ранжування бальної оцінки ймовірності.Будь-який з цих методів може бути запрограмований в описаних вище функціональних модулях.В одному варіанті реалізації винаходу апроксимація значень ансамблю розподілом ймовірності включає створення параметрів для розподілу, таких як: середнє значення, стандартне відхилення, форма і асиметрія на основі значень ансамблю.Максимальна ймовірність передбачає вибір набору параметрів, який максимізує узгодження типу розподілу з даними, що спостерігаються.Наприклад, розподіл Гауса зазвичай визначається як такий, що містить 68 95 значень в межах одного стандартного відхилення, 95 95 значень в межах двох стандартних відхилень і рівний розкид значень вище і нижче середнього.Використання методу максимальної ймовірності означає створення оцінок середнього значення і стандартного відхилення, так що близько 68 95 значень ансамблів виявляється в межах одного стандартного відхилення від середнього значення і приблизно однакова кількість значень -- вище і нижче середнього значення.Створення ідеальних оцінок не завжди можливе і залежить від вхідних значень.Таким чином, метод максимальної ймовірності апроксимує значення ансамблів розподілом, який з найбільшою ймовірністю буде давати результати ансамблів при вибірці.Безперервне ранжування бальної оцінки ймовірності призначене для оцінки якості моделі прогнозування.Безперервне ранжування бальної оцінки ймовірності за своєю функцією є мірою бо відхилення прогнозу від реальності.В одному варіанті реалізації винаходу метод моделювання мінімізує безперервне ранжування бальної оцінки ймовірності з використанням ансамблів.Наприклад, можна створити ряд розподілів Гауса з різними середніми значеннями і стандартними відхиленнями для опису ряду елементів ансамблю.Елементи ансамблю в цьому випадку розглядаються як спостереження.Кожний розподіл Гауса отримує безперервне ранжування бальної оцінки ймовірності на основі елементів ансамблю.Вибирають розподіл,який отримує найменший середній бал по всьому випробуваному набору даних (де низькі бали вказують на меншу відстань між розподілом і спостереженнями).В різних варіантах реалізації винаходу використовуються різні комбінації калібрувальних підходів, типів розподілів й апроксимаційних моделей.Наприклад, один підхід для прогнозування температури може включати використання моделі неоднорідної регресії з використанням розподілу Гауса, приведеного у відповідність шляхом мінімізації безперервного ранжування бальної оцінки ймовірності, а інший підхід може включати використання моделі неоднорідної регресії з використанням узагальненого розподілу екстремальних значень, приведеного у відповідність методом максимальної ймовірності.В іншому прикладі, одним з підходів для оцінки опадів є використання баєсової моделі усереднення з розподілом Бернуллі- Гамма, приведеним у відповідність за допомогою максимальної ймовірності, в той час як інший підхід полягає у використанні неоднорідної регресії з цензурованим зліва узагальненим розподілом екстремальних значень, приведеним у відповідність шляхом мінімізації безперервного ранжування бальної оцінки ймовірності.В одному варіанті реалізації модуль калібрування розподілу 138 може поліпшити розподіл з використанням хронологічних відмінностей.Хронологічні відмінності можуть включати відмінності для місцерозташування, майбутніх днів і пори року.Наприклад, хронологічні відмінності можуть показати, що ансамблі в певному місцерозташуванні мають тенденцію до зміщення вправо на З "С в Таунсвілі.Модуль калібрування розподілу 138 може коригувати розподіл, зсуваючи його вліво на З "С.В деяких варіантах реалізації спостереження, доступні на більш деталізованому рівні, можуть використовуватися для коригування більш узагальнених ансамблевих прогнозів погоди.Наприклад, ансамблеві прогнози погоди можуть містити єдиний прогноз для всього округу, а спостереження доступні для різних міст округу.Якщо тенденція така, що в місті АЗо спостерігаються нижчі температури, ніж прогнозуються, а в місті В - більш високі, модуль калібрування розподілу 138 може врахувати ці відмінності при створенні розподілів для кожного міста, наприклад, шляхом зниження прогнозного значення температури для міста А на величину, яка відповідає середній різниці між прогнозними і фактичними значеннями температур в місті А.Крім того, сільськогосподарська інформаційна система 130 може інтерполювати температури для точно визначених місцерозташувань, в яких спостереження недоступні.Модуль калібрування розподілу 138 може використовувати хронологічні відмінності між інтерпольованими температурами та хронологічними ансамблевими прогнозами погоди для кожного місцерозташування з метою створення поліпшених розподілів у точно визначених місцерозташуваннях.На етапі 214 створюються і зберігаються цифрові дані, що являють собою поліпшені прогнози.Наприклад, модуль калібрування реконструкції 140 (Фіг. 1) створює поліпшені ансамблеві прогнози погоди на основі одного або кількох розподілів.Для створення нових елементів ансамблю модуль калібрування реконструкції може використовувати методи псевдовипадкової вибірки для отримання значень із розподілів ймовірності.Методи псевдовипадкової вибірки можуть включати випадковий вибір числа зі зваженої множини чисел, які відповідають розподілу ймовірності.Наприклад, якщо розподіл Гауса має середнє значення 10 "С ї стандартне відхилення 1 "С, то значення між 9 "С і 11 "С будуть зважені більш сильно, ніж значення нижче 9 "С і вище 11 760.В одному варіанті реалізації винаходу вибірка в моделях усереднення за баєсовою моделлю може здійснюватися за допомогою вибору змінної з рівномірного розподілу між 0 і 1, щоб вибрати конкретний елемент ансамблю з відповідною ймовірністю.В одному варіанті реалізації винаходу ймовірність вибору будь-якого елементу ансамблю дорівнює ймовірності вибору будь-якого іншого елемента ансамблю.Потім виконується вибірка функції розподілу для отримання конкретного елемента ансамблю.Процес може повторюватися для всіх елементів ансамблю і всіх змінних, що створюються одним ансамблевим прогнозом.В альтернативному варіанті методи збереження сценаріїв можуть бути застосовані до моделей усереднення за баєсовою моделлю.Методи збереження сценаріїв можуть включати тільки вибір одного елемента ансамблю один раз для метеорологічного сценарію і вибірку всіх змінних для цього одного елемента ансамблю.У той час як отримані вибірки можуть мати такий самий розподіл,60 як отримані за допомогою методів, відмінних від методів збереження сценаріїв, кореляції між різними змінними в різних місцерозташуваннях, для різних значень майбутнього часу і початковим прогнозом зберігаються. Наприклад, замість того, щоб окремо створювати вибірки для максимальної температури і мінімальної температури, метод збереження сценаріїв передбачає вибірку максимальної температури і мінімальної температури для першого ансамблю, а потім - максимальної і мінімальної температури для другого ансамблю. Після вибірки температур з розподілів створюють поліпшені елементи ансамблю з вибірки температур і однієї або кількох кореляцій, визначених на етапі 210. На Фіг. ЗВ зображено спосіб побудови поліпшених елементів ансамблю з одного або кількох розподілів. Фіг. ЗВ ілюструє розподіли 305, псевдовипадково вибрані температури 306, нові ансамблі 307 і апроксимовані температури 308. В одному варіанті реалізації винаходу, зображеному на Фіг. ЗВ, розподіли 305 є розподілами Гауса. Кожний з розподілів 305 відповідає прогнозним значенням температури для конкретного майбутнього дня і має середнє значення і стандартне відхилення, визначені на етапі 212. Псевдовипадково обрані температури 306 представляють собою температури, отримані шляхом вибірки з розподілів 305. Наприклад, розподіл для дня 1 має середнє значення З "С і стандартне відхилення 2,1 "С. Відповідні значення вибірки температури, ранжування в порядку зменшення: 6 "С, 5 "С, 4 "С і 2 "С. Хоча значення вибірки температури наФіг. ЗВ показані як цілі числа, в різних варіантах реалізації винаходу значення вибірки температури можуть містити будь-яку кількість значущих цифр. Нові елементи ансамблю 307 побудовані з псевдовипадково обраних температур 306. Псевдовипадково обрані температури використовуються для отримання апроксимованих температур 308 з використанням рангів температур 304. Наприклад, ансамбль 2 містить найвищу температуру на Фіг. ЗА для першого майбутнього дня. Оскільки ансамбль 2 містить найвищу температуру для першого майбутнього дня в початкових ансамблях, ансамблю 2 наФіг. ЗВ призначається перша температура для апроксимованих температур 308 6 "С, найбільше значення псевдовипадково обраних температур 306 для першого майбутнього дня. Оскільки ансамбль 2 містить найнижчу температуру на Фіг. ЗА для другого майбутнього дня, ансамблю 2 призначається друга температура для апроксимованих температур 308-6"С, найменше значення псевдовипадково обраних температур 306 для другого майбутнього дня. На Фіг. ЗС проілюстрований приклад поліпшених ансамблів. Нові елементи ансамблю 307 містять значення, витягнуті з розподілів 305, й апроксимовані відповідно до елементів ансамблю з використанням рангів температури 304. Представлені на графіку елементи ансамблю 308 являють собою нові елементи ансамблю 307, зображені на лінійному графіку. Як і в разі ансамблевого графіка 301, зображені на графіку елементи ансамблю 308 містять кінцеві точки, що відповідають певній температурі в певний майбутній день. Спосіб, проілюстрований на Фіг. ЗА, ЗВ і ЗС, забезпечує збереження кореляцій вихідних ансамблів. Наприклад, зображені на графіку елементи ансамблю 308 містять лінії, аналогічні за формою елементів ансамблю 303 ансамблевого графіку 301. Крім того, на відміну від сучасних підходів, спосіб також дозволяє створювати окремі ансамблі при поліпшенні прогнозів погоди. Зберігаючи фактичні ансамблі, сільськогосподарська інформаційна система може постійно вдосконалювати метод, вводити самі ансамблі в агрономічні моделі для отримання більш якісних оцінок і створювати велику кількість ансамблів, щоб визначати ризики рідкісних подій. СЕЗОННА ВАРІАЦІЯ В одному варіанті реалізації винаходу побудова одного або кількох розподілів передбачає включення сезонно-залежної функції Додаючи залежні від сезону елементи, сільськогосподарська інформаційна система 130 може створювати більш точні калібрувальні підходи, які враховують сезонну залежність від різницевих параметрів. Наприклад, якщо температура в певній області коливається більше влітку, ніж взимку, то нормальний розподіл, що враховує погоду протягом останніх п'яти років, не зможе відобразити збільшені коливання температури влітку. В одному варіанті реалізації винаходу нормальний розподіл створюють як функцію середнього значення (|) і стандартного відхилення (б) таким чином: у М (но) нн Ви Хи др рЕХе де В відповідає спостережуваним ансамблям, а Х - матриці плану, яка включає сезонно- залежні елементи. Матриці плану Ху і Хо можна визначити так:1 еп теап(ї) ут т епе 5Ід(Е) м- со5(2лі/Т) «7 | со(оті/Т) | віп(але/Т) зіп(алі/Т) со5(4Алі/Т) зіп(4лі/Т)і де еп5 теап -- середнє значення всіх ансамблів в початкових прогнозах, а еп5 514 -- стандартне відхилення всіх ансамблів в початкових прогнозах.Елементи со5 і віп є гармонічними елементами, які впливають на розподіл залежно від сезону.У наведеному вище рівнянні Т відповідає 1 року, а Її - фактичному часу, якому відповідає прогноз.Таким чином, протягом одного сезону на середнє значення і стандартне відхилення розподілу впливають хронологічні спостереження, середнє значення вихідних ансамблів і корегувальний коефіцієнт, який є частиною одного з гармонічних елементів.Аналогічне рівняння можна використовувати для моделювання опадів із сезонною залежністю.В одному варіанті реалізації винаходу цензурований зліва узагальнений розподіл екстремальних значень створюється як функція середнього значення (р), стандартного відхилення (0) і параметра форми (є) таким чином:у -1.С-СБУ (й, в, Є)и -т- ол і и т - ВяХт в - Ви Хе г- -0277 6-51т1ве 75 де т - середнє значення ансамблю, а Г- гамма-функція.В знову відповідає спостережуваним ансамблям, а Х - матриці плану з сезонно-залежними елементами.Матриці плану Ху і Хо можна визначити так:1 1 еп теап ЧЕ еп5 театп(ї)ХЕ - Хі - | еп поплего Ігас(г)со5(2лі/Т) Ше іп(олеут) со5(2лі/Т) віп зіп(2лі/Т)і де еп5 поплего їас - частка вихідних ненульових прогнозів, а еп5 теап ай - середнє абсолютне значення, відмінне від ансамблю вихідних прогнозів.В одному варіанті реалізації винаходу використання гармонічних поправок, основаних на сезонній залежності, стає можливим завдяки включенню хронологічних даних двох або більше років в матрицю спостереження (р). Багато методів регресійного наближення щодо ансамблів прогнозів включають використання ансамблів за останні ЗО днів для внесення поправок вКо) поточні ансамблі.Завдяки включенню вимірювань за два або більше років, сільськогосподарська інформаційна система 130 може враховувати зміщення і помилки, які залежать від сезонних коливань.Якщо говорити з функціональної точки зору, в той час як 30- денна модель може вносити правки для ансамблів максимальної температури, що виявилася високою протягом останніх 30 днів, або завищення опадів за останні 30 днів, сезонна модель може коригувати ансамблі максимальної температури або опадів, що постійно виявляються високими в певну пору року протягом останніх двох або більше років.ЛОКАЛЬНЕ КАЛІБРУВАННЯВ одному варіанті реалізації винаходу описані тут способи калібрування локально адаптовані до сіток, нанесених на велику площу.В одному варіанті реалізації винаходу сітки являють собою фізичні області, які охоплюють простір 2,5 х 2,5 милі (4 х 4 км). Методи калібрування можуть виконуватися незалежно для кожної сітки.У деяких варіантах реалізації винаходу сільськогосподарська інформаційна система 130 оцінює методи калібрування для кожного місцерозташування і використовує найбільш точний метод для конкретного місцерозташування при формуванні агрономічних моделей і складанні доступних для широкого загалу прогнозів для конкретного місцерозташування.Наприклад, сільськогосподарська інформаційна система може використовувати усереднення за баєсовою моделлю з використанням розподілу Бернуллі-Гамма для прогнозування температур в Спрингфілді і неоднорідну лінійну регресію з використанням розподілу Гауса для прогнозування температур в Квахозі.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 отримує запит прогнозу 112 поряд з місцерозташуванням 114 від пристрою користувача 104. У відповідь сільськогосподарська інформаційна система може створювати поліпшені прогнози для однієї або кількох сіток, що містять місцерозташування 114. Потім сільськогосподарська інформаційна система 130 може відправляти поліпшені прогнози 150 або агрономічні моделі 160 в пристрій користувача 104.В деяких варіантах реалізації винаходу сільськогосподарська інформаційна система 130 може інтерполювати хронологічні спостереження 120 для місцерозташування 114. Наприклад, якщо місцерозташування 114 міститься в одній або кількох сітках, існуючих між місцями проведення спостережень, сільськогосподарська інформаційна система 130 може використовувати стандартні методи інтерполяції для оцінки спостережень для сіток, які містять місцерозташування 114. Потім сільськогосподарська інформаційна система 130 може використовувати при створенні поліпшених ансамблів з вихідних ансамблів інтерпольовані спостереження замість хронологічних спостережень 120. В одному варіанті реалізації винаходу вихідні ансамблі 116 містять узагальнені ансамблі, які охоплюють всі місцерозташування в межах певного масиву суші.В альтернативному варіанті, якщо вихідні ансамблі 116 містять проміжки, ансамблі також можуть бути інтерпольовані для областей, не охоплених вихідними ансамблями 116, аналогічно хронологічним спостереженням 120.ЗАСТОСУВАННЯ В АГРОНОМІЧНИХ МОДЕЛЯХВ одному варіанті реалізації винаходу модуль агрономічних моделей 146 використовує покращені ансамблі для створення агрономічних моделей.В одному варіанті реалізації винаходу агрономічна модель являє собою структуру даних в пам'яті сільськогосподарської інформаційної системи 130, яка містить інформацію про місцерозташування і культуру для одного або кількох полів.Агрономічна модель може також містити агрономічні фактори, що описують умови, які можуть вплинути на ріст однієї або кількох культур на полі.Крім того, агрономічна модель може містити рекомендації, засновані на агрономічних факторах, таких якЗо рекомендації щодо культури, поливу, посадки та збору врожаю.Агрономічні фактори також можуть використовуватися для оцінки одного або кількох результатів, що відносяться до культури, таких як агрономічний вихід.Агрономічний вихід культури являє собою оцінку кількості вирощеної культури або, в деяких випадках, доходів або прибутку, отриманих від зібраного врожаю.Теплова напруга описує вплив високих температур на потенційну врожайність культури.Кожна культура має власний поріг теплового стресу, який визначає максимальну температуру, після перевищення якої спостерігається негативний вплив на можливий урожай культури.Крім того, тепловий стрес справляє більш сильний негативний вплив на певних стадіях росту культури.Модуль агрономічних моделей 146 може використовувати поліпшені прогнози для певного місцерозташування і типу культури для оцінки впливу як денного, так і нічного теплового стресу на рослини в процесі їх росту.Модуль агрономічних моделей 146 може використовувати ці оцінки для створення рекомендацій щодо вибору типу культури й ідеального для неї дня посіву/посадки.Крім того, модуль агрономічних моделей 146 може використовувати оцінки впливу теплового стресу на культуру, щоб оцінити потенційний агрономічний урожай культури або отримати оцінку ризику, пов'язаного із сівбою/посадкою культури.Градусо-дні росту -- це показник накопичення тепла протягом дня.Градусо-день росту -- показник внеску тепла в певний день у ріст культури.Градусо-день росту розраховують шляхом віднімання базової температури з середнього значення максимальної температури і мінімальної температури протягом дня.Базова температура варіюється для різних типів культур і являє собою температуру, нижче якої не відбувається ріст культури.Модуль агрономічних моделей 146 може використовувати поліпшені прогнози в певному місцерозташуванні для визначення градусо-днів росту для конкретної культури протягом усього терміну її росту.Завдяки визначенню градусо-днів росту модуль агрономічних моделей 146 може оцінити оптимальні дні для сівби/посадки культури, час, потрібний для дозрівання врожаю, і оптимальні дні початку збору врожаю.Модуль агрономічних моделей 146 може також розраховувати чистий дохід від конкретної культури на основі часу її росту в певному місцерозташуванні.Крім того, модуль агрономічних моделей 146 може формувати попередження при наближенні завершення циклу росту культури.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 бо використовує поліпшені прогнози для створення агрономічної моделі в пам'яті або пристрої постійного зберігання даних у відповідь на отриманий від пристрою користувача 104 запит агрономічної моделі.В інших варіантах сільськогосподарська інформаційна система 130 отримує запит агрономічної моделі від третьої сторони.Наприклад, страхова компанія може запитати агрономічну модель для поля застрахованого клієнта з метою визначення ризиків, пов'язаних з культурою, що посіяна/висаджена клієнтом.В іншому прикладі прикладний сервер може відправити запит в сільськогосподарську інформаційну систему 130 для створення агрономічної моделі для конкретного поля користувача.В альтернативному варіанті сільськогосподарська інформаційна система 130 може періодично створювати агрономічні моделі.Сільськогосподарська інформаційна система 130 може також створювати агрономічні моделі у відповідь на отримання оновлених метеорологічних спостережень або у відповідь на складання оновлених поліпшених прогнозів.Крім того, прогнози опадів можуть враховуватися в агрономічних моделях 160 модулем агрономічних моделей 146. Кількість води, яку отримує культура, може вплинути на цикл її росту.Модуль агрономічних моделей 146 може оцінити кількість води, необхідної для культури,і визначити ймовірний обсяг води, яку отримає культура за рахунок опадів.Модуль агрономічних моделей 146 може використовувати цю інформацію для коригування оцінки агрономічного виходу.Крім того, модуль агрономічних моделей 146 може використовувати прогнози опадів для складання рекомендацій для фермерів.Наприклад, модуль агрономічних моделей 146 може рекомендувати не поливати культуру в день з високою ймовірністю великої кількості опадів.В альтернативному варіанті модуль агрономічних моделей 146 може рекомендувати внесення додаткової кількості води, якщо в близькому майбутньому ймовірність опадів надзвичайно низька.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 відправляє агрономічні моделі 160 в пристрій користувача 104. В інших варіантах реалізації винаходу сільськогосподарська інформаційна система 130 складає рекомендації з використанням агрономічних моделей 160 і відправляє їх у пристрій користувача 104. У деяких варіантах реалізації винаходу кліматологічна обчислювальна система може формувати попередження на основі інформації в агрономічних моделях 160. Наприклад, сільськогосподарська інформаційна система 130 може генерувати попередження для відправкиЗо в пристрій користувача 102 при визначенні наближення терміну завершення росту конкретної культури на основі оцінки кількості градусо-днів росту з моменту сівби/посадки культури.Сільськогосподарська інформаційна система 130 може також зберігати в пам'яті агрономічні моделі 160. Збережені агрономічні моделі згодом можуть використовуватися для поліпшення методів, використовуваних модулем агрономічних моделей 146, або для оцінки різних методів моделювання.В одному варіанті реалізації винаходу прогнози погоди 150 і агрономічні моделі 160 направляються в прикладний модуль 148. Прикладний модуль 148 може використовувати значення даних прогнозів погоди 150 і агрономічних моделей 160 для створення параметрів внесення для контролера внесення 170. Наприклад, прогнози погоди 150 можуть вказувати на відсутність очікуваних опадів, а агрономічні моделі 160 можуть вказувати рекомендовану кількість води для конкретної культури.Прикладний модуль 148 може використовувати дані опадів і води для поливання культури шляхом створення параметрів для клапана внесення рідини, які змушують клапан внесення рідини збільшувати кількість води, що вноситься на поле конкретної культури.Прикладний модуль 148 може відправляти параметри внесення контролеру внесення 170. Контролер внесення 170 може потім реалізувати параметри внесення, такі як збільшення кількості води, що вноситься на поле конкретної культури.АНАЛІЗ КАЛІБРУВАЛЬНИХ ПІДХОДІВВ одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 може отримувати спостереження, що відповідають поліпшеним ансамблям, створеним сільськогосподарською інформаційною системою 130. Сільськогосподарська інформаційна система 130 може використовувати спостереження для оцінки різних систем моделювання, що використовуються модулем калібрування розподілу 138 для складання поліпшених прогнозів погоди.Грунтуючись на оцінках (рангах) різних систем моделювання, сільськогосподарська інформаційна система 130 може змінити методи моделювання або оновити їх.В одному варіанті реалізації винаходу модуль калібрування розподілу 138 може спочатку використовувати кілька комбінацій методів калібрування, типів розподілів і методів апроксимації моделі для створення поліпшених ансамблів.Після отримання спостережень, які відповідають поліпшеним ансамблям, сільськогосподарська інформаційна система 130 може вибрати модель в якості основи для прогнозів погоди.Наприклад, сільськогосподарська інформаційна система бо 130 може визначити, що усереднення за баєсовою моделлю з використанням розподілуБернуллі-Гамма, апроксимованого з використанням максимальної ймовірності, показало кращі результати або більш високу точність прогнозу за останній місяць, ніж інші калібрувальні підходи.У відповідь на це сільськогосподарська інформаційна система 130 може використовувати усереднення за баєсовою моделлю з використанням розподілу Бернуллі-Гамма, апроксимованого з використанням максимальної ймовірності, для управління агрономічними моделями і складання прогнозів.В одному варіанті реалізації винаходу модуль калібрування розподілу 138 може продовжувати використовувати множину комбінацій методів калібрування, типів розподілів і апроксимацій моделі.Якщо один з інших калібрувальних підходів починає демонструвати кращі результати, ніж обрана модель, сільськогосподарська інформаційна система 130 може змінити калібрувальні підходи, що застосовуються для управління агрономічними моделями і складання прогнозів.У додаткових варіантах реалізації винаходу модуль калібрування розподілу 138 може припинити використовувати конкретний метод, якщо він послідовно демонструє гірші результати протягом певного періоду часу.В одному варіанті реалізації винаходу калібровані прогнози погоди можуть використовуватися для постійного оновлення методів моделювання для калібрування прогнозів погоди.Наприклад, сільськогосподарська інформаційна система 130 може визначити, що калібровані прогнози з використанням одного методу постійно виявляються заниженими протягом певного сезону року.Сільськогосподарська інформаційна система 130 може змінити сезонний корегувальний коефіцієнт, який використовується для цього методу, залишивши незмінним сезонний корегувальний коефіцієнт для інших методів.В іншому прикладі, якщо сільськогосподарська інформаційна система 130 визначає, що недавні результати одного з методів моделювання містять зміщення, сільськогосподарська інформаційна система 130 може змінити методи побудови розподілу для коригування середнього значення відповідно до спостережуваного зміщення.В одному варіанті здійснення винаходу сільськогосподарська інформаційна система 130 використовує калібровані прогнози в якості хронологічних ансамблів при створенні нових каліброваних прогнозів.Повторне використання каліброваних прогнозів стає можливим завдяки збереженню елементів ансамблю, як показано на фіг.ЗА, Фіг.ЗВ і Фіг.З3С.В одному варіанті здійснення винаходу сільськогосподарська інформаційна система 130 порівнює результатиЗо поліпшення вихідних ансамблів з використанням хронологічних ансамблів, отриманих із зовнішнього джерела, з результатами поліпшення вихідних ансамблів з використанням поліпшених каліброваних прогнозів.Сільськогосподарська інформаційна система 130 може вибрати використання методу, який забезпечує найкращі результати, для управління агрономічними моделями і складання прогнозів.АГРЕГАЦІЯ ДАНИХОписана вище методика для створення поліпшених елементів ансамблю, яку можна назвати в даному описі ансамблевою зв'язкою, створює поліпшені елементи ансамблю, які відповідають вихідним елементам ансамблю.Таким чином, якщо вихідний ансамбль містить 100 елементів ансамблів, використання ансамблевої зв'язки дасть 100 поліпшених елементів ансамблю.В одному варіанті реалізації винаходу кожний розподіл використовується для створення більшої кількості елементів ансамблю, ніж у вихідному ансамблі.Наприклад, якщо вихідний ансамблевий прогноз погоди містив 100 елементів ансамблю, покращений ансамблевий прогноз погоди може містити 10 000 елементів ансамблю.Сільськогосподарська інформаційна система 130 може створювати додаткові елементи ансамблю для кожного методу моделювання шляхом безперервної вибірки однакових розподілів.Кожен раз, коли сільськогосподарська інформаційна система 130 здійснює вибірку однакових розподілів, створюються нові ансамблі з використанням описаного вище методу ранжування.Наприклад, якщо вихідний ансамбль містив 100 ансамблів, перша вибірка створює 100 відповідних ансамблів, а друга вибірка -- ще100 відповідних елементів ансамблю.Створюючи велику кількість елементів ансамблю, сільськогосподарська інформаційна система 130 може складати більш точні прогнози ризику рідкісних подій.Наприклад, посуха є рідкісною подією, яка може сильно вплинути на фермера.Якщо існує 5 Уо-вий ризик посухи протягом певного періоду часу, цей ризик може бути неточно відображений в 100 елементах ансамблю.Якщо З з 100 ансамблів вказують на посуху, то передбачуваний ризик посухи буде розрахований як 6 95, а якщо 2 з 100 ансамблів вказують на посуху, оцінка ризику посухи впаде до 4 95. Якщо істинний ризик посухи становить 5 95, цілюом можливо, що обрані ансамблі можуть взагалі не вказувати на посуху.Дійсно, ймовірність того, що жоден з ансамблів не вказуватиме на посуху, становить близько 7 95. На відміну від цього, в разі використання 10 000 ансамблів,бо ймовірність того, що жоден з ансамблів не вказуватиме на посуху, знижується до 0 95 (або приблизно 10-114). В одному варіанті реалізації винаходу ризик рідкісних подій використовується модулем агрономічних моделей 146 для коригування оцінок, створених модулем агрономічних моделей146. Наприклад, якщо обрана модель оцінює ризик посухи в 5 95, модуль агрономічних моделей 146 може врахувати 5 95-вий ризик посухи в оцінці агрономічного виходу для цього року. ХРОНОЛОГІЧНІ ДАНІ ПРО ПОГОДУ В одному варіанті реалізації винаходу описані тут методи калібрування можуть використовуватися для коригування моделювання погоди минулого. Сільськогосподарська інформаційна система 130 може звертатися до минулих метеорологічних ансамблів, отриманих із зовнішнього джерела, або тих, що зберігаються в базі даних ансамблів 142. Потім сільськогосподарська інформаційна система 130 може застосувати ті ж методи, які обговорювалися вище, до минулих ансамблів. При застосуванні розглянутих вище методів калібрування сільськогосподарська інформаційна система 130 може використовувати більш нові спостереження, ніж минулі ансамблі. Наприклад, кліматологічна комп'ютерна система 130 може коригувати моделювання опадів 30 років тому з використанням спостережень за останні п'ять років. Крім того, сільськогосподарська інформаційна система 130 може коригувати моделювання минулої погоди в точно визначених місцях розташування. Наприклад, система, що моделює погоду в минулому, може виконувати моделювання у великих масштабах, наприклад, для ділянки 25х25 миль (40х40 км). Якщо посередині ділянки 25х25 миль (40х40 км) є пагорб, система може пропустити аномалії погоди в цьому місці розташування. Навпаки, сільськогосподарська інформаційна система 130 може бути виконана з можливістю застосування методів калібрування в надзвичайно локалізованих місцерозташуваннях. Таким чином, хронологічні спостереження, використовувані сільськогосподарською інформаційною системою 130, можуть містити локалізовані варіації, наприклад, спричинені пагорбами. Сільськогосподарська інформаційна система 130 також може використовувати описані тут методи для створення і корегування моделей в областях, де немає великої кількості місць здійснення спостережень. Великомасштабні чисельні моделі можуть бути корисні для пунктів з невеликою кількістю місць здійснення спостережень. Ці чисельні моделі надалі можуть бути Зо скориговані з використанням спостережень в інших місцерозташуваннях для отримання більш точних оцінок для областей без розташованих поруч з ними місць проведення спостережень. ВИБІР КАЛІБРУВАЛЬНОГО ПІДХОДУ В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 містить логіку визначення калібрувального підходу для вибору калібрувального підходу. Реалізація логіки визначення калібрувального підходу може грунтуватися, принаймні частково, на рангах, присвоєних кожному калібруванню на основі точності кожної змінної погоди. Сільськогосподарський інформаційно-обчислювальний підхід може створювати оцінки (ранги), засновані на спостереженнях, які відповідають поліпшеним ансамблевим прогнозами погоди, які створені модулями поліпшення ансамблів 132 і зберігаються в базі даних ансамблів 142. Оцінки точності можуть містити середню абсолютну похибку калібрувального підходу і його зміщення. В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька оцінок точності для кожного місця розташування. Сільськогосподарська інформаційна система 130 може вибрати калібрувальний підхід для кожного місця розташування на основі точності калібрувальних підходів для цього місцерозташування. Для будь-якого конкретного ансамблевого прогнозу погоди сільськогосподарська інформаційна система 130 може використовувати кілька калібрувальних підходів залежно від місцерозташування. В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 застосовує заснований на місцерозташуванні підхід до вибору на деталізованих рівнях, так що ансамблевий прогноз погоди, який охоплює більшу площу, може мати різні калібрувальні підходи, що застосовуються до різних його частин. В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька оцінок точності для різних значень майбутнього часу. Наприклад, один метод може давати більш точні результати для майбутнього часу п'ять днів, в той час як інший метод може давати більш точні результати для майбутнього часу 10 днів. В одному варіанті реалізації винаходу прогноз на десять днів може включати в себе результати першого методу для перших п'яти днів і результати другого методу для других п'яти днів. В альтернативному варіанті п'ятиденний прогноз може містити результати першого методу, а прогноз на десять днів може містити результати другого методу. В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька бо оцінок точності для різної пори року. Залежно від пори року сільськогосподарська інформаційна система 130 може використовувати інший калібрувальний підхід, заснований на найбільш точному підході для цієї пори року.Наприклад, розподіл Гауса може більш точно прогнозувати температури восени, коли спостерігається більше змін температури, а узагальнений розподіл екстремальних значень може більш точно прогнозувати температури влітку, коли температури являють собою більш сильно зважені високі значення з кількома аномаліями у вигляді менших значень.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 може використовувати розподіл Гауса для осені та узагальнений розподіл екстремальних значень для літа.В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька оцінок точності для кожної змінної і для кожного агрономічного фактору, створеного модулем агрономічних моделей 146. Оцінки точності можуть застосовуватися для кожного калібрувального підходу для прогнозу температури і для кожного калібрувального підходу для прогнозу опадів.Крім того, для кожного калібрувального підходу можуть застосовуватися оцінки точності, засновані на точності прогнозів градусо-днів росту, теплового стресу, тривалості сезону росту і агрономічного виходу, основаних на калібрувальному підході.Наприклад, один калібрувальний підхід може бути найбільш точним при прогнозуванні градусо-днів росту, другий - для агрономічного виходу, а третя модель може бути найбільш точною при прогнозуванні максимальних температур.В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 130 може використовувати всі три калібрувальних підходи незалежно один від одного для прогнозування градусо-днів росту, агрономічного виходу і максимальних температур.В альтернативних варіантах реалізації винаходу сільськогосподарська інформаційна система 130 може визначати одну або кілька важливих змінних і використовувати калібрувальний підхід, який є найбільш точним при прогнозуванні однієї або кількох важливих змінних, для всіх змінних з вихідних ансамблів.Сільськогосподарська інформаційна система може визначати оцінки точності агрономічних факторів шляхом повторної оцінки агрономічних факторів після отримання спостережень метеорологічних змінних або шляхом отримання введених одним або кількома користувачами даних, які вказують результат, наприклад, введені дані, що визначають фактичний агрономічний вихід культури, фактичний агрономічний вихід одного з множини типів культур або посівів наЗо полі, або фактичний агрономічний вихід культури на полі або в його частині.Отримувані введені дані можуть вводитись користувачем або визначатися на основі даних, переданих сільськогосподарській інформаційній системі.В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька оцінок точності для здатності прогнозувати рідкісні події при агрегуванні.Наприклад, при виникненні посухи сільськогосподарська інформаційна система 130 може зберегти цю інформацію в базі даних ансамблів 142 разом з іншими випадками рідкісних подій.Сільськогосподарська інформаційна система 130 може порівнювати випадки рідкісних подій з відповідними ансамблями для цих періодів часу, щоб визначити, які методи краще прогнозують рідкісну подію.В одному варіанті реалізації винаходу методи також оцінюються на основі прогнозів рідкісних подій, коли рідкісні події не відбуваються.Наприклад, якщо метод послідовно дає оцінки високого ризику рідкісних подій, факт того, що метод часто помиляється, береться до уваги поряд з тим фактом, що метод надав найвищу ймовірність конкретної рідкісної події, коли ця рідкісна подія відбулася.В одному варіанті реалізації винаходу кожен калібрувальний підхід отримує одну чи кілька оцінок точності для комбінації двох або більше описаних вище параметрів.Наприклад, кожен калібрувальний підхід може отримувати оцінку для кожного місцерозташування в будь-який час року.В іншому прикладі кожен калібрувальний підхід може отримувати оцінку для кожного майбутнього часу, кожної змінної і кожного агрономічного фактору, заснованого на кожній змінній.Сільськогосподарська інформаційна система 130 може бути виконана з можливістю переходу від одного методу до іншого в залежності від місцерозташування, майбутнього часу, пори року та змінних прогнозування.В одному варіанті реалізації винаходу модуль агрономічних моделей 146 використовує різні методи моделювання для створення агрономічних моделей.Наприклад, модуль агрономічних моделей 146 може використовувати результати методу прогнозу максимальної та мінімальної температур, який має найвищу точність оцінки при оцінці температури.Якщо інша модель має більш високу оцінку точності при оцінці ризику рідкісних подій, модуль агрономічних моделей 146 може використовувати іншу модель для врахування ризику рідкісних подій.В альтернативному варіанті модуль агрономічних моделей 146 може бути виконаний з можливістю використання однієї моделі для ризиків рідкісних подій, пов'язаних з температурою,бо і прогнозів максимальної і мінімальної температур, для підтримки узгодженості результатів.ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯЗгідно з одним варіантом реалізації винаходу описані тут способи реалізуються одним або кількома спеціалізованими комп'ютерними пристроями.Спеціалізовані комп'ютерні пристрої можуть бути апаратно орієнтовані на реалізацію цих методів, або вони можуть містити цифрові електронні пристрої, такі як одна або кілька спеціалізованих інтегральних схем (АЗІС), або програмованих користувачем вентильних матриць (ЕРОСА), які цілеспрямовано запрограмовані для виконання методів, або можуть містити один або кілька апаратних процесорів загального призначення, запрограмованих для виконання методів відповідно до програмних команд в КОМ, пам'яті, іншому сховищі або їх комбінації.Такі спеціалізовані комп'ютерні пристрої можуть також об'єднувати призначену для користувача логіку, АБІС або ЕРСА з призначеним для користувача програмуванням для здійснення цих методів.Спеціальними комп'ютерними пристроями можуть бути настільні комп'ютерні системи, портативні комп'ютерні системи, кишенькові пристрої, мережеві пристрої або будь-який інший пристрій, що містить апаратно визначену та/або програмну логіку для реалізації цих методів.Наприклад, на Фіг. 4 наведена блок-схема, що ілюструє комп'ютерну систему 400, в якій можуть бути здійснені варіанти реалізації даного винаходу.Комп'ютерна система 400 містить шину 402 або інший засіб зв'язку для передачі інформації й апаратний процесор 404, з'єднаний з шиною 402, для обробки інформації.Апаратний процесор 404 може бути, наприклад, мікропроцесором загального призначення.Комп'ютерна система 400 також містить основну пам'ять 406, таку як оперативний запам'ятовуючий пристрій (КАМ) або інший динамічний пристрій, з'єднаний з шиною 402, для зберігання інформації і команд, які виконуються процесором 404. Основна пам'ять 406 також може використовуватися для зберігання тимчасових змінних або іншої проміжної інформації в процесі виконання команд, які повинні виконуватися процесором 404. Такі команди, що зберігаються на енергонезалежних носіях даних, до яких може здійснювати доступ процесор 404, перетворюють комп'ютерну систему 400 на спеціалізовану машину, налаштовану для виконання операцій, зазначених у командах.Комп'ютерна система 400 додатково містить постійний запам'ятовуючий пристрій (КОМ) 408 або інший статичний запам'ятовуючий пристрій, поєднаний з шиною 402, для зберіганняЗо статистичної інформації та команд для процесора 404. Система комплектується також запам'ятовуючим пристроєм 410, таким як магнітний диск, оптичний диск або твердотільний накопичувач, що пов'язаний з шиною 402 для зберігання інформації та команд.Комп'ютерна система 400 може бути з'єднана за допомогою шини 402 з дисплеєм 412, наприклад з електронно-променевою трубкою (СКТ), для відображення інформації для користувача комп'ютера.Пристрій введення 414, що містить букви і цифри й інші клавіші, пов'язаний з шиною 402 для передачі інформації та вибору команд для процесора 404. ІНШИМ типом пристрою введення користувача є пристрій керування курсором 416, такий як миша, трекбол або клавіші управління курсором, для передачі інформації про напрямок і вибору команд для процесора 404, а також управління рухом курсору на дисплеї 412. Цей пристрій введення зазвичай має два ступені свободи по двох осях -- першій осі, такій як х, і другій осі, такій як у, -- що дозволяє пристрою задавати положення на площині.Комп'ютерна система 400 може реалізовувати описані тут методи, використовуючи спеціальну апаратну логіку, одну або кілька АБІС або ЕРСА, логіку записану в КОМ та/або програмну логіку, які в поєднанні з комп'ютерною системою перетворюють комп'ютерну систему400 на спеціалізовану машину або програмують її.Відповідно до одного варіанту реалізації винаходу зазначені в даному описі методи реалізуються комп'ютерною системою 400 у відповідь на виконання процесором 404 однієї або кількох послідовностей однієї або кількох команд, що містяться в основній пам'яті 406. Такі команди можуть зчитуватися в основну пам'ять 406 з іншого носія даних, такого як накопичувач 410. Виконання послідовностей команд,що містяться в основній пам'яті 406, приводить до виконання процесором 404 описаних тут етапів процесу.В альтернативних варіантах реалізації винаходу дротова схема може використовуватися замість або в поєднанні з програмними командами.Використовуваний тут термін "носій інформації" відноситься до будь-яких постійних носіїв, на яких зберігаються дані та/або команди, які спонукають машину працювати певним чином.Такі носії даних можуть включати енергонезалежні та/або енергозалежні носії.Енергонезалежні носії містять в собі, наприклад, оптичні диски, магнітні диски або твердотільні накопичувачі, такі як накопичувач 410. Енергозалежні носії містять в собі динамічну пам'ять, таку як основна пам'ять 406. До звичайних носіїв інформації належать, наприклад, дискета, гнучкий диск, жорсткий диск, твердотільний накопичувач, магнітна стрічка або будь-який інший магнітний60 носій даних, компакт-диск, будь-який інший оптичний носій даних, будь-який фізичний носій з розташованими певним чином отворами, КАМ, РКОМ і ЕРКОМ, РГА5ЗН-ЕРКОМ, МУКАМ, будь- який інший чіп або картридж пам'яті.Носії інформації відрізняються від засобів передачі даних, але можуть використовуватися разом з ними.Засоби передачі даних беруть участь у передачі інформації між носіями даних.Наприклад, засоби передачі даних включають коаксіальні кабелі, мідні дроти і волоконну оптику, включаючи дроти, що складають шину 402. Засоби передачі даних можуть також мати форму акустичних або світлових хвиль, наприклад, що генеруються при радіочастотній і інфрачервоній передачі даних.Різні форми носіїв/засобів можуть бути задіяні в передачі однієї або кількох послідовностей однієї або кількох команд процесору 404 для виконання.Наприклад, команди можуть бути спочатку записані на магнітному диску або твердотільному накопичувачі віддаленого комп'ютера.Віддалений комп'ютер може завантажити команди в свою динамічну пам'ять і відправити їх по телефонній лінії за допомогою модему.Локальний модем комп'ютерної системи 400 може отримувати дані по телефонній лінії та використовувати інфрачервоний передавач для перетворення даних на інфрачервоний сигнал.Інфрачервоний детектор може приймати дані, що передаються за допомогою інфрачервоного сигналу, а відповідні схеми можуть передавати дані в шину 402. Шина 402 передає дані в основну пам'ять 406, з якої процесор 404 отримує команди та виконує їх.Команди, отримані основною пам'яттю 406, можуть необов'язково зберігатись у пристрої 410 до або після виконання процесором 404.Комп'ютерна система 400 також містить інтерфейс зв'язку 418, з'єднаний з шиною 402. Інтерфейс зв'язку 418 забезпечує комунікаційне з'єднання з двосторонньою передачею даних з мережевим каналом 420, підключеним до локальної мережі 422. Наприклад, інтерфейс зв'язку 418 може являти собою: плату цифрової мережі з інтегрованими службами (ІЗОМ), кабельний модем, супутниковий модем, або модем для забезпечення з'єднання для передачі даних з відповідним типом телефонної лінії.В іншому прикладі інтерфейс зв'язку 418 може бути платою локальної мережі (ГАМ) для забезпечення з'єднання з передачею даних із сумісною І АМ.Також можуть бути реалізовані бездротові з'єднання.У будь-якому такому варіанті реалізації винаходу інтерфейс зв'язку 418 відправляє та приймає електричні, електромагнітні або оптичні сигнали, що несуть потоки цифрових даних, які являють собою різні типи інформації.Зо Мережевий канал 420 зазвичай забезпечує передачу даних через одну або кілька мереж інших пристроїв роботи з даними.Наприклад, мережевий канал 420 може забезпечувати підключення через локальну мережу 422 до головного комп'ютера 424 або до обладнання для передачі даних, керованого Інтернет-провайдером (ІЗР) 426. І5Р 426, в свою чергу, надає послуги передачі даних через всесвітню мережу передачі пакетних даних, яку зараз зазвичай називають "Інтернет" 424. Локальна мережа 422 та Інтернет 424 використовують електричні, електромагнітні або оптичні сигнали, які несуть потоки цифрових даних.Сигнали, що проходять через різні мережі, і сигнали в мережевому каналі 420 їі які проходять через інтерфейс зв'язку 418, що несуть цифрові дані в комп'ютерну систему 400 та з неї, є ілюстративними формами засобів передачі даних.Комп'ютерна система 400 може відправляти повідомлення і отримувати дані, включаючи програмний код, через мережу (мережі), мережевий канал 420 й інтерфейс зв'язку 418. У прикладі з Інтернетом сервер 430 може передавати запитаний код для прикладної програми через Інтернет 424, ІБР 426, локальну мережу 422 й інтерфейс зв'язку 418.Отриманий код може виконуватися процесором 404 у міру його отримання та/або зберігатися в запам'ятовуючому пристрої 410 або іншому енергонезалежному сховищі для подальшого виконання.ПЕРЕВАГИ ДЕЯКИХ ВАРІАНТІВ РЕАЛІЗАЦІЇ ВИНАХОДУ З використанням описаних тут методів комп'ютер може надавати прогнози температури, опадів та інших цінних метеорологічних змінних, які значно поліпшені с точки зору забезпечення точності та деталізації.Наприклад, за допомогою описаних тут методів можна складати більш точні прогнози, підвищити точність за рахунок урахування сезонної залежності погоди, прогнозувати рідкісні події та забезпечувати прогнози на рівні місцерозташування поля, які в іншому випадку недоступні з публічних та/або комерційних джерел метеорологічних даних.Процеси можуть використовуватися в комп'ютерних реалізаціях для прогнозування і передачі призначеному для користувача комп'ютерному пристрою за запитом точних оцінок значень температури й опадів на оброблюваних полях або в інших місцерозташуваннях, навіть якщо поточні прогнози та спостереження недоступні на детальному рівні для цих областей або місцерозташувань.Отже, корисність комп'ютерного пристрою кінцевого користувача може бути збільшена, оскільки програми на пристрої можуть отримувати та використовувати дані, які в60 іншому випадку були б недоступні, та/або уникати помилок, привнесених через використання неповних даних або даних, що містять помилки. РОЗШИРЕНІ Й АЛЬТЕРНАТИВНІ ВАРІАНТИ РЕАЛІЗАЦІЇ У наведеному вище описі варіанти реалізації винаходу описані з посиланням на численні конкретні деталі, які можуть відрізнятися в різних варіантах реалізації. Опис і креслення, відповідно, слід розглядати в ілюстративному, а не в обмежувальному сенсі. Єдиним і винятковим покажчиком обсягу винаходу і того, що за задумом авторів є обсягом винаходу, є буквальний та еквівалентний обсяг пунктів формули винаходу даної заявки, в конкретній формі, в якій зазначені пункти формули винаходу викладені, з урахуванням будь-яких подальших правок. ФОРМУЛА ВИНАХОДУ1. Спосіб поліпшення прогнозування погоди шляхом подальшої обробки даних, що включає: отримання з комп'ютерної мережі та зберігання в базі даних ансамблів електронних цифрових даних, що представляють множину хронологічних ансамблевих прогнозів погоди, які відповідають одному або кільком рокам прогнозів погоди, причому кожен з прогнозів містить множину хронологічних елементів ансамбля, причому кожний з хронологічних елементів ансамбля містить набір прогнозованих погодних умов для множини днів; отримання по комп'ютерній мережі множини хронологічних метеорологічних спостережень і збереження множини хронологічних метеорологічних спостережень з множиною хронологічних ансамблевих прогнозів погоди; визначення, з використанням модуля аналізу даних, множини хронологічних різницевих параметрів, які являють собою відмінності між хронологічними ансамблевими прогнозами погоди і відповідними хронологічними метеорологічними спостереженнями; отримання по комп'ютерній мережі множини вихідних ансамблевих прогнозів погоди, що містять множину вихідних елементів ансамбля, причому кожний з вихідних елементів ансамбля містить набір прогнозованих погодних умов для множини днів; визначення, з використанням модуля вилучення даних, ряду кореляцій з множини вихідних ансамблевих прогнозів погоди і збереження ряду кореляцій в комп'ютерній пам'яті; Зо створення і збереження, з використанням модуля калібрування розподілу, одного або кількох розподілів з множини вихідних елементів ансамбля та застосування множини хронологічних різницевих параметрів для модифікації одного або кількох розподілів з метою створення одного або кількох поліпшених розподілів; створення, з використанням модуля калібрування реконструкції, поліпшених прогнозів погоди на основі ансамбля шляхом псевдовипадкового відбору з одного або кількох поліпшених розподілів, з використанням псевдовипадкового відбору значень і ряду кореляцій, та створення покращених ансамблевих прогнозів погоди; надання поліпшених прогнозів погоди на основі ансамбля до одного або більше комп'ютерних пристроїв користувача для використання в одній або більше програмі на пристрої; причому зазначений спосіб виконується одним або кількома комп'ютерними пристроями.
- 2. Спосіб за п. 1, який відрізняється тим, що додатково включає: отримання по мережі від запитуючого пристрою, з використанням модуля інтерфейсу мобільного обчислювального пристрою, одного або кількох запитів однієї або кількох агрономічних моделей в одному або кількох конкретних місцях розташування; створення з використанням модуля агрономічних моделей одного або кількох агрономічних факторів для одного або кількох конкретних місцерозташувань, використовуючи поліпшені ансамблеві прогнози погоди, і складання однієї або кількох агрономічних моделей, основаних, принаймні частково, на одному або кількох агрономічних факторах, поліпшених ансамблевих прогнозах погоди, і одному або кількох конкретних місцерозташувань, причому кожна з агрономічних моделей містить інформацію, одну або кілька рекомендацій та одну або кілька оцінок щодо культури.
- З. Спосіб за п. 1, який відрізняється тим, що визначення одного або кількох хронологічних різницевих параметрів включає створення і збереження, з використанням модуля аналізу даних, даних рівняння, що представляють одне або кілька рівнянь зсуву, які описують хронологічні відмінності як функцію часу, введення одного або кількох сезонозалежних елементів в дані рівняння для одного або кількох рівнянь зсуву й обчислення рівнянь на основі даних рівняння для урахування сезонних коливань погоди.
- 4. Спосіб за п. 1, який відрізняється тим, що побудова одного або кількох розподілів включає: вибір множини типів розподілів;апроксимацію, для кожного з множини типів розподілів, з використанням модуля калібрування розподілу множини значень, що відносяться до множини вихідних ансамблевих прогнозів погоди, типом розподілу з множини типів розподілів; визначення однієї або кількох оцінок точності для кожного з множини типів розподілів; вибір одного або кількох з множини типів розподілів на основі принаймні однієї або кількох оцінок точності.
- 5. Спосіб за п. 4, який відрізняється тим, що множина значень, що відносяться до множини вихідних ансамблевих прогнозів погоди, містить одне або кілька з названого: середнє значення ансамблевих прогнозів погоди; стандартне відхилення ансамблевих прогнозів погоди; варіація ансамблевих прогнозів погоди; ненульова частка вихідних ансамблевих прогнозів погоди; середня абсолютна різниця між усіма ансамблевими прогнозами погоди; сезонний компонент, який відповідає частині вихідних ансамблевих прогнозів погоди; компонент часу.
- 6. Спосіб за п. 4, який відрізняється тим, що одна або кілька оцінок точності для конкретного типу розподілу з множини типів розподілів додатково формується відносно одного або кількох додаткових факторів, причому один або кілька додаткових факторів включають: одне або кілька місцерозташувань супутника спостереження, одне або кілька місцерозташувань, для яких складається прогноз, пору року, завчасність вихідних ансамблевих прогнозів погоди; причому вибір одного або кількох з множини типів розподілів включає визначення конкретних значень для одного або кількох додаткових факторів, та вибір розподілу з найвищою оцінкою точності для конкретних значень одного або кількох додаткових факторів.
- 7. Спосіб за п. 1, який відрізняється тим, що додатково включає: отримання множини вимірюваних значень метеорологічних спостережень, які відповідають поліпшеним ансамблевим прогнозами погоди; обчислення множини поліпшених відмінностей в прогнозах між поліпшеними ансамблевими прогнозами і вимірюваними значеннями метеорологічних спостережень; визначення, з використанням одного або кількох постпроцесорів, одного або кількох поліпшених Зо параметрів різниці з використанням поліпшених відмінностей в прогнозах; отримання множини других вихідних ансамблевих прогнозів погоди; складання множини, з використанням модуля калібрування розподілу та модуля калібрування реконструкції, других поліпшених ансамблевих прогнозів погоди з множини других вихідних ансамблевих прогнозів погоди та поліпшених параметрів різниці.
- 8. Спосіб за п. 1, який відрізняється тим, що поліпшені ансамблеві прогнози погоди містять більшу кількість елементів ансамбля, ніж вихідні ансамблеві прогнози погоди, причому зазначений спосіб додатково включає визначення одного або кількох ризиків однієї або декількох рідкісних подій з використанням поліпшених ансамблевих прогнозів погоди.
- 9. Спосіб за п. 1, який відрізняється тим, що додатково включає: отримання по мережі від обчислювального пристрою запиту на покращений прогноз погоди для конкретного місцерозташування, при цьому поліпшення ансамблевих прогнозів погоди відбувається у відповідь на вказаний запит; передачу по мережі обчислювальному пристрою поліпшеного прогнозу погоди, основаного, принаймні частково, на розширеному ансамблевому прогнозі погоди.
- 10. Спосіб за п. 1, який відрізняється тим, що складання поліпшених ансамблевих прогнозів погоди з поліпшених елементів ансамбля та ряду кореляцій включає: псевдовипадковий вибір, з використанням псевдовипадкової логіки вибору, дискретних прикладів з одного або кількох розподілів; перевпорядкування псевдовипадково вибраних дискретних прикладів для приведення у відповідність до упорядкування вихідних ансамблевих прогнозів погоди; повторна збірка перевпорядкованих псевдовипадково вибраних дискретних прикладів у поліпшені елементи ансамбля.
- 11. Щонайменше один постійний носій даних зберігає команди, які при виконанні одним або кількома обчислювальними пристроями забезпечують: отримання з комп'ютерної мережі та зберігання в базі даних ансамблів множини хронологічних ансамблевих прогнозів погоди, що відповідають одному або кільком рокам прогнозів погоди, причому кожен з прогнозів містить множину хронологічних елементів ансамбля, причому кожний з хронологічних елементів ансамбля містить набір прогнозованих погодних умов для множини днів;отримання по комп'ютерній мережі множини хронологічних метеорологічних спостережень і збереження множини хронологічних метеорологічних спостережень з множиною хронологічних ансамблевих прогнозів погоди; визначення, з використанням модуля аналізу даних, множини хронологічних різницевих параметрів, які являють собою відмінності між хронологічними ансамблевими прогнозами погоди і відповідними хронологічними метеорологічними спостереженнями; отримання по комп'ютерній мережі множини вихідних ансамблевих прогнозів погоди, що містять множину вихідних елементів ансамбля, причому кожний з вихідних елементів ансамбля містить набір прогнозованих погодних умов для множини днів; визначення, з використанням модуля вилучення даних, ряду кореляцій з множини вихідних ансамблевих прогнозів погоди і збереження ряду кореляцій в комп'ютерній пам'яті; створення і збереження, з використанням модуля калібрування розподілу, одного або кількох розподілів з множини вихідних елементів ансамбля та застосування множини хронологічних різницевих параметрів для модифікації одного або кількох розподілів з метою створення одного або кількох поліпшених розподілів; створення, з використанням модуля калібрування реконструкції, поліпшених прогнозів погоди на основі ансамбля шляхом псевдовипадкового відбору з одного або кількох поліпшених розподілів, з використанням псевдовипадкового відбору значень і ряду кореляцій, та створення покращених ансамблевих прогнозів погоди; надання поліпшених прогнозів погоди на основі ансамбля до одного або більше комп'ютерних пристроїв користувача для використання в одній або більше програмі на пристрої;
- 12. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які додатково забезпечують: отримання по мережі, з використанням модуля інтерфейсу мобільного обчислювального пристрою, від запитуючого пристрою одного або кількох запитів однієї або кількох агрономічних моделей в одному або кількох конкретних місцях розташування; створення, з використанням модуля агрономічних моделей, одного або кількох агрономічних факторів для одного або кількох конкретних місцерозташувань, використовуючи поліпшені ансамблеві прогнози погоди, та складання однієї або кількох агрономічних моделей, основаних, Зо принаймні частково, на одному або кількох агрономічних факторах, поліпшених ансамблевих прогнозах погоди, і одному або кількох конкретних місцерозташувань, причому кожна з агрономічних моделей містить інформацію, одну або кілька рекомендацій та одну або кілька оцінок щодо культури.
- 13. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які відрізняються тим, що визначення одного або кількох хронологічних різницевих параметрів включає, з використанням модуля аналізу даних, створення і збереження даних рівняння, що представляють одне або кілька рівнянь зсуву, які описують хронологічні відмінності як функцію часу, введення одного або кількох сезонозалежних елементів в дані рівняння для одного або кількох рівнянь зсуву, і обчислення рівнянь на основі даних рівняння для урахування сезонних коливань погоди.
- 14. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які відрізняються тим, що побудова одного або кількох розподілів включає: вибір множини типів розподілів; апроксимацію, з використанням модуля калібрування розподілу множини значень, для кожного з множини типів розподілів, що відносяться до множини вихідних ансамблевих прогнозів погоди типом розподілу з множини типів розподілів; визначення однієї або кількох оцінок точності для кожного з множини типів розподілів; вибір одного або кількох з множини типів розподілів на основі принаймні однієї або кількох оцінок точності.
- 15. Щонайменше один постійний носій за п. 14, який відрізняється тим, що множина значень, що відносяться до множини вихідних ансамблевих прогнозів погоди, містить одне або кілька з названого: середнє значення ансамблевих прогнозів погоди; стандартне відхилення ансамблевих прогнозів погоди; варіація ансамблевих прогнозів погоди; ненульова частка вихідних ансамблевих прогнозів погоди; середня абсолютна різниця між усіма ансамблевими прогнозами погоди; сезонний компонент, який відповідає частині вихідних ансамблевих прогнозів погоди; компонент часу.
- 16. Щонайменше один постійний носій за п. 14, який відрізняється тим, що зберігає команди, які відрізняються тим, що одна або кілька оцінок точності для конкретного типу розподілу з множини типів розподілів додатково формується відносно одного або кількох додаткових факторів, причому один або кілька додаткових факторів включають одне або кілька місцерозташувань супутника спостереження, одне або кілька місцерозташувань, для яких складається прогноз, пору року, завчасність вихідних ансамблевих прогнозів погоди; причому вибір одного або кількох з множини типів розподілів включає визначення конкретних значень для одного або кількох додаткових факторів та вибір розподілу з найвищою оцінкою точності для конкретних значень одного або кількох додаткових факторів.
- 17. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які додатково включають: отримання множини вимірюваних значень метеорологічних спостережень, які відповідають поліпшеним ансамблевим прогнозами погоди; обчислення множини поліпшених відмінностей в прогнозах між поліпшеними ансамблевими прогнозами і вимірюваними значеннями метеорологічних спостережень; визначення, з використанням одного або кількох постпроцесорів, одного або кількох поліпшених різницевих параметрів з використанням поліпшених відмінностей в прогнозах; отримання множини других вихідних ансамблевих прогнозів погоди; складання множини, з використанням модуля калібрування розподілу та модуля калібрування реконструкції, других поліпшених ансамблевих прогнозів погоди з множини других вихідних ансамблевих прогнозів погоди та поліпшених параметрів різниці.
- 18. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які відрізняються тим, що поліпшені ансамблеві прогнози погоди містять більшу кількість елементів ансамбля, ніж вихідні ансамблеві прогнози погоди, і тим, що виконання команд одним або кількома обчислювальними пристроями додатково забезпечує визначення одного або кількох ризиків однієї або кількох рідкісних подій з використанням поліпшених ансамблевих прогнозів погоди.
- 19. Щонайменше один постійний носій за п. 11, який відрізняється тим, що зберігає команди, які додатково включають: отримання по мережі від обчислювального пристрою запиту на Зо покращений прогноз погоди для конкретного місцерозташування, при цьому поліпшення ансамблевих прогнозів погоди відбувається у відповідь на вказаний запит; передачу по мережі обчислювальному пристрою поліпшеного прогнозу погоди, основаного, принаймні частково, на розширеному ансамблевому прогнозі погоди.їм шов с / 12 янонк чі Шосе ансамблі ожнняко ААУ ЩЕ ня що Занитг шо нн ВАДИ прогнозу ія ос жи нти | Хронологічні Ше КМісцерозтаніу ансяМОлі спостереження вання ів | 12 це - 130Сільськогосподарська інформаційна система 15 Модулі полішисяня авсамолів їм ЩІ їх | що Молульаналізу 0) 3) Модульвилучення даних що! даних Кон 1 в База данних їй | 1 ансамблів Модуль калібрування | Модуль калібрування шо . розподілу реконструкції м ЩІ м | р Модульінтерфейся | Модуль тез згуруу пет агрономежщних ! Прикладний модуль мобільного пристрою С моделей | р ; о Нокращен Що Агрономічні | | цо прогнози і моделі | Контролер 180 ! внесення ме Спримання множини хронологічних ансамолевих прогшкив погоди рас сСуримання маожини хронологічних метеорологічних спостережень, які віжповіханть хронологічним ансамолевим прогнозами погоди ЖОВ Визначення множини хронопегічних різницених параметрів Отримання мвожини вихідних ансамолевих прогнозів погоди 2 Визначення ряду кореляцій з вихідних ансамілевих прогнозів погоди й Побудова одного або кількох розподілів з вихідних ансамолевих прогнозів погоди РА Складання поліпшених знсамолевих прогнозів нотоди на основі одіво або кількох розподілівФіг. 2- г шо З ї5 Ж ж що о З Кі о М ше ; я Я ки А фажкжнюю юка уки у « З т щ я гі і ; ; Й 2 « » , г 2 « з 7 а З 4 х . У 2 є 7 Н Н є » 2Ь. 2 2 2 2 сх й а 2 ї « «ї ; і Н «-4 ї єв ож « » , ін Н 2 « І : І Н Н ї ІЗ 2 БІ 2 і х 2 2 « ? І ї М Н є з ІЗЕ. І « » ? х а 2 5 х Є з і шк Що а У є х Н і я мет лоно полі нів инй авав х - » 2 ра ни ни і х ' Н є » .Е. З - 1 х 3 з Із « , , уч з ї 4 з 7 Ф 8 2 є 2 2 і за іі іі мі чини фев іжіінві сі ж а х є » 2 х З 2 7 ї , 2 зі і 2 є » ?я. х : , : , , Ко я ї 2 г х , 1 ж х вк і , : , ; 8 З К її Й х Н у Н - «ефе еєи (у сенат утссюуєестоестаефеняояі Ж І Шк ш Н 2 « » ? Ук я - є 2 , і Н Н С 4 є » 2 зе ї ї ха я х 5 , : ж Є г де а 2 « » : г ж з. м Н Н « » , г х ; їж «ем 4 І: : Н Н т ія -- ня сш зе ШЕ З З з, М оо ще І з" ня : , « Н Н Ж НІ «є їж ф : : » Н о ї. ? . « і Н ? я « з х І: » 2 Й к . ІЗ І: » з х С. 2 Я 2 ї Ж ч 2 « х : І пня ф, жи длжлю А тА тА, аю А АДАМА АКА А АКТ АААХАЙ І: Є І ІЗ і. нн нн пи т і і: Б; І ї а і ї з 2 « і 7 Ьі з ІЗ ЖЕ ї 2 2 і; » : «7 і Н : є » 2 Є БІ Г ки їі У ше ним ж В їж і СН е.: з к ' ? « , з х х 2 . Н І - " М е ІЗ ІЗ ІЗ ж ж 2 2 « » 2 - М з є х Ц - а 2 « , , ж ? 2 х х І з и ж рик х Н і: « » 2 «- З Н : є з 2 нд о ЧІТ, КІ ; з м и ев , тм що Ба ік В ' "з що ще Н Є є ще » г 2 і є їх ха ПО ЧИН МЕНЕ що жі ЖІ Ж Ж НВО ЯН БІ ЗІ ВІВ В ща м і см хх м а х ав л зн З НИ аа К тїх, з і шо: Ь Ва ни В сна ваАІВОЗИР І Й » р » , жа «Як к Ж а 2 4 з , щі 2 і І ІЗ що 2 « » 2 Вр: , х ! ж і зі С. г ен ШЕНЬ ШИ жк ж ж ЧОМ ко і ! : г Б. » І 2 з: Б НЕ З ; . і є з ? . 2 « з , чн пана чнФіг.че : х : во 0. НІ ї : ІЙ - з щш В Е Б вк ! то : : БОР т ; | ї в ш і : : ОН : ! : 2 ї : Н я : : В Н : Джен Ше ! : и: и и ши ! ! Ж ілі шк ши ин ! шЖояв у і у : : ве В вк. 1 : меоеебеееесісееееееесоф з ? ! : ж : в з ік : "тт | ; І Ша днини ВИ НЕЇ ї Тл І : : Н ! : ' З ЩІ с- Н : оці Ор : і ІН ) : : зму ИН з , 4 і В : ! ши є | но : : Н е . і до У х . , Н : робот : ? і : їз -- | че | Ге я Н : : б з : ! | ї о ве : ї ни НЕ Н ! : : З г: | | не Й ; , ї « ро ї х і Н ск єх Н : : : НЯ Н : ' ї і ї шш ЕХ і ь : : ж « Н з . Н х ее 5 5 ж 4 5: ЗЕ « ва ш укюажкюВЮВИКх кю ДОД і : Я мА й й І ! М знчна зна нтжччнчиччячия Й : | й і тлі Кот й чі лк ті з і :пий. і І ! : ? юю М ї ? Н ' й Н : н : : : й Н в ї « Мене : у | ' пакадлнани Ук : Н Я ОБ. Н е ї і : ! : п ш Ж : : : НИ нен : ! : ' 5 ж : : : : де : Н Я : ! сей Н : Й Й ії : Н : сх с 2 З : : де : і ! : ех | | як 5 : | ще ! : з . к « Із х 4 х еЕ Я : ше ї : : Тон Н : ! «з Ро 1 : ! | , : : з . | зе М Н « 1 сь ії х і Н зо ! ГО з НІ я : Н е і 4 х Е Я Е Н еососооооесееесегресссво фу ! : : І | ша? Н І : Н е » : » що ре не : ук і жи ща: : й ; вк ; 5 ' х ї х г х і У щ | : ' : ї і Ф з « х що Н : .хеаДаНЯ То : : : т | і Мох, : Ух з ГІ « е х 4 . і | | й | ! : ! : х : » Н У хх Н : Й : ще : з ЦІ к і ШИ : щ І : У и з Ці х : ; ШИН - у : : ве з Н к : : : : з хі : : р: я Н : роя : Н : Н Н 2 Н : : ' : : : 1 : шк й хх ; ; « с г н : , ї н ї. знан, ; : і с» х 5 їх хз появ з ! ! : - Х ШЕ З І НИ З Н ! : ' з мелавпатта Й ж а а я ! ! ; І : Й км тт ум Її х Е фе їх : : ! ? др тт тот : ; ! : : нин ї з е ще с В ; ' й | | : : Ж Ні е х « х іі У і Н т. | що ; Н к « « і х 4Я . | | й : м х « « 5 з і Н шк ж : : рН Н ц ; : ! | : ї-о зи : Н : той : з ! : ' Й хе Н Бо : з Н : : ШИ. 2 ГУ : : ода 7 : 2 Н х : : ! ши - БЕ я Ро Роже і Н : ' Вис : : : і а шх Не Не : з ; : ' : Е3 ря х : . . з Й ; : : «КЕ «ех М и СЯ : : о: : й - ; Н : хащі : : » і , й о Н ни и « х : І і І й | | | і І к К- К к з І. х Н : Зал : 2 : х : : : : й оленя з ' : : Й 7 : Я ос : . : к « Н е т і що : ОТ : з Н к ; і Я ! 5 В | ! рої с : Н е Н ; 5 Н Н « У з : Я : Мун з : Е : т ж : : : : ! ' Й Її й . ше рення : і І | | | : з ее хх 5 і ; х і | ще | -4 кі | ЕЕ І : хі 955 х Н Н х : : і Ї « : ше я х я ле КІ т - т вв в вв вв вв Й ! Я; І СА. Ж. А М і Ф. оо мо о оо : : : ' : шо ПООКЛА АН і и : : Й з рова І щі ! -і В 1 2 т ім : Ві ' в" : ше і з : В ; Б ВІВ во й ' НИ : зе НН ДН: ВН ЩЕВЕ. од ни 85 ні А | | я і Н к « щх ко з з щ в | | и : Е Н х І х В Фе з « Н Ї | ше Н . І ї ях 5 «хх» х ж : ше : : Я 1 «ее Мох : ит : хек і : ; ! З Я ; БЕ . : у Е . : г к і ге е хі її Н в Кк : ни ро: . ; х ; ЩІ Н Й і ще | сінна шини Ше є ПЕ 57 БЕ С . з Н й : М, І з . : в-е Н Я 2 : Н за яко і Мі : : 'У. : т : : : а Н в Н я. : р че : ЩЕ : з Н г і ча ЕН ЖЕ ' Н : : о роя г : : Є ї і Е : : ж : | І ще : І жи: М Ц 5 Ф.: Н » їж Я щ : : Й ку ч Н х Н щі же ! «ї | | й | ; : в х 7 не Ян І і ї : Н : й . з Н к х к НИ І х І; щЕ Б ом Кк Пиши г | | , Н : х у Е . з : » і | ! : і: т х ї х іще Я. ; Н ; х Я ; : : ; : в зрх я соя " ! ! шо Са Ж з Її 5 У хмжкжююююквюю Н ; жжжж й НЕО ; проце вах Кі: за За ІвиЧоние ОоВОМ ен ен ті погчаї ф ІІГ. зв
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462049909P | 2014-09-12 | 2014-09-12 | |
US201462049937P | 2014-09-12 | 2014-09-12 | |
US201462049929P | 2014-09-12 | 2014-09-12 | |
US201462049898P | 2014-09-12 | 2014-09-12 | |
US14/681,886 US10690806B2 (en) | 2014-09-12 | 2015-04-08 | Weather forecasts through post-processing |
PCT/US2016/022503 WO2016164147A1 (en) | 2015-04-08 | 2016-03-15 | Improving weather forecasts through post-processing |
Publications (1)
Publication Number | Publication Date |
---|---|
UA123580C2 true UA123580C2 (uk) | 2021-04-28 |
Family
ID=57015814
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
UAA201710918A UA123580C2 (uk) | 2014-09-12 | 2016-03-15 | Поліпшення прогнозування погоди шляхом подальшої обробки даних |
UAA201710622A UA126650C2 (uk) | 2014-09-12 | 2016-03-21 | Прогнозування національного врожаю під час вегетаційного періоду |
UAA201804466A UA126965C2 (uk) | 2014-09-12 | 2016-09-20 | Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
UAA201710622A UA126650C2 (uk) | 2014-09-12 | 2016-03-21 | Прогнозування національного врожаю під час вегетаційного періоду |
UAA201804466A UA126965C2 (uk) | 2014-09-12 | 2016-09-20 | Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування |
Country Status (9)
Country | Link |
---|---|
US (8) | US10564316B2 (uk) |
EP (1) | EP3356799A4 (uk) |
AR (3) | AR104161A1 (uk) |
AU (4) | AU2016246391B2 (uk) |
BR (2) | BR112017021664A2 (uk) |
CA (3) | CA2982806C (uk) |
UA (3) | UA123580C2 (uk) |
WO (1) | WO2017053273A1 (uk) |
ZA (5) | ZA201707293B (uk) |
Families Citing this family (180)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013377774A1 (en) | 2013-02-05 | 2015-09-17 | University Of Saskatchewan | Endophytic microbial symbionts in plant prenatal care |
CA2916678C (en) | 2013-06-26 | 2024-02-06 | Symbiota, Inc. | Seed-origin endophyte populations, compositions, and methods of use |
US10136646B2 (en) | 2013-06-26 | 2018-11-27 | Indigo Ag, Inc. | Agricultural endophyte-plant compositions, and methods of use |
CA3209979A1 (en) | 2013-09-04 | 2015-03-12 | Indigo Ag, Inc. | Agricultural endophyte-plant compositions, and methods of use |
CA3195750A1 (en) | 2013-11-06 | 2015-05-14 | The Texas A & M University System | Fungal endophytes for improved crop yields and protection from pests |
US9364005B2 (en) | 2014-06-26 | 2016-06-14 | Ait Austrian Institute Of Technology Gmbh | Plant-endophyte combinations and uses therefor |
US10271554B2 (en) | 2013-12-24 | 2019-04-30 | Ait Austrian Institute Of Technology Gmbh | Plants containing beneficial endophytes |
WO2015100432A2 (en) | 2013-12-24 | 2015-07-02 | Symbiota, Inc. | Method for propagating microorganisms within plant bioreactors and stably storing microorganisms within agricultural seeds |
US10785905B2 (en) | 2014-05-08 | 2020-09-29 | Precision Planting Llc | Liquid application apparatus comprising a seed firmer |
BR112016029884B1 (pt) | 2014-06-20 | 2022-09-27 | The Flinders University Of South Australia | Método para aumentar pelo menos um parâmetro de crescimento de uma planta leguminosa a partir de uma semente leguminosa |
US10212911B2 (en) | 2014-06-26 | 2019-02-26 | Indigo Agriculture, Inc. | Endophytes, associated compositions, and methods of use thereof |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US11762125B2 (en) | 2014-09-12 | 2023-09-19 | Climate Llc | Forecasting national crop yield during the growing season |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11069005B2 (en) | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
US10768156B1 (en) * | 2014-10-27 | 2020-09-08 | Farmer's Business Network, Inc. | Yield analysis through agronomic analytics |
WO2016109758A2 (en) | 2014-12-30 | 2016-07-07 | Symbiota, LLC | Seed endophytes across cultivars and species, associated compositions, and methods of use thereof |
US10212940B2 (en) | 2015-05-01 | 2019-02-26 | Indigo Agriculture, Inc. | Isolated complex endophyte compositions and methods for improved plant traits |
US10212944B2 (en) | 2015-05-01 | 2019-02-26 | Indigo Agriculture, Inc. | Designed complex endophyte compositions and methods for improved plant traits |
EP3302068A4 (en) | 2015-06-08 | 2018-12-12 | Indigo AG, Inc. | Streptomyces |
US10282821B1 (en) * | 2015-08-27 | 2019-05-07 | Descartes Labs, Inc. | Observational data processing and analysis |
WO2017112827A1 (en) | 2015-12-21 | 2017-06-29 | Indigo Agriculture, Inc. | Endophyte compositions and methods for improvement of plant traits in plants of agronomic importance |
US10089554B1 (en) | 2016-03-30 | 2018-10-02 | Descartes Labs, Inc. | Creating a boundary map |
US20170286574A1 (en) * | 2016-03-31 | 2017-10-05 | United States Of America As Represented By The Secretary Of The Army | Predictive soil analysis |
JP6885394B2 (ja) * | 2016-03-31 | 2021-06-16 | 日本電気株式会社 | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム |
US10371863B2 (en) * | 2016-04-13 | 2019-08-06 | The Climate Corporation | Estimating rainfall adjustment values |
US11620553B2 (en) * | 2016-04-21 | 2023-04-04 | Utopus Insights, Inc. | System and method for forecasting leaks in a fluid-delivery pipeline network |
US10754063B2 (en) * | 2016-06-14 | 2020-08-25 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
US10746719B2 (en) * | 2016-06-20 | 2020-08-18 | Komatsu Seiki Kosakusho Co., Ltd | Soil analyzing device and soil analyzing method |
US10078155B2 (en) | 2016-06-24 | 2018-09-18 | Climacell Inc. | Real-time precipitation forecasting system |
US20180012167A1 (en) * | 2016-07-05 | 2018-01-11 | Sostena, Inc. | System and Method for Crop Management |
WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
US10028451B2 (en) | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US10398096B2 (en) | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US20180146624A1 (en) * | 2016-11-28 | 2018-05-31 | The Climate Corporation | Determining intra-field yield variation data based on soil characteristics data and satellite images |
WO2018102733A1 (en) | 2016-12-01 | 2018-06-07 | Indigo Ag, Inc. | Modulated nutritional quality traits in seeds |
WO2018107287A1 (en) | 2016-12-16 | 2018-06-21 | Farmers Edge Inc. | Classification of soil texture and content by near-infrared spectroscopy |
CA3047779A1 (en) | 2016-12-19 | 2018-06-28 | The Climate Corporation | Systems, methods and apparatus for soil and seed monitoring |
EP3558006A1 (en) | 2016-12-23 | 2019-10-30 | The Texas A&M University System | Fungal endophytes for improved crop yields and protection from pests |
US10657372B2 (en) * | 2017-02-16 | 2020-05-19 | Walmart Apollo, Llc | Systems and methods for identifying and displaying optimal locations for a garden |
WO2018160245A1 (en) | 2017-03-01 | 2018-09-07 | Indigo Ag, Inc. | Endophyte compositions and methods for improvement of plant traits |
CN111432631A (zh) | 2017-03-01 | 2020-07-17 | 靛蓝股份公司 | 内生植物组合物和用于改进植株性状的方法 |
AU2018259162A1 (en) | 2017-04-27 | 2019-11-21 | The Flinders University Of South Australia | Bacterial inoculants |
US20180322590A1 (en) * | 2017-05-03 | 2018-11-08 | Narayan Sundararajan | Integrated agricultural testing and optimization apparatuses and methods |
CN110073379A (zh) * | 2017-06-12 | 2019-07-30 | 汉高股份有限及两合公司 | 基于污垢组成和织物特性确定织物的处理参数的方法和设备 |
CN107340268B (zh) * | 2017-07-07 | 2019-07-09 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
US10247717B2 (en) * | 2017-07-14 | 2019-04-02 | SafeNet International LLC | Method of efficient acquisition of soil data using image mapping |
US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
US20190050741A1 (en) * | 2017-08-10 | 2019-02-14 | Iteris, Inc. | Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture |
BR112020004630A2 (pt) | 2017-09-11 | 2020-09-24 | Farmers Edge Inc. | geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação |
US10983249B2 (en) | 2017-09-14 | 2021-04-20 | Farmers Edge Inc. | Indicator interpolation to predict a weather state |
EP3684167A2 (en) | 2017-09-18 | 2020-07-29 | Indigo AG, Inc. | Markers of plant health |
EP4273239A3 (en) | 2017-09-22 | 2024-01-24 | Technische Universität Graz | Polymeric particles containing microorganisms |
CN107798418A (zh) * | 2017-09-28 | 2018-03-13 | 东南大学 | 一种基于交通分析小区的交通事故频次预测方法 |
US20190102841A1 (en) * | 2017-10-04 | 2019-04-04 | Servicenow, Inc. | Mapping engine configurations with task managed workflows and grid user interfaces |
AU2018350912B2 (en) | 2017-10-17 | 2024-06-13 | Precision Planting Llc | Soil sensing systems and implements for sensing different soil parameters |
US10747999B2 (en) * | 2017-10-18 | 2020-08-18 | The Trustees Of Columbia University In The City Of New York | Methods and systems for pattern characteristic detection |
JP2019087027A (ja) * | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 需要予測装置、需要予測方法および需要予測プログラム |
CN109870419B (zh) * | 2017-12-05 | 2021-09-17 | 核工业北京地质研究院 | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 |
US10492374B2 (en) | 2017-12-28 | 2019-12-03 | X Development Llc | Capture of ground truthed labels of plant traits method and system |
US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
EP3533932B1 (de) * | 2018-03-01 | 2020-07-15 | BAUER Spezialtiefbau GmbH | Verfahren und system zum erstellen eines gründungselementes im boden |
CN108764527B (zh) * | 2018-04-23 | 2020-06-09 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
WO2019209947A1 (en) | 2018-04-24 | 2019-10-31 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
CN108738453B (zh) * | 2018-04-27 | 2020-12-29 | 中国科学院测量与地球物理研究所 | 基于稻田面源污染关键风险时期的田沟塘联合调控方法 |
CN108764255B (zh) * | 2018-05-21 | 2021-06-01 | 二十一世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN108717044B (zh) * | 2018-05-24 | 2021-07-30 | 青海师范大学 | 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法 |
US10817755B2 (en) | 2018-06-22 | 2020-10-27 | Cnh Industrial Canada, Ltd. | Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis |
US10891482B2 (en) | 2018-07-10 | 2021-01-12 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
US11277956B2 (en) * | 2018-07-26 | 2022-03-22 | Bear Flag Robotics, Inc. | Vehicle controllers for agricultural and industrial applications |
US11470760B2 (en) | 2018-08-13 | 2022-10-18 | Raven Industries, Inc. | Comparative agricultural obstacle monitor and guidance system and method for same |
US11755937B2 (en) * | 2018-08-24 | 2023-09-12 | General Electric Company | Multi-source modeling with legacy data |
US10757854B2 (en) | 2018-08-27 | 2020-09-01 | Cnh Industrial America Llc | Determining forces exerted on rolling agricultural components based on an applied braking force |
US10832196B2 (en) | 2018-08-31 | 2020-11-10 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
US10846651B2 (en) | 2018-08-31 | 2020-11-24 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
US11468291B2 (en) * | 2018-09-28 | 2022-10-11 | Nxp B.V. | Method for protecting a machine learning ensemble from copying |
US11119472B2 (en) * | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
CN109543874B (zh) * | 2018-10-12 | 2021-06-22 | 南京航空航天大学 | 一种结合气象条件影响的机场空气质量预测方法 |
US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
CA3116341A1 (en) | 2018-10-24 | 2020-04-30 | The Climate Corporation | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
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 |
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 |
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 |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
CN109374531B (zh) * | 2018-11-09 | 2021-04-20 | 浙江海洋大学 | 基于遥感的海域溢油监测装置 |
US11906621B2 (en) * | 2018-12-21 | 2024-02-20 | Climate Llc | Quantitative precipitation estimate quality control |
MX2021007642A (es) * | 2018-12-24 | 2021-08-11 | Climate Llc | Programacion predictiva de semillas para soya. |
US11154002B2 (en) | 2019-01-29 | 2021-10-26 | Cnh Industrial America Llc | System and method for controlling the operation of an agricultural implement based on determined soil moisture content |
JP2022520633A (ja) * | 2019-02-14 | 2022-03-31 | ケムイメージ コーポレーション | 拡張粒子群帯域選択 |
CN109840855A (zh) * | 2019-03-06 | 2019-06-04 | 平顶山学院 | 一种在生殖初期预测番茄是否减产的方法 |
US11009625B2 (en) * | 2019-03-27 | 2021-05-18 | The Climate Corporation | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making |
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 |
WO2020210557A1 (en) | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
CN113574418B (zh) * | 2019-04-15 | 2023-07-18 | 实干研究株式会社 | 气象预测数据创建程序、气象预测数据创建方法及移动体 |
CN110058329B (zh) * | 2019-04-22 | 2020-12-22 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
US11212954B2 (en) * | 2019-05-08 | 2022-01-04 | Deere & Company | Apparatus and methods for field operations based on historical field operation data |
CA3140955A1 (en) * | 2019-05-20 | 2020-11-26 | Basf Agro Trademarks Gmbh | Method for plantation treatment based on image recognition |
WO2020237001A1 (en) * | 2019-05-21 | 2020-11-26 | Schlumberger Technology Corporation | Geologic model and property visualization system |
US11212955B2 (en) | 2019-06-14 | 2022-01-04 | Cnh Industrial America Llc | System and method for monitoring soil conditions based on data received from a sensor mounted within a ground-engaging tool tooth |
WO2020257474A1 (en) * | 2019-06-18 | 2020-12-24 | Auto Crane Company | Method and apparatus for automating power take-offs for vehicles and equipment |
US11800861B2 (en) | 2019-06-27 | 2023-10-31 | Valmont Industries, Inc. | System, method and apparatus for providing variable rate application of applicants to discrete field locations |
CN110516890B (zh) * | 2019-09-04 | 2022-06-03 | 重庆邮电大学 | 一种基于灰色组合模型的农作物产量监控系统 |
US11624829B2 (en) * | 2019-09-12 | 2023-04-11 | Cnh Industrial America Llc | System and method for determining soil clod size distribution using spectral analysis |
WO2021062147A1 (en) | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
CN111007013B (zh) * | 2019-11-01 | 2022-10-14 | 中科禾信遥感科技(苏州)有限公司 | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 |
AU2020377496A1 (en) * | 2019-11-08 | 2022-05-05 | Kubota Corporation | System for measuring and interpreting a force |
CN110987853B (zh) * | 2019-11-08 | 2022-02-11 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤铅污染程度预测方法及装置 |
EP3818802B1 (en) * | 2019-11-08 | 2024-04-24 | Kverneland Group Operations Norway AS | System for measuring and interpreting a force |
CN111259306B (zh) * | 2019-12-31 | 2023-03-17 | 华北水利水电大学 | 一种冬小麦区域作物系数测算方法 |
CN111241485B (zh) * | 2020-01-14 | 2023-05-19 | 河海大学 | 一种新型作物产量对气候变化响应的诊断方法 |
US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
US10878967B1 (en) * | 2020-02-21 | 2020-12-29 | Advanced Agrilytics Holdings, Llc | Methods and systems for environmental matching |
US11935242B2 (en) | 2020-03-09 | 2024-03-19 | International Business Machines Corporation | Crop yield estimation |
CN111521563A (zh) * | 2020-03-20 | 2020-08-11 | 航天信德智图(北京)科技有限公司 | 一种基于gf-1与modis时空融合的水稻提取方法 |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11580609B2 (en) * | 2020-05-26 | 2023-02-14 | International Business Machines Corporation | Crop monitoring to determine and control crop yield |
WO2022020448A1 (en) | 2020-07-21 | 2022-01-27 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
US11944029B2 (en) * | 2020-07-22 | 2024-04-02 | GroundTruth Ag, Inc. | Systems and methods for diagnosing soil characteristics and subterranean plant characteristics |
CN111915096B (zh) * | 2020-08-14 | 2021-03-09 | 中国科学院地理科学与资源研究所 | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 |
CN112213265B (zh) * | 2020-09-29 | 2023-10-10 | 水利部牧区水利科学研究所 | 基于无人机遥感技术的植被覆盖监测系统 |
BR112023005766A2 (pt) * | 2020-09-30 | 2023-04-25 | Basf Agro Trademarks Gmbh | Método implementado por computador para controlar um dispositivo de tratamento agrícola e dispositivo de tratamento agrícola |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
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 |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
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 |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | 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 |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
WO2022087746A1 (en) * | 2020-10-30 | 2022-05-05 | Element Ai Inc. | Adapting ai models from one domain to another |
CN112613391B (zh) * | 2020-12-18 | 2022-06-07 | 湖北工业大学 | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 |
CN112816658A (zh) * | 2021-01-05 | 2021-05-18 | 四川大学 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
CN112832223B (zh) * | 2021-01-07 | 2022-08-26 | 武汉市汉阳市政建设集团有限公司 | 一种旋转式分层沉降磁环及其配合沉降管的沉降监测方法 |
EP4298587A1 (en) | 2021-01-29 | 2024-01-03 | Biome Makers Inc. | Methods and systems for predicting crop features and evaluating inputs and practices |
CN112800691B (zh) * | 2021-04-15 | 2021-07-30 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建降水等级预测模型的方法及装置 |
WO2022217568A1 (zh) * | 2021-04-16 | 2022-10-20 | 中山大学 | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 |
IL308622A (en) * | 2021-05-21 | 2024-01-01 | Basf Se | A computerized method for estimating consumption of an agricultural product for a geographic area |
US11818446B2 (en) | 2021-06-18 | 2023-11-14 | Raytheon Company | Synthesis of thermal hyperspectral imagery |
WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
WO2023034386A1 (en) | 2021-08-31 | 2023-03-09 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
CN113720798B (zh) * | 2021-08-31 | 2022-04-19 | 南京大学 | 农作物生理和结构表型参数多任务并行的自动观测方法 |
CN113984212B (zh) * | 2021-10-27 | 2023-06-27 | 中国气象科学研究院 | 农业灌区提取方法及系统 |
US12001529B1 (en) * | 2021-11-05 | 2024-06-04 | Validate Me LLC | Counting machine for manufacturing and validating event-relevant identities via an ensemble network |
US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
US11899006B2 (en) * | 2022-02-22 | 2024-02-13 | Trace Genomics, Inc. | Precision farming system with scaled soil characteristics |
WO2023168519A1 (en) * | 2022-03-07 | 2023-09-14 | Roshan Water Solutions Incorporated | Cloud-based apparatus, system, and method for sample-testing |
CN114758170B (zh) * | 2022-04-02 | 2023-04-18 | 内蒙古农业大学 | 一种结合d3d的三分支三注意力机制高光谱图像分类方法 |
US20230309449A1 (en) * | 2022-04-05 | 2023-10-05 | Deere & Company | Predictive machine setting map generation and control system |
US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
CN115049436A (zh) * | 2022-06-29 | 2022-09-13 | 海南大学 | 基于物联网的智慧农业数据处理方法、系统、终端及介质 |
WO2024037889A1 (en) * | 2022-08-16 | 2024-02-22 | Basf Se | Crop rotation based computer-implemented method for estimating a consumption of an agricultural product for a geographical region |
KR102490498B1 (ko) * | 2022-09-13 | 2023-01-18 | 전북대학교산학협력단 | 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템 |
WO2024138084A1 (en) * | 2022-12-23 | 2024-06-27 | Indigo Ag, Inc. | Localized carbon source intervention modeling |
CN116227750A (zh) * | 2023-05-09 | 2023-06-06 | 烟台尚美丽家新能源有限公司 | 一种生物质原料多联供综合管理系统及管理方法 |
CN117054354B (zh) * | 2023-10-12 | 2024-03-05 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
CN117688835B (zh) * | 2023-12-11 | 2024-06-04 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
Family Cites Families (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US50907A (en) * | 1865-11-14 | Improvement in retorts for the manufacture of prussiate of potash | ||
US4492111A (en) * | 1981-10-07 | 1985-01-08 | Kirkland James L | Rheological penetrometer |
WO1995019597A1 (en) | 1994-01-14 | 1995-07-20 | Strategic Weather Services | A user interface for graphically displaying the impact of weather on managerial planning applications |
US5668719A (en) | 1994-08-05 | 1997-09-16 | Tyler Limited Partnership | Method of fertilizer application and field treatment |
DE69935256T2 (de) * | 1999-03-15 | 2007-10-31 | Tokyo University of Agriculture and Technology TLO Co., Ltd., Koganei | Bodenuntersuchungsvorrichtung und präzisionslandwirtschaftssystem |
EP1203955A4 (en) | 1999-07-08 | 2003-07-02 | Omron Tateisi Electronics Co | SOIL MEASUREMENT INSTRUMENT, ASSOCIATED DEVICE AND METHOD, PROGRAM AND DATA RECORDING MEDIA, APPLICATION QUANTITY APPARATUS AND ASSOCIATED CALCULATION DEVICE, CONTROL METHOD THEREOF AND D-SYSTEM AID FOR AGRICULTURAL WORK |
US6535817B1 (en) | 1999-11-10 | 2003-03-18 | The Florida State Research Foundation | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble |
AU5665901A (en) | 2000-04-04 | 2001-10-15 | Nagarjuna Holdings Private Limited | Agricultural management system for providing agricultural solutions and enablingcommerce |
US6422508B1 (en) | 2000-04-05 | 2002-07-23 | Galileo Group, Inc. | System for robotic control of imaging data having a steerable gimbal mounted spectral sensor and methods |
US20020133505A1 (en) | 2001-03-14 | 2002-09-19 | Hideki Kuji | System for recommending crops and attachments to farm tractors |
US20030061075A1 (en) * | 2001-05-17 | 2003-03-27 | Converium Reinsurance (North America) Inc. | System and method for rating and structuring bands of crop production insurance |
KR100508966B1 (ko) | 2001-07-06 | 2005-08-17 | 노우코우다이 티엘오 가부시키가이샤 | 토양특성 관측장치 및 토양특성 관측방법 |
JP3966139B2 (ja) | 2002-09-27 | 2007-08-29 | 株式会社日立製作所 | 気象物理量の推定方法 |
US20050027572A1 (en) * | 2002-10-16 | 2005-02-03 | Goshert Richard D.. | System and method to evaluate crop insurance plans |
US7854108B2 (en) * | 2003-12-12 | 2010-12-21 | Vision Robotics Corporation | Agricultural robot system and method |
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
EP1756731A2 (en) | 2004-04-22 | 2007-02-28 | William R. Pape | Method and system for private data networks for sharing agricultural item attribute and event data across multiple enterprises and multiple stages of production transformation |
US7327245B2 (en) | 2004-11-22 | 2008-02-05 | Microsoft Corporation | Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations |
US20060167926A1 (en) | 2005-01-27 | 2006-07-27 | James Verhey | Vineyard information collection and management system |
US20060282467A1 (en) | 2005-06-10 | 2006-12-14 | Pioneer Hi-Bred International, Inc. | Field and crop information gathering system |
US20080287662A1 (en) | 2005-06-22 | 2008-11-20 | Zeev Wiesman | Balanites Aegyptiaca Saponins and Uses Thereof |
US8527301B2 (en) * | 2006-01-20 | 2013-09-03 | Deere & Company | System and method for evaluating risk associated with a crop insurance policy |
US8200368B2 (en) | 2008-12-10 | 2012-06-12 | Rain Bird Corporation | Automatically adjusting irrigation controller with temperature and rainfall sensor |
US8816262B2 (en) * | 2007-07-03 | 2014-08-26 | Kyle H. Holland | Auto-calibration method for real-time agricultural sensors |
NZ562316A (en) | 2007-10-09 | 2009-03-31 | New Zealand Inst For Crop And | Method and system of managing performance of a tuber crop |
WO2010053957A1 (en) * | 2008-11-04 | 2010-05-14 | Robotic Technology Inc. | Energetically autonomous tactical robot and associated methodology of operation |
US9285501B2 (en) * | 2008-11-04 | 2016-03-15 | Veris Technologies, Inc. | Multiple sensor system and method for mapping soil in three dimensions |
US8311780B2 (en) | 2009-04-23 | 2012-11-13 | Honeywell International Inc. | Enhanced prediction of atmospheric parameters |
NO20091775L (no) | 2009-05-05 | 2010-11-08 | Sinvent As | Energihoster |
WO2011064445A1 (en) | 2009-11-25 | 2011-06-03 | Nokia Corporation | Method and apparatus for agricultural resource mapping |
US8426211B1 (en) * | 2010-02-08 | 2013-04-23 | Bowling Green State University | Method and system for detecting copper in soil from reflected light |
US8655601B1 (en) * | 2010-02-08 | 2014-02-18 | Bowling Green State University | Method and system for detecting phosphorus in soil from reflected light |
US8594897B2 (en) | 2010-09-30 | 2013-11-26 | The Curators Of The University Of Missouri | Variable product agrochemicals application management |
US9058633B2 (en) | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
US10115158B2 (en) * | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
US20130144827A1 (en) * | 2011-02-03 | 2013-06-06 | Schaffert Manufacturing Company, Inc. | Systems and methods for supporting fertilizer decisions |
US8737694B2 (en) | 2011-02-07 | 2014-05-27 | Southern Minnesota Beet Sugar Cooperative | Organic matter mapping using remotely sensed images |
US20130174040A1 (en) | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-planting plan |
US20130173321A1 (en) | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
WO2013137856A1 (en) | 2012-03-12 | 2013-09-19 | Empire Technology Development Llc | Robotic appendages |
WO2013144458A1 (fr) * | 2012-03-27 | 2013-10-03 | Total Sa | Procede de determination de la composition mineralogique |
JP5939041B2 (ja) | 2012-06-01 | 2016-06-22 | 住友電気工業株式会社 | 半導体モジュール及び半導体モジュールの製造方法 |
US20130332205A1 (en) | 2012-06-06 | 2013-12-12 | David Friedberg | System and method for establishing an insurance policy based on various farming risks |
US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
US20140067745A1 (en) | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
US20140089045A1 (en) | 2012-09-27 | 2014-03-27 | Superior Edge, Inc. | Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users |
ES2638965T3 (es) | 2013-03-22 | 2017-10-24 | Foss Analytical A/S | Sistema y método para investigaciones por LIBS y espectroscopía de absorción IR combinadas |
US20140321714A1 (en) * | 2013-04-24 | 2014-10-30 | Billy R. Masten | Methods of enhancing agricultural production using spectral and/or spatial fingerprints |
US9349148B2 (en) * | 2013-07-17 | 2016-05-24 | Sigma Space Corp. | Methods and apparatus for adaptive multisensor analisis and aggregation |
US20150237796A1 (en) * | 2014-02-24 | 2015-08-27 | Robert Celli | Apparatus and method for localized irrigation and application of fertilizers, herbicides, or pesticides to row crops |
CN103941254A (zh) | 2014-03-03 | 2014-07-23 | 中国神华能源股份有限公司 | 一种基于地质雷达的土壤物性类别识别方法和装置 |
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
US20150370935A1 (en) | 2014-06-24 | 2015-12-24 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
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 |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US11069005B2 (en) | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
US10697951B2 (en) * | 2014-12-15 | 2020-06-30 | Textron Systems Corporation | In-soil data monitoring system and method |
US9953241B2 (en) * | 2014-12-16 | 2018-04-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for satellite image processing to estimate crop yield |
US9087312B1 (en) * | 2015-01-23 | 2015-07-21 | Iteris, Inc. | Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states |
US9076118B1 (en) | 2015-01-23 | 2015-07-07 | Iteris, Inc. | 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 |
US10529036B2 (en) * | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
US10028451B2 (en) | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
DE102017215125A1 (de) | 2017-08-30 | 2019-02-28 | Tridonic Gmbh & Co Kg | Kommunikationsmodul und Beleuchtungs-Bussystem mit Netzwerkschnittstelle |
US11080419B2 (en) | 2019-05-28 | 2021-08-03 | Adara, Inc. | Distributed data rights management for peer data pools |
-
2015
- 2015-04-01 US US14/675,992 patent/US10564316B2/en active Active
- 2015-04-08 US US14/681,886 patent/US10690806B2/en active Active
- 2015-09-25 US US14/866,160 patent/US10338272B2/en active Active
-
2016
- 2016-03-15 UA UAA201710918A patent/UA123580C2/uk unknown
- 2016-03-15 CA CA2982806A patent/CA2982806C/en active Active
- 2016-03-15 AU AU2016246391A patent/AU2016246391B2/en active Active
- 2016-03-15 BR BR112017021664-7A patent/BR112017021664A2/pt not_active Application Discontinuation
- 2016-03-21 UA UAA201710622A patent/UA126650C2/uk unknown
- 2016-03-21 AU AU2016244067A patent/AU2016244067B2/en active Active
- 2016-04-01 AR ARP160100878A patent/AR104161A1/es not_active Application Discontinuation
- 2016-04-08 AR ARP160100949A patent/AR106216A1/es not_active Application Discontinuation
- 2016-09-20 CA CA3150421A patent/CA3150421C/en active Active
- 2016-09-20 UA UAA201804466A patent/UA126965C2/uk unknown
- 2016-09-20 WO PCT/US2016/052622 patent/WO2017053273A1/en active Application Filing
- 2016-09-20 EP EP16849415.1A patent/EP3356799A4/en active Pending
- 2016-09-20 CA CA2999865A patent/CA2999865C/en active Active
- 2016-09-20 BR BR112018005893-9A patent/BR112018005893B1/pt active IP Right Grant
- 2016-09-20 AU AU2016328634A patent/AU2016328634B2/en active Active
- 2016-09-23 AR ARP160102917A patent/AR106136A1/es unknown
-
2017
- 2017-10-26 ZA ZA2017/07293A patent/ZA201707293B/en unknown
- 2017-11-02 ZA ZA2017/07447A patent/ZA201707447B/en unknown
-
2018
- 2018-04-11 ZA ZA201802388A patent/ZA201802388B/en unknown
-
2019
- 2019-06-28 US US16/456,883 patent/US10705253B2/en active Active
- 2019-08-23 ZA ZA2019/05571A patent/ZA201905571B/en unknown
-
2020
- 2020-02-14 US US16/791,918 patent/US11275197B2/en active Active
- 2020-07-06 US US16/921,489 patent/US10996373B2/en active Active
- 2020-08-27 ZA ZA2020/05339A patent/ZA202005339B/en unknown
-
2021
- 2021-04-28 US US17/243,447 patent/US11714211B2/en active Active
- 2021-12-09 AU AU2021282487A patent/AU2021282487A1/en not_active Abandoned
-
2023
- 2023-07-19 US US18/224,023 patent/US20230367032A1/en active Pending
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
UA123580C2 (uk) | Поліпшення прогнозування погоди шляхом подальшої обробки даних | |
US10996656B2 (en) | System and method for aggregating test plot results based on agronomic environments | |
US20200241171A1 (en) | Statistical blending of weather data sets | |
US11847708B2 (en) | Methods and systems for determining agricultural revenue | |
US11551313B2 (en) | Generating digital models of relative yield of a crop based on nitrate values in the soil | |
US20240008390A1 (en) | Methods and systems for managing agricultural activities | |
US20240169453A1 (en) | Methods And Systems For Recommending Agricultural Activities | |
AU2017215188B2 (en) | Modeling trends in crop yields | |
US11113649B2 (en) | Methods and systems for recommending agricultural activities | |
US10677962B2 (en) | Estimating temperature values at field level based on less granular data | |
US10175387B2 (en) | Long-range temperature forecasting | |
EP3465257B1 (en) | Computing radar based precipitation estimate errors based on precipitation gauge measurements | |
EP3323004B1 (en) | Computer-based representation of precipitation | |
WO2016164147A1 (en) | Improving weather forecasts through post-processing | |
US20130332205A1 (en) | System and method for establishing an insurance policy based on various farming risks | |
UA126557C2 (uk) | Спосіб визначення врожайності сільськогосподарської культури на національному рівні протягом періоду вегетації із використанням погодних індексів | |
Diak et al. | Agricultural management decision aids driven by real-time satellite data | |
US20170168157A1 (en) | Generating estimates of uncertainty for radar based precipitation estimates | |
de Oliveira Aparecido et al. | Agrometeorological models for forecasting coffee yield |