UA123587C2 - Виявлення заповнених водою ділянок на супутникових знімках - Google Patents

Виявлення заповнених водою ділянок на супутникових знімках Download PDF

Info

Publication number
UA123587C2
UA123587C2 UAA201804464A UAA201804464A UA123587C2 UA 123587 C2 UA123587 C2 UA 123587C2 UA A201804464 A UAA201804464 A UA A201804464A UA A201804464 A UAA201804464 A UA A201804464A UA 123587 C2 UA123587 C2 UA 123587C2
Authority
UA
Ukraine
Prior art keywords
data
water
field
areas
pixel
Prior art date
Application number
UAA201804464A
Other languages
English (en)
Inventor
Веі Гуан
Веи Гуан
Прамісус Кхадка
Прамисус Кхадка
Original Assignee
Зе Клаймет Корпорейшн
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Зе Клаймет Корпорейшн filed Critical Зе Клаймет Корпорейшн
Publication of UA123587C2 publication Critical patent/UA123587C2/uk

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/188Vegetation
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01GHORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00Botany in general
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/06Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/194Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)
  • Signal Processing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Revetment (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

Спосіб виявлення заповнених водою ділянок на супутникових знімках що включає: комп'ютерну систему, що отримує дані зображення поля, що містить множину пікселів, дані про опади для множини пікселів із даними зображення поля, які вказують одну або кілька кількостей опадів на одній або кількох ділянках поля, дані про висоту, що вказують один або кілька підйомів над однією або кількома ділянками поля, та дані про властивості ґрунту, що вказують одну або кілька властивостей ґрунту на одній або кількох ділянках поля. Комп'ютерну систему, яка моделює потоки через множину пікселів із даними зображення поля та на основі даних про опади із множини пікселів, даних про висоту та даних про властивості ґрунту, для ідентифікації набору пікселів із множини пікселів у даних зображення, які ймовірно відповідають заповненим водою після дощу ділянкам. Комп'ютерну систему, що для кожного пікселя з набору пікселів у межах множини пікселів за допомогою класифікатора, що навчений оцінювати ймовірність того, чи представляє піксель заповнену водою ділянку, оцінює ймовірність того, що піксель з набору пікселів представляє воду; призначає ймовірність до пікселя; визначає, на основі ймовірності, що призначена до пікселя та конкретних даних про опади з даних про опади, що призначені до пікселя, клас, з одного чи більше класів, щоб вказувати на імовірність того, що піксель представляє заповнену водою після дощу ділянку. Комп'ютерну систему, яка формує одне або більше сповіщень відповідно до одного або більше класів, визначених для набору пікселів.

Description

представляє заповнену водою після дощу ділянку. Комп'ютерну систему, яка формує одне або більше сповіщень відповідно до одного або більше класів, визначених для набору пікселів.
КЕН чи и че їв ке
Я я що Ме нен ія Я ес ни 7 Н сндіту ра на и спон ЧИ Бек ШОВ
ТА | Й і БЕ 51 «ай КО Кто ме о рН ЖИ і сени чт | рітніттінімлмннсхсняя З Польові данії / Зовнішні ро питоремчя
Її МУМХИ їх й й У дані і ки ня ! кети і нин ин пом ин пис ях с
ПЕНЯ В ЯМ їїї їі і і жан: гі Комп'ютер І Сільськогоспода | : ТУ з 1
НЕ у кабіні Грський пристрій но й і : і 442 Дистанційний: | 48 Контролер і ! т датчик рр внесення Н Н
ІЗ ПО и нн ОО Е
І наван пи - па Я Що ме ДО Мережа) дн і х ПТ ство упак одна кн ' рок и ЖК. ИН Ми і у я ї рення 155 Рівень-зв'язку рих
Н Відні ит днями ееііттеітжнідетинті дою тінііонктепти доня Я Н
РО вк: Підсистема виявлення заповнених водою 7: ! рої: ділянок 170 : Мен Й і і : олімп нн піп нн ннннвннвн : р о ІЗ
РОГ пк гу ше К ше Логіка спектрального аналізу 171 В ша ші та ши 18о
КО Логіка моделювання потоку 172 р ЩО Н
Бі І їі Сховище і ов шдти моделей та Е
Щи І . рі польових ! ож Логіка взаємозв'язку 175 Бі даних і
Ор Р КИ:
КО родили ТШХ в а
І ше В й - же Ж Ї
Кор 000 Логіка сповіщення 173 ії Я ! ншишишшшнищ и ши ши ши т Рівень ве зв «Аа рі і к Ж представлення ! Оля івень керування даними І і ГОТ50 Бівеньобладнання) (7 : і віртуалізації ! І ; 150 Сільськогосподарська інформаційна комп'ютерна система!
0001) Частина опису цього патентного документа містить матеріали, захищені авторським правом. Власник авторських прав не заперечує проти факсимільного відтворення будь-якою особою патентного документа або його опису, наявного у файлах або записах Патентного офісу та Офісу товарних знаків, але залишає за собою всі авторські та інші права в усіх інших випадках. Є 2015 Те Сіїтаїе Согрогайоп.
ГАЛУЗЬ ТЕХНІКИ
І0002| Цей винахід стосується виявлення заповнених водою ділянок (на сільськогосподарських полях за допомогою запрограмованих комп'ютерних систем для аналізу цифрових зображень. Більш конкретно, цей винахід стосується виявлення заповнених водою ділянок на сільськогосподарських полях шляхом аналізу супутникових знімків зазначених сільськогосподарських угідь.
РІВЕНЬ ТЕХНІКИ
0003) Описані в даному розділі підходи - це підходи, які можуть бути реалізовані, але не обов'язково це підходи, які були раніше задумані або реалізовані. Тому, якщо не вказано інше, не слід вважати, що будь-який з описаних в цьому розділі підходів належить до попереднього рівня техніки тільки внаслідок його включення в даний розділ.
Ї0004| Заповнені водою ділянки (також використовуються назви: стояче водоймище, застійна вода або накопичення води) - це, як правило, небажане тимчасове скупчення води на полі або даху після опадів. Наприклад, після сильного дощу на деяких ділянках фермерського поля, через їх географічні властивості, такі як висота, та властивості грунту, може накопичуватись вода. Незважаючи на те, що заповнення водою з часом зникає, через випаровування або поглинання грунтом, у певні періоди скупчення води може вкрай негативно впливати на ріст деяких культур. Наприклад, заповнення водою може відбуватись на місці посаджених культур і призводити до заливання культур водою. Нещодавні сходи або такі культури, як дерен, що є невисокими навіть, коли виростуть, можуть затоплятися та відчувати нестачу кисню, що може дуже негативно на них вплинути або призвести до гибелі рослин. Це особливо небезпечно в ранній вегетаційний період, коли надлишок води може спричинити різке зниження врожайності.
ІЇ0005| Для виявлення заповнених водою ділянок фермерам, як правило, доводилось фізично оглядати поля після випадіння опадів, щоб визначити, чи є скупчення води, які потенційно можуть зашкодити культурам. У разі виявлення таких небезпечних заповнень водою фермери осушують ці ділянки, щоб захистити рослини та запобігти втратам урожаю. Однак сучасні ферми можуть займати надзвичайно великі площі, і фізичне відвідування всіх ділянок, що можуть заповнюватись водою, може виявитись неможливим з практичних міркувань. В результаті виникла ціла сфера досліджень, що вивчає способи автоматичного виявлення заповнених водою ділянок з використанням мультиспектральних супутникових знімків. Ці спектральні підходи зазвичай виходять з того, що вода сильно поглинає випромінювання, що надходить, у довжинах хвиль, що відповідають ближньому і середньому ІЧ-діапазону. Таким чином, замість того, щоб фермер фізично перевіряв поля, може періодично здійснюватися супутникова зйомка сільськогосподарських полів, а знімки можуть бути проаналізовані для визначення ділянок, заповнених водою.
ІО006) В останні роки було розроблено багато методів виявлення ділянок заповнених водою.
Ці методи включають просте визначення порогу з використанням інфрачервоних смуг, комбінації двох або більше смуг або індексів, таких як нормалізований різницевий індекс рослинності (МОМІ) та нормалізований різницевий індекс води (МОМ), а також включення допоміжних змінних, що стосуються рельєфу та топографії, для виявлення води. Існуючі технології, як правило, покладаються на широкомасштабне виявлення води, наприклад, постійних водоймищ або затоплення, з використанням зображень І апазаї. Однак такі методики не вдається добре застосувати до виявлення заповнених водою ділянок на полі.
І0007| Існує багато проблем, пов'язаних із диференціацією сигналів від води та інших сигналів від земної поверхні у даних дистанційного зондування, таких як супутникові зображення. Якість води та глибина впливають на спектральну характеристику, особливо у видимій частині спектра. Велика кількість досліджень була присвячена способам моніторингу якості води та батиметрії із використанням даних дистанційного зондування. Інші фактори, які створюють проблеми при нанесенні на карту ділянок стоячої води, пов'язані зі змішаною спектральною характеристикою пікселів, частково покритих водою (які також називають змішаними пікселями або "мікселями"). За певних роздільних здатностей, наприклад, у зображеннях із роздільною здатністю 5 м, пікселі можуть бути змішаними і складатись з даних кількох кінцевих елементів, таких як грунт, залишки, рослинність, вода, як при борознистому бо зрошенні або у затоплених водно-болотних угіддях, де рослини не повністю занурені у воду. Ще одна проблема пов'язана з тим, що більшість зображень із високою роздільною здатністю, отриманих шляхом дистанційного зондування, не скориговані на вплив атмосфери, отже наявна волога або глибина аерозолю впливає на отримувані сигнали. Враховуючи ці проблеми, виявлення заповнених водою ділянок на полях є надзвичайно складним завданням.
КОРОТКИЙ ОПИС ВИНАХОДУ

Claims (12)

  1. 0008) Формула винаходу, що додається, може служити викладенням суті винаходу. КОРОТКИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВ І0009)| У наведених графічних матеріалах: 0010 На ФІГ. 1 проілюстровано приклад комп'ютерної системи, сконфігурованої з можливістю виконання описаних тут функцій, що зображена у польових умовах разом з іншими пристроями, з якими ця система може взаємодіяти. 00111) На ФІГ. 2 наведено два варіанти ілюстративної логічної організації наборів команд у основній пам'яті при завантаженні ілюстративної програми для мобільних пристроїв для її виконання. ІЇ0012| На ФІГ. З проілюстровано запрограмований процес, використовуючи який сільськогосподарська інформаційна комп'ютерна система генерує одну або кілька попередньо сконфігурованих агрономічних моделей із застосуванням агрономічних даних, отриманих з одного або кількох зовнішніх джерел даних. ІОО13| На ФІГ. 4 наведена блок-схема, що ілюструє комп'ютерну систему, в якій можуть бути здійснені варіанти реалізації даного винаходу. 0014) На ФІГ. 5 проілюстровано спосіб формування карти ймовірності наявності води на основі супутникового зображення у формі блок-схеми відповідно до варіанта реалізації. 00151 На ФІГ. 6 проілюстровано спосіб формування карти можливого заповнення водою на полі у формі блок-схеми відповідно до варіанта реалізації. І0016ї| На ФІГ. 7 проілюстровано спосіб формування попіксельної класифікації заповнених водою ділянок на основі супутникового зображення у формі блок-схеми відповідно до варіанта реалізації. ДОКЛАДНИЙ ОПИС СУТІ ВИНАХОДУ І0017| У 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 вигляді блок-схеми, щоб не ускладнювати сприйняття опису винаходу. Опис має таку структуру розділів:
    1.0 Загальна інформація
  2. 2.0 Ілюстративна сільськогосподарська інформаційна комп'ютерна система
    2.1 Огляд структури
    2.2 Огляд прикладної програми
    2.3 Введення даних у комп'ютерну систему
    2.4 Огляд процесу - підготовка агрономічної моделі
    2.5 Підсистема виявлення заповнених водою ділянок
    2.68 Приклад реалізації - огляд обладнання
  3. 3.0 Вхідні дані ілюстративної системи
    3.1 Дані дистанційного зондування
    3.2 Дані про опади
    3.3 Дані про висоту
    3.4 Дані про властивості грунту
    3.5 Дані про сільськогосподарські угіддя
  4. 4.0 Події, що запускають процес аналізу
  5. 5.0 Спектральний аналіз
    5.1 Підготовка даних підсупутникових спостережень
    5.2 Навчання та використання класифікатора
  6. 6.0 Моделювання потоку
  7. 7.0 Аналіз взаємозв'язку
  8. 8.0 Приклади сповіщень
    8.1 Відвідання виявлених проблемних ділянок
    8.2 Застосування у страхуванні на основі погодних індексів
  9. 9.0 Альтернативні застосування
  10. 10.0 Розширені й альтернативні варіанти реалізації 60 11.0 Додатковий опис
    1.0 ЗАГАЛЬНА ІНФОРМАЦІЯ
    ІЇ0018| Аспекти цього винаходу зосереджені на проблемі виявлення заповнених водою ділянок на сільськогосподарських полях, особливо в ранній вегетаційний період, коли сільськогосподарські культури більш чутливі до надлишку води.
    Відповідно до одного комп'ютерно-реалізованого підходу розроблена програмна модель виявлення заповнення водою, вхідними даними для якої виступають збережені з використанням електронних засобів цифрові зображення сільськогосподарського поля та цифрові дані, що відображають властивості поля, такі як дані про висоту, опади та властивості грунту.
    У деяких випадках під час аналізу в якості фільтра використовується цифрова маска сільськогосподарських угідь, що визначає, які пікселі зображень відповідають сільськогосподарським полям/угіддям.
    І0019) У варіанті реалізації модель для виявлення заповнення водою надається разом із вхідними даними, пов'язаними з сільськогосподарськими полями, такими як: супутникові зображення, дані про опади, висоту, властивості грунту та маска сільськогосподарських угідь.
    По суті, модель може бути розділена на чотири компоненти, які представляють логіку, що застосовується у комп'ютерній системі для виявлення заповнених водою ділянок.
    Однак описані тут способи можуть бути реалізовані у варіантах здійснення, в яких функціонально еквівалентна логіка реалізована іншим чином, не у вигляді описаних чотирьох компонентів.
    00201 Логіка спектрального аналізу аналізує спектральні смуги з супутникового зображення поля та формує карту ймовірності наявності води.
    Для окремих пікселів супутникового зображення карта ймовірності наявності води вказує, яка ймовірність того, що піксель представляє воду.
    У деяких варіантах здійснення логіка спектрального аналізу реалізує класифікатор, навчений на маркованих мітками зображеннях визначати ймовірність.
    Наприклад, логіка спектрального аналізу може використовувати модель логістичної регресії, що використовує спектральні смуги кожного пікселя як характерні ознаки.
    0021) Логіка моделювання потоку використовує виміряну величину попередніх опадів, а також географічну карту висоти поля та абсорбційні властивості грунту на полі, щоб визначити ділянки, ймовірно заповнені дощовою водою.
    Наприклад, для оцінки з вихідної позиції води з опадів, куди ймовірніше за все потекла дощова вода і в якій кількості, на основі висоти ділянки
    Зо та швидкості поглинання води грунтом, може використовуватись ітераційний алгоритм.
    Після ряду ітерацій ділянки моделі, які все ще містять воду, позначаються як потенційні зони заповнення водою.
    (00221) Логіка взаємозв'язку поєднує результати логіки спектрального аналізу з результатами логіки моделювання потоку.
    Логіка взаємозв'язку працює за припущення, що піксель, який точно відображає воду, має більшу вірогідність бути оточеним іншими пікселями води, аніж пікселями, що представляють землю.
    У результаті піксель, який має високу ймовірність того, що він відповідає воді, також збільшує ймовірність того, що сусідні пікселі також представляють воду.
    Крім того, модель передбачає, що пікселі з високою ймовірністю того, що вони відповідають воді (як визначено логікою спектрального аналізу), які знаходяться в зоні ймовірного накопичення води (як визначено логікою моделювання потоку), мають більшу ймовірність того, що вони представляють заповнену водою ділянку.
    І0023) Логіка взаємозв'язку формалізує зазначені вище поняття у конкретну діючу модель.
    Наприклад, супутникове зображення можна розглядати як граф, де кожен вузол представляє піксель і з'єднаний із сусідніми пікселями своїми ребрами.
    Імовірність того, що кожен піксель представляє воду, базується на зваженому поєднанні значення за картою ймовірності наявності води для пікселя та ймовірності накопичення води в зоні, представленій пікселем, на основі моделювання потоку.
    Наприклад, якщо піксель має високу ймовірність відповідності воді та розташований у місці можливого накопичення води, посилюється ймовірність того, що піксель представляє заповнену водою ділянку.
    Проте, якщо дві підмоделі не погоджуються (або погоджуються, що піксель являє собою землю), ймовірність того, що піксель відповідає заповненій водою ділянці, відповідно зменшується.
    І0024| Крім того, ймовірність того, що піксель відповідає заповненій водою ділянці, розглядається не у вакуумі, а при урахуванні ймовірності того, що сусідні пікселі відповідають заповненій водою ділянці.
    Наприклад, ймовірність відповідності заповненій водою ділянці збільшується, якщо сусідні пікселі ймовірно представляють воду, і зменшуються, якщо сусідні пікселі ймовірно представляють землю.
    Таким чином, модель визначає клас (вода або земля) для кожного пікселя, що максимізує сукупну ймовірність за графом.
    У деяких варіантах реалізації логіка взаємозв'язку використовує Марківське випадкове поле (МЕРЕ, від англ.
    Магком Капдот Ріє) для моделювання взаємозв'язку між пікселями.
    Крім того, в деяких варіантах бо реалізації мета полягає в тому, щоб виявити заповнені водою ділянки лише на сільськогосподарських полях/угіддях.
    Таким чином, використовується маска сільськогосподарських угідь для відфільтрування пікселів, які не відповідають сільськогосподарським угіддям, щоб ефективно запобігати класифікації пікселів, що не представляють сільськогосподарські угіддя, як заповнені водою ділянки.
    І0025| Логіка сповіщення використовує результат логіки взаємозв'язку (попіксельної класифікації води або землі), щоб сформувати сповіщення (наприклад, електронні листи, текстові повідомлення тощо), яке надсилається на пристрій фермера або іншого сільськогосподарського агента, та попереджає про потенційну небезпеку заповнених водою ділянок на полях та конкретне(ії) місце(я) для перевірки.
    У деяких варіантах реалізації логіка сповіщення не тільки визначає місця розташування, а й обчислює оптимальний маршрут для перевірки фермером усіх виявлених проблемних ділянок на полях.
    0026) Таким чином, способи, описані в даному документі, забезпечують вигоду у вигляді методик, які визначають ті ділянки сільськогосподарських полів, які ймовірно заповнені водою, так що фермер може більш ефективно знаходити та осушати заповнені водою ділянки.
    Оскільки заповнення водою може істотно знизити врожайність, то чим швидше фермер зможе знайти та осушити заповнену водою ділянку, тим більша ймовірність збереження врожаю навіть у випадку сильного затоплення.
    І0027| Багато з наведених тут прикладів передбачають, що супутникові зображення дають змогу проводити вимірювання у різних діапазонах, наприклад, у синьому, зеленому, червоному,
    червоному крайовому і ближньому інфрачервоному (МІК) діапазонах із різною роздільною здатністю.
    Як конкретний приклад, супутникові зображення, що використовуються як вхідні дані для моделі, можуть бути даними супутникового зображення КАРІЮОЕМУЕ, комерційно доступними від різних постачальників супутникових послуг, таких як корпорація Заїеїййе Ітадіпу Согрогаййоп зі штаб-квартирою в Томболі, штат Техас.
    Проте, описані тут методики не обмежуються жодним конкретним типом зображень.
    Наприклад, в деяких варіантах реалізації можуть використовуватися знімки зроблені з літака, що летить над полем, а не супутникові зображення.
    0028) Інші ознаки й аспекти винаходу будуть очевидні з наведених графічних матеріалів, опису і формули винаходу.
    00291 2.0 ІЛЮОСТРАТИВНА СІЛЬСЬКОГОСПОДАРСЬКА ІНФОРМАЦІЙНА КОМП'ЮТЕРНА
    Коо) СИСТЕМА
    (003091 2.1 ОГЛЯД СТРУКТУРИ
    І0О31| На ФІГ. 1 проілюстровано приклад комп'ютерної системи, сконфігурованої з можливістю виконання описаних тут функцій, що зображена у польових умовах разом з іншими пристроями, з якими ця система може взаємодіяти.
    В одному варіанті реалізації користувач 102 володіє, експлуатує або використовує обчислювальний пристрій 104 для керування польовими роботами, що розташований на полі або пов'язаний з таким місцем розташування, наприклад, полем, на якому проводиться сільськогосподарська діяльність, або з центром, з якого здійснюється управління сільськогосподарськими роботами на одному чи кількох полях.
    Обчислювальний пристрій 104 для керування польовими роботами запрограмований або налаштований із можливістю надання польових даних 106 сільськогосподарській інформаційній комп'ютерній системі 130 через одну або кілька мереж 109.
    0032) Приклади польових даних 106 включають: (а) ідентифікаційні дані (наприклад, площа ділянки, назва поля, ідентифікатори полів, географічні ідентифікатори, ідентифікатори меж, ідентифікатори культур та будь-які інші придатні дані, які можуть використовуватись для ідентифікації сільськогосподарських земель, наприклад, загальні земельні одиниці (СІ), номер ділянки та блоку, номер земельної ділянки (на великомасштабних картах), географічні координати та межі, серійний номер ферми (Е5М), номер ферми, номер ділянки у 40 акрів (прибл. 16 га), номер поля, ділянка у 640 акрів (256 га), ділянка площею 36 кв. миль (93,236 кв. км) та/або ділянка вигулу); (Б) дані про врожай (наприклад, тип сільськогосподарських культур,
    сорти сільськогосподарських культур, сівозміна, застосування органічних методів вирощування культур, дата збирання врожаю, хронологія фактичного виробництва (АРН), очікувана врожайність, врожайність, ціна на культуру, доходи від культури, вологість зерен, практика механічної обробки грунту та інформація про попередній вегетаційний сезон), (с) дані про грунт (наприклад, тип, склад, рН, органічна речовина (ОМ), катіонообмінна здатність (СЕС)); (4) дані про сівбу і посадки (наприклад, дата сівби/посадки, тип насіння, відносна зрілість (ЕМ) посадженого насіння, щільність висівання насіння), (е) дані про добрива (наприклад, тип нутрієнта (азот, фосфор, калій), тип внесення, дата внесення, кількість, джерело); (І) дані про пестициди (наприклад, пестициди, гербіциди, фунгіциди, інша речовина або суміш речовин, призначених для використання як регулятора рослин, дефоліант або осушувач), (9) дані про
    60 зрошення (наприклад, дата внесення, кількість, джерело); (п) дані про погоду (наприклад,
    опади, температура, вітер, прогноз, тиск, видимість, хмарність, тепловий індекс, точка роси, вологість, глибина снігу, якість повітря, схід сонця, захід сонця), (ї) дані зображень (наприклад, зображення та дані світлового спектра, отримані від датчика сільськогосподарського пристрою, камери, комп'ютера, смартфона, планшета, безпілотного літального апарата, літаків або супутника), ()) дані польових спостережень (фотографії, відеоролики, нотатки у вільній формі, голосові записи, розшифровані голосові записи, погодні умови (температура, опади (поточні і протягом того чи іншого проміжку часу), вологість грунту, стадія росту рослин, швидкість вітру, відносна вологість, точка роси, чорний шар)), і «К) грунт, насіння, фенологія культур, звіти про шкідників та хвороби, джерела прогнозів та бази даних. ЇОО33| Комп'ютер 108 зовнішнього сервера даних комунікативно зв'язаний (із сільськогосподарською інформаційною комп'ютерною системою 130 та запрограмований або налаштований з можливістю передачі зовнішніх даних 110 у сільськогосподарську інформаційну комп'ютерну систему 130 через мережу(і) 109. Комп'ютер 108 зовнішнього сервера даних може належати або керуватись тією ж юридичною особою або суб'єктом господарювання, що й сільськогосподарська інформаційна комп'ютерна система 130, або іншою особою чи суб'єктом права, наприклад, державним агентством, неурядовою організацією (МОСО) та/або приватним постачальником послуг передачі даних. Приклади зовнішніх даних включають дані про погоду, дані зображень, дані про грунт або статистичні дані щодо врожайності сільськогосподарських культур тощо. Зовнішні дані 110 можуть складатися з інформації того ж типу, що і польові дані
    106. У деяких варіантах реалізації зовнішні дані 110 забезпечуються зовнішнім сервером даних 108, який належить одному і тому ж суб'єкту господарювання, який володіє та/або управляє сільськогосподарською інформаційною комп'ютерною системою 130. Наприклад, сільськогосподарська інформаційна комп'ютерна система 130 може містити сервер даних, орієнтований виключно на тип даних, які в іншому випадку можна отримати зі сторонніх джерел, наприклад, дані про погоду. І0010| Сільськогосподарський пристрій 111 має один або кілька закріплених на ньому дистанційних датчиків 112, які комунікативно зв'язані прямо або опосередковано через сільськогосподарський апарат 111 з сільськогосподарською інформаційною комп'ютерною системою 130 і запрограмовані або налаштовані з можливістю передачі даних датчиків до Зо сільськогосподарської інформаційної комп'ютерної системи 130. Приклади сільськогосподарського пристрою 111 включають трактори, комбайни, збиральні комбайни, сівалки, вантажні автомобілі, обладнання для внесення добрив, безпілотні літальні апарати та будь-який інший варіант фізичного обладнання або апаратного забезпечення, як правило, мобільні машини, які можуть використовуватися для виконання завдань, пов'язаних із сільським господарством. У деяких варіантах реалізації одна одиниця пристрою 111 може містити множину датчиків 112, які локально з'єднані в мережі на пристрої; контролерна мережа (САМ) є прикладом такої мережі, яка може бути встановлена на комбайнах або збиральних комбайнах. Контролер внесення 114 комунікативно з'єднаний із сільськогосподарською інформаційною комп'ютерною системою 130 через мережу(ї) 109 і запрограмований або налаштований на одержання одного або кількох скриптів для керування робочим параметром сільськогосподарського транспортного засобу або обладнання від сільськогосподарської інформаційної комп'ютерної системи 130. Наприклад, інтерфейс шини контролерної мережі (САМ) може використовуватися для забезпечення зв'язку між сільськогосподарською інформаційною комп'ютерною системою 130 та сільськогосподарським пристроєм 111, як-от СГІМАТЕ РІЕСОМІЕМУ ОКІМЕ, що є доступним від Пе Сійпасе Согрогайоп, Сан-Франциско, штат Каліфорнія. Дані датчика можуть складатися з інформації того ж типу, що і польові дані 106. І0034| Пристрій 111 може містити комп'ютер у кабіні 115, запрограмований із застосуванням прикладної програми для використання в кабіні що може включати версію або варіант мобільної програми для пристрою 104, який додатково описаний в інших розділах цього документу. У варіанті реалізації комп'ютер у кабіні 115 містить компактний комп'ютер, як правило, планшет або смартфон з кольоровим графічним екраном, який встановлюється в кабіні оператора пристрою 111. Комп'ютер у кабіні 115 може реалізувати деякі або всі операції та функції, описані нижче для мобільного комп'ютерного пристрою 104. (0035) Мережа) 109 у широкому сенсі представляє(ють) собою будь-яку комбінацію однієї або кількох мереж передачі даних, включаючи локальні мережі, широкосмугові мережі, міжмережний обмін або інтернет, використовуючи будь-які дротові та бездротові лінії зв'язку, включаючи наземні або супутникові. Мережа (мережі) може (можуть) бути реалізована (реалізовані) із застосуванням будь-якого середовища або засобу, що забезпечує обмін даними між різними елементами на ФІГ. 1. Різні елементи на ФІГ. 1 можуть також мати прямі (дротові бо або бездротові) лінії зв'язку. Датчики 112, контролер 114, комп'ютер зовнішнього сервера даних
    108 та інші елементи системи містять (кожний) інтерфейс, сумісний з мережею(ами) 109, і запрограмовані або сконфігуровані з можливістю використання стандартизованих протоколів для зв'язку в таких мережах, як ТСР/Р, протокол САМ та протоколи високого рівня, такі як НТТР, ТІ 5 тощо. І0036| Сільськогосподарська інформаційна комп'ютерна система 130 запрограмована або сконфігурована для прийому польових даних 106 від обчислювального пристрою 104 для керування польовими роботами, зовнішніх даних 110 від комп'ютера 108 зовнішнього сервера даних та даних датчика з дистанційного датчика 112. Сільськогосподарська інформаційна комп'ютерна система 130 може бути додатково сконфігурована для зберігання, використання або виконання однієї або кількох комп'ютерних програм, інших елементів програмного забезпечення, цифрової програмованої логіки, такої як ЕРСОА або АБІС, або будь-якої їх комбінації для виконання трансляції та зберігання значень даних, побудови цифрових моделей однієї або кількох культур на одному або кількох полях, формування рекомендацій та сповіщень, а також створення та відправлення скриптів у контролер внесення 114, як описано далі в інших розділах цього опису. І0037| У варіанті реалізації сільськогосподарська інформаційна комп'ютерна система 130 запрограмована або містить рівень зв'язку 132, рівень представлення 134, рівень керування даними 140, рівень обладнання/віртуалізації 150, а також сховище моделей та польових даних
    160. "Рівень" у цьому контексті означає будь-яку комбінацію електронних цифрових інтерфейсних схем, мікроконтролерів, прошивки, наприклад, драйверів та/або комп'ютерних програм або інших елементів програмного забезпечення. 0038) Рівень зв'язку 132 може бути запрограмований або налаштований з можливістю виконання функцій інтерфейсу введення/виведення, включаючи передачу запитів в обчислювальний пристрій 104 для керування польовими роботами, комп'ютер 108 зовнішнього сервера даних та дистанційний датчик 112 для отримання польових даних, зовнішніх даних та даних датчиків, відповідно. Рівень зв'язку 132 може бути запрограмований або налаштований з можливістю передачі отриманих даних у сховище моделей та польових даних 160 для зберігання як польових даних 106. ІЇ0039| Рівень представлення 134 може бути запрограмований або налаштований з Зо можливістю створення графічного інтерфейсу користувача (СИ), який відображатиметься на екрані обчислювального пристрою 104 для керування польовими роботами, комп'ютера в кабіні 115 або інших комп'ютерів, які з'єднані з системою 130 через мережу 109. ЦІ може містити елементи керування для введення даних, що мають направлятися в сільськогосподарську інформаційну комп'ютерну систему 130, формування запитів для моделей та/або рекомендацій, і/або відображення рекомендацій, сповіщень, моделей та інших польових даних. І0040| Рівень керування даними 140 може бути запрограмований або налаштований з можливістю керування операціями зчитування та запису, що стосуються сховища 160 та інших функціональних елементів системи, включаючи запити та набори результатів, що передаються між функціональними елементами системи та сховищем. Приклади рівня керування даними 140 включають УОВС, код інтерфейсу ЗОЇ -сервера та/або код інтерфейсу НАБООР та інші. Сховище 160 може містити базу даних. Термін "база даних", що тут вживається, може стосуватися сукупності даних, системи керування базами даних (КОВМ5) або їх 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, але не обмежуються названими: бази даних ОКАСІ ЕФ, МУЗОЇ, ІВМФ 082, МІСКОБОГТФ ЗОЇ ЗЕКМЕК, ЗУВАЗЕФ і РОБТОКЕЗ5ОЇ. Однак можна використовувати будь-яку базу даних, яка дозволяє здійснювати описані тут системи та способи. ІЇ0041| Якщо польові дані 106 не надаються безпосередньо сільськогосподарській інформаційній комп'ютерній системі через одну або кілька сільськогосподарських машин або пристроїв сільськогосподарських машин, які взаємодіють 3 сільськогосподарською інформаційною комп'ютерною системою, користувачу 102 може бути запропоновано на одному або кількох інтерфейсах користувача на пристрої користувача (обслуговується сільськогосподарською інформаційною комп'ютерною системою) ввести таку інформацію. У прикладі здійснення користувач 102 може вказувати ідентифікаційні дані, отримуючи доступ до карти на пристрої користувача (обслуговується сільськогосподарською інформаційною комп'ютерною системою) та вибираючи конкретні СО, що графічно відображені на карті. В альтернативному варіанті реалізації користувач 102 може вказувати ідентифікаційні дані, 60 отримуючи доступ до карти на пристрої користувача (обслуговується сільськогосподарською інформаційною комп'ютерною системою 130) та наносячи межі поля на карті.
    Такі схеми вибору
    СО або окреслення на карті представляють собою географічні ідентифікатори.
    У альтернативних варіантах реалізації користувач 102 може вказувати ідентифікаційні дані,
    отримуючи доступ до ідентифікаційних польових даних (наданих у вигляді файлів форми або в аналогічному форматі) Управління обслуговування фермерів Міністерства сільського господарства США або з іншого джерела через пристрій користувача та передаючи такі ідентифікаційні польові дані у сільськогосподарську інформаційну комп'ютерну систему.
    00421 У варіанті реалізації дані моделі та поля зберігаються в сховищі моделей та польових даних 160. Дані моделі включають моделі даних, створені для одного або кількох полів.
    Наприклад, модель культури може містити побудовану цифровими засобами модель розвитку культури на одному або кількох полях. "Модель" у цьому контексті стосується набору виконуваних команд та значень даних, що зберігаються з використанням електронних цифрових засобів, пов'язаних один з одним, які здатні приймати та реагувати на програмний або інший цифровий виклик, активізацію або запит на вирішення на основі вказаних вхідних значень для отримання одного або кількох вихідних значень, що зберігаються, які, крім іншого, можуть слугувати основою для комп'ютерних рекомендацій, відображуваних вихідних даних або керування машинами.
    Кваліфіковані фахівці у цій галузі вважають, що зручніше представляти моделі з використанням математичних рівнянь, але форма вираження не обмежує описані тут моделі абстрактними поняттями; навпаки, кожна модель має практичне застосування в комп'ютері у вигляді збережених виконуваних команд та даних, що реалізують модель за допомогою комп'ютера.
    Дані моделі можуть містити модель минулих подій на одному або кількох полях, модель поточного стану одного або кількох полів та/"або модель прогнозованих подій в одному або кількох полях.
    Дані моделі та польові дані можуть зберігатися в структурах даних у пам'яті, рядках таблиці бази даних, неструктурованих файлах або електронних таблицях або в інших формах збережених цифрових даних.
    0043) Рівень обладнання/віртуалізації 150 містить один або кілька центральних процесорів (СРШ), контролерів пам'яті та інших пристроїв, компонентів або елементів комп'ютерної системи, таких як енергозалежна або енергонезалежна пам'ять, енергонезалежне сховище, таке як диск, та пристрої або інтерфейси введення/виведення, зображені та описані, наприклад,
    Зо у зв'язку з ФІГ. 4. Рівень 150 також може містити запрограмовані команди, виконані з можливістю підтримки віртуалізації, контейнеризації та інших технологій.
    (0044) Для ілюстрації чіткого і ясного прикладу на ФІГ. 1 проілюстроване обмежене число екземплярів деяких функціональних елементів.
    Проте, в інших варіантах реалізації може використовуватись будь-яка кількість таких елементів.
    Наприклад, у варіантах реалізації можуть використовуватися тисячі або мільйони різних мобільних обчислювальних пристроїв 104, пов'язаних з різними користувачами.
    Крім того, система 130 та/або комп'ютер 108 зовнішнього сервера даних може бути реалізований з використанням двох або більшої кількості процесорів, ядер, кластерів або екземплярів фізичних або віртуальних машин, сконфігурованих у конкретному місці розташування або розташованих разом з іншими елементами в центрі обробки даних, спільно використовуваному обчислювальному центрі або засобі хмарних обчислень.
    0045) 2.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ
    (0046) В одному варіанті реалізації винаходу втілення описаних тут функцій 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, окремо або в поєднанні з наведеними тут описами процесів та функцій, алгоритмами, планами або вказівками, які можуть використовуватися для програмування комп'ютера або логіки з метою втілення описаних функцій.
    Іншими словами, весь текст опису в цьому документі та всі графічні матеріали разом покликані забезпечити розкриття алгоритмів, планів або вказівок, достатніх для того, щоб надати кваліфікованому фахівцю можливість запрограмувати комп'ютер для виконання описаних тут функцій, у поєднанні зі знаннями та навичками такої людини, за наявності рівня знань, що відповідає винаходам та описам цього виду.
    І0047| В одному варіанті реалізації винаходу користувач 102 взаємодіє з сільськогосподарською інформаційною комп'ютерною системою 130, використовуючи обчислювальний пристрій 104 для керування польовими роботами, забезпечений операційною системою і однією або кількома прикладними або мобільними програмами; обчислювальний бо пристрій 104 для керування польовими роботами також може взаємодіяти з сільськогосподарською інформаційною комп'ютерною системою 130 незалежно і автоматично під керуванням програми або логічним управлінням, так що безпосередня взаємодія з користувачами не завжди є потрібною.
    Обчислювальний пристрій 104 для керування польовими роботами в широкому сенсі може являти собою одне або кілька з таких пристроїв, як смартфон, КПК, планшетний комп'ютерний пристрій, переносний комп'ютер, настільний комп'ютер або робоча станція, або будь-який інший обчислювальний пристрій, здатний передавати й отримувати інформацію, а також виконувати описані тут функції.
    Обчислювальний пристрій 104 для керування польовими роботами може здійснювати зв'язок через мережу, використовуючи мобільну програму, що зберігається в обчислювальному пристрої 104 для керування польовими роботами, і в деяких варіантах реалізації винаходу пристрій може бути з'єднаний за допомогою кабелю 113 або з'єднувача з датчиком 112 та/або контролером 114. Конкретний користувач 102 може володіти, експлуатувати або володіти та експлуатувати у зв'язку з системою 130 більше одного обчислювального пристроя 104 для керування польовими роботами одночасно.
    І0048| Мобільна програма може надавати функціональність на стороні сервера через мережу 109 для одного або кількох мобільних обчислювальних пристроїв.
    В ілюстративному варіанті реалізації обчислювальний пристрій 104 для керування польовими роботами може отримувати доступ до мобільної програми через веб-браузер або локальну клієнтську програму або програму для мобільних пристроїв.
    Обчислювальний пристрій 104 для керування польовими роботами може передавати і приймати дані від одного або кількох інтерфейсних серверів із використанням веб-протоколів або форматів, таких як НТТР, ХМ. та/або У5ОМ, або спеціальних протоколів для програм для мобільних пристроїв.
    В ілюстративному варіанті реалізації винаходу дані можуть мати форму запитів та інформації, що вводиться користувачем в мобільний обчислювальний пристрій, наприклад, польові дані.
    У деяких варіантах реалізації винаходу програма для мобільних пристроїв взаємодіє з апаратним та програмним забезпеченням відстеження на обчислювальному пристрої 104 для керування польовими роботами, що визначає місцерозташування обчислювального пристрою 104 для керування польовими роботами, використовуючи стандартні методи відстеження, такі як мультилатерація радіосигналів, глобальна система позиціонування (СР), ММіРі-системи визначення місцерозташування або інші методи мобільного визначення місцерозташування.
    У деяких випадках дані про місцезнаходження або інші дані, пов'язані з пристроєм 104, користувачем 102 та/або обліковим(и) записом(ами) користувача(ів), можуть бути отримані шляхом запитів до операційної системи пристрою або запиту до мобільної програми на пристрої для отримання даних від операційної системи.
    І0049| У варіанті реалізації обчислювальний пристрій 104 для керування польовими роботами надсилає польові дані 106 до сільськогосподарської інформаційної комп'ютерної системи 130, що містить або включає в себе значення даних, які представляють одне або кілька з наступного: географічне розташування одного або кількох полів, обробка інформації про механічну обробку грунту для одного або кількох полів, культури, посіяні/посаджені на одному або кількох полях, та дані грунту, отримані для одного або кількох полів.
    Обчислювальний пристрій 104 для керування польовими роботами може надсилати польові дані 106 у відповідь на введення даних користувачем 102, який вказує значення даних для одного або кількох полів.
    Крім того, обчислювальний пристрій 104 для керування польовими роботами може автоматично надсилати польові дані 106, коли одне або кілька значень даних стають доступними для обчислювального пристрою 104 для керування польовими роботами.
    Наприклад,
    обчислювальний пристрій 104 для керування польовими роботами може бути з'єднаним із можливістю зв'язку з дистанційним датчиком 112 та/або контролером внесення 114. У відповідь на отримання даних, які вказують на те, що контролер внесення 114 забезпечив подачу води на одне або кілька полів, обчислювальний пристрій 104 для керування польовими роботами може передавати польові дані 106 в сільськогосподарську інформаційну комп'ютерну систему 130, що вказують на те, що воду було внесено на одному або кількох полях.
    Польові дані 106, зазначені в цьому описі, можуть вводитися та передаватися з використанням електронних цифрових даних, що передаються між обчислювальними пристроями з використанням параметризованих ИОАВІ-адрес за протоколом НТТР або іншим відповідним протоком зв'язку або обміну повідомленнями.
    0050) Комерційним прикладом мобільної програми є СГІМАТЕ РІЕГОМІЕМУ, що є комерційно доступною від Те Сійпасге Согрогайоп, Сан-Франциско, штат Каліфорнія.
    С ІМАТЕ РІЕГОМЕМУУ або інші прикладні програми можуть бути змінені, розширені або адаптовані для включення характерних ознак, функцій та програм, які не були розкриті раніше дати подання цієї заявки на винахід.
    В одному варіанті реалізації програма для мобільних пристроїв містить інтегровану бо програмну платформу, яка дозволяє сільськогосподарському виробнику приймати основані на фактах рішення щодо роботи, оскільки поєднує в собі історичні дані про поля виробника та будь-які інші дані, які сільгоспвиробник бажає порівняти.
    Комбінації та порівняння можуть виконуватися в режимі реального часу, і вони базуються на наукових моделях, які надають потенційні сценарії, щоб дозволити виробнику приймати кращі, більш обгрунтовані рішення.
    І0051|| На ФІГ. 2 наведено два варіанти ілюстративної логічної організації наборів команд у основній пам'яті при завантаженні ілюстративної програми для мобільних пристроїв для її виконання.
    На ФІГ. 2 кожен названий елемент представляє область з однієї або кількох сторінок оперативної пам'яті або іншої основної пам'яті або одного або кількох блоків на диску або іншому енергонезалежному накопичувачі та запрограмовані команди у цих областях.
    У одному з варіантів реалізації винаходу на виді (а) мобільна прикладна програма 200 містить команди щодо облікового запису, полів, введення даних і обміну ними 202, команди перегляду та сповіщення 204, команди цифрового набору карт 206, інструкції щодо насіння та сівби/посадки 208, інструкції щодо азоту 210, пов'язані з погодою команди 212, команди щодо стану поля 214 та інструкції щодо виконання 216.
    00521 В одному варіанті реалізації мобільна прикладна програма 200 містить команди щодо облікового запису, полів, введення даних і обміну ними 202, запрограмовані для прийому, трансляції та введення польових даних зі сторонніх систем за допомогою ручного завантаження або АРІ-інтерфейсів.
    Типи даних можуть включати, зокрема, межі полів, карти врожайності, карти сівби/посадки, результати тестів грунту, карти внесення та/або зони управління тощо.
    Формати даних можуть включати, серед іншого: файли форми, власні формати даних третіх сторін та/або експортовані дані інформаційної системи управління фермою (ЕМІ5). Отримання даних може відбуватися шляхом ручного завантаження, з використанням зовнішніх АРІ, що передають дані до мобільної програми, або команд, які викликають інтерфейси АРІ зовнішніх систем для передачі даних у мобільну програму.
    І0053| В одному варіанті команди цифрового набору карт 206 містять шари даних карти поля, що зберігаються в пам'яті пристрою, і програмуються з використанням засобів візуалізації даних та приміток щодо географічно-просторового розташування полів.
    Це забезпечує сільгоспвиробників зручною інформацією для довідки, ведення журналів та отримання візуальних даних про результати робіт на полі.
    В одному варіанті реалізації команди перегляду
    Зо та сповіщення 204 запрограмовані для забезпечення загального огляду операцій, що надає важливі дані для виробників, та своєчасних рекомендацій щодо вжиття заходів чи зосередження уваги на конкретних питаннях.
    Це дає змогу сільгоспвиробнику приділити час тому, що потребує уваги, щоб заощадити час і зберегти врожай протягом всього сезону.
    В одному варіанті реалізації інструкції щодо насіння та сівби/посадки 208 запрограмовані для надання інструментів для вибору насіння, гібридного розміщення та створення скриптів, включаючи створення скриптів змінної швидкості (МК) на основі наукових моделей та емпіричних даних.
    Це дає можливість сільгоспвиробникам максимізувати врожайність або рентабельність інвестицій шляхом оптимізації закупівлі насіння, розміщення та густоти культур.
    (0054) В одному варіанті реалізації винаходу інструкції щодо азоту 210 запрограмовані для надання інструментів для прийняття обгрунтованих рішень із використанням візуалізації доступності азоту для сільськогосподарських культур та створенням сценаріїв урожайності зі змінною швидкістю (УК). Це дає можливість сільгоспвиробникам максимізувати врожайність або рентабельність інвестицій за рахунок оптимізації внесення азоту протягом сезону.
    Приклад запрограмованих функцій включає відображення зображень, таких як зображення 55Ї0КОО,
    для забезпечення можливості креслення зон внесення; завантаження існуючих визначених сільгоспвиробником зон; надання графіку внесення для забезпечення можливості регулювання внесення азоту в різних зонах; виведення скриптів для керування машинами; інструменти для введення масивів даних та налаштування; та/або карти для візуалізації даних тощо. "Введення масивів даних" у цьому контексті може означати однократне введення даних із подальшим їх застосуванням для кількох полів, визначених у системі; приклади даних можуть включати дані про внесення азоту, однакові для кількох полів одного й того ж сільгоспвиробника.
    Наприклад, інструкції щодо азоту 210 можуть бути запрограмовані з можливістю прийняття визначень програм внесення азоту й методів внесення та прийняття введених користувачем даних, що визначають застосування зазначених програм для кількох полів. "Програми внесення азоту" в цьому контексті означає набір даних, що мають назву, зберігаються та відповідають такій інформації: назва, колірний код або інший ідентифікатор, одна або кілька дат внесення, типи матеріалу або продукту для кожної дати та кількості, спосіб застосування або внесення, наприклад, ін'єкційний або ножовий, та/або кількість і швидкість внесення для кожної дати, культура або гібрид, для якого(ої) здійснюється внесення, тощо. "Програми методів внесення бо азоту" в цьому контексті означає набір даних, що мають назву, зберігаються та відповідають такій інформації: назва способу; попередній урожай; система механічної обробки грунту; дата первинної механічної обробки грунту; одна або кілька попередніх систем механічної обробки грунту, які використовувались; один або кілька показників внесення гною, що використовувались.
    Інструкції щодо азоту 210 також можуть бути запрограмовані з можливістю формування та забезпечення виведення на дисплей при застосуванні програми до поля графіку азоту, що демонструє прогноз використання рослинами внесеного у тій чи іншій формі азоту та можливий очікуваний надлишок або дефіцит; в деяких варіантах реалізації різні колірні індикатори можуть сигналізувати про величину надлишку або дефіциту.
    В одному варіанті реалізації графік азоту містить графічне відображення на дисплеї обчислюваного пристрою, що містить множину рядків, кожен з яких пов'язаний з полем та ідентифікує його; дані, що вказують, яку культуру вирощують на полі, розмір поля, місце розташування поля та графічне зображення периметру поля; в кожному рядку - часова лінія за місяцями з графічними індикаторами, що відповідають кожному внесенню азоту, із зазначенням кількості у точках, що корелюються з назвами місяців; і числові та/або колірні індикатори надлишку або дефіциту, у яких колір вказує на величину.
    І0055| В одному варіанті реалізації пов'язані з погодою команди 212 запрограмовані з можливістю надання відповідних полю даних про поточні/недавні погодні умови та прогноз погоди.
    Це дає змогу сільгоспвиробникам економити час і мати ефективне інтегроване представлення на дисплеї всіх даних, потрібних для прийняття щоденних оперативних рішень.
    І0056| В одному варіанті реалізації команди щодо стану поля 214 запрограмовані з можливістю своєчасного надання зображень дистанційного зондування, на яких виділені відхилення у розвитку культур протягом вегетаційного періоду та інші можливі проблеми.
    Приклади запрограмованих функцій включають перевірку на наявність хмар, визначення можливих хмар або тіней від них; визначення показників азоту на основі зображень полів;
    графічна візуалізація даних польових спостережень, включаючи, наприклад, ті, що стосуються стану поля, та перегляд і/або обмін нотатками з польових спостережень; і/або завантаження супутникових зображень з різних джерел та визначення пріоритету зображень для сільгоспвиробника тощо.
    І0057| В одному варіанті реалізації інструкції щодо виконання 216 запрограмовані з
    Зо можливістю надання звітів, аналізу та інструментів для отримання більш докладної інформації, використовуючи дані ферми для оцінки, розуміння ситуації та прийняття рішень.
    Це дає змогу сільгоспвиробнику досягти покращених результатів наступного року, використовуючи засновані на фактах висновки про те, чому прибутковість інвестицій була на попередніх рівнях, а також інформацію про чинники, що обмежують дохідність.
    Інструкції щодо виконання 216 можуть бути запрограмовані з можливістю зв'язку через мережу(і) 109 для внутрішніх аналітичних програм, що виконуються на комп'ютері 108 зовнішнього сервера даних та налаштовані на аналіз таких показників, як: урожай, гібрид, густота культур, 55ИКОСО, тести грунту або висота тощо.
    Запрограмовані звіти та аналіз можуть включати аналіз змінності врожаю, порівняльний аналіз урожайності та інших показників з іншими сільгоспвиробниками на основі анонімізованих даних,
    зібраних для багатьох сільгоспвиробників, або дані щодо насіння та сівби/посадки тощо.
    0058) Програми, що мають сконфігуровані таким чином команди і інструкції, можуть бути реалізовані на різних платформах обчислювальних пристроїв при збереженні однакового загального вигляду інтерфейсу користувача.
    Наприклад, програма для мобільних пристроїв може бути складена з можливістю виконання на планшетах, смартфонах або серверних комп'ютерах, доступ до яких здійснюється за допомогою браузерів на клієнтських комп'ютерах.
    Крім того, мобільна програма, налаштована для планшетів або смартфонів, може бути повністю працездатною на мобільному пристрої або пристрої в кабіні, забезпечуючи виведення на дисплей та обробку в комп'ютері у кабіні 115. Наприклад, на зображенні (Б) на ФІГ. 2 в одному варіанті реалізації програма у комп'ютері в кабіні 220 може містити команди карт у кабіні 222,
    команди дистанційного перегляду 224, команди збирання та передачі даних 226, команди щодо машинних сповіщень 228, команди щодо передачі скриптів 230 і команди щодо перегляду даних польових досліджень у кабіні 232. Кодова база для команд на зображенні (Б) може бути такою самою, як для виду (а), і виконувані файли, що реалізують код, можуть бути запрограмовані з можливістю виявлення типу платформи, на якій вони виконуються, і відкривати через графічний інтерфейс користувача доступ лише до тих функцій, які підходять для платформи у кабіні або повнофункціональної платформи.
    Цей підхід дозволяє системі розпізнавати інші умови взаємодії к користувачем, як це має місце у кабіні, а також інше технологічне середовище в кабіні.
    Команди карт у кабіні 222 можуть бути запрограмовані з можливістю виведення на дисплей карт з видами полів, ферм або ділянок, які є корисними для керування роботою бо машини.
    Команди дистанційного перегляду 224 можуть бути запрограмовані з можливістю вмикання, керування та виведення на екран видів, що відповідають роботі машин у режимі реального часу або майже в режимі реального часу, на інших обчислювальних пристроях, підключених до системи 130 через бездротові мережі, дротові з'єднувачі або адаптери тощо.
    Команди збирання та передачі даних 226 можуть бути запрограмовані з можливістю вмикання, керування та передачі даних, зібраних датчиками та контролерами машин, до системи 130 через бездротові мережі, дротові з'єднувачі або адаптери тощо.
    Команди щодо машинних сповіщень 228 можуть бути запрограмовані з можливістю виявлення проблем у роботі машини або інструментів, пов'язаних з кабіною, і формування сповіщення для оператора.
    Команди щодо передачі скриптів 230 можуть бути виконані з можливістю передачі в скриптах інструкцій, сконфігурованих з можливістю керування роботою машин або збирання даних.
    Команди щодо перегляду даних польових досліджень у кабіні 232 можуть бути запрограмовані з можливістю відображення на дисплеї пов'язаних з місцем розташування сповіщень та інформації, отриманої від системи 130, на основі розташування сільськогосподарського пристрою 111 або датчиків 112 на полі й отримання, керування та забезпечення передачі пов'язаних з місцем розташування даних польових досліджень у систему 130 на основі розташування сільськогосподарського пристрою 111 або датчиків 112 у полі.
    І0059| 2.3. ВВЕДЕННЯ ДАНИХ У КОМП'ЮТЕРНУ СИСТЕМУ
    І00О60) У варіанті реалізації комп'ютер 108 зовнішнього сервера даних зберігає зовнішні дані 110, включаючи дані про грунт, що являють собою відомості про склад грунту одного або кількох полів, і дані про погоду, що являють собою відомості про температуру та опади на одному або кількох полях.
    Дані про погоду можуть включати дані про минулі та поточні погодні умови, а також прогнози погоди.
    У варіанті реалізації комп'ютер 108 зовнішнього сервера даних містить кілька серверів, хостинг яких здійснюють різні суб'єкти господарювання.
    Наприклад, перший сервер може містити дані про склад грунту, а другий сервер - дані про погоду.
    Крім того,
    дані про склад грунту можуть зберігатися на кількох серверах.
    Наприклад, один сервер може зберігати дані, що представляють відсоток піску, мулу та глини в грунті, а другий сервер - дані, що відображають відсоток органічних речовин (ОМ) у грунті.
    0061) У варіанті реалізації дистанційний датчик 112 містить один або кілька датчиків, запрограмованих або налаштованих з можливістю здійснення одного або кількох спостережень.
    Дистанційний датчик 112 може належати до надземних датчиків, наприклад, супутникових, датчиків на транспортних засобах, обладнанні для сівби/посадки, датчиків механічної обробки грунту, внесення добрив або інсектицидів, датчиків на збиральних комбайнах та будь-яких інших пристроях, здатних отримувати дані про одне або кілька полів.
    У варіанті реалізації контролер внесення 114 запрограмований або налаштований з можливістю отримання команд від сільськогосподарської інформаційної комп'ютерної системи 130. Контролер внесення 114 також може бути запрограмований або налаштований з можливістю керування робочим параметром сільськогосподарського транспортного засобу або обладнання.
    Наприклад, контролер внесення може бути запрограмований або налаштований з можливістю керування робочим параметром транспортного засобу, такого як трактор, обладнання для сівби/посадки,
    механічної обробки грунту, внесення добрив або інсектицидів, збирання врожаю або інших сільськогосподарських пристроїв, наприклад, водяного клапана.
    Інші варіанти реалізації можуть використовувати будь-яку комбінацію датчиків і контролерів, з яких названі являють собою лише деякі вибрані приклади.
    0062) Система 130 може приймати або отримувати дані під керуванням користувача 102 на масовій основі від великої кількості сільгоспвиробників, які внесли дані в спільно використовувану систему бази даних.
    Цю форму отримання даних можна назвати "ручним введенням даних", оскільки відбувається запит або виникає запускаюча подія на/для виконання однієї або кількох керованих користувачем комп'ютерних операцій для отримання даних для використання системою 130. Наприклад, МІТКОСЕМ АОМІЗОК, комерційно доступний від Те
    Сійпасе Согрогайоп, Сан-Франциско, штат Каліфорнія, може використовуватися для експорту даних у систему 130 для зберігання в сховищі 160.
    І0063| Наприклад, системи моніторингу насіння можуть як управляти компонентами пристрою для сівби/посадки, так і отримувати дані про сівбу/посадку, включаючи сигнали від датчиків насіння через сигнальні кабелі, що включають магістральну САМ їі з'єднання "точка-
    точка" для реєстрації та/або діагностики.
    Системи моніторингу насіння можуть бути запрограмовані або налаштовані з можливістю відображення відстані між насінням, густоти рослин та іншої інформації для користувача через комп'ютер у кабіні 115 або інші пристрої системи 130. Приклади наведені в патентній заявці США Мо 8,738,243 та патентній публікації США Мо 20150094916, і даний винахід передбачає ознайомлення із зазначеними іншими
    60 патентними матеріалами.
    (0064) Аналогічно, системи моніторингу врожайності можуть містити датчики врожаю для збирального комбайна, що передають дані вимірювання врожаю в комп'ютер у кабіні 115 або інші пристрої системи 130. Системи моніторингу врожайності можуть використовувати один або кілька дистанційних датчиків 112, щоб отримувати дані вимірювання вологості зерна в комбайні або іншому збиральному пристрої та передавати ці дані вимірювань користувачеві через комп'ютер у кабіні 115 або інші пристрої системи 130.
    0065) У варіанті реалізації приклади датчиків 112, які можуть використовуватися на будь- якому рухомому транспортному засобі або обладнанні іншого описаного у даному документі типу, включають кінематичні датчики та датчики положення.
    Кінематичні датчики можуть містити будь-які датчики швидкості, такі як радарні датчики або датчики швидкості колеса, акселерометри або гіроскопи.
    Датчики положення можуть містити сРеб-приймачі або трансивери, або мобільні програми визначення положення з використанням УМі-Рі або відображення карти, запрограмовані з можливістю визначення місця розташування на основі розташованих неподалік точок доступу УМігі, тощо.
    ІЇ0О6б| У варіанті реалізації приклади датчиків 112, які можуть використовуватися на тракторах або інших рухомих транспортних засобах, включають датчики обертів двигуна, споживання пального, лічильники площі чи відстані, які взаємодіють з ОРБ5 або радіолокаційними сигналами, датчики швидкості у механізмі відбирання потужності двигуна (РТО), датчики гідравлічної системи трактора, призначені для визначення параметрів гідравлічної системи, таких як тиск або потік, та/або швидкості гідравлічного насоса, датчики швидкості колеса або датчики проковзування колеса.
    У варіанті реалізації приклади контролерів 114, які можуть використовуватися на тракторах, включають гідравлічні спрямовані контролери, регулятори тиску та/або потоку; контролери швидкості гідравлічного насоса; контролери або регулятори швидкості; контролери позиції причіпного пристрою; або контролери положення коліс, забезпечують автоматичне керування.
    І0067| У варіанті реалізації приклади датчиків 112, які можуть використовуватись на обладнанні для сівби/посадки, наприклад, садильниках, рядкових сівалюках або пневматичних сівалках, включають датчики швидкості, які можуть бути оптичними, електромагнітними або ударними датчиками; датчики притискного зусилля, такі як штифти навантаження, елементи навантаження, датчики тиску; датчики властивостей грунту, такі як датчики відбивання, вологості, електропровідності, оптичні датчики залишків або датчики температури; датчики робочих критеріїв компонентів, такі як датчики глибини посадки, тиску в притискному циліндрі, швидкості насіннєвого диска, швидкості двигуна конвеєра для насіння, швидкості конвеєра для насіння або рівня вакууму; або датчики внесення пестицидів, такі як оптичні або інші електромагнітні датчики, або ударні датчики.
    У варіанті реалізації приклади контролерів 114, які можуть використовуватись на такому обладнання для сівби, включають: контролер розгортання рами для навішування інструментів, наприклад, контролери клапанів, пов'язаних з гідравлічними циліндрами; контролери притискного зусилля, такі як контролери клапанів, пов'язаних з пневматичними циліндрами, подушками безпеки або гідравлічними циліндрами, і запрограмовані для застосування сили притискання до окремих рядкових елементів або всієї рами обладнання для сівби/посадки; регулятори глибини посадки, такі як лінійні виконавчі механізми; регулятори дозування, такі як електромотори приводу дозування насіння, гідравлічні двигуни приводу дозування насіння або муфти керування обробкою смуги; контролери вибору гібридів, такі як двигуни привода для вимірювання насіння, або інші виконавчі механізми,
    запрограмовані для вибіркового пропускання або запобігання пропусканню насіння або суміші повітря з насінням у пристрої вимірювання насіння чи центральні насипні бункери або з них; регулятори дозування, такі як електромотори приводу дозування насіння або гідравлічні двигуни приводу дозування насіння; контролери системи конвеєра для насіння, такі як контролери двигуна стрічки транспортера для насіння; контролери маркування, такі як контролер пневматичного або гідравлічного виконавчого механізму; або регулятори швидкості внесення пестицидів, такі як контролери приводу вимірювання, регулятори розміру отвору або положення.
    І0О68| У варіанті реалізації приклади датчиків 112, які можуть використовуватись на обладнанні для механічної обробки грунту, включають в себе датчики положення для таких інструментів, як насадки або диски; датчики положення таких інструментів, налаштовані з можливістю визначення глибини, кута насадки борони або бічної відстані; датчики притискного зусилля; або датчики тягового зусилля.
    У варіанті реалізації приклади регуляторів 114, які можуть використовуватись з обладнанням для механічної обробки грунту, включають регулятори притискного зусилля або контролери положення інструмента, такі як контролери,
    60 налаштовані з можливістю керування глибиною інструменту, кутом насадки борони або бічною відстанню.
    І0069) У варіанті реалізації наведено приклади датчиків 112, які можуть використовуватись на пристрої для внесення добрив, інсектицидів, фунгіцидів тощо, такі як системи початкового внесення добрив на сівалці, пристрої для підгрунтового внесення добрив або розприскувачі добрив, включають: датчики параметрів рідинної системи, такі як датчики потоку або тиску; датчики, що вказують, які клапани на головках для розприскування або у лініях подачі рідини відкриті; датчики, пов'язані з баками, такі як датчики рівня заповнення; датчики у лініях заповнення на рівні частини або всієї системи чи датчики у лініях подачі для конкретних рядків; або кінематичні датчики, такі як акселерометри, розташовані на штангах розприскувача.
    У варіанті реалізації приклади контролерів 114, які можуть використовуватись на таких пристроях, включають в себе регулятори швидкості насоса; контролери клапанів, які запрограмовані з можливістю регулювання тиску, потоку, напрямку, РУУМ (від англ.
    Риїзе Ума Моашеайоп - широтно-імпульсна модуляція) тощо; або механізми позиціонування, наприклад, такі, що забезпечують певну висоту штанги, глибину підгрунтового внесення або положення штанги.
    ІЇ0070| У варіанті реалізації приклади датчиків 112, які можуть використовуватися на збиральних комбайнах, включають монітори врожаю, такі як датчики деформації ударної плити або датчики положення, ємнісні датчики потоку, датчики навантаження, ваги або крутного моменту, пов'язані з елеваторами або шнеками, або оптичні чи інші електромагнітні датчики висоти зерна; датчики вологості зерна, такі як ємнісні датчики; датчики втрати зерна,
    включаючи ударні, оптичні або ємнісні датчики; датчики робочих параметрів жниварки, такі як датчики висоти жниварки, типу жниварки, відстані між пластиною і опорою, швидкості подачі та швидкості мотовила; датчики робочих параметрів сепаратора, такі як датчики зазору в увігнутій частині, швидкості ротора, зазору колодки або зазору полов'яного решета; датчики положення, роботи або швидкості шнека; або датчики обертів двигуна.
    У варіанті реалізації приклади контролерів 114, які можуть використовуватися на збиральних комбайнах, включають датчики робочих параметрів жниварки для таких елементів, як висота жниварки, тип жниварки, відстань між пластиною і опорою, швидкість подачі та швидкість мотовила; датчики робочих параметрів сепаратора для таких характеристик, як зазор в увігнутій частині, швидкість ротора, зазор колодки або зазор полов'яного решета; або контролери положення, роботи або швидкості
    Зо шнека.
    І0О071| У варіанті реалізації приклади датчиків 112, які можуть використовуватися на причепах для перевезення зерна, включають датчики ваги або датчики положення, роботи або швидкості шнека.
    У варіанті реалізації приклади контролерів 114, які можуть використовуватися на причепах для перевезення зерна, включають контролери положення, роботи або швидкості шнека.
    00721 У варіанті реалізації датчики 112 та контролери 114 наведених прикладів можуть бути встановлені в безпілотному літальному апараті (ШАМ, від англ. иптаппеа аєгіа! мепісіє, БПЛА) або "дроні". Такі датчики можуть включати в себе камери з детекторами, які діють у будь-якому діапазоні електромагнітного спектра, включаючи видиме світло, інфрачервоне,
    ультрафіолетове, ближнє інфрачервоне (МІК) випромінювання тощо; акселерометри; висотоміри; датчики температури; датчики вологості; датчики тиску з трубкою Піто або інші датчики швидкості повітря або вітру; датчики заряду акумулятора; або радіолокаційні випромінювачі та детектори енергії відбитого радіолокаційного сигналу.
    Такі контролери можуть включати пристрій керування або управління двигуном, контрольні контролери поверхонь,
    контролери камери або контролери, запрограмовані для вмикання, експлуатації, отримання даних, керування та налаштування будь-якого з зазначених вище датчиків.
    Приклади наведені в патентній заявці США Мо 14/831,165, і даний винахід передбачає ознайомлення з цим документом.
    0073) У одному варіанті реалізації датчики 112 та контролери 114 можуть бути прикріплені до пристрою для отримання проб грунту та вимірювання, виконаного з можливістю або запрограмованого для отримання проб грунту та проведення хімічних тестів грунту, вимірювань його вологості та інших досліджень грунту.
    Наприклад, пристрій, описаний в патенті США Мо 8,767,194 та Мо 8,712,148, і даний винахід передбачає ознайомлення з цим документом.
    (0074 2.4 ОГЛЯД ПРОЦЕСУ - ПІДГОТОВКА АГРОНОМІЧНОЇ МОДЕЛІ
    0075) У варіанті реалізації сільськогосподарська інформаційна комп'ютерна система 130 запрограмована або налаштована з можливістю створення агрономічної моделі.
    У цьому контексті агрономічна модель являє собою структуру даних в пам'яті сільськогосподарської інформаційної комп'ютерної системи 130, яка містить польові дані 106, такі як ідентифікаційні дані та дані про врожай на одному або кількох полях.
    Агрономічна модель може також включати бо розраховані агрономічні властивості, які описують або умови, що можуть впливати на ріст однієї або кількох сільськогосподарських культур на полі, або властивості однієї або кількох культур, або і те, і інше.
    Крім того, агрономічна модель може містити рекомендації, засновані на агрономічних факторах, таких як рекомендації щодо культури, іригації, посадки та збору врожаю.
    Агрономічні фактори також можуть використовуватися для оцінки одного або кількох результатів, що стосуються 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.
    І0076) В одному варіанті реалізації сільськогосподарська інформаційна комп'ютерна система 130 може використовувати попередньо сконфігуровану агрономічну модель для обчислення агрономічних властивостей, пов'язаних з поточно отриманою інформацією про місцезнаходження та врожай для одного або кількох полів.
    Попередньо сконфігурована агрономічна модель грунтується на оброблених раніше польових даних, включаючи, але не обмежуючись названим: ідентифікаційні дані, дані врожаю, дані про добрива та дані про погоду.
    Попередньо сконфігурована агрономічна модель, можливо, була перехресно перевірена для забезпечення точності моделі.
    Перехресна перевірка може включати в себе порівняння з даними підсупутникових спостережень, що передбачає порівняння прогнозованих результатів з фактичними результатами на полі, наприклад, порівняння оцінки опадів з датчиком дощу в тому ж місці або оцінки вмісту азоту з результатами тестування проби грунту.
    І0077| На ФІГ. 3 проілюстровано запрограмований процес, використовуючи який сільськогосподарська інформаційна комп'ютерна система генерує одну або кілька попередньо сконфігурованих агрономічних моделей із застосуванням польових даних, отриманих з одного або кількох зовнішніх джерел даних.
    ФІГ.
    З може служити алгоритмом або інструкцією для програмування функціональних елементів сільськогосподарської інформаційної комп'ютерної системи 130 для виконання описаних операцій.
    І0078| У блоці 305 сільськогосподарська інформаційна комп'ютерна система 130 сконфігурована або запрограмована з можливістю виконання попередньої обробки агрономічних або польових даних, отриманих з одного або кількох зовнішніх ресурсів даних.
    Польові дані, отримані від одного або кількох зовнішніх ресурсів даних, можуть бути попередньо оброблені з метою видалення шумів та спотворюючих ефектів з агрономічних даних,
    Зо включаючи виміряні крайні значення, що можуть вносити зсув у отриманих значеннях польових даних.
    Варіанти реалізації попередньої обробки агрономічних даних можуть включати, без обмеження зазначеними: видалення даних, зазвичай пов'язаних із крайніми значеннями, конкретними точками результатів вимірювань, які, як відомо, негативно впливають на інші значення даних, методи згладжування даних, які використовуються для видалення або зменшення адитивних або мультиплікативних ефектів від шуму, та інші способи фільтрування або вилучення даних, що використовуються для забезпечення чіткої різниці між позитивними та негативними вхідними даними.
    Ї0079| У блоці 310 сільськогосподарська інформаційна комп'ютерна система 130 налаштована або запрограмована з можливістю вибору підмножини даних із використанням попередньо оброблених польових даних для виявлення наборів даних, які є корисними для формування початкової агрономічної моделі.
    Сільськогосподарська інформаційна комп'ютерна система 130 може реалізовувати методи вибору підмножини даних, включаючи, без обмеження зазначеними: метод генетичного алгоритму, моделей з усіх підмножин, послідовного пошуку, ступінчастої регресії, оптимізації методом рою часток і оптимізації шляхом імітації мурашиної колонії.
    Наприклад, метод вибору генетичного алгоритму використовує адаптивний алгоритм евристичного пошуку, що базується на еволюційних принципах природного відбору та генетики, для визначення та оцінки наборів даних в рамках попередньо оброблених агрономічних даних.
    ІЇ0080| У блоці 315 сільськогосподарська інформаційна комп'ютерна система 130 налаштована або запрограмована з можливістю здійснення оцінки набору польових даних.
    У варіанті реалізації винаходу оцінка конкретного набору польових даних здійснюється шляхом створення агрономічної моделі та використання певних порогових значень якості для створеної агрономічної моделі.
    Агрономічні моделі можуть бути порівняні з використанням методів перехресної перевірки, включаючи, без обмеження названими: середньоквадратичну похибку перехресної перевірки з вилученням (ЕМЗЕСУ, від англ.
    Коої Меап Здиаге Егтог ої І єахе-Опе-
    Ой Стго55 Маїїдайноп), середню абсолютну похибку та середню відсоткову похибку.
    Наприклад, ЕМ5ЕСМ може використовуватись для перехресної перевірки агрономічних моделей шляхом порівняння прогнозованих значень агрономічних властивостей, отриманих відповідно до агрономічної моделі, із зібраними та проаналізованими історичними значеннями агрономічних властивостей.
    У варіанті реалізації логіка оцінки агрономічного набору даних використовується
    60 як петля зворотного зв'язку, в якій агрономічні набори даних, які не відповідають встановленим порогам якості, використовуються на наступних етапах вибору підмножин даних (блок 310).
    ІЇОО81| У блоці 320 сільськогосподарська інформаційна комп'ютерна система 130 налаштована або запрограмована з можливістю створення агрономічної моделі на основі перехресно перевірених агрономічних наборів даних.
    У варіанті реалізації у створенні агрономічної моделі можуть застосовуватись методи багатовимірної регресії для створення попередньо сконфігурованих моделей агрономічних даних.
    І0082| У блоці 325 сільськогосподарська інформаційна комп'ютерна система 130 налаштована або запрограмована з можливістю зберігання попередньо створених моделей агрономічних даних для оцінки майбутніх польових даних.
    (0083) 2.5 ПІДСИСТЕМА ВИЯВЛЕННЯ ЗАПОВНЕНИХ ВОДОЮ ДІЛЯНОК
    І0084) У варіанті реалізації сільськогосподарська інформаційна комп'ютерна система 130, серед інших компонентів, містить підсистему виявлення заповнених водою ділянок 170. Підсистема виявлення заповнених водою ділянок 170 води збирає інформацію, пов'язану з полем, з даних моделі та сховища моделей та польових даних 110 та/або зовнішніх даних 110 і визначає, чи є на полі заповнені водою ділянки та де вони розташовані.
    І0085) У варіанті реалізації підсистема виявлення заповнених водою ділянок 170 містить логіку спектрального аналізу 171, логіку моделювання потоку 172, логіку взаємозв'язку 173 та логіку сповіщення 174.
    І008б6| Логіка спектрального аналізу 171 аналізує спектральні смуги з супутникового зображення поля та формує карту ймовірності наявності води.
    Для окремих пікселів супутникового зображення карта ймовірності наявності води вказує, яка ймовірність того, що піксель представляє воду.
    У деяких варіантах здійснення логіка спектрального аналізу 171 реалізує класифікатор, навчений на маркованих мітками зображеннях визначати ймовірність.
    Наприклад, логіка спектрального аналізу 171 може використовувати модель логістичної регресії, що використовує спектральні смуги кожного пікселя як характерні ознаки.
    І0087| Логіка моделювання потоку 172 використовує виміряну величину попередніх опадів, а також географічну карту висоти поля та абсорбційні властивості грунту на полі, щоб визначити ділянки, ймовірно заповнені дощовою водою.
    Наприклад, для оцінки з вихідної позиції, куди ймовірніше за все потекла дощова вода і в якій кількості, на основі висоти ділянки та швидкості
    Зо поглинання води грунтом, може використовуватись ітераційний алгоритм.
    Після ряду ітерацій ділянки моделі, які все ще містять воду, позначаються як потенційні зони заповнення водою.
    0088) Логіка взаємозв'язку 173 поєднує результати логіки спектрального аналізу 171 з результатами логіки моделювання потоку 172. Логіка взаємозв'язку 173 працює за припущення, що піксель, який точно відображає воду, має більшу вірогідність бути оточеним іншими пікселями води, аніж пікселями, що представляють землю.
    У результаті піксель, який має високу ймовірність того, що він відповідає воді, також збільшує ймовірність того, що сусідні пікселі також представляють воду.
    Крім того, модель передбачає, що пікселі з високою ймовірністю того, що вони відповідають воді (як визначено логікою спектрального аналізу 171), які знаходяться в зоні ймовірного накопичення води (як визначено логікою моделювання потоку
    172), мають більшу ймовірність того, що вони представляють заповнену водою ділянку.
    І0089| Логіка взаємозв'язку 173 формалізує зазначені вище поняття у конкретну діючу модель.
    Наприклад, супутникове зображення можна розглядати як граф, де кожен вузол представляє піксель і з'єднаний із сусідніми пікселями своїми ребрами.
    Імовірність того, що кожен піксель представляє воду, базується на зваженому поєднанні значення за картою ймовірності наявності води для пікселя та ймовірності накопичення води в зоні, представленій пікселем, на основі моделювання потоку.
    Наприклад, якщо піксель має високу ймовірність відповідності воді та розташований у місці можливого накопичення води, посилюється ймовірність того, що піксель представляє заповнену водою ділянку.
    Проте, якщо дві підмоделі не погоджуються (або погоджуються, що піксель являє собою землю), ймовірність того, що піксель відповідає заповненій водою ділянці, відповідно зменшується.
    ІЇ0090| Крім того, ймовірність того, що піксель відповідає заповненій водою ділянці, розглядається не у вакуумі, а при урахуванні ймовірності того, що сусідні пікселі відповідають заповненій водою ділянці.
    Наприклад, ймовірність відповідності заповненій водою ділянці збільшується, якщо сусідні пікселі ймовірно представляють воду, і зменшуються, якщо сусідні пікселі ймовірно представляють землю.
    Таким чином, модель визначає клас (вода або земля) для кожного пікселя, що максимізує сукупну ймовірність за графом.
    У деяких варіантах реалізації логіка взаємозв'язку 173 використовує Марківське випадкове поле (МКЕ) для моделювання взаємозв'язку між пікселями.
    Крім того, в деяких варіантах реалізації мета полягає в тому, щоб виявити заповнені водою ділянки лише на сільськогосподарських
    60 полях/угіддях.
    Таким чином, використовується маска сільськогосподарських угідь для відфільтрування пікселів, які не відповідають сільськогосподарським угіддям, щоб ефективно запобігати класифікації пікселів, що не представляють сільськогосподарські угіддя, як заповнені водою ділянки.
    0091) Логіка сповіщення 174 використовує результат логіки взаємозв'язку 173 (попіксельної класифікації води або землі), щоб сформувати сповіщення (наприклад, електронні листи, текстові повідомлення тощо), яке надсилається на пристрій фермера або іншого сільськогосподарського агенту та попереджає про потенційну небезпеку заповнених водою ділянок на полях та конкретне(ії) місце(я) для перевірки.
    У деяких варіантах реалізації логіка сповіщення 174 не тільки визначає місця розташування, а й обчислює оптимальний маршрут для перевірки фермером усіх виявлених проблемних ділянок на полях.
    0092) 2.6 ПРИКЛАД РЕАЛІЗАЦІЇ - ОГЛЯД ОБЛАДНАННЯ
    ІЇ0093| Згідно з одним варіантом реалізації винаходу описані тут способи реалізуються одним або кількома спеціалізованими комп'ютерними пристроями.
    Спеціалізовані комп'ютерні пристрої можуть бути жорстко орієнтовані на реалізацію цих методів, або вони можуть містити цифрові електронні пристрої, такі як одна або кілька спеціалізованих інтегральних схем (АБІС) 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 прошивці, пам'яті, іншому сховищі або їх комбінації.
    Такі спеціалізовані комп'ютерні пристрої можуть також об'єднувати призначену для користувача логіку, АБІС або ЕРОСА 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 жорстко визначену та/або програмну логіку для реалізації цих методів.
    І0094| 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.
    Зо І0095| 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 та 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.
    І0096| Комп'ютерна система 400 додатково містить постійний запам'ятовуючий пристрій (КОМ) 408 або інший статичний запам'ятовуючий пристрій, поєднаний з шиною 402, для зберігання статистичної інформації та команд для процесора 404. Запам'ятовуючий пристрій 410, такий як магнітний диск, оптичний диск або твердотільний накопичувач, присутній і зв'язаний з шиною 402 для зберігання інформації та команд.
    І0097| Комп'ютерна система 400 може бути з'єднана за допомогою шини 402 з дисплеєм 412, таким як електронно-променева трубка (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 (наприклад, х) і другій осі (наприклад, у), - що дозволяє пристрою задавати положення на площині.
    (0098) Комп'ютерна система 400 може реалізовувати описані тут методи, використовуючи спеціальну жорстку логіку, одну або кілька АБІС або ЕРСА, прошивку та/або програмну логіку, які в поєднанні з комп'ютерною системою перетворюють комп'ютерну систему 400 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 бо 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. І0099| 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 включають, наприклад, оптичні диски, магнітні диски або твердотільні накопичувачі, такі як накопичувач 410. Енергозалежні носії включають 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 магнітний носій даних, компакт-диск, будь-який інший оптичний носій даних, будь-який фізичний носій з розташованими певним чином отворами, КАМ, РКЕОМ і ЕРКОМ, РІГ АБН-ЕРНВОМ, ММУКАМ, будь-який інший чіп або картридж пам'яті. ІЇО10О0| 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 та інфрачервоній передачі даних. ІО1О1| 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. Зо І0102| 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
    ГАМ. 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. ІО103| 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. ІБР 426, в свою чергу, надає послуги передачі даних через всесвітню мережу передачі пакетних даних, яку зараз зазвичай називають "Інтернетом" 428. Локальна мережа 422 та Інтернет 428 використовують електричні, електромагнітні або оптичні сигнали, які несуть потоки цифрових даних. Сигнали, що проходять через різні мережі, і сигнали в мережевому каналі 420 ії які проходять через інтерфейс зв'язку 418, що несуть цифрові дані в комп'ютерну систему 400 та з неї, є ілюстративними формами БО засобів передачі даних. І0104| Комп'ютерна система 400 може відправляти повідомлення й 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 428, ІБР 426, локальну мережу 422 й інтерфейс зв'язку 418. І0105| 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. (0106) 3.0 ВХІДНІ ДАНІ ІЛЮОСТРАТИВНОЇ СИСТЕМИ ІЇО107| Точні входи підсистеми виявлення заповнених водою ділянок 170 можуть бути бо різними в різних варіантах реалізації. Для наведення конкретних прикладів у подальшому описі визначено деякі приклади типів даних, які можуть використовуватись логікою спектрального аналізу 171, логікою моделювання потоку 172 та/або логікою взаємозв'язку 173 для оцінки потенційних проблемних областей на полі, де ймовірно накопичилась вода.
    Однак описані тут способи не обмежуються жодним конкретним типом вхідних даних або будь-яким конкретним місцем розташування, службами або інструментами, які використовуються для отримання вхідних даних.
    01081 3.1 ДАНІ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ
    ІЇ0109| У цьому описі "дані дистанційного зондування" використовуються як синоніми "супутникових знімків". Таким чином, багато з наведених тут прикладів будуть описані з використанням супутникових зображень як даних дистанційного зондування.
    Проте використання супутникових зображень у наведених нижче прикладах не обмежує описану методику тут застосуванням у якості даних дистанційного зондування супутникових зображень.
    З розвитком технологій можуть з'явитися інші види технології дистанційного зондування, і описані тут методики мають достатньо широкі можливості для використання будь-яких нових пристроїв та/або методів дистанційного зондування.
    Наприклад, як альтернатива супутниковим зображенням описані тут методики можуть також застосовуватися до знімків, зроблених з літаків або дронів, що літають над полем.
    ІО110) Багато з наведених тут прикладів передбачають, що супутникові зображення дають змогу проводити вимірювання у різних діапазонах, наприклад, у синьому, зеленому, червоному,
    червоному крайовому і ближньому інфрачервоному (МІК) діапазонах із різною роздільною здатністю.
    Як конкретний приклад, супутникові зображення, що використовуються як вхідні дані для моделі, можуть бути даними супутникового зображення КАРІОЕМЕ, що забезпечують багатоспектральні зображення з просторовою роздільною здатністю 5 м.
    Проте, описані тут методики не обмежуються жодним конкретним типом супутникових зображень.
    0111) Описані тут методики так само є релевантними для ситуацій, коли супутникові знімки можуть отримуватись на вимогу або періодично.
    Наприклад, користувач 102 та/або оператор сільськогосподарської інформаційної комп'ютерної системи 130 можуть укласти контракт з іншою компанією, яка володіє супутниками, що використовуються для отримання зображень.
    Залежно від контракту дані дистанційного зондування, що використовуються як вхідні дані для підсистеми виявлення заповнених водою ділянок 170, можуть оновлюватись лише періодично, з певним часовим інтервалом.
    Як наслідок цього, в деяких випадках може спостерігатися затримка між опадами на полі та отриманням його супутникового зображення.
    Крім того, залежно від кількості та розташувань доступних супутників, надання зображень на вимогу може бути неможливим, доки не стане доступним супутник із відповідним позиціонуванням.
    Однак у випадках, коли зображення можуть бути отримані на вимогу, сільськогосподарська інформаційна комп'ютерна система 130 може бути налаштована з можливістю зв'язка з системою постачальника супутникових зображень і автоматично запитувати зображення у відповідь на отримання введених користувачем даних через пристрій користувача 102, наприклад, обчислювальний пристрій 104 для керування польовими роботами, або після виявлення порогової кількості опадів на полі за даними від дистанційного датчика 112 чи окремої базової станції погоди, розташованої поблизу поля.
    (01121 3.2 ДАНІ ПРО ОПАДИ
    ІО113) Дані про опади включають відомості про поточні та/або минулі опади на полі, що аналізуються підсистемою виявлення заповнених водою ділянок 170. У деяких варіантах реалізації дані про опади використовуються логікою моделювання потоку 172 для оцінки площ або областей у межах поля, на яких, можливо, зібралася вода після дощу.
    0114) У деяких варіантах реалізації дані про опади можуть зберігатись у сховищі моделей та польових даних 160 на основі показань, отриманих від дистанційного датчика 112 або інших датчиків, встановлених на площі поля.
    Проте, в інших варіантах реалізації дані про опади збираються з комп'ютера 108 зовнішнього сервера даних, що належить приватній службі погоди, державній метеорологічній службі або іншій службі, яка збирає та зберігає дані щодо атмосферних опадів у різних областях, включаючи поле, що є предметом аналізу.
    ЇО115| У деяких випадках для даних про опади проводиться повторна вибірка, щоб забезпечити відповідність просторовій роздільній здатності супутникових знімків, що може зробити деякі з описаних нижче розрахунків більш ефективними для виконання.
    Наприклад, дані про опади при повторній вибірці відповідно до роздільної здатності супутникового зображення можуть використовуватись для визначення кількості опадів, представлених кожним пікселем супутникового зображення.
    (0116) 3.3 ДАНІ ПРО ВИСОТУ бо ІО117| Дані про висоти представляють собою висоту ділянок поля.
    Наприклад, дані про висоту можуть мати форму топографічної карти або будь-якої іншої карти, на якій нанесено висоту ділянок поля.
    У деяких варіантах реалізації дані про висоту використовуються логікою моделювання потоку 172, щоб оцінити, до яких ділянок, ймовірно, потече вода під час дощу або після нього.
    Наприклад, вода, як правило, перетікає з плином часу з ділянок, що мають більшу висоту, до більш низьких ділянок.
    У деяких випадках для даних про висоту проводиться повторна вибірка, щоб забезпечити відповідність просторовій роздільній здатності супутникових знімків, що може зробити деякі з описаних нижче розрахунків більш ефективними для виконання.
    Наприклад, дані про висоту при повторній вибірці відповідно до роздільної здатності супутникового зображення можуть використовуватись для визначення висоти ділянки,
    представленої кожним пікселем супутникового зображення.
    ІО118) У деяких варіантах реалізації дані про висоту можуть зберігатися у сховищі моделей та польових даних 160 на основі даних огляду поля, проведеного фермером або приватним підрядником.
    Проте, в інших варіантах реалізації дані про висоту збираються з комп'ютера 108 зовнішнього сервера даних, що належить приватній або державній службі, яка проводить обстеження різних ділянок землі, включаючи поле, що є предметом аналізу, і реєструє висоту різних ділянок поля.
    Одним із прикладів формату даних про висоту є растровий формат цифрової моделі рельєфу (ОЕМ, від англ.
    Рідна! ЕІемайоп Моде!).
    (0119) 3.4 ДАНІ ПРО ВЛАСТИВОСТІ ГРУНТУ
    І0120)| Дані про властивості грунту представляють властивості грунту на різних ділянках поля.
    Вода, що тече, проникає у грунт зі швидкістю, яка залежить від властивостей грунту, наприклад, вологоємності та електропровідності грунту.
    Таким чином, логіка моделювання потоку 172 може використовувати властивості грунту на різних ділянках поля (або лише однієї, якщо на всьому полі грунт один і той самий), щоб визначити, скільки води поглинається з потоку води від вищих до нижчих ділянок.
    0121 У деяких варіантах реалізації дані типу грунту можуть зберігатись у сховищі моделей та польових даних 160 на основі даних огляду поля, проведеного фермером або приватним підрядником.
    Наприклад, більшість фермерів вже знають, якого типу грунт на їх полях, або проводили його тестування для різних цілей, наприклад, відправляли грунт у лабораторію для визначення нутрієнтів.
    Таким чином, користувач 102 може мати можливість вручну ввести дані
    Зо про властивості грунту або мати обчислювальний пристрій 104 для керування польовими роботами, що автоматично вводитиме властивості грунту на основі попередньо збережених даних.
    Проте, в інших варіантах реалізації дані про висоту отримують від комп'ютера 108 зовнішнього сервера даних, що належить приватній або державній службі, яка аналізує та реєструє властивості грунту на різних ділянках, включаючи поле, що є предметом аналізу.
    Одним з прикладів зовнішніх даних 110, що вказують властивості грунту на ділянках сільськогосподарських полів, є база даних географічних досліджень грунтів (ЗБОКОО), яка являє собою цифрову базу даних про грунти, зібрану Національним кооперативним дослідженням грунтів (МС55, від англ.
    Майопа!Ї Соорегаїїме 5о0їЇ Зигмеу). Зазначена вище база даних містить дані про грунт, такі як електропровідність, природна вологоємність тощо.
    0122) У деяких варіантах реалізації для даних властивостей типу грунту (якщо їх роздільна здатність відрізняється від супутникового зображення) проводять повторну вибірку для досягнення тієї ж роздільної здатності, що у супутникового зображення.
    В результаті підсистема виявлення заповнених водою ділянок 170 для підводної води більш ефективно корелює властивості грунту, що відповідають ділянці поля, охопленій даним пікселем супутникових даних.
    (01231 3.5 ДАНІ ПРО СІЛЬСЬКОГОСПОДАРСЬКІ УГІДДЯ
    0124) Дані про сільськогосподарські угіддя являють собою маску, яка ідентифікує ділянки, які вважаються сільськогосподарськими полями/угіддями.
    Наприклад, шар даних про сільськогосподарські угіддя (СОЇ, від англ.
    Сторіапа Ваїа І ауег) - це растровий шар даних про землі і вирощувані культури з геолокаційними відомостями, що створюється щорічно для континентальної частини США з використанням супутникових зображень з помірною роздільною здатністю та широкого масиву сільськогосподарських підсупутникових даних.
    Оскільки одна з цілей полягає в тому, щоб ідентифікувати ділянки поля, які, можливо, заповнені водою, дані про сільськогосподарські угіддя можуть використовуватись для точного визначення того, які географічні регіони корелюють із сільськогосподарським полем, на відміну від інших областей, таких як озера, океани, гори або інші географічні області, наведені на зображенні, як такі, що є зовнішніми до поля.
    Оскільки деякі види земель, крім сільськогосподарських полів/угідь, можна у деяких варіантах реалізації не брати до уваги, дані про сільськогосподарські угіддя можуть допомогти звести до мінімуму шум, який може з'явитися, якщо при аналізі розглядалися дані,
    60 що відповідають областям, які не є сільськогосподарськими угіддями.
    У деяких варіантах реалізації для даних про сільськогосподарські угіддя проводять повторну вибірку для досягнення такої ж роздільної здатності, як у супутникових знімків, таким чином спрощуючи процес кореляції того, які пікселі відповідають сільськогосподарським угіддям, ідентифікованим маскою сільськогосподарських угідь.
    Варіанти реалізації не обов'язково повинні втілюватись лише для сільськогосподарських угідь або полів; наприклад, варіант реалізації може використовуватись для виявлення заповнених водою ділянок на великих, цінних ландшафтних ділянках, таких як поля для гольфу.
    І012514.0 ПОДІЇ, ЩО ЗАПУСКАЮТЬ ПРОЦЕС АНАЛІЗУ
    (0126) У цілому, логіка спектрального аналізу 171, логіка моделювання потоку 172, логіка взаємозв'язку 173 та логіка сповіщення 174 разом реалізують когерентний, виконуваний комп'ютером процес для аналізу даних, пов'язаних із полем, який визначає, чи є ймовірність появи заповнених водою ділянок, і де, а також направляє сповіщення користувачеві 102 або іншому агенту, інформуючи їх про виявлені заповнені водою ділянки.
    Нижче наведені приклади критеріїв, які можна використовувати для запуску процесу.
    ІЇО127| У деяких варіантах реалізації процес запускається в результаті отримання сільськогосподарською інформаційною комп'ютерною системою 130 супутникового зображення поля.
    У деяких випадках, залежно від умов контракту з постачальником супутникових зображень, зображення поля можуть бути доступними лише періодично (наприклад, раз на день, тиждень, місяць тощо). Таким чином, у деяких варіантах реалізації процес виявлення заповнених водою ділянок може розпочинатись, як тільки стає доступним нове зображення.
    У деяких випадках сільськогосподарська інформаційна комп'ютерна система 130 може отримувати зображення з комп'ютерної системи постачальника супутникових зображень без відповідної інструкції (пасивна модель отримання даних). В альтернативному варіанті сільськогосподарська інформаційна комп'ютерна система 130 може надсилати повідомлення з проханням надати оновлене зображення, якщо воно є доступним (модель активного опитування).
    (0128) В інших варіантах реалізації сільськогосподарська інформаційна комп'ютерна система 130 може бути налаштована з можливістю відправлення повідомлення до комп'ютерної системи постачальника супутникових зображень із вимогою негайного або дуже скорого отримання
    Зо зображення.
    Таким чином, у одному з прикладів сільськогосподарська інформаційна комп'ютерна система 130 може отримувати через інтерфейс користувача обчислювального пристрою 104 для керування польовими роботами введені користувачем дані, що містять запит на отримання оновленого зображення.
    У відповідь сільськогосподарська інформаційна комп'ютерна система 130 надсилає повідомлення до комп'ютерної системи постачальника супутникових зображень, що вимагає надання нового зображення.
    В інших варіантах реалізації сільськогосподарська інформаційна комп'ютерна система 130 виконана з можливістю направлення запиту на отримання зображення, якщо виконуються певні критерії.
    Наприклад, у відповідь на отримання даних, що вказують на випадання порогової кількості опадів (наприклад, від дистанційного датчика 112 на полі або метеостанції в безпосередній близькості від поля),
    сільськогосподарська інформаційна комп'ютерна система 130 автоматично запитує оновлене зображення, і починається процес виявлення.
    (01291 5.0 СПЕКТРАЛЬНИЙ АНАЛІЗ
    ІО130) Логіка спектрального аналізу 171 запрограмована з можливістю аналізу спектральних смуг із супутникового зображення та забезпечує карту ймовірності наявності води для поля, яка вказує ймовірність того, що той чи інший піксель представляє воду.
    0131) В одному варіанті реалізації логіка спектрального аналізу 171 визначає вірогідність того, що даний піксель представляє воду, "навчаючи" класифікатор із використанням позначених мітками даних (також називаються "даними підсупутникових спостережень") та подаючи ознаки кожного пікселя у "навчений" класифікатор.
    І0132| Багато методів машинного навчання, такі як класифікатори та певні типи регресії, передбачають оцінку функції яка встановлює відповідність між набором вхідних даних (називаються ознаками) та набором вихідних даних (називаються класами або мітками). Оцінка функції, яка називається "навчання", зазвичай виконується шляхом аналізу "навчального набору" ознак та їх відповідних міток.
    За деякими визначеннями класифікатор виводить дискретні мітки, а методи, що грунтуються на регресії, забезпечують безперервні вихідні значення.
    Проте, для певних типів регресії, таких як логістична регресія, яка дає ймовірність одного з двох можливих результатів, ця різниця значною мірою не має сенсу.
    Для простоти приклади, наведені в даному документі, стосуються методики машинного навчання, яка використовується логікою спектрального аналізу 171 як класифікація.
    Проте, зазначена вище бо термінологія не має на меті виключення інших методів машинного навчання, таких як регресія.
    ІО133)| Під час аналізу виконується оптимізація, щоб знайти функцію, яка найкращим чином пояснює відповідність між ознаками та відповідними мітками в позначеному мітками навчальному наборі.
    Терміни "найкращий", "максимальний" та/або "оптимальний", що вживаються тут, необов'язково стосуються глобальної метрики.
    У багатьох випадках достатньо місцевого максимуму ймовірності відповідності між ознаками та міткою, що надається цією функцією.
    Різні методики машинного навчання виконують зазначені вище оптимізації різними способами.
    Наприклад, наївні класифікатори Баєса передбачають незалежність ознак за наявності класу і оцінки функції, яка пояснює зв'язок між ознаками та міткою.
    Як ще один приклад, штучні нейронні мережі моделюють проблемний домен як систему взаємозв'язаних вузлів (що представляють "нейрони"), які передають повідомлення один одному, при цьому часто деякі вузли представляють входи, деякі вузли - посередні або "приховані" вузли, а деякі вузли - виходи.
    Таким чином, у таких моделях оцінка функції включає визначення оптимальних вагових показників між ребрами, що з'єднують вузли, які, найімовірніше, пояснюють відображення, представлені в навчальному наборі.
    Коли класифікатор навчається, в класифікатор можна ввести нову точку даних ознак, щоб отримати прогнозовану мітку для цієї точки даних.
    У більшості випадків класифікатори виводять набір потенційних міток та метрики довіри чи іншу міру ймовірності правильності класифікації.
    У більшості випадків мітка, якій класифікатор призначив найвищу впевненість, вважається затвердженою міткою.
    0134 У даному проблемному домені ознаками є різноманітні спектральні смуги,
    зареєстровані для кожного пікселя супутникового зображення, а клас - бінарне значення, що потенційно класифікує піксель як піксель води або піксель землі.
    Описані тут методики не обмежуються жодним конкретним типом класифікатора.
    Наприклад, класифікатор, який використовується логікою спектрального аналізу 171, може включати в себе метод опорних векторів (ЗММ, від англ.
    Зиррогі Месіог Маспіпе5), нейронні мережі, логістичну регресію,
    баєсівські методи, перцептрони, дерева рішень та інші без обмеження названими.
    Для того, щоб надати чіткі приклади, в решті частині цього опису передбачається застосування логістичної регресії, яка дала точні результати на практиці, але методики не обов'язково обмежені логістичною регресією.
    0135) Точні ознаки, які використовуються для класифікатора, можна визначити багатьма
    Зо різними способами.
    У деяких варіантах реалізації ознаки вибираються на основі знань домену або вибираються вручну, перевіряючи різні комбінації ознак та вибираючи ті, які, як видається, дають найбільш точні результати.
    Наприклад, після багатьох випробувань було визначено, що смуга МІК, червона смуга та індекси рослинності (зокрема, Трансформований індекс рослинності, адаптований відповідно до грунту (Т5АМІ, від англ.
    Тгапеїоптпей 5ої! Ааіивіва
    Медеїанйоп Іпдех)) є релевантними ознаками для навчання класифікатора.
    У результаті в наведених тут прикладах передбачено, що зазначені вище ознаки використовуються для класифікації.
    Однак описані в даному документі методи достатньо пристосовані для використання будь-яких ознак, які можуть використовуватись як основа для виявлення води, включаючи, без обмеження названим: синю смугу, зелену смугу, червону смугу, червону крайову смугу, смугу МІК, ТЗАМІ, електричну провідність грунту, висоту, комплексний топографічний індекс (СТІ, від англ.
    Сотрошипа Тородгарпіс Іпаех), вологоємність грунту на полі тощо.
    У деяких варіантах реалізації логіка спектрального аналізу 171 може використовувати тільки смугу МІК як ознаку для класифікації.
    Наприклад, деякі дані на практиці показали, що смуга МІК може більше свідчити про наявність води, ніж будь-яка інша смуга.
    Таким чином, у деяких варіантах реалізації смуга МІК використовується як єдина ознака для потенційного видалення шуму з навчання класифікатора.
    І0136Ї| 5.1 ПІДГОТОВКА ДАНИХ ПІДСУПУТНИКОВИХ СПОСТЕРЕЖЕНЬ
    (0137) Як зазначено раніше, позначені мітками підсупутникові дані необхідні для навчання класифікатора та розробки оптимальної функції що пов'язує ознаки та класифікації.
    Позначений мітками набір даних можна отримати багатьма різними способами.
    ЇО138| Один із способів полягає в отриманні вибірки супутникових зображень, що відображають типові поля після дощу.
    Дані про випадання опадів у районах, охоплених цими ілюстративними супутниковими зображеннями, можуть використовуватись для перевірки того, що дощ пройшов незадовго до того, як було зроблено знімок, що збільшує ймовірність того, що на зображенні є заповнені водою ділянки для навчання класифікатора.
    Однак у деяких випадках, також і зображення без заповнених водою ділянок можуть використовуватись як негативні приклади для навчання класифікатора.
    Зразки зображень можуть бути вручну позначені мітками спеціалістами на полі, щоб визначити, які пікселі представляють воду, а які - землю.
    Ці мітки можуть використовуватись як "дані підсупутникових спостережень".
    бо І0139| Проте, в інших методиках застосовуються автоматичні або частково автоматичні способи виявлення води на зразках зображень для отримання позначених мітками даних підсупутникових спостережень.
    Наприклад, ознаки води можуть бути ідентифіковані на зразках супутникових зображень за допомогою інструмента кореляції смуг зображень (ІВСТ, від англ.
    Ітаде Вапа Соітеїайнйоп Тоої) у програмному забезпеченні ТМТтір5, комерційно доступному від МісгоІтадев, Іпс, Лінкольн, штат Небраска.
    ІВСТ використовує метод "капелюха з китичками" (Чаззеїва сар теїйоа) та виводить на екран кореляцію між червоною смугою та смугою МІК.
    Використовуючи ІВСТ, ділянки на зразках зображень, які представляють воду, можна ідентифікувати на основі пікселів у межах цих ділянок, що знаходяться на рівні або нижче певного порогового значення для МІЕ та червоного відбиття.
    Пікселі, охоплені цими ділянками, потім експортуються як бінарний растровий файл для кожного із зразків зображень.
    Бінарний растровий файл потім представляє маску заповнених водою ділянок, що визначає області пікселів води.
    Потім здійснюється уточнення маски заповнених водою ділянок шляхом Її порівняння з зображеннями, що відповідають відомим постійно існуючим ставкам.
    Пікселі в масці, які корелюють із відомими водоймами, можна видалити, залишаючи решту маски, де міститься інформація про заповнені водою ділянки.
    В альтернативному варіанті уточнення маски заповнених водою ділянок може здійснюватися шляхом порівняння з супутниковими знімками, що відповідають іншим періодам часу.
    Якщо вода з'являється як у зразках зображень, так і в минулих зображеннях ділянки, існує велика ймовірність того, що ця водойма є постійною, а не тимчасовою.
    Як приклад джерела історичних зображень, Національна програма сільськогосподарських зображень (МАІР, від англ.
    Маїййопа! АдгісийКига! Ітадегу Ргодгат) забезпечує зображення сільськогосподарських полів, які можуть використовуватись із цієї метою.
    (0140) 5.2 НАВЧАННЯ ТА ВИКОРИСТАННЯ КЛАСИФІКАТОРА
    01411) На ФІГ. 5 проілюстровано спосіб формування карти ймовірності наявності води на основі супутникового зображення у формі блок-схеми відповідно до варіанта реалізації.
    Подальше пояснення передбачає, що логіка спектрального аналізу 171 реалізує процес, проілюстрований на ФІГ. 5. На ФІГ. 5 наведено конкретні блоки блок-схеми, які розташовані в певному порядку.
    Проте, в інших варіантах реалізації блоки можуть бути додані, вилучені, розділені, об'єднані або їх порядок може бути змінено порівняно з ФІГ. 5. Описані тут методики
    Зо не обмежуються конкретними блоками у зазначеному порядку, показаному на ФІГ. 5.
    0142) У блоці 505 логіка спектрального аналізу 171 отримує піксельні дані супутникового зображення поля, що є предметом аналізу.
    У одному з варіантів реалізації логіка спектрального аналізу 171 отримує супутниковий знімок із сховища моделей та польових даних 160. Проте, в інших варіантах реалізації або, якщо сховище моделей та польових даних 160 не має зображення поля, логіка спектрального аналізу 171 може запитувати супутникове зображення з комп'ютера 108 зовнішнього сервера даних сервісу постачальника супутникового зображення із використанням рівня зв'язку 132. Додаткові методи, які можуть використовуватися для отримання піксельних даних супутникового зображення, описані вище в розділі 3.1.
    0143) У блоці 510 логіка спектрального аналізу 171 отримує позначені мітками піксельні дані, які будуть використовуватися як навчальний набір для класифікатора.
    Залежно від варіанта реалізації, логіка спектрального аналізу 171 може отримати позначені мітками піксельні дані зі сховища моделей та польових даних 160 або комп'ютера 108 зовнішнього сервера даних постачальника міток.
    Додаткові методи, які можуть використовуватися для отримання або створення позначених мітками піксельних даних, описані вище в розділі 4.1. У деяких варіантах реалізації логіка спектрального аналізу 171 може попередньо навчити класифікатор та зберігати вивчену функцію та/або коефіцієнти вивченої функції у сховищі моделей та польових даних 160. У таких випадках логіка спектрального аналізу 171 може пропускати блок 510 і блок 515, а замість цього переходити до блоку 520.
    0144) У блоці 515 логіка спектрального аналізу 171 здійснює підготовку класифікатора на основі позначених мітками піксельних даних.
    Залежно від варіанта реалізації класифікатор може бути одним або кількома з зазначених варіантів: нейронна мережа, 5УМ, класифікатор Баєса, перцептрон, логістична регресія, або будь-яка інша методика машинного навчання.
    Однак для того, щоб надати чітке пояснення, нижче наведено приклад, в якому використовується логістична регресія в якості класифікатора.
    У наведеному нижче прикладі передбачається, що ознаками є червона смуга, смуга МІК та індекс рослинності, причому ймовірність на виході - це ймовірність того, що піксель відповідає воді, а не землі.
    ЩІ 45 Загальна модель логістичної регресії така:
    й -А"Х ке (Рівняння 1.0)
    МІ) . с. . . . сл.
    Де - ймовірність того, що піксель відповідає воді (і, |), Х - це вектор ознаки, а А - вектор коефіцієнта.
    Таким чином, навчання моделі логістичної регресії передбачає визначення вектору коефіцієнта А, що найкраще описує взаємозв'язок між вектором ознаки Х та ймовірністю відповідності воді для кожного пікселя зображень, що входять до позначених мітками піксельних даних.
    Наприклад, позначений мітками навчальний комплект може враховувати ймовірність 1, якщо є мітка води, і 0, якщо мітка відповідає землі.
    ЇО146)| У наведеній вище моделі вектор ознаки Х - це лінійна комбінація змінних, у цьому випадку відбиття МІК, червоної смуги та індекс рослинності Т5АМІ.
    Індекс рослинності Т5АМІ обчидаюєтьсяавн вормулевої ) - Б)
    Беаха"ме)ча"в) (Рівняння 2.0)
    деа їі Б - нахил і перетинання лінії грунту.
    У варіанті реалізації нахил і перетинання лінії грунту не розраховуються для окремих випадків.
    Замість цього може використовуватися медіана нахилу та перетинання лінії грунту.
    Наприклад, під час тестування було показано, що значенняа - 1,215 - 0,04 дають точні результати.
    ІО147| Потім здійснюють оцінку коефіцієнтів А, використовуючи метод максимальної правдоподібності (МІ Е, від англ.
    Махітит І ікеїйосоа Меїйїпсоа), що є добре відомим методом для оцінки параметрів статистичної моделі.
    0148) У деяких варіантах реалізації для того, щоб зменшити час та ресурси, необхідні для навчання класифікатора, логіка спектрального аналізу 171 використовує лише підмножину пікселів з маркованих мітками піксельних даних.
    Наприклад, у варіанті реалізації для навчання класифікатора можуть використовуватися всі пікселі води, але лише підмножина пікселів землі, а не всі наявні мічені пікселі.
    0149) У блоці 520 логіка спектрального аналізу 171 використовує навчений класифікатор, щоб скласти карту ймовірності наявності води для супутникових піксельних даних, отриманих на етапі 505. У варіанті реалізації для кожного пікселя супутникового зображення логіка спектрального аналізу 171 отримує ознаки пікселя та використовує навчений класифікатор для отримання ймовірності наявності води.
    Використовуючи наведений вище приклад логістичної регресії, кожен піксель супутникового зображення матиме отримані для цього дані смуги МІВ. та червоної смуги, розраховані дані Т5АМІ, і ці ознаки будуть включені до вектору ознаки Х, щоб
    Зо обчислити ймовірність наявності води МУ, використовуючи раніше визначені коефіцієнти А.
    Набір значень ймовірності наявності води для пікселів дає карту ймовірності наявності води, яка вказує ймовірність того, що той чи інший піксель у зображенні представляє воду.
    Потім логіка спектрального аналізу 171 записує карту ймовірності наявності води у сховищі моделей та польових даних 160 для подальшого використання за допомогою логіки взаємозв'язку 173.
    (0150 6.0 МОДЕЛЮВАННЯ ПОТОКУ
    ІО1511 На ФІГ. 6 проілюстровано спосіб формування карти можливого заповнення водою на полі у формі блок-схеми відповідно до варіанта реалізації.
    Подальше пояснення передбачає, що логіка моделювання потоку 172 реалізує процес, проілюстрований на ФІГ. 6. На ФІГ. 6 наведено конкретні блоки блок-схеми, які розташовані в певному порядку.
    Проте, в інших варіантах реалізації блоки можуть бути додані, вилучені, розділені, об'єднані або їх порядок може бути змінено порівняно з ФІГ. 6. Описані тут методики не обмежуються конкретними блоками у зазначеному порядку, показаному на ФІГ. 6.
    ІО152| У блоці 605 логіка моделювання потоку 172 отримує дані про опади, висоту та властивості грунту для поля.
    В одному варіанті реалізації логіка моделювання потоку 172 отримує дані про опади, висоту та властивості грунту зі сховища моделей та польових даних 160 або з одного або кількох зовнішніх джерел даних 110. Додаткові відомості стосовно збору даних про опади, висоту та властивості грунту описані вище в розділах 3.2, 3.3 та 3.4, відповідно.
    ІО153) У блоці 610 логіка моделювання потоку 172 починає моделювання, розміщуючи воду над кожною ділянкою поля на основі даних про опади.
    Для початку моделювання встановлюється вихідний рівень води для кожної ділянки сільськогосподарського поля.
    У деяких варіантах реалізації кожна ділянка являє собою піксель супутникового зображення, що використовується логікою спектрального аналізу 171. Проте, в інших варіантах реалізації пікселі можуть бути згруповані у більші ділянки для прискорення моделювання при деякій втраті точності через знижену роздільну здатність.
    У одному варіанті реалізації початковий рівень води встановлюється на основі даних про опади.
    Якщо дані про опади доступні з тією ж роздільною здатністю, що і ділянки, для кожної ділянки можна встановити рівень води, який відповідає останнім опадам, зареєстрованим у цьому місці.
    Проте, часто дані про опади мають меншу роздільну здатність, ніж ділянки.
    Таким чином, в таких випадках робиться припущення, що всі місця, охоплені одним датчиком 112 або метеостанцією, мають однакову кількість опадів.
    ІО154) У блоці 615 логіка моделювання потоку 172 "зсуває" воду на сусідні ділянки на основі даних висоти та властивостей грунту.
    Під час моделювання вважається, що вода, яка потрапила на кожну ділянку, тече з певною швидкістю до сусідніх ділянок, і її кількість має бути такою самою після припинення потоку.
    Це виконується ітераційно, і блок 615 виконується аж до досягнення умови зупинки у блоці 620. Під час кожної ітерації певна кількість води вилучається з більш високих ділянок та додається до сусідніх нижчих ділянок, доки загальна висота (висота поверхні землі ж збільшення висоти через наявність води) між сусідніми ділянками не зрівняється.
    Потік води може бути статичною величиною або може залежати від різниці у висоті між пікселями більш високих та сусідніх нижчих ділянок.
    У деяких випадках відсоток води може переміщатись при кожній ітерації. 0155) Наведений нижче псевдокод дає приклад того, як вода тече до сусідніх ділянок у блоці 615. Однак варіанти здійснення не обмежуються алгоритмом, наведеним у цьому прикладі псевдокоду.
    У наведеному нижче псевдокоді передбачається, що кількості води на кожній ділянці вже встановлені в блоці 610, положення ділянок задаються Цгом/, сої), М представляє кількість стовпчиків, М - кількість рядків, Пдаг являє собою матрицю висот на кожній ділянці, і у/"аїег являє собою матрицю кількості води на кожній ділянці.
    Псевдокод розбитий на дві частини: одна задає горизонтальний потік води, а друга - вертикальний.
    У варіанті реалізації кожна ітерація блоку 615 передбачає однократне виконання кожної частини.
    У наведеному нижче псевдокоді використовуються інструкції та/або команди, подібні до К - системи з відкритим кодом, яка широко використовується для аналізу даних великих розмірів.
    Однак варіанти реалізації не обмежуються застосуванням К та можуть бути впроваджені з використанням будь-якої кількості мов програмування, таких як Цама, Ся, Кибу, Реїї тощо.
    Я вода тече зліва направо (негативне значення означає справа наліво) Тог сої -1 о М-1 еієм1 «- Пдаг.таїгіх |, сої| Ж повертає вектор висоти для стовпчика сої вієма2 «- ІІдаг.таїйгіх (І, соЇ-1) Ж повертає вектор висоти для стовпчика сої1 Зо мае «- магег.таїгіх |, сої) 2 повертає вектор кількості води для сої мжаїег2 «- шмагег.таїгіх |, сої-11 2 повертає вектор кількості води для соїжн1 тота. мае «- мае - мае ай «- вІіємі - вієм2 Ж перерозподілити/збалансувати воду для двох стовпців жаїег.Іеме! «- ртах(юїа!|. мае - ан, 0/2 мжатег.тайх(|,сої| «- ртіп(умаїтег.Іемеї, їоїаЇ.маїтег) мжатег.тайх|, сої--1| «- їоїаІ.маїег - маїег.тайіх| сої) ) й вода тече вниз (негативне значення означає вгору) Тог том -1 То М-1 еіем1 «- Ідаг.таїйгіх(гому, | Ж повертає вектор висоти для рядка гом/ вієма2 «- Ідаг.таїйгіхІгоми-1,| Ж повертає вектор висоти для рядка гом/-1 мае «- магег.таїйгіх(гом/,| Ж повертає вектор кількості води для рядка гом/ мжаїег2 «- шагег. таїгіх|(гом/1, | 2 повертає вектор кількості води для рядка гом/1 тота. мае «- мае - мае ай «- вІіємі - вієм2 Ж перерозподілити/збалансувати воду для двох рядків мжаїег.Іеме! «- ртах (оїа!маїег - ан, 0) /2 мжатег.тайхком,| «- ртіпомаїег.Іемеї, юїа!маїетг) мжатег.тайхиом--1, | «- юїа!маїег - маїег. тайіх|гому, ) 0156) Під час перетікання води деяка її частина просочується в грунт.
    Точна кількість води, що просочується, залежить від багатьох факторів, таких як електропровідність грунту, наявна вологоємність, тривалість потоку, швидкість потоку, напрямок тощо, які може бути дуже важко точно змоделювати.
    Проте, для визначення потенційних ділянок, що заповнюються водою, точна фізична модель не потрібна.
    В одному варіанті реалізації процес потоку спрощується, і як єдиний фактор використовується наявна вологоємність, оскільки у ряді експериментів було доведено, що вона має найбільший вплив на появу заповнених водою ділянок.
    Таким чином, у бо процесі перетікання води деяка її кількість, пропорційна вологоємності, видаляється через просочування і не додається до сусідньої ділянки.
    І0157)| З наведеним вище припущенням приймемо коефіцієнт пропорційності а.
    Для кожної . ни . «сл ділянки кількість води, яка сприяє утворенню заповнених водою ділянок - ; де цьо - водоємність для ділянки БУ Значення « може бути встановлено на підставі знань про ділянку або шляхом експериментів для визначення значення, яке, як видається, дає точні результати.
    ІО158) У блоці 620 логіка моделювання потоку 172 визначає, чи досягнуто умови зупинки для моделювання.
    У варіанті реалізації умовою зупинки є запуск моделювання для попередньо визначеної кількості ітерацій.
    Проте, в інших варіантах реалізації умови зупинки для моделювання можуть відповідати досягненню точки конвергенції коли вода припиняє переміщатися до сусідніх ділянок, або під час попередньої ітерації кількість переміщеної води виявляється меншою, ніж порогове значення.
    Умови зупинки навіть можуть бути об'єднані, використовуючи певну кількість ітерацій, як спосіб запобігти витрачанню надто великого часу на досягнення конвергенції у моделюванні.
    Наприклад, умовою зупинки може бути конвергенція або попередньо встановлена кількістю ітерацій, залежно від того, що трапиться раніше.
    ІО1591| У блоці 625 логіка моделювання потоку 172 реєструє ділянки з накопиченою водою на карті можливих заповнених водою ділянок.
    Після досягнення умови зупинки у блоці 620 ділянки, на яких ще є вода, позначаються на карті можливих заповнених водою ділянок.
    Наприклад, карта може бути растровим зображенням ділянок або пікселів, які ідентифікують заповнені водою ділянки, використовуючи значення 1 для води та 0 для землі.
    Таким чином, карта можливих заповнених водою ділянок визначає ділянки, де, ймовірно, зібралася вода після дощу.
    Карта можливих заповнених водою ділянок зберігається в сховищі моделей та польових даних 160 для подальшого використання логікою взаємозв'язку 173.
    01601 7.0 АНАЛІЗ ВЗАЄМОЗВ'ЯЗКУ
    01611 На ФІГ. 7 проілюстровано спосіб формування попіксельної класифікації заповнених водою ділянок на основі супутникового зображення у формі блок-схеми відповідно до варіанта реалізації.
    Подальше пояснення передбачає, що логіка взаємозв'язку 173 реалізує процес, проілюстрований на ФІГ. 7. На ФІГ. 7 наведено конкретні блоки блок-схеми, які розташовані в певному порядку.
    Проте, в інших варіантах реалізації блоки можуть бути додані, вилучені,
    Ко) розділені, об'єднані або їх порядок може бути змінено порівняно з ФІГ. 7. Описані тут методики не обмежуються конкретними блоками у зазначеному порядку, показаному на ФІГ. 7.
    (0162) Класифікація пікселів води на основі деяких методів машинного навчання, таких як логістична регресія, не враховує ефектів взаємозв'язку між сусідніми пікселями.
    Наприклад, для двох пікселів з однаковими значеннями діапазону МІК піксель, оточений пікселями води, більш імовірно представляє воду, аніж піксель, оточений пікселями землі.
    Логіка взаємозв'язку 173 моделює такі ефекти для підвищення надійності та точності оцінок ймовірності, виданих логікою спектрального аналізу 171. Крім того, логіка спектрального аналізу 171 також узгоджується з результатами логіки моделювання потоку 172. Пікселі, які мають високу ймовірність того, що вони відповідають воді, як це визначено логікою спектрального аналізу 171, і також знаходяться в місцях, де може накопичуватися вода, як це визначено логікою моделювання потоку 172, більш імовірно представляють заповнені водою ділянки.
    У той час як пікселі, для яких результати логіки спектрального аналізу 171 та логіки моделювання потоку 172 не збігаються, менш імовірно представляють заповнені водою ділянки.
    І0163| У наступному прикладі використовується Марківське випадкове поле (МЕ) для моделювання вищезазначених ефектів.
    Однак описані тут способи не обмежуються використанням МКЕ для моделювання зв'язку між пікселями.
    У наведених нижче прикладах модель МЕ отримує на вході карту ймовірності наявності води, складену логікою спектрального аналізу 171, карту можливих заповнених водою ділянок, складену логікою моделювання потоку 172, значення смуг для кожного пікселя на супутниковому зображенні та маску сільськогосподарських угідь, що визначає, які пікселі представляють сільськогосподарські поля.
    У наведених нижче прикладах також припускається, що логіка спектрального аналізу 171 використовувала як методику класифікації логістичну регресію для створення карти ймовірності наявності води, але це не є обов'язковим для всіх варіантів реалізації.
    0164) У блоці 705 логіка взаємозв'язку 173 одержує карту ймовірності наявності води, карту можливих заповнених водою ділянок і маску сільськогосподарських угідь.
    У одному з варіантів реалізації логіка взаємозв'язку 173 отримує карту ймовірності наявності води, карту можливих заповнених водою ділянок і маску сільськогосподарських угідь зі сховища моделей та польових даних 160. Наприклад, карта ймовірності наявності води могла бути попередньо складена логікою спектрального аналізу 171 і могла зберігатися в сховищі моделей та польових даних
    160. Додаткові подробиці щодо створення карти ймовірності наявності води наведені вище в розділах 4.0-4.2. Карта можливих заповнених водою ділянок могла бути попередньо складена логікою моделювання потоку 172 і могла зберігатися в сховищі моделей та польових даних 160. Додаткові подробиці щодо створення карти можливих заповнених водою ділянок наведені вище в розділі 5.0. Маска сільськогосподарських угідь могла бути попередньо отримана з комп'ютера 108 зовнішнього сервера даних і могла зберігатися в сховищі моделей та польових даних 160. Додаткові відомості щодо маски сільськогосподарських угідь викладені вище в розділі 3.5. ІО165) У блоці 710 логіка взаємозв'язку 173 формує граф, що відображає взаємозв'язки між сусідніми пікселями. Граф МЕ (набір вершин М і ребер Е) будується таким чином. Для кожних двох сусідніх пікселів (4 сусідів) і та | існує ребро (і, |) є Е, яке з'єднує вузол і та вузол |. Кожен вузол представляє випадкову величину У, що становить 1 для заповненої водою ділянки або 0 для землі. ІО166| У блоці 715 логіка взаємозв'язку 173 задає ймовірність відповідності заповненій водою ділянці для кожного пікселя на графі на основі карти ймовірності наявності води, карти можливих заповнених водою ділянок, маски сільськогосподарських угідь та взаємозв'язків між сусідніми пікселями.
    с. пОщ . Е.М, (0167) У варіанті реалізації для заданого пікселя доступні р, 2, й Її 2 (що представляє значення з карти ймовірності наявності води, карти можливих заповнених водою ділянок і маски сільськогосподарських угідь, відповідно, для цього пікселя), а також значення смуги для пікселя. Мета полягає в оцінці 2 - мітки класу для пікселя. На відміну від логістичної регресії, що оцінює « для кожного окремого пікселя, логіка взаємозв'язку 173 оцінює 2, максимізуючи спільну ймовірність для всіх пікселів, тобто Р(У) - Р(М1,М2, ... ,Ум), де М - загальна кількість пікселів. Тоді спільна ймфнібніогі Бі випадкових величин 7; дорівнює: КОЮ сієМ (є (Рівняння 3.0) (м) Ще ! а 8 МК) г. ! . ! де - потенційна функція вузла і, а - потенційна функція ребра між вузлами і та
    ). Функція Її складається з трьох компонентів: ля вл; х), 0168) Для визначення потенціалу вузла Я. використовується карта ймовірностей МУ. Клас з більшою ймовірністю має більш високий потенціал. Щоб уникнути нульових значень, приймемо рад ни ВІ . У 717, Для потенціалу ребра д можна зробити припущення, що чим ближче Зо різниця між значеннями МІРЄ пікселів, тим більше шансів, що ці пікселі матимуть однакові мітки класу. вму зрад турні різниці МІВ, і) пи ши тВ-НИНЗ5ЗЗу Па ле В ли 7 (Рівняння 4.0) Де 0 визначає зменшення значення потенціалу і може задаватись на основі досвіду роботи з проблемним доменом або шляхом тестування значень, щоб визначити, яке з них дає найкращі результаті. Наприклад, ОО можна встановити таким, що дорівнює 3000. Це показало добрі результати при тестуванні. І0169| Щоб взяти до уваги результати моделювання, використовується карта заповнених водою ділянок 5. Піксель і вважається пікселем заповненої водою ділянки, якщо ": - 1 і пікселем не заповненої водою ділянки, якщо "З - 0. Імовірність наявності води з зображень буде підтверджена, якщо вона збігається з результатами моделювання. У іншому випадку вона стає "слабкішою". Тому " ев що пс не 5 Г де В представляє вагу важливості результатів моделювання. При В-О результати моделювання по суті відкидаються. Зі збільшенням В результатам моделювання надається більше значення. Значення В може встановлюватись на основі знань проблемного домену або визначатися після тестування різних значень для визначення того, що дає кращі результати. Наприклад, В'єе вс) показав хороші
    . БСК кре ех. ОК ех результати під час тестування. Для маски М, У мА, 3 І. і З Н А Бо (5 ! за я; (не сільськогосподарські угіддя), і за 7 (сільськогосподарські угіддя). Таким чином, пікселі, які не є сільськогосподарськими угіддями, по суті, класифікуються як такі, що не є заповненими водою ділянками, оскільки ці ділянки не є предметом аналізу.
    Проте, в інших варіантах реалізації, маска сільськогосподарських угідь може не використовуватись, якщо відомо, що супутникове зображення містить лише пікселі сільськогосподарських угідь.
    Крім того, методики, описані в цьому документі, можуть застосовуватися до супутникових знімків ділянок, що не є сільськогосподарськими угіддями, наприклад, для визначення заповнених водою ділянок, які можуть приваблювати небезпечних комах, таких як москіти.
    У таких випадках, якщо аналізована ділянка не належить до сільськогосподарських угідь, маска сільськогосподарських угідь може не використовуватись.
    Ге ву я - ЇО170| Якщо РЕ, о, б 075007 визначаються як негативна логарифмічна форма Її, 9, Е й Ж 7-5 Вдувідйо ді) ієМ (ЄЕ РМ УР М) УР МІН Хв ММ)
    - ієМ ієМ ієМ (пе (Рівняння 5.0)
    Таким РК ідьна ймовірність дорівнює:
    КУ ехр(- У) (Рівняння 6.0)
    0171) У блоці 720 логіка взаємозв'язку 173 оцінює класифікацію для кожного пікселя, що максимізує спільну ймовірність на графі.
    У варіанті реалізації максимізація спільної ймовірності еквівалентна мінімізації енергетичної функції КО ІЙ Наприклад, мінімізація енергетичної функції
    КО може здійснюватися з використанням поширення ступеня впевненості (І ВР, від англ.
    І оору Веїїєї Ргорадаїйоп), що є ітераційним алгоритмом.
    Після проведення порогової кількості ітерацій алгоритм сходиться, і для кожного пікселя формується субоптимальний набір міток.
    Якщо М велике, процес виведення може зайняти багато часу.
    Проте, в деяких варіантах реалізації, щоб підвищити ефективність процесу виведення, кожну панель, що розглядається
    ІЇВР, можна розділити на кілька підпанелей.
    Кінцевим результатом є карта заповнених водою ділянок, яка визначає для кожного пікселя супутникового зображення сільськогосподарського поля, чи відповідає він заповненій водою ділянці або землі.
    Потім карта заповнених водою ділянок зберігається у сховищі моделей та польових даних 160 для подальшого використання логікою сповіщення 174.
    Зо І0172| 8.0 ПРИКЛАДИ СПОВІЩЕНЬ
    0173) Логіка сповіщення 174 являє собою команди, що використовуються підсистемою 170 виявлення заповнених водою ділянок, для формування сповіщення на основі виявлення логікою взаємозв'язку 173 заповнених водою ділянок.
    ІО174| У деяких варіантах реалізації, коли логіка взаємозв'язку 173 складає карту заповнених водою ділянок, якщо на карті показані значні заповнені водою ділянки, логіка взаємозв'язку 173 викликає логіку сповіщення 174 (наприклад, через АРІ, виклик методу/функції, механізм зв'язку між процесами тощо). Наприклад, для того, щоб уникнути випадків, коли дуже маленька ділянка, наприклад, один піксель заповненої водою ділянки спричиняє направлення сповіщення, може використовуватися порогове число сусідніх пікселів, класифікованих як заповнена водою ділянка, для визначення того, чи є заповнена водою ділянка значною.
    Якщо заповнена водою ділянка визначається як значна, використовується логіка сповіщення 174. Проте, в деяких варіантах реалізації, логіка взаємозв'язку 173 налаштована з можливістю виклику логіки сповіщення 174, якщо на сільськогосподарських угіддях визначено будь-які пікселі заповненої водою ділянки.
    ІО175| Після виклику логіка сповіщення 174 отримує маску заповнених водою ділянок зі сховища моделей та польових даних 110 і видає один або кілька сповіщень.
    У деяких варіантах реалізації сповіщення набувають форми повідомлення або повідомлень, що надсилаються на пристрій, пов'язаний з користувачем 102, що вказує(ють) на виявлення заповнених водою ділянок на полі.
    Як один із прикладів, повідомлення може містити координати, що відповідають пікселям, які були ідентифіковані як заповнені водою ділянки.
    У ще одному прикладі, повідомлення може містити або забезпечувати посилання на карту, яка показує поле або поля, де було виявлено заповнені водою ділянки, і виділяє пікселі, що були визначені як такі, що включають заповнені водою ділянки, наприклад, шляхом відображення їх у певному кольорі.
    Повідомлення може відправлятись численними різними способами. Наприклад, повідомлення може мати форму автоматичного телефонного дзвінка або текстового повідомлення, що надсилається на мобільний телефон, пов'язаний з користувачем 102. У ще одному прикладі повідомлення може надходити у вигляді електронного листа, надісланого на електронну адресу, пов'язану з користувачем 102. У ще одному прикладі обчислювальний пристрій 104 для керування польовими роботами може виконувати програму, яка налаштована з можливістю взаємодії з логікою сповіщення 174 та прийому повідомлень для відображення користувачеві
    102. У ще одному прикладі сільськогосподарська інформаційна комп'ютерна система 130 може бути сконфігурована як веб-сервер або здійснювати хостинг компонента, здатного забезпечувати роботу веб-сервера. У таких випадках повідомлення може містити посилання на веб-сайт, розміщений сільськогосподарською інформаційною комп'ютерною системою 130, що відображає сповіщення та/або інформацію про місцезнаходження виявлених заповнених водою ділянок. Конкретний спосіб формування сповіщення та його передачі на пристрій користувача 102 не є важливим. І0176| 8.1 ВІДВІДАННЯ ВИЯВЛЕНИХ ПРОБЛЕМНИХ ДІЛЯНОК І0177)| В одному варіанті реалізації логіка сповіщення 174 оцінює найкоротший шлях для користувача 102 або агента користувача 102 для того, щоб відвідати заповнені водою ділянки, визначені логікою взаємозв'язку 173. Наприклад, на полі може бути кілька заповнених водою ділянок, які користувачеві 102 або агенту доведеться фізично відвідати, щоб переконатись у тому, що в цьому місці насправді накопичилася вода, та/або розпочати процес видалення води з поля. І0178| Оцінка оптимального шляху для відвідування всіх визначених ділянок може здійснюватися із застосуванням методів, аналогічних розв'язанням задачі про подорожуючого продавця (Т5Р, від англ. Тгамеїйпуд зЗаіезтап Ргоріет). ТР - це відома задача в сфері інформатики, у якій дається перелік міст та відстані між кожною парою міст, а мета полягає у пошуку найкоротшого шляху, яким продавець відвідує кожне місто лише один раз і повертається до початкового пункту. У цьому випадку міста - це різні виявлені заповнені водою ділянки. Проте, в інших варіантах реалізації інші аспекти проблеми можуть бути модифіковані, щоб краще відповідати завданню переміщення на сільськогосподарському полі. Наприклад, Зо сховище моделей та польових даних 160 може зберігати інформацію, пов'язану з полем, наприклад, які культури вирощуються і в яких місцях, а також поточна стадія їх циклу росту. Деякі культури можуть бути більш вразливими до накопичення води, залежно від їх типу та стадії росту. Отже, якщо виявлені заповнені водою ділянки корелюють з ділянками, на яких, як відомо, знаходяться вразливі сільськогосподарські культури, ці ділянки повинні отримати пріоритет перед іншими. Крім того, визначені ділянки можуть отримувати пріоритет за кількістю виявленої води. Наприклад, ряд взаємопов'язаних пікселів, що відповідають заповненим водою ділянкам, може вказувати на серйозність проблеми накопичення води в цьому місці. Пріоритети можна застосовувати шляхом "штрафування" маршрутів, які розташовують пріоритетні ділянки далі за маршрутом. Наприклад, для метрики відстані для маршрутів, що ведуть до пріоритетних ділянок, може визначатись вага, щоб штучно збільшувати відстань відповідно до того, наскільки пізніше ділянка розміщується вздовж маршруту. Крім того, між визначеними заповненими водою ділянками може не існувати маршрутів у вигляді прямих ліній. Таким чином, якщо карта доріг або стежок до ділянок по всьому полю відома або може бути отримана з зовнішніх даних 110, відстань між заповненими водою ділянками може визначатись таким чином, щоб враховувати відстань вздовж відомих доріг або стежок, які з'єднують заповнені водою ділянки, а не використовувати відстань вздовж прямої лінії. Є кілька добре відомих розв'язань задачі ТОР, таких як перебирання всіх можливих маршрутів (метод "грубої сили"), а також евристичні алгоритми та алгоритми апроксимації (наприклад, найближчий сусід, попарний обмін, алгоритм Христофіда тощо). Після отримання рішення логіка сповіщення 174 надсилає повідомлення на пристрій, пов'язаний з користувачем 102, який включає або посилається на карту, що ідентифікує найкоротший маршрут. Додатково або в альтернативному варіанті маршрут також може бути наданий у формі письмових інструкцій. І0179| 8.2 ЗАСТОСУВАННЯ У СТРАХУВАННІ НА ОСНОВІ ПОГОДНИХ ІНДЕКСІВ І0180)| Страхування на основі погодних індексів (МІ, від англ. УУеаїНег Іпаех Іпзигапсе) - це порівняно нова система страхування, яка забезпечує виплату на основі вимірюваного погодного явища, а не фактичної втрати врожайності. У багатьох частинах світу страховим компаніям може бути важко або дорого відправляти свого агента для перевірки втрати врожаю. Однак за допомогою УМІ страхові компанії, замість цього, визначають погодні явища, такі як повені, посухи, спека, заморозки тощо, які, як відомо, спричиняють втрату врожайності. Фермер і 60 страхова компанія узгоджують критерії, які будуть використовуватися для визначення виплат, та суми виплат на основі оцінки втрати врожаю внаслідок певного погодного явища.
    Наприклад, якщо температура понад 100 градусів (Фаренгейта, прибл. 37,8 7С - прим. перекладача) спостерігається протягом семи днів поспіль, коли культура перебуває на ранній стадії росту, здійснюється виплата за страховим полісом.
    Оскільки визначення погодного явища є у багато разів дешевшим і більш ефективним при використанні, наприклад, супутникових зображень, даних метеостанції та інших технологій датчиків, ніж відрядження агентів для перевірки фактичної втрати врожаю, для обох сторін набагато легше визначити, коли має відбутися виплата за страховим полісом.
    ІО181| У деяких варіантах реалізації сільськогосподарська інформаційна комп'ютерна система 130 містить компоненти, які підтримують службу моніторингу УМ або налаштовуються для зв'язку зі службою моніторингу УМ.
    У деяких варіантах реалізації, у випадках, коли користувач 102 має поліс УМ стосовно повені, логіка сповіщення 174 сконфігурована з можливістю надсилання сповіщення до служби моніторингу УМ на додаток до або замість пристрою користувача 102. Наприклад, повідомлення може містити заповнені водою ділянки, оцінку того, як довго ця вода знаходиться на полі, які культури вирощують на цих полях, яка поточна стадія росту культури тощо.
    Зазначена вище інформація може бути отримана зі сховища моделей та польових даних 160 або оцінена на основі інформації зі сховища моделей та польових даних 160. Наприклад, час перебування води на полі можна визначити, використовуючи дані про опади, щоб встановити, коли був дощ, і порівняти цю дату з часом проведення аналізу для визначенні заповнених водою ділянок.
    Якщо служба моніторингу УМІ визначає, що інформація, яка міститься в повідомленні, надісланому логікою сповіщення 174, відповідає критеріям полісу УМІЇ, служба моніторингу УМ може позначати поліс "прапорцем" для здійснення виплати. (01821 9.0 АЛЬТЕРНАТИВНІ ЗАСТОСУВАННЯ І0183| У багатьох варіантах реалізації, описаних вище, логіка спектрального аналізу 171, логіка моделювання потоку 172, логіка взаємозв'язку 173 та логіка сповіщення 174 були описані як такі, що виявляють заповнені водою ділянки на сільськогосподарському полі та інформують користувача про такі виявлені ділянки.
    Проте, виявлення заповнених водою ділянок може використовуватись для географічних областей, що не є сільськогосподарськими полями.
    Наприклад, поля для гольфу охоплюють великі площі, та на них росте трава, догляд за якою та заміна є дуже дорогими.
    Таким чином, способи виявлення заповнених водою ділянок, описані в даному документі, також можуть використовуватись для виявлення заповнених водою ділянок на полях для гольфу та сповіщення працівників про необхідність видалення з них води.
    У ще одному прикладі житловим або парковим зонам можуть загрожувати небезпечні комахи, які, як відомо, розмножуються у застійній воді.
    Наприклад, це стосується москітів, які переносять різні захворювання.
    Державна установа може використовувати описані в цьому документі способи для виявлення заповнених водою ділянок, які можуть виступати в ролі інкубатора для таких комах, та споряджати команди для осушення цих ділянок, щоб зменшити ризик зараження.
    Ще одним прикладом є накопичення води на дахах житлових будинків (як одно-/двоповерхових, так і багатоповерхових), що може призвести до пошкодження даху.
    Таким чином, ті ж самі способи виявлення заповнених водою ділянок можуть використовуватися на знімках житлових районів для виявлення води на дахах та попередження про необхідність усунення проблеми.
    У тих випадках, коли описані тут способи застосовуються до несільськогосподарських ділянок, логіка взаємозв'язку 173 може не враховувати дані про сільськогосподарські угіддя, оскільки вони не є об'єктом виявлення, а замість цього може використовувати інші типи масок, що ідентифікують поле для гольфу, парк, житлові райони тощо. 01841 10.0 РОЗШИРЕНІ Й АЛЬТЕРНАТИВНІ ВАРІАНТИ РЕАЛІЗАЦІЇ І0185)| 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 обмеженому 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. 0186) 11.0 ДОДАТКОВИЙ ОПИС І0187| Аспекти описаного в цьому документі винаходу викладені в наведених далі пронумерованих статтях: ІО188) 1. Спосіб, що включає: комп'ютерну систему, що отримує дані зображення поля, що містить множину пікселів, дані про опади для поля, які вказують одну або кілька кількостей 60 опадів на одній або кількох ділянках поля, дані про висоту, що вказують одне або кілька підйомів над однією або кількома ділянками поля, та дані про властивості грунту, що вказують одну або кілька властивостей грунту на одній або кількох ділянках поля; комп'ютерну систему, яка використовує класифікатор, навчений для ідентифікації пікселів води для оцінки ймовірності того, що кожен з пікселів з множини пікселів, представляє воду; комп'ютерну систему, яка моделює потоки на полі на основі даних про опади, даних про висоту та даних про властивості грунту, щоб ідентифікувати набір пікселів у даних зображення, які ймовірно відповідають заповненим водою після дощу ділянкам; комп'ютерну систему, що визначає клас для кожного пікселя з множини пікселів, який вказує, чи представляє піксель заповнену водою ділянку, на основі ймовірності відповідності воді для кожного пікселя з множини пікселів та набору пікселів у даних зображення, які, ймовірно, відповідають заповненим водою після дощу ділянкам; комп'ютерну систему, яка формує сповіщення на основі визначення класу для кожного пікселя з множини пікселів.
    ІО189| 2. Спосіб за статтею 1, який відрізняється тим, що дані зображення є даними супутникового зображення.
    ІО190| 3. Спосіб за будь-якою зі статей 1-2, який відрізняється тим, що класифікатор є логістичною регресією, навченою на позначених мітками піксельних даних, отриманих з одного або кількох зображень одного або кількох сільськогосподарських полів.
    0191) 4. Спосіб за будь-якою зі статей 1-3, який відрізняється тим, що моделювання потоку включає: ініціалізацію рівня води для кожної ділянки з множини ділянок поля; ітераційне перебалансування рівнів води між множиною ділянок, при цьому при кожній ітерації вода тече з ділянок з більшою висотою до сусідніх нижчих ділянок на основі даних про висоту, доки не настане умова зупинки, причому під час перетікання води з ділянок з більшою висотою до сусідніх нижчих ділянок деяка кількість води усувається за рахунок просочування в грунт, що визначається даними про властивості грунту; після ітераційного перебалансування рівнів води між множиною ділянок поля використання тих ділянок з множини ділянок, де все ще є вода, щоб визначити набір пікселів у даних зображення, що може відповідати заповненим вродою після дощу ділянкам.
    01921 5. Спосіб за будь-якою зі статей 1-4, який відрізняється тим, що кожен піксель з множини пікселів містить одну або кілька світлових смуг, і визначення класу для кожного пікселя
    Зо з множини пікселів включає: створення моделі, що містить граф із множиною вершин, кожна з яких представляє відповідний піксель з множини пікселів, і з множиною ребер, що представляють з'єднання між сусідніми пікселями з множини пікселів; визначення для кожної вершини з множини вершин ймовірності того, що вона відповідає заповненій водою ділянці, на основі однієї або кількох світлових смуг для пікселя, представленого вершиною, ймовірності відповідності воді для пікселя, представленого вершиною, визначення того, чи належить піксель, представлений вершиною, до множини пікселів, які, ймовірно, відповідають заповненим водою ділянкам, і ймовірності того, що сусідні пікселі пікселя, представленого вершиною, відповідають воді; визначення класу для кожної вершини з множини вершин, що максимізує спільну ймовірність для графу.
    І0193| б.
    Спосіб за статтею 5, який відрізняється тим, що модель реалізується з використанням Марківського випадкового поля.
    (0194) 7. Спосіб за будь-якою зі статей 5-6, який відрізняється тим, що модель збільшує ймовірність відповідності заповненій водою ділянці для заданої вершини, коли ймовірність відповідності воді для пікселя, представленого даною вершиною, вказує на те, що піксель,
    представлений цією вершиною, ймовірно, представляє воду, і піксель, представлений цією вершиною, належить до множини пікселів, які, ймовірно, відповідають заповненим водою ділянкам.
    0195) 8. Спосіб за будь-якою зі статей 5-7, який додатково включає отримання даних про сільськогосподарські угіддя, що визначають, які пікселі з множини пікселів відповідають сільськогосподарським угіддям, який відрізняється тим, що модель класифікує піксель, представлений цією вершиною, як не такий, що відповідає заповненій водою ділянці, якщо дані про сільськогосподарські угіддя вказують на те, що піксель, представлений даною вершиною, не відповідає сільськогосподарським угіддям.
    ІО196| 9. Спосіб за будь-якою зі статей 1-8, який відрізняється тим, що формування сповіщення включає відправлення повідомлення на пристрій користувача про виявлення на полі заповнених водою ділянок і одного чи кількох місць розташувань заповнених водою ділянок, визначених на основі класифікації пікселів як таких, що представляють заповнені водою ділянки.
    ІО197| 10. Спосіб за будь-якою зі статей 1-9, який відрізняється тим, що формування бо сповіщення включає визначення найкоротшого маршруту для відвідування кожної ділянки на ко)
    полі, що відповідає пікселям, які були класифіковані як такі, що представляють заповнені водою ділянки. ІО198| 11. Один або кілька постійних машинозчитуваних носіїв, на яких зберігаються команди, які при виконанні одним або кількома обчислювальними пристроями приводять до виконання будь-якого зі способів, визначених у статтях 1-10. І0199| 12. Система, що містить один або кілька обчислювальних пристроїв, що містять компоненти, реалізовані принаймні частково комп'ютерним апаратним забезпеченням, виконаним з можливістю виконання етапів будь-якого одного зі способів, визначених у статтях 1-10. ФОРМУЛА ВИНАХОДУ
    1. Спосіб виявлення заповнених водою ділянок на супутникових знімках, що включає: комп'ютерну систему, що отримує дані зображення поля, що містить множину пікселів, дані про опади для множини пікселів із даними зображення поля, які вказують одну або кілька кількостей опадів на одній або кількох ділянках поля, дані про висоту, що вказують один або кілька підйомів над однією або кількома ділянками поля, та дані про властивості грунту, що вказують одну або кілька властивостей грунту на одній або кількох ділянках поля; комп'ютерну систему, яка моделює потоки через множину пікселів із даними зображення поля на основі даних про опади із множини пікселів, даних про висоту та даних про властивості грунту, для ідентифікації набору пікселів із множини пікселів у даних зображення, які ймовірно відповідають заповненим водою після дощу ділянкам; комп'ютерну систему, що для кожного пікселя з набору пікселів у межах множини пікселів за допомогою класифікатора, що навчений оцінювати ймовірність того, чи представляє піксель заповнену водою ділянку, оцінює ймовірність того, що піксель з набору пікселів представляє воду; призначає ймовірність до пікселя; визначає, на основі ймовірності, що призначена до пікселя та конкретних даних про опади з даних про опади, що призначені до пікселя, клас, з одного чи більше класів, щоб вказувати на імовірність того, що піксель представляє заповнену водою після дощу ділянку; комп'ютерну систему, яка формує одне або більше сповіщень відповідно до одного або більше класів, визначених для набору пікселів.
    2. Спосіб за п. 1, який відрізняється тим, що дані зображення є даними супутникового зображення.
    3. Спосіб за п. 1, який відрізняється тим, що класифікатор є логістичною регресією, навченою на позначених мітками піксельних даних, отриманих з одного або кількох зображень одного або кількох сільськогосподарських полів.
    4. Спосіб за п. 1, який відрізняється тим, що моделювання потоку включає: ініціалізацію рівня води для кожної ділянки з множини ділянок поля; ітераційне перебалансування рівнів води між множиною ділянок, при цьому при кожній ітерації вода тече з ділянок з більшою висотою до сусідніх нижчих ділянок на основі даних про висоту, доки не настане умова зупинки, причому під час перетікання води з ділянок з більшою висотою до сусідніх нижчих ділянок деяка кількість води усувається за рахунок просочування в грунт, що визначається даними про властивості грунту; після ітераційного перебалансування рівнів води між множиною ділянок поля використання тих ділянок з множини ділянок, де все ще є вода, щоб визначити набір пікселів у даних зображення, що може відповідати заповненим водою після дощу ділянкам.
    5. Спосіб за п. 1, який відрізняється тим, що кожен піксель з множини пікселів містить одну або кілька світлових смуг, а визначення класу для кожного пікселя з множини пікселів включає: створення моделі, що містить граф із множиною вершин, кожна з яких представляє відповідний піксель з множини пікселів із множиною ребер, що представляють з'єднання між сусідніми пікселями з множини пікселів; визначення для кожної вершини з множини вершин ймовірності того, що вона відповідає заповненій водою ділянці на основі однієї або кількох світлових смуг для пікселя, представленого вершиною, ймовірності відповідності воді для пікселя, представленого вершиною, визначення того, чи належить піксель, представлений вершиною, до множини пікселів, які, ймовірно, відповідають заповненим водою ділянкам, і ймовірності того, що сусідні пікселі пікселя, представленого вершиною, відповідають воді; визначення класу для кожної вершини з множини вершин, що максимізує спільну ймовірність для графу.
    б. Спосіб за п. 5, який відрізняється тим, що модель реалізується з використанням Марківського випадкового поля.
    7. Спосіб за п. 5, який відрізняється тим, що модель збільшує ймовірність відповідності заповненій водою ділянці для заданої вершини, коли ймовірність відповідності воді для пікселя, представленого даною вершиною, вказує на те, що піксель, представлений цією вершиною,
    ймовірно, представляє воду, і піксель, представлений цією вершиною, належить до множини пікселів, які, ймовірно, відповідають заповненим водою ділянкам.
    8. Спосіб за п. 5, який відрізняється тим, що додатково включає отримання даних про сільськогосподарські угіддя, що визначають, які пікселі з множини пікселів відповідають сільськогосподарським угіддям, модель класифікує піксель, представлений цією вершиною, як не такий, що відповідає заповненій водою ділянці, якщо дані про сільськогосподарські угіддя вказують на те, що піксель, представлений даною вершиною, не відповідає сільськогосподарським угіддям.
    9. Спосіб за п. 1, який відрізняється тим, що формування одного або більше сповіщень включає відправлення повідомлення на пристрій користувача про виявлення на полі заповнених водою ділянок і одного чи кількох місць розташування заповнених водою ділянок, визначених на основі класифікації пікселів як таких, що представляють заповнені водою ділянки.
    10. Спосіб за п. 1, який відрізняється тим, що формування одного або більше сповіщень включає визначення найкоротшого маршруту для відвідування кожної ділянки на полі, що відповідає пікселям, які були класифіковані як такі, що представляють заповнені водою ділянки.
  11. 11. Постійний машинозчитуваний носій даних, на якому зберігаються команди, які при виконанні одним або кількома обчислювальними пристроями приводять до виконання будь-якого зі способів, визначених у пп. 1-10.
  12. 12. Система обробки даних, що містить один або кілька обчислювальних пристроїв, що містять компоненти, реалізовані принаймні частково комп'ютерним апаратним забезпеченням, виконаним з можливістю виконання етапів будь-якого одного зі способів, визначених у пп. 1-11.
    о шко й щі мя Я і хо НИ КН ї га х р даю ШЕ де Ї ще в щі КО Бо ре Мнх ОК Н їв ІЗ й Н І тодАкКе З шию ЗК юс Польові дані пн І ОО ! в ЕХ дані 0 ек ІЗ ї у план хт кит ннтткнии ил М ДИР і ен и нн нн Е 1 т Ме под Б КЕ її фев! і Ко ! ша її Комп'ютер Сільськогоснода ) КОХ і : НИ НИК Й ЇЙ б 5 З і вну кабіні Ск нн ! ї і : і пгт, і і : ! і певне пен о ИН ль ИН НН : і В зшиті і і і га Дистанційний | 455 Контролер ї і ре датчик 11 внесення | і І в нн В КК і ь є 3 а и ОН: г 109 Мережа(і) й х п о с ни і мо. пишнн ЯНШ. ОН, ДИБНнн Коорнннту 155 Рівень зв'язку феннютнняя І і Шотткі оті підійди доліт лотків, і ЇЇ фо: Підсистема виявлення заповнених водою /-: З 1 ділянок 170 : даже Мт Ї р ддннннчнннн не дитнтннстнетчснди стиснення я Не і ШЕ ши х КР Логіка спектрального аналізу 171 1 г» ей рі Б Ки пічне й Н ен ни и НК и В ї Н техника і шия : ни зво і (ГО Логіка моделювання потоку 172 1 і ОРІ її Сховище : оБІшш моделей та і Ті , Бі польових і І Логіка взаємозв'язку 171 | : і даних ш Ор Р. я і пе . : що Го. а І ро Логіка сповіщення 174 ро: ї і і І Бо : і на в о но в о в в я рин ще ва 5 Н Н ДН А узі тика уни тик кети нка ккт нки КМ Й Н 1 фути тя тил я тут ння яхт пк тля тт плит Ме 138 рівень не Шо ЗЕ Рівень керування даними З З представлення і і «ВЕ ру. д щ і режжкянжнятжн житя - Н : чні і і В 150 Рівень обладнання); і і і і віртуалізації і й : 150 Сільськогосподарська інформаційна комп'ютерна система:
    ГЮ Мобільна прикладна програма ! ов ш о ї о ! ї щодо і у ЕНН ЛЕ: ява і і Команди ; | кА і ! о насіння РУК. | Пов'язані, с щодо |) Інструкції іо оласівби/. | ЩОДО | погодою 00 стану | | щодо 1 НИ ії КЕ азот Н Не ! ! гі 00опосадки | У оооЖоманди | поля | | виконання ще 205 Цифровий набір карт і ПО ее ї ЩО Команди перегляду та сповіщення : ї ЕЗ
    : 202 Команди щодо облікового запису, полів : Н Н - 5 2 Н р введення даних іобміну ними ! Ж
    (в) ЕЙ Програма у комп'ютері в кабіні ; що с щ ще Е і : і їі я : ї 7. ї У ЕЗЩИ : Н 1222 г ж Ро Збирання оо 230 щі о і Картиу | Дистанці. | та її.
    Машинні; і Передача ; ! ої кабіні ) | ойний 0000 передача. |сповіщен, / скриптів щ о рпереглядо | даних роя ще ДІД М МЕ они ПД Мен о ВИ и ШИ : пики нм пн пн повин нн пн інн повин.
    Я Ге тк - - ПН що яМЖДані польових досліджень у кабіні ш г
    Попередня обробка : агрономічних даних і и. Н нн осв мости пААААААУААА УТ уухук чук ун у нни иа КА КАКАААКААААКУКАААХАКУи і Вибір підмножини і порно агрономічних даних і : Н АЖ Я ! Контур | пн пон зворотного зв'язку | п ек Диня і і Оцінка агрономічного ! -- набору. даних . ! Створення агрономічної : і моделі : Збереження агрономічної моделі і ! і й | 10 дптр 00 петтннкнтеоютнннютоя 00000 рннняннтетя М нер о : І Сервер Її диодлей я хро Основна | і ОЗ Т іЗзизм'хтовуючі . : си і Ех Р дних ї дія ; сія і то БАМИ Не У і пк ни в М 1 ф яйпристрій |. і Бо сл ї ЩА Бевннння | А пк і і І ДЕ п: ! я МВ Я олляннтчнчжчтнннноої МЕНШ лМй Й БУ: ШЕ Ш а. ; Ши шишка чн нн и В о ден БР ОХ Се а : я в 1 рі ще й : ; я ІНШ і Ще рі ! Й інрервето Х р: Ті Кі о : Н х рі і рі НН : Н ї Бр: у Я Я Н і ї реко ледадіяето, ЕН Б Се хи Кткрояа і ТК НН : ду ккд жил пл Ат т тя Ат Ат ль ЕК ючи члені кю хх чі яю лю чі вчи пов жит ож т : кре Ї ро Пристрій їі М М: і постер мережі Я і квеленця дня чин Шина | х М Івтеряєт Є : жі РОТУ | ЗЕ Ш з мк ша У дюненннюттнкннтнктнннняй НИ иа о : і ве ЕН с чле плече і НИ З «хх : і НИ ГН Ті : і ЕЕ рі ЩЕ ! і
    БЕ. рі Ті і фун крук | Ко: : : Н 1 Й 1 Ї Дряистрій о ШИ чу кеш рик Р управління з Ш ен нання пе У їй Ка " Ро куреоаромо КО: ії Прецесор | і ; : г ; ОЗ реннннчнчнннй ! ерор і ; й щі 5 й акалкні Н цаїм - : і ді І Інтерфейс зв'язку ОМережнний 4 Локальна и Коннеєннтнннннннннтняннх і Мі і ременя Мережа 1 й п: Н яв хана: ї дух 7 Н пой Н ЗК Е: дня ВО: чн шин, помощи пи уч шо я -к й - пстрен ї і ри ни КО Н 1 Хост ли шк
    Фіг. 4
    Отримання піксельних даних с супутникового зображення поля щи щоб і і Отримання позначених мітками / І піксельних даних ! кій : ! МКУ. : рони нкіня нн енд яні тинднннйннн і Навчання класифікатора наоснові ї позначених мітками піксельних даних ! '
    х й и в мов а м аа ин о ноишия МО вина "Використання навченого класифікатора с дляскладання карти ймовірності ії наявності водИдДлЛя супутникових : шксельних даних ! ! 520 :
    Отримання даних про опади, висоту і тавластивостітрунту для поля і ! пня нон і Початок моделювання шляхом ії розміщення води на кожній ділянці і поляна основі даних про опади ! і ! Е Н ав Я ен нн нн Я і | Переміщення води на-сусідні і ї ділянки на основі даних про висоту та властивості грунту РЕ Н дл : Н і М : : Е Е у і Ка ! і я й Н ра бе Ні и Умова зупинки я М, настала? а мч щ я о р я р я рай ши її Так і і пе о и МИ М го Реєстрація ДІЛЯНОК ЗІЗНаЧНИМИ ікІЛЬКОСТЯМИ ВОДИ на карті МОЖЛИВИХ і заповнених водою ділянок ' ЕНН НН НН НН ії Отримання карти ймовірності наявності й води, карти можливих заповнених водою |і "ділянок 1 маски сіІіЛЬСЬКОГОСПОДарських угід;Б: і я і Н Ж і і ле ; Будування графа, що представляє / і взаємозв'язки між сусідніми : ! пікселями : : Визначення ймовірності відповідності ; і заповненій ВОДОЮ ДІЛЯНЦІ ДЛЯ КОЖНОГО і пІКСеЛЯ на графі на основі карти Е й ймовірності наявності води, карти Ї і можливих заповнених водою ДІЛЯНОК, і Маски сільськогосподарських угідь та ! , взаємозв'язків між сусіднІіІМИ ПІКСЄЛЯМИ і Е тік ; Денне нку чянеюнкжути те вкютж тт кюттнекх уитекрют Ктукююи твктенктекндчж тні нт кекнюжтетуєни і Оцінка класифікації для кожного : шкесля, що максимізує лИпльну ! . ймовірність на графі Й ут : : ім :
UAA201804464A 2015-09-21 2016-09-13 Виявлення заповнених водою ділянок на супутникових знімках UA123587C2 (uk)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/860,247 US10025983B2 (en) 2015-09-21 2015-09-21 Ponding water detection on satellite imagery
PCT/US2016/051492 WO2017053127A1 (en) 2015-09-21 2016-09-13 Ponding water detection on satellite imagery

Publications (1)

Publication Number Publication Date
UA123587C2 true UA123587C2 (uk) 2021-04-28

Family

ID=58283023

Family Applications (1)

Application Number Title Priority Date Filing Date
UAA201804464A UA123587C2 (uk) 2015-09-21 2016-09-13 Виявлення заповнених водою ділянок на супутникових знімках

Country Status (8)

Country Link
US (4) US10025983B2 (uk)
EP (1) EP3353715A4 (uk)
AR (1) AR106096A1 (uk)
AU (3) AU2016326330B2 (uk)
CA (2) CA2998850C (uk)
UA (1) UA123587C2 (uk)
WO (1) WO2017053127A1 (uk)
ZA (1) ZA201802389B (uk)

Families Citing this family (117)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL236606B (en) 2015-01-11 2020-09-30 Gornik Amihay Standards and methods for agricultural monitoring
CA2998439A1 (en) * 2015-09-18 2017-03-23 SlantRange, Inc. Systems and methods for determining statistics of plant populations based on overhead optical measurements
US10025983B2 (en) 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery
US10076089B2 (en) * 2016-03-11 2018-09-18 International Business Machines Corporation Method of controlling soil moisture, water accumulation and fertilizer distribution in land
CN107180220B (zh) * 2016-03-11 2023-10-31 松下电器(美国)知识产权公司 危险预测方法
US10458969B2 (en) * 2016-03-22 2019-10-29 International Business Machines Corporation Dynamic water quality prediction
US20170286574A1 (en) * 2016-03-31 2017-10-05 United States Of America As Represented By The Secretary Of The Army Predictive soil analysis
CN106295576B (zh) * 2016-08-12 2017-12-12 中国水利水电科学研究院 一种基于自然地理特征的水源类型解析方法
WO2018049289A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
US11526757B2 (en) * 2016-09-19 2022-12-13 Intrinsic Innovation Llc Systems and methods for deep learning with small training sets
US10650285B1 (en) 2016-09-23 2020-05-12 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature conditions through aerial imagery analysis
CN107527001B (zh) * 2017-03-29 2020-12-22 广东交通职业技术学院 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
JP7099723B2 (ja) * 2017-03-29 2022-07-12 日本電気株式会社 圃場管理装置、圃場管理方法、及びプログラム
CN107066959B (zh) * 2017-03-29 2020-12-18 广东交通职业技术学院 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
US10531603B2 (en) * 2017-05-09 2020-01-14 Cnh Industrial America Llc Agricultural system
US10515272B2 (en) * 2017-05-11 2019-12-24 Digitalglobe, Inc. Muddy water detection using normalized semantic layers
US10410334B2 (en) * 2017-05-12 2019-09-10 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model
US11100264B2 (en) * 2017-05-12 2021-08-24 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that integrates a satellite date model and an orchard data model
US10395355B2 (en) * 2017-05-12 2019-08-27 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform
US11263707B2 (en) 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US11080526B2 (en) * 2017-08-15 2021-08-03 Regents Of The University Of Minnesota Satellite image classification across multiple resolutions and time using ordering constraint among instances
AU2018328254A1 (en) * 2017-09-08 2020-04-30 9337-4791 Quebec, Inc. System and method for controlling a growth environment of a crop
US10977923B2 (en) * 2017-12-01 2021-04-13 Nec Corporation River risk level determining device, river risk level determining method, and storage medium
US10477756B1 (en) 2018-01-17 2019-11-19 Cibo Technologies, Inc. Correcting agronomic data from multiple passes through a farmable region
US10909368B2 (en) * 2018-01-23 2021-02-02 X Development Llc Crop type classification in images
CN108347436A (zh) * 2018-01-31 2018-07-31 南京奇蛙智能科技有限公司 一种基于云端的无人机远程视频推送方法
CN108388271B (zh) * 2018-03-27 2021-02-23 甘肃省农业科学院植物保护研究所 基于服务器终端的无人机喷药系统
US20190325534A1 (en) 2018-04-24 2019-10-24 Indigo Ag, Inc. Agricultural transportation entity identification and selection
CN108710974B (zh) * 2018-05-18 2020-09-11 中国农业大学 一种基于深度置信网络的水体氨氮预测方法及装置
CN108829990B (zh) * 2018-06-22 2020-06-16 中国水利水电科学研究院 一种区域降雨人工模拟系统的降雨过程设计方法
US11308714B1 (en) * 2018-08-23 2022-04-19 Athenium Llc Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery
CN109379557A (zh) * 2018-09-30 2019-02-22 田东县文设芒果专业合作社 基于图像识别的芒果虫害智能监控系统
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield 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
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine 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
US11464177B2 (en) 2018-12-10 2022-10-11 Climate Llc Image-based irrigation recommendations
EP3895067A4 (en) * 2018-12-11 2022-09-14 Climate LLC MAPPING SOIL PROPERTIES WITH SATELLITE DATA USING MACHINE LEARNING APPROACHES
CN109766833A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种基于光谱特征的城市河道水质类型遥感识别方法
US20220151170A1 (en) * 2019-02-15 2022-05-19 Agresearch Limited Ground surface condition sensing in irrigation systems
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11170218B2 (en) 2019-05-13 2021-11-09 Deere & Company Mobile work machine control system with terrain image analysis
CN110267000A (zh) * 2019-06-12 2019-09-20 武汉平创时代科技有限公司 一种针对留置室安置人员的视频智能分析方法
CN110569733B (zh) * 2019-08-09 2022-02-01 中国科学院南京地理与湖泊研究所 基于遥感大数据平台的湖泊长时序连续水域变化重建方法
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统
TWI726396B (zh) * 2019-08-23 2021-05-01 經緯航太科技股份有限公司 環境巡檢系統及其方法
WO2021041666A1 (en) * 2019-08-27 2021-03-04 Indigo Ag, Inc. Imagery-based boundary identification for agricultural fields
WO2021062147A1 (en) * 2019-09-27 2021-04-01 Indigo Ag, Inc. Modeling field irrigation with remote sensing imagery
US11966993B2 (en) * 2019-10-22 2024-04-23 International Business Machines Corporation Land use planning recommendations using heterogeneous temporal datasets
CN110781591A (zh) * 2019-10-23 2020-02-11 软通动力信息技术有限公司 城市排水防涝仿真模拟系统、方法、设备和存储介质
CN110796834B (zh) * 2019-11-01 2021-10-08 广州小鹏汽车科技有限公司 车辆淹水的报警方法及系统、车辆和可读存储介质
CN111007538B (zh) * 2019-12-24 2023-06-09 华北水利水电大学 一种全球导航卫星系统应急监测设备
CN111275631A (zh) * 2020-01-08 2020-06-12 中国科学院东北地理与农业生态研究所 一种遥感影像提取城市水体时消除阴影干扰的方法
US20220343650A1 (en) * 2020-01-16 2022-10-27 Angarak, Inc. Image based aquatic alert system
CN111221286B (zh) * 2020-01-19 2024-03-29 上海瑞皇管业科技股份有限公司 智能物联排水系统及其控制方法
CN111445539A (zh) * 2020-03-23 2020-07-24 九牧厨卫股份有限公司 一种阳台积水检测方法、处理装置及智能晾衣架系统
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
CN111428792B (zh) * 2020-03-26 2023-04-18 中国科学院空天信息创新研究院 遥感信息图像样本标记方法及装置
CN111487643B (zh) * 2020-04-13 2021-06-08 中国科学院空天信息创新研究院 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN113822105B (zh) * 2020-07-07 2024-04-19 湖北亿立能科技股份有限公司 基于svm水标尺在线二分类器的人工智能水位监测系统
AU2021307942A1 (en) * 2020-07-16 2023-02-09 Climate Llc Predicting horticultural yield for a field location using multi-band aerial imagery
CN111898503B (zh) * 2020-07-20 2021-02-26 中国农业科学院农业资源与农业区划研究所 基于云覆盖遥感影像和深度学习的作物识别方法和系统
WO2022020448A1 (en) 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
US11632918B2 (en) * 2020-07-29 2023-04-25 Lindsay Corporation System and method for detecting ponding in irrigated fields
CN112668591A (zh) * 2020-08-25 2021-04-16 广东生太修复科技有限公司 智能河涌水处理方法及相关装置
CN111931696A (zh) * 2020-09-04 2020-11-13 中国水利水电科学研究院 一种基于空间约束的湖库水体面积遥感自动提取方法
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company 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
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
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
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
CN112733392B (zh) * 2020-10-30 2022-02-15 成都理工大学 基于二分类的边坡系统可靠度分析方法
CN112487187B (zh) * 2020-12-02 2022-06-10 杭州电子科技大学 一种基于图网络池化的新闻文本分类方法
CN112580497A (zh) * 2020-12-17 2021-03-30 上海依图智安人工智能科技有限公司 一种图像识别的方法及装置
LU102319B1 (en) * 2020-12-18 2022-06-20 Luxembourg Inst Science & Tech List Process for assessing a return period of a recurrent event
CN112785876B (zh) * 2021-01-28 2022-03-11 南京航空航天大学 终端区时序气象场景智能识别系统
CN112949420B (zh) * 2021-02-07 2022-06-14 湖北君邦环境技术有限责任公司 一种水土保持监测方法、装置、系统和可读存储介质
EP4080451A1 (en) * 2021-04-21 2022-10-26 Tata Consultancy Services Limited Method and system for identification of agro-phenological zones and updation of agro-phenological zones
CN113269240A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种雨量站选址信息输出方法、装置、电子设备和介质
US11507922B1 (en) * 2021-06-24 2022-11-22 Coupang Corp. Computer-implemented systems and methods for artificial intelligence (AI)-based inbound plan generation using fungibility logic
CN113592330B (zh) * 2021-08-06 2023-09-12 中国民航大学 一种基于飞机起降安全的机场跑道评价方法
WO2023034118A1 (en) 2021-08-30 2023-03-09 Indigo Ag, Inc. Systems for management of location-aware market data
CA3230474A1 (en) 2021-08-31 2023-03-09 Eleanor Elizabeth Campbell Systems and methods for ecosystem credit recommendations
CN113848961B (zh) * 2021-10-13 2023-10-24 中国人民解放军国防科技大学 基于声纳探测概率的水下航行器安全隐蔽路径规划方法及系统
CN114112987B (zh) * 2021-11-23 2024-05-24 国家卫星气象中心(国家空间天气监测预警中心) 冬小麦判识阈值确定方法以及冬小麦判识方法
KR102457893B1 (ko) * 2021-12-02 2022-10-24 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법
US20230337606A1 (en) * 2022-04-20 2023-10-26 Design Simplicity LLC Intelligent irrigation system
CN115035256B (zh) * 2022-05-06 2023-01-06 中国安全生产科学研究院 一种尾矿库事故隐患及风险演化方法及系统
CN114881381B (zh) * 2022-07-11 2022-10-21 南京信息工程大学 基于改进卷积神经网络的城市积水水位预测方法及系统
CN115631408B (zh) * 2022-12-20 2023-03-28 天地信息网络研究院(安徽)有限公司 一种星地协同的黑臭水体识别模型自动优化系统
CN116469013B (zh) * 2023-06-20 2023-09-08 云途信息科技(杭州)有限公司 道路积水预测方法、装置、计算机设备及存储介质
CN117911750A (zh) * 2023-12-24 2024-04-19 振宁(无锡)智能科技有限公司 一种边缘智能数据处理方法及边缘服务器
CN117746342B (zh) * 2024-02-19 2024-05-17 广州市突发事件预警信息发布中心(广州市气象探测数据中心) 利用公共视频进行道路积水识别方法
CN117827815B (zh) * 2024-03-01 2024-05-17 江西省大地数据有限公司 一种地理信息数据的质检方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060020408A1 (en) * 2003-08-14 2006-01-26 Cole George M Methodology for prediction of shallow groundwater levels
CN101553862B (zh) 2006-09-13 2012-11-07 国际在线设计与建筑有限公司 使用三维虚拟模型提供建筑物情境意识的以计算机为基础的系统和方法
EP2104413B2 (en) 2007-01-08 2020-03-25 The Climate Corporation Planter monitor system and method
WO2008118977A1 (en) 2007-03-26 2008-10-02 Desert Research Institute Data analysis process
WO2009149389A1 (en) 2008-06-06 2009-12-10 Monsanto Technology Llc Generating agricultural information products using remote sensing
US20100092241A1 (en) * 2008-10-13 2010-04-15 Muhammad Arshad Canal Seepage Detection
US8477295B2 (en) 2009-05-07 2013-07-02 Solum, Inc. Automated soil measurement device
US20140056645A1 (en) * 2010-07-28 2014-02-27 Richard C. Hogan Flood Control Method
WO2012037528A2 (en) * 2010-09-16 2012-03-22 California Institute Of Technology Systems and methods for automated water detection using visible sensors
CA2854132A1 (en) * 2011-10-31 2013-05-10 Insurance Bureau Of Canada System and method for predicting and preventing flooding
WO2014018717A1 (en) 2012-07-25 2014-01-30 Precision Planting Llc Systems, methods and apparatus for multi-row agricultural implement control and monitoring
US20150254800A1 (en) * 2014-03-06 2015-09-10 F12 Solutions, Llc Nitrogen status determination in growing crops
US10204193B2 (en) * 2015-08-07 2019-02-12 Qrisq Analytics, LLC Large scale analysis of catastrophic weather damage
US10025983B2 (en) 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery

Also Published As

Publication number Publication date
AU2021261947B2 (en) 2023-10-12
BR112018005607A2 (uk) 2018-10-02
EP3353715A1 (en) 2018-08-01
AU2021229238A1 (en) 2021-10-21
WO2017053127A1 (en) 2017-03-30
US20170083747A1 (en) 2017-03-23
BR112018005607A8 (pt) 2023-01-10
CA2998850A1 (en) 2017-03-30
ZA201802389B (en) 2019-07-31
AR106096A1 (es) 2017-12-13
AU2021229238B2 (en) 2022-12-08
US10467472B2 (en) 2019-11-05
US10025983B2 (en) 2018-07-17
CA3029179A1 (en) 2017-03-30
US10929663B2 (en) 2021-02-23
CA2998850C (en) 2019-02-19
AU2016326330A1 (en) 2018-04-26
AU2016326330B2 (en) 2021-06-17
US20190019008A1 (en) 2019-01-17
CA3029179C (en) 2020-12-01
US11380092B2 (en) 2022-07-05
US20210174055A1 (en) 2021-06-10
AU2021261947A1 (en) 2021-12-02
EP3353715A4 (en) 2019-05-08
US20200050826A1 (en) 2020-02-13

Similar Documents

Publication Publication Date Title
US11380092B2 (en) Ponding water detection on satellite imagery
AU2017208959B2 (en) Forecasting national crop yield during the growing season using weather indices
US11908025B2 (en) Highly responsive farming systems with extraordinary in-season optimization
US20210209490A1 (en) Using optical remote sensors and machine learning models to predict agronomic field property data
UA125849C2 (uk) Спосіб контролю роботи сільськогосподарського транспорту
CN113196294A (zh) 使用机器学习方法利用卫星数据来映射土壤属性
UA125930C2 (uk) Спосіб управління робочими параметрами сільскогосподарського обладнання (варіанти) та система обробки даних (варіанти)
CN113163710B (zh) 标识和利用农田中的测试地点的系统和方法
CA3155418A1 (en) Hybrid vision system for crop land navigation
UA125018C2 (uk) Спосіб управління внесенням добрив з використанням цифрової моделі доступності біогенних речовин та система для його здійснення
CA3217698A1 (en) Generating comprehensive weather insights for optimal agricultural decision making
CA3121005A1 (en) Utilizing spatial statistical models for implementing agronomic trials
BR112018005607B1 (pt) Método de detecção de água acumulada em imagem de satélite