UA125849C2 - Спосіб контролю роботи сільськогосподарського транспорту - Google Patents
Спосіб контролю роботи сільськогосподарського транспорту Download PDFInfo
- Publication number
- UA125849C2 UA125849C2 UAA201809091A UAA201809091A UA125849C2 UA 125849 C2 UA125849 C2 UA 125849C2 UA A201809091 A UAA201809091 A UA A201809091A UA A201809091 A UAA201809091 A UA A201809091A UA 125849 C2 UA125849 C2 UA 125849C2
- Authority
- UA
- Ukraine
- Prior art keywords
- data
- yield
- agricultural
- model
- fields
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 84
- 230000004044 response Effects 0.000 claims abstract 8
- 238000013459 approach Methods 0.000 claims description 74
- 238000005259 measurement Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 239000003337 fertilizer Substances 0.000 claims description 17
- 238000003306 harvesting Methods 0.000 claims description 16
- 238000003973 irrigation Methods 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000009418 agronomic effect Effects 0.000 claims 38
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims 36
- 238000012545 processing Methods 0.000 claims 31
- 239000002689 soil Substances 0.000 claims 29
- 239000011159 matrix material Substances 0.000 claims 28
- 238000003860 storage Methods 0.000 claims 28
- 238000004891 communication Methods 0.000 claims 25
- 230000006870 function Effects 0.000 claims 20
- 229910052757 nitrogen Inorganic materials 0.000 claims 18
- 238000005516 engineering process Methods 0.000 claims 17
- 230000005540 biological transmission Effects 0.000 claims 15
- 230000002123 temporal effect Effects 0.000 claims 15
- 230000007246 mechanism Effects 0.000 claims 14
- 238000004458 analytical method Methods 0.000 claims 12
- 238000010586 diagram Methods 0.000 claims 12
- 235000013339 cereals Nutrition 0.000 claims 11
- 230000003287 optical effect Effects 0.000 claims 10
- 230000036962 time dependent Effects 0.000 claims 10
- 239000000969 carrier Substances 0.000 claims 8
- 238000013499 data model Methods 0.000 claims 8
- 241001124569 Lycaenidae Species 0.000 claims 7
- 230000000875 corresponding effect Effects 0.000 claims 7
- 238000013515 script Methods 0.000 claims 7
- 230000003044 adaptive effect Effects 0.000 claims 6
- 238000006073 displacement reaction Methods 0.000 claims 6
- 239000000203 mixture Substances 0.000 claims 6
- 238000004883 computer application Methods 0.000 claims 5
- 238000013479 data entry Methods 0.000 claims 5
- 230000000694 effects Effects 0.000 claims 5
- 238000012544 monitoring process Methods 0.000 claims 5
- 238000005295 random walk Methods 0.000 claims 5
- 238000012360 testing method Methods 0.000 claims 5
- 238000012656 cationic ring opening polymerization Methods 0.000 claims 4
- 230000001276 controlling effect Effects 0.000 claims 4
- 238000013523 data management Methods 0.000 claims 4
- 230000001419 dependent effect Effects 0.000 claims 4
- 239000012530 fluid Substances 0.000 claims 4
- 230000036541 health Effects 0.000 claims 4
- 238000010899 nucleation Methods 0.000 claims 4
- 239000005416 organic matter Substances 0.000 claims 4
- 239000000575 pesticide Substances 0.000 claims 4
- 239000000126 substance Substances 0.000 claims 4
- 238000003971 tillage Methods 0.000 claims 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims 3
- 230000008859 change Effects 0.000 claims 3
- 238000004590 computer program Methods 0.000 claims 3
- 238000007405 data analysis Methods 0.000 claims 3
- 238000011161 development Methods 0.000 claims 3
- 230000018109 developmental process Effects 0.000 claims 3
- 238000011156 evaluation Methods 0.000 claims 3
- 238000001914 filtration Methods 0.000 claims 3
- 238000009499 grossing Methods 0.000 claims 3
- 239000002917 insecticide Substances 0.000 claims 3
- 230000003993 interaction Effects 0.000 claims 3
- 239000007788 liquid Substances 0.000 claims 3
- 238000003754 machining Methods 0.000 claims 3
- 238000007726 management method Methods 0.000 claims 3
- 230000008520 organization Effects 0.000 claims 3
- 238000001556 precipitation Methods 0.000 claims 3
- 238000012546 transfer Methods 0.000 claims 3
- 101150079855 MAK5 gene Proteins 0.000 claims 2
- 230000009471 action Effects 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 2
- 238000002790 cross-validation Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 claims 2
- 238000009826 distribution Methods 0.000 claims 2
- 230000001747 exhibiting effect Effects 0.000 claims 2
- 230000004720 fertilization Effects 0.000 claims 2
- 239000000417 fungicide Substances 0.000 claims 2
- 238000011068 loading method Methods 0.000 claims 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 claims 2
- 229920001690 polydopamine Polymers 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000002360 preparation method Methods 0.000 claims 2
- 238000004088 simulation Methods 0.000 claims 2
- 239000007787 solid Substances 0.000 claims 2
- 238000009331 sowing Methods 0.000 claims 2
- 238000001228 spectrum Methods 0.000 claims 2
- 238000012800 visualization Methods 0.000 claims 2
- 241000981791 Androya Species 0.000 claims 1
- 101100123850 Caenorhabditis elegans her-1 gene Proteins 0.000 claims 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims 1
- MMOXZBCLCQITDF-UHFFFAOYSA-N N,N-diethyl-m-toluamide Chemical compound CCN(CC)C(=O)C1=CC=CC(C)=C1 MMOXZBCLCQITDF-UHFFFAOYSA-N 0.000 claims 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 claims 1
- 230000004913 activation Effects 0.000 claims 1
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 230000003698 anagen phase Effects 0.000 claims 1
- 230000003466 anti-cipated effect Effects 0.000 claims 1
- 230000000035 biogenic effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005341 cation exchange Methods 0.000 claims 1
- 239000004927 clay Substances 0.000 claims 1
- 230000001427 coherent effect Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000003967 crop rotation Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000013075 data extraction Methods 0.000 claims 1
- 238000013500 data storage Methods 0.000 claims 1
- 238000013079 data visualisation Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 claims 1
- 239000002837 defoliant Substances 0.000 claims 1
- 239000002274 desiccant Substances 0.000 claims 1
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000013213 extrapolation Methods 0.000 claims 1
- 238000009313 farming Methods 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 claims 1
- 239000000835 fiber Substances 0.000 claims 1
- 239000000446 fuel Substances 0.000 claims 1
- 239000007789 gas Substances 0.000 claims 1
- 238000002986 genetic algorithm method Methods 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 claims 1
- 239000003630 growth substance Substances 0.000 claims 1
- 239000004009 herbicide Substances 0.000 claims 1
- 238000002347 injection Methods 0.000 claims 1
- 239000007924 injection Substances 0.000 claims 1
- 238000012886 linear function Methods 0.000 claims 1
- 230000033001 locomotion Effects 0.000 claims 1
- 239000003550 marker Substances 0.000 claims 1
- 230000000873 masking effect Effects 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 claims 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 229910052698 phosphorus Inorganic materials 0.000 claims 1
- 239000011574 phosphorus Substances 0.000 claims 1
- 239000011591 potassium Substances 0.000 claims 1
- 229910052700 potassium Inorganic materials 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 239000004576 sand Substances 0.000 claims 1
- 238000010845 search algorithm Methods 0.000 claims 1
- 230000001932 seasonal effect Effects 0.000 claims 1
- 230000035939 shock Effects 0.000 claims 1
- -1 silt Substances 0.000 claims 1
- 238000005527 soil sampling Methods 0.000 claims 1
- 239000007921 spray Substances 0.000 claims 1
- 230000003068 static effect Effects 0.000 claims 1
- 238000013179 statistical model Methods 0.000 claims 1
- 230000008685 targeting Effects 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000013518 transcription Methods 0.000 claims 1
- 230000035897 transcription Effects 0.000 claims 1
- 238000013519 translation Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 235000013311 vegetables Nutrition 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Винахід належить до сільського господарства. Пропонується спосіб та система контролю роботи сільськогосподарського транспорту. Спосіб, в якому надсилають один або більше запитів через комп'ютерну мережу до одного або більше дистанційних датчиків, встановлених на сільськогосподарському обладнанні, на надання електронних цифрових даних від одного або більше датчиків, встановлених на множині сільськогосподарського обладнання, причому електронні цифрові дані містять дані врожайності сільськогосподарських культур, які відображають врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів та у множині точок часу, із використанням інструкції отримання даних, запрограмованих у комп'ютерній системі, що містить один або більше процесорів та комп'ютерну пам'ять; визначають один або більше факторів, що впливають на врожайність сільськогосподарських культур, що зібрані з множини сільськогосподарських полів; відображають прогнозовані дані врожайності на екрані комп’ютерної системи; генерують, на основі прогнозованих даних врожайності, контрольний сигнал для контролю параметрами роботи сільськогосподарського транспорту, налаштований управління саджанням сільськогосподарської культури, внесенням добрив та збором врожаю; передають, через комп'ютерну мережу, контрольний сигнал до сільськогосподарського транспорту для спонукання сільськогосподарського транспорту до контролю за саджанням сільськогосподарської культури, внесенням добрив та збором врожаю, що виконується сільськогосподарським транспортом.
Description
спонукання сільськогосподарського транспорту до контролю за /саджанням сільськогосподарської культури, внесенням добрив та збором врожаю, що виконується сільськогосподарським транспортом. 702 Отримують лані зкижкайності ; Прогнозування оз реконструкція "
Так 3 706 Визначшеють фактори, по вилювиноть на ярожиеюь
Так | | З Ляще 7 НІ рен : залежність
Е ц нід чаех? - 7ббобирається підхілабо | | 770обнрається умовний алгоритм розкладання | | авторегреснвний підхід
Е заказ 765 визначають певні дяні | 775 внзначаютьсевні врожайності | дані врожайності | ! 717 Реконструюють або генерують прогназовині дяні врожайності за рахунок вилкчення певних елементів диних ! врожайності у дані врожайності
ЛА Кінецю
Фіг. 7
ПОВІДОМЛЕННЯ ПРО АВТОРСЬКІ ПРАВА
ЇООО1| Частина даного опису патентного документу містить матеріали, на які розповсюджується захист авторських прав. Власник авторських прав не проти факсимільного відтворення будь-ким патентного документа або опису патенту, як це видно з патентної картотеки або реєстрації патентів Бюро з реєстрації патентів і товарних знаків, а у решті залишає всі авторські права або права без змін.
О 2015 Те Сіїтаце Согрогайоп.
ОБЛАСТЬ ТЕХНІКИ
0002) Даний винахід відноситься, головним чином, до комп'ютерних систем, що є корисними у сільському господарстві. Більш конкретно, винахід відноситься до комп'ютерних систем, що запрограмовані або виконані із можливістю моделювати тенденції у врожайності сільськогосподарської культури, що збирається з сільськогосподарських полів.
РІВЕНЬ ТЕХНІКИ
0003) Викладені у даному розділі підходи є підходами, які необхідно здійснити, однак, не обов'язково, підходами, які були розроблені або здійснені раніше. Таким чином, якщо не вказано інше, не слід припускати, що будь-які підходи, що описані у даному розділі відносяться до попереднього рівня техніки виключно із того, що вони включені у даний розділ.
І0004| Вимірювання даних, що відображають врожайність сільськогосподарських культур, що зібрані з сільськогосподарських полів, як правило, накопичуються під час процесу вимірювань. Процес вимірювань, зазвичай, є стохастичним процесом, що схильний до помилок та узагальнення. Наприклад, отримані дані вимірювань можуть бути неповними або неточними.
Помилки можуть бути внесені на будь яких рівнях та такі помилки часто можуть бути неминучими. Наприклад, навіть якщо звіти про врожайність сільськогосподарської культури згенеровані на основі звітів, що отримані із використанням процесів уточнених обстежень на рівні країни, такі звіти все рівно можуть мати відсутні критичні дані.
ІЇ0005| Процеси обстеження також можуть бути неточними та можуть бути не в змозі враховувати той факт, що вимірювання врожайності сільськогосподарських культур, що зібрані з одного сільськогосподарського поля, може бути засноване на даних сільськогосподарських культур, що зібрані із сусідніх полів. Крім того, вимірювання не відображають той факт, що
Зо сільськогосподарські культури, що зібрані з одного поля, можуть знаходитися під впливом локального мікроклімату та прийомів зрошення, що характерні для даного поля, однак не характерні для інших полів.
КОРОТКИЙ ОПИС СУТІ ВИНАХОДУ
Claims (18)
- 0006) Формула винаходу, що додається, може служити описом суті винаходу.КОРОТКИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВІ0007| Фіг. 1 ілюструє приклад обчислювальної системи, що виконана із можливістю виконувати функції, які описані в даному документі, та проілюстрована у польових умовах із іншими пристроями, з якими система може взаємодіяти.0008) Фіг. 2 ілюструє два відображення прикладу логічної організації наборів інструкцій в основній пам'яті під час загрузки прикладу мобільного застосунку для виконання.І0О009) Фіг.З ілюструє запрограмований процес, за допомогою якого сільськогосподарська інтелектуальна обчислювальна система генерує одну або більше попередньо налаштованих агрономічних моделей з використанням агрономічних даних, наданих одним або більше зовнішнім джерелом даних.00101 Фіг. 4 є функціональною схемою, що ілюструє обчислювальну систему, на базі якої може бути здійснений варіант реалізації винаходу.00111 Фіг. 5 є блок-схемою, що ілюструє приклад способу для моделювання трендів у врожайності сільськогосподарської культури.І0012| Фіг. б ілюструє функціональну схему, що ілюструє приклад підходу сингулярної декомпозиції для декомпозиції великого набору значень врожайності сільськогосподарської культури на більш малу підмножину наборів, що виконує апроксимацію великого набору значень врожайності.00131 Фіг. 7 є блок-схемою, що ілюструє приклад способу для моделювання трендів у врожайності сільськогосподарської культури.І0014| Фіг. 8 є графічним відображенням даних, що ілюструє приклад способу для моделювання врожайності сільськогосподарської культури.0015) Фіг. 9 є плоскою схемою прикладу умовної авторегресивної моделі.ДЕТАЛЬНИЙ ОПИС СУТНОСТІ ВИНАХОДУІ0016) Варіанти реалізації винаходу викладені у даному розділу відповідно до наступного(516) плану:1. ЗАГАЛЬНИЙ ОГЛЯД
- 2. ПРИКЛАД СІЛЬСЬКОГОСПОДАРСЬКОЇ ІНТЕЛЕКТУАЛЬНОЇ ОБЧИСЛЮВАЛЬНОЇ СИСТЕМИ21. ОГЛЯД СТРУКТУРИ2.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ2-3. ПОТРАПЛЯННЯ ДАНИХ У ОБЧИСЛЮВАЛЬНУ СИСТЕМУ2.4. ОГЛЯД ПРОЦЕСУ - ПІДГОТОВКА АГРОНОМІЧНОЇ МОДЕЛІ2.5. ПРИКЛАД РЕАЛІЗАЦІЇ -- ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯ
- 3. ХАРАКТЕРИСТИКИ ВИМІРЮВАНЬ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР
- 4. МОДЕЛЮВАННЯ ТРЕНДІВ У ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР41. МОДЕЛЬ ДЛЯ ВІДОБРАЖЕННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР4.2 ЛІНІЙНА МОДЕЛЬ
- 5. СИНГУЛЯРНА ДЕКОМПОЗИЦІЯ
- 6. ПРОГНОЗУВАННЯ ТА РЕКОНСТРУКЦІЯ ВИМІРЮВАНЬ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР
- 7. МОДИФІКОВАНИЙ УМОВНИЙ АВТОРЕГРЕСИВНИЙ ПІДХІД
- 8. ПРИКЛАД КОМБІНОВАНИХ ПІДХОДІВ
- 9. ПРИКЛАД АНАЛІЗУ РЕЗУЛЬТАТІВ
- 10. ДОДАТКОВІ ПІДХОДИ10.1. ПІДХІД У ВИГЛЯДІ УСЕРЕДНЕНОЇ МОДЕЛІ10.2. ПІДХІД У ВИГЛЯДІ ЛІНІЙНОЇ МОДЕЛІ10.3. ПІДХІД У ВИГЛЯДІ СТІЙКОЇ ЛІНІЙНОЇ МОДЕЛІ10.4. ПІДХІД У ВИГЛЯДІ СПЛАЙНІВ, ЩО ЗГЛАДЖЕНІ10.5. ПІДХІД У ВИГЛЯДІ КВАДРАТИЧНОЇ МОДЕЛІ10.6 ПІДХІД У ВИГЛЯДІ ЛОКАЛЬНО ЗВАЖЕНОЇ РЕГРЕСІЇ10.7. ПІДХІД У ВИГЛЯДІ ІНТЕГРОВАНОЇ МОДЕЛІ ЗМІННИХ СЕРЕДНІХ ПОКАЗНИКІВ10.86. ВИПАДКОВЕ БЛУКАННЯ Зо 10.9. МОДЕЛЬ БАГАТОМІРНИХ АДАПТИВНИХ РЕГРЕСІОНИХ СПЛАЙНІВ
- 11. ПЕРЕВАГИ ПЕВНИХ ВАРІАНТІВ РЕАЛІЗАЦІЇ ВИНАХОДУ 001711. ЗАГАЛЬНИЙ ОГЛЯД ІЇ0018| Аспекти винаходу, головним чином, відносяться до реалізованих на комп'ютері технологій для визначення характеристик статистичних даних, що відображають дані врожайності сільськогосподарської культури. Дані врожайності сільськогосподарської культури містять дані, що надані службами сільськогосподарської статистики. Такі дані можуть бути неповними та із різних причин можуть бути не в змозі охопити характеристики, визначені на основі погодних умов або технологій обробки грунту. Наприклад, такі дані можуть не відображати взаємозв'язків у вимірюваннях врожайності сільськогосподарської культури, зібраної із сусідніх полів, але при інших погодних умовах. 0019) У варіанті реалізації винаходу реалізований на комп'ютері спосіб дозволяє визначати дані, що є відсутніми у звітах про врожайність сільськогосподарської культури та/або коректувати дані у звітах, що є неточними. Цей спосіб приймає до уваги різні фактори, що впливають на вимірювання врожайності сільськогосподарської культури. Наприклад, такий підхід дозволяє приймати до уваги будь-які зміни у врожайності серед року, локальні погодні умови або взаємозв'язки між врожайністю, що була виміряна на полях, що знаходяться поруч. (0020) Фактори та дані врожайності можуть бути відображені із використанням статистичних моделей. Моделі врожайності сільськогосподарської культури можуть бути перевірені у порівнянні із інформацією про погодні умови, прийомами обробки грунту та аномаліями, специфічними для збору врожаю. 0021) Як тільки отримані одна або більше моделей, дані вимірювань, де є підозра на наявність помилок, можуть бути вилучені із набору даних вимірювань або відкориговані у наборі даних. Видалення або коригування деяких вимірювань допомагає знизити вплив факторів на вимірювання врожайності, наприклад, погодних факторів. (0022) 2. 2. ПРИКЛАД СІЛЬСЬКОГОСПОДАРСЬКОЇ ІНТЕЛЕКТУАЛЬНОЇ ОБЧИСЛЮВАЛЬНОЇ СИСТЕМИ (00231 2.1. ОГЛЯД СТРУКТУРИ І0024| Фіг. 1 ілюструє приклад обчислювальної системи, що виконана із можливістю виконувати функції, які описані в даному документі, та проілюстрована у польових умовах із бо іншими пристроями, з якими система може взаємодіяти. У варіанті реалізації винаходу,користувач 102 є власником, працює або володіє обчислювальним пристроєм 104 керівника польових робіт на місці розташування поля, або пов'язаному із розташуванням поля,наприклад, на полі, що призначене для сільськогосподарської діяльності, або у місці керування одним або більше сільськогосподарськими полями.Обчислювальний пристрій керівника польових робіт 104 запрограмований або виконаний із можливістю надання польових даних 106 у сільськогосподарську інтелектуальну обчислювальну систему 130 через одну або більше мереж 109.І0025| Приклади польових даних 106 містять (а) ідентифікаційні дані (наприклад, площу поля в акрах, назву поля, ідентифікатори поля, географічні ідентифікатори, ідентифікатори меж,ідентифікатори сільськогосподарської культури, та будь-які інші відповідні дані, які можуть використовуватися для ідентифікації землі фермерського господарства наприклад, одиниця суспільної землі (СІ О), номер лота та блока, номер земельної ділянки, географічні координати та кордони, серійний номер господарства (ЕМ), номер господарства, номер ділянки, номер поля, поле у 640 акрів (2,59 кв. км.), поле у 36 квадратних миль (93,236 кв. км), та/або протяжність, (5) дані про збір врожаю (наприклад, тип посіву, сорти сільськогосподарських культур, сівозміна, чи вирощувалися посіви органічно, дата сбіру врожаю, фактичні показники врожайності (АРН), планову врожайність, врожайність, вартість посіву, доходи від врожаю, вологість зернових, прийоми механічної обробки, інформація про попередні погодні умови), (с) дані про грунт (наприклад, тип, склад, рН, органічні речовини (ОМ), обмінна ємність катіонів(СЕС), (0) дані про саджання (наприклад, дата саджання, тип зернових, відносний розвиток (ВМ) посаджених зернових, щільність саджання), (е) дані по добривам (наприклад, тип добрива (азотні, що містять фосфор, калійні), тип застосування, дата застосування, кількість, джерело), (Ї) дані про пестициди (наприклад, пестициди, гербіциди, фунгіциди, інші речовини або суміші речовин, що використовуються у якості регуляторів росту, дефоліанту або десіктанту), (9) дані про зрошення (наприклад, дата застосування, об'єм, джерело), (п) погодні умови (наприклад, опади, температура, вітер, тиск, видимість, хмарність, тепловий індекс, точка роси, вологість, глибина снігу, якість повітря, схід сонця, захід сонця), (ї) дані про зображення (наприклад, інформація про зображення та світловий спектр із сільськогосподарського пристрою, датчика, камери, комп'ютера, смартфона, КПК, безпілотного літального апарату, літака або супутника), (Ї)Зо розвідувальні спостереження (знімки, відео, записи у вільній формі, голосові записи, розшифрування записів, погодні умови (температура, опади (поточні та на протязі певного періоду часу), вологість грунту, фаза росту посіву, швидкість вітру, відносна вологість, точка роси, шар черні)), та (К) фенологія грунту, насіння, посівів, звіт про шкідників та хвороби, та прогнозовані джерела та бази даних.ІЇ002б6| Комп'ютер серверу зовнішніх даних 108 функціонально зв'язаний (із сільськогосподарською інтелектуальною обчислювальною системою 130 та запрограмований або виконаний із можливістю відправляння зовнішніх даних 110 сільськогосподарській інтелектуальній обчислювальній системі 130 через мережу(і) 109. Зовнішній комп'ютер серверу даних 108 може бути власністю, або на ньому може працювати одна і та ж юридична особа або об'єкт, що працює з сільськогосподарською інтелектуальною обчислювальною системою 130, або різні особи або об'єкти, наприклад, урядовий заклад, неурядова організація (НУО), та/або приватний постачальник послуг з передавання даних.Приклади зовнішніх даних містять дані про погоду, дані у вигляді зображень, дані про грунт або, між іншим, статистичні дані, що відносяться до врожайності сільськогосподарської культури.Зовнішні дані 110 можуть містити ті ж самі типи інформації, що і польові дані 106. У деяких варіантах реалізації винаходу зовнішні дані 110, що надані сервером зовнішніх даних 108, належать тим самим об'єктам, яким належать та/або які працюють із сільськогосподарською інтелектуальною обчислювальною системою 130. Наприклад, сільськогосподарська інтелектуальна обчислювальна система 130 може містити сервер даних, що фокусується на типі даних, наприклад, на даних про погоду, які,у іншому випадку, можуть бути надані сторонніми джерелами.І0027| Сільськогосподарські пристрої 111 можуть мати один або більше віддалених датчиків 112, що встановлені на них, при цьому ці датчики з'єднані із можливістю обміну даними, як напряму, так і не напряму, через сільськогосподарські пристрої 111, із сільськогосподарською інтелектуальною обчислювальною системою 130, та запрограмовані, або виконані із можливістю відправляти дані датчика сільськогосподарській інтелектуальній обчислювальній системі 130. Приклади сільськогосподарських пристроїв 111 містять трактори, комбайни, збиральні машини, сівалки, вантажні машини, обладнання для внесення добрив, безпілотні літальні апарати та будь-які інші одиниці фізичних механізмів або апаратного забезпечення, як правило, мобільні механізми, та які можуть використовуватися у задачах, пов'язаних із бо сільським господарством.У деяких варіантах реалізації винаходу, одна одиниця пристрою 111 може містити множину датчиків 112, що з'єднані локально у мережу пристроїв; локальна мережа контролерів (САМ) є прикладом такої мережі, що може бути встановлена на комбайни або жниварки.Контролер застосунку 114 з'єднаний із можливістю обміну даними із сільськогосподарською інтелектуальною обчислювальною системою 130 через мережу(ї) 109, та запрограмований або виконаний із можливістю отримувати від сільськогосподарської інтелектуальної обчислювальної системи 130 один або більше скриптів для управління робочими параметрами сільськогосподарського транспорту, або їх виконання.Для прикладу, інтерфейс шини локальної мережі контролерів (САМ) може використовуватися для обміну даними між сільськогосподарською інтелектуальною обчислювальною системою 130 та сільськогосподарськими пристроями 111, наприклад, таким чином, як використовується у СІИМАТЕ РІЕЄГО МІЕМУ ОМКІМЕ, який доступний від компанії Те Сіїйтаїе Согрогайоп, Сан- Франциско, Каліфорнія.Дані від датчиків можуть містити ті ж самі типи інформації, що і польові дані 106. (00281) Пристрої 111 можуть містити комп'ютер кабіни 115, який містить застосунок кабіни, який може містити версію або приклад мобільного застосунку для пристрою 104, який додатково описаний у інших розділах даного документу.У варіанті реалізації винаходу комп'ютер кабіни 115 містить портативний комп'ютер, найчастіше, комп'ютер розміром із планшет, або смартфон, із кольоровим графічним екраном, що встановлений всередині кабіни оператора пристрою 111. Комп'ютер кабіни 115 може реалізувати деякі або всі операції та функції, які описані додатково у даному документі по відношенню до портативного обчислювального пристрою 104.І0029| Мережа(ї) 109 широко представлена будь-якою комбінацією однієї або більше комунікаційних мереж, включно із локальними мережами, глобальними мережами або мережею Інтернет, з використанням дротових або бездротових каналів зв'язку, включаючи наземні або супутникові канали зв'язку.Мережа() може бути реалізована за допомогою будь-якого середовища передавання даних або механізму, що надається для обміну даними між різними елементами на Фіг. 1. Різні елементи на Фіг. 1 можуть мати прямі (дротові або бездротові) комунікаційні канали.Кожен із датчиків 112, контролер 114, комп'ютер серверу зовнішніх даних 108 та інші елементи системи містять інтерфейс, сумісний із мережею(ами) 109, та запрограмований або виконаний із можливістю використання стандартних протоколів обміну даними через мережу, наприклад, протоколів ТСР/Р, САМ, та протоколів високого рівня, наприклад, НТТР, ТІ 5 і тому подібних.0030) Сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконана із можливістю отримувати польові дані 106 від обчислювального пристрою керуючого польовими роботами 104, зовнішніх даних 110, від комп'ютеру серверу зовнішніх даних 108, та даних датчиків від віддалених датчиків 112. Сільськогосподарська інтелектуальна обчислювальна система 130 може додатково бути виконана із можливістю розміщення, використання або виконання однієї або більше комп'ютерних програм, інших програмних елементів, цифрової програмованої логіки, наприклад, ЕРА або АБІС, або будь-якої їх комбінації для виконання трансляції та зберігання елементів даних, конструкцій цифрових моделей одного або більше посівів на одному або більше полях, генерування рекомендацій та повідомлень, та генерування і відправки скриптів контролеру застосунку 114, способами, що додатково описані у інших розділах даного опису.І0О31) У варіанті реалізації винаходу, сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована із або містить комунікаційний рівень 132, презентаційний рівень134, рівень управління даними 140, рівень апаратного забезпечення/віртуалізації 150 та сховище моделей та польових даних 160. У даному контексті, "рівень" означає будь-яку комбінацію електронних схем цифрового інтерфейсу, мікроконтролерів, вбудованого програмного забезпечення та/або комп'ютерних програм, або інших програмних елементів.00321) Комунікаційний рівень 132 може бути запрограмований або виконаний із можливістю виконувати інтерфейсні функції введення/виведення, включаючи відправку запитів обчислювальному пристрою керуючого польовими роботами 104, комп'ютеру серверу зовнішніх даних 108 та віддаленим датчикам 112, на отримання польових даних, зовнішніх даних та даних датчиків, відповідно.Комунікаційний рівень 132 може бути запрограмований або виконаний із можливістю відправки отриманих даних у сховище моделей та польових даних 160 для зберігання в якості польових даних 106.0033) У варіанті реалізації винаходу сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або містить інструкції у вигляді коду 180. Інструкції у вигляді коду 180 можуть містити один або більше наборів інструкцій у вигляді коду.Наприклад, інструкції у вигляді коду 180 можуть містити інструкції отримання даних 182, які при виконанні одним або60 більше процесорами, спонукають процесори до виконання отримання електронних цифрових даних через комп'ютерну мережу, що містять перші дані врожайності, які відображають врожайність сільськогосподарської культури, що зібрана із сільськогосподарського поля. Інструкції у вигляді коду 180 також містять інструкції ідентифікації проходу 187, які при виконанні спонукають ідентифікацію множини проходів та множини вимірювань часу за допомогою глобальної системи позиціонування у перших даних врожайності; інструкції виявлення відхилень фільтру 183, які при виконанні процесорами спонукають застосування одного або більше фільтрів для перших даних врожайності для ідентифікації перших даних відхилення із перших даних врожайності. Крім того, інструкції у вигляді коду 180 можуть містити інструкції фільтрування першого етапу 184, які при виконанні процесором спонукають генерування перших відфільтрованих даних із перших даних врожайності за рахунок видалення перших даних відхилення із перших даних врожайності; інструкції виявлення просторового відхилення 185, які при виконанні спонукають ідентифікацію у перших відфільтрованих даних других даних відхилення, що відображають значення відхилення на основі однієї або більше характеристик відхилення; інструкції фільтрування другого етапу 186, які при виконанні спонукають генерування других даних відхилення із перших відфільтрованих даних за рахунок видалення других даних відхилення із перших відфільтрованих даних; та будь-які інші інструкції виявлення188. (0034) Презентаційний рівень 134 може бути запрограмований або виконаний із можливістю генерування графічного інтерфейсу користувача (ГІК) для відображення на обчислювальному пристрої керівника польових робіт 104, комп'ютері кабіни 115 або інших комп'ютерах, які підключені до системи 130 через мережу 109. ГІК може містити органи керування для даних, що вводяться, для їхнього введення у сільськогосподарську інтелектуальну обчислювальну систему 130, генерування запитів на моделі та/або рекомендації, та/або відображення рекомендацій, повідомлень, моделей, та інших польових даних. І00О35| Рівень управління даними 140 може бути запрограмований або виконаний із можливістю керувати операціями зчитування та запису з використанням сховища 160 та іншими функціональними елементами системи, включаючи набори запитів та результатів, що передаються між функціональними елементами системи та сховищем. Приклади рівня управління даними 140 містять, між іншим, код інтерфейсу УОВС, 501 -серверів, та/або коду Зо інтерфейсу НАСООР. Сховище 160 може містити базу даних. У контексті даного документу термін "база даних" означає як масив даних, так і систему управління реляційною базою даних (КОВМФ5), або їх обох. У контексті даного документу база даних може містити будь-який набір даних, включно з ієрархічною базою даних, реляційною базою даних, базою даних на пласких файлах, об'єктно-реляційною базою даних, об'єктно-орієнтовною базою даних, та будь-яким іншим структурованим набором записів або даних, що зберігаються у обчислювальній системі. Приклади КОВМ5 містять, крім іншого, бази даних ОКАСІЕФ, МУБОЇ, ІВМФ ОВ2, МІСКОБЗОБТФ БОЇ ЗЕКМЕК, 5УВАБЕФ та РОБЗТОКЕБОЇ. Тим не менш, може використовуватися будь-яка база даних, що дозволяє виконувати системи та способи, що описані у даному документі. Ї0036б| Якщо польові дані 106 не потрапляють напряму до сільськогосподарської інтелектуальної обчислювальної системи за допомогою однієї чи більше сільськогосподарських машин або пристроїв сільськогосподарських машин, що взаємодіють із сільськогосподарською інтелектуальною обчислювальною системою, користувачеві 102 може бути наданий запит на введення такої інформації за допомогою одного чи більше інтерфейсів користувача на пристрої користувача (який обслуговується сільськогосподарською інтелектуальною обчислювальною системою). У варіанті реалізації винаходу що наводиться у якості прикладу, користувач 102 може вказати ідентифікаційні дані за допомогою доступу до мапи на пристрої користувача (яка обслуговується сільськогосподарською інтелектуальною обчислювальною системою) та вибрати певну СІ 0, що графічно відображається на мапі. В альтернативному варіанті реалізації винаходу користувач 102 може вказати ідентифікаційні дані за допомогою доступу до мапи на пристрої користувача (який обслуговується сільськогосподарською інтелектуальною обчислювальною системою 130), намалювавши межі ділянки зверху на мапі. Такий вибір СО або малювання на мапі відображає географічні ідентифікатори. В альтернативному варіанті реалізації винаходу користувач 102 може вказати ідентифікаційні дані за допомогою доступу до ідентифікаційних польових даних (які надаються у вигляді векторних файлів або у аналогічному форматі) від Управління обслуговування фермерів Міністерства сільського господарства США або іншого джерела, за допомогою пристрою користувача, та надати такі ідентифікаційні польові дані сільськогосподарській інтелектуальній обчислювальній системі. І0037| У варіанті реалізації винаходу моделі та польові дані зберігаються у сховищі моделей 60 та польових даних 160. Дані моделі містять моделі даних, що створені для одного або більше полів.Наприклад, модель сільськогосподарської культури може містити сконструйовану цифрову модель розвитку сільськогосподарської культури на одному або більше полів.У контексті даного документу, "модель" означає збережений електронний цифровий набір інструкцій, що виконуються, та елементів даних, пов'язаних один з одним, які можуть отримувати та відповідати на програмний або інший цифровий виклик, активацію або запит аналізу, на основі вказаних вхідних даних, для виводу одного або більше збережених вихідних значень, які можуть служити, між іншим, основою для реалізованих на комп'ютері рекомендацій, відображення вихідних даних, або машинного управління.Фахівцям у даній області техніки може здатися зручною побудова моделей із використанням математичних рівнянь, однак така форма вираження не обмежує моделі, що викладені у даному документі у абстрактному понятті; замість цього, кожна модель у даному документі має практичне застосування на комп'ютері у формі збережених інструкцій, що виконуються, та даних, що реалізують модель із використанням комп'ютера.Дані моделі можуть містити модель попередніх подій на одному або більше полях, модель поточного стану одного або більше полів, та/"або модель прогнозованих подій на одному або більше полів.Модель та польові дані можуть зберігатися у структурах даних у пам'яті, рядках у таблиці бази даних, у пласких файлах або цифрових таблицях, або інших формах збережених цифрових даних.Ї0038| Рівень апаратного забезпечення/віртуалізації 150 містить один або більше центральних процесорних пристроїв (ЦПП), контролери пам'яті та інші пристрої, компоненти або елементи обчислювальної системи, наприклад, енергозалежну або енергонезалежну пам'ять, енергонезалежне сховище, наприклад, диск, та пристрої введення/виведення або інтерфейси, як проілюстровано на фіг. 4. Рівень 150 також може містити програмні інструкції, що виконані із можливістю підтримки віртуалізації, контейнеризації та інших технологій.І0039| Для ілюстрації простого прикладу, Фіг. 1 ілюструє невелику кількість центральних функціональних елементів.Тим не менш, у інших варіантах реалізації винаходу, може існувати будь-яка кількість таких елементів.Наприклад, варіанти реалізації винаходу можуть використовувати тисячі або мільйони різних портативних обчислювальних пристроїв 104, пов'язаних із різними користувачами.Додатково, система 130 та/або комп'ютер серверу зовнішніх даних 108 може бути реалізований із використанням одного або більше процесорів, Зо ядер, кластерів або об'єктів фізичних машин або віртуальних машин, налаштованих на окремих місцях розташування, або поєднані із іншими елементами у центрах обробки даних, загальнодоступних обчислювальних центрах або центрах хмарних обчислень. 0040) 2.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ І0041| У варіанті реалізації винаходу, для реалізація функцій, що описані у даному документі, використовується одна або більше комп'ютерних програм, або інших програмних елементів, які завантажуються у та виконуються за допомогою одного або більше комп'ютерів загального призначення, які спонукають комп'ютери загального призначення налаштовуватися в якості певної машини або комп'ютера, що спеціально пристосовані для виконання функцій, що описані у даному документі.Додатково, кожна блок-схема, що описана додатково у даному документі, може служити, сама по собі або у комбінації із описом процесів та функцій, що описані формально у даному документі, в якості алгоритмів, планів або інструкцій, які можуть використовуватися для програмування комп'ютера або логічної схеми з метою реалізації функцій, що описані.Іншими словами, текстовий опис у даному документі та всі графічні матеріали разом призначені для надання опису алгоритмів, планів та інструкцій, що є достатніми, щоб дозволити фахівцям програмувати комп'ютер для виконання функцій, що описані у даному документі, у комбінації із знаннями та вміннями таки осіб з урахування рівня вмінь, які є відповідними для винаходу та опису таких типів. 0042) У варіанті реалізації винаходу, користувач 102 взаємодіє із сільськогосподарською інтелектуальною обчислювальною системою 130 із використанням обчислювального пристрою керуючого польовими роботами 104, який передбачає операційну систему та одну або більше прикладних програм або застосунківх при цьому обчислювальний пристрій керуючого польовими роботами 104 також може взаємодіяти із сільськогосподарською інтелектуальною обчислювальною системою 130 незалежно та автоматично, під керуванням програми, або під керуванням логічної схеми, а пряма взаємодія користувача не завжди потрібна.Обчислювальний пристрій керуючого польовими роботами 104 широко представлений одним або більше смартфонами, КПК, планшетами, ноутбуками, настільними комп'ютерами, робочими станціями, або будь-якими обчислювальними пристроями, що здатні передавати та отримувати інформацію та виконувати функції, що описані у даному документі.Обчислювальний пристрій керуючого польовими роботами 104 може обмінюватися даними через мережу із використанням 60 мобільного застосунку, який зберігається на обчислювальному пристрої керуючого польовими роботами 104, та, у деяких варіантах реалізації винаходу, пристрій може бути підключений, за допомогою кабелю 113 або з'єднувального елементу, до датчиків 112 та/або до контролерів114. Певний користувач 102 може бути власником, працювати або володіти та використовувати, разом із системою 130, більш ніж один обчислювальний пристрій керуючого польовими роботами 104 одночасно. Ї0043| Мобільний застосунок може надавати функціональність клієнтської частини, за рахунок використання мережі 109, одному чи більше мобільним обчислювальним пристроям. У варіанті реалізації винаходу, що наводиться у якості прикладу, обчислювальний пристрій керівника польових робіт 104 може мати доступ до мобільного застосунку за допомогою веб- браузеру або локального клієнтського застосунку або мобільного застосунку. Обчислювальний пристрій керуючого польовими роботами 104 може передавати дані до та отримувати дані з одного або більше серверів інтерфейсу із використанням протоколів або форматів вебу, наприклад, НТТР, ХМІ. та/або У5ОМ, або специфічних програмних протоколів. У варіанті реалізації винаходу, що наводиться у якості прикладу, дані можуть отримувати форму запиту та введення інформації користувачем, наприклад, польових даних, на мобільному обчислювальному пристрої. У деяких варіантах реалізації винаходу, мобільний застосунок взаємодії із апаратним та програмним забезпеченням на обчислювальному пристрої керівника польових робіт 104 для відстеження місцезнаходження, яке визначає місце розташування обчислювального пристрою керівника польових робіт 104, із використанням стандартних технологій відстеження місцезнаходження, наприклад, глобальної системи позиціонування (СРБ), УМі-Рі систем позиціонування, або інших способів мобільного позиціонування. У деяких випадках, дані про місцезнаходження або дані, що пов'язані із пристроєм 104, користувачем 102 та/або обліковим записом користувача(ів), можуть біти отримані за допомогою запитів до операційної системи пристрою, або за допомогою запиту до мобільного застосунку для отримання даних із операційної системи. І0044| У варіанті реалізації винаходу, обчислювальний пристрій керуючого польовими роботами 104 відправляє дані 106 сільськогосподарській інтелектуальній обчислювальній системі 130, які містять або включають елементи даних, які відображають одне або більше із наступного: географічне місцезнаходження одного або більше полів, інформацію про прийоми Ко) механічної обробки для одного або більше полів, сільськогосподарські культури, що посаджені на одному або більше полів, та дані про грунт, отримані з одного або більше полів. Обчислювальний пристрій керівника польових робіт 104 може відправляти польові дані 106 у відповідь на введення даних користувачем 102, які вказують на елементи даних для одного або більше полів. Додатково, обчислювальний пристрій керівника польових робіт 104 може автоматично відправляти польові дані 106, коли один або більше елементів даних стають доступними для обчислювального пристрою керівника польових робіт 104. Наприклад, обчислювальний пристрій керівника польових робіт 104 може бути з'єднано із можливістю обміну даними із віддаленим датчиком 112 та/або контролером застосунку 114. У відповідь на отримання даних, що вказують на те, що контролер застосунку 114 випустив воду на одне або більше полів, обчислювальний пристрій керівника польових робіт 104 може відправити польові дані 106 сільськогосподарській інтелектуальній обчислювальній системі 130, які вказують на те, що вода була випущена на одне або більше полів. Польові дані 106, що розглядаються у даному описі, можуть бути введені або передані із використанням електронних цифрових даних, якими обмінюються між особою обчислювальні пристрої з використанням параметризованих ШКІ-адрес по протоколу НТТР, або інших підходящих комунікаційних протоколів або протоколів передавання повідомлень. (0045) Комерційним прикладом мобільного застосунку є програма СІ ІМАТЕ РІЕСО МІЕМУ, що є доступною для придбання у компанії Те Сіїтаге Согрогайоп, Сан-Франциско, Каліфорнія. Застосунок СГПІМАТЕ РІЕЄГО МІЕМУ або інший застосунок може бути модифіковано, розширено або адаптовано для включення в нього характерних ознак, функцій та програмного коду, що не викладені раніше, ніж дата подання цієї заявки. В одному варіанті реалізації винаходу мобільний застосунок містить інтегровану програмну платформу, яка дозволяє сільгоспвиробнику отримувати об'єктивні рішення щодо його подальших дій, за рахунок того, що вона комбінує ретроспективні дані про поля сільгоспвиробника із іншими даними, які сільгоспвиробник бажає порівняти. Комбінація та порівняння можуть виконуватися у режимі реального часу, та можуть базуватися на специфічних моделях, що надають потенційні сценарії, які дозволяють сільгоспвиробнику приймати кращі, більш усвідомлені рішення. (0046) Фіг. 2 ілюструє два відображення прикладу логічної організації наборів інструкцій в основній пам'яті під час загрузки прикладу мобільного застосунку для виконання. На фіг. 2 60 кожен іменований елемент відображає область однієї або більше сторінок КАМ або іншої головної пам'яті або одного або більше блоків дискового сховища, або іншого енергонезалежного сховища, та програмних інструкцій всередині цих областей.В одному варіанті реалізації винаходу на зображенні (а) застосунок для мобільного комп'ютера 200 містить інструкції щодо облікового запису-поля-отримання и обробки даних-спільного використання 202, інструкції щодо загального огляду та попереджень 204, інструкції щодо карт у формі книги 206, інструкції щодо насіння та саджання 208, інструкції щодо використання азоту 210, інструкції щодо погоди 212, інструкції щодо здоров'я поля 214 та інструкції щодо продуктивності 216. І0047| В одному варіанті реалізації винаходу застосунок для мобільного комп'ютера 200 містить інструкції щодо облікового запису-поля-отримання и обробки даних-спільного використання 202, які запрограмовані для отримання, перетворення та обробки польових даних від сторонніх систем за рахунок ручного завантаження або АРІ.Типи даних можуть містити, крім іншого, межі поля, карти врожайності, карти саджання, результати тестів грунту, карти застосування, та/або зони управління.Формати даних можуть містити, крім іншого, векторні файли, сторонні вихідні формати даних, тал"або файли експорту з інформаційної системи керування господарством (ІСКГ). Отримання даних може здійснюватися за допомогою ручного завантаження, зовнішніх АРІ, що додають дані у мобільний застосунок, або інструкцій, що викликають АРІ зовнішніх систем для вилучення даних у мобільний застосунок. (0048) В одному варіанті реалізації винаходу інструкції щодо карт у формі книги 206 містять шари даних мапи поля, що збережені у пам'яті пристрою та запрограмовані із використанням інструментів візуалізації, та геопросторових польових даних.Це дозволяє сільгоспвиробникам мати під рукою зручну інформацію для довідки, реєстрації у журналі та візуального відображення продуктивності поля.В одному варіанті реалізації винаходу інструкції щодо огляду та попереджень 204 запрограмовані для надання розширеного огляду операцій, що важливі для сільгоспвиробника, та своєчасних рекомендацій для вжиття заходів або фокусування на певних проблемах.Це дозволяє сільгоспвиробнику приділити час проблемам, що потребують уваги, для збереження часу та захисту врожайності протягом сезону.В одному варіанті реалізації винаходу інструкції щодо насіння та саджання 208 запрограмовані для надання інструментів обрання насіння, розміщення гібридів та створення скрипту, включно із Зо створенням скрипту змінної норми посіву (ЗН), яка базується на наукових моделях та емпіричних даних.Це дозволяє сільгоспвиробникам максимізувати врожайність або ефективність інвестицій за рахунок оптимальної закупівлі насіння, розміщення та щільності саджання.І0049| В одному варіанті реалізації винаходу інструкції щодо застосування азоту 210 запрограмовані для надання інструментів інформування при прийнятті рішень щодо застосування азоту за рахунок візуалізації засвоювання азоту для сільськогосподарських культур та створення скриптів змінної норми (ЗН) висіву.Це дозволяє сільгоспвиробникам максимізувати врожайність або ефективність інвестицій за рахунок оптимального застосування азоту протягом сезону.Приклад запрограмованих функцій містить демонстрацію зображень, наприклад, зображень З550НСО для малювання зон застосування; вивантаження існуючих зон, що визначені сільгоспвиробником; надання графіку застосування для приводу механізму; інструментів для масового введення даних та настроювання; та/або, крім іншого, мап для візуалізації даних.У контексті даного документу, "масове введення даних" означає одноразове введення даних та подальше застосування однакових даних до множини полів, визначених у системі; прикладом даних можуть бути дані про застосування азоту, які є однаковими для декількох полів одного й того ж сільгоспвиробника.Наприклад, інструкції щодо застосування азоту 210 можуть бути запрограмовані для прийняття визначень програм для внесення азоту та прийомів застосування, та для прийняття введення даних користувачем, що вказують на застосування таких програм для множини полів.У контексті даного документу, "програми БО внесення азоту" означають збережені, іменовані набори даних, які об'єднують, крім іншого: назву, кольоровий код або інший ідентифікатор, одну або більше дат застосування, типи матеріалу або продукту для кожної дати та їх кількість, спосіб застосування або введення, наприклад, впорскування або ножовий розріз, та/або кількість або норми застосування для кожної дати, посіви або гібриди, що є предметом застосунку.У контексті даного документу термін "програми внесення азоту" означає збережені, іменовані набори даних, які об'єднують: назву прийомів застосування, попередні посіви; систему механічної обробки, дату первинної механічної обробки; одну або більше попередніх систем механічної обробки, що використовувалися; один або більше індикаторів застосування навозу, що використовувалися.Інструкції щодо застосування азоту 210 можуть бути запрограмовані для генерування та бо спонукання до графічного відображення застосування азоту, як тільки програма застосовувалася на полі, яке вказує на передбачуване внесення вказаної кількості азоту, незалежно від того, чи прогнозований надлишок, чи нестача; у деяких варіантах реалізації винаходу, різні кольорові індикатори можуть сигналізувати про величину надлишку або величину нестачі.В одному варіанті реалізації винаходу графічне відображення застосування азоту містить графічне відображення на екрані комп'ютера множини рядків, при цьому кожен рядок пов'язаний із та ідентифікує поле; дані вказують на те, які посіви посаджені на полі, розмір поля, місцезнаходження поля, та графічне відображення периметру поля; у кожному рядку часова шкала розділена по місяцях із графічними індикаторами, що вказують на кожне застосування азоту, та кількість у точках, що співвідносяться із назвами місяців; та цифрові та/або кольорові індикатори надлишку або нестачі, у яких колір вказує на величину.І0О50) В одному варіанті реалізації винаходу інструкції щодо погоди 212 запрограмовані для надання свіжих погодних даних, що враховують особливості поля, та прогнозовану інформацію про погоду.Це дозволяє сільгоспвиробникам зберегти час та мати ефективну узагальнену індикацію по відношенню до щоденних оперативних рішень.ЇОО51| В одному варіанті реалізації винаходу, інструкції щодо здоров'я поля 214 запрограмовані для надання своєчасних зображень дистанційного дослідження із виділенням сезонних коливань посівів та потенційних проблем.Приклади запрограмованих функцій містять, крім іншого, перевірку хмарності для ідентифікації можливої хмарності або тіні від хмар; визначення показників азоту на основі зображень поля; графічну візуалізацію шарів, за якими ведеться спостереження, наприклад, включно із тими, що відносяться до здоров'я поля, та огляд та/або спільне використання інформації про спостереження; та/або завантаження супутникових знімків від множини джерел та визначення пріоритетності знімків для сільгоспвиробника.Ї0052| В одному варіанті реалізації винаходу інструкції щодо продуктивності 216 запрограмовані для надання звітів, аналізу та інструментів отримання висновків із використанням даних по господарству для порівняння, отримання висновків та прийняття рішень.Це дозволяє сільгоспвиробнику домогтися покращених результатів на наступний рік за рахунок об'єктивних висновків щодо того, чому ефективність інвестицій залишилася на попередньому рівні, та зробити висновки по відношенню до факторів, що вплинули наЗо врожайність.Інструкції щодо продуктивності 216 можуть бути запрограмовані на обмін даними через мережу(і) 109 із серверними програмами аналізу, які виконуються на комп'ютері серверу зовнішніх даних 108, та виконані із можливістю аналізувати, крім іншого, кількісні показники, наприклад, врожайність, гібриди, щільність, ЗБОКСО, проби грунту або висоту.Запрограмовані звіти та аналіз даних можуть містити аналіз мінливості врожайності, порівняльний аналіз врожайності та інші кількісні показники у порівнянні із іншими сільгоспвиробниками на основі анонімної інформації, зібраної від багатьох сільгоспвиробників, або, крім іншого, дані про насіння та саджання.0053) Застосунки, що мають інструкції, налаштовані у такий спосіб, можуть бути реалізовані для різних платформ обчислювальних пристроїв із підтримкою такого ж загального вигляду інтерфейсу користувача.Наприклад, мобільний застосунок може бути запрограмований для виконання на планшетах, смартфонах або серверних комп'ютерах, доступ до яких здійснюється за допомогою браузерів на комп'ютерах користувачів.Додатково, мобільний застосунок, що налаштовано для планшетів або смартфонів, може надавати повну функціональність застосунку або застосунку кабіни, які підходять для можливостей відображення та обробки даних комп'ютером кабіни 115. Наприклад, посилаючись на зображення (б) на Фіг. 2, в одному варіанті реалізації винаходу, застосунок для комп'ютеру кабіни 220 може містити інструкції щодо мап - кабіни 222, інструкції щодо віддаленого перегляду 224, інструкції щодо збору та передавання 226, інструкції щодо попереджень механізму 228, інструкції щодо передавання скрипту 230 та інструкції щодо спостереження - кабіни 232. База похідного коду для інструкцій на зображенні (Б) може бути такою самою, що й на зображенні (а), файли, що виконуються, які реалізують код, можуть бути запрограмовані для визначення типу платформи, на якій вони будуть виконуватися, та надавати, за допомогою графічного інтерфейсу користувача, тільки ті функції, що відповідають платформі кабіни або повній платформі.Такий підхід дозволяє системі визначати цілковито різні механізми взаємодії із користувачем, що підходять для умов всередині кабіни та різному технологічному середовищу кабіни.Інструкції щодо мап - кабіни 222 можуть бути запрограмовані для надання огляду мапи полів, господарств та регіонів, що придатні для того, щоб скерувати на них роботу механізмів.Інструкції щодо віддаленого огляду 224 можуть бути запрограмовані для увімкнення, управління та надання відображення роботи механізму, у режимі реального часу або близького до режиму реального часу, іншим бо обчислювальним пристроям, що підключені до системи 130 через бездротові мережі, дротові з'єднувальні елементи або адаптери, і тому подібне.Інструкції щодо збору та передавання 226 можуть бути запрограмовані для увімкнення, управління та передавання даних, зібраних датчиками та контролерами механізму, до системи 130 через бездротові мережі, дротові з'єднувальні елементи або адаптери, і тому подібне.Інструкції щодо попереджень механізму 228 можуть бути запрограмовані для виявлення проблем із роботою механізму або інструментів, пов'язаних із кабіною, та генерування попереджень оператору.Інструкції щодо передавання скрипту 230 можуть бути налаштовані для передавання у скриптах інструкцій, що налаштовані для керування роботи механізмів або збору даних.Інструкції щодо спостереження - кабіни 232 можуть бути запрограмовані для відображення попереджень на основі місцезнаходження та інформації, отриманої від системи 130, на основі місцезнаходження сільськогосподарських пристроїв 111 або датчиків 112 на полі, та для потрапляння, управління та передавання результатів спостереження на основі місцезнаходження до системи 130, у залежності від положення сільськогосподарських пристроїв 111 або датчиків 112 на полі.0054 2.3. ПОТРАПЛЯННЯ ДАНИХ У ОБЧИСЛЮВАЛЬНУ СИСТЕМУ0055) У варіанті реалізації винаходу комп'ютер серверу зовнішніх даних 108 зберігає зовнішні дані 110, включно із даними про грунт, що відображають склад грунту для одного або більше полів, та дані про погоду, що відображають температуру та опади на одному або більше полях.Дані про погоду можуть містити минулі та теперішні дані про погоду, а також прогнози щодо майбутніх погодних даних.У варіанті реалізації винаходу комп'ютер серверу зовнішніх даних 108 містить множину серверів, що розміщені різними об'єктами.Наприклад, перший сервер можу містити дані про склад грунту, тоді як другий сервер може містити дані про погоду.Додатково, склад грунту може зберігатися у множині серверів.Наприклад, один сервер може зберігати дані, що відображають відсоток піску, мулу та глини, тоді як другий сервер може зберігати дані, що відображають відсоток органічних речовин (ОР) у грунті.І0О56| У варіанті реалізації винаходу віддалений датчик 112 містить один або більше датчиків, запрограмованих або виконаних із можливістю виконувати одне або більше вимірювань.Віддалені датчики 112 можуть бути повітряними датчиками, наприклад, супутниковими, датчиками транспортного засобу, датчиками обладнання для саджання, датчиками обладнання механічної обробки, датчиками обладнання для внесення добрив або інсектицидів, датчиками жниварки, та будь-яким іншим механізмом, що здатен отримувати дані від одного або більше полів.У варіанті реалізації винаходу контролер застосунку 114 запрограмований або виконаний із можливістю отримувати інструкції від сільськогосподарської інтелектуальної обчислювальної системи 130. Контролер застосунку 114 також може бути запрограмований або виконаний із можливістю управління робочими параметрами сільськогосподарського транспортного засобу або обладнання.Наприклад, контролер застосунку може бути запрограмований або виконаний із можливістю управління робочими параметрами транспортного засобу, наприклад, трактору, обладнання для саджання, обладнання для механічної обробки, обладнання для внесення добрив або інсектицидів, обладнання жниварки або іншим господарським обладнанням, наприклад, водяним клапаном.Інші варіанти реалізації винаходу можуть використовувати комбінацію датчиків та контролерів, які наводяться нижче виключно для прикладу.І0057| Система 130 може збирати та приймати дані під управлінням користувача 102 на масовій основі від великої кількості сільгоспвиробників, які надають дані у загальнодоступну систему баз даних.Така форма отримання даних може називатися "ручне приймання даних",коли запитуються або запускаються одна або більше комп'ютерних операцій, якими керує користувач, для збору даних, що використовуються системою 130. В якості прикладу, застосунок МІТКОСЕМ АОМІЗОРЕК, доступний для придбання у компанії Те Сійтаїе Согрогаїйоп, Сан-Франциско, Каліфорнія, може працювати для експорту даних у систему 130 для зберігання у сховищі 160.ІЇ0058| Наприклад, системи контролю насіння можуть одночасно керувати компонентами сівалки та отримувати дані про саджання, включно із сигналами від датчиків насіння через сигнальний шлейф дротів, що містить магістраль САМ, та з'єднання точка-точка для реєстрації та/або діагностики.Системи контролю насіння можуть бути запрограмовані або виконані із можливістю відображати щільність саджання насіння та іншу інформацію користувачеві через комп'ютер кабіни 115 та інші пристрої всередині системи 130. Приклади викладені у патенті США Мо 8 738 243 та патентній публікації США Мо 2015/0094916, а даний опис приймає відомості цих інших патентних описів.(0059) Аналогічно, системи контролю врожайності можуть містити датчики врожайності для механізму комбайну, який відправляє дані вимірювання врожайності у комп'ютер кабіни 115 або бо інший пристрій всередині системи 130. Системи контролю врожайності можуть використовувати один або більше віддалений датчиків 112 для отримання вимірювань вологості зернових у комбайні або жниварці та передавання цих вимірювань користувачеві за допомогою комп'ютера кабіни 115 або іншого пристрою всередині системи 130. І0О60) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися із рухомими транспортними засобами або механізмами певних типів, що описані в інших місцях даного документу, містять кінематичні датчики та датчики положення.. Кінематичні датчики можуть містити будь-які типи датчиків швидкості, наприклад, Допплерівські датчики швидкості або датчики швидкості обертання колеса, акселерометри або гіродатчики.Датчики положення можуть містити, крім іншого, СРЗ-приймачі або прийомопередавачі, або мобільні застосунки для визначення положення за рахунок УМі-Рі або картографії, що запрограмовані визначати положення на основі найближчих УМі-Рі точок доступу.І00О61) У варіанті реалізації винаходу приклади датчиків 112, що можуть використовуватися із тракторами або іншими рухомими транспортними засобами, містять датчики оборотів двигуна, датчики споживання палива, вказівник площі або відстані, що взаємодіє із сигналамиСРБЗ або радіолокації, датчики швидкості відбору потужності, датчики гідравлічної системи трактору, що налаштовані визначати гідравлічні параметри, наприклад, тиск або витрату рідини, та/або датчики швидкості гідравлічної помпи, датчики швидкості колеса або датчики пробуксовки колеса.У варіанті реалізації винаходу приклади контролерів 114, що можуть використовуватися із тракторами, містять датчики гідророзподільника, контролери тиску, та/або контролери витрачання рідини; контролери швидкості гідравлічної помпи; контролери швидкості або регулятори обертів; контролери положення зчіпки; або контролери положення колеса, що надають автоматичне керування.0062) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися обладнанням для саджання саджанців, наприклад, із апаратом для висівання або пневмосіялкою, містять датчики насіння, які можуть бути оптичними, електромагнітними або датчиками удару; датчики притискної сили, як штифт навантаження, тензометер, датчики тиску; датчики властивості грунту, наприклад, датчики відбиття, датчики вологості, датчики електричної електропровідності, оптичні датчики залишків або температурні датчики; датчики критерію роботи компонентів, наприклад, датчики глибини саджання, датчики притискної сили тиску у циліндрі, датчики швидкості диску із насінням, перетворювач приводу насіння, датчики швидкості системи конвеєру із насінням, або датчики рівня вакууму; або датчики застосування пестицидів, наприклад, оптичні або інші електромагнітні датчики, або датчики удару.У варіанті реалізації винаходу приклади контролерів 114, що можуть використовуватися із таким обладнанням для саджання містять: датчик вигину навісного брусу, наприклад, контролери клапанів, пов'язаних із гідравлічними циліндрами; контролери притискної сили, наприклад, контролери для клапанів, пов'язаних із пневматичними циліндрами, повітряними подушками, або гідравлічними циліндрами, та запрограмованими для застосування притискної сили до окремих висівних секцій або всієї рами сіялки; контролери глибини саджання, наприклад, лінійних приводів; контролери дозування, наприклад, електричних приводів дозування насіння,гідравлічних приводів дозування насіння, або муфти для переключення валку; контролери вибору гібридів, наприклад приводів дозування насіння, або інших приводів, що запрограмовані для вибіркового виходу або перекриття подачі насіння, або суміші насіння та повітря, із каналу подачі до або від дозатора насіння, або центрального великого бункеру; контролери дозування, наприклад, електричних приводів дозування насіння, або гідравлічних приводів дозування насіння; контролери системи конвеєру насіння, наприклад, контролери для двигуна ремінного конвеєру насіння; контролери маркеру, наприклад, контролер для пневматичного або гідравлічного приводу; або контролери норми застосування пестицидів, наприклад, контролери приводу дозатора, контролери прохідного перетину або положення.І00О63) У варіанті реалізації винаходу приклади датчиків 112, які можуть використовуватися із обладнанням для механічної обробки, містять датчики положення для інструментів, наприклад, сошників або дисків; датчики положення інструменту для таких інструментів, що налаштовані для визначення глибини, кута механічного з'єднання, або проміжку між каналами; датчики притискної сили; або датчики тягового зусилля.У варіанті реалізації винаходу приклади контролерів 114, які можуть використовуватися із обладнанням для механічної обробки, містять контролер притискної сили або контролери положення інструменту, наприклад, контролери, що налаштовані для управління глибиною інструмента, кутом механічного з'єднання або проміжком між каналами.0064) У варіанті реалізації винаходу приклади датчиків 112, які можуть використовуватися із обладнанням для застосування добрив, інсектицидів, фунгіцидів і тому подібного, наприклад,60 встановлені на сіялці системи початкового внесення добрив, машинах для внесення добрив у нижній шар грунту, на розприскувачах добрив або системах зрошення містять: датчики показників рідинних систем, наприклад, датчики витрачання рідини або датчики тиску; датчики, що вказують на те, що відкриті клапани головки для розприскування або клапани каналу рідини; датчики пов'язані із резервуарами, наприклад, датчики рівня; секційні датчики або загальносистемні датчики живильної системи, або датчики живильної системи, що враховують особливості рядків; або кінематичні датчики, наприклад, датчики швидкості, що розміщені на штанзі розприскувача.У варіанті реалізації винаходу приклади контролерів 114, які можуть використовуватися із таким обладнанням містять контролери швидкості помпи; контролери клапанів, що запрограмовані для управління тиском, витратою рідини, напрямком, широтно- імпульсною модуляцією і тому подібним; або приводи позиціонування, наприклад, висотою штанги, глибиною нижнього шару грунту, або положенням штанги.І00О65) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися із жниварками містять монітори врожайності, наприклад, прибор для визначення деформації амортизаційної подушки або датчики положення, ємнісні датчики витрачання рідини, датчики навантаження, датчики ваги або датчики обертаючого моменту, пов'язані із підйомниками або шнеками, або оптичні чи інші електромагнітні датчики висоти зернових; датчики вологості зернових, наприклад, ємнісні датчики; датчики втрати зерна, включно із датчики удару, оптичні або ємнісні датчики; датчики критеріїв роботи жатки, наприклад, висоти жатки, типу жатки, проміжку у плиті настилу, швидкості фідеру, та датчики швидкості мотовила; датчики критеріїв роботи сепаратора, наприклад, датчики зазору підбарабання; швидкості ротору, зазору колодки або зазору сита; шнекові датчики положення, роботи або швидкості; або датчики обертів двигуна.У варіанті реалізації винаходу приклади контролерів 114, які можуть використовуватися із жниварками, містять контролери критеріїв роботи жатки для елементів, наприклад, висоти жатки, типу жатки, проміжку у плиті настилу, швидкості фідеру, та контролери швидкості мотовила; контролери критеріїв роботи сепаратора для компонентів, наприклад, контролери зазору підбарабання; швидкості ротору, зазору колодки або зазору сита; або контролери положення шнеку, роботи або швидкості.І00О66) У варіанті реалізації винаходу приклади датчиків 112, які можуть використовуватися із причепами для зернових, містять датчики ваги або датчики положення шнеку, роботи абоЗо швидкості.У варіанті реалізації винаходу приклади контролерів 114, які можуть використовуватися із причепами для зернових, містять контролери положення шнеку, роботи або швидкості.І0067| У варіанті реалізації винаходу приклади датчиків 112 та контролерів 114 можуть бути встановлені на безпілотних літальних апаратах (БЛА) або "дронах". Такі датчики можуть містити камери із датчиками, ефективними для будь-якого діапазону електромагнітного спектру, включно із видимим світлом, інфрачервоним, ультрафіолетовим, ближнім інфрачервоним (БІУЧ) і тому подібним; висотоміри; датчики температури; датчики вологості; датчики повного тиску або інші датчики швидкості повітряного потоку або швидкості вітру; датчики ресурсу акумулятору; або пристрої визначення випромінюючої радіолокаційної станції та відбитої радіолокаційної енергії.Такі контролери можуть містити пристрої наведення або керування двигуном, контролери рульової поверхні або контролери, що запрограмовані для увімкнення, роботи отримання даних, управління та налаштування будь-яких з описаних вище датчиків.Приклади викладені у заявці на патенті США Мо 14/831 165, а даний опис передбачає знання цих інших патентних описів.0068) У варіанті реалізації винаходу датчики 112 та контролери 114 можуть бути прикріплені до пристроїв збирання та тестування зразків грунту та вимірювання, які виконані із можливістю або запрограмовані на збирання зразків грунту та виконання хімічних тестів грунту, тестів вологості грунту та інших тестів по відношенню до грунту.Наприклад, можуть використовуватися пристрої, що описані у патенті США Мо 8 767 194 та у патенті США Мо 8 712 148, а даний опис приймає відомості цих інших патентних описів.0069) 2.4. ОГЛЯД ПРОЦЕСУ -- ПІДГОТОВКА АГРОНОМІЧНОЇ МОДЕЛІІ0070)| У варіанті реалізації винаходу сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконаний із можливістю створення агрономічної моделі.У контексті даного документу агрономічна модель є структурою даних у пам'яті сільськогосподарської інтелектуальної обчислювальної системи 130, що містить польові дані 106, наприклад, ідентифікаційні дані та дані про збір врожаю для одного або більше полів.Агрономічна модель також може містити розраховані агрономічні параметри, що описують як умови, що мають вплив на розвиток однієї або більше сільськогосподарських культур на полі, так і параметри однієї або більше сільськогосподарських культур, або всі їх разом.Додатково,бо агрономічна модель може містити рекомендації, що базуються на агрономічних факторах,наприклад, рекомендації щодо сільськогосподарської культури, рекомендації щодо зрошування,рекомендації щодо саджання та рекомендації щодо збору врожаю.Агрономічні фактори також можуть бути використані для розрахунку результатів для однієї або більше сільськогосподарських культур, наприклад, агрономічної врожайності.Агрономічна врожайність сільськогосподарської культури враховує кількість сільськогосподарських культур, що були вирощені або, у деяких прикладах, дохід або прибуток, отриманий від вирощених сільськогосподарських культур.0071 У варіанті реалізації винаходу, сільськогосподарська інтелектуальна обчислювальна система 130 може використовувати попередньо налаштовану агрономічну модель для розрахунку агрономічних параметрів, що відносяться до отриманого у даний момент місцезнаходження та інформації щодо посівів на одному або більше полях.Попередньо налаштована агрономічна модель базується на польових даних, що були оброблені раніше, включно 3, крім іншого, ідентифікаційними даними, даними про врожайність, даними про застосування добрив та погодними даними.Попередньо налаштована агрономічна модель може бути перехресно перевірена з метою забезпечення точності моделі.Перехресна перевірка може містити порівняння із експериментальними даними, коли порівнюються прогнозовані результати із фактичними результатами на полі, наприклад, порівняння прогнозованої оцінки опадів за допомогою плювіометру на одній і тій самій ділянці, або прогнозованого вмісту азоту за допомогою вимірювання у зразках грунту.0072 Фіг.З ілюструє запрограмований процес, за допомогою якого сільськогосподарська інтелектуальна обчислювальна система генерує одну або більше попередньо налаштованих агрономічних моделей з використанням польових даних, наданих одним або більше зовнішнім джерелом даних.Фіг.3 може служити алгоритмом або інструкціями для програмування функціональних елементів сільськогосподарської інтелектуальної обчислювальної системи 130 для виконання операцій, що тут описані.ІЇ0073| В блоці 305 сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконана із можливістю реалізувати агрономічні дані за рахунок попередньої обробки польових даних, що отримані від одного або більше зовнішніх джерел даних.Польові дані, отримані від одного або більше зовнішніх джерел даних, можуть бутиЗо попередньо оброблені для видалення спотворень та ефектів, що спотворюють дані всередині агрономічних даних, включаючи виміряні сторонні дані, що впливають на отримані значення польових даних.Варіанти реалізації попередньої обробки агрономічних даних містять, крім іншого, видалення елементів даних, що, як правило, пов'язані із сторонніми елементами даних, певними точками вимірювання даних, які відомі як такі, що занадто відхиляються від інших елементів даних, технології згладжування даних, що використовуються для видалення або зниження адитивного або мультиплікативного ефекту від спотворень, та інші технології фільтрування або вилучення даних, що використовуються для надання очищення розбіжностей між позитивними та негативними вхідними даними.Різноманітні варіанти реалізації таких технологій містять, крім іншого, ті, що описані в даному документі.І0074| В блоці 310 сільськогосподарська інтелектуальна обчислювальна система 130 виконана із можливістю або запрограмована для виконання вибору підмножини набору даних із використанням попередньо оброблених польових даних для ідентифікації наборів даних, що придатні для початкового генерування агрономічної моделі.Сільськогосподарська інтелектуальна обчислювальна система 130 може реалізувати технологію вибору підмножини набору даних, включно з, крім іншого, методом генетичного алгоритму, методом всієї підмножини моделей, методом послідовного пошуку, методом ступінчастої регресії, оптимізацією методом рою, та методом алгоритму мурашиної колонії.Наприклад, технологія вибору за допомогою генетичного алгоритму використовує адаптивний алгоритм евристичного пошуку, що базується на еволюційних принципах натурального вибору та генетики, для визначення та оцінки наборів даних всередині попередньо оброблених агрономічних даних.ІЇ0075| У блоці 315 сільськогосподарська інтелектуальна обчислювальна система 130 виконана із можливістю або запрограмована для реалізації оцінки масиву польових даних.У варіанті реалізації винаходу певний масив польових даних оцінюється за рахунок створення агрономічної моделі та використання певних параметрів якості для створеної агрономічної моделі.Агрономічні моделі можуть порівнюватися із використанням технологій перевірки, включно, крім іншого, із середньоквадратичною похибкою методу виключення по одному (КМ5ЕСМ), середньою абсолютною похибкою та середньою відсотковою похибкою.Наприклад, КЕМ5ЕСМ може виконати перехресну перевірку агрономічної моделі за рахунок порівняння прогнозованого значення агрономічної властивості, створеного агрономічною моделлю, із бо попереднім значенням агрономічної властивості, яке було зібрано та проаналізовано.У варіанті реалізації винаходу, оціночна логіка агрономічного набору даних використовується у якості циклу зворотного зв'язку, де агрономічний набір даних не досягнув налаштованих параметрів якості, що використовуються під час наступних етапів вибору підмножини набору даних (блок 310).І0076| В блоці 320 сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконана із можливістю реалізувати створення агрономічної моделі на основі перехресно перевірених агрономічних наборів даних.У варіанті реалізації винаходу, створення агрономічної моделі може реалізувати технологію множинної регресії для створення попередньо налаштованої агрономічної моделі даних.І0077| В блоці 325 сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконана із можливістю зберігання попередньо налаштованої агрономічної моделі даних для подальшої оцінки польових даних.І007812.5. ПРИКЛАД РЕАЛІЗАЦІЇ -- ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯІ0079| Відповідно до одного варіанту реалізації винаходу, описані у даному документі технології, реалізовані за допомогою одного або більше обчислювальних пристроїв спеціального призначення.Пристрої спеціального призначення можуть бути реалізовані апаратно для виконання цих технологій, або можуть містити цифрові електронні пристрої, наприклад, однієї або більше спеціалізованих інтегральних схем (СІС), або логічних інтегральних схем, що програмуються (ПЛІС), які цілеспрямовано запрограмовані для виконання цих технологій, або можуть містити один або більше апаратних процесорів загального призначення, запрограмованих для виконання технологій відповідно до програмних інструкцій у вбудованому програмному забезпеченні, пам'яті, інших сховищах, або їх комбінації.Такі обчислювальні пристрої спеціального призначення також можуть бути комбінацією заказаної логіки, що реалізована апаратно, СІС, або ПЛІС, запрограмованої по заказу для виконання даних технологій.Обчислювальні пристрої спеціального призначення можуть бути настільними комп'ютерними системами, переносними комп'ютерними системами, портативними пристроями, мережевими пристроями або будь-якими іншими пристроями, що поєднують у собі логіку, що реалізована апаратно та/або програмно, для реалізації даних технологій.І00О80)| Наприклад, Фіг. 4 є функціональною схемою, що ілюструє комп'ютерну систему 400,Зо на базі якої може бути здійснений варіант реалізації винаходу.Комп'ютерна система 400 містить шину 402 або механізм обміну даними для обміну інформацією, та апаратний процесор 404, що підключений до шини 402 для обробки інформації.Апаратний процесор 404 може бути, наприклад, мікропроцесором загального призначення.І0081) Комп'ютерна система 400 також містить основну пам'ять 406, наприклад, пам'ять із довільним доступом (КАМ) або інший динамічний пристрій зберігання, що підключений до шини 402 для збереження інформації та інструкцій, які будуть виконуватися процесором 404. Головна пам'ять 406 також може використовуватися для зберігання тимчасових змінних або іншої проміжної інформації під час виконання інструкцій, які будуть виконуватися процесором 404. Такі інструкції, при збереженні на енергонезалежному носії даних, доступ до якого має процесор404, перетворюють комп'ютерну систему 400 у машину спеціального призначення, що налаштовується для виконання операцій, що вказані в інструкціях.І0082| Комп'ютерна система 400 додатково містить постійний запам'ятовуючий пристрій (КОМ) 408 або інше статичний пристрій для зберігання, підключений до шини 402, для зберігання стичної інформації та інструкцій для процесора 404. Пристрій для зберігання 410,наприклад, магнітний диск, оптичний диск або твердотільний диск встановлюється та підключається до шини 402 для зберігання інформації та інструкцій.І0083| Обчислювальна система 400 може бути підключена за допомогою шини 402 до екрану 412, наприклад, електронно-променевої трубки (ЕПТ), для відображення інформації користувачеві комп'ютера.Пристрій введення 414, включено із цифровою та іншою клавіатурою, підключений до шини 402 для обміну інформацією та вибору команд для процесора 404. Іншим типом пристрою введення користувача є пристрій управління курсором 416, наприклад, миша, трекбол або клавіші управління курсором для передавання інформації про напрямок та вибору команд для процесора 404, та для управління переміщенням курсору на екрані 412. Такі пристрої введення, як правило, мають два ступеня свободи по двом осям, по першої осі (наприклад, Х) та по другій осі (наприклад, У), що дозволяє пристрою вказувати положення на плоскості.І0084| Обчислювальна система 400 може реалізувати технології, описані в даному документі із використанням реалізованої апаратно логіки, однієї або більше СІС або ПЛІС, вбудованого програмного забезпечення та/або програмної логіки, що у комбінації із60 обчислювальною системою або програмами обчислювальної системи 400 є машиною спеціального призначення.Відповідно до одного варіанту реалізації винаходу, описані в даному документі технології виконуються обчислювальною системою 400 у відповідь на виконання процесором 404 однієї або більше послідовностей однієї або більше інструкцій, що розміщені у пам'яті 406. Такі інструкції можуть бути прочитані із основної пам'яті 406, та з іншого носія даних, наприклад, пристрою для зберігання 410. Виконання послідовності інструкцій, що розміщені в основній пам'яті 406 спонукають процесор 404 виконувати етапи процесу, описані у даному документі.У альтернативному варіанті реалізації винаходу, схеми, що реалізовані апаратно, можуть використовуватися замість або у комбінації із програмними інструкціями.(0085) Термін "носій даних", що використовується в даному документі, означає будь-який енергонезалежний носій даних, що зберігає дані та/або інструкції, що спонукають машину до виконання певної роботи.Такі носії даних можуть містити енергонезалежні носії даних та/або енергозалежні носії даних.Енергонезалежні носії даних містять, наприклад, оптичні диски, магнітні диски або твердотільні пристрої, наприклад, пристрій для зберігання даних 410. Енергозалежні носії даних містять динамічну пам'ять, наприклад, основну пам'ять 406. Загальні форми носіїв даних містять, наприклад, гнучкі магнітні диски, гнучкі диски, жорсткі диски, твердотільні накопичувачі, магнітні стрічки або магнітні носії даних, СО-КОМ, будь-які оптичні носії даних, будь-які фізичні носії даних із розташованими отворами, КАМ, РКОМ, та ЕРКОМ, ЕГАЗН-ЕРКОМ, МУКАМ, будь-які чипи пам'яті або картриджі.І0086| Носії даних є віддаленими, але можуть використовуватися у поєднанні із середовищем передавання даних.Середовище передавання даних приймає участь у передаванні інформації між носіями даних.Наприклад, середовище передавання даних містить коаксіальні кабелі, мідну проволоку та оптоволоконні кабелі, включно із дротами, що містять шину 402. Середовище передавання даних також може приймати форму акустичних або світлових хвиль, наприклад, тих, що генеруються під час обміну даними за допомогою радіохвиль або інфрачервоних хвиль.І0087| Різні форми носіїв можуть приймати участь у підтримці однієї або більше послідовностей однієї або більше інструкцій для виконання процесором 404. Наприклад, інструкції можуть спочатку бути розміщені на магнітному диску або твердотільному накопичувачі на віддаленому комп'ютері.Віддалений комп'ютер може завантажувати інструкції у своюЗо динамічну пам'ять та відправляти інструкції через телефонну лінію із використанням модему.Локальний модем по відношенню до комп'ютерної системи 400 може приймати дані по телефонній лінії та використовувати інфрачервоний передавач для перетворення даних у інфрачервоний сигнал.Інфрачервоний детектор може приймати дані, що містяться в інфрачервоному сигналі, а відповідна схема може розміщувати дані у шині 402. Шина 402 передає дані в основну пам'ять 406, із якої процесор 404 вилучає та виконує інструкції.Інструкції, які отримані основною пам'яттю 406, можуть додатково зберігатися на пристрої для зберігання 410 як до, так і після їх виконання процесором 404.0088) Комп'ютерна система 400 також містить комунікаційний інтерфейс 418, підключений до шини 402. Комунікаційний інтерфейс 418 надає двостороннє комунікаційне з'єднання із мережевим каналом 420 для обміну даними, який підключений до локальної мережі 422. Наприклад, комунікаційний інтерфейс 418 може являти собою карту інтегрованої цифрової мережі із комплексними послугами, кабельний модем, супутниковий модем або модем для надання комунікаційного з'єднання для обміну даними із відповідним типом телефонної лінії.В якості іншого прикладу, комунікаційний інтерфейс 418 може бути картою локальної мережі(ГАМ), для надання комунікаційного з'єднання для обміну даними із відповідною ГАМ.Також може бути реалізований бездротовий канал з'єднання.В будь-якої із таких реалізацій, комунікаційний інтерфейс 418 відправляє та отримує електричні, електромагнітні або оптичні сигнали, що несуть у собі потоки цифрових даних, які відображають різни типи інформації.І0089| Мережевий канал зв'язку 420, як правило, надає можливість передавання даних через одну або більше мереж до інших пристроїв даних.Наприклад, мережевий канал зв'язку 420 може надавати з'єднання через локальну мережу 422 на серверний комп'ютер 424 або обладнання для передавання даних, що знаходиться під керування постачальника послуг Інтернет (І5Р) 426. І5Р 426 в свою чергу надає послуги передавання даних через всесвітню мережу передавання пакетних даних, яка тепер, як правило, називається "Інтернет" 428. локальна мережа 422, і мережа Інтернет 428 використовують електричні, електромагнітні та оптичні сигнали, що несуть у собі потоки цифрових даних.Ці сигнали, через різні мережі, та сигнали через мережевий канал зв'язку 420 та через комунікаційний інтерфейс 418, що несуть у собі цифрові дані до та від комп'ютерної системи 400, є прикладами форм середовища передавання даних.І0090| Обчислювальна система 400 може відправляти повідомлення та отримувати дані, включно із програмним кодом, через мережу(і), мережевий канал зв'язку 420 та комунікаційні інтерфейс 418. У прикладі мережі Інтернет, сервер 430 може передавати код, що запитується, для прикладного застосунку через Інтернет 428, ІЗР 426, локальну мережу 422 та комунікаційний інтерфейс 418.ІЇ0091| Отриманий код може виконуватися процесором 404, так як він отриманий та/або зберігається у пристрої для зберігання 410, або іншому енергонезалежному сховищі для подальшого виконання.00921 3. ХАРАКТЕРИСТИКИ ВИМІРЮВАНЬ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХКУЛЬТУРІ0093| У варіанті реалізації винаходу вимірювання врожайності сільськогосподарських культур, що зібрані із сільськогосподарських полів, засноване на характеристиках полів, з яких зібрані сільськогосподарські культури.Такі характеристики можуть залежати від типу грунту на полях, ефективності обробки грунту, ефективності застосування добрив для грунту або кількості саджанців, що були використані для отримання сільськогосподарської культури.(0094) Значення, що пов'язані із деякими характеристиками, можуть підвищуватися протягом певного періоду часу, особливо, якщо покращується процес застосування добрив для грунту, або для грунту надаються більш кращі біогенні речовини, або для отримання сільськогосподарської культури використовуються більш кращі саджанці.Такі характеристики можуть бути змодельовані як постійні змінні у математичній моделі, що відображає вимірювання врожайності.Відображення таких характеристик може бути видалене із рівнянь, що використовуються для апроксимації, або прогнозування значень врожайності, що були відсутні у отриманих вимірюваннях врожайності.0095) Інші характеристики можуть бути стохастичними та можуть залежати, наприклад, від погодних умов.Так як погодні умови не можна точно прогнозувати, модель для відображення вимірювань врожайності та стохастичних характеристик може використовувати змінні, що пов'язані із значеннями, які можуть часто змінюватися.Такі змінні не видалені із рівнянь моделі, так як характеристики, що засновані на погодних умовах, можуть значною мірою впливати на процес апроксимації або прогнозування значень врожайності сільськогосподарської культури.Зо 0096 4. МОДЕЛЮВАННЯ ТРЕНДІВ У ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУРІ0097| У варіанті реалізації винаходу реалізований на комп'ютері підхід приймає до уваги значення даних, що надані як вимірювання або спостереження.Вимірювання можуть бути зібрані із сільськогосподарських полів протягом певних видів діяльності, наприклад, збору сільськогосподарської культури.Наприклад, вимірювання можуть містити значення даних, що відображають врожайність сільськогосподарських культур, що зібрані одним або більше зернозбиральними комбайнами з одного або більше сільськогосподарських полів, та у двох або більше точках часу.І0098| Моделювання трендів даних може містити прогнозування значень даних, що відображають майбутню врожайність сільськогосподарської культури.Прогнозування може виконуватися на основі факторів, наприклад, зміни врожайності, локальних погодних умов або взаємозв'язків між врожайністю сільськогосподарських культур, виміряною на полях, що знаходяться поруч.Такий підхід також може містити реконструкцію значень для відсутніх даних та коригування неточних даних.Звіти по тренду можуть бути згенеровані на основі вимірювань,що були скориговані.І0099| 41. МОДЕЛЬ ДЛЯ ВІДОБРАЖЕННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУРІО100) Процес прогнозування та/або реконструкції даних врожайності може бути визначені як виключення трендів вимірювань, або виключення трендів моделі даних врожайності.Виключення трендів моделі може бути визначено як модель, у якій змінені вимірювання врожайності сільськогосподарської культури за рахунок прийняття до уваги локальних погодних умов або характеристик грунту.ІО101| Моделі даних врожайності сільськогосподарських культур можуть бути перевірені в залежності від інформації про локальні погодні умови, вимірювань врожайності та інших вхідних даних, які деякою мірою сприяють аномаліям, що виникають у врожайності сільськогосподарської культури.Додаткова інформація, включно із вхідними даними, що засновані на погодних умовах, може використовуватися у процесі визначення аномалій врожайності у моделях.Моделі, що отримані у результаті обробки, можуть піддаватися порівнювальній оцінці багатьох різноманітних способів виключення трендів та можуть бути згенеровані порівнювальні таблиці різноманітних підходів до виключення трендів. (01021 4.2. ЛІНІЙНА МОДЕЛЬІО103| Лінійна модель виключення трендів може бути згенерована на основі отриманих значень врожайності для сільськогосподарських культур, зібраних з одного або більше регіонів та зібраних протягом двох або більше проміжків часу, або у двох або більше точках часу.Так як зв'язок між врожайністю, отриманою із регіонів та протягом років, як правило, є лінійною,більшість моделей, що застосовуються, є моделями, що використовують лінійні формулі.0104) У варіанті реалізації винаходу лінійна модель М, що отримана для спостереження врожайності 71, що отримана у країні або іншому регіоні і у року Її, може бути обчислена із використанням наступної формули:уп - Мі) ей ()де 9 є значенням похибки, обчисленим для країни або іншого регіону і та року і.01051) Прогнозована величина похибки сх може бути функцією параметру, заснованому на регіоні, та/або параметру, заснованому на часі.Прогнозована похибка 7 може бути визначена як аномалія врожайності.Наприклад, прогнозована похибка б може бути інтерпретована як аномалія врожайності, що виникає у і-ій області та у гій точці часу.ІО106) У варіанті реалізації винаходу ефективність функціонування моделі Мі) може бути виміряна за рахунок апроксимації моделі Мі) із результатами спостережень Ум для У Іво) та оцінки абсолютної похибки | | для прогнозів Уря у році, що слідує за періодом навчання.Ес) - є діапазоном років.Наприклад, прогнозування на рік уперед може бути обчислене із використанням даних вимірювань протягом року та будь-яких підходів середньої абсолютної похибки (МАЕ), що відомі у статистиці.І0107| Ефективність моделі може бути оцінена із використанням функції, обчисленої для обстежень Ум для - вв). що відображають діапазон років, протягом яких навчалася модель.Після того, як модель Мі) була навчена на одних або більше навчальних даних, модель Мі) може використовуватися для перевірки точності талабо повноти даних обстежень Ум для І- Іво). де Га, БІ - є діапазоном років.ІО0108| Можуть застосовуватися різноманітні класи моделей для визначення значеньЗо апроксимації у наборах даних врожайності сільськогосподарських культур.Прикладами моделей, що застосовуються, є моделі, що припускають як нормально розподілені похибки, так і ненормально розподілені похибки.Приклади декількох моделей описані нижче.ІО109)| У варіанті реалізації винаходу клас моделей Мі) може бути відображений із використанням наступного рівняння:Ум Зо Др; ей (2)де Ум відповідає вимірюванням врожайності сільськогосподарських культур для сільськогосподарських культур, зібраних з і-ого поля та у -їй точці часу; бі відповідає змінній лінійної моделі, що залежить щонайменше від параметру часу; В; відповідає значенню вертикального зміщення для лінійної моделі; та би відповідає величині похибки.ІО110) У класі лінійних моделей УМ, показник і відображає коефіцієнт, що залежить від часу, визначений для і-ого округу, приймаючи до уваги, що В; відображає коефіцієнт, що не залежить від часу для і-ого округу.Показники б та В; можуть бути ідентичними ( 8 для всіх і, та В; -р для всіх ї). Клас лінійних моделей Уй може мати деякі додаткові статистичні структури, що відображають залежність коефіцієнту від параметрів часу та/або параметру округу.Моделі УМ, можуть використовуватися для перевірки точності тал"або повноти даних обстежень Ум для «є Іво) де Іа, БІ є діапазоном років, та, при необхідності, для визначення відсутніх даних обстежень, та/або для коригування даних обстежень, що на початку містять похибки.0111) Лінійна функція Ум що відображає вимірювання врожайності сільськогосподарських культур, може бути графічно відображена із використанням двомірного графіку.(01121 5. СИНГУЛЯРНА ДЕКОМПОЗИЦІЯ0113) Підхід у вигляді сингулярної декомпозиції (ЗМО), як правило, використовується для зменшення вхідних наборів даних.Більш конкретно, ЗМО, зазвичай, використовується для зменшення вхідних наборів даних, що містять велику кількість значень для вихідних наборів даних, які містять значно менше значень, тим не менш, які щонайменше частково вкривають варіативність значень у вхідному наборі даних.Отримання вихідного набору даних із значно меншою кількістю значень, ніж у вхідному наборі даних дозволяє зберегти обчислювальні ресурси та ресурси зберігання, при цьому підтримуючи дані, що вкривають більшу частину варіативності, що існує у початкових даних.ІЇО114| Зокрема, 5МО придатна у аналізі даних, що відображають врожайність сільськогосподарської культури, що зібрана із сільськогосподарських полів.Дані врожайності сільськогосподарської культури у сільськогосподарській та фермерській галузі часто містять дуже великі набори даних, а обробка дуже великих наборів даних, як правило, висуває значні вимоги щодо обчислювальних ресурсів та ресурсів зберігання для обчислювальних систем.Тим не менш, якщо набори даних врожайності розкладені на менші набори даних значень, що демонструють велику просторову кореляцію, то менші набори даних після розкладання можуть використовуватися для апроксимації наборів даних врожайності сільськогосподарської культури до певного ступеню.ІО115) У варіанті реалізації винаходу аналіз «МО може призвести до відносно компактного відображення кореляцій, що демонструють дані у наборах даних врожайності сільськогосподарської культури, особливо, якщо набори даних є мультиваріантними наборами даних.Крім того, аналіз «МО може розкривати сутність просторових та тимчасових змін, що продемонстровані у проаналізованих даних врожайності сільськогосподарської культури.ІО116| Набір даних, що проаналізовані із допомогою 5МО, демонструє аномалії та/або похибки, однак може також вкривати просторові залежності між елементами даних та/або щонайменше з деякою підмножиною елементів даних.Приклади просторових залежностей можуть містити просторові зв'язки між полями та підпорядкованими полями, для яких зібрана підмножина даних, просторові зв'язки між компонентами часу у підмножині даних і таке інше.ІО117| Набір даних, що проаналізовані із використанням ЗМО, можуть використовуватися для видалення трендів необроблених вимірювань врожайності.Так як метою ЗМО є пошук просторових кореляцій, незалежних від трендів, дані вимірювань можуть бути позбавлені трендів за рахунок виконання аналізу 5МО.Наприклад, дуже великі набори даних врожайності сільськогосподарської культури можуть бути спочатку розкладені на розкладені набори даних, потім розкладені набори даних можуть використовуватися для генерування реконструйованих наборів даних, та реконструйовані набори даних можуть використовуватися для відображення даних із видаленими трендами.ІО118) У варіанті реалізації винаходу 5МО аналіз застосовується для визначення та аналізу просторових та тимчасових зв'язків у врожайності сільськогосподарської культури, що зібрана із сільськогосподарських полів.ЗМО аналіз може застосовуватися до набору обстежень, що відображають дані врожайності сільськогосподарської культури, які мають пов'язану інформацію щодо локацій, з яких були зібрані сільськогосподарські культури, та мають пов'язану інформацію щодо часу, у який сільськогосподарські культури були зібрані.Наприклад, дані врожайності сільськогосподарської культури можуть відображати сільськогосподарські культури, що були зібрані із множини локацій та у множину точок часу.ІЇО119| У варіанті реалізації винаходу дані врожайності сільськогосподарської культури можуть бути відображені із використанням двомірної матриці, що містить обстеження врожайності сільськогосподарської культури, записані у множині точок часу, та із множини сільськогосподарських полів.Як правило, поля називаються локаціями та кожна із множини локацій може бути ідентифікована у матриці за рахунок ідентифікатора або чогось подібного.Множина точок часу може використовуватися для визначення часової роздільної здатності, з якою сільськогосподарські культури були зібрані.Часова роздільна здатність може залежати від багатьох факторів, наприклад, загального часу, протягом якого були зібрані вимірювання, характеристик датчиків та пристроїв вимірювання врожайності сільськогосподарської культури, точності та калібрування датчиків та пристроїв, і тому подібного.(01201) 5МО підхід може використовуватися для прогнозування майбутніх даних врожайності та/або для реконструкції даних врожайності, отриманих від агентств, що надають звіти.Отримані дані врожайності можуть бути розкладені і розкладені дані можуть використовуватися для генерування прогнозованих майбутніх даних врожайності або реконструкції минулих або теперішніх даних врожайності.Наприклад, певні майбутні елементи даних врожайності можуть бути обчислені із розкладених даних врожайності та їхнього вбудовані в набір даних врожайності.ІО121| У варіанті реалізації винаходу один або більше елементів розкладених даних врожайності можуть бути згенеровані із використанням регіональних даних трендів врожайності,що враховують специфіку для одного або більше полів із множини сільськогосподарських полів та даних національного тренду врожайності.Один або більше елементів розкладених даних врожайності також можуть бути згенеровані із використанням одного або більше варіативних погодних компонентів та одного або більше погодних шаблонів, що враховують специфіку для множини сільськогосподарських полів.ІЇО122| Один або більше розкладених елементів даних врожайності можуть використовуватися для генерування одного або більше певних елементів даних врожайності.Один або більше певних елементів даних врожайності можуть використовуватися для генерування прогнозованих даних врожайності та/або для реконструкції даних у матриці, що містить дані врожайності, які відображають врожайність сільськогосподарської культури, що зібрана з сільськогосподарських полів.Прогнозовані або реконструйовані дані можуть бути створені за рахунок включення одних або більше певних даних врожайності у дані врожайності.0123) Одні або більше певних даних врожайності також можуть використовуватися для зміни одного або більше оригінальних елементів даних врожайності, що були визначені як неточні.Наприклад, одні або більше певних даних врожайності можуть використовуватися для заміни таких відповідних неточних оригінальних даних у матриці, що відображає вимірювання сільськогосподарської культури.І0124| Розкладені дані врожайності та реконструйовані дані врожайності можуть використовуватися для інтерпретації просторових та тимчасових залежностей між врожайністю сільськогосподарських культур, що були зібрані з множини сільськогосподарських полів, та визначенням того, як погодні умови та суміжні області впливають на врожайність.Наприклад, розкладені дані врожайності та реконструйовані дані врожайності можуть вказувати на те, що врожайність сільськогосподарських культур, що були зібрані з сусідніх полів, та приблизно у межах того ж самого місяця року, імовірно аналогічні, тоді як врожайність сільськогосподарських культур, що були зібрані із віддалених полів та у проміжки часу, що є віддаленими один від одного, імовірно не є аналогічними.ІО125| У варіанті реалізації винаходу дані врожайності, що були отримані у наборі вимірювань, що відображають врожайність сільськогосподарських культур, що були зібрані з сільськогосподарських полів, можуть використовуватися для генерування моделі даних врожайності.Модель може бути модифікована, реконструйована або, в іншому випадку,доповнена.Модель можу бути реалізована як будь-який тип моделі даних.Приклади моделей містять модель усередненої величини, лінійну модель, стійку лінійну модель, модель сплайнів, що згладжені, квадратичну модель, модель локально зваженої регресії, моделі інтегрованого ковзного середнього, модель випадкового блукання, модель багатомірних адаптивних регресійних сплайнів, будь-яку БМО модель, умовну авторегресивну (сопайіопа! ашогедгевзвімеСАК) модель і тому подібні.(0126) 5МО підхід можу бути застосований для двомірної матриці, що містить обстеження врожайності сільськогосподарської культури.Враховуючи найближчу апроксимацію р-рангу, двомірна матриця Х може бути виражена у вигляді похідної від трьох матриць: ортогональної матриці М, діагональної матриці 5 та транспонованої ортогональної матриці М.Відповідно, набір даних врожайності сільськогосподарської культури Х може бути розкладений на О5ЗМУ' та виражений як:х- ву!р - У вкикУк 8) к-1 ,ІО127| Фіг. б ілюструє функціональну схему, що відображає приклад підходу ЗМО для декомпозиції великого набору значень врожайності сільськогосподарської культури на більш малу підмножину наборів, що виконує апроксимацію великого набору значень врожайності.У варіанті реалізації винаходу великий набір значень врожайності сільськогосподарської культури, що відображають врожайність сільськогосподарської культури, зібраної з множини локацій І! - 1 та зібрані у час ! -1, може бути збережений у двомірній таблиці 110.ІО128| У таблиці 110 рядки відповідають локаціям сільськогосподарських полів, тоді як стовпчики відповідають точкам часу ї, у які були зібрані вимірювання.У прикладі, що проілюстрований на Фіг. б, таблиця 110 проіндексована із використанням горизонтальної вісі часу 114 та вертикальної вісі локації 118. Горизонтальна вісь 114 відповідає осі часу, а вертикальна вісь 118 відповідає вісі локації.Значення даних, що збережене у таблиці 110 на перехресті певного рядка та певного стовпчика, відповідає необробленим даним врожайності,що відображають врожайність сільськогосподарської культури, зібраної з певного поля, що було ідентифіковане за рахунок локального ідентифікатора І; та ідентифікатора точки часу Ів, У прикладі, що проілюстрований на Фіг.б, три значення врожайності сільськогосподарської культури 150 відповідають значенням врожайності сільськогосподарської культури, зібраним з локації 118 у три точки часу, що слідують одна за одною 115, 116, 117.І0129| Генерування 5МО декомпозиції можу починатися із визначення константи рангу апроксимації, зо залежить від вертикального розміру таблиці Х 110. Зокрема, може бути визначений найближчий р-ранг апроксимації.Таблиця Х 110 може бути розкладена та виражена у вигляді похідної від трьох матриць: ортогональної матриці О, діагональної матриці 5 та транспонованої ортогональної матриці М.Відповідно, набір даних врожайності сільськогосподарської культури Х може бути розкладений на ву! та виражений як:В іУ 5кикУк (4)к-1 ,де Бк відповідає елементу у діагональній матриці 5 130; Ок відповідає елементу у матриці М 120; та "УК є елементом у транспонованій таблиці М 140.ІО130| Використовуючи даний підхід, значення даних, що збережені у таблиці Х 110 можуть бути апроксимовані за рахунок обчислення похідних від відповідних значень даних з таблиці У 120, значень даних діагональної матриці 5 130 та транспонованої ортогональної матриці М 140.ІО131) У варіанті реалізації винаходу 5МО апроксимація використовується для отримання набору значень врожайності сільськогосподарської культури у просторі часу та просторі локації.Зо Значення врожайності сільськогосподарської культури визначають із необроблених даних врожайності сільськогосподарської культури, які надають сільськогосподарські агентства.Вказаний підхід частково застосовується у ситуаціях, коли необроблені значення даних врожайності сільськогосподарської культури, які надають сільськогосподарські агентства є неповними та/або у них відсутні деякі дані врожайності для деяких полів тал"або для деякихЗ5 точок часу.Процес може включати розкладання таблиці Х 110, що містить необроблені значення даних врожайності сільськогосподарської культури, на значення, що зберігаються у таблиці ОО 120 та значення даних, що зберігаються у таблиці М140, а потім, із використанням даних, вилучених для таблиць 120, 140 та діагональної матриці 130, для обчислення або апроксимації значень, що не були надані у необроблених даних врожайності сільськогосподарської культури.ІЇО132| Наприклад, припустимо, що таблиця Х 110 зберігає необроблені дані сільськогосподарської культури й що відповідають необробленим значенням врожайності сільськогосподарської культури, наданими сільськогосподарськими агентствами, як зібрані протягом року Її та на локації Її.На основі перевірки вмісту таблиці Х 110 визначаємо, що таблиця Х 110 є відсутніми значеннями даних врожайності сільськогосподарської культури для деяких локацій та/(або для деяких точок часу.Визначення значень для відсутніх даних врожайності сільськогосподарської культури може бути виконане за рахунок першого розкладання таблиці Х 110 на таблицю Ш 120 та М 140, а потім, із використанням значень, що збережені у таблицях 120 та 140, виконання апроксимації значень врожайності сільськогосподарської культури, що не були включені у оригінальні надані необроблені набори даних врожайності сільськогосподарської культури.ІЇО133| У варіанті реалізації винаходу як тільки необроблені дані врожайності сільськогосподарської культури розкладені на таблиці ШО 120 та М 140, інформація, що збережена у таблицях ОО 120 та М 140, може використовуватися для обчислення або апроксимації будь-яких відсутніх значень у таблиці Х 110.І0134| Додатково припустимо, що ик вказує на лівий сингулярний вектор, що відповідає тренду між роками, та що вказує на правий сингулярний вектор, що відповідає просторовому компоненту у межах року.Додатково, припустимо, що "УК залишається незмінним протягом часу для всіх К-1 ... р.Пошук певного значення врожайності сільськогосподарської культури для таблиці Х 110 може містити визначення попереднього значення врожайності.А також майбутніх значень врожайності.Наприклад, якщо необроблені дані врожайності сільськогосподарської культури були надані для локацій І....1 -, Ін, ... Їх як дані, що були зібрані у точки часу Ті... Ти,,то описаний вище підхід може дозволити обчислити будь-які відсутні дані врожайності сільськогосподарської культури, що не були надані для локації І; у будь-який проміжок часу Ті... Ти,, а також прогнозувати будь-які дані врожайності сільськогосподарської культури, що будуть зібрані у майбутньому (за межами точки часу Та).ІО135| Відповідно до Фіг.б, якщо необроблені дані врожайності сільськогосподарської культури. 150 сільськогосподарських культур, зібраних із локації 118, були надані у проміжки часу 115, 116 та 117, то використовуючи підхід у вигляді декомпозиції та апроксимації, можуть бути реконструйовані відсутні дані врожайності сільськогосподарської культури для часу 119 у локації 118 із інформації що збережена у розкладених таблицях І 120 та М 140.(0136) Аналогічно, якщо необроблені дані врожайності сільськогосподарської культури були надані для локацій І... І як дані, що були зібрані у точки часу Ті..., ТЯ, Гн, ... Тя, то БМО може використовуватися для прогнозування будь-яких даних врожайності сільськогосподарської культури, зібраної у час Т;, для будь-якої із локацій, а також прогнозування будь-яких даних врожайності сільськогосподарської культури та іншого, а також для прогнозування будь-яких даних врожайності сільськогосподарської культури, що можуть бути зібрані у майбутньому (за межами точки часу Ти).І0137| Важко прогнозувати будь-які дані врожайності для певної локації, якщо для локації було надано менше двох елементів даних врожайності сільськогосподарської культури.Насправді, як правило, ЗМО не розроблена для розкладання всього стовпчику вхідної матриці, якщо вхідна матриця не має значень, або має одне значення для такого стовпчику.Наприклад,Зо якщо надано менше двох елементів даних врожайності сільськогосподарської культури, то апроксимація будь-якого значення даних врожайності сільськогосподарської культури для певної точки часу може бути складною.Таким чином, прогнозування деяких варіантів майбутньої врожайності для періоду часу 1-1, для певної локації можливе, якщо щонайменше два або більше значень врожайності доступно для певної локації.ІЇО138| Таким чином, підхід у вигляді апроксимації використовується для прогнозування значення врожайності сільськогосподарської культури для певної локації у певний час, якщо щонайменше два або більше елементів даних врожайності доступно для певної локації для періодів за виключенням певного часу, або якщо щонайменше два або більше елементів даних врожайності доступно для певної точки часу із локацій за виключенням певної локації.В наслідок таких обмежень, підхід у вигляді апроксимації дозволяє виконувати тренд даних, що відображають дані врожайності сільськогосподарської культури за виключенням включення тренду даних, що відображають дані врожайності сільськогосподарської культури.Апроксимація дозволяє визначити значення даних, відповідно до трендів, отриманих, щонайменше частково, за рахунок змінності врожайності.Змінність може залежати від різноманітних факторів, включно із погодними умовами, характеристиками грунту та іншими.0139) 6. ПРОГНОЗУВАННЯ ТА РЕКОНСТРУКЦІЯ ВИМІРЮВАНЬ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКОЇ КУЛЬТУРИ0140) У варіанті реалізації винаходу 5МО підхід використовується для моделювання трендів у врожайності сільськогосподарської культури.Процес моделювання трендів може містити прогнозування або реконструкцію вимірювань даних врожайності сільськогосподарської культури.ІО1411| Фіг. 5 є блок-схемою, що ілюструє приклад способу для моделювання трендів у врожайності сільськогосподарських культур.На етапі 502 отримують електронні цифрові дані врожайності.Дані врожайності можуть відображати врожайність сільськогосподарських культур,що зібрані із множини сільськогосподарських полів та у множині точок даних.Дані врожайності можуть бути отримані із одного або більше джерел та через одну або більше комп'ютерних мереж.Дані врожайності можуть бути відображені із використанням структур даних, що дозволяють зберігати значення даних врожайності для кожного сільськогосподарського поля із множини сільськогосподарських полів, та для кожної точки часу із множини точок часу.(0142) На етапі 504 процес визначає, чи отриманий запит на генерування прогнозованих даних врожайності або на реконструкцію даних врожайності На цьому етапі може бути визначено, наприклад, що один або більше елементів даних врожайності були спрогнозовані або реконструйовані.ІЇ0143| Якщо на етапі 504 було визначено, що був отриманий запит на генерування прогнозованих даних врожайності або реконструкцію даних, то виконується етап 506; в протилежному випадку виконується етап 514.(0144) На етапі 506 визначають один або більше факторів, що впливають на врожайність.(0145) Приклади факторів можуть містити фактори часу, наприклад, тимчасові залежності між сільськогосподарськими полями, з яких були зібрані сільськогосподарські культури.Для прикладу, очікується, що врожаї, які були зібрані під час посухи, є меншими, ніж зібрані з більшості полів у заданій країні, тоді як врожаї, зібрані під час сприятливих погодних умов, значно більш вірогідно очікується як більш великі, ніж зібрані із більшості полів у заданій країні.Крім того, врожаї, що зібрані на початку сезону збору врожаю, мають характеристики, що відрізняються від врожаїв, що зібрані на при кінці сезону збору врожаю.Крім того, врожаї, що зібрані протягом дощової погоди, мають характеристики, що відрізняються від врожаїв, зібраних протягом сонячної погоди і так далі.(0146) Інші фактори можуть відображати просторові залежності між сільськогосподарськими полями, з яких були зібрані сільськогосподарські культури.Наприклад, очікується, що врожаї,зібрані з одного або більше сусідніх полів аналогічного розміру, будуть аналогічними, так як грунт та інші умови, пов'язані із локацією, можуть бути аналогічними на цих полях.У протилежність, врожаї, зібрані з двох полів, що не можна розглядати як сусідні один з одним, можуть відрізнятися для таких полів.ІО147| Два або більше полів можуть бути визначені як сусідні із використанням різноманітних технологій.Наприклад, сусідні поля можуть бути визначені на основі їх відповідних географічних локацій, включно із визначенням, наприклад, чи мають поля спільні межі або на основі певних характеристик полів та певних сільськогосподарських прийомів, приклади яких, що не мають обмежувального характеру, містять типи грунту, відбір гібридів і тому подібне.І0148|) Також можуть існувати фактори, що відображають як тимчасові залежності міжЗо сільськогосподарськими полями та просторові залежності між полями.Крім того, можуть існувати фактори, що відображають інші типи характеристик, що певним чином впливають на врожайність сільськогосподарських культур, що були зібрані із множини сільськогосподарських полів.І0149| Значення факторів можуть використовуватися для розкладання матриці, що містить вимірювання врожайності, на дві розкладені матриці, як описано у даному документі по відношенню до Фіг.б.Інформація, що міститься у розкладених матрицях, може використовуватися для генерування або реконструкції одного або більше певних елементів даних врожайності, або для зміни одного або більше елементів оригінальних даних врожайності.ІО150) У варіанті реалізації винаходу модифікований підхід ЗМО, що містить як просторові залежності так і тимчасові залежності між зібраними сільськогосподарськими культурами, використовується для моделювання трендів сільськогосподарської культури.Певні дані врожайності можуть бути згенеровані із використанням матриці суміжності, що зберігається у цифровій комп'ютерній пам'яті та вказує, чи мають загальну межу перше сільськогосподарське поле та друге сільськогосподарське поле із множини сільськогосподарських полів, або чи мають аналогічні характеристики перше сільськогосподарське поле та друге сільськогосподарське поле.Крім того, просторова коваріантна структура даних, що визначена окремо для кожного року, відображеного у певних даних врожайності, також може використовуватися для генерування певних даних врожайності.0151 У варіанті реалізації винаходу один з факторів відображає тимчасові залежності між сільськогосподарськими культурами, зібраними з одного або більше сільськогосподарських полів із множини сільськогосподарських полів.Крім того, певні дані врожайності можуть бути згенеровані із використанням модифікованого умовного авторегресивного підходу.ІО152| На етапі 508 розкладені дані врожайності обчислюються із даних вимірювань.Процес розкладання матриці, що містить дані врожайності, описаний на Фіг. 6.ІО153)| На етапі 510 обчислюються один або більше певних елементів даних врожайності на основі одного або більше розкладених елементів даних врожайності.Один або більше певних елементів даних врожайності можуть використовуватися як один або більше з: майбутніх даних врожайності, теперішніх даних врожайності або минулих даних врожайності.Наприклад, якщо60 був отриманий запит на визначення одного або більше певних елементів майбутніх даних врожайності, то певний елемент майбутніх даних врожайності може бути згенерований за рахунок включення одного або більше певних елементів даних врожайності у вимірювання врожайності сільськогосподарської культури.Відповідно до іншого прикладу, якщо був отриманий запит на визначення одного або більше певних елементів минулих даних врожайності, то певний елемент минулих даних врожайності може бути реконструйований за рахунок включення одного або більше певних елементів даних врожайності у вимірювання врожайності сільськогосподарської культури.ІО154| На етапі 512 процес реконструює або генерує прогнозовані дані врожайності за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.Наприклад, якщо на етапі 504 було визначено, що отриманий запит на визначення одного або більше певних елементів майбутніх даних врожайності, то на етапі 512 процес генерує прогнозовані дані врожайності за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.Тим не менш, якщо на етапі 504 було визначено, що отриманий запит на визначення одного або більше певних елементів минулих даних врожайності, то на етапі 512 процес реконструює певний елемент минулих даних врожайності за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.(0155) 7. МОДИФІКОВАНА УМОВНА АВТОРЕГРЕСІЯ 0156) Зазвичай, САК застосовується для даних вимірювань, що демонструють залежність першого порядку або відносно локальну просторову автокореляцію.Відносна локальна автокореляція між даними вимірювань може виникати, наприклад, коли дані, що відображають врожайність сільськогосподарських культур, зібраних з певних полів, частково находяться під впливом даних врожайності сільськогосподарської культури, зібраних з полів, що безпосередньо примикають до полів, однак не під впливом даних врожайності сільськогосподарської культури, що зібрані з полів, що не примикають безпосередньо.Відносні локальні просторові властивості автокореляції таких даних дозволяють застосовувати САК для модулювання автокорельованих даних врожайності сільськогосподарської культури із прив'язкою до місцевості.ІО157| Та навпаки, набір даних, що відображає врожайність сільськогосподарської культури, може не бути локально просторово корельованим, якщо врожайність сільськогосподарської культури для одного сільськогосподарського поля залежить від характеристик віддалених полів.Наприклад, дані врожайності сільськогосподарської культури, що зібрані із певного поля у певну точку часу, не є локально просторово корельованими, якщо дані врожайності сільськогосподарської культури залежать не тільки від умов, що впливають на сільськогосподарські культури, зібрані з певного поля, а також від умов, що впливають на сільськогосподарські культури, зібрані з одного або більше віддалених полів.Крім того, дані врожайності сільськогосподарської культури, зібрані з певного поля у певну точку часу, можуть взагалі не мати просторової кореляції, якщо дані врожайності сільськогосподарської культури навіть не залежать від умов, що впливають на сільськогосподарські культури, зібрані з сусідніх полів, що є локальними для певного поля.(0158) Відповідно до інтерпретації динамічної системи моделі САК, слід прийняти до уваги, що базовий реальний тренд врожайності та отримані вимірювання врожайності Ум вилучені із розподілу, що характеризується таким трендом, та порушується за рахунок імпульсів у межах року 7 . Зокрема, слід враховувати, що імпульси у межах року 7 мають сильну просторову автокореляцію.Імпульси У можуть розглядатися як латентні ознаки, що маскують базову модель врожайності.ІО159)| У варіанті реалізації винаходу, модуль САК описана із використанням процесу породження, як наведено нижче:Ум З о Вже ой на Мо» то)Вова Мо» тр) (5)І ка САВІ(В,)6, 3 0, ха де Ум відповідає вимірюванням врожайності сільськогосподарської культури для врожаю, що був зібраний із і-ого поля та у гій точці часу, "Іда" означає незалежні та однаково розподілені випадкові величини; що відповідає змінній лінійної моделі, що залежить від параметру часу, та обчислена на основі національного тренду М, отриманого для всіх полів або областей, та на основі погодного компоненту То, специфічного для всіх полів або областей; В; відповідає величині зміщення для лінійної моделі, та обчисленої на основі тренду М, отриманого для певної області, та на основі погодного компоненту ТВ. специфічного для певної області; би відповідає величині похибки, що залежить від параметру, що залежить від поля, та параметру, що залежить від часу, та обчисленої із використанням підходу САК, визначеному для о, ,та о, є усередненою величиною.ІО160)| Накладання структури САК на коваріантну структуру величини похибки і може бути визначене як:р їі МО, ром) у) (6)де М/ є бінарною матрицею суміжності, що вказує, чи мають або ні два округи спільні межі, таде тр- ад оті (7)є діаагональною матрицею квадратичних значень погодного компоненту ті, специфічного для полів, областей та/або округів.І0161| Модель САКЕ, що описана у рівнянні (5) може бути відображена у плоскій схемі.Фіг. 9 є плоскою схемою прикладу моделі САК.Плоска схема 900 містить графічне відображення моделі САК 910, та процес обчислення величини похибки біл, та Уй і та похибки для кожної точки часу Ї.0162) У варіанті реалізації винаходу модель, що описана у рівнянні (5), відрізняється від стандартної моделі САК.Наприклад, у моделі, що описана у рівнянні (5), просторова коваріантна структура визначена окремо для кожного року, що може не бути аргументом для стандартної моделі САК.Крім того, параметри моделі, що описані у рівнянні (5), можуть бути змодельовані інакше, ніж ті, що знаходяться у стандартній моделі САК.0163) Модель, що описана у рівнянні (5) може використовуватися для визначення трендів, відображених у даних, що містять врожайність сільськогосподарської культури, зібраної з сільськогосподарських полів.(0164| 8. ПРИКЛАД КОМБІНОВАНИХ ПІДХОДІВІО165)| Фіг. 7 є блок-схемою, що ілюструє приклад способу для моделювання трендів у врожайності сільськогосподарських культур.На етапі 702 отримують електронні цифрові дані, що містять дані врожайності.Дані врожайності можуть відображати врожайність сільськогосподарських культур, що були зібрані із множини сільськогосподарських полів та у множині точок даних.Дані врожайності можуть бути отримані із різних джерел та через різноманітні комп'ютерні мережі.Дані врожайності можуть відповідати вимірюванням або обстеженням, що описані вище.(0166) На етапі 704 процес визначає чи отриманий запит на генерування прогнозованих даних врожайності або на реконструкцію даних врожайності На цьому етапі може бути визначено, що відсутній певний елемент даних врожайності.Також може бути визначено, наприклад, що один або більше елементів даних врожайності були спрогнозовані або реконструйовані.ІО167| Якщо на етапі 704 було визначено, що був отриманий запит на генерування прогнозованих даних врожайності або реконструкцію даних, то виконується етап 706; в протилежному випадку виконується етап 714.ІО168) На етапі 706 визначають один або більше факторів, що впливають на врожаї, які були зібрані з сільськогосподарських полів.Фактори можуть змінюватися в залежності від реалізації підходу.Наприклад, деякі фактори можуть залежати від часу та відображати тимчасові залежності між сільськогосподарськими полями, з яких були зібрані сільськогосподарські культури.(0169) Інші фактори можуть відображати просторові залежності між сільськогосподарськими полями, з яких були зібрані сільськогосподарські культури.Наприклад, очікується, що врожаї, які були зібрані з одного або більше сусідніх полів аналогічного розміру, будуть аналогічними, так як умови грунту та інші умови, що базуються на локації, також є аналогічними для цих полів.0170 Ще одні фактори можуть відображати як тимчасові залежності між сільськогосподарськими полями так і просторові залежності між полями.Додаткові приклади факторів описані на Фіг. 5.ІО171| На етапі 750 визначають, чи є фактори, що впливають на врожаї, які зібрані з сільськогосподарських полів, незалежними від часу.Якщо всі фактори є незалежними від часу, то виконується етап 760. В іншому випадку, виконується етап 770.ІО172| На етапі 760 обирається підхід або алгоритм розкладання значення із групи доступних алгоритмів розкладання значення.Приклади підходів або алгоритмів розкладання значення описані по відношенню до Фіг. 5. Наприклад, на етапі 760 може бути обраний 5МО підхід або модифікований 5МО підхід.0173) На етапі 765 обраний підхід розкладання використовується для розкладання матриці, що містить отримані необроблені дані врожайності.Наприклад, розкладені дані врожайності можуть бути обчислені із даних вимірювань.Процес розкладання матриці, що містить дані врожайності, описаний на Фіг. 6.0174) На основі одних або більше розкладених даних врожайності обчислюється один або більше певних елементів даних врожайності.Один або більше певних елементів даних врожайності можуть використовуватися як один або більше з: майбутніх даних врожайності,теперішніх даних врожайності або минулих даних врожайності.Наприклад, якщо був отриманий запит на визначення одного або більше певних елементів майбутніх даних врожайності, то певні елементи майбутніх даних врожайності можуть бути спрогнозовані за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.Відповідно до іншого прикладу, якщо був отриманий запит на визначення одного або більше певних елементів минулих даних врожайності, то певні елементи минулих даних врожайності можуть бути реконструйовані за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.0175) На етапі 712 процес генерує прогнозовані дані врожайності або реконструює дані врожайності за рахунок включення одного або більше певних елементів даних врожайності уЗо дані врожайності.Наприклад, якщо на етапі 704 було визначено, що отриманий запит на визначення одного або більше певних елементів майбутніх даних врожайності, то на етапі 712 процес генерує прогнозовані дані врожайності за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.Один або більше певних елементів даних врожайності можуть використовуватися для прогнозування врожайності сільськогосподарських культур, що будуть зібрані у майбутньому.Тим не менш, якщо на етапі 704 було визначено, що отриманий запит на визначення одного або більше певних елементів минулих даних врожайності, то на етапі 712 процес реконструює певні елементи минулих даних врожайності за рахунок включення одного або більше певних елементів даних врожайності у дані врожайності.0176) Тим не менш, якщо один або більше факторів, що впливають на врожаї, які зібрані з сільськогосподарських полів є незалежними від часу, то виконується етап 770.ІО177| На етапі 770 обирається умовний авторегресивний підхід або алгоритм із групи доступних авторегресивних алгоритмів.Приклади авторегресивних алгоритмів описані на Фіг. 9. Наприклад, на етапі 770 може бути обраний САК підхід або модифікований САК підхід.ІО178| На етапі 780 обраний авторегресивний підхід використовується для визначення одного або більше певних елементів даних врожайності.Одні або більше певних дані врожайності можуть використовуватися як один або більше з: майбутніх даних врожайності, теперішніх даних врожайності або минулих даних врожайності.Як тільки визначено один або більше певних елементів даних врожайності виконується етап 712. Етап 712 було описано вище.І0179| Підхід, що описано на Фіг. 7, дозволяє генерувати прогнозовані дані врожайності та/або реконструювати набір необроблених даних врожайності за рахунок прийняття до уваги визначені один або більше факторів, що впливають на врожаї, що були зібрані з сільськогосподарських полів.Підхід дозволяє враховувати деякі фактори, що є залежними від часу та відображають тимчасові залежності між сільськогосподарськими полями, з яких були зібрані сільськогосподарські культури, а також деякі фактори, що є незалежними від часу.(018019. ПРИКЛАД АНАЛІЗУ РЕЗУЛЬТАТІВІО181| Фіг.8 є графічним відображенням даних, що ілюструє приклад способу для моделювання врожайності сільськогосподарської культури.Графічне відображення 800 є двомірним графіком, що ілюструє приклад врожайності сільськогосподарської культури, що бо була зібрана з множини полів (локацій) та у множину точок часу.Множина точок часу відображена вздовж горизонтальної вісі часу 810, а множина локацій відображена вздовж вертикальної вісі локації 820. 0182) Як проілюстровано на Фіг. 8, апроксимація тренду 830, що базується на обстеженнях, може бути важкою, так як невідомо, чи є відхилення у значеннях даних функцією від погоди, та якщо так, то якого ступеня.Крім того, деякі з точок часу можуть бути некоректними, так як на відповідні вимірювання могли впливати певні фактори, що залежать від часу та що не залежать від часу. (0183) Як проілюстровано на Фіг. 8, точки даних 822, 824, 826 та 828 використовувалися для визначення характеристик тренду 830. Характеристики тренду 830 апроксимують точки даних 822, 824, 826 та 828. Тим не менш, у якості прикладу, якщо точка даних 822 є некоректною, так як знаходиться під непропорційним впливом несподіваних погодних умов, то точка даних 822 може некоректно впливати на загальні характеристики тренду 830. Коригування значення точки даних 822 використовується для видалення тренду з характеристик тренду 830. І0184| Застосування моделей, наприклад, ЗМО моделі, модифікованої «МО моделі, САК моделі та/або модифікованої САКЕ моделі дозволяють покращити якість апроксимації тренду.За рахунок моделювання факторів, що залежать від часу, та факторів, що не залежать від часу, із використанням щонайменше деяких підходів, що описані вище, апроксимація тренду може бути більш точною та надійною.І0О185) У варіанті реалізації винаходу декомпозиція та наступна апроксимація елементів даних, що відображають врожайність сільськогосподарської культури, дозволяють видалити або модифікувати елементи даних врожайності, що виявляються некоректними.Некоректні дані зазвичай називають шумними даними або просто шумом.Шумні дані можуть бути видалені із використанням описаних вище підходів, і, таким чином, вплив різноманітних факторів, наприклад, погодних умов, може бути виключений до деякого ступеню.Використовуючи такий підхід, характеристики тренду можуть бути скориговані та отримані в результаті тренди будуть більш достовірно відображати тренди врожайності. (0186) 10. ДОДАТКОВІ ПІДХОДИ ІО187| На додаток до підходів та алгоритмів, що описані вище, інші способи також можуть використовуватися для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів.Деякі способи стисло викладені нижче. 01881 10.1. ПІДХІД У ВИГЛЯДІ УСЕРЕДНЕНОЇ МОДЕЛІ ІО189| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму усередненої моделі.Підхід у вигляді усередненої моделі, вважає що врожайність сільськогосподарської культури із кожного округу може бути змодельована окремо із використанням наступного рівняння: Уй - Ві в від на міо, ог) 8) т де у, відповідає вимірюванням врожайності сільськогосподарської культури для врожаю, що зібраний на і-ому полі та у гій точці часу; "їіда" означає незалежні та однаково розподілені випадкові величини; Ві відповідає величині зміщення для усередненої моделі на і-ому полі; де єї, і: відповідає величині похибки, що залежить від параметру, який залежить від поля, та від параметру, що залежить від часу.І0190| Усереднена модель може використовуватися для реконструкції або прогнозування значень уї,: за рахунок простого визначення середніх значень врожаїв, що зібрані з полів у межах країни.Це може бути відображено наступним чином: Ум 1 У, (9) (01911 10.2. ПІДХІД У ВИГЛЯДІ ЛІНІЙНОЇ МОДЕЛІ ІО192| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму лінійної моделі.Підхід у вигляді лінійної моделі, вважає що врожайність сільськогосподарської культури із кожного округу демонструє лінійний тренд і може бути змодельована окремо із використанням наступного рівняння:Уп Зоре виове МО?) По) й з де Уй відповідає вимірюванням врожайності сільськогосподарської культури для врожаю, що зібраний на і-ому полі та у гій точці часу; де "іда" означає незалежні та однаково розподілені випадкові величини; де а; відповідає змінній лінійної моделі, чия змінна залежить від і-ого поля; де В; відповідає величині зміщення для лінійної моделі на і-ому полі; де єї,: відповідає величині похибки, що залежить від параметру, який залежить від поля, та параметру, що залежить від часу. (01931 10.3. ПІДХІД У ВИГЛЯДІ СТІЙКОЇ ЛІНІЙНОЇ МОДЕЛІ ІО194| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму стійкої лінійної моделі.Ця модель використовує рівняння для лінійної моделі, що буда наведена вище, за виключенням того, що значення для кутового коефіцієнту та коефіцієнту зміщення обчислюється із використанням способу М-оцінювань.М-оцінювання є способом оцінки, що можна отримати як мінімум від сум функцій даних.Приклади М-оцінювань містять оцінювання методом найменших квадратів, оцінювання методом зважених найменших квадратів і тому подібні. (01951 10.4. ПІДХІД У ВИГЛЯДІ СПЛАЙНІВ, ЩО ЗГЛАДЖЕНІ ІО196| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму сплайнів, що згладжені.Модель сплайнів, що згладжені, вважає: уп - Чхи) ви бір на Міо, ) (7) я з де у, г відповідає вимірюванням врожайності сільськогосподарської культури для врожаїв, що зібрані з і-ого поля та у ій точці часу; де ї (-) є функцією, що згладжена.Підхід у вигляді штрафної регресії може використовуватися для оцінки ї (-); де "їй" означає незалежні та однаково розподілені випадкові величини; де єї, відповідає величині похибки, що залежить від параметру, який залежить від поля, та від параметру, який залежить від часу І0197| Підхід у вигляді сплайнів, що згладжені, дозволяє користувачеві визначити Зо згладжування оціненої функції Тим не менш, зазвичай, використовується більш автоматизований спосіб для створення згладженого параметру.Наприклад, замість цього може використовуватися оцінка у вигляді узагальненої перехресної перевірки (З35М). ІО198) Підхід у вигляді сплайнів, що згладжені, зазвичай, добре підходить для інтерполяції відсутніх даних.Тим не менш, у деяких ситуаціях, спосіб може демонструвати велике зміщення на межах.Це виникає тому, що спосіб вважає лінійний характер змін буде поширено на дані; таке припущення зазвичай є некоректним. 0199) 10.5. ПІДХІД У ВИГЛЯДІ КВАДРАТИЧНОЇ МОДЕЛІ ІО200| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму квадратичної моделі.Квадратична модуль вважає, що врожайність є квадратичною відносно часу, та може бути відображена із використанням наступного рівняння: -аг - Уп о У р, ве 12) де у, г відповідає вимірюванням врожайності сільськогосподарської культури для врожаїв, що зібрані з і-ого поля та І-ій точці часу; а; відповідає змінній квадратичної моделі, чия змінна залежить від і-ого поля та помножена на квадратичне значення часу; у відповідає змінній квадратичної моделі, чия змінна залежить від і-ого поля та помножена на значення часу; Ві відповідає величині зміщення для 1і-ого поля; єї, відповідає величині похибки, що залежить від параметру, який залежить від поля, та від параметру, який залежить від часу. (02011 10.6. ПІДХІД У ВИГЛЯДІ ЛОКАЛЬНО ЗВАЖЕНОЇ РЕГРЕСІЇ І0202| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму моделі локально зваженої регресії.Модель локально зваженої регресії є моделлю регресії для одного округу із використанням точок даних із поточного округу та оточуючих його сусідніх округів.Сусідні округи визначаються для даного округу із використанням вимірювання відстані, наприклад, відстані між центрами округів.Округ, який більше віддалений від центру поточного округу, що моделюється, має менший вплив на вихідні дані моделі. (0203) 10.7. ПІДХІД У ВИГЛЯДІ ІНТЕГРОВАНОЇ МОДЕЛІ ЗМІННИХ СЕРЕДНІХ ПОКАЗНИКІВ І0204| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму моделі інтегрованого змінного середнього (іпієдгаїейд томіпа амегаде, ІМА). Така модель вважає, що ряд врожайності У є нестаціонарним.Підхід приймає до уваги ряди із затримкою у часі, що можуть бути скоректовані.Використовуючи такий підхід, різницевий ряд моделюється як змінне середнє.0205) Підхід ІМА є, зазвичай, придатною моделлю для економічних часових послідовностей.Підхід ІМА може використовуватися для прогнозування поточного локального усередненого: Хі. -х теапі є значення.Наприклад, рівняння 1 може використовуватися для виконання одноетапного прогнозування, що х є середнім від ї, яке є поточним усередненим значенням. (0206) 10.86. ВИПАДКОВЕ БЛУКАННЯ І0207| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму моделі випадкового блукання.Така модель вважає, що врожайність слідує наступній моделі випадкового блукання:Уп УУп-1 ки (18)де у, відповідає вимірюванням врожайності сільськогосподарської культури для врожаю, що зібраний на і-ому полі та у гій точці часу; у; жі відповідає вимірюванням врожайності сільськогосподарської культури для врожаю, що зібраний на і-ому полі та у її! ій точці часу; де єї, їх відповідає величині похибки, що залежить від параметру, який залежить від поля, та параметру, що залежить від часу.Зо (0208) Прогнозоване значення може бути визначене як:Уб,тн-У (14) (02091 10.9. МОДЕЛЬ БАГАТОМІРНИХ АДАПТИВНИХ РЕГРЕСИВНИХ СПЛАЙНІВ ІО210| У варіанті реалізації винаходу процес для визначення трендів врожайності сільськогосподарської культури, зібраної з сільськогосподарських полів, визначається із використанням алгоритму моделі багатомірних регресивних сплайнів (тиймагіаїеє адаріїме гедгезвіоп 5ріїпе5, МАК5). Алгоритм МАК5 є непараметричним регресивним механізмом, що можна розглядати як розширення лінійної моделі, що автоматично моделює нелінійність та взаємодії між змінними.МАКЗ є кусково-лінійною моделлю, що може бути відображена як:Уп - оаЇа ОП, ЦЕ), -Врнеий (ав)де Уй відповідає вимірюванням врожайності сільськогосподарської культури для врожаїв, що зібрані з і-ого поля та у гій точці часу; й І є лінійним сплайном, та "і є вузлом.І0211)| Модель МАКЗ використовується для визначення та встановлення точок змін у лінійні тренди.Модель може бути значно розширена для включення багатьох точок змін.Тим не менш, МАК страждає тими ж самими недоліками, що і будь-який спосіб згладжування.З метою екстраполяції він припускає, що лінійний тренд не є вірним.0212) 11. ПЕРЕВАГИ ПЕВНИХ ВАРІАНТІВ РЕАЛІЗАЦІЇ ВИНАХОДУ 0213) Описані в даному документі технології надають когерентний та стійкий підхід для моделювання трендів у врожайності сільськогосподарських культур, що були зібрані з сільськогосподарських полів.Наприклад, із використанням наданого підходу розкладання та наступного підходу апроксимації можна прогнозувати майбутню врожайність.І0214| Наданий підхід розкладання покращує ефективність комп'ютерних ресурсів, що використовуються для моделювання трендів у врожайності сільськогосподарської культури.За рахунок розкладання великих наборів зібраних даних вимірювань у відносно малу підмножину та наступної обробки даних із такої малої підмножини, а не з великих наборів, використовуються менші комп'ютерні ресурси, наприклад, ЦПП, комп'ютерна пам'ять та пропускна здатність мережі. Ефективний спосіб обробки зібраних вимірювань та використання моделей, що отримані у результаті обробки даних, дозволяють ефективно використовувати комп'ютерне обладнання, встановлене в у зернозбиральних комбайнах. Наприклад, дані з моделей, що отримані у результаті обробки даних, можуть використовуватися для коригування інформації, зібраної з полів, та дані, що отримані у результаті обробки, можуть використовуватися для управління та покращення способу обробки сільськогосподарських полів. Відкоригована інформація може використовуватися для приведення в дію або управління сільськогосподарським обладнанням або комп'ютерними системами, що керують таким обладнанням. Дані, що містяться у моделі, яка отримана у результаті обробки даних, можуть використовуватися для розробки рекомендацій для сільськогосподарських систем та обладнання для саджання та внесення добрив. Крім того, дані, що містяться у моделях, що отримані у результаті обробки даних, можуть відображатися на екрані пристроїв комп'ютерних систем, що використовуються для управління саджанням сільськогосподарської культури, внесенням добрив та збором врожаю. (0215) Із використанням наданих підходів можуть бути апроксимовані або, в іншому випадку - визначені дані врожайності, що не були надані для врожаїв, що були зібрані. Надані підходи також дозволяють коригувати похибки у даних врожайності, наданих різними агентствами та з різних джерел. (0216) Додатково, технології розкладання та апроксимації даних, що описані в даному документі, дозволяють інтерпретувати різні динамічні фактори та залежності між врожаями, що зібрані з пов'язаних сільськогосподарських полів. 02171 Крім того, застосування наданого підходу до необроблених вимірювань врожайності сільськогосподарської культури для апроксимації просторових та тимчасових залежностей врожайності сільськогосподарських культур, зібраних з сільськогосподарських полів, дозволяє аналізувати дані врожайності сільськогосподарської культури у контексті відсутності залежності між різними характеристиками, що враховують специфіку не тільки окремих полів або локацій, Зо але також і груп полів або областей. Наприклад, це дозволяє визначати просторові зв'язки між даними вимірювань, що зібрані з сусідніх полів. Просторові зв'язки можуть містити вплив погодних умов на сусідні поля, умови зрошення, що впливають на врожайність сільськогосподарських культур, зібраних з полів, що були зрошені, і тому подібне. ФОРМУЛА ВИНАХОДУ1. Спосіб контролю роботи сільськогосподарського транспорту, який включає етапи, на яких: надсилають один або більше запитів через комп'ютерну мережу до одного або більше дистанційних датчиків, встановлених на сільськогосподарському обладнанні, на надання електронних цифрових даних від одного або більше датчиків, встановлених на множині сільськогосподарського обладнання, причому електронні цифрові дані містять дані врожайності сільськогосподарських культур, які відображають врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів та у множині точок часу, із використанням інструкції отримання даних, запрограмованих у комп'ютерній системі, що містить один або більше процесорів та комп'ютерну пам'ять; отримують, використовуючи інструкції отримання даних, через комп'ютерну мережу у відповідь на надсилання одного або більше запитів до одного або більше дистанційних датчиків, встановлених на сільськогосподарському обладнанні, електронні цифрові дані, що містять дані врожайності сільськогосподарських культур з одного або більше дистанційних датчиків; у відповідь на отримання вхідних даних, що вказують про запит на генерування одних або більше певних даних врожайності, із використанням інструкцій аналізу даних у комп'ютерній системі: визначають один або більше факторів, що впливають на врожайність сільськогосподарських культур, що були зібрані з множини сільськогосподарських полів, із використанням інструкцій залежності врожайності у комп'ютерній системі; причому щонайменше один фактор з вказаних одного або більше факторів, які впливають на врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів, є незалежними від часу та відображають просторові залежності між одним або більше сільськогосподарськими полями із множини сільськогосподарських полів;розкладають дані врожайності на розкладені дані врожайності, що ідентифікують одну або більше залежностей даних, відповідно до одного або більше факторів, із використанням інструкцій розкладання даних у комп'ютерній системі; генерують одні або більше певних даних врожайності, із використанням модифікованого сингулярного значення розкладання, що використовує щонайменше один фактор, який було визначено для одного або більше елементів у даних врожайності, на основі розкладених даних врожайності із використанням інструкцій апроксимації даних у комп'ютерній системі; причому один або більше певних даних врожайності включає менше значень, ніж дані врожайності; генерують прогнозовані дані врожайності шляхом обробки та включення одних або більше певних даних врожайності у дані врожайності із використанням інструкцій реконструювання даних у комп'ютерній системі; причому генерування прогнозованих даних врожайності шляхом обробки та включення одних або більше певних даних врожайності, які включають менші значення, ніж дані врожайності, використовує менше обчислювальних ресурсів та ресурсів зберігання, ніж визначення прогнозованої врожайності використовуючи дані врожайності; відображають прогнозовані дані врожайності на екрані комп'ютерної системи; генерують, на основі прогнозованих даних врожайності, контрольний сигнал для контролю за параметрами роботи сільськогосподарського транспорту, налаштований на управління саджанням сільськогосподарської культури, внесенням добрив та збором врожаю; передають через комп'ютерну мережу контрольний сигнал до сільськогосподарського транспорту для спонукання сільськогосподарського транспорту до контролю за саджанням сільськогосподарської культури, внесенням добрив та збором врожаю, що виконується сільськогосподарським транспортом.2. Спосіб за п. 1, який відрізняється тим, що щонайменше один фактор з вказаних одного або більше факторів, які впливають на врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів, є залежними від часу та відображають часові залежності між одним або більше сільськогосподарськими полями із множини сільськогосподарських полів; при цьому спосіб додатково включає етапи, на яких генерують одні або більше певних даних Зо врожайності із використанням модифікованої умовної регресії, що використовує щонайменше один фактор, який було визначено для одного або більше елементів у даних врожайності.З. Спосіб за п. 2, який додатково включає етапи, на яких генерують одні або більше певних даних врожайності із використанням матриці суміжності, що зберігається у комп'ютерній пам'яті та яка вказує на те, чи мають спільні межі перше сільськогосподарське поле та друге сільськогосподарське поле із множини сільськогосподарських полів, та використовують просторову коваріантну структуру даних, що визначена окремо для кожного року, відображеного у певних даних врожайності.4. Спосіб за п. 2, який додатково включає етапи, на яких генерують одні або більше певних даних врожайності із використанням регіональних даних трендів врожайності, що враховують специфіку для одного або більше полів із множини сільськогосподарських полів, та даних національного тренду врожайності.5. Спосіб за п. 2, який додатково включає етапи, на яких генерують одні або більше певних даних врожайності із використанням одного або більше варіативних погодних компонентів та одного або більше погодних шаблонів, що враховують специфіку для множини сільськогосподарських полів.б. Спосіб за п. 1, який додатково включає етапи, на яких використовують розкладені дані врожайності для інтерпретації просторових та тимчасових залежностей між врожайностями сільськогосподарських культур, що були зібрані з множини сільськогосподарських полів, та для визначення, як погодні умови та суміжні області впливають на врожайність. БО 7. Спосіб за п. 1, який відрізняється тим, що одні або більше певних даних врожайності згенеровано для отримання одного або більше з наступного: дані майбутньої врожайності, дані теперішньої врожайності або дані минулої врожайності.8. Спосіб за п. 1, який відрізняється тим, що певні дані врожайності з одних або більше певних даних врожайності для певної точки часу та певного сільськогосподарського поля використовуються для перевірки точності даних врожайності, що отримані для певної точки часу та певного сільськогосподарського поля.9. Спосіб за п. 1, який додатково включає етапи, на яких генерують модель даних врожайності за рахунок реалізації одного або більше з наступного: усереднена модель, лінійна модель, стійка лінійна модель, сплайн, що згладжений, квадратична модель, локально зважена 60 регресивна модель, модель інтегрованого змінного середнього, модель випадкового блукання, Зо модель багатомірних адаптивних регресійних сплайнів, стандартна 5МО-модель або стандартна САК-модель.10. Система обробки даних, що містить: пам'ять; один або більше процесорів, що з'єднані із пам'яттю та налаштовані для контролю за робочими параметрами сільськогосподарського транспорту: при цьому пам'ять виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, спонукають систему до: надсилання одного або більше запитів до одного або більше дистанційних датчиків, встановлених на сільськогосподарському обладнані, на надання, через комп'ютерну мережу, електронних цифрових даних від одного або більше дистанційних датчиків, встановлених на множині сільськогосподарського обладнання, причому електронні цифрові дані містять дані врожайності сільськогосподарських культур, які відображають врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів та у множині точок часу; отримання, через комп'ютерну мережу, у відповідь на надсилання одного або більше запитів до одного або більше дистанційних датчиків, встановлених на сільськогосподарському обладнані, електронних цифрових даних, що містять дані врожайності; у відповідь на отримання вхідних даних, що вказують про запит на генерування одних або більше певних даних врожайності до: визначення одного або більше факторів, що впливають на врожайність сільськогосподарських культур, що були зібрані з множини сільськогосподарських полів; причому щонайменше один фактор з вказаних одного або більше факторів, які впливають на врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів, є незалежними від часу та відображають просторові залежності між одним або більше сільськогосподарськими полями із множини сільськогосподарських полів; розкладання даних врожайності на розкладені дані врожайності, що ідентифікують одну або більше залежностей даних, відповідно до одного або більше факторів; генерування одних або більше певних даних врожайності з використанням модифікованого Зо сингулярного значення розкладання, що використовує щонайменше один фактор, який було визначено для одного або більше елементів у даних врожайності на основі розкладених даних врожайності; причому один або більше певних даних врожайності включає менше значень, ніж дані врожайності; генерування прогнозованих даних врожайності шляхом обробки та включення одних або більше певних даних врожайності у дані врожайності; причому генерування прогнозованих даних врожайності шляхом обробки та включення одних або більше певних даних врожайності, які включають менші значення, ніж дані врожайності, використовує менше обчислювальних ресурсів та ресурсів зберігання, ніж визначення прогнозованої врожайності використовуючи дані врожайності; відображання прогнозованих даних врожайності на екрані комп'ютерної системи; генерування, на основі прогнозованих даних врожайності, контрольного сигналу для контролю за параметрами роботи сільськогосподарського транспорту, налаштованого для управління саджанням сільськогосподарської культури, внесенням добрив та збором врожаю; передавання, через комп'ютерну мережу, контрольного сигналу до сільськогосподарського транспорту для спонукання сільськогосподарського транспорту до контролю за саджанням сільськогосподарської культури, внесенням добрив та збором врожаю, що виконується сільськогосподарським транспортом.11. Система обробки даних за п. 10, яка відрізняється тим, що щонайменше один фактор з вказаних одного або більше факторів, які впливають на врожайність сільськогосподарських культур, зібраних з множини сільськогосподарських полів, є залежними від часу та відображають часові залежності між сільськогосподарськими культурами, що зібрані з одного або більше сільськогосподарських полів із множини сільськогосподарських полів; при цьому вказана система додатково передбачає генерування одних або більше певних даних врожайності із використанням модифікованої умовної авторегресії що використовує щонайменше один вказаний фактор, який було визначено для одного або більше елементів у даних врожайності.
- 12. Система обробки даних п. 11, в якій пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до:генерування одних або більше певних даних врожайності із використанням матриці суміжності, що зберігається у комп'ютерній пам'яті та яка вказує на те, чи мають спільні межі перше сільськогосподарське поле та друге сільськогосподарське поле із Множини сільськогосподарських полів, та з використанням просторової коваріантної структури даних, що визначена окремо для кожного року, відображеного у певних даних врожайності.
- 13. Система обробки даних за п. 11, в якій пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до: генерування одних або більше певних даних врожайності із використанням регіональних даних трендів врожайності, що враховують специфіку для одного або більше полів із множини сільськогосподарських полів, та даних національного тренду врожайності.
- 14. Система обробки даних за п. 11, в якій пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до: генерування одних або більше певних даних врожайності із використанням одного або більше варіативних погодних компонентів та одного або більше погодних шаблонів, що враховують специфіку для множини сільськогосподарських полів.
- 15. Система обробки даних за п. 10, в якій пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до: використання розкладених даних врожайності для інтерпретації просторових та тимчасових залежностей між врожайністю сільськогосподарських культур, що були зібрані з множини сільськогосподарських полів, та для визначення, як погодні умови та суміжні області впливають на врожайність.
- 16. Система обробки даних за п. 10, яка відрізняється тим, що одні або більше певних даних врожайності згенеровано для отримання одного або більше з наступного: дані майбутньої врожайності, дані теперішньої врожайності або дані минулої врожайності.
- 17. Система обробки даних за п. 10, яка відрізняється тим, що певні дані врожайності з одних або більше певних даних врожайності для певної точки часу та певного сільськогосподарського поля використовуються для перевірки точності даних врожайності, що отримані для певної точки часу та певного сільськогосподарського поля.
- 18. Система обробки даних за п. 10, в якій пам'ять додатково виконана із можливістю зберігати Зо інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до: генерування моделі даних врожайності за рахунок реалізації одного або більше з наступного: усереднена модель, лінійна модель, стійка лінійна модель, сплайн, що згладжений, квадратична модель, локально зважена регресивна модель, модель інтегрованого змінного середнього, модель випадкового блукання, модель багатомірних адаптивних регресійних сплайнів, стандартна ЗМО-модель або стандартна САК-модель.са 192 108 че |! 04 х мон / З Кай а З ше Ше пня 106 110 яті Польові Зовнішні ті дані дані Ток ій «дню й із 115 1 Комп'ютер | Сільськогосподарський кт кабіни пристрій 114 Контролер застосунку 112 Віддаленній датчик 109 Мережа (1) сор 03 132 Комунікаційний рівень мам о по по по о опо по о по о оо по по о о о о по по по о оо и по по по і С х І 7 150 Інструкції у вигляді коду ; 1 і з й І ' 182 Інструкції з отриманвя даних ; ' | сл їю . 1 тт ' І 185 Інструкції з аналізу даних ' ' ! Ек ; 184 Інструкції щодо залежності врожаю ! : ' ПО ОН ОО МИ З ' зве з рез ' 169 Дані Ї дк З Тв; ЩІ дх ' « і роя нетруУкцю з роезаиття даних ; моделі Н | 186 | тя наб ЩІ ' Польові дані вструкщі я наближення даних з ! рот нетруют з паолиження ланих шен Сховище и гі зе зх ' Ша ' 187 Тзструкції з реконструкції данних ' Н ' і 158 Інструкції з трактування результату ' Ї і пи а а а т а в а и т пп 134 Презентаційний рівень 140 Рівень управління данними 150 Рівень апаратного забезпечення / віртузлізації ! 130 Сільськогосподарська інтелектуальна обчислювальна системаФіг. 1(а) 200 Застосумох мобільного комп'ютера 208 216 212 4 | ще Інструкції Інструкції Інструкції Інструкції Інструкції щодо щодо щода шодо щодо насіння та застосування погоди здоров'я продуктивності саджання азоту поля 206 Цифрова карта у вигляді книги 204 Інструкції щодо загального огляду та попередження 202 Інструкції щодо облікового запису, поля, отримання та обробки даних, спільного використання (6 І 220 Застосунок комп'ютера кабіни 222 зм 226 Збір та 228 230 Мапа - Віддалений передавання | | Попередження | | Передавання Кабіна огляд | даних машини скрипту 232 Спостереження - КабінаФіг. 2І ї ІЗ ІЗ і5 З щ СИ су ми їх Ва Попередня сбробна агроне мічних дамах і і : і ЩО БНО підвниокичи набору і і верес вчи х даннх Н Цена знеодножнекго пон Змінна загявне З как 5 й З я : тя щіЗсиняа жеономічнах даних Ї і ЕЗ ЗО створена аосномічнех ме і век кс ск кс секс к сс кекс снкий іЯ нн нн : Н ср с, 2 х «З 353 Збереження промов водені і ї 1Фіг. З 7 З шк ШИ 1 ях і і цопектй |. 430 Сервер і овен ВО скнНовна | Її Е ! дл : | ш віджкювно фея т | фр збереження 00 им вшН ь ше | ЩО рослинних з жд не є а і НЕ Е хі й зерна з : ЩЕ : Ї 1 ! Її : і і Ї і ї і : Ше понти - ; І о ВилЖжлуг 838 Пристій і; : інв Щщ ЕЕ у. Знтернет ведення чер 802 Шана р в ' : : ! «вк Ко: її - ; що в увояніння є 0. З і енд : - зда ахо В ИН : аа Процесор | і ДЕК мнунікаційний | бієреевий лена Е що ще що І: - ї З Знтерфеве : кандя Ї зерня діа бут зеренФіг. 4«о Снрямують лані врожайності й Зрогнозквання Дуопннняннтнтнннтятнтнтятяннння, щі речо вя і З Визнкчають Фактори, тео впливають на врожайність й Обчиєлкнються певних лані врожайності ва кестноі й , Возклюденних сжементів даних врожайності | : яз Реконструютть зі тенерукть жрогнозовані лані врожайності зв рахунок вилки певних елементів Е Й м КінецьФіг. 5 ев на я ашшши й рик І зн? А ЕН КД НЯ пи; пининннношиннннивши шини попу ннининни г ПМ Квт й м Рексиструйовані МЕ зів певні дані ' ї ЧеФіг. вТе Омримуютьсданіврожайност й ти Ш-ек ні й Прогнозування 7 зх . - реконструкція | ! Так 706 Визначають фактори, що вплювають на врожайність Ж Так ГАЗ те Й вн рн залежність й ; від час? 7 обярається нідхій або тю обкрається умаванй вигоритм розкладання азторегреснвний підхід значення ! І 765 визначають певні лані 775 вузначають певні І врожайності | лані врожайності 717 Реконструюють або генерують прогнозовані дяні є врожайності за рахунок включення певних елементів ваних ! І врожайності у дані врожайності. : рентна лекФіг. 7Місцезнаходження | -430 та 826 і це Я10 ЧасФіг. 8 ше о 910 в в-Я ку щі ) ; з Пн В нн ТЕ ро і вч вч; Ф йФіг. 9
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/017,370 US10331931B2 (en) | 2016-02-05 | 2016-02-05 | Modeling trends in crop yields |
| PCT/US2017/016007 WO2017136417A1 (en) | 2016-02-05 | 2017-02-01 | Modeling trends in crop yields |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| UA125849C2 true UA125849C2 (uk) | 2022-06-22 |
Family
ID=59496608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| UAA201809091A UA125849C2 (uk) | 2016-02-05 | 2017-02-01 | Спосіб контролю роботи сільськогосподарського транспорту |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US10331931B2 (uk) |
| EP (2) | EP3862944A1 (uk) |
| AR (1) | AR107534A1 (uk) |
| AU (2) | AU2017215188B2 (uk) |
| BR (1) | BR112018015688A2 (uk) |
| CA (1) | CA3013215C (uk) |
| UA (1) | UA125849C2 (uk) |
| WO (1) | WO2017136417A1 (uk) |
| ZA (1) | ZA201805388B (uk) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017061281A1 (ja) * | 2015-10-08 | 2017-04-13 | ソニー株式会社 | 情報処理装置、及び、情報処理方法 |
| US10331931B2 (en) | 2016-02-05 | 2019-06-25 | The Climate Corporation | Modeling trends in crop yields |
| EP3206179A1 (en) * | 2016-02-09 | 2017-08-16 | Tata Consultancy Services Limited | Method and system for agriculture field clustering and ecological forecasting |
| WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| CN110914780B (zh) * | 2017-04-28 | 2023-08-08 | 株式会社OPTiM | 无人飞行器的动作计划制作系统、方法以及程序 |
| US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| WO2019046967A1 (en) * | 2017-09-11 | 2019-03-14 | Farmers Edge Inc. | GENERATING A YIELD CARD FOR AN AGRICULTURAL FIELD USING REGRESSION AND CLASSIFICATION PROCESSES |
| CN107453803B (zh) * | 2017-09-20 | 2018-08-10 | 中城泰信（苏州）科技发展股份有限公司 | 一种遥感云核的异常核查方法 |
| US11562444B2 (en) * | 2017-11-09 | 2023-01-24 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
| US11568340B2 (en) * | 2017-11-09 | 2023-01-31 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
| US11423492B2 (en) | 2017-11-21 | 2022-08-23 | Climate Llc | Computing risk from a crop damaging factor for a crop on an agronomic field |
| US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
| US11222385B2 (en) * | 2018-01-22 | 2022-01-11 | Athenium Llc | Method and system for forecasting crop yield |
| EP3785214A1 (en) | 2018-04-24 | 2021-03-03 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
| US10999967B2 (en) | 2018-05-25 | 2021-05-11 | The Climate Corporation | Cross-grower study and field targeting |
| US20200005401A1 (en) * | 2018-07-02 | 2020-01-02 | The Climate Corporation | Optimal placement and portfolio opportunity targeting |
| WO2020022215A1 (ja) * | 2018-07-27 | 2020-01-30 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| JP2020024672A (ja) * | 2018-07-27 | 2020-02-13 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| US10993365B2 (en) * | 2018-09-11 | 2021-05-04 | The Climate Corporation | Risk-adjusted hybrid seed selection and crop yield optimization by field |
| WO2020132092A1 (en) * | 2018-12-19 | 2020-06-25 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| WO2021030949A1 (en) * | 2019-08-16 | 2021-02-25 | Honeywell International Inc. | Systems and methods for energy harvesting and use in support of monitored processes and devices |
| WO2021062147A1 (en) | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
| JP7314825B2 (ja) * | 2020-02-07 | 2023-07-26 | 横河電機株式会社 | 予測装置、予測システム、及び予測方法 |
| CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
| BR112023000950A2 (pt) | 2020-07-21 | 2023-03-28 | Indigo Ag Inc | Algoritmos de sensoriamento remoto para mapear a agricultura regenerativa |
| CN112818982B (zh) * | 2021-01-19 | 2022-09-09 | 中国科学院合肥物质科学研究院 | 基于深度特征自相关性激活的农业害虫图像检测方法 |
| CN113111799B (zh) * | 2021-04-19 | 2024-01-30 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
| EP4101288B1 (en) * | 2021-06-07 | 2024-08-21 | AGCO Corporation | Systems and methods for geolocating and mapping ash contamination in hay production |
| WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
| US11880894B2 (en) | 2021-08-31 | 2024-01-23 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
| US12067718B2 (en) * | 2021-12-27 | 2024-08-20 | Deere & Company | Crop yield component map |
| EP4457743A1 (en) * | 2021-12-31 | 2024-11-06 | Basf Corporation | Crop yield modeling based on yield potential |
| WO2023129708A1 (en) * | 2021-12-31 | 2023-07-06 | Basf Corporation | Field-scale crop phenology model for computing plant development stages |
| CN117035373B (zh) * | 2023-10-09 | 2024-01-23 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
| US20060287896A1 (en) | 2005-06-16 | 2006-12-21 | Deere & Company, A Delaware Corporation | Method for providing crop insurance for a crop associated with a defined attribute |
| PL2104413T5 (pl) | 2007-01-08 | 2020-07-13 | The Climate Corporation | Układ i sposób monitorowania siewnika |
| EP2238427A4 (en) * | 2007-06-04 | 2014-06-25 | Autoagronom Israel Ltd | WATER AND FERTILIZER MANAGEMENT SYSTEM |
| US8028928B2 (en) * | 2007-11-13 | 2011-10-04 | Board Of Trustees Of Michigan State University | Spreader apparatus for sand based formulations |
| WO2009149389A1 (en) | 2008-06-06 | 2009-12-10 | Monsanto Technology Llc | Generating agricultural information products using remote sensing |
| US8477295B2 (en) | 2009-05-07 | 2013-07-02 | Solum, Inc. | Automated soil measurement device |
| US20110071826A1 (en) * | 2009-09-23 | 2011-03-24 | Motorola, Inc. | Method and apparatus for ordering results of a query |
| US9058633B2 (en) * | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
| CN102134173A (zh) * | 2011-04-26 | 2011-07-27 | 中国科学院南京土壤研究所 | 基于封闭式流化床包衣机的缓控释肥料制备方法及其设备 |
| ES2629517T3 (es) | 2012-07-25 | 2017-08-10 | Precision Planting Llc | Sistema y método para controlar y monitorizar un implemento agrícola multifila |
| CN104798522B (zh) * | 2015-05-06 | 2016-12-07 | 江苏大学 | 一种灌溉消毒一体化试验装置 |
| US10331931B2 (en) | 2016-02-05 | 2019-06-25 | The Climate Corporation | Modeling trends in crop yields |
-
2016
- 2016-02-05 US US15/017,370 patent/US10331931B2/en active Active
-
2017
- 2017-02-01 BR BR112018015688-4A patent/BR112018015688A2/pt not_active Application Discontinuation
- 2017-02-01 CA CA3013215A patent/CA3013215C/en active Active
- 2017-02-01 WO PCT/US2017/016007 patent/WO2017136417A1/en active Application Filing
- 2017-02-01 AU AU2017215188A patent/AU2017215188B2/en not_active Ceased
- 2017-02-01 EP EP21166113.7A patent/EP3862944A1/en not_active Withdrawn
- 2017-02-01 UA UAA201809091A patent/UA125849C2/uk unknown
- 2017-02-01 EP EP17748059.7A patent/EP3411802A4/en not_active Withdrawn
- 2017-02-03 AR ARP170100281A patent/AR107534A1/es active IP Right Grant
-
2018
- 2018-08-13 ZA ZA2018/05388A patent/ZA201805388B/en unknown
-
2019
- 2019-04-24 US US16/392,957 patent/US11361184B2/en active Active
-
2021
- 2021-10-27 AU AU2021258100A patent/AU2021258100A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| BR112018015688A2 (pt) | 2018-12-26 |
| EP3862944A1 (en) | 2021-08-11 |
| US11361184B2 (en) | 2022-06-14 |
| US10331931B2 (en) | 2019-06-25 |
| CA3013215A1 (en) | 2017-08-10 |
| WO2017136417A1 (en) | 2017-08-10 |
| AU2021258100A1 (en) | 2021-11-25 |
| AR107534A1 (es) | 2018-05-09 |
| US20170228475A1 (en) | 2017-08-10 |
| CA3013215C (en) | 2021-11-30 |
| ZA201805388B (en) | 2020-05-27 |
| AU2017215188B2 (en) | 2021-07-29 |
| AU2017215188A1 (en) | 2018-08-23 |
| US20190311170A1 (en) | 2019-10-10 |
| EP3411802A1 (en) | 2018-12-12 |
| EP3411802A4 (en) | 2019-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11361184B2 (en) | Modeling trends in crop yields | |
| US20200334518A1 (en) | Crop yield estimation using agronomic neural network | |
| US10402919B2 (en) | Data assimilation for calculating computer-based models of crop growth | |
| EP3496524B1 (en) | Automatically detecting outlier values in harvested data | |
| US10866342B2 (en) | Radar based precipitation estimates using spatiotemporal interpolation | |
| CN113196294A (zh) | 使用机器学习方法利用卫星数据来映射土壤属性 | |
| EP3981237A1 (en) | A method for recommending seeding rate for corn seed using seed type and sowing row width | |
| US20200042890A1 (en) | Automatic prediction of yields and recommendation of seeding rates based on weather data | |
| CN112106087A (zh) | 农业数据的分析和呈现 | |
| UA125930C2 (uk) | Спосіб управління робочими параметрами сільскогосподарського обладнання (варіанти) та система обробки даних (варіанти) | |
| EP3455742A1 (en) | Statistical blending of weather data sets | |
| UA126557C2 (uk) | Спосіб визначення врожайності сільськогосподарської культури на національному рівні протягом періоду вегетації із використанням погодних індексів | |
| CN112889007B (zh) | 使用特定于农艺田地的空间分布值来改进数字养分模型 | |
| EP3897090B1 (en) | Utilizing spatial statistical models for implementing agronomic trials | |
| CN113226009A (zh) | 针对大豆的预测性的种子脚本处理 | |
| CA3121527A1 (en) | Quantitative precipitation estimate quality control |