UA125930C2 - Спосіб управління робочими параметрами сільскогосподарського обладнання (варіанти) та система обробки даних (варіанти) - Google Patents
Спосіб управління робочими параметрами сільскогосподарського обладнання (варіанти) та система обробки даних (варіанти) Download PDFInfo
- Publication number
- UA125930C2 UA125930C2 UAA201807371A UAA201807371A UA125930C2 UA 125930 C2 UA125930 C2 UA 125930C2 UA A201807371 A UAA201807371 A UA A201807371A UA A201807371 A UAA201807371 A UA A201807371A UA 125930 C2 UA125930 C2 UA 125930C2
- Authority
- UA
- Ukraine
- Prior art keywords
- data
- field
- instructions
- agricultural
- account
- Prior art date
Links
- 239000002689 soil Substances 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 108
- 238000012417 linear regression Methods 0.000 claims description 57
- 229910052757 nitrogen Inorganic materials 0.000 claims description 54
- 230000009418 agronomic effect Effects 0.000 claims description 40
- 238000013447 mixed linear regression model Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 26
- 238000013515 script Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 14
- 240000008042 Zea mays Species 0.000 claims description 13
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 13
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 13
- 235000005822 corn Nutrition 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004883 computer application Methods 0.000 claims description 11
- 238000003306 harvesting Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000004720 fertilization Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 claims description 2
- LOYTUFQOTJYLPX-UHFFFAOYSA-N C1=CC=[Si]C=C1 Chemical compound C1=CC=[Si]C=C1 LOYTUFQOTJYLPX-UHFFFAOYSA-N 0.000 claims 1
- 241000699670 Mus sp. Species 0.000 claims 1
- 240000007594 Oryza sativa Species 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 claims 1
- 241001659863 Panna Species 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 210000003608 fece Anatomy 0.000 claims 1
- 239000010871 livestock manure Substances 0.000 claims 1
- 235000009566 rice Nutrition 0.000 claims 1
- 230000035939 shock Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 16
- 239000003337 fertilizer Substances 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 235000013339 cereals Nutrition 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000969 carrier Substances 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000013479 data entry Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000003971 tillage Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241001124569 Lycaenidae Species 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000010899 nucleation Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000669069 Chrysomphalus aonidum Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- BSFODEXXVBBYOC-UHFFFAOYSA-N 8-[4-(dimethylamino)butan-2-ylamino]quinolin-6-ol Chemical compound C1=CN=C2C(NC(CCN(C)C)C)=CC(O)=CC2=C1 BSFODEXXVBBYOC-UHFFFAOYSA-N 0.000 description 1
- 101100513402 Arabidopsis thaliana MIK2 gene Proteins 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 101100424834 Brugia malayi tsa-2 gene Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 244000117054 Rungia klossii Species 0.000 description 1
- 235000002492 Rungia klossii Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 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 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- -1 silt Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Винахід належить до сільського господарства. Спосіб управління робочими параметрами сільськогосподарського обладнання для прогнозування врожайності сільськогосподарської культури, що враховує специфіку поля. Серверна комп’ютерна система отримує через мережу цифрові записи сільськогосподарських даних, включно із записами спектральних властивостей саджанців та вологості ґрунту, що отримані за рахунок віддаленого зондування. Комп’ютерна система групує цифрові записи для створення та зберігання часових послідовностей, що враховують географічну специфіку, протягом конкретного періоду часу. Комп’ютерна система вибирає характерні ознаки із часових послідовностей, що враховують географічну специфіку, та створює коваріантну матрицю для кожної географічної області поля, що містить характерні ознаки. Комп’ютерна система призначує вірогідне значення для групи компонентів у наборі груп компонентів параметру, при цьому кожна група компонентів містить коефіцієнти регресії, що обчислені із вірогідного розподілу. Комп’ютерна система генерує вірогідний розподіл, що використовується для визначення коефіцієнтів регресії, при цьому вірогідний розподіл, що використовується для генерування величини похибки для конкретної ознаки, яку обчислюють із вірогідного розподілу, що згенерований за рахунок інструкцій вірогідного розподілу.
Description
враховують географічну специфіку, протягом конкретного періоду часу. Комп'ютерна система вибирає характерні ознаки із часових послідовностей, що враховують географічну специфіку, та створює коваріантну матрицю для кожної географічної області поля, що містить характерні ознаки. Комп'ютерна система призначує вірогідне значення для групи компонентів у наборі груп компонентів параметру, при цьому кожна група компонентів містить коефіцієнти регресії, що обчислені із вірогідного розподілу. Комп'ютерна система генерує вірогідний розподіл, що використовується для визначення коефіцієнтів регресії, при цьому вірогідний розподіл, що використовується для генерування величини похибки для конкретної ознаки, яку обчислюють із вірогідного розподілу, що згенерований за рахунок інструкцій вірогідного розподілу. 102 194 108 тк со 1,4 6 Польові Зовнішні ня що. ї щ- дані дані ше ільськ Кт оненит)
Комп'ютер | огосподарські 113 кабіни пристрої 112 Віддалений 114 Контролер датчик застосунку пяти й " 109 Мережа) 132. Комунікаційний рівень 1/0 Підсистема прогнозування врожайності сільськогосподарської культури на рівні поля 171 Інструкції групування записів і даних й Й ; 12 ТА інст ещії
Інструкції Інструкції змішаної 160 Сховище лінійної генеруванн лінійної моделей даних та регресії я розподілу регресії польових даних 175 Інструкції оцінки врожайності і сільськогосподарської с - 134 Презентаційний рівень 140 Рівень управління даними 150 Рівень апаратного забезпечення/віртуалізації 130 Сільськогосподарська інтелектуальна обчислювальна система
Фіг. 1
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. Є 2015 Тпе Сіїтаїце Согрогаїйоп.
ОБЛАСТЬ ТЕХНІКІ
І0002| Даний винахід відноситься до комп'ютерних систем та реалізованим на комп'ютері способам, що виконані із можливістю створення значень даних, які використовуються для прогнозування врожайності сільськогосподарської культури на сільськогосподарському полі протягом періоду вегетації на основі вимірювання даних протягом певного періоду часу.
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| Сільськогосподарське виробництво потребує певної стратегії та досліджень. У більшості випадків, виробники сільськогосподарської продукції, наприклад, фермери або інші виробники, що пов'язані із вирощуванням сільськогосподарської продукції, потребують аналізу різноманітних даних для прийняття довгострокових стратегічних рішень напередодні та під час періоду вирощування сільськогосподарської культури. При прийняті таких стратегічних рішень фермери покладаються на реалізовані на комп'ютері моделі прогнозування врожайності сільськогосподарської культури для визначення своєї стратегії вирощування. Моделі прогнозування врожайності сільськогосподарської культури можуть допомоги фермеру прийняти рішення, щодо витрат та заощаджень у ключових областях, що мають відношення до вирощування, наприклад, про вартість палива та ресурсів, витрати на обладнання, страхування, що пов'язане із сільськогосподарської культурою, та трудові ресурси для вирощування сільськогосподарської культури.
ІЇ0005| Зображення, що отримані за рахунок дистанційного зондування, які знято з
Зо супутників, використовуються для доповнення погодних даних за рахунок їх більш деталізованої просторової роздільної здатності, більшій доступності на земній кулі, та можливості отримувати за їхньою допомогою вимірювання протягом періоду вегетації. Тім не менш, зображення, що отримані за рахунок дистанційного зондування, які використовувалися для оцінки виробничого потенціалу в кінці сезону, раніше були обмежені оцінкою потенціалу сільськогосподарської культури на рівні країни, штату або регіональному рівні. Більш великі оцінки на рівні країни, штату або регіональному рівні не приймають до уваги зміни всередині поля та можуть відображати тільки більш узагальнену оцінку на рівні специфіки поля. 0006) Локальні дослідження, що фокусуються на прогнозуванні врожайності на рівні поля, зазвичай, не виправдовують очікувань. Багато досліджень, що розглядаються як такі, що можуть застосовуватися для прогнозування врожайності на рівні поля, покладаються як на обмежену кількість наборів зразків даних на рівні поля, так і на підтвердження результатів їх моделі рівня поля на рівні країни або більш вищому, що робить їх аналіз складним для узагальнення.
І0007| Потрібні способи аналізу даних, пов'язаних із сільськогосподарською культурою протягом періоду вегетації, та моделювання врожайності сільськогосподарської культури на рівні, що враховує специфіку поля.
КОРОТКИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВ
0008) На графічних матеріалах:
ІЇ0009| 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. 0010) Фіг. 2 ілюструє два відображення прикладу логічної організації наборів інструкцій в основній пам'яті під час загрузки прикладу мобільного застосунку для виконання. 0011) 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 джерелом даних. 00121 Фіг. 4 є функціональною схемою, що ілюструє комп'ютерну систему 400, на базі якої може бути здійснений варіант реалізації винаходу.
00133) Фіг. 5(а) ілюструє приклад способу оцінки врожайності сільськогосподарської культури із використанням моделі базової лінійної регресії. 00141 Фіг. 5(б) ілюструє приклад способу оцінки врожайності сільськогосподарської культури із використанням моделі змішаної лінійної регресії.
І0015| Фіг. б ілюструє попередню обробку сигналів дистанційного зондування та застосування локально зваженого згладжування діаграми розсіювання до сигналів дистанційного зондування.
ЇОО16| Фіг. 7 ілюструє часову послідовність обчислених значень вдосконаленого вегетативного індексу (ЕМІ) для певного поля, що враховує географічну специфіку.
Ї0017| Фіг. 8 ілюструє приклад процесу призначення вірогідних значень для багатопараметричних груп компонентів параметру у моделі змішаної лінійної регресії.
І0018) Фіг. 9 ілюструє приклад варіанту реалізації відображення екрану у режимі часової шкали для даних, що вводяться. 0019) Фіг. 10 ілюструє приклад варіанту реалізації відображення екрану у режимі цифрової таблиці для даних, що вводяться.
ДЕТАЛЬНИЙ ОПИС СУТНОСТІ ВИНАХОДУ
І0020| У наступному описі, для роз'яснення, чисельні характерні деталі викладені для надання повного розуміння даного винаходу. Тім не менш, зрозуміло, що варіанти реалізації винаходу можуть бути реалізовані на практиці без цих характерних деталей. В інших випадках, добре знайомі структури та пристрої проілюстровані у вигляді функціональної схеми для запобігання надмірного ускладнення даного опису. Варіанти реалізації винаходу викладені у даному розділу відповідно до наступного плану: 1. Загальний огляд 2. Приклад сільськогосподарської інтелектуальної обчислювальної системи 2.1. Огляд структури 2.2. Огляд прикладної програми 2.3. Потрапляння даних у обчислювальну систему 2.4. Огляд процесу - підготовка агрономічної моделі 2.5. Підсистема прогнозування врожайності сільськогосподарської культури на рівні поля
Зо 2.6. Приклад реалізації - огляд апаратного забезпечення 3. Функціональний огляд - прогнозування врожайності сільськогосподарської культури на рівні поля протягом періоду вегетації 3.1. Отимання даних 3.2. Записи згрупованих даних 3.3. Визначення врожайності сільскогосподарської культури, що враховує специфіку поля 3.3.1. Базова лінейна регресія 3.3.2. Змішана лінейна регресія 4. Зовнішні дані 4.1. Дані дистанційного зондування 4.2. Спектральні дані грунту 5. Часові послідовності, що враховують географічну специфіку 5.1. Попередня обробка сигналу (002111. ЗАГАЛЬНИЙ ОГЛЯД (0022) Надається комп'ютерна система та реалізований на комп'ютері спосіб, що виконані із можливістю прогнозування врожайності сільськогосподарської культури, що враховує специфіку поля, протягом вегетативного періоду із використанням сільськогосподарських даних. У варіанті реалізації винаходу, прогнозована врожайність сільськогосподарської культури на полі може виконуватися із використанням серверної комп'ютерної системи, що виконана із можливістю та запрограмована для отримання, через цифрову комунікаційну мережу, електронних цифрових даних, що відображають записи сільськогосподарських даних, включно із спектральними властивостями саджанців та вологістю грунту, що отримані за рахунок віддаленого зондування.
Використовуючи запрограмовані в цифровому вигляді інструкції групування записів даних, комп'ютерна система запрограмована для отримання цифрових даних, що містять спектральні властивості саджанців та вологість грунту, що отримані за рахунок віддаленого зондування.
Використовуючи запрограмовані в цифровому вигляді інструкції групування записів даних, комп'ютерна система запрограмована для групування однієї або більше цифрових сільськогосподарських записів для створення та збереження у комп'ютерній пам'яті однієї або більше часових послідовностей, що враховують географічну специфіку, протягом певного періоду часу. Використовуючи запрограмовані в цифровому вигляді інструкції групування бо записів даних, комп'ютерна система запрограмована для вибору однієї або більше типових характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, та створення для кожної специфічної географічної області коваріантної матриці у комп'ютерній пам'яті, що містить типові характерні ознаки, що обрані із однієї або більше часових послідовностей, що враховують географічну специфіку.
ІЇ0023| Використовуючи інструкції змішаної лінійної регресії, комп'ютерна система запрограмована для призначення вірогідного значення для групи компонентів у наборі груп компонентів параметру, при цьому кожна група компонентів параметру всередині набору груп компонентів параметру містить один або більше коефіцієнтів регресії, обчислених за рахунок вірогідного розподілу, та величину похибки, обчисленої за рахунок вірогідного розподілу.
Використовуючи інструкції із генерування розподілу, комп'ютерна система запрограмована для генерування вірогідного розподілу, що використовується для визначення одного або більше коефіцієнтів регресії та величини похибки. Вірогідний розподіл, що використовується для генерування величини похибки, задається із істотним параметром, встановленим на нулі, та параметром величини відхилення, що враховує специфіку поля.
І0024| Використовуючи інструкції щодо оцінки врожайності сільськогосподарської культури, комп'ютерна система запрограмована для визначення врожайності сільськогосподарської культури, що враховує специфіку поля, на певну дату шляхом використання інструкції змішаної лінійної регресії для обчислення врожайності сільськогосподарської культури, що враховує специфіку поля, на основі коваріантної матриці та вірогідних значень, що призначені для кожної групи компонентів параметру у наборі груп компонентів параметру. 0025) 2. ПРИКЛАД СІЛЬСЬКОГОСПОДАРСЬКОЇ ІНТЕЛЕКТУАЛЬНОЇ ОБЧИСЛЮВАЛЬНОЇ
СИСТЕМИ
(0026) 2.1. ОГЛЯД СТРУКТУРИ
І0027| 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. У варіанті реалізації винаходу, користувач 102 є власником, працює або володіє обчислювальним пристроєм 104 керуючого польовими роботами на місці розташування поля, або пов'язаному із розташуванням поля, наприклад, на полі, що призначене для сільськогосподарської діяльності, або у місці керування
Зо одним або більше сільськогосподарськими полями. Обчислювальний пристрій керуючого польовими роботами 104 програмується або виконаний із можливістю надання польових даних 106 у сільськогосподарську інтелектуальну обчислювальну систему 130 через одну або більше мереж 109.
І0028| 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, поле у 36 квадратних миль, та/або протяжність, (Б) 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), (а) дані про саджання (наприклад, дата саджання, тип зернових, відносний розвиток (КМ) посаджених зернових, щільність саджання), (є) дані по добривам (наприклад, тип добрива (азотні, що містять фосфор, калійні), тип застосування, дата застосування, кількість, джерело, спосіб), (Її) дані про пестициди (наприклад, пестициди, гербіциди, фунгіциди, інші речовини або суміші речовин, що використовуються у якості регуляторів росту, дефоліанту або десіктанту, дата застосування, кількість, джерело, спосіб), (ду) дані про зрошення (наприклад, дата застосування, об'єм, джерело, спосіб), (й) 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, смартфону, КПК, безпілотного літального апарату, літака або супутника), () 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, 60 посівів, звіт про шкідників та хвороби, та прогнозовані джерела та бази даних.
І0029| Комп'ютер серверу даних 108 функціонально зв'язаний із сільськогосподарською інтелектуальною обчислювальною системою 130 та запрограмований або виконаний із можливістю відправлення 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 суб'єкт, що працює з сільськогосподарською інтелектуальною обчислювальною системою 130, або різні особи або суб'єкти, наприклад, урядовий заклад, неурядова організація (НУО), та/або приватний постачальник послуг з передачі даних. Приклади зовнішніх даних містять дані про погоду, дані у вигляді зображень, дані про грунт або, між іншим, статистичні дані, що відносяться до врожайності посівів. 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 тім 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, які, у іншому випадку, можуть бути надані сторонніми джерелами, наприклад, дані про погоду. У деяких варіантах реалізації винаходу, сервер зовнішніх даних 108 може фактично бути вбудованим у систему 130.
І0030| 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 опосередковано, 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, жниварки, 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 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
Зо 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
СІІМАТЕ РІЕСО МІЕМУ ОКІМЕ, який доступний від компанії Те Сійтаге Согрогайоп, Сан-
Франциско, Каліфорнія. Дані від датчиків можуть містити ті ж самі типи інформації, що і польові дані 106. 00311) 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.
І0032| 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. 17 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, Вінефооїй, САМ, та протоколів високого рівня, наприклад, НТТР, ТІ 5 і тому подібних. 0033) Сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована бо 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, ЕРСОА 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.
І0034| У варіанті реалізації винаходу, сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована із або містить комунікаційний рівень 132, презентаційний рівень 134, рівень управління даними 140, рівень апаратного забезпечення/віртуалізації 150 та сховище моделей та польових даних 160. В контексті даного документа, термін "рівень" означає комбінацію електронних схем цифрового інтерфейсу, мікроконтролерів, вбудованого програмного забезпечення та/або комп'ютерних програм, або інших програмних елементів. 0035) 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. 0036) Презентаційний рівень 134 може бути запрограмований або виконаний із можливістю генерування графічного інтерфейсу користувача (ГІК) для відображення на обчислювальному пристрої керуючого польовими роботами 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.
Зо І0037| 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 інтерфейсу НАБООР. 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 082,
МІСКОЗОБТФ БОЇ ЗЕКМЕК, ЗУВАБЕФ та РОБТОКЕБЗОЇ. Тім не менш, може використовуватися будь-яка база даних, що дозволяє виконувати системи та способи, що описані у даному документі.
Ї0038| 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 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 може вказати ідентифікаційні дані за допомогою доступу до мапи на пристрої користувача (яка обслуговується сільськогосподарською інтелектуальною обчислювальною системою) та вибрати певну СО, 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 може вказати ідентифікаційні дані за допомогою доступу до бо 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.
Ї0О39| У варіанті реалізації винаходу, що наводиться у якості прикладу, сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована для генерування та відображення графічного інтерфейсу користувача, що містить менеджер даних для введення даних. Після того, як буде ідентифіковане одно або більше полів із використанням способів, що описані вище, менеджер даних може надати один або більше віджетів графічного інтерфейсу користувача, які при їх обранні можуть ідентифікувати зміни щодо поля, грунту, посівів, прийомів механічної обробки або прийомів застосування поживних речовин. Менеджер даних може містити відображення екрану у режимі часової шкали, відображення екрану у режимі цифрової таблиці, та/або однієї або більше програм, що редагуються. 00401 Фіг. 9 ілюструє приклад варіанту реалізації відображення екрану у режимі часової шкали для даних, що вводяться. Завдяки використанню екрану, що відображений на фіг. 9, користувач може виконати вибір певного поля та певної дати для додавання події. Події, відображені у верхній частині часової шкали, містять вкладки: Азот, Саджання, Прийоми та
Грунт. Для додавання події застосування азоту комп'ютер користувача може надавати можливість вибору вкладки з азотом. Потім, комп'ютер користувача може обирати певне положення на часовій шкалі, що відповідає певному полю, для інформації про застосування азоту на певному полі. У відповідь на отримання положення на часовій шкалі для певного поля менеджер даних може відобразити прозорий шар для даних, що вводяться, що дозволяє комп'ютеру користувача вводити дані, що відносяться до застосування азотних добрив, процедур саджання, внесення підкормки у грунт, прийомів механічної обробки, прийомів зрошення та іншої інформації, щодо певного поля. Наприклад, якщо комп'ютер користувача обирає частину часової шкали та вказує на застосування азоту, то прозорий шар для даних, що вводяться, може містити поля для введення кількості азоту, що буде застосована, дату застосування, тип обладнання, що використовується для застосування добрив, та будь-яку іншу інформацію, що відноситься до застосування азоту.
Зо 0041) У варіанті реалізації винаходу, менеджер даних надає інтерфейс для створення однієї або більше програм. У контексті даного документу, термін "програма" означає набір даних, що відносяться до застосування азоту, процедур саджання, внесення підкормки у грунт, прийомів механічної обробки, прийомів зрошення та іншої інформації, що може відноситися до одного або більше полів, та може зберігатися у цифровому сховищі даних для повторного використання в якості набору даних в інших операціях. Після того, як програму буде створено, вона може бути застосована концептуально до одного або більше полів, а посилання на програму може бути збережено у цифровому сховищі, одночасно із даними, що ідентифікують поля. Таким чином, замість ручного введення ідентичних даних, що відносяться до того ж самого застосування азоту на множині різних полів, комп'ютер користувача може створити програму, що вказує на певне застосування азоту, а потім, застосувати програму для множини різних полів. Наприклад, на екрані у режимі часової шкали на Фіг. 9 дві верхні часові шкали мають обрану програму "Осіннє застосування", що містить застосування 150 фунтів азоту на акр (0,0168 кг/м2) на початку квітня. Менеджер даних може надавати інтерфейс для редагування програми. У варіанті реалізації винаходу, коли редагується певна програма, редагується кожне поле, для якого обрана певна програма. Наприклад, на Фіг. 9, якщо редагується програма "Осіннє застосування" для зниження застосування азоту до 130 фунтів на акр (0,0146 кг/м2), два верхні поля оновлюються із зниженим застосуванням азоту на основі відредагованої програми. 0042) У варіанті реалізації винаходу, у відповідь на отримання редагування поля, що має обрану програму, менеджер даних видаляє посилання поля на обрану програму. Наприклад, якщо застосування азоту додається до верхнього поля на Фіг. 9, інтерфейс оновлюється для того, щоб надати інформацію, що програма "Осіннє застосування" більше не застосовується до верхнього поля. Хоча застосування азоту на початку квітня залишається, оновлення програми "Осіннє застосування" не змінює застосування азоту у квітні. 00431 Фіг. 10 ілюструє приклад варіанту реалізації відображення екрану у режимі цифрової таблиці для даних, що вводяться. Завдяки використанню екрану, що відображений на Фіг. 10, користувач може створювати та редагувати інформацію для одного або більше полів.
Менеджер даних може містити цифрову таблицю для введення інформації щодо вкладок: Азот,
Саджання, Прийоми та Грунт, як проілюстровано на Фіг. 10. Для редагування певного запису, бо комп'ютер користувача може обрати певний запис у цифровій таблиці та оновити значення. Для прикладу, Фіг. 10 ілюструє процес виконання оновлення заданого значення врожайності для другого поля. Додатково, комп'ютер користувача може обирати одне або більше полів для застосування однієї або більше програм. У відповідь на отримання вибору програми для певного поля, менеджер даних може автоматично завершити введення даних для певного поля на основі обраної програми. Як і у випадку із відображенням екрану у режимі часової шкали, у відповідь на отримання оновлення програми менеджер даних оновлює записи для кожного поля, пов'язаного із певною програмою. Додатково, у відповідь на отримання редагування одного або більше записів для поля, менеджер даних можу видалити посилання обраної програми на поле.
І0044| У варіанті реалізації винаходу, моделі та польові дані зберігаються у сховищі моделей та польових даних 160. Модель містить 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. Модель може 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.
ІЇ0045| Рівень апаратного забезпечення/віртуалізації 150 містить один або більше
Зо 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.
І0046| Для ілюстрації простого прикладу, Фіг. 1 ілюструє невелику кількість центральних функціональних елементів. Тім 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, 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. 0047)2.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ
І0048| 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.
І0049) У варіанті реалізації винаходу, користувач 102 взаємодіє із сільськогосподарською бо 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 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 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 контролерів 114. 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.
Ї0050| Мобільний застосунок може надавати функціональність клієнтської частини, за рахунок використання мережі, одному чи більше мобільним обчислювальним пристроям. У варіанті реалізації винаходу, що наводиться у якості прикладу, обчислювальний пристрій керуючого польовими роботами 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 У50ОМ, 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 керуючого польовими роботами 104 для відслідковування місцезнаходження, яке визначає місце
Зо розташування обчислювального пристрою керуючого польовими роботами 104, із використанням стандартних технологій відслідковування місцезнаходження, наприклад, глобальної системи позиціонування (ЗР), 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 користувачай(ів), можуть біти отримані за допомогою запитів до операційної системи пристрою, або за допомогою запиту до мобільного застосунку для отримання даних із операційної системи.
ІЇОО51| У варіанті реалізації винаходу, обчислювальний пристрій керуючого польовими роботами 104 відправляє дані 106 сільськогосподарській інтелектуальній обчислювальній системі 130, які містять або включають, крім іншого, елементи даних, які відображають одне або більше із наступного: географічне місцезнаходження одного або більше полів, інформацію про прийоми механічної обробки для одного або більше полів, саджання посівів на одному або більше полів, та дані про грунт, отримані з одного або більше полів. Обчислювальний пристрій керуючого польовими роботами 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 керуючого польовими роботами 104 може автоматично відправляти польові дані 106, коли один або більше елементів даних стають доступними для обчислювального пристрою керуючого польовими роботами 104. Наприклад, обчислювальний пристрій керуючого польовими роботами 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 керуючого польовими роботами 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. 0052) Комерційним прикладом мобільного застосунку є програма СІ ІМАТЕ РІЕСГО МІЕМУ, що є доступною для придбання у компанії Те Сіїтаге Согрогайоп, Сан-Франциско, Каліфорнія. 60 Застосунок СІПІМАТЕ РІЕГО МІЕММ 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. 0053) 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 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.
І0054| 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, між іншим, межі поля, карти врожайності, карти саджання, результати тестів грунту, карти застосування, та/"або зони управління. Формати даних можуть містити, між іншим, векторні файли, сторонні вихідні формати даних, тал"або файли експорту з інформаційної системи керування господарством (ІСКГ). Отримання даних може здійснюватися за допомогою ручного завантаження, прикріплених до електронної пошти файлів, зовнішніх АРІ, що додають дані у мобільний застосунок, або інструкцій, що викликають АРІ зовнішніх систем для вилучення даних
Зо у мобільний застосунок. В одному варіанті реалізації винаходу, застосунок для мобільного комп'ютера 200 містить ящик для вхідних даних. У відповідь на отримання вибору ящику для вхідних даних застосунок для мобільного комп'ютера 200 може відображати графічний інтерфейс користувача для ручного завантаження файлів даних та імпортування завантажених файлів у менеджер даних. 0055) 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, включаючи створення 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.
І0056)| В одному варіанті реалізації винаходу, інструкції щодо генерування скриптів 205 запрограмовані для надання інтерфейсу генерування скриптів, включно із скриптами змінної норми родючості (ЗН). Інтерфейс дозволяє сільгоспвиробникам створювати скрипти для сільськогосподарського обладнання, наприклад, застосування азоту, саджання та зрошення.
Наприклад, інтерфейс скрипту для саджання може містити інструменти ідентифікації типу насіння для саджання. Після отримання вибору типу насіння застосунок для мобільного комп'ютера 200 може відобразити одне або більше полів, поділених на зони управління, наприклад, шари даних карти поля, створені як частина інструкцій щодо карт у формі книги 206.
В одному варіанті реалізації винаходу, зони управління містять зони грунту разом із панеллю, що ідентифікує кожну зону грунту та назву грунту, структуру, дренаж для кожної зони або інші польові дані. Застосунок для мобільного комп'ютера 200 також може відображати інструменти бо для редагування або створення таких зон, наприклад, графічні інструменти для графічного відображення зон управління, наприклад, зон грунту, на мапі одного або більше полів.
Процедури саджання можуть застосовуватися до всіх зон управління або різні процедури саджання можуть застосовуватися до різної підмножини зон управління. Після створення скрипту застосунок для мобільного комп'ютера 200 може зробити скрипт доступним для завантаження у форматі, який може зчитувати контролер застосунку, наприклад, формат архіву або стислий формат. Додатково та/або в якості альтернативи, скрипт можу бути відправлено із застосунку для мобільного комп'ютера 200 напряму до комп'ютера кабіни 115, та/або завантаження на один або більше серверів даних та збереження для подальшого використання.
І0057| В одному варіанті реалізації винаходу, інструкції щодо застосування азоту 210 запрограмовані для надання інструментів інформування при прийнятті рішень щодо застосування азоту за рахунок візуалізації готовності до застосування азоту для посівів. Це дозволяє сільгоспвиробникам максимізувати врожайність або ефективність інвестицій за рахунок оптимального застосування азоту протягом сезону. Приклади запрограмованих функцій містять, крім іншого, відображення зображень, наприклад, зображень З550КОО для можливості графічного відображення зон застосування та/або зображень, що було згенеровано із даних про грунт підпорядкованого поля, наприклад, даних, отриманих від датчиків, із високою роздільною здатністю по спектру (із якістю, як з 10 метрів або менше, за рахунок близькості до грунту); завантаження існуючих, визначених сільгоспвиробниками зон; надання графічного та/або картографічного застосунку для налаштування застосування азоту на множині зон; вивантаження скриптів у накопичувач обладнання; інструменти для масового введення даних та регулювання; та/або мапи 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, однак таке масове введення даних застосовується для запису будь-якого типу польових даних у застосунок для мобільного комп'ютера 200. 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 внесення азоту"
Ко) 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, "програми внесення азоту" означають 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 показників типу застосування, наприклад, внесення навозу, що використовувалися. Інструкції щодо застосування азоту 210 можуть бути запрограмовані для генерування та спонукання до графічного відображення застосування азоту, яке вказує на передбачуване внесення вказаної кількості азоту, незалежно від того, 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.
Ї0058) В одному варіанті реалізації винаходу, графічне відображення застосування азоту може містити один або більше компонентів для введення даних користувачем, наприклад, кругові шкали або повзунки, для динамічного змінення програм для внесення азоту та прийомів застосування таким чином, щоб користувач міг оптимізувати його графічне відображення застосування азоту. Потім, користувач може використовувати його оптимізоване графічне відображення застосування азоту та пов'язані із ним програми для внесення азоту та прийомів застосування для реалізації одного або більше скриптів, включно із скриптами змінної норми родючості (ЗН). Інструкції щодо застосування азоту 210 можуть бути запрограмовані для генерування та спонукання до відображення мапи застосування азоту, яке вказує на передбачуване внесення встановленої кількості азоту, та незалежно від того, прогнозований бо надлишок чи нестача; у деяких варіантах реалізації винаходу, різні кольорові індикатори можуть сигналізувати про величину надлишку або величину нестачі. Мапа застосування азоту може відображати передбачуване внесення встановленої кількості азоту та незалежно від того, прогнозований надлишок чи нестача для різних періодів часу у минулому та у майбутньому (щоденно, щонеділі, щороку), використання цифрових та/або кольорових індикаторів може сигналізувати про величину надлишку або величину нестачі. В одному варіанті реалізації винаходу, мапа застосування азоту може містити один або більше компонентів для введення даних користувачем, наприклад, кругові шкали або повзунки, для динамічного змінення програм для внесення азоту та прийомів застосування таким чином, щоб користувач міг оптимізувати мапу застосування азоту, наприклад, для отримання даних про бажану величину між надлишком та нестачею. Потім, користувач може використовувати його оптимізовану мапу застосування азоту та пов'язані із ним програми для внесення азоту та прийомів застосування для реалізації одного або більше скриптів, включно із скриптами змінної норми родючості (ЗН).
В інших варіантах реалізації винаходу, аналогічні інструкції, як і інструкції щодо застосування азоту 210, використовуються для застосування інших поживних речовин (наприклад, фосфору та калію), застосування пестицидів та програм зрошення.
І0059) 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.
ІЇ0О060| 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.
І0О61| В одному варіанті реалізації винаходу, інструкції щодо продуктивності 216
Зо 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 на врожайність. Інструкції щодо продуктивності 216 можуть бути запрограмовані на обмін даними через мережу() 109 із серверними програмами аналізу, які виконуються (на сільськогосподарській інтелектуальній обчислювальній системі 130 та/або на комп'ютері серверу зовнішніх даних 108, та виконані із можливістю аналізувати, крім іншого, кількісні показники, наприклад, врожайність, гібриди, щільність, 55ЦКОСО, 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. (0062) 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 бо 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 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 230 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.
І0063| 2.3. ПОТРАПЛЯННЯ ДАНИХ У ОБЧИСЛЮВАЛЬНУ СИСТЕМУ
І0064| 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
Зо зберігати дані, що відображають відсоток органічних речовин (ОР) у грунті. 0065) 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.
І0066| 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 СГІМАТЕ РІЕСГО МІЕМУ, доступний для придбання у компанії Те Сійптаїге Согрогайоп,
Сан-Франциско, Каліфорнія, може працювати для експорту даних у систему 130 для зберігання у сховищі 160.
І0067| 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 бо 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 20150094916, а даний опис приймає відомості цих інших патентних описів. (0068) Аналогічно, системи контролю врожайності можуть містити датчики врожайності для механізму комбайну, який відправляє дані вимірювання врожайності у комп'ютер кабіни 115 або 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. 0069) 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, зЗРЗ-приймачі або прийомопередавачі, або мобільні застосунки для визначення положення за рахунок М/і-Рі або картографії, що запрограмовані визначати положення на основі найближчих УМі-Рі точок доступу.
І0070) 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 сигналами
СРБЗ 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, які 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. 0071) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися
Зо 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. 0072) 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, бо 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.
І0073) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися із обладнанням для застосування добрив, інсектицидів, фунгіцидів і тому подібного, наприклад, встановлені на сіялці системи початкового внесення добрив, машинах для внесення добрив у нижній шар грунту, або на розприскувачах добрив, 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. 0074) 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,
Зо 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.
І0075) У варіанті реалізації винаходу, приклади датчиків 112, які можуть використовуватися із причепами для зернових, містять датчики ваги або датчики положення шнеку, роботи або швидкості. У варіанті реалізації винаходу, приклади контролерів 114, які можуть використовуватися із причепами для зернових, містять контролери положення шнеку, роботи або швидкості. 0076) 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 (БІЧ) 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 патенті США Мо 14/831 165, а даний опис приймає відомості цих інших патентних описів.
І0077| 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 8767194 та патенті
США Мо 8 712 148, а даний опис приймає відомості цих інших патентних описів. 0078) 2.4 ОГЛЯД ПРОЦЕСУ - ПІДГОТОВКА АГРОНОМІЧНОЇ МОДЕЛІ 0079) У варіанті реалізації винаходу, сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконаний із можливістю створення агрономічної моделі. У бо 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, 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. 0080) 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, крім іншого, включно з 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.
ІОО81) 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 джерелом даних. Фіг. З може служити алгоритмом або інструкціями для програмування функціональних елементів сільськогосподарської інтелектуальної обчислювальної системи 130 для виконання операцій, що тут описані.
І0082| 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 джерел даних.
Польові дані, отримані від одного або більше джерел даних, можуть бути 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.
І0083| 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.
І0084| 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 бо моделі. Агрономічні моделі можуть порівнюватися із використанням технологій перевірки,
включаючи, крім іншого, середньоквадратичну похибку методу виключення по одному (КМ5ЕСМ), середню абсолютну похибку та середню процентну похибку. Наприклад, КЕМ5ЕСМ може виконати перехресну перевірку агрономічної моделі за рахунок порівняння прогнозованого значення агрономічної властивості, створеного агрономічною моделлю, із 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 отримав налаштованих параметрів якості, що використовуються під час наступних етапів вибору підмножини набору даних (блок 310).
І0085| 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.
І0086| В блоці 325 сільськогосподарська інтелектуальна обчислювальна система 130 запрограмована або виконана із можливістю зберігання попередньо налаштованої агрономічної моделі даних для подальшої оцінки польових даних. 00871 2.5. ПІДСИСТЕМА ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКОЇ
КУЛЬТУРИ НА РІВНІ ПОЛЯ
0088) У варіанті реалізації винаходу, сільськогосподарська інтелектуальна обчислювальна система 130, крім інших компонентів, містить підсистему прогнозування врожайності сільськогосподарської культури на рівні поля 170. Підсистема прогнозування врожайності сільськогосподарської культури на рівні поля 170 виконана із можливістю прогнозування врожайності сільськогосподарської культури, що враховує специфіку поля, протягом вегетативного сезону на основі обчислених коваріантних точок даних, що відповідають певній даті спостереження. Коваріантні дані означають незалежні змінні, що можуть використовуватися у прогнозуванні врожайності сільськогосподарської культури. У контексті даного документу, коваріантні дані означають згруповані записи сільськогосподарських даних, що містять записи даних, які відносяться до сигналів дистанційного зондування та даних
Зо вологості грунту для певної географічної локації протягом певного періоду часу.
Сільськогосподарська інтелектуальна обчислювальна система 130 може використовувати прогнозовану врожайність сільськогосподарської культури на рівні поля, визначену підсистемою прогнозування врожайності сільськогосподарської культури на рівні поля 170, для створення одного або більше скриптів для одного або більше контролерів застосунку. Наприклад, сільськогосподарська інтелектуальна обчислювальна система 130 може використовувати прогнози врожайності сільськогосподарської культури на рівні поля для програмування обладнання для саджання та збору врожаю, а також для іншого фермерського обладнання, що використовується для підтримки розвитку сільськогосподарської культури протягом вегетативного періоду.
Ї0089| У варіанті реалізації винаходу, підсистема прогнозування врожайності сільськогосподарської культури на рівні поля 170 містить спеціально налаштовану логічну схему, яка містить, крім іншого, інструкції групування записів даних 171, інструкції лінійної регресії 172, інструкції змішаної лінійної регресії 173, інструкції генерації розподілу 174, та інструкції оцінки врожайності сільськогосподарської культури 175 містять інструкції, що виконуються, які завантажені у набір однієї або більше сторінок головної пам'яті, наприклад,
ЕАМ, у сільськогосподарській інтелектуальній обчислювальній системі 130, які при виконанні спонукають сільськогосподарську інтелектуальну обчислювальну систему 130 до виконання функцій або операцій, що описані в даному документі, із посиланням на такі модулі. Наприклад, інструкції групування записів даних 171 можуть містити інструкції, що виконуються, які завантажені у набір сторінок у КАМ, що містить інструкції, які при виконанні спонукають до виконання функцій радника із біопродуктивності, що описані в даному документі. Такі інструкції можуть бути надані у вигляді коду, що виконується, у наборі команд ЦПП та можуть бути скомпільовані згідно похідного коду, що написаний на мові ХАМА, С, С, ОВОЕСТІМЕ-С або на будь-якій іншій мові програмування або середовищі, що легко може прочитати людина, як окремо, так і у комбінації із скриптами на мові АМАЗСРІРТ, іншими скриптовими мовами та іншим похідним програмним текстом. Термін "сторінки", в широкому сенсі, призначений для позначення будь-якої області всередині головної пам'яті, а специфічна термінологія, що використовується в системі, може змінюватися в залежності від архітектури пам'яті або архітектури процесора. В іншому варіанті реалізації винаходу, кожна з інструкцій групування бо записів даних 171, інструкцій лінійної регресії 172, інструкцій змішаної лінійної регресії 173,
інструкцій генерування розподілу 174 та інструкцій оцінки врожайності сільськогосподарської культури 175 також можуть відображати один або більше файлів, або проектів похідного коду, що збережений в цифровому вигляді на запам'ятовуючому пристрої, наприклад, енергонезалежній КАМ або дисковому запам'ятовуючому пристрої у сільськогосподарській інтелектуальній обчислювальній системі 130 або окремій системі збереження даних, які при компіляції, або інтерпретації спонукають сільськогосподарську інтелектуальну обчислювальну систему до виконання функцій, або операцій, що описані в даному документі по відношенню до таких модулів. Іншими словами, графічні матеріали можуть відображати спосіб, у який програмісти або розробники програмного забезпечення організують або пристосовують похідний код для подальшої компіляції у код, що виконується, або інтерпретації у байт-код, або еквівалент, для виконання сільськогосподарською інтелектуальною обчислювальною системою 130. Інструкції у пам'яті, що виконуються, або збережений похідний код, що вказані в даному розділі, є прикладами терміну "модулі", який використовується в даному описі винаходу.
І0090) Інструкції групування записів даних 171 надають інструкції для виконання групування записів сільськогосподарських даних в одному або більше часових послідовностей, що враховують географічну специфіку, при цьому часові послідовності, що враховують географічну специфіку, містять значення сільськогосподарських даних для певної географічної локації протягом певного періоду часу. Інструкції лінійної регресії 172 надають інструкції для створення моделі лінійної регресії що моделює співвідношення між даними, що вилучені із записів сільськогосподарських даних та врожайністю зернових. Інструкції змішаної лінійної регресії 173 надають інструкції для створення змішаної моделі лінійної регресії, при цьому змішана модель лінійної регресії є компіляцією множини моделей лінійної регресії, де множині моделей лінійної регресії призначена вірогідне значення, пов'язаних із нею параметрів регресії. Інструкції генерування розподілу 174 надають інструкції для визначення певних значень розподілу для параметрів лінійної регресії. Інструкції оцінки врожайності сільськогосподарської культури 175 надають інструкції для оцінки врожайності сільськогосподарської культури, що враховує специфіку поля, в кінці сезону на певну дату, у залежності від часових послідовностей даних, що враховують географічну специфіку, та моделі лінійної регресії.
І009112.6. ПРИКЛАД РЕАЛІЗАЦІЇ - ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯ
Зо І0092| 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 логікию, 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. 0093) Наприклад, Фіг. 4 є функціональною схемою, що ілюструє комп'ютерну систему 400, 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.
І0094| 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 процесор 404, перетворюють комп'ютерну систему 400 у машину спеціального призначення, що налаштовується для виконання операцій, що вказані в інструкціях.
І0095| Комп'ютерна система 400 додатково містить постійний запам'ятовуючий пристрій (КОМ) 408 або інше статичний пристрій для зберігання, підключений до шини 402, для бо 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.
І0096| Комп'ютерна 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.
І0097| Комп'ютерна 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 із обчислювальною системою або програмами комп'ютерної системи 400 є машиною спеціального призначення.
Відповідно до одного варіанту реалізації винаходу, описані в даному документі технології виконуються комп'ютерною 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. 0098) 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.
Ї0О099| 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.
ІЇО10О0| 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 свою 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. 0101) 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. бо 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.
І0102| 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.
І 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.
ІО103| Комп'ютерна 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.
І0104| 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. 0105 3. ФУНКЦІОНАЛЬНИЙ ОГЛЯД | - ПРОГНОЗУВАННЯ / ВРОЖАЙНОСТІ
СІЛЬСЬКОГОСПОДАРСЬКОЇ КУЛЬТУРИ НА РІВНІ ПОЛЯ ПРОТЯГОМ ПЕРІОДУ ВЕГЕТАЦІЇ
ЇО1О6| Фіг. 5(а;) та Фіг. 5(В) ілюструють приклад способів прогнозування врожайності сільськогосподарської культури, що враховує специфіку поля, на основі записів цифрових сільськогосподарських даних. Фіг. 5(а) ілюструє спосіб прогнозування врожайності сільськогосподарської культури із використанням моделі простої лінійної регресії. Фіг. 5(Б)
Зо ілюструє спосіб прогнозування врожайності сільськогосподарської культури із використанням моделі змішаної лінійної регресії. Етапи 505, 510 и 515 на Фіг. 5(а) та 5(Б) є ідентичними.
І0107| 3.1 ОТРИМАННЯ ДАНИХ
ІО1О08| На етапі 505, отримують записи сільськогосподарських даних. Наприклад, сільськогосподарська інтелектуальна обчислювальна система 130 може отримувати польові дані 106 від обчислювального пристрою керуючого польовими роботами 104, та/або зовнішніх даних 110, від комп'ютеру серверу зовнішніх даних 108. Польові дані 106 можуть містити інформацію, що пов'язана із самим полем, що є об'єктом спостереження, наприклад, назву полів та ідентифікатори. У контексті даного документу, "поле" означає географічно обмежену область, що містить головне поле, яке також може містити одне або більше підпорядкованих полів. У варіанті реалізації винаходу, польові дані 106 отримуються із обчислювального пристрою керуючого польовими роботами 104. Наприклад, сільськогосподарська інтелектуальна обчислювальна система 130 може спонукати відображення інтерфейсу на обчислювальному пристрої керуючого польовими роботами 104 для введення інформації, наприклад, меж поля, що є об'єктом спостереження, типів посаджених зернових та іншої інформації, що пов'язана із сільськогосподарською культурою та полем.
І0109| Зовнішні дані 110 можуть містити будь-які додаткові дані про поле, що є об'єктом спостереження, включно із записами сільськогосподарських даних, що відносяться до сигналів дистанційного зондування, та дані вологості грунту для певної географічної локації у певний період часу. У варіанті реалізації винаходу, сигнали дистанційного зондування та дані вологості грунту можуть відображати вимірювання для поля, що є об'єктом спостереження, або підпорядкованих полів всередині поля, що є об'єктом спостереження. Дистанційне зондування означає використання технологій зондування, що використовуються для визначення та класифікації об'єктів на Землі за рахунок сигналів, що розповсюджуються. У варіанті реалізації винаходу, сигнали дистанційного зондування визначаються за рахунок спектрорадіометру середньої роздільної здатності, що виконує сканування (МООІ5).
Під час написання цього документу, МООІЗ находиться на борту супутників МАЗА Теїта та
Адпа, та надає сканування земної поверхні із використанням 36 спектральних діапазонів, або груп довжини хвиль. Рівень роздільної здатності для кожного пікселя може вимірюватися аж до заданого рівня деталізації у метрах.
Різні спектральні діапазони можуть вимірюватися із використанням різної роздільної здатності у метрах, що містить, крім іншого, 250 метрів, 500 метрів та 1000 метрів. Різні сигнали дистанційного зондування можуть використовуватися для визначення рівнів вегетації на землі, як додатково описано у розділі ДАНІ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ даного документа.
ІО110)| Дані вологості грунту можуть використовуватися для визначення рівня насиченості землі та чи мають або ні певні області поля такі рівні вологості грунту, що вказують на посушливі області. У варіанті реалізації винаходу, дані вологості грунту можуть бути отримані із серверів систем наземних даних асиміляції МАЗА (ОА). ГОАБ5 є проектом, що розроблений для збору та створення наборів даних моделі земної поверхні із даних атмосферних опадів, для запису даних вологості грунту для різних територій. У варіанті реалізації винаходу, набори даних вологості грунту можуть бути отримані за рахунок повідомлень цифрових запитів від комп'ютеру застосунку до комп'ютерів серверу ГОАФБ, у яких запитуються дані вологості грунту для певних областей уваги. В іншому варіанті реалізації винаходу, дані вологості грунту можуть використовуватися для прогнозування майбутніх сигналів дистанційного зондування на основі досліджень вологості грунту. Наприклад, зміни у вологості грунту мають уповільнений вплив на розвиток сільськогосподарської культури. Уповільнений вплив може використовуватися для прогнозування майбутніх сигналів дистанційного зондування. Підходи щодо аналізу даних вологості грунту детально описані у розділі СПЕКТРАЛЬНІ ДАНІ ГРУНТУ даного документа. (01111 3.2 ЗАПИСИ ЗГРУПОВАНИХ ДАНИХ
ІО1121| На етапі 510 записи сільськогосподарських даних об'єднуються в одну або більше часових послідовностей, які враховують географічну специфіку, що відображають задану часову рамку. Наприклад, інструкції групування записів даних 171 надають інструкції для сільськогосподарської інтелектуальної обчислювальної системи 130 для групування записів сільськогосподарських даних для певної географічної локації у множину часових послідовностей, що враховують географічну специфіку. У варіанті реалізації винаходу, отримані дані сигналів дистанційного зондування, що вкривають певний період часу з січня по серпень для декількох певних підпорядкованих полів всередині поля, що є об'єктом спостереження, групуються із використанням інструкцій групування записів даних 171 у часові послідовності, що містять точки даних від декількох певних підпорядкованих полів, що вкривають періоди часу з
Зо січня по серпень.
ІО113) У варіанті реалізації винаходу, інструкції групування записів даних 171 надають інструкції для групування даних сигналів дистанційного зондування від певних підпорядкованих полів, що вкривають часові періоди з січня по серпень, у множину часових послідовностей, де кожна часова послідовність містить дані сигналів дистанційного зондування від одного певного підпорядкованого поля. Таким чином, в результаті створюється множина часових послідовностей, де кожна часова послідовність відображає підпорядковане поле та період часу з січня по серпень. Інші варіанти реалізації винаходу можуть містити, крім іншого, комбінацію даних дистанційного зондування від множини підпорядкованих полів, що покриває певний період часу. 0114) У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть містити інструкції для першого фільтрування значень сільськогосподарських даних, що відповідають сигналам дистанційного зондування, що засмічені хмарністю, снігом або іншими ефектами затінення. У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть містити інструкції для попередньої обробки часових послідовностей, що враховують географічну специфіку, для видалення точок даних, що можуть надмірно відхилятися або, в іншому випадку, мати зміщення характерних ознак часових послідовностей, що враховують географічну специфіку. Попередня обробка та фільтрування детально описані в розділі
ПОПЕРЕДНЯ ОБРОБКА СИГНАЛУ даного документу.
ІО115) На етапі 515, одна або більше характерних ознак обираються з однієї або більше часових послідовностей, що враховують географічну специфіку, та вставляються у коваріантну матрицю, що збережена у комп'ютерній пам'яті. У варіанті реалізації винаходу, інструкції групування записів даних 171 містять інструкції для вибору однієї або більше характерних ознак, що відображають співвідношення між врожайністю та даними сигналів дистанційного зондування. Наприклад, інструкції групування записів даних 171 містять вибір середнього значення вдосконаленого вегетативного індексу (ЕМІ) із підмножини часових послідовностей, що враховують географічну специфіку, наприклад, підмножину значень вдосконаленого вегетативного індексу (ЕМІ), що відображає точки даних від 175 дня року (ОХ) до 250 дня року (ОМ) для поля, що є об'єктом спостереження. Ціллю вибору середнього значення із підмножини точок даних є те, що певна підмножина для певних типів точок даних сигналів бо дистанційного зондування працює краще для розподілу різниці у врожайності. Інші варіанти реалізації винаходу можуть містити меншу або більшу підмножину періодів днів року (ОХ) та різні вдосконалені вегетативні індекси (МІ). В іншому варіанті реалізації винаходу, інструкції групування записів даних 171 містять вибір максимального значення часових послідовностей, що враховують географічну специфіку, в якості характерної ознаки, що включається до коваріантної матриці. (0116) Фіг. 7 ілюструє часові послідовності, що враховують географічну специфіку, для обчислених значень вдосконаленого вегетативного індексу (ЕМІ) для певного поля. Підмножина 702 відображає періоди днів року, які використовуються для визначення середнього значення вдосконаленого вегетативного індексу (ЕМІ) для часових послідовностей, що враховують географічну специфіку. Наприклад, середнє значення вдосконаленого вегетативного індексу (ЕМІ) обчислюється із всіх значень ЕМІ всередині часових послідовностей, що враховують географічну специфіку, які знаходяться всередині діапазону, який заданий підмножиною 702.
Максимальне значення 704 відображає максимальне значення вдосконаленого вегетативного індексу (ЕМІ), що вилучене та збережене у коваріантній матриці для певного поля, що є об'єктом спостереження. 0117) У варіанті реалізації винаходу, коли сезонні значення вдосконаленого вегетативного індексу (ЕМІ) обчислені із даних дистанційного зондування, дані можуть бути доступні тільки на певну дату 4. Доступні дані дистанційного зондування можуть не вкривати весь період днів року, що налаштований системою 130. В такому випадку, система 130 використовує доступні на дану дату й дні для обчислення середнього значення. Наприклад, система 130 обчислює середнє значення вдосконаленого вегетативного індексу (ЕМІ) для періоду днів року з 175 по період днів року 4. (01181 3.3 ВИЗНАЧЕННЯ СПЕЦИФІЧНОЇ для поля ВРОЖАЙНОСТІ
СІЛЬСКОГОСПОДАРСЬКОЇ КУЛЬТУРИ
ІЇО119| У варіанті реалізації винаходу, врожайність сільськогосподарської культури оцінюється для поля, що є об'єктом спостереження, із використанням даних сигналів дистанційного зондування для поля, що є об'єктом спостереження до певної дати. У варіанті реалізації винаходу, інструкції щодо врожайності сільськогосподарської культури 175 містять інструкції для визначення оціненої врожайності сільськогосподарської культури для поля, що є
Зо об'єктом спостереження на певну дату із використанням коваріантної матриці для поля, що є об'єктом спостереження, та модель лінійної регресії, створеної з урахуванням специфіки певного поля, що є об'єктом спостереження. Модель лінійної регресії є моделлю, що описує співвідношення між залежною змінною та незалежними змінними. В цьому контексті, залежна змінна є врожайністю сільськогосподарської культури для поля, що є об'єктом спостереження, та одна або більше незалежних змінних є коваріантними значеннями у коваріантній матриці.
Лінійне співвідношення змодельоване з врахуванням величини похибки є, що є випадковою змінною, яка не спостерігається, та вбудованих коефіцієнтів регресії р. 0120) У варіанті реалізації винаходу, інструкції лінійної регресії 172 містять інструкції для створення моделі базової лінійної регресії, що базується на окремому наборі коефіцієнтів регресії та величині похибки. Створення моделі базової лінійної регресії описане більш детально в розділі БАЗОВА ЛІНІЙНА РЕГРЕСІЯ цього документу. В іншому варіанті реалізації винаходу, інструкції змішаної лінійної регресії 173 містять інструкції для створення моделі змішаної лінійної регресії, що базується на множині наборів коефіцієнтів регресії та величинах похибки. Створення моделі змішаної лінійної регресії описане більш детально в розділі
ЗМІШАНА ЛІНІЙНА РЕГРЕСІЯ цього документу. 3.3.1 БАЗОВА ЛІНІЙНА РЕГРЕСІЯ.
У варіанті реалізації винаходу, етап 520(а) на Фіг. 5(А) реалізований із використанням інструкцій лінійної регресії 172 для визначення параметрів регресії на основі моделі базової лінійної регресії між рівнем врожайності поля та даними дистанційного зондування, наприклад, значеннями вдосконаленого вегетативного індексу (ЕМІ). Базова лінійна регресія може бути реалізована за рахунок комп'ютерного обчислення наступного рівняння: н /й ) В
Те ( 1 Хреа)Ва В реа де: (1211: дорівнює врожайності сільськогосподарської культури для певного поля і певного року Ї,
Хі а й не й не й і І
І0122| їббе дорівнює транспонованій коваріантній матриці Х для поля "та року ", що основане на значеннях вдосконаленого вегетативного індексу (ЕМІ) до прогнозованого дня я
ІО123І Бе: дорівнює коефіцієнтам регресії на основі точок даних до прогнозованого дня й, (О1241 Бак дорівнює величині похибки для поля і та року КЕ основане на значеннях вдосконаленого вегетативного індексу (ЕМІ) до прогнозованого дня й
ІО125| Для визначення врожайності сільськогосподарської культури ни на певний прогнозований день 4 всередині року ї, інструкції лінійної регресії 172 встановлюють коефіцієнт регресії ВД та величину похибки є на основі розподілу кожного з них. Інструкції лінійної регресії 172 можуть запитувати коефіцієнт регресії ВД та величину похибки є із інструкцій генерування розподілу 174, при цьому інструкції генерування розподілу 174 використовують ретроспективні дані на той самий прогнозований день а у кожному році для визначення коефіцієнта регресії р. (0126) Наприклад, інструкції генерування розподілу 174 містять інструкції для генерування коефіцієнта регресії В та величини похибки є за рахунок витягу незалежних та рівномірно розподілених зразків із нормального розподілу, як проілюстровано нижче. їйа
Б - М(Во, Хо) ца 2
Ере- М(О, 67) !
І0127| Нормальний розподіл є функцією, що відображає розподіл випадкових змінних у вигляді симетричного воронкоподібного графа. Це позначено функцією ХО с, де рн відображає середнє значення або справжнє середнє значення розподілу, а 07 відображає величину відхилення. В цьому випадку, випадкові зразки є незалежно та рівномірно розподіленими, таким чином, кожен з них успадковує той самий вірогідний розподіл як і інші, та всі випадкові зразки є взаємно незалежними один від одного. Потім розрахований коефіцієнт регресії В та величина похибки є використовуються інструкціями лінійної регресії 172 для генерування моделі простої лінійної регресії.
ІО128| На етапі 525(а), визначається врожайність сільськогосподарської культури із використанням моделі базової лінійної регресії. У варіанті реалізації винаходу, інструкції оцінки врожайності сільськогосподарської культури 175 містять інструкції для використання середнього вдосконаленого вегетативного індексу (ЕМІ) із коваріантної матриці для поля, що є об'єктом спостереження, для визначення врожайності сільськогосподарської культури для поля, що є об'єктом спостереження, на прогнозований день 4 на основі моделі простої лінійної регресії, як
Зо описано вище. В інших варіантах реалізації винаходу, інструкції оцінки врожайності сільськогосподарської культури 175 містять інструкції із використання максимального значення середнього вдосконаленого вегетативного індексу (ЕМІ) для поля, що є об'єктом спостереження, для визначення врожайності сільськогосподарської культури для поля, що є об'єктом спостереження, на прогнозований день й на основі моделі простої лінійної регресії. Інструкції оцінки врожайності сільськогосподарської культури 175 можуть бути виконані із можливістю використання максимального значення середнього вдосконаленого вегетативного індексу (ЕМІ), коли прогнозований день її в датою, що є відносно більш ранньою у періоді вегетації. В ще інших варіантах реалізації винаходу, можуть використовуватися різні характерні ознаки із коваріантної матриці для поля, що є об'єктом спостереження, при визначенні оціненої врожайності сільськогосподарської культури на прогнозований день й, 0129) У варіанті реалізації винаходу, інструкції оцінки врожайності сільськогосподарської культури 175 надають інструкції для визначення розподілу оціненої врожайності сільськогосподарської культури із використанням функції нормального розподілу.
ІО130) У варіанті реалізації винаходу, прогнозований інтервал визначається на підставі набору розподілу. Прогнозований інтервал, що пов'язаний із врожайністю сільськогосподарської культури, є діапазоном, обчисленим із використанням інструкцій оцінки врожайності сільськогосподарської культури 175, що, як очікується, вкриває справжні значення врожайності із певною вірогідністю. Коли вірогідність покриття справжньої врожайності зафіксована, точні прогнозовані інтервали надають більш достовірну точність прогнозування врожайності.
Наприклад, інструкції оцінки врожайності сільськогосподарської культури 175 надають інструкції для обчислення прогнозованого інтервалу, що, як очікується, вкриває справжню врожайність сільськогосподарської культури на 9095 цього періоду часу. В цьому прикладі, якщо прогнозована врожайність сільськогосподарської культури становить 165 бушелів на акр та прогнозований діапазон інтервалу є дуже малим, наприклад, 155-170 бушелів на акр, то достовірність, що пов'язана із прогнозованою врожайністю сільськогосподарської культури є високою, так як більше 90 95 результатів прогнозів знаходяться у дуже вузькому інтервалі значень. Тім не менш, якщо попередній приклад прогнозованого інтервалу складає 120-200 бушелів на акр, то достовірність, що пов'язана із прогнозованою врожайністю сільськогосподарської культури, буде низькою, так як для досягнення такої ж вірогідності покриття необхідним є діапазон у 80 бушелів на акр замість 15 бушелів на акр. Перевагою отримання пов'язаного прогнозованого інтервалу є те, що це дозволяє краще розуміти достовірність, що лежить в основі прогнозованого значення врожайності сільськогосподарської культури.
ІО131| У варіанті реалізації винаходу, набір розподілу, пов'язаний із прогнозованим значенням врожайності поля, може бути обчислений для надання додаткової інформації про прогнозовану врожайність сільськогосподарської культури. Для прикладу, за рахунок надання повного набору розподілу, користувач 102 може додатково обчислювати ризики, доходи та інші прогнози на основі набору розподілу значень врожайності. (01321 3.3.2 ЛОГІЧНА СХЕМА ЗМІШАНОЇ РЕГРЕСІЇ
ІО133| Альтернативним варіантом реалізації винаходу для використання моделі базової лінійної регресії для оцінки врожайності поля є модель змішаної лінійної регресії. Етап 529(Б) на
Фіг. 5(В) відображає процес створення моделі змішаної лінійної регресії. Модель змішаної лінійної регресії є ймовірнісне змішування множини моделей лінійної регресії, де існує лінійна залежність між характеристиками та коваріатами, однак коефіцієнти та варіанти, що використовуються для опису лінійної залежності, можуть відрізнятися у залежності від набору значень, кожен із призначеною для нього вірогідністю. 0134) Наприклад, якщо п спостережень характеристик та їх відповідних коваріат виражені як СХ, СХ СвоХн , то модель змішаної лінійної регресії із К компонентами параметрів передбачає що:
Хрі с єра,, МИ ргораршту А
Ух Хіро єро, МЙ ргорарйісу А»
Х;-
Хірк ов ерк, МЛЕй ргобрариту А, із вірогідністю 4,
ІО135| Кожен з параметрів компонента к відображає групу компонентів параметру, що містить коефіцієнт регресії го стандартне відхилення о та величину похибки 7, як визначено моделлю базової лінійної регресії на основі ретроспективних часових послідовностей, що враховують географічну специфіку для певного поля. Таким чином, кожна пара СИХ) із п пар має певну вірогідність для кожної із групи компонентів параметру К. Кожна вірогідність А є вірогідністю, що група компоненту параметру відповідає коваріаті Хе, Сума кожної вірогідності А для кожної групи компоненту параметру для СИХ) дорівнює 1. Описані величини похибки еї х, -.. є незалежними величинами похибки. У варіанті реалізації винаходу, розподіл значень компонентів параметрів, включно із коефіцієнтом регресії ВД, стандартним відхиленням сб та величиною похибки є визначений на основі інструкцій генерування розподілу 174, як описано у розділі під назвою БАЗОВА ЛІНЕЙНА РЕГРЕСІЯ. (0136) Сукупність членів змінної Т; може бути створена для кожного поля і у моделі лінійної регресії. Сукупність членів змінної І, визначає, яка група компонентів поля і належить до моделі змішаної лінійної регресії та управляє вірогідністю розподілу їх характеристик врожайності. Наявність тієї ж самої Т, для такого самого поля і означає, що спостереження характеристик на такому ж полі і обмежують частину тієї самої вірогідності для груп компонентів параметру К. Ціллю надання таких обмежень є те, що модель змішаної лінійної регресії може надавати результати обробки таких субпопуляцій та вказувати на аналогічні латентні змінні, що відносяться до характеристик поля. Наприклад, такі латентні змінні можуть описувати різноманітні властивості, наприклад, текстуру грунту, колір та фактори мікросередовища, специфічні для даного певного поля.
ІО137| Із заданими сукупними членами змінної т, для поля і розподіл врожайності сільськогосподарської культури на полі і у будь-який період Її може бути описаний як: - А тіа 1 2
ХІТ М І, ) Во» 90) я . 2, т... ЛА. й Е й ай З де вірогідність 7: х | описана як "7 для компонентів 7 С, 11,
ІЇО138| У варіанті реалізації винаходу, коли оцінюється потенційна врожайність сільськогосподарської культури для поля Ї модель змішаної лінійної регресії перевіряється для того, щоб побачити, чи існують ретроспективні дані, що відносяться до поля, що є об'єктом спостереження. Якщо існують ретроспективні дані для поля, що є об'єктом спостереження, то модель змішаної лінійної регресії виконана із можливістю прогнозування врожайності сільськогосподарської культури на основі групи сукупних членів змінної Т, | вірогідності та значень параметрів, пов'язаних із сукупними членами змінної. Тім не менш, якщо модель змішаної лінійної регресії не містить ретроспективних даних, які відносяться до поля, що є об'єктом спостереження, то модель змішаної лінійної регресії може бути виконана із можливістю використовувати значення середньої вірогідності та параметрів для всіх сукупних членів змінних у моделі змішаної лінійної регресії, та, відповідно, робити прогнози. 0139) Додатково, коли оцінюється потенційна врожайність сільськогосподарської культури для поля, що є об'єктом спостереження, якщо надаються додаткові ретроспективні дані для поля, що є об'єктом спостереження, які не були раніше частиною моделі змішаної лінійної регресії, то модель змішаної лінійної регресії може містити в собі додаткові ретроспективні дані для поля, що є об'єктом спостереження, та знов обчислити значення параметрів, та вірогідності для групи параметрів поля, що є об'єктом спостереження Тп-1. Якщо поле, що є об'єктом спостереження, Їдчі є новим полем, що не було раніше частиною групи полів 51, 2,..., 0), то нове поле, що є об'єктом спостереження, Ї пн додається до полів 11, 2,..., у, а вірогідність для набору сукупних членів змінної Т"? обчислюється знову. 0140) Фіг. 8 надає приклад процесу призначення значень вірогідності для набору груп компонентів параметру для будь-якого поля, що є об'єктом спостереження, при цьому
Зо врожайність сільськогосподарської культури прогнозується із використанням моделі змішаної лінійної регресії.
ІО141| На етапі 805 інструкції змішаної лінійної регресії 173 надають інструкції для визначення, чи існують ретроспективні дані, що відносяться до поля, що є об'єктом спостереження, у поточній моделі змішаної лінійної регресії. Ціллю визначення існування ретроспективних даних є визначення, чи можуть бути зв'язані задані коваріантні дані із вже створеними сукупними членами змінної. Якщо існують ретроспективні дані для поля, що є об'єктом спостереження, то модель змішаної лінійної регресії може бути виконана із можливістю застосовувати вірогідність, пов'язану із такими сукупними членами змінної, до заданих коваріантних даних. Наприклад, якщо поле, що є об'єктом спостереження, Ї дя відображає поле, що є об'єктом спостереження, то інструкції змішаної лінійної регресії 173 визначають, чи знаходиться Ї дя у наборі полів, наприклад, Ін Є 11,2, ..., 6). Якщо Ін знаходиться у наборі полів, то використовуються сукупні члени змінної Ті для такого певного поля. 01421) Етап 810 відображає сценарій, у якому Га знаходиться у наборі полів 41, 2, ...03) та певні сукупні члени змінної Ті використовуються для поля, що є об'єктом спостереження. У варіанті реалізації винаходу, інструкції змішаної лінійної регресії 173 збирають набір оптимізованих ретроспективних даних, що відносяться до поля, що є об'єктом спостереження,
Га для використання при визначенні групи компонентів параметру вірогідності, пов'язаної із певними сукупними членами змінної Та.
0143) Етап 815 відображає сценарій, у якому Ї вч не знаходиться у групі полів 41, 2, ..., 5), наприклад, дн Я 11, 2, ..., 5). У варіанті реалізації винаходу, інструкції змішаної лінійної регресії 173 збирають повний набір ретроспективних даних, що містять всі поля, які оцінені для визначення групи вірогідності компонентів параметру, пов'язаної із сукупними членами змінної
Тані, при цьому Тачі відображає нові сукупні члени змінної для нового поля.
ІО144| На етапі 820, інструкції змішаної лінійної регресії 173 визначають, чи отримані додаткові ретроспективні дані, які пов'язані із полем Ї ач, що є об'єктом спостереження, які не були раніше частиною даних моделі змішаної лінійної регресії. Якщо додаткові ретроспективні дані надані, то на етапі 830 інструкції змішаної лінійної регресії 173 можуть надавати інструкції для вбудовування польових специфічних ретроспективних даних у ретроспективні дані, що вже є частиною моделі змішаної лінійної регресії. В іншому випадку, на етапі 825 інструкції змішаної лінійної регресії 173 визначають групу вірогідності компонентів параметру без додаткових ретроспективних даних. 0145) У варіанті реалізації винаходу, вірогідність для груп компонентів параметру всередині моделі змішаної лінійної регресії визначаються із використанням алгоритму максимізації справжнього середнього (ЕМ). Алгоритм справжнього середнього (ЕМ) є способом пошуку максимальної вірогідності для неповних даних за рахунок ітераційної максимізації умовної логарифмічної вірогідності "повних" даних для заданих "неповних" даних та згладжування поточних параметрів моделі. В інших варіантах реалізації винаходу, сукупні члени вірогідності можуть бути визначені із використанням інших алгоритмів, наприклад, генерування вибірки по схемі Гіббса. (0146) На етапі 830, інструкції змішаної лінійної регресії 173 визначають, групу вірогідності компонентів параметру із використанням додаткових ретроспективних даних, специфічних для поля, що є об'єктом спостереження, які не були раніше частиною даних моделі змішаної лінійної регресії. У варіанті реалізації винаходу, отримані зовнішні дані 110 можуть містити додаткові специфічні ретроспективні дані для поля, що є об'єктом спостереження, які не були раніше вбудовані у модель змішаної лінійної регресії. Вірогідність для груп компонентів параметру, пов'язаних із моделями лінійної регресії всередині моделі змішаної лінійної регресії обчислюються відповідно до додаткових специфічних даних для поля, що є об'єктом
Зо спостереження.
І0147| На етапі 525(Б) Фіг. 5(В), інструкції оцінки врожайності сільськогосподарської культури 175 надають інструкції для визначення врожайності сільськогосподарської культури із використанням моделі змішаної лінійної регресії. У варіанті реалізації винаходу, інструкції оцінки врожайності сільськогосподарської культури 175 містять інструкції для визначення врожайності сільськогосподарської культури для поля, що є об'єктом спостереження, як суму оцінених варіантів врожайності сільськогосподарської культури на основі вірогідності груп компонентів параметру. 0148) У варіанті реалізації винаходу, інструкції оцінки врожайності сільськогосподарської культури 175 надають інструкції для визначення розподілу оціненої врожайності сільськогосподарської культури із використанням функції нормального розподілу, якщо задані сукупні члени змінної: ш- ї Кт 1 2
Ме! Трав) м ) ване) і, при цьому Кг містить набір нормального розподілу для прогнозованої врожайності сільськогосподарської культури. У варіанті реалізації винаходу, прогнозований інтервал визначається на підставі набору розподілу. Прогнозований інтервал, що пов'язаний із врожайністю сільськогосподарської культури, є діапазоном, обчисленим із використанням інструкцій оцінки врожайності сільськогосподарської культури 175, що, як очікується, вкриває справжні значення врожайності із певною вірогідністю. (0149) 4. ЗОВНІШНІ ДАНІ 01501 4.1 ДАНІ ДІСТАНЦІЙНОГО ЗОНДУВАННЯ (0151) Дистанційні датчики вимірюють спектральні діапазони, що відносяться до видимого та близького до інфрачервоного світла, яке відбивається від земної поверхні. Визначення рівня вегетації у певних географічних областях може виконуватися із використанням обчислювальних елементів, запрограмованих для виконання математичної комбінації та/або трансформації між різними спектральними діапазонами, які отримані за рахунок дистанційного зондування, що виділяють спектральні діапазони у саджанців. Такі комбінації називають вегетаційними індексами. 0152) У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть надавати інструкції для сільськогосподарської інтелектуальної обчислювальної системи 1 30 для вибору різних вегетаційних індексів, щоб визначити різні спектральні характеристики. Різні вегетативні індекси можуть використовуватися для аналізу сигналів, що отримані за рахунок дистанційного зондування, та визначення того, чи містить певна область живу зелену рослинність. Живі зелені саджанці поглинають сонячне випромінювання в діапазоні 400-700 нанометрів (нм), наприклад, у діапазоні видимого червоного спектру (620-670 нм), та розсіяне сонячне випромінювання у близькому до інфрачервоного (МІК) спектральному діапазоні (841- 876 нм). Слід розуміти, що дорослі зелені саджанці, що мають багато листя, поглинають видимий червоний спектр для фотосинтезу та одночасно відбивають випромінювання у близькому до інфрачервоного діапазоні (МІК). Одним таким доступним вегетаційним індексом є вдосконалений вегетативний індекс (ЕМ). Вдосконалений вегетативний індекс (ЕМІ) оптимізований для покращення вегетативного сигналу із вдосконаленою чуттєвістю в областях із високою біомасою за рахунок виключення фонового шуму рослинного покрову та зниження впливу атмосферних факторів. Вдосконалений вегетативний індекс (ЕМІ) обчислюється наступним чином:
ЕЛЛА СХ (МІК -- гед) (МІК -- С, хгеа- С. хБінпе -- /,)
ІО1531І де: 01541 с - специфічний коефіцієнт посилення, коефіцієнти Сіта Сг відносяться до терміну аерозольного спротиву, Ї - фактор налаштування покрову, та Біне означає видиму довжину хвилі (459-479 нм).
ІО155| У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть надавати інструкції для сільськогосподарської інтелектуальної обчислювальної системи 130 для вибору нормалізованого різницевого індексу рослинності (МОМ). Нормалізований різницевий індекс рослинності (МОМІ) може використовуватися для аналізу сигналів, що отримані за рахунок дистанційного зондування, та визначення того, чи містить певна область живу зелену
Зо рослинність. Нормалізований різницевий індекс рослинності (МОМ) обчислюється як відношення близького до інфрачервоного/червоного між діапазоном близьким до інфрачервоного та видимим червоним діапазоном.
МОМІ - (МІК - теФ/(МІК -- гед) 0156) Високе значення нормалізованого різницевого індексу рослинності (МОМІ) означає, що область землі, де відбувалося зондування, містить високу щільність зеленої рослинності.
ІО157| У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть надавати інструкції для сільськогосподарської інтелектуальної обчислювальної системи 130 для вибору зеленого нормалізованого різницевого індексу рослинності (ЗМОМІ). Зелений нормалізований різницевий індекс рослинності (ЗМОМІ), як ії нормалізований різницевий індекс рослинності (МОМІ) вимірює кількість зеленої рослинності на певній області. Зелений нормалізований різницевий індекс рослинності (ЗМОМІ) вимірює сонячне випромінювання у всьому діапазоні видимої зеленої довжини хвилі (545-565 нм). Зелений нормалізований різницевий індекс рослинності (МІОМІ) обчислюється як відношення близького до інфрачервоного/зеленого між близьким до інфрачервоного (МІК) та видимим зеленим діапазоном.
СМОМІ - (МІК - отееп)( МІК -- отееп)
ІО158)| У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть надавати інструкції для сільськогосподарської інтелектуальної обчислювальної системи 130 для вибору нормалізованого різницевого індексу води (МОУМІ). Нормалізований різницевий індекс води (МОУМІ) також може використовуватися для аналізу сигналів, отриманих за рахунок дистанційного зондування, та визначення кількості води всередині рослинності. Перевагою обирання даних нормалізованого різницевого індексу води (МОМІ/) є те, що вони менш чутливі до атмосферного впливу, ніж дані нормалізованого різницевого індексу рослинності (МОМІ).
Атмосферний вплив, що обумовлений атмосферними газами та частинками аерозолю, може спотворювати дані, що отримані за рахунок дистанційного зондування, шляхом розсіювання або поглинання прямих та відбитих сонячних променів. Нормалізований різницевий індекс води (МОМ) обчислюється як відношення між різними спектральними діапазонами, близькими до інфрачервоного:
МОМ - (МІВ. - МІВ2)(МІВ. -- МІВ») 01591 де МІК; вкриває довжину хвилі у діапазоні 1230-1250 нм.
ІО160)| У варіанті реалізації винаходу, інструкції групування записів даних 171 можуть надавати інструкції для сільськогосподарської інтелектуальної обчислювальної системи 130 для вибору варіанту нормалізованого різницевого індексу води (МОМ), що називається МОУМІ. Як і нормалізований різницевий індекс води (МОМУМІ), ЯМОУМІ також може використовуватися для аналізу сигналів, отриманих за рахунок дистанційного зондування, та визначення кількості води всередині рослинності. ЯМОУМІ обчислюється як відношення між спектральним діапазоном, близьким до інфрачервоного (МІК), та інфрачервоним діапазоном, що вкриває довжину хвилі в діапазоні 1628-1652 нм (5ПопІК):
МОМ - (МІВ -- зпоги В У(МІВ. - зво) (0161) Перевагою від використання їМОУМІ замість нормалізованого різницевого індексу води (МОМ) є те, що значення МІК2 може бути більш спотвореним або зазнавати більшого впливу від насиченості. За рахунок використання 5ПпогпіКк насиченість може бути зменшено.
ІО162| За рахунок використання чисельних вегетаційних індексів сільськогосподарська інтелектуальна обчислювальна система 130 має можливість обчислювати значення рівня зелених сільськогосподарських культур, наприклад, кукурудзи, що висаджена на певних територіях. (0163) 4.2 СПЕКТРАЛЬНІ ДАНІ ГРУНТУ
І0164| І БАЗ Північної Америки надає набори даних вологості грунту для декількох моделей земної поверхні. Моделі земної поверхні надають 1/8 ступінь топографічної роздільної здатності сітки для регіонів Північної Америки. Набори даних вологості грунту характеризують погодні умови для певної області, так як вони відображають комбінацію впливу від опадів, температури та інші характеристики грунту.
Зо (0165) Виміряні значення вологості грунту на певний період часу можуть мати вплив на розвиток сільськогосподарської культури, які не є об'єктами безпосереднього спостереження.
Наприклад, вплив вологості грунту на розвиток сільськогосподарської культури може бути помітним у даних, що отримані за рахунок дистанційного зондування, через декілька днів після отримання значень вимірювання вологості грунту. У варіанті реалізації винаходу, може існувати співвідношення між значеннями вологості грунту та сигналами дистанційного зондування середнього вдосконаленого вегетативного індексу (ЕМІ), що мали затримку, при цьому затримка була встановлена на 20 днів. Потім може бути створене лінійне співвідношення із використанням сигналів середнього вдосконаленого вегетативного індексу (ЕМІ) та наборів вологості грунту, при цьому значення вологості грунту використовуються для прогнозування наступних сигналів середнього вдосконаленого вегетативного індексу (ЕМІ) на основі скорельованого лінійного співвідношення між виміряними сигналами середнього вдосконаленого вегетативного індексу (ЕМІ) та виміряними наборами даних вологості грунту.
ІО166| У варіанті реалізації винаходу, набори даних вологості грунту для певних географічних локацій на певний період часу можуть бути згруповані у незалежні часові послідовності, що враховують географічну специфіку, для географічної області. У варіанті реалізації винаходу, вибір характерної ознаки може бути визначений за рахунок обчислення середньої вологості грунту на всьому певному діапазоні. Наприклад, середня вологість грунту може бути обчислена для кожного 5-ти денного вікна протягом всього періоду. Потім середня вологість грунту може бути порівняна із ретроспективною середньою кліматологією для пошуку аномалій вологості грунту. Наприклад, ретроспективна середня кліматологія для певної області може бути обчислена протягом 30-ти денного періоду. Потім аномалії вологості грунту можуть бути визначені за рахунок порівняння обчисленої 5-ти денної середньої вологості грунту для заданої області із ретроспективною середньою кліматологією для певної області. Потім, аномалії вологості грунту можуть бути вилучені для коваріантної матриці як обрані характерні ознаки, наприклад, як відносна вологість або відносна посуха.
І0167| 5. ЧАСОВІ ПОСЛІДОВНОСТІ, ЩО ВРАХОВУЮТЬ ГЕОГРАФІЧНУ СПЕЦИФІКУ (0168) 5.1 ПОПЕРЕДНЯ ОБРОБКА СИГНАЛУ
0169) Інструкції групування записів даних 171 можуть надавати інструкцію для попередньої обробки часових послідовностей, що враховують географічну специфіку, для видалення точок даних, що можуть надмірно відхилятися або, в іншому випадку, мати зміщення характерних ознак часових послідовностей, що враховують географічну специфіку. У варіанті реалізації винаходу, часові послідовності, що враховують географічну специфіку, можуть згладжуватися за рахунок реалізації технології локально зваженого згладжування діаграми розсіювання.
Локально зважене згладжування діаграми розсіювання є способом використання локально зваженої регресії для згладжування даних. Процес є локальним, так як кожне згладжене значення визначено за рахунок найближчих точок даних, визначених всередині інтервалу.
Процес є зваженим так як функція зваженої регресії визначена для точок даних всередині інтервалу.
ІО170| Фіг. б ілюструє попередню обробку сигналу та застосування локально зваженого згладжування діаграми розсіювання для сигналів, отриманих за рахунок дистанційного зондування, видимого червоного спектру у наборі часових послідовностей, що враховують географічну специфіку, які відображають певне поле в Айові. Графік 602 ілюструє часові послідовності, що враховують географічну специфіку, перед попередньою обробкою сигналу і застосуванням локально зваженого згладжування діаграми розсіювання. Як показано на області 606, є багато нерівномірних викидів, що розкинуті в діапазоні днів року (доу) від 125 до 170. Такі викиди можуть бути продуктами засмічених сигналів, отриманих за рахунок дистанційного зондування, до попередньої обробки і фільтрації сигналу.
І0171)| Графік 604 ілюструє часові послідовності, що враховують географічну специфіку, після попередньої обробки сигналу і застосуванням локально зваженого згладжування діаграми розсіювання. Як показано на області 608, ті ж самі нерівномірні викиди були відфільтровані із набору даних. Потім застосовується зважене згладжування діаграми розсіювання до очищених даних, створюючи загальний напрямок. За рахунок попередньої обробки сигналу та локально зваженого згладжування діаграми розсіювання для часових послідовностей, що враховують географічну специфіку, використовується більш точна лінія загального напрямку для відображення загальних умов для сільськогосподарської культури на певному полі.
І0172| В іншому варіанті реалізації винаходу, часові послідовності, що враховують
Зо географічну специфіку, можуть згладжуватися за рахунок реалізації диференційованої щільності розподілу за Гаусом. Диференційована щільність розподілу за Гаусом визначається використанням функції ф(Х,н, 0), де нн - середнє та с - стандартне відхилення нормального розподілу.
І0173| У попередньому описі, варіанти реалізації винаходу описані із посиланням на численні специфічні деталі, що можуть змінюватися в залежності від варіанту реалізації.
Відповідно, опис та графічні матеріали слід розглядати у ілюстративному, а не в обмежувальному сенсі. Виключним і єдиним показником об'єму даного винаходу, та тим, що припускалося заявниками як об'єм даного винаходу, є літеральним та еквівалентним об'ємом формули винаходу, що випливає з даної патентної заявки у специфічній формі, в якій така
Claims (24)
1. Спосіб, що включає етапи, на яких: отримують, із використанням інструкцій групування записів даних в серверній комп'ютерній системі, один або більше записів сільськогосподарських даних, які відображають тип значення коваріантних даних для саджанців на конкретній географічній локації у конкретний час, при цьому тип значення коваріантних даних містить щонайменше один із записів спектральних характеристик саджанців із використанням певної ширини спектрального діапазону, та запис вологості грунту; групують, із використанням інструкцій групування записів даних, один або більше записів сільськогосподарських даних для створення та збереження у комп'ютерній пам'яті однієї або більше часових послідовностей, що враховують географічну специфіку, протягом конкретного періоду часу; вибирають, із використанням інструкції групування записів даних, одну або більше типових характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, та створюють для кожної специфічної географічної області поля коваріантну матрицю у комп'ютерній пам'яті, що містить типові характерні ознаки, що вибрані із однієї або більше часових послідовностей, що враховують географічну специфіку; та визначають, із використанням інструкцій оцінки врожайності сільськогосподарської культури у серверній комп'ютерній системі, врожайність сільськогосподарської культури, що враховує специфіку поля, на конкретну дату за рахунок використання моделі змішаної лінійної регресії для обчислення врожайності сільськогосподарської культури, що враховує специфіку поля, із коваріантної матриці, що відображає конкретне поле, при цьому модель змішаної лінійної регресії містить одну або більше лінійних регресій для кожної з відповідних однієї або більше типових характерних ознак, що використовуються для створення коваріантної матриці, при чому одна або більше лінійних регресій містить: пов'язаний коефіцієнт регресії для конкретної ознаки з однієї або більше типових характерних ознак, яку обчислюють із вірогідного розподілу, що згенерований за рахунок інструкцій вірогідного розподілу, та величину похибки для конкретної ознаки, яку обчислюють із вірогідного розподілу, що згенерований за рахунок інструкцій вірогідного розподілу; призначають, із використанням інструкцій оцінки врожайності сільськогосподарської культури у серверній комп'ютерній системі, вірогідне значення до кожної з однієї або більше моделей лінійної регресії з моделі змішаної лінійної регресії, що відповідає вірогідності того, що конкретна ознака, що пов'язана із конкретною моделлю лінійної регресії, відповідає коваріантній матриці, що представляє конкретне поле; модифікують, на основі врожайності сільськогосподарської культури, що враховує специфіку поля, параметри роботи, визначені в одному або більше скриптах, що використовуються для програмування сільськогосподарського обладнання, що використовується для обробки конкретного поля.
2. Спосіб за п. 1, у якому додатково групують один або більше записів сільськогосподарських даних для створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору значень даних із одного або більше записів сільськогосподарських даних, на основі вегетаційного індексу, при цьому вегетаційний індекс є комбінацією одного або більше діапазонів довжини хвилі спектральної характеристики даних саджанця, що отримана за рахунок дистанційного зондування.
3. Спосіб за п. 1, який додатково включає етап, на якому створюють одну або більше часових Зо послідовностей, що враховують географічну специфіку, за рахунок застосування локально зваженого згладжування діаграми розсіювання до підмножини однієї або більше часових послідовностей, що враховують географічну специфіку.
4. Спосіб за п. 1, який додатково включає етап на якому вибирають одну або більше характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору максимального значення часових послідовностей, що враховують географічну специфіку, та середнього значення вибраної частини часових послідовностей, що враховують географічну специфіку.
5. Спосіб за п. 1, який додатково включає етап, на якому визначають врожайність сільськогосподарської культури, що враховує специфіку поля на певну дату за рахунок визначення прогнозованого інтервалу, пов'язаного із врожайністю сільськогосподарської культури, що враховує специфіку поля, при цьому прогнозований інтервал є діапазоном значень, що вимірюють рівень достовірності, пов'язаний із врожайністю сільськогосподарської культури, що враховує специфіку поля.
6. Спосіб, що включає етапи, на яких: отримують, із використанням інструкцій групування записів даних у серверній комп'ютерній системі, один або більше сільськогосподарських записів даних, що відображають тип значення коваріантних даних для саджанців на певній географічній локації у певний час, при цьому тип значення коваріантних даних містить щонайменше один із записів спектральних характеристик саджанців, що отримані за рахунок дистанційного зондування, із використанням ширини спектрального діапазону, та запис вологості грунту; групують, із використанням інструкції групування записів даних, один або більше записів сільськогосподарських даних для створення та збереження у комп'ютерній пам'яті однієї або більше часових послідовностей, що враховують географічну специфіку, протягом певного періоду часу; вибирають, із використанням інструкції групування записів даних, одну або більше типових характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, та створюють для кожної специфічної географічної області поля коваріантної матриці у комп'ютерній пам'яті, що містить типові характерні ознаки, що вибрані із однієї або більше часових послідовностей, що враховують географічну специфіку;
призначають, із використанням інструкції групування записів даних у серверній комп'ютерній системі, вірогідне значення для групи компонентів параметра у наборі груп компонентів параметра, при цьому кожна група компонентів параметра всередині набора груп компонентів параметрів містить: один або більше коефіцієнтів регресії, обчислених із вірогідного розподілу, що згенерований із використанням інструкцій генерації розподілу у серверній комп'ютерній системі; величину похибки, обчислену із вірогідного розподілу, згенерованого за рахунок інструкцій генерування розподілу; визначають, із використанням інструкцій оцінки врожайності сільськогосподарської культури у серверній комп'ютерній системі, врожайність сільськогосподарської культури, що враховує специфіку поля, на певну дату за рахунок використання моделі змішаної лінійної регресії для обчислення врожайності сільськогосподарської культури, що враховує специфіку поля, на основі коваріантної матриці та вірогідних значень, що призначені для кожної параметра групи компонента у наборі груп параметрів компонента; та модифікують, на основі врожайності сільськогосподарської культури, що враховує специфіку поля, параметри роботи, визначені в одному або більше скриптах, що використовуються для програмування сільськогосподарського обладнання, що використовується для обробки конкретного поля.
7. Спосіб за п. 6, що додатково включає етап, на якому призначають вірогідні значення для груп компонентів параметра у наборі груп компонентів параметра на основі значень ретроспективних даних для певної географічної локації, що є об'єктом спостереження.
8. Спосіб за п. 6, що додатково включає етап, на якому призначають вірогідні значення для груп компонентів параметра у наборі груп компонентів параметра на основі значень ретроспективних даних, що належать до множини полів під сільськогосподарською культурою, які оцінені.
9. Спосіб за п. 6, у якому додатково групують один або більше записів сільськогосподарських даних для створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору значень даних із одного або більше записів сільськогосподарських даних, на основі вегетаційного індексу, при цьому вегетаційний індекс є комбінацією одного або Зо більше діапазонів довжини хвилі спектральної характеристики даних саджанця, що отримана за рахунок дистанційного зондування.
10. Спосіб за п. 6, який додатково включає етап, на якому створюють одну або більше часових послідовностей, що враховують географічну специфіку, за рахунок застосування локально зваженого згладжування діаграми розсіювання до підмножини однієї або більше часових послідовностей, що враховують географічну специфіку, та вибирають середні значення із кожного інтервалу часу для створення однієї або більше часових послідовностей, що враховують географічну специфіку.
11. Спосіб за п. б, який додатково включає етап, на якому вибирають одну або більше характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору максимального значення часових послідовностей, що враховують географічну специфіку, та середнього значення вибраної частини часових послідовностей, що враховують географічну специфіку.
12. Спосіб за п. б, який додатково включає етап, на якому визначають врожайність сільськогосподарської культури, що враховує специфіку поля на певну дату за рахунок визначення прогнозованого інтервалу, пов'язаного із врожайністю сільськогосподарської культури, що враховує специфіку поля, при цьому прогнозований інтервал є діапазоном значень, що вимірюють рівень достовірності, пов'язаний із врожайністю сільськогосподарської культури, що враховує специфіку поля.
13. Система обробки даних, яка містить: пам'ять; один або більше процесорів, підключених до пам'яті із можливістю передачі даних, при цьому пам'ять виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, спонукають систему: отримувати, один або більше сільськогосподарських записів даних, що відображають тип значення коваріантних даних для саджанців на конкретній географічній локації у конкретний час, при цьому тип значення коваріантних даних містить щонайменше один із записів спектральних характеристик саджанців, що отримані за рахунок дистанційного зондування, із використанням ширини спектрального діапазону, та запис вологості грунту; Зо групувати один або більше записів сільськогосподарських даних для створення та збереження у комп'ютерній пам'яті однієї або більше часових послідовностей, що враховують географічну специфіку, протягом конкретного періоду часу; вибирати одну або більше типових характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, та створювати для кожного конкретного поля коваріантну матрицю у комп'ютерній пам'яті, що містить типові характерні ознаки, що вибрані із однієї або більше часових послідовностей, що враховують географічну специфіку; визначати врожайність сільськогосподарської культури, що враховує специфіку поля, на конкретну дату за рахунок використання моделі лінійної регресії для обчислення врожайності сільськогосподарської культури, що враховує специфіку поля, із коваріантної матриці, що відображає конкретне поле, при цьому один або більше коефіцієнтів регресії обчислюються із вірогідного розподілу, що згенерований за рахунок інструкцій генерування розподілу та величини похибки; модифікувати параметри роботи, визначені в одному або більше скриптах, що використовуються для програмування сільськогосподарського обладнання, що використовується для обробки конкретного поля на основі врожайності сільськогосподарської культури, що враховує специфіку поля.
14. Система обробки даних за п. 13, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до групування одного або більше записів сільськогосподарських даних для створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору значень даних із одного або більше записів сільськогосподарських даних, на основі вегетаційного індексу, при цьому вегетаційний індекс є комбінацією одного або більше діапазонів довжини хвилі спектральних характеристик, що отримані за рахунок дистанційного зондування.
15. Система обробки даних за п. 13, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок застосування локально зваженого згладжування діаграми розсіювання до підмножини однієї або більше часових послідовностей, що враховують географічну специфіку.
16. Система обробки даних за п. 13, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до вибору однієї або більше характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору максимального значення часових послідовностей, що враховують географічну специфіку, та середнього значення вибраної частини часових послідовностей, що враховують географічну специфіку.
17. Система обробки даних за п. 13, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до визначення врожайності сільськогосподарської культури, що враховує специфіку поля на конкретну дату за рахунок визначення прогнозованого інтервалу, пов'язаного із врожайністю сільськогосподарської культури, що враховує специфіку поля, при цьому прогнозований інтервал є діапазоном значень, що вимірюють рівень достовірності, пов'язаний із врожайністю сільськогосподарської культури, що враховує специфіку поля.
18. Система обробки даних, що містить: пам'ять; один або більше процесорів, підключених до пам'яті із можливістю передачі даних; при цьому пам'ять виконана із можливістю зберігати: інструкції групування записів даних, які, при виконанні одним або більше процесорами, спонукають один або більше процесорів до отримання одного або більше сільськогосподарських записів даних, що відображають тип значення коваріантних даних для саджанців на конкретній географічній локації у конкретний час, при цьому тип значення коваріантних даних містить щонайменше один із записів спектральних характеристик саджанців, що отримані за рахунок дистанційного зондування, із використанням ширини спектрального діапазону, та запис вологості грунту; інструкції групування записів даних, які, при виконанні одним або більше процесорами, спонукають один або більше процесорів до групування одного або більше сільськогосподарських записів даних для створення та зберігання у комп'ютерній пам'яті однієї або більше часових послідовностей, що враховують географічну специфіку, протягом бо конкретного періоду часу;
інструкції групування записів даних, які, при виконанні одним або більше процесорами, спонукають один або більше процесорів до вибору однієї або більше характерних ознак із однієї або більш часових послідовностей, що враховують географічну специфіку, та створення для кожного конкретного поля коваріантної матриці у комп'ютерній пам'яті, яка містить характерні ознаки, що вибрані із однієї або більше часових послідовностей, що враховують географічну специфіку; інструкції змішаної лінійної регресії, які, при виконанні одним або більше процесорами, спонукають один або більше процесорів до призначення вірогідного значення для групи компонентів параметра у наборі груп компонентів параметра, при цьому кожна група компонентів параметра всередині набору груп компонентів параметра містить: один або більше коефіцієнтів регресії, обчислених із вірогідного розподілу, що згенерований із використанням інструкцій генерування розподілу, що збережені у пам'яті, які виконуються одним або більше процесорами; величину похибки, що обчислена із вірогідного розподілу, згенерованого за рахунок інструкцій генерування розподілу, що збережені у пам'яті, які виконуються одним або більше процесорами; інструкції оцінки врожайності сільськогосподарської культури, які, при виконанні одним або більше процесорами, спонукають один або більше процесорів до визначення врожайності сільськогосподарської культури, що враховує специфіку поля, на конкретну дату за рахунок використання моделі змішаної лінійної регресії для обчислення врожайності сільськогосподарської культури, що враховує специфіку поля, на основі коваріантної матриці та вірогідних значень, що призначені для кожної групи компонентів параметра у наборі груп компонентів параметра.
19. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до призначення вірогідних значень для груп компонентів параметра у наборі груп компонентів параметру на основі значень ретроспективних даних, що належать до певної географічної локації, яка є об'єктом спостереження.
20. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із Зо можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до призначення вірогідних значень для груп компонентів параметра у наборі груп компонентів параметра на основі значень ретроспективних даних, пов'язаних із певною географічною локацією, що є об'єктом спостереження.
21. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до групування одного або більше записів сільськогосподарських даних для створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору значень даних із одного або більше записів сільськогосподарських даних, на основі вегетаційного індексу, при цьому вегетаційний індекс є комбінацією одного або більше діапазонів довжини хвилі спектральної характеристики саджанців, що отримані за рахунок дистанційного зондування.
22. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до створення однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок застосування локально зваженого згладжування діаграми розсіювання до підмножини однієї або більше часових послідовностей, що враховують географічну специфіку, та вибирають середні значення із кожного інтервалу часу для створення однієї або більше часових послідовностей, що враховують географічну специфіку.
23. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до вибору однієї або більше характерних ознак із однієї або більше часових послідовностей, що враховують географічну специфіку, за рахунок вибору максимального значення часових послідовностей, що враховують географічну специфіку, та середнього значення вибраної частини часових послідовностей, що враховують географічну специфіку.
24. Система обробки даних за п. 18, яка відрізняється тим, що пам'ять додатково виконана із можливістю зберігати інструкції, які, при виконанні одним або більше процесорами, додатково спонукають систему до визначення врожайності сільськогосподарської культури, що враховує специфіку поля на певну дату за рахунок визначення прогнозованого інтервалу, пов'язаного із врожайністю сільськогосподарської культури, що враховує специфіку поля, при цьому прогнозований інтервал є діапазоном значень, що вимірюють рівень достовірності, пов'язаний із врожайністю сільськогосподарської культури, що враховує специфіку поля. 102 104 108 реак ще / ве пари 106 Польові 10 ее -п- г. Зовнішні рот» ним де дані ше я 115 їльсьК ШЕ Комп'ютер | огосподарські 113 кабіни пристрої 112 Віддалений 114 Контролер датчик застосунку 109 Мережайі) 132 Комунікаційний рівень 170 Підсистема прогнозування врожайності сільськогосподарської культури на рівні поля 171 Інструкції групування записів даних 1/2 1 інції Інструкції Інструкції змішаної 160 Сховище лінійної генеруванн "лінійної моделей даних та регресії я розподілу регресії польових даних 175 Інструкції оцінки врожайності і сільськогосподарської сн ТУ 134 Презентаційний рівень 140 Рівень управління даними 150 Рівень апаратного забезпечення/віртуалізації 130 Сільськогосподарська інтелектуальна обчислювальна система:
Фіг. 1
200 Застосунок мобільного комп ютера пн І І Ос ПН МИ Я Щи ро інструкуй |, й | г інструкцій | | 516 ! одо | Інструкції шодо : інструкції щодо ш Інструкції щодо ! Шк : застосування | щодо виш ШЕ і внасіннята | І здоров'я | 0/0 продуктивності |; і ! азоту І погоди і і саджання | сои2Ш2 2 поля Е 206Цифровакартиувиглядіюнитм (2ОБінстукцітенерування скрилтв 294 Інструкції щодо огляду та попереджень 205 інструкції щодо облікового запису, поля, отримання та обробки даних, спільного ! використання
Фіг. 2(а) 220 Застосунок комп ютера кабіни 222 за за 28 ||23 Мапи - Віддалений і передавання | | Попередження Передавання Кабіна огляд | даних | механізму скрипту 232 Спостереження - Кабіна
Фіг. 2(Б)
Попередня обробка агрономічних даних Й агрономічних даних 310 Зворотній Оцінка масиву агрономічних даних Створення агрономічної моделі Збереження агрономічної моделі
Фіг. З
КИ ть з З МЕРЕ БЕ 1 Х іа ж о я У г 8 | ї х о ТЕ Ей пе о в во вн Я КИ І і т З З І 185 З : ше Ат в І ! БЕ і Е З І рай вх ' ! - чи; Н й ' і і Е. Е т 115 с-й 3 Н Н З ще Е. Й а ! я шин ! І РЕ г | І І Е і - і З «ЕН їх З БЕ НН Ка ЕФ 88 що ХЕ
Фіг. 4 Зб
505 Отримання сільськогосподарських даних 510 Групування даних до рівня поля 515 Створення часових послідовностей, що враховують специфіку поля, та коваріантної матриці 520(а) Призначення вірогідних значень для груп компонентів 525(а) Визначення врожайності сільськогосподарської культури, що враховують специфіку поля
Фіг. 5(а)
505 Отримання сільськогосподарських даних 510 Групування даних до рівня поля 515 Створення часових послідовностей, що враховують специфіку поля, та коваріантної матриці 520(5) Призначення вірогідних значень для груп компонентів 52515) Визначення врожайності сільськогосподарської культури, Що враховують специфіку поля
Фіг. 5(Б) і я до Після в. -606 і | і- 012 й ; Ї ! ДИ КС ЗК еВ НИ ПОНІ ШИ СД ЗО ое сад НИНІ ШО і | пойее, -? ! . | і 5 008 еру т І ; 5 006-4 ' г і нія НУ Пи НО РУХ Код ТИНИ НО НН НК. "ЧУ ЧО: ЯВИ НО ТИНИ ШИ зай ПН НО У НАННЯ КОН. но ПАННА ЖЖ 100350 200250 2300 700 150 200 250 300 День року
Фіг. 6
' Максимальний вдосконалений вегетативний індекс (ЕМІ) 704 ї :
й С. 06 | / ; й / Щі і Середній денний вдосконалений і вегетативний індекс (ЕМІ) е : 702 й І й М ши ш ее г . ! 100 150 200 250 День року
Фіг. 7 805 Ретроспективні коваріантні дані ше для заданого поля? Так Ні 810 Ретроспективні з15 Відсутні коваріантні дані для ретроспективні заданого поля існують у коваріантні дані для моделі змішаної лінійної заданого поля у моделі регресії змішаної лінійної регресії 820 Надані - додаткові шо ретроспективні Так НІ дані? і 830 Визначення 825 Визначення ! вірогідності групи вірогідності групи Ї компонентів параметру компонентів параметру | із використанням без додаткових | додаткових ретроспективних даних І ретроспективних даних
Фіг. 8 е гхІ Менеджер даних ! нНироген | Посадка | Практики | Грунт | ! Осінь 2 поля) ФО гній восени о полів) ФО М прогозми З 10 полів) ФІ Васнгі4 поля) я |ротесока кількість: 350 165 М/зс | Кількість: 200 Ба Мас Кількість: 350 155 М/8с Кількість: 150 оз М/зе кла 23 Застосовано: 1 х додатків | Застосовзамна: З х додатки Застосовамо: 2 х додатки Застоссвана: 2 х додатки Застоспазне: ! їх Ї | редагувати | прийняти. | | редагувати | прийняти 0 редагувати | прийняти | редагувати НП прийняти В п Вибрати всі І ї Серп Вер жовт Лист о Груд (чо лют Бер о КИ Трав о черв о ймп о Сере Вер ЕЙмсо, Айоза1 тт п є Кузурудза Г 100) С і с 103 ще нн Сілін; Міннесота З і ї Пе з Кукурудза Ї ОЇ ГИ Й 4 1 І Фридріки, Міенелхеса І надлишок Е бун,індіяна 5 Я | 7 Р п п « Кукурудза 1 320 | Бум, с- ; У 20 Айова Ї у надлицюк Шампейн А З Гі те Кукурудяа І ОЇ Со 3 і (х НВ В Швед, іалінойє надлищох В Е Мебряскаї тщ-З С же -сенучурудяа і ню: З й (М р Берт, Небраска надл шок
Фіг. 9 Менеджер даних Нітроген | Поєвдка Практики і Грунт Ох ОДИН ин пк Посадка 114 полів) Посадка 2 (0 полів) Посадка З (0 палів) Посадка (і поле) Врожай кукурудзяні Врожай кукурудзані Зрожай кукурудзяні Врожай кукурудзяні ЩО Дата посадки 12.34.16 Дататосадни 55.04.15 Дата посядни 1Б.04Я3Е Дата посадки 1316 КІ Її О 1191 к-ть 32000 І ОНЛЕВЗЕ кость 34000 ЩО 83 к-ть 34900 ШО 118 к-ть ЗОВ й Ж: Е нини г и миши Ен - - є Додати новим |: п Вибрати всі КУЛЬТУра засздженійхри продукт відносна зрілість цільовий врожай к-ть іприблизмої дата Яймс, Айова 1 п Кукурудав 1 00 1 Бун, г дова кукурудза не ОМСВ-М 1 15 ЗАХО Квіт і Остін, Міннагхта ї І пе кувурудлда ГОМ; о, Кубу , ; І Зчтдрікк, Міннег укурудза т-О рисова ча КЗ Коїт і Бус, ічдюної ТЗІ Мукурудаа І 1001 Був. ри 5 В Ор інютви кукурудаа - рмовамМ 12 159 МОЮ кв Шомпенні З пе- Кукурудяв | 300: кукурудаа -- - 12 щЮ ЗО Нвіт Шампейн, іхлінОйс с Мебраскаї тО.щоаі (2 го Мукурудка | 100 | Берт. кукурудза - - І що Маю Кат Небраска
Фіг. 10
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/956,657 US11062223B2 (en) | 2015-12-02 | 2015-12-02 | Forecasting field level crop yield during a growing season |
| PCT/US2016/064468 WO2017096073A1 (en) | 2015-12-02 | 2016-12-01 | Forecasting field level crop yield during a growing season |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| UA125930C2 true UA125930C2 (uk) | 2022-07-13 |
Family
ID=58797776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| UAA201807371A UA125930C2 (uk) | 2015-12-02 | 2016-12-01 | Спосіб управління робочими параметрами сільскогосподарського обладнання (варіанти) та система обробки даних (варіанти) |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US11062223B2 (uk) |
| EP (1) | EP3383160A4 (uk) |
| AR (1) | AR106900A1 (uk) |
| AU (1) | AU2016365336B2 (uk) |
| BR (1) | BR112018011240B1 (uk) |
| CA (1) | CA3007202C (uk) |
| UA (1) | UA125930C2 (uk) |
| WO (1) | WO2017096073A1 (uk) |
| ZA (1) | ZA201803756B (uk) |
Families Citing this family (92)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017010261A1 (ja) * | 2015-07-10 | 2017-01-19 | ソニー株式会社 | 検査装置、検査方法、及び、プログラム |
| US10529036B2 (en) | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| US20180096253A1 (en) * | 2016-10-04 | 2018-04-05 | Civicscape, LLC | Rare event forecasting system and method |
| US10445877B2 (en) | 2016-12-30 | 2019-10-15 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US10586105B2 (en) * | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| US10664702B2 (en) | 2016-12-30 | 2020-05-26 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US10434451B2 (en) * | 2017-07-26 | 2019-10-08 | Nant Holdings Ip, Llc | Apparatus and method of harvesting airborne moisture |
| US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US10853377B2 (en) * | 2017-11-15 | 2020-12-01 | The Climate Corporation | Sequential data assimilation to improve agricultural modeling |
| EP3726951B1 (en) * | 2017-12-21 | 2023-09-06 | BASF Agro Trademarks GmbH | Apparatus for determining agricultural relevant information |
| US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
| WO2019148122A1 (en) * | 2018-01-29 | 2019-08-01 | Aerovironment, Inc. | Multispectral filters |
| US11138677B2 (en) | 2018-04-24 | 2021-10-05 | Indigo Ag, Inc. | Machine learning in an online agricultural system |
| US11367093B2 (en) | 2018-04-24 | 2022-06-21 | Indigo Ag, Inc. | Satellite-based agricultural modeling |
| US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
| US10999967B2 (en) | 2018-05-25 | 2021-05-11 | The Climate Corporation | Cross-grower study and field targeting |
| US20200005166A1 (en) * | 2018-07-02 | 2020-01-02 | The Climate Corporation | Automatically assigning hybrids or seeds to fields for planting |
| US10891482B2 (en) | 2018-07-10 | 2021-01-12 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
| CN108828178B (zh) * | 2018-08-06 | 2024-05-31 | 中国环境科学研究院 | 一种水质巡检设备 |
| EP3853687A4 (en) * | 2018-09-21 | 2022-11-09 | Climate LLC | TUNABLE MODELS FOR DISTRIBUTED GOODS IN AGRICULTURE |
| US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
| US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
| US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
| US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
| US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
| US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
| US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
| US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
| US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
| US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
| US11449831B2 (en) * | 2018-11-14 | 2022-09-20 | Starlight Ag, Llc | Systems and methods for selective and real-time user interface display |
| CN109740794A (zh) * | 2018-12-01 | 2019-05-10 | 贵州省烟草公司黔南州公司 | 一种烤烟单产量预测方法 |
| EP3897100A4 (en) * | 2018-12-19 | 2022-09-21 | The Board Of Trustees Of The University Of Illinois | CROP YIELD PREDICTION APPARATUS AND METHOD |
| US11574465B2 (en) * | 2018-12-21 | 2023-02-07 | Climate Llc | In-season field level yield forecasting |
| BR112021016190A2 (pt) * | 2019-02-15 | 2021-11-03 | Tata Consultancy Services Ltd | Método implementado por processador, sistema para determinar pontuação do índice de queima e um ou mais meios de armazenamento de informações legíveis por máquina não transitórios |
| MX2021010120A (es) * | 2019-02-21 | 2021-09-23 | Climate Llc | Modelado y seguimiento digital de campos agricolas para implementar ensayos de campo agricola. |
| US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
| US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
| BR112021021451A2 (pt) * | 2019-05-17 | 2022-01-04 | Climate Corp | Sistema agrícola integrado por voz |
| EP3997546A4 (en) * | 2019-07-08 | 2023-07-12 | Indigo AG, Inc. | CROP YIELD FORECAST MODELS |
| CN112434781B (zh) * | 2019-08-26 | 2024-09-10 | 上海寒武纪信息科技有限公司 | 用于处理数据的方法、装置以及相关产品 |
| WO2021062177A1 (en) * | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Imputation of remote sensing time series for low-latency agricultural applications |
| WO2021062147A1 (en) | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
| WO2021100429A1 (ja) * | 2019-11-18 | 2021-05-27 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム |
| US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
| US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
| WO2021198389A1 (en) * | 2020-04-03 | 2021-10-07 | Basf Agro Trademarks Gmbh | Method for verifying and/or correcting geographical map data |
| US20210350128A1 (en) * | 2020-05-07 | 2021-11-11 | E. & J. Gallo Winery | System and method for managing and processing agricultural field data |
| US11321332B2 (en) * | 2020-05-18 | 2022-05-03 | Business Objects Software Ltd. | Automatic frequency recommendation for time series data |
| CN111624160A (zh) * | 2020-06-10 | 2020-09-04 | 忻州师范学院 | 一种在线检测谷物生长状况的方法及其装置 |
| BR112023000950A2 (pt) | 2020-07-21 | 2023-03-28 | Indigo Ag Inc | Algoritmos de sensoriamento remoto para mapear a agricultura regenerativa |
| US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
| US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
| US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
| US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
| US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
| US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
| US11946747B2 (en) * | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
| US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
| US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
| US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
| US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
| US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
| US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
| US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
| US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
| US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
| US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
| US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
| US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
| US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
| US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
| US11937560B2 (en) | 2021-04-27 | 2024-03-26 | Zordi, Inc. | Autonomous greenhouse control system |
| US11823448B2 (en) * | 2021-04-29 | 2023-11-21 | International Business Machines Corporation | Agricultural crop identification using satellite and crop rotation |
| CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
| US12073356B2 (en) | 2021-07-07 | 2024-08-27 | Agtools Inc. | Systems and methods for supply chain intelligence |
| CN113642579B (zh) * | 2021-07-08 | 2024-08-06 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
| WO2023283740A1 (en) * | 2021-07-15 | 2023-01-19 | Bitstrata Systems Inc. | Harvest yield prediction methods and system |
| WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
| CA3230474A1 (en) | 2021-08-31 | 2023-03-09 | Eleanor Elizabeth Campbell | Systems and methods for ecosystem credit recommendations |
| US20230189689A1 (en) * | 2021-12-22 | 2023-06-22 | Agco Corporation | Row position mapping of an agricultural implement |
| US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
| NO20220416A1 (en) * | 2022-04-05 | 2023-10-06 | Digifarm As | Methods and systems for estimating crop yield from vegetation index data |
| US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
| WO2024059300A1 (en) * | 2022-09-15 | 2024-03-21 | Indigo Ag, Inc. | Uncertainty prediction models |
| CN115879836B (zh) * | 2023-03-08 | 2023-05-12 | 吉林高分遥感应用研究院有限公司 | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 |
| CN116595333B (zh) * | 2023-05-18 | 2024-04-09 | 中国农业大学 | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 |
| CN117575111B (zh) * | 2024-01-16 | 2024-04-12 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61109611A (ja) * | 1984-10-30 | 1986-05-28 | Kawasaki Steel Corp | クロツプシヤ−による棒鋼の先後端切断方法 |
| US8855405B2 (en) | 2003-04-30 | 2014-10-07 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
| 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 |
| DE102005059003A1 (de) * | 2005-12-08 | 2008-03-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Routenplanungssystem für landwirtschaftliche Arbeitsmaschinen |
| NZ562316A (en) | 2007-10-09 | 2009-03-31 | New Zealand Inst For Crop And | Method and system of managing performance of a tuber crop |
| US8306750B2 (en) | 2009-08-18 | 2012-11-06 | Plant Health Care, Inc. | Computer-automated spatial analysis |
| RU2415556C1 (ru) | 2009-08-28 | 2011-04-10 | Государственное научное учреждение Прикаспийский научно-исследовательский институт аридного земледелия Российской академии сельскохозяйственных наук | Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты) |
| US8855937B2 (en) * | 2010-10-25 | 2014-10-07 | Trimble Navigation Limited | Crop characteristic estimation |
| JP5626056B2 (ja) | 2011-03-18 | 2014-11-19 | 富士通株式会社 | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 |
| US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
| US20140278731A1 (en) | 2013-03-15 | 2014-09-18 | Cresco Ag, Llc | System and Method for Agricultural Risk Management |
| US9116924B2 (en) * | 2013-01-14 | 2015-08-25 | Xerox Corporation | System and method for image selection using multivariate time series analysis |
| RU2537912C2 (ru) | 2013-04-29 | 2015-01-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
| JP6147579B2 (ja) | 2013-06-18 | 2017-06-14 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
| US9349148B2 (en) | 2013-07-17 | 2016-05-24 | Sigma Space Corp. | Methods and apparatus for adaptive multisensor analisis and aggregation |
| WO2015051339A1 (en) * | 2013-10-03 | 2015-04-09 | Farmers Business Network, Llc | Crop model and prediction analytics |
| WO2015100023A1 (en) | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
| JP2015189515A (ja) | 2014-03-31 | 2015-11-02 | 株式会社日立製作所 | 液体調整装置及び液体分注システム |
| CN103955860A (zh) | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
| US9974226B2 (en) | 2014-04-21 | 2018-05-22 | The Climate Corporation | Generating an agriculture prescription |
| US9131644B2 (en) | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
| US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| US9140824B1 (en) | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
-
2015
- 2015-12-02 US US14/956,657 patent/US11062223B2/en active Active
-
2016
- 2016-12-01 EP EP16871523.3A patent/EP3383160A4/en not_active Ceased
- 2016-12-01 CA CA3007202A patent/CA3007202C/en active Active
- 2016-12-01 AR ARP160103689A patent/AR106900A1/es active IP Right Grant
- 2016-12-01 BR BR112018011240-2A patent/BR112018011240B1/pt not_active IP Right Cessation
- 2016-12-01 UA UAA201807371A patent/UA125930C2/uk unknown
- 2016-12-01 AU AU2016365336A patent/AU2016365336B2/en not_active Ceased
- 2016-12-01 WO PCT/US2016/064468 patent/WO2017096073A1/en active Application Filing
-
2018
- 2018-06-06 ZA ZA2018/03756A patent/ZA201803756B/en unknown
-
2021
- 2021-07-07 US US17/369,835 patent/US20210406745A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20170161627A1 (en) | 2017-06-08 |
| AU2016365336A1 (en) | 2018-06-28 |
| CA3007202A1 (en) | 2017-06-08 |
| BR112018011240B1 (pt) | 2022-03-15 |
| CA3007202C (en) | 2023-01-17 |
| BR112018011240A2 (pt) | 2018-11-21 |
| EP3383160A4 (en) | 2019-04-10 |
| WO2017096073A1 (en) | 2017-06-08 |
| EP3383160A1 (en) | 2018-10-10 |
| AU2016365336B2 (en) | 2020-11-12 |
| AR106900A1 (es) | 2018-02-28 |
| US20210406745A1 (en) | 2021-12-30 |
| US11062223B2 (en) | 2021-07-13 |
| ZA201803756B (en) | 2020-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210406745A1 (en) | Forecasting field level crop yield during a growing season | |
| EP3827401B1 (en) | Generating agronomic yield maps from field health imagery | |
| US20210144908A1 (en) | Method for recommending seeding rate for corn seed using seed type and sowing row width | |
| US10467540B2 (en) | Estimating confidence bounds for rainfall adjustment values | |
| CA3020852C (en) | Estimating rainfall adjustment values | |
| EP4089602A1 (en) | Location selection for treatment sampling | |
| US20200042890A1 (en) | Automatic prediction of yields and recommendation of seeding rates based on weather data | |
| 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 | |
| CN113163710B (zh) | 标识和利用农田中的测试地点的系统和方法 | |
| UA126557C2 (uk) | Спосіб визначення врожайності сільськогосподарської культури на національному рівні протягом періоду вегетації із використанням погодних індексів | |
| UA126553C2 (uk) | Спосіб контролю застосування азоту на полі | |
| UA125849C2 (uk) | Спосіб контролю роботи сільськогосподарського транспорту | |
| CN113226010B (zh) | 利用空间统计模型实现农艺试验 | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control |