UA126650C2 - Прогнозування національного врожаю під час вегетаційного періоду - Google Patents

Прогнозування національного врожаю під час вегетаційного періоду Download PDF

Info

Publication number
UA126650C2
UA126650C2 UAA201710622A UAA201710622A UA126650C2 UA 126650 C2 UA126650 C2 UA 126650C2 UA A201710622 A UAA201710622 A UA A201710622A UA A201710622 A UAA201710622 A UA A201710622A UA 126650 C2 UA126650 C2 UA 126650C2
Authority
UA
Ukraine
Prior art keywords
specific
time series
agricultural
yield
geographic
Prior art date
Application number
UAA201710622A
Other languages
English (en)
Inventor
Йінг Ксу
Йинг Ксу
Лійуан Ксу
Лийуан Ксу
Original Assignee
Клаймет Ллсі
Клаймет Ллси
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Клаймет Ллсі, Клаймет Ллси filed Critical Клаймет Ллсі
Priority claimed from PCT/US2016/023348 external-priority patent/WO2016160384A1/en
Publication of UA126650C2 publication Critical patent/UA126650C2/uk

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D1/00—Investigation of foundation soil in situ
    • E02D1/02—Investigation of foundation soil in situ before construction work
    • E02D1/04—Sampling of soil
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/245—Earth materials for agricultural purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C99/00—Subject matter not provided for in other groups of this subclass
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G01N2201/0616—Ambient light is used
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Environmental Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Botany (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Soil Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)

Abstract

Запропоновано спосіб визначення врожаїв сільськогосподарських культур у масштабі всієї країни протягом вегетаційного періоду з використанням регіональних сільськогосподарських даних. Серверна комп'ютерна система отримує записи сільськогосподарських даних, які представляють значення коваріаційних даних, що стосуються рослин у певних географічних місцях розташування в певний час. Записи сільськогосподарських даних агрегуються для створення геоспецифічних часових рядів, які представляють конкретне географічне місце розташування в певний час. Агрегований часовий ряд створюється з підмножини геоспецифічних часових рядів. Потім коваріаційна матриця створюється з репрезентативних ознак агрегованих часових рядів для кожної конкретної географічної області. Врожаї сільськогосподарських культур для штатів визначаються з використанням модуля лінійної регресії для розрахунку врожаю сільськогосподарських культур для конкретного штату та року. Урожай сільськогосподарських культур у масштабі всієї країни розраховується з використанням розподілу для конкретного року з суми врожаїв сільськогосподарських культур конкретних штатів за певний рік з коригуванням за допомогою модуля коригування врожаю сільськогосподарських культур у масштабі всієї країни.

Description

ГАЛУЗЬ ТЕХНІКИ
ЇО001| Цей винахід стосується комп'ютерних систем та комп'ютеризованих способів, виконаних із можливістю створення значень даних, які можуть використовуватися для прогнозування врожаю сільськогосподарських культур у масштабі всієї країни у вегетаційний період на основі регіональних вимірювань, виконаних протягом певного періоду часу.
РІВЕНЬ ТЕХНІКИ
0002 Описані в даному розділі підходи -- це підходи, які можуть бути реалізовані, але не обов'язково це підходи, які були раніше задумані або реалізовані. Тому, якщо не вказано інше, не слід вважати, що будь-який з описаних в цьому розділі підходів належить до попереднього рівня техніки тільки внаслідок його включення в даний розділ.
ЇО0ООЗ| Для сільськогосподарського виробництва потрібна значна стратегія й аналіз. У багатьох випадках сільськогосподарські виробники, такі як фермери або інші особи, які беруть участь у сільськогосподарській обробці грунту, повинні аналізувати різноманітні дані, щоб приймати стратегічні рішення до і під час періоду культивації грунту під посів. Приймаючи такі стратегічні рішення, виробники покладаються на комп'ютерні моделі прогнозування врожаю, щоб визначити свою стратегію культивації. Моделі прогнозування врожаю сільськогосподарських культур можуть допомогти виробнику вирішити, як витрачати або зберігати ресурси в ключових областях, що впливають на вирощування культур. Це можуть бути, наприклад, витрати на паливо та інші ресурси, інвестиції в обладнання, страхування врожаю та трудові ресурси, необхідні для вирощування сільськогосподарських культур.
Ї0004| Моделі прогнозування врожаю сільськогосподарських культур також широко використовуються страховими компаніями і компаніями з управління ризиками для розрахунку страхових премій за договорами страхування на основі певних факторів ризику. Наприклад, страхування доходів від врожаю є страховим полісом, який захищає прогнозований дохід фермера в певному році й охоплює можливе зниження ціни протягом вегетаційного періоду культур. Такий захист доходів від врожаю грунтується на визначенні відхилення від середнього прогнозованого доходу від врожаю. Для того, щоб скласти програми страхування доходів від врожаю, що приносять прибуток, страховим компаніям необхідно мати точні моделі прогнозування врожаю сільськогосподарських культур, що дозволяють точно оцінити доходи
Зо фермера.
І0005) Однак, більшість вимірювань вирощеного врожаю відбувається в кінці вегетаційного періоду, на місцевому або регіональному рівні. У великій країні, такій як США, отримання точних прогнозів врожаю сільськогосподарських культур у масштабі всієї країни та протягом вегетаційного періоду завжди було справжнім викликом для фермерів і страхових компаній.
Місцеві та регіональні вимірювання є багаточисельними, виконуються в географічно розподілених районах і їх важко отримати протягом вегетаційного періоду, коли фермери зайняті іншими важливими завданнями, пов'язаними з вирощуванням культур. Отже, однією з проблем при створенні точної моделі прогнозування врожаю сільськогосподарських культур є просто отримання даних, які можуть використовуватися для створення моделі прогнозування врожаю сільськогосподарських культур у масштабі всієї країни протягом вегетаційного періоду.
Один із підходів полягає у використанні даних, наданих Національною сільськогосподарською статистичною службою Міністерства сільського господарства США (МА55). МА55 застосовує методику збору даних на основі опитувань про врожай сільськогосподарських культур, що проводяться кілька разів на рік. Опитування проводяться безпосередньо серед фермерів по всій країні. Їх просять повідомити про стан своїх посівів на час проведення опитування. Однак цей підхід не особливо корисний для прогнозування протягом вегетаційного періоду, оскільки фермери не можуть забезпечити хорошу оцінку врожаю сільськогосподарських культур, поки не настане час збору врожаю в кінці вегетаційного періоду.
Ї000О6| Інші підходи до точного прогнозування врожаю сільськогосподарських культур протягом вегетаційного періоду можуть включати використання моделей процесу моделювання посівів, наприклад, для прогнозування регіонального врожаю зернових. Недоліки цього підходу полягають в тому, що для моделей процесів потрібна множина місцевих даних, включаючи кліматичні та погодні умови, стан грунту, і точки заміру даних, що охоплюють великий набір сільськогосподарських регіонів. Для забезпечення точності ці дані також повинні бути відкалібровані. Вартість збору великої кількості місцевих даних і калібрування параметрів робить процес моделювання занадто дорогим, щоб його можна було використовувати у масштабі всієї країни.
ЇО007| Бажано мати способи аналізу обмеженої кількості даних, пов'язаних з урожаєм, протягом вегетаційного періоду і моделювання врожаю сільськогосподарських культур у 60 масштабі всієї країни.
КОРОТКИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВ
0008) У наведених графічних матеріалах:
ІЇ0О009| На Фіг.1 проілюстрований варіант реалізації сільськогосподарської інформаційної системи.
ЇОО10| На Фіг. 2 проілюстровано комп'ютеризований процес отримання записів сільськогосподарських даних, агрегування записів сільськогосподарських даних для створення часових рядів для географічної області та визначення врожаю сільськогосподарських культур на рівні штату та всієї країни.
ЇОО11| На Фіг. З проілюстрований графік агрегованих часових рядів для конкретної географічної області. 0012) На Фіг. 4 проілюстровано застосування локально зваженого згладжування діаграми розсіювання до множини агрегованих часових рядів. 00131 На Фіг. 5 проілюстрована комп'ютерна система, в якій може бути здійснений варіант реалізації винаходу.
ДОКЛАДНИЙ ОПИС СУТІ ВИНАХОДУ
0014) У наведеному нижче описі при поясненні використовуються численні конкретні деталі та приклади. Це зроблено для того, щоб забезпечити повне розуміння цього винаходу. Однак слід розуміти, що варіанти реалізації цього винаходу можуть застосовуватись на практиці і без зазначених конкретних деталей. В інших випадках добре відомі конструкції та пристрої показані у вигляді блок-схеми, щоб не ускладнювати сприйняття опису винаходу. 0015) Загальна Інформація
ЇО016| Запропонована комп'ютерна система і комп'ютеризований спосіб, виконаний з можливістю визначення врожаїв культур у масштабі всієї країни протягом вегетаційного періоду з використанням регіональних сільськогосподарських даних. В одному варіанті реалізації винаходу визначення врожаю сільськогосподарських культур протягом вегетаційного періоду може бути виконано з використанням серверної комп'ютерної системи, яка отримує по мережі записи сільськогосподарських даних, які використовуються для прогнозування врожаю сільськогосподарських культур у масштабі всієї країни в конкретному році. У серверній комп'ютерній системі модуль сільськогосподарського часового ряду отримує одну або кілька записів сільськогосподарських даних, які представляють собою тип значень коваріаційних даних, що відносяться до рослин у певному географічному розташуванні в певний час. Типи значень коваріаційних даних можуть включати одержувані шляхом дистанційного зондування дані спектральних властивостей рослин в межах певної смуги спектра і записи даних про вологість грунту. Для дистанційного зондування використовується електронне цифрове сенсорне обладнання, яке може бути повітряного, супутникового базування або локальним, як описано далі. Потім модуль сільськогосподарського часового ряду агрегує значення сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів, які представляють конкретне географічне місце розташування протягом певного часу. Модуль сільськогосподарського часового ряду створює один або кілька агрегованих часових рядів, які представляють географічні області з підмножини одного або кількох геоспецифічних часових рядів.
ЇОО17| Потім модуль оцінки врожаю сільськогосподарських культур вибирає репрезентативну ознаку з одного або кількох агрегованих часових рядів і створює коваріаційну матрицю для кожної конкретної географічної області в комп'ютерній пам'яті серверної комп'ютерної системи. Коваріаційна матриця містить репрезентативні ознаки, вибрані з одного або кількох агрегованих часових рядів. У випадку країни з державним устроєм, що представляє собою федерацію штатів, модуль оцінки врожаю сільськогосподарських культур потім визначає урожай сільськогосподарських культур для конкретного штату та року, з використанням модуля лінійної регресії для розрахунку врожаю сільськогосподарських культур штату з коваріаційної матриці, яка представляє конкретний штат у цьому конкретному році. Параметри модуля лінійної регресії включають коефіцієнти регресії, які розраховуються з використанням модуля створення розподілу, й величину похибки, яка розраховується з використанням модуля створення розподілу, причому середній параметр величини похибки дорівнює нулю, а параметр дисперсії є коефіцієнтом зсуву, специфічним для штату. 0018) Після визначення конкретних врожаїв для штатів модуль оцінки врожаю визначає урожай сільськогосподарських культур у масштабі всієї країни за конкретний рік, використовуючи модуль створення розподілу для розрахунку врожаю сільськогосподарських культур у масштабі всієї країни за певний рік із суми врожаїв штатів за конкретний рік, скоригованих для всієї країни з використанням модуля коригування врожаю бо сільськогосподарських культур у масштабі всієї країни. У варіанті реалізації винаходу урожай сільськогосподарських культур може стосуватися врожаю конкретної культури, наприклад, врожаю зернових.
І0019| Огляд Структури (0020) В одному варіанті реалізації винаходу сільськогосподарська інформаційна система, що містить одну або кілька комп'ютерних програм, інші програмні елементи або комп'ютерну логіку, виконана з можливістю визначення врожаю сільськогосподарських культур у масштабі всієї країни протягом вегетаційного періоду на основі сільськогосподарських даних з одного або кількох джерел. Сільськогосподарська інформаційна система пов'язана по мережі з одним або кількома ресурсами сільськогосподарських даних. Сільськогосподарська інформаційна система використовує ресурси сільськогосподарських даних для запиту різних точок коваріаційних даних, які потім використовуються для розрахунку врожаю сільськогосподарських культур у масштабі всієї країни для певного року. Коваріаційні дані стосуються незалежних змінних, які можуть використовуватися для прогнозування врожаю сільськогосподарських культур. У цьому контексті коваріаційні дані відносяться до різних записів сільськогосподарських даних, відповідних областей вирощування сільськогосподарських культур, таких як щільність рослин і ступінь зрілості конкретних культур на сільськогосподарських угіддях, або інформація про грунти, що відноситься до його складу та водонасиченості Зокрема, записи сільськогосподарських даних можуть включати, не обмежуючись названим, регіональні сільськогосподарські дані, що відносяться до сигналів дистанційного зондування, і дані про вологість грунту.
ІЇО021| Дистанційне зондування означає використання сенсорних технологій, що застосовуються для виявлення та класифікації об'єктів на Землі за допомогою сигналів, що поширюються. У варіанті реалізації винаходу сигнали дистанційного зондування виявляються з використанням скануючого спектрорадіометра середньої роздільної здатності (МООІ5). На момент написання даного опису МОБ0ІЗ знаходиться на борту супутників МАЗА Тегїта і Адпа і забезпечує сканування Землі з використанням 36 спектральних діапазонів або груп довжин хвиль. Роздільна здатність для кожного пікселя може забезпечуватися на необхідному рівні, до метрів. Вимірювання в різних спектральних смугах можуть виконуватися з використанням різних роздільних здатностей у метрах, включаючи, але не обмежуючись названим: 250 метрів, 500
Зо метрів і 1000 метрів. Для визначення характеристик рослинності на Землі можуть використовуватися різні сигнали дистанційного зондування, як зазначено в розділі "Дистанційне
Зондування".
І0022| Дані про вологість грунту можуть використовуватися для визначення рівня водонасиченості землі і того, чи мають окремі ділянки сільськогосподарських земель рівні вологості грунту, які вказують на посуху в цьому регіоні. В одному варіанті реалізації винаходу дані про вологість грунту можуть бути отримані з серверів Систем збору даних про використання земель (ОАБ5) МАБА. ГОАБ -- це проект збору та створення наборів даних моделей земної поверхні на основі даних про опади для реєстрації вологості грунту в різних регіонах. В одному варіанті реалізації винаходу набори даних про вологість грунту можуть бути отримані за допомогою цифрових повідомлень-запитів від прикладного комп'ютера до серверних комп'ютерів ГОА5, у яких запитуються дані про вологість грунту для конкретних регіонів, що представляють інтерес, як описано в розділі "Дані про вологість грунту" даного опису.
ІОО23| На Фіг. 1 зображено варіант реалізації винаходу ілюстративної сільськогосподарської інформаційної системи, з'єднаної з одним або кількома ресурсами сільськогосподарських даних і клієнтським пристроєм. В одному варіанті сільськогосподарська інформаційна система 110 з'єднана через мережу 106 із зовнішнім сервером даних дистанційного зондування 102, сервером даних про вологість грунту 104 та клієнтським пристроєм 130. Для ілюстрації чіткого і ясного прикладу, на фіг. 1 зображені одиничні екземпляри зазначених вище елементів, однак на практиці варіанти реалізації винаходу можуть містити кластери комп'ютерів у будь-якій кількості, і один або кілька елементів можуть бути реалізовані з використанням декількох екземплярів фізичних або віртуальних серверів у центрах обробки даних, у центрах хмарних обчислень, тощо.
І0024| Сервер даних дистанційного зондування 102 містить сховище даних, в якому зберігаються сигнали дистанційного зондування для конкретних ділянок землі в певний час.
Сільськогосподарська інформаційна система 110 може отримувати за запитом дані дистанційного зондування, що стосуються окремого географічного місця розташування та часу, і обробляти дані дистанційного зондування для отримання прогнозу врожаю сільськогосподарських культур. В альтернативному варіанті сільськогосподарська інформаційна бо система 110 може містити один або кілька серверів зберігання даних, що використовуються для зберігання даних дистанційного зондування, отриманих по запиту від сервера даних дистанційного зондування 102, для подальшої обробки даних. (0025) В одному варіанті реалізації винаходу сервер даних про вологість грунту 104 містить набори даних про вологість грунту з даних вимірювань опадів у конкретному географічному місцерозташуванні в певний час. Сільськогосподарська інформаційна система 110 може витягувати дані про вологість грунту для розрахунку прогнозу врожаю сільськогосподарських культур, або для зберігання даних про вологість грунту на одному або кількох внутрішніх серверах зберігання даних у сільськогосподарській інформаційній системі 110. (0026) В одному варіанті реалізації винаходу сільськогосподарська інформаційна система 110 містить множину взаємопов'язаних логічних модулів, виконаних з можливістю перетворення вихідних сільськогосподарських даних від сервера даних дистанційного зондування 102 і сервера даних про вологість грунту 104 на модель прогнозування врожаю сільськогосподарських культур. Як видно на Фіг. 1, в одному варіанті реалізації винаходу сільськогосподарська інформаційна система 110 містить модуль агрегованих часових рядів, з'єднаний з модулем оцінки врожаю сільськогосподарських культур 114, модулем лінійної регресії 116, модулем створення розподілу 118 і модулем коригування врожаю сільськогосподарських культур у масштабі всієї країни 120. Кожен з модулів може бути реалізований у різних варіантах реалізації винаходу з використанням однієї або кількох комп'ютерних програм, інших програмних елементів, апаратно-програмного забезпечення, апаратної логіки, такої як ЕРОСА або АЗІС, або будь-якої комбінації зазначеного вище.
І0027| Модуль агрегованих часових рядів 112 виконаний з можливістю отримання сільськогосподарських даних, що зчитуються з серверів даних, і об'єднання окремих записів даних у часовий ряд. "Часовий ряд" у цьому описі стосується цифрових даних, які можуть бути електронним чином збережені в основній пам'яті або на цифрових електронних запам'ятовуючих пристроях, пов'язаних із сільськогосподарською інформаційною системою 110.
Часовий ряд представляє собою набір значень даних, які представляють певну область для декількох періодів часу. Наприклад, агрегований часовий ряд може містити значення даних дистанційного зондування для конкретного географічного місця розташування, де кожне значення даних представляє 8-денний період, а весь часовий ряд охоплює інтервал тривалістю
Зо в один рік. Дані часових рядів особливо корисні при розробці моделей прогнозування.
Наприклад, агрегований часовий ряд значень даних дистанційного зондування за частину року може використовуватися для прогнозування розподілу врожаю сільськогосподарських культур у майбутні місяці цього року, що, в свою чергу, може використовуватися для прогнозування врожаю сільськогосподарських культур у цьому році У подальшому модуль агрегованих часових рядів 112 об'єднує дані часових рядів у більші набори часових рядів, які представляють географічну область, таку як цілий штат.
І0028| Модуль агрегованих часових рядів 112 виконаний з можливістю відправки, після агрегування значень сільськогосподарських даних, агрегованих часових рядів у модуль оцінки врожаю сільськогосподарських культур 114. Модуль оцінки врожаю сільськогосподарських культур 114 виконаний з можливістю отримання кількох часових рядів, кожен з яких представляє виміряну коваріацію для конкретного регіону. Модуль оцінки врожаю сільськогосподарських культур 114 вибирає репрезентативну ознаку з кожного з кількох часових рядів. У варіанті реалізації винаходу максимальне значення часового ряду вибирається так, щоб представляти конкретний коваріаційний часовий ряд для географічної області.
І0029| Модуль оцінки врожаю сільськогосподарських культур 114 виконаний з можливістю створення, після вибору репрезентативної ознаки для кожного коваріаційного часового ряду, коваріаційної матриці для кожної конкретної географічної області, що складається з обраних репрезентативних значень. Кожна коваріаційна матриця, що створена з використанням цього підходу, містить набір цифрових даних, які електронним чином зберігаються в цифровому електронному запам'ятовуючому пристрої, з'єднаному з сільськогосподарською інформаційною системою 110, або в основній пам'яті сільськогосподарської інформаційної системи 110. У варіанті реалізації винаходу певна географічна область може бути будь-яким з сільськогосподарських штатів. Тому кожна коваріаційна матриця може представляти будь-який сільськогосподарський штат, та містити репрезентативні значення коваріаційних часових рядів для цього штату.
І0030| Модуль оцінки врожаю сільськогосподарських культур 114 виконаний з можливістю визначення врожаю сільськогосподарських культур для конкретного штату шляхом обміну даними з модулем лінійної регресії 116. Модуль 116 лінійної регресії запрограмований або виконаний з можливістю визначення врожаю сільськогосподарських культур для конкретного бо штату із застосуванням функції лінійної регресії до коваріаційної матриці конкретного штату, що приводить до створення та збереження цифрових даних, що представляють результат застосування функції лінійної регресії, у пам'яті або в запам'ятовуючому пристрої. Щоб визначити врожай сільськогосподарських культур для конкретного штату та певного року, модуль лінійної регресії 116 запрограмований на використання визначеного для штату регресійного коефіцієнта В й величини похибки є. Для визначення коефіцієнта регресії ВД й величини похибки є для конкретного штату модуль лінійної регресії 116 взаємодіє з модулем створення розподілу 118.
ЇОО31| Модуль створення розподілу 118 запрограмований або виконаний з можливістю визначення значень розподілу для конкретного штату і збереження значень у вигляді цифрових даних у пам'яті або запам'ятовуючому пристрої сільськогосподарської інформаційної системи 110. У варіанті реалізації винаходу розрахованим розподілом є нормальний розподіл, оскільки коефіцієнт ВД і величина похибки є для конкретного штату визначаються з використанням незалежної та ідентично розподіленої випадкової змінної з функції нормального розподілу та хронологічних даних вимірювань минулих років. Після того, як модуль створення розподілу 118 визначає коефіцієнт регресії В й величину похибки є для конкретного штату, він направляє ці значення у модуль лінійної регресії 116. Модуль лінійної регресії 116 запрограмований на використання коваріаційної матриці, коефіцієнта регресії В й величини похибки є для визначення значення врожаю для конкретного штату у вигляді цифрових даних і передачі значення врожаю в модуль оцінки врожаю сільськогосподарських культур 114.
ІЇ0032| Модуль оцінки врожаю сільськогосподарських культур 114 запрограмований визначати, у відповідь на отримання значень врожаю для всіх запитаних штатів, урожай сільськогосподарських культур у масштабі всієї країни для певного року шляхом взаємодії з модулем коригування врожаю сільськогосподарських культур у масштабі всієї країни 120, і модулем створення розподілу 118. 0033) У варіанті реалізації винаходу модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120 запрограмований для розрахунку коефіцієнтів зміщення та похибки, які можуть бути пов'язані з неповною вибіркою врожаїв штатів, і для збереження коефіцієнтів зміщення та похибки в якості цифрових даних у пам'яті або запам'ятовуючому пристрої сільськогосподарської інформаційної системи 110. Наприклад, якщо вибірки одного
Зо або кількох штатів мають неповні дані, їх прогнозований урожай може спотворити прогнозований урожай у масштабі всієї країни, і модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120 може бути запрограмований для визначення коефіцієнтів зміщення та помилок для компенсації такого спотворення.
Ї0034| Модуль оцінки врожаю сільськогосподарських культур 114 запрограмований запитувати незалежну й ідентично розподілену випадкову змінну у модуля створення розподілу 118 з використанням суми врожаїв конкретних штатів й отриманих коефіцієнтів зміщення та похибки, після отримання коефіцієнтів зміщення та похибки від модуля коригування врожаю сільськогосподарських культур у масштабі всієї країни 120. 0035) У відповідь на обчислення врожаю сільськогосподарських культур у масштабі всієї країни для певного року, сільськогосподарська інформаційна система 110 запрограмована отримувати врожай сільськогосподарських культур у масштабі всієї країни від модуля оцінки врожаю сільськогосподарських культур 114. Урожай сільськогосподарських культур у масштабі всієї країни може містити одне прогнозне значення, рівень невизначеності, пов'язаний з цим прогнозним значенням, і весь розподіл ймовірності, пов'язаний з цим прогнозним значенням. У варіанті реалізації винаходу сільськогосподарська інформаційна система 110 може бути запрограмована на відправку інформації про врожай у масштабі всієї країни в клієнтський комп'ютер 130. Наприклад, клієнтський комп'ютер 130 може містити або виконувати прикладну програму, сумісну з сільськогосподарською інформаційною системою 110 і запрограмовану для отримання або запитування інформації про врожай у масштабі всієї країни, та її відображення у відповідь на запит користувача або функції програми, використовуючи графічний інтерфейс користувача або інші засоби виведення, запрограмовані на клієнтському пристрої. В іншому варіанті реалізації винаходу, сільськогосподарська інформаційна система 110 може бути запрограмована на збереження інформації про врожай у масштабі всієї країни з метою уточнення майбутніх національних прогнозів.
Ї0ОЗб| Варіант реалізації клієнтського пристрою 130 може включати, не обмежуючись зазначеним: настільний комп'ютер або портативний комп'ютер, на якому виконується клієнтська програма прогнозування врожаю сільськогосподарських культур для використання фермером або страховою компанією. Інші варіанти реалізації клієнтського пристрою 130 можуть включати переносні обчислювальні пристрої, такі як планшетний комп'ютер або смартфон. бо І0037| Огляд Функцій
ЇООЗ38| На Фіг. 2 наведена блок-схема, що ілюструє процес визначення врожаю сільськогосподарських культур у масштабі всієї країни для певного року з використанням коваріаційних даних спостережень, виміряних на більш деталізованому рівні. Зображена на фіг. 2 блок-схема може бути реалізована в одному варіанті реалізації винаходу шляхом програмування елементів сільськогосподарської інформаційної системи 110 для виконання функцій, описаних в цьому розділі, які можуть являти собою викладення алгоритму для комп'ютерної реалізації описуваних функцій. Для ілюстрації чіткого і ясного прикладу Фіг. 2 описується в контексті системи згідно з Фіг. 1. Однак інші варіанти реалізації винаходу на Фіг. 2 можуть бути реалізовані в багатьох інших контекстах, і наведені в даному описі посилання на блоки на Фіг. 1 є просто прикладами, які не призначені для обмеження більш широкого обсягу
Фіг. 2.
ЇООЗ39| На етапі 202 отримують одну або кілька записів сільськогосподарських даних.
Наприклад, модуль агрегованих часових рядів 112 отримує одну або кілька записів сільськогосподарських даних. Записи сільськогосподарських даних можуть містити сигнали дистанційного зондування або вибірки даних про вологість грунту для конкретного географічного місця розташування і певного періоду часу. Мета отримання записів сільськогосподарських даних полягає у збиранні множини часових рядів, які представляють дані за певний період часу для конкретного географічного місцерозташування.
І0040| На етапі 204 записи сільськогосподарських даних агрегуються для конкретних географічних місць розташування в кілька геоспецифічних часових рядів. Наприклад, модуль агрегованих часових рядів 112 об'єднує записи сільськогосподарських даних для конкретних географічних місць розташування в кілька геоспецифічних часових рядів. Наприклад, якщо отримані дані сигналів дистанційного зондування охоплюють кілька періодів часу з січня по серпень для конкретних географічних місць розташування в Айові, модуль агрегованих часових рядів 112 виконуватиме агрегацію для кожного географічного розташування в Айові, отримуючи часовий ряд, що містить дані з січня по серпень.
ІЇ0041| Модуль агрегованих часових рядів 112 агрегує записи сільськогосподарських даних для конкретних географічних місць розташування в кілька геоспецифічних часових рядів. В одному варіанті реалізації винаходу модуль агрегованих часових рядів 112 може фільтрувати значення сільськогосподарських даних, які відповідають несільськогосподарським регіонам. В одному варіанті реалізації винаходу сільськогосподарські регіони можуть бути ідентифіковані та відокремлені від несільськогосподарських регіонів з використанням сховища даних загальних земельних одиниць (Соттоп Сапа Оп (СІ 0)). Загальна земельна одиниця (СІ) означає найменшу ділянку землі, що має постійний, безперервний кордон. СІ Ш використовуються в сільськогосподарській галузі для розмежування ідентифікованих сільськогосподарських угідь і земель іншого типу. В інших варіантах реалізації винаходу можуть використовуватися інші сховища даних, щоб відрізняти сільськогосподарські від несільськогосподарських регіонів.
Фільтруючи несільськогосподарські регіони, модуль агрегованих часових рядів 112 може забезпечити більш точні набори геоспецифічних часових рядів. 00421 На етапі 206 процес створює один або кілька агрегованих часових рядів, кожен з яких представляє певну географічну область. Наприклад, модуль агрегованих часових рядів 112 створює один або кілька агрегованих часових рядів, кожен з яких представляє певну географічну область. Наприклад, географічна область може бути визначена як штат, який вирощує сільськогосподарські культури, такий як Айова. У цьому випадку модуль агрегованих часових рядів 112 агрегуватиме кожен часовий ряд, що представляє географічне розташування в межах кордону штату Айова, з метою створення єдиного часового ряду для подання сигналів дистанційного зондування Айови. В одному варіанті реалізації винаходу перед агрегацією кількох часових рядів у один часовий ряд кожен часовий ряд може піддаватися попередній обробці з використанням таких методів, як локально зважене згладжування діаграми розсіювання, для видалення нестійких даних спостережень. Завдяки видаленню нестійких даних спостережень етап агрегування кількох часових рядів у один забезпечує більш точне представлення множини часових рядів. У варіанті реалізації винаходу медіана кількох часових рядів у межах Айови буде використовуватися в якості значення часового ряду для кожного дня вимірювань протягом року. Використовуючи значення медіани кожного часового ряду, агреговані часові ряди приблизно представляють урожай сільськогосподарських культур у всьому штаті. Інші варіанти визначення агрегованих часових рядів для географічного розташування описані в розділі "Агреговані часові ряди".
ІЇ0043| На етапі 208 процес вибирає репрезентативні ознаки для одного або кількох агрегованих часових рядів. Наприклад, модуль оцінки врожаю сільськогосподарських культур бо 114 вибирає репрезентативну ознаку для одного або кількох агрегованих часових рядів. Мета визначення репрезентативної ознаки для кожного агрегованого часового ряду полягає у часовому узгодженні множини даних спостережень за кожний денний період з річним врожаєм сільськогосподарських культур; тому для правильного прогнозування річного врожаю необхідно вибрати репрезентативні ознаки агрегованих часових рядів. У варіанті реалізації винаходу максимальне значення часового ряду вибирається для представлення агрегованих часових рядів. Наприклад, на Фіг. З зображений агрегований часовий ряд для Айови. Максимальне виміряне значення -- 67,6 МОМ (Могтаїїгеа ОШегепсе Умаїег Іпаех, Нормалізований Різницевий
Водний Індекс), -- відповідає 15 червня 2014 року. Тому модуль оцінки врожаю сільськогосподарських культур 114 вибере 67,6 МОУМІ у якості репрезентативної ознаки для коваріати МОМ для Айови. Інші варіанти вибору ознаки часового ряду описані в розділі "Ознаки часових рядів". 00441 Після вибору репрезентативної ознаки в кожному агрегованому часовому ряді, у варіанті реалізації винаходу модуль оцінки врожаю сільськогосподарських культур 114 створює коваріаційну матрицю, що містить значення кожної репрезентативної ознаки від кожної коваріати для конкретної географічної області. Наприклад, коваріаційна матриця для географічної області, яка представляє штат Айова, буде складатися з максимальних значень для кожної коваріати, отриманої від сервера даних дистанційного зондування 102, і сервера даних вологості грунту 104.
Ї0045| На етапі 210 визначають урожай сільськогосподарських культур для штату.
Наприклад, модуль оцінки врожаю сільськогосподарських культур 114 визначає урожай сільськогосподарських культур конкретного штату, скеровуючи запит до модуля лінійної регресії 116, щоб визначити прогнозований урожай сільськогосподарських культур штату з використанням створеної коваріаційної матриці для цього конкретного штату. Модуль лінійної регресії 116 визначає прогнозований урожай сільськогосподарських культур штату, створюючи модель лінійної регресії. Лінійна регресія -- це підхід для моделювання взаємозв'язку між залежною змінною і незалежними змінними. У цьому контексті залежною змінною є урожай сільськогосподарських культур штату, а одна або кілька незалежних змінних є коваріаційними значеннями в коваріаційній матриці. Модель лінійної регресії передбачає, що залежність між залежною змінною й однією або кількома незалежними змінними є лінійною. Цей взаємозв'язок
Зо моделюється з використанням елемента похибки єї, який є неспостережуваною випадковою змінною. Статистична оцінка здійснюється з використанням коефіцієнта регресії В». 0046) В одному варіанті реалізації винаходу модуль лінійної регресії 116 запрограмований для визначення врожаю сільськогосподарських культур штату протягом певного року з використанням логіки, яка реалізує таку функцію:
Же Ха кв (0047 Де: 00481 У», с урожай сільськогосподарських культур штату 5 в році Т. 0049) Х», с коваріаційна матриця штату 5 в році Т до дати спостереження. 00501 В»: коефіцієнт регресії для штату 5. 00511 є, величина похибки для штату 5 в році Т. (0052) Щоб визначити урожай сільськогосподарських культур штату, модуль лінійної регресії 116 спочатку визначає коефіцієнт регресії ВД й величину похибки є.
Ї005З3| Наприклад, модуль створення розподілу 118 може бути запрограмований для визначення коефіцієнта регресії В й величини похибки є для певного штату та року. Модуль лінійної регресії 116 запитує модуль створення розподілу 118, щоб отримати коефіцієнт регресії
В й величину похибки є для певного штату та року. В одному варіанті реалізації винаходу модуль створення розподілу 118 може використовувати хронологічні дані для визначення коефіцієнта регресії ВД й величини похибки є. Модуль створення розподілу 118 запрограмований для визначення коефіцієнта регресії В й елемента похибки є, використовуючи незалежну й ідентично розподілену випадкову змінну з функції нормального розподілу, як показано нижче.
Ве МВ» Хо) 3 т в.
КК кт ЛО, в;
І0054| Нормальний розподіл -- це функція, яка представляє собою розподіл багатьох випадкових величин і має симетричний дзвоноподібний графік. Вона позначається функцією
М(нН,о), де н є середнім значенням або очікуванням розподілу, а 02 являє собою дисперсію. У цьому випадку функції нормального розподілу є незалежно та однаково розподіленими випадковими змінними, тому кожна випадкова змінна має такий саме розподіл ймовірності, що й інші, і всі випадкові змінні незалежні одна від одної.
ЇО055| Після визначення модулем створення розподілу 118 коефіцієнта регресії В й величини похибки є, модуль створення розподілу 118 направляє ці значення в модуль лінійної регресії 116. Потім модуль лінійної регресії 116 визначає прогнозований урожай сільськогосподарських культур для конкретного штату та року, зазначених модулем оцінки врожаю сільськогосподарських культур 114. Визначений урожай сільськогосподарських культур штату являє собою очікуване значення врожаю сільськогосподарських культур штату. В одному варіанті реалізації винаходу модуль лінійної регресії 116 визначає очікуване значення врожаю сільськогосподарських культур штату шляхом перерахунку врожаю сільськогосподарських культур штату з використанням моделі лінійної регресії задану кількість разів для визначення середнього врожаю сільськогосподарських культур штату. Модуль лінійної регресії 116 потім направляє очікуване значення врожаю сільськогосподарських культур штату в модуль оцінки врожаю сільськогосподарських культур 114. Модуль оцінки врожаю сільськогосподарських культур 114 повторює цей процес для визначення врожаїв сільськогосподарських культур всіх штатів, для яких створена коваріаційна матриця. 0056) В іншому варіанті реалізації винаходу модуль оцінки врожаю сільськогосподарських культур 114 може мати коваріаційні матриці на основі географічної області іншого масштабу, такої як країна. У цьому випадку модуль оцінки врожаю сільськогосподарських культур 114 буде запитувати у модуля лінійної регресії 116 прогнози врожаю сільськогосподарських культур на рівні країни. В інших варіантах реалізації винаходу розмір і форма географічної області можуть бути сконфігуровані.
Ї0057| На етапі 212 для певного року визначається врожай у масштабі всієї країни з використанням раніше визначених врожаїв сільськогосподарських культур штатів, і з урахуванням конкретних коригувальних факторів для всієї країни. Наприклад, модуль оцінки врожаю сільськогосподарських культур 114 визначає урожай у масштабі всієї країни за конкретний рік з використанням раніше визначених врожаїв сільськогосподарських культур штатів з урахуванням конкретних коригувальних факторів для всієї країни. Модуль оцінки врожаю сільськогосподарських культур 114 спочатку відправляє множину врожаїв сільськогосподарських культур штатів у модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120.
Зо Ї0058| Модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120 визначає, які вагові коефіцієнти необхідно присвоїти штатам при їх порівнянні між собою.
Наприклад, якщо в Айові збирають в середньому в два рази більший урожай, ніж в Небрасці, то ваговий коефіцієнт Айови буде в два рази більше, ніж ваговий коефіцієнт Небраски. Оскільки врожай сільськогосподарських культур кожного штату, отриманий модулем коригування врожаю сільськогосподарських культур у масштабі всієї країни 120, є прогнозом, модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120 використовує три коефіцієнта зміщення а, у, о- для урахування зсувів і помилок, викликаних неповною вибіркою врожаїв штатів. Потім модуль коригування врожаю сільськогосподарських культур у масштабі всієї країни 120 передає вагові коефіцієнти і коефіцієнти зміщення штатів у модуль оцінки врожаю сільськогосподарських культур 114. Модуль оцінки врожаю сільськогосподарських культур 114 потім запитує нормальний розподіл у модуля створення розподілу 118, де середнє значення і дисперсія є сумою врожаїв сільськогосподарських культур штатів з урахуванням коефіцієнтів зміщення. Функція нормального розподілу для врожаю у масштабі всієї країни має вигляд: и вки, моря Беж ок І 00591) Тут використовуються такі позначення:
ЇООБОЇ рі «: очікуване значення "М. в. 0061) мя, є: зважене значення, присвоєне кожному штату відносно інших штатів для року, що розглядається. 00621 о5-: дисперсія для конкретного штату.
Ї0ОО6З| Х5 мл, М є: сума очікуваних значень врожаю сільськогосподарських культур штатів, помножених на їх відповідні вагові коефіцієнти. 00641 а, у, о-: перший, другий і третій коефіцієнти зміщення для всієї країни. 0065) ХУ5 ум, 82057: сума дисперсій штатів, помножених на їх відповідні вагові коефіцієнти в квадраті. 0066) Після розрахунку прогнозованого врожаю сільськогосподарських культур у масштабі всієї країни з використанням модуля створення розподілу 118, модуль оцінки врожаю сільськогосподарських культур 114 створює оцінку врожаю сільськогосподарських культур для конкретного запитаного року. бо І0067| В одному варіанті реалізації винаходу оцінка врожаю сільськогосподарських культур у масштабі всієї країни може містити набір значень, включаючи, але не обмежуючись зазначеним: величину врожаю сільськогосподарських культур у масштабі всієї країни, інтервал прогнозування врожаю сільськогосподарських культур у масштабі всієї країни, і набір розподілу, пов'язаний з прогнозованим урожаєм сільськогосподарських культур у масштабі всієї країни.
Ї0068| Інтервал прогнозування, пов'язаний з урожаєм сільськогосподарських культур у масштабі всієї країни, являє собою діапазон, розрахований модулем оцінки врожаю сільськогосподарських культур 114, який, як очікується, з певною ймовірністю містить реальне значення врожаю сільськогосподарських культур у масштабі всієї країни. Якщо ймовірність генерації істинного врожаю сільськогосподарських культур у масштабі всієї країни фіксована, то чим менше інтервали прогнозування, тим більш точним є прогноз врожаю в масштабі всієї країни. Наприклад, модуль оцінки врожаю сільськогосподарських культур 114 може бути виконаний з можливістю обчислення інтервалу прогнозування, який, як очікується, генерує справжнє значення врожаю сільськогосподарських культур у масштабі всієї країни в 90 95 випадків. У цьому прикладі, якщо прогнозований урожай сільськогосподарських культур у масштабі всієї країни становить 165 бушелів на акр, а діапазон інтервалів прогнозування --дуже невеликий діапазон, наприклад, 155-170 бушелів на акр, то визначеність, пов'язана з прогнозованим урожаєм сільськогосподарських культур у масштабі всієї країни, дуже висока, тому що 9095 прогнозів дають дуже вузький діапазон значень. Наприклад, якщо в попередньому випадку інтервал прогнозування становить 120-200 бушелів на акр, тоді визначеність, пов'язана з прогнозованим урожаєм сільськогосподарських культур у масштабі всієї країни, нижче, оскільки для досягнення тієї ж ймовірності включення істинного значення врожаю сільськогосподарських культур у масштабі всієї країни потрібен діапазон 80 бушелів на акр замість 15 бушелів на акр. Перевага отримання відповідного інтервалу прогнозування полягає в тому, що він дозволяє користувачеві краще зрозуміти визначеність, пов'язану з прогнозованим урожаєм сільськогосподарських культур у масштабі всієї країни. 0069) В одному варіанті реалізації винаходу набір розподілу, пов'язаний з прогнозованим урожаєм сільськогосподарських культур у масштабі всієї країни, може бути розрахований для забезпечення додаткової інформації про прогнозований урожай сільськогосподарських культур у масштабі всієї країни. Наприклад, отримуючи весь набір розподілів, користувач може
Зо додатково розрахувати ризик, дохід або інші прогнози на основі набору розподілів значень врожаю.
І0070| Дистанційне зондування
І0071| Датчики дистанційного зондування проводять вимірювання в спектральних смугах, що належать до видимого та ближнього інфрачервоного діапазону світла, відбитого від поверхні Землі. Виявлення рівня рослинності в певному географічному регіоні може виконуватись з використанням обчислювальних елементів, запрограмованих на виконання математичної комбінації та/або трансформації різних діапазонів спектра при дистанційному зондуванні, які зосереджують увагу на спектральних властивостях рослин. Ці комбінації називають Індексами Рослинності. 0072) В одному варіанті реалізації винаходу модуль агрегованих часових рядів 112 може бути виконаний з можливістю вибору різних Індексів рослинності для оцінки різних спектральних властивостей. Одним 3з таких Індексів Рослинності є Нормалізований Різницевий Індекс
Рослинності (МОМ). МОМІ може використовуватися для аналізу сигналів дистанційного зондування та визначення того, чи містить конкретна область живу зелену рослинність. Живі зелені рослини поглинають сонячне випромінювання в діапазоні 400-700 нанометрів (нм), наприклад, видимий червоний (620-670 нм), і розсіюють сонячне випромінювання з ближньої інфрачервоної області спектра (МІК) (841-876 нм). Це означає, що зрілі зелені рослини з великою кількістю листя поглинають для цілей фотосинтезу у видимому червоному діапазоні й одночасно відображають випромінювання МІК. МОМІ розраховують як відношення ближнього інфрачервоного/червоного, між МІК і видимою червоною областю.
МОМІ - (МІВ - червоний) МІК «т червоний)
Ї007З| Високе значення МОМІ означає, що досліджувана область Землі має високу щільність зеленої рослинності.
Ї0074| У варіанті реалізації винаходу модуль агрегованих часових рядів 112 може бути виконаний з можливістю вибору Зеленого Нормалізованого Різницевого Індексу Рослинності (СМОМІ). ОМОМІ, як ії МОМІ, є мірою кількості зеленої рослинності в певній області. ЗМОМІ вимірює сонячне випромінювання у видимому зеленому діапазоні (545-565 нм). СОМОМІ розраховують як відношення ближнього інфрачервоного/зеленого, між МІК і видимою зеленою областю. 60 МОМІ - (МІА - зелений)/(МІК т зелений)
Ї0075| У варіанті реалізації винаходу модуль агрегованих часових рядів 112 може бути виконаний з можливістю вибору Нормалізованого Різницевого Індексу Води (МОМ). МОУМІ може також використовуватися для аналізу сигналів дистанційного зондування та визначення кількості води в рослинності. Перевага вибору даних МОУМІ полягає в тому, що даний метод менш чутливий до атмосферних ефектів, ніж МОМІ. Атмосферні ефекти, пов'язані з атмосферними газами й аерозольними частинками, можуть спотворювати дані дистанційного зондування з визначенням розсіювання або поглинання прямого або відбитого сонячного світла. МОУМІ розраховують як співвідношення між різними спектральними областями ближнього інфрачервоного діапазону:
МОММІ - (МІВ - МІВ2ІМІВ--МІ Аг) 0076) Де МІК» охоплює довжини хвиль в діапазоні 1230-1250 нм.
Ї0077| У варіанті реалізації винаходу модуль агрегованих часових рядів 112 може бути виконаний з можливістю вибору варіанту індексу МОМ/Л, що називається ІМОМУМ. Як ії МОМ,
ІМОУМІ може використовуватися для аналізу сигналів дистанційного зондування та визначення кількості води в рослинності. ЯМОММІ розраховують як співвідношення між ближньою інфрачервоною областю спектра (МІК) та інфрачервоною областю, яка охоплює довжини хвиль в діапазоні 1628-1652 нм (5ПпПопІК):
ІМОММІ - (МІВ - впопА)ДМІ Апопій) 0078) Перевага використання ІМОУМІ в порівнянні з МОУМІ полягає в тому, що значення МІК» можуть піддаватися негативному впливу перешкод або насичення. Використовуючи 5погК, можна пом'якшити вплив насиченості.
Ї0079| У варіанті реалізації винаходу модуль агрегованих часових рядів 112 може бути виконаний з можливістю вибору Розширеного Індексу Рослинності (ЕМІ). ЕМІ оптимізований для посилення сигналу рослинності завдяки підвищеній чутливості в областях зі значною біомасою шляхом усунення фонового сигналу листового пологу та зниження впливу атмосферних подій.
ЕМІ розраховують таким чином: (МІВ - червоний)
ЕМІ - -- -їх (МІВ--Сх х червоний - Сг х синій - у
ІОО80І Де:
Ї0081| 2 -- питомий коефіцієнт посилення, коефіцієнти Сі і Со пов'язані з елементом стійкості до аерозолів, Її -- коефіцієнт корекції фону листового пологу, а синій -- видимий синій
Зо діапазон (459-479 нм).
І0082| Використовуючи множину індексів рослинності, сільськогосподарська інформаційна система 110 здатна кількісно оцінювати рівень живих культур, таких як зернові, зростаючих у певних районах.
І00О83) Дані про вологість грунту 0084) Північноамериканські ГОАЗ надають дані про вологість грунту для кількох моделей даних земної поверхні. Моделі земної поверхні забезпечують роздільну здатність топографічної сітки 1/8 градуса в регіонах Північної Америки. Набори даних про вологість грунту для конкретних географічних місць розташування в певний час можуть бути об'єднані в геоспецифічні часові ряди, які потім можуть додатково агрегуватися в агреговані часові ряди для географічної області. У варіанті реалізації винаходу вибір ознаки може визначатися шляхом обчислення середньої вологості грунту в певному діапазоні. Наприклад, середня вологість грунту може бути розрахована для кожного 5-денного вікна протягом усього сезону. Потім середні значення вологості грунту можна порівняти з хронологічним кліматологічним середнім значенням, щоб виявити аномалії вологості грунту. Наприклад, хронологічне кліматологічне середнє значення для конкретного регіону може бути розраховане для 30-річного періоду. Потім аномалії вологості грунту можна визначити, порівнюючи розраховану середню вологість грунту за 5 днів для даного регіону з хронологічним кліматологічним середнім значенням для цього конкретного регіону. І потім аномалії вологості грунту можуть бути використані для коваріаційної матриці як обрані ознаки, такі як відносна вологість або відносна сухість. (0085) Агреговані часові ряди
І0090| Модуль агрегованих часових рядів 112 може бути виконаний з можливістю попередньої обробки геоспецифічних часових рядів перед створенням одного або кількох агрегованих часових рядів, кожен з яких представляє певну географічну область, таким чином створюючи більш точні агреговані часові ряди. 0087 У варіанті реалізації винаходу набір геоспецифічних часових рядів, що відповідають конкретній географічній області, може бути згладжений шляхом програмування модуля агрегованих часових рядів 112 для реалізації методу локально зваженого згладжування діаграми розсіювання. Локально зважене згладжування діаграми розсіювання -- це метод використання локально зваженої лінійної регресії для згладжування даних. Процес є локальним, тому що кожне згладжене значення визначається сусідніми точками даних спостережень, визначеними в межах діапазону. Процес є зваженим, тому що для даних спостережень в межах діапазону визначена регресійна вагова функція.
І0О088) На Фіг. 4 проілюстровано застосування локально зваженого згладжування діаграми розсіювання до сигналів дистанційного зондування МОМ/Л в наборі геоспецифічних часових рядів, що відповідають штату Айова. На графіку 402 показаний набір геоспецифічних часових рядів Айови перед застосуванням локально зваженого згладжування діаграми розсіювання. Як показано в області 404, існує множина нестійких аномальних значень, причому піки розподілені в діапазоні від, приблизно, дня року (дау-ої-уєаг, асу) 125 до доу 170.
Ї0089| На графіку 406 зображений набір геоспецифічних часових рядів Айови після застосування локально зваженого згладжування діаграми розсіювання. Як показано в області 408, ті ж самі нестійкі піки були згладжені, і створена узагальнена тенденція між кожним з часових рядів. Застосовуючи локально зважене згладжування діаграми розсіювання до набору геоспецифічних часових рядів, отримують медіанне значення, яке використовується для створення одного часового ряду для географічної області, який більш точно відображає загальні сільськогосподарські умови для цього конкретного року.
І0090| Ознаки часових рядів
Ї0091| Вибір ознаки агрегованих часових рядів для правильного прогнозування річного врожаю може включати використання різних математичних функцій агрегованих часових рядів при програмуванні функціональних блоків системи. В одному варіанті реалізації винаходу в якості репрезентативної ознаки може використовуватися інтеграл значень агрегованих часових рядів за певний період часу. Наприклад, інтеграл значень агрегованих часових рядів між днями року 175 і 225 може бути визначений як репрезентативна ознака. Інші варіанти реалізації винаходу можуть використовувати більш короткий проміжок часу, такий як 8 або 10 днів, для визначення інтегрального діапазону. 0092) В одному варіанті реалізації винаходу інтеграл за певний період часу, поділений на середнє значення агрегованих часових рядів вище мінімального порогу, може
Зо використовуватися в якості репрезентативної ознаки. 0093) В іншому варіанті реалізації винаходу значення до або після максимального значення може використовуватися в якості репрезентативної ознаки агрегованих часових рядів.
Використання значення до або після максимального значення корисно, якщо максимальне значення піддається негативному впливу перенасичення і тому буде надмірно спотворювати прогнози врожаю сільськогосподарських культур. (0094) Огляд апаратного забезпечення
Ї0095| Згідно з одним варіантом реалізації винаходу описані тут способи реалізуються одним або кількома спеціалізованими комп'ютерними пристроями. Спеціалізовані комп'ютерні пристрої можуть бути апаратно орієнтовані на реалізацію цих методів, або вони можуть містити цифрові електронні пристрої, такі як одна або кілька спеціалізованих інтегральних схем (АБІС) або програмованих користувачем вентильних матриць (ЕРОСА), які цілеспрямовано запрограмовані для виконання методів, або можуть містити один або кілька апаратних процесорів загального призначення, запрограмованих для виконання методів відповідно до програмних команд в ПЗУ, оперативній пам'яті, іншому сховищі або їх комбінації. Такі спеціалізовані комп'ютерні пристрої можуть також об'єднувати розширення апаратної логіки,
АБІС або ЕРОА з розширенням програмного функціоналу для здійснення цих методів.
Спеціальними комп'ютерними пристроями можуть бути: настільні комп'ютерні системи, портативні комп'ютерні системи, кишенькові пристрої, мережеві пристрої, або будь-який інший пристрій, що містить апаратно визначену та/або програмну логіку для реалізації цих методів. 0096) Наприклад, на Фіг. 5 наведена блок-схема, що ілюструє комп'ютерну систему 500, в якій можуть бути здійснені варіанти реалізації даного винаходу. Комп'ютерна система 500 містить шину 502 або інший засіб зв'язку для передачі інформації й апаратний процесор 504, з'єднаний з шиною 502, для обробки інформації. Апаратний процесор 504 може бути, наприклад, мікропроцесором загального призначення.
Ї0097| Комп'ютерна система 500 також містить основну пам'ять 506, таку як оперативний запам'ятовуючий пристрій (КАМ) або інший динамічний пристрій, з'єднаний з шиною 502, для зберігання інформації і команд, які виконуються процесором 504. Основна пам'ять 506 також може використовуватися для зберігання тимчасових змінних або іншої проміжної інформації в процесі виконання команд, які повинні виконуватися процесором 504. Такі команди, що бо зберігаються на енергонезалежних носіях даних, до яких може здійснювати доступ процесор
504, перетворюють комп'ютерну систему 500 на спеціалізовану машину, налаштовану для виконання операцій, зазначених у командах.
Ї0098| Комп'ютерна система 500 додатково містить постійний запам'ятовуючий пристрій (КОМ, ПЗУ) 508 або інший статичний запам'ятовуючий пристрій, поєднаний з шиною 502, для зберігання статистичної інформації та команд для процесора 504. Запам'ятовуючий пристрій 510, такий як магнітний диск, оптичний диск або твердотільний накопичувач, присутній і зв'язаний з шиною 502 для зберігання інформації та команд.
Ї0099| Комп'ютерна система 500 може бути з'єднана за допомогою шини 502 з дисплеєм 512, таким як електронно- променева трубка (СЕКТ), для відображення інформації для користувача комп'ютера. Пристрій введення 514, що містить букви і цифри й інші клавіші, пов'язаний з шиною 502 для передачі інформації та вибору команд для процесора 504. Іншим типом пристрою введення користувача є пристрій керування курсором 516, такий як миша, трекбол або клавіші управління курсором, для передачі інформації про напрямок і вибору команд для процесора 504, а також управління рухом курсору на дисплеї 512. Цей пристрій введення зазвичай має два ступені свободи по двох осях -- першій осі (наприклад, х) і другій осі (наприклад, у), -- що дозволяє пристрою задавати положення на площині.
ІОТ10О0| Комп'ютерна система 500 може реалізовувати описані тут методи, використовуючи спеціальну апаратну логіку, одну або кілька АБІС або ЕРОСА, апаратно-програмну та/або програмну логіку, які в поєднанні з комп'ютерною системою програмують або перетворюють комп'ютерну систему 500 на спеціалізовану машину. Відповідно до одного варіанту реалізації винаходу зазначені в даному описі методи реалізуються комп'ютерною системою 500 у відповідь на виконання процесором 504 однієї або кількох послідовностей однієї або кількох команд, що містяться в основній пам'яті 506. Такі команди можуть зчитуватися в основну пам'ять 506 з іншого носія даних, такого як накопичувач 510. Виконання послідовностей команд, що містяться в основній пам'яті 506, приводить до виконання процесором 504 описаних тут етапів процесу. В альтернативних варіантах реалізації винаходу апаратно-реалізована схема може використовуватися замість або в поєднанні з програмними командами.
ЇО101| Використовуваний тут термін "носій інформації" відноситься до будь-яких постійних носіїв, на яких зберігаються дані та/або команди, які спонукають машину працювати певним
Зо чином. Такі носії даних можуть включати енергонезалежні та/або енергозалежні носії.
Енергонезалежні носії включають, наприклад, оптичні диски, магнітні диски або твердотільні накопичувачі, такі як накопичувач 510. Енергозалежні носії включають динамічну пам'ять, таку як основна пам'ять 506. До звичайних носіїв інформації належать, наприклад, дискета, гнучкий диск, жорсткий диск, твердотільний накопичувач, магнітна стрічка або будь-який інший магнітний носій даних, компакт-диск, будь-який інший оптичний носій даних, будь-який фізичний носій з розташованими певним чином отворами, КАМ, РКОМ і ЕРКОМ, РГА5ЗН-ЕРНВОМ,
ММУКАМ, будь-який інший чіп або картридж пам'яті.
ЇО1О2| Носії інформації відрізняються від засобів передачі даних, але можуть використовуватися разом з ними. Засоби передачі даних беруть участь у передачі інформації між носіями даних. Наприклад, засоби передачі даних включають ксаксіальні кабелі, мідні дроти і волоконну оптику, включаючи дроти, що складають шину 502. Засоби передачі даних можуть також мати форму акустичних або світлових хвиль, наприклад тих, що генеруються при радіочастотній і інфрачервоній передачі даних.
ЇО1ОЗ| Різні форми носіїв/засобів можуть бути задіяні в передачі однієї або кількох послідовностей, однієї або кількох команд процесору 504 для виконання. Наприклад, команди можуть бути спочатку записані на магнітному диску або твердотільному накопичувачі віддаленого комп'ютера. Віддалений комп'ютер може завантажити команди в свою динамічну пам'ять і відправити їх по телефонній лінії за допомогою модему. Локальний модем комп'ютерної системи 500 може отримувати дані по телефонній лінії та використовувати інфрачервоний передавач для перетворення даних на інфрачервоний сигнал. Інфрачервоний детектор може приймати дані, що передаються за допомогою інфрачервоного сигналу, а відповідні схеми можуть передавати дані в шину 502. Шина 502 передає дані в основну пам'ять 506, з якої процесор 504 отримує команди та виконує їх. Команди, отримані основною пам'яттю 506, можуть необов'язково зберігатись у пристрої 510 до або після виконання процесором 504.
ІО104| Комп'ютерна система 500 також містить інтерфейс зв'язку 518, з'єднаний з шиною 502. Інтерфейс зв'язку 518 забезпечує комунікаційне з'єднання з двосторонньою передачею даних з мережевим каналом 520, підключеним до локальної мережі 522. Наприклад, інтерфейс зв'язку 518 може являти собою плату цифрової мережі з інтегрованими службами (ІЗОМ), кабельний модем, супутниковий модем або модем для забезпечення з'єднання для передачі бо даних з відповідним типом телефонної лінії. В іншому прикладі інтерфейс зв'язку 518 може бути платою локальної мережі (ГАМ) для забезпечення з'єднання з передачею даних із сумісною
ГАМ. Також можуть бути реалізовані бездротові з'єднання. У будь-якому такому варіанті реалізації винаходу інтерфейс зв'язку 518 відправляє та приймає електричні, електромагнітні або оптичні сигнали, що несуть потоки цифрових даних, які являють собою різні типи інформації.
ІЇ0105| Мережевий канал 520 зазвичай забезпечує передачу даних через одну або кілька мереж до інших пристроїв роботи з даними. Наприклад, мережевий канал 520 може забезпечувати підключення через локальну мережу 522 до головного комп'ютера 524 або до обладнання для передачі даних, керованого Інтернет-провайдером (ІЗР) 526. І5Р 526, в свою чергу, надає послуги передачі даних через всесвітню мережу передачі пакетних даних, яку зараз зазвичай називають "Інтернет" 528. Локальна мережа 522 та Інтернет 528 використовують електричні, електромагнітні або оптичні сигнали, які несуть потоки цифрових даних. Сигнали, що проходять через різні мережі, і сигнали в мережевому каналі 520 і які проходять через інтерфейс зв'язку 518, що несуть цифрові дані в комп'ютерну систему 500 та з неї, є ілюстративними формами засобів передачі даних.
ІЇО106| Комп'ютерна система 500 може відправляти повідомлення і отримувати дані, включаючи програмний код, через мережу (мережі), мережевий канал 520 й інтерфейс зв'язку 518. У прикладі з Інтернетом сервер 530 може передавати запитаний код для прикладної програми через Інтернет 528, ІБР 526, локальну мережу 522 й інтерфейс зв'язку 518.
ЇО107| Отриманий код може виконуватися процесором 504 після його отримання, та/або зберігатися в запам'ятовуючому пристрої 510 або іншому енергонезалежному сховищі для подальшого виконання.
ЇО108| У наведеному вище описі варіанти реалізації винаходу описані з посиланням на численні конкретні деталі, які можуть відрізнятися в різних варіантах реалізації винаходу. Опис і креслення, відповідно, слід розглядати в ілюстративному, а не обмежувальному сенсі. Єдиним і винятковим покажчиком обсягу винаходу і того, що за задумом авторів є обсягом винаходу, є буквальний та еквівалентний обсяг пунктів формули винаходу даної заявки, в конкретній формі, в якій зазначені пункти формули винаходу викладені, з урахуванням будь-яких подальших правок.
Зо

Claims (18)

ФОРМУЛА ВИНАХОДУ
1. Спосіб визначення врожаю сільськогосподарської культури для географічного регіону під час вегетаційного періоду на основі сільськогосподарських даних щодо конкретного географічного місця розташування у межах географічного регіону, що включає етапи на яких: отримують, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, один або кілька записів сільськогосподарських даних, які являють собою тип значень коваріаційних даних для рослин в конкретному географічному місці розташування в конкретний час, причому зазначений тип значень коваріаційних даних містить принаймні записи спектральних властивостей рослин, отримані при дистанційному зондуванні в конкретній області спектра, і записи про вологість грунту; агрегують, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, один або кілька записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів, причому кожен геоспецифічний часовий ряд представляє конкретне географічне місце розташування у конкретний період часу; створюють, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, один або кілька агрегованих часових рядів, що представляють кожну з однієї або кількох конкретних географічних областей, а потім для кожної географічної області: застосовують локально зважене згладжування діаграми розсіювання до підмножини одного або кількох геоспецифічних часових рядів для географічної області, та вибирають значення медіани з підмножини для створення агрегованих часових рядів для географічної області; вибирають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, репрезентативні ознаки з одного або кількох агрегованих часових рядів і створюють в комп'ютерній пам'яті для кожної конкретної географічної області коваріаційну матрицю, що містить репрезентативні ознаки, вибрані з одного або кількох агрегованих часових рядів; визначають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, врожайність сільськогосподарських культур для конкретної географічної області за конкретний рік із застосуванням інструкції лінійної регресії для створення моделі лінійної регресії для розрахунку врожайності сільськогосподарських культур конкретної географічної області з коваріаційної матриці, яка представляє кожну географічну область у вказаний конкретний рік,
причому один або кілька коефіцієнтів регресії для кожної конкретної географічної області розраховуються з використанням функції нормального розподілу, і при цьому величина похибки у моделі лінійної регресії для кожної конкретної географічної області обчислюється з використанням функції нормального розподілу, де перший середній параметр для величини похибки дорівнює нулю, а перший параметр дисперсії для величини похибки є коефіцієнтом зсуву для конкретної географічної області; обчислюють, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, другий середній параметр для функції нормального розподілу, причому другий середній параметр містить суму добутків врожайності сільськогосподарських культур кожної конкретної географічної області і конкретного зваженого значення, помножену на перший коефіцієнт зміщення і додану до другого коефіцієнта зміщення, причому конкретне зважене значення визначається як відносне зважене значення на основі врожайності сільськогосподарських культур для конкретної географічної області з поміж інших географічних областей; обчислюють з використанням сільськогосподарської інтелектуальної комп'ютерної системи, другий параметр дисперсії для функції нормального розподілу, причому другий параметр дисперсії містить суму добутків квадратів кожного коефіцієнта зміщення і конкретного зваженого значення, помножену на квадрат першого коефіцієнта зміщення і додану до квадрату третього коефіцієнта зміщення; визначають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, врожайність сільськогосподарської культури для географічного регіону, у тому числі для кожної з географічних областей за конкретний рік, використовуючи другий середній параметр та другий параметр дисперсії з функції нормального розподілу для обчислення врожайності сільськогосподарських культур для географічного регіону на конкретний рік із суми врожайності сільськогосподарських культур конкретної географічної області за конкретний рік, скориговані з використанням одного або кількох факторів коригування; визначають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, інтервал прогнозування, пов'язаний з врожайністю сільськогосподарських культур для географічного регіону, причому інтервал прогнозування є діапазоном значень, що вимірюють рівень визначеності, пов'язаний з врожайністю сільськогосподарських культур; отримують, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, запит на визначення врожайності сільськогосподарських культур для географічного регіону за конкретний рік від клієнтського комп'ютера; та у відповідь на такий запит: визначають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, середній прогнозований дохід для конкретного господарства на основі врожайності сільськогосподарських культур для географічного регіону за конкретний рік; визначають, з використанням сільськогосподарської інтелектуальної комп'ютерної системи, рекомендації для конкретного господарства на основі середнього прогнозованого доходу для конкретного господарства; спонукають відображення на графічному інтерфейсі користувача на клієнтському комп'ютері рекомендацій та даних про врожайність сільськогосподарських культур за конкретний рік; і надають клієнтській машині, пов'язаній з конкретним господарством, рекомендації щодо конкретного господарства.
2. Спосіб за п. 1, який відрізняється тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів додатково включає фільтрацію одного або кількох записів сільськогосподарських даних, які відповідають відомим географічним місцям розташування, які не використовуються для вирощування сільськогосподарських культур.
З. Спосіб за п. 1, який відрізняється тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів додатково включає вибір сприятливих значень даних з одного або кількох записів сільськогосподарських даних на основі індексу рослинності, причому індекс рослинності представляє поєднання спектральних властивостей, визначених шляхом дистанційного зондування в одному або кількох діапазонах спектра.
4. Спосіб за п. 1, який відрізняється тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів включає агрегування записів даних про вологість грунту, які відповідають конкретному географічному розташуванню в конкретний момент часу.
5. Спосіб за п. 1, який відрізняється тим, що вибір репрезентативної ознаки з одного або кількох агрегованих часових рядів включає вибір однієї з наступних величин: максимальне значення агрегованого часового ряду, інтеграл за конкретний період часу агрегованого часового ряду, інтеграл за конкретний період часу агрегованого часового ряду, поділений на середнє агрегованого часового ряду, за умови, що середнє значення вище конкретного порогового значення, значення агрегованого часового ряду в період часу до максимального значення агрегованого часового ряду, або значення агрегованого часового ряду в період часу після максимального значення агрегованого часового ряду.
6. Спосіб за п. 1, який відрізняється тим, що одна або кілька географічних областей включає зони, географічний регіон включає країну, а агрегований часовий ряд представляє конкретну зону в країні.
7. Спосіб за п. 1, який відрізняється тим, що визначення врожайності сільськогосподарських культур для конкретної географічної області для конкретного року шляхом застосування функції нормального розподілу включає використання незалежних і однаково розподілених випадкових змінних.
8. Спосіб за п. 1, який відрізняється тим, що визначення врожайності сільськогосподарських культур для географічного регіону для конкретного року шляхом застосування функції нормального розподілу включає використання незалежних і однаково розподілених випадкових змінних.
9. Спосіб за п. 1, який відрізняється тим, що визначення врожайності сільськогосподарських культур для географічного регіону для конкретного року додатково включає визначення набору розподілу, пов'язаного з врожаєм сільськогосподарських культур для географічного регіону, причому вказаний набір розподілу є мірою рівня достовірності, пов'язаного з врожайністю сільськогосподарських культур.
10. Постійний носій даних, що зберігає інструкції, які при виконанні одним або кількома обчислювальними пристроями забезпечують здійснення способу, що включає наступні етапи: отримання одного або кількох записів сільськогосподарських даних, які являють собою тип значень коваріаційних даних для рослин в конкретному географічному місці розташування в конкретний час, причому зазначений тип значень коваріаційних даних містить принаймні записи спектральних властивостей рослин, отримані при дистанційному зондуванні в конкретній області спектра, і записи про вологість грунту; агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів, причому кожен геоспецифічний часовий ряд представляє конкретне географічне місце розташування у конкретний період часу; створення одного або кількох агрегованих часових рядів, що представляють кожну з однієї або кількох конкретних географічних областей, а потім для кожної географічної області з однієї або кількох конкретних географічних областей шляхом: застосування локально зваженого згладжування діаграми розсіювання до підмножини одного або кількох геоспецифічних часових рядів для відповідної географічної області; вибору значення медіани з підмножини для створення агрегованих часових рядів для відповідної географічної області; вибір репрезентативної ознаки з одного або кількох агрегованих часових рядів і створення в комп'ютерній пам'яті для кожної конкретної географічної області коваріаційної матриці, що містить репрезентативні ознаки, вибрані з одного або кількох агрегованих часових рядів; визначення врожайності сільськогосподарських культур для конкретної географічної області за конкретний рік із застосуванням інструкції лінійної регресії для створення моделі лінійної регресії для розрахунку врожайності сільськогосподарських культур конкретної географічної області з коваріаційної матриці, яка представляє кожну географічну область у вказаний конкретний рік, причому один або кілька коефіцієнтів регресії для конкретної географічної області розраховуються з використанням функції нормального розподілу, і при цьому величина похибки у моделі лінійної регресії для конкретної географічної області обчислюється з використанням функції нормального розподілу, де перший середній параметр для величини похибки дорівнює нулю, а перший параметр дисперсії для величини похибки є коефіцієнтом зсуву для конкретної географічної області; обчислення другого середнього параметра для функції нормального розподілу, причому другий середній параметр містить суму добутків врожайності сільськогосподарських культур кожної конкретної географічної області і конкретного зваженого значення, помножену на перший коефіцієнт зміщення і додану до другого коефіцієнта зміщення, причому конкретне зважене значення визначається як відносно зважене значення она основі врожайності сільськогосподарських культур для конкретної географічної області з поміж інших географічних областей;
обчислення другого параметра дисперсії для функції нормального розподілу, причому другий параметр дисперсії містить суму добутків квадратів кожного коефіцієнта зміщення і конкретного зваженого значення, помножену на квадрат першого коефіцієнта зміщення і додану до квадрату третього коефіцієнта зміщення; визначення врожайності сільськогосподарської культури для географічного регіону, у тому числі для кожної з географічних областей за конкретний рік, використовуючи другий середній параметр та другий параметр дисперсії з функції нормального розподілу для обчислення врожайності сільськогосподарських культур для географічного регіону на конкретний рік із суми множини врожаю сільськогосподарських культур конкретної географічної області за конкретний рік, скориговані з використанням одного або кількох факторів коригування; визначення інтервалу прогнозування, пов'язаного із врожайністю сільськогосподарських культур для географічного регіону, причому інтервал прогнозування є діапазоном значень, що вимірюють рівень визначеності, пов'язаний з врожайністю сільськогосподарських культур; отримання запиту на визначення врожайності сільськогосподарських культур для географічного регіону за конкретний рік від клієнтського комп'ютера; визначення середнього прогнозованого доходу для конкретного господарства на основі врожайності сільськогосподарських культур для географічного регіону за конкретний рік; визначення рекомендацій для конкретного господарства на основі середнього прогнозованого доходу для конкретного господарства; у відповідь на отримання запиту, спонукання відображення на графічному інтерфейсі користувача на клієнтському комп'ютері даних про врожайність сільськогосподарських культур за конкретний рік; і надання клієнтській машині, пов'язаній з конкретним господарством, рекомендацій щодо конкретного господарства.
11. Постійний носій даних за п. 10, який відрізняються тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів додатково включає фільтрацію одного або кількох записів сільськогосподарських даних, які відповідають відомим географічним місцям розташування, які не використовуються для вирощування сільськогосподарських культур.
12. Постійний носій даних за п. 10, який відрізняються тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів додатково включає вибір сприятливих значень даних з одного або кількох записів сільськогосподарських даних на основі індексу рослинності, причому індекс рослинності представляє поєднання спектральних властивостей, визначених шляхом дистанційного зондування в одному або кількох діапазонах спектра.
13. Постійний носій даних за п. 10, який відрізняються тим, що агрегування одного або кількох записів сільськогосподарських даних для створення одного або кількох геоспецифічних часових рядів включає агрегування записів даних про вологість грунту, які відповідають конкретному географічному розташуванню в конкретний момент часу.
14. Постійний носій даних за п. 10, який відрізняються тим, що вибір репрезентативної ознаки з одного або кількох агрегованих часових рядів включає вибір однієї з наступних: максимальне значення агрегованого часового ряду, інтеграл за конкретний період часу агрегованого часового ряду, інтеграл за конкретний період часу агрегованого часового ряду, поділений на середнє агрегованого часового ряду, за умови, що середнє значення вище конкретного порогового значення, значення агрегованого часового ряду в період часу до максимального значення агрегованого часового ряду, або значення агрегованого часового ряду в період часу після максимального значення агрегованого часового ряду.
15. Постійний носій даних за п. 10, який відрізняються тим, що одна або кілька географічних областей включає зони, географічний регіон включає країну, а агрегований часовий ряд представляє конкретні зони в країні.
16. Постійний носій даних п. 10, який відрізняються тим, що визначення врожайності сільськогосподарських культур для конкретної географічної області для конкретного року шляхом застосування функції нормального розподілу включає використання незалежних і однаково розподілених випадкових змінних.
17. Постійний носій даних за п. 10, який відрізняються тим, що визначення врожайності сільськогосподарських культур для географічного регіону для конкретного року шляхом застосування функції нормального розподілу включає використання незалежних і однаково розподілених випадкових змінних.
18. Постійний носій даних за п. 10, який відрізняються тим, що визначення врожайності сільськогосподарських культур для географічного регіону для конкретного року додатково включає визначення набору розподілу, пов'язаного з врожаєм сільськогосподарських культур для географічного регіону, причому вказаний набір розподілу є мірою рівня достовірності, пов'язаною з врожаєм сільськогосподарських культур. хм КЛ пос пЕи т рони ТК в лержсю зах У і ; Херперазицх пра днгтанція а Є ї водогкаьівуєту хндупвкнвя ЗЕ У в я НЕ КТ т і СЕВСЬКОГ ОСТО ДАВОКА ВАВОРМАЦІНА СИСТЕМА НМ : Милучь пгроговацих часних пали 115 : ! ! Кбазуль дія репревй ! ! іо Мацульсмнкх й пет третееттетенняі ! : : сМСЬКО» 1 Модувксуморекня мопед Ї і ро миподироьиня 7 15 і : : | худезув ЦЯ потоне : ді бболузь хоршоумання воожхн | Е : тивакокоиоаршьКих ких ї : і Хо масІв вні Кр і і 7 і нг.
З і хх : у Неання ! І А і еЕ І і Ж Я діння шк Калуський зрякцни СН
UAA201710622A 2014-09-12 2016-03-21 Прогнозування національного врожаю під час вегетаційного періоду UA126650C2 (uk)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201462049909P 2014-09-12 2014-09-12
US201462049937P 2014-09-12 2014-09-12
US201462049929P 2014-09-12 2014-09-12
US201462049898P 2014-09-12 2014-09-12
US14/675,992 US10564316B2 (en) 2014-09-12 2015-04-01 Forecasting national crop yield during the growing season
PCT/US2016/023348 WO2016160384A1 (en) 2015-04-01 2016-03-21 Forecasting national crop yield during the growing season

Publications (1)

Publication Number Publication Date
UA126650C2 true UA126650C2 (uk) 2023-01-11

Family

ID=57015814

Family Applications (3)

Application Number Title Priority Date Filing Date
UAA201710918A UA123580C2 (uk) 2014-09-12 2016-03-15 Поліпшення прогнозування погоди шляхом подальшої обробки даних
UAA201710622A UA126650C2 (uk) 2014-09-12 2016-03-21 Прогнозування національного врожаю під час вегетаційного періоду
UAA201804466A UA126965C2 (uk) 2014-09-12 2016-09-20 Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування

Family Applications Before (1)

Application Number Title Priority Date Filing Date
UAA201710918A UA123580C2 (uk) 2014-09-12 2016-03-15 Поліпшення прогнозування погоди шляхом подальшої обробки даних

Family Applications After (1)

Application Number Title Priority Date Filing Date
UAA201804466A UA126965C2 (uk) 2014-09-12 2016-09-20 Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування

Country Status (9)

Country Link
US (8) US10564316B2 (uk)
EP (1) EP3356799A4 (uk)
AR (3) AR104161A1 (uk)
AU (4) AU2016246391B2 (uk)
BR (2) BR112017021664A2 (uk)
CA (3) CA2982806C (uk)
UA (3) UA123580C2 (uk)
WO (1) WO2017053273A1 (uk)
ZA (5) ZA201707293B (uk)

Families Citing this family (180)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013377774A1 (en) 2013-02-05 2015-09-17 University Of Saskatchewan Endophytic microbial symbionts in plant prenatal care
CA2916678C (en) 2013-06-26 2024-02-06 Symbiota, Inc. Seed-origin endophyte populations, compositions, and methods of use
US10136646B2 (en) 2013-06-26 2018-11-27 Indigo Ag, Inc. Agricultural endophyte-plant compositions, and methods of use
CA3209979A1 (en) 2013-09-04 2015-03-12 Indigo Ag, Inc. Agricultural endophyte-plant compositions, and methods of use
CA3195750A1 (en) 2013-11-06 2015-05-14 The Texas A & M University System Fungal endophytes for improved crop yields and protection from pests
US9364005B2 (en) 2014-06-26 2016-06-14 Ait Austrian Institute Of Technology Gmbh Plant-endophyte combinations and uses therefor
US10271554B2 (en) 2013-12-24 2019-04-30 Ait Austrian Institute Of Technology Gmbh Plants containing beneficial endophytes
WO2015100432A2 (en) 2013-12-24 2015-07-02 Symbiota, Inc. Method for propagating microorganisms within plant bioreactors and stably storing microorganisms within agricultural seeds
US10785905B2 (en) 2014-05-08 2020-09-29 Precision Planting Llc Liquid application apparatus comprising a seed firmer
BR112016029884B1 (pt) 2014-06-20 2022-09-27 The Flinders University Of South Australia Método para aumentar pelo menos um parâmetro de crescimento de uma planta leguminosa a partir de uma semente leguminosa
US10212911B2 (en) 2014-06-26 2019-02-26 Indigo Agriculture, Inc. Endophytes, associated compositions, and methods of use thereof
US10667456B2 (en) 2014-09-12 2020-06-02 The Climate Corporation Methods and systems for managing agricultural activities
US10564316B2 (en) 2014-09-12 2020-02-18 The Climate Corporation Forecasting national crop yield during the growing season
US11762125B2 (en) 2014-09-12 2023-09-19 Climate Llc Forecasting national crop yield during the growing season
US11080798B2 (en) 2014-09-12 2021-08-03 The Climate Corporation Methods and systems for managing crop harvesting activities
US11113649B2 (en) 2014-09-12 2021-09-07 The Climate Corporation Methods and systems for recommending agricultural activities
US11069005B2 (en) 2014-09-12 2021-07-20 The Climate Corporation Methods and systems for determining agricultural revenue
US10768156B1 (en) * 2014-10-27 2020-09-08 Farmer's Business Network, Inc. Yield analysis through agronomic analytics
WO2016109758A2 (en) 2014-12-30 2016-07-07 Symbiota, LLC Seed endophytes across cultivars and species, associated compositions, and methods of use thereof
US10212940B2 (en) 2015-05-01 2019-02-26 Indigo Agriculture, Inc. Isolated complex endophyte compositions and methods for improved plant traits
US10212944B2 (en) 2015-05-01 2019-02-26 Indigo Agriculture, Inc. Designed complex endophyte compositions and methods for improved plant traits
EP3302068A4 (en) 2015-06-08 2018-12-12 Indigo AG, Inc. Streptomyces
US10282821B1 (en) * 2015-08-27 2019-05-07 Descartes Labs, Inc. Observational data processing and analysis
WO2017112827A1 (en) 2015-12-21 2017-06-29 Indigo Agriculture, Inc. Endophyte compositions and methods for improvement of plant traits in plants of agronomic importance
US10089554B1 (en) 2016-03-30 2018-10-02 Descartes Labs, Inc. Creating a boundary map
US20170286574A1 (en) * 2016-03-31 2017-10-05 United States Of America As Represented By The Secretary Of The Army Predictive soil analysis
JP6885394B2 (ja) * 2016-03-31 2021-06-16 日本電気株式会社 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム
US10371863B2 (en) * 2016-04-13 2019-08-06 The Climate Corporation Estimating rainfall adjustment values
US11620553B2 (en) * 2016-04-21 2023-04-04 Utopus Insights, Inc. System and method for forecasting leaks in a fluid-delivery pipeline network
US10754063B2 (en) * 2016-06-14 2020-08-25 The Climate Corporation Supervised neural network to predict unlabeled rain rates
US10746719B2 (en) * 2016-06-20 2020-08-18 Komatsu Seiki Kosakusho Co., Ltd Soil analyzing device and soil analyzing method
US10078155B2 (en) 2016-06-24 2018-09-18 Climacell Inc. Real-time precipitation forecasting system
US20180012167A1 (en) * 2016-07-05 2018-01-11 Sostena, Inc. System and Method for Crop Management
WO2018049289A1 (en) 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
US10028451B2 (en) 2016-11-16 2018-07-24 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
US10398096B2 (en) 2016-11-16 2019-09-03 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
US20180146624A1 (en) * 2016-11-28 2018-05-31 The Climate Corporation Determining intra-field yield variation data based on soil characteristics data and satellite images
WO2018102733A1 (en) 2016-12-01 2018-06-07 Indigo Ag, Inc. Modulated nutritional quality traits in seeds
WO2018107287A1 (en) 2016-12-16 2018-06-21 Farmers Edge Inc. Classification of soil texture and content by near-infrared spectroscopy
CA3047779A1 (en) 2016-12-19 2018-06-28 The Climate Corporation Systems, methods and apparatus for soil and seed monitoring
EP3558006A1 (en) 2016-12-23 2019-10-30 The Texas A&M University System Fungal endophytes for improved crop yields and protection from pests
US10657372B2 (en) * 2017-02-16 2020-05-19 Walmart Apollo, Llc Systems and methods for identifying and displaying optimal locations for a garden
WO2018160245A1 (en) 2017-03-01 2018-09-07 Indigo Ag, Inc. Endophyte compositions and methods for improvement of plant traits
CN111432631A (zh) 2017-03-01 2020-07-17 靛蓝股份公司 内生植物组合物和用于改进植株性状的方法
AU2018259162A1 (en) 2017-04-27 2019-11-21 The Flinders University Of South Australia Bacterial inoculants
US20180322590A1 (en) * 2017-05-03 2018-11-08 Narayan Sundararajan Integrated agricultural testing and optimization apparatuses and methods
CN110073379A (zh) * 2017-06-12 2019-07-30 汉高股份有限及两合公司 基于污垢组成和织物特性确定织物的处理参数的方法和设备
CN107340268B (zh) * 2017-07-07 2019-07-09 福州大学 一种基于遥感时序数据的旱地作物识别方法
US10247717B2 (en) * 2017-07-14 2019-04-02 SafeNet International LLC Method of efficient acquisition of soil data using image mapping
US11263707B2 (en) 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US20190050741A1 (en) * 2017-08-10 2019-02-14 Iteris, Inc. Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture
BR112020004630A2 (pt) 2017-09-11 2020-09-24 Farmers Edge Inc. geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação
US10983249B2 (en) 2017-09-14 2021-04-20 Farmers Edge Inc. Indicator interpolation to predict a weather state
EP3684167A2 (en) 2017-09-18 2020-07-29 Indigo AG, Inc. Markers of plant health
EP4273239A3 (en) 2017-09-22 2024-01-24 Technische Universität Graz Polymeric particles containing microorganisms
CN107798418A (zh) * 2017-09-28 2018-03-13 东南大学 一种基于交通分析小区的交通事故频次预测方法
US20190102841A1 (en) * 2017-10-04 2019-04-04 Servicenow, Inc. Mapping engine configurations with task managed workflows and grid user interfaces
AU2018350912B2 (en) 2017-10-17 2024-06-13 Precision Planting Llc Soil sensing systems and implements for sensing different soil parameters
US10747999B2 (en) * 2017-10-18 2020-08-18 The Trustees Of Columbia University In The City Of New York Methods and systems for pattern characteristic detection
JP2019087027A (ja) * 2017-11-07 2019-06-06 株式会社東芝 需要予測装置、需要予測方法および需要予測プログラム
CN109870419B (zh) * 2017-12-05 2021-09-17 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
US10492374B2 (en) 2017-12-28 2019-12-03 X Development Llc Capture of ground truthed labels of plant traits method and system
US10477756B1 (en) 2018-01-17 2019-11-19 Cibo Technologies, Inc. Correcting agronomic data from multiple passes through a farmable region
EP3533932B1 (de) * 2018-03-01 2020-07-15 BAUER Spezialtiefbau GmbH Verfahren und system zum erstellen eines gründungselementes im boden
CN108764527B (zh) * 2018-04-23 2020-06-09 中国科学院南京土壤研究所 一种土壤有机碳库时空动态预测最优环境变量筛选方法
WO2019209947A1 (en) 2018-04-24 2019-10-31 Indigo Ag, Inc. Interaction management in an online agricultural system
CN108738453B (zh) * 2018-04-27 2020-12-29 中国科学院测量与地球物理研究所 基于稻田面源污染关键风险时期的田沟塘联合调控方法
CN108764255B (zh) * 2018-05-21 2021-06-01 二十一世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN108717044B (zh) * 2018-05-24 2021-07-30 青海师范大学 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
US10817755B2 (en) 2018-06-22 2020-10-27 Cnh Industrial Canada, Ltd. Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis
US10891482B2 (en) 2018-07-10 2021-01-12 Adroit Robotics Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area
US11277956B2 (en) * 2018-07-26 2022-03-22 Bear Flag Robotics, Inc. Vehicle controllers for agricultural and industrial applications
US11470760B2 (en) 2018-08-13 2022-10-18 Raven Industries, Inc. Comparative agricultural obstacle monitor and guidance system and method for same
US11755937B2 (en) * 2018-08-24 2023-09-12 General Electric Company Multi-source modeling with legacy data
US10757854B2 (en) 2018-08-27 2020-09-01 Cnh Industrial America Llc Determining forces exerted on rolling agricultural components based on an applied braking force
US10832196B2 (en) 2018-08-31 2020-11-10 Kinaxis Inc. Analysis and correction of supply chain design through machine learning
US10846651B2 (en) 2018-08-31 2020-11-24 Kinaxis Inc. Analysis and correction of supply chain design through machine learning
US11468291B2 (en) * 2018-09-28 2022-10-11 Nxp B.V. Method for protecting a machine learning ensemble from copying
US11119472B2 (en) * 2018-09-28 2021-09-14 Uptake Technologies, Inc. Computer system and method for evaluating an event prediction model
CN109543874B (zh) * 2018-10-12 2021-06-22 南京航空航天大学 一种结合气象条件影响的机场空气质量预测方法
US11676244B2 (en) 2018-10-19 2023-06-13 Mineral Earth Sciences Llc Crop yield prediction at field-level and pixel-level
CA3116341A1 (en) 2018-10-24 2020-04-30 The Climate Corporation Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US12069978B2 (en) 2018-10-26 2024-08-27 Deere & Company Predictive environmental characteristic map generation and control system
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
CN109374531B (zh) * 2018-11-09 2021-04-20 浙江海洋大学 基于遥感的海域溢油监测装置
US11906621B2 (en) * 2018-12-21 2024-02-20 Climate Llc Quantitative precipitation estimate quality control
MX2021007642A (es) * 2018-12-24 2021-08-11 Climate Llc Programacion predictiva de semillas para soya.
US11154002B2 (en) 2019-01-29 2021-10-26 Cnh Industrial America Llc System and method for controlling the operation of an agricultural implement based on determined soil moisture content
JP2022520633A (ja) * 2019-02-14 2022-03-31 ケムイメージ コーポレーション 拡張粒子群帯域選択
CN109840855A (zh) * 2019-03-06 2019-06-04 平顶山学院 一种在生殖初期预测番茄是否减产的方法
US11009625B2 (en) * 2019-03-27 2021-05-18 The Climate Corporation Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
WO2020210557A1 (en) 2019-04-10 2020-10-15 The Climate Corporation Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field
CN113574418B (zh) * 2019-04-15 2023-07-18 实干研究株式会社 气象预测数据创建程序、气象预测数据创建方法及移动体
CN110058329B (zh) * 2019-04-22 2020-12-22 山东省气象科学研究所 一种气象要素智能网格预报产品空间降尺度方法
US11212954B2 (en) * 2019-05-08 2022-01-04 Deere & Company Apparatus and methods for field operations based on historical field operation data
CA3140955A1 (en) * 2019-05-20 2020-11-26 Basf Agro Trademarks Gmbh Method for plantation treatment based on image recognition
WO2020237001A1 (en) * 2019-05-21 2020-11-26 Schlumberger Technology Corporation Geologic model and property visualization system
US11212955B2 (en) 2019-06-14 2022-01-04 Cnh Industrial America Llc System and method for monitoring soil conditions based on data received from a sensor mounted within a ground-engaging tool tooth
WO2020257474A1 (en) * 2019-06-18 2020-12-24 Auto Crane Company Method and apparatus for automating power take-offs for vehicles and equipment
US11800861B2 (en) 2019-06-27 2023-10-31 Valmont Industries, Inc. System, method and apparatus for providing variable rate application of applicants to discrete field locations
CN110516890B (zh) * 2019-09-04 2022-06-03 重庆邮电大学 一种基于灰色组合模型的农作物产量监控系统
US11624829B2 (en) * 2019-09-12 2023-04-11 Cnh Industrial America Llc System and method for determining soil clod size distribution using spectral analysis
WO2021062147A1 (en) 2019-09-27 2021-04-01 Indigo Ag, Inc. Modeling field irrigation with remote sensing imagery
CN111007013B (zh) * 2019-11-01 2022-10-14 中科禾信遥感科技（苏州）有限公司 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
AU2020377496A1 (en) * 2019-11-08 2022-05-05 Kubota Corporation System for measuring and interpreting a force
CN110987853B (zh) * 2019-11-08 2022-02-11 北京农业信息技术研究中心 基于太赫兹光谱的土壤铅污染程度预测方法及装置
EP3818802B1 (en) * 2019-11-08 2024-04-24 Kverneland Group Operations Norway AS System for measuring and interpreting a force
CN111259306B (zh) * 2019-12-31 2023-03-17 华北水利水电大学 一种冬小麦区域作物系数测算方法
CN111241485B (zh) * 2020-01-14 2023-05-19 河海大学 一种新型作物产量对气候变化响应的诊断方法
US12035648B2 (en) 2020-02-06 2024-07-16 Deere & Company Predictive weed map generation and control system
US10878967B1 (en) * 2020-02-21 2020-12-29 Advanced Agrilytics Holdings, Llc Methods and systems for environmental matching
US11935242B2 (en) 2020-03-09 2024-03-19 International Business Machines Corporation Crop yield estimation
CN111521563A (zh) * 2020-03-20 2020-08-11 航天信德智图（北京）科技有限公司 一种基于gf-1与modis时空融合的水稻提取方法
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11580609B2 (en) * 2020-05-26 2023-02-14 International Business Machines Corporation Crop monitoring to determine and control crop yield
WO2022020448A1 (en) 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
US11944029B2 (en) * 2020-07-22 2024-04-02 GroundTruth Ag, Inc. Systems and methods for diagnosing soil characteristics and subterranean plant characteristics
CN111915096B (zh) * 2020-08-14 2021-03-09 中国科学院地理科学与资源研究所 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术
CN112213265B (zh) * 2020-09-29 2023-10-10 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
BR112023005766A2 (pt) * 2020-09-30 2023-04-25 Basf Agro Trademarks Gmbh Método implementado por computador para controlar um dispositivo de tratamento agrícola e dispositivo de tratamento agrícola
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US12069986B2 (en) 2020-10-09 2024-08-27 Deere & Company Map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
WO2022087746A1 (en) * 2020-10-30 2022-05-05 Element Ai Inc. Adapting ai models from one domain to another
CN112613391B (zh) * 2020-12-18 2022-06-07 湖北工业大学 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法
CN112816658A (zh) * 2021-01-05 2021-05-18 四川大学 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法
CN112832223B (zh) * 2021-01-07 2022-08-26 武汉市汉阳市政建设集团有限公司 一种旋转式分层沉降磁环及其配合沉降管的沉降监测方法
EP4298587A1 (en) 2021-01-29 2024-01-03 Biome Makers Inc. Methods and systems for predicting crop features and evaluating inputs and practices
CN112800691B (zh) * 2021-04-15 2021-07-30 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建降水等级预测模型的方法及装置
WO2022217568A1 (zh) * 2021-04-16 2022-10-20 中山大学 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法
IL308622A (en) * 2021-05-21 2024-01-01 Basf Se A computerized method for estimating consumption of an agricultural product for a geographic area
US11818446B2 (en) 2021-06-18 2023-11-14 Raytheon Company Synthesis of thermal hyperspectral imagery
WO2023034118A1 (en) 2021-08-30 2023-03-09 Indigo Ag, Inc. Systems for management of location-aware market data
WO2023034386A1 (en) 2021-08-31 2023-03-09 Indigo Ag, Inc. Systems and methods for ecosystem credit recommendations
CN113720798B (zh) * 2021-08-31 2022-04-19 南京大学 农作物生理和结构表型参数多任务并行的自动观测方法
CN113984212B (zh) * 2021-10-27 2023-06-27 中国气象科学研究院 农业灌区提取方法及系统
US12001529B1 (en) * 2021-11-05 2024-06-04 Validate Me LLC Counting machine for manufacturing and validating event-relevant identities via an ensemble network
US12082531B2 (en) 2022-01-26 2024-09-10 Deere & Company Systems and methods for predicting material dynamics
US11899006B2 (en) * 2022-02-22 2024-02-13 Trace Genomics, Inc. Precision farming system with scaled soil characteristics
WO2023168519A1 (en) * 2022-03-07 2023-09-14 Roshan Water Solutions Incorporated Cloud-based apparatus, system, and method for sample-testing
CN114758170B (zh) * 2022-04-02 2023-04-18 内蒙古农业大学 一种结合d3d的三分支三注意力机制高光谱图像分类方法
US20230309449A1 (en) * 2022-04-05 2023-10-05 Deere & Company Predictive machine setting map generation and control system
US12058951B2 (en) 2022-04-08 2024-08-13 Deere & Company Predictive nutrient map and control
CN115049436A (zh) * 2022-06-29 2022-09-13 海南大学 基于物联网的智慧农业数据处理方法、系统、终端及介质
WO2024037889A1 (en) * 2022-08-16 2024-02-22 Basf Se Crop rotation based computer-implemented method for estimating a consumption of an agricultural product for a geographical region
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
WO2024138084A1 (en) * 2022-12-23 2024-06-27 Indigo Ag, Inc. Localized carbon source intervention modeling
CN116227750A (zh) * 2023-05-09 2023-06-06 烟台尚美丽家新能源有限公司 一种生物质原料多联供综合管理系统及管理方法
CN117054354B (zh) * 2023-10-12 2024-03-05 云南省林业和草原科学院 一种便携式种子成熟度光谱检测系统及装置
CN117688835B (zh) * 2023-12-11 2024-06-04 哈尔滨航天恒星数据系统科技有限公司 一种土壤养分反演方法、电子设备及存储介质

Family Cites Families (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US50907A (en) * 1865-11-14 Improvement in retorts for the manufacture of prussiate of potash
US4492111A (en) * 1981-10-07 1985-01-08 Kirkland James L Rheological penetrometer
WO1995019597A1 (en) 1994-01-14 1995-07-20 Strategic Weather Services A user interface for graphically displaying the impact of weather on managerial planning applications
US5668719A (en) 1994-08-05 1997-09-16 Tyler Limited Partnership Method of fertilizer application and field treatment
DE69935256T2 (de) * 1999-03-15 2007-10-31 Tokyo University of Agriculture and Technology TLO Co., Ltd., Koganei Bodenuntersuchungsvorrichtung und präzisionslandwirtschaftssystem
EP1203955A4 (en) 1999-07-08 2003-07-02 Omron Tateisi Electronics Co SOIL MEASUREMENT INSTRUMENT, ASSOCIATED DEVICE AND METHOD, PROGRAM AND DATA RECORDING MEDIA, APPLICATION QUANTITY APPARATUS AND ASSOCIATED CALCULATION DEVICE, CONTROL METHOD THEREOF AND D-SYSTEM AID FOR AGRICULTURAL WORK
US6535817B1 (en) 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
AU5665901A (en) 2000-04-04 2001-10-15 Nagarjuna Holdings Private Limited Agricultural management system for providing agricultural solutions and enablingcommerce
US6422508B1 (en) 2000-04-05 2002-07-23 Galileo Group, Inc. System for robotic control of imaging data having a steerable gimbal mounted spectral sensor and methods
US20020133505A1 (en) 2001-03-14 2002-09-19 Hideki Kuji System for recommending crops and attachments to farm tractors
US20030061075A1 (en) * 2001-05-17 2003-03-27 Converium Reinsurance (North America) Inc. System and method for rating and structuring bands of crop production insurance
KR100508966B1 (ko) 2001-07-06 2005-08-17 노우코우다이 티엘오 가부시키가이샤 토양특성 관측장치 및 토양특성 관측방법
JP3966139B2 (ja) 2002-09-27 2007-08-29 株式会社日立製作所 気象物理量の推定方法
US20050027572A1 (en) * 2002-10-16 2005-02-03 Goshert Richard D.. System and method to evaluate crop insurance plans
US7854108B2 (en) * 2003-12-12 2010-12-21 Vision Robotics Corporation Agricultural robot system and method
US7702597B2 (en) * 2004-04-20 2010-04-20 George Mason Intellectual Properties, Inc. Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters
EP1756731A2 (en) 2004-04-22 2007-02-28 William R. Pape Method and system for private data networks for sharing agricultural item attribute and event data across multiple enterprises and multiple stages of production transformation
US7327245B2 (en) 2004-11-22 2008-02-05 Microsoft Corporation Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations
US20060167926A1 (en) 2005-01-27 2006-07-27 James Verhey Vineyard information collection and management system
US20060282467A1 (en) 2005-06-10 2006-12-14 Pioneer Hi-Bred International, Inc. Field and crop information gathering system
US20080287662A1 (en) 2005-06-22 2008-11-20 Zeev Wiesman Balanites Aegyptiaca Saponins and Uses Thereof
US8527301B2 (en) * 2006-01-20 2013-09-03 Deere & Company System and method for evaluating risk associated with a crop insurance policy
US8200368B2 (en) 2008-12-10 2012-06-12 Rain Bird Corporation Automatically adjusting irrigation controller with temperature and rainfall sensor
US8816262B2 (en) * 2007-07-03 2014-08-26 Kyle H. Holland Auto-calibration method for real-time agricultural sensors
NZ562316A (en) 2007-10-09 2009-03-31 New Zealand Inst For Crop And Method and system of managing performance of a tuber crop
WO2010053957A1 (en) * 2008-11-04 2010-05-14 Robotic Technology Inc. Energetically autonomous tactical robot and associated methodology of operation
US9285501B2 (en) * 2008-11-04 2016-03-15 Veris Technologies, Inc. Multiple sensor system and method for mapping soil in three dimensions
US8311780B2 (en) 2009-04-23 2012-11-13 Honeywell International Inc. Enhanced prediction of atmospheric parameters
NO20091775L (no) 2009-05-05 2010-11-08 Sinvent As Energihoster
WO2011064445A1 (en) 2009-11-25 2011-06-03 Nokia Corporation Method and apparatus for agricultural resource mapping
US8426211B1 (en) * 2010-02-08 2013-04-23 Bowling Green State University Method and system for detecting copper in soil from reflected light
US8655601B1 (en) * 2010-02-08 2014-02-18 Bowling Green State University Method and system for detecting phosphorus in soil from reflected light
US8594897B2 (en) 2010-09-30 2013-11-26 The Curators Of The University Of Missouri Variable product agrochemicals application management
US9058633B2 (en) 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
US10115158B2 (en) * 2010-10-25 2018-10-30 Trimble Inc. Generating a crop recommendation
US20130144827A1 (en) * 2011-02-03 2013-06-06 Schaffert Manufacturing Company, Inc. Systems and methods for supporting fertilizer decisions
US8737694B2 (en) 2011-02-07 2014-05-27 Southern Minnesota Beet Sugar Cooperative Organic matter mapping using remotely sensed images
US20130174040A1 (en) 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-planting plan
US20130173321A1 (en) 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan
WO2013137856A1 (en) 2012-03-12 2013-09-19 Empire Technology Development Llc Robotic appendages
WO2013144458A1 (fr) * 2012-03-27 2013-10-03 Total Sa Procede de determination de la composition mineralogique
JP5939041B2 (ja) 2012-06-01 2016-06-22 住友電気工業株式会社 半導体モジュール及び半導体モジュールの製造方法
US20130332205A1 (en) 2012-06-06 2013-12-12 David Friedberg System and method for establishing an insurance policy based on various farming risks
US20140012504A1 (en) * 2012-06-14 2014-01-09 Ramot At Tel-Aviv University Ltd. Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy
US20140067745A1 (en) 2012-08-30 2014-03-06 Pioneer Hi-Bred International, Inc. Targeted agricultural recommendation system
US20140089045A1 (en) 2012-09-27 2014-03-27 Superior Edge, Inc. Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users
ES2638965T3 (es) 2013-03-22 2017-10-24 Foss Analytical A/S Sistema y método para investigaciones por LIBS y espectroscopía de absorción IR combinadas
US20140321714A1 (en) * 2013-04-24 2014-10-30 Billy R. Masten Methods of enhancing agricultural production using spectral and/or spatial fingerprints
US9349148B2 (en) * 2013-07-17 2016-05-24 Sigma Space Corp. Methods and apparatus for adaptive multisensor analisis and aggregation
US20150237796A1 (en) * 2014-02-24 2015-08-27 Robert Celli Apparatus and method for localized irrigation and application of fertilizers, herbicides, or pesticides to row crops
CN103941254A (zh) 2014-03-03 2014-07-23 中国神华能源股份有限公司 一种基于地质雷达的土壤物性类别识别方法和装置
WO2015195988A1 (en) * 2014-06-18 2015-12-23 Texas Tech University System Portable apparatus for soil chemical characterization
US20150370935A1 (en) 2014-06-24 2015-12-24 360 Yield Center, Llc Agronomic systems, methods and apparatuses
US9131644B2 (en) 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US11113649B2 (en) 2014-09-12 2021-09-07 The Climate Corporation Methods and systems for recommending agricultural activities
US11080798B2 (en) 2014-09-12 2021-08-03 The Climate Corporation Methods and systems for managing crop harvesting activities
US10564316B2 (en) 2014-09-12 2020-02-18 The Climate Corporation Forecasting national crop yield during the growing season
US11069005B2 (en) 2014-09-12 2021-07-20 The Climate Corporation Methods and systems for determining agricultural revenue
US10697951B2 (en) * 2014-12-15 2020-06-30 Textron Systems Corporation In-soil data monitoring system and method
US9953241B2 (en) * 2014-12-16 2018-04-24 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for satellite image processing to estimate crop yield
US9087312B1 (en) * 2015-01-23 2015-07-21 Iteris, Inc. Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states
US9076118B1 (en) 2015-01-23 2015-07-07 Iteris, Inc. Harvest advisory modeling using field-level analysis of weather conditions, observations and user input of harvest condition states, wherein a predicted harvest condition includes an estimation of standing crop dry-down rates, and an estimation of fuel costs
US10529036B2 (en) * 2016-01-22 2020-01-07 The Climate Corporation Forecasting national crop yield during the growing season using weather indices
US10028451B2 (en) 2016-11-16 2018-07-24 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
DE102017215125A1 (de) 2017-08-30 2019-02-28 Tridonic Gmbh & Co Kg Kommunikationsmodul und Beleuchtungs-Bussystem mit Netzwerkschnittstelle
US11080419B2 (en) 2019-05-28 2021-08-03 Adara, Inc. Distributed data rights management for peer data pools

Also Published As

Publication number Publication date
AU2021282487A1 (en) 2022-01-06
AU2016244067A1 (en) 2017-11-23
US10996373B2 (en) 2021-05-04
AR106216A1 (es) 2017-12-27
ZA201802388B (en) 2019-11-27
AU2016246391B2 (en) 2021-12-09
US10690806B2 (en) 2020-06-23
US10564316B2 (en) 2020-02-18
US20210255362A1 (en) 2021-08-19
US11714211B2 (en) 2023-08-01
US20190317243A1 (en) 2019-10-17
US20160290918A1 (en) 2016-10-06
UA126965C2 (uk) 2023-03-01
US20200337212A1 (en) 2020-10-29
AR104161A1 (es) 2017-06-28
AU2016328634A1 (en) 2018-04-26
EP3356799A1 (en) 2018-08-08
ZA202005339B (en) 2023-09-27
US11275197B2 (en) 2022-03-15
ZA201707447B (en) 2019-06-26
WO2017053273A1 (en) 2017-03-30
AU2016246391A1 (en) 2017-11-23
US20230367032A1 (en) 2023-11-16
CA2999865A1 (en) 2017-03-30
CA3150421C (en) 2023-09-05
US10705253B2 (en) 2020-07-07
ZA201905571B (en) 2021-03-31
BR112017021664A2 (pt) 2018-07-10
US10338272B2 (en) 2019-07-02
CA3150421A1 (en) 2017-03-30
CA2982806C (en) 2022-04-19
AU2016244067B2 (en) 2021-09-09
ZA201707293B (en) 2019-02-27
US20200183048A1 (en) 2020-06-11
US20160299255A1 (en) 2016-10-13
BR112018005893B1 (pt) 2023-01-24
AU2016328634B2 (en) 2019-02-21
UA123580C2 (uk) 2021-04-28
CA2982806A1 (en) 2016-10-13
CA2999865C (en) 2022-04-19
EP3356799A4 (en) 2019-11-20
US20170090068A1 (en) 2017-03-30
BR112018005893A2 (pt) 2018-10-16
AR106136A1 (es) 2017-12-13

Similar Documents

Publication Publication Date Title
US11275197B2 (en) Forecasting national crop yield during the growing season
CA2981473C (en) Forecasting national crop yield during the growing season
US10091925B2 (en) Accurately determining crop yield at a farm level
US9734400B2 (en) System and method for field variance determination
US11762125B2 (en) Forecasting national crop yield during the growing season
CN110956381A (zh) 一种远程农业信息智能分析系统及农业环境调控方法
AU2016365336A1 (en) Forecasting field level crop yield during a growing season
Wang et al. Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China
Beyer et al. Rainfall characteristics and their implications for rain-fed agriculture: a case study in the Upper Zambezi River Basin
AU2017376837A1 (en) Detection of environmental conditions
CN114926743A (zh) 一种基于动态时间窗口的作物分类方法及系统
CN111579565B (zh) 农业干旱监测方法、系统及存储介质
CN117571626A (zh) Modis ndvi对草地生物量遥感估测饱和性评估方法及系统
WO2024059300A1 (en) Uncertainty prediction models
Sivarajan Estimating yield of irrigated potatoes using aerial and satellite remote sensing
Hurley et al. Assessing urban-heating impact on street tree growth in Berlin with open inventory and environmental data
Sisheber et al. Assimilation of Earth Observation data for crop yield estimation in smallholder agricultural systems
CN115526713A (zh) 一种农户贷款的授信额度确定方法及装置
Ebrahimi et al. Land use-land cover change and its relationships with the groundwater table and the plants’ altitudinal zones: A case study of arsanjan county, Iran
Ahmad et al. Spectral characteristics and mapping of rice fields using multi-temporal Landsat and MODIS data: a case of District Narowal
Dulaney et al. Development of a gridded yield data archive for farm management and research at the USDA Beltsville Agricultural Research Center
Kirui et al. Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya
Weinstein Applied Crop and Environmental Monitoring in New Mexican Agroecosystems
Gao et al. An automatic system to estimate crop phenological dates with remote sensing: A case study in the southeast Australia
Shakya et al. Crowdsourcing Applications in Agriculture