WO2025040407A1 - VERFAHREN UND VORRICHTUNG ZUM ERZEUGEN EINER RÄUMLICH-ZEITLICHEN KARTE EINER LANDWIRTSCHAFTLICH RELEVANTEN PHYSIKALISCHEN GRÖßE SOWIE VERFAHREN UND VORRICHTUNG ZUM STEUERN EINES LANDWIRTSCHAFTLICHEN ARBEITSPROZESSES - Google Patents

VERFAHREN UND VORRICHTUNG ZUM ERZEUGEN EINER RÄUMLICH-ZEITLICHEN KARTE EINER LANDWIRTSCHAFTLICH RELEVANTEN PHYSIKALISCHEN GRÖßE SOWIE VERFAHREN UND VORRICHTUNG ZUM STEUERN EINES LANDWIRTSCHAFTLICHEN ARBEITSPROZESSES Download PDF

Info

Publication number
WO2025040407A1
WO2025040407A1 PCT/EP2024/071977 EP2024071977W WO2025040407A1 WO 2025040407 A1 WO2025040407 A1 WO 2025040407A1 EP 2024071977 W EP2024071977 W EP 2024071977W WO 2025040407 A1 WO2025040407 A1 WO 2025040407A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement
data
virtual
measurement data
physical quantity
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/EP2024/071977
Other languages
English (en)
French (fr)
Inventor
Johanna Link-Dolezal
Martin LEINBERGER
Peter Seitz
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of WO2025040407A1 publication Critical patent/WO2025040407A1/de
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems

Definitions

  • the present invention relates to a method for generating a spatial-temporal map of an agriculturally relevant physical quantity, to a method for controlling an agricultural work process, to a corresponding device and to a corresponding computer program product and a corresponding machine-readable storage medium.
  • Environmental conditions such as the weather, can have a strong influence on agricultural processes and determine many of the decisions that have to be made, especially during the cultivation of crops.
  • current weather data and forecasts can be created and made available on the basis of stationary weather stations, which can be operated by government agencies or private companies, as well as satellite data.
  • the distance between weather stations can typically be relatively large, for example several kilometers or tens of kilometers. More local information can be obtained in particular by operating a weather station on one's own property and storing the data. Some of this data may also be publicly available.
  • US 2016/0116640 A describes a method for predicting local weather conditions based on current satellite weather data and a forecast model.
  • the forecast model represents a correlation between historical satellite weather data and historical local weather measurement data generated using smartphone sensors.
  • a virtual sensor or a prediction method for sparse spatial-temporal data can be provided for agricultural applications.
  • a prediction method or a virtual sensor can be provided that can deliver dense data based on sparse spatial-temporal data measured by a real sensor. This can be used, for example, to create microclimate maps that can serve as a basis for decisions for agricultural processes.
  • satellite weather data can be dispensed with, for example, whereby the same measured variables can be recorded directly in a stationary manner as using mobile sensors, so that an additional model for comparing the measured data can also be dispensed with.
  • a derivation of historical data, which is essential for agricultural applications, can be realized.
  • a method for generating a spatial-temporal map of an agriculturally relevant physical quantity comprises the following steps:
  • Reading in first measurement data from a mobile sensor and second measurement data from a stationary sensor via an input interface wherein the mobile sensor is arranged on an agricultural work machine which moves in a predefined agricultural work area, wherein the stationary sensor is arranged in a fixed geographical relationship to the work area, wherein the first measurement data represent a plurality of first measured values of the physical quantity, wherein each first measured value is assigned a measurement time and a geographical measurement position within the work area, wherein the second measurement data represent a plurality of second measured values of the physical quantity measured at the times of the first measured values;
  • the method may be a computer-implemented method.
  • the virtual measured values may be generated using a determination rule, which may, for example, comprise a prediction of time series such as autoregressive integrated moving averages (ARIMA), matrix factorization models, and other statistical models such as genetic models or vector machines.
  • a determination rule may, for example, comprise a prediction of time series such as autoregressive integrated moving averages (ARIMA), matrix factorization models, and other statistical models such as genetic models or vector machines.
  • a spatial or spatial-temporal map of a physical quantity e.g. temperature
  • a mobile sensor e.g. temperature sensor on a work machine
  • measurement data from a stationary sensor e.g. fixed temperature sensor at the edge of a field.
  • a correlation can be determined between the measurement data from the mobile and stationary sensors.
  • the determined correlation and measurement data from the stationary sensor can then be used in particular to calculate the values of the physical quantity at the measurement positions of the mobile sensor for times at which the mobile sensor is not at the respective measurement position.
  • a detailed spatiotemporal map can be created from sparse measurements in space, which enables more precise agricultural work in terms of planning and action.
  • precise knowledge of past, current and future environmental conditions can be used for agricultural processes in order to adapt crop management and achieve expected yields.
  • each virtual measured value in the generation step, can be assigned a virtual measurement time that is different from the measurement times and one of the geographical measurement positions.
  • values of the physical quantity at the measurement positions of the mobile sensor can be advantageously determined for times at which the mobile sensor is not, not yet or no longer at the respective measurement position.
  • the representation of the measured values in the map can be condensed in time.
  • each virtual measured value can also be assigned one of the measurement times and a virtual geographical measurement position within the work area that is different from the measurement positions.
  • the representation of the measured values in the map can be spatially condensed or, in other words, a finer spatial resolution of the measured values can be generated.
  • each virtual measurement value can also be assigned a virtual measurement time that is different from the measurement times and a virtual geographical measurement position that is different from the measurement positions within the work area.
  • a difference can be determined between each first measured value and the second measured value measured at the same time.
  • the majority of differences thus obtained can be used as the Correlation data can be used.
  • a difference can also be referred to as an offset.
  • a simple and meaningful relationship can thus be established between the first and second measured values, which can be reliably used to generate the virtual measured values.
  • the first measured values or the differences can be combined. In this way, particularly robust correlation data or particularly correct modeling with respect to other observables can be obtained.
  • the difference can also be a function of time and at least one other physical quantity, and the correlation data can be determined from this function using at least the second measured value as an approximate value. This offers the advantage of a simple and reliable determination of the correlation data.
  • the correlation data can be further parameterized using at least one additional physical quantity and additionally or alternatively at least one physical model.
  • Such an embodiment offers the advantage that physical relationships between different measured quantities can be taken into account.
  • the measurement data read in during the reading step can represent measured values of temperature, air humidity, wind speed, wind direction, air pressure, soil moisture, solar radiation, particle concentration, precipitation amount and/or nutrient content as physical quantities.
  • physical quantities relevant to agriculture, for which only sparse measured values are available can be mapped in an advantageous manner.
  • the second measurement data read in the reading step can be read in by a stationary sensor that is implemented as a physical sensor.
  • the second measurement data read in the reading step can be read in by a stationary sensor that is implemented as a virtual sensor.
  • the virtual sensor is modeled using the first measurement data by at least one statistical rule, in particular averaging over an entire measurement period or a moving box average, and additionally or alternatively by at least one functional rule, in particular linear interpolation or higher-order functions based on physical processes over time.
  • a suitable stationary sensor can be used depending on the specific conditions in the work area.
  • a method for controlling an agricultural work process comprising the following steps:
  • the method can be a computer-implemented method.
  • the agricultural work process can be, for example, a process for tilling the soil, sowing, treating plants or harvesting.
  • the steps of an embodiment of a method for generating mentioned herein can be carried out as sub-steps.
  • the evaluation result can indicate, for example, whether a temperature sum has exceeded a threshold value that represents a flowering time or harvest time of an agricultural crop.
  • the step of generating can be carried out repeatedly for the same physical quantity in order to generate an updated map.
  • the step of generating can be carried out repeatedly for different physical quantities in order to generate several maps for different physical quantities. In this case, the updated map and additionally or alternatively the several maps can be evaluated in the step of evaluating.
  • Such an embodiment offers the advantage that a particularly meaningful data basis with a particularly precise and robust correlation between the first and second measured values can be used.
  • the approach presented here also creates a device that is designed to carry out or implement the steps of a variant of a method presented here in corresponding devices.
  • This embodiment of the invention in the form of a device can also solve the problem underlying the invention quickly and efficiently.
  • a device can be understood as an electrical device that processes sensor signals and outputs control and/or data signals depending on them.
  • the device can have an interface that can be designed as hardware and/or software.
  • the interfaces can, for example, be part of a so-called system ASIC, which contains a wide variety of functions of the device.
  • the interfaces it is also possible for the interfaces to be separate integrated circuits or to consist at least partially of discrete components.
  • the interfaces can be software modules that are present, for example, on a microcontroller or control unit alongside other software modules.
  • a computer program product with program code that can be stored on a machine-readable medium or a machine-readable carrier such as a semiconductor memory, a hard disk memory or an optical memory and is used to carry out the methods according to one of the embodiments described above when the program product is executed on a computer or a device.
  • a machine-readable medium or a machine-readable carrier such as a semiconductor memory, a hard disk memory or an optical memory and is used to carry out the methods according to one of the embodiments described above when the program product is executed on a computer or a device.
  • Fig. 1 is a schematic representation of a device according to an embodiment of the present invention.
  • Fig. 2 is a flow chart of an embodiment of a method for generating a spatial-temporal map of an agriculturally relevant physical quantity
  • Fig. 3 is a flow chart of an embodiment of a method for controlling an agricultural work process.
  • Fig. 1 shows a schematic representation of a device 100 according to an embodiment of the present invention.
  • the device 100 is designed to generate a spatial-temporal map of an agriculturally relevant physical quantity and/or to control an agricultural work process.
  • the device 100 comprises a generation unit 110 and/or a control unit 120.
  • the device 100 also comprises an input interface 101 and an output interface 103.
  • the generation unit 110 and the control unit 120 of the device 100 are discussed in more detail below.
  • a predefined agricultural work area A is shown, for example a field, arable land or the like.
  • An agricultural work machine D moves in the work area A.
  • another agricultural work machine E is shown.
  • a mobile sensor M is arranged on the work machine D.
  • the mobile sensor M is designed to measure at least one agriculturally relevant physical quantity and to provide it as first measured values in the form of first measurement data M1.
  • a stationary sensor S is arranged in a fixed geographical relationship to the work area A.
  • the stationary sensor S is designed to measure at least one agriculturally relevant physical quantity and to provide it as second measured values in the form of second measurement data S2.
  • An agriculturally relevant physical quantity is, for example, a temperature, air humidity, wind speed, wind direction, air pressure, soil moisture, solar radiation, particle concentration, precipitation amount and/or nutrient content.
  • the generation unit 110 of the device 100 comprises a reading device 112, a determination device 114 and a generation device 116.
  • the reading device 112 is designed to read in the first measurement data M1 from the mobile sensor M via the input interface 101 of the device 100.
  • the first measurement data M1 represents a plurality of the first measurement values of the physical quantity.
  • Each first measurement value M1 is assigned a measurement time and a geographical measurement position B within the work area A.
  • the reading device 112 is also designed to read in the second measurement data S2 from the stationary sensor S via the input interface 101 of the device 100.
  • the second measurement data S2 represents a plurality of the second measurement values of the physical quantity measured at the times of the first measurement values.
  • the reading device 112 is designed to pass on the first measurement data M1 and the second measurement data S2 to the determination device 114.
  • the reading device 112 is designed to read the second measurement data S2 from a stationary sensor S, which is implemented as a physical sensor or as a virtual sensor.
  • the sensor is modeled using the first measurement data M1 by at least one statistical rule, in particular averaging over an entire measurement period or a moving box average, and/or by at least one functional rule, in particular linear interpolation or higher-order functions based on physical processes over time.
  • the determination device 114 of the device 100 more precisely the generation unit 110 of the device 100, is designed to determine correlation data 115 using the first measurement data M1 and the second measurement data S2.
  • the correlation data 115 represents a correlation between the first measurement data M1 and the second measurement data S2.
  • the determination device 114 is also designed to forward the correlation data 115, the first measurement data M1 and the second measurement data S2 to the generation device 116.
  • the determination device 114 is designed to determine a difference between each first measured value M1 and the second measured value S2 measured at the same time.
  • the determination device 114 is designed to use the majority of differences or offsets obtained in this way as the correlation data 115.
  • the determination device 114 is designed to combine the first measured values M1 or the differences or offsets.
  • the determination device 114 is designed in particular to determine the difference for a geographical measurement position B as a function of time and of at least one further physical quantity and to determine the correlation data 115 from this function using at least the second measured value S2 as an approximate value. According to one embodiment, the determination device 114 is designed to further parameterize the correlation data 115 using at least one further physical quantity and/or at least one physical model.
  • the generating device 116 is designed to generate virtual measured values using the correlation data 115 and the second measured data S2 in order to generate the spatial-temporal map in the form of map data 119 using the first measured values M1, the second measured values S2 and the virtual measured values.
  • the generating device 116 is thus also designed to generate the map data 119 using the first measured values M1, the second measured values S2 and the generated virtual measured values.
  • the generating device 116 is designed to generate the virtual measured values such that each virtual measured value is assigned a virtual measuring time different from the measuring times and one of the geographical measuring positions B.
  • the generating device 116 is designed to generate the virtual measured values such that each virtual measured value is assigned one of the measuring times and a virtual geographical measuring position C different from the measuring positions B within the work area A. Additionally or alternatively, the generating device 116 is designed to generate the virtual measured values such that each virtual measured value is assigned a virtual measuring time different from the measuring times and a virtual geographical measuring position C different from the measuring positions B within the work area A.
  • the control unit 120 of the device 100 comprises the generation unit 110, an evaluation device 124 and an output device 126.
  • the evaluation device 124 is designed to receive the map data 119 from the generation unit 110, more precisely the generation device 116 of the generation unit 110.
  • the evaluation device 124 is also designed to evaluate the spatial-temporal map represented by the map data 119 in order to determine as an evaluation result 125 to what extent the physical quantity in the work area A fulfills a process condition for the agricultural work process to be carried out.
  • the evaluation device 124 is also designed to pass on the evaluation result 125 to the output device 126.
  • the output device 126 is designed to output a control signal 129 to the output interface 103 to at least one agricultural work machine D and/or E or planning device for carrying out the agricultural work process, depending on the evaluation result 125.
  • the step 310 of generating comprises as sub-steps the steps of the method for generating from Fig. 2.
  • a spatial-temporal map of an agriculturally relevant physical quantity is generated, as described in Fig. 2.
  • the map is evaluated in order to determine as an evaluation result to what extent the physical quantity in the work area fulfills a process condition for the agricultural work process.
  • a control signal is output to an output interface to at least one agricultural work machine or planning device for carrying out the agricultural work process.
  • the generating step 310 is repeatedly performed for the same physical quantity to generate an updated map. Additionally or alternatively, the generating step 310 is repeatedly performed for different physical quantities to generate multiple maps for different physical quantities. In this case, the updated map and/or the multiple maps are then evaluated in the evaluating step 324.
  • a physical quantity is constantly monitored. This can be, for example, temperature, humidity, wind speed, wind direction, air pressure, soil moisture, solar radiation, particle concentrations or precipitation amounts.
  • location information for example latitude, longitude and possibly altitude, is also recorded in the first measurement data M1. The measurements can be made, for example, at a fixed time interval, e.g. every second, or on the basis of the location after covering a certain distance, e.g. every 5 meters.
  • the same quantity(s), which are correlated with each other, are measured by the stationary sensor S as a reference sensor.
  • a reference sensor can be a stationary observation post such as a weather station.
  • the reference sensor can be constructed from the data generated by the operation in the field or work area A. This can be done by statistical methods such as averaging over the entire time period or by using a moving box average. It can also be modelled by a function, e.g. by linear interpolation or higher order functions based on physical processes over time.
  • An example of a physical quantity is the temperature over the day or year, for example approximated by trigonometric functions.
  • a difference or offset is calculated between the reference sensor value or the second measured value at a certain point in time and the measured value or first measured value.
  • This offset calculation can be further parameterized by taking into account other measured values and (preferably) physical models, e.g. the temperature near the ground can be influenced by solar radiation and wind.
  • a fine-grained map of the field or work area A can be created from the offsets.
  • the offset values are not just momentary observations, but can be extrapolated over time to predict the local climate. Temperature sums are used, for example, to predict flowering or harvest dates for crops. This can be calculated with high spatial resolution using the offset maps or the spatiotemporal map.
  • Another application example is the mapping of a nutrient content in field or work area A, especially the nitrogen content.
  • the method 210 and/or 320 can be repeated.
  • the various locally measured values or offsets can be combined to obtain a more robust offset or to obtain more correct modeling with respect to other observables.
  • the offsets at a location can be a function of time and all other available observables. From this, an offset value can be calculated using at least the reference sensor value or second measurement value as an approximation.
  • a mobile sensor M designed as a temperature sensor on an agricultural machine measures the temperature during use in the work area A or field. The temperature is recorded together with the current location of the work machine D as geographical position B.
  • a nearby reference temperature sensor or stationary sensor S measures the temperature during the same period. The offset or the difference between the reference temperature as the second measured value and the locally measured temperature value as the first measured value is calculated.
  • a map with the offset temperature values is created using the location information.
  • the temperature sum can be used to predict the flowering time of crops in the field or work area A. Instead of calculating the temperature sum only using the reference temperature sensor or stationary sensor S or using a coarse-grained forecast, this can now be done using the data offset at each location, i.e. also at virtual positions C, with the differences being cumulated. This can be used, for example, to obtain a flowering time with high spatial resolution.
  • a mobile sensor M designed as a fine dust sensor on an agricultural machine or work machine D measures the particle concentration during work in the field or work area A, whereby the fine dust caused by the work is assumed to be negligible in the measurement.
  • the concentration is recorded together with the current location or geographical position B of the machine or work machine D.
  • a nearby reference FS sensor or stationary sensor S measures the concentration over the same period.
  • a spatial model with sinks and sources of fine dust can be refined with this information, since the work machine D provides different distances, while the Reference station or the stationary sensor S indicates a fixed distance.
  • An increase or decrease in the FA concentration propagates from a source at a certain speed. The observation of the increase or decrease can be used to calculate the propagation or, by triangulation, to specify the position of the source(s). In this way, ambiguities that can arise with only stationary measurement positions can be eliminated.
  • maps of observation values or physical quantities are generated that show offsets of the observation values.
  • offsets aggregated over time are used. This makes it possible to create fine-grained maps even without an extensive network of physical sensors.
  • an embodiment includes an “and/or” connection between a first feature and a second feature, this is to be read as meaning that the embodiment according to one embodiment has both the first feature and the second feature and according to another embodiment either only the first feature or only the second feature.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Insects & Arthropods (AREA)
  • Pest Control & Pesticides (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Erzeugen einer räumlich-zeitlichen Karte (119) einer landwirtschaftlich relevanten physikalischen Größe. Das Verfahren umfasst einen Schritt des Einlesens von ersten Messdaten (M1) von einem mobilen Sensor (M) und von zweiten Messdaten (S2) von einem stationären Sensor (S) über eine Eingangsschnittstelle (101). Der mobile Sensor (M) ist an einer landwirtschaftlichen Arbeitsmaschine (D) angeordnet, die sich in einem vordefinierten landwirtschaftlichen Arbeitsgebiet (A) bewegt. Der stationäre Sensor (S) ist in einer festen geografischen Beziehung zu dem Arbeitsgebiet (A) angeordnet. Das Verfahren umfasst ferner einen Schritt des Ermittelns von Korrelationsdaten (115) unter Verwendung der ersten Messdaten (M1) und der zweiten Messdaten (S2), wobei die Korrelationsdaten (115) eine Korrelation zwischen den ersten Messdaten (M1) und den zweiten Messdaten (S2) repräsentieren. Auch umfasst das Verfahren einen Schritt des Generierens von virtuellen Messwerten unter Verwendung der Korrelationsdaten (115) und der zweiten Messdaten (S2), um die räumlich-zeitliche Karte (119) unter Verwendung der ersten Messwerte (M1), der zweiten Messwerte (S2) und der virtuellen Messwerte zu erzeugen.

Description

Beschreibung
Titel
Verfahren und Vorrichtung zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe sowie Verfahren und Vorrichtung zum Steuern eines landwirtschaftlichen Arbeitsprozesses
Stand der Technik
Die vorliegende Erfindung bezieht sich auf ein Verfahren zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe, auf ein Verfahren zum Steuern eines landwirtschaftlichen Arbeitsprozesses, auf eine entsprechende Vorrichtung sowie auf ein entsprechendes Computerprogrammprodukt und ein entsprechendes maschinenlesbares Speichermedium.
Umgebungsbedingungen, wie beispielsweise das Wetter, können einen starken Einfluss auf landwirtschaftliche Prozesse haben und viele der Entscheidungen bestimmen, die insbesondere während eines Anbaus von Nutzpflanzen zu treffen sind. Herkömmlicherweise können beispielsweise auf der Grundlage von stationären Wetterstationen, die von staatlichen Stellen oder privaten Unternehmen betrieben sein können, sowie von Satellitendaten aktuelle Wetterdaten und Prognosen erstellt und zur Verfügung gestellt werden. Die Entfernung der Wetterstationen voneinander kann typischerweise relativ groß sein, beispielsweise mehrere Kilometer oder zig Kilometer. Lokalere Informationen können insbesondere durch einen Betrieb einer Wetterstation auf dem eigenen Grundstück und eine Speicherung der Daten gewonnen werden. Einige dieser Daten können auch öffentlich verfügbar sein.
Die US 2016/0116640 A beschreibt ein Verfahren zur Vorhersage von lokalen Wetterbedingungen basierend auf aktuellen Satellitenwetterdaten und einem Vorhersage-Modell. Hierbei repräsentiert das Vorhersage-Modell eine Korrelation zwischen historischen Satellitenwetterdaten und historischen lokalen Wettermessdaten, welche mittels Smartphone-Sensorik erzeugt wurden.
Offenbarung der Erfindung
Vor diesem Hintergrund wird mit dem hier vorgestellten Ansatz ein Verfahren zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe, ein Verfahren zum Steuern eines landwirtschaftlichen Arbeitsprozesses, weiterhin eine Vorrichtung, welche eines dieser Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogrammprodukt und ein entsprechendes maschinenlesbares Speichermedium gemäß den Hauptansprüchen vorgestellt. Vorteilhafte Ausgestaltungen ergeben sich aus den jeweiligen Unteransprüchen und der nachfolgenden Beschreibung.
Gemäß Ausführungsformen kann insbesondere ein virtueller Sensor oder ein Vorhersageverfahren für spärliche räumlich-zeitliche Daten für landwirtschaftliche Anwendungen bereitgestellt werden. Es kann beispielsweise ein Vorhersageverfahren oder ein virtueller Sensor bereitgestellt werden, der dichte Daten auf der Grundlage spärlicher räumlich-zeitlicher Daten, die von einem realen Sensor gemessen werden, liefern kann. Damit lassen sich beispielsweise Mikroklima-Karten erstellen, die als Entscheidungsgrundlage für landwirtschaftliche Prozesse dienen können. Anders als im Stand der Technik kann beispielsweise auf Satellitenwetterdaten verzichtet werden, wobei stationär unmittelbar dieselben Messgrößen wie mittels der mobilen Sensorik erfasst werden können, sodass auch auf ein zusätzliches Modell zum Vergleichen der Messdaten verzichtet werden kann. Es kann eine für landwirtschaftliche Anwendungen wesentliche Ableitung von historischen Daten realisiert werden.
Es wird ein Verfahren zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe vorgestellt, wobei das Verfahren folgende Schritte aufweist:
Einlesen von ersten Messdaten von einem mobilen Sensor und von zweiten Messdaten von einem stationären Sensor über eine Eingangsschnittstelle, wobei der mobile Sensor an einer landwirtschaftlichen Arbeitsmaschine angeordnet ist, die sich in einem vordefinierten landwirtschaftlichen Arbeitsgebiet bewegt, wobei der stationäre Sensor in einer festen geografischen Beziehung zu dem Arbeitsgebiet angeordnet ist, wobei die ersten Messdaten eine Mehrzahl von ersten Messwerten der physikalischen Größe repräsentieren, wobei jedem ersten Messwert ein Messzeitpunkt und eine geografische Messposition innerhalb des Arbeitsgebiets zugeordnet sind, wobei die zweiten Messdaten eine Mehrzahl von zu den Zeitpunkten der ersten Messwerte gemessenen zweiten Messwerten der physikalischen Größe repräsentieren;
Ermitteln von Korrelationsdaten unter Verwendung der ersten Messdaten und der zweiten Messdaten, wobei die Korrelationsdaten eine Korrelation zwischen den ersten Messdaten und den zweiten Messdaten repräsentieren; und
Generieren von virtuellen Messwerten unter Verwendung der Korrelationsdaten und der zweiten Messdaten, um die räumlich-zeitliche Karte unter Verwendung der ersten Messwerte, der zweiten Messwerte und der virtuellen Messwerte zu erzeugen.
Bei dem Verfahren kann es sich um ein computerimplementiertes Verfahren handeln. Im Schritt des Generierens können die virtuellen Messwerte unter Verwendung einer Bestimmungsvorschrift generiert werden, die beispielsweise eine Vorhersage von Zeitreihen wie autoregressive integrierte gleitende Mittelwerte (ARIMA = Auto Regressive Integrated Moving Average), Matrixfaktorisierungsmodelle und andere statistische Modelle wie genetische Modelle oder Vektormaschinen aufweisen kann.
Es kann somit eine Bestimmung einer räumlichen oder räumlich-zeitlichen Karte einer physikalischen Größe, z.B. Temperatur, basierend auf Messdaten eines mobilen Sensors, z.B. Temperatursensor an Arbeitsmaschine, und Messdaten eines stationären Sensors, z.B. ortsfester Temperatursensor am Feldrand, vorgenommen werden. Hierzu kann eine Korrelation zwischen den Messdaten des mobilen und des stationären Sensors ermittelt werden. Die ermittelte Korrelation und Messdaten des stationären Sensors können dann insbesondere verwendet werden, um die Werte der physikalischen Größe an den Messpositionen des mobilen Sensors für Zeitpunkte zu berechnen, zu denen der mobile Sensor sich nicht an der jeweiligen Messposition befindet. Somit kann beispielsweise ermöglicht werden, einzelne Messungen an einem Ort und zu einer bestimmten Zeit in einen Kontext zu setzen, der räumlich-zeitlich ausgedehnte Operationen erlaubt. Auf diese Weise kann eine detaillierte räumlich-zeitlichen Karte aus spärlichen Messungen im Raum erzeugt werden, die eine präzisere landwirtschaftliche Arbeit in Bezug auf Planung und Handeln ermöglicht. Insbesondere kann somit eine genaue Kenntnis von vergangenen, aktuellen und zukünftigen Umgebungsbedingungen für landwirtschaftliche Prozesse genutzt werden, um eine Bewirtschaftung von Kulturen anzupassen und erwartete Erträge zu erzielen.
Gemäß einer Ausführungsform können im Schritt des Generierens jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine der geografischen Messpositionen zugeordnet werden. Somit können auf vorteilhafte Weise Werte der physikalischen Größe an den Messpositionen des mobilen Sensors für Zeitpunkte bestimmt werden, zu welchen der mobile Sensor sich nicht, noch nicht oder nicht mehr an der jeweiligen Messposition befindet. Somit kann die Darstellung der Messwerte in der Karte zeitlich verdichtet werden.
Auch können im Schritt des Generierens jedem virtuellen Messwert einer der Messzeitpunkte und eine von den Messpositionen verschiedene virtuelle geografische Messposition innerhalb des Arbeitsgebiets zugeordnet werden. Auf diese Weise kann die Darstellung der Messwerte in der Karte räumlich verdichtet werden oder, anders ausgedrückt, eine feinere räumliche Auflösung der Messwerte generiert werden.
Ebenfalls können im Schritt des Generierens jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine von den Messpositionen verschiedene virtuelle geografische Messposition innerhalb des Arbeitsgebiets zugeordnet werden. Eine solche Ausführungsform bietet den Vorteil, dass die Darstellung der Messwerte in der Karte je nach Bedarf beliebig verfeinert und ergänzt werden kann.
Ferner kann im Schritt des Ermittelns zwischen jedem ersten Messwert und dem zu demselben Zeitpunkt gemessenen zweiten Messwert eine Differenz ermittelt werden. Hierbei kann die Mehrzahl von so erhaltenen Differenzen als die Korrelationsdaten verwendet werden. Eine Differenz kann auch als ein Offset oder Versatz bezeichnet werden. Es kann somit eine einfache und aussagekräftige Beziehung zwischen den ersten und zweiten Messwerten hergestellt werden, die zuverlässig verwendet werden kann, um die virtuellen Messwerte zu generieren.
Dabei können die ersten Messwerte oder die Differenzen kombiniert werden. Auf diese Weise können besonders robuste Korrelationsdaten oder eine besonders korrekte Modellierung in Bezug auf andere Observablen erhalten werden.
Auch kann dabei für eine geografische Messposition die Differenz eine Funktion der Zeit und mindestens einer weiteren physikalischen Größe sein und können aus dieser Funktion unter Verwendung von zumindest dem zweiten Messwert als Näherungswert die Korrelationsdaten ermittelt werden. Dies bietet den Vorteil einer einfachen und zuverlässigen Ermittlung der Korrelationsdaten.
Zudem können im Schritt des Ermittelns die Korrelationsdaten unter Verwendung mindestens einerweiteren physikalischen Größe und zusätzlich oder alternativ mindestens einer physikalischen Modellierung weiter parametrisiert werden. Eine solche Ausführungsform bietet den Vorteil, dass physikalische Zusammenhänge zwischen unterschiedlichen Messgrößen berücksichtigt werden können.
Insbesondere können die im Schritt des Einlesens eingelesenen Messdaten Messwerte einer Temperatur, einer Luftfeuchtigkeit, einer Windgeschwindigkeit, einer Windrichtung, eines Luftdrucks, einer Bodenfeuchte, einer Sonneneinstrahlung, einer Partikelkonzentration, einer Niederschlagsmenge und/oder eines Nährstoffgehalts als physikalischer Größe repräsentieren. Somit können für die Landwirtschaft relevante physikalische Größen, von denen lediglich spärliche Messwerte vorhanden sind, auf vorteilhafte Weise kartiert werden.
Gemäß einer Ausführungsform können die im Schritt des Einlesens eingelesenen zweiten Messdaten von einem stationären Sensor eingelesen werden, der als ein physischer Sensor realisiert ist. Alternativ können die im Schritt des Einlesens eingelesenen zweiten Messdaten von einem stationären Sensor eingelesen werden, der als ein virtueller Sensor realisiert ist. Hierbei kann der virtuelle Sensor unter Verwendung der ersten Messdaten durch mindestens eine statistische Vorschrift, insbesondere Mittelwertbildung über einen gesamten Messzeitraum oder einen gleitenden Box-Mittelwert, und zusätzlich oder alternativ durch mindestens eine Funktionsvorschrift modelliert sein, insbesondere lineare Interpolation oder Funktionen höherer Ordnung, die auf physikalischen Prozessen im Zeitverlauf basieren. Somit kann je nach konkreten Gegebenheiten in dem Arbeitsgebiet ein geeigneter stationärer Sensor verwendet werden.
Es wird auch ein Verfahren zum Steuern eines landwirtschaftlichen Arbeitsprozesses vorgestellt, wobei das Verfahren folgende Schritte aufweist:
Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe nach einer Ausführungsform eines hierin genannten Verfahrens zum Erzeugen;
Auswerten der Karte, um als Auswertungsergebnis zu bestimmen, inwieweit die physikalische Größe in dem Arbeitsgebiet eine Prozessbedingung für den landwirtschaftlichen Arbeitsprozess erfüllt; und
Ausgeben eines Steuersignals an eine Ausgangsschnittstelle zu mindestens einer landwirtschaftlichen Arbeitsmaschine oder Planungseinrichtung zum Durchführen des landwirtschaftlichen Arbeitsprozesses in Abhängigkeit von dem Auswertungsergebnis.
Bei dem Verfahren kann es sich um ein computerimplementiertes Verfahren handeln. Bei dem landwirtschaftlichen Arbeitsprozess kann es sich beispielsweise um einen Prozess zur Bodenbearbeitung, zur Aussaat, zur Pflanzenbehandlung oder zur Ernte handeln. Beim Ausführen des Schrittes des Erzeugens sind die Schritte einer Ausführungsform eines hierin genannten Verfahrens zum Erzeugen als Teilschritte ausführbar. Das Auswertungsergebnis kann beispielsweise angeben, ob eine Temperatursumme einen Schwellenwert überschritten hat, der einen Blütezeitpunkt oder Erntezeitpunkt einer landwirtschaftlichen Nutzpflanze repräsentiert. Gemäß einer Ausführungsform kann der Schritt des Erzeugens für dieselbe physikalische Größe wiederholt ausgeführt werden, um eine aktualisierte Karte zu erzeugen. Zusätzlich oder alternativ kann der Schritt des Erzeugens für unterschiedliche physikalische Größen wiederholt ausgeführt werden, um mehrere Karten für unterschiedliche physikalische Größen zu erzeugen. Hierbei können im Schritt des Auswertens die aktualisierte Karte und zusätzlich oder alternativ die mehreren Karten ausgewertet werden. Eine solche Ausführungsform bietet den Vorteil, dass eine besonders aussagekräftige Datengrundlage mit einer besonders präzisen und robusten Korrelation zwischen den ersten und zweiten Messwerten verwendet werden kann.
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens in entsprechenden Einrichtungen durchzuführen bzw. umzusetzen. Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller oder Steuergerät neben anderen Softwaremodulen vorhanden sind.
Von Vorteil ist auch ein Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Medium bzw. einem maschinenlesbaren Träger wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung der Verfahren nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, wenn das Programmprodukt auf einem Computer oder einer Vorrichtung ausgeführt wird. Der hier vorgestellte Ansatz wird nachstehend anhand der beigefügten Zeichnungen beispielhaft näher erläutert. Es zeigen:
Fig. 1 eine schematische Darstellung einer Vorrichtung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
Fig. 2 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe; und
Fig. 3 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Steuern eines landwirtschaftlichen Arbeitsprozesses.
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung, werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
Fig. 1 zeigt eine schematische Darstellung einer Vorrichtung 100 gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. Die Vorrichtung 100 ist ausgebildet, um eine räumlich-zeitliche Karte einer landwirtschaftlich relevanten physikalischen Größe zu erzeugen und/oder einen landwirtschaftlichen Arbeitsprozess zu steuern. Dazu umfasst die Vorrichtung 100 eine Erzeugungseinheit 110 und/oder eine Steuereinheit 120. Die Vorrichtung 100 umfasst auch eine Eingangsschnittstelle 101 und eine Ausgangsschnittstelle 103. Auf die Erzeugungseinheit 110 und die Steuereinheit 120 der Vorrichtung 100 wird nachfolgend noch detaillierter eingegangen.
In Fig. 1 ist ein vordefiniertes landwirtschaftliches Arbeitsgebiet A gezeigt, beispielsweise ein Feld, Acker oder dergleichen. In dem Arbeitsgebiet A bewegt sich eine landwirtschaftliche Arbeitsmaschine D. Ferner ist eine weitere landwirtschaftliche Arbeitsmaschine E gezeigt. An der Arbeitsmaschine D ist ein mobiler Sensor M angeordnet. Der mobile Sensor M ist ausgebildet, um mindestens eine landwirtschaftlich relevante physikalische Größe zu messen und als erste Messwerte in Gestalt von ersten Messdaten M1 bereitzustellen. In einer festen geografischen Beziehung zu dem Arbeitsgebiet A ist ein stationärer Sensor S angeordnet. Der stationäre Sensor S ist ausgebildet, um mindestens eine landwirtschaftlich relevante physikalische Größe zu messen und als zweite Messwerte in Gestalt von zweiten Messdaten S2 bereitzustellen.
Bei einer landwirtschaftlich relevanten physikalischen Größe handelt es sich hierbei zum Beispiel eine Temperatur, eine Luftfeuchtigkeit, eine Windgeschwindigkeit, eine Windrichtung, einen Luftdruck, eine Bodenfeuchte, eine Sonneneinstrahlung, eine Partikelkonzentration, eine Niederschlagsmenge und/oder einen Nährstoffgehalt.
Die Erzeugungseinheit 110 der Vorrichtung 100 umfasst eine Einleseeinrichtung 112, eine Ermittlungseinrichtung 114 und eine Generiereinrichtung 116. Die Einleseeinrichtung 112 ist ausgebildet, um über die Eingangsschnittstelle 101 der Vorrichtung 100 die ersten Messdaten M1 von dem mobilen Sensor M einzulesen. Dabei repräsentieren die ersten Messdaten M1 eine Mehrzahl der ersten Messwerte der physikalischen Größe. Jedem ersten Messwert M1 sind ein Messzeitpunkt und eine geografische Messposition B innerhalb des Arbeitsgebiets A zugeordnet. Die Einleseeinrichtung 112 ist auch ausgebildet, um über die Eingangsschnittstelle 101 der Vorrichtung 100 die zweiten Messdaten S2 von den stationären Sensor S einzulesen. Dabei repräsentieren die zweiten Messdaten S2 eine Mehrzahl der zu den Zeitpunkten der ersten Messwerte gemessenen zweiten Messwerte der physikalischen Größe. Ferner ist die Einleseeinrichtung 112 ausgebildet, um die ersten Messdaten M1 und die zweiten Messdaten S2 an die Ermittlungseinrichtung 114 weiterzugeben.
Gemäß einem Ausführungsbeispiel ist die Einleseeinrichtung 112 ausgebildet, um die zweiten Messdaten S2 von einem stationären Sensor S einzulesen, der als ein physischer Sensor oder als ein virtueller Sensor realisiert ist. Im Falle eines virtuellen Sensors ist derselbe unter Verwendung der ersten Messdaten M1 durch mindestens eine statistische Vorschrift, insbesondere Mittelwertbildung über einen gesamten Messzeitraum oder einen gleitenden Box-Mittelwert, und/oder durch mindestens eine Funktionsvorschrift modelliert, insbesondere lineare Interpolation oder Funktionen höherer Ordnung, die auf physikalischen Prozessen im Zeitverlauf basieren. Die Ermittlungseinrichtung 114 der Vorrichtung 100, genauer gesagt der Erzeugungseinheit 110 der Vorrichtung 100, ist ausgebildet, um unter Verwendung der ersten Messdaten M1 und der zweiten Messdaten S2 Korrelationsdaten 115 zu ermitteln. Die Korrelationsdaten 115 repräsentieren eine Korrelation zwischen den ersten Messdaten M1 und den zweiten Messdaten S2. Auch ist die Ermittlungseinrichtung 114 ausgebildet, um die Korrelationsdaten 115, die ersten Messdaten M1 und die zweiten Messdaten S2 an die Generiereinrichtung 116 weiterzugeben.
Gemäß einem Ausführungsbeispiel ist die Ermittlungseinrichtung 114 ausgebildet, um zwischen jedem ersten Messwert M1 und dem zu demselben Zeitpunkt gemessenen zweiten Messwert S2 eine Differenz zu ermitteln. Die Ermittlungseinrichtung 114 ist hierbei ausgebildet, um die Mehrzahl von so erhaltenen Differenzen bzw. Offsets als die Korrelationsdaten 115 zu verwenden. Insbesondere ist die Ermittlungseinrichtung 114 hierbei ausgebildet, um die ersten Messwerte M1 oder die Differenzen bzw. Offsets zu kombinieren.
Zusätzlich oder alternativ ist hierbei die Ermittlungseinrichtung 114 insbesondere ausgebildet, um für eine geografische Messposition B die Differenz als eine Funktion der zeit und von mindestens einer weiteren physikalischen Größe zu bestimmen und aus dieser Funktion unter Verwendung von zumindest dem zweiten Messwert S2 als Näherungswert die Korrelationsdaten 115 zu ermitteln. Gemäß einem Ausführungsbeispiel ist die Ermittlungseinrichtung 114 ausgebildet, um die Korrelationsdaten 115 unter Verwendung mindestens einer weiteren physikalischen Größe und/oder mindestens einer physikalischen Modellierung weiter zu parametrisieren.
Die Generiereinrichtung 116 ist ausgebildet, um unter Verwendung der Korrelationsdaten 115 und der zweiten Messdaten S2 virtuelle Messwerte zu generieren, um die räumlich-zeitliche Karte in Gestalt von Kartendaten 119 unter Verwendung der ersten Messwerte M1, der zweiten Messwerte S2 und der virtuellen Messwerte zu erzeugen. Somit ist die Generiereinrichtung 116 auch ausgebildet, um unter Verwendung der ersten Messwerte M1, der zweiten Messwerte S2 und der generierten virtuellen Messwerte die Kartendaten 119 zu erzeugen. Gemäß einem Ausführungsbeispiel ist die Generiereinrichtung 116 ausgebildet, um die virtuellen Messwerte so zu generieren, dass jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine der geografischen Messpositionen B zugeordnet werden. Zusätzlich oder alternativ ist die Generiereinrichtung 116 ausgebildet, um die virtuellen Messwerte so zu generieren, dass jedem virtuellen Messwert einer der Messzeitpunkte und eine von den Messpositionen B verschiedene virtuelle geografische Messposition C innerhalb des Arbeitsgebiets A zugeordnet werden. Zusätzlich oder alternativ ist die Generiereinrichtung 116 ausgebildet, um die virtuellen Messwerte so zu generieren, dass jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine von den Messpositionen B verschiedene virtuelle geografische Messposition C innerhalb des Arbeitsgebiets A zugeordnet werden.
Die Steuereinheit 120 der Vorrichtung 100 umfasst die Erzeugungseinheit 110, eine Auswerteeinrichtung 124 und eine Ausgabeeinrichtung 126. die Auswerteeinrichtung 124 ist ausgebildet, um die Kartendaten 119 von der Erzeugungseinheit 110, genauer gesagt der Generiereinrichtung 116 der Erzeugungseinheit 110 zu empfangen. Auch ist die Auswerteeinrichtung 124 ausgebildet, durch die Kartendaten 119 repräsentierte räumlich-zeitliche Karte auszuwerten, um als Auswertungsergebnis 125 zu bestimmen, inwieweit die physikalische Größe in dem Arbeitsgebiet A eine Prozessbedingung für den durchzuführenden landwirtschaftlichen Arbeitsprozesses erfüllt. Ferner ist die Auswerteeinrichtung 124 ausgebildet, um das Auswertungsergebnis 125 an die Ausgabeeinrichtung 126 weiterzugeben. Die Ausgabeeinrichtung 126 ist ausgebildet, um in Abhängigkeit von dem Auswertungsergebnis 125 ein Steuersignal 129 an die Ausgangsschnittstelle 103 zu mindestens einer landwirtschaftlichen Arbeitsmaschine D und/oder E oder Planungseinrichtung zum Durchführen des landwirtschaftlichen Arbeitsprozesses auszugeben.
Gemäß einem Ausführungsbeispiel ist die Erzeugungseinheit 110 ausgebildet, um die Karte für dieselbe physikalische Größe wiederholt zu erzeugen oder, genauer gesagt, eine aktualisierte Karte für dieselbe physikalische Größe zu erzeugen. Zusätzlich oder alternativ ist hierbei die Erzeugungseinheit 110 ausgebildet, um mehrere Karten für unterschiedliche physikalische Größen zu erzeugen. Hierbei ist die Auswerteeinrichtung 124 ausgebildet, die aktualisierte Karte und/oder die mehreren Karten auszuwerten.
Fig. 2 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 210 zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe. Das Verfahren 210 zum Erzeugen ist hierbei unter Verwendung einer Vorrichtung oder, genauer gesagt, einer Erzeugungseinheit einer Vorrichtung ausführbar, die jener aus Fig. 1 entspricht oder ähnelt. Das Verfahren 210 zum Erzeugen umfasst einen Schritt 212 des Einlesens, einen Schritt 214 des Ermittelns und einen Schritt 216 des Generierens.
In dem Schritt 212 des Einlesens werden Messdaten von einem mobilen Sensor und von zweiten Messdaten von einem stationären Sensor über eine Eingangsschnittstelle eingelesen. Hierbei ist der mobile Sensor an einer landwirtschaftlichen Arbeitsmaschine angeordnet, die sich in einem vordefinierten landwirtschaftlichen Arbeitsgebiet bewegt. Der stationäre Sensor ist in einer festen geografischen Beziehung zu dem Arbeitsgebiet angeordnet. Dabei repräsentieren die ersten Messdaten eine Mehrzahl von ersten Messwerten der physikalischen Größe, wobei jedem ersten Messwert ein Messzeitpunkt und eine geografische Messposition innerhalb des Arbeitsgebiets zugeordnet sind. Die zweiten Messdaten repräsentieren eine Mehrzahl von zu den Zeitpunkten der ersten Messwerte gemessenen zweiten Messwerten der physikalischen Größe. In dem Schritt 214 des Ermittelns werden unter Verwendung der ersten Messdaten und der zweiten Messdaten Korrelationsdaten ermittelt, die eine Korrelation zwischen den ersten Messdaten und den zweiten Messdaten repräsentieren. In dem Schritt 216 des Generierens werden unter Verwendung der Korrelationsdaten und der zweiten Messdaten virtuelle Messwerte generiert, um die räumlich-zeitliche Karte unter Verwendung der ersten Messwerte, der zweiten Messwerte und der virtuellen Messwerte zu erzeugen.
Fig. 3 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 320 zum Steuern eines landwirtschaftlichen Arbeitsprozesses. Das Verfahren 320 zum Steuern ist hierbei unter Verwendung einer Vorrichtung oder, genauer gesagt, einer Steuereinheit einer Vorrichtung ausführbar, die jener aus Fig. 1 entspricht oder ähnelt. Das Verfahren 320 zum Steuern umfasst einen Schritt 310 des Erzeugens, einen Schritt 324 des Auswertens und einen Schritt 326 des Ausgebens.
Der Schritt 310 des Erzeugens umfasst als Teilschritte die Schritte des Verfahrens zum Erzeugen aus Fig. 2. Somit wird im Schritt 310 des Erzeugens eine räumlich-zeitliche Karte einer landwirtschaftlich relevanten physikalischen Größe erzeugt, wie es in Fig. 2 beschrieben ist. Im Schritt 324 des Auswertens wird die Karte ausgewertet, um als Auswertungsergebnis zu bestimmen, inwieweit die physikalische Größe in dem Arbeitsgebiet eine Prozessbedingung für den landwirtschaftlichen Arbeitsprozess erfüllt. Im Schritt 326 des Ausgebens wird in Abhängigkeit von dem Auswertungsergebnis ein Steuersignal an eine Ausgangsschnittstelle zu mindestens einer landwirtschaftlichen Arbeitsmaschine oder Planungseinrichtung zum Durchführen des landwirtschaftlichen Arbeitsprozesses ausgegeben.
Der Schritt 310 des Erzeugens wird für dieselbe physikalische Größe wiederholt ausgeführt, um eine aktualisierte Karte zu erzeugen. Zusätzlich oder alternativ wird der Schritt 310 des Erzeugens für unterschiedliche physikalische Größen wiederholt ausgeführt, um mehrere Karten für unterschiedliche physikalische Größen zu erzeugen. Hierbei wird bzw. werden dann im Schritt 324 des Auswertens die aktualisierte Karte und/oder die mehreren Karten ausgewertet.
Unter Bezugnahme auf die vorstehend beschriebenen Figuren werden nachfolgend Ausführungsbeispiele nochmals zusammenfassend und mit anderen Worten kurz erläutert.
Während eines Einsatzes auf einem Feld bzw. in einem Arbeitsgebiet A wird ständig eine physikalische Größe beobachtet. Dies können z.B. Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit, Windrichtung, Luftdruck, Bodenfeuchte, Sonneneinstrahlung, Partikelkonzentrationen oder Niederschlagsmenge sein. Bei jeder Messung mittels des mobilen Sensors M wird auch eine Standortinformation, beispielsweise Breitengrad, Längengrad und eventuell Höhe, in den ersten Messdaten M1 mit aufgezeichnet. Die Messungen können z.B. in einem festen Zeitintervall, z.B. jede Sekunde, oder auf der Grundlage des Standorts nach Zurücklegung einer bestimmten Strecke, z.B. alle 5 Meter, wiederholt werden.
In demselben Zeitrahmen wie der Vorgang auf dem Feld bzw. in dem Arbeitsgebiet A werden dieselbe(n) Größe(n), die miteinander korreliert sind, von dem stationären Sensor S als einem Referenzsensor gemessen. Ein Referenzsensor kann ein stationärer Beobachtungsposten wie eine Wetterstation sein. Alternativ kann der Referenzsensor anhand der Daten konstruiert werden, die durch den Einsatz im Feld bzw. Arbeitsgebiet A erzeugt werden. Dies kann durch statistische Methoden wie Mittelwertbildung über den gesamten Zeitraum oder durch Verwendung eines gleitenden Box-Mittelwerts geschehen. Er kann auch durch eine Funktion modelliert werden, z.B. durch lineare Interpolation oder Funktionen höherer Ordnung, die auf physikalischen Prozessen im Zeitverlauf basieren.
Als ein Beispiel für eine physikalische Größe sei die Temperatur über den Tag oder das Jahr genannt, beispielsweise approximiert durch trigonometrische Funktionen. Zwischen dem Referenzsensorwert bzw. dem zweiten Messwert zu einem bestimmten Zeitpunkt und dem gemessenen Wert bzw. ersten Messwert wird eine Differenz bzw. ein Offset berechnet. Diese Offset-Berechnung kann weiter parametrisiert werden, indem andere Messwerte und (vorzugsweise) physikalische Modellierungen berücksichtigt werden, z.B. kann die Temperatur in Bodennähe durch Sonneneinstrahlung und Wind beeinflusst werden. Aus den Offsets kann eine feinkörnige Karte des Feldes bzw. Arbeitsgebiets A erstellt werden. Durch den Bezug zum Referenzsensor bzw. stationären Sensor S sind die Offset-Werte nicht nur momentane Beobachtungen, sondern können in der Zeit fortgeschrieben werden, um das lokale Klima vorherzusagen. Für die Vorhersage von Blüh- oder Ernteterminen von Nutzpflanzen werden z.B. Temperatursummen verwendet. Mit den Offset-Karten bzw. der räumlichzeitlichen Karte kann dies mit hoher räumlicher Auflösung berechnet werden. Ein weiteres Anwendungsbeispiel ist die Kartierung eines Nährstoffgehalts im Feld bzw. Arbeitsgebiet A, insbesondere des Stickstoffgehalts.
Bei anstehenden Operationen bzw. Arbeitsprozessen kann das Verfahren 210 und/oder 320 wiederholt werden. Die verschiedenen lokal gemessenen Werte oder Offsets können kombiniert werden, um einen robusteren Offset oder eine korrektere Modellierung in Bezug auf andere Observablen zu erhalten. Die Offsets an einem Ort können eine Funktion der Zeit und aller anderen verfügbaren Observablen sein. Daraus kann ein Offset-Wert berechnet werden, wobei zumindest der Referenzsensorwert bzw. zweite Messwert als Näherungswert verwendet wird.
Es wird nachfolgend nochmals auf ein temperaturspezifisches Beispiel Bezug genommen. Ein als Temperatursensor ausgeführter mobiler Sensor M an einer landwirtschaftlichen Maschine misst die Temperatur während des Einsatzes auf dem Arbeitsgebiet A bzw. Feld. Die Temperatur wird zusammen mit dem aktuellen Standort der Arbeitsmaschine D als geografische Position B aufgezeichnet. Ein in der Nähe befindlicher Referenztemperatursensor bzw. stationärer Sensor S misst die Temperatur im gleichen Zeitraum. Der Offset bzw. die Differenz zwischen der Referenztemperatur als zweitem Messwert und dem lokal gemessenen Temperaturwert als erstem Messwert wird berechnet. Anhand der Standortinformationen wird eine Karte mit den versetzten Temperaturwerten erstellt. Für die Vorhersage der Blütezeit von Nutzpflanzen auf dem Feld bzw. Arbeitsgebiet A kann die Temperatursumme verwendet werden. Anstatt die Temperatursumme nur über den Referenztemperatursensor bzw. stationären Sensor S oder über eine grobkörnige Vorhersage zu berechnen, kann dies nun über den Daten-Offset an jedem Standort erfolgen, d.h. auch an virtuellen Positionen C, wobei die Differenzen kumuliert werden. Daraus lässt sich z.B. ein Blühzeitpunkt mit hoher räumlicher Auflösung erhalten.
Nachfolgend wird auch noch auf das Beispiel Feinstaub (FS) bzw. Partikelkonzentration als physikalischer Größe eingegangen. Ein als Feinstaubsensor ausgeführter mobiler Sensor M an einer landwirtschaftlichen Maschine bzw. Arbeitsmaschine D misst die Partikelkonzentration während der Arbeit auf dem Feld bzw. Arbeitsgebiet A, wobei der durch die Arbeit verursachte Feinstaub bei der Messung als vernachlässigbar angenommen wird. Die Konzentration wird zusammen mit dem aktuellen Standort bzw. der geografischen Position B der Maschine bzw. Arbeitsmaschine D aufgezeichnet. Ein in der Nähe befindlicher Referenz-FS-Sensor bzw. stationärer Sensor S misst die Konzentration im gleichen Zeitraum. Ein räumliches Modell mit Senken und Quellen von Feinstaub kann mit diesen Informationen verfeinert werden, da die Arbeitsmaschine D unterschiedliche Entfernungen liefert, während die Referenzstation bzw. der stationäre Sensor S eine feste Entfernung angibt. Eine Zunahme oder Abnahme der FS-Konzentration breitet sich von einer Quelle mit einer bestimmten Geschwindigkeit aus. Die Beobachtung der Zunahme oder Abnahme kann zur Berechnung der Ausbreitung oder durch Triangulation zur Präzisierung der Position der Quelle(n) verwendet werden. Auf diese Weise lassen sich Unklarheiten beseitigen, die bei lediglich stationären Messpositionen auftreten können.
Gemäß Ausführungsbeispielen werden beispielsweise Karten von Beobachtungswerten bzw. physikalischen Größen erzeugt, die Offsets der Beobachtungswerte zeigen. Bei einer häufigen Implementierung werden über die Zeit aggregierte Offsets verwendet. So kann auch ohne ein umfangreiches Netz physikalischer Sensoren eine Erstellung feinkörniger Karten ermöglicht werden.
Die beschriebenen und in den Figuren gezeigten Ausführungsbeispiele sind nur beispielhaft gewählt. Unterschiedliche Ausführungsbeispiele können vollständig oder in Bezug auf einzelne Merkmale miteinander kombiniert werden. Auch kann ein Ausführungsbeispiel durch Merkmale eines weiteren Ausführungsbeispiels ergänzt werden.
Ferner können die hier vorgestellten Verfahrensschritte wiederholt sowie in einer anderen als in der beschriebenen Reihenfolge ausgeführt werden.
Umfasst ein Ausführungsbeispiel eine „und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.

Claims

Ansprüche
1. Verfahren (210) zum Erzeugen einer räumlich-zeitlichen Karte (119) einer landwirtschaftlich relevanten physikalischen Größe, wobei das Verfahren (210) folgende Schritte aufweist:
Einlesen (212) von ersten Messdaten (M1) von einem mobilen Sensor (M) und von zweiten Messdaten (S2) von einem stationären Sensor (S) über eine Eingangsschnittstelle (101), wobei der mobile Sensor (M) an einer landwirtschaftlichen Arbeitsmaschine (D) angeordnet ist, die sich in einem vordefinierten landwirtschaftlichen Arbeitsgebiet (A) bewegt, wobei der stationäre Sensor (S) in einer festen geografischen Beziehung zu dem Arbeitsgebiet (A) angeordnet ist, wobei die ersten Messdaten (M1) eine Mehrzahl von ersten Messwerten der physikalischen Größe repräsentieren, wobei jedem ersten Messwert ein Messzeitpunkt und eine geografische Messposition (B) innerhalb des Arbeitsgebiets (A) zugeordnet sind, wobei die zweiten Messdaten (S2) eine Mehrzahl von zu den Zeitpunkten der ersten Messwerte gemessenen zweiten Messwerten der physikalischen Größe repräsentieren;
Ermitteln (214) von Korrelationsdaten (115) unter Verwendung der ersten Messdaten (M1) und der zweiten Messdaten (S2), wobei die Korrelationsdaten (115) eine Korrelation zwischen den ersten Messdaten (M1) und den zweiten Messdaten (S2) repräsentieren; und
Generieren (216) von virtuellen Messwerten unter Verwendung der Korrelationsdaten (115) und der zweiten Messdaten (S2), um die räumlichzeitliche Karte (119) unter Verwendung der ersten Messwerte (M1), der zweiten Messwerte (S2) und der virtuellen Messwerte zu erzeugen.
2. Verfahren (210) gemäß Anspruch 1, wobei im Schritt (216) des Generierens jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine der geografischen Messpositionen (B) zugeordnet werden.
3. Verfahren (210) gemäß Anspruch 1 , wobei im Schritt (216) des Generierens jedem virtuellen Messwert einer der Messzeitpunkte und eine von den Messpositionen (B) verschiedene virtuelle geografische Messposition (C) innerhalb des Arbeitsgebiets (A) zugeordnet werden.
4. Verfahren (210) gemäß Anspruch 1 , wobei im Schritt (216) des Generierens jedem virtuellen Messwert ein von den Messzeitpunkten verschiedener virtueller Messzeitpunkt und eine von den Messpositionen (B) verschiedene virtuelle geografische Messposition (C) innerhalb des Arbeitsgebiets (A) zugeordnet werden.
5. Verfahren (210) gemäß einem der vorangegangenen Ansprüche, wobei im Schritt (214) des Ermittelns zwischen jedem ersten Messwert und dem zu demselben Zeitpunkt gemessenen zweiten Messwert eine Differenz ermittelt wird, wobei insbesondere die Mehrzahl von so erhaltenen Differenzen als die Korrelationsdaten (115) verwendet werden.
6. Verfahren (210) gemäß Anspruch 5, wobei die ersten Messwerte oder die Differenzen kombiniert werden.
7. Verfahren (210) gemäß einem der Ansprüche 5 bis 6, wobei für eine geografische Messposition (B) die Differenz eine Funktion der zeit und von mindestens einer weiteren physikalischen Größe ist und aus dieser Funktion unter Verwendung von zumindest dem zweiten Messwert als Näherungswert die Korrelationsdaten (115) ermittelt werden.
8. Verfahren (210) gemäß einem der vorangegangenen Ansprüche, wobei im Schritt (214) des Ermittelns die Korrelationsdaten (115) unter Verwendung mindestens einer weiteren physikalischen Größe und/oder mindestens einer physikalischen Modellierung weiter parametrisiert werden.
9. Verfahren (210) gemäß einem der vorangegangenen Ansprüche, wobei die im Schritt (212) des Einlesens eingelesenen Messdaten (M1, S2) Messwerte einer Temperatur, einer Luftfeuchtigkeit, einer Windgeschwindigkeit, einer Windrichtung, eines Luftdrucks, einer Bodenfeuchte, einer Sonneneinstrahlung, einer Partikelkonzentration, einer Niederschlagsmenge und/oder eines Nährstoffgehalts als physikalischer Größe repräsentieren.
10. Verfahren (210) gemäß einem der vorangegangenen Ansprüche, wobei die im Schritt (212) des Einlesens eingelesenen zweiten Messdaten (S2) von einem stationären Sensor (S) eingelesen werden, der als ein physischer Sensor oder als ein virtueller Sensor realisiert ist, wobei der virtuelle Sensor unter Verwendung der ersten Messdaten (M1) durch mindestens eine statistische Vorschrift, insbesondere Mittelwertbildung über einen gesamten Messzeitraum oder einen gleitenden Box-Mittelwert, und/oder durch mindestens eine Funktionsvorschrift modelliert ist, insbesondere lineare Interpolation oder Funktionen höherer Ordnung, die auf physikalischen Prozessen im Zeitverlauf basieren.
11. Verfahren (320) zum Steuern eines landwirtschaftlichen Arbeitsprozesses, wobei das Verfahren (320) folgende Schritte aufweist:
Erzeugen (310) einer räumlich-zeitlichen Karte (119) einer landwirtschaftlich relevanten physikalischen Größe nach dem Verfahren (210) zum Erzeugen gemäß einem der vorangegangenen Ansprüche;
Auswerten (324) der Karte (119), um als Auswertungsergebnis (125) zu bestimmen, inwieweit die physikalische Größe in dem Arbeitsgebiet (A) eine Prozessbedingung für den landwirtschaftlichen Arbeitsprozess erfüllt; und
Ausgeben (326) eines Steuersignals (129) an eine Ausgangsschnittstelle (103) zu mindestens einer landwirtschaftlichen Arbeitsmaschine oder Planungseinrichtung (E) zum Durchführen des landwirtschaftlichen Arbeitsprozesses in Abhängigkeit von dem Auswertungsergebnis (125).
12. Verfahren (320) gemäß Anspruch 11, wobei der Schritt (310) des Erzeugens für dieselbe physikalische Größe wiederholt ausgeführt wird, um eine aktualisierte Karte zu erzeugen, und/oder für unterschiedliche physikalische Größen wiederholt ausgeführt wird, um mehrere Karten für unterschiedliche physikalische Größen zu erzeugen, wobei im Schritt (324) des Auswertens die aktualisierte Karte und/oder die mehreren Karten ausgewertet werden.
13. Vorrichtung (100), die ausgebildet ist, um die Schritte eines Verfahrens (210; 320) gemäß einem der Ansprüche 1 bis 12 in entsprechenden Einrichtungen (110; 120; 112, 114, 116; 124, 126) durchzuführen.
14. Computer-Programmprodukt mit Programmcode zur Durchführung des Verfahrens (210; 320) nach einem der Ansprüche 1 bis 12, wenn das Programmprodukt auf einer Vorrichtung (100) ausgeführt wird.
15. Maschinenlesbares Speichermedium, auf welchem das Computer-
Programmprodukt nach Anspruch 14 gespeichert ist.
PCT/EP2024/071977 2023-08-24 2024-08-02 VERFAHREN UND VORRICHTUNG ZUM ERZEUGEN EINER RÄUMLICH-ZEITLICHEN KARTE EINER LANDWIRTSCHAFTLICH RELEVANTEN PHYSIKALISCHEN GRÖßE SOWIE VERFAHREN UND VORRICHTUNG ZUM STEUERN EINES LANDWIRTSCHAFTLICHEN ARBEITSPROZESSES Pending WO2025040407A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023208084.2A DE102023208084A1 (de) 2023-08-24 2023-08-24 Verfahren und Vorrichtung zum Erzeugen einer räumlich-zeitlichen Karte einer landwirtschaftlich relevanten physikalischen Größe sowie Verfahren und Vorrichtung zum Steuern eines landwirtschaftlichen Arbeitsprozesses
DE102023208084.2 2023-08-24

Publications (1)

Publication Number Publication Date
WO2025040407A1 true WO2025040407A1 (de) 2025-02-27

Family

ID=92212613

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/071977 Pending WO2025040407A1 (de) 2023-08-24 2024-08-02 VERFAHREN UND VORRICHTUNG ZUM ERZEUGEN EINER RÄUMLICH-ZEITLICHEN KARTE EINER LANDWIRTSCHAFTLICH RELEVANTEN PHYSIKALISCHEN GRÖßE SOWIE VERFAHREN UND VORRICHTUNG ZUM STEUERN EINES LANDWIRTSCHAFTLICHEN ARBEITSPROZESSES

Country Status (2)

Country Link
DE (1) DE102023208084A1 (de)
WO (1) WO2025040407A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160116640A1 (en) 2014-10-28 2016-04-28 Motorola Mobility Llc Weather forecasting using satellite data and mobile-sensor data from mobile devices
US20200337232A1 (en) * 2019-04-24 2020-10-29 Deere & Company Information inference for agronomic data generation in sugarcane applications
US20220346303A1 (en) * 2021-05-03 2022-11-03 AIRM Consulting Ltd. Field monitoring and data collection systems and methods for a precision agriculture system
US20230107444A1 (en) * 2021-10-01 2023-04-06 Deere & Company Historical crop state model, predictive crop state map generation and control system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10165725B2 (en) 2016-09-30 2019-01-01 Deere & Company Controlling ground engaging elements based on images
US10853377B2 (en) 2017-11-15 2020-12-01 The Climate Corporation Sequential data assimilation to improve agricultural modeling
GB2569986A (en) 2018-01-08 2019-07-10 Continental Automotive Gmbh Method and system of mapping emissions
US11337360B2 (en) 2019-10-24 2022-05-24 Deere & Company Methods and systems for reducing soil compaction using worksite treatment based on determined soil properties
EP3922092B1 (de) 2020-06-11 2024-10-02 KWS SAAT SE & Co. KGaA Verfahren zum platzieren von pflanzmaterial in eine georeferenzierte feldverwaltungseinheit

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160116640A1 (en) 2014-10-28 2016-04-28 Motorola Mobility Llc Weather forecasting using satellite data and mobile-sensor data from mobile devices
US20200337232A1 (en) * 2019-04-24 2020-10-29 Deere & Company Information inference for agronomic data generation in sugarcane applications
US20220346303A1 (en) * 2021-05-03 2022-11-03 AIRM Consulting Ltd. Field monitoring and data collection systems and methods for a precision agriculture system
US20230107444A1 (en) * 2021-10-01 2023-04-06 Deere & Company Historical crop state model, predictive crop state map generation and control system

Also Published As

Publication number Publication date
DE102023208084A1 (de) 2025-02-27

Similar Documents

Publication Publication Date Title
US12444189B2 (en) Methods and systems for classifying and benchmarking irrigation performance
DE112021000243B4 (de) Verfahren, system und computerprogrammprodukt zur bestimmung von kulturpflanzentyp und/oder aussaattermin
US7313478B1 (en) Method for determining field readiness using soil moisture modeling
US10091925B2 (en) Accurately determining crop yield at a farm level
AU2021258100A1 (en) Modeling trends in crop yields
DE69002233T2 (de) Vorrichtung und verfahren zur eichung eines fühlersystems.
CA3023513A1 (en) Statistical blending of weather data sets
DE102018202223A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer Integritätsinformation zum Überprüfen von Atmosphärenkorrekturparametern zur Korrektur atmosphärischer Störungen bei einer Satellitennavigation für ein Fahrzeug
CN108647401B (zh) 一种基于空间遥感技术的流域氮磷污染评估方法
US20220174935A1 (en) Method for remediating developmentally delayed plants
Gbangou et al. Assessment of projected agro-climatic indices over Awun river basin, Nigeria for the late twenty-first century
DE102023111555A1 (de) Erfassung und reduzierung von bias im globalen positionierungssystem
Wade et al. Modeling field-level conservation tillage adoption with aggregate choice data
EP1643263B1 (de) Anordnung und Verfahren zur Ermittlung eines Atmosphärenzustandes
WO2025040407A1 (de) VERFAHREN UND VORRICHTUNG ZUM ERZEUGEN EINER RÄUMLICH-ZEITLICHEN KARTE EINER LANDWIRTSCHAFTLICH RELEVANTEN PHYSIKALISCHEN GRÖßE SOWIE VERFAHREN UND VORRICHTUNG ZUM STEUERN EINES LANDWIRTSCHAFTLICHEN ARBEITSPROZESSES
Řezník et al. Interpolation of data measured by field harvesters: Deployment, comparison and verification
CN120278841A (zh) 一种基于gis图斑的农户画像生成方法与系统
DE102023128626B4 (de) Multimodale Zustandsschätzung mit maskierten Sensormessungen
Kussul et al. Nexus approach for calculating SDG indicator 2.4. 1 using remote sensing and biophysical modeling
Leroux et al. Automatic harmonization of heterogeneous agronomic and environmental spatial data
Sevillano Marco et al. Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project
Isik et al. Unveiling the high-resolution cotton yield variations from low-resolution statistics: lessons from a nationwide study in Turkey
DE102004055217A1 (de) Verfahren zur Optimierung des Einsatzes von Düngemitteln oder dergleichen in der Landwirtschaft
Şentop et al. AI-based short-term precipitation prediction in precision agriculture
DE102024203795A1 (de) Verfahren zum Zusammenführen von Messdaten in einem Datensatz

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24751527

Country of ref document: EP

Kind code of ref document: A1