[go: up one dir, main page]

UA126965C2 - Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування - Google Patents

Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування Download PDF

Info

Publication number
UA126965C2
UA126965C2 UAA201804466A UAA201804466A UA126965C2 UA 126965 C2 UA126965 C2 UA 126965C2 UA A201804466 A UAA201804466 A UA A201804466A UA A201804466 A UAA201804466 A UA A201804466A UA 126965 C2 UA126965 C2 UA 126965C2
Authority
UA
Ukraine
Prior art keywords
soil
data
properties
spectral
spectrum
Prior art date
Application number
UAA201804466A
Other languages
English (en)
Inventor
Хаітао Ксіанг
Хаитао Ксианг
Ксіанюан Янг
Ксианюан Янг
Нік Кошнік
Ник Кошник
Нік Цісек
Ник Цисек
Original Assignee
Зе Клаймет Корпорейшн
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Зе Клаймет Корпорейшн filed Critical Зе Клаймет Корпорейшн
Publication of UA126965C2 publication Critical patent/UA126965C2/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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Environmental Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Wood Science & Technology (AREA)
  • Botany (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Soil Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)

Description

(54) ОЦІНЮВАННЯ ВНУТРІШНЬОПОЛЬОВИХ ВЛАСТИВОСТЕЙ У МЕЖАХ ПОЛЯ З ВИКОРИСТАННЯМ
ГІПЕРСПЕКТРАЛЬНОГО ДИСТАНЦІЙНОГО ЗОНДУВАННЯ
(57) Реферат:
Винахід належить до сільського господарства. Пропонується спосіб оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування. Модуль попередньої обробки грунту отримує записи даних щодо спектра грунтів, які представляють середній спектр грунту конкретного географічного місцезнаходження певної земельної ділянки. Модуль попередньої обробки видаляє сигнали перешкод і створює набір з однієї або декількох спектральних смуг. Модуль виснаження грунту вводить одну або декілька спектральних смуг грунту і прогнозує набори даних щодо властивостей грунтів. Набори даних щодо властивостей грунту включають у себе властивості конкретного грунту, що мають відношення до визначення родючості грунтів або рівнів властивостей грунту, які можуть впливати на раціональне використання грунту в певному географічному місці розташування. Модуль виснаження грунту вибирає декілька наборів даних щодо властивостей конкретного грунту, які найкращим чином відображають наявні властивості грунту, включаючи прогностичні властивості грунту, а дані спектральної смуги використовуються для визначення властивостей грунту. Модуль виснаження грунту надсилає ці прогностичні дані до бази даних моделі грунту. : Фіг. 1 се Я
Ши ; сля й тк тов ко її сани в и ж і я ; Не і ; х КОДИ, МНК шо ПОЛ ин 335 вабівний сіявенній нок ря. ; г
І нове СКМ екю бро і : пончо, дня Я Ж снення . її дод океани й кій новзрволев ї і авт Я вриклаиас прогряня ої х. ї Її б 305 хасрежа іаережії Ше і Й я щи :
Е т ЗА кіненкоов іннфізаркаа ніки: Ат
Е . і ха КЗ ідсиктема зудінвванивя ка зетивестей гоувту! днк
КО | ЗУ кад і іл мода ТО і
КОР р явесворової вибір - тизер 101000 Кн ша і ла дл її: с ткати ши
ОБ Ту я збробки круту Гдиня
І Зббедуян х І ЩЕ і ' ктвеклуналньних і | : М чентралізевана.Г і ві С кова я І х баз дичних моде її ї : Ї ї З й 7 те лпльОохнах ваних : ;
Ор " - зак еджав о і ї ї о Е ж мкмкухи з же их з я і
ОРІ Іа пек вибору Я виснаження |: бен сит
Гі при у вве Ї я ДЕ рівень предеавлюння і і За рівень керування даними
Ка Ж) х ї 3 ї Мосеютютетнютитеттететтттютеттттететтттттюттттютеттетютенютнннї нн а я
Е Ї ЗБ рівень аури чнимю зблавнаная ! і віртуаліваий і : зу ков миодния система релюхтуаненеав ананяу симсекоазнвмцжьких даних «М пепетотетети пн кпк пуп кт в п п п КК В В т КК В В В КК В В КК ВК КК КК КК КК Р п т ТК ВК Ж п т Р АТ КТК В В КТ Ж то Я Ж М КІТ Ж Ж Ж АЖ Ж ж ЖЖ ЖЖ ЖЖ ЖЖ ТТ» ЖЖ ж жу ж ж жит ж ж ж вжи жи же жити живи жетья
ПОВІДОМЛЕННЯ ЩОДО АВТОРСЬКИХ ПРАВ
ПІ Частина розкриття цього патентного документа містить матеріали, які підлягають захисту авторських прав. Власник авторських прав не заперечує проти факсимільного відтворення будь-ким патентного документу або патентного розкриття так, як це представлено у файлі патенту або записах Бюро із реєстрації патентів та товарних знаків, але в інших випадках зберігаються всі авторські чи будь-які права.
О 2015 Те Сіїтаце Согрогайоп.
ГАЛУЗЬ ТЕХНІКИ
(2 Взагалі даний винахід відноситься до комп'ютерних систем, що успішно використовуються у сільському господарстві. Більш конкретно, даний винахід відноситься до комп'ютерних систем, які запрограмовані для використання спектральних даних, отриманих дистанційним зондуванням, для забезпечення оцінювань властивостей грунту у межах поля з метою визначення властивостей грунту для раціонального використання грунту та для надання даних про місцезнаходження грунтів та/або карти грунтів з рекомендаційними даними, що стосуються вжиття конкретних заходів на полі, таких як висаджування, застосування поживних речовин, проведення рекогносцировки або застосування технології спостереження за насіннєвим матеріалом для визначення внутрішньо-польових властивостей, пов'язаних із врожайністю сільськогосподарської культури та здоров'ям сільськогосподарської культури.
РІВЕНЬ ТЕХНІКИ
ЇЗЇ Підходи до вирішення питань, описані в цьому розділі, є підходами, які можуть бути досягнуті, але не обов'язково підходи, які раніше були задумані або яких дотримувались. Тому, якщо не зазначено будь-що інше, не слід припускати, що будь-який з підходів, описаних у цьому розділі, можна кваліфікувати як відомий рівень техніки лише в силу їх включення в цей розділ.
І Сільськогосподарське виробництво вимагає достовірної стратегії та аналізу. У багатьох випадках сільськогосподарські виробники, такі як фермери або інші особи, які займаються діяльністю у галузі обробки сільськогосподарських культур, повинні аналізувати різноманітні дані для прийняття стратегічних рішень до періоду вирощування сільськогосподарських культур та під час періоду вирощування сільськогосподарських культур. При прийнятті таких стратегічних рішень, виробники покладаються на просторову інформацію, пов'язану з
Зо внутрішньо-польовими властивостями, для визначення врожайності сільськогосподарських культур та потенційної якості сільськогосподарських культур. Наприклад, просторова інформація щодо властивостей грунтів є важливим інструментом для розуміння сільськогосподарських екосистем, який може забезпечити інформацію, що стосується здорових грунтів, відповідних поживних речовин для сільськогосподарських культур, запобігання втратам відкладень та поживних речовин з грунту та оцінювання перенесення з грунту в атмосферу таких елементів як вуглець.
ІБЇ Вимірювання просторової варіативності внутрішньопольових властивостей традиційно здійснюється за допомогою збирання зразків відповідно до сітки координат. Наприклад, вимірювання просторової варіативності властивостей грунту, як правило, здійснюється шляхом збирання зразків грунту відповідно до сітки координат, при якому фермери збирають зразки грунту на кожному місці розташування, сітка має розмір від 1 до 2,5 акрів. Потім ці зразки аналізуються для визначення різних властивостей грунту, таких як рівень азоту, фосфору та/або калію. Така процедура аналізу грунту є трудомісткою, вимагає затрат часу та є економічно дорогою.
СТИСЛИЙ ОПИС ГРАФІЧНИХ МАТЕРІАЛІВ
ІЄЇ На графічних матеріалах:
Г/ Фіг. 1 ілюструє типову комп'ютерну систему, яка налаштована для виконання описаних у даному документі функцій, показану в експлуатаційних умовах з іншими пристроями, з якими система може взаємодіяти.
ІВ) Фіг. 2 ілюструє два представлення типової логічної схеми наборів команд у основному запам'ятовуючому пристрої при завантаженні для виконання типової прикладної програми для мобільних пристроїв.
ІЗ| Фіг. З ілюструє запрограмований процес, за допомогою якого комп'ютерна система інтелектуального аналізу сільськогосподарських даних генерує одну або декілька попередньо сконфігурованих агрономічних моделей з використанням агрономічних даних, що надаються одним або кількома джерелами даних. 10) Фіг. 4 являє собою блок-схему, яка ілюструє комп'ютерну систему, на якій може бути реалізований варіант здійснення винаходу
П1) Фіг. 5А ілюструє процес, реалізований із використанням комп'ютеру, для отримання бо даних щодо спектру грунтів, видалення сигналів перешкод з даних щодо спектру грунтів та прогнозування наборів даних властивостей грунту на основі підмножини спектральних смуг грунту. 12) Фіг. 5В ілюструє процес, реалізований із використанням комп'ютера, для створення однієї або декількох попередньо сконфігурованих моделей грунту шляхом видалення сигналів перешкод із даних щодо спектру грунту, виділення підмножини спектральних смуг грунту та створення попередньо сконфігурованої моделі грунту на основі підмножини спектральних смуг грунту. 13) Фіг. б ілюструє процес, реалізований із використанням комп'ютера, для вибору підмножини спектральних смуг грунту із використанням генетичного алгоритму. 143 Фіг. 7 ілюструє створення пари зміщених генетичних послідовностей з пари генетичних послідовностей популяції. 15) Фіг. 8 ілюструє процес, реалізований із використанням комп'ютера, для створення локалізованої моделі грунту шляхом отримання даних щодо спектру грунту, видалення сигналів перешкод з даних щодо спектру грунту, визначення оптимальної кількості місць розташування отримання зразків грунту і створення локальної моделі грунту або грунтової карти на основі зразків грунту і підмножини спектральних смуг грунту. 16) Фіг. 9 ілюструє варіант втілення певної земельної ділянки та ідентифікує місця розташування отримання зразків грунту, у яких отримують зразки грунту.
ДОКЛАДНИЙ ОПИС СУТІ ВИНАХОДУ
17 Для того, щоб забезпечити глибоке розуміння даного винаходу, у наступному описі, з метою пояснення, викладені численні конкретні деталі. Однак є очевидним, що даний винахід може бути застосований на практиці без цих конкретних деталей. В інших випадках добре відомі конструкції та пристрої показані у формі блок-схеми, щоб уникнути небажаного привнесення чинника незрозумілості до даного винаходу. Варіанти здійснення винаходу описані у розділах відповідно до наступної розбивки: 1. ЗАГАЛЬНИЙ ОГЛЯД 2. ТИПОВА КОМП'ЮТЕРНА СИСТЕМА ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ
СІЛЬСЬКОГОСПОДАРСЬКИХ ДАНИХ
21 СТРУКТУРНИЙ ОГЛЯД
Зо 2.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ 2.3. ВВЕДЕННЯ ДАНИХ ДО КОМП'ЮТЕРНОЇ СИСТЕМИ 2.4 ОГЛЯД ПРОЦЕСУ - ФОРМУВАННЯ АГРОНОМІЧНОЇ МОДЕЛІ 2.5 ПІДСИСТЕМА ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ ГРУНТУ 2.8 ПРИКЛАД РЕАЛІЗАЦІЇ -- ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯ 3. ФУНКЦІОНАЛЬНИЙ ОГЛЯД 31 ОЦІНЮВАННЯ ВНУТРІШНЬО-ПОЛЬОВИХ ВЛАСТИВОСТЕЙ ГРУНТУ 3.2 ПОПЕРЕДНЬО СКОНФІГУРОВАНА МОДЕЛЬ ГРУНТУ 4. ЗОВНІШНІ ДАНІ 4.1 ГІПЕРСПЕКТРАЛЬНІ ДАНІ 5. КОНСТРУКТИВНІ ОСОБЛИВОСТІ ПІДСИСТЕМИ ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ
ГРУНТУ
5.1 ПОПЕРЕДНЯ ОБРОБКА ГРУНТУ 5.2 МОДУЛЬ ВИБОРУ СМУГИ 5.3 МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ 5.4 ЛОКАЛЬНА МОДЕЛЬ ГРУНТУ 1. ЗАГАЛЬНИЙ ОГЛЯД
І18) Забезпечується спосіб обробки даних, реалізований із використанням комп'ютера, для оцінювання внутрішньопольових властивостей з використанням гіперспектральних даних, отриманих дистанційним зондуванням. Наприклад, використовуючи гіперспектральні дані, отримані дистанційним зондуванням, вимірювання просторової варіативності властивостей грунту можливо виконати без великих затрат часу, трудомісткого та економічно дорогого фізичного аналізу окремо зібраних зразків грунту. В одному варіанті здійснення винаходу оцінювання властивостей грунту може бути виконане за допомогою серверної комп'ютерної системи, яка через мережу отримує записи даних щодо спектру грунту, які використовуються для прогнозування властивостей грунту для конкретного географічного місцезнаходження. У межах серверної комп'ютерної системи модуль попередньої обробки грунту отримує один або декілька записів даних щодо спектру грунтів, які представляють середній спектр грунту конкретного географічного місцезнаходження певної земельної ділянки. Потім модуль попередньої обробки грунту видаляє сигнали перешкод з даних щодо спектру грунту, бо створюючи набір з однієї або декількох спектральних смуг, які найкращим чином відображають певні властивості грунту. Через видалення сигналів перешкод, спектральні смуги не є помилково спотвореними від таких ефектів, як зміщення базової лінії, відхилення частинок та неоднорідність поверхні. 19) Модуль виснаження грунту вводить одну або декілька спектральних смуг грунту і прогнозує набори даних щодо властивостей грунтів. Набори даних щодо властивостей грунту являють собою сукупність спеціально виміряних властивостей грунту, що мають відношення до визначення родючості грунтів або рівнів властивостей грунту, які можуть впливати на раціональне використання грунту в певному географічному місці розташування. Потім модуль виснаження грунту отримує декілька наборів даних щодо властивостей грунту та вибирає декілька окремих наборів даних щодо властивостей грунту, які найкраще відображають існуючі властивості грунту. Набори даних щодо властивостей грунту містять у собі декілька прогностичних властивостей грунту та дані спектральної смуги, що використовуються для визначення специфічних властивостей грунту. Модуль виснаження грунту надсилає ці прогностичні дані до бази даних моделі грунту. (20) Модуль спектральної конфігурації та модуль вибору смуги використовуються для створення та калібрування моделей даних властивостей грунту, які використовуються для прогнозування властивостей грунту для конкретного географічного місцезнаходження. (21| Для визначення оптимальних місць розташування отримання зразків грунту у межах конкретної земельної ділянки для надання репрезентативної вибірки грунту з усього діапазону грунту може бути застосована просторова вибірка. (22) Також просторова вибірка може бути застосована для визначення оптимальних місць розташування для висаджування, застосування поживних речовин, проведення рекогносцировки, або застосування технології спостереження за насіннєвим матеріалом для визначення внутрішньо-польових властивостей, пов'язаних із врожайністю сільськогосподарської культури та здоров'ям сільськогосподарської культури, і ці місця розташування можуть бути представлені в вигляді карти грунтів чи іншому вигляді. (23) В одному варіанті здійснення винаходу моделі даних властивостей грунту можуть бути використані для того, щоб забезпечити точки вхідних даних складу грунту, в тому числі для визначення рівня концентрації поживних речовин полів, складу грунту для визначення змінних
Зо показників обробки поживними речовинами на полях та визначення карт інтерполяції грунтів для конкретних полів, полів, що входять до складу полів, та інших зон сільськогосподарського господарства. В іншому варіанті здійснення винаходу моделі даних властивостей грунту можуть забезпечувати склад грунту для різних рівнів даних, які використовуються при визначенні схем кореляції для відображення полів грунтів. В іншому варіанті здійснення винаходу моделі даних властивостей грунту можуть забезпечувати склад грунту внутрішньо-польової зони при прогнозуванні поверхневої вологості грунту для одного або декількох полів, полів, що входять до складу полів, та інших зон сільськогосподарського господарства. Наприклад, моделі даних властивостей грунту, створені за допомогою модуля виснаження грунту, можуть забезпечувати кореляції між різними складами грунту при прогнозуванні поверхневої вологості грунту. В іншому варіанті здійснення винаходу моделі даних властивостей грунту можуть забезпечувати склад грунту для інтерпретації результатів вимірів польових зразків, що забезпечуються польовими зондами та датчиками азоту/калію/фосфору. В іншому варіанті здійснення винаходу моделі даних властивостей грунту можуть забезпечувати склад грунту для створення припису щодо сільськогосподарської культури, що включає у себе рекомендовану лінію гібридного насіння та щільність популяції, де лінія гібридного насіння та щільність популяції грунтуються на складі грунту поля, що розглядається. (2412. ТИПОВА КОМП'ЮТЕРНА СИСТЕМА ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ
СІЛЬСЬКОГОСПОДАРСЬКИХ ДАНИХ
(25) 21 СТРУКТУРНИЙ ОГЛЯД (26) Фіг. 1 ілюструє типову комп'ютерну систему, яка налаштована для виконання описаних у даному документі функцій, показану в експлуатаційних умовах з іншими пристроями, з якими система може взаємодіяти. В одному варіанті здійснення винаходу користувач 102 має, експлуатує або володіє обчислювальним пристроєм 104 керівника польовими роботами у місці розташування на полі або пов'язаним з місцем розташування на полі, таким як полі, призначеним для сільськогосподарської діяльності, або у місці управління одним або більшою кількістю сільськогосподарських полів. Обчислювальний пристрій 104 керівника польовими роботами запрограмований або виконаний із можливістю забезпечувати польові дані 106 комп'ютерній системі 130 інтелектуального аналізу сільськогосподарських даних через одну або декілька мереж 109. бо (27| Приклади польових даних 106 включають у себе: (а) ідентифікаційні дані (наприклад,
площа ділянки, найменування поля, польові ідентифікатори, географічні ідентифікатори, ідентифікатори кордону, ідентифікатори сільськогосподарських культур та будь-які інші відповідні дані, які можуть бути використані для ідентифікації сільськогосподарських земель, наприклад, одиниця земель загального користування (СІ), номер ділянки та масиву, номер земельної ділянки, географічні координати та межі, серійний номер ферми (Е5М), номер ферми, номер ділянки землі площею 40 акрів, номер поля, ділянки землі площею 640 акрів, ділянки землі площею 23 040 акрів та/або ареалу); (Б) дані щодо врожаю (наприклад, тип сільськогосподарських культур, різновид сільськогосподарських культур, сівозміна сільськогосподарських культур, дані щодо того, чи є сільськогосподарська культура органічне вирощувана, дата збору врожаю, фактична історія виробництва (АРН), очікувана врожайність, врожайність, ціна на сільськогосподарську культуру, доходи від врожаю сільськогосподарської культури, волога зерна, практика механічної обробки грунту та інформація щодо попереднього вегетаційного періоду (с) дані щодо грунту (наприклад, тип, склад, рН, гумус (ОМ), катіонообмінна здатність грунту (СЕС)); (4) дані щодо висаджування (наприклад, дата висаджування, тип (типи) насіннєвого матеріалу, відносна зрілість (РМ) висадженого насіння, популяція насіння), (е) дані щодо добрив (наприклад, тип поживної речовини (азот, фосфор, калій), тип застосування, дата застосування, кількість, джерело); (Ї) дані щодо пестицидів (наприклад, пестициди, гербіциди, фунгіциди, інша речовина або суміш речовин, призначені для використання як регулятор рослин, дефоліант або осушувач); 9) дані щодо зрошення (наприклад, дата застосування, кількість, джерело, спосіб); й) дані щодо погодних умов (наприклад, опади, температура, вітер, прогноз, атмосферний тиск, видимість, хмарність, індекс тепла, точка роси, вологість, глибина снігу, якість повітря, схід сонця, захід сонця), ї) дані щодо отриманих зображень (наприклад, зображення та інформація щодо спектру світла від датчику сільськогосподарського пристрою, камери, комп'ютера, смартфона, планшета, безпілотного літального апарата, літаків або супутнику), |) пошукове-розвідувальне спостереження (фотографії, відеоролики, нотатки вільної форми, голосові записи, розшифрування голосових записів, погодні умови (температура, опади (поточний та через деякий часовий), вологість грунту, стадія росту сільськогосподарських культур, швидкість вітру, відносна вологість повітря, точка роси, шар чорнозему)) та К) грунт, насіння, фенологія сільськогосподарських культур,
Зо звітування щодо шкідників та хвороб, а також джерела та бази даних для прогнозування. (28) Серверний комп'ютер 108 зовнішніх даних з'єднаний із можливістю обміну інформацією з комп'ютерною системою 130 інтелектуального аналізу сільськогосподарських даних та запрограмований або виконаний із можливістю надсилати зовнішні дані 110 до комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних через мережу (мережі) 109.
Серверний комп'ютер 108 зовнішніх даних може бути власністю або експлуатуватися тією ж юридичною особою або суб'єктом господарювання, що й володіє або експлуатує комп'ютерну систему 130 інтелектуального аналізу сільськогосподарських даних, або іншою особою чи суб'єктом господарювання, такою як державне агентство, неурядова організація (МОО) та/або приватний постачальник послуг передачі даних. Приклади зовнішніх даних включають у себе, серед інших даних, дані щодо погодних умов, дані щодо отриманих зображень, дані щодо грунту або статистичні дані щодо врожайності сільськогосподарських культур. Зовнішні дані 110 можуть складатися з того ж типу інформації, що й польові дані 106. У деяких варіантах здійснення винаходу зовнішні дані 110 забезпечуються сервером 108 зовнішніх даних, який належить одному й тому ж суб'єкту господарювання, який володіє та/або експлуатує комп'ютерну систему 130 інтелектуального аналізу сільськогосподарських даних. Наприклад, комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може включати у себе сервер даних, орієнтований виключно на той тип даних, які в іншому випадку можуть бути отримані зі сторонніх джерел, наприклад дані щодо погодних умов, та які можуть бути фактично об'єднані у межах системи 130. (29| Сільськогосподарський пристрій 111 має один або декілька дистанційних датчиків 112, закріплених на ньому, ці датчики безпосередньо чи опосередковано через сільськогосподарський пристрій 111 з'єднані із можливістю обміну інформацією з комп'ютерною системою 130 інтелектуального аналізу сільськогосподарських даних та запрограмовані або виконані із можливістю надсилати дані датчиків до комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних. Приклади сільськогосподарського пристрою 111 включають у себе трактори, комбайни, збиральні машини, сіялки, вантажівки, обладнання для добрив, безпілотні літальні апарати та будь-який інший елемент фізичної техніки або обладнання, як правило, мобільної техніки, та які можуть використовуватися в завданнях, пов'язаних із сільським господарством. У деяких варіантах здійснення винаходу одна одиниця бо пристрою 111 може містити декілька датчиків 112, які локально з'єднані в мережу на пристрої;
локальна мережа контролерів (САМ) є прикладом такої мережі, яка може бути встановлена на комбайнах або збиральних машинах. Контролер 114 прикладної програми з'єднаний із можливістю обміну інформацією з комп'ютерною системою 130 інтелектуального аналізу сільськогосподарських даних через мережу (мережі) 109 та запрограмований або виконаний із можливістю отримувати одну або декілька команд програмного процесора для керування експлуатаційним параметром сільськогосподарської машини або знаряддя з комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних. Наприклад, для забезпечення обміну інформацією від комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних до сільськогосподарського апарату 111 може використовуватися інтерфейс шини локальної мережі контролерів (САМ), таким чином, як використовується
СИПІМАТЕ РІЕГОМІЕЄМУ/ ОКІМЕ, доступний від компанії «Те Сійтасе Согрогайоп», Сан-Франциско, штат Каліфорнія. Дані датчика можуть складатися з того ж типу інформації, що й польові дані 106.
ЇЗОЇ Пристрій 111 може включати у себе кабінний комп'ютер 115, який запрограмований кабінною прикладною програмою, що може включати у себе версію або варіант прикладної програми для мобільних пристроїв для пристрою 104, який додатково описаний в інших розділах даного документу. В одному варіанті здійснення винаходу кабінний комп'ютер 115 містить компактний комп'ютер, часто комп'ютер форм-фактору планшету або смартфон, з кольоровим графічним екраном, який встановлюється в кабіні оператора пристрою 111.
Кабінний комп'ютер 115 може реалізувати деякі або всі операції та функції, описані далі у даному документі для мобільного комп'ютерного пристрою 104.
ЇЗ1)Ї Мережа (мережі) 109 в цілому представляє собою будь-яку комбінацію однієї або декількох мереж обміну інформацією, включаючи локальні мережі, широкосмугові мережі,
Інтернет-мережі або Інтернет, використовуючи будь-які дротові та бездротові канали зв'язку, включаючи наземні або супутникові канали зв'язку. Мережа (мережі) може бути реалізована будь-яким середовищем або механізмом, який забезпечує обмін даними між різними елементами, показаними на Фіг. 1. Різні елементи, показані на Фіг. 1, також можуть мати безпосередні (дротові або бездротові) канали обміну інформацією. Датчики 112, контролер 114, серверний комп'ютер 108 зовнішніх даних та кожний з інших елементів системи містять
Зо інтерфейс, сумісний з мережею (мережами) 109, та запрограмовані або виконані із можливістю використання стандартизованих протоколів обміну інформацією в таких мережах, як ТСР/Р,
ВіІсеїооїй, протокол САМ та протоколів вищого рівня, таких як НТТР, ТІ 5 та тому подібних.
ЇЗ2| Комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних запрограмована або виконана із можливістю отримувати польові дані 106 від обчислювального пристрою 104 керівника польовими роботами, зовнішні дані 110 від серверного комп'ютера 108 зовнішніх даних та дані датчика від дистанційного датчика 112. Додатково комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може бути виконана із можливістю приймати, використовувати або виконувати одну або декілька комп'ютерних програм, інших елементів програмного забезпечення, цифрової програмованої логіки, таких як ЕРСА або АБІС, або будь-якої їх комбінації, для виконання інтерпретації та зберігання значень даних, побудови цифрових моделей однієї або декількох сільськогосподарських культур на одному або декількох полях, створення рекомендацій та сповіщень, а також створення та відправлення команд програмного процесора на контролер 114 прикладної програми, таким чином, як описано далі в інших розділах цього опису.
ЇЗЗ| В одному варіанті здійснення винаходу комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних запрограмована з, або містить рівень 132 обміну інформацією, рівень 134 представлення даних, рівень 140 керування даними, рівень 150 апаратного обладнання/віртуалізації, а також централізовану базу 160 даних моделі та польових даних. «Рівень» в цьому контексті стосується будь-якої комбінації електронних цифрових інтерфейсних схем, мікроконтролерів, програмного забезпечення, такого як драйвери та/або комп'ютерні програми або інші елементи програмного забезпечення.
ЇЗ4| Рівень 132 обміну інформацією може бути запрограмований або виконаний із можливістю виконання функцій інтерфейсу введення/виведення, включаючи надсилання запитів до обчислювального пристрою 104 керівника польовими роботами, серверного комп'ютера 108 зовнішніх даних та дистанційного датчика 112 для отримання польових даних, зовнішніх даних та даних датчиків, відповідно. Рівень 132 обміну інформацією може бути запрограмований або виконаний із можливістю надсилати отримані дані до централізованої бази 160 даних моделі та польових даних для того, щоб вони були збережені як польові дані 106. бо ЇЗБ| Рівень 134 представлення даних може бути запрограмований або виконаний із можливістю створення графічного інтерфейсу користувача (СІ), який відображатиметься на обчислювальному пристрої 104 керівника польовими роботами, кабінному комп'ютері 115 або інших комп'ютерах, які з'єднані з системою 130 через мережу 109. ЗШ може включати елементи керування для введення даних, що надсилаються до комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних, для створення запитів для моделей та/або рекомендацій, та/"або для відображення рекомендацій, сповіщень, моделей та інших польових даних.
ЇЗ6Ї Рівень 140 управління даними може бути запрограмований або виконаний із можливістю керування операціями зчитування та операціями запису, що стосуються централізованої бази 160 та інших функціональних елементів системи, включаючи запити та набори результатів, що передані між функціональними елементами системи та сховищем.
Приклади рівня 140 керування даними включають у себе, серед інших, УОВС, інтерфейсний код
ЗОЇ -сервера та/або інтерфейсний код НАБООР. Централізована база 160 може містити базу даних. Як використовується у даному документі, термін "база даних" може відноситися або до масиву даних, або до системи керування реляційними базами даних (КОВМ5), або до обох. Як використовується у даному документі, база даних може містити будь-який набір даних, включаючи ієрархічні бази даних, реляційні бази даних, бази даних неструктурованих файлів, об'єктно-реляційні бази даних, об'єктно-орієнтовані бази даних та будь-який інший структурований набір записів або даних, що зберігаються в комп'ютерній системі. Приклади
КОВМ5 включають у себе, але не обмежуються перерахованими, бази даних ОКАСІ ЕФ,
МУБОЇ, ІВМФ 082, МІСКОБОГТО БОЇ 5ЕКМЕК, 5УВАБЕФ та РОБТОКЕЗОЇ.. Разом з цим, може бути використана будь-яка база даних, що дозволяє використовувати системи та способи, описані у даному документі.
ЇЗ7|Коли одна або декілька сільськогосподарських машин або сільськогосподарських машинних пристроїв, які взаємодіють з комп'ютерною системою інтелектуального аналізу сільськогосподарських даних, не забезпечують безпосередньо комп'ютерну систему інтелектуального аналізу сільськогосподарських даних польовими даними 106, користувачу 102 може бути запропоновано введення такої інформації через один або декілька користувацьких інтерфейсів на пристрої користувача (обслуговується комп'ютерною системою інтелектуального
Зо аналізу сільськогосподарських даних). У типовому варіанті здійснення винаходу користувач 102 може вказувати ідентифікаційні дані, отримуючи доступ до карти на користувацькому пристрої (обслуговується комп'ютерною системою інтелектуального аналізу сільськогосподарських даних) та вибору конкретних СІ, які були графічно відображені на карті. В альтернативному варіанті здійснення винаходу користувач 102 може вказувати ідентифікаційні дані, отримуючи доступ до карти на користувацькому пристрої (обслуговується системою 130 інтелектуального аналізу сільськогосподарських даних) та окреслюючи границі поля поверх карти. Такий вибір
СІ Ш або креслення мапи відображають географічні ідентифікатори. У альтернативних варіантах здійснення винаходу користувач 102 може вказувати ідентифікаційні дані, отримуючи доступ до даних ідентифікації поля (наданих у вигляді файлів або у аналогічному форматі) від Агенції із обслуговування фермерів Міністерства сільського господарства США або іншого джерела через користувацький пристрій та надаючи такі дані ідентифікації поля до комп'ютерної системи інтелектуального аналізу сільськогосподарських даних.
ЇЗВ| В одному варіанті здійснення винаходу дані моделі та польові дані зберігаються. у централізованій базі 160 даних моделі та польових даних. Дані моделі включають у себе моделі даних, створені для одного або декількох полів. Наприклад, модель сільськогосподарської культури може включати у себе побудовану із використанням цифрових технологій модель еволюції культури на одному або декількох полях. "Модель" у цьому контексті відноситься до електронного, збереженого із використанням цифрових технологій набору виконуваних команд та значень даних, пов'язаних один з одним, які здатні приймати та реагувати на програмний чи інший цифровий виклик, ініціювання або запит для вирішення на основі вказаних вхідних значень ситуації, при якій одержують одне або декілька збережених вихідних значень, які, крім іншого, можуть слугувати основою рекомендацій, реалізованих із використанням комп'ютера, основою відображуваних вихідних даних або основою для керування машинами. Кваліфіковані фахівці в даній галузі знаходять зручнішим відображати моделі з використанням математичних рівнянь, але така форма вираження не обмежує розкриті у даному документі моделі абстрактними поняттями, навпаки, кожна модель у даному документі має практичне застосування в комп'ютері у вигляді збережених виконуваних команд та даних, що реалізують модель за допомогою комп'ютера. Дані моделі можуть включати у себе модель минулих подій на одному або декількох полях, модель поточного стану одного або декількох полів та/або 60 модель прогнозованих подій на одному або декількох полях. Дані моделі та польові дані можуть зберігатися у структурах даних у запам'ятовуючому пристрої, рядах в таблиці бази даних, у неструктурованих файлах або динамічних таблицях або інших формах збережених цифрових даних.
ЗОЇ Рівень 150 апаратного обладнання/віртуалізації містить один або декілька центральних процесорних блока (СР), контролери запам'ятовуючого пристрою та інші пристрої, компоненти або елементи комп'ютерної системи, такі як енергозалежний або енергонезалежний запам'ятовуючий пристрій, енергонезалежний пристрій зберігання, такий як диск, а також пристрої введення/виведення або інтерфейси, як проілюстровано та описано, наприклад, у зв'язку з Фіг. 4. Рівень 150 також може містити запрограмовані команди, виконані із можливістю підтримки віртуалізації, контейнеризації та інших технологій.
Ї40| З метою ілюстрування чіткого прикладу, на Фіг. 1 показана обмежена кількість екземплярів певних функціональних елементів. Проте в інших варіантах здійснення винаходу може бути будь-яка кількість таких елементів. Наприклад, варіанти здійснення винаходу можуть використовувати тисячі або мільйони різних мобільних обчислювальних пристроїв 104, пов'язаних з різними користувачами. Крім того, система 130 та/або серверний комп'ютер 108 зовнішніх даних можуть бути реалізовані за допомогою двох або більшої кількості процесорів, ядер, кластерів або екземплярів фізичних машин або віртуальних машин, налаштованих у окремому місці розташування або спільно з іншими елементами в центрі обробки даних, спільному обчислювальному об'єкті або хмарному обчислювальному об'єкті. У деяких варіантах здійснення винаходу серверний комп'ютер 108 зовнішніх даних може бути фактично включений у систему 130. (112.2. ОГЛЯД ПРИКЛАДНОЇ ПРОГРАМИ (42) В одному варіанті здійснення винаходу реалізація функцій, описаних у даному документі із використанням однієї або декількох комп'ютерних програм або інших елементів програмного забезпечення, які завантажуються та виконуються з використанням одного або декількох комп'ютерів загального призначення призводять до налаштування комп'ютерів загального призначення як певної машини або як комп'ютера, спеціально адаптованого для виконання описаних у даному документі функцій. Крім того, кожна із схем послідовності операцій, описаних далі у даному документі, може виконувати, окремо або в поєднанні з описами процесів та
Зо функцій, як буденно описано у даному документі, може виконувати функції алгоритмів, планів або директив, які можуть бути використані для програмування комп'ютера або логічного пристрою для реалізації описаних функцій. Іншими словами, весь прозаїчний текст у даному документі та всі фігури графічних матеріалів разом покликані забезпечити розкриття алгоритмів, планів або напрямків, достатніх для того, щоб дозволити кваліфікованій особі запрограмувати комп'ютер для виконання описаних у даному документі функцій, у поєднанні з уміннями та знаннями такої людини, з урахуванням рівня кваліфікації, що підходить для винаходів та описів такого типу.
І43| В одному варіанті здійснення винаходу користувач 102 взаємодіє з комп'ютерною системою 130 інтелектуального аналізу сільськогосподарських даних, використовуючи обчислювальний пристрій 104 керівника польовими роботами, налаштований із операційною системою та однією або декількома додатковими прикладними програмами або додатками; обчислювальний пристрій 104 керівника польовими роботами також може взаємодіяти із комп'ютерною системою 130 інтелектуального аналізу сільськогосподарських даних незалежно та автоматично під керуванням програми або керуванням логічного об'єкту, та безпосередня взаємодія користувача не завжди необхідна. Обчислювальний пристрій 104 керівника польовими роботами в цілому являє собою один або декілька смартфонів, КПК, планшетних обчислювальних пристроїв, портативних комп'ютерів, настільних комп'ютерів, робочих станцій або будь-яких інших обчислювальних пристроїв, здатних передавати та приймати інформацію та викувати функції, описані у даному документі. Обчислювальний пристрій 104 керівника польовими роботами може здійснювати обмін інформацією через мережу, використовуючи прикладну програму для мобільних пристроїв, що зберігається на обчислювальному пристрої 104 керівника польовими роботами, та в деяких варіантах здійснення винаходу пристрій може бути з'єднаний за допомогою кабелю 113 або з'єднувального елемента з датчиком 112 та/або контролером 114. Конкретний користувач 102 може мати, експлуатувати або володіти та використовувати одночасно більше ніж один обчислювальний пристрій 104 керівника польовими роботами, що з'єднані із системою 130.
І44| Через мережу 109 прикладна програма користувача може надавати функціональні можливості, які виконуються на стороні сервера, до одного або декількох мобільних обчислювальних пристроїв. У типовому варіанті здійснення винаходу, обчислювальний пристрій бо 104 керівника польовими роботами може отримати доступ до прикладної програми для мобільних пристроїв через веб-браузер або локальну клієнтську прикладну програму або додаток. Обчислювальний пристрій 104 керівника польовими роботами може передавати дані до одного або декількох серверів переднього плану та приймати дані від них за допомогою протоколів або форматів, орієнтованих на веб-технології, таких як НТТР, ХМІ. та/або У5ОМ, або протоколів, орієнтованих на додатки. У типовому варіанті здійснення винаходу дані можуть приймати форму запитів та введення інформації користувача, наприклад даних, що відносяться до поля, до мобільного обчислювального пристрою. У деяких варіантах здійснення винаходу прикладна програма для мобільних пристроїв взаємодіє з апаратним та програмним забезпеченням для відстеження місцезнаходження на обчислювальний пристрій 104 керівника польовими роботами, що визначає місце розташування обчислювального пристрою 104 керівника польовими роботами за допомогою стандартних методів відстеження, таких як багатопозиційне спостереження радіосигналів, глобальна система позиціонування (СРБ), система позиціонування М/-Рі або інші способи мобільного позиціонування. У деяких випадках дані про місцезнаходження або інші дані, пов'язані з пристроєм 104, користувачем 102 та/або обліковим записом (обліковими записами) користувача можуть бути отримані через запити до операційної системи пристрою або через додаток запитування на пристрої, щоб отримати дані з операційної системи.
І45|В одному варіанті здійснення винаходу обчислювальний пристрій 104 керівника польовими роботами надсилає польові дані 106 до комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних, що містить або включає у себе значення даних, що відображають один або декілька з типів даних: географічне розташування одного або декількох полів, інформацію щодо механічної обробки грунту для одного або декількох полів, дані щодо сільськогосподарських культур, висаджених на одному або декількох полях, а також дані щодо грунту, отримані з одного або декількох полів. Обчислювальний пристрій 104 керівника польовими роботами може надсилати польові дані 106 у відповідь на введення даних користувачем 102, який визначає значення даних для одного або декількох полів. Крім того, обчислювальний пристрій 104 керівника польовими роботами може автоматично надсилати польові дані 106, коли одне або декілька значень даних стають доступними для обчислювального пристрою 104 керівника польовими роботами. Наприклад, обчислювальний
Зо пристрій 104 керівника польовими роботами може бути з'єднаний із можливістю обміну інформацією з дистанційним датчиком 112 та/або контролером 114 прикладної програми. У відповідь на прийом даних, що вказують, що контролер 114 прикладної програми подав воду на одне або декілька полів, обчислювальний пристрій 104 керівника польовими роботами може надіслати польові дані 106 до комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних, які вказують, що вода була подана на одне або декілька полів.
Польові дані 106, зазначені в цьому описі, можуть вводитися та передаватися за допомогою електронних цифрових даних, які передаються між обчислювальними пристроями, використовуючи параметризовані ОМКІ-адреси через НТТР, або через інший відповідний протокол обміну інформацією або обміну повідомленнями.
І46Ї Комерційним прикладом прикладної програми для мобільних пристроїв є програма
СІПІМАТЕ РІЕСОМІЕМУ, комерційно доступна від компанії «Пре Сійтайе Согрогайоп», Сан-
Франциско, штат Каліфорнія. Прикладна програма СГІМАТЕ РІЕГОМІЕМУ або інші прикладні програми можуть бути змінені, розширені або адаптовані для того, щоб включати у себе конструктивні особливості, функції та програмну частину, які не були розкриті раніше, ніж дата подання цього опису. В одному варіанті здійснення винаходу прикладна програма для мобільних пристроїв включає у себе інтегровану програмну платформу, яка дозволяє виробникам для їх діяльності приймати рішення, що базуються на фактах, оскільки поєднують в собі історичні дані про поля виробників з будь-якими іншими даними, які хоче порівняти виробник. Комбінації та порівняння можуть виконуватися в режимі реального часу та базуються на наукових моделях, які забезпечують потенційні сценарії, щоб дозволити виробнику прийняти кращі, більш обгрунтовані рішення.
І47| Фіг. 2 ілюструє два представлення типової логічної схеми наборів команд у основному запам'ятовуючому пристрої при завантаженні для виконання типової прикладної програми для мобільних пристроїв. На Фіг. 2 кожен названий елемент відображає область з однієї або декількох сторінок КАМ або іншого основного запам'ятовуючого пристрою, або один або декілька блоків дискового пристрою зберігання або іншого енергонезалежного пристрою зберігання, та запрограмовані команди у цих областях. В одному варіанті здійснення винаходу у представленні (а) прикладна програма 200 мобільного комп'ютера включає у себе команди 202 щодо обліку-полів-введення даних-розподілення, команди 204 щодо огляду та сповіщення, бо команди 206 щодо книги документації цифрових карт, команди 208 щодо насіння та висаджування, команди 210 щодо азоту, команди 212 щодо погодних умов, команди 214 щодо здоров'я поля та команди 216 щодо експлуатації.
І48) В одному варіанті здійснення винаходу прикладна програма 200 мобільного комп'ютера містить команди 202 щодо обліку-полів-введення даних-розподілення, які запрограмовані для прийому, інтерпретації та введення польових даних зі сторонніх систем за допомогою ручного завантаження або АРІ. Типи даних можуть включати, серед іншого, межі полів, графіки врожайності, карти висаджування рослин, результати тестів грунту, картотеки, карти застосовування та/або зони управління. Формати даних можуть включати у себе, серед іншого, файли векторного формату, внутрішніх форматів даних третіх сторін та/або експортного формату Інформаційної системи управління фермами (ЕМІ5). Отримання даних може відбуватися за допомогою ручного завантаження, зовнішніх АРІ, які передають дані до прикладної програми для мобільних пристроїв, або команд, які викликають АРІ зовнішніх систем для збору даних у прикладну програму для мобільних пристроїв.
І49| В одному варіанті здійснення винаходу команди 206 щодо книги документації цифрових карт містять рівні даних карти поля, що зберігаються в запам'ятовуючому пристрої відповідного пристрою та запрограмовані засобами візуалізації даних та примітками геопросторових полів.
Це забезпечує виробників зручною інформацією, що знаходиться під рукою, для довідкових цілей, ведення журналів та візуальної статистики ефективності роботи на полі. В одному варіанті здійснення винаходу команди 204 щодо огляду та сповіщення запрограмовані для забезпечення повноцінного огляду того, що важливим для виробника в процесі експлуатації, та своєчасних рекомендацій щодо заходів, які необхідно вжити або зосередити увагу на конкретних питаннях. Це дозволяє виробнику зосередити час на тому, що потребує уваги, щоб заощадити час і зберегги врожай протягом всього сезону. В одному варіанті здійснення винаходу команди 208 щодо насіння та висаджування запрограмовані для забезпечення інструментів для вибору насіння, змішаного внесення у грунт та створення команд програмного процесора, включаючи створення команди змінної швидкості (МК) на основі наукових моделей та емпіричних даних. Це надає виробникам можливість максимізувати врожай або рентабельність інвестицій шляхом оптимізації закупівлі насіння, внесення насіння у грунт та популяції насіння.
Зо І5О| В одному варіанті здійснення винаходу команди 210 щодо азоту запрограмовані для забезпечення інструментів для інформування рішень щодо азоту, візуалізуючи доступність азоту до сільськогосподарських культур та створюючи команди програмного процесора, включаючи команди щодо родючості зі змінною швидкістю (МК). Це надає виробникам можливість максимізувати врожай або рентабельність інвестицій шляхом оптимізації застосування азоту протягом сезону. Приклади запрограмованих функцій включають у себе, серед інших, відображення зображень, таких як зображення 550050, щоб дозволити малювати зони застосування та/або зображення, створені з даних щодо грунту меншого поля, що входить до складу поля, наприклад даних, отриманих від датчиків при високій просторовій роздільній здатності (наприклад, пікселі 1 м або 10 м); завантаження існуючих зон, визначених виробником; надання графіку застосування та/або карти, що дозволяє регулювати застосування азоту в різних зонах; вихід команд програмного процесора для керування машинами; інструменти для введення та налаштування масиву даних; та/або карти для візуалізації даних. "Введення масиву даних" у цьому контексті може означати, що потрібно вводити дані один раз, а потім застосовувати однакові дані до декількох полів, визначених у системі; типові дані можуть включати дані щодо застосування азоту, що є однаковими для багатьох полів одного і того ж виробника, але таке введення масиву даних застосовується до введення будь-якого типу польових даних в прикладну програму 200 мобільного комп'ютера. Наприклад, команди 210 щодо азоту можуть бути запрограмовані для того, щоб приймати визначення щодо програм внесення та практичного застосування азоту, а також приймати введення користувача, що вказує, що ці програми застосовуються на декількох полях. «Програми внесення азоту» в цьому контексті відносяться до збереженого набору даних, якому присвоєно найменування, що пов'язує, серед іншого: найменування, код кольору або інший ідентифікатор, одну або декілька дат застосування, типи матеріалу або продукту для кожної дати та кількості, спосіб застосування або внесення, такий як ін'єкційний чи за допомогою ножового пристрою, та/або кількості або періодичності застосування для кожної дати, сільськогосподарської культури або гібриду, який є предметом застосування. «Програми практичного застосування азоту» в цьому контексті відносяться до збереженого набору даних, якому присвоєно найменування, що пов'язує: найменування практичного застосування; попередню сільськогосподарську культуру; систему механічної обробки грунту; дату первинної механічної обробки грунту; одну або 60 декілька попередніх систем механічної обробки грунту, які були використані; один або декілька показників застосування органічних добрив, які були використані. Команди 210 щодо азоту також можуть бути запрограмовані для того, щоб створювати та спричиняти відображення графіку азоту, що вказує на прогнози використання рослинами зазначеного азоту та прогнозування надлишку або недостачі; в деяких варіантах здійснення винаходу різні кольорові індикатори можуть сигналізувати щодо величини надлишку або величини недостачі. В одному варіанті здійснення винаходу графік азоту містить графічне відображення на пристрої відображення комп'ютера, що містить множину рядків, кожен рядок пов'язаний з полем та визначає поле; дані, що вказують, яка сільськогосподарська культура висаджена в полі, розмір поля, місце розташування поля та графічне зображення периметру поля; в кожному рядку шкала часу за місяцями із графічними показниками, що визначають кожне застосування азоту та кількість у точках корелює з назвами місяців; та числові та/або кольорові показники надлишку або недостачі, у яких колір вказує на величину. В одному варіанті здійснення винаходу графік азоту може включати у себе одну або декілька конструктивних особливостей щодо введення користувачем інформації, таких як кругова шкала або лінійка із повзунком, для динамічної зміни програм внесення та практичного застосування азоту таким чином, щоб користувач міг оптимізувати його графік азоту. Після цього користувач може використовувати свій оптимізований графік азоту та пов'язані програми внесення та практичного застосування азоту для реалізації однієї або декількох команд програмного процесора, включаючи команди щодо родючості зі змінною швидкістю (МК). Команди 210 щодо азоту також можуть бути запрограмовані для того, щоб створювати та спричиняти відображення карти азоту, що вказує на прогнози використання рослинами зазначеного азоту та прогнозування надлишку або недостачі; в деяких варіантах здійснення винаходу різні кольорові індикатори можуть сигналізувати щодо величину надлишку або величину недостачі. На карті азоту можуть відображатися прогнози використання рослинами зазначеного азоту та чи була наявність надлишку або недостачі в різні часи в минулому та в майбутньому (наприклад, щодня, щотижня, щомісяця або щорічно) за допомогою числових та/або кольорових показників надлишку або недостачі, в якому колір вказує на величину. В одному варіанті здійснення винаходу карта азоту може включати у себе одну або декілька конструктивних особливостей щодо введення користувачем інформації, таких як кругова шкала або лінійка із повзунком, для динамічної зміни програм внесення та практичного застосування азоту таким чином, щоб користувач міг оптимізувати його карту азоту таким чином, щоб отримати бажану кількість надлишку проти недостачі. Після цього користувач може використовувати свою оптимізовану карту азоту та пов'язані програми внесення та практичного застосування азоту для реалізації однієї або декількох команд програмного процесора, включаючи команди щодо родючості зі змінною швидкістю (УК). В інших варіантах здійснення винаходу команди, аналогічні до команд 210 щодо азоту можуть використовуватися для інших поживних речовин, таких як фосфор та калій.
ІЇУ1|В одному варіанті здійснення винаходу команди 212 щодо погодних умов запрограмовані для того, щоб забезпечувати невідкладними даними щодо погодних умов, пов'язаними із конкретним полем, та прогнозованою інформацією щодо погодних умов. Це надає виробникам можливість економити час та мати ефективне інтегроване відображення щодо щоденних оперативних рішень.
І52| В одному варіанті здійснення винаходу команди 214 щодо здоров'я поля запрограмовані таким чином, щоб забезпечувати своєчасні зображення дистанційного зондування, що підкреслюють сезонні зміни сільськогосподарської культури та можливі проблемні питання.
Приклади запрограмованих функцій включають у себе, серед іншого, перевірку хмарності, щоб визначити можливі хмари або тіней від хмар; визначення показників азоту на основі зображень поля; графічну візуалізацію рівней проведення рекогносцировки, включаючи, наприклад, такі, що стосуються здоров'я поля, та перегляд та/або обмін нотатками щодо проведення рекогносцировки; та/або завантаження супутникових зображень з різних джерел та визначення пріоритету зображення для виробника.
І5З| В одному варіанті здійснення винаходу команди 216 щодо експлуатації запрограмовані для того, щоб забезпечувати звіти, результати аналізу та інструменти спеціалізованих оцінок, використовуючи дані на базі господарства для оцінювання, аналітичної обробки інформації та прийняття рішень. Це надає виробнику можливість досягти покращених результатів на наступний рік шляхом висновків, що базуються на фактах, про те, чому рентабельність інвестицій була на попередніх рівнях, а також аналітичної обробки інформації про фактори, що обмежують врожай. Команди 216 щодо експлуатації можуть бути запрограмовані для обміну інформацією через мережу (мережі) 109 із програм аналітичними програмами серверної бо частини, що виконуються на серверному комп'ютері 108 зовнішніх даних та виконані із можливістю аналізу показників, таких як, серед інших, врожай, гібрид, популяція, З5ОКСО, тести грунту або висота. Запрограмовані звіти та результати аналізу можуть включати у себе, серед іншого, аналіз змінюваності врожаю, порівняльний аналіз врожайності та інших показників із показниками інших виробників на основі анонімних даних, зібраних з багатьох виробників, або дані для насіння та висаджування. 54) Прикладні програми, що мають сконфігуровані таким чином команди, можуть бути застосовані для різних платформ обчислювальних пристроїв, зберігаючи при цьому однаковий загальний зовнішній вигляд користувацького інтерфейсу. Наприклад, прикладна програма для мобільних пристроїв може бути запрограмована для виконання на планшетах, смартфонах або серверних комп'ютерах, доступ до яких здійснюється за допомогою браузерів на клієнтських комп'ютерах. Крім того, прикладна програма для мобільних пристроїв, сконфігурована для планшетних комп'ютерів або смартфонів, може забезпечити повну версію додатка або кабінну версію додатку, що є зручним для можливостей щодо відображення та обробки даних кабінного комп'ютера 115. Наприклад, посилаючись тепер на представлення (Б) на Фіг. 2, в одному варіанті здійснення винаходу прикладна програма 220 кабінного комп'ютеру може включати у себе команди 222 щодо карт-кабіни, команди 224 щодо дистанційного огляду, команди 226 щодо збирання та передачі даних, команди 228 щодо машинних сповіщень, команди 230 щодо передачі команд програмного процесора та команди 232 щодо проведення рекогносцировки- кабіни. База програмного коду для команд представлення (б) може бути такою самою, як для представлення (а), а виконувані файли, що реалізують програмний код, можуть бути запрограмовані для виявлення типу платформи, на якій вони виконуються, та для розкриття, через графічний інтерфейс користувача, лише тих функцій, які підходять для кабінної платформи або повної платформи. Такий підхід дозволяє системі чітко розпізнати відмінну користувацьку версію, яка є пристосованою для середовища в кабіні, та відмінне технологічне середовище кабіни. Команди 222 щодо карт-кабіни можуть бути запрограмовані для забезпечення горизонтальних проекцій полів, ферм або областей, що є корисними для керування роботою машини. Команди 224 щодо дистанційного огляду можуть бути запрограмовані для вмикання, керування та забезпечення представлень активності машини, в режимі реального часу або майже у режимі реального часу, на інші обчислювальні пристрої, підключені до системи 130 через бездротові мережі, дротові з'єднувальні елементи або адаптери та подібні елементи. Команди 226 щодо збирання та передачі даних можуть бути запрограмовані для вмикання, керування та забезпечення передачі даних, зібраних машинними датчиками та контролерами, до системи 130 через бездротові мережі, дротові з'єднувальні елементи або адаптери та подібні елементи. Команди 228 щодо машинних сповіщень можуть бути запрограмовані для виявлення проблемних питань із експлуатації машини або інструментів, що пов'язані з кабіною, та генерувати сповіщення оператора. Команди 230 щодо передачі команди програмного процесора можуть бути виконані із можливістю передачі у команди програмного процесора команд, виконані із можливістю керувати операціями машини або збиранням даних. Команди 232 проведення рекогносцировки-кабіни можуть бути запрограмовані для відображення сповіщень, що базуються на місцезнаходженні та інформації, отриманої від системи 130 на основі місцезнаходження сільськогосподарського пристрою 111 або датчиків 112 на полі та для введення, керування та забезпечення передачі даних спостереження на основі місцезнаходження до системи 130, базуючись на місцезнаходженні сільськогосподарського пристрою 111 або датчиків 112 у полі. (55) 2.3. ВВЕДЕННЯ ДАНИХ ДО КОМП'ЮТЕРНОЇ СИСТЕМИ
І56| В одному варіанті здійснення винаходу серверний комп'ютер 108 зовнішніх даних зберігає зовнішні дані 110, включаючи дані щодо грунту, що відображають склад грунту для одного або декількох полів, та дані щодо погодних умов, що відображають температуру та опади на одному або декількох полях. Дані щодо погодних умов можуть включати у себе дані щодо погодних умов у минулому та теперішніх погодних умов, а також прогнози щодо даних щодо майбутніх погодних умов. В одному варіанті здійснення винаходу серверний комп'ютер 108 зовнішніх даних містить декілька серверів, розміщених різними суб'єктами господарювання.
Наприклад, перший сервер може містити дані щодо складу грунту, тоді як другий сервер може містити дані щодо погодних умов. Крім того, дані щодо складу грунту можуть зберігатися на декількох серверах. Наприклад, один сервер може зберігати дані, що відображають відсоток піску, пилового матеріалу та глини в грунті, тоді як другий сервер може зберігати дані, що відображають відсоток органічних речовин (ОМ) у грунті.
І57| В одному варіанті здійснення винаходу дистанційний датчик 112 містить один або кілька датчиків, які запрограмовані або виконані із можливістю справляти одне або декілька бо спостережень. Дистанційний датчик 112 може бути датчиками, що переносяться повітряним шляхом, як, наприклад, супутниковими датчиками, датчиками транспортних засобів, датчиками обладнання з висаджування, датчиками засобів механічної обробки грунту, або датчиками застосування добрив або інсектицидів, датчиками збиральних машин та будь-якими іншими пристроями, здатними приймати дані з одного або декількох полів. В одному варіанті здійснення винаходу контролер 114 прикладної програми запрограмований або виконаний із можливістю отримувати команди від комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних. Контролер 114 прикладної програми також може бути запрограмований або виконаний із можливістю керувати експлуатаційним параметром сільськогосподарського транспортного засобу або пристрою. Наприклад, контролер прикладної програми може бути запрограмований або виконаний із можливістю керувати експлуатаційним параметром транспортного засобу, такого як трактор, обладнання з висаджування, обладнання для механічної обробки грунту, обладнання для застосування добрив або інсектицидів, обладнання збиральних машин або інші сільськогосподарські пристрої, такі як водяний клапан.
Інші варіанти здійснення винаходу можуть використовувати будь-яку комбінацію датчиків та контролерів, з яких наступні є лише вибраними прикладами.
ЇЗ8Ї Система 130 може отримувати або вводити дані під керуванням користувача 102, на масовій основі з великої кількості виробників, які внесли дані в загальну систему бази даних.
Така форма отримання даних може бути названа "ручним введенням даних", оскільки для отримання даних для використання системою 130 запитуються або активізуються одна або декілька керованих користувачем комп'ютерних операцій. Як приклад, прикладна програма
СІПІМАТЕ РІЕСОМІЕМУ, комерційно доступна від компанії «Пре Сійтайе Согрогайоп», Сан-
Франциско, штат Каліфорнія, може бути використана для того, щоб експортувати дані у систему 130 для зберігання у централізованій базі 160.
І59| Наприклад, системи моніторингу насіння можуть як керувати компонентами пристрою висаджування, так й отримувати дані щодо висаджування, включаючи сигнали від датчиків насіння через джгут сигналу, який включає у себе магістральний кабель САМ та з'єднання точка-точка для реєстрації та/(або діагностики. Системи моніторингу насіння можуть бути запрограмовані або виконані із можливістю відображення інтервалу посівів, популяції та іншої інформації для користувача через кабінний комп'ютер 115 або інші пристрої у межах системи 130. Приклади розкриті в патенті США Мо 8738243 та патенті США 20150094916, і даний винахід передбачає знання про ці інші патентні розкриття.
ІЄО| Аналогічно, системи моніторингу врожайності можуть містити датчики врожайності для збиральної машини, що передають дані результату вимірювання врожайності до кабінного комп'ютеру 115 або інших пристроїв системи 130. Системи моніторингу врожайності можуть використовувати один або декілька дистанційних датчиків 112, щоб отримувати результати вимірів вологості зерна в комбайні або іншій збиральній машині та передавати ці виміри користувачеві через кабінний комп'ютер 115 або інші пристрої у межах системи 130.
ІЄ1|ІВ одному варіанті здійснення винаходу приклади датчиків 112, які можуть використовуватися з будь-яким рухомим транспортним засобом або апаратом типу, описаному будь-де у даному документі, включають у себе кінематичні датчики та датчики положення.
Кінематичні датчики можуть включати у себе будь-які датчики швидкості, такі як радарні або датчики швидкості обертання колеса, акселерометри або гіроскопи. Датчики положення можуть включати у себе, серед іншого, зРб-приймачі або прийомопередавачі, або додатки щодо позиціювання або картографування на основі Умі-Рі, запрограмовані для визначення місця розташування на основі розташованих неподалік точок доступу Умі-РІі.
Іб2|В одному варіанті здійснення винаходу приклади датчиків 112, які можуть використовуватися з тракторами або іншими рухомими транспортними засобами, включають у себе датчики швидкості двигуна, датчики витрати палива, лічильники площі або лічильники відстані, які взаємодіють з сигналами СРБ5 або радіолокаційними сигналами, датчики швидкості
РТО (механізму відбору потужності), датчики тракторної гідравліки, виконані із можливістю виявляти параметри гідравліки, таких як тиск або кількість рідини, що проходить, та/або швидкість гідравлічного насоса, датчики швидкості обертання колеса або датчики ковзання колеса. В одному варіанті здійснення винаходу приклади контролерів 114, які можуть використовуватися з тракторами, включають у себе гідравлічні скеровуючи контролери, контролери тиску та/або контролери потоку; контролери швидкості гідравлічного насоса; контролери або регулятори швидкості; контролери положення зчеплення; або контролери положення колеса, що забезпечують автоматичне керування.
ІЄЗ| В одному варіанті здійснення винаходу приклади датчиків 112, які можуть бути використані з обладнанням для висаджування посівів, такі як висаджувачи, рядкові сівалки або 60 повітряні сівалки, включають у себе датчики насіння, які можуть бути оптичними,
електромагнітними або ударними датчиками; датчики прижимного зусилля, такі як штифти навантаження, тензометричні динамометри, датчики тиску; датчики властивостей грунту, такі як датчики відбивної здатності поверхні, датчики вологості, датчики електропровідності, датчики оптичного залишку або датчики температури; датчики експлуатаційних критеріїв компонентів, такі як датчики глибини висаджування, датчики прижимного зусилля тиску у циліндрі, датчики швидкості диску насіння, кодові датчики двигуна приводу насіння, датчики швидкості системи конвеєра насіння або датчики рівня вакууму; або датчики застосування пестицидів, такі як оптичні або інші електромагнітні датчики, або датчики впливу. В одному варіанті здійснення винаходу приклади контролерів 114, які можуть бути використані для такого обладнання для висаджування насіння, включають у себе: контролери рівня згинання навісного брусу, такі як контролери для клапанів, пов'язаних з гідравлічними циліндрами; контролери прижимного зусилля, такі як контролери для клапанів, пов'язаних з пневматичними циліндрами, подушками безпеки або гідравлічними циліндрами, і запрограмовані для застосування прижимного зусилля до окремих елементів рядку або рами висаджувача в цілому; контролери глибини висаджування, такі як механізми лінійного переміщення; контролери вимірювань, такі як двигуни приводу електричного дозатору насіння, двигуни приводу гідравлічного дозатору насіння або муфти керування валом; контролери відбору гібриду, такі як двигуни приводу дозатору насіння або інші механізми автоматичного керування, запрограмовані для того, щоб вибірково дозволяти або забороняти насінню або суміші насіння з повітрям доставляти насіння до дозаторів насіння або центральних бункерів сипучих продуктів або з них; контролери дозування, такі як двигуни приводу електричного дозатору насіння або двигуни приводу гідравлічного дозатору насіння; контролери системи конвеєра насіння, такі як контролери для двигуна конвеєра ремінної доставки насіння; маркерні контролери, такі як контролер для пневматичного або гідравлічного механізму автоматичного керування; або контролери швидкості застосування пестицидів, такі як контролери приводу дозування, контролери розміру отвору або позиції.
ІЄ4| В одному варіанті здійснення винаходу приклади датчиків 112, які можуть бути використані з обладнанням для механічної обробки грунту, включають у себе датчики положення для таких інструментів, як сошники або диски; датчики положення інструменту для таких інструментів, які виконані із можливістю виявляти глибину, кут машинного агрегату або бічну відстань; датчики прижимного зусилля; або датчики тяглового зусилля. В одному варіанті здійснення винаходу приклади контролерів 114, які можуть бути використані із обладнанням для механічної обробки грунту, включають у себе контролери прижимного зусилля або контролери положення інструменту, такі як контролери, виконані із можливістю керувати глибиною інструменту, кутом машинного агрегату або бічною відстанню.
ІЄ5| В одному варіанті здійснення винаходу приклади датчиків 112, які можуть бути використані щодо пристроїв для внесення добрив, інсектицидів, фунгіцидів та подібних речовин, такі як розташовані на висаджувачі початкові системи добрив, сошники для внесення добрив у підгрунтя або розпилювачі для добрив, включають у себе: датчики критеріїв гідравлічної системи, такі як датчики потоку або датчики тиску; датчики, що вказують, які клапани головок для розпилення або клапани гідравлічної лінії є відкритими; датчики, пов'язані з баками, такі як датчики рівня заповнення; датчики секційних або системних ліній подачі, датчики ліній подачі окремого рядку; або кінематичні датчики, такі як акселерометри, розташовані на стрілах розпилювача. В одному варіанті здійснення винаходу приклади контролерів 114, які можуть використовуватися з таким пристроєм, включають у себе контролери швидкості насосу; контролери клапанів, які запрограмовані для контролю тиску, потоку, напрямку, РУУМ та тому подібного; або механізми автоматичного керування положенням, наприклад, для висоти стріли, глибини чизель-культиватора або позиції стріли.
ІЄ6ЇВ одному варіанті здійснення винаходу приклади датчиків 112, які можуть використовуватися з комбайнами, включають у себе монітори намолоту комбайну, такі як тензодатчики амортизаційного екрану або датчики положення, датчики ємнісного потоку, датчики навантаження, датчики ваги або датчики крутного моменту, пов'язані з вантажопідйомниками або шнеками, або оптичні чи інші електромагнітні датчики висоти зерна; датчики вологості зерна, такі як ємнісні датчики; датчики втрати зерна, включаючи ударні, оптичні або ємнісні датчики; датчики експлуатаційних критеріїв жнивної частини комбайну, такі як висота жнивної частини комбайну, тип жнивної частини комбайну, просвіт плити настилу, датчики швидкості подачі та швидкості обертання мотовила; датчики експлуатаційних критеріїв сепаратора, такі як датчики увігнутого зазору, швидкості ротора, зазору колодки чи зазору решета первинного очищення; шнекові датчики для положення, експлуатації або швидкості; або датчики швидкості двигуна. В одному варіанті здійснення винаходу приклади контролерів 114, 60 які можуть використовуватися із збиральними машинами, включають у себе контролери експлуатаційних критеріїв жнивної частини комбайну для таких елементів, як висота жнивної частини комбайну, тип жнивної частини комбайну, просвіт плити настилу, швидкість подачі, або швидкість обертання мотовила; контролери експлуатаційних критеріїв сепаратору для таких конструктивних особливостей, як увігнутий зазор, швидкість ротора, зазору колодки чи зазору решета первинного очищення; або контролери для розташування, роботи чи швидкості шнеку.
ІЄ7|В одному варіанті здійснення винаходу приклади датчиків 112, які можуть використовуватися із причепами для перевезення зерна, включають у себе датчики ваги або датчики для розташування, роботи чи швидкості шнеку. В одному варіанті здійснення винаходу приклади контролерів 114, які можуть використовуватися із причепами для перевезення зерна, включають у себе контролери для розташування, роботи чи швидкості шнеку.
ІЄ8| В одному варіанті здійснення винаходу приклади датчиків 112 та контролерів 114 можуть бути встановлені у пристрої безпілотного літального апарату (ШАМ) або «дронах». Такі датчики можуть включати у себе камери з детекторами, ефективними для будь-якого діапазону електромагнітного спектру, включаючи видиме світло, інфрачервоне випромінювання, ультрафіолетове випромінювання, ближня інфрачервона область спектру (МІК) та подібні; акселерометри; висотоміри; датчики температури; датчики вологості; датчики повного тиску або інші датчики швидкості повітря або швидкості вітру; датчики часу дії елементів живлення; або пристрої виявлення випромінюючих радіолокаційних станцій та відбитої енергії радіолокаційного випромінювання. Такі контролери можуть включати у себе керуючий пристрій або пристрій керування двигуном, контролери керування поверхнею, контролери камери або контролери, запрограмовані для вмикання, експлуатації, отримання даних від будь-якого з попередніх датчиків, їх налаштування та керування ними. Приклади розкриті в заявці на видачу патенту США Мо 14/831165, і даний винахід передбачає знання про це інше патентне розкриття.
ІЗ) В одному варіанті здійснення винаходу датчики 112 та контролери 114 можуть бути прикріплені до пристрою для збирання зразків грунту та проведення вимірювання, який виконаний з можливістю або запрограмований для відбору грунту, проведення хімічних випробувань грунту, випробувань вологості грунту та інших досліджень, що стосуються грунту.
Наприклад, можуть бути використані пристрої, описані в патенті США Мо 8767194 та патенті
США Мо 8712148, і в даному описі передбачається знання цієї розкритої патентної інформації.
Зо (70) 2.4 ОГЛЯД ПРОЦЕСУ - ФОРМУВАННЯ АГРОНОМІЧНОЇ МОДЕЛІ
Г/1| В одному варіанті здійснення винаходу комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних запрограмована або виконана із можливістю створення агрономічної моделі. У цьому контексті агрономічна модель являє собою структуру даних у запам'ятовуючому пристрої комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних, яка містить польові дані 106, такі як дані ідентифікації та дані щодо врожаю для одного або декількох полів. Агрономічна модель може також включати у себе розрахункові агрономічні властивості, які описують або умови, які можуть вплинути на зростання однієї або декількох сільськогосподарських культур на полі, або властивості однієї або декількох сільськогосподарських культур, або й одне, й інше. Крім того, агрономічна модель може містити рекомендації, що базуються на агрономічних факторах, такі як рекомендації щодо сільськогосподарської культури, рекомендації щодо зрошення, рекомендації щодо висаджування та рекомендації щодо збирання врожаю. Агрономічні фактори також можуть бути використані для оцінювання одного або декількох результатів, пов'язаних з сільськогосподарською культурою, наприклад агрономічна врожайність. Агрономічна врожайність сільськогосподарської культури являє собою оцінювання кількості виробленої сільськогосподарської культури або, в деяких прикладах, дохід або прибуток, отриманий від виробництва сільськогосподарської культури.
І72| В одному варіанті здійснення винаходу комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може використовувати попередньо сконфігуровану агрономічну модель для обчислення агрономічних властивостей, пов'язаних з поточне отриманою інформацією про місцезнаходження та інформацією щодо сільськогосподарської культури для одного або декількох полів. Попередньо сконфігурована агрономічна модель грунтується на раніше оброблених польових даних, включаючи, але не обмежуючись перерахованим, дані ідентифікації, дані щодо врожаю, дані щодо добрив та дані щодо погодних умов. Для забезпечення точності моделі можливо, щоб попередньо сконфігурована агрономічна модель була перехресно перевірена. Перехресна перевірка може включати у себе порівняння із наземним контролем даних, яке порівнює прогностичні результати з фактичними результатами на полі, як наприклад порівняння оцінювання атмосферних опадів з датчиком дощу в тому ж місці або оцінку вмісту азоту із результатом вимірювання проби грунту. бо ІЇ7З| Фіг. З ілюструє запрограмований процес, за допомогою якого комп'ютерна система інтелектуального аналізу сільськогосподарських даних генерує одну або декілька попередньо сконфігурованих агрономічних моделей з використанням даних поля, що надаються одним або кількома зовнішніми джерелами даних. Фіг. З може служити як алгоритм або інструкції для програмування функціональних елементів комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних для виконання описаних зараз операцій. 74) У блоці 305 комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних виконана з можливістю або запрограмована для здійснення попередньої обробки агрономічних даних щодо польових даних, отриманих від одного або декількох джерел даних.
Польові дані, отримані від одного або декількох джерел даних, можуть бути попередньо оброблені з метою усунення шуму та ефектів спотворень у межах агрономічних даних, включаючи вимірювані відхилення, що зміщують отримані значення польових даних. Варіанти здійснення попередньої обробки агрономічних даних можуть включати у себе, але не обмежуються перерахованим, видалення значень даних, загально пов'язаних із значеннями вихідних даних, конкретними виміряними точками даних, що, як відомо, зайве відхиляє інші значення даних, для видалення або зменшення адитивних або мультиплікативних ефектів від шуму використовуються методи згладжування даних та інші способи фільтрації або отримання даних використовуються для забезпечення чіткої різниці між позитивними та негативними вхідними даними.
Ї75) У блоці 310 комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних виконана з можливістю або запрограмована для вибору підмножини даних за допомогою попередньо оброблених польових даних для ідентифікації наборів даних, котрі є корисними для формування початкової агрономічної моделі. Комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може реалізовувати методи виділення підмножин даних, включаючи у себе, але не обмежуючись перерахованим, спосіб генетичного алгоритму, спосіб моделей всіх підмножин, спосіб послідовного пошуку, спосіб ступінчастої регресії, спосіб оптимізації групування частинок та спосіб оптимізації колонії мурах. Наприклад, метод вибору генетичного алгоритму використовує адаптивний алгоритм евристичного пошуку, що базується на еволюційних принципах природного відбору та генетики, для визначення та оцінювання наборів даних у межах попередньо оброблених агрономічних даних.
Зо Ї76) У блоці 315 комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних виконана з можливістю або запрограмована здійснювати оцінювання набору польових даних. В одному варіанті здійснення винаходу конкретний набір польових даних оцінюється шляхом створення агрономічної моделі та використання конкретних порогових значень якості для створеної агрономічної моделі. Агрономічні моделі можуть бути порівняні за допомогою методів перехресної перевірки, включаючи, але не обмежуючись перерахованим, середню квадратичну похибку перехресної перевірки із виключенням об'єктів по одному (ЕМ5ЕСМ), середню абсолютну похибку та середню відсоткову похибку. Наприклад, ЕМ5ЕСМ може здійснювати перехресну перевірку агрономічні моделі, порівнюючи прогностичні значення агрономічних властивостей, створені агрономічною моделлю, із зібраними та проаналізованими значеннями історичних агрономічних властивостей. В одному варіанті здійснення винаходу логіка оцінювання агрономічного набору даних використовується як контур зворотного зв'язку, коли агрономічні набори даних, які не відповідають встановленим пороговим значенням якості, використовуються під час майбутніх етапів (блок 310) вибору підмножини даних.
І7/7| У блоці 320 комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних виконана з можливістю або запрограмована реалізовувати створення агрономічної моделі на основі перехресної перевірки агрономічних наборів даних. В одному варіанті здійснення винаходу створення агрономічної моделі може застосовувати методи багатовимірної регресії для створення попередньо сконфігурованих моделей агрономічних даних. 78) У блоці 325 комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних виконана з можливістю або запрограмована зберігати попередньо сконфігуровані моделі агрономічних даних для майбутнього оцінювання польових даних. (7912.5 ПІДСИСТЕМА ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ ГРУНТУ
ІЗОЇ В одному варіанті здійснення винаходу комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних, серед інших компонентів, включає у себе підсистему 170 оцінювання властивостей грунту. Підсистема 170 оцінювання властивостей грунту виконана із можливістю визначати внутрішньопольові властивості, включаючи грунт для конкретних географічних місцезнаходжень, з одного або декількох джерел. Підсистема 170 оцінювання властивостей грунту використовує зовнішні дані 110 у вигляді даних щодо різних спектрів грунту, що використовуються для обчислення передбачуваного набору даних властивостей бо грунту для конкретного географічного місцезнаходження.
ІЗІ| Дані щодо спектру грунту відносяться до гіперспектральних даних, отриманих дистанційним зондуванням, які отримуються із використанням гіперспектральних датчиків.
Гіперспектральні датчики збирають зображення, які відображають конкретні безперервні спектральні смуги. Спектральна смуга являє собою діапазон довжин хвиль електромагнітного спектру. Аналіз спектральної смуги може визначати різні типи даних щодо грунту або властивостей грунту, таких як фізичні, хімічні та біологічні властивості. Фізичні властивості грунту можуть включати у себе, але не обмежуватись перерахованим, текстуру, ущільнення та утримання води. Хімічні властивості грунту можуть включати у себе, але не обмежуватись перерахованим, органічні речовини (ОМ), електропровідність (ЕС), катіонообмінну здатність грунту (СЕС), рН, вміст вологи та вміст поживних речовин, таких як азот, фосфор, калій, кальцій, магній, цинк та натрій. Біологічні властивості грунту можуть включати у себе, але не обмежуватись перерахованим, кількість виділення з грунту вуглекислого та інших газів, кількість патогенних мікроорганізмів, мікроорганізмів та ферментів. Відомо, що ці властивості значно впливають на зростання сільськогосподарських культур. Детальне пояснення гіперспектральних даних обговорюється в розділі 4.1 ГІПЕРСПЕКТРАЛЬНІ ДАНІ даного документу.
ІВ2) В одному варіанті здійснення винаходу серверний комп'ютер 108 зовнішніх даних може зберігати дані щодо спектру грунту, зібрані з повітряних датчиків, які прикріплені до супутників, літаків та дронів. Комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може отримувати, за запитом, зовнішні дані 110, включаючи дані щодо спектру грунту, пов'язані з конкретним географічним місцезнаходженням та часом, та обробляти дані щодо спектру грунту для отримання прогнозованого набору даних властивостей грунту. Як альтернатива, комп'ютерна система 130 інтелектуального аналізу сільськогосподарських даних може зберігати раніше отримані зовнішні дані 110 у централізованій базі 160 даних моделі та польових даних для подальшої обробки даних.
ІЗЗ)| В одному варіанті здійснення винаходу підсистема 170 оцінювання властивостей грунту включає у себе набір логічних модулів, які запрограмовані або виконані із можливістю трансформувати вихідні дані щодо спектру грунту в прогностичні набори даних щодо властивостей грунту. В одному варіанті здійснення винаходу підсистема 170 оцінювання властивостей грунту містить модуль 173 попередньої обробки грунту, з'єднаний з модулем 176
Зо виснаження грунту, який з'єднаний з централізованою базою 160 даних моделі та польових даних. Модуль 174 спектрального конфігурації з'єднаний з модулем 175 вибору смуги та централізованою базою 160 даних моделі та польових даних з метою створення та налаштування нових моделей даних щодо грунту або для оновлення сучасних моделей даних щодо грунту для конкретного географічного місцезнаходження. Модуль 172 просторової вибірки з'єднаний з модулем 173 попередньої обробки грунту з метою визначення місця розташування отримання зразків грунту у межах визначеної ділянки на основі даних щодо спектру грунтів, що забезпечуються модулем 173 попередньої обробки грунту. В одному варіанті здійснення винаходу, для визначення оптимальних місць розташування отримання зразків грунту у межах конкретної земельної ділянки, щоб забезпечити репрезентативну вибірку грунту для всього діапазону грунту, може бути використаний модуль 172 просторової вибірки. В одному варіанті здійснення винаходу модуль просторової вибірки також може бути використаний для визначення оптимальних місць розташування для висаджування, застосування поживних речовин, проведення рекогносцировки або застосування технології спостереження за насіннєвим матеріалом для визначення внутрішньопольових властивостей, пов'язаних із врожайністю сільськогосподарської культури та здоров'ям сільськогосподарської культури.
ЇВ4| В одному варіанті здійснення винаходу модуль 173 попередньої обробки грунту запрограмований або виконаний із можливістю отримувати дані щодо спектру грунту. В одному варіанті здійснення винаходу дані щодо спектру грунту складаються з неопрацьованих даних, отриманих від гіперспектральних датчиків, які сканують конкретні географічні місця розташування. Неопрацьовані дані можуть бути отримані програмним шляхом з державних баз даних, комерційних джерел з опублікованими АРІ, або отримані безпосередньо з пристроїв зондування, таких як супутники, літаки, безпілотні літальні апарати, інші сільськогосподарські машини та переносні пристрої із зондувальними можливостями, або стаціонарне обладнання, таке як будівлі, архітектурні конструкції, або сільськогосподарські знаряддя, в тому числі висаджувачі, сівалки, інструменти для внесення добрив або банки висаджувального апарату інструментів для механічної обробки грунту із зондувальними можливостями. У варіантах здійснення винаходу, в яких датчики прикріплені до сільськогосподарської установки, датчики можуть бути прикріплені до ділянки установки, яка зачіпає землю (наприклад, секції обробки рядку), та може бути розташована таким чином, щоб сприймати поверхневий грунт та/або бо нижній горизонт грунту, що був підданий обробці сільськогосподарської установки (наприклад,
шляхом розкриття посадковою борозною). Дані щодо спектру грунту можуть бути зібрані серверним комп'ютером 108 зовнішніх даних локально або шляхом ініціювання викликів АРІ або викликів веб-сервісів через мережі, до місць розташування, що були виявлені або зазначені датчиками. Наприклад, сільськогосподарська машина (наприклад, комбайн, трактор, культиватор, плуг, чизель-культиватор, обприскувач або інша техніка, що використовується на фермі для здійснення сільськогосподарської діяльності) може бути пов'язана з одним або декількома датчиками, які фіксують дані щодо спектру грунту. Деякі сільськогосподарські машини, наприклад трактори, можуть бути з'єднані із зондувальним пристроєм через прикріплення або через буксируючий механізм. Також можуть бути використані переносні інструменти. Такі інструменти можуть складатися із зонда для проведення досліджень на грунті, системи тестування грунту або традиційної системи збирання зразків відповідно до сітки координат, яка може включати у себе отримування серцевини грунту з різних місць розташування у полі у ручному режимі. Приклади інструментів описані в попередній заявці 62/110,405, повний зміст якої включений у даний документ, для всіх цілей, у повному обсязі шляхом посилання.
ІЗ5| В одному варіанті здійснення винаходу результати вимірювання гіперспектрального датчика з повітря, космосу або інших середовищ, що вносять шум в дані, що зберігаються на серверному комп'ютері 108 зовнішніх даних, можуть мати варіації у спектральних даних, які можуть бути віднесені до кута огляду, зміни освітленості, нерівності грунту та низьким співвідношенням сигнал/шум. Аналогічним чином, результати вимірювання гіперспектрального датчика з наземних транспортних засобів, стаціонарного обладнання та переносних пристроїв, що зберігаються на серверному комп'ютері 108 зовнішніх даних, можуть мати варіації у спектральних даних, які віднесені до кута огляду, зміни освітленості, нерівності грунту та низьким співвідношенням сигнал/шум. Для зменшення перешкод модуль 173 попередньої обробки грунту виконаний із можливістю застосувати одну чи декілька функцій попередньої обробки до неопрацьованих даних щодо спектру грунту. Наприклад, функції попередньої обробки можуть включати у себе розрахункові значення похідних для набору ковзних середніх на певному діапазоні спектрів грунту. Варіанти здійснення функцій попередньої обробки обговорюються у розділі 5.1 ПОПЕРЕДНЯ ОБРОБКА ГРУНТУ даного документу.
Зо ІЗ6Ї Модуль 173 попередньої обробки грунту запрограмований або виконаний із можливістю надсилати спектральні смуги грунту до модулю 176 виснаження грунту. Модуль 173 попередньої обробки грунту видаляє сигнали перешкод з даних щодо спектру грунту для отримання спектральних смуг грунту, які є поєднанням однієї або декількох спектральних смуг із даних щодо спектру грунту. модуль 176 виснаження грунту запрограмований для використання методів машинного навчання (наприклад, хемометричних), щоб вилучати властивості грунту за допомогою попередньо сконфігурованої моделі грунту. Спектральні смуги, отримані від модуля 173 попередньої обробки грунту, вводяться в попередньо сконфігуровану модель грунту, яка запрограмована для визначення відповідних властивостей грунту, що пов'язані із даними щодо спектру грунту.
ІВ7 В одному варіанті здійснення винаходу модуль 175 вибору смуги та модуль 174 спектральної конфігурації запрограмовані для визначення переважних підмножин спектральних смуг грунту з одного або декількох вимірюваних географічних місць розташування. Потім переважні підмножини спектральних смуг грунту для одного або декількох вимірюваних географічних місць розташування вводяться в модуль 176 виснаження грунту для створення попередньо сконфігурованої моделі грунту під керуванням програми. Попередньо сконфігурована модель грунту являє собою модель грунту, що базується на однієї або декількох вимірюваних областях, яка може бути використана як глобальна модель для прогнозування майбутніх властивостей грунту для вимірюваних даних щодо спектру грунту з конкретного географічного місцезнаходження. Дані з однієї або декількох вимірюваних областей включають у себе, але не обмежуються перерахованим, виміряні гіперспектральні дані та попередньо виміряні фізичні зразки грунту, що називаються наземним контролем даних.
Наприклад, попередньо сконфігурована модель грунту може базуватися на декількох виміряних полях сільськогосподарських культур, що охоплюють кілька областей на середньому заході
Сполучених Штатів. Модуль 176 виснаження грунту запрограмований таким чином, щоб використання попередньо сконфігурованої моделі грунту могло бути використане для прогнозування властивостей грунту з майбутніх даних щодо спектру грунту, виміряних на полях на середньому заході Сполучених Штатів. В одному варіанті здійснення винаходу попередньо сконфігуровані моделі грунту можуть бути виконані із можливістю пристосування до даних щодо спектру грунту, виміряних у географічному місці розташування у визначеній області, у діапазоні бо від конкретних округів, штатів та країн.
ІЗ В одному варіанті здійснення винаходу виміряні дані щодо спектру грунту, які використовуються для ідентифікації переважних підмножин спектральні смуги грунту, можуть включати у себе вимірюваний діапазон від 400 нанометрів (нм) до 2500 нм. Однак певні суб- області у межах даних щодо спектру грунту можуть бути більш корисними для прогнозування властивостей конкретного грунту, аніж інші для властивостей конкретного грунту. Тому модуль 175 вибору смуги створює випадково сформовані комбінації спектральних смуг та оцінює, які комбінації спектральних смуг є більш корисні, ніж інші. Комбінація спектральних смуг являє собою сукупність менших спектральних смуг, вибраних з даних щодо спектру грунту. Модуль 175 вибору смуги створює підмножину переважних комбінацій спектральних смуг грунту для використання під час прогнозування властивостей грунту. Модуль 175 вибору смуги є більш ефективнішим при визначенні корисних комбінацій спектральних смуг грунту, коли він включає у себе історичні комбінації спектральних смуг грунту у процесі створення комбінації. Модуль 174 спектральної конфігурації являє собою модуль, який знаходить історичні комбінації спектральних смуг грунтів із попередніх сеансів прогнозування властивостей грунту. Метою модуля 174 спектральної конфігурації є функціонування як контуру зворотного зв'язку, де попередні успішні прогнози властивостей грунту та їх пов'язані з спектральними смугами комбінації, що зберігаються у централізованій базі 160 даних моделі та польових даних, використовуються для впливу на створення первісного комбінаційного набору спектральних смуг, виконаного модулем 175 вибору смуги. Додатковий опис модуля 175 вибору смуги знаходиться в розділі 5.2 МОДУЛЬ ВИБОРУ СМУГИ даного документу.
ЇВ Модуль 174 спектральної конфігурації запрограмований для запиту наборів даних властивостей грунту із централізованої бази 160 даних моделі та польових даних. В одному варіанті здійснення винаходу централізована база 160 даних моделі та польових даних зберігає попередньо сконфігуровані моделі грунту та раніше виміряні властивості грунту, на яких базуються попередньо сконфігуровані моделі грунту. Раніше виміряні набори даних щодо властивостей грунтів для конкретного географічного місцезнаходження включають у себе комбінацію спектральних смуг грунту. Модуль 176 виснаження грунту оцінює попередньо сконфігуровані моделі грунту та дані щодо спектру грунту шляхом програмного застосування методів багатовимірної регресії до однієї або декількох спектральних смуг. Методи
Зо багатовимірної регресії включають у себе, але не обмежуються перерахованим, регресію частковий найменших квадратів, регресію основної компоненти, гребеневу регресію, регресію ласо та «випадковий ліс», а також математичні базиси та/або алгоритми, котрі є корисними для програмування комп'ютера для реалізації цих методів регресії, які взагалі можна знайти в літературі В одному варіанті здійснення винаходу спосіб регресії часткових найменших квадратів відрізняє ортогональні фактори із значним впливом у межах спостережуваної спектральної дисперсії та парує ортогональні фактори із аналогічними факторами, що описують спостережувану дисперсію у межах результатів вимірів відповідної залежної змінної.
Додатковий опис способу регресії часткових найменших квадратів наведено в розділі 5.3.
МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ даного документу.
ІЗОЇ| На додаток до попередньо сконфігурованих моделей грунту можна створити локальну модель грунту, щоб забезпечувати більш пристосовану модель прогнозування властивостей грунту з використанням гіперспектральних даних (наприклад, майже проксимальних гіперспектральних даних) та фізичних зразків грунту, зібраних з конкретних місць розташування у певному географічному місцезнаходженні. Модуль 172 просторової вибірки визначає місця розташування отримання зразків у межах цільової зони для збору конкретних фізичних зразків грунту, які будуть використовуватися для створення локальної моделі грунту. Модуль 172 просторової вибірки отримує дані щодо спектру грунту від модулю 173 попередньої обробки грунту та використовує методи просторової вибірки, щоб визначити оптимальну кількість місць розташування наземного відбору проб або визначити оптимальні місця розташування для висаджування, застосування поживних речовин, проведення рекогносцировки або застосування технології спостереження за насіннєвим матеріалом для визначення внутрішньо-польових властивостей, пов'язаних із врожайністю сільськогосподарської культури та здоров'ям сільськогосподарської культури. В одному варіанті здійснення винаходу модуль 172 просторової вибірки може бути запрограмований для виконання умовного відбору зразків «латинський гіперкуб», щоб визначити місця розташування отримання зразків грунту. Інші варіанти здійснення винаходу можуть застосовувати різні методи просторової вибірки для визначення місця розташування отримання зразків грунту. Створення локальної моделі грунту детально обговорюється в розділі під назвою 5.4 ЛОКАЛЬНА МОДЕЛЬ ГРУНТУ.
І91| В одному варіанті здійснення винаходу централізована база 160 даних моделі та бо польових даних зберігає переважні набори даних властивостей грунту, визначені модулем 176 виснаження грунту. Модуль 174 спектрального конфігурації, з метою попередньої конфігурації модуля 175 вибору смуги для майбутніх моделей властивостей грунту, запрограмований для запиту централізованої бази 160 даних моделі та польових даних. (92) 2.6 ПРИКЛАД РЕАЛІЗАЦІЇ - ОГЛЯД АПАРАТНОГО ЗАБЕЗПЕЧЕННЯ
І9З| Відповідно до одного варіанта здійснення винаходу, методи, описані у даному документі, реалізуються одним або декількома обчислювальними пристроями спеціального призначення. Обчислювальні пристрої спеціального призначення можуть бути апаратно реалізовані для виконання таких методів або можуть включати у себе цифрові електронні пристрої, такі як одну або декілька спеціалізованих інтегральних схем (АБІС) або матриць логічних елементів із експлуатаційним програмуванням (ЕРОСА), які цілеспрямовано запрограмовані для виконання таких методів, або можуть включати у себе один або декілька апаратно забезпечених процесорів загального призначення, запрограмованих для виконання методів відповідно до програмних команд у вбудованому програмному забезпеченні, запам'ятовуючому пристрої, інших пристроях зберігання даних або їх комбінацій. Такі обчислювальні пристрої спеціального призначення також можуть поєднувати в собі виготовлений на замовлення апаратно реалізований логічний пристрій, АБІС або ЕРОА із виготовленим на замовлення програмуванням для виконання методів. Комп'ютерні пристрої спеціального призначення можуть бути настільними комп'ютерними системами, портативними комп'ютерними системами, мобільними пристроями, мережевими пристроями або будь-якими іншими пристроями, що включають у себе апаратно реалізовані та/або програмні логічні пристрої для реалізації цих методів.
І94| Наприклад, Фіг. 4 являє собою блок-схему, яка ілюструє комп'ютерну систему 400, на якій може бути реалізований варіант здійснення винаходу. Комп'ютерна система 400 включає у себе шину 402 або інший комунікаційний механізм для обміну інформацією, а також апаратний процесор 404, який з'єднаний з шиною 402 для обробки інформації. Апаратний процесор 404 може бути, наприклад, мікропроцесором загального призначення.
І95) Комп'ютерна система 400 також включає у себе основний запам'ятовуючий пристрій 406, такий як оперативний запам'ятовуючий пристрій (КАМ) або інший динамічний пристрій зберігання даних, з'єднаний з шиною 402 для зберігання інформації та команд, що мають
Зо виконуватись процесором 404. Основний запам'ятовуючий пристрій 406 також може бути використаний для зберігання тимчасових змінних або іншої проміжної інформації під час виконання команд, що мають виконуватись процесором 404. Такі команди, у разі зберігання на енергонезалежних носіях даних, доступних для процесора 404, перетворюють комп'ютерну систему 400 на машину спеціального призначення, яка пристосована для виконання операцій, зазначених у командах.
І96Ї Комп'ютерна система 400 додатково включає у себе постійний запам'ятовуючий пристрій (КОМ) 408 або інший статичний запам'ятовуючий пристрій, з'єднаний з шиною 402 для зберігання статичної інформації та команд для процесора 404. Для зберігання інформації та команд забезпечується і з'єднаний з шиною 402 пристрій 410 зберігання даних, наприклад, магнітний диск, оптичний диск або твердотільний накопичувач.
І97| Через шину 402 комп'ютерна система 400 може бути з'єднана з дисплеєм 412, таким як катодно-променева трубка (СКТ), для відображення інформації для користувача комп'ютера.
Пристрій 414 введення даних, включаючи літерно-цифрові та інші клавіші, з'єднаний з шиною 402 для передачі інформації та вибору команд для процесора 404. Іншим типом пристрою введення даних користувача є пристрій керування 416 курсором, такий як миша, трекбол або клавіші керування курсором для передачі інформації про напрям та вибір команд для процесора 404 та для керування переміщенням курсору на дисплеї 412. Такий пристрій введення даних зазвичай має два ступені свободи двома осями, першій осі, (наприклад, х), та другій осі, (наприклад, у), що дозволяє пристрою визначати положення в площині.
І98)| Комп'ютерна система 400 може реалізовувати описані у даному документі методи з використанням виготовленого на замовлення апаратно реалізованого логічного пристрою, одного або декількох АБІС або ЕРСА, вбудованого програмного забезпечення та/або програмного логічного пристрою, що в комбінації з комп'ютерною системою призводить або програмує комп'ютерну систему 400 до машини спеціального призначення. Згідно з одним варіантом здійснення винаходу, методи, описані у даному документі, виконуються комп'ютерною системою 400 у відповідь на виконання процесором 404 однієї або декількох послідовностей однієї або декількох команд, що містяться в основному запам'ятовуючому пристрої 406. Такі команди можуть бути зчитані до основного запам'ятовуючого пристрою 406 з іншого носія інформації, наприклад, пристрою 410 зберігання даних. Виконання послідовностей бо команд, що містяться в основному запам'ятовуючому пристрої 406 призводить до того, що процесор 404 виконує етапи способу, описані у даному документі. У альтернативних варіантах здійснення винаходу апаратно реалізовані схеми можуть використовуватися замість або в комбінації з програмними командами.
ІЗ9| Термін "носії інформації", як він використовується у даному документі, стосується будь- яких енергонезалежних носіїв даних, які зберігають дані та/або команди, які спонукають машину функціонувати певним чином. Такі носії інформації можуть містити енергонезалежні носії даних та/або енергозалежні носії даних. Енергонезалежні носії даних включають у себе, наприклад, оптичні диски, магнітні диски або твердотільні накопичувачі, такі як пристрій 410 зберігання даних. Енергозалежні носії даних включають у себе динамічний запам'ятовуючий пристрій, наприклад, основний запам'ятовуючий пристрій 406. Звичайні форми носіїв для зберігання даних включають у себе, наприклад, дискету, гнучкий диск, жорсткий диск, твердотільний накопичувач, магнітну стрічку або будь-який інший магнітний носій даних, компакт-диск, будь- який інший оптичний носій даних, будь-який фізичний носій даних із малюнком із отворів, КАМ,
РКОМ і ЕРКОМ, РГАЗН-ЕРКОМ, ММКАМ, будь-яку іншу інтегральну схему або картридж запам'ятовуючого пристрою.
ПО0І Носії для зберігання даних відрізняються від, але можуть використовуватися разом із засобами передавання даних. Засоби передавання даних беруть участь у передаванні інформації між носіями для зберігання даних. Наприклад, засоби передавання даних включають у себе коаксіальні кабелі, мідний дріт і волоконну оптику, включаючи дроти, що містять шину 402. Засоби передавання даних також можуть мати форму акустичних або світлових хвиль, наприклад, таких, що створюються під час радіохвиль та інфрачервоного передавання даних.
МО1| Різні форми носіїв даних можуть бути задіяні у забезпеченні однієї або декількох послідовностей однієї або декількох команд, що мають виконуватись процесором 404.
Наприклад, команди можуть спочатку бути перенесені на магнітний диск або на твердотільний накопичувач віддаленого комп'ютера. Віддалений комп'ютер може завантажувати команди у свій динамічний запам'ятовуючий пристрій та надсилати команди через телефонну лінію за допомогою модему. Модем, що є локальним об'єктом комп'ютерної системи 400, може отримувати дані через телефонну лінію та використовувати інфрачервоний передавач для перетворення даних на інфрачервоний сигнал. Інфрачервоний детектор може отримувати дані,
Зо що надходять у вигляді інфрачервоного сигналу, і відповідні схеми можуть розміщати дані на шині 402. Шина 402 переносить дані в основний запам'ятовуючий пристрій 406, з якого процесор 404 отримує та виконує команди. Команди, отримані основним запам'ятовуючим пристроєм 406, можуть необов'язково зберігатись на пристрої 410 зберігання даних або перед виконанням, або після виконання процесором 404.
І102| Комп'ютерна система 400 також включає у себе інтерфейс 418 обміну інформацією, з'єднаний з шиною 402. Інтерфейс 418 обміну інформацією забезпечує двоканальний обмін даними, з'єднаний із мережевим каналом 420, який підключений до локальної мережі 422.
Наприклад, інтерфейс 418 обміну інформацією може являти собою плату цифрової мережі із інтегрованими сервісами (ЗОМ), кабельний модем, супутниковий модем або модем, щоб забезпечити підключення із обміном даних до відповідного типу телефонної лінії. Як інший приклад, інтерфейс 418 обміну інформацією може бути платою локальної мережі (ГАМ), щоб забезпечити підключення до сумісної локальної мережі для обміну даними. Також можуть бути реалізовані бездротові канали. У будь-якому такому виконанні інтерфейс 418 обміну інформацією посилає та отримує електричні, електромагнітні або оптичні сигнали, що переносять цифрові потоки даних, що представляють різні типи інформації. 103) Мережева лінія 420 зазвичай забезпечує обмін даними із іншими пристроями даних через одну або декілька мереж. Наприклад, мережевий канал 420 може надавати з'єднання через локальну мережу 422 до центральної ЕОМ 424 або до обладнання обробки даних, яким керує провайдер послуг мережі Інтернет (І5Р) 426. ІЗР 426, в свою чергу, надає послуги обміну даними через глобальну мережу обміну пакетними даних, яка зазвичай називається "Інтернет" 428. Обидві - місцеві мережі 422 та Інтернет 428 - використовують електричні, електромагнітні або оптичні сигнали, що переносять цифрові потоки даних. Сигнали через різні мережі та сигнали по мережевому каналу 420 та через інтерфейс 418 обміну інформацією, які переносять цифрові дані до комп'ютерної системи 400 та від комп'ютерної системи 500, є прикладом форм засобів передавання даних. 1104) Комп'ютерна система 400 може надсилати повідомлення та отримувати дані, в тому числі програмний код керування, через мережу (мережі), мережевий канал 420 та інтерфейс 418 обміну інформацією. У прикладі із використанням Інтернету сервер 430 може передавати запитуваний код для прикладної програми через Інтернет 428, ІБР 426, локальну мережу 422 та 60 інтерфейс 418 обміну інформацією.
І105| Отриманий код може бути виконаний процесором 404, оскільки він приймається та/або зберігається у пристрої 410 зберігання даних або іншому енергонезалежному пристрої збереження даних для подальшого виконання. (106) 3. ФУНКЦІОНАЛЬНИЙ ОГЛЯД (107 31 ОЦІНЮВАННЯ ВНУТРІШНЬО-ПОЛЬОВИХ ВЛАСТИВОСТЕЙ ГРУНТУ
МО8|ФіМ. 5А являє собою блок-схему, яка описує типовий процес, реалізований із використанням комп'ютера, для оцінювання внутрішньо- польових властивостей грунтів за допомогою наявної моделі грунту та даних щодо спектру грунту, що забезпечуються одним або декількома серверами гіперспектрального дистанційного зондування. З метою ілюстрування чіткого прикладу, Фіг. БА описаний у зв'язку з певними елементами, показаними на Фіг. 1. Однак, інші варіанти здійснення винаходу відповідно до Фіг. БА можуть бути втілені у багатьох інших контекстах та посилання у даному документі на елементи Фіг. 1 є лише прикладами, які не передбачають обмеження ширшої сфери застосування відповідно до Фіг. 5А. Фіг. БА може служити як алгоритм або інструкції для програмування функціональних елементів комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних для виконання описаних зараз операцій. 1091 У блоці 505 модуль 173 попередньої обробки грунту отримує дані щодо спектру грунту як зовнішні дані 110 з серверного комп'ютера 108 зовнішніх даних. В одному варіанті здійснення винаходу дані щодо спектру грунту включають у себе отримані дистанційним зондуванням спектральні дані для конкретного географічного місцезнаходження у конкретний час та отримання даних щодо спектру грунту, що дозволяє модулю 173 попередньої обробки грунту отримувати набори даних щодо властивостей грунту з метою оцінювання властивостей грунту.
П1ТО|У блоці 510 модуль 173 попередньої обробки грунту видаляє сигнали перешкод із даних щодо спектру грунту за допомогою одного або декількох способів попередньої обробки.
Наприклад, якщо значення даних щодо спектру грунту показують випадкові пікові відхилення, що відображають ефекти розсіювання світла через нерівний грунт, тоді модуль 173 попередньої обробки грунту може визначати стандартний звичайний варіант для неопрацьованих даних щодо спектру грунту, щоб видалити випадкові пікові відхилення. Варіанти здійснення реалізованих способів попередньої обробки додатково описані у розділі 5.14 ПОПЕРЕДНЯ
ОБРОБКА ГРУНТУ даного документу. 11 У блоці 515 модуль 176 виснаження грунту запрограмований для створення моделей прогнозування на основі однієї або декількох попередньо сконфігурованих моделей грунту та оброблених спектральних діапазонів грунту, що забезпечуються модулем 173 попередньої обробки грунту. Модуль виснаження грунту спочатку знаходить відповідну попередньо сконфігуровану модель грунту у централізованій базі 160 даних моделі та польових даних.
Попередньо сконфігуровані моделі грунту являють собою раніше створені моделі виснаження грунту на основі попередніх даних щодо спектру грунту, пов'язаних з одним або кількома вимірюваними географічними місцями розташувань та попередньо вибраними спектральними смугами, забезпеченими модулем 175 вибору смуги. Створення попередньо сконфігурованих моделей грунту детально обговорюється в розділі 3.2 ПОПЕРЕДНЬО СКОНФІГУРОВАНА
МОДЕЛЬ ГРУНТУ даного документу. 112) Кожна з попередньо сконфігурованих моделей грунту, створених за допомогою модуля 176 виснаження грунту, може містити команди, дані або програми, які зберігаються в цифровому форматі в основному запам'ятовуючому пристрої або енергонезалежному пристрої зберігання, що є доступними зовнішнім системам. Модуль 176 виснаження грунту може реалізувати різні методи багатовимірної регресії для створення моделей прогнозування. Різні багатовимірні методи включають у себе, але не обмежуються перерахованим, регресію часткових найменших квадратів, «випадковий ліс», аналіз основних компонентів, часткові найменші квадрати, гребеневу регресію, ласо регресію та статистичні процедури дерева рішень та математичні базиси для програмування цих методів, які взагалі можна знайти в літературі для використання в інших контекстах. Через впровадження методу багатовимірної регресії модуль виснаження грунту може виявити латентні змінні, які можуть пояснити варіації між спектральними смугами грунту та прогнозованими властивостями грунту. Методи багатовимірної регресії обговорюються в розділі 5.3. МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ даного документу. 113 У блоці 520 модуль 176 виснаження грунту вибирає моделі прогнозування, включаючи прогностичні набори даних щодо властивостей грунтів, на основі порогового значення якості. В одному варіанті здійснення винаходу модуль 176 виснаження грунту запрограмований для визначення точності комбінацій спектральних смуг за допомогою оцінювання та перехресної бо перевірки прогнозованих наборів даних властивостей грунту. Різні методи оцінювання моделей включають у себе, але не обмежуються перерахованим, середню квадратичну похибку, середню абсолютну похибку та середню відсоткову похибку. Кожен метод оцінювання може впроваджувати різні типи способів перехресної перевірки, що включають у себе, але не обмежуються перерахованим, методи перехресної перевірки із виключенням об'єктів по одному, К-кратної перехресної перевірки та «бутстрепінгу». Методи оцінювання та перехресної перевірки обговорюються в розділі 5.3. МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ даного документу. 1141 У блоці 525 модуль 176 виснаження грунту надсилає переважні моделі прогнозування, включаючи використовувані комбінації спектральних смуг, до централізованої бази 160 даних моделі та польових даних. Централізована база 160 даних моделі та польових даних використовується модулем 174 спектрального конфігурації та модулем 175 вибору смуг як контур зворотного зв'язку для подальшого створення та калібрування попередньо сконфігурованих моделей грунту для різних географічних місць розташування. В одному варіанті здійснення винаходу переважні моделі прогнозування, створені модулем 176 виснаження грунту, можуть бути запитані обчислювальним пристроєм 104 керівника польовими роботами. (115) 3.2 ПОПЕРЕДНЬО СКОНФІГУРОВАНА МОДЕЛЬ ГРУНТУ 116) Модуль 176 виснаження грунту запрограмований для використання ідентифікованих латентних змінних у попередньо сконфігурованій моделі грунту для прогнозування властивостей грунту, пов'язаних із поточне отриманими даними спектру грунту. Попередньо сконфігуровані моделі грунтів базуються на оброблених раніше даних щодо спектру грунту, які були раніше змодельовані за допомогою модуля 176 виснаження грунту та перехресно перевірені, щоб забезпечити точність попередньо сконфігурованої моделі грунту.
П17|Фігю. 5В являє собою блок-схему, яка зображує типовий процес, реалізований із використанням комп'ютера, для створення однієї або декількох попередньо сконфігурованих моделей грунту з використанням даних щодо спектру грунту, наданих одним або декількома серверами гіперспектрального дистанційного зондування, що охоплюють кілька географічних місць знаходження та історичні моделі грунту, що зберігаються в централізованій базі 160 даних моделі та польових даних. З метою ілюстрування чіткого прикладу, Фіг. 5В описана у зв'язку з певними елементами, показаними на Фіг. 1. Однак, інші варіанти здійснення винаходу
Зо відповідно до Фіг. 5В можуть бути втілені у багатьох інших контекстах та посилання у даному документі на елементи Фіг. 1 є лише прикладами, які не передбачають обмеження ширшої сфери застосування відповідно до Фіг. 5В. Фіг. 5В може служити як алгоритм або інструкції для програмування функціональних елементів комп'ютерної системи 130 інтелектуального аналізу сільськогосподарських даних для виконання описаних зараз операцій. 118) У блоці 505 модуль 173 попередньої обробки грунту отримує дані щодо спектру грунту як зовнішні дані 110 з серверного комп'ютера 108 зовнішніх даних. Як було розібрано на Фіг. 5А, дані щодо спектру грунту можуть включати у себе отримані дистанційним зондуванням спектральні дані для конкретних географічних місць знаходження у конкретний час та отримання даних щодо спектру грунту, що дозволяє модулю 173 попередньої обробки грунту отримувати набори даних щодо властивостей грунту з метою оцінювання властивостей грунту.
П19|У блоці 510 модуль 173 попередньої обробки грунту видаляє сигнали перешкод із даних щодо спектру грунту за допомогою одного або декількох способів попередньої обробки, як це було розібрано в розділі 5.14 ПОПЕРЕДНЯ ОБРОБКА ГРУНТУ даного документу.
П2О|У блоці 512 модуль 174 спектральної конфігурації налаштовує модуль 175 вибору смуги для визначення підмножини комбінацій спектральних смуг, що буде використовуватися при створенні попередньо сконфігурованої моделі грунту. Модуль 175 вибору смуги може реалізовувати різні методи вибору смуги, що включають у себе, але не обмежуються перерахованим, випадковий вибір смуги, на який впливає історична інформація щодо смуги для пошуку підмножин спектральних смуг. Модуль 174 спектральної конфігурації запитує історичну інформацію щодо смуги, що зберігається у централізованій базі 160 даних моделі та польових даних. Модуль 174 спектральної конфігурації використовує історичну інформацію щодо смуги для попереднього вибору набору спектральних смуг, з яких модуль 175 вибору смуги починає свій процес випадкового відбору. 1211 Зусилля щодо обробки, необхідні модулю 175 вибору смуги та модулю 176 виснаження грунту, можуть бути значними, коли первісний набір вимірюваних спектральних смуг є великим.
Використання великих наборів спектральних смуг також призводить до складних моделей та можливості виявлення кількох латентних змінних, що мало пояснюють варіації між даними щодо спектру грунту та прогнозованими властивостями грунту. Видаляючи спектральні смуги, які не є корисними при визначенні латентних змінних, модуль 176 виснаження грунту запрограмований бо на формування більш простих та більш точних моделей. Історична інформація щодо смуги,
отримана за допомогою модуль 174 спектральної конфігурації, допомагає усунути спектральні смуги, які мало використовуються при визначенні латентних змінних. (1221 У блоці 514 модуль 175 вибору смуги вибирає підмножину комбінацій спектральних смуг. Методи вибору смуги можуть включати у себе, але не обмежуватись перерахованим, спосіб генетичного алгоритму, спосіб моделей всіх підмножин, спосіб послідовного пошуку, спосіб ступінчастої регресії, спосіб оптимізації групування частинок та спосіб оптимізації колонії мурах. Потім спосіб вибору смуги ітеративне вибирає підмножини спектральних смуг та оцінює вибрану комбінацію спектральних смуг. Підходи до здійснення вибору підмножин комбінацій спектральних смуг обговорюються в розділі 5.2 МОДУЛЬ ВИБОРУ СМУГИ даного документу. 1231 У блоці 515 модуль 176 виснаження грунту створює попередньо сконфігуровані моделі грунту на основі підмножини комбінацій спектральних смуг, що забезпечується модулем 175 вибору смуги. Модуль 176 виснаження грунту реалізує різні методи багатовимірної регресії для створення попередньо сконфігурованих моделей грунту. В одному варіанті здійснення винаходу модуль 176 виснаження грунту реалізує методи багатовимірної регресії, використовуючи підмножину комбінацій спектральних смуг, на даних щодо спектру грунту. 1241 У блоці 520 модуль 176 виснаження грунту вибирає попередньо сконфігуровані моделі грунту, які відповідають визначеному пороговому значенню якості. В одному варіанті здійснення винаходу модуль 176 виснаження грунту запрограмований для визначення точності комбінацій спектральних смуг, використовуючи методи перехресної перевірка. Якщо одна або декілька попередньо сконфігурованих моделей грунту перевищують порогове значення якості, виходячи з перехресної перевірки, модуль 176 виснаження грунту зберігає попередньо сконфігуровану модель грунту в централізованій базі 160 даних моделі та польових даних (блок 525) для подальших прогнозів властивостей грунту. Однак, якщо одна або декілька базових моделей не відповідають визначеному пороговому значенню якості, комбінації спектральних смуг, що використовуються для створення попередньо сконфігурованих моделей грунту, відсилаються назад до модуля 175 вибору смуги для подальшого аналізу вибору. Це служить в якості контуру зворотного зв'язку для ітеративного процесу модуля 175 вибору смуги. Потім модуль 175 вибору смуги повторює блок 514, щоб вибрати комбінації смуг, які можуть виявити більш значущі латентні змінні. Детальні відомості щодо процесу вибору комбінацій спектральних смуг
Зо обговорюються в розділі 5.2 МОДУЛЬ ВИБОРУ СМУГИ. 1251 У блоці 525 модуль 176 виснаження грунту надсилає переважні моделі прогнозування, включаючи використовувані комбінації спектральних смуг, до централізованої бази 160 даних моделі та польових даних. Далі централізована база 160 даних моделі та польових даних може мати доступ до модуля 176 виснаження грунту для визначення майбутньої моделі та властивостей грунту. (126) 4. ЗОВНІШНІ ДАНІ 127 41 ГІПЕРСПЕКТРАЛЬНІ ДАНІ 1281 Гіперспектральні дані відносяться до відображення вузьких спектральних смуг протягом послідовного діапазону спектрів. Наслідкові зображення являють собою вимірювання відбиття конкретної області протягом конкретного діапазону довжин хвиль. В одному варіанті здійснення винаходу виміряний діапазон довжин хвиль може варіюватися від 400 нм до 2500 нм. Відбиття являє собою відсоток світла, що падає та відбивається назад від грунту. Деякі матеріали відбивають певні довжини хвиль світла, а інші поглинають ті ж довжини хвиль. Тому моделі відбиття по декількох довжинах хвиль дозволяють однозначно ідентифікувати певні матеріали. Гіперспектральне дистанційне зондування передбачає, що спектри об'єкта являють собою лінійну комбінацію характеристик поглинання кожної хімічної чи фізичної складової, зваженої за його концентрацією. Багатомірний статистичний аналіз може бути використаний для співвідношення концентрації конкретних складових до спектральної абсорбції в різних смугах. 1291 В одному варіанті здійснення винаходу гіперспектральні датчики можуть бути виконані із можливістю вимірювання відбиття від різних висот й кутів. Наприклад, гіперспектральні датчики, прикріплені до супутників, можуть бути відкалібровані для обліку атмосферної корекції, тоді як гіперспектральні датчики, прикріплені до літака або дрону, можуть вимагати різного рівня калібрування.
ЗОВ іншому варіанті здійснення винаходу гіперспектральні датчики можуть бути прикріплені до сільськогосподарських машин, таких як комбайн або трактор, або наземних транспортних засобів, таких як вантажівка. У цьому випадку кут і близькість до грунту можуть вимагати різноманітних методів калібрування та можуть вимагати додаткової попередньої обробки даних для врахування перешкод. В ще одному варіанті здійснення винаходу бо гіперспектральні датчики можуть бути прикріплені до стаціонарних конструкцій, таких як будівлі,
архітектурні конструкції, або до банок висаджувача. В ще одному варіанті здійснення винаходу можуть бути переносні інструменти, такі як зонд для проведення досліджень на грунті або система тестування грунту. Приклади інструментів описані в попередніх заявках 62/110405 та 62/154207, повний зміст яких включений у даний документ, для всіх цілей, у повному обсязі шляхом посилання. (13115. КОНСТРУКТИВНІ ОСОБЛИВОСТІ ПІДСИСТЕМИ ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ
ГРУНТУ
(132) 51 ПОПЕРЕДНЯ ОБРОБКА ГРУНТУ 193) Варіанти здійснення винаходу можуть бути запрограмовані із способами попередньої обробки таким чином, щоб видаляти відхилення від спектральної інформації. Варіанти здійснення способів попередньої обробки спектру можуть включати у себе, але не обмежуватись перерахованим, згладжування даних, спектральні похідні, стандартну попередню обробку із змінною, розподіленою по нормальному закону, та абсорбцію. Наступні способи попередньої обробки можуть використовуватися окремо або спільно з іншими способами попередньої обробки, щоб видалити та зменшити шум та спотворюючі ефекти у межах даних щодо спектру грунту.
І134|Ї Конкретні області вимірюваного спектру можуть бути виключені через відомі інтерференційні ефекти. В одному варіанті здійснення винаходу такі інтерференційні ефекти можуть бути віднесені до пристрою гіперспектрального зондування. Наприклад, пристрій гіперспектрального дистанційного зондування, прикріплений до супутника, може мати перешкоди в області 1300 нм - 1450 нм та 1780 нм - 2100 нм внаслідок сильного поглинання води. Модуль 173 попередньої обробки грунту може бути виконаний із можливістю щоб виключати вищезазначені області, базуючись на конкретному пристрої зондування. Однак інший пристрій гіперспектрального дистанційного зондування може вимагати виключення області, яка охоплює 950 нм - 1000 нм через накладання на видиму область поблизу інфрачервоних та короткохвильових інфрачервоних областей. Інші пристрої гіперспектрального зондування можуть не вимагати виключення діапазонів. В одному варіанті здійснення винаходу пристрій попередньої обробки грунту може бути виконаний із можливістю ідентифікації діапазонів, що виключаються, на основі пристрою гіперспектрального зондування. 1135) В одному варіанті здійснення винаходу згладжування даних за допомогою фільтра
Савіцкі-Голай можна використовувати для зменшення випадкового шуму та вузьких пікових відхилень з вибраних спектральних смуг спектру грунту. Згладжене значення спектральної смуги розраховується шляхом визначення суми сусідніх смуг між певним діапазоном, помножене на попередньо розраховані коефіцієнти згортки. Типова функція:
Кк х пл ви , К
Жутнїй, ж Св
Не -к де х; - неопрацьоване значення спектру у смузі |, Хетоої, ї - значення згладженого спектру у смузі |, К - кількість сусідніх значень смуги на кожній стороні смуги ), а Сни - попередньо розрахований коефіцієнт згортки, який залежить від ступеню поліному, завданого кількістю сусідніх значень смуги К.
І136| Додаткові методи згладжування даних можуть бути застосовані для видалення додаткових та мультиплікативних ефектів шуму для збільшення спектральної сигнатури вибраних смуг. В одному варіанті здійснення винаходу перша похідна може бути застосована до згладженого значення спектру Хетооін,| Для того, щоб вирішувати наслідки пікового перекриття від сусідніх спектральних смуг, підвищити роздільну здатність значень спектральної смуги та видалити лінійний дрейф базової лінії. Перша похідна для хХгетооїй,; розраховується як різниця між двома спектральними точками, які є заздалегідь визначеною відстанню від Хетооїн, ): хі - Хвтооїй,) я дар -- Хвтооїй,) - дар де х) - перша похідна, а дар визначає заздалегідь визначену відстань від спектральної смуги.
І137|В одному варіанті здійснення винаходу друга похідна може бути застосована до згладженого значення спектру Хзхтооїй, ; ДЛЯ того, Щоб видалити лінійні тенденції, а також лінійне зміщення базової лінії. Друга похідна для Хетоошт, і розраховується як різниця між першою похідною двох спектральних точок, що знаходяться на заздалегідь визначеній відстані від Хетооїн, |: х ж хі з дар - хі - дар - Хвтооїй,| - дар - 2Хетооїв, | Ж Хетоої,) - дар де х"; - друга похідна для хХетооій, ), Хї - перша похідна, а дар визначає заздалегідь визначену відстань від спектральної смуги. 1938) В одному варіанті здійснення винаходу стандартна попередня обробка із змінною, розподіленою по нормальному закону (ЗММ) може бути застосована до неопрацьованих значень спектру для зменшення спотворюючого ефекту розсіювання світла. Виправлене 5ММ значення спектра може бути розраховане наступним чином:
Хетпт,| - (Х)- Х) / ві де Хепі - КОореговане значення спектру у смузі |), ху - неопрацьоване значення спектру у смузі і, х - середнє значення спектру у конкретному зразку спектру, а 5; - стандартне відхилення у конкретному зразку спектру.
І139| В одному варіанті здійснення винаходу спектральне відбиття може бути перетворене в абсорбційну здібність. Вимірювання абсорбційної здібності замість неопрацьованих значень спектрального відбиття може призвести до більш точних вимірювань різних молекул у грунті.
Значення спектрального відбиття перетворюються в значення абсорбції, використовуючи таке рівняння:
Харвоть- од 1/х; де Хавхоть) значення спектру поглинання у смузі |.
І1401 Комбінації способів попередньої обробки, описані вище, можуть бути запрограмовані в системі відповідно до Фіг. 1 таким чином, щоб застосовуватись окремо або в комбінації при визначенні різних властивостей грунту. В одному варіанті здійснення винаходу способи згладжування даних можуть бути застосовані для визначення концентрації калію у певному зразку грунту. В одному варіанті здійснення винаходу перша спектральна похідна може бути застосована до значення спектру після згладження для визначення концентрації сірки у певному зразку грунту. В іншому варіанті здійснення винаходу друга спектральна похідна може бути застосована до значення спектру після згладження для визначення концентрацій фосфору та натрію. В ще одному варіанті здійснення винаходу спосіб стандартної змінної, розподіленої по нормальному закону, може бути використаний для визначення концентрації азоту та рн буферу у певному зразку грунту. В іншому варіанті здійснення винаходу можна застосувати перетворення абсорбції для визначення концентрації органічної речовини, концентрації
Зо катіонообмінної здатності грунту, концентрації кальцію та концентрації магнію у певному зразку грунту. (141 5.2 МОДУЛЬ ВИБОРУ СМУГИ
І142| Модуль 175 вибору смуги може бути запрограмований або виконаний із можливістю визначення підмножини комбінацій спектральних смуг, найбільш корисних для прогнозування властивостей конкретного грунту. Методи вибору смуги включають у себе, але не обмежуються перерахованим: спосіб генетичного алгоритму, спосіб моделей всіх підмножин, спосіб послідовного пошуку, спосіб ступінчастої регресії, спосіб оптимізації групування частинок та спосіб оптимізації колонії мурах. 143|В одному варіанті здійснення винаходу модуль 175 вибору смуги може бути запрограмований або виконаний із можливістю використовувати генетичний алгоритм для пошуку та визначення можливих комбінацій спектральних смуг. Генетичний алгоритм являє собою адаптивний евристичний алгоритм пошуку на основі еволюційних ідей природного відбору та генетики. Модуль 175 вибору смуги може бути запрограмований або сконфігурований із методом довільного вибору діапазону, а також із використанням історичної інформації для направлення пошуку підмножини спектральних смуг. Модуль 175 вибору смуги може бути запрограмований або виконаний із можливістю виконання етапів вибору первісного набору популяції, створення набору вторинного продукту з набору популяції, зміни вторинного набору через введення мутацій, а потім оцінки мутації вторинного набору, щоб визначити, які комбінації смуг можуть бути корисними для прогнозування властивостей конкретного грунту. 1441 Фіг. 6 зображує варіант здійснення генетичного алгоритму так, як він застосовується для визначення переважних комбінацій спектральних смуг. На етапі 602 модуль вибору смуги 175 вибирає для оцінювання набір популяції потенційних комбінацій спектральних смуг. Набір популяції складається 3 однієї або декількох генетичних послідовностей. Генетична послідовність відповідає експериментальному стану, який у цьому випадку являє собою комбінацію спектральних смуг по вимірюваному спектру грунту. Тут генетична послідовність являє собою бінарну послідовність генів, де кожен ген відповідає конкретній спектральній смузі.
Бінарна послідовність генів складає повний виміряний спектр грунту, де значення "1" для гену може означати, що конкретна смуга розглядається як частина конкретної комбінації спектральних смуг, представленої цією конкретною генетичною послідовністю. Значення "0" для гена може означати, що конкретна смуга не є частиною конкретної комбінації спектральних смуг, яка складається з конкретної генетичної послідовності. В одному варіанті здійснення винаходу набір популяції може складатися з набору з 300 генетичних послідовностей. У інших варіантах здійснення винаходу, кількість генетичних послідовностей, що складають популяцію, може мінятися.
І145| На етапі 604 модуль 175 вибору смуги з набору популяції створює вторинний набір.
Вторинний набір є похідним від набору популяції та розглядається як наступне поколінням набору популяції. Вторинний набір містить множину зміщених послідовностей. Зміщені послідовності створюються шляхом обміну властивостями між двома випадкове спарованими генетичними послідовностями з набору популяції. Спаровані генетичні послідовності обмінюються властивостями шляхом випадкового призначення бінарного значення для кожного гена з однієї із спарованих генетичних пар. Таким чином, вторинний набір дозволяє застосовувати нові умови експерименту шляхом змішування бінарних значень, що відповідають різним вибраним спектральним смугам. Наприклад, Фіг. 7 зображує створення двох зміщених генетичних послідовностей генерації С та О з послідовностей популяції А та В. Умовна позначка 17102 зображує генетичну послідовність зразку, що складається з 7 генів, де кожен ген відображує діапазон 100 нм, починаючи з 401 нм і закінчуючи 1100 нм. Блочний елемент 704 показує послідовності для А та В, де А - "1010101", а В - "1001110". Створення вторинного продукту з А та В передбачає випадковий вибір гену або від А, або від В для створення послідовностей зміщення. Блочний елемент 706 зображує дві зміщених послідовності, де гени, що складають с, були випадково вибрані з А та В, а гени, що складають 0, є генами, які не були обрані для С.
Тут С закінчується послідовністю "1011111", а О закінчується послідовністю "1000100".
І146| На етапі 606 модуль вибору смуги 175 з вторинного набору створює набір мутації.
Набір мутації складається із зміщених послідовностей з вторинного набору, проте мутації застосовуються до генів, які складають зміщені послідовності, щоб імітувати випадкову пертурбацію. В одному варіанті здійснення винаходу мутації до зміщених послідовностей є випадковими і можуть впливати чи не впливати на кожну зміщену послідовність в наборі мутації.
Оскільки кожен ген складається з спектральних смуг, кожна з яких означає конкретний діапазон довжин хвиль, мутація може змінити діапазон довжин хвиль конкретної спектральної смуги.
Наприклад, якщо конкретна спектральна смуга, представлена геном Х, охоплює діапазон 550 нм - 650 нм, то мутація може змінювати спектральну смугу таким чином, що діапазон буде лише 575 нм - 650 нм. Як альтернатива, мутація може змінити охоплення за рахунок гена Х таким чином, що діапазон становитиме 550 нм - 690 нм. В ще одному варіанті здійснення винаходу мутація може змінити охоплення за рахунок гена Х таким чином, що охоплення включатиме у себе діапазони 550 нм - 600 нм та 620 нм - 650 нм. 147|На етапі 608 модуль вибору смуги 175 вибирає бажану підмножину спектральних комбінацій. Модуль 175 вибору смуги оцінює послідовності у межах набору мутації для вибору підмножини послідовностей, які можуть призвести до бажаних моделей властивостей грунту.
Набір мутації оцінюється за кількісним критерієм, який визначає, яка з окремих комбінацій спектральних діапазонів є переважною.
І148) В одному варіанті здійснення винаходу етапи створення набору популяції, вторинного набору, набору мутації та оцінювання набору мутації можуть бути повторені на основі конкретних порогових значень якості. Конкретні порогові значення якості можуть базуватися на значеннях ЕМЗЕСУ. В одному варіанті здійснення винаходу, якщо набір мутації не відповідає конкретним пороговим значенням якості, то набір мутації може бути ітеративне повторно обробленим і новий набір мутації може бути зроблений на основі повторення етапів 604 і 606. 149|В одному варіанті здійснення винаходу модуль 175 вибору смуги може бути запрограмований для використання способу моделей всіх підмножин для визначення конкретних комбінацій спектральних смуг. Спосіб моделей всіх підмножин являє собою метод, який складається з того, що спочатку створюються всі можливі комбінації спектральних смуг грунту. Потім відбувається оцінювання моделей грунту, створених за допомогою кожної з можливих комбінацій спектральних смуг. 150 В іншому варіанті здійснення винаходу, модуль 175 вибору смуги може реалізувати спосіб послідовного пошуку. Спосіб послідовного пошуку спрямований на пошук оптимальних підмножин комбінації спектральних смуг, починаючи з первісної підмножини змінних, а потім замінюючи одну змінну за один раз для визначення оптимальної моделі даних. У цьому контексті, модуль 175 вибору смуги спочатку повинен розпочати із первісної комбінації спектральної смуги, а потім оцінити створену з нього модель грунту. Потім модуль 175 вибору бо смуги замінює одну спектральну смугу за один раз та оцінює створені моделі для визначення оптимальної комбінації спектральних смуг. (151) 5.3 МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ
І152| Модуль 176 виснаження грунту реалізує процес визначення комбінацій сигнатур спектральних смуг з комбінацій спектральних полів грунту, що надсилаються або з модуля 173 попередньої обробки грунту, або з модуля 175 вибору смуги. В одному варіанті здійснення винаходу модуль 176 виснаження грунту отримує комбінації спектральних смуг від модуля 175 вибору смуги з метою створення попередньо сконфігурованої моделі грунту. В іншому варіанті здійснення винаходу модуль 176 виснаження грунту отримує комбінації спектральних смуг від модуля 173 попередньої обробки грунту та історичні результати вимірювання властивостей грунту від наземного контролю даних з метою прогнозування набору властивостей грунту при вимірюваному географічному місці розташування.
І153|Ї Комбінація сигнатур спектральної смуги являє собою комбінацію, яка найбільш корисна для прогнозування властивостей конкретного грунту. Тому набір комбінацій сигнатур спектральних смуг може бути використаний для прогнозування набору властивостей у межах грунту. Модуль 176 виснаження грунту може застосовувати декілька методів для визначення сигнатур спектральних смуг, що включають у себе, але не обмежуються перерахованим, алгоритм регресії часткових найменших квадратів, алгоритм «випадковий ліс», регресію основної компоненти, часткові найменші квадрати, гребеневу регресію, ласо регресію та статистичні процедури дерева рішень.
І154|В одному варіанті здійснення винаходу модуль 176 виснаження грунту реалізує моделювання регресії часткових найменших квадратів на отриманих комбінаціях спектральних смуг. Регресія часткових найменших квадратів (РЗК) являє собою спосіб моделювання відносин між наборами спостережуваних змінних за допомогою латентних змінних. В одному варіанті здійснення винаходу спостережувані змінні можуть включати у себе виміряні спектральні довжини хвилі грунту з комбінацій спектральних смуг. Латентні змінні являють собою ортогональні фактори із значним впливом у межах спостережуваної спектральної дисперсії грунту. Ортогональні фактори із значним впливом характеризуються відповідністю ортогональних факторів із значним впливом до аналогічних факторів, що описують спостережувану дисперсію у межах результатів вимірювань відповідних залежних змінних.
Зо РІ ЗК складається з власних декомпозицій спектральної матриці грунту (5, матриці властивостей грунту (Ю, матриць кількісних показників та разом через регресію:
Х-ТР'ЯЕ уУ-ПОТАЕ у-тВв де Е та Е є залишковими матрицями, Р та о є матрицями навантаження та В є коефіцієнтом регресії. Матриці кількісних показників Т та ШО являють собою набори даних потенційних латентних змінних, отриманих з матриць Х та У, де Т - це оціночна матриця для Х, а ш - оціночна матриця для У. Тоді Т використовується для прогнозування значень в , що потім використовується для побудови прогнозів для значень у матриці У властивостей грунту. Кожен стовпець з та являє собою пару латентних змінних, які послідовно отримуються через ітераційну процедуру, засновану на нелінійному ітераційному алгоритмі часткових найменших квадратів. (1551) Результат виявлення латентних змінних допомагає пояснити різницю між комбінаціями спектральних смуг грунту та властивостями грунту. Результати являють собою підмножину моделей, які визначають індивідуальний набір комбінацій сигнатур спектральних смуг, які можуть бути використані для прогнозування грунту. В одному варіанті здійснення винаходу набір комбінацій сигнатур спектральних смуг може включати у себе одну або декілька смуг, які відрізняються за розміром і значенням у порівнянні з іншими смугами в комбінації сигнатур спектральних смуг. Наприклад, смуга А може мати більше значенням, ніж смуги В та С у комбінації сигнатур спектральних смуг.
І156|В іншому варіанті здійснення винаходу модуль 176 виснаження грунту реалізує алгоритм «випадковий ліс». Алгоритм «випадковий ліс» - це спосіб вивчення множини для регресійного аналізу, який діє шляхом побудови декількох дерев прийняття рішень протягом періоду навчання, а потім виводить клас, який є середньою регресією окремих дерев. Середня регресія складається з результуючого набору латентних змінних, що пояснює різницю між спектральними смугами грунту та властивостями грунту.
І157| В ще одному варіанті здійснення винаходу модуль 176 виснаження грунту реалізує моделювання регресія основної компоненти на отриманих комбінаціях спектральних смуг.
Регресія основної компоненти (РСК) являє собою метод аналізу багатовимірної регресії, який базується на аналізі основної компоненти. Аналіз основної компоненти являє собою статистичну процедуру, яка використовує ортогональні перетворення для перетворення набору вимірюваних змінних, в цьому контексті, спектральних смуг грунту, у кількісні показники на латентних змінних, що називаються основними компонентами. Потім РСК застосовує модель лінійної регресії до основних компонентів, щоб прогнозувати кореляції між спостережуваними спектральними смугами грунту та властивостями грунту. 1588 ще одному варіанті здійснення винаходу модуль 176 виснаження грунту може реалізувати гребеневу регресію або ласо (найменший абсолютний оператор усадки та оператор вибору) регресію, де спостережувані змінні включають у себе спектральні смуги грунту.
Гребенева регресія та ласо регресія є двома різними типами методів для аналізу множинної регресії даних, що страждають від колінеарності. Колінеарність являє собою існування майже лінійних зв'язків між незалежними змінами, що може створити неточні оцінювання коефіцієнтів регресії. Впроваджуючи гребеневу регресію або ласо регресію, модуль 176 виснаження грунту здатний ввести ступінь зміщення до оцінок регресії, тим самим зменшуючи можливі похибки у прогнозах властивостей грунту.
І159| Для того, щоб визначити, чи підмножина моделей, створених за допомогою методів багатовимірної регресії описаних вище, що є корисними моделями для прогнозування властивостей грунту, кожна з моделей проходить перехресну перевірку з використанням даних щодо грунту, якім були відомі властивості грунту. Перехресна перевірка передбачає оцінку набору комбінацій сигнатур спектральних смуг, що використовуються в кожній моделі, шляхом визначення кореляції між даними щодо спектру грунту від комбінації сигнатур спектральної смуги та властивостями грунту. Методи оцінювання моделей передбачення включають у себе, але не обмежуються перерахованим, середню квадратичну похибку, середню абсолютну похибку та середню відсоткову похибку. Кожен метод оцінювання може впроваджувати різні типи способів перехресної перевірки, що включають у себе, але не обмежуються перерахованим, методи перехресної перевірки із виключенням об'єктів по одному, К-кратної перехресної перевірки та «бутстрепінгу».
І160|В одному варіанті здійснення винаходу модуль 176 виснаження грунту реалізує
Зо середню квадратичну перехресної перевірки із виключенням об'єктів по одному, коли прогнози властивостей грунту оцінюється з урахуванням зразків грунту, фізично зібраних та проаналізованих. В одному варіанті здійснення винаходу для того, щоб визначити, чи є набір комбінацій сигнатур спектральних смуг точним для прогнозування грунту, набір комбінацій сигнатур спектральних смуг перехресне перевіряється. В одному варіанті здійснення винаходу моделі які визначають кожну конкретну комбінацію сигнатур спектральних смуг, порівнюють за умовами середньої квадратичної похибки перехресної перевірки із виключенням об'єктів по одному (ЕМ5ЕСМ). КМ5ЕСМ може здійснювати перехресна перевірка вибраних моделей, порівнюючи їх прогностичні значення набору даних із спостереженими значеннями з фізично зібраного та проаналізованої грунту. При застосуванні КМ5ЕСМ кожна модель створюється з даних щодо спектру грунту, за винятком результату вимірювання одного елементу даних.
Виключивши результат вимірювання одного елементу даних КМ5ЕСМ може визначити, чи може конкретна модель точно передбачити властивостей грунту з пропущеної точки даних. В одному варіанті здійснення винаходу модуль 176 виснаження грунту виконаний з можливістю або запрограмований для обчислення КМ5ЕСМ за допомогою команд, які реалізують вираз: т 1 ст
ЕМУЕСИ - Хе - У п 1-1 г де п - кількість загальних спостережень, уї - вимірюване значення зразку грунту, а ЛУ є прогнозованою величиною з оціночної моделі. В одному варіанті здійснення винаходу якість кількісних показників КМ5ЕСМ може відрізнятися залежно від прогнозованої властивості конкретного грунту.
І161|В іншому варіанті здійснення винаходу модуль 176 виснаження грунту може реалізувати середню абсолютну похибку для оцінювання моделей прогнозування. Середня абсолютна похибка використовується для вимірювання того, наскільки прогнози властивостей грунту близькі до фактичних виміряних властивостей грунту. Середня абсолютна похибку є середніми абсолютними помилками між прогнозом та наземним контролем даних.
І162|В іншому варіанті здійснення винаходу модуль 176 виснаження грунту може реалізувати середню відсоткову похибку для оцінювання моделей прогнозування. Середня відсоткова похибка використовується для обчислення середніх відсоткових помилок між прогнозом властивостей грунту та фактичними значеннями.
І163)| Модуль 176 виснаження грунту може впроваджувати різні способи перевірки спільно із способами оцінювання, описаними вище. Перехресної перевірки із виключенням об'єктів по одному означає перехресну перевірку даних щодо спектру грунту, використовуючи один набір даних для перевірки моделі, створеної іншими наборами даних. К-кратна перехресна перевірка являє собою метод перехресної перевірки, коли виміряні вихідні дані щодо спектру грунту поділяються на К рівних суб-виборок. З суб-виборок К один набір зберігається для цілей перевірки, а решта К-1 суб-виборок використовуються для прогнозування моделі. «Бутстраппінг» являє собою практика оцінювання властивостей оцінювача, причому в даному випадку оцінювачем є створена модель грунту. Такі властивості проходять перехресну перевірку шляхом вимірювання цих властивостей при відборі вибірки з апроксимуючого розподілення. (164) 5.4 ЛОКАЛЬНА МОДЕЛЬ ГРУНТУ
І165| Попередньо сконфігуровані моделі грунту являють собою моделі, які можуть бути використані для прогнозування властивостей грунту для декількох полів і можуть бути побудовані із використанням гіперспектральних даних, без необхідності використання фізичних зразків грунту. Проте, локальні моделі грунту, створені за допомогою гіперспектральних даних і набору фізичних зразків грунту, можуть забезпечити більш точні моделі, пристосовані до конкретного географічного місцезнаходження. Географічне місцезнаходження може включати у себе, але не обмежуються перерахованим, райони, що складаються з земельних ділянок, виміряних за площею. Конкретний земельна ділянка може включати у себе різні типи грунтів у різних частинах земельної ділянки. Наприклад, північно-західна частина земельної ділянки може містити дуже мало органічних речовин і, отже, мати низький рівень родючості, однак південно-східна частина земельної одиниці може мати такі властивості грунту, що роблять грунт дуже родючим. Попередньо сконфігуровані моделі грунту, побудовані з використанням гіперспектральних датчиків із супутників, не можуть вирішити властивостей грунту на такому гарному рівні, тому вони схильні створювати моделі, що базуються на середніх даних спектра для всієї земельної ділянки та сусідніх земельних ділянок. Для того, щоб створити більш точні моделі грунту для кожної земельної ділянки, дані щодо грунту повинні збиратися ближче, аніж дані із супутників або інших повітряні засобів.
І166| В одному варіанті здійснення винаходу спектральні дані щодо грунту можуть бути зібрані в електронному вигляді за допомогою цифрових електронних датчиків, які прикріплені до наземних транспортних засобів або датчиків, що є частиною портативних пристроїв. Датчики, такі як гіперспектральні датчики, прикріплені до сільськогосподарського обладнання, здатні захоплювати та зберігати в цифровій формі дані щодо спектру грунту з роздільною здатністю 10 метрів або менше через їх близькість до грунту. На відміну від попередньо сконфігурованих моделей грунту, створених за допомогою лише гіперспектральних даних із супутників, більш точні локальні моделі грунту можуть бути створені на основі даних щодо спектру грунту та фізичних зразків грунту, зібраних у географічному місцезнаходженні, яке представляє інтерес.
І167|В одному варіанті здійснення винаходу фізичні зразки грунту аналізуються для складання їх властивостей грунту, а потім співвідносяться з даними щодо спектру грунту за допомогою методів багатовимірної регресії, як це описано в розділі 5.3 МОДУЛЬ ВИСНАЖЕННЯ
ГРУНТУ. (1681 Збір фізичних зразків грунту для даної земельної ділянки може бути дорогим і трудомістким процесом. Для того, щоб ефективно збирати та використовувати необхідну кількість фізичних зразків грунту для створення локальної моделі грунту, методи збору зразків грунту зосереджуються на отриманні невеликого набору зразків грунту, які є репрезентативними для повного спектру грунтового складу для даного географічного місцезнаходження.
І169|Фім. 8 являє собою блок-схема, яка зображує типовий процес, реалізований із використанням комп'ютера, для створення та калібрування однієї або декількох локальних моделей грунту для конкретного географічного місцезнаходження з використанням даних щодо спектру грунту та одного або кількох фізично зібраних та проаналізованих зразків грунту. Фіг. 8 може використовуватися як алгоритм, що забезпечує основи для програмування комп'ютера, що включають у себе модуль попередньої обробки грунту, описаний у даному документі, для виконання функцій, описаних у цьому розділі.
І170| На етапі 805 модуль 173 попередньої обробки грунту видаляє сигнали перешкод із бо отриманих даних щодо спектру грунтів для конкретної земельної ділянки. Наприклад,
гіперспектральні датчики, прикріплені до наземних транспортних засобів, використовуються для збору даних щодо спектру грунтів за допомогою переміщення по всій земельній ділянці. Зібрані дані щодо спектру грунту обробляються модулем 173 попередньої обробки грунту . В одному варіанті здійснення винаходу модуль 173 попередньої обробки грунту отримує: дані щодо спектру грунту; інформацію щодо того, який тип датчика був використаний для збору даних щодо спектру грунту; і на якій висоті дані щодо спектру грунту були отримані. Метою отримання інформації щодо датчика та даних щодо висоти є визначення того, які методи попередньої обробки необхідно застосовувати до гіперспектральних даних, щоб видалити будь-які сигнали перешкод. 1711 На етапі 810 модуль 172 просторової вибірки визначає місця розташування отримання зразків грунту у межах конкретної земельної ділянки за допомогою методів просторової вибірки на отриманих даних щодо спектру грунту. В одному варіанті здійснення винаходу методи просторової вибірки можуть включати у себе, але не обмежуватись перерахованим, умовний відбір зразків «латинський гіперкуб». Умовний відбір зразків «латинський гіперкуб» використовується для визначення конкретних місць розташування у межах земельної ділянки, що забезпечує репрезентативний відбір проб по всьому діапазоні грунтів. 1721 Відбір зразків «латинський гіперкуб» являє собою метод створення вибірки випадкових змінних від багатовимірних розподілень. Умовний відбір зразків «латинський гіперкуб» (сі НБ) являє собою метод для створення вибірки випадкових змінних, які охоплюють діапазон значень кожного з коваріатів шляхом максимального розшарування безумовного розподілення. сі Н5 передбачає відбір зазначеної кількості значень «п» із заданого розподілення кожного з коваріатів «хі, Х2, Хз ... Хе», де «К» - це число коваріатів. Потім розподілення кумулятивних вірогідностей для кожної коваріативної змінної поділяється на "п" рівномірних інтервалів.
Значення випадковим чином вибирається з кожного рівномірного інтервалу. Значення "п", обрані для кожної коваріативної змінної, потім узгоджуються випадково зі значеннями інших коваріаційних змінних. Таким чином, створюється багатоваріантне розподілення для Х місць для отримання зразків грунтів, що максимально розшароване.
П 731 Фіг. 9 являє собою варіант здійснення конкретної земельна ділянка, на якій модуль 172 просторової вибірки визначає місця розташування отримання зразків у межах конкретної
Зо земельної ділянки. Земельна ділянка 905 відображає конкретну земельну ділянку. Земельна ділянка може базуватися на визначених земельних ділянках загального користування або може базуватися на одній або декількох визначених фермерських володіннях. Місцезнаходження 910 зразку грунту зображує приклад декількох місцезнаходжень грунту, вибраних у межах земельної ділянки 605 для збору наземних зразків. 174) На етапі 815 модуль 176 виснаження грунту отримує дані щодо властивостей грунту, через отримання зразків грунту, від джерела, що фізично відібрав зразок грунту з конкретних місць розташування, визначених на етапі 810. В одному варіанті здійснення винаходу дані щодо властивостей грунту отриманих зразків грунту складаються з даних, які були проаналізовані для визначення конкретних рівнів щодо властивостей грунту, присутніх у вказаних місцях розташування відбору проб грунту.
І175|На етапі 820 модуль 176 виснаження грунту створює локальну модель грунту, використовуючи отримані дані щодо властивостей грунту зразків грунту, щоб співвіднести властивості конкретного грунту з даними щодо спектру грунту, отриманими від модуля 173 попередньої обробки грунту. В одному варіанті здійснення винаходу модуль 176 виснаження грунту використовує властивості грунту, виявлені з даних щодо зразків грунту, для виявлення та калібрування латентних змінних під час аналізу багатовимірної регресії та створення локальної моделі грунту. Подальше детальне обговорення багатоваріантної регресії наведено у розділі 5.3 під назвою МОДУЛЬ ВИСНАЖЕННЯ ГРУНТУ.
І176| На етапі 825 модуль 176 виснаження грунту зберігає один або декілька створених локальних модулів грунту у централізованій базі 160 даних моделі та польових даних. В одному варіанті здійснення винаходу збережена локальна модель грунту може бути використана для прогнозування властивостей грунту для конкретного географічного місцезнаходження, на якому базується локальна модель грунту. В іншому варіанті здійснення винаходу збережена локальна модель грунту може бути використана для навчання та калібрування одного або декількох попередньо сконфігурованих моделей грунту, які охоплюють відповідний регіон або географічне місцезнаходження. Модуль 172 просторової вибірки та/"або модуль 176 виснаження грунту також можуть бути запрограмовані для визначення оптимальних місць розташування для висаджування, застосування поживних речовин, проведення рекогносцировки або застосування технології спостереження за насіннєвим матеріалом для визначення внутрішньо-польових бо властивостей, пов'язаних із врожайністю сільськогосподарської культури та здоров'ям
Зо сільськогосподарської культури. Вихідні дані, що стосуються оптимальних місць розташування, можуть відображатися на карті грунту окремо або з даними рекомендацій.
І177| У вищезгаданому описі, варіанти здійснення винаходу були описані з посиланням на численні конкретні деталі, які можуть відрізнятися від одного варіанту реалізації до іншого варіанту реалізації. Відповідно, опис та графічні матеріали розглядаються в ілюстративному, а не обмежувальному значенні. Єдиним та винятковим показником обсягу даного винаходу, а також того, що заявники розглядають як обсяг даного винаходу, є буквальним та еквівалентним обсягом сукупності пунктів формули винаходу, викладених у цій заявці, у конкретній формі, в якій такі пункти формули винаходу видані, включаючи будь-яке подальше виправлення.

Claims (30)

ФОРМУЛА ВИНАХОДУ
1. Спосіб оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування, що включає у себе етапи, на яких: отримують, із використанням модуля попередньої обробки грунту, в серверній комп'ютерній системі один або декілька записів даних щодо спектра грунту від гіперспектральних датчиків, що представляють середній спектр грунту конкретного географічного місцезнаходження визначеної ділянки землі; видаляють, із використанням модуля попередньої обробки грунту, сигнал перешкод з одного або декількох записів даних щодо спектра грунту для створення однієї або декількох спектральних смуг грунту, при цьому сигнали перешкод включають у себе принаймні одне з: ефект зміщення базової лінії, відхилення частинок та неоднорідність поверхні; прогнозують, із використанням модуля виснаження грунту, множину наборів даних щодо властивостей грунту на основі однієї або декількох спектральних смуг грунту; вибирають, із використанням модуля виснаження грунту, один або декілька наборів даних щодо властивостей конкретного грунту із множини наборів даних щодо властивостей грунту, щоб відобразити властивості грунту конкретного географічного місцезнаходження на основі кількісних показників якості, при цьому набори властивостей конкретного грунту включають у себе дані щодо властивостей та дані спектральної смуги для спектральних смуг, які Зо використовуються для визначення даних щодо властивостей; надсилають, із використанням модуля виснаження грунту, один або декілька наборів даних властивостей конкретного грунту до централізованої бази даних для створення припису щодо сільськогосподарської культури, що включає у себе рекомендовану лінію гібридного насіння та щільність популяції.
2. Спосіб за п. 1, який включає у себе отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до аеротехнічного обладнання.
3. Спосіб за п. 1, який включає у себе отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до рухомого наземного обладнання.
4. Спосіб за п. 1, який включає у себе отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до стаціонарного обладнання.
5. Спосіб за п. 1, який відрізняється тим, що видалення сигналів перешкод включає у себе розрахунок набору ковзних середніх з однієї або декількох підмножин одного або декількох записів даних щодо спектра грунту, при цьому кожна ковзна середня є сумою підмножин сусідніх записів щодо спектра грунту, помножена на розрахований коефіцієнт згортки.
6. Спосіб за п. 5, який відрізняється тим, що видалення сигналів перешкод додатково включає у себе обчислення похідної від кожної ковзної середньої за заданою відстанню смуги.
7. Спосіб за п. 5, який відрізняється тим, що видалення сигналів перешкод додатково включає у себе обчислення другої похідної від кожної ковзної середньої за заданою відстанню смуги.
8. Спосіб за п. 1, який відрізняється тим, що видалення сигналів перешкод додатково включає у себе обчислення стандартного нормального розподілу, у заданій спектральній смузі, для одного або декількох записів даних щодо спектра грунту, при цьому стандартний нормальний розподіл, у заданій спектральній смузі є різницею неопрацьованого спектрального значення та усередненого спектрального значення по заданому спектру зразка, поділеною на стандартне відхилення заданого спектра зразка.
9. Спосіб за п. 1, який відрізняється тим, що видалення сигналів перешкод додатково включає у себе розрахунок значень абсорбції одного або декількох записів даних щодо спектра грунту, при цьому значення абсорбції дорівнюють логарифмічній функції зворотної величини одного або декількох записів даних щодо спектра грунту.
10. Спосіб за п. 1, який відрізняється тим, що прогнозування наборів даних щодо властивостей бо грунту, основане на одній або декількох спектральних смугах грунту, додатково включає у себе:
конфігурацію, із використанням модуля спектральної конфігурації, модуля вибору смуги для використання заданого набору спектральних смуг грунту для вибору підмножини спектральних смуг грунту; вибір, із використанням модуля вибору смуги, підмножини спектральних смуг грунту для оцінювання властивостей грунту; та прогнозування, із використанням модуля виснаження грунту, набору даних щодо властивостей грунту на основі підмножини спектральних смуг грунту.
11. Спосіб за п. 10, який відрізняється тим, що вибір підмножини спектральних смуг грунту включає у себе: вибір набору популяції випадково сформованих комбінацій спектральних смуг; створення вторинного набору шляхом обміну властивостями з набором популяції випадково сформованих комбінацій спектральних смуг; створення набору мутації шляхом зміни властивостей кожного з вторинного набору для імітації випадкової пертурбації; вибір підмножини спектральних смуг грунту з набору мутації, при цьому вибір грунтується на попередньо сконфігурованому наборі спектральних смуг грунту.
12. Спосіб за п. 1, який відрізняється тим, що прогнозування наборів даних властивостей грунту включає у себе: отримання даних щодо властивостей грунтів на основі одного або декількох наземних зразків грунту з одного або декількох місць розташування, визначених у межах конкретного географічного місцезнаходження, при цьому одне або декілька місць розташування визначені із використанням просторової вибірки з однієї або декількох спектральних смуг грунту.
13. Спосіб за п. 1, який відрізняється тим, що прогнозування наборів даних властивостей грунту включає у себе: обчислення регресії часткових найменших квадратів, встановленої між першою матрицею та другою матрицею; при цьому перша матриця складається з власних декомпозицій спектральних значень одного або декількох записів даних щодо спектра грунту, а друга матриця складається з властивостей грунту; Зо визначення однієї або декількох латентних змінних з набору регресії часткових найменших квадратів; створення наборів даних властивостей грунту з використанням однієї або декількох латентних змінних для прогнозування значень у наборах даних властивостей грунту.
14. Спосіб за п. 1, який відрізняється тим, що вибір одного або декількох наборів даних властивостей грунту включає у себе: розрахунок кількісних показників якості для наборів даних щодо властивостей грунту; при цьому кількісні показники якості є середньою квадратичною похибкою; при цьому квадратична похибка є сумою різниці між прогнозованими значеннями набору даних щодо властивостей грунту та спостережуваними значеннями наборів даних щодо властивостей грунту.
15. Спосіб за п. 1, який додатково включає у себе: надсилання, із використанням модуля виснаження грунту, одного або декількох наборів даних властивостей конкретного грунту до модуля спектральної конфігурації, та налаштовування модуля вибору смуги з використанням набору даних властивостей конкретного грунту.
16. Енергонезалежний носій для зберігання даних, що зберігає команди, які, при виконанні одним або декількома обчислювальними пристроями, спонукають один або декілька обчислювальних пристроїв до: отримання, із використанням модуля попередньої обробки грунту, в серверній комп'ютерній системі одного або декількох записів даних щодо спектра грунту від гіперспектральних датчиків, що представляють середній спектр грунту конкретного географічного місцезнаходження визначеної ділянки землі; видалення, із використанням модуля попередньої обробки грунту, сигналів перешкод з одного або декількох записів даних щодо спектра грунту для створення однієї або декількох спектральних смуг грунту, при цьому сигнали перешкод включають у себе принаймні одне з: ефект зміщення базової лінії, відхилення частинок та неоднорідність поверхні; прогнозування, із використанням модуля виснаження грунту, множини наборів даних щодо властивостей грунту на основі однієї або декількох спектральних смуг грунту; вибору, із використанням модуля виснаження грунту, одного або декількох наборів даних щодо властивостей конкретного грунту із множини наборів даних щодо властивостей грунту, щоб бо відобразити властивості грунту конкретного географічного місцезнаходження на основі кількісних показників якості, при цьому набори властивостей конкретного грунту включають у себе дані щодо властивостей та дані спектральної смуги для спектральних смуг, які використовуються для визначення даних щодо властивостей; надсилання, із використанням модуля виснаження грунту, одного або декількох наборів даних властивостей конкретного грунту до централізованої бази даних для створення припису щодо сільськогосподарської культури, що включає у себе рекомендовану лінію гібридного насіння та щільність популяції.
17. Енергонезалежний носій для зберігання даних за п. 16, що додатково зберігає команди, які, при виконанні одним або декількома обчислювальними пристроями, спонукають один або декілька обчислювальних пристроїв до отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до аеротехнічного обладнання.
18. Енергонезалежний носій для зберігання даних за п. 16, що додатково зберігає команди, які, при виконанні одним або декількома обчислювальними пристроями, спонукають один або декілька обчислювальних пристроїв до отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до рухомого наземного обладнання.
19. Енергонезалежний носій для зберігання даних за п. 16, що додатково зберігає команди, які, при виконанні одним або декількома обчислювальними пристроями, спонукають один або декілька обчислювальних пристроїв до отримання одного або декількох записів даних щодо спектра грунту з гіперспектральних датчиків, які прикріплені до стаціонарного обладнання.
20. Енергонезалежний носій для зберігання даних за п. 16, причому видалення сигналів перешкод включає у себе розрахунок набору ковзних середніх з однієї або декількох підмножин одного або декількох записів даних щодо спектра грунту, при цьому кожна ковзна середня є сумою підмножин сусідніх записів щодо спектра грунту, помножена на розрахований коефіцієнт згортки.
21. Енергонезалежний носій для зберігання даних за п. 20, причому видалення сигналів перешкод додатково включає у себе обчислення похідної від кожної ковзної середньої за заданою відстанню смуги.
22. Енергонезалежний носій для зберігання даних за п. 20, причому видалення сигналів перешкод додатково включає у себе обчислення другої похідної від кожної ковзної середньої за заданою відстанню смуги.
23. Енергонезалежний носій для зберігання даних за п. 16, причому видалення сигналів перешкод додатково включає у себе обчислення стандартного нормального розподілу, у заданій спектральній смузі, для одного або декількох записів даних щодо спектра грунту, при цьому стандартний нормальний розподіл, у заданій спектральній смузі, є різницею неопрацьованого спектрального значення та усередненого спектрального значення по заданому спектру зразка, поділеною на стандартне відхилення заданого спектра зразка.
24. Енергонезалежний носій для зберігання даних за п. 16, причому видалення сигналів перешкод додатково включає у себе розрахунок значень абсорбції одного або декількох записів даних щодо спектра грунту, при цьому значення абсорбції дорівнюють логарифмічній функції зворотної величини одного або декількох записів даних щодо спектра грунту.
25. Енергонезалежний носій для зберігання даних за п. 16, причому прогнозування наборів даних щодо властивостей грунту, основане на одній або декількох спектральних смугах грунту, додатково включає у себе: конфігурацію, із використанням модуля спектральної конфігурації, модуля вибору смуги для використання заданого набору спектральних смуг грунту для вибору підмножини спектральних смуг грунту; вибір, із використанням модуля вибору смуги, підмножини спектральних смуг грунту для оцінювання властивостей грунту; та прогнозування, із використанням модуля виснаження грунту, набору даних щодо властивостей грунту на основі підмножини спектральних смуг грунту.
26. Енергонезалежний носій для зберігання даних за п. 25, який відрізняється тим, що вибір підмножини спектральних смуг грунту включає у себе: вибір набору популяції випадково сформованих комбінацій спектральних смуг; створення вторинного набору шляхом обміну властивостями з набором популяції випадково сформованих комбінацій спектральних смуг; створення набору мутації шляхом зміни властивостей кожного з вторинного набору для імітації випадкової пертурбації; вибір підмножини спектральних смуг грунту з набору мутації, при цьому вибір грунтується на попередньо сконфігурованому наборі спектральних смуг грунту.
27. Енергонезалежний носій для зберігання даних за п. 16, причому прогнозування наборів даних властивостей грунту включає у себе: отримання даних щодо властивостей грунтів на основі одного або декількох наземних зразків грунту з одного або декількох місць розташування, визначених у межах конкретного географічного місцезнаходження, при цьому одне або декілька місць розташування визначені із використанням просторової вибірки з однієї або декількох спектральних смуг грунту.
28. Енергонезалежний носій для зберігання даних за п. 16, причому прогнозування наборів даних властивостей грунту включає у себе: обчислення регресії часткових найменших квадратів, встановленої між першою матрицею та другою матрицею; при цьому перша матриця складається з власних декомпозицій спектральних значень одного або декількох записів даних щодо спектра грунту, а друга матриця складається з властивостей грунту; визначення однієї або декількох латентних змінних з набору регресії часткових найменших квадратів; створення наборів даних властивостей грунту з використанням однієї або декількох латентних змінних для прогнозування значень у наборах даних властивостей грунту.
29. Енергонезалежний носій для зберігання даних за п. 16, який відрізняється тим, що вибір одного або декількох наборів даних щодо властивостей грунту включає у себе: розрахунок кількісних показників якості для наборів даних щодо властивостей грунту; при цьому кількісні показники якості є середньою квадратичною похибкою; при цьому квадратична похибка є сумою різниці між прогнозованими значеннями набору даних щодо властивостей грунту та спостережуваними значеннями наборів даних щодо властивостей грунту.
30. Енергонезалежний носій для зберігання даних за п. 16, що додатково зберігає команди, які, при виконанні одним або декількома обчислювальними пристроями, спонукають один або декілька обчислювальних пристроїв до: надсилання, із використанням модуля виснаження грунту, одного або декількох наборів даних властивостей конкретного грунту до модуля спектральної конфігурації, та налаштовування Зо модуля вибору смуги з використанням набору даних властивостей конкретного грунту.
сх Б с с Фіг. 1 Не Я ди щи я ВК! че ча кове . й і К ей ж Ї Шк й оч кА В В я ПОКИ пошко нку її ов Ї ! он що зв мо що ОО і шо севадиия дк ВВ во ет | пеновідані| озовнівнідані х ї 3 ДІЛ НКИ ПОЖ я лесгдах А даоододод дод оедічову ї х 3 АД Зб кабінний ас зі | Ши АЖ КНВН сів даю а.
КМИНОМ. ї сзкин пре зе ; ! і к с, ї як не ї ; 3 : рохкхкккюсссня Р : і : 3 і ! | 5 дистанційний Ца контролер . даїчек прикладне прогами Мотків миня екон Кк кн кк кр ї ь і ; ; У нн дійок Кон КАкнккювво рогового од огеое дев н ноток ніх, с ши с - Лоб ережа івеережії ше т ска рекджкх лока ск вени ї х З їж 5. Жанін й у дик й ту Я дівень обмцну інформацією фоннннттня ї г : х Жанні ко АКТІ КАЧАНІВ НК КІВІ НІНІ КОНІ КТК чітко ї ; г рок х як. : й ння пек - о те яняжхх ли ке юр й Же Хо ДАЙ Ж КТК, - ж те жк ; пожежно З . 00 Доабвідснеема оцінювання вяастивостей гоунту: і ї 5 " І . . ї поко ве сек умюкк са ї ши ав МОоду і абзмодуль їх Я о простюрової ВИЩ сенс прпередньої і о дженні ТО Беноюевююєьсьюоосс На ще: ос дднни ; ї : етери зововки труну | У | "однак ; ши ЕЙ МОоджнв | енер т спектральної . : 1650 централізоване кох : куди ї 5 ПИ ох ї З ши ви жоаці ; ! база даних моделі . 1 і : з ху скота ї і у ! ь та польсвах даних ; х СЯ К Кк С ї ї є х држгх аг ях ; Бук ; свое ої о Шібнодуьвийови о еоадацья 100 -ї рр) б нодуль ж виснаження "опи шен гі ; СУК ї коки ще она і Пд пу і і і зе Мрівень представлення і 130 рівень керування даними і ДЯН Ї й КО ромом - | 150 рівень зпаратего обладнання! . і віртуалвий і : Зі компютерна система ннелектвльного внизу сльськогосподарських даних
Дт оКонннннКнннннннтннння 200 прикладна прогзама мобільного коми ютера ї ї Дт т НИ 7 і 7 7 їж 1 я кій . рої яма щи що команди команди | зібноманди : І М їх ках: . х кекуввех схожу ї ство ка і висаджува ще ау. пегпадних здоров експлуатації ї ; х ня умов пов ! і / б инига дохументації ценвусних карт акне КК КА КА КА КА АКА А АКАД АКК АКА КАК СКК КК КК КК і. с ПН ММ команди щодо гляду та сповіщення | ; ї це команав ово обліку, полів, введення даних, розподілення і ї ї М лододоодіооодосповодосводосеодвдеєвюдедеюєєеюетєєєюєсєєюєєеєюєю юю юю іі юними і : РМК А Ан доб прикладня програна кабінного комп'ютеру . і ! З З ї і хі : ; | ; яко - : З ї Ей. і заа - і ї ї ча: ї шумом є БАДу передача ї їн, ЇМО 0100 збирання) до ; ОА ННЦИИЯЇ ох соні 00 їамандя ; ж З КАВИ та ї МаШНННЕ ккльткт Ї хабіна Тож леданяо 0 пвквного о нео Прп рамною знийогяна передача шповищення | : і ї сої бі працекора ! : ВЕН її ! ; і ЩЕ . Я У ож жжвжатвкжжжжн соххкхюкжкнккК ОМ 1 ! ї шен и и ї і : ! і 232 проведення ревепнюиносяки «каїнна і і ! до, Кс
Чнг. 2
Чи. 3 305 попередня обробка агрономічних даних сжктесняв МО Вибівпдмножнни а греномічних даних . каніув зворотного ЩІ яв'язку р хе ї і 815 оцінювання набору атроономічних даних 320 створення агрономічної моделі 3825 збереження агрономічної моделі
: / ї і ккк кю ююююх й ак ККАКНКАККККККніКККК; сою : пеня Я Й за Ех ЗИ гасі МУ кож Ї кош І ЯМ Поветвй . аж серасе Її сте Р ююютююнининн Ба ж ; ко я ІОВА биряв ї помачкгю ; ан " я Я і дення В с. Б . ї рр З. данжк : мовні Жптттжжттттотжжллтт тот х х ся і їх їх : З ох - ЩЕ во т МЕ ; о, ; Ше : їх І : інет ЕН ї її Її Ї з й Е їх х х Е и 4 ВЕ: ї ті НУ І ї її ї її і : х хх : У , Фо. «й ої ! «фено і чкя 7 хх 5 ОПО її и п о с : . сіумхжко МЕН де «кккннннкжннн, е х икпОосиу: хі х Зх я с ї ін ех. Фе присіх Я дллеенннкі Беєсюкіюсову ЩА зно пекли Ж З ВХ Ми : опе я хоедеМмна бадеенння феееесест ! яз х її - й З її й о : р В я : її її ї 1: : 13 ї : її: її ї її 13 ї . її : її х ! її Зі :
ГІ. Н | : ; їі ж Її са Кі і 3 ч : рі З їх : х Іов жнравнйною я ЩЕ : ск екю ! Е І ; рих З ХК ннячняяняяяя Ї : ! Но ах курва 1 з з : о ПН че сів Ж, у роя рн ї док лроцемя ЯМ Некучікоційний аа і з іти йе т у; е с і се монах грона З оососессеоотююттюютюююмм о і Ічтшефиме :хВМщА ! мере /
як. З у : ЯК : й . . ЯКУ де й КІ аа бказа
Фіг. 4 па век Ж мера:
Фіг.
ЗА
: Вбхотримеання данних щодо спектрх . рунту Ак Ач нчнкннх с ЗМ видалення сигналів повен и іа прогнозування нзборівлданих щодо ВАТ грунту поунннннннннннонннноонннноннн в монннаоннннноннннононннннннннннснснннн ! ! я вибів наборів даних шеда властиве ей гвувзу з вибраної Ї піхиножена спектральних смує і попка кана нка нан,
Заанаденялання вибраних наспів даних щодо властивостей грунту лю бази даних і властивостей грунту
Фіг. В Дт ї З отримання даних шодо спектру і ТВуУнте днини он БД яндавенни синів перев і дл конфігурація мод вибору скати ше 34 вибір підвнежини спектральних і і смуг поунту І
ОН. і ї ЗВОрКУ Нас і ЖІ5 прагпновування майдсрів даних зюде зв'язку і ! властивостей грунту і і 5 явбір набув даних щоде ! ке властивостей грунту з вибраної і і піджнажини спекуральних сю і БІВ наденлавня вибраних мнаборій ваних іцюво вазстмвостев грунту да бази даних властивостей прунту
Фіг. б о БО2 вибірнабору популяції . 0000804 створення Щі їх вторинного набору Д нини ! БОбсторення набору мутації Ш БОЇ вибів підвножини комбінацій у І і кінець З а Є.
Фа. КЗ ж де - з ж. КЗ я Ку КЗ Ку хе ой КЗ КО жк м У Ка щи Ук м «о Кн Ж с хх я са гу я Ж ЗХ Бо КЕ я м 3 Бі х " ЗКУ хххухххюх донні жів ж вс ж вс ж вс кт КТК ІД КК КК КАК КАК пу істоті ВК : ї ! Т ї : 1 : ї : 1 ї : : У ї : Ап А А А АКА А А Аля ще ї рехусеесетесесесоеестетесесестесесессесесоссх тест сетесесссесеессетессссстстн ЦЕ : ТЕ ї ; ЕКЗ З ї су : : ; : Е Н Що . ї Н І : сли А ї : свт то з тр | пекліденнністю С ; окр ТИ Ї очнеюннквтнкннной і рення перен енд і НІШЩЕ НН а 1158: щі : : Кк і вії 14 я я і ї ї ї 1 у х ї ї с ї мі т її - КОКО х ї р ї : я : ї ї я к п Ї пснаелімвцієнй ї Зоо : ; Є Н і песлідовність 8 . я Р мепаєвнк : : пла тт тд тт фу кн кт фату : : люки ЩО 3 і ТЕ з х т : Го уменеюрктттрстреттттркттротрня : І щої Ех ї З ї ї ІЗ ї , ї С 11 тя а15193 6519 І ї р : ; : ! І х : ї
Фіг. й і ВЯббвнавлення сна гмажненном з данних до спеку: труннЕ ї : Оу аненеченмя вені : ї і БОвБвування прениння 1 Зразкієтнуєти а дело Ою І У ту ва дОвс і 1 Вивих ово сен ру ру з пи Ві агамання дяних ве вони грунту чере сан я ХВаЗКІ ТЕР ЗДО ставлення нжлякНних моделей івиу НІВ надесняання сзвОряених вокалених моделей прумту дня зенумалинианої па даних меделіти ползовнх Даних
UAA201804466A 2014-09-12 2016-09-20 Оцінювання внутрішньопольових властивостей у межах поля з використанням гіперспектрального дистанційного зондування UA126965C2 (uk)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201462049898P 2014-09-12 2014-09-12
US201462049929P 2014-09-12 2014-09-12
US201462049937P 2014-09-12 2014-09-12
US201462049909P 2014-09-12 2014-09-12
US14/866,160 US10338272B2 (en) 2014-09-12 2015-09-25 Estimating soil properties within a field using hyperspectral remote sensing
PCT/US2016/052622 WO2017053273A1 (en) 2014-09-12 2016-09-20 Estimating intra-field properties within a field using hyperspectral remote sensing

Publications (1)

Publication Number Publication Date
UA126965C2 true UA126965C2 (uk) 2023-03-01

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 (2)

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

Country Status (9)

Country Link
US (9) US10564316B2 (uk)
EP (2) EP3356799B1 (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 (218)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2723946C2 (ru) 2013-02-05 2020-06-18 Юниверсити Оф Сэскэтчевэн Эндофитные микробные симбионты в пренатальном уходе за растениями
WO2015035099A1 (en) 2013-09-04 2015-03-12 Symbiota, Inc. Agricultural endophyte-plant compositions, and methods of use
US10136646B2 (en) 2013-06-26 2018-11-27 Indigo Ag, Inc. Agricultural endophyte-plant compositions, and methods of use
WO2014210372A1 (en) 2013-06-26 2014-12-31 Symbiota, Inc. Seed-origin endophyte populations, compositions, and methods of use
WO2015069938A1 (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
WO2015100432A2 (en) 2013-12-24 2015-07-02 Symbiota, Inc. Method for propagating microorganisms within plant bioreactors and stably storing microorganisms within agricultural seeds
US10271554B2 (en) 2013-12-24 2019-04-30 Ait Austrian Institute Of Technology Gmbh Plants containing beneficial endophytes
US10785905B2 (en) * 2014-05-08 2020-09-29 Precision Planting Llc Liquid application apparatus comprising a seed firmer
NZ727449A (en) 2014-06-20 2018-10-26 The Flinders Univ Of South Australia Inoculants and methods for use thereof
WO2015200902A2 (en) 2014-06-26 2015-12-30 Symbiota, LLC Endophytes, associated compositions, and methods of use thereof
US10564316B2 (en) 2014-09-12 2020-02-18 The Climate Corporation 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
US11762125B2 (en) 2014-09-12 2023-09-19 Climate Llc 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
US10667456B2 (en) 2014-09-12 2020-06-02 The Climate Corporation Methods and systems for managing agricultural activities
US11113649B2 (en) 2014-09-12 2021-09-07 The Climate Corporation Methods and systems for recommending agricultural activities
US10768156B1 (en) * 2014-10-27 2020-09-08 Farmer's Business Network, Inc. Yield analysis through agronomic analytics
BR112017014230B1 (pt) 2014-12-30 2022-06-14 Indigo Ag, Inc Combinação sintética e métodos para preparar uma semente compreendendo uma população de endófitos, e para modular uma característica de planta
CN108271340A (zh) 2015-05-01 2018-07-10 靛蓝农业公司 用于改进的植物性状的经过设计的复合内生菌组合物和方法
AU2016258912A1 (en) 2015-05-01 2017-11-30 Indigo Agriculture, Inc. Isolated complex endophyte compositions and methods for improved plant traits
CA2988764A1 (en) 2015-06-08 2016-12-15 Indigo Agriculture, Inc. Streptomyces endophyte compositions and methods for improved agronomic traits in plants
US10282821B1 (en) * 2015-08-27 2019-05-07 Descartes Labs, Inc. Observational data processing and analysis
EP3393225A4 (en) 2015-12-21 2019-11-06 Indigo AG, Inc. ENDOPHYTE COMPOSITIONS AND METHOD FOR IMPROVING PLANT PROPERTIES IN PLANTS OF AGRONOMIC IMPORTANCE
US9928578B1 (en) 2016-03-30 2018-03-27 Descartes Labs, Inc. Using boundary maps to refine imagery
WO2017170086A1 (ja) * 2016-03-31 2017-10-05 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が記録された記録媒体
US20170286574A1 (en) * 2016-03-31 2017-10-05 United States Of America As Represented By The Secretary Of The Army Predictive soil analysis
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
JP6562490B2 (ja) * 2016-06-20 2019-08-21 株式会社小松精機工作所 土壌分析装置及び土壌分析方法
WO2017223475A2 (en) 2016-06-24 2017-12-28 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
WO2018118716A1 (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
AU2017401833A1 (en) 2017-03-01 2019-10-03 Indigo Ag, Inc. Endophyte compositions and methods for improvement of plant traits
EP3589116A1 (en) 2017-03-01 2020-01-08 Indigo AG, Inc. Endophyte compositions and methods for improvement of plant traits
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
EP3639213A1 (de) * 2017-06-12 2020-04-22 Henkel AG & Co. KGaA Verfahren und vorrichtung zur ermittlung eines behandlungsparameters einer textilie anhand der verunreinigungszusammensetzung und textileigenschaft
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
WO2019055968A2 (en) 2017-09-18 2019-03-21 Indigo Ag, Inc. MARKERS OF VEGETABLE HEALTH
WO2019057958A1 (en) 2017-09-22 2019-03-28 Technische Universität Graz POLYMER 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
EP3697191B1 (en) * 2017-10-17 2023-04-19 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
EP3785214A1 (en) 2018-04-24 2021-03-03 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
US10846651B2 (en) 2018-08-31 2020-11-24 Kinaxis Inc. Analysis and correction of supply chain design through machine learning
US10832196B2 (en) 2018-08-31 2020-11-10 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
WO2020086814A1 (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
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine 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
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US12069978B2 (en) 2018-10-26 2024-08-27 Deere & Company Predictive environmental characteristic map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
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
EP3897100A4 (en) * 2018-12-19 2022-09-21 The Board Of Trustees Of The University Of Illinois Apparatus and method for crop yield prediction
US11906621B2 (en) * 2018-12-21 2024-02-20 Climate Llc Quantitative precipitation estimate quality control
WO2020139781A1 (en) * 2018-12-24 2020-07-02 The Climate Corporation Predictive seed scripting for soybeans
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
CN113646619A (zh) * 2019-02-14 2021-11-12 开米美景公司 扩展粒子群波段选择
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
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
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
WO2020213547A1 (ja) * 2019-04-15 2020-10-22 亮太 菊地 気象予測データ作成プログラム、気象予測データ作成方法、及び、移動体
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
AR121163A1 (es) * 2019-05-20 2022-04-27 Basf Agro Trademarks Gmbh Método para el tratamiento de plantación en función del reconocimiento de imagen
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
EP3989712B1 (en) 2019-06-27 2025-10-08 Valmont Industries, Inc. Irrigation system for providing variable rate application of applicants to discrete field locations
DE102019212332A1 (de) * 2019-08-19 2021-02-25 Robert Bosch Gmbh Vorrichtung und Verfahren zur Bestimmung einer Eigenschaft eines Stoffs oder eines Materials
WO2021041666A1 (en) 2019-08-27 2021-03-04 Indigo Ag, Inc. Imagery-based boundary identification for agricultural fields
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
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
WO2021089813A2 (en) * 2019-11-08 2021-05-14 Kverneland Group Operations Norway As System for measuring and interpreting a force
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
US12329148B2 (en) 2020-02-06 2025-06-17 Deere & Company Predictive weed map and material application machine control
US12225846B2 (en) 2020-02-06 2025-02-18 Deere & Company Machine control using a predictive map
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
BR112022021184A2 (pt) 2020-05-01 2022-12-06 Indigo Ag Inc Agrupamento lado a lado de dados dinâmicos
US11580609B2 (en) * 2020-05-26 2023-02-14 International Business Machines Corporation Crop monitoring to determine and control crop yield
CA3186476A1 (en) 2020-07-21 2022-01-27 Eli Kellen Melaas 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
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US12069986B2 (en) 2020-10-09 2024-08-27 Deere & Company Map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US20220110238A1 (en) 2020-10-09 2022-04-14 Deere & Company Machine control using a predictive map
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
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
US11592822B2 (en) 2020-10-09 2023-02-28 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
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US12419220B2 (en) 2020-10-09 2025-09-23 Deere & Company Predictive map generation and control system
US20220110258A1 (en) 2020-10-09 2022-04-14 Deere & Company Map generation and control system
US12386354B2 (en) 2020-10-09 2025-08-12 Deere & Company Predictive power map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US12422847B2 (en) 2020-10-09 2025-09-23 Deere & Company Predictive agricultural model and map generation
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US12178158B2 (en) 2020-10-09 2024-12-31 Deere & Company Predictive map generation and control system for an agricultural work machine
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US12250905B2 (en) 2020-10-09 2025-03-18 Deere & Company Machine control using a predictive map
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
CA3097615C (en) * 2020-10-29 2023-03-21 Semiosbio Technologies Inc. Method and system for managing treatment of a crop employing localised pest phenology information
WO2022087746A1 (en) * 2020-10-30 2022-05-05 Element Ai Inc. Adapting ai models from one domain to another
US12456060B2 (en) 2020-11-17 2025-10-28 International Business Machines Corporation Discovering farming practices
US12366860B2 (en) 2020-12-11 2025-07-22 Raven Industries, Inc. Sensor fusion in agricultural vehicle steering
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
US12127500B2 (en) 2021-01-27 2024-10-29 Deere & Company Machine control using a map with regime zones
US20220246241A1 (en) 2021-01-29 2022-08-04 Biome Makers Inc. Methods and systems for predicting crop features and evaluating inputs and practices
EP4047517A1 (en) * 2021-02-22 2022-08-24 Yara International ASA Remote soil and vegetation properties determination method and system
US12247968B2 (en) 2021-02-22 2025-03-11 Biome Makers Inc. Methods and systems for generating and applying agronomic indices from microbiome-derived parameters
WO2022212156A1 (en) 2021-03-31 2022-10-06 Biome Makers Inc. Methods and systems for assessing agriculture practices and inputs with time and location factors
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
WO2022243808A1 (en) * 2021-05-20 2022-11-24 Precision Planting Llc Methods of analyzing one or more agricultural materials, and systems thereof
IL308622A (en) * 2021-05-21 2024-01-01 Basf Se A computerized method for estimating consumption of an agricultural product for a geographic area
EP4348313A1 (en) * 2021-05-28 2024-04-10 Google LLC Optimizing a probability of precipitation forecast
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
US12229886B2 (en) 2021-10-01 2025-02-18 Deere & Company Historical crop state model, predictive crop state map generation and control system
CN114021436B (zh) * 2021-10-26 2024-07-26 武汉大学 一种基于近地面紫外辐射的近地面臭氧反演方法
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
US12310286B2 (en) 2021-12-14 2025-05-27 Deere & Company Crop constituent sensing
US12302791B2 (en) 2021-12-20 2025-05-20 Deere & Company Crop constituents, predictive mapping, and agricultural harvester control
US20230196132A1 (en) * 2021-12-22 2023-06-22 AMP Robotics Corporation Object material type identification using multiple types of sensors
CN114359728B (zh) * 2021-12-31 2022-09-13 生态环境部卫星环境应用中心 一种河道类型遥感提取方法
US12245549B2 (en) 2022-01-11 2025-03-11 Deere & Company Predictive response map generation and control system
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
US12295288B2 (en) * 2022-04-05 2025-05-13 Deere &Company Predictive machine setting map generation and control system
US12284934B2 (en) 2022-04-08 2025-04-29 Deere & Company Systems and methods for predictive tractive characteristics and control
US12358493B2 (en) 2022-04-08 2025-07-15 Deere & Company Systems and methods for predictive power requirements and control
US12298767B2 (en) 2022-04-08 2025-05-13 Deere & Company Predictive material consumption map and control
US12058951B2 (en) 2022-04-08 2024-08-13 Deere & Company Predictive nutrient map and control
CN115049436B (zh) * 2022-06-29 2025-01-24 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
JP2025529782A (ja) * 2022-08-16 2025-09-09 ビーエーエスエフ ソシエタス・ヨーロピア 地理的領域における農業製品の消費量を推定するための輪作に基づくコンピュータ実施方法
US20240085347A1 (en) * 2022-09-09 2024-03-14 Cnh Industrial America Llc Agricultural system and method for monitoring soil moisture within a field during the performance of an agricultural operation
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
KR102891089B1 (ko) * 2022-12-15 2025-11-26 인천대학교 산학협력단 딥러닝 지도와 비지도에 기반한 위성 영상 이미징 방법
WO2024138084A1 (en) * 2022-12-23 2024-06-27 Indigo Ag, Inc. Localized carbon source intervention modeling
US20240346392A1 (en) * 2023-04-13 2024-10-17 Dark Horse Ag Ventures Ltd. Methods and systems for agricultural nutrient management
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
WO2025068727A1 (en) * 2023-09-29 2025-04-03 Discovery Center Nonprofit Ltd. Development of a cost-optimised soil sampling method to support precision farming
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
KR102769582B1 (ko) * 2024-12-10 2025-02-19 에이치설퍼 주식회사 원소황 함유 비료에서 황 함량 분석 방법
CN119478552B (zh) * 2025-01-09 2025-04-01 中国农业科学院农业资源与农业区划研究所 一种基于农学知识驱动指数的大尺度大豆玉米制图方法

Family Cites Families (71)

* 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
US6608672B1 (en) * 1999-03-15 2003-08-19 Omron Corporation Soil survey device and system for precision agriculture
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
WO2001075706A1 (en) 2000-04-04 2001-10-11 Nagarjuna Holdings Private Limited Agricultural management system for providing agricultural solutions and enabling commerce
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
WO2005106718A2 (en) 2004-04-22 2005-11-10 Pape William R 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
EP1893022A2 (en) 2005-06-22 2008-03-05 Ben Gurion University of the Negev Research and Development Authority Ltd. 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
BRPI0806559B1 (pt) 2007-01-08 2018-04-10 Precision Planting, Inc. Sistema de monitor para semeadeira de sementes agrícolas
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
JP5194589B2 (ja) 2007-07-03 2013-05-08 アイシン・エィ・ダブリュ株式会社 自動変速機
NZ562316A (en) 2007-10-09 2009-03-31 New Zealand Inst For Crop And Method and system of managing performance of a tuber crop
WO2009149394A1 (en) 2008-06-06 2009-12-10 Monsanto Technology Llc Generating agricultural information products using remote sensing
US20100155156A1 (en) * 2008-11-04 2010-06-24 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
US8477295B2 (en) 2009-05-07 2013-07-02 Solum, Inc. Automated soil measurement device
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
US20130173321A1 (en) 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan
US20130174040A1 (en) 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-planting plan
US9183346B2 (en) 2012-03-12 2015-11-10 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
LT3967121T (lt) 2012-07-25 2025-07-10 Precision Planting Llc Žemės ūkio padargo su sėjos sekcijomis valdymo ir stebėsenos sistema
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
WO2014146719A1 (en) 2013-03-22 2014-09-25 Foss Analytical A/S System for and method of combined libs and ir absorption spectroscopy investigations
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
CA2956205A1 (en) 2014-06-24 2015-12-30 360 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
US10564316B2 (en) 2014-09-12 2020-02-18 The Climate Corporation 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
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
ZA201707293B (en) 2019-02-27
ZA201905571B (en) 2021-03-31
BR112018005893B1 (pt) 2023-01-24
WO2017053273A1 (en) 2017-03-30
CA2999865A1 (en) 2017-03-30
US20160290918A1 (en) 2016-10-06
CA2999865C (en) 2022-04-19
ZA201802388B (en) 2019-11-27
CA2982806C (en) 2022-04-19
US20250347823A1 (en) 2025-11-13
US20190317243A1 (en) 2019-10-17
US11714211B2 (en) 2023-08-01
CA3150421C (en) 2023-09-05
AU2021282487A1 (en) 2022-01-06
AU2016328634A1 (en) 2018-04-26
EP3356799A1 (en) 2018-08-08
US11275197B2 (en) 2022-03-15
US20200183048A1 (en) 2020-06-11
US10690806B2 (en) 2020-06-23
US20230367032A1 (en) 2023-11-16
US20170090068A1 (en) 2017-03-30
CA3150421A1 (en) 2017-03-30
US10564316B2 (en) 2020-02-18
US20210255362A1 (en) 2021-08-19
CA2982806A1 (en) 2016-10-13
US10705253B2 (en) 2020-07-07
AU2016244067A1 (en) 2017-11-23
EP4586159A3 (en) 2025-10-15
AU2016328634B2 (en) 2019-02-21
ZA202005339B (en) 2023-09-27
US20160299255A1 (en) 2016-10-13
ZA201707447B (en) 2019-06-26
AR106136A1 (es) 2017-12-13
UA123580C2 (uk) 2021-04-28
EP4586159A2 (en) 2025-07-16
EP3356799A4 (en) 2019-11-20
AU2016246391A1 (en) 2017-11-23
BR112017021664A2 (pt) 2018-07-10
UA126650C2 (uk) 2023-01-11
EP3356799B1 (en) 2025-06-11
AR106216A1 (es) 2017-12-27
US10996373B2 (en) 2021-05-04
AR104161A1 (es) 2017-06-28
US20200337212A1 (en) 2020-10-29
AU2016246391B2 (en) 2021-12-09
BR112018005893A2 (pt) 2018-10-16
US10338272B2 (en) 2019-07-02
AU2016244067B2 (en) 2021-09-09
US12366678B2 (en) 2025-07-22

Similar Documents

Publication Publication Date Title
US12366678B2 (en) Estimating soil properties within a field using hyperspectral remote sensing
CN113196287B (zh) 应季田地级产量预报
CN113196294B (zh) 用于预测子田地土壤属性的计算机实现的方法以及相关联的计算机可读介质
US11361184B2 (en) Modeling trends in crop yields
US20210406745A1 (en) Forecasting field level crop yield during a growing season
US10853377B2 (en) Sequential data assimilation to improve agricultural modeling
EP3496524B1 (en) Automatically detecting outlier values in harvested data
CN113226010B (zh) 利用空间统计模型实现农艺试验
RU2820495C2 (ru) Обнаружение болезней растений с помощью многостадийного, многомасштабного глубокого обучения