CN107609666B - 使用历史农药使用信息进行害虫预测的***和方法 - Google Patents
使用历史农药使用信息进行害虫预测的***和方法 Download PDFInfo
- Publication number
- CN107609666B CN107609666B CN201710567207.0A CN201710567207A CN107609666B CN 107609666 B CN107609666 B CN 107609666B CN 201710567207 A CN201710567207 A CN 201710567207A CN 107609666 B CN107609666 B CN 107609666B
- Authority
- CN
- China
- Prior art keywords
- pest
- prediction model
- weather
- time instance
- benefit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 209
- 239000000575 pesticide Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 36
- 201000010099 disease Diseases 0.000 claims abstract description 82
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 82
- 230000008901 benefit Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 17
- 230000009418 agronomic effect Effects 0.000 claims description 14
- 238000011081 inoculation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010191 image analysis Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012358 sourcing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 2
- 208000015181 infectious disease Diseases 0.000 abstract description 18
- 206010061217 Infestation Diseases 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001391235 Biston suppressaria Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000001418 larval effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YECBIJXISLIIDS-UHFFFAOYSA-N mepyramine Chemical compound C1=CC(OC)=CC=C1CN(CCN(C)C)C1=CC=CC=N1 YECBIJXISLIIDS-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01N—PRESERVATION OF BODIES OF HUMANS OR ANIMALS OR PLANTS OR PARTS THEREOF; BIOCIDES, e.g. AS DISINFECTANTS, AS PESTICIDES OR AS HERBICIDES; PEST REPELLANTS OR ATTRACTANTS; PLANT GROWTH REGULATORS
- A01N25/00—Biocides, pest repellants or attractants, or plant growth regulators, characterised by their forms, or by their non-active ingredients or by their methods of application, e.g. seed treatment or sequential application; Substances for reducing the noxious effect of the active ingredients to organisms other than pests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Wood Science & Technology (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Pest Control & Pesticides (AREA)
- Plant Pathology (AREA)
- Toxicology (AREA)
- Dentistry (AREA)
- Geometry (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
Abstract
通常，使用通过害虫或疾病监测收集的害虫或疾病实例来开发预测模型。本公开提供使用历史农药使用信息进行害虫预测的***和方法，涉及使用历史农药使用来进行害虫预测，从而不需要大量费时费力的针对地点的数据收集。首先，基于农药使用有关的历史数据以及针对所考虑的地理位置收集的天气数据来生成针对不同害虫或不同作物疾病的预测模型。通过当前害虫场景来验证和调整该模型。使用通过参与感测平台从现场或农场发送的图像样本来捕获当前场景。然后如果有感染等情况的话，则分析图像以提取信息，例如现场中的实际害虫感染、严重程度等。该分析有助于得出现场中实际害虫感染实例。
Description
优先权声明
本申请要求于2016年7月12日提交的印度申请号为201621023796的优先权。上述申请的全部内容通过引用并入本文。
技术领域
本文的实施例一般地涉及害虫治理，更具体地涉及使用历史农药使用信息进行害虫预测的***和方法。
背景技术
农业在维持和提升人类生活方面起着重要的作用。因此，在农业领域的生态预测方面进行了大量的研究，用于预测害虫、疾病感染(disease infestation)实例、害虫严重程度和疾病严重程度。通常，依赖于所收集的有关害虫或疾病感染实例的监测数据来进行预测模型生成或者模型训练。因此，需要大量的害虫或疾病发生数据来建立可靠的模型。通过监测方法收集这些数据繁琐、耗时而且成本高，因为它还需要投入大量的人力从现场收集数据。此外，研究人员需要等待很长时间才能生成用于产生可靠模型的良好训练数据集。对于在现场或特定地点的预测模型生成，从这些现场中的每一个收集如此大量的数据变得非常困难。
发明内容
本公开的实施例针对传统***中由本发明的发明人意识到的上述技术问题中的一个或多个而提出技术改进作为解决方案。
本公开的***和方法能够以高效而且兼具时间和成本效益的方式生成针对现场或地点的害虫预测模型。
在一个方案中，提供了一种处理器实施的方法，包括：接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合；基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例(t0)；以及基于所述时间实例(t0)和时间实例(t-1)集合中的每个时间实例(t-1)与时间实例(t0)之间的天气助益滞后(τ)的预定义范围，估计与孕育阶段有关的时间实例(t-1)的集合(206)，所述天气助益滞后(τ)的预定义范围的特征在于影响植被的害虫或疾病的生命周期。
在另一个方案中，提供了一种***，包括：一个或多个数据存储设备，其可操作地耦接至一个或多个硬件处理器并被配置为存储所述一个或多个硬件处理器执行以执行如下步骤的指令：接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合；基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例(t0)；以及基于所述时间实例(t0)和时间实例(t-1)集合中的每个时间实例(t-1)与时间实例(t0)之间的天气助益滞后(τ)的预定义范围，估计与孕育阶段有关的时间实例(t-1)的集合，所述天气助益滞后(τ)的预定义范围的特征在于影响植被的害虫或疾病的生命周期。
在另一个方案中，提供了一种计算机程序产品，包括非暂时性计算机可读介质，所述非暂时性计算机可读介质中具有在其中具体化(embodied)的计算机可读程序，其中当在计算设备上执行时，所述计算机可读程序促使所述计算设备执行如下步骤：接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合；基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例(t0)；以及基于所述时间实例(t0)和时间实例(t-1)集合中的每个时间实例(t-1)与时间实例(t0)之间的天气助益滞后(τ)的预定义范围，估计与孕育阶段有关的时间实例(t-1)的集合，所述天气助益滞后(τ)的预定义范围的特征在于影响植被的害虫或疾病的生命周期。
在本公开的实施例中，一个或多个硬件处理器还配置为：接收与所考虑的地理位置相关联的历史天气数据有关的第二输入集合；以及针对来自与孕育阶段有关的时间实例(t-1)的集合中的每个时间实例(t-1)所对应的每种害虫生成害虫预测模型，所述害虫预测模型是基于预定时间段接收到的与如下信息有关的数据的至少一部分而训练的：(i)时间实例(t0)；(ii)时间实例(t-1)；以及(iii)第二输入集合。
在本公开的实施例中，一个或多个硬件处理器还配置为：在所述预定时间段，基于所述预定时间段接收到的与如下信息有关的数据的剩余部分对每个时间实例(t-1)所对应的害虫预测模型进行精度测试：(i)时间实例(t0)；(ii)时间实例(t-1)；以及(iii)第二输入集合；以及基于来自所述天气助益滞后(τ)的预定义范围的最优天气助益滞后生成最优害虫预测模型，所述最优天气助益滞后产生最高精度。
在本公开的实施例中，一个或多个处理器还配置为：基于所报告的第一输入集合来验证和调整所述最优害虫预测模型。
在本公开的实施例中，所报告的第一输入集合包括与所述农艺信息有关的参与感测输入(participatory sensing input)和众包输入(crowd sourcing input)中的一种或多种。
在本公开的实施例中，一个或多个处理器还配置为通过以下步骤验证和调整所述最优害虫预测模型：从所报告的第一输入集合接收图像；过滤所接收的图像以识别害虫/疾病斑块，并将植被的相应部分提取为所述图像中的感兴趣区域(ROI)；基于颜色、形状和纹理构成的特征组，分析ROI中的一个或多个特征；基于所分析的一个或多个特征计算害虫的成熟度；以及基于计算出的害虫的成熟度调整所述最优预测模型。
应当理解，前面的概括描述以及下文中的详细描述都是示例性和解释性的，而不是为了限制所要求保护的本公开的实施例。
附图说明
从以下参考附图的详细描述中将更好地理解本文的实施例，附图中：
图1示出了根据本公开实施例的使用历史农药信息进行害虫预测的***的示例性框图；
图2示出了根据本公开实施例的主要基于历史农药信息的害虫预测方法的示例性流程图；
图3示出了根据本公开实施例的从害虫孕育阶段到农药施用日期的示例性时间线；
图4示出了根据本公开实施例的害虫感染的风险图，其中相对于相关日期绘制出农药施用日期和衍生的害虫实例(二进制)；
图5示出了根据本公开实施例的在受试者工作特征(ROC)曲线下的平均面积与天气助益滞后(τ)的示例性曲线图；以及
图6示出了根据本公开实施例在验证阶段的实际害虫实例、报告事件和根据不同模型(随机森林、梯度推进、回归树和支持矢量机(SVM))预测的害虫实例的图形示意。
本领域技术人员应当理解，本文的任何框图表示体现本主题原理的说明性***的概念视图。类似地，应当理解，任何流程表、流程图、状态转换图、伪代码等表示可以在计算机可读介质中实质上上表示并且由计算设备或处理器执行的各种处理过程，不管这样的计算设备或处理器是否被明确显示。
具体实施方式
将参照附图描述示例性实施例。在附图中，附图标记中最左边的数字表示该附图标记首次出现的图。为方便起见，在整个附图中使用相同的附图标记来指代相同或相似的部件。虽然本文描述了所公开原理的示例和特征，但是在不脱离所公开实施例的精神和范围的情况下，可以进行改型、修改和其他实现。以下详细描述仅被认为是示例性的，真实范围和精神由所附权利要求表示。
在进行详细说明之前应注意的是，下面的所有讨论，无论所描述的具体实施方式如何，本质上都是示例性的，而不是为了限制。
生成类似于害虫或疾病预测模型之类的生态模型需要关于现场害虫或疾病实际发生的地面实况。使用监测方法收集有关害虫或疾病发生实例的信息非常耗时且费用高昂。大多数农民或农业组织在他们的农场维护关于化学品/农药使用情况的数据，以用于成本效益分析，本公开用该成本效益分析来对预测模型进行开发。根据本公开，与传统方法(该方法中要求探访农场来收集这种数据)相比，农民不需要采取额外的努力来进行这种数据收集，并且可以在给定情况下容易地收集来自大量农场的数据。
因此，本公开解决了关于提供基于针对现场的农耕实践生成的针对现场的害虫或疾病预测模型的问题。本公开提供多个***和方法，用来基于与关于实际害虫示例的数据相比更容易获得的关于农药使用和针对现场的农耕实践的历史信息或者农艺信息，来生成害虫实例预测模型。例如农药施用情况、农药使用量、每次农药喷撒覆盖的总区段面积比例、应用的喷撒类型(如点式喷撒或毯式喷撒)等历史农药数据，可以提供有关实际害虫感染实例的信息。在实施例中，害虫实例预测可以导致疾病预测。只有当农药使用事实上是预防性的时(即，只有在农场中已经识别出害虫感染时在农场中施加农药)，才可以从农药数据中正确检测出害虫感染实例。准备关于害虫感染实例的地面实况的典型方法包括对在每一次农药施用的1-6天内的农药数量/覆盖面积进行标准化。将害虫感染实例设置为农药数量减去农药施用日期的标准化值。然后假设有害虫感染在接下来的5天内持续。
现在参考附图，更具体地参考图1至图6，其中贯穿这些附图相似的附图标记一致地表示相应的特征，在这些附图中示出了优选实施例，在以下示例性***和方法的上下文中将描述这些实施例。
图1示出了根据本公开实施例的使用历史农药信息进行害虫预测的***100的示例性框图。在一实施例中，***100包括一个或多个处理器104、(多个)通信接口设备或输入/输出(I/O)接口106、以及可操作地耦接到一个或多个处理器104的一个或多个数据存储设备或存储器102。一个或多个处理器104(该一个或多个处理器104是硬件处理器)可以被实现为一个或多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令操纵信号的任何设备。除其他功能之外，该(多个)处理器被配置为获取并执行存储在存储器中的计算机可读指令。在一实施例中，***100可以在诸如膝上型计算机、笔记本电脑、手持设备、工作站、大型计算机、服务器、网络云等各种计算***中实现。
(多个)I/O接口设备106可以包括各种软件和硬件接口，例如web接口、图形用户接口等，并且可以促进多种多样的网络N/W和协议类型内的多种通信，包括有线网络(例如LAN、电缆等)以及无线网络(例如WLAN、蜂窝或卫星)。在一实施例中，(多个)I/O接口设备可以包括用于将多个设备彼此连接或者将多个设备连接到另一服务器的一个或多个端口。
存储器102可以包括本领域已知的任何计算机可读介质，例如包括诸如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM)之类的易失性存储器，和/或非易失性存储器，例如只读存储器(ROM)、可擦除可编程ROM、闪速存储器、硬盘、光盘和磁带。在一实施例中，***100的一个或多个模块(未示出)可以存储在存储器102中。
图2示出了根据本公开实施例的主要基于历史农药信息进行害虫预测的方法200的示例性流程图。在一实施例中，***100包括可操作地耦接到一个或多个处理器104的一个或多个数据存储设备或存储器102，并且被配置为存储通过一个或多个处理器104执行方法200的步骤的指令。
在本公开的一实施例中，在步骤202中，一个或多个处理器104接收与所考虑的地理位置中的害虫相关联的农药施用以及与该地理位置有关的农艺信息有关的第一输入集合。在一实施例中，与农药施用有关的农药输入可以包括如下信息中的一种或多种：农药施用日期、农药数量、农药剂量、每次农药施用期间覆盖的面积、农药类型、施用方法等。类似地，在一个实施例中，农艺信息可以包括可以以诸如文本或图像之类的任何形式接收的针对作物的信息、地形和植被信息等。在一实施例中，农艺信息可以是上下文数据或针对作物的数据、关于农民用来种植作物和照顾土壤的方法的数据、例如农药施用时间表的农耕实践(如果农药被重复或周期性地应用)等，这些数据可以从农民那儿直接获得，或者可以经由卫星、UAV、陆地传感器以及这类以地理空间技术运行并提供地理空间数据集的其他***获得。
图3示出了根据本公开实施例的从害虫孕育(pest inoculation)阶段到农药施用日期的示例性时间线。因此，农药数量用于确定农药施用延迟，如图3所示，并在上面用示例性伪码描述。t1是农场施用农药的实例。如果农药的施用相距害虫的实际出现大大延迟，则农药数量将会很高。因此，基于农药数量的信息和时间实例t1，确定时间实例t0，这是当害虫处于开始影响植物的生命周期时的时间实例。有利的天气条件有助于害虫从其孕育阶段(t-1)生长到植被影响阶段。天气助益滞后(t0-t-1)根据害虫的周期信息在一定范围内变化，以识别与害虫感染实例主要相关的最佳时间段。因此，从全年的每次农药施用情况，可以映射出害虫感染实例。利用这些害虫感染实例t0以及针对所确定的天气助益滞后的天气信息和其他针对现场的参数，可以生成针对现场的预测模型。
在本公开的一实施例中，在步骤204中，基于在步骤202中接收到的第一输入集合，一个或多个处理器104估计与影响阶段相关的时间实例(t0)，在该影响阶段，害虫开始影响该地理位置中的植被。在一实施例中，用于估计时间实例(t0)的伪码可以表示如下：
识别用于特定疾病的农药。
将研究期间每一天的疾病风险初始化为low(0)。
对于每一天，保持flag＝0，以跟踪是否已经检查该天的农药施用。
对于研究期间的每个日期t
如果在该天已经施用农药并且对于该天而言flag＝0，则
i.计算在该天和接连数天(tc)施用的农药/面积(QA)的总数量。
ii.找到农药施用延迟(在1到6范围内标准化QA)：
农药施用延迟，
其中，QAmin和QAmax是针对该特定害虫在所考虑的地理位置所使用的农药数量的最小值和最大值。
iii.针对从(t-τPA)到(t+tc+5)的每天分配疾病风险high(1)。[在无控制的情况下考虑害虫维持(PS)，实验上设定为5，如下文中提到的图5所示]。
iv.针对从(t-τPA)到(t+tc)的每一天，使得flag＝1。
输出：在研究期间每一天的疾病风险(0/1)。t0是疾病风险为1的天。图4示出了根据本公开实施例的害虫感染的风险图，其中相对于相关日期绘制出了农药施用日期和衍生的害虫实例(二进制(binary))。风险值作为用于训练预测模型的因变量。
在开发预测模型时，必须考虑农药对不同天数延迟的害虫预测的可变影响。在一实施例中，本公开的***计算可以为害虫创造使其生长到开始影响植物并在接连的时间实例中造成感染的阶段的助益条件的时间段。从视觉上能够看到害虫出现的实例或者当害虫开始影响植物的阶段开始的过去几天的天气将与接连的害虫实例强相关或者有影响。在本公开中，该时间段被定义为天气助益滞后(weather conductivelag)。基于其生命周期，害虫和害虫之间以及疾病和疾病之间的天气助益滞后是不同的。本公开的***100支持针对不同的害虫或疾病识别出天气助益滞后。基于关于害虫生命周期或者疾病周期的可用信息，天气助益滞后可以变化以识别出最优天气助益滞后，该最优天气助益滞后与接连的害虫感染实例相关性最高。
在本公开的实施例中，在步骤206中，基于时间实例(t0)和时间实例(t-1)的集合中的每个时间实例(t-1)与时间实例(t0)之间的天气助益滞后(τ)的预定义范围，一个或多个处理器104估计与孕育阶段有关的时间实例(t-1)的集合(206)。在一实施例中，天气助益滞后(τ)的预定义范围的特征在于影响植被的害虫或疾病的生命周期。
在一实施例中，用于估计时间实例(t-1)的伪代码可以表示如下：
定义天气助益滞后(τ)，如τ＝(t0-t-1)。
基于从有关害虫或疾病生命周期的文献收集的信息，识别出τ变化的范围。
对于每个滞后，τ＝6至30(根据文献，害虫生长至幼虫或成年阶段所需的时间跨度，值的范围针对害虫“茶尺蠖(tea looper)”)
生成训练集。
对于研究期间的每一天t
i.提取关于(t-τ)天的天气信息。
ii.计算如(t-τ)天的平均值、标准偏差、偏度(skewness)、峰度(kurtosis)、天气变化系数等统计特征，并将其设置为每天每个训练样本的特征向量或自变量。
使用80％的样本来训练诸如随机森林模型(来自文献)的预测模型。
对于剩下的20％的样本测试所开发的预测模型，并找出测试集精度。
将天气助益滞后指定为τ，针对该天气助益滞后的测试集精度最高。
将最终或最优预测模型定义为提供最佳测试集精度的模型。
因此，在一实施例中，一个或多个处理器104基于来自天气助益滞后(τ)的预定义范围内的最优天气助益滞后，生成最优害虫预测模型，其中，最优天气助益滞后产生最高精度。
输出：该技术返回天气助益滞后τ的值。t-1定义为t0-τ。图5示出了根据本公开实施例的受试者工作特性(ROC)曲线下的平均面积与天气助益滞后的示例性曲线图。如果ROC曲线下的平均面积趋于1，则精度越高。
天气信息有助于识别过去的害虫感染实例，因为农药使用也取决于一些天气因素，如降雨。如果在农药喷撒之后有大量的降雨，那么在这种情况下应重复施用农药。因此，为了基于农药使用确定害虫感染实例，则需要考虑这些因素。在一实施例中，方法200还提供接收与所考虑的地理位置相关联的历史天气数据有关的第二输入结合。在一实施例中，天气输入可以经由无线传感器网络(WSN)、自动天气站(AWS)、气象卫星等接收。在一实施例中，天气输入可以包括关于温度、降雨、湿度、和对作物管理和害虫控制至关重要的其他天气参数的数据。在一实施例中，第二输入集合可以是在研究期间的每一天起过去几天(在6-30的范围内变化)的天气参数的统计可变性。
在一实施例中，一个或多个处理器104针对来自与孕育阶段有关的时间实例(t-1)的集合中的每个时间实例(t-1)所对应的每种害虫生成害虫预测模型。害虫预测模型是基于预定时间段接收到的与如下信息有关的数据的至少一部分而训练的：(i)时间实例(t0)；(ii)时间实例(t-1)；以及(iii)第二输入集合。在一实施例中，该至少一部分数据可以是所接收到的数据的80％。一个或多个处理器104还基于所述预定时间段接收到数据的剩余部分对每个时间实例(t-1)所对应的害虫预测模型进行精度测试。在一实施例中，该数据的剩余部分可以是所接收到的数据的20％。
基于实际观察和预测结果之间的误差，可以对每个现场的最优害虫预测模型结构及其参数进行修改。本公开的***100将生成的害虫预测模型相对于当前的害虫情景进行调整，并随时间变化而改进该模型。在一个实施例中，目前的害虫感染情景是基于通过参与感测平台从农场收集的样本捕获的现场观察。如果害虫预测模型的结果与农场的实际害虫不符，则在模型中调整误差。现场观察(on-field observations)可以包括来自无线传感器网络的传感器数据和由移动电话应用捕获的事件(包括农场操作、农药喷撒活动或可以唯一识别现场的任何其他信息)。无线传感器网络(WSN)具有基站和不同的传感器节点，传感器捕获小时温度、湿度、土壤湿度、叶片湿度、光强等。对于所考虑的地理位置，可以对来自不同传感器节点的感测参数进行聚合。因此，在一实施例中，一个或多个处理器104还基于报告的第一输入集合验证和调整最优害虫预测模型。例如，所报告的第一输入集合可以包括与农艺信息有关的参与感测输入和众包输入中的一种或多种。
在一实施例中，一个或多个处理器104可以通过首先从所报告的第一输入集合接收图像来验证和调整最优害虫预测模型。过滤所接收的图像以出图像中的感兴趣的区域(ROI)。在一实施例中，ROI可以是图像中具有害虫/疾病斑块(disease patch)的植物部分(如叶或茎)，疾病斑块是害虫感染的斑块。然后可以分析ROI的一个或多个特征，例如尺寸、颜色、形状、纹理等。基于所分析的特征，可以计算害虫/疾病的成熟度，并可以相应调整最优预测模型。在示例性实施例中，报告的第一输入集合可以包括通过农村参与感测应用从多个现场拍摄的受感染的叶/茎的图像和图像捕获的时间戳。农村参与感测进行所开发预测模型的大规模验证和调整。可以过滤接收到的图像，可以识别出受感染的叶/茎上的害虫/疾病斑块，并且可以进行图像分析以计算图像捕获时害虫的成熟度。基于与害虫/疾病成熟度有关的信息可以得出实际的害虫感染实例。例如，如果害虫的虫龄为10天，则实际害虫感染实例是发生在从事件报告之日起10天前。
在一实施例中，用于图像分析的伪码可以表示如下：
删除背景并从不受控制的环境捕获的图像中提取叶子。
从叶子分离出害虫/疾病斑块(ROI)。
如果有任何ROI具有害虫/疾病斑块
分析提取的ROI的颜色、形状、纹理，以确定哪种害虫/疾病。
如果农民识别出的害虫/疾病是正确的(根据图像分析)
通过使用害虫/疾病斑块的颜色、纹理或形状的图像处理来识别害虫/疾病的成熟度，dM(分析疾病的严重性或害虫的生命周期)。
返回dM。
或者
显示消息(“报告的害虫/疾病与预测的不一致”)
或者
显示消息(“无害重/疾病感染”)
图6示出了根据本公开实施例在验证阶段的实际害虫实例、报告事件和根据不同模型(随机森林、梯度推进、回归树和支持矢量机(SVM))预测的害虫实例图形示意。所预测的高风险日期和基于报告事件导出的实际害虫实例的比较可用于调整所开发的预测模型。
在一实施例中，用于验证和调整最优害虫预测模型的伪码可以表示如下：
对于每天的检查
如果农民报告了图像(注：实际上现场/农场存在的害虫/疾病)
如果根据害虫/疾病预测发现害虫/疾病风险高
害虫/疾病_成熟度，dM＝图像_分析(报告图像)
调整_预测(dM,tR),其中tR＝报告日期。[注:为了基于预测和事件报告而得出的高害虫/疾病风险而调整日期失配(如果有的话)]
或者
害虫/疾病_成熟度，dM＝图像_分析(报告图像)
调整_预测(dM,tR)[注:因为预测没有表明害虫/疾病风险高]
或者(注：还没有报告现场/农场中存在害虫/疾病)
如果根据害虫/疾病预测发现害虫/疾病风险高
要求农民使用参与感测应用报告图像。
害虫/疾病_成熟度，dM＝图像_分析(报告图像)
如果农场中存在害虫/疾病
调整_预测(dM,tR),其中tR＝报告日期。[注:为了基于预测和事件报告而得出的高害虫/疾病风险而调整日期失配(如果有的话)]
或者
采纳预测误差。[注：因为预测显示出高害虫/疾病风险，然而在现场/农场中并不存在害虫/疾病]
或者
如果从关于该疾病的最后一次报告开始的时间间隔已经超过规定时间间隔[注：为了避免当预测没有显示出高害虫/疾病风险，农民也没有报告图像，但是实际上在现场/农场中已经有害虫/疾病的情况]
要求农民使用参与感测应用来报告图像
害虫/疾病_成熟度，dM＝图像_分析(报告图像)
如果在农场中存在害虫/疾病
采纳预测误差[注：因为预测没有显示出高害虫/疾病
风险]
或者
继续。
在一实施例中，所报告的第一输入集合可以存储在数据库中用于进一步处理。数据库还可能包含来自参与传感平台报告的事件。农民可以使用手机应用程序来捕获现场事件。可以捕获的示例性事件属性包括害虫或疾病影响的植被的地理标记图像、每个植物或叶子上的害虫数量、在农场受损的植物数量、受损的叶片数量、害虫或疾病的严重程度、受损叶片面积比例等等。使用这些信息，本公开的***可以适当地更新害虫预测模型。
以下是当本公开的***的性能可能受到影响的情况：
-当一个地区的疾病/害虫风险很高时，但由于缺乏参与而没有报告任何事件。为了解决参与缺乏，在一实施例中，当在特定时间窗口内还没有来自一个位置的报告时间时，本公开的***可以在预测模型连续显示该区域存在高疾病/害虫风险时向该特定区域或现场的农民分配任务以报告事件。可替代地，当预测模型显示出高风险时，本公开的***可以触发农民手机上的应用程序观察他们的农场并报告事件。
-一个地区实际上疾病/害虫风险较高时，但预测模型显示低疾病风向并且无事件报告。本公开的***可以通过周期性发送事件报告请求而不管关于疾病风险的预测如何来处理这一情况。
-当现场疾病或害虫感染报告延迟时。在一实施例中，本公开的***可以延迟处理事件报告。例如，当预测模型显示出较低的疾病风险，并且也没有来自该地点的报告事件，但实际上害虫或疾病发生时，将通过以周期性时间间隔要求事件报告来处理这一情况。该***可以通过分析基于延迟事件接收到的图像计算出的疾病或害虫的严重程度来预测疾害虫或疾病发生的实际日期。
在一实施例中，本公开的***可以为其用户提供激励机制。激励措施可以根据用户对疾病/害虫感染的及时反应、对周期性信息共享请求的反应等进行决定。
在一实施例中，本公开的***和方法提供数字化的农场日记，其可以保留所有农业活动的记录以供将来特定场景的参考。可以跟踪和记录每个农场或场所的病虫害发生率和相应的化学品使用情况。这将有助于农民今后决定采取的控制措施。同样，也可以追踪不同的农业活动，如灌溉、施肥、针对特定病虫害感染场景的控制措施，这将有助于农民在未来的情况下产生类似的产量或提高产量。
书面描述介绍了本文的主题，以使本领域任何技术人员能够实施和使用本公开的实施例。这里定义的主题实施例的范围可以包括本领域技术人员想到的其他改型。如果这些其他改型具有与权利要求的文字语言没有差异的相似元件，或者如果它们包括与该文字语言无实质差异的等同元件，则这些改型将在本公开的范围之内。
然而，应当理解，除了在其中具有消息的计算机可读装置之外，所保护的范围扩展到这样的程序；当程序在服务器或移动设备或任何合适的可编程设备上运行时，这种计算机可读存储装置包含用于实现该方法的一个或多个步骤的程序代码手段。硬件设备可以是可以被编程的任何种类的设备，包括例如任何类型的计算机，例如服务器或个人计算机等，或其任何组合。该设备还可以包括可以是硬件装置的装置，该硬件装置例如是专用集成电路(ASIC)、现场可编程门阵列(FPGA)，或者可以包括硬件和软件的组合，例如ASIC和FPGA，或可以包括至少一个微处理器和至少一个具有位于其中的软件模块的存储器。因此，该装置可以包括硬件装置和软件装置。本文描述的方法实施例可以以硬件和软件实现。该设备还可以包括软件装置。可替代地，本公开的实施例可以在不同的硬件设备上实现，例如使用多个CPU。
本文的实施例可以包括硬件和软件元件。以软件实现的实施例包括但不限于固件、驻留软件、微代码等。本文描述的包括本公开的***执行的功能可以在其他模块或其他模块的组合中实施。出于描述目的，计算机可用或计算机可读介质可以是可以包括、存储、通信、传播或传送程序以由指令执行***、装置或设备使用或与指令执行***、装置或设备结合使用的任何装置。本文描述的各种模块可以被实现为软件和/或硬件模块，并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。非暂时性计算机可读介质的一些非限制性示例包括CD、DVD、BLU-RAY、闪存和硬盘驱动器。
此外，尽管按顺序描述了处理步骤、方法步骤、技术等，但是这些处理、方法和技术可以被配置为以交替顺序工作。换句话说，所描述步骤的任何顺序或时序并不一定表明要求这些步骤按照该顺序执行。本文描述的处理步骤可以以任何实际顺序实施。此外，可以同时执行一些步骤。
阐述所示步骤旨在解释所示的示例性实施例，并且应当预期，正在进行的技术发展将改变执行特定功能的方式。本文提供的这些例子只是为了说明目的，而不是用于限制。此外，功能构建块的边界已经被任意定义以便于描述。也可以定义另外的边界，只要能够合适地执行特定功能并实现其关系即可。基于本文所包含的教导，本领域技术人员将清楚多种替代方案(包括等同、扩展、变化、推演等)。这些替代方案都将落入所公开实施例的范围和精神。此外，词语“包括”、“具有”、“包含”和其他类似形式都是旨在具有等同的含义，并且是开放式的，在这些词语之后的一个或多个条目并不意味着这一个或多个条目的排他性列表，或者意味着仅限于所列出的该一个或多个条目。需要注意的是，如本文和所附权利要求中所使用的，单数形式的“一”、“一个”以及“所述”也可以指代复数，除非上下文中清楚地另有说明。
本公开和多个示例仅是示例性的，所公开实施例的真实范围和精神应当由以下权利要求来界定。
Claims (13)
1.一种用于害虫预测的处理器实施的方法(200)，所述方法包括：
接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合(202)；
接收与所考虑的地理位置相关联的历史天气数据有关的第二输入集合；
基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例t0(204)；
针对来自与孕育阶段有关的时间实例t-1的集合中的每个时间实例t-1所对应的每种害虫生成害虫预测模型，所述害虫预测模型是基于预定时间段接收到的与如下信息有关的数据的至少一部分而训练的：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合；其中所述害虫预测模型是基于从天气助益滞后τ的预定义范围中确定的最优天气助益滞后而生成的最优害虫预测模型，其中所述最优天气助益滞后和所述时间实例t-1的集合是通过如下步骤确定的：
基于影响植被的害虫或疾病的生命周期来识别天气助益滞后τ的预定义范围；
对于每一天t，提取关于t-τ天的历史天气数据；
计算t-τ天的历史天气数据的平均值、标准偏差、偏度、峰度、变化系数这些统计特征，并将这些统计特征设置为每一天t的每个训练样本的特征向量；
使用所述训练样本的至少一部分来训练所述害虫预测模型；
基于所述训练样本的剩余部分来测试所述害虫预测模型的精度；
将天气助益滞后τ的所述预定义范围中产生最高精度的天气助益滞后指定为最优天气助益滞后；及
基于所述时间实例t0和所述最优天气助益滞后τ，估计与孕育阶段有关的每个时间实例t-1，其中每个时间实例t-1是通过t0-τ确定的；以及
基于实际观察与所述模型的预测结果之间的误差，针对每个现场修改所生成的害虫预测模型的结构及其参数。
2.根据权利要求1所述的处理器实施的方法，还包括：
在所述预定时间段，基于所述预定时间段接收到的与如下信息有关的数据的剩余部分对每个时间实例t-1所对应的害虫预测模型进行精度测试：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合。
3.根据权利要求1所述的处理器实施的方法，其中修改所生成的害虫预测模型的结构包括：基于捕获的现场观察来验证和调整所述最优害虫预测模型，并随时间变化而改进该模型。
4.根据权利要求3所述的处理器实施的方法，其中所述捕获的现场观察包括与所述农艺信息有关的参与感测输入和众包输入中的一种或多种。
5.根据权利要求3所述的处理器实施的方法，其中验证和调整所述最优害虫预测模型包括：
从所报告的第一输入集合接收图像；
过滤所接收的图像以识别害虫/疾病斑块，并将植被的相应部分提取为所述图像中的感兴趣区域；
基于颜色、形状和纹理构成的特征组，分析所述感兴趣区域中的一个或多个特征；
基于通过进行图像分析所分析的一个或多个特征，计算图像捕获期间害虫的成熟度；以及
基于计算出的害虫的成熟度调整所述最优害虫预测模型。
6.一种用于害虫预测的***(100)，所述***包括：
一个或多个数据存储设备(102)，其可操作地耦接至一个或多个硬件处理器(104)并被配置为存储所述一个或多个硬件处理器执行如下步骤的指令：
接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合；
接收与所考虑的地理位置相关联的历史天气数据有关的第二输入集合；
基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例t0；
针对来自与孕育阶段有关的时间实例t-1的集合中的每个时间实例t-1所对应的每种害虫生成害虫预测模型，所述害虫预测模型是基于预定时间段接收到的与如下信息有关的数据的至少一部分而训练的：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合；其中所述害虫预测模型是基于从天气助益滞后τ的预定义范围中确定的最优天气助益滞后而生成的最优害虫预测模型，其中所述最优天气助益滞后和所述时间实例t-1的集合是通过如下步骤确定的：
基于影响植被的害虫或疾病的生命周期来识别天气助益滞后τ的预定义范围；
对于每一天t，提取关于t-τ天的历史天气数据；
计算t-τ天的历史天气数据的平均值、标准偏差、偏度、峰度、变化系数这些统计特征，并将这些统计特征设置为每一天t的每个训练样本的特征向量；
使用所述训练样本的至少一部分来训练所述害虫预测模型；
基于所述训练样本的剩余部分来测试所述害虫预测模型的精度；
将天气助益滞后τ的所述预定义范围中产生最高精度的天气助益滞后指定为最优天气助益滞后；及
基于所述时间实例t0和所述最优天气助益滞后τ，估计与孕育阶段有关的每个时间实例t-1，其中每个时间实例t-1是通过t0-τ确定的；以及
基于实际观察与所述模型的预测结果之间的误差，针对每个现场修改所生成的害虫预测模型的结构及其参数。
7.根据权利要求6所述的***，其中所述一个或多个处理器还配置为：
在所述预定时间段，基于所述预定时间段接收到的与如下信息有关的数据的剩余部分对每个时间实例t-1所对应的害虫预测模型进行精度测试：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合。
8.根据权利要求6所述的***，其中所述一个或多个处理器配置为：
通过基于捕获的现场观察来验证和调整所述最优害虫预测模型，并随时间变化而改进该模型，以修改所生成的害虫预测模型的结构。
9.根据权利要求8所述的***，其中所述捕获的现场观察包括与所述农艺信息有关的参与感测输入和众包输入中的一种或多种。
10.根据权利要求8所述的***，其中所述一个或多个处理器还配置为通过如下步骤验证和调整所述最优害虫预测模型：
从所报告的第一输入集合接收图像；
过滤所接收的图像以识别害虫/疾病斑块，并将植被的相应部分提取为所述图像中的感兴趣区域；
基于颜色、形状和纹理构成的特征组，分析所述感兴趣区域中的一个或多个特征；
基于通过进行图像分析所分析的一个或多个特征，计算图像捕获期间害虫的成熟度；以及
基于计算出的害虫的成熟度调整所述最优害虫预测模型。
11.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质中具有在其中具体化的计算机可读程序，其中当在计算设备上执行时，所述计算机可读程序促使所述计算设备执行如下步骤：
接收与所考虑的地理位置的害虫相关联的农药施用及其农艺信息有关的第一输入集合；
接收与所考虑的地理位置相关联的历史天气数据有关的第二输入集合；
基于所述第一输入集合，估计与害虫开始影响所述地理位置的植被的影响阶段有关的时间实例t0；
针对来自与孕育阶段有关的时间实例t-1的集合中的每个时间实例t-1所对应的每种害虫生成害虫预测模型，所述害虫预测模型是基于预定时间段接收到的与如下信息有关的数据的至少一部分而训练的：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合；其中所述害虫预测模型是基于从天气助益滞后τ的预定义范围中确定的最优天气助益滞后而生成的最优害虫预测模型，其中所述最优天气助益滞后和所述时间实例t-1的集合是通过如下步骤确定的：
基于影响植被的害虫或疾病的生命周期来识别天气助益滞后τ的预定义范围；
对于每一天t，提取关于t-τ天的历史天气数据；
计算t-τ天的历史天气数据的平均值、标准偏差、偏度、峰度、变化系数这些统计特征，并将这些统计特征设置为每一天t的每个训练样本的特征向量；
使用所述训练样本的至少一部分来训练所述害虫预测模型；
基于所述训练样本的剩余部分来测试所述害虫预测模型的精度；
将天气助益滞后τ的所述预定义范围中产生最高精度的天气助益滞后指定为最优天气助益滞后；及
基于所述时间实例t0和所述最优天气助益滞后τ，估计与孕育阶段有关的每个时间实例t-1，其中每个时间实例t-1是通过t0-τ确定的；以及
基于实际观察与所述模型的预测结果之间的误差，针对每个现场修改所生成的害虫预测模型的结构及其参数。
12.根据权利要求11所述的非暂时性计算机可读介质，其中所述计算机可读程序还促使所述计算设备执行如下步骤：
在所述预定时间段，基于所述预定时间段接收到的与如下信息有关的数据的剩余部分对每个时间实例t-1所对应的害虫预测模型进行精度测试：(i)时间实例t0；(ii)时间实例t-1的集合；以及(iii)第二输入集合。
13.根据权利要求11所述的非暂时性计算机可读介质，其中所述计算机可读程序还促使所述计算设备通过基于捕获的现场观察来验证和调整所述最优害虫预测模型，并随时间变化而改进该模型，以修改所生成的害虫预测模型的结构。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201621023796 | 2016-07-12 | ||
| IN201621023796 | 2016-07-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107609666A CN107609666A (zh) | 2018-01-19 |
| CN107609666B true CN107609666B (zh) | 2021-04-16 |
Family
ID=60940421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710567207.0A Active CN107609666B (zh) | 2016-07-12 | 2017-07-12 | 使用历史农药使用信息进行害虫预测的***和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11397837B2 (zh) |
| CN (1) | CN107609666B (zh) |
| ZA (1) | ZA201704685B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11151500B2 (en) | 2017-11-21 | 2021-10-19 | The Climate Corporation | Digital modeling of disease on crops on agronomic fields |
| WO2019126971A1 (zh) * | 2017-12-25 | 2019-07-04 | 仲恺农业工程学院 | 一种基于机器视觉的虫害监测方法 |
| CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技（深圳）有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
| US11055447B2 (en) * | 2018-05-28 | 2021-07-06 | Tata Consultancy Services Limited | Methods and systems for adaptive parameter sampling |
| CN112753046A (zh) * | 2018-07-20 | 2021-05-04 | 拜耳作物科学株式会社 | 信息处理装置和程序 |
| WO2020071050A1 (ja) * | 2018-10-03 | 2020-04-09 | ボッシュ株式会社 | 表示装置 |
| WO2020079231A1 (en) * | 2018-10-19 | 2020-04-23 | Basf Se | Computer system and computer-implemented method for optimization of crop protection |
| CN109460429A (zh) * | 2018-11-19 | 2019-03-12 | 同方知网(北京)技术有限公司 | 一种基于农业产业数据的自助式分析模型方法与*** |
| CN109492619B (zh) * | 2018-12-17 | 2021-07-30 | 北京精禾大数据科技有限公司 | 集遥感、模型、算法为一体的变量施农药方法及*** |
| CN109819956A (zh) * | 2019-01-03 | 2019-05-31 | 固安京蓝云科技有限公司 | 一种农药喷洒植保作业分析模型及分析方法 |
| CN109816270B (zh) * | 2019-02-22 | 2022-05-13 | 福州大学 | 一种确定刚竹毒蛾危害遥感最佳诊断时段的方法 |
| CN110412115A (zh) * | 2019-07-30 | 2019-11-05 | 浙江省农业科学院 | 基于稳定同位素和多元素的未知年份绿茶原产地预测方法 |
| US11651452B2 (en) | 2020-08-12 | 2023-05-16 | Nutrien Ag Solutions, Inc. | Pest and agronomic condition prediction and alerts engine |
| CN112200368B (zh) * | 2020-10-13 | 2022-12-20 | 广东省科学院智能制造研究所 | 一种蚊子数量预测方法及*** |
| US20240095639A1 (en) | 2021-02-03 | 2024-03-21 | Bayer Aktiengesellschaft | Prediction Of Residues Of Plant Protection Agents In Harvested Products |
| CN113191730B (zh) * | 2021-04-30 | 2023-07-21 | 中国安全生产科学研究院 | 一种基于大数据的危险化学品全生命周期信息监管*** |
| CN117391265B (zh) * | 2023-12-13 | 2024-03-05 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389737A (zh) * | 2015-10-28 | 2016-03-09 | 中农网购（江苏）电子商务有限公司 | 一种农药喷洒的决策与控制*** |
| WO2016040678A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing agricultural activities |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016676A1 (en) * | 2000-07-26 | 2002-02-07 | Christopher Sann | Climatic conditions based pest control management |
| US20110035246A1 (en) | 2009-08-10 | 2011-02-10 | Syngenta Participations Ag | Devices, systems, and methods for aiding in pest management decisions |
| CN103155836B (zh) | 2011-12-16 | 2014-09-24 | 东北林业大学 | 一种预测林业有害生物发生程度的方法 |
| US9766993B2 (en) | 2012-05-18 | 2017-09-19 | International Business Machines Corporation | Quality of information assessment in dynamic sensor networks |
| US10402835B2 (en) * | 2014-07-16 | 2019-09-03 | Raytheon Company | Agricultural situational awareness tool |
| TWI574607B (zh) * | 2014-11-27 | 2017-03-21 | 國立臺灣大學 | 用於作物的施藥系統及其施藥方法 |
| US9563852B1 (en) * | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
-
2017
- 2017-07-12 US US15/648,209 patent/US11397837B2/en active Active
- 2017-07-12 ZA ZA2017/04685A patent/ZA201704685B/en unknown
- 2017-07-12 CN CN201710567207.0A patent/CN107609666B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016040678A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing agricultural activities |
| CN105389737A (zh) * | 2015-10-28 | 2016-03-09 | 中农网购（江苏）电子商务有限公司 | 一种农药喷洒的决策与控制*** |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA201704685B (en) | 2019-06-26 |
| US20180018414A1 (en) | 2018-01-18 |
| US11397837B2 (en) | 2022-07-26 |
| CN107609666A (zh) | 2018-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609666B (zh) | 使用历史农药使用信息进行害虫预测的***和方法 | |
| US10957036B2 (en) | Methods and systems for crop pest management utilizing geospatial images and microclimate data | |
| US9311605B1 (en) | Modeling of time-variant grain moisture content for determination of preferred temporal harvest windows and estimation of income loss from harvesting an overly-dry crop | |
| CN110545305B (zh) | 用于自适应参数采样的方法和*** | |
| US9076118B1 (en) | 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 | |
| US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| US9009087B1 (en) | Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data | |
| EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
| US10555461B2 (en) | Systems and methods for estimating effective pest severity index | |
| US9087312B1 (en) | 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 | |
| US9037521B1 (en) | Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states | |
| EP3206179A1 (en) | Method and system for agriculture field clustering and ecological forecasting | |
| US9201991B1 (en) | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| Gebresenbet et al. | A concept for application of integrated digital technologies to enhance future smart agricultural systems | |
| Petacchi et al. | Large‐scale simulation of temperature‐dependent phenology in wintering populations of B actrocera oleae (Rossi) | |
| US9031884B1 (en) | Modeling of plant wetness and seed moisture for determination of desiccant application to effect a desired harvest window using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
| WO2016118684A1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
| Park et al. | A layered features analysis in smart farm environments | |
| Manideep et al. | Smart agriculture farming with image capturing module | |
| US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| Muir et al. | 'Sugar from Space': Using Satellite Imagery to Predict Cane Yield and Variability | |
| Joshi et al. | FarmEdge: A Unified Edge Computing Framework Enabling Digital Agriculture | |
| CN114760832A (zh) | 预测装置 | |
| Krishna et al. | Design and Development of an Agricultural Mobile Application using Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |