CN111095314A - 作物植物种植的产量估计 - Google Patents

作物植物种植的产量估计 Download PDF

Info

Publication number
CN111095314A
CN111095314A CN201880054195.4A CN201880054195A CN111095314A CN 111095314 A CN111095314 A CN 111095314A CN 201880054195 A CN201880054195 A CN 201880054195A CN 111095314 A CN111095314 A CN 111095314A
Authority
CN
China
Prior art keywords
weather
crop
growth
measures
yield
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880054195.4A
Other languages
English (en)
Inventor
O·彼得斯
赵刚
H·霍夫曼
E·希尔
A·K·达乌迪
C·比特
F·J·舍费尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BASF Agro Trademarks GmbH
Original Assignee
BASF Agro Trademarks GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BASF Agro Trademarks GmbH filed Critical BASF Agro Trademarks GmbH
Publication of CN111095314A publication Critical patent/CN111095314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Animal Husbandry (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及种植作物植物的技术领域，特别涉及预期产量的预报创建。

Description

作物植物种植的产量估计
技术领域
本发明涉及作物植物生长的技术领域，特别涉及创建预期产量的预报。
背景技术
通过多种参数确定正在生长的作物植物的产量。其中的一些可能受到农民影响，例如土壤耕种，播种的类型、日期和密度，控制有害生物体措施的实施，养分的部署、灌溉和收获日期。其它参数(诸如天气)几乎不会受到影响。
对于农民来说，知道在生长期间结束时他能预期得到什么产量将是有利的。了解农业措施将如何影响产量也将是有利的。
本发明为农民提供了此类信息。
发明内容
本发明首先提供一种方法，该方法优选地借助于计算机***，例如服务器，特别是服务器以及本地或移动计算机***，来确定在作物植物生长中预期的产量，该方法包括以下步骤：
(A)优选在提供特别是地理坐标的位置数据的情况下，识别作物植物在其中正在生长或将要生长的田地，
(B)考虑迄今为止的天气进程，优选地采用迄今为止的天气进程和预报天气进程的无缝过渡，预报作物即将到来或正在进行的生长期间直到计划收获为止的田地的天气进程，预报
(C)预报该预报天气进程内在田地中一种或多种有害生物体的发生，
(D)优选通过提供至少部分地确定即将到来或正在进行的生长期间的农业措施的措施数据，确定作物植物的即将到来或正在进行的生长期间直到计划收获的农业措施，
(E)假设步骤(B)和(C)的预报是正确的并且在步骤(D)中所确定的措施已实施，则计算在作物植物的生长中预期的产量，
(F)提供或显示预期的产量，
(G)优选针对步骤(B)提供与天气的实际进程有关的天气数据，并且针对步骤(C)、(D)、(E)提供记录的田地特定数据，特别是与实际已经发生的有害生物体有关的有害生物体数据和与实际已经实施的措施有关的措施数据，
优选预报步骤(B)中至少两个不同的天气进程，并针对至少两个不同的天气进程中的每一个天气进程执行步骤(C)、(D)、(E)，
考虑直至执行步骤的各个时刻的天气的实际进程、实际已经发生的有害生物体和实际已经实施的措施来重复执行步骤(B)、(C)、(D)、(E)和(F)。
本发明进一步提供了一种计算机***，优选地用于确定在作物植物的生长中预期的产量，该计算机***包括：
(A)优选通过提供特别是地理坐标的位置数据来识别作物植物在其中正在生长或将要生长的田地的部件，或被配置为提供特别是地理坐标的位置数据的记录模块，
(B)用于考虑迄今为止的天气进程，优选地采用迄今为止的天气进程和预报天气进程的无缝过渡，来提供作物植物的即将到来或正在进行的生长期间直到计划收获为止的田地的天气进程预报的部件，预报或者被配置为用于考虑迄今为止的天气进程，优选采用迄今为止的天气进程和预报天气进程的无缝过渡，来提供作物植物的即将到来或正在进行的生长期间直到计划收获为止的田地的天气进程预报的天气模块，预报
(C)用于提供预报天气进程内在田地中一种或多种有害生物体的发生的预报的部件，或被配置为提供预报天气进程内在田地中一种或多种有害生物体的发生的预报的有害生物体模块，
(D)用于优选通过提供至少部分地确定即将到来或正在进行的生长期间的农业措施的措施数据，来识别作物植物的即将到来或正在进行的生长期间直到计划收获的农业措施的部件，或被配置为用于优选通过提供部分地确定即将到来或正在进行的生长期间的农业措施的措施数据，来识别作物植物的即将到来或正在进行的生长期间直到计划收获的农业措施的措施模块，
(E)用于假设步骤(B)和(C)的预报是正确的并且在步骤(D)中所确定的措施已实施，则计算在作物植物的生长中预期的产量的部件，或被配置为用于假设步骤(B)和(C)的预报是正确的并且在步骤(D)中所确定的措施已实施，则计算在作物植物的生长中预期的产量的产量模块
(F)显示或提供预期产量的部件，或被配置为显示或提供预期产量的界面，
其中，计算机***被配置为使得优选通过针对步骤(B)提供与天气的实际进程有关的天气数据，并且针对步骤(C)、(D)、(E)提供记录的田地特定数据，特别是与实际已经发生的有害生物体有关的有害生物体数据和与实际已经实施的措施有关的措施数据，
优选通过预报步骤(B)中至少两个不同的天气进程，并针对至少两个不同的天气进程中的每一个天气进程执行步骤(C)、(D)、(E)，考虑直至执行步骤的各个时刻的天气的实际进程、实际已经发生的有害生物体和实际已经实施的措施，来重复执行步骤(B)、(C)、(D)、(E)和(F)。
本发明进一步提供一种计算机程序产品，优选地用于确定在作物植物的生长中预期的产量，该计算机程序产品包括计算机可读数据存储部件和存储在该数据存储部件上的程序代码，并且该程序代码当在计算机***上执行时使计算机***执行以下步骤：
(A)优选通过提供特别是地理坐标的位置数据来确定作物植物在其中正在生长或将要生长的田地，
(B)考虑迄今为止的天气进程，优选采用迄今为止的天气进程和预报天气进程的无缝过渡，来确定作物植物的即将到来或正在进行的生长期间直到计划收获为止的田地的天气进程，预报
(C)确定预报天气进程内在田地中一种或多种有害生物体的发生的预报，
(D)优选通过提供至少部分地确定即将到来或正在进行的生长期间的农业措施的措施数据，确定作物植物的即将到来或正在进行的生长期间直到计划收获的农业措施，
(E)假设步骤(B)和(C)的预报是正确的并且在步骤(D)中所确定的措施已实施，则计算在作物植物的生长中预期的产量，
(F)提供或显示预期的产量，
(G)优选通过针对步骤(B)提供与天气的实际进程有关的天气数据，并且针对步骤(C)、(D)、(E)提供记录的田地特定数据，特别是与实际已经发生的有害生物体有关的有害生物体数据和与实际已经实施的措施有关的措施数据，
优选通过预报步骤(B)中至少两个不同的天气进程，并针对至少两个不同的天气进程中的每一个天气进程执行步骤(C)、(D)、(E)，考虑直至执行步骤的各个时刻的天气的实际进程、实际已经发生的有害生物体和实际已经实施的措施，来重复执行步骤(B)、(C)、(D)、(E)和(F)。
在下文中对本发明进行了详细说明，而没有在本发明的主题(方法、计算机***、计算机程序产品)之间进行区分。相反，以下说明旨在类似地适用于本发明的所有主题，而与它们的上下文(方法、计算机***、计算机程序产品)无关。
本发明的方法用于协助农民在田地中作物植物的生长。
术语“田地”应理解为是指地球表面在空间上可界定的区域，通过在此类田地中种植作物植物，向其提供养分并进行收获来将该区域用于农业用途。
术语“作物植物”应理解为意指通过人类干预有意生长为有用或观赏植物的植物。
(A)识别正在生长或将要生长作物植物的田地
在第一步骤中，识别出正在生长或将要生长作物植物并在本发明方法的过程中对其进行详细考虑的田地。
通常，使用明确确定田地位置的地理坐标进行识别。通常借助于安装在计算机***上的计算机程序来执行本发明的方法。因此，通常将田地的地理坐标传输到计算机程序中。例如，计算机程序的用户可以经由键盘输入地理坐标。还可以想到的是，计算机程序的用户在计算机屏幕上查看地理地图并例如采用计算机鼠标在此类地图上标记正在考虑的田地的边界。
田地的识别因此固定了在本发明的方法的进一步过程中考虑的地球表面的区域。
(B)预报天气进程
在进一步的步骤中，考虑迄今为止的天气进程，优选采用迄今为止的天气进程和预报天气进程的无缝过渡，来预报作物植物即将到来或正在进行的生长期间直到计划收获为止的天气进程预报。
天气预报的目的是以最大的精度预报即将到来的或正在进行的生长期间的天气事件的分布和相应的概率。
众所周知，未来几天(例如至多九天)的天气可以比较准确地预报，而未来几周或几个月(例如大于九天)的某个日期的天气预报比较不精确。因此，对于仅能够不精确地预报的天气的时段，历史天气数据非常适合，以便使用过去几年中经常观察到的趋势作为未来天气预报的基础。
可以例如从众多商业供应商处获得对不久的将来的天气预报(例如一天至多约一周或至多约9天)。
针对在生长期间内的更远的将来(例如超过一周或超过九天)，优先使用季节性天气预报。这些预报在此可以基于例如全球、区域和全球区域耦合的动态环流模型和/或历史天气数据的长期统计和/或结合其它变量的随机天气模拟和/或纯随机天气模拟的各个气候变量的动态预估(环流模型)。
特别地，季节预报可以由商业供应商和/或研究机构提供。
关于采用哪种季节预报的决定取决于模型的预报质量。为此，可以使用索引，例如布里尔分数(Brier score)。低于特定的极限(低于该极限时，建模的天气预报的增加值关于长期气候统计微不足道)，优先使用基于长期气候统计的季节天气预报。
可以想到创建被称为预估的多个预报，。可以想到，使用历史天气数据，可以确定典型(例如，最可能的)或平均天气进程(在例如最后三、四、五、六、七、八、九、十年的定义时间段内的平均天气进程)。可以想到，基于最近的过去确定似乎比其它可能性更高的特定季节天气预报。
可以想到，可以另外使用历史天气数据来预报从农业的角度来看相对有利的天气进程和/或相对不利的天气进程。
在优选实施例中，创建了多个天气预报，其优选地覆盖了过去几年中发生的天气进程的频谱。在优选实施例中，也确定并报告每种天气进程的发生的概率，使得可以将天气进程相互比较。
不同的天气进程(历史、近期预报、季节预报、预估)以无缝时间序列(“无缝预测”)结合。
(C)一种或多种有害生物体的发生的预报
对于每个预报天气进程，在本发明方法的进一步步骤中，对一种或多种有害生物体的发生进行预报。
优选地，预报确定一种或多种有害生物体侵袭的风险。
“有害生物体”应理解为是指可以在作物植物的生长中出现并可能损害作物植物，对作物植物的收获产生不利影响或与作物植物竞争自然资源的生物体。此类有害生物体的示例是杂草植物、禾本科杂草、动物害虫(例如甲虫、毛虫和蠕虫)、真菌和病原体(例如细菌和病毒)。即使从生物学的角度来看，病毒不包括在生物体中，但此处仍应使用术语“有害生物体”来涵盖它们。
有害生物体的具体示例包括：中欧的冬小麦上的三季香螺(Septoria Trititici)(https://gd.eppo.int/taxon/SEPTTR)、格氏魮(Erysiphe graminis)(https://gd.eppo.int/taxon/ERYSGR)、布氏白粉病(Puccinia recondite)(https：//gd.eppo.int/taxon/PUCCRE)、梨果属三柱蕨(Pyrenophora tritici-repentis)或德氏霉属三柱蕨(Drechslera tritici-repentis)(https://gd.eppo.int/taxon/PYRNTR)和镰刀菌属(Fusarium spp.)(https://gd.eppo.int/taxon/FUSASP)。
术语“杂草植物”(复数：杂草植物)应理解为是指作物植物、草地或花园中自发伴随的植被(山茱萸属)的植物，该植物并非特意在此种植，而是从土壤中潜在的种子或通过空中传播发育而来。该术语在实际意义上不限于杂草，还包括禾本科草、蕨类、苔藓或木本植物。
在作物植物保护领域，也经常利用术语“禾本科杂草”(复数：禾本科杂草)以便说明与草本植物的界限。在本文中，术语“杂草”用作旨在包括术语“禾本科杂草”的涵盖性术语。
为了预报一种或多种有害生物体的发生，例如可以使用现有技术中描述的预测模型。用于预测的商业上可用的决策支持***“专家”使用与正在生长或将要生长的作物植物有关的数据(发育阶段、生长条件、作物保护措施)、与天气条件有关的数据(温度、日照时间、风速、降水)，以及与已知有害生物体/疾病有关的数据(经济生存能力的极限、幼苗/疾病的压力)，并基于这些数据计算侵袭风险(Newe M.，Meier H.，Johnen A.，Volk T.的proPlant expert.com–an online consultation system on crop protection incereals,rape,potatoes and sugarbeet.EPPO Bulletin 2003，33，443-449；Johnen A.，Williams I.H.，Nilsson C.，Klukowski Z.，Luik A.，Ulber B.的The proPlant DecisionSupport System:Phenological Models for the Major Pests of Oilseed Rape andTheir Key Parasitoids in Europ，(2010)Ed.:Ingrid H.Williams.Tartu 51014,Estonia.ISBN 978-90-481-3982-8.第38-403页；www.proPlantexpert.com)。
为了预报有害生物体，还可以考虑过去的实际侵袭。
优选地，对于所讨论的田地和/或相邻田地中过去已经发生的那些有害生物体，确定出侵袭风险。
优选以部分区域特定的方式确定侵袭的风险。可以想到，例如，田地的一些部分区域由于其位置而特别频繁地和/或特别显著地受到有害生物体影响和/或有害生物体的侵袭经常源于一种或多种定义的部分区域。
在优选实施例中，为了预报天气进程，生成了一个或多个田地的数字地图，其中以部分区域特定的方式绘制了一种或多种有害生物体侵袭的风险。例如，可以想到为定义的有害生物体生成一系列数字地图，例如一年中每月一个地图，并借助于地图上的颜色编码，指示具有在所讨论月份的有害生物体以及采用该预报天气进程的部分区域被侵袭的风险有多高。例如，颜色“红色”可意味着大于90％的侵袭风险，并且颜色“绿色”可意味着小于10％的侵袭风险。可以在10％到90％之间的范围使用不同的黄色和橙色阴影。可以想到其它/进一步的表示模式。
在优选实施例中，对关于是否超过了损害阈值的所确定的侵袭的风险进行评估。
“损害阈值”是来自农业、林业和园艺的术语。它指示病原体或疾病的侵袭密度或杂草的侵袭，从中进行控制在经济上是不可行的。达到该值时，通过控制进行的额外经济支出大于存在风险的收获失败。如果侵袭或杂草压力超过该值，则控制成本至少由预期的额外产量补偿。
根据有害生物体或疾病的性质，损害阈值可能会非常不同。在只能采用高额支出以及对进一步生产的不利伴随影响来控制有害生物体或疾病的情况下，损害阈值可能很高。然而，如果即使是小规模的侵袭也可能成为威胁毁坏整个生产的传播源，则损害阈值可能非常低。
现有技术中存在许多与确定损害阈值有关的示例(例如，参见ClausM.Brodersen：Informationen in Schadschwellenmodellen[损害阈值模型中的信息]，GIL的报告[德国农业计算机科学学会，林业与食品科学]，第7卷，第26至36页，http://www.gil-net.de/Publikationen/7_26.pdf)。
(D)确定农业措施
在进一步的步骤中，针对即将到来或正在进行的作物植物生长期间直到计划收获为止，确定农业措施。
术语“农业措施”应理解为是指在作物植物田地中为获得植物产品而必需或在经济上可行和/或在环境上可取的任何措施。农业措施的示例是：土壤耕种(例如耕作)、部署种子(播种)、灌溉、施用生长调节剂、控制杂草植物/禾本科杂草、养分部署(例如通过施肥)、有害生物体控制、收获。
农业措施优选是化学作物管理措施(施用作物保护产品或生长调节剂)，特别是降低有害生物体的预报侵袭风险的措施。特别通过选择合适的作物保护产品、安排应施用作物保护产品时的日期以及安排要施用的作物保护产品的量来确定措施。该措施优选以部分区域特定的方式确定。
术语“作物保护产品”应理解为是指一种组合物，其用于保护植物或植物产品免受有害生物体的侵袭或防止其作用，破坏不需要的植物或植物部分，抑制不需要的植物生长和/或以不同于养分的方式影响植物的生命过程。作物保护产品的示例是除草剂、杀真菌剂和农药(例如杀虫剂)。
优选确定具有最大成本/收益比的那些措施。
措施的确定优选考虑法律方面和环境保护方面。例如，可以想到，可以仅在特定日期和/或特定最大量下施用所选择的作物保护产品。在确定措施时优选考虑这些和类似的限制。
可以例如基于正在生长或将要生长的作物来确定措施。可以想到，例如，用户将关于正在生长或将要生长的作物的信息输入到本发明的计算机***中，例如物种名称、播种日期等。然后，计算机***例如基于存储在数据库中的信息来确定哪些措施是必需的和/或在经济上可行和/或在生态上明智的，以便获得最大的产量。优选地，本发明的计算机***基于所存储的信息，确定将来应该明智地实施措施的时间段。时间段的确定可以考虑预报天气进程和/或有害生物体的发生的预报。例如，如果预报要下雨，则实施谷物收成的收获是不明智的。此外，如果仅存在有害生物体的发生的重大风险，则仅建议控制有害生物体的部件的施用。
(E)预期产量的计算
在进一步的步骤中，确定了在考虑场景的条件下生长作物植物时预期的产量。
为此，可以使用植物生长模型。
术语“植物生长模型”应理解为是指一种数学模型，该数学模型描述作为内在(遗传)和外在(环境)因子的函数的植物的生长。
存在多种作物植物的植物生长模型。例如通过如下书籍给出植物生长模型创建的介绍：i)由Marco Günther和Kai Velten所著的《Mathematische Modellbildung undSimulation》(数学建模与模拟)，该书由Wiley-VCH Verlag于2014年10月出版(ISBN：978-3-527-41217-4)，以及ii)Daniel Wallach、David Makowski、James W.Jones和FrancoisBrun所著的“Working with Dynamic Crop Models”，于2014年由美国学术出版社(Elsevier)出版。
植物生长模型通常模拟在定义的时间段内作物植物的作物生长。也可以想到使用基于单个植物的模型，该模型模拟植物各个器官中能量和物质的流动。混合模型也是可用的。
作物植物的生长不仅由植物的遗传特征确定，也主要由植物生命期间中存在的本地天气条件(日照量和光谱分布、温度分布、降水量、风输入)、土壤条件和养分供应确定。
已经采取的作物措施以及已经发生的有害生物体的任何侵袭也可能对植物生长产生影响，并可以在生长模型中加以考虑。
植物生长模型通常称为基于动态过程的模型(请参见于2014年在美国学术出版社(Elsevier)出版的Daniel Wallach、David Makowski、James W.Jones和Francois Brun的“Working with Dynamic Crop Models”)，但也可以全部或部分是基于规则，或统计或数据支持/经验的。这些模型通常称为点模型。通常对这里的模型进行校准，使得输出反映输入的空间表示。如果输入已经在某个空间点被确定，或者针对空间点进行插值或估计，则通常假定模型输出可应用于整个相邻田地。已知将在田地水平上校准的被称为点模型的到更广泛，通常更粗糙的尺度上的应用(例如，参见H.Hoffmann等人的“Impact of spatial soiland climate input data aggregation on regional yield simulations”，2016，PLoSONE 11(4)：e0151782.doi：10.1371/journal.pone.0151782)。通过将该所谓的点模型应用于田地中的多个点，使得可以在这里进行部分区域特定的建模。然而，这里忽略了空间相关性，例如在地下水预算中。另一方面，还存在用于时间/空间显式建模的***。这里考虑空间相关性。
动态的基于过程的植物生长模型的示例是Apsim、Lintul、Epic、Hermes、Monica、STICS等。
建模中优选包括以下输入参数：
天气：每日总降水量、总辐射、每日最低和最高气温，以及近地温度和地温、风速等。
土壤：土壤类型、土壤质地、土壤性质、田间持水量、永久枯萎点、有机碳、矿物质氮含量、倒伏密度、van Genuchten参数等。
作物植物：类型、品种、特定品种的参数，例如特定叶面积指数、总温度、最大根深等。
作物措施：种子、播种日期、播种密度、播种深度、肥料、肥料量、施肥日期数量、施肥日期、土壤耕种、收获残留物、作物轮作、与去年同一作物的田间距离、灌溉等。
随时间推移生长的作物植物的进化的预报优选地是部分区域特定的。
假设事先确定的预报是正确的(天气进程、有害生物体的发生)并且所确定的农业措施已经实施，则可以计算出预期的产量。当然，应当指出，有害生物体的发生与农业措施之间可能存在相互作用。这是因为这可能是防止预报的有害生物体的发生或降低风险的农业措施的目的。在此类情况下，“假设步骤(B)和(C)的预报是正确的，并且步骤(D)中所确定的措施被实施”的表述表示天气进程如预报地发生，并且由于预报天气进程确实如预报地存在有害生物体的发生的风险，但所确定的农业措施被实施并且将会成功，这导致与控制有害生物体有关的有害生物体的发生的降低风险(尽管如果确定的农业具有防止有害生物体的发生的目的，则风险也可以忽略不计)。
假设不采取事先确定的农业措施，也可以进行预期产量的计算。可以想到，本发明的计算机程序产品的用户可以通过例如取消选择推荐的措施来研究措施对计算机上预期的产量的影响，并且然后如果没有实施取消选择的措施则计算机程序计算产量如何变化。
优选以部分区域特定的方式选择和取消选择措施。
(F)提供或显示预期的产量
预期的产量在显示设备上向用户显示。显示设备通常是屏幕，该屏幕是本发明的计算机***的一部分。
优选地，对于单独的部分区域和/或整个田地指示预期的产量。该显示可以是图形辅助的，例如借助于条形图等。
因此，用户能够在计算机屏幕上查看各种场景，并且如果实际实现了特定的预报天气进程，则可以看到结果是什么产量，和/或如果采取或不采取特定的措施，则可以看到结果是什么产量。
优选地，预期的产量以部分区域特定的方式以数字地图的形式显示在计算机屏幕上。
(G)步骤的重复执行
在进一步的步骤中，考虑到直到步骤实施的各个时刻为止的天气进程、实际已经发生的有害生物体和实际已经实施的农业措施，重复所提到的步骤(B)、(C)、(D)、(E)和(F)。
在重复执行中，确定了迄今为止的实际天气进程。创建对未来天气进程的预报，该预报与从迄今为止的实际天气进程无缝衔接，即，描述天气的任何参数(温度、气压、空气湿度等)的进程中不存在间断。对于确定的天气进程(迄今为止和将来)，计算出一种或多种有害生物体发生的概率。确定了将在田间实施的农业措施。在确定农业措施时，可以考虑确定的天气进程和/或预报的有害生物体。计算了预期的种植的作物植物的产量，为了进行计算，假设将实际发生未来的天气进程预报，作为预报实际上存在预报有害生物体的发生的风险，并且所确定的农业措施已经实际实施并且是成功的，这意味着措施所要实现的结果实际上发生。所计算的产量向用户显示。
每当用户想要获得更新的产量确定时，该重复可以例如由本发明的计算机***的用户发起。
优选地，本发明的计算机程序产品被配置为使得其被自动更新。更新是指到各个更新时刻为止实际已经发生的天气进程、实际已经发生的有害生物体，以及实际已经执行的措施被包括在预期的产量计算中。可以例如每当用户启动或调用计算机程序时自动进行更新。可替代地，可以想到更新在固定的时间进行，例如每天或每周。可替代地，可以想到以不规则的间隔，例如每当实际状况与那些预报存在显著偏差时进行更新。
在更新的情况下，重复以上详述的步骤(B)、(C)、(D)、(E)和(F)。假设用户已经在第一时刻第一次执行本计算机程序产品，并且可以在实际采取了步骤(D)推荐的措施的条件下针对预报天气进程计算产量。在稍后的第二时刻，用户再次调用本计算机程序产品。在干预期间，存在影响生长的作物植物的植物生长和/或有害生物体的侵袭的风险的定义天气进程。本计算机程序产品确定实际天气进程并调节对实际天气进程侵袭的风险的预报。另外，创建一个或多个更新的天气预报，并且同样更新相应的侵袭风险。基于更新的侵袭风险，确定了控制有害生物体的新措施。
另外，在重复过程中或在本发明过程的步骤的第一运行中，可以借助于进一步观察到的状态变量将模型运行调节为现实。此类调节的示例是将模型运行调节为
-借助于卫星观察到的植被指数(例如NDVI)或叶面积指数(LAI)
-在植物作物中实际观察到的侵袭(例如评分)
-实际观察到的生长阶段或作物成熟
-实际采取的农业措施(施肥、作物保护等)
-观察到的其它环境变量(例如，土壤含水量的测量)。
最后，计算并显示更新的预期产量。这里可以调节内部模型参数或计算的状态变量。
本发明的方法可以全部或部分地在计算机***(例如，本发明的计算机***)上执行。
一种计算机***包括一个或多个计算机。术语“计算机”应理解为是指用于信息处理的通用程序控制的机器。计算机具有：至少一个输入单元(鼠标、触控板、键盘、扫描仪、网络摄像头、操纵杆、麦克风、条形码读取器等)，借助于该输入单元可以输入数据和控制命令；处理单元，其包括工作存储器和处理器，采用该处理器处理数据和命令；以及输出单元(例如屏幕、打印机、扬声器等)，以便从***传输数据。现代计算机通常分为台式计算机、便携式计算机、膝上型计算机、笔记本计算机、上网本和平板计算机以及所谓的手持设备(例如智能电话、智能手表)。
借助于输入单元，用户可以选择要为其创建产量预报的田地。该计算机***可以向用户提供数字地图。借助于输入单元，例如计算机鼠标，用户能够改变地图的区域并放大地图或缩小地图，使得能够在地图上显示特定的区域。在地图中，用户可以例如通过绘制田地边界选择特定的田地。可替代地可以想到，借助于图像分析自动识别出田地边界，并且用户可以例如通过用鼠标点击识别的田地来选择它。
可以想到，用户借助于输入单元来指定田地中正在生长(或将要生长)的作物植物。
本发明的计算机***可以被配置为使得其自身生成天气预报或经由连接的网络(例如，因特网)从供应商处获取天气预报。
优选地，本发明的计算机***被配置为使得其从供应商处获取天气预报。在此类情况下，本发明的计算机***包括接收单元，用于接收指定田地或包括指定田地的区域的天气预报。计算机***优选连接到网络(例如因特网)。
借助于网络，本发明的计算机***还可以连接到一个或多个数据库，该数据库存储与正在生长/将要生长的作物植物有关的信息，例如作物植物的农业措施。
本发明的计算机***可以被配置为使得其可以基于预报天气进程来计算有害生物体的发生的概率。在此类情况下，可以安装预测模型，该预测模型接收表征天气进程(例如温度进程、降水量等)的数据作为输入参数，并输出在生长阶段过程中有害生物体发生的概率作为输出参数。
可替代地，可以想到本发明的计算机***经由网络访问预测模型，以便获得并获取确定的侵袭风险。
本发明的计算机***优选具有用于计算产量的单元，该单元可以是处理单元的一部分。产量计算单元的另一部分是植物生长模型。产量计算单元将针对生长期间确定的天气进程用作输入参数，以便借助于植物生长模型计算生长期间内的植物生长。确定的任何预报有害生物体和农业措施也将被考虑作为输入参数。结果是产量预报。如果已经考虑了多种天气进程和/或各种农业措施，则结果是相应的多个产量预报。
该计算机***具有显示设备(例如屏幕)，在该显示设备上可以向用户显示产量预报。
附图说明
在附图中详细描述了本发明的工作示例，并且在随后的描述中对其进行了详细说明。附图示出：
图1是包括服务器、本地计算机***、移动计算机***、农业机械和卫星***的说明性本地化计算机***，
图2是借助于本地化计算机***，并且特别是图1的服务器，确定作物植物生长中预期产量的说明性方法，
图3是借助于本地化计算机***，并且特别是图1的服务器，更新作物植物生长的预期产量的说明性方法，
图4是借助于本地化计算机***，并且特别是图1的服务器，更新作物植物生长的预期产量的另一种说明性方法。
具体实施方式
图1示出了说明性的本地化计算机***10，其包括服务器12、本地计算机***14、移动计算机***16、农业机械18和卫星***20。
这里的服务器12可以是为存储空间、计算能力或应用软件提供IT基础设施的云服务器。诸如台式计算机的本地计算机***14或诸如智能电话、无人机、便携式数字助理(PDA)、膝上型计算机或平板计算机的移动计算机***16可以经由诸如因特网的网络22与服务器12通信。另外，农业机械18或卫星***20可以与服务器通信。
本地计算机***14可以充当客户端，并且可以包括基于Web的应用，该应用协调与服务器12的通信。例如，将确定产量的请求发送到服务器12，或从服务器12接收请求的数据，诸如确定的产量和用于确定的场景。例如，用于确定产量的请求可以包括田地的位置数据、时间数据、田地特定的数据，特别是生长数据、有害生物体数据或措施数据。另外，本地计算机***14可以用于在屏幕上可视化数据，例如确定的产量以及导致确定的产量的假设或场景。
以类似的方式，诸如智能电话、膝上型计算机或平板计算机的移动计算机***16可以充当客户端，并且可以包括基于web的应用，该应用协调与服务器12的通信。另外，可以直接在田地中使用诸如智能电话或无人机的移动计算机***16，以便将田地特定的数据传送到服务器12。例如，可以将移动计算机***16中的相机用于图像数据的生成。例如，田地的本地图像数据可以借助于移动计算机***16被记录并且被传输到服务器12，以便例如确定产量预报。图像和/或对象分析方法可以从图像数据中提取生长、侵袭或农业措施。图像数据可以相应地充当生长数据、侵袭数据和/或措施数据，以便例如确定产量预报。另外，得分可以借助于移动计算机***16被记录并且被传输到服务器12，以便例如确定产量预报。
另外，农业机械18可以经由安装在其中的传感器来记录农业措施。例如，用于部署种子的农业机械18可以记录部署的位置数据、种子类型、部署的种子量和部署日期。以类似的方式，用于部署作物保护产品的农业机械18可以记录部署的位置数据、作物保护产品的类型、部署的作物保护产品量和部署日期。以该方式，可以记录测量数据，该测量数据指定例如播种措施、施肥措施、土壤耕种措施、作物保护措施或灌溉措施。所记录的测量数据可以被传输到服务器12，以便例如确定产量预报。
此外，测量值可由卫星***20检测到，并传输到服务器12。例如，基于不同的测量技术(诸如LIDAR、RADAR、高光谱或多光谱光谱学或摄影技术)，遥感地球观测卫星可以记录天气数据，或田地特定的数据，诸如生长数据、侵袭数据和/或措施数据。更具体地，可以从卫星图像中提取生长数据，诸如田地的生物量或叶面积指数。导航卫星可用于定位或确定位置数据。所记录的天气数据或所记录的田地特定的数据可以被传输到可由服务器12访问的外部数据库24，或者所记录的天气数据或所记录的田地特定的数据可以被直接传输到服务器12。
另外，服务器12可以包括记录模块26，用于经由诸如因特网的网络发送和接收数据。经由记录模块26，服务器12可以经由诸如因特网的网络连接至另外的可联网设备14、16、18、20，诸如台式计算机14、智能电话16、农业机械18或卫星***20。例如，田地特定的数据可以由移动计算机***16、农业机械18或卫星***20经由记录模块26传输。
服务器12被配置为确定考虑中的田地中预期的产量。为此，服务器特别包括天气数据模块28、有害生物体模块30、措施模块32和产量模块34。记录模块26提供例如位置数据、时间数据、天气数据、田地特定的数据或历史数据。如图2至图4中所述，天气模块28提供了用于确定天气进程的模块并确定预报天气进程。为此，天气模块28可以与提供相应天气数据的记录模块26通信。如图2至图4中所述，有害生物体模块30提供有害生物体的发生的模型，并确定侵袭的风险。为此，有害生物体模块30可以与提供相应有害生物体数据的记录模块26通信。如图2至图4中所述，措施模块32提供用于确定农业措施的模型并确定农业措施。为此，措施模块32可以与提供相应措施数据的记录模块26通信。如图2至图4中所述，产量模块34提供用于确定预期产量的模型并且确定预期的产量。为此，产量模块34可以与提供相应生长数据的记录模块26通信。
图2示出了特别借助于图1的服务器12确定在作物植物的生长中预期的产量的说明性方法。如图2中所示的方法可以在播种日期之前或在播种日期实施。在该情况下，当前日期在播种日期之前或当天，并且该方法特别可以用于计划即将到来的生长日期。
在第一步骤S1中，提供识别田地的位置数据和指定当前日期和/或收获日期的时间数据。位置数据和时间数据可以在本地或移动计算机***14、16上生成并传输到服务器12。当前日期可以指定例如由本地或移动计算机***14、16记录的预定日期或当前时间。收获日期可以指定计划收获的预定日期，或者可以借助生长模型来确定计划收获的最优日期。
在一个实施例中，可以借助于包括位置传感器(诸如GPS传感器)的移动计算机***16来记录位置数据，特别是地理坐标。当移动计算机***16在田地的位置处时，这里可以触发从移动计算机***16到服务器12的位置数据的传输。可替代地，可以借助于本地或移动计算机***14、16的输入模块，诸如键盘、计算机鼠标或触敏屏幕，来提供位置数据，特别是地理坐标。为此，位置数据可以从本地或移动计算机***14、16传输到服务器12。更特别地，可以在本地或移动计算机***14、16上提供地理地图，例如卫星地图，以便指定考虑中的田地。地理坐标可包括田地边界的坐标或与之相关联的基本坐标和田地边界形状。
此外，在第一步骤S1中，可以提供当前日期和当前日期之前的过去日期的天气数据。例如，过去日期的时段可与即将到来的生长期间的年份有关。天气数据可以是在气象站中记录的数据，例如与温度、日照时间、风速、降水、每日降水总量、日光总量、每日最低和最高气温、近地温度、地温有关。天气数据可以从气象站传输到服务器12或传输到服务器可以访问的外部数据库24。天气数据可用于确定实际天气进程或直到当前日期的天气进程。
在第二步骤S2中，可以至少基于直到当前日期为止提供的天气数据或迄今为止的天气进程来确定预报时段的预报天气进程。这里，预报时段可以包括当前日期和收获日期之间的时段。预报时段可以由当前日期和收获日期之间的时段组成。可以考虑迄今为止的天气进程来预测作物植物的即将到来的生长期间直至收获日期为止的天气进程，优选地，可以采用迄今为止的天气进程与预报天气进程无缝过渡。天气进程的预报的目的是以最大的精度预报即将到来的生长期间的天气事件的分布和相应的概率。
众所周知，未来几天(例如至多九天)的天气可以相对准确地预报，而未来几周或几个月(例如大于九天)的日期的天气预报相对不精确。因此，对于仅能够不精确地预报天气的时段，历史天气数据非常适合，以便使用过去几年中经常观察到的趋势作为未来天气预报的基础。
可以例如从众多商业供应商处获得对不久的将来(例如一天至多约一周或至多约9天)的天气预报。预报天气进程可以包括对近期或从当前日期到当前日期之后的几天(例如至多9天)的时段的天气进程的短期预报。从当前日期开始的此类短期预报天气进程可以由外部数据库24提供，该外部数据库可以由服务器12访问并且传输到服务器12或者在服务器12上确定。例如，短期预报天气进程基于动态天气模型来确定，并可能考虑到迄今为止的天气进程或当前日期的天气数据。
另外，预报天气进程可以包括直到计划的收获日期为止的长期预报天气进程，其中长期天气进程覆盖的是到未来的时段或从当前日期开始或到直到收获日期为止的短期预报天气进程的结束日期(例如第9天)的时段。为了在生长期间内进一步(例如超过一周或超过九天)，优先考虑使用季节天气预报。这些预报可以基于全球、区域和全球区域耦合的动态环流模型和/或历史天气数据的长期统计和/或结合其它变量的随机天气模拟和/或纯随机天气模拟的各个气候变量的动态预估(环流模型)。关于采用哪种季节预报的决定取决于模型的预报质量。为此，可以使用索引，例如布里尔(Brier)分数。低于特定的极限(低于该极限时，建模的天气预报的增加值关于历史天气数据的长期气候统计或多年统计微不足道)，优先考虑基于历史天气数据的长期气候统计或多年统计的季节天气预报。
另外，长期预报天气进程可以从短期预报天气进程继续进行，优选无缝地进行。更特别地，以它们可以以时间序列，优选地以无缝时间序列组合的方式，确定短期和长期预报天气进程。这里的无缝过渡意味着在预报天气进程中不会出现间断或其它异常情况，以便生成尽可能稳健和接近实际的预报。例如，以预报天气进程具有连续的进程的方式，长期预报天气进程从短期预报天气进程继续。
在另一个实施例中，基于直到当前日期为止所提供的天气数据来确定用于预报时段的至少两个或更多个预报天气序列或预估。例如，可以确定三个预报天气进程，其中确定中间预报天气进程、不利的预报天气进程和有利的预报天气进程。例如，使用多年历史天气数据，可以确定典型的(例如，最可能的)或平均天气进程，例如在定义的时间段内(例如最后的三、四、五、六、七、八、九、十年)的天气进程的平均值。可替代地或另外地，基于最近的过去，可以确定看起来比其它可能性更大的特定季节天气预报。此外，可以使用多年的历史天气数据，对从农业的角度来看有利的天气进程进行预报，和/或对不利的天气进程进行预报。
进一步可以创建多个天气预报，该天气预报优选覆盖过去几年中发生的天气进程的频谱。另外，可以确定每种天气进程的发生的概率，使得可以将天气进程相互比较。
不同的天气进程时段(历史的、近期预报、季节预报、预估)以无缝时间序列(“无缝预测”)组合在一起。优选地，以实际天气进程或迄今为止的天气进程与预报天气进程的无缝过渡的方式确定预报天气进程。例如，可以通过具有无缝过渡的时间序列来组合实际天气进程或迄今为止的天气进程以及预报天气进程。这里的无缝过渡意味着在组合的天气进程中不会出现任何间断或其它异常情况，以便生成尽可能稳健和接近实际的预报。例如，可以以与预报天气进程相结合的迄今为止的天气进程导致连续的进程的方式确定天气进程。
使用多年的历史天气数据，可以通过考虑例如此多年的历史天气数据来实现无缝过渡，该历史天气数据具有与所讨论的生长期间的直至当前日期的先前或实际天气进程相似的实际或先前天气进程。另外或可替代地，对于基于模型的方法或动态方法，可以仅考虑针对预报天气进程的那些解决方案，这些解决方案无缝地结合到所讨论的生长期间的直至当前日期的实际或先前天气进程。另外或可替代地，可以将相似的或匹配的统计的时间段以及不具有间断的相似的过渡与匹配的宏观天气模式串联放置。这里可以以基于模型的或动态的方式生成各个时间段的时间序列。如果确定了至少两个预报天气进程，则以考虑中的生长期间的直至当前日期的实际或先前的天气进程以及天气预报期间的相应预报天气进程可以组合成无缝时间序列这样的方式确定预报天气进程中的每一个预报天气进程。
在第三步骤S3中，确定基于预报天气进程的预报时段的侵袭风险或各自基于至少两个或更多个天气进程的多个侵袭风险。为此，还可以使用例如基于历史有害生物体数据的预测模型。历史有害生物体数据可以包括针对考虑中的田地或针对考虑中的田地周围几公里(km)(例如1至10km)半径范围内的环境而记录的卫星数据、本地图像数据或得分。历史有害生物体数据可能已经传输到服务器12可以访问的外部数据库24，也可以直接传输到服务器12上。因此，历史有害生物体数据和相关联的预测模型可以由可以由服务器12访问的外部数据库24提供，或直接由服务器12提供。
在一个实施例中，为了预报侵袭的风险，生成了一个或多个田地的数字地图，其中以部分区域特定的方式绘制或指定了一种或多种有害生物体的侵袭风险。在该上下文中，部分区域特定是指将考虑中的田地划分为具有影响侵袭风险的不同特征的部分区域。例如，可以想到为定义的有害生物体生成一系列数字地图，例如一年中每月一个地图，并借助于地图上的颜色编码，指示在所讨论月份具有有害生物体以及该预报天气进程的部分区域侵袭风险有多高。例如，颜色“红色”可意味着大于90％的侵袭风险，并且颜色“绿色”可意味着小于10％的侵袭风险。可以在10％到90％之间使用不同的黄色和橙色阴影。可以想到其它/进一步的表示模式。在另一个实施例中，针对关于是否已经超过了损害阈值的所确定的侵袭风险进行评估。
在第四步骤S4中，可选地基于预报天气进程和/或预报侵袭风险来确定预报时段的农业措施。对于不同的预报天气进程，可以确定相应的不同农业措施。如果例如在第一日期的第一预报天气进程的真菌侵袭的风险上升，并在第二日期超过损害阈值，则在第二日期确定喷雾措施。如果例如在第一日期的第二预报天气进程的真菌侵袭的风险上升，并且然后由于天气条件再次下降，则在第二预报天气进程的情况下确定在第二日期没有喷雾措施。
在第五步骤S5中，基于预报天气进程、预报侵袭风险和针对预报时段的任何农业措施，确定收获日期时作物植物的预期产量。在这里也可以假设至少两个或更多个预报天气进程。例如，可以计算每个天气进程的预期产量。因此，可以生成决策辅助，其中参考预期产量来预报天气对侵袭风险以及由此产生的农业措施的影响。
假设事先确定的预报是正确的(天气进程、有害生物体的发生)并且所确定的农业措施已经实施，则可以计算出预期的产量。这里可以考虑到有害生物体的发生与农业措施之间可能存在相互作用的事实。这是因为这可能是防止预报的有害生物体的发生或降低风险的农业措施的目的。在此类情况下，“假设事先确定的预报是正确的”的表述表示天气进程如预报地发生，并且如由于预报天气进程，确实如预报地存在有害生物体的发生的风险，但所确定的农业措施被实施并且将会成功，这导致与控制有害生物体有关的有害生物体的发生的降低风险(尽管如果确定的农业具有防止有害生物体的发生的目的，则风险也可以忽略不计)。
假设不采取事先确定的农业措施，也可以确定预期的产量。例如，可以明确所确定的农业措施的益处及其对预期产量的影响。
针对相应确定的侵袭风险和/或相应确定的农业措施，可以在服务器端提供并传输至少两个或更多个预报天气进程的所确定的预期产量，以便在本地或移动计算机***14、16上显示。例如，该方法可以特别地用于计划即将到来的生长期间，以便例如选择播种日期，计划农业措施或预测计划的最优收获日期。
图3示出了借助于图1的本地化计算机***10来更新在作物植物的生长中预期的产量的说明性方法。特别地，如图3中所示的方法可以在播种日期之后和计划的收获日期之前或之后实施。在该情况下，当前日期是在正在进行的生长期间的播种日期之后，以及正在进行的生长期间的计划收获日期之前或之后。因此，该方法特别可以用于正在进行的生长期间的期间的计划或生长期间之后的回顾性评估。
在第一步骤S6中，提供识别出指定当前日期和/或收获日期的田地和时间数据的位置数据，以及在生长期间的期间记录的田地特定数据。如结合图2所描述的，提供和利用位置数据和时间数据。
另外，提供与考虑中的田地的实际状态有关的田地特定的数据。田地特定的数据包括例如有害生物体数据、措施数据和/或生长数据。有害生物体数据指定实际已经发生的有害生物体的实际进程，措施数据指定实际已经实施的措施的实际进程，并且生长数据指定实际已经发生的生长的实际进程。优选地，如结合图1所描述的，记录田地特定的数据。此外，可以提供当前日期和当前日期之前的正在进行的生长期间中的过去日期的田地特定的数据。另外，可以从与类似条件有关的另外田地中提供田地特定的数据。例如关于播种、品种、天气条件、土壤或先前作物可能存在类似条件。
此外，在第一步骤S5中，可以提供当前日期和当前日期之前的正在进行的生长期间中的过去日期的天气数据。所提供的天气数据如结合图2所述被提供和使用。
在第二步骤S6中，可以基于直到当前日期为止提供的天气数据来确定预报期间的预报天气进程。可以考虑到迄今为止的天气进程来预报作物植物的正在进行的生长期间直至收获日期为止的天气进程，优选地采用将迄今为止的天气进程和预报天气进程的无缝过渡。如结合图2所描述的，基于当前日期提供的天气数据来确定预报天气进程或至少两个或更多个预报天气进程。
在第三步骤S7中，确定基于预报天气进程在预报时段的侵袭风险或基于至少两个或更多个预报天气进程的侵袭风险。如结合图2所描述的，确定侵袭风险。这里另外可以考虑有害生物体数据和/或措施数据，以便基于实际已经发生的有害生物体的实际进程和/或实际已经实施的措施的实际进程来确定侵袭风险。在一个实施例中，基于预报天气进程并基于考虑中的田地的有害生物体数据来确定预报时段的侵袭风险。有害生物体数据可以包括例如卫星数据或图像数据，基于该数据可以检测出侵袭。可以直接经由卫星将卫星数据提供给服务器12，或者可以经由由服务器12可以访问或传输给服务器12的外部服务器或外部数据库24间接地将卫星数据提供给服务器12。图像数据可以借助于诸如智能电话或平板计算机的移动计算机***16采用相机被提供给服务器12，或者被传输给服务器12。这里，有害生物体数据还可以包括所讨论的田地周围几公里(km)(例如1到10km)的半径中的有害生物体数据。另外，有害生物体数据还可以包括在类似条件下来自另外田地的数据。例如，侵袭的风险可以与生长期间中的实际条件相匹配。
在第四步骤S8中，基于预报天气进程和/或确定的侵袭风险来确定用于预报期间的农业措施。如结合图2所描述的，确定农业措施。此外，这里还可以考虑措施数据，以便基于迄今为止在生长期间过程中实际实施的措施，确定预报时段的农业措施。
在第五步骤S9中，基于预报天气进程、预报侵袭风险和农业措施，确定收获日期时作物植物的生长中的预期产量。如结合图2所描述的，在第六步骤S10中确定预期的产量。另外，这里还可以考虑生长数据，以便基于实际已经发生的生长的实际进程，确定预期的产量。
为此，可以使用植物生长模型，该植物生长模型可以参考生长数据进行测试并可选地进行调节。植物生长模型通常模拟在定义的时间段内作物植物的生长。也可以想到使用基于单个植物的模型，该模型模拟植物各个器官中能量和物质的流动。混合模型也可用。
作物植物的生长不仅由植物的遗传特征确定，而且主要由植物生命周期中存在的本地天气条件(日照量和光谱分布、温度分布、降水量、风输入)、土壤条件和养分供应确定。
已经采取的作物措施以及已经发生的有害生物体的任何侵袭也可能对植物生长产生影响。生长数据、有害生物体数据和措施数据因此可以在生长模型中加以考虑。
建模中优选包括以下输入参数：
天气：每日总降水量、总辐射、每日最低和最高气温，以及近地温度和地温、风速等。
土壤：土壤类型、土壤质地、土壤性质、田间持水量、永久枯萎点、有机碳、矿物质氮含量、倒伏密度、van Genuchten参数等。
作物：类型、品种、特定品种的参数，例如特定叶面积指数、总温度、最大根深等。
作物措施：种子、播种日期、播种密度、播种深度、肥料、肥料量、施肥日期数量、施肥日期、土壤耕种、收获残留物、作物轮作、与去年同一作物的田间距离、灌溉等。
对于考虑中的田地，随着时间推移生长的作物植物的进化的预报优选地是部分区域特定的。
图4示出了借助于图1中的本地计算机***10来确定在作物植物的生长中预期的产量的另一说明性方法，其中，基于预定的农业措施来确定产量。特别地，如图4中所示的方法可以在播种日期之前或之后实施。在该情况下，当前日期是在正在进行的生长期间的播种日期之前或之后，或正在进行的生长期间的计划收获日期之前或之后。因此，该方法特别可以用于正在进行的生长期间之前或期间的计划以及过去生长期间的回顾性评估。
根据图4的方法类似于图2和3中所描述的方法，以相似的方法步骤S11至S15执行。与图2和图3中描述的方法相反，在图4中所示的方法中另外提供了预先确定的农业措施的定义措施数据。为此，例如，可以基于对农业措施的预定选择，在本地或移动计算机***14、16上的基于web的应用中生成定义的措施数据。所定义的措施数据可以被提供给服务器12。更特别地，可以针对考虑中的田地以部分区域特定的方式来指定农业措施。
如果在第一步骤S11中提供了定义的措施数据，则基于经由定义的措施数据预定的措施来确定预期的产量。如果已经针对所讨论的田地和/或针对生长期间已经执行了至少一次确定预期的产量的方法，则可以接受从先前确定的农业措施中预先确定的措施。另外，可以例如从事先确定农业措施或从所有可用的农业措施向客户侧的用户提出农业措施。然后，用户可以在客户侧选择农业措施。基于选择，可以生成定义的措施数据并将其从本地或移动计算机***14、16传输到服务器12。然后，可以基于预定的措施在服务器端上实施确定预期产量的方法。
此外，定义的措施数据可以完全或部分指定预报时段内的农业措施。如果针对整个预报时段都已预先确定了农业措施，或者已经提供了相应定义的措施数据，则无需确定农业措施的步骤。如果已经针对预报时段的第一部分预先确定了农业措施或已经提供了相应定义的措施数据，则在确定预期产量的方法中确定了针对预报时段的第二部分的农业措施。在该情况下，预报时段的第二部分与第一部分不同。此外，在预报时段的第二部分中，未预先确定任何农业措施。
因此，根据图4的方法可以给出确定与农业措施有关的不同场景的预期产量。因此，除了与不同的预报天气进程有关的场景之外，本发明的方法还能够定义与农业措施有关的附加场景。例如，可以简化在生长期间之前和期间的所讨论田地的耕种。借助于不同的场景和预期的相关联产量，可以提供决策辅助，使所讨论的田地的有效耕种成为可能。
本发明的实施例也是
实施例1：一种方法，包括以下步骤
(A)识别作物植物在其中正在生长或将要生长的田地
(B)提供该田地的历史天气数据
(C)预报作物植物即将到来或正在进行的生长期间的田地的天气进程
(D)针对预报天气进程预报害虫侵袭事件
(E)确定用于增加生长的作物植物产量的农业措施
(F)假设步骤(C)和(D)中提到的预报是正确的并且步骤(E)中确定的措施已经实施和/或未实施，则计算作物植物生长的预期产量
(G)显示预期产量
(H)考虑直至执行步骤的各个时刻的天气的实际进程、实际已经发生的害虫侵袭事件和实际已经实施的措施，重复执行步骤(C)、(D)、(E)、(F)和(G)。
实施例2：根据实施例1所述的方法，其中，在步骤(C)中，使用在步骤(B)中提供的历史天气数据来生成天气预报，该天气预报构成对于田地的位置所预期的平均天气进程。
实施例3：根据实施例1或2所述的方法，其中，在步骤(C)中，使用在步骤(B)中提供的历史天气数据来生成多个天气预报，该天气预报中的一个导致所生长的作物植物的相对高的收获产量，而该天气预报中的一个导致所生长的作物植物的相对低的收获产量。
实施例4：根据实施例1至3中任一项所述的方法，其中，在步骤(C)中，使用在步骤(B)中提供的历史天气数据来创建多个天气预报，该天气预报覆盖如在过去几年所发生的天气进程的频谱。
实施例5：根据实施例1至4中任一项所述的方法，其中，在步骤(F)中，针对每个预报天气进程计算预期的产量。
实施例6：根据实施例1至5所述的方法，其中，在步骤(D)中，针对每个预报天气进程计算针对一种或多种有害生物体的田地侵袭的风险。
实施例7：根据实施例1至6所述的方法，其中步骤(E)中的农业措施是用于控制一种或多种有害生物体的措施。
实施例8：根据实施例1至7所述的方法，其中，在步骤(E)中，如果有害生物体的侵袭风险超过损害阈值，则确定控制一种或多种有害生物体的措施，
实施例9：一种计算机***，包括
(A)用于识别作物植物在其中正在生长或将要生长的田地的部件，
(B)提供田地的历史天气数据的部件，
(C)用于针对作物植物的即将到来或正在进行的生长期间提供田地的天气进程的预报的部件，
(D)用于针对预报天气进程提供害虫侵袭事件的预报的部件，
(E)用于识别用于增加生长的作物植物产量的农业措施的部件，
(F)假设步骤(C)和(D)中提到的预报是正确的并且步骤(E)中确定的措施已经实施和/或未实施，则计算作物植物的生长的预期产量的部件，
(G)显示预期产量的部件。
实施例10：一种计算机程序产品，包括计算机可读数据存储介质和程序代码，该程序代码存储在数据存储介质上，并且在计算机***上执行时，使计算机***执行以下步骤：
(A)确定作物植物在其中正在生长或将要生长的田地，
(B)确定该田地的历史天气数据，
(C)确定针对作物植物的即将到来或正在进行的生长期间的田地的天气进程的预报，
(D)针对预报天气进程确定害虫侵袭事件的预报，
(E)确定用于增加生长的作物植物产量的农业措施，
(F)假设步骤(C)和(D)中提到的预报是正确的并且步骤(E)中确定的措施已经实施和/或未实施，则计算作物植物生长的预期产量，
(G)显示预期产量，
(H)考虑直至执行步骤的各个时刻的天气的实际进程、实际已经发生的害虫侵袭事件和实际已经实施的措施，重复执行步骤(C)、(D)、(E)、(F)和(G)。
实施例11：根据实施例10所述的计算机程序产品，其被配置为使得用户能够通过致动输入设备在显示设备上选择和取消选择农业措施，并针对实施所选择的农业措施的情况计算选择农业措施时的产量，并且针对未实施取消选择的农业措施的情况，计算出取消选择农业措施时的产量。
实施例12：根据实施例10或11所述的计算机程序产品，其被配置为使得在使用计算机程序时实际已经发生的天气进程、实际已经发生的害虫侵袭事件以及实际已经实施的措施都被包括在预期产量的计算中。
实施例13：根据实施例10至12所述的计算机程序产品，其被配置为实施权利要求1至6中详述的一种或多种方法。
在下文中详细说明了另外的实施例，而在主题(方法、计算机***、计算机程序产品)之间没有任何区别。相反，以下说明旨在类似地适用于所有主题，而不管其上下文(方法、计算机***、计算机程序产品)如何。
术语“田地”应理解为是指地球表面在空间上可界定的区域，通过在此类田地中种植作物植物，向其提供养分并进行收获来将该区域用于农业用途。
术语“作物植物”应理解为意指通过人类干预有意生长为有用或观赏植物的植物。
在第一步骤中，识别出正在生长或将要生长作物植物并在本发明方法的过程中对其进行详细考虑的田地。
通常，使用明确确定田地位置的地理坐标进行识别。通常借助于安装在计算机***上的计算机程序来执行本发明的方法。因此，通常将田地的地理坐标传输到计算机程序中。例如，计算机程序的用户可以经由键盘输入地理坐标。还可以想到的是，计算机程序的用户在计算机屏幕上查看地理地图并例如采用计算机鼠标在此类地图上标记正在考虑的田地的边界。田地的识别因此固定了在方法的进一步过程中考虑的地球表面的区域。在进一步的步骤中，历史天气数据被提供给田地。历史天气数据例如由商业供应商提供。参考历史天气数据，在进一步的步骤中，对即将到来的或正在进行的生长期间的天气进程进行预报。是否针对田地中生长的作物植物的即将到来的生长期间或正在田地中生长的作物植物的正在进行的生长期间创建天气预报取决于进行预报的时刻：在即将到来的生长期间开始之前或生长期间开始之后。可以想到做出多个预报。可以想到，使用历史天气数据确定典型(即平均)的天气进程。可以想到，另外还可以使用历史天气数据来预报从农业的角度来看相对有利的天气进程和/或相对不利的天气进程。天气进程的预报的目的可以是以最大的精度预报即将到来的或正在进行的生长期间的天气。众所周知，针对未来几天可以相对准确地预报天气，而针对未来几周或几个月的日期相对不精确地预报天气。因此，对于仅不精确地预报天气的时段，历史天气数据非常适合以便使用过去几年中经常观察到的趋势作为未来天气预报的基础。在优选实施例中，创建多个天气预报，其优选覆盖过去几年中已经发生的天气进程的频谱。在优选实施例中，也确定并报告每种天气进程的发生的概率，使得可以将天气进程相互比较。对于每个预报天气进程，在本发明方法的进一步步骤中，对一种或多种害虫侵袭的发生进行预报。优选地，预报确定一种或多种有害生物体侵袭的风险。“有害生物体”应理解为是指可以在作物植物的生长中出现并可能损害作物植物，对作物植物的收获产生不利影响或与作物植物竞争自然资源的生物体。此类有害生物体的示例是杂草植物、禾本科杂草、动物害虫(例如甲虫、毛虫和蠕虫)、真菌和病原体(例如细菌和病毒)。即使从生物学的角度来看，病毒不包括在生物体中，但此处仍应使用术语“有害生物体”来涵盖它们。术语“杂草植物”(复数：杂草植物)应理解为是指作物植物、草地或花园中自发伴随的植被(山茱萸属)的植物，该植物并非特意在此种植，而是从土壤中潜在的种子或通过空中传播发育而来。该术语在实际意义上不限于杂草，还包括禾本科草、蕨类、苔藓或木本植物。在作物植物保护领域，也经常利用术语“禾本科杂草”(复数：禾本科杂草)以便说明与草本植物的界限。在本文中，术语“杂草”用作旨在包括术语“禾本科杂草”的涵盖性术语。为了预报害虫侵袭，例如可以使用现有技术中描述的预测模型。用于害虫侵袭预测的商业上可用的决策支持***“专家”使用与正在生长或将要生长的作物植物有关的数据(发育阶段、生长条件、作物保护措施)、与天气条件有关的数据(温度、日照时间、风速、降水)，以及与已知害虫/疾病有关的数据(经济生存能力的极限、幼苗/疾病的压力)，并基于这些数据计算侵袭风险(Newe M.，Meier H.，Johnen A.，Volk T.的proPlant expert.com–an onlineconsultation system on crop protection in cereals,rape,potatoes andsugarbeet.EPPO Bulletin 2003，33，443-449；Johnen A.，Williams I.H.，Nilsson C.，Klukowski Z.，Luik A.，Ulber B.的The proPlant Decision Support System:Phenological Models for the Major Pests of Oilseed Rape and Their KeyParasitoids in Europ，Biocontrol-Based Integrated Management of Oilseed RapePests(2010)Ed.:Ingrid H.Williams.Tartu 51014,Estonia.ISBN 978-90-481-3982-8.第381–403页；www.proPlantexpert.com)。为了预报害虫侵袭事件，还可以考虑过去的实际害虫侵袭事件。优选地，对于所讨论的田地和/或相邻田地中过去已经发生的那些害虫，确定出侵袭风险。优选以部分区域特定的方式确定侵袭的风险。可以想到，例如，田地的一些部分区域由于其位置而特别频繁地和/或特别显著地受到害虫侵袭影响和/或有害生物体的侵袭经常源于一种或多种定义的部分区域。在优选实施例中，为了预报天气进程，生成了一个或多个田地的数字地图，其中以部分区域特定的方式绘制了一种或多种有害生物体侵袭的风险。例如，可以想到为定义的害虫生成一系列数字地图，例如一年中每月一个地图，并借助于地图上的颜色编码，指示在所讨论月份的害虫以及该预报天气进程的部分区域被侵袭的风险有多高。例如，颜色“红色”可意味着大于90％的侵袭风险，并且颜色“绿色”可意味着小于10％的侵袭风险。可以在10％到90％之间的范围使用不同的黄色和橙色阴影。可以想到其它/进一步的表示模式。在优选实施例中，对关于是否超过了损害阈值的所确定的侵袭的风险进行评估。“损害阈值”是来自农业、林业和园艺的术语。它指示病原体或疾病的侵袭密度或杂草的侵袭，从中进行控制在经济上是不可行的。达到该值时，通过控制进行的额外经济支出大于存在风险的收获失败。如果侵袭或杂草压力超过该值，则控制成本至少由预期的额外产量补偿。根据害虫或疾病的性质，损害阈值可能会非常不同。在只能采用高额支出并对进一步生产的不利的伴随影响来控制害虫或疾病的情况下，损害阈值可能很高。然而，如果即使是小规模的侵袭也可能成为威胁毁坏整个生产的传播源，则损害阈值可能非常低。现有技术中存在许多与确定损害阈值有关的示例(例如，参见ClausM.Brodersen：Informationen in Schadschwellenmodellen[损害阈值模型中的信息]，GIL的报告[德国农业计算机科学学会，林业与食品科学]，第7卷，第26至36页，http：//www.gil-net.de/Publikationen/7_26.pdf)。在进一步的步骤中，确定增加生长的作物植物产量的农业措施。术语“农业措施”应理解为是指在作物植物田地中为获得植物产品而必需或在经济上可行和/或在环境上可取的任何措施。农业措施的示例是：土壤耕种(例如耕作)、部署种子(播种)、灌溉、去除杂草植物/禾本科杂草、施肥、控制有害生物体、收获。优选地，农业措施是用于控制预报害虫侵袭事件的措施。特别通过选择合适的作物保护产品、安排应施用作物保护产品时的日期以及安排要施用的作物保护产品的量来确定措施。该措施优选以部分区域特定的方式确定。术语“作物保护产品”应理解为是指一种组合物，其用于保护植物或植物产品免受有害生物体的侵袭或防止其作用，破坏不需要的植物或植物部分，抑制不需要的植物生长和/或以不同于养分的方式影响植物的生命过程。作物保护产品的示例是除草剂、杀真菌剂和农药(例如杀虫剂)。优选确定具有最大成本/收益比的那些措施。措施的确定优选考虑法律方面和环境保护方面。例如，可以想到可以仅在特定日期和/或特定最大量下施用所选择的作物保护产品。在确定措施时优选考虑这些和类似的限制。在进一步的步骤中，确定了在考虑中的场景的条件下生长作物植物时的预期产量。为此，可以使用植物生长模型。术语“植物生长模型”应理解为是指一种数学模型，该数学模型描述作为内在(遗传)和外在(环境)因子的函数的植物的生长。存在多种作物植物的植物生长模型。例如通过如下书籍对植物生长模型的创建进行了介绍：i)由Marco Günther和KaiVelten所著的《Mathematische Modellbildung und Simulation》，该书由Wiley-VCHVerlag于2014年10月出版(ISBN：978-3-527-41217-4)，以及ii)Daniel Wallach、DavidMakowski、James W.Jones和Francois Brun所著的“Working with Dynamic CropModels”，于2014年在美国学术出版社(Elsevier)出版。植物生长模型通常模拟在定义的时间段内作物植物的作物生长。也可以想到使用基于单个植物的模型，该模型模拟植物各个器官中能量和物质的流动。混合模型也是可用的。作物植物的生长不仅由植物的遗传特征确定，也主要由植物生命期间中存在的本地天气条件(日照量和光谱分布、温度分布、降水量、风输入)、土壤条件和养分供应确定。已经采取的作物措施以及已经发生的有害生物体的任何侵袭也可能对植物生长产生影响，并可以在生长模型中加以考虑。植物生长模型通常称为基于动态过程的模型(请参见于2014年在美国学术出版社(Elsevier)出版的DanielWallach、David Makowski、James W.Jones和Francois Brun的“Working with DynamicCrop Models”)，但也可以全部或部分是基于规则，或统计或数据支持/经验的。该模型通常称为点模型。通常对这里的模型进行校准，使得输出反映输入的空间表示。如果输入已经在某个空间点被确定，或者针对空间点进行插值或估计，则通常假定模型输出可应用于整个相邻田地。已知将在田地水平上校准的被称为点模型的到更广泛，通常更粗糙的尺度上的应用(例如，参见H.Hoffmann等人的“Impact of spatial soil and climate input dataaggregation on regional yield simulations”，2016，PLoS ONE 11(4)：e0151782.doi：10.1371/journal.pone.0151782)。通过将该所谓的点模型应用于田地中的多个点，使得可以在这里进行部分区域特定的建模。然而，这里忽略了空间相关性，例如在地下水预算中。另一方面，还存在用于时间/空间显式建模的***。这里考虑空间相关性。基于过程的动态植物生长模型的示例是Apsim、Lintul、Epic、Hermes、Monica、STICS等。建模中优选包括以下输入参数：
天气：每日总降水量、总辐射、每日最低和最高气温，以及近地温度和地温、风速等。
土壤：土壤类型、土壤质地、土壤性质、田间持水量、永久枯萎点、有机碳、矿物质氮含量、倒伏密度、van Genuchten参数等。
作物植物：类型、品种、特定品种的参数，例如特定叶面积指数、总温度、最大根深等。
作物措施：种子、播种日期、播种密度、播种深度、肥料、肥料量、施肥日期数量、施肥日期、土壤耕种、收获残留物、作物轮作、与去年同一作物的田间距离、灌溉等。
随时间推移生长的作物植物的进化的预报优选地是部分区域特定的。假设事先确定的预报是正确的(天气进程、害虫侵袭事件)，则可以计算出预期的产量。假设已经采取和/或未采取事先确定的农业措施，也可以进行预期产量的计算。可以想到，计算机程序产品的用户可以通过例如取消选择推荐的措施来在计算机上研究措施对预期产量的影响，并且然后，如果取消选择的措施未实施，则计算机程序将计算产量如何变化。优选以部分区域特定的方式选择和取消选择措施。预期的产量在显示设备上向用户显示。显示设备通常是屏幕，该屏幕是本发明的计算机***的一部分。优选地，对于单独的部分区域和/或整个田地指示预期的产量。该显示可以是图形辅助的，例如借助于条形图等。因此，用户能够在计算机屏幕上查看各种场景，并且如果实际实现了特定的预报天气进程，则可以看到结果是什么产量，和/或如果采取或不采取特定的措施，则可以看到结果是什么产量。优选地，预期的产量以部分区域特定的方式以数字地图的形式显示在计算机上。在进一步的步骤中，考虑到直到步骤实施的各个时刻为止的天气进程、实际已经发生的害虫侵袭和实际已经实施的农业措施，重复所提到的步骤(C)、(D)、(E)、(F)和(G)。优选地，本发明的计算机程序产品被配置为使得其被自动更新。更新是指到各个更新时刻为止实际已经发生的天气进程、实际已经发生的害虫侵袭事件，以及实际已经实施的措施(例如害虫侵袭事件的控制)被包括在预期的产量计算中。可以例如每当用户启动或调用计算机程序时自动进行更新。可替代地，可以想到更新在固定的时间进行，例如每天或每周。可替代地，可以想到以不规则的间隔，例如每当实际状况与那些预报存在显著偏差时进行更新。在更新的情况下，重复以上详述的步骤(C)、(D)、(E)、(F)和(G)。假设用户已经在第一时刻第一次执行本计算机程序产品，并且可以在实际采取了步骤(E)推荐的措施的条件下针对预报天气进程计算产量。在稍后的第二时刻，用户再次调用本计算机程序产品。在干预期间，存在影响生长的作物植物的植物生长和/或害虫侵袭的风险的定义天气进程。本计算机程序产品确定实际天气进程并调节对实际天气进程的害虫侵袭的风险的预报。另外，创建一个或多个更新的天气预报，并且同样更新相应的害虫侵袭风险。基于更新的害虫侵袭风险，确定了控制害虫的新措施。最后，计算并显示更新的预期产量。

Claims (11)

1.一种借助于计算机***确定作物植物生长中的作物植物的预期产量的方法，包括以下步骤：
(A)识别(S1，S6，S11)作物植物在其中正在生长或将要生长的田地；
(B)考虑迄今为止的天气进程，采用所述迄今为止的天气进程和预报天气进程的无缝过渡，预报(S2，S7，S12)所述作物植物的即将到来或正在进行的生长期间直到计划收获为止的所述田地的天气进程；
(C)针对预报天气进程预报(S3，S8，S13)在所述田地中一种或多种有害生物体的发生；
(D)确定(S4，S9，S14)所述作物植物的所述即将到来或正在进行的生长期间直到所述计划收获为止的农业措施；
(E)假设步骤(B)和(C)的所述预报是正确的并且在步骤(D)中所确定的所述措施已实施，则计算(S5，S10，S15)在所述作物植物的生长中预期的所述作物植物的产量；
(F)显示预期的所述作物植物的产量；
(G)考虑直至执行所述步骤的各个时刻的所述天气的实际进程、实际已经发生的所述有害生物体和实际已经实施的所述措施，重复执行步骤(B)、(C)、(D)、(E)和(F)。
2.根据权利要求1所述的方法，其中，在步骤(C)中使用历史天气数据创建多个天气预报，优选至少三个天气预报，所述天气预报覆盖过去几年，优选过去10年中已经发生的天气进程的频谱。
3.根据权利要求1或2所述的方法，其中，在步骤(D)中针对每个预报天气进程计算一种或多种有害生物体的发生的概率，并且在步骤(E)中计算针对每个预报天气进程的预期的所述作物植物的产量。
4.根据权利要求1至3中任一项所述的方法，其中，针对没有实施一个或多个确定的农业措施的情况，在步骤(E)中计算预期的所述作物植物的产量。
5.根据权利要求1至4中任一项所述的方法，其中，步骤(E)中的农业措施是用于控制一种或多种有害生物体的措施。
6.根据权利要求1至5中任一项所述的方法，其中，如果有害生物体的侵袭风险超过破坏阈值，则在步骤(F)中确定控制一种或多种有害生物体的措施。
7.一种计算机***(10，12)，包括
(A)用于识别作物植物在其中生长或将要生长的田地的部件(26)；
(B)用于考虑迄今为止的天气进程，采用所述迄今为止的天气进程和预报天气进程的无缝过渡，提供所述作物植物的所述即将到来或正在进行的生长期间直到计划收获为止的所述田地的天气进程预报的部件(28)；
(C)用于针对所述预报天气进程提供在所述田地中一种或多种有害生物体的发生的预报的部件(30)；
(D)用于识别所述作物植物的所述即将到来或正在进行的生长期间直到所述计划收获为止的农业措施的部件(32)；
(E)用于假设步骤(B)和(C)的所述预报是正确的并且在步骤(D)中所确定的所述措施已实施，则计算在所述作物植物的所述生长中预期的所述作物植物的产量的部件(34)；
(F)用于显示预期的所述作物植物的产量的部件(26)；
其中，所述计算机***被配置为使得考虑直至执行所述步骤的各个时刻的所述天气的实际进程、实际已经发生的所述有害生物体和实际已经实施的所述措施，重复执行步骤(B)、(C)、(D)、(E)和(F)。
8.根据权利要求7所述的计算机***(10、12)，包括
输入单元(26)，借助于所述输入单元可以将数据和控制命令输入到所述计算机***中，其中，所述计算机***被配置为使得用户可以借助于所述输入单元指定田地并可以输入有关正在或将要在所述田地中生长的所述作物植物的信息，
接收机单元(26)，用于接收所指定的田地的天气预报，
数据库(24)，具有与正在生长或将要生长的所述作物植物有关的信息，
处理单元(34)，其被配置为使得能够基于天气预报计算一种或多种有害生物体的发生的概率，并且被配置为使得能够从正在生长或将要生长的所述作物植物的所述数据库中调出农业措施，并且被配置为使得能够基于所述预报天气进程、有害生物体和确定的农业措施来计算所述作物植物的预期产量，
以及显示设备(14，16)，在所述显示设备上可以向用户显示产量预报。
9.一种计算机程序产品，包括计算机可读数据存储介质和程序代码，所述程序代码存储在所述数据存储介质上，并且在计算机***上执行时使所述计算机***执行以下步骤：
(A)确定(S1，S6，S11)作物植物在其中正在生长或将要生长的田地；
(B)考虑迄今为止的天气进程，采用所述迄今为止的天气进程和预报天气进程的无缝过渡，确定(S2，S7，S12)所述作物植物的即将到来或正在进行的生长期间直到计划收获为止的所述田地的所述天气进程；
(C)针对所述预报天气进程确定(S3，S8，S13)在所述田地中一种或多种有害生物体的发生；
(D)确定(S4，S9，S14)所述作物植物的所述即将到来或正在进行的生长期间直到计划收获的农业措施；
(E)假设步骤(B)和(C)的所述预报是正确的并且在步骤(D)中确定的所述措施已实施，则计算(S5，S10，S15)在所述作物植物的生长中预期的所述作物植物的产量；
(F)显示预期的所述作物植物的产量；
(G)考虑直至执行所述步骤的各个时刻的所述天气的实际进程、实际已经发生的所述有害生物体和实际已经实施的所述措施，重复执行步骤(B)、(C)、(D)、(E)和(F)。
10.根据权利要求9所述的计算机程序产品，被配置为使得实施权利要求1至6中详述的一种或多种方法。
11.根据权利要求9和10中任一项所述的计算机程序产品，被配置为使得用户能够通过致动输入设备在显示设备上选择和取消选择农业措施，并针对实施所选择的农业措施的情况计算选择农业措施时的所述作物植物的产量，并且针对未实施所取消选择的农业措施的情况，计算出取消选择农业措施时的所述作物植物的产量。
CN201880054195.4A 2017-08-22 2018-08-22 作物植物种植的产量估计 Pending CN111095314A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP17187157.7 2017-08-22
EP17187157 2017-08-22
EP17198464 2017-10-26
EP17198464.4 2017-10-26
PCT/EP2018/072662 WO2019038325A1 (de) 2017-08-22 2018-08-22 Ertragsabschätzung beim anbau von kulturpflanzen

Publications (1)

Publication Number Publication Date
CN111095314A true CN111095314A (zh) 2020-05-01

Family

ID=63209431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880054195.4A Pending CN111095314A (zh) 2017-08-22 2018-08-22 作物植物种植的产量估计

Country Status (6)

Country Link
US (1) US20200245525A1 (zh)
EP (1) EP3673425A1 (zh)
CN (1) CN111095314A (zh)
BR (1) BR112020003723A2 (zh)
RU (1) RU2020110817A (zh)
WO (1) WO2019038325A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345458A (zh) * 2020-10-22 2021-02-09 南京农业大学 一种基于无人机多光谱影像的小麦产量估测方法
CN112949179A (zh) * 2021-03-01 2021-06-11 中国农业科学院农业信息研究所 一种树脂包膜氮肥施用下冬小麦生长模拟方法及***

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019130269A1 (de) * 2019-11-09 2021-05-12 365Farmnet Group Kgaa Mbh & Co Kg Assistenzsystem zur Ermittlung einer Gewinnprognose eines landwirtschaftlichen Feldes
US11508092B2 (en) 2019-12-16 2022-11-22 X Development Llc Edge-based crop yield prediction
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105407706A (zh) * 2013-07-10 2016-03-16 赫利奥斯派克特拉股份公司 用于控制植物生长的方法
US20160078375A1 (en) * 2014-09-12 2016-03-17 The Climate Corporation Methods and systems for recommending agricultural activities

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5467271A (en) * 1993-12-17 1995-11-14 Trw, Inc. Mapping and analysis system for precision farming applications
WO2001075706A1 (en) * 2000-04-04 2001-10-11 Nagarjuna Holdings Private Limited Agricultural management system for providing agricultural solutions and enabling commerce
US20020022928A1 (en) * 2000-06-05 2002-02-21 Agco System and method for providing profit analysis for site-specific farming
BR0113436A (pt) * 2000-08-22 2004-12-07 Deere & Co Método para desenvolver um plano de administração de fazenda, sistema de administração de fazenda, e, programa de computador para gerar um plano de administração de fazenda
US6549852B2 (en) * 2001-07-13 2003-04-15 Mzb Technologies, Llc Methods and systems for managing farmland
US6671698B2 (en) * 2002-03-20 2003-12-30 Deere & Company Method and system for automated tracing of an agricultural product
US20050150160A1 (en) * 2003-10-28 2005-07-14 Norgaard Daniel G. Method for selecting crop varieties
US20060282467A1 (en) * 2005-06-10 2006-12-14 Pioneer Hi-Bred International, Inc. Field and crop information gathering system
US8924030B2 (en) * 2008-01-24 2014-12-30 Cnh Industrial America Llc Method and apparatus for optimization of agricultural field operations using weather, product and environmental information
US8594897B2 (en) * 2010-09-30 2013-11-26 The Curators Of The University Of Missouri Variable product agrochemicals application management
US10115158B2 (en) * 2010-10-25 2018-10-30 Trimble Inc. Generating a crop recommendation
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
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
US9974226B2 (en) * 2014-04-21 2018-05-22 The Climate Corporation Generating an agriculture prescription
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
AU2018322047A1 (en) * 2017-08-21 2020-04-02 Climate Llc Digital modeling and tracking of agricultural fields for implementing agricultural field trials
AU2020377932A1 (en) * 2019-11-07 2022-05-26 TeleSense, Inc. Systems and methods for advanced grain storage and management using predictive analytics and anomaly detection
US11580609B2 (en) * 2020-05-26 2023-02-14 International Business Machines Corporation Crop monitoring to determine and control crop yield

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105407706A (zh) * 2013-07-10 2016-03-16 赫利奥斯派克特拉股份公司 用于控制植物生长的方法
US20160078375A1 (en) * 2014-09-12 2016-03-17 The Climate Corporation Methods and systems for recommending agricultural activities

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345458A (zh) * 2020-10-22 2021-02-09 南京农业大学 一种基于无人机多光谱影像的小麦产量估测方法
CN112949179A (zh) * 2021-03-01 2021-06-11 中国农业科学院农业信息研究所 一种树脂包膜氮肥施用下冬小麦生长模拟方法及***
CN112949179B (zh) * 2021-03-01 2023-05-12 中国农业科学院农业信息研究所 一种树脂包膜氮肥施用下冬小麦生长模拟方法及***

Also Published As

Publication number Publication date
EP3673425A1 (de) 2020-07-01
US20200245525A1 (en) 2020-08-06
BR112020003723A2 (pt) 2020-09-24
RU2020110817A3 (zh) 2022-03-29
RU2020110817A (ru) 2021-09-23
WO2019038325A1 (de) 2019-02-28

Similar Documents

Publication Publication Date Title
US20200250593A1 (en) Yield estimation in the cultivation of crop plants
US11847708B2 (en) Methods and systems for determining agricultural revenue
US20240040954A1 (en) Planning and implementing agricultural measures
EP3528613B1 (en) Method for mapping temporal and spatial sustainability of a cropping system
US10319050B2 (en) Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
CA2960424C (en) Methods and systems for managing agricultural activities
JP4058544B2 (ja) 作業決定支援装置および方法、並びに記録媒体
JP4202328B2 (ja) 作業決定支援装置および方法、並びに記録媒体
CN111095314A (zh) 作物植物种植的产量估计
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
CN109492619B (zh) 集遥感、模型、算法为一体的变量施农药方法及***
US11825835B2 (en) Determination of the requirements of plant protection agents
JPH11313594A (ja) 農作業決定支援装置および方法、並びに記録媒体
WO2021122962A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests on yield, gross margin, efficacy or vegetation indices for at least two products or different application timings of the same product
US20190012749A1 (en) Dynamic cost function calculation for agricultural users
Pelta et al. Forecasting seasonal plot-specific crop coefficient (Kc) protocol for processing tomato using remote sensing, meteorology, and artificial intelligence
Nabi et al. Precision farming in vegetables
US20240049619A1 (en) Method for determining field-or zone-specific seeding rate, depth, and time for planting a crop in an agricultural field based on multiple data inputs such as crop, field, yield, weather, and/or soil data
US20230360149A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests for yield, gross margin, efficacy and/or effects on vegetation indices on a field for different rates or application modes of one product
WO2024002993A1 (en) Method for determining location-specific seeding rate or seeding depth based on seeding parameters assigned to zones of different levels
Kour et al. Current Advances in Precision Farming for Sustainable Agricultural Management
Kulwant et al. Application of Remote Sensing, GIS, and AI Techniques in the Agricultural Sector

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200501

WD01 Invention patent application deemed withdrawn after publication