CN116847732A - 收获物产品中的植物保护剂残留的预测 - Google Patents
收获物产品中的植物保护剂残留的预测 Download PDFInfo
- Publication number
- CN116847732A CN116847732A CN202280012993.7A CN202280012993A CN116847732A CN 116847732 A CN116847732 A CN 116847732A CN 202280012993 A CN202280012993 A CN 202280012993A CN 116847732 A CN116847732 A CN 116847732A
- Authority
- CN
- China
- Prior art keywords
- plant protection
- crop
- protection agent
- application
- information
- 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
Links
- 238000003306 harvesting Methods 0.000 title claims description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 241001465754 Metazoa Species 0.000 claims abstract description 20
- 239000011814 protection agent Substances 0.000 claims description 196
- 238000004364 calculation method Methods 0.000 claims description 61
- 239000002028 Biomass Substances 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000007620 mathematical function Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 17
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000003936 working memory Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 abstract description 15
- 235000013311 vegetables Nutrition 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 228
- 239000013543 active substance Substances 0.000 description 19
- 241000607479 Yersinia pestis Species 0.000 description 18
- 230000008635 plant growth Effects 0.000 description 15
- 239000002689 soil Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 239000000047 product Substances 0.000 description 13
- 239000013598 vector Substances 0.000 description 12
- 239000000126 substance Substances 0.000 description 11
- 238000011282 treatment Methods 0.000 description 9
- 235000013305 food Nutrition 0.000 description 8
- 230000012010 growth Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000009331 sowing Methods 0.000 description 6
- 240000009088 Fragaria x ananassa Species 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 231100000716 Acceptable daily intake Toxicity 0.000 description 3
- 239000005783 Fluopyram Substances 0.000 description 3
- 235000016623 Fragaria vesca Nutrition 0.000 description 3
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 3
- 102100034757 Thiol S-methyltransferase METTL7B Human genes 0.000 description 3
- 101710082490 Thiol S-methyltransferase METTL7B Proteins 0.000 description 3
- 239000005857 Trifloxystrobin Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 231100000922 acute reference dose Toxicity 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 244000038559 crop plants Species 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- KVDJTXBXMWJJEF-UHFFFAOYSA-N fluopyram Chemical compound ClC1=CC(C(F)(F)F)=CN=C1CCNC(=O)C1=CC=CC=C1C(F)(F)F KVDJTXBXMWJJEF-UHFFFAOYSA-N 0.000 description 3
- 239000003630 growth substance Substances 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- ONCZDRURRATYFI-TVJDWZFNSA-N trifloxystrobin Chemical compound CO\N=C(\C(=O)OC)C1=CC=CC=C1CO\N=C(/C)C1=CC=CC(C(F)(F)F)=C1 ONCZDRURRATYFI-TVJDWZFNSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 235000016068 Berberis vulgaris Nutrition 0.000 description 2
- 241000335053 Beta vulgaris Species 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 2
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 2
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 2
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 2
- 235000002767 Daucus carota Nutrition 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 2
- 235000003228 Lactuca sativa Nutrition 0.000 description 2
- 240000008415 Lactuca sativa Species 0.000 description 2
- 235000010643 Leucaena leucocephala Nutrition 0.000 description 2
- 240000007472 Leucaena leucocephala Species 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 2
- 244000078534 Vaccinium myrtillus Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 240000003307 Zinnia violacea Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004009 herbicide Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000021012 strawberries Nutrition 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 244000003416 Asparagus officinalis Species 0.000 description 1
- 235000005340 Asparagus officinalis Nutrition 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 235000004221 Brassica oleracea var gemmifera Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000012905 Brassica oleracea var viridis Nutrition 0.000 description 1
- 244000178937 Brassica oleracea var. capitata Species 0.000 description 1
- 244000308368 Brassica oleracea var. gemmifera Species 0.000 description 1
- 241000195940 Bryophyta Species 0.000 description 1
- 102100039398 C-X-C motif chemokine 2 Human genes 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008574 Capsicum frutescens Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000007542 Cichorium intybus Nutrition 0.000 description 1
- 244000298479 Cichorium intybus Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 241000219130 Cucurbita pepo subsp. pepo Species 0.000 description 1
- 235000003954 Cucurbita pepo var melopepo Nutrition 0.000 description 1
- 244000019459 Cynara cardunculus Species 0.000 description 1
- 235000019106 Cynara scolymus Nutrition 0.000 description 1
- 101100326341 Drosophila melanogaster brun gene Proteins 0.000 description 1
- 240000006927 Foeniculum vulgare Species 0.000 description 1
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 235000003230 Helianthus tuberosus Nutrition 0.000 description 1
- 241000405147 Hermes Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101000889128 Homo sapiens C-X-C motif chemokine 2 Proteins 0.000 description 1
- 235000003332 Ilex aquifolium Nutrition 0.000 description 1
- 235000002296 Ilex sandwicensis Nutrition 0.000 description 1
- 235000002294 Ilex volkensiana Nutrition 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 240000004752 Laburnum anagyroides Species 0.000 description 1
- 235000015802 Lactuca sativa var crispa Nutrition 0.000 description 1
- 240000004201 Lactuca sativa var. crispa Species 0.000 description 1
- 241000209510 Liliopsida Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 235000003889 Paeonia suffruticosa Nutrition 0.000 description 1
- 240000005001 Paeonia suffruticosa Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 240000004713 Pisum sativum Species 0.000 description 1
- 235000010582 Pisum sativum Nutrition 0.000 description 1
- 241000985694 Polypodiopsida Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 235000010830 Prunus insititia Nutrition 0.000 description 1
- 244000039376 Prunus insititia Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 244000299790 Rheum rhabarbarum Species 0.000 description 1
- 235000009411 Rheum rhabarbarum Nutrition 0.000 description 1
- 235000001537 Ribes X gardonianum Nutrition 0.000 description 1
- 235000001535 Ribes X utile Nutrition 0.000 description 1
- 235000016919 Ribes petraeum Nutrition 0.000 description 1
- 244000281247 Ribes rubrum Species 0.000 description 1
- 235000002355 Ribes spicatum Nutrition 0.000 description 1
- 235000017848 Rubus fruticosus Nutrition 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 244000151637 Sambucus canadensis Species 0.000 description 1
- 235000018735 Sambucus canadensis Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 1
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 235000021029 blackberry Nutrition 0.000 description 1
- 235000007123 blue elder Nutrition 0.000 description 1
- 235000021014 blueberries Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000001390 capsicum minimum Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000012876 carrier material Substances 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 235000007124 elderberry Nutrition 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 241001233957 eudicotyledons Species 0.000 description 1
- 235000008995 european elder Nutrition 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003898 horticulture Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003750 molluscacide Substances 0.000 description 1
- 230000002013 molluscicidal effect Effects 0.000 description 1
- 230000001069 nematicidal effect Effects 0.000 description 1
- 239000005645 nematicide Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 239000003375 plant hormone Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000012794 pre-harvesting Methods 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 239000003223 protective agent Substances 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G13/00—Protecting plants
-
- 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"
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Insects & Arthropods (AREA)
- Zoology (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Toxicology (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及在预期供人类和/或动物食用的植物或植物部分、优选蔬菜和/或水果中的植物保护剂残留的预测。本发明的主题是用于预测植物保护剂残留的方法、装置、***和计算机程序产品。
Description
技术领域
本发明涉及在预期供人类和/或动物食用的植物或植物部分、优选蔬菜和/或水果中的植物保护剂残留的预测。本发明的主题是用于预测植物保护剂残留的方法、装置、***和计算机程序产品。
背景技术
植物保护剂残留是用于保护植物的活性物质(例如杀虫剂、杀菌剂、除草剂或其他农药)的残留,即在植物生产过程中被使用并且在最终产品中可以被检测到。
植物保护剂的使用在许多国家受到法律监管,并且旨在防止植物保护剂危害动物和人类的健康。具体的施用规定(最后一次施用和收获农作物之间的等待时间或时间间隔、施用量、施用限制)考虑了物质特性,从而影响残留的形成和水平。
在许多国家,如果食品包含的植物保护剂含有超过针对各种物质规定的特定最高含量,则该食品将被禁止进行贸易。
自2008年9月1日396/2005号法规生效(EC)以来,在所有欧洲成员国中都统一了常规食品和饲料中植物保护剂的最高残留量。然而并没有全球统一的限值。
一些零售连锁店(经销商)对其生产商要求植物性食品的植物保护剂残留(显著)低于法律规定。在此,各个零售连锁店的要求可能会有所不同。
例如可以在实验室中测定和量化植物保护剂残留。有许多服务提供商被委托测定食品和饲料中的植物保护剂残留。
对植物性食品和饲料的生产商而言有利的是,在植物种植期间获得有关当生产商根据限定的应用程序使用限定的植物保护剂时在收获产品中所预期的植物保护剂残留量的信息。然后,生产商将能够通过改变植物保护剂和/或应用程序在一定程度上控制农作物产品中植物保护剂的残留量。此外,对于这样的生产商而言将有利的是,了解在哪些残留值的情况下,哪些零售连锁店将购买其产品并将其进一步出售给最终客户。
发明内容
该目的通过独立权利要求的主题来实现。优选实施方式可以在从属权利要求、附图和本说明书中找到。
本发明的第一方面是一种装置,包括:
–输入单元
–控制和计算单元,以及
–输出单元
其中控制和计算单元被配置为使输入单元接收和/或确定以下输入信息:
-被种植的农作物,
-使用的植物保护剂,
-施用植物保护剂的次数和每次的施用量,
-施用和收获时间点之间的时间段,
-关于农作物在施用植物保护剂时分别存在的生物量的信息,
-在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
其中控制和计算单元被配置为借助于输入信息来计算在农作物收获的时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
其中控制和计算单元被配置为使输出单元输出关于残留量的信息。
本发明的另一方面是一种计算机实现的方法,包括以下步骤:
–通过计算机***接收和/或确定输入信息,其中输入信息包括:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
–通过计算机***计算优选在收获的时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
–经由计算机***的输出单元输出关于残留量的信息。
本发明的另一方面是一种***,包括:
–第一计算机***,其包括输入单元、第一控制和计算单元、第一发送和接收单元、以及输出单元,
–第二计算机***,其包括第二控制和计算单元、以及第二发送和接收单元,
其中第一控制和计算单元被配置为使输入单元接收和/或确定以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο可选地,关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο可选地,在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
其中第一控制和计算单元被配置为使第一发送和接收单元经由网络将输入信息传输到第二计算机***,
其中第二控制和计算单元被配置为使第二发送和接收单元经由网络接收输入信息,
其中第二控制和计算单元被配置为如果第一计算机***尚未传输以下信息,则确定该信息:
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,和/或
ο在种植所述农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
其中第二控制和计算单元被配置为基于输入信息计算优选在收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
其中第二控制和计算单元被配置为使第二发送和接收单元经由网络将残留量传输到第一计算机***,
其中第一控制和计算单元被配置为使第一发送和接收单元经由网络接收残留量,
其中第一控制和计算单元被配置为使输出单元针对用户输出关于残留量的信息。
本发明的另一方面是一种计算机程序产品,其包括数据载体和程序代码,该程序代码被存储在数据载体上,并且使得在工作存储器中加载有该程序代码的计算机***执行以下步骤:
–接收和/或确定以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
–借助于输入信息计算优选在农作物收获的时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
–输出关于残留量的信息。
下面更详细地解释本发明,而不区分本发明各个方面(方法、装置、***、计算机程序产品)。相反,以下解释旨在以类似的方式适用于本发明的所有方面,而不管其出现在哪个上下文范畴(方法、装置、***、计算机程序产品)中。
如果在本说明书中或在权利要求书中按某个顺序列出了步骤,则这并不一定意味着本发明仅限于所述顺序。相反可考虑的是,这些步骤也可以按其他顺序或彼此并行地进行。除非一个步骤建立在另一步骤的基础上,这使得所建立的步骤必须随后执行(然而这在个别情况下显而易见)。由此,所述顺序代表优选实施方式。
本发明借助于一个或多个计算机***来实现。
“计算机***”是借助于可编程运算规则来处理数据的电子数据处理***。这样的***通常包括“计算机”,即具有用于执行逻辑操作的处理器的单元,以及***设备。
在计算机技术中,“***设备”是指连接到计算机并用于控制计算机和/或用作输入和输出设备的所有设备。其示例有显示器(屏幕)、打印机、扫描仪、鼠标、键盘、驱动器、摄像机、麦克风、扬声器等。内部连接和扩展卡也被视为计算机技术中的***设备。
当今的计算机***通常被划分为台式PC、便携式PC、手提电脑、笔记本电脑、上网本和平板电脑以及所谓的手持设备(例如智能手机)。所有这些设备都可用来实施本发明。
通过诸如键盘、鼠标、麦克风、网络连接、外部数据存储器和/或类似物之类的输入装置进行对计算机的输入。输入也应被理解为根据本发明的计算机***的用户从虚拟菜单或虚拟列表中选择条目或点击选择框等。输出通常通过屏幕(监视器)、打印机、扬声器和/或存储在数据存储器上进行。
根据本发明的装置可以被设计为这样的计算机***。此外,根据本发明的***可以包括多个这样的计算机***。
本发明用于预测优选在收获的时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量。
该预测是针对特定农作物进行的。术语“农作物”被理解为通过人为干预有目的地种植作为经济作物的植物。例如,所种植的农作物的一部分适合于人类和/或动物食用。在一个优选的实施方式中,该农作物是水果植物或蔬菜植物。
优选地,农作物涉及以下百科全书中列出的植物之一:Christopher Cumo,Encyclopedia of Cultivated Plants:From Acacia to Zinnia(栽培植物百科全书:从金合欢属到百日草属),第1至3卷,ABC-CLIO,2013,ISBN 9781598847758。
所述农作物优选地选自以下列表:草莓、番茄、黄瓜、辣椒、红萝卜、白萝卜、球茎甘蓝、胡萝卜、芹菜、茴香、绿豆、豌豆、菜豆、芦笋、菠菜、甜菜、朝鲜蓟、黑婆罗门参、生菜、卷心莴苣、散叶莴苣、莴苣菜、菊苣、茄子、南瓜、西葫芦、羊肉莴苣、甜菜、大黄、白菜、红卷心菜、羽衣甘蓝、球芽甘蓝、花椰菜、西兰花、覆盆子、黑莓、蓝莓、接骨木果、樱桃、苹果、梨、葡萄、李子、米拉贝尔李子、桃子、杏子、甜瓜、醋栗。
基于(更详细地)指定农作物、植物保护剂和种植条件的信息进行该预测。这些信息在本说明书中也被称为“输入信息”。在此,术语“输入信息”不应被理解为表示该信息全部由用户在根据本发明的计算机***中输入。而是部分输入信息也可由根据本发明的计算机***(基于所输入的信息)确定(如下文中详细所述)。就此而言,术语“输入”更倾向于是指输入信息作为输入被包括在植物保护剂残留量的计算中。
此外,在本说明书中,还使用了术语“指定”。根据以何种方式“指定”对象,术语“指定”可意指“输入”、“确定”、“选择”、“预选”、“计算”和/或“导出”。
在第一步骤中将指定农作物。这优选通过以下方式进行,即用户将农作物名称或农作物品种名称或农作物/农作物品种的代码(例如根据国际农作物命名法,简称ICNCP)输入根据本发明的计算机***,或者从列表或菜单中选择关于农作物的相应信息,或者借助于农作物的图形表示(例如:照片或图形)选择农作物。
还可考虑的是,为农作物或放置农作物的容器或种植农作物的苗圃或列出农作物的目录或农作物的包装或用于种植农作物的种子的包装配备提供关于农作物的信息的机器可读代码。在这种情况下,农作物的指定可以是利用合适的读取设备读取机器可读代码并借助于读取设备将所读取的关于农作物的信息传输到根据本发明的计算机***。这样的机器可读代码例如可以是光电可读代码(例如条形码、2D代码(例如数据矩阵或QR码)或以电子方式存储在半导体存储器(例如RFID芯片)中的代码。
还可以考虑的是,根据本发明的计算机程序产品仅特定于单一农作物,也就是说,其仅可以计算/预测单一农作物或农作物品种的植物保护剂残留量。在这种情况下,步骤“指定农作物”在于,用户选择相应的计算机程序产品,以便计算该计算机程序所针对的农作物中的一种或多种植物保护剂的残留量。
在另一步骤中,指定关于农作物的种植的信息(在本说明书中也被称为种植参数或种植条件)。
种植参数可表明农作物将在何处和/或在何种条件下被种植。例如可指定农作物是否被种植在室外、薄膜大棚(例如应用于草莓)、温室等中。由于几乎没有天气影响(例如下雨),在温室中种植的植物中的残留量可能高于在室外种植的情况。
可指定是否进行人工灌溉,必要时可以指定灌溉量。
特别是在温室的情况下,用户可优选地指定温室中存在的条件,例如温度(空气、土壤)、湿度(空气、土壤)和空气中的二氧化碳含量,例如以在整个白天/晚上的时间变化、最大值、最小值、平均值(例如算术平均值)、方差、温度总和、辐射总和等的形式。
当然,上述条件(温度、湿度、二氧化碳含量、辐射量)也可以针对在露天田地上或在薄膜大棚中种植的农作物进行指定。这些条件在本说明书中也称为“环境条件”。优选地记录在农作物生长季节的天气。在此可记录以下数值:气温、空气湿度、气压、风速、降水类型、降水量、太阳辐射等。在此,例如可记录每日最大值、每日最小值和/或每日平均值(例如算术平均值)。天气条件一方面会影响活性物质的降解特性,并且另一方面会决定农作物的生长特性(施用植物保护剂的时间点的生物量)。
优选地指定种植农作物的田地的地理位置。然后可根据田地的地理位置例如从数据库中读取在种植期间存在(当前测量值和/或预测值)或通常存在(过去的平均值)的所述环境条件的值。也可以考虑的是,仅指定田地的地理位置并且在机器学习模型中使用该地理位置,以学习地理位置与所计算的残留量之间的关系。
术语“田地”被理解为是指地球表面的在空间上可限定的通过如下方式用于农业的区域,即在这样的田地上种植农作物、提供养料并且获得收成。
田地的地理位置的指定例如可以包括指定田地所在的国家。还可以考虑的是,指定该田地所在的地区。这种地区例如可以是具有与邻近地区的气候不同的限定气候的地区。地区可以是特定农作物的种植区(有关种植区的定义,请参见例如Journal fürKulturpflanzen,61(7),第247-253页,2009,ISSN 0027-7479)。地区可以涉及土壤-气候空间(有关土壤-气候空间的定义,请参见例如Nachrichtenbl.Deut.Pflanzenschutzd.,59(7),第155-161页,2007,ISSN 0027-7479)。
此外,田地的地理位置的指定还可以包括给出位于田地中或田地边缘处的至少一个点的地理坐标。许多田地具有多边形的形状。对于这样的田地,可以给出多边形的角的地理坐标来进行指定。可以考虑的是,为了指定田地的地理位置,用户以手指或输入设备(例如鼠标)在显示在根据本发明的计算机***的屏幕上的虚拟地图上绘制田地边界。
可以考虑的是,对于一种或多种农作物,关于种植的信息(例如常规的种植条件)已存储在数据存储器中。可以考虑的是,根据本发明的装置或根据本发明的***在指定农作物之后从数据存储器中读取农作物的常规种植条件,并且将所读取的值作为进一步计算残留量的基础。此外还可以考虑的是,通过指定位置来设定种植条件;对于特定的国家和/或地区可在数据存储器中存储常规的种植条件,其可以作为进一步计算的基础。还可以考虑的是,根据本发明的计算机程序产品仅旨在特定于在预定种植条件下种植的单一农作物。在这种情况下,“指定种植条件”的步骤包括用户选择相应的计算机程序产品。
可以考虑的是,计算机***被配置为在了解种植农作物的田地的地理位置的情况下,例如经由网络从数据库中确定关于田地所在区域的气候和/或天气的信息。然后,可以使用关于气候和/或天气的这些信息来确定残留量和/或农作物的生长。
在下一步骤中,指定至少一种在特定农作物的种植中使用、即施用的植物保护剂。
术语“植物保护剂”是指用于保护植物或植物产品以防止有害生物或防止其作用、消灭不期望的植物或植物部分、抑制不期望的植物生长或防止这种生长和/或以其他方式作为养料(例如生长调节剂)影响植物的生命过程的药剂。生长调节剂例如用于通过缩短茎的长度(缩茎剂或更好的节间缩短剂)来提高谷物的稳定性,改善插条的生根,在园艺中通过压缩来降低株高或防止马铃薯发芽。生长调节剂通常为植物激素或其合成类似物。其他植物保护剂的示例有除草剂、杀真菌剂和其他农药(例如杀虫剂、杀线虫剂、杀软体动物剂等)。
植物保护剂通常包含一种或多种活性物质。“活性物质”是指在生物体中具有特定作用并引起特定反应的物质。这种活性物质可以是合成产生的(化学)活性物质或从生物体中获得的(生物)活性物质。也可以考虑活性物质的组合。植物保护剂通常包含用于稀释一种或多种活性物质的载体物质。此外还可以考虑添加剂,如防腐剂、缓冲剂、染料等。植物保护剂可以固体、液体或气体的形式存在。
“有害生物”可以被理解为可在农作物种植过程中出现并损害农作物、对农作物的收成产生负面影响或与农作物竞争自然资源的生物体。此类有害生物的示例有杂草、乔本科杂草、诸如甲虫、毛虫和蠕虫的动物害虫、真菌和病原体(例如细菌和病毒)。即使病毒从生物学角度不属于生物体,但其在本说明书中仍应属于有害生物体的范畴。
术语“杂草”可以被理解为在农作物林、草地或花园中自发伴随生长的植物,这些植物在该处不是有意种植的并且例如基于土壤的育种潜力或通过飘飞而得以发育。该术语并不限于原本意义上的草本植物,而是还包括禾本科植物、蕨类植物、苔藓类植物或木本植物。在植物保护领域,术语“禾本科杂草”也经常用于解释与草本植物的区分。在本文中,术语杂草用作旨在包括禾本科杂草的通用术语,除非提及特定的草本科杂草或禾本科杂草。
术语“防治”是指防止一种或多种有害生物侵害田地/农作物或其一部分和/或防止一种或多种有害生物的传播和/或减少存在的有害生物的量。
出于两个原因,植物保护剂的指定很重要:一方面,通过植物保护剂的指定也会指定根据本发明应预测其残留量的物质。应预测其残留量的物质通常为植物保护剂的活性物质和/或活性物质的在生物体中(也)发挥生物作用的降解产物。另一方面,降解特性(以及残留量)很大程度上取决于活性物质的化学结构,必要时还取决于其在作物保护剂中的配方。许多活性物质都有降解特性模型(参见例如环境科学技术,2019年,53,5838-5847;Soulas,G.&Lagacherie,B.Biol Fertil Soils(2001)33:551.https://d0i.org/10.1007/s003740100363;Beulke,S.&Brown,C.D.Biol Fertil Soils(2001)33:558.https://doi.org/10.1007/s003740100364;Pagel,Holge等,生物地球化学,第117卷,2014年,第185-204页,www.jstor.org/stable/24716853;https://www.epa.gov/pesticide-science-and-assessing-pesticide-risks/guid guid-calculate-representative-half-life-values)。
通常会出现指数级降解,也就是说,所施用的活性物质的量随时间呈指数下降。此外,活性物质的物理化学性质决定了活性物质通过植物导管***传输到可食用部分的程度。
例如可以基于植物保护剂的产品名称或植物保护剂中所含的活性物质的另一名称或化学式来指定植物保护剂。
还可以考虑的是,借助于名称和/或图形表示(例如产品的照片)从列表中选择植物保护剂。
还可以考虑的是,植物保护剂的包装包含机器可读代码,其提供关于植物保护剂的信息并且可通过合适的读取设备被读取。如上所述,机器可读代码可以是光电可读代码和/或以电子方式存储在(例如RFID标签的)半导体存储器中的代码。
可以考虑指定多种应同时或在不同时间点施用的植物保护剂。
还可以考虑的是,根据本发明的计算机程序产品仅针对单一植物保护剂,即其仅可以计算/预测特定植物保护剂的残留量。在这种情况下,步骤“指定植物保护剂”在于,用户选择相应的计算机程序产品,以便确定在农作物中该计算机程序所针对的植物保护剂的残留量。
根据本发明的装置和根据本发明的***优选地被配置为使得其基于与所种植的农作物有关的信息和/或基于与田地的地理位置有关的信息和/或基于种植条件对至少一种植物保护剂进行预选择。与植物保护剂相关的术语“预选择”是指由装置/***从植物保护剂的列表中选择如下植物保护剂并将其显示给用户,即这些植物保护剂通常用于指定的农作物和/或通常用来防治可能在特定农作物中出现的有害生物和/或选择对在特定田地的地理位置或温室中存在的普遍条件下可能出现的有害生物起作用的植物保护剂。然后,用户可以在预选择的植物保护剂中选择应计算其残留量的一种(或多种)。还可以考虑的是,在预选择中,只有一种植物保护剂属于考虑之列,然后可以将其显示给用户。
根据为田地指定的地理位置,预选择的植物保护剂的列表可能会有所不同。根据本发明的装置和根据本发明的***优选地被配置为使得其仅预选择和显示那些在相应田地所在的国家官方批准施用的植物保护剂。相应的官方批准信息可存储在一个或多个数据库中,根据本发明的计算机***可以例如经由网络连接访问该数据库。
在另一步骤中,优选借助于施用参数(更详细地)指定植物保护剂的施用。施用参数例如包括处理类型、施用量和应以指定的量施用植物保护剂的至少一个时间点或至少一个时间段。通常,在作物生长季节越早进行处理,则残留量越低。
可以考虑的是,在生长季节期间(在不同的时间点或不同的时间段内)多次施用植物保护剂。在多次施用的情况下,可以指定施用的次数和施用之间的时间间隔。在多次施用的情况下,施用量可以相同或不同。处理类型和/或每次使用的植物保护剂也可以不同。从植物保护剂的最后一次施用到收获之间的时间段非常重要:通常,植物保护剂的残留会随着时间的推移而降解;即自最后一次施用以来的时间越长,则残留量通常越低。
优选地,指定施用植物保护剂的次数和每次的施用量。优选地,指定施用和收获时间点之间的时间段。
每次施用的量可以例如以施用量的形式给出。
“施用量”是防治有害生物所需的植物保护剂的量,其通常按每个面积(在施用于田地的情况下)、每个空间单位(例如在温室中)或每个种子量(例如在施肥时)给定。该量可以重量(例如kg)或体积(例如L)的形式给出。该量可以涉及植物保护剂产品的总量或植物保护剂产品中存在的活性物质。施用于该面积的活性物质的量越多,则在收获作物中/上/处的残留量也越高。
如果使用水来稀释植物保护剂,则也可以指定用水量。
可以考虑的是,指定了利用植物保护剂处理农作物的方式。当指定处理类型时,例如可以指明该处理是针对种子还是针对处于限定发育阶段的植物。直接施用于收获作物的处理通常比例如在播种前的种子处理产生更高的残留量。此外,还可以指明将处理哪些植物部分(例如叶子、果实和/或根)或是否进行土壤处理。
施用参数可由用户在根据本发明的装置或根据本发明的***中输入。此外,可以由根据本发明的装置或根据本发明的***通过使用已经输入的关于农作物、田地的地理位置、种植条件和/或植物保护剂的信息完全或部分地确定施用参数。
例如可以考虑的是,制造商或分销商已为植物保护剂提供了有关应在何时以及以何种量施用植物保护剂的信息。该信息可以存储在可由根据本发明的装置/***访问的内部或外部数据存储器中。因此,装置/***可以被配置为基于所存在的信息生成关于何时应以何种量施用植物保护剂的建议。然后,用户可以接受或修改该建议。然后,可以使用接受的和/或修改的数据来计算残留量。
施用植物保护剂的时间点/时间段例如(也)可以基于农作物的发育阶段。植物的发育阶段可以例如以所谓的BBCH代码的形式给出。缩写BBCH在官方上代表联邦生物研究所、联邦植物品种办公室和化学工业。用于单子叶和双子叶植物物候发育阶段的统一编码的扩展BBCH量表是联邦农业和林业生物研究所(BBA)、联邦植物品种办公室(BSA)、农业工业协会(IVA)以及Groβbeeren/Erfurt蔬菜和观赏植物种植研究所的共同工作。可以考虑的是,用户将所种植的农作物的(扩展)BBCH代码输入到装置/***中。此外还可以考虑的是,装置/***被配置为自己计算BBCH代码。例如可以考虑的是,用户已将农作物的栽种/播种时间点输入到装置/***中,并且装置/***通过使用栽种/播种时间点来计算BBCH代码。
残留量的计算中包含的进一步信息优选是关于农作物在施用植物保护剂时分别存在的生物量的信息。如果施用规定的植物保护剂的施用量,则该施用量在理想情况下将被均匀分配到存在的生物量上。换言之,对于规定的施用量而言,生物量越多,每千克农作物(以果实和/或叶子和/或其他植物组成部分的形式)的植物保护剂的比例就越小。因此,对于残留量的计算,确定存在的农作物的量,在该量上分配指定的植物保护剂量。
关于农作物在施用植物保护剂时分别存在的生物量的信息可以是关于存在的农作物的实际质量的说明,但也可以是与生物量相关的信息,例如在施用时的农作物高度、农作物与地面平行的程度、植物部分(例如叶和/或果实)的尺寸、果实质量、果实的直径等。与生物量相关的信息优选是平均值,例如关于田地区域或田地部分区域的植物构成的算术平均值。
在一个优选实施例中,关于农作物的生物量的信息是植物构成中的农作物的平均高度。在另一个优选实施例中,关于农作物的生物量的信息是植物构成中的果实的平均直径和/或体积。在另一个优选实施例中,关于农作物的生物量的信息是从上方(朝地球中心的方向)观察覆盖土壤(例如耕地)的植物的比例。在另一个优选实施例中,关于农作物的生物量的信息是植物构成的叶子面积的平均尺寸。在另一个优选实施例中,关于农作物的生物量的信息是植被指数,例如归一化植被指数差(英文:normalized differencevegetation index,或归一化密度植被指数NDVI)。还可以考虑的是,关于农作物的生物量的信息是所提及的参数和/或其他参数的组合。
还可以考虑的是,关于农作物的生物量的信息是根据农作物的发育阶段来指定的。发育阶段可以例如由用户指定或由根据本发明的装置/根据本发明的计算机***例如借助植物生长模型来计算。还可以考虑的是,关于农作物的生物量的信息是借助于植物生长模型直接计算的。
这样的植物生长模型例如可以是根据内在(遗传)和外在(环境)因素描述植物生长的数学模型。例如,书籍i)Marco Günther和Kai Velten在Wiley-VCH出版社于2014年10月出版的“数学建模与仿真”(ISBN:978-3-527-412174)以及ii)Daniel Wallach、DavidMakowski、James W.Jones和Francois Brun于2014年在美国学术出版社(Elsevier)出版的“使用动态作物模型”提供了关于植物生长模型创建的概述。
对于许多农作物都存在植物生长模型。植物生长模型通常模拟农作物种群在限定时间段内的生长。还可以考虑的是,使用基于单个植物的模型来模拟植物各个器官中的能量和物质流动。此外还可以使用混合模型。
除了植物的遗传特征之外,农作物的生长主要取决于植物生命周期内存在的当地天气情况(入射太阳光线的数量和光谱分布、温度曲线、降水量、风输入)、土壤状况以及养料供应。
(过去)已经进行的栽培措施以及所发生的任何有害生物侵袭也可对植物生长产生影响,并且可以在生长模型中加以考虑。
植物生长模型通常是所谓的基于过程的动态模型(参见Daniel Wallach、DavidMakowski、James W.Jones和Francois Brun.于2014年在美国学术出版社(Elsevier)发表的“使用动态作物模型”),然而也可以完全或部分地基于规则或统计或数据支持/经验。模型通常是所谓的点模型。在此,模型通常以如下方式进行校准,即输出反映输入的空间表示。如果输入在空间中的某个点被采集或者对空间中的某个点进行插值或估计,则通常假设模型输出对整个相邻场都有效。将在场级别校准的所谓点模型应用于其他通常较粗的尺度是已知的(例如参见:H.Hoffmann等:空间土壤和气候输入数据聚合对地区产量模拟的影响,PLoS ONE 11(4):e0151782.doi:10.1371/jo urnal.pone.0151782)。在此,将这些所谓的点模型应用于场内的多个点可实现特定于部分面积的建模。然而,在此忽略了空间相关性,例如在土壤水平衡中。另一方面,还存在用于时间空间显式建模的***。在此,空间相关性被考虑在内。
基于过程的动态植物生长模型的示例有Apsim、Lintul、Epic、Hermes、Monica、STICS等。模型的比较和模型的相应文献例如可以在以下出版物和其中列出的参考文献中找到:H.Hoffmann等:空间土壤和气候输入数据聚合对地区产量模拟的影响,PLoS ONE 11(4):e0151782.doi:10.1371/jo urnal.pone.0151782。
以下参数可包含在植物生长的建模中:
(a)天气:日降水量总和、辐射总和、日最低和最高气温以及近地温度、土壤温度、风速等。
(b)土壤:土壤类型、土壤质地、土壤品种、田间持水量、永久凋萎点、有机碳、矿质氮含量、储存密度、Van-Genuchten参数等。
(c)农作物:类型、品种、诸如比叶面积指数的特定于品种的参数、温度总和、最大根深等。
(d)栽培措施:种子、播种日期、播种密度、播种深度、化肥、施肥量、施肥日期数、施肥日期、土地耕作、收获残留、轮作、与上一年同种作物田地的距离、灌溉等。
借助于植物生长模型还可以计算在某个时间点存在的生物质的量和/或叶面积的大小和/或果实的量(果实质量)和/或存在的枝条的数量等。可以考虑的是,具有更多生物质量和/或更大叶面积的植物比具有更少生物质量和/或更小叶面积的植物需要更大量的植物保护剂。可以考虑的是,在施用植物保护剂的时间点所存在的生物质量(特别是呈果实的形式)会影响残留量。因此,在本发明的一个优选实施方式中,在某个时间点(特别是在施用植物保护剂的时间点)存在的所种植农作物的生物质的量也包括在残留量的计算中。
为了确定和/或预测所存在的生物质的量和/或优化植物生长模型,还可使用遥感数据。“遥感数据”是例如通过卫星从地球表面远程获得的数字信息。还可以考虑使用飞行器(无人驾驶(无人机)或有人驾驶)来记录遥感数据。通过遥感传感器生成地球表面区域的数字图像,从中可获得关于在该处普遍存在的植被和/或在该处普遍存在的环境条件的信息(例如参见M.S.Moran等:在精准作物管理中基于图像的遥感的机会和限制,环境遥感(1997)61:319-346)。这些传感器的数据通过提供商提供的接口被获得,并且可包括不同处理阶段的光学和电磁(例如合成孔径雷达SAR)数据集。
此外,传感器可以用于田地中,以确定农作物的发育阶段和/或现有生物质。传感器可以静止地定位在田地中;还可考虑为穿行于田地的农业机械和/或机器人配备相应的传感器。
施用植物保护剂的时间点/时间段可基于有害生物的发育阶段和/或传播。预测模型也可以用于有害生物的发育和/或传播(参见例如:WO2017/222722A1、WO2018/058821A1、US20020016676、US20180018414A1、WO2018/099220A1)。借助于这些模型可以预测农作物被有害生物侵袭的高险较高的时间点。当(所计算的)侵袭风险特别高(例如超过定义的阈值)时,则优选使用植物保护剂防治有害生物。用于预测有害生物侵袭的模型通常也使用天气数据和历史数据。
在一个优选实施例中,基于以下输入信息来预测残留量:种植的农作物、种植农作物的国家/或地区、或者种植的农作物在施用植物保护剂的时间点存在的生理量(或者与此相关的参数,例如植物或果实的直径)、已使用或将要使用的植物保护剂、已使用或将要使用的植物保护剂的施用量,以及施用时间点和收获时间点之间的时间段长度。特别有利地,在计算中不仅包括所提到的输入信息,而且还包括与种植阶段期间的天气条件相关的以下其他输入信息中的一个或多个:日照(例如以日照时间的形式)、湿度和/或温度。
在一个优选实施例中,基于以下输入信息计算残留量:
-被种植的农作物
-使用的植物保护剂
-施用植物保护剂的次数和每次的施用量
-最后一次施用和收获时间点之间的时间段
-施用各天的平均空气和/或土壤温度
-施用各天的平均空气湿度
-施用各天的累积的辐射能量(日照或人工照明)
-施用各天的种植的农作物的平均直径和/或平均高度。
在另一个优选实施例中,基于以下输入信息计算残留量:
-被种植的农作物
-使用的植物保护剂
-施用植物保护剂的次数和每次的施用量
-最后一次施用和收获时间点之间的时间段
-种植农作物的田地的至少一个点的地理位置,或关于农作物种植在温室中的说明
-可选地,关于农作物是否种植在薄膜隧道中的说明书
-施用各天的种植的农作物的平均直径和/或平均高度,和/或果实的平均体积,和/或平均果实质量。
根据本发明的装置和根据本发明的***被配置为基于可用信息(输入信息、从输入信息导出的信息和/或借助于输入信息从一个或多个数据存储器中读取的信息)计算优选在收获的时间点在农作物之中和/或之上或者在农作物的一部分之中和/或之上植物保护剂的至少一个残留的量。如果在收获之后(例如在储存期间、通过洗涤和/或类似过程)仍出现残留量的显著减少,则可以(也)为不同于收获时间点的另一时间点计算残留量和/或为特定处理后的状态计算残留量(例如洗涤、暴露于电磁辐射、热处理或冷处理等)。
例如可以基于凭经验确定的关于植物保护剂在农作物部分中的分布和植物保护剂降解的数据来进行至少一个残留量的计算。
在一个特别优选的实施例中,借助于混合模型来计算植物保护剂的至少一种残留物的量。这意味着植物保护剂的降解基于数学函数,其参数借助于机器学习模型基于输入数据来确定。以下通过示例来阐明该方法,但本发明不限于该示例。
正如已经提到的,许多植物保护剂随时间的降解可以近似呈指数下降。这种指数下降可以通过以下数学函数公式来描述:
在此,N(t)是植物保护剂在预期供人类和/或动物食用的农作物部分中或部分上的随时间变化的量,t表示时间,N0是在时间t=0时的植物保护剂的量,并且τ是参数N下降到1/e倍(约37%)时的时间段。
如果参数起始量N0和时间常数τ是已知的,则可以针对任何时间点t计算植物保护剂的量N(t),例如农作物的收获时间点。
在本发明的一个优选实施例中,数学函数公式的参数(在本示例中为起始量N0和时间常数τ)通过机器学习模型来确定。这种方式的优点是不需要了解各个输入信息如何影响残留量。相反,使用机器学习模型,该模型从大量示例中学习输入信息与残留量之间的关系。
机器学习模型从输入信息中计算数学函数公式的参数。例如,机器学习模型可以已经使用训练数据以监督学习方法被训练,以学习输入信息与数学函数公式的参数之间的关系。然后,可以将学到的知识应用于预测新数据(输入信息)。训练数据可以凭经验确定并且包括成对的输入和输出数据。输入数据表示输入信息,通常采用特征向量的形式。输出数据表示数学函数公式的参数,其可以使用测量的残留量来确定。
换句话说,对于多种农作物、种植条件、环境条件、植物保护剂和/或施用条件,可以凭经验确定例如在收获时产生的植物保护剂残留量。这些凭经验获得的数据可以用于确定描述植物保护剂随时间减少的数学函数公式的参数。最后,训练机器学习模型,其将输入信息(通常以特征向量的形式)映射到数学函数公式的参数。无需检查和理解各个输入信息对残留量的具体影响。
通常的情况是,特征向量以向量方式组合对象(在本情况下是输入信息)的(优选在数值上的)可参数化的属性(特征)。对象的不同特征形成该向量的不同维度。可能的特征向量的整体被称为特征空间。许多机器学习算法需要对象的数值表示,因为这种表示简化或使得能够数据处理和统计分析。因此,特征向量的生成用于使所确定和/或接收的输入信息成为能够进行计算机辅助处理的形式。特征向量的生成的示例可以在现有技术中找到(参见例如J.Frochte:Maschinelles Lernen,第二版,Hanser-Verlag 2019,ISBN:978-3-446-45996-0)。
机器学习模型可以例如是人工神经网络。
这种人工神经网络包括至少三层处理元素:具有输入神经元(节点)的第一层、具有至少一个输出神经元(节点)的第n层、以及n-2个内层,其中n是自然数并且大于2。
输入神经元用于接收输入信息的特征向量的值。在这样的网络中,至少一个输出神经元用于输出数学函数公式的至少一个参数。输入神经元和至少一个输出神经元之间的层的处理元素以预定模式利用预定连接权重彼此连接。
神经网络的训练可以例如通过反向传播方法来执行。在此,对于网络寻求将给定的输入向量到给定的输出向量的最大可靠映射。映射质量由误差函数描述。目标是使误差函数最小化。在反向传播方法的情况下,通过改变关联权重来使人工神经网络学习。
在训练状态下,处理元素之间的关联权重包含关于输入信息(以特征向量的形式)与数学函数公式(描述植物保护剂随时间的减少)的至少一个参数之间的关系的信息。
可以使用交叉验证方法将数据划分为训练数据集和验证数据集。训练数据集用于网络权重的反向传播训练。验证数据集用于确定经训练的网络的预测准确性。
关于人工神经网络的创建和训练的细节描述例如为:G.Ciaburro等人:NeuralNetworks with R,Packt Publishing 2017,ISBN:978-1-78839-787-2;T.Rashid:MakeYour Own Neural Network,O`Reilly 2016,ISBN:978-1530826605。
所确定的残留量可以被输出给用户。例如在根据本发明的装置/***的监视器(屏幕)和/或打印机上以文本和/或数字和/或图形的形式进行输出。
在一个优选的实施方式中,将所确定的残留量与一个最大量或多个最大量进行比较。至少一个最大量例如是对于相应的植物保护剂官方批准的农作物中残留的最大量。
至少一个最大量也可以是经销商对相应植物保护剂所要求的农作物中残留的最大量。本发明意义上的“经销商”优选是从生产商或中间商购买农作物或农作物部分并将其(例如向最终客户(消费者))转售的自然人或法人。
至少一个最大量也可以是由用户定义的量。
至少一个最大量可以被存储在一个或多个数据存储器中,根据本发明的装置和根据本发明的***可访问这些数据存储器。
在一个优选实施方式中,向用户显示所确定的残留量超过或低于一个或多个最大量的程度。可以考虑的是,用户指定一个国家或地区,并且向用户显示所确定的残留量是否超过或低于指定国家或指定地区所允许的最大量,和/或在何种程度上超过或低于指定国家或指定地区所允许的最大量。可以考虑的是,用户可以指定多个国家/地区。可以考虑的是,用户指定一个经销商并且向用户显示所确定的残留量是否超过或低于指定经销商所允许的最大量,和/或在何种程度上超过或低于指定经销商所允许的最大量。可以考虑的是,用户可以指定多个经销商。
在一个优选的实施方式中,以百分数的形式和/或以百分数的图形表示的形式进行所确定的植物保护剂残留量的输出,其中百分数表示所计算的残留量占优选法律或官方允许的最大残留量和/或经销商规定的最大残留量的百分比。在一个优选实施方式中,用户可以选择一个国家/地区或多个国家/地区,并向其显示所计算的残留量相对于该国家/地区规定的最大残留量有多大。在一个优选实施方式中,用户可以选择一个或多个经销商,并且向其显示所计算的残留量相对于经销商规定的最大残留量有多大。
在一个优选的实施方式中,所计算的残留量参考官方规定的最大残留限量(“最大残留水平”、MRL)。最大残留限量是最大允许残留浓度。在欧盟,例如欧洲药品管理局(EMA)负责推荐最大残留含量,其在被欧盟委员会采纳之后将成为具有法律约束力的食品安全标准。
最大残留含量通常由重复的田间试验(10次的数量级)确定,其中收成作物已根据良好农业规范(GAP)进行了处理,并且经过了适当的收获前间隔或适当的停留时间。对于许多农药,最大残留含量处于其检测限(LOD)。通常使用定量限(LOQ)代替LOD。根据经验法则,LOQ值约为LOD值的两倍。对于未包含在任何欧盟法规附件中的物质,通常适用0.01mg/kg的标准最大残留含量(参见例如https://ec.europa.eu/food/plant/pesticides/max_residue_levels_en)。作为MRL值的替代或附加,所计算的残留量也可参考其他常见变量,例如ARfD、ADI和/或TDI。急性参考剂量(ARfD)是对食物或饮用水中可在短时间内、通常在用餐或一天期间摄入而不会对消费者造成重大健康风险的物质量的估计。可接受的每日摄入量(ADI)是指在终生每天服用的情况下被认为是医学上安全的物质的剂量。如果涉及到不希望的杂质,则称之为每日耐受摄入量(TDI)。
在一个优选的实施方式中,根据本发明的装置/***被配置为使得在限定的时间点或当限定的事件发生时进行残留量的计算的更新,其考虑到种植条件、植物保护剂、环境条件和/或施用参数。例如,残留量的初次计算可以基于种植农作物的特定国家或特定地区的典型气候。然后,在生长季节的过程中,计算会适配于实际存在的天气条件。以类似的方式,可以基于实际执行的植物保护剂的施用来进行计算的更新。此外,可以基于传感器数据(例如遥感数据和/或田地数据)进行更新,其中传感器数据例如可提供关于农作物的发育状态和/或预期收成产量的信息。还可以考虑,基于天气预报进行残留量的第一次计算,而基于实际天气进行残留量的后续(更新的)计算。
在一个优选实施方式中,根据本发明的装置/***被配置为使得用户可以改变所指定的植物保护剂和/或可改变施用参数,从而重新计算并显示植物保护剂的残留量。这使得用户可以进行计划。用户可以评估植物保护剂和/或施用参数的变化会如何影响残留量。
在一个优选实施方式中,根据本发明的装置/***被配置为响应于用户的输入来改变植物保护剂和/或施用参数以优化残留量,使得产生最小的残留量。在这样的优化中,用户必要时可以决定哪些参数可改变,哪些不可改变。然后,装置/***将改变可变参数直到达到残留量的最小值,并且向用户输出所改变的参数以及所计算的(最小)残留量。用于数学优化的方法可以在许多关于该主题的教科书中找到(参见例如Peter Gritzmann:数学优化基础,施普林格光谱2013,ISBN:978-3-528-072902)。
具体实施方式
图1示例性且示意性地示出了根据本发明的装置的实施方式。装置(10)包括输入单元(11)、控制和计算单元(12)以及输出单元(13)。用户可以通过输入单元(11)将信息和控制指令输入到装置中。通过输出单元(13)可以将信息输出给用户,其优选地显示在监视器上。控制和计算单元(12)主要用于控制装置(10)的组件、处理已输入和待输出的信息、进行计算和逻辑运算。
控制和计算单元(12)被配置为:
–使输入单元(11)接收和/或确定以下信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
–借助于输入信息来计算在农作物的收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
–使输出单元输出关于残留量的信息。
图2示例性且示意性地示出了根据本发明的装置的另一实施方式。除了参考图1所述的输入单元(11)、控制和计算单元(12)以及输出单元(13)之外,装置(10)例如通过网络与数据存储器(30)连接。在数据存储器(30)中例如可以存储关于农作物(例如优选的种植条件)、植物保护剂(例如优选的施用参数)、国家或地区的气候、国家或地区的天气、有害生物在国家或地区中的传播等的信息。控制和计算单元(12)可以被配置为访问存储在数据存储器(30)中的信息并使用其来计算植物保护剂的残留量。此外,控制和计算单元(12)可以被配置为将信息存储在数据存储器(30)中。可以考虑的是,数据存储器(30)是多个数据存储器。在一种这样的数据存储器中,还可以存储一个或多个模型,其可以用于计算残留量,例如植物生长模型、植物保护剂的降解模型等。
图3示例性且示意性地示出了根据本发明的***的一个实施方式。***(S)包括第一计算机***(10)和第二计算机***(20)。第一计算机***(10)优选被实施为台式计算机、手提电脑或平板计算机或智能手机。第二计算机***(20)优选被实施为服务器。第一计算机***(10)由用户操作。第一计算机***(10)用作用户和***(S)之间的通信接口。第二计算机***(20)用于接管在根据本发明的装置中由装置的控制和计算单元执行的一些功能。将功能转移到第二计算机***的原因可以是:
–计算需要很高的运算能力;这些计算被转移到配备有相应运算能力的服务器上;
–计算应始终基于最新版本的模型和当前数据;这些最新版本的模型和当前数据是通过服务器提供的。
通常存在有大量的第一计算机***,其由不同的用户操作,而仅有一个或(与第一计算机***的数量相比)较少数量的第二计算机***,其通过一个或多个网络为大量第一计算机***提供资源(运算能力、数据、模型)。
第一计算机***(10)包括输入单元(11)、第一控制和计算单元(12)、输出单元(13)以及第一发送和接收单元(14)。第二计算机***(20)包括第二控制和计算单元(22)以及第二发送和接收单元(24)。第一计算机***(10)和第二计算机***(20)可以经由网络在第一计算机***(10)的第一发送和接收单元(14)与第二计算机***(20)的第二发送和接收单元(24)之间交换信息(由虚线表示)。该网络可以包括移动网络,例如基于GSM、GPRS、2G、3G、LTE、4G、5G标准或其他标准的移动网络。
第一控制和计算单元(12)被配置为通过输入单元(11)接收用户的以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο可选地,关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο可选地,在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件。
第一控制和计算单元(12)被配置为使第一发送和接收单元(14)经由网络将输入信息传输到第二计算机***(20)。
第二控制和计算单元(22)被配置为使第二发送和接收单元(24)经由网络接收输入信息。
第二控制和计算单元(22)被配置为如果第一计算机***(10)尚未传输以下信息,则确定该信息:
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,和/或
ο在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件。
该另外的输入信息可以例如从可以经由网络连接与第二计算机***(20)连接的一个或多个数据库被读取,和/或借助由第一计算机***(10)传输的输入信息和/或借助来自一个或多个数据库的信息被计算。
第二控制和计算单元(22)被配置为基于输入信息计算优选在收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量。
第二控制和计算单元(22)被配置为使第二发送和接收单元(24)经由网络将残留量传输到第一计算机***(10)。
第一控制和计算单元(12)被配置为使第一发送和接收单元(14)经由网络接收残留量。
第一控制和计算单元(12)被配置为使输出单元(13)向用户输出残留量。
根据本发明的***(S)可以包括一个或多个数据存储器。在这样的数据存储器上可以存储关于农作物(例如优选的种植条件)、植物保护剂(例如优选的施用参数)、国家或地区的气候、国家或地区的天气、有害生物在国家或地区中的传播等的信息。这种数据存储器可以是第一计算机***(10)、第二计算机***(20)的组成部分和/或可以是独立的单元,其可以与第一计算机***(10)和/或第二计算机***(20)经由网络连接。
图4示例性且示意性地以流程图的形式示出了根据本发明的方法的一个实施方式。该方法(100)包括以下步骤:
(110)指定农作物
(120)指定用于农作物种植的种植参数
(130)指定植物保护剂
(140)指定用于植物保护剂施用的施用参数
(150)计算优选在收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量
(160)向用户显示残留量。
图5示例性且示意性地以流程图的形式示出了由安装有根据本发明的计算机程序产品的计算机***执行的步骤。这些步骤(200)包括:
(210)接收和/或确定以下信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
(220)计算优选在收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量
(230)向用户显示残留量。
图6示例性且示意性地以流程图的形式示出了由安装有计算机程序产品的优选实施方式的计算机***执行的步骤。这些步骤(300)包括:
(310)接收用户的以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用植物保护剂的次数和每次的施用量,
ο施用和收获时间点之间的时间段,
ο可选地,关于农作物在施用植物保护剂时分别存在的生物量的信息,
ο可选地,在种植农作物期间的环境条件,特别是在施用植物保护剂时和/或在施用植物保护剂后的环境条件,
(320)将输入信息传输到第二计算机***
(330)从第二计算机***接收优选在收获时间点、植物保护剂在农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量(340)向用户显示残留量。
图7至图20示例性地示出了根据本发明的计算机程序产品在根据本发明的装置或根据本发明的***的屏幕上的显示。
图7示例性地示出了输入掩码,用户可通过该输入掩码以其姓名(用户名)和密码登录。
在用户登录之后,用户可以被要求指定将种植或应种植农作物的田地。图8示出了根据本发明的计算机程序产品的显示,其表示尚未指定田地(“尚未创建田地”)。通过点击带有⊕符号的虚拟按钮,用户可开始指定新田地的过程。该过程以图示的形式在图9至图13中示出。
图9示出了指定新田地的过程的第一显示。可以在输入框(“搜索地点”)中输入地点名称(例如国家、省和/或街道)。在背景中以鸟瞰图或地图的形式示出了地球表面的一部分。在输入地点名称时,会显示包含该地点的地球表面部分。用户可以通过由使用智能手机已知的手指动作移动该部分、放大该部分或缩小该部分。
此外,可以通过虚拟按钮(“落点”)指定位于田地内或田地边缘的一个点。在操作虚拟按钮时,该点被设置在十字准线的中间。这在图10中示出。图10示出了与图9相同的显示,其区别在于现在指定了田地的第一个点。
从指定的点开始,用户现在可以设置(确定)该田地的其他点。这些点通过直线相互连接。这在图11和图12中示出。
计算机程序被配置为自动计算所指定田地的大小。图13示出了指定的田地和所计算的田地大小(“0.453公顷”)。用户可为该田地分配名称(“田地名称”),在本情况中其名称为“田地D”。
图14示出了根据本发明的计算机程序的另一个显示。其示出已创建了四个田地,分别命名为“田地A”、“田地B”、“田地C”、“田地D”。用户可以选择那些其希望生成植物保护剂残留量预测的田地。带有⊕字符的虚拟按钮表示可指定(在计算机程序中创建)其他田地。
图15示出了根据本发明的计算机程序的另一显示。计算机程序向用户显示出到目前为止尚未指定关于农作物种植和植物保护剂施用的信息(“您没有任何农作物计划”)。通过操作虚拟按钮(“创建农作物计划”),用户可启动一个过程来指定相应的信息。该过程以图示的形式在图16中示出。
图16示出了用于为农作物创建种植计划的显示(“农作物计划详细信息”)。该显示包括一系列输入框。在输入框中,用户可以为相应的种植计划命名(“农作物计划名称”)。在该情况中,用户输入了“计划A”作为名称。在另一输入框中,用户可以指定农作物。在该情况中,这通过在列表中选择一个条目来完成。在该情况中,用户选择了草莓作为农作物。在另一输入框中,用户可以指定农作物品种。在该情况中,用户选择了“Fortuna”作为农作物品种。在另一输入框中,用户可指定种植期的开始(“季节开始日期”)。这可以通过输入日期和/或通过在虚拟日历中选择一天来进行。在该情况中,用户指定了2019年8月17日作为种植期的开始。在另一输入框中,用户可以指定种植期的结束(“季节结束日期”)。这可以通过输入日期和/或通过在虚拟日历中选择一天来进行。在该情况中,用户指定了2020年3月30日作为种植期的结束。种植期的结束通常是收获的时间点。
图17示出了根据本发明的计算机程序的另一显示。图17以概览图显示了名为计划A的种植计划。种植计划涉及品种为“Fortuna”的农作物“草莓”。指定了其上将种植/应种植该农作物的名为“田地D”的田地。在计算机程序可以计算(预测)植物保护剂的残留量之前,还必须指定一个或多个市场和至少一种植物保护剂的施用计划(“喷洒计划”)。通过操作相应的虚拟按钮,用户可以启动用于指定市场(“选择市场”)的过程或用于指定至少一种植物保护剂的施用计划(“创建喷洒计划”)的过程。
用于指定市场的过程以图示的形式在图18中示例性示出。用于指定至少一种植物保护剂的施用计划的过程以图示的形式在图19中示例性示出。
术语“市场”代表经销商(或零售连锁店)和国家的组合。图18显示了按国家分类的市场概览(“市场按国家”)。在该情况中列出了三个国家的零售连锁店:德国的零售连锁店ALDI、Schwarz-Lidl和Rossmann,波兰的零售连锁店Lidl和Fresh market,西班牙的零售连锁店Mercadona、Lidl和ALDI。用户可以通过点击来选择一个或多个零售连锁店。在该情况中,用户选择了以下组合:德国:ALDI,德国:Schwarz-Lidl,波兰:Fresh market,西班牙:Mercadona。通过操作虚拟按钮,用户可以创建其他市场(“创建用户市场”)。
图19示出了具有一系列输入框的显示,以用于指定至少一种植物保护剂的施用计划。经由第一输入框可以通过输入产品名称来指定植物保护剂。在本情况中已输入产品名称“Luna”。在另一输入框中,用户可以输入和/或选择施用植物保护剂的日期。在该情况中,用户将日期指定为2019年11月17日。在另一输入框中,用户可以输入施用方法。在本情况中,用户输入了叶面施用作为施用方法。在另外两个输入框中,用户可以输入已施用或待施用的植物保护剂的量(“产品量”、“UOM”(计量单位))。在该情况中,用户输入的量为0.75L/ha。在另一输入框中,用户可以输入所施加的水量(“水量(L/ha)”)。在本情况中,用户输入的量为15L/ha。在另一输入框中,用户可以(在施用植物保护剂时)以BBCH代码(生长阶段(BBCH))的形式输入农作物的发育状态。在该情况中,用户输入了BBCH代码1(“阶段1”)。
图20显示了预测结果的显示。该结果是针对品种为“Fortuna”的农作物“草莓”预测的。该结果基于一个施用计划(“计划A”,“喷洒计划”),其中在两个时间点分别一起施用了0.5L/ha的该名称(“产品A”)的植物保护剂与20L/ha的水。截至2019年5月10日,该农作物已处于/正处于具有BBCH代码2(“阶段2”)的发育阶段;截至2019年7月10日,该农作物已处于/正处于具有BBCH代码3(“阶段3”)的发育阶段。
名称为“产品A”的植物保护剂包含两种活性物质(氟吡菌酰胺、肟菌酯)。对其进行预测的时间点被指定为2019年11月12日(“2019年11月12日残留预测”)。所计算(预测)的氟吡菌酰胺残留量为0.82mg/kg。所计算(预测)的肟菌酯残留量为0.82mg/kg。两种残留量均高于MRL值(对于氟吡菌酰胺为0.67mg/kg,对于肟菌酯为0.5mg/kg)。
Claims (15)
1.一种装置,包括:
-输入单元,
-控制和计算单元,以及
-输出单元,
其中所述控制和计算单元被配置为使所述输入单元接收以下输入信息:
-被种植的农作物,
-使用的植物保护剂,
-施用所述植物保护剂的次数和每次的施用量,
-所述施用和收获时间点之间的时间段,
-关于所述农作物在施用所述植物保护剂时分别存在的生物量的信息,
-在种植所述农作物期间的环境条件,特别是在施用所述植物保护剂时和/或在施用所述植物保护剂后的环境条件,
其中所述控制和计算单元被配置为借助于所述输入信息来计算在所述农作物的收获时间点、所述植物保护剂在所述农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
其中所述控制和计算单元被配置为使所述输出单元输出关于所述残留量的信息。
2.根据权利要求1所述的装置,其中所述残留量基于数学函数公式来计算,其中所述数学函数公式将所述植物保护剂的降解描述为时间的函数,其中所述数学函数公式具有至少一个参数,其中借助于机器学习模型基于所述输入信息来计算所述至少一个参数。
3.根据权利要求1或2所述的装置,其中所述残留量利用指数函数被计算,其中所述指数函数具有两个参数:起始值和时间常数,其中借助于机器学习模型基于所述输入信息来计算所述两个参数。
4.根据权利要求2或3所述的装置,其中所述机器学习模型已经使用训练数据以监督学习方法被训练,以学习所述输入信息与所述数学函数公式的所述至少一个参数之间的相关性,所述输入信息优选通过特征向量表示。
5.根据权利要求1至4中任一项所述的装置,其中所述控制和计算单元被配置为:
-确定所述植物保护剂在所述农作物或所述农作物的部分中残留的最大量,
-将所计算的残留量与所确定的最大量进行比较,
-使所述输出单元输出关于所计算的残留量是否超过或低于所述最大量和/或在何种程度上超过或低于所述最大量的信息。
6.根据权利要求1至5中任一项所述的装置,其中所述控制和计算单元被配置为:
-确定国家和/或地区,对于所述国家和/或地区,所计算的残留量不超过在所述农作物或所述农作物的部分中官方批准的最大残留量,和/或确定经销商,对于所述经销商,所计算的残留量不超过在所述农作物或所述农作物的部分中所规定的最大残留量,
-使所述输出单元输出关于已确定的国家和/或地区和/或经销商的信息。
7.根据权利要求1至6中任一项所述的装置,其中所述残留量针对用户被显示为国家官方机构和/或经销商规定的最大量的比例。
8.一种计算机实现的方法,包括以下步骤:
-通过计算机***接收和/或确定输入信息,其中所述输入信息包括:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用所述植物保护剂的次数和每次的施用量,
ο所述施用和收获时间点之间的时间段,
ο关于所述农作物在施用所述植物保护剂时分别存在的生物量的信息,
ο在种植所述农作物期间的环境条件,特别是在施用所述植物保护剂时和/或在施用所述植物保护剂后的环境条件,
-通过所述计算机***计算优选在收获时间点、所述植物保护剂在所述农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
-通过所述计算机***的输出单元输出关于所述残留量的信息。
9.根据权利要求8所述的方法,其中所述残留量基于数学函数公式来计算,其中所述数学函数公式将所述植物保护剂的降解描述为时间的函数,其中所述数学函数公式具有至少一个参数,其中借助于机器学习模型基于所述输入信息来计算所述至少一个参数。
10.根据权利要求8或9所述的方法,其中所述残留量利用指数函数被计算,其中所述指数函数具有两个参数:起始值和时间常数,其中借助于机器学习模型基于所述输入信息来计算所述两个参数。
11.根据权利要求9或10所述的方法,其中所述机器学习模型已经使用训练数据以监督学习方法被训练,以学习所述输入信息与所述数学函数公式的所述至少一个参数之间的相关性,所述输入信息优选通过特征向量表示。
12.一种***,包括:
-第一计算机***,包括输入单元、第一控制和计算单元、第一发送和接收单元和输出单元,
-第二计算机***,包括第二控制和计算单元和第二发送和接收单元,
其中所述第一控制和计算单元被配置为使所述输入单元接收和/或确定以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用所述植物保护剂的次数和每次的施用量,
ο所述施用和收获时间点之间的时间段,
ο可选地,关于所述农作物在施用所述植物保护剂时分别存在的生物量的信息,
ο可选地,在种植所述农作物期间的环境条件,特别是在施用所述植物保护剂时和/或在施用所述植物保护剂后的环境条件,
其中所述第一控制和计算单元被配置为使所述第一发送和接收单元将所述输入信息经由网络传输至所述第二计算机***,
其中所述第二控制和计算单元被配置为使所述第二发送和接收单元经由所述网络接收所述输入信息,
其中所述第二控制和计算单元被配置为如果所述第一计算机***尚未传输以下信息,则确定该信息:
ο关于所述农作物在施用所述植物保护剂时分别存在的生物量的信息,和/或
ο在种植所述农作物期间的环境条件,特别是在施用所述植物保护剂时和/或在施用所述植物保护剂后的环境条件,
其中所述第二控制和计算单元被配置为基于所述输入信息来计算优选在收获时间点、所述植物保护剂在所述农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
其中所述第二控制和计算单元被配置为使所述第二发送和接收单元将所述残留量经由所述网络传输至所述第一计算机***,
其中所述第一控制和计算单元被配置为使所述第一发送和接收单元经由所述网络接收所述残留量,
其中所述第一控制和计算单元被配置为使所述输出单元针对用户输出关于所述残留量的信息。
13.一种计算机程序产品,包括数据载体和程序代码,所述程序代码被存储在所述数据载体上,并且使得在工作存储器中加载有所述程序代码的计算机***执行以下步骤:
-接收和/或确定以下输入信息:
ο被种植的农作物,
ο使用的植物保护剂,
ο施用所述植物保护剂的次数和每次的施用量,
ο所述施用和收获时间点之间的时间段,
ο关于所述农作物在施用所述植物保护剂时分别存在的生物量的信息,
ο在种植所述农作物期间的环境条件,特别是在施用所述植物保护剂时和/或在施用所述植物保护剂后的环境条件,
-借助于所述输入信息来计算优选在所述农作物的收获时间点、所述植物保护剂在所述农作物的预期供人类和/或动物食用的部分中和/或部分上的残留量,
-输出关于所述残留量的信息。
14.根据权利要求13所述的计算机程序产品,其中所述残留量基于数学函数公式、优选基于指数函数来计算,其中所述数学函数公式将所述植物保护剂的降解描述为时间的函数,其中所述数学函数公式具有至少一个参数,其中借助于机器学习模型基于所述输入信息来计算所述至少一个参数。
15.根据权利要求14所述的方法,其中所述机器学习模型已经使用训练数据以监督学习方法被训练,以学习所述输入信息与所述数学函数公式的所述至少一个参数之间的相关性,所述输入信息优选通过特征向量表示。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21154918.3 | 2021-02-03 | ||
EP21154918 | 2021-02-03 | ||
PCT/EP2022/051441 WO2022167240A1 (de) | 2021-02-03 | 2022-01-24 | Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116847732A true CN116847732A (zh) | 2023-10-03 |
Family
ID=74550486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280012993.7A Pending CN116847732A (zh) | 2021-02-03 | 2022-01-24 | 收获物产品中的植物保护剂残留的预测 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20240095639A1 (zh) |
EP (1) | EP4287831A1 (zh) |
CN (1) | CN116847732A (zh) |
AU (1) | AU2022216767A1 (zh) |
IL (1) | IL304560A (zh) |
MX (1) | MX2023009005A (zh) |
WO (1) | WO2022167240A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020016676A1 (en) | 2000-07-26 | 2002-02-07 | Christopher Sann | Climatic conditions based pest control management |
CA2998109A1 (en) * | 2015-09-11 | 2017-03-16 | Industrie Rolli Alimentari S.P.A. | Agronomic method for the production of vegetables and mushrooms |
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 |
US11397837B2 (en) | 2016-07-12 | 2022-07-26 | Tata Consultancy Services Limited | Systems and methods for pest forecasting using historical pesticide usage information |
EP3512333A1 (de) * | 2016-09-16 | 2019-07-24 | BASF Agro Trademarks GmbH | Bestimmung des bedarfs an pflanzenschutzmittel |
CN106645563A (zh) | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN106779188A (zh) | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
US20220076014A1 (en) * | 2018-12-27 | 2022-03-10 | Bayer Cropscience K.K. | Information processing device, and information processing system |
CN112150300A (zh) * | 2020-09-14 | 2020-12-29 | 安阳工学院 | 一种基于农药残留统计的精准收获方法 |
-
2022
- 2022-01-24 US US18/274,951 patent/US20240095639A1/en active Pending
- 2022-01-24 CN CN202280012993.7A patent/CN116847732A/zh active Pending
- 2022-01-24 WO PCT/EP2022/051441 patent/WO2022167240A1/de active Application Filing
- 2022-01-24 MX MX2023009005A patent/MX2023009005A/es unknown
- 2022-01-24 EP EP22700996.6A patent/EP4287831A1/de active Pending
- 2022-01-24 AU AU2022216767A patent/AU2022216767A1/en active Pending
-
2023
- 2023-07-18 IL IL304560A patent/IL304560A/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022167240A1 (de) | 2022-08-11 |
IL304560A (en) | 2023-09-01 |
AU2022216767A1 (en) | 2023-08-10 |
US20240095639A1 (en) | 2024-03-21 |
MX2023009005A (es) | 2023-08-08 |
EP4287831A1 (de) | 2023-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776071B2 (en) | Machine learning in agricultural planting, growing, and harvesting contexts | |
Kamilaris et al. | A review on the practice of big data analysis in agriculture | |
EP3528613B1 (en) | Method for mapping temporal and spatial sustainability of a cropping system | |
US20200250593A1 (en) | Yield estimation in the cultivation of crop plants | |
CN107077650A (zh) | 用于管理农业活动的方法和*** | |
US20140067745A1 (en) | Targeted agricultural recommendation system | |
US11825835B2 (en) | Determination of the requirements of plant protection agents | |
CN105787801A (zh) | 精确农业*** | |
US20200245525A1 (en) | Yield estimation in the cultivation of crop plants | |
US20230360150A1 (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 | |
CN106605254A (zh) | 信息处理设备、信息处理方法以及程序 | |
Mohammed et al. | Applications of AI and IoT for Advancing Date Palm Cultivation in Saudi Arabia | |
CN114364256B (zh) | 收获物产品中的植物保护剂残留的预测 | |
Ibiev et al. | Unmanned aerial vehicles (UAVs)-One of the digitalization and effective development segments of agricultural production in modern conditions | |
CN116847732A (zh) | 收获物产品中的植物保护剂残留的预测 | |
US20220264786A1 (en) | Method for ascertaining plant properties of a useful plant | |
Sharma et al. | Predictive Algorithms for Smart Agriculture | |
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 | |
US20220270015A1 (en) | Agricultural assistance mobile applications, systems, and methods | |
Yousaf | Optimization of Design and Operation of Hydroponic Sprouted Fodder Systems: A New Approach to Feeding Livestock | |
Maring | The Role of Digital Technology in Agriculture | |
van Rooyen | Concept demonstrator for a decision support tool for agricultural applications | |
Kale et al. | Revolutionary Technologies in Horticultural Crops: A Review | |
Asbaş et al. | The New Agricultural Revolution: Agriculture 4.0 and Artificial Intelligence Applications in Agriculture, Forestry, and Fishery |
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 |