DE102021120197A1 - Predictive map generation based on seeding traits and control - Google Patents

Abstract

Eine oder mehrere Informationskarten werden von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural trait at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural trait sensed by the in situ sensor . The predictive map can be output and used in automated machine control.

Description

GEBIET DER BESCHREIBUNGFIELD OF DESCRIPTION

Die vorliegende Beschreibung bezieht sich auf landwirtschaftliche Maschinen.The present description relates to agricultural machines.

HINTERGRUNDBACKGROUND

Es gibt eine Vielzahl verschiedener Arten von landwirtschaftlichen Maschinen. Einige landwirtschaftliche Maschinen beinhalten Erntemaschinen, wie etwa Mähdrescher, Zuckerrohrerntemaschinen, Baumwollerntemaschinen, selbstfahrende Feldhäcksler und Schwader. Einige Erntemaschinen können auch mit verschiedenen Arten von Vorsätzen ausgestattet werden, um verschiedene Arten von Erntegut zu ernten.There are many different types of agricultural machinery. Some agricultural machines include harvesters such as combine harvesters, sugar cane harvesters, cotton harvesters, forage harvesters, and windrowers. Some harvesters can also be fitted with different types of headers to harvest different types of crops.

Die Felder, auf denen die verschiedenen Arten von landwirtschaftlichen Maschinen arbeiten, können eine Vielzahl von Merkmalen aufweisen. Jedes der unterschiedlichen Merkmale der Felder, auf denen die landwirtschaftlichen Maschinen arbeiten, kann über das Feld variieren. Landwirtschaftliche Erntemaschinen können in verschiedenen Bereichen des Feldes unterschiedlich arbeiten, abhängig von den Merkmalen in diesen Bereichen.The fields on which the different types of agricultural machinery work can have a variety of characteristics. Each of the different characteristics of the fields on which the agricultural machines work can vary across the field. Agricultural harvesters can work differently in different areas of the field depending on the characteristics in those areas.

KURZDARSTELLUNGEXECUTIVE SUMMARY

Es werden eine oder mehrere Informationskarten von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural feature at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural feature sensed by the in situ sensor . The predictive map can be output and used in automated machine control.

Figurenlistecharacter list

• 1 ist eine teilweise bildliche, teilweise schematische Darstellung für ein Beispiel eines Mähdreschers. 1 12 is a partially pictorial, partially schematic representation of an example combine harvester.
• 2 ist ein Blockdiagramm, das einige Abschnitte einer landwirtschaftlichen Erntemaschine gemäß einiger Beispiele der vorliegenden Offenbarung detaillierter zeigt. 2 12 is a block diagram showing in more detail some portions of an agricultural harvesting machine according to some examples of the present disclosure.
• Die 3a-3b (hierin gemeinsam als 3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb einer landwirtschaftlichen Erntemaschine beim Erzeugen einer Karte veranschaulicht.the 3a-3b (herein together as 3 ) show a flow chart illustrating an example of the operation of an agricultural harvesting machine in generating a map.
• 4A ist ein Blockdiagramm, das ein Beispiel für einen prädiktiven Modellgenerator und einen prädiktiven Kartengenerator zeigt. 4A Figure 12 is a block diagram showing an example of a predictive model generator and a predictive map generator.
• 4B ist ein Blockdiagramm, das beispielhafte In-situ-Sensoren zeigt. 4B 12 is a block diagram showing example in situ sensors.
• 5 ist ein Flussdiagramm, das ein Beispiel für den Betrieb einer landwirtschaftlichen Erntemaschine beim Empfangen einer Aussaatkarte, Erkennen eines Merkmals und Erzeugen einer funktionellen prädiktiven Karte zur Verwendung beim Steuern der landwirtschaftlichen Erntemaschine während eines Erntebetriebs zeigt. 5 12 is a flow chart showing an example of the operation of an agricultural harvester in receiving a seeding map, recognizing a feature, and generating a functional predictive map for use in controlling the agricultural harvester during a harvesting operation.
• 6 ist ein Blockdiagramm, das ein Beispiel für eine landwirtschaftliche Erntemaschine in Kommunikation mit einer Remote-Serverumgebung zeigt. 6 Figure 12 is a block diagram showing an example agricultural harvester in communication with a remote server environment.
• Die 7-9 zeigen Beispiele für mobile Vorrichtungen, die in einer landwirtschaftlichen Erntemaschine verwendet werden können.the 7-9 show examples of mobile devices that can be used in an agricultural harvesting machine.
• 10 ist ein Blockdiagramm, das ein Beispiel einer Computerumgebung zeigt, die in einer landwirtschaftlichen Erntemaschine verwendet werden kann, und die Architekturen, die in den vorhergehenden Figuren veranschaulicht sind. 10 Figure 12 is a block diagram showing an example of a computing environment that may be used in an agricultural harvester and the architectures illustrated in the previous figures.

AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION

Für ein besseres Verständnis der Prinzipien der vorliegenden Offenbarung wird nun auf die in den Zeichnungen dargestellten Beispiele Bezug genommen, und es wird eine spezifische Sprache verwendet, um diese zu beschreiben. Es versteht sich jedoch, dass keine Einschränkung des Schutzumfangs der Offenbarung beabsichtigt ist. Jegliche Abänderungen und weiteren Modifikationen der beschriebenen Vorrichtungen, Systeme, Verfahren und jede weitere Anwendung der Prinzipien der vorliegenden Offenbarung werden vollständig in Betracht gezogen, wie sie normalerweise Fachleute auf dem Gebiet, auf das sich die Offenbarung bezieht, bemerken würden. Insbesondere wird vollständig in Betracht gezogen, dass die Merkmale, Komponenten, Schritte oder eine Kombination davon, die in Bezug auf ein Beispiel beschrieben sind, mit den Merkmalen, Komponenten, Schritten oder einer Kombination davon kombiniert werden können, die in Bezug auf andere Beispiele der vorliegenden Offenbarung beschrieben sind.For a better understanding of the principles of the present disclosure, reference will now be made to the examples illustrated in the drawings and specific language will be used to describe them. However, it should be understood that no limitation on the scope of the disclosure is intended. Any alterations and further modifications to the described devices, systems, methods, and any further application of the principles of the present disclosure are fully contemplated as would normally occur to those skilled in the art to which the disclosure pertains. In particular, it is fully contemplated that the features, components, steps, or combination thereof, described with respect to one example may be combined with the features, components, steps, or combination thereof, described with respect to other examples present disclosure.

Die vorliegende Beschreibung bezieht sich auf die Verwendung von In-situ-Daten, die gleichzeitig mit einem landwirtschaftlichen Vorgang in Kombination mit vorherigen Daten aufgenommen wurden, um eine prädiktive Karte und insbesondere eine prädiktive Merkmalkarte zu erzeugen, die die In-situ-Daten mit den früheren Daten korreliert, um das durch die In-situ-Daten angegebene Merkmal oder ein verwandtes Merkmal über das Feld vorherzusagen. In einigen Beispielen kann die prädiktive Merkmalskarte verwendet werden, um eine landwirtschaftliche Arbeitsmaschine, wie etwa eine landwirtschaftliche Erntemaschine, zu steuern. Die Aussaatmerkmale können je nach Feld variieren. Andere landwirtschaftliche Merkmale, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale, können durch die verschiedenen Aussaatmerkmale beeinflusst werden oder anderweitig einen Bezug zu diesen aufweisen, sodass die verschiedenen landwirtschaftlichen Merkmale, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale, in verschiedenen Bereichen des Felds mit ähnlichen Aussaatmerkmalen vorhersehbar sein können. Zum Beispiel kann ein Ertrag oder eine Biomasse von Erntegut in einem Bereich des Feldes mit bekannten (oder geschätzten) Aussaatmerkmalen einem Ertrag oder einer Biomasse von Erntegut in einem anderen Bereich des Feldes mit bekannten (oder geschätzten) ähnlichen Aussaatmerkmalen ähnlich sein. Ertrag und Biomasse sind lediglich Beispiele, und verschiedene andere Merkmale können in verschiedenen Bereichen des Feldes auf Grundlage von Aussaatmerkmalen vorhersehbar sein.The present description relates to the use of in situ data acquired simultaneously with an agricultural operation in combi nation were recorded with prior data to produce a predictive map and more particularly a predictive feature map correlating the in situ data with the prior data to identify the feature indicated by the in situ data or a related feature across the field to predict. In some examples, the predictive feature map may be used to control an agricultural work machine, such as an agricultural harvester. Sowing characteristics may vary by field. Other agricultural traits, such as non-machine traits or machine traits, may be affected by or otherwise related to the different seed traits such that the different agricultural traits, such as non-machine traits or machine traits, are predictable in different areas of the field with similar seed traits could be. For example, a crop yield or biomass in one area of the field with known (or estimated) seeding traits may be similar to a crop yield or biomass in another area of the field with known (or estimated) similar seeding traits. Yield and biomass are just examples, and various other traits may be predictable in different areas of the field based on seed traits.

Die Leistung einer landwirtschaftlichen Maschine kann durch das landwirtschaftliche Merkmal beeinflusst werden, und somit kann durch Vorhersagen des landwirtschaftlichen Merkmals über das Feld eine Steuerung der landwirtschaftlichen Maschine vorgenommen werden, um den Betrieb der landwirtschaftlichen Maschine angesichts des vorhergesagten landwirtschaftlichen Merkmals zu optimieren. Zum Beispiel kann durch Vorhersagen der Biomasse von Erntegut über das Feld auf Grundlage von Daten aus einer Aussaatkarte und In-situ-Daten, die die Biomasse angeben, wie etwa Ernteguthöhe, Erntegutdichte, Erntegutmasse, Erntegutvolumen oder Dreschrotorantriebskraft, sowie einer Anzahl anderer Merkmale die Position des Erntevorsatzes der landwirtschaftlichen Erntemaschine relativ zur Feldoberfläche oder die Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine eingestellt werden, um einen Durchsatz oder eine Vorschubgeschwindigkeit von Pflanzenmaterial, das von der landwirtschaftlichen Erntemaschine verarbeitet werden soll, zu steuern. Dies sind nur einige Beispiele.The performance of an agricultural machine can be influenced by the agricultural characteristic and thus by predicting the agricultural characteristic across the field, control of the agricultural machine can be made to optimize the operation of the agricultural machine in view of the predicted agricultural characteristic. For example, by predicting crop biomass across the field based on seed map data and in situ data indicative of biomass, such as crop height, crop density, crop mass, crop volume, or threshing rotor drive power, as well as a number of other characteristics, position of the header of the agricultural harvester relative to the field surface or the forward speed of the agricultural harvester can be adjusted to control a throughput or a feed rate of plant material to be processed by the agricultural harvester. These are just some examples.

Die Leistung einer landwirtschaftlichen Erntemaschine kann auf Grundlage einer Reihe unterschiedlicher landwirtschaftlicher Merkmale, wie etwa Nicht-Maschinenmerkmale, zum Beispiel Merkmale des Feldes oder Merkmale von Pflanzen auf dem Feld oder einer Reihe unterschiedlicher Maschinenmerkmale der landwirtschaftlichen Erntemaschine, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Merkmale der Maschinenleistung, beeinflusst werden. Sensoren an der landwirtschaftlichen Erntemaschine können In-situ verwendet werden, um diese landwirtschaftlichen Merkmale zu erkennen oder um Werte zu erkennen, die diese landwirtschaftlichen Merkmale anzeigen, und die landwirtschaftliche Erntemaschine kann auf verschiedene Weise basierend auf diesen landwirtschaftlichen Merkmalen oder Merkmalen, die sich auf die von In-situ-Sensoren erkannten landwirtschaftlichen Merkmale beziehen, gesteuert werden.The performance of an agricultural harvesting machine can be based on a number of different agricultural characteristics, such as non-machine characteristics, for example characteristics of the field or characteristics of crops in the field, or a number of different machine characteristics of the agricultural harvesting machine, such as machine settings, operating characteristics or machine performance characteristics , to be influenced. Sensors on the agricultural harvester can be used in situ to detect these agricultural characteristics or to detect values indicative of these agricultural characteristics, and the agricultural harvester can be configured in various ways based on these agricultural characteristics or characteristics relating to the agricultural characteristics detected by in situ sensors.

Eine Aussaatkarte bildet veranschaulichend Aussaatmerkmale über verschiedene geografische Positionen in einem Feld von Interesse ab. Diese Aussaatkarten werden typischerweise von früheren Saatgutpflanzvorgängen auf dem Feld gesammelt. In einigen Beispielen kann die Aussaatkarte aus Steuersignalen abgeleitet werden, die von einer Sämaschine verwendet werden, wenn das Saatgut gepflanzt wird, oder von Sensoren an der Sämaschine, wie etwa Sensoren, die bestätigen, dass ein Saatgut an eine Furche abgelegt wurde, die von der Sämaschine erzeugt wurde. Sämaschinen können geografische Positionssensoren beinhalten, die die Positionen geolokalisieren, an denen das Saatgut gepflanzt wurde, sowie topographische Sensoren, die topographische Informationen des Felds erzeugen. Beispielsweise können die topographischen Sensoren GPS, Laser-Nivellierer, Neigungsmesser-/Kilometerzählerpaare, lokale Funk-Triangulation sowie verschiedene andere Systeme zum Erzeugen topographischer Informationen beinhalten. Die Informationen, die während eines früheren Saatgutpflanzvorgangs erzeugt werden, können verwendet werden, um verschiedene Aussaatmerkmale zu bestimmen, wie etwa die Position (z. B. geografische Position des gepflanzten Saatguts auf dem Feld), den Abstand (z. B. Abstand zwischen dem einzelnen Saatgut, Abstand zwischen den Saatgutreihen oder beides), die Population (die aus Abstandsmerkmalen abgeleitet werden kann), die Saatgutausrichtung (z. B. Saatgutausrichtung in einem Graben oder Ausrichtung der Saatgutreihen), die Tiefe (z. B. Saatguttiefe oder Furchentiefe), die Abmessungen (wie etwa Saatgutgröße) oder den Genotyp (wie etwa Saatgutspezies, Saatguthybrid, Saatgutsorte, Genotyp usw.). Es können auch verschiedene andere Aussaatmerkmale bestimmt werden. In einigen Beispielen können Aussaatkarten Informationen über das Saatgutbett umfassen, in das das Saatgut abgelegt wird, wie etwa Bodenfeuchtigkeit, Bodentemperatur, Bodenbestandteile, wie etwa organisches Bodenmaterial.A seeding map illustratively depicts seeding characteristics across various geographic locations in a field of interest. These seed charts are typically collected from previous seed planting operations in the field. In some examples, the seeding map may be derived from control signals used by a seeder when the seed is planted, or from sensors on the seeder, such as sensors that confirm that a seed has been placed in a furrow made by the Seeder was created. Seeders may include geographic position sensors that geolocate the locations where the seed was planted, and topographic sensors that generate topographic information of the field. For example, the topographic sensors may include GPS, laser levels, inclinometer/odometer pairs, radio local triangulation, as well as various other systems for generating topographic information. The information generated during a previous seed planting operation can be used to determine various seeding characteristics, such as location (e.g., geographic position of the planted seed in the field), distance (e.g., distance between the individual seeds, spacing between seed rows, or both), population (which can be inferred from spacing characteristics), seed orientation (e.g., seed orientation in a ditch or orientation of seed rows), depth (e.g., seed depth or furrow depth) , dimensions (such as seed size), or genotype (such as seed species, seed hybrid, seed variety, genotype, etc.). Various other seed characteristics can also be determined. In some examples, seed maps may include information about the seed bed into which the seed is placed, such as soil moisture, soil temperature, soil constituents such as soil organic matter.

Alternativ oder zusätzlich zu Daten von einem Vorabbetrieb können verschiedene Aussaatmerkmale auf den Aussaatkarten auf Grundlage von Daten von Dritten generiert werden, wie etwa Drittanbieter von Saatgut, die das Saatgut für den Saatgutpflanzvorgang bereitstellen. Diese Dritten können verschiedene Daten bereitstellen, die verschiedene Aussaatmerkmale angeben, zum Beispiel Dimensionsdaten, wie etwa Saatgutgröße, oder Genotypdaten, wie etwa Saatgutarten, Saatguthybride, Saatgutsorten oder Saatgutzüchtung. Zusätzlich können Saatgutverkäufer verschiedene Daten in Bezug auf bestimmte Pflanzenmerkmale der resultierenden Pflanzen jedes unterschiedlichen Saatgutgenotyps bereitstellen. Beispielsweise Daten zum Pflanzenwachstum, wie etwa Stängeldurchmesser, Maiskolbengröße, Pflanzenhöhe, Pflanzenmasse usw., Pflanzenreaktion auf Wetterbedingungen, Pflanzenreaktion auf angewandte Substanzen, wie etwa Herbizid, Fungizid, Pestizid, Insektizid, Dünger, Vernichtungsmerkmale, Trockenheitsmerkmale, Erntegutreaktion auf Wetter, Erntegutreaktion auf Schädlinge und Erntegutreaktion auf Pilze usw., Pflanzenreaktion auf Schädlinge, Pilze, Unkräuter, Krankheiten usw., sowie eine beliebige Anzahl anderer Pflanzenmerkmale. Es ist anzumerken, dass die Daten über Pflanzenreaktionen Daten umfassen können, die auf die Resistenz von Pflanzen gegen verschiedene Bedingungen und Merkmale hinweisen, z. B. die Resistenz von Pflanzen gegen aufgebrachte Substanzen, die Resistenz von Pflanzen gegen Witterungseinflüsse, die Resistenz von Pflanzen gegen Schädlinge, Pilze, Unkräuter, Krankheiten usw., sowie die Resistenz von Pflanzen gegen eine Vielzahl anderer Bedingungen oder Merkmale.As an alternative or in addition to data from a previous operation, various sowing traits on the sowing maps are generated based on data from third parties, such as third-party seed suppliers who provide the seeds for the seed planting process. These third parties may provide various data indicating various seed traits, for example dimensional data, such as seed size, or genotype data, such as seed types, seed hybrids, seed varieties, or seed breeding. In addition, seed vendors may provide various data related to certain plant traits of the resulting plants of each different seed genotype. For example, plant growth data such as stem diameter, corn cob size, plant height, plant mass, etc., plant response to weather conditions, plant response to applied substances such as herbicide, fungicide, pesticide, insecticide, fertilizer, extermination traits, drought traits, crop response to weather, crop response to pests, and Crop response to fungi, etc., plant response to pests, fungi, weeds, diseases, etc., as well as any number of other plant traits. It should be noted that data on plant responses may include data indicative of resistance of plants to various conditions and traits, e.g. B. resistance of plants to applied substances, resistance of plants to weathering, resistance of plants to pests, fungi, weeds, diseases, etc., as well as resistance of plants to a variety of other conditions or traits.

Alternativ oder zusätzlich zu den Daten von einem Vorabbetrieb oder von einem Dritten können verschiedene Aussaatmerkmale auf den Aussaatkarten auf Grundlage verschiedener Benutzer- oder Bedienereingabedaten generiert werden, zum Beispiel Bediener- oder Benutzereingabedaten, die verschiedene Aussaatmerkmale angeben, wie etwa Position, Tiefe, Ausrichtung, Abstand, Abmessungen, Genotyp sowie verschiedene andere Aussaatmerkmale.Alternatively or in addition to the data from a pre-operation or from a third party, different seeding characteristics can be generated on the seeding maps based on different user or operator input data, for example operator or user input data specifying different seeding characteristics, such as position, depth, orientation, spacing , dimensions, genotype, as well as various other sowing characteristics.

In einigen Beispielen kann eine Aussaatkarte aus Sensormesswerten eines oder mehrerer Bänder elektromagnetischer Strahlung abgeleitet werden, die von dem Saatgut oder dem Saatgutbett reflektiert werden. Unter anderem können diese Bänder im Mikrowellen-, Infrarot-, sichtbaren oder ultravioletten Teil des elektromagnetischen Spektrums liegen.In some examples, a seed map may be derived from sensor readings of one or more bands of electromagnetic radiation reflected from the seed or seedbed. Among others, these bands may be in the microwave, infrared, visible, or ultraviolet portions of the electromagnetic spectrum.

Dies sind nur einige Beispiele dafür, wie Aussaatkarten in aktuellen Systemen erstellt und bereitgestellt werden können. Fachleute auf dem Gebiet werden erkennen, dass Aussaatkarten auf verschiedene Weise erzeugt werden können und dass der Umfang der vorliegenden Offenbarung nicht auf die hierin bereitgestellten Beispiele beschränkt ist.These are just a few examples of how seeding maps can be created and deployed in current systems. Those skilled in the art will recognize that seed maps can be generated in a variety of ways and that the scope of the present disclosure is not limited to the examples provided herein.

In einigen Beispielen können die Aussaatmerkmale, die von einer Aussaatkarte bereitgestellt werden, eine Beziehung zu verschiedenen anderen Merkmalen aufweisen oder sich anderweitig darauf auswirken. Durch die Kenntnis der Aussaatmerkmale über das Feld können verschiedene andere Merkmale über das Feld vorausgesagt werden. Während eines Erntevorgangs können In-situ-Sensoren an der landwirtschaftlichen Erntemaschine verwendet werden, um verschiedene Merkmale der Umgebung, in der die landwirtschaftliche Erntemaschine arbeitet, oder verschiedene Maschinenmerkmale der landwirtschaftlichen Erntemaschine zu erkennen. Die von den In-situ-Sensoren erfassten Merkmale, die einem oder mehreren geografischen Positionen des Feldes entsprechen, können zusammen mit dem georeferenzierten Aussaatmerkmal, das von der Aussaatkarte bereitgestellt wird, verwendet werden, um die Merkmale an anderen geografischen Positionen über das Feld vorherzusagen. Beispielsweise können durch das Erkennen der Saatgutpopulation an einer oder mehreren geografischen Positionen des Feldes, wie aus der Aussaatkarte erhalten, und der resultierenden Ertrag an dieser einen oder mehreren geografischen Positionen, wie durch die In-situ-Sensoren angezeigt, der Ertrag an anderen geografischen Positionen über das Feld, zum Beispiel, andere geografische Positionen, wo die gleiche Population von Saatgut gepflanzt wurde, vorhergesagt werden. Die Kombination aus Saatgutpopulation und Ertrag ist nur ein Beispiel. Eine Beziehung zwischen verschiedenen Aussaatmerkmalen und verschiedenen Merkmalen, die von In-situ-Sensoren erfasst werden, kann modelliert werden, um das Merkmal, das von den In-situ-Sensoren erfasst wird, über das Feld vorherzusagen.In some examples, the seeding characteristics provided by a seeding map may relate to or otherwise affect various other characteristics. By knowing the seed characteristics across the field, various other characteristics across the field can be predicted. During a harvesting operation, in situ sensors on the agricultural harvester may be used to detect various features of the environment in which the agricultural harvester is operating or various machine attributes of the agricultural harvester. The features detected by the in situ sensors, which correspond to one or more geographic locations of the field, along with the georeferenced seeding feature provided by the seeding map, can be used to predict the features at other geographic locations across the field. For example, by recognizing the seed population at one or more geographic locations of the field as obtained from the seeding map and the resulting yield at those one or more geographic locations as indicated by the in situ sensors, the yield at other geographic locations Across the field, for example, other geographic locations where the same population of seed was planted can be predicted. The combination of seed population and yield is just one example. A relationship between various seeding traits and various traits sensed by in situ sensors can be modeled to predict the trait sensed by the in situ sensors across the field.

Die vorliegende Erörterung fährt somit in Bezug auf Systeme fort, die eine Aussaatkarte eines Felds oder eine Karte empfangen, die auf Grundlage eines Vorabbetriebs erzeugt wurde, wie etwa eines früheren Saatgutpflanzvorgangs, und auch einen In-situ-Sensor verwenden, um eine Variable zu erkennen, die ein oder mehrere Merkmale während eines Erntevorgangs angibt, wie etwa ein landwirtschaftliches Merkmal, zum Beispiel ein Nicht-Maschinenmerkmal, wie etwa Merkmale des Felds oder der Pflanzen auf dem Feld, sowie Maschinenmerkmale, wie etwa eine Maschineneinstellung, ein Betriebsmerkmal oder Maschinenleistungsdaten. Es ist jedoch zu beachten, dass der In-situ-Sensor eine Variable erkennen kann, die eine beliebige von einer Anzahl von Merkmalen angibt, und nicht auf die hierin beschriebenen Merkmale beschränkt ist. Ein landwirtschaftliches Merkmal ist eines von mehreren Merkmalen, die einen landwirtschaftlichen Vorgang beeinflussen können, wie etwa einen Erntevorgang. Die Systeme erzeugen ein Modell, das eine Beziehung zwischen den Aussaatmerkmalwerten auf der Aussaatkarte oder den aus dem Vorabbetrieb erzeugten Werten auf der Karte und den Ausgabewerten des In-situ-Sensors modelliert. Das Modell wird verwendet, um eine funktionelle prädiktive Karte zu erzeugen, die das durch die Ausgangswerte von dem In-situ-Sensor an verschiedenen Positionen in dem Feld angezeigtes Merkmal vorhersagt. Die funktionelle prädiktive Karte, die während des Erntevorgangs erzeugt wird, kann einem Bediener oder einem anderen Benutzer präsentiert werden oder zum automatischen Steuern einer landwirtschaftlichen Erntemaschine während des Erntevorgangs verwendet werden oder beides.The present discussion thus continues with respect to systems that receive a seed map of a field or a map generated based on a prior operation, such as a previous seed planting operation, and also use an in situ sensor to detect a variable that indicates one or more characteristics during a harvesting operation, such as an agricultural characteristic, for example a non-machine characteristic, such as characteristics of the field or crops in the field, and machine characteristics, such as a machine setting, an operational characteristic or machine performance data. However, it should be noted that the in situ sensor can detect a variable indicative of any of a number of characteristics and is not limited to the characteristics described herein. An agricultural trait is one of several traits that can affect an agricultural operation, such as a harvesting operation. The systems generate a model that represents a relationship between the seeding attribute values on the seeding map or the values generated from the previous operation on the map and the output values of the in situ sensor. The model is used to generate a functional predictive map that predicts the feature indicated by the outputs from the in situ sensor at various locations in the field. The functional predictive map generated during the harvesting process may be presented to an operator or other user, or used to automatically control an agricultural harvesting machine during the harvesting process, or both.

1 ist eine teilweise bildliche, teilweise schematische Darstellung einer selbstfahrenden landwirtschaftlichen Erntemaschine 100. Im veranschaulichten Beispiel ist die landwirtschaftliche Erntemaschine 100 ein Mähdrescher. Obwohl ferner Mähdrescher als Beispiele in der gesamten vorliegenden Offenbarung bereitgestellt werden, versteht es sich, dass die vorliegende Beschreibung auch auf andere Arten von Erntemaschinen anwendbar ist, wie etwa Baumwollerntemaschinen, Zuckerrohrerntemaschinen, selbstfahrende Feldhäcksler, Schwader oder andere landwirtschaftliche Arbeitsmaschinen. Folglich soll die vorliegende Offenbarung die verschiedenen Arten von beschriebenen Erntemaschinen umfassen und ist somit nicht auf Mähdrescher beschränkt. Darüber hinaus richtet sich die vorliegende Offenbarung auf andere Arten von Arbeitsmaschinen, wie etwa landwirtschaftliche Sämaschinen und Sprüher, Baumaschinen, Forstmaschinen und Rasenpflegemaschinen, bei denen die Erzeugung einer prädiktiven Karte anwendbar sein kann. Folglich soll die vorliegende Offenbarung diese verschiedenen Arten von Erntemaschinen und andere Arbeitsmaschinen umfassen und ist somit nicht auf Mähdrescher beschränkt. 1 12 is a partially pictorial, partially schematic representation of a self-propelled agricultural harvester 100. In the example illustrated, the agricultural harvester 100 is a combine harvester. Further, while combines are provided as examples throughout this disclosure, it should be understood that the present description is applicable to other types of harvesting machines, such as cotton harvesters, sugarcane harvesters, forage harvesters, windrowers, or other agricultural work machines. Accordingly, the present disclosure is intended to encompass the various types of harvesters described and is thus not limited to combines. Additionally, the present disclosure is directed to other types of work machines, such as agricultural seeders and sprayers, construction machines, forest machines, and lawn care machines, where predictive map generation may be applicable. Accordingly, the present disclosure is intended to encompass these various types of harvesters and other work machines and is thus not limited to combines.

Wie in 1 gezeigt, beinhaltet die landwirtschaftliche Erntemaschine 100 veranschaulichend eine Fahrerkabine 101, die eine Vielzahl von verschiedenen Bedienerschnittstellenmechanismen zum Steuern der landwirtschaftlichen Erntemaschine 100 aufweisen kann. Die landwirtschaftliche Erntemaschine 100 beinhaltet Vorsatzgeräte, wie etwa einen Erntevorsatz 102 und eine Schneidevorrichtung, im Allgemeinen angezeigt bei 104. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Zuführgehäuse 106, einen Zuführbeschleuniger 108 und einen Drescher, im Allgemeinen angezeigt bei 110. Das Zuführgehäuse 106 und der Zuführbeschleuniger 108 bilden einen Teil eines Materialhandhabungs-Teilsystems 125. Der Erntevorsatz 102 ist entlang der Schwenkachse 105 schwenkbar mit einem Rahmen 103 des landwirtschaftlichen Erntevorsatzes 100 gekoppelt. Ein oder mehrere Stellglieder 107 treiben die Bewegung des Erntevorsatzes 102 um die Achse 105 in die Richtung an, die im Allgemeinen durch Pfeil 109 angezeigt wird. Somit ist eine vertikale Position des Erntevorsatzes 102 (die Erntevorsatzhöhe) über dem Boden 111, über den der Erntevorsatz 102 fährt, durch Betätigen des Stellglieds 107 steuerbar. Obwohl in 1 nicht gezeigt, kann die landwirtschaftliche Erntemaschine 100 auch ein oder mehrere Stellglieder beinhalten, die betrieben werden, um einen Neigungswinkel, einen Rollwinkel oder beides auf den Erntevorsatz 102 oder Abschnitte des Erntevorsatzes 102 anzuwenden. Neigung bezieht sich auf einen Winkel, in dem die Schneidvorrichtung 104 in das Erntegut eingreift. Der Neigungswinkel wird beispielsweise dadurch vergrößert, dass der Erntevorsatz 102 so gesteuert wird, dass eine distale Kante 113 der Schneidevorrichtung 104 mehr auf den Boden gerichtet ist. Der Neigungswinkel wird verringert, indem der Erntevorsatz 102 so gesteuert wird, dass die distale Kante 113 der Schneidevorrichtung 104 weiter vom Boden weg gerichtet wird. Der Rollwinkel bezieht sich auf die Ausrichtung des Erntevorsatzes 102 um die von vorne nach hinten verlaufende Längsachse der landwirtschaftlichen Erntemaschine 100.As in 1 1, agricultural harvester 100 illustratively includes an operator's cab 101 that may include a variety of different operator interface mechanisms for controlling agricultural harvester 100 . The agricultural harvester 100 includes headers, such as a header 102 and a cutter, generally indicated at 104. The agricultural harvester 100 also includes a feeder housing 106, a feed accelerator 108, and a thresher, generally indicated at 110. The feeder housing 106 and the Feed accelerators 108 form part of a material handling subsystem 125 . The header 102 is pivotally coupled to a frame 103 of the agricultural header 100 along the pivot axis 105 . One or more actuators 107 power movement of header 102 about axis 105 in the direction generally indicated by arrow 109 . Thus, a vertical position of the header 102 (the header height) above the ground 111 over which the header 102 travels can be controlled by actuating the actuator 107 . Although in 1 not shown, agricultural harvesting machine 100 may also include one or more actuators operable to apply a pitch angle, a roll angle, or both to the header 102 or portions of the header 102 . Pitch refers to an angle at which the cutter assembly 104 engages the crop. The angle of inclination is increased, for example, by controlling the header 102 so that a distal edge 113 of the cutter 104 is directed more towards the ground. The angle of inclination is reduced by controlling the header 102 so that the distal edge 113 of the cutter 104 is directed further away from the ground. The roll angle refers to the orientation of the header 102 about the front-to-back longitudinal axis of the agricultural harvesting machine 100.

Der Drescher 110 beinhaltet veranschaulichend einen Dreschrotor 112 und einen Satz von Dreschkörben 114. Ferner beinhaltet die landwirtschaftliche Erntemaschine 100 auch einen Abscheider 116. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Reinigungs-Teilsystem oder einen Siebkasten (gemeinsam als Reinigungs-Teilsystem 118 bezeichnet), das ein Reinigungsgebläse 120, einen Häcksler 122 und ein Sieb 124 beinhaltet. Das Materialhandhabungs-Teilsystem 125 beinhaltet außerdem eine Auswurftrommel 126, einen Überkehrelevator 128, einen Reinkornelevator 130 sowie eine Entladeschnecke 134 und den Auswurf 136. Der Reinkornelevator befördert reines Korn in den Reinkorntank 132. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Rückstands-Teilsystem 138, das einen Häcksler 140 und einen Verteiler 142 beinhalten kann. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Antriebs-Teilsystem, das einen Motor beinhaltet, der Bodeneingriffskomponenten 144, wie etwa Räder oder Raupenketten, antreibt. In einigen Beispielen kann ein Mähdrescher innerhalb des Umfangs der vorliegenden Offenbarung mehr als eines der oben genannten Teilsysteme aufweisen. In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 linke und rechte Reinigungs-Teilsysteme, Abscheider usw. aufweisen, die in 1 nicht gezeigt sind.The thresher 110 illustratively includes a threshing rotor 112 and a set of concaves 114. Further, the agricultural harvester 100 also includes a separator 116. The agricultural harvester 100 also includes a cleaning subsystem or cleaning shoe (collectively referred to as the cleaning subsystem 118) that a cleaning fan 120, a chopper 122 and a screen 124 includes. The material handling subsystem 125 also includes a discharge drum 126, a tailings elevator 128, a clean grain elevator 130, and an unloading auger 134 and chute 136. The clean grain elevator conveys clean grain into the clean grain tank 132. The agricultural harvester 100 also includes a tailings subsystem 138 that a chopper 140 and a spreader 142. Agricultural harvester 100 also includes a propulsion subsystem that includes an engine that drives ground engaging components 144, such as wheels or tracks. In some examples, a combine may include more than one of the above subsystems within the scope of the present disclosure. In some examples, agricultural harvester 100 may include left and right hand cleaning subsystems, separators, etc., shown in 1 are not shown.

Im Betrieb und zur Übersicht bewegt sich die landwirtschaftliche Erntemaschine 100 veranschaulichend durch ein Feld in der durch Pfeil 147 angezeigten Richtung. Während der Bewegung der landwirtschaftlichen Erntemaschine 100 greift der Erntevorsatz 102 (und die zugehörige Haspel 164) in das zu erntende Erntegut ein und sammelt das Erntegut in Richtung der Schneidevorrichtung 104. Ein Bediener der landwirtschaftlichen Erntemaschine 100 kann ein lokaler menschlicher Bediener, ein entfernter menschlicher Bediener oder ein automatisiertes System sein. Ein Bedienerbefehl ist ein Befehl eines Bedieners. Der Bediener der landwirtschaftlichen Erntemaschine 100 kann eine oder mehrere Höheneinstellungen, Neigungswinkeleinstellungen oder Rollwinkeleinstellungen für den Erntevorsatz 102 bestimmen. Zum Beispiel gibt der Bediener eine Einstellung oder Einstellungen in ein Steuersystem ein, das im Folgenden genauer beschrieben wird und das das Stellglied 107 steuert. Das Steuersystem kann auch eine Einstellung vom Bediener zum Einrichten des Neigungswinkels und Rollwinkels des Erntevorsatzes 102 empfangen und die eingegebenen Einstellungen implementieren, indem zugeordnete Stellglieder, die nicht gezeigt sind, gesteuert werden, die arbeiten, um den Neigungswinkel und Rollwinkel des Erntevorsatzes 102 zu ändern. Das Stellglied 107 hält den Erntevorsatz 102 auf einer Höhe über dem Boden 111 auf Grundlage einer Höheneinstellung und gegebenenfalls auf gewünschten Neigungs- und Rollwinkeln. Jede der Höhen-, Roll- und Neigungseinstellungen kann unabhängig von den anderen implementiert werden. Das Steuersystem reagiert auf Erntevorsatzfehler (z. B. der Differenz zwischen der Höheneinstellung und der gemessenen Höhe des Erntevorsatzes 104 über dem Boden 111 und in einigen Beispielen Neigungswinkel- und Rollwinkelfehler) mit einer Reaktionsfähigkeit, die auf Grundlage einer ausgewählten Empfindlichkeitsstufe bestimmt wird. Wenn die Empfindlichkeitsstufe auf eine größere Empfindlichkeitsstufe eingestellt ist, reagiert das Steuersystem auf kleinere Erntevorsatz-Positionsfehler und versucht, die erkannten Fehler schneller zu reduzieren, als wenn die Empfindlichkeit auf einer niedrigeren Empfindlichkeitsstufe ist.In operation and for overview, agricultural harvester 100 illustratively moves through a field in the direction indicated by arrow 147 . During the movement of the agricultural harvesting machine 100, the harvesting attachment 102 (and the associated reel 164) engages in the crop to be harvested and collects the crop in Direction of cutting device 104. An operator of agricultural harvesting machine 100 may be a local human operator, a remote human operator, or an automated system. An operator command is a command from an operator. The operator of agricultural harvesting machine 100 may specify one or more height settings, pitch angle settings, or roll angle settings for header 102 . For example, the operator enters a setting or settings into a control system, described in more detail below, that controls actuator 107 . The control system may also receive a setting from the operator to set up the pitch and roll angle of the header 102 and implement the settings entered by associated actuators, not shown, that operate to change the pitch and roll angle of the header 102. The actuator 107 maintains the header 102 at a height above the ground 111 based on a height adjustment and at desired pitch and roll angles, if any. Each of the elevation, roll, and pitch settings can be implemented independently of the others. The control system responds to header errors (e.g., the difference between the elevation setting and the measured height of the header 104 above the ground 111 and, in some examples, pitch angle and roll angle errors) with a responsiveness that is determined based on a selected sensitivity level. When the sensitivity level is set to a higher sensitivity level, the control system will respond to smaller header position errors and attempt to reduce the detected errors faster than when the sensitivity is at a lower sensitivity level.

Zurückkehrend zur Beschreibung des Betriebs der landwirtschaftlichen Erntemaschine 100 wird das abgetrennte Erntegutmaterial, nachdem das Erntegut durch die Schneidevorrichtung 104 geschnitten wurde, durch einen Förderer im Zuführgehäuse 106 in Richtung des Zuführbeschleunigers 108 bewegt, der das Erntegutmaterial in den Drescher 110 beschleunigt. Das Erntegutmaterial wird durch den Dreschrotor 112 gedroschen, der das Erntegut gegen die Dreschkörbe 114 dreht. Das gedroschene Erntegutmaterial wird durch einen Abscheiderrotor im Abscheider 116 bewegt, wobei ein Teil des Rückstands durch die Auswurftrommel 126 in Richtung des Rückstands-Teilsystems 138 bewegt wird. Der Teil des Rückstands, der an das Rückstands-Teilsystem 138 übertragen wird, wird vom Rückstandhäcksler 140 zerkleinert und vom Verteiler 142 auf dem Feld verteilt. In anderen Konfigurationen wird der Rückstand in einer Schwade von der landwirtschaftlichen Erntemaschine 100 freigegeben. In anderen Beispielen kann das Rückstands-Teilsystem 138 Unkrautbeseitigungsmittel (nicht gezeigt) beinhalten, wie etwa Samenabsackanlagen oder andere Samensammler oder Samenzerkleinerer oder andere Saatzerstörer.Returning to the description of the operation of agricultural harvesting machine 100, after the crop has been cut by cutter 104, the severed crop material is moved by a conveyor in feed housing 106 toward feed accelerator 108, which accelerates the crop material into thresher 110. The crop material is threshed by the threshing rotor 112 which rotates the crop against the concaves 114 . The threshed crop material is moved by a separator rotor in the separator 116 with a portion of the residue being moved towards the residue subsystem 138 by the discharge drum 126 . The portion of the tailings that is transferred to tailings subsystem 138 is shredded by tailings chopper 140 and spread by spreader 142 on the field. In other configurations, the residue is released from the agricultural harvester 100 in a windrow. In other examples, residue subsystem 138 may include weed control devices (not shown), such as seed baggers or other seed collectors or seed crushers or other seed destroyers.

Das Korn fällt auf das Reinigungs-Teilsystem 118. Der Häcksler 122 trennt einen Teil gröberer Materialstücke vom Korn und das Sieb 124 trennt einen Teil feinerer Materialstücke vom Reinkorn. Das Reinkorn fällt auf eine Schnecke, die das Korn zu einem Einlassende des Reinkornelevators 130 bewegt und der Reinkornelevator 130 bewegt das Reinkorn nach oben, wodurch das Reinkorn im Reinkorntank 132 abgeschieden wird. Rückstände werden aus dem Reinigungs-Teilsystem 118 durch den Luftstrom des Reinigungsgebläses 120 entfernt. Das Reinigungsgebläse 120 leitet Luft entlang eines Luftstrompfads nach oben durch die Siebe und Häcksler. Der Luftstrom trägt Rückstände in der landwirtschaftlichen Erntemaschine 100 nach hinten in Richtung des Rückstandhandhabungs-Teilsystems 138.The grain falls onto the cleaning subsystem 118. The chopper 122 separates a portion of coarser pieces of material from the grain and the screen 124 separates a portion of finer pieces of material from the clean grain. The clean grain falls onto an auger that moves the grain to an inlet end of the clean grain elevator 130 and the clean grain elevator 130 moves the clean grain up, thereby separating the clean grain in the clean grain tank 132 . Debris is removed from the cleaning subsystem 118 by the air flow of the cleaning fan 120 . The cleaning fan 120 directs air along an airflow path up through the screens and choppers. The airflow carries residue rearward in agricultural harvesting machine 100 toward residue handling subsystem 138.

Der Überkehrelevator 128 führt die Überkehr zum Drescher 110 zurück, wo die Überkehr nachgedroschen wird. Alternativ kann die Überkehr auch einem separaten Nachdresch-Mechanismus durch einen Überkehrelevator oder eine andere Transportvorrichtung zugeführt werden, wo die Überkehr ebenfalls nachgedroschen wird.The tailings elevator 128 returns the tailings to the thresher 110 where the tailings are re-threshed. Alternatively, the tailings can also be fed to a separate after-threshing mechanism by a tailings elevator or other transport device, where the tailings are also after-threshed.

1 zeigt auch, dass in einem Beispiel die landwirtschaftliche Erntemaschine 100 den Bodengeschwindigkeitssensor 146, einen oder mehrere Abscheider-Verlustsensoren 148, eine Reinkornkamera 150, einen nach vorne gerichteten Bilderfassungsmechanismus 151, der in Form einer Stereo- oder Monokamera vorliegen kann, und einen oder mehrere Verlustsensoren 152, die in dem Reinigungs-Teilsystem 118 bereitgestellt sind, beinhaltet. 1 Also shows that in one example, agricultural harvester 100 includes ground speed sensor 146, one or more separator loss sensors 148, a clean grain camera 150, a forward-looking image capture mechanism 151, which may be in the form of a stereo or mono camera, and one or more loss sensors 152 provided in the cleaning subsystem 118 is included.

Der Bodengeschwindigkeitssensor 146 erfasst die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 über den Boden. Der Bodengeschwindigkeitssensor 146 kann die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch Erfassen der Umdrehungsgeschwindigkeit der Bodeneingriffskomponenten (wie etwa Räder oder Raupenketten), einer Antriebswelle, einer Achse oder anderer Komponenten erfassen. In einigen Fällen kann die Fahrgeschwindigkeit mithilfe eines Ortungssystems, wie etwa eines globalen Positionierungssystems (GPS), eines Koppelnavigationssystems, eines Fernnavigationssystems (LORAN) oder einer Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrgeschwindigkeit vorsehen, erfasst werden.The ground speed sensor 146 detects the ground speed of the agricultural harvesting machine 100 over the ground. The ground speed sensor 146 may detect the ground speed of the agricultural harvesting machine 100 by sensing the rotational speed of ground engaging components (such as wheels or tracks), a driveshaft, an axle, or other components. In some cases, vehicle speed may be sensed using a positioning system, such as a global positioning system (GPS), dead reckoning system, remote navigation system (LORAN), or a variety of other systems or sensors that provide an indication of vehicle speed.

Die Verlustsensoren 152 stellen veranschaulichend ein Ausgabesignal bereit, das die Menge des Kornverlustes anzeigt, die sowohl auf der rechten als auch auf der linken Seite des Reinigungs-Teilsystems 118 auftritt. In einigen Beispielen sind die Sensoren 152 Schlagsensoren, die Kornschläge pro Zeiteinheit oder pro Entfernungseinheit zählen, um einen Hinweis auf den Kornverlust vorzusehen, der an dem Reinigungs-Teilsystem 118 auftritt. Die Schlagsensoren für die rechte und linke Seite des Siebkastens 118 können einzelne Signale oder ein kombiniertes oder aggregiertes Signal vorsehen. In einigen Beispielen können die Sensoren 152 einen einzelnen Sensor beinhalten, im Gegensatz zu separaten Sensoren, die für jedes Reinigungs-Teilsystem 118 bereitgestellt sind.Loss sensors 152 illustratively provide an output signal indicative of the amount of grain loss that occurs on both the right and left sides of the cleaning subsystem 118. In some examples, the sensors 152 are impact sensors that count grain impacts per unit time or per unit distance to provide an indication of grain loss occurring at the cleaning subsystem 118 . The impact sensors for the right and left sides of the shoe 118 can provide individual signals or a combined or aggregated signal. In some examples, the sensors 152 can include a single sensor, as opposed to separate sensors provided for each cleaning subsystem 118 .

Der Abscheider-Verlustsensor 148 liefert ein Signal, das den Kornverlust im linken und rechten Abscheider anzeigt, in 1 nicht separat gezeigt sind. Die Abscheider-Verlustsensoren 148 können den linken und rechten Abscheidern zugeordnet sein und können separate Kornverlustsignale oder ein kombiniertes oder aggregiertes Signal vorsehen. In einigen Fällen kann das Erfassen des Kornverlusts in den Abscheidern auch mithilfe einer Vielzahl verschiedener Arten von Sensoren durchgeführt werden.The separator loss sensor 148 provides a signal indicative of grain loss in the left and right separators, in 1 are not shown separately. The separator loss sensors 148 may be associated with the left and right separators and may provide separate grain loss signals or a combined or aggregated signal. In some cases, detecting grain loss in the separators can also be done using a variety of different types of sensors.

Die landwirtschaftliche Erntemaschine 100 kann auch andere Sensoren und Messmechanismen beinhalten. Die landwirtschaftliche Erntemaschine 100 kann beispielsweise einen oder mehrere der folgenden Sensoren beinhalten: einen Erntevorsatzhöhensensor, der eine Höhe des Erntevorsatzes 102 über dem Boden 111 erfasst; Stabilitätssensoren, die eine Oszillations- oder Prellbewegung (und Amplitude) der landwirtschaftlichen Erntemaschine 100 erfassen; einen Rückstandseinstellungssensor, der konfiguriert ist, um zu erfassen, ob die landwirtschaftliche Erntemaschine 100 konfiguriert ist, den Rückstand zu zerkleinern, eine Schwade zu erzeugen usw.; einen Siebkasten-Gebläsedrehzahlsensor, um die Geschwindigkeit des Reinigungsgebläses 120 zu erfassen; einen Dreschkorbspaltsensor, der den Abstand zwischen dem Dreschrotor 112 und den Dreschkörben 114 erfasst; einen Dreschrotor-Drehzahlsensor, der eine Rotordrehzahl des Dreschrotors 112 erfasst; einen Kraftsensor, der eine Kraft erfasst, die zum Antrieb des Dreschrotors 112 erforderlich ist, wie etwa einen Drucksensor, der einen Fluiddruck (z. B. Hydraulikfluid, Luft usw.) erfasst, der zum Antrieb des Dreschrotors 112 verwendet wird, oder einen Drehmomentsensor, der ein Drehmoment erfasst, das zum Antrieb des Dreschrotors 112 verwendet wird; einen Häckselspaltsensor, der die Größe der Öffnungen im Häcksler 122 erfasst; einen Siebspaltsensor, der die Größe der Öffnungen im Sieb 124 erfasst; einen Feuchtigkeitssensor für anderes Material als Korn (MOG), der einen Feuchtigkeitsgehalt des MOG erfasst, das die landwirtschaftliche die Erntemaschine 100 passiert, wie etwa ein kapazitiver Sensor; ein oder mehrere Maschineneinstellungssensoren, die konfiguriert sind, um verschiedene konfigurierbare Einstellungen der landwirtschaftlichen Erntemaschine 100 zu erfassen; ein Maschinenausrichtungssensor, der die Ausrichtung der landwirtschaftlichen Erntemaschine 100 erfasst; und Ernteguteigenschaftssensoren, die eine Vielzahl verschiedener Arten von Ernteguteigenschaften erfassen, wie etwa Art des Ernteguts, Feuchtigkeit des Ernteguts, Höhe des Ernteguts, Dichte des Ernteguts, Masse des Ernteguts, Volumen des Ernteguts, Stängelmerkmale, Kernmerkmale, Schalenkornmerkmale, Maiskolbenmerkmale, Erntegutfarbmerkmale, einschließlich der Farbmerkmale der Komponenten des Ernteguts, wie etwa die Farbe des Maiskolbens, die Farbe des Schalenkorns, die Farbe des Korns usw. Die Ernteguteigenschaftssensoren können auch konfiguriert werden, um die Merkmale der Erntegutbestandteile, wie etwa eine Menge an Bestandteilen (wie etwa Öl, Stärke, Protein und andere chemische Klassen), die in Erntegutmaterial enthalten sind, oder die in Komponenten der Erntegutpflanze, wie etwa Korn, enthalten sind, zu erfassen. Die Ernteguteigenschaftssensoren können auch konfiguriert werden, um die Merkmale des abgetrennten Erntegutmaterials während der Verarbeitung durch die landwirtschaftliche Erntemaschine 100 zu erfassen. Beispielsweise können die Ernteguteigenschaftssensoren in einigen Fällen die Kornqualität erfassen, wie etwa gebrochenes Korn, MOG-Werte; Kornbestandteile, wie etwa Stärken und Protein; und Kornzufuhrmenge, wenn sich das Korn durch das Zuführgehäuse 106, den Reinkornelevator 130 oder anderswo in der landwirtschaftlichen Erntemaschine 100 bewegt. Die Ernteguteigenschaftssensoren können auch die Vorschubgeschwindigkeit von Biomasse durch das Zuführgehäuse 106, durch den Abscheider 116 oder an anderer Stelle in der landwirtschaftlichen Erntemaschine 100 erfassen. Die Ernteguteigenschaftssensoren können die Vorschubgeschwindigkeit auch als Massendurchsatz von Korn durch den Elevator 130 oder durch andere Abschnitte der landwirtschaftlichen Erntemaschine 100 erfassen oder andere Ausgangssignale bereitstellen, die auf andere erfasste Größen hinweisen. Die Ernteguteigenschaftssensoren können einen oder mehrere Erntegutsensoren beinhalten, die den Erntegutertrag erfassen, der von der landwirtschaftlichen Erntemaschine geerntet wird.Agricultural harvester 100 may also include other sensors and measurement mechanisms. For example, the agricultural harvesting machine 100 may include one or more of the following sensors: a header height sensor that detects a height of the header 102 above the ground 111; stability sensors that detect oscillatory or bouncing motion (and amplitude) of agricultural harvesting machine 100; a residue setting sensor configured to detect whether the agricultural harvesting machine 100 is configured to shred the residue, create a windrow, etc.; a shoe fan speed sensor to detect the speed of the cleaning fan 120; a concave gap sensor that detects the distance between the threshing rotor 112 and the concaves 114; a threshing rotor speed sensor that detects a rotor speed of the threshing rotor 112; a force sensor that detects a force required to drive the threshing rotor 112, such as a pressure sensor that detects fluid pressure (e.g., hydraulic fluid, air, etc.) used to drive the threshing rotor 112, or a torque sensor , which detects a torque used to drive the threshing rotor 112; a chopper gap sensor that senses the size of the openings in the chopper 122; a wire gap sensor that senses the size of the openings in the wire 124; a non-grain material (MOG) moisture sensor that detects a moisture content of the MOG passing the agricultural harvester 100, such as a capacitive sensor; one or more machine setting sensors configured to sense various configurable settings of agricultural harvesting machine 100; a machine orientation sensor that detects the orientation of the agricultural harvesting machine 100; and crop trait sensors that sense a variety of different types of crop traits, such as crop type, crop moisture, crop height, crop density, crop mass, crop volume, stalk traits, kernel traits, husk kernel traits, cob traits, crop color traits, including the Color characteristics of the components of the crop, such as corn cob color, husk kernel color, kernel color, etc. The crop attribute sensors can also be configured to detect the characteristics of the crop components, such as an amount of components (such as oil, starch, protein and other chemical classes) contained in crop material or contained in crop plant components such as grain. The crop characteristic sensors can also be configured to detect the characteristics of the separated crop material during processing by the agricultural harvesting machine 100 . For example, in some cases, the crop property sensors may sense grain quality, such as broken grain, MOG values; grain components such as starches and protein; and grain feed rate as the grain moves through the feeder house 106, the clean grain elevator 130, or elsewhere in the agricultural harvester 100. The crop property sensors may also sense the rate of advance of biomass through the feeder house 106 , through the separator 116 , or elsewhere in the agricultural harvester 100 . The crop property sensors may also sense haul rate as a mass flow rate of grain through the elevator 130 or through other portions of the agricultural harvesting machine 100, or provide other output signals indicative of other sensed quantities. The crop property sensors may include one or more crop sensors that sense crop yield being harvested by the agricultural harvesting machine.

Bevor beschrieben wird, wie die landwirtschaftliche Erntemaschine 100 eine funktionelle prädiktive Merkmalkarte erzeugt und die funktionelle prädiktive Merkmalkarte zur Steuerung verwendet, erfolgt zunächst eine kurze Beschreibung einiger Elemente der landwirtschaftlichen Erntemaschine 100 und deren jeweiliger Vorgänge.Before describing how the agricultural harvesting machine 100 generates a functional predictive feature map and uses the functional predictive feature map for control, a brief description of some elements of the agricultural harvesting machine 100 and their respective operations is first provided.

Die Beschreibung der 2 und 3 beschreibt das Empfangen einer allgemeinen Art einer Vorabinformationskarte und das Kombinieren von Informationen von der Vorabinformationskarte mit einem georeferenzierten Sensorsignal, das von einem In-situ-Sensor erzeugt wird, wobei das Sensorsignal ein oder mehrere landwirtschaftliche Merkmale angibt, wie etwa ein oder mehrere Nicht-Maschinenmerkmale oder ein oder mehrere Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100. Ein Nicht-Maschinenmerkmal ist jedes landwirtschaftliche Merkmal, das nicht mit einer Maschine zusammenhängt, wie etwa der landwirtschaftlichen Erntemaschine 100. Nicht-Maschinenmerkmale können eine Reihe von Merkmalen beinhalten, wie etwa Merkmale des Feldes. Merkmale des Feldes können unter anderem Oberflächenmerkmale, wie etwa Topographie, Neigung, Oberflächenqualität usw.; Unkrauteigenschaften, wie etwa Unkrautintensität, Unkrautart usw.; Merkmale von Bodeneigenschaften, wie etwa Bodenart, Bodenfeuchtigkeit, Bodenbedeckung, Bodenstruktur usw.; Merkmale von Ernteguteigenschaften, wie etwa Erntegutpopulation, Ernteguthöhe, Erntegutvolumen, Erntegutmasse, Erntegutfeuchtigkeit, Erntegutdichte, Erntegutzustand, Stängelmerkmale (wie etwa Stängeldicke oder -stärke), Schalenmerkmale, Farbdaten (wie etwa Schalenfarbe oder Maiskolbenfarbe), Zerkleinerungsmerkmale, Ertragsmerkmale, Trockenheitsmerkmale, Schädlingsreaktionsmerkmale, Dürrereaktionsmerkmale usw.; oder Merkmale von Korneigenschaften, wie etwa Kornfeuchte, Korngröße, Korntestgewicht, Korneigenschaften (wie etwa Korngröße oder-gewicht usw.), sein. Andere Nicht-Maschinenmerkmale liegen ebenfalls im Geltungsbereich der vorliegenden Offenbarung. Ein Maschinenmerkmal ist ein beliebiges landwirtschaftliches Merkmal, das mit einer Maschine, wie etwa der landwirtschaftlichen Erntemaschine 100, in Beziehung steht. Die Maschinenmerkmale können eine Reihe von Merkmalen beinhalten, wie etwa verschiedene Maschineneinstellungen oder Betriebsmerkmale wie etwa Bodengeschwindigkeit, Haspeleinstellungen (wie etwa Haspelhöhe oder -geschwindigkeit), Gebläsedrehzahleinstellungen, Deckplattenabstand oder -position, Stängelwalzendrehzahlen, Erntevorsatzhöhe, Erntevorsatzausrichtung, Maschinenkurs, Dreschrotorantriebskraft oder Motorlast. Maschinenmerkmale können auch andere Maschineneinstellungen oder Betriebseigenschaften beinhalten. Maschinenmerkmale können auch verschiedene Eigenschaften der Maschinenleistung beinhalten, wie etwa Verlustniveaus, Auftragsqualität, Kraftstoffverbrauch und Leistungsnutzung; oder andere Maschinenmerkmale. Andere Maschinenmerkmale liegen im Geltungsbereich der vorliegenden Offenbarung.The description of 2 and 3 describes receiving a general type of advance information map and combining information from the advance information map with a georeferenced sensor signal generated by an in situ sensor, the sensor signal indicating one or more agricultural characteristics, such as one or more non-machine characteristics or one or more machine attributes of agricultural harvester 100. A non-machine attribute is any agricultural attribute that is not related to a machine, such as agricultural harvester 100. Non-machine attributes can include a variety of attributes, such as attributes of the field. Features of the field may include, but are not limited to, surface features such as topography, slope, surface quality, etc.; weed characteristics such as weed intensity, weed species, etc.; characteristics of soil properties, such as soil type, soil moisture, soil cover, soil structure, etc.; Traits of crop traits, such as crop population, crop height, crop volume, crop mass, crop moisture, crop density, crop condition, stem traits (such as stem thickness or strength), pod traits, color data (such as pod color or corn cob color), crushing traits, yield traits, drought traits, pest response traits, drought response traits etc.; or characteristics of grain properties such as grain moisture, grain size, grain test weight, grain properties (such as grain size or weight, etc.). Other non-machine features are also within the scope of the present disclosure. A machine feature is any agricultural feature related to a machine, such as agricultural harvester 100 . The machine characteristics can include a variety of characteristics such as various machine settings or operational characteristics such as ground speed, reel settings (such as reel height or speed), fan speed settings, cover plate spacing or position, stalk roller speeds, header height, header orientation, machine heading, threshing rotor drive power, or engine load. Machine characteristics may also include other machine settings or operational characteristics. Machine characteristics may also include various characteristics of machine performance, such as loss levels, job quality, fuel consumption, and power utilization; or other machine features. Other machine features are within the scope of the present disclosure.

Es wird eine Beziehung zwischen den aus In-situ-Sensorsignalen erhaltenen Merkmalswerten und den Vorabinformationskartenwerten identifiziert und diese Beziehung wird zur Erzeugung einer neuen funktionellen prädiktiven Karte verwendet. Eine funktionelle prädiktive Karte sagt Werte an verschiedenen geografischen Positionen in einem Feld vorher, und einer oder mehrere dieser Werte können zum Steuern einer Maschine verwendet werden, wie etwa ein oder mehrere Teilsysteme einer landwirtschaftlichen Erntemaschine. In einigen Fällen kann eine funktionelle prädiktive Karte einem Benutzer präsentiert werden, wie etwa einem Bediener einer landwirtschaftlichen Arbeitsmaschine, die eine landwirtschaftliche Erntemaschine sein kann. Eine funktionelle prädiktive Karte kann einem Benutzer visuell präsentiert werden, wie etwa über eine Anzeige, haptisch oder akustisch. Der Benutzer kann mit der funktionellen prädiktiven Karte interagieren, um Bearbeitungsvorgänge und andere Benutzerschnittstellenvorgänge durchzuführen. In einigen Fällen kann eine funktionelle prädiktive Karte für eines oder mehrere von Folgendem verwendet werden: Steuern einer landwirtschaftlichen Arbeitsmaschine, wie etwa einer landwirtschaftlichen Erntemaschine, Präsentation für einen Bediener oder einen anderen Benutzer und Präsentation für einen Bediener oder Benutzer zur Interaktion durch den Bediener oder Benutzer.A relationship between the feature values obtained from in situ sensor signals and the advance information map values is identified and this relationship is used to generate a new functional predictive map. A functional predictive map predicts values at various geographic locations in a field, and one or more of these values can be used to control a machine, such as one or more subsystems of an agricultural harvester. In some cases, a functional predictive map may be presented to a user, such as an operator of an agricultural work machine, which may be an agricultural harvester. A functional predictive map may be presented to a user visually, such as via a display, haptically, or audibly. The user can interact with the functional predictive map to perform editing operations and other user interface operations. In some cases, a functional predictive map can be used for one or more of: controlling an agricultural work machine, such as an agricultural harvester, presenting to an operator or other user, and presenting to an operator or user for interaction by the operator or user .

Nachdem der allgemeine Ansatz in Bezug auf die 2 und 3 beschrieben wurde, wird ein spezifischerer Ansatz zum Erzeugen einer funktionellen prädiktiven landwirtschaftlichen Merkmalskarte, die einem Bediener oder Benutzer präsentiert werden kann verwendet, um die landwirtschaftliche Erntemaschine 100 oder beide zu steuern, wie unter Bezugnahme auf die 4 und 5 beschrieben. Auch wenn die vorliegende Erörterung in Bezug auf die landwirtschaftliche Erntemaschine und insbesondere einen Mähdrescher fortgesetzt wird, umfasst der Umfang der vorliegenden Offenbarung andere Arten von landwirtschaftlichen Erntemaschinen oder anderen landwirtschaftlichen Arbeitsmaschinen.After the general approach regarding the 2 and 3 , a more specific approach to generating a functional predictive agricultural feature map that can be presented to an operator or user to control agricultural harvesting machine 100 or both is used, as described with reference to FIG 4 and 5 described. Although the present discussion continues with respect to the agricultural harvester, and more particularly a combine harvester, other types of agricultural harvesters or other agricultural work machines are within the scope of the present disclosure.

2 ist ein Blockdiagramm, das einige Abschnitte einer beispielhaften landwirtschaftlichen Erntemaschine 100 zeigt. 2 zeigt, dass die landwirtschaftliche Erntemaschine 100 veranschaulichend einen oder mehrere Prozessoren oder Server 201, einen Datenspeicher 202, einen geografischen Positionssensor 204, ein Kommunikationssystem 206 und einen oder mehrere In-situ-Sensoren 208 beinhaltet, die eine oder mehrere landwirtschaftliche Merkmale eines Feldes gleichzeitig mit einem Erntevorgang erfassen. Ein landwirtschaftliches Merkmal kann jedes Merkmal umfassen, das sich auf den Erntevorgang auswirken kann. Einige Beispiele für landwirtschaftliche Merkmale umfassen Merkmale der Erntemaschine, des Feldes, der Pflanzen auf dem Feld und des Wetters. Andere Arten landwirtschaftlicher Merkmale werden ebenfalls berücksichtigt. Die In-situ-Sensoren 208 erzeugen Werte, die den erfassten Merkmalen entsprechen. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch einen prädiktiven Modell- oder Beziehungsgenerator (im Folgenden gemeinsam als „prädiktiver Modellgenerator 210“ bezeichnet), einen prädiktiven Kartengenerator 212, einen Steuerzonengenerator 213, ein Steuersystem 214, ein oder mehrere steuerbare Teilsysteme 216 und einen Bedienerschnittstellenmechanismus 218. Die landwirtschaftliche Erntemaschine 100 kann auch eine Vielzahl sonstiger landwirtschaftlicher Erntemaschinenfunktionen 220 beinhalten. Die In-situ-Sensoren 208 beinhalten beispielsweise bordeigene Sensoren 222, Remote-Sensoren 224 und andere Sensoren 226, die Merkmale eines Feldes im Laufe eines landwirtschaftlichen Vorgangs erfassen. Der prädiktive Modellgenerator 210 beinhaltet veranschaulichend einen Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 und der prädiktive Modellgenerator 210 kann weitere Elemente 230 beinhalten. Das Steuersystem 214 beinhaltet die Kommunikationssystemsteuerung 229, die Bedienerschnittstellensteuerung 231, eine Einstellungssteuerung 232, die Pfadplanungssteuerung 234, die Vorschubgeschwindigkeitssteuerung 236, die Kopf- und Rollensteuerung 238, die Draperbandsteuerung 240, die Deckplattenpositionssteuerung 242, die Rückstandssystemsteuerung 244, die Maschinenreinigungssteuerung 245, die Zonensteuerung 247 und das Steuersystem 214 können andere Elemente 246 beinhalten. Die steuerbaren Teilsysteme 216 beinhalten Maschinen- und Erntevorsatzstellglieder 248, das Antriebs-Teilsystem 250, das Lenk-Teilsystem 252, das Rückstands-Teilsystem 138, das Maschinenreinigungs-Teilsystem 254, und die steuerbaren Teilsysteme 216 können eine Vielzahl anderer Teilsysteme 256 beinhalten. 2 FIG. 12 is a block diagram showing some portions of an exemplary agricultural harvesting machine 100. FIG. 2 shows that the agricultural harvester 100 illustratively includes one or more processors or servers 201, a data store 202, a geographic position sensor 204, a communication system 206 and one or more in situ sensors 208 that one or more agricultural features of a field simultaneously with record a harvesting process. An agricultural trait can include any trait that can affect the harvesting process. Some examples of agricultural characteristics include characteristics of the harvester, the field, the crops in the field, and the weather. Other types of agriculture cher features are also taken into account. The in situ sensors 208 generate values corresponding to the sensed features. Agricultural harvester 100 also includes a predictive model or relationship generator (hereinafter collectively referred to as "predictive model generator 210"), a predictive map generator 212, a control zone generator 213, a control system 214, one or more controllable subsystems 216, and an operator interface mechanism 218. The Agricultural harvester 100 may also include a variety of other agricultural harvester functions 220 . The in situ sensors 208 include, for example, onboard sensors 222, remote sensors 224, and other sensors 226 that sense characteristics of a field during a farming operation. The predictive model generator 210 illustratively includes a prior information variable-to-in situ variable model generator 228 , and the predictive model generator 210 may include other elements 230 . The control system 214 includes the communication system control 229, the operator interface control 231, an adjustment control 232, the path planning control 234, the line speed control 236, the head and roll control 238, the draper belt control 240, the cover plate position control 242, the residue system control 244, the machine cleaning control 245, the zone control 247 and the control system 214 may include other elements 246 . The controllable subsystems 216 include machine and header actuators 248, the propulsion subsystem 250, the steering subsystem 252, the residue subsystem 138, the machine cleaning subsystem 254, and the controllable subsystems 216 may include a variety of other subsystems 256.

2 zeigt auch, dass die landwirtschaftliche Erntemaschine 100 eine Vorabinformationskarte 258 empfangen kann. Wie nachfolgend beschrieben, beinhaltet die Vorabinformationskarte 258 zum Beispiel eine Aussaatkarte oder eine Karte von einem Vorabbetrieb. Die Vorabinformationskarte 258 kann jedoch auch andere Arten von Daten umfassen, die vor einem Erntevorgang erhalten wurden, oder einer Karte aus einem Vorabbetrieb. 2 zeigt auch, dass ein Bediener 260 die landwirtschaftliche Erntemaschine 100 bedienen kann. Der Bediener 260 interagiert mit den Bedienerschnittstellenmechanismen 218. In einigen Beispielen können die Bedienerschnittstellenmechanismen 218 Joysticks, Hebel, ein Lenkrad, Gestänge, Pedale, Tasten, Drehknöpfe, Tastenfelder, vom Benutzer betätigbare Elemente (wie etwa Symbole, Tasten usw.) auf einer Benutzerschnittstellenanzeigevorrichtung, ein Mikrofon und einen Lautsprecher (wenn Spracherkennung und Sprachsynthese bereitgestellt werden) sowie eine Vielzahl anderer Arten von Steuervorrichtungen beinhalten. Wenn ein berührungsempfindliches Anzeigesystem bereitgestellt wird, kann der Bediener 260 mit den Bedienerschnittstellenmechanismen 218 mithilfe von Berührungsgesten interagieren. Diese vorstehend beschriebenen Beispiele werden als veranschaulichende Beispiele bereitgestellt und sollen den Umfang der vorliegenden Offenbarung nicht einschränken. Folglich können andere Arten von Bedienerschnittstellenmechanismen 218 verwendet werden und liegen im Geltungsbereich der vorliegenden Offenbarung. 2 Also shows that the agricultural harvester 100 can receive a pre-information card 258 . As described below, the preliminary information card 258 includes, for example, a seeding card or a card from a preliminary operation. However, the preliminary information map 258 may also include other types of data obtained prior to a harvest operation or a map from a preliminary operation. 2 also shows that an operator 260 can operate the agricultural harvesting machine 100 . The operator 260 interacts with the operator interface mechanisms 218. In some examples, the operator interface mechanisms 218 may include joysticks, levers, a steering wheel, linkages, pedals, buttons, knobs, keypads, user actuable elements (such as icons, buttons, etc.) on a user interface display device, a microphone and speaker (if speech recognition and speech synthesis are provided), as well as a variety of other types of control devices. When a touch-sensitive display system is provided, operator 260 may interact with operator interface mechanisms 218 using touch gestures. These examples described above are provided as illustrative examples and are not intended to limit the scope of the present disclosure. Accordingly, other types of operator interface mechanisms 218 may be used and are within the scope of the present disclosure.

Die Vorabinformationskarte 258 kann mithilfe des Kommunikationssystems 206 oder auf andere Weise in die landwirtschaftliche Erntemaschine 100 heruntergeladen und im Datenspeicher 202 gespeichert werden. In einigen Beispielen kann das Kommunikationssystem 206 ein zellulares Kommunikationssystem, ein System zum Kommunizieren über ein Weitverkehrsnetzwerk oder ein lokales Netzwerk, ein System zum Kommunizieren über ein Nahfeldkommunikationsnetzwerk oder ein Kommunikationssystem sein, das konfiguriert ist, um über ein beliebiges aus einer Vielzahl anderer Netzwerke oder Kombinationen von Netzwerken zu kommunizieren. Das Kommunikationssystem 206 kann auch ein System beinhalten, das ein Herunterladen oder Übertragen von Informationen auf und von einer Secure Digital (SD) -Karte oder einer universellen seriellen Bus (USB) -Karte oder beides erleichtert.The preliminary information map 258 may be downloaded to the agricultural harvester 100 and stored in the data storage 202 using the communication system 206 or otherwise. In some examples, communication system 206 may be a cellular communication system, a system for communicating over a wide area network or a local area network, a system for communicating over a near field communication network, or a communication system configured to communicate over any of a variety of other networks or combinations to communicate from networks. The communication system 206 may also include a system that facilitates downloading or transferring information to and from a Secure Digital (SD) card or a universal serial bus (USB) card, or both.

Der geografische Positionssensor 204 erfasst oder erkennt veranschaulichend die geografische Position oder den Ort der landwirtschaftlichen Erntemaschine 100. Der geografische Positionssensor 204 kann unter anderem einen Empfänger für ein globales Navigationssatellitensystem (GNSS) beinhalten, der Signale von einem GNSS-Satellitensender empfängt. Der geografische Positionssensor 204 kann auch eine Echtzeit-Kinematikkomponente (RTK) enthalten, die konfiguriert ist, um die Genauigkeit der aus dem GNSS-Signal abgeleiteten Positionsdaten zu verbessern. Der geografische Positionssensor 204 kann ein Koppelnavigationssystem, ein zellulares Triangulationssystem oder eine Vielzahl von anderen geografischen Positionssensoren beinhalten.The geographic position sensor 204 illustratively senses or detects the geographic position or location of the agricultural harvesting machine 100. The geographic position sensor 204 may include, but is not limited to, a global navigation satellite system (GNSS) receiver that receives signals from a GNSS satellite transmitter. The geographic position sensor 204 may also include a real-time kinematics (RTK) component configured to improve the accuracy of the position data derived from the GNSS signal. The geographic position sensor 204 may include a dead reckoning system, a cellular triangulation system, or a variety of other geographic position sensors.

Bei den In-situ-Sensoren 208 kann es sich um beliebige der vorstehend beschriebenen Sensoren in Bezug auf 1 handeln. Die In-situ-Sensoren 208 beinhalten bordseitige Sensoren 222, die an Board der landwirtschaftlichen Erntemaschine 100 montiert sind. Die In-situ-Sensoren 208 beinhalten auch Remote-In-situ-Sensoren 224, die In-situ-Informationen erfassen. Die In-situ-Sensoren 208 können eine beliebige Anzahl von Merkmalen erfassen. Beispielsweise können die In-situ-Sensoren 208 ein oder mehrere Merkmale der Umgebung erfassen, in der die landwirtschaftliche Erntemaschine 100 arbeitet (z. B. Merkmale des Felds), oder ein oder mehrere Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungsdaten. Solche Sensoren können unter anderem Bodenmerkmalssensoren; Erntegutmerkmalssensoren; Unkrautmerkmalssensoren; Ertragssensoren; Biomassesensoren; Überkehrsensoren; Kornqualitätssensoren; interne Materialverteilungssensoren; Rückstandssensoren; oder Maschinenmerkmalssensoren, wie etwa Leistungsmerkmalssensoren, Geschwindigkeitssensoren, Maschinenausrichtungssensoren (z. B. Neigungs-, Roll- oder Gier- (Richtungs-) Sensoren), Maschinenleistungssensoren (z. B. Kraftstoffverbrauchssensoren, Kornverlustsensoren usw.) beinhalten. In einigen Beispielen können In-situ-Sensoren unter anderem einen Wahrnehmungssensor (z. B. ein vorwärts gerichtetes Mono- oder Stereokamerasystem und ein Bildverarbeitungssystem) und Bildsensoren beinhalten, die sich innerhalb der landwirtschaftlichen Erntemaschine 100 befinden (wie etwa die Reinkornkamera oder die Kameras, die montiert sind, um Merkmale der Vegetation zu identifizieren, die sich durch die landwirtschaftliche Erntemaschine 100 bewegt). In-situ-Daten umfassen Daten, die von einem Sensor an Bord der landwirtschaftlichen Erntemaschine oder von einem beliebigen Sensor aufgenommen werden, bei dem die Daten während des Erntevorgangs erkannt werden. Einige andere Beispiele von In-situ-Sensoren 208 sind in 4B gezeigt.The in situ sensors 208 can be any of the sensors described above with respect to FIG 1 act. The in situ sensors 208 include onboard sensors 222 mounted onboard the agricultural harvester 100 . The in situ sensors 208 also include remote in situ sensors 224 that collect in situ information. The in situ sensors 208 can detect any number of features. For example, in situ sensors 208 may sense one or more characteristics of the environment in which agricultural harvesting machine 100 is operating tet (e.g., characteristics of the field), or one or more machine characteristics of agricultural harvesting machine 100, such as machine settings, operational characteristics, or machine performance data. Such sensors may include ground feature sensors; crop attribute sensors; weed trait sensors; yield sensors; biomass sensors; returns sensors; grain quality sensors; internal material distribution sensors; residue sensors; or machine attribute sensors, such as performance sensors, speed sensors, machine orientation sensors (e.g., pitch, roll, or yaw (direction) sensors), machine performance sensors (e.g., fuel consumption sensors, grain loss sensors, etc.). In some examples, in situ sensors may include, but are not limited to, a perception sensor (e.g., a mono or stereo forward-looking camera system and a vision system) and image sensors located within agricultural harvesting machine 100 (such as the clean grain camera or cameras, mounted to identify features of vegetation moving through the agricultural harvester 100). In situ data includes data collected by a sensor onboard the agricultural harvester or any sensor where the data is detected during the harvesting process. Some other examples of in situ sensors 208 are in 4B shown.

Der prädiktive Modellgenerator 210 erzeugt ein Modell, das eine Beziehung zwischen den durch den In-situ-Sensor 208 erfassten Werten und einem durch die Vorabinformationskarte 258 auf das Feld abgebildeten Wert angibt. Wenn zum Beispiel die Vorabinformationskarte 258 einen Aussaatmerkmalwert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der Biomasse angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Biomassemodell, das die Beziehung zwischen dem Aussaatmerkmalwert und dem Biomassewert modelliert. Dies liegt daran, dass verschiedene Aussaatmerkmale eine resultierende Biomasse von Pflanzen auf dem Feld von Interesse anzeigen können. Beispielsweise kann der Abstand (wie etwa der Abstand zwischen Saatgut in einer gemeinsamen Reihe oder der Abstand zwischen Reihen) eine Vegetationsdichte oder eine Vegetationspopulation anzeigen. Aussaatmerkmale und Biomasse sind lediglich Beispiele, und Aussaatmerkmale können sich auf andere Merkmale beziehen, die von einem oder mehreren In-situ-Sensoren 208 erfasst werden, worauf der prädiktive Modellgenerator 210 ein Modell erzeugen kann.The predictive model generator 210 generates a model that indicates a relationship between the values sensed by the in situ sensor 208 and a value mapped to the field by the prior information map 258 . For example, if the prior information map 258 maps a seeding attribute value to various locations in the field and the in situ sensor 208 detects a value indicative of biomass, then the prior information variable-to-in situ variable model generator 228 generates a predictive biomass model, which models the relationship between the seed trait value and the biomass value. This is because different seeding traits can indicate a resulting biomass of plants in the field of interest. For example, spacing (such as spacing between seeds in a common row or spacing between rows) may indicate vegetation density or vegetation population. Seed traits and biomass are just examples, and seed traits may refer to other traits sensed by one or more in situ sensors 208 upon which the predictive model generator 210 may generate a model.

Das prädiktive Modell kann auch auf Grundlage von Aussaatmerkmalwerten von der Vorabinformationskarte 258 und mehreren In-situ-Datenwerten erzeugt werden, die durch In-situ-Sensoren 208 erzeugt werden. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Modell, um eine funktionelle prädiktive Karte 263 zu erzeugen, die den Wert eines Merkmals, wie etwa Biomasse oder ein Biomassemerkmal, das durch die In-situ-Sensoren 208 an verschiedenen Positionen in dem Feld erfasst wird, auf Grundlage der Vorabinformationskarte 258 vorhersagt.The predictive model may also be generated based on seeding feature values from the preliminary information map 258 and multiple in situ data values generated by in situ sensors 208 . Then, the predictive map generator 212 uses the predictive model generated by the predictive model generator 210 to generate a functional predictive map 263 that represents the value of a feature, such as biomass or a biomass feature, detected by the in situ sensors 208 at various locations is detected in the field is predicted based on the advance information map 258 .

In einem Beispiel, in dem die Vorabinformationskarte 258 eine Aussaatkarte ist und der In-situ-Sensor 208 einen Wert erfasst, der ein landwirtschaftliches Merkmal angibt, kann der prädiktive Kartengenerator 212 die Aussaatmerkmalwerte in der Vorabinformationskarte 258 und dem durch den prädiktiven Modellgenerator 210 erzeugten Modell verwenden, um eine funktionelle prädiktive Karte 263 zu erzeugen, die das landwirtschaftliche Merkmal an verschiedenen Positionen in dem Feld vorhersagt. Der prädiktive Kartengenerator gibt somit eine prädiktive Karte 264 aus.In an example where the advance information map 258 is a seeding map and the in situ sensor 208 detects a value indicative of an agricultural trait, the predictive map generator 212 may use the seeding feature values in the advance information map 258 and the model generated by the predictive model generator 210 to generate a functional predictive map 263 that predicts the agricultural trait at various positions in the field. The predictive map generator thus outputs a predictive map 264 .

In einigen Beispielen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp sein. In einigen Fällen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 andere Einheiten als die von den In-situ-Sensoren 208 erfassten Daten aufweisen. In einigen Beispielen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp sein, jedoch eine Beziehung zu dem von den In-situ-Sensoren 208 erfassten Datentyp haben. Beispielsweise kann der von den In-situ-Sensoren 208 erfasste Datentyp in einigen Beispielen den Typ der Werte in der funktionellen prädiktiven Karte 263 anzeigen. In einigen Beispielen kann sich der Typ der Daten in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Vorabinformationskarte 258 unterscheiden. In einigen Fällen kann der Datentyp in der funktionellen prädiktiven Karte 263 andere Einheiten als die Daten in der Vorabinformationskarte 258 aufweisen. In einigen Beispielen kann sich der Datentyp in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Vorabinformationskarte 258 unterscheiden, jedoch eine Beziehung zu dem Datentyp in der Vorabinformationskarte 258 haben. Beispielsweise kann der Datentyp in der Vorabinformationskarte 258 in der funktionellen prädiktiven Karte 263 in einigen Beispielen indikativ für den Datentyp in der funktionellen prädiktiven Karte 263 sein. In einigen Beispielen unterscheidet sich der Datentyp in der funktionellen prädiktiven Karte 263 von einem oder beiden von dem durch die In-situ-Sensoren 208 erfassten In-situ-Datentyp und dem Datentyp in der Vorabinformationskarte 258. In einigen Beispielen ist der Datentyp in der funktionellen prädiktiven Karte 263 der gleiche wie einer oder beide des von den In-situ-Sensoren 208 erfassten In-situ-Datentyps und des Datentyps in der Vorabinformationskarte 258. In einigen Beispielen ist der Datentyp in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp oder der Datentyp in der Vorabinformationskarte 258 und unterscheidet sich von dem anderen.In some examples, the type of values in functional predictive map 263 may be the same as the type of in situ data sensed by in situ sensors 208 . In some cases, the type of values in the functional predictive map 263 may have different units than the data collected from the in situ sensors 208 . In some examples, the type of values in functional predictive map 263 may be the same as the type of in situ data sensed by in situ sensors 208 but related to the type of data sensed by in situ sensors 208 . For example, the type of data collected from in situ sensors 208 may indicate the type of values in functional predictive map 263 in some examples. In some examples, the type of data in functional predictive map 263 may differ from the type of data in advance information map 258 . In some cases, the type of data in functional predictive map 263 may have different units than the data in advance information map 258 . In some examples, the type of data in the functional predictive map 263 may be different than the type of data in the prior information map 258 but related to the type of data in the prior information map 258 . For example, the type of data in the advance information map 258 in the functional predictive map 263 may be indicative of the type of data in the functional predictive map 263 in some examples. In some examples, the data type in functional predictive map 263 differs from one or both of the in situ data type sensed by in situ sensors 208 and the data type in preliminary information map 258. In some examples, FIG the data type in functional predictive map 263 is the same as one or both of the in situ data type sensed by in situ sensors 208 and the data type in advance information map 258. In some examples, the data type in functional predictive map 263 is the same as the in situ data type detected by the in situ sensors 208 or the data type in the prior information map 258 and is different from the other.

Wie in 2 gezeigt, sagt die prädiktive Karte 264 den Wert eines erfassten Merkmals (erfasst durch In-situ-Sensoren 208) oder den Wert eines Merkmals vorher, das sich auf das erfasste Merkmal an verschiedenen Positionen über das Feld bezieht, auf Grundlage eines Vorabinformationswerts in der Vorabinformationskarte 258 an diesen Positionen und mithilfe des prädiktiven Modells. Wenn zum Beispiel der prädiktive Modellgenerator 210 ein prädiktives Modell erzeugt hat, das eine Beziehung zwischen einem Aussaatmerkmalwert und dem Erntegutzustand anzeigt, dann erzeugt der prädiktive Kartengenerator 212 angesichts des Aussaatmerkmalwerts an verschiedenen Positionen über das Feld eine prädiktive Karte 264, die den Wert des Erntegutzustands an verschiedenen Positionen über das Feld vorhersagt. Das Aussaatmerkmal an jenen Positionen, die von der Aussaatkarte erhalten wird, und die Beziehung zwischen dem Aussaatmerkmalwert und dem Erntegutzustand, die von dem prädiktiven Modell erhalten wurden, werden verwendet, um die prädiktive Karte 264 zu erzeugen. Dies liegt daran, dass verschiedene Aussaatmerkmale indikativ für einen resultierenden Erntegutzustand von Erntegut auf dem Feld sein können. Beispielsweise kann der Genotyp des gepflanzten Saatguts (wie der Saatguthybrid) den resultierenden Erntezustand beeinflussen. Zum Beispiel sind unterschiedliche Hybride von Ernten mehr oder weniger anfällig dafür, sich in einem umgeknickten Zustand zu befinden, wie etwa bei frühem Stängelbruch, wo Stängel aufgrund starker Winde brechen. Die Aussaatmerkmale und der Erntezustand sind lediglich als Beispiele bereitgestellt. Aussaatmerkmale können sich auf verschiedene andere Merkmale beziehen, die von einem oder mehreren In-situ-Sensoren 208 erfasst werden, worauf der prädiktive Modellgenerator 210 ein Modell erzeugen kann. Der prädiktive Modellgenerator 210 kann ein prädiktives Modell erzeugen, das indikativ für eine Beziehung zwischen einem Aussaatmerkmal und einer beliebigen einer Anzahl von Merkmalen ist, die von In-situ-Sensoren 208 erfasst werden, oder einer beliebigen einer Anzahl von Merkmalen, die sich auf das erfasste Merkmal beziehen, und der prädiktive Kartengenerator 212 kann eine prädiktive Karte 264 erzeugen, die den Wert des Merkmals an verschiedenen Positionen über das Feld vorhersagt. Der Aussaatmerkmalwert, der von der Aussaatkarte an diesen Positionen erhalten wird, und die Beziehung zwischen dem Aussaatmerkmalwert und dem durch In-situ-Sensoren 208 erfassten Merkmal, das von dem prädiktiven Modell erhalten wird, können verwendet werden, um die prädiktive Karte 264 zu erzeugen.As in 2 As shown, predictive map 264 predicts the value of a detected feature (sensed by in situ sensors 208) or the value of a feature related to the detected feature at various locations across the field based on a prior information value in the prior information map 258 at these positions and using the predictive model. For example, if the predictive model generator 210 has generated a predictive model indicating a relationship between a seed attribute value and crop condition, then given the seed attribute value at various locations across the field, the predictive map generator 212 generates a predictive map 264 indicative of the crop condition value different positions across the field. The seed attribute at those positions obtained from the seed map and the relationship between the seed attribute value and crop condition obtained from the predictive model are used to generate predictive map 264 . This is because various seed characteristics can be indicative of a resulting crop condition of crop in the field. For example, the genotype of the seed planted (such as the seed hybrid) can affect the resulting crop condition. For example, different hybrids of crops are more or less prone to being in a kinked condition, such as early stem break where stems break due to high winds. The sowing characteristics and harvest condition are provided as examples only. Seeding features may refer to various other features sensed by one or more in situ sensors 208 upon which the predictive model generator 210 may generate a model. The predictive model generator 210 may generate a predictive model indicative of a relationship between a seeding feature and any of a number of features sensed by in situ sensors 208 or any of a number of features related to the detected feature, and the predictive map generator 212 may generate a predictive map 264 that predicts the value of the feature at various positions across the field. The seed feature value obtained from the seed map at these locations and the relationship between the seed feature value and the feature sensed by in situ sensors 208 obtained from the predictive model can be used to generate the predictive map 264 .

Nun werden einige Variationen in den Datentypen beschrieben, die in der Vorabinformationskarte 258 abgebildet sind, der Datentypen, die von In-situ-Sensoren 208 erfasst werden, und der Datentypen, die auf der prädiktiven Karte 264 vorhergesagt werden.Some variations in the types of data depicted in preliminary information map 258, the types of data captured by in situ sensors 208, and the types of data predicted on predictive map 264 will now be described.

In einigen Beispielen unterscheidet sich der Datentyp in der Vorabinformationskarte 258 von dem von In-situ-Sensoren 208 erfassten Datentyp. Dennoch ist der Datentyp in der prädiktiven Karte 264 der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Aussaatkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. In einem solchen Beispiel kann die prädiktive Karte 264 eine prädiktive Ertragskarte sein, die vorhergesagte Ertragswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Aussaatkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann eine Ernteguthöhe sein. In diesem Beispiel kann die prädiktive Karte 264 eine prädiktive Ernteguthöhenkarte sein, die vorhergesagte Ernteguthöhenwerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the type of data in the advance information card 258 differs from the type of data captured by in situ sensors 208 . However, the type of data in the predictive map 264 is the same as the type of data captured by the in situ sensors 208 . For example, advance information map 258 may be a seed map and the variable sensed by in situ sensors 208 may be yield. In such an example, predictive map 264 may be a predictive yield map that maps predicted yield values to various geographic locations in the field. In another example, the preliminary information map 258 may be a seed map and the variable sensed by the in situ sensors 208 may be a crop height. In this example, the predictive map 264 may be a predictive crop height map that maps predicted crop height values to various geographic locations in the field.

Außerdem unterscheidet sich in einigen Beispielen der Datentyp in der Vorabinformationskarte 258 von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 unterscheidet sich sowohl von dem Datentyp in der Vorabinformationskarte 258 als auch von dem Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Aussaatkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Ernteguthöhe sein. In einem solchen Beispiel kann die prädiktive Karte 264 eine prädiktive Biomassekarte sein, die vorhergesagte Biomasse auf verschiedene geografische Positionen in dem Feld abbildet.Also, in some examples, the type of data in the advance information map 258 differs from the type of data sensed by in situ sensors 208, and the type of data in the predictive map 264 differs from both the type of data in the advance information map 258 and the type of data , which is detected by the in situ sensors 208 . For example, the advance information map 258 may be a seed map and the variable sensed by the in situ sensors 208 may be crop height. In such an example, predictive map 264 may be a biomass predictive map that maps predicted biomass to various geographic locations in the field.

In einigen Beispielen stammt die Vorabinformationskarte 258 von einem früheren Durchgang durch das Feld während eines Vorabbetriebs und der Datentyp unterscheidet sich von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, jedoch ist der Datentyp in der prädiktiven Karte 264 der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorabinformationskarte 258 eine Saatgutpopulationskarte sein, die während des Pflanzens erzeugt wird, und die Variable, die durch die In-situ-Sensoren 208 erfasst wird, kann die Stängelgröße sein. Die prädiktive Karte 264 kann dann eine prädiktive Stängelgrößenkarte sein, die vorhergesagte Stängelgrößenwerte auf verschiedene geografische Positionen im Feld abbildet. In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Saatguthybridkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Erntegutzustand sein, wie etwa stehendes Erntegut oder umgeknicktes Erntegut. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutzustandskarte sein, die vorhergesagte Erntegutzustandswerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the advance information map 258 is from a previous pass through the field during an advance operation and the type of data is different than the type of data sensed by in situ sensors 208, but the type of data in the predictive map 264 is the same as that Type of data collected by the in situ sensors 208. For example, the preliminary information map 258 may be a seed population map that is generated during planting and the One variable sensed by the in situ sensors 208 may be stalk size. The predictive map 264 may then be a predictive stalk size map that maps predicted stalk size values to various geographic locations in the field. In another example, the advance information map 258 may be a hybrid seed map and the variable sensed by the in situ sensors 208 may be crop condition, such as stalled crop or crop kinked. The predictive map 264 may then be a predictive crop condition map that maps predicted crop condition values to various geographic locations in the field.

In einigen Beispielen stammt die Vorabinformationskarte 258 von einem früheren Durchgang durch das Feld während eines Vorabbetriebs und der Datentyp ist der gleiche wie der Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 ist ebenfalls der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Vorinformationskarte 258 eine Ertragskarte sein, die während eines Vorjahres erzeugt wurde, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. Die prädiktive Karte 264 kann dann eine prädiktive Ertragskarte sein, die vorhergesagte Ertragswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel können die relativen Ertragsunterschiede in der georeferenzierten Vorabinformationskarte 258 aus dem Vorjahr durch den prädiktiven Modellgenerator 210 verwendet werden, um ein prädiktives Modell zu erzeugen, das eine Beziehung zwischen den relativen Ertragsunterschieden auf der Vorabinformationskarte 258 und den Ertragswerten modelliert, die durch In-situ-Sensoren 208 während des aktuellen Erntevorgangs erfasst werden. Das prädiktive Modell wird dann von dem prädiktiven Kartengenerator 210 verwendet, um eine prädiktive Ertragskarte zu erzeugen.In some examples, the advance information map 258 is from a previous pass through the field during an advance operation and the data type is the same as the data type sensed by in situ sensors 208 and the data type in the predictive map 264 is also the same such as the type of data captured by the in situ sensors 208 . For example, prior information map 258 may be a yield map generated during a previous year and the variable sensed by in situ sensors 208 may be yield. The predictive map 264 may then be a predictive yield map that maps predicted yield values to various geographic locations in the field. In such an example, the relative yield differences in the georeferenced pre-information map 258 from the previous year may be used by the predictive model generator 210 to generate a predictive model that models a relationship between the relative yield differences on the pre-information map 258 and the yield values determined by In -situ sensors 208 are detected during the current harvesting process. The predictive model is then used by the predictive map generator 210 to generate a predictive yield map.

In einem weiteren Beispiel kann die Vorabinformationskarte 258 eine Unkrautintensitätskarte sein, die während eines Vorabbetriebs erzeugt wurde, wie etwa von einer Sprühvorrichtung, und die von den In-situ-Sensoren 208 erfasste Variable kann die Unkrautintensität sein. Die prädiktive Karte 264 kann dann eine prädiktive Unkrautintensitätskarte sein, die vorhergesagte Unkrautintensitätswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel wird eine Karte der Unkrautintensitäten zum Zeitpunkt des Besprühens georeferenziert aufgezeichnet und der landwirtschaftlichen Erntemaschine 100 als Vorabinformationskarte 258 der Unkrautintensität bereitgestellt. Die In-situ-Sensoren 208 können die Unkrautintensität an geografischen Positionen in dem Feld erkennen und der prädiktive Modellgenerator 210 kann dann ein prädiktives Modell erstellen, das eine Beziehung zwischen der Unkrautintensität zum Zeitpunkt der Ernte und der Unkrautintensität zum Zeitpunkt des Besprühens modelliert. Dies liegt daran, dass die Sprühvorrichtung die Unkrautintensität zum Zeitpunkt des Besprühens beeinflusst hat, aber bei der Ernte kann in ähnlichen Bereichen wieder Unkraut auftauchen. Die Unkrautbereiche bei der Ernte haben jedoch wahrscheinlich eine unterschiedliche Intensität, die unter anderem auf dem Zeitpunkt der Ernte, dem Wetter und der Unkrautart basiert.In another example, the preliminary information map 258 may be a weed intensity map generated during a preliminary operation, such as from a sprayer, and the variable sensed by the in situ sensors 208 may be weed intensity. The predictive map 264 may then be a predictive weed intensity map that maps predicted weed intensity values to various geographic locations in the field. In such an example, a map of weed intensities at the time of spraying is georeferenced and provided to agricultural harvester 100 as a pre-weed intensity map 258 . The in situ sensors 208 can detect weed intensity at geographic locations in the field, and the predictive model generator 210 can then build a predictive model that models a relationship between weed intensity at the time of harvest and weed intensity at the time of spraying. This is because the sprayer affected weed intensity at the time of spraying, but weeds may reappear in similar areas at harvest. However, weed areas at harvest are likely to vary in intensity based on, among other things, timing of harvest, weather and weed species.

In einigen Beispielen kann dem Steuerzonengenerator 213 eine prädiktive Karte 264 bereitgestellt werden. Der Steuerzonengenerator 213 gruppiert benachbarte Abschnitte eines Bereichs auf Grundlage von Datenwerten der prädiktiven Karte 264, die diesen benachbarten Abschnitten zugeordnet sind, in eine oder mehrere Steuerzonen. Eine Steuerzone kann zwei oder mehr zusammenhängende Abschnitte eines Bereichs, wie etwa eines Feldes, beinhalten, für die ein Steuerparameter, der der Steuerzone zum Steuern eines steuerbaren Teilsystems entspricht, konstant ist. Beispielsweise kann eine Reaktionszeit zum Ändern einer Einstellung steuerbarer Teilsysteme 216 unzureichend sein, um zufriedenstellend auf Änderungen von Werten zu reagieren, die in einer Karte enthalten sind, wie etwa der prädiktiven Karte 264. In diesem Fall analysiert der Steuerzonengenerator 213 die Karte und identifiziert Steuerzonen, die eine definierte Größe aufweisen, um die Reaktionszeit der steuerbaren Teilsysteme 216 zu berücksichtigen. In einem weiteren Beispiel können die Steuerzonen bemessen sein, um den Verschleiß durch übermäßige Stellgliedbewegung, die sich aus der kontinuierlichen Einstellung ergibt, zu reduzieren. In einigen Beispielen kann es einen anderen Satz von Steuerzonen für jedes steuerbare Teilsystem 216 oder für Gruppen von steuerbaren Teilsystemen 216 geben. Die Steuerzonen können zu der prädiktiven Karte 264 hinzugefügt werden, um eine prädiktive Steuerzonenkarte 265 zu erhalten. Die prädiktive Steuerzonenkarte 265 kann somit der prädiktiven Karte 264 ähnlich sein, mit der Ausnahme, dass die prädiktive Steuerzonenkarte 265 Steuerzoneninformationen beinhaltet, die die Steuerzonen definieren. Somit kann eine funktionelle prädiktive Karte 263, wie hierin beschrieben, Steuerzonen beinhalten. Sowohl die prädiktive Karte 264 als auch die prädiktive Steuerzonenkarte 265 sind funktionelle prädiktive Karten 263. In einem Beispiel beinhaltet eine funktionelle prädiktive Karte 263 keine Steuerzonen, wie etwa die prädiktive Karte 264. In einem weiteren Beispiel beinhaltet eine funktionelle prädiktive Karte 263 Steuerzonen, wie etwa die prädiktive Steuerzonenkarte 265. In einigen Beispielen können mehrere Erntegutarten gleichzeitig in einem Feld vorhanden sein, wenn ein Mischkultur-Produktionssystem implementiert ist. In diesem Fall können der prädiktive Kartengenerator 212 und der Steuerzonengenerator 213 die Position und die Merkmale der zwei oder mehr Erntegutarten identifizieren und dann die prädiktive Karte 264 und die prädiktive Steuerzonenkarte 265 entsprechend erzeugen.In some examples, a predictive map 264 may be provided to the control zone generator 213 . The control zone generator 213 groups adjacent sections of an area into one or more control zones based on predictive map 264 data values associated with those adjacent sections. A control zone may include two or more contiguous sections of an area, such as a field, for which a control parameter corresponding to the control zone for controlling a controllable subsystem is constant. For example, a response time for changing a setting of controllable subsystems 216 may be insufficient to respond satisfactorily to changes in values contained in a map, such as predictive map 264. In this case, control zone generator 213 analyzes the map and identifies control zones, which have a defined size in order to take the response time of the controllable subsystems 216 into account. In another example, the control zones may be sized to reduce wear from excessive actuator movement resulting from continuous adjustment. In some examples, there may be a different set of control zones for each controllable subsystem 216 or for groups of controllable subsystems 216. The control zones can be added to the predictive map 264 to obtain a predictive control zone map 265 . Thus, the predictive control zone map 265 may be similar to the predictive map 264, except that the predictive control zone map 265 includes control zone information defining the control zones. Thus, a functional predictive map 263 as described herein may include control zones. Both predictive map 264 and predictive control zone map 265 are functional predictive maps 263. In one example, functional predictive map 263 does not include control zones, such as predictive map 264. In another example, functional predictive map 263 includes control zones, such as the predictive control zone map 265. In some examples, multiple crop types may be present simultaneously in a field when a mixed crop production system is implemented. In this case, the predic tive map generator 212 and control zone generator 213 identify the location and characteristics of the two or more crop types and then generate predictive map 264 and predictive control zone map 265 accordingly.

Es ist ebenfalls zu beachten, dass der Steuerzonengenerator 213 Werte gruppieren kann, um Steuerzonen zu erzeugen, und die Steuerzonen zu einer prädiktiven Steuerzonenkarte 265 oder einer separaten Karte hinzugefügt werden können, die nur die erzeugten Steuerzonen zeigt. In einigen Beispielen können die Steuerzonen zum Steuern oder Kalibrieren der landwirtschaftlichen Erntemaschine 100 oder für beides verwendet werden. In anderen Beispielen können die Steuerzonen dem Bediener 260 angezeigt und verwendet werden, um die landwirtschaftliche Erntemaschine 100 zu steuern oder zu kalibrieren, und in anderen Beispielen können die Steuerzonen dem Bediener 260 oder einem anderen Benutzer angezeigt oder zur späteren Verwendung gespeichert werden.It should also be noted that the control zone generator 213 can group values to generate control zones and the control zones can be added to a predictive tax zone map 265 or a separate map showing only the generated control zones. In some examples, the control zones may be used to control or calibrate agricultural harvester 100, or both. In other examples, the control zones may be displayed to operator 260 and used to control or calibrate agricultural harvester 100, and in other examples, the control zones may be displayed to operator 260 or another user, or saved for later use.

Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide werden dem Steuersystem 214 bereitgestellt, das Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider erzeugt. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 an andere landwirtschaftliche Erntemaschinen, die auf demselben Feld ernten, zu kommunizieren. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide an andere Remote-Systeme zu senden.The predictive map 264 or the predictive control zone map 265 or both are provided to the control system 214, which generates control signals based on the predictive map 264 or the predictive control zone map 265 or both. In some examples, the communication system controller 229 controls the communication system 206 to communicate the predictive map 264 or the predictive control zone map 265 or control signals based on the predictive map 264 or the predictive control zone map 265 to other agricultural harvesting machines harvesting in the same field. In some examples, communication system controller 229 controls communication system 206 to send predictive map 264, predictive control zone map 265, or both to other remote systems.

Die Bedienerschnittstellensteuerung 231 ist betreibbar, um Steuersignale zu erzeugen, um die Bedienerschnittstellenmechanismen 218 zu steuern. Die Bedienerschnittstellensteuerung 231 ist außerdem betreibbar, um dem Bediener 260 die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder andere Informationen, die von oder auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider abgeleitet werden, zu präsentieren. Der Bediener 260 kann ein lokaler Bediener oder ein Remote-Bediener sein. Als ein Beispiel erzeugt die Steuerung 231 Steuersignale, um einen Anzeigemechanismus zu steuern, um eine oder beide der prädiktiven Karte 264 und prädiktiven Steuerzonenkarte 265 für den Bediener 260 anzuzeigen. Die Steuerung 231 kann vom Bediener betätigbare Mechanismen erzeugen, die angezeigt werden und vom Bediener betätigt werden können, um mit der angezeigten Karte zu interagieren. Der Bediener kann die Karte bearbeiten, indem er beispielsweise aufgrund der Beobachtung des Bedieners ein auf der Karte angezeigtes Merkmal korrigiert. Die Einstellungssteuerung 232 kann Steuersignale erzeugen, um verschiedene Einstellungen an der landwirtschaftlichen Erntemaschine 100 auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Zum Beispiel kann die Einstellungssteuerung 232 Steuersignale erzeugen, um die Maschinen- und Erntevorsatzstellglieder 248 zu steuern. Als Reaktion auf die erzeugten Steuersignale arbeiten die Maschinen- und Erntevorsatzstellglieder 248, um zum Beispiel eine oder mehrere der Sieb- und Häckseleinstellungen, Dreschkorbspalt-, Rotoreinstellungen, Reinigungsgebläse-Drehzahleinstellungen, Erntevorsatzhöhe, Erntevorsatzfunktionalität, Haspeldrehzahl, Haspelposition, Draperfunktionalität (wobei die landwirtschaftliche Erntemaschine 100 mit einem Drapervorsatz gekoppelt ist), Maisvorsatzfunktionalität, interne Verteilungssteuerung und andere Stellglieder 248 zu steuern, die die anderen Funktionen der landwirtschaftlichen Erntemaschine 100 beeinflussen. Die Pfadplanungssteuerung 234 erzeugt veranschaulichend Steuersignale, um das Lenkungs-Teilsystem 252 zu steuern, um die landwirtschaftliche Erntemaschine 100 gemäß einem gewünschten Pfad zu steuern. Die Pfadplanungssteuerung 234 kann ein Pfadplanungssystem steuern, um eine Route für die landwirtschaftliche Erntemaschine 100 zu erzeugen, und kann das Antriebs-Teilsystem 250 und das Lenkteilsystem 252 steuern, um die landwirtschaftliche Erntemaschine 100 entlang dieser Route zu lenken. Die Vorschubgeschwindigkeitssteuerung 236 kann verschiedene Teilsysteme steuern, wie etwa das Antriebs-Teilsystem 250 und die Maschinenstellglieder 248, um eine Vorschubgeschwindigkeit oder einen Durchsatz auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Wenn sich zum Beispiel die landwirtschaftliche Erntemaschine 100 einem bevorstehenden Bereich des Ernteguts auf dem Feld nähert, der einen Biomassewert über einem ausgewählten Schwellenwert aufweist, kann die Vorschubgeschwindigkeitssteuerung 236 die Geschwindigkeit der Maschine 100 verringern, um eine konstante Vorschubgeschwindigkeit der Biomasse durch die Maschine aufrechtzuerhalten. Die Erntevorsatz- und Haspelsteuerung 238 kann Steuersignale erzeugen, um einen Erntevorsatz oder eine Haspel oder eine andere Erntevorsatzfunktionalität zu steuern. Die Draperbandsteuerung 240 kann Steuersignale erzeugen, um einen Draperband oder eine andere Draperfunktionalität auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Deckplattenpositionssteuerung 242 kann Steuersignale erzeugen, um eine Position einer Deckplatte, die in einem Erntevorsatz enthalten ist, auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern, und die Rückstandssystemsteuerung 244 kann Steuersignale erzeugen, um ein Rückstands-Teilsystem 138 auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Maschinenreinigungssteuerung 245 kann Steuersignale erzeugen, um das Maschinenreinigungs-Teilsystem 254 zu steuern. Zum Beispiel kann auf Grundlage der verschiedenen Arten von Saatgut oder Unkraut, das durch die Maschine 100 geleitet wird, eine bestimmte Art von Maschinenreinigungsvorgang oder eine Häufigkeit, mit der ein Reinigungsvorgang durchgeführt wird, gesteuert werden. Andere Steuerungen, die in der landwirtschaftlichen Erntemaschine 100 enthalten sind, können andere Teilsysteme auf Grundlage der prädiktiven Karte 264 oder prädiktiven Steuerzonenkarte 265 oder beider ebenfalls steuern.Operator interface controller 231 is operable to generate control signals to control operator interface mechanisms 218 . Operator interface control 231 is also operable to present operator 260 with predictive map 264 or predictive control zone map 265 or other information derived from or based on predictive map 264, predictive control zone map 265, or both. The operator 260 can be a local operator or a remote operator. As an example, controller 231 generates control signals to control a display mechanism to display one or both of predictive map 264 and predictive control zone map 265 to operator 260 . Controller 231 may create operator actuable mechanisms that are displayed and operable by the operator to interact with the displayed map. The operator can edit the map, for example, by correcting a feature displayed on the map based on the operator's observation. The adjustment controller 232 may generate control signals to control various adjustments on the agricultural harvesting machine 100 based on the predictive map 264, the predictive control zone map 265, or both. For example, the adjustment controller 232 may generate control signals to control the machine and header actuators 248 . In response to the generated control signals, the machine and header actuators 248 operate to adjust, for example, one or more of the sieve and chopper settings, concave gap, rotor settings, cleaning fan speed settings, header height, header functionality, reel speed, reel position, draper functionality (where the agricultural harvesting machine 100 coupled to a draper header), corn header functionality, internal distribution control, and other actuators 248 that affect the other functions of the agricultural harvester 100 . Path planning controller 234 illustratively generates control signals to control steering subsystem 252 to steer agricultural harvester 100 according to a desired path. Path planning controller 234 may control a path planning system to generate a route for agricultural harvester 100 and may control propulsion subsystem 250 and steering subsystem 252 to steer agricultural harvester 100 along that route. Line speed controller 236 may control various subsystems, such as propulsion subsystem 250 and machine actuators 248, to control line speed or throughput based on predictive map 264 or predictive control zone map 265, or both. For example, as agricultural harvester 100 approaches an upcoming area of crop in the field that has a biomass level above a selected threshold, feed rate controller 236 may reduce the speed of machine 100 to maintain a constant feed rate of biomass through the machine. The header and reel controller 238 may generate control signals to control a header or reel or other header functionality. The draper band controller 240 may generate control signals to control a draper band or other draper functionality based on the predictive map 264, the predictive control zone map 265, or both. The deck plate position controller 242 may generate control signals to position a deck plate included in a header based on a predicted position ven map 264 or a predictive control zone map 265 or both, and the backlog system controller 244 may generate control signals to control a backlog subsystem 138 based on a predictive map 264 or a predictive control zone map 265 or both. The machine cleaning controller 245 may generate control signals to control the machine cleaning subsystem 254 . For example, based on the different types of seeds or weeds being passed through the machine 100, a particular type of machine cleaning operation or a frequency at which a cleaning operation is performed may be controlled. Other controls included in agricultural harvesting machine 100 may also control other subsystems based on predictive map 264 or predictive control zone map 265 or both.

Die 3A und 3B (hierin gemeinsam als 3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb der landwirtschaftlichen Erntemaschine 100 beim Erzeugen einer prädiktiven Karte 264 und einer prädiktiven Steuerzonenkarte 265 auf Grundlage der Vorabinformationskarte 258 veranschaulicht.the 3A and 3B (herein together as 3 ) show a flow chart illustrating an example of the operation of the agricultural harvesting machine 100 in generating a predictive map 264 and a predictive control zone map 265 based on the preliminary information map 258 .

Bei 280 empfängt die landwirtschaftliche Erntemaschine 100 die Vorabinformationskarte 258. Beispiele für die Vorabinformationskarte 258 oder das Empfangen der Vorabinformationskarte 258 werden in Bezug auf die Blöcke 281, 282, 284 und 286 erörtert. Wie oben erörtert, bildet die Vorabinformationskarte 258 Werte einer Variable, die einem ersten Merkmal entspricht, auf verschiedene Positionen im Feld ab, wie bei Block 282 angezeigt. Zum Beispiel kann eine Vorabinformationskarte eine Aussaatkarte sein, die während eines Vorabbetriebs erzeugt wurde oder auf Daten von einem Vorabbetrieb auf dem Feld basiert, wie etwa ein früherer Saatgutpflanzvorgang, der von einer Sämaschine durchgeführt wurde. Die Daten für die Vorabinformationskarte 258 können auch auf andere Weise gesammelt werden. Beispielsweise können die Daten auf der Grundlage von Luftbildern oder Messwerten erfasst werden, die während eines Vorjahres oder früher in der aktuellen Wachstumsperiode oder zu anderen Zeiten aufgenommen wurden. Die Informationen können auch auf Daten basieren, die auf andere Weise (anders als mithilfe von Luftbildern) erkannt oder gesammelt wurden. Zum Beispiel können die Daten für die Vorabinformationskarte 258 mithilfe des Kommunikationssystems 206 an die landwirtschaftliche Erntemaschine 100 übertragen und im Datenspeicher 202 gespeichert werden. Die Daten für die Vorabinformationskarte 258 können auch auf andere Weise mithilfe des Kommunikationssystems 206 der landwirtschaftlichen Erntemaschine 100 bereitgestellt werden, was durch Block 286 im Flussdiagramm von 3 angezeigt wird. In einigen Beispielen kann die Vorabinformationskarte 258 von dem Kommunikationssystem 206 empfangen werden.At 280, agricultural harvester 100 receives the advance information card 258. Examples of the advance information card 258 or receiving the advance information card 258 are discussed with respect to blocks 281, 282, 284, and 286. As discussed above, the preliminary information map 258 maps values of a variable corresponding to a first feature to various positions in the field, as indicated at block 282 . For example, a prior information map may be a seeding map generated during a prior operation or based on data from a prior operation on the field, such as a previous seed planting operation performed by a seeder. The data for the preliminary information card 258 can be collected in other ways. For example, the data may be collected based on aerial photographs or measurements taken during a previous year or earlier in the current growing season or at other times. The information may also be based on data detected or collected in other ways (other than aerial photography). For example, the data for the advance information card 258 may be transmitted to the agricultural harvester 100 via the communication system 206 and stored in the data store 202 . The data for the preliminary information card 258 can also be provided in other ways using the communication system 206 of the agricultural harvesting machine 100, as indicated by block 286 in the flow chart of FIG 3 is shown. In some examples, advance information card 258 may be received by communication system 206 .

Bei Beginn eines Erntevorgangs erzeugen die In-situ-Sensoren 208 Sensorsignale, die einen oder mehrere In-situ-Datenwerte angeben, die ein landwirtschaftliches Merkmal angeben, zum Beispiel ein Nicht-Maschinenmerkmal, wie etwa ein Merkmal des Felds, oder ein Maschinenmerkmal, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Merkmale der Maschinenleistung, wie durch Block 288 angezeigt. Beispiele für In-situ-Sensoren 208 werden in Bezug auf die Blöcke 222, 290 und 226 erörtert. Wie oben erläutert, beinhalten die In-situ-Sensoren 208 bordeigene Sensoren 222; Remote-In-situ-Sensoren 224, wie etwa UAV-basierte Sensoren, die zu einem Zeitpunkt geflogen werden, um In-situ-Daten zu sammeln, wie in Block 290 gezeigt; oder andere Arten von In-situ-Sensoren, die durch In-situ-Sensoren 226 bezeichnet werden. In einigen Beispielen werden Daten von bordeigenen Sensoren mithilfe von Positions-, Kurs- oder Geschwindigkeitsdaten von dem geografischen Positionssensor 204 georeferenziert.At the beginning of a harvesting operation, the in situ sensors 208 generate sensor signals indicative of one or more in situ data values indicative of an agricultural characteristic, for example a non-machine characteristic, such as a characteristic of the field, or a machine characteristic, such as such as machine settings, operating characteristics, or machine performance characteristics, as indicated by block 288 . Examples of in situ sensors 208 are discussed with respect to blocks 222, 290 and 226. As discussed above, in situ sensors 208 include onboard sensors 222; remote in situ sensors 224, such as UAV-based sensors flown at a time to collect in situ data, as shown in block 290; or other types of in situ sensors, denoted by in situ sensors 226 . In some examples, data from onboard sensors is georeferenced using position, heading, or speed data from geographic location sensor 204 .

Der prädiktive Modellgenerator 210 steuert den Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228, um ein Modell zu erzeugen, das eine Beziehung zwischen den abgebildeten Werten, die in der Vorabinformationskarte 258 enthalten sind, und den In-situ-Werten, die durch die In-situ-Sensoren 208 erfasst werden, modelliert, wie durch Block 292 angezeigt. Die Merkmale oder Datentypen, die durch die abgebildeten Werte in der Vorabinformationskarte 258 dargestellt werden, und die In-situ-Werte, die durch die In-situ-Sensoren 208 erfasst werden, können die gleichen Merkmale oder Datentypen oder verschiedene Merkmale oder Datentypen sein.The predictive model generator 210 controls the prior information variable-to-in situ variable model generator 228 to generate a model representing a relationship between the mapped values contained in the prior information map 258 and the in situ values that by the in situ sensors 208 are modeled as indicated by block 292 . The features or data types represented by the mapped values in preliminary information map 258 and the in situ values sensed by in situ sensors 208 may be the same features or data types or different features or data types.

Die Beziehung oder das Modell, die bzw. das von dem prädiktiven Modellgenerator 210 erzeugt wird, wird dem prädiktiven Kartengenerator 212 bereitgestellt. Der prädiktive Kartengenerator 212 erzeugt eine prädiktive Karte 264, die einen Wert des durch die In-situ-Sensoren 208 erfassten Merkmals an verschiedenen geografischen Positionen in einem zu erntenden Feld oder ein anderes Merkmal vorhersagt, das mit dem durch die In-situ-Sensoren 208 erfassten Merkmal in Beziehung steht, mithilfe des prädiktiven Modells und der Vorabinformationskarte 258, wie durch Block 294 angezeigt.The relationship or model generated by the predictive model generator 210 is provided to the predictive map generator 212 . The predictive map generator 212 generates a predictive map 264 that predicts a value of the feature sensed by the in situ sensors 208 at various geographic locations in a field to be harvested, or other feature consistent with that sensed by the in situ sensors 208 detected feature using the predictive model and advance information card 258 as indicated by block 294 .

Es ist zu beachten, dass die Vorabinformationskarte 258 in einigen Beispielen zwei oder mehr verschiedene Karten oder zwei oder mehr verschiedene Kartenebenen einer einzelnen Karte beinhalten kann. Jede Kartenebene kann einen anderen Datentyp als den Datentyp einer anderen Kartenebene darstellen oder die Kartenebenen können denselben Datentyp aufweisen, der zu verschiedenen Zeitpunkten erhalten wurde. Jede Karte in den zwei oder mehr verschiedenen Karten oder jede Ebene in den zwei oder mehr verschiedenen Kartenebenen einer Karte bildet einen anderen Typ von Variablen zu den geografischen Positionen im Feld ab. In einem solchen Beispiel erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehung zwischen den In-situ-Daten und jeder der verschiedenen Variablen modelliert, die durch die zwei oder mehr verschiedenen Karten oder die zwei oder mehr verschiedenen Kartenebenen abgebildet sind. Gleichermaßen können die In-situ-Sensoren 208 zwei oder mehr Sensoren beinhalten, die jeweils eine andere Art von Variablen erfassen. Somit erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehungen zwischen jedem durch die Vorabinformationskarte 258 abgebildeten Typ von Variable und jedem durch die In-situ-Sensoren 208 erfassten Typ von Variable modelliert. Der prädiktive Kartengenerator 212 kann eine funktionelle prädiktive Karte 263 erzeugen, die einen Wert für jedes erfasste Merkmal, das von den In-situ-Sensoren 208 erfasst wird (oder einem Merkmal, das sich auf das erfasste Merkmal bezieht), an verschiedenen Positionen in dem Feld, das geerntet wird, mithilfe des prädiktiven Modells und jeder der Karten oder Kartenebenen in der Vorabinformationskarte 258 vorhersagt.Note that in some examples, the preliminary information card 258 may include two or more different cards or two or more different card layers of a single card. Each map layer can have a different data type as the data type of a different map layer, or the map layers can have the same data type obtained at different points in time. Each map in the two or more different maps, or each layer in the two or more different map layers of a map, maps a different type of variable to the geographic locations in the field. In such an example, the predictive model generator 210 generates a predictive model that models the relationship between the in situ data and each of the various variables depicted by the two or more different maps or the two or more different map layers. Likewise, the in situ sensors 208 may include two or more sensors, each sensing a different type of variable. Thus, the predictive model generator 210 generates a predictive model that models the relationships between each type of variable represented by the prior information map 258 and each type of variable sensed by the in situ sensors 208 . The predictive map generator 212 may generate a functional predictive map 263 that includes a value for each sensed feature sensed by the in situ sensors 208 (or a feature related to the sensed feature) at different locations in the Field that will be harvested using the predictive model and each of the maps or map layers in the advance information map 258 predicts.

Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 derart, dass die prädiktive Karte 264 durch das Steuersystem 214 umsetzbar (oder verbrauchbar) ist. Der prädiktive Kartengenerator 212 kann die prädiktive Karte 264 dem Steuersystem 214 oder dem Steuerzonengenerator 213 oder beiden bereitstellen. Einige Beispiele für verschiedene Arten, wie die prädiktive Karte 264 konfiguriert oder ausgegeben werden kann, werden in Bezug auf die Blöcke 296, 295, 299 und 297 beschrieben. Beispielsweise konfiguriert der prädiktive Kartengenerator 212 die prädiktive Karte 264, so dass die prädiktive Karte 264 Werte beinhaltet, die durch das Steuersystem 214 gelesen und als Grundlage zum Erzeugen von Steuersignalen für eines oder mehrere der verschiedenen steuerbaren Teilsysteme der landwirtschaftlichen Erntemaschine 100 verwendet werden können, wie durch Block 296 angezeigt.The predictive map generator 212 configures the predictive map 264 such that the predictive map 264 is actionable (or consumable) by the control system 214 . Predictive map generator 212 may provide predictive map 264 to control system 214 or control zone generator 213, or both. Some examples of different ways in which predictive map 264 may be configured or issued are described with respect to blocks 296, 295, 299, and 297. For example, the predictive map generator 212 configures the predictive map 264 so that the predictive map 264 includes values that can be read by the control system 214 and used as a basis for generating control signals for one or more of the various controllable subsystems of the agricultural harvesting machine 100, such as indicated by block 296.

Der Steuerzonengenerator 213 kann die prädiktive Karte 264 auf Grundlage der Werte auf der prädiktiven Karte 264 in Steuerzonen unterteilen. Kontinuierlich geolokalisierte Werte, die innerhalb eines Schwellenwertes voneinander liegen, können in eine Steuerzone gruppiert werden. Der Schwellenwert kann ein Standardschwellenwert sein oder der Schwellenwert kann auf Grundlage einer Bedienereingabe, auf Grundlage einer Eingabe von einem automatisierten System oder auf Grundlage anderer Kriterien festgelegt werden. Eine Größe der Zonen kann auf einer Reaktionsfähigkeit des Steuersystems 214, der steuerbaren Teilsysteme 216 auf Grundlage von Verschleißüberlegungen oder auf anderen Kriterien basieren, wie durch Block 295 angezeigt. Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 zur Präsentation für einen Bediener oder einen anderen Benutzer. Der Steuerzonengenerator 213 kann eine prädiktive Steuerzonenkarte 265 zur Präsentation für einen Bediener oder einen anderen Benutzer konfigurieren. Dies wird durch Block 299 angezeigt. Wenn sie einem Bediener oder einem anderen Benutzer präsentiert wird, kann die Präsentation der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider einen oder mehrere der prädiktiven Werte auf der prädiktiven Karte 264, die mit der geografischen Position korreliert sind, die Steuerzonen auf der prädiktiven Steuerzonenkarte 265, die mit der geografischen Position korreliert sind, und Einstellwerte oder Steuerparameter enthalten, die auf der Grundlage der prädiktiven Werte auf der prädiktiven Karte 264 oder den Zonen auf der prädiktiven Steuerzonenkarte 265 verwendet werden. Die Präsentation kann in einem anderen Beispiel mehr abstrahierte Informationen oder detailliertere Informationen beinhalten. Die Darstellung kann auch ein Konfidenzniveau beinhalten, das eine Genauigkeit angibt, mit der die prädiktiven Werte auf der prädiktiven Karte 264 oder die Zonen auf der prädiktiven Steuerzonenkarte 265 mit gemessenen Werten übereinstimmen, die durch Sensoren an der landwirtschaftlichen Erntemaschine 100 gemessen werden können, wenn sich die landwirtschaftliche Erntemaschine 100 durch das Feld bewegt. Ferner kann ein Authentifizierungs- und Autorisierungssystem vorgesehen werden, das Authentifizierungs- und Autorisierungsprozesse implementiert, wenn Informationen an mehreren Positionen präsentiert werden. Beispielsweise kann es eine Hierarchie von Personen geben, die berechtigt sind, Karten und andere präsentierte Informationen anzuzeigen und zu ändern. Beispielsweise kann eine bordeigene Anzeigevorrichtung die Karten in nahezu Echtzeit lokal auf der Maschine anzeigen, oder die Karten können auch an einem oder mehreren Remote-Standorten oder beiden generiert werden. In einigen Beispielen kann jede physische Anzeigevorrichtung an jedem Standort einer Person oder einer Benutzerberechtigungsstufe zugeordnet sein. Die Benutzerberechtigungsstufe kann verwendet werden, um zu bestimmen, welche Anzeigemarkierungen auf der physischen Anzeigevorrichtung sichtbar sind und welche Werte die entsprechende Person ändern kann. Beispielsweise kann ein lokaler Bediener der landwirtschaftlichen Erntemaschine 100 nicht in der Lage sein, die Informationen, die der prädiktiven Karte 264 entsprechen, zu sehen oder Änderungen am Maschinenbetrieb vorzunehmen. Ein Vorgesetzter, wie etwa ein Vorgesetzter an einem Remote-Standort, kann jedoch die prädiktive Karte 264 auf der Anzeige sehen, aber daran gehindert werden, Änderungen vorzunehmen. Ein Manager, der sich an einem separaten Remote-Standort befinden kann, kann in der Lage sein, alle Elemente auf der prädiktiven Karte 264 zu sehen und auch in der Lage sein, die prädiktive Karte 264 zu ändern. In einigen Fällen kann die prädiktive Karte 264, auf die ein remote angeordneter Manager zugreifen kann und die von ihm geändert werden kann, in der Maschinensteuerung verwendet werden. Dies ist ein Beispiel für eine Autorisierungshierarchie, die implementiert werden kann. Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide können auch auf andere Weise konfiguriert werden, wie durch Block 297 angezeigt.The control zone generator 213 may divide the predictive map 264 into control zones based on the values on the predictive map 264 . Continuously geolocated values that are within a threshold of each other can be grouped into a tax zone. The threshold may be a default threshold, or the threshold may be set based on operator input, based on input from an automated system, or based on other criteria. A size of the zones may be based on a responsiveness of the control system 214, the controllable subsystems 216 based on wear considerations, or other criteria, as indicated by block 295. The predictive map generator 212 configures the predictive map 264 for presentation to an operator or other user. The control zone generator 213 can configure a predictive control zone map 265 for presentation to an operator or other user. Block 299 indicates this. When presented to an operator or other user, the presentation of predictive map 264 or predictive control zone map 265, or both, may contain one or more of the predictive values on predictive map 264 that are correlated to the geographic location, the control zones on the predictive Control zone map 265 correlated to geographic location and containing adjustment values or control parameters used based on the predicted values on predictive map 264 or the zones on predictive control zone map 265. In another example, the presentation may include more abstracted information or more detailed information. The representation may also include a confidence level that indicates an accuracy with which the predicted values on the predictive map 264 or the zones on the predictive control zone map 265 match measured values that can be measured by sensors on the agricultural harvesting machine 100 when moving the agricultural harvesting machine 100 through the field. Furthermore, an authentication and authorization system can be provided that implements authentication and authorization processes when information is presented at multiple locations. For example, there may be a hierarchy of people who are authorized to view and change maps and other presented information. For example, an onboard display device may display the maps locally on the machine in near real time, or the maps may also be generated at one or more remote locations, or both. In some examples, each physical display device at each location may be associated with a person or user permission level. The user permission level can be used to determine what indicator marks are visible on the physical display device and what values that person can change. For example, a local operator of agricultural harvesting machine 100 may not be able to view the information corresponding to predictive map 264 or make changes to machine operation. A supervisor, like however, such as a supervisor at a remote location can see the predictive map 264 on the display but be prevented from making changes. A manager, who may be at a separate remote location, may be able to see all of the items on the predictive map 264 and may also be able to change the predictive map 264. In some cases, the predictive map 264, accessible and modifiable by a remote manager, can be used in machine control. This is an example of an authorization hierarchy that can be implemented. The predictive map 264 or the predictive control zone map 265 or both can also be configured in other ways, as indicated by block 297 .

Bei Block 298 werden Eingaben von dem geografischen Positionssensor 204 und anderen In-situ-Sensoren 208 von dem Steuersystem empfangen. Block 300 stellt den Empfang einer Eingabe von dem geografischen Positionssensor 204 durch das Steuersystem 214 dar, der eine geografische Position der landwirtschaftlichen Erntemaschine 100 identifiziert. Block 302 stellt den Empfang von Sensoreingaben durch das Steuersystem 214 dar, die den Bahnverlauf oder den Kurs der landwirtschaftlichen Erntemaschine 100 angeben, und Block 304 stellt den Empfang einer Geschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch das Steuersystem 214 dar. Block 306 stellt den Empfang anderer Informationen von verschiedenen In-situ-Sensoren 208 durch das Steuersystem 214 dar.At block 298, inputs from the geographic position sensor 204 and other in situ sensors 208 are received by the control system. Block 300 represents the control system 214 receiving an input from the geographic position sensor 204 identifying a geographic position of the agricultural harvesting machine 100 . Block 302 represents the receipt by the control system 214 of sensor inputs indicative of the trajectory or heading of the agricultural harvester 100, and Block 304 represents the receipt by the control system 214 of a speed of the agricultural harvester 100. Block 306 represents the receipt of other information from various in situ sensors 208 by the control system 214.

Bei Block 308 generiert das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider und der Eingabe von dem geografischen Positionssensor 204 und beliebigen anderen In-situ-Sensoren 208 zu steuern. Bei Block 310 wendet das Steuersystem 214 die Steuersignale auf die steuerbaren Teilsysteme an. Es versteht sich, dass die bestimmten Steuersignale, die erzeugt werden, und die bestimmten steuerbaren Teilsysteme 216, die gesteuert werden, auf Grundlage eines oder mehrerer verschiedener Dinge variieren können. Beispielsweise können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, auf der Art der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beiden basieren, die verwendet werden. Gleichermaßen können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, und der Zeitpunkt der Steuersignale auf verschiedenen Latenzen des Erntegutstroms durch die landwirtschaftliche Erntemaschine 100 und der Reaktionsfähigkeit der steuerbaren Teilsysteme 216 basieren.At block 308 the control system 214 generates control signals to control the controllable subsystems 216 based on the predictive map 264 or the predictive control zone map 265 or both and the input from the geographic position sensor 204 and any other in situ sensors 208 . At block 310, the control system 214 applies the control signals to the controllable subsystems. It is understood that the particular control signals that are generated and the particular controllable subsystems 216 that are controlled may vary based on one or more different things. For example, the control signals generated and the controllable subsystems 216 that are controlled may be based on the type of predictive map 264 or predictive control zone map 265 or both used. Likewise, the control signals generated and the controllable subsystems 216 that are controlled and the timing of the control signals may be based on various latencies of crop flow through the agricultural harvesting machine 100 and the responsiveness of the controllable subsystems 216.

Beispielsweise kann eine erzeugte prädiktive Karte 264 in Form einer prädiktiven Biomassekarte verwendet werden, um eines oder mehrere steuerbare Teilsysteme 216 zu steuern. Beispielsweise kann die prädiktive Biomassekarte Biomassewerte beinhalten, die auf Positionen innerhalb des zu erntenden Feldes georeferenziert sind. Die Biomassewerte aus der prädiktiven Biomassekarte können extrahiert und verwendet werden, um die Lenk- und Antriebs-Teilsysteme 252 und 250 zu steuern. Durch Steuern der Lenk- und Antriebs-Teilsysteme 252 und 250 kann eine Vorschubgeschwindigkeit von Material, das sich durch die landwirtschaftliche Erntemaschine 100 bewegt, gesteuert werden. In ähnlicher Weise kann die Höhe des Erntevorsatzes gesteuert werden, um mehr oder weniger Material aufzunehmen, und somit kann die Höhe des Erntevorsatzes auch gesteuert werden, um die Vorschubgeschwindigkeit des Materials durch die landwirtschaftliche Erntemaschine 100 zu steuern. In anderen Beispielen kann die Steuerung der landwirtschaftlichen Erntemaschine 100 implementiert werden, wenn die prädiktive Karte 264 Erträge relativ zu Positionen auf dem Feld abbildet. Wenn zum Beispiel die in der prädiktiven Ertragskarte vorhandenen Werte angeben, dass ein Ertrag vor der landwirtschaftlichen Erntemaschine 100 an einem Abschnitt des Erntevorsatzes 102 höher ist als an einem anderen Abschnitt des Erntevorsatzes 102, kann die Steuerung des Erntevorsatzes 102 implementiert werden. Beispielsweise kann eine Drapergeschwindigkeit auf einer Seite des Erntevorsatzes 102 relativ zu der Drapergeschwindigkeit auf der anderen Seite des Erntevorsatzes 102 erhöht oder verringert werden, um die zusätzliche Biomasse zu berücksichtigen. Somit kann die Erntevorsatz- und Haspelsteuerung 238 mithilfe georeferenzierter Werte, die in der prädiktiven Ertragskarte vorhanden sind, gesteuert werden, um die Drapergeschwindigkeiten der Draperbänder auf dem Erntevorsatz 102 zu steuern. Ferner kann die Höhe des Erntevorsatzes durch die Erntevorsatz- und Haspelsteuerung 238 automatisch geändert werden, wenn die landwirtschaftliche Erntemaschine 100 mithilfe georeferenzierter Werte, die von der prädiktiven Biomassekarte oder der prädiktiven Ertragskarte erhalten werden, sowie mithilfe georeferenzierter Werte, die von verschiedenen anderen prädiktiven Karten erhalten werden, durch das Feld fährt. Die vorhergehenden Beispiele mit verschiedenen Steuerungen mithilfe einer prädiktiven Biomassekarte oder einer prädiktiven Ertragskarte sind lediglich beispielhaft bereitgestellt. Folglich kann eine Vielzahl anderer Steuersignale mithilfe von Werten erzeugt werden, die von einer prädiktiven Biomassenkarte, einer prädiktiven Ertragskarte oder einer anderen Art von prädiktiver Karte erhalten werden, um eines oder mehrere der steuerbaren Teilsysteme 216 zu steuern.For example, a generated predictive map 264 in the form of a biomass predictive map may be used to control one or more controllable subsystems 216 . For example, the predictive biomass map can include biomass values georeferenced to positions within the field to be harvested. The biomass values from the predictive biomass map can be extracted and used to control the steering and propulsion subsystems 252 and 250 . By controlling the steering and propulsion subsystems 252 and 250, a rate of travel of material moving through the agricultural harvesting machine 100 can be controlled. Similarly, the height of the header can be controlled to accommodate more or less material, and thus the height of the header can also be controlled to control the rate of advance of material through the agricultural harvester 100 . In other examples, control of agricultural harvester 100 may be implemented when predictive map 264 depicts yields relative to positions in the field. For example, if the values present in the predictive yield map indicate that a yield in front of the agricultural harvester 100 is higher at one portion of the header 102 than at another portion of the header 102, the control of the header 102 may be implemented. For example, a draper speed on one side of the header 102 may be increased or decreased relative to the draper speed on the other side of the header 102 to account for the additional biomass. Thus, the header and reel controller 238 can be controlled using georeferenced values present in the predictive yield map to control the draper speeds of the draper bands on the header 102 . Furthermore, the height of the header can be changed automatically by the header and reel controller 238 when the agricultural harvesting machine 100 is obtained using georeferenced values obtained from the predictive biomass map or the predictive yield map, as well as using georeferenced values obtained from various other predictive maps are driving through the field. The preceding examples with different controls using a predictive biomass map or a predictive yield map are provided by way of example only. Accordingly, a variety of other control signals may be generated using values obtained from a predictive biomass map, a predictive yield map, or another type of predictive map to control one or more of the controllable subsystems 216 .

Bei Block 312 wird bestimmt, ob der Erntevorgang abgeschlossen wurde. Wenn die Ernte nicht abgeschlossen ist, fährt die Verarbeitung mit Block 314 fort, wo In-situ-Sensordaten von dem geografischen Positionssensor 204 und den In-situ-Sensoren 208 (und möglicherweise anderen Sensoren) weiterhin gelesen werden.At block 312, it is determined whether the harvesting operation has been completed. If harvesting is not complete, processing continues at block 314 where in situ sensor data from geographic location sensor 204 and in situ sensors 208 (and possibly other sensors) continue to be read.

In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 bei Block 316 auch Lernauslösekriterien erkennen, um maschinelles Lernen an einer oder mehreren von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265, dem Modell, das von dem prädiktiven Modellgenerator 210 erzeugt wird, den Zonen, die von dem Steuerzonengenerator 213 erzeugt werden, einem oder mehreren Steueralgorithmen, die von den Steuerungen in dem Steuersystem 214 implementiert werden, und anderem ausgelösten Lernen durchzuführen.In some examples, at block 316, agricultural harvester 100 may also recognize learning trigger criteria to perform machine learning on one or more of predictive map 264, predictive control zone map 265, the model generated by predictive model generator 210, the zones generated by generated by control zone generator 213, one or more control algorithms implemented by controllers in control system 214, and other triggered learning.

Die Lernauslösekriterien können eine Vielzahl verschiedener Kriterien beinhalten. Einige Beispiele für das Erkennen von Auslösekriterien werden in Bezug auf die Blöcke 318, 320, 321, 322 und 324 erörtert. Beispielsweise kann das ausgelöste Lernen in einigen Beispielen das Wiederherstellen einer Beziehung beinhalten, die verwendet wird, um ein prädiktives Modell zu erzeugen, wenn eine Schwellenmenge von In-situ-Sensordaten von den In-situ-Sensoren 208 erhalten wird. In solchen Beispielen löst der Empfang einer Menge von In-situ-Sensordaten von den In-situ-Sensoren 208, die einen Schwellenwert überschreitet, den prädiktiven Modellgenerator 210 aus oder veranlasst ihn, ein neues prädiktives Modell zu erzeugen, das vom prädiktiven Kartengenerator 212 verwendet wird. Wenn also die landwirtschaftliche Erntemaschine 100 einen Erntevorgang fortsetzt, löst der Empfang der Schwellenmenge an In-situ-Sensordaten von den In-situ-Sensoren 208 die Erzeugung einer neuen Beziehung aus, die durch ein prädiktives Modell repräsentiert wird, das durch den prädiktiven Modellgenerator 210 erzeugt wird. Ferner können die neue prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide mithilfe des neuen prädiktiven Modells erneut erzeugt werden. Block 318 stellt das Erkennen einer Schwellenwertmenge von In-situ-Sensordaten dar, die verwendet werden, um die Erstellung eines neuen prädiktiven Modells auszulösen.The learning trigger criteria can contain a large number of different criteria. Some examples of detecting trigger criteria are discussed with respect to blocks 318, 320, 321, 322, and 324. For example, in some examples, the triggered learning may include restoring a relationship used to generate a predictive model when a threshold amount of in situ sensor data is obtained from the in situ sensors 208 . In such examples, receipt of an amount of in situ sensor data from in situ sensors 208 that exceeds a threshold triggers or causes predictive model generator 210 to generate a new predictive model used by predictive map generator 212 will. Thus, as agricultural harvester 100 continues a harvesting operation, receipt of the threshold amount of in situ sensor data from in situ sensors 208 triggers the generation of a new relationship represented by a predictive model generated by predictive model generator 210 is produced. Furthermore, the new predictive map 264, the predictive control zone map 265, or both can be regenerated using the new predictive model. Block 318 represents detecting a threshold set of in situ sensor data used to trigger creation of a new predictive model.

In anderen Beispielen können die Lernauslösekriterien darauf beruhen, wie stark sich die In-situ-Sensordaten von den In-situ-Sensoren 208 ändern, wie etwa über die Zeit oder im Vergleich zu vorherigen Werten. Wenn zum Beispiel Abweichungen innerhalb der In-situ-Sensordaten (oder der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Vorabinformationskarte 258) innerhalb eines ausgewählten Bereichs liegen oder weniger als ein definierter Betrag sind oder unter einem Schwellenwert liegen, dann wird kein neues prädiktives Modell durch den prädiktiven Modellgenerator 210 erzeugt. Infolgedessen erzeugt der prädiktive Kartengenerator 212 keine neue prädiktive Karte 264, prädiktive Steuerzonenkarte 265 oder beides. Wenn jedoch Abweichungen innerhalb der In-situ-Sensordaten außerhalb des ausgewählten Bereichs liegen, größer als der definierte Betrag sind oder beispielsweise über dem Schwellenwert liegen, erzeugt der prädiktive Modellgenerator 210 ein neues prädiktives Modell mithilfe aller oder eines Teils der neu empfangenen In-situ-Sensordaten, die der prädiktive Kartengenerator 212 verwendet, um eine neue prädiktive Karte 264 zu erzeugen. Bei Block 320 können Variationen der In-situ-Sensordaten, wie etwa eine Größe eines Betrags, um den die Daten den ausgewählten Bereich überschreiten, oder eine Größe der Variation der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Vorabinformationskarte 258, als Auslöser verwendet werden, um die Erzeugung eines prädiktiven Modells und einer prädiktiven Karte zu veranlassen. Unter Beibehaltung der oben beschriebenen Beispiele können der Schwellenwert, der Bereich und der definierte Betrag auf Standardwerte eingestellt werden; durch einen Bediener oder eine Benutzerinteraktion über eine Benutzerschnittstelle eingestellt werden; durch ein automatisiertes System eingestellt werden; oder auf andere Weise eingestellt werden.In other examples, the learning trigger criteria may be based on how much the in situ sensor data from the in situ sensors 208 is changing, such as over time or compared to previous values. For example, if deviations within the in situ sensor data (or the relationship between the in situ sensor data and the information in the pre-information map 258) are within a selected range, or are less than a defined amount, or are below a threshold, then no new predictive model is generated by the predictive model generator 210. As a result, the predictive map generator 212 does not generate a new predictive map 264, predictive control zone map 265, or both. However, if deviations within the in situ sensor data are outside the selected range, are greater than the defined amount, or are above the threshold, for example, the predictive model generator 210 generates a new predictive model using all or part of the newly received in situ Sensor data that the predictive map generator 212 uses to generate a new predictive map 264 . At block 320, variations in the in situ sensor data, such as a magnitude of an amount by which the data exceeds the selected range or a magnitude of variation in the relationship between the in situ sensor data and the information in the preliminary information map 258, used as a trigger to cause the generation of a predictive model and map. Keeping the examples described above, the threshold, range and defined amount can be set to default values; set by an operator or user interaction via a user interface; set by an automated system; or adjusted in any other way.

Es können auch andere Lernauslösekriterien verwendet werden. Wenn zum Beispiel der prädiktive Modellgenerator 210 zu einer anderen Vorabinformationskarte (die sich von der ursprünglich ausgewählten Vorabinformationskarte 258 unterscheidet) wechselt, kann das Wechseln zu der anderen Vorabinformationskarte ein erneutes Lernen durch den prädiktiven Modellgenerator 210, den prädiktiven Kartengenerator 212, den Steuerzonengenerator 213, das Steuersystem 214 oder anderer Elemente auslösen. In einem weiteren Beispiel kann auch der Übergang der landwirtschaftlichen Erntemaschine 100 zu einer anderen Topographie oder zu einer anderen Steuerzone als Lernauslösekriterien verwendet werden.Other learning trigger criteria can also be used. For example, if the predictive model generator 210 switches to a different advance information map (different from the originally selected advance information map 258), switching to the different advance information map may require re-learning by the predictive model generator 210, the predictive map generator 212, the control zone generator 213, the Trigger control system 214 or other elements. In a further example, the transition of the agricultural harvesting machine 100 to a different topography or to a different control zone can also be used as learning trigger criteria.

In einigen Fällen kann der Bediener 260 auch die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide bearbeiten. Die Bearbeitungen können einen Wert auf der prädiktiven Karte 264, eine Größe, Form, Position oder Vorhandensein einer Steuerzone auf der prädiktiven Steuerzonenkarte 265 oder beides ändern. Block 321 zeigt, dass bearbeitete Informationen als Lernauslösekriterien verwendet werden können.In some cases, operator 260 may also edit predictive map 264 or predictive control zone map 265, or both. The edits may change a value on predictive map 264, a size, shape, location, or presence of a control zone on predictive control zone map 265, or both. Block 321 shows that processed information can be used as learning trigger criteria.

In einigen Fällen kann es auch sein, dass der Bediener 260 beobachtet, dass die automatisierte Steuerung eines steuerbaren Teilsystems nicht das ist, was der Bediener wünscht. In solchen Fällen kann der Bediener 260 dem steuerbaren Teilsystem eine manuelle Anpassung bereitstellen, die widerspiegelt, dass der Bediener 260 wünscht, dass das steuerbare Teilsystem anders arbeitet, als vom Steuersystem 214 befohlen wird. Somit kann eine manuelle Änderung einer Einstellung durch den Bediener 260 bewirken, dass einer oder mehrere von dem prädiktiven Modellgenerator 210 ein Modell neu erlernen, dem prädiktiven Kartengenerator 212, um die Karte 264 zu regenerieren, dem Steuerzonengenerator 213, um eine oder mehrere Steuerzonen auf der prädiktiven Steuerzonenkarte 265 zu regenerieren, und dem Steuersystem 214, um einen Steueralgorithmus neu zu erlernen oder maschinelles Lernen an einer oder mehreren der Steuerkomponenten 232 bis 246 im Steuersystem 214 auf Grundlage der Einstellung durch den Bediener 260 durchzuführen, wie in Block 322 gezeigt. Block 324 stellt die Verwendung anderer ausgelöster Lernkriterien dar.In some cases, the operator 260 may also observe that the automated control of a controllable subsystem does not is what the server wants. In such cases, the operator 260 may provide the controllable sub-system with a manual adjustment that reflects the operator 260 wanting the controllable sub-system to operate differently than is commanded by the control system 214 . Thus, a manual change of a setting by the operator 260 may cause one or more of the predictive model generator 210 to relearn a model, the predictive map generator 212 to regenerate the map 264, the control zone generator 213 to create one or more control zones on the regenerate predictive control zone map 265, and control system 214 to relearn a control algorithm or perform machine learning on one or more of control components 232-246 in control system 214 based on adjustment by operator 260, as shown in block 322. Block 324 represents the use of other triggered learning criteria.

In anderen Beispielen kann das Umlernen periodisch oder intermittierend durchgeführt werden, zum Beispiel auf Grundlage eines ausgewählten Zeitintervalls, wie etwa eines diskreten Zeitintervalls oder eines variablen Zeitintervalls, wie durch Block 326 angezeigt.In other examples, relearning may be performed periodically or intermittently, for example based on a selected time interval, such as a discrete time interval or a variable time interval, as indicated by block 326 .

Wenn das Umlernen ausgelöst wird, ob auf Grundlage von Lernauslösekriterien oder auf Grundlage des Durchlaufs eines Zeitintervalls, wie durch Block 326 angezeigt, führt einer oder mehrere von dem prädiktiven Modellgenerator 210, dem prädiktiven Kartengenerator 212, dem Steuerzonengenerator 213 und dem Steuersystem 214 maschinelles Lernen durch, um ein neues prädiktives Modell, eine neue prädiktive Karte, eine neue Steuerzone bzw. einen neuen Steueralgorithmus auf Grundlage der Lernauslösekriterien zu erzeugen. Das neue prädiktive Modell, die neue prädiktive Karte und der neue Steueralgorithmus werden mithilfe zusätzlicher Daten generiert, die seit dem letzten Lernvorgang gesammelt wurden. Das Durchführen des Umlernens wird durch Block 328 angezeigt.When relearning is triggered, whether based on learning trigger criteria or based on the passage of a time interval, as indicated by block 326, one or more of the predictive model generator 210, the predictive map generator 212, the control zone generator 213 and the control system 214 performs machine learning to generate a new predictive model, map, control zone, or control algorithm based on the learning trigger criteria. The new predictive model, map and control algorithm are generated using additional data collected since the last learning. Performing the relearn is indicated by block 328 .

Wenn der Erntevorgang abgeschlossen wurde, geht der Vorgang von Block 312 zu Block 330 über, wo eines oder mehrere von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 und dem prädiktiven Modell, das durch den prädiktiven Modellgenerator 210 erzeugt wird, gespeichert werden. Die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 und das prädiktive Modell können lokal auf dem Datenspeicher 202 gespeichert oder mithilfe des Kommunikationssystems 206 zur späteren Verwendung an ein Remote-System gesendet werden.When the harvesting process has been completed, the process proceeds from block 312 to block 330 where one or more of the predictive map 264, the predictive control zone map 265, and the predictive model generated by the predictive model generator 210 are stored. The predictive map 264, predictive control zone map 265, and predictive model may be stored locally on data storage 202 or sent to a remote system using communication system 206 for later use.

Es ist zu beachten, dass, während einige Beispiele hierin den prädiktiven Modellgenerator 210 und den prädiktiven Kartengenerator 212 beschreiben, die eine Vorabinformationskarte beim Erzeugen eines prädiktiven Modells bzw. beim Empfangen einer funktionellen prädiktiven Karte, der prädiktive Modellgenerator 210 bzw. der prädiktive Kartengenerator 212 in anderen Beispielen beim Erzeugen eines prädiktiven Modells und einer funktionellen prädiktiven Karte jeweils andere Arten von Karten, einschließlich prädiktiver Karten, wie etwa eine funktionelle prädiktive Karte, die während des Erntevorgangs erzeugt wird, empfangen können.It should be noted that while some examples herein describe predictive model generator 210 and predictive map generator 212 using a prior information map when generating a predictive model and receiving a functional predictive map, respectively, predictive model generator 210 and predictive map generator 212 in In other examples, when generating a predictive model and a functional predictive map, each may receive other types of maps including predictive maps, such as a functional predictive map generated during the harvesting process.

4A ist ein Blockdiagramm eines Abschnitts der in 1 gezeigten landwirtschaftlichen Erntemaschine. Insbesondere zeigt 4A unter anderem Beispiele des prädiktiven Modellgenerators 210 und des prädiktiven Kartengenerators 212 detaillierter. 4A veranschaulicht auch den Informationsfluss zwischen den verschiedenen gezeigten Komponenten. Der prädiktive Modellgenerator 210 empfängt eine Aussaatkarte 332 als eine Vorabinformationskarte. Der prädiktive Modellgenerator 210 empfängt auch eine geografische Position 334 oder eine Angabe einer geografischen Position von dem geografischen Positionssensor 204. Die In-situ-Sensoren 208 beinhalten beispielhaft einen landwirtschaftlichen Merkmalsensor, wie etwa den landwirtschaftlichen Merkmalsensor 336, sowie ein Verarbeitungssystem 338. In einigen Fällen kann sich der landwirtschaftliche Merkmalsensor 336 an Bord der landwirtschaftlichen Erntemaschine 100 befinden. 4A is a block diagram of a portion of the in 1 shown agricultural harvester. In particular shows 4A among other things, examples of the predictive model generator 210 and the predictive map generator 212 in more detail. 4A also illustrates the flow of information between the various components shown. The predictive model generator 210 receives a seed map 332 as a preliminary information map. The predictive model generator 210 also receives a geographic location 334 or an indication of a geographic location from the geographic location sensor 204. The in situ sensors 208 include, by way of example, an agricultural feature sensor, such as agricultural feature sensor 336, and a processing system 338. In some cases For example, agricultural feature sensor 336 may be onboard agricultural harvester 100 .

Landwirtschaftliche Merkmale, die durch das Verarbeitungssystem 338 erfasst werden, können eine beliebige von einer Reihe von Nicht-Maschinenmerkmalen beinhalten, wie etwa Merkmale des Feldes oder Merkmale von Pflanzen auf dem Feld (z. B. Merkmale, die Biomasse oder Ertrag angeben, Erntegutzustandsmerkmale, wie etwa Daten von umgeknicktem Erntegut, Erntegutgrößenmerkmale, wie etwa Ernteguthöhe, Erntegutstängeldurchmesser oder Maiskolbengröße), sowie eine Vielzahl von anderen Nicht-Maschinenmerkmale der Umgebung, in der die landwirtschaftliche Erntemaschine 100 betrieben wird. Landwirtschaftliche Merkmale, die durch das Verarbeitungssystem 338 erkannt werden, können auch eine beliebige Anzahl von Maschinenmerkmalen der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine beinhalten, wie etwa Maschineneinstellungen, Maschinenleistungsmerkmale oder Maschinenbetriebsmerkmale (z. B. eine Höhe des Erntevorsatzes 102 vom Feld, eine Position oder eine Geschwindigkeit der Haspel 164, eine Drehzahleinstellung des Reinigungslüfters 120, eine Kraft, die erforderlich ist, um den Dreschrotor 112 anzutreiben, oder eine Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine 100) sowie eine Vielzahl von anderen Maschinenmerkmalen. Agricultural traits sensed by processing system 338 may include any of a number of non-machine traits, such as traits of the field or traits of crops in the field (e.g., traits indicative of biomass or yield, crop condition traits, such as overturned crop data, crop size characteristics such as crop height, crop stalk diameter, or corn cob size), as well as a variety of other non-machine characteristics of the environment in which the agricultural harvesting machine 100 operates. Agricultural characteristics recognized by the processing system 338 may also include any number of machine characteristics of the agricultural harvesting machine 100 or other machine, such as machine settings, machine performance characteristics, or machine operating characteristics (e.g., a height of the header 102 from the field, a position or a speed of the reel 164, a speed setting of the cleaning fan 120, a force required to drive the threshing rotor 112, or a forward speed the agricultural harvester 100) as well as a variety of other machine features.

Somit können die In-situ-Sensoren 208 ein beliebiger Sensor sein, der ein landwirtschaftliches Merkmal, wie etwa ein Nicht-Maschinenmerkmal oder ein Maschinenmerkmal, erkennen kann.Thus, the in situ sensors 208 can be any sensor capable of detecting an agricultural feature, such as a non-machine feature or a machine feature.

Das Verarbeitungssystem 338 verarbeitet Sensordaten, die von dem landwirtschaftlichen Merkmalsensor 336 erzeugt werden, um verarbeitete Daten zu erzeugen, von denen einige Beispiele nachfolgend beschrieben werden. Zum Beispiel kann der landwirtschaftliche Merkmalsensor 336 ein optischer Sensor sein, wie etwa eine Kamera oder eine andere Vorrichtung, die eine optische Erfassung durchführt. Der optische Sensor kann Bilder erzeugen, die verschiedene landwirtschaftliche Merkmale angeben, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine, sowie damit verbundene Merkmale. Das Verarbeitungssystem 338 verarbeitet ein oder mehrere Sensorsignale, wie etwa Bilder, die von einem optischen Sensor erhalten wurden, um verarbeitete Sensordaten, wie etwa verarbeitete Bilddaten, zu erzeugen, die ein oder mehrere Nicht-Maschinenmerkmale, wie etwa Merkmale des Feldes, identifizieren, oder verarbeitete Sensordaten, die ein oder mehrere Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 identifizieren, wie etwa Maschineneinstellungen, Betriebsmerkmale oder Maschinenleistungsmerkmale, oder verwandte Merkmale.Processing system 338 processes sensor data generated by agricultural feature sensor 336 to generate processed data, some examples of which are described below. For example, agricultural feature sensor 336 may be an optical sensor, such as a camera or other device that performs optical sensing. The optical sensor may generate images indicative of various agricultural features, such as non-machine or machine features of the agricultural harvesting machine 100 or other machine, and features associated therewith. The processing system 338 processes one or more sensor signals, such as images, obtained from an optical sensor to generate processed sensor data, such as processed image data, identifying one or more non-machine features, such as features of the field, or processed sensor data identifying one or more machine characteristics of agricultural harvesting machine 100, such as machine settings, operational characteristics, or machine performance characteristics, or related characteristics.

Das Verarbeitungssystem 338 kann auch die vom In-situ-Sensor 208 empfangenen Werte geolokalisieren. Zum Beispiel ist die Position der landwirtschaftlichen Erntemaschine zu dem Zeitpunkt, zu dem ein Signal vom In-situ-Sensor 208 empfangen wird, typischerweise nicht die genaue Position des landwirtschaftlichen Merkmals auf dem Feld. Dies liegt daran, dass zwischen dem anfänglichen Kontakt der landwirtschaftlichen Erntemaschine mit dem landwirtschaftlichen Merkmal und dem Erfassen des landwirtschaftlichen Merkmals durch In-situ-Sensoren 208 eine Zeitspanne vergeht. Somit wird eine Übergangszeit zwischen dem anfänglichen Auftreten eines landwirtschaftlichen Merkmals und dem Erfassen des landwirtschaftlichen Merkmals mit den In-situ-Sensoren 208 bei der Georeferenzierung der erfassten Daten berücksichtigt. Dadurch kann das erfasste Merkmal genau auf eine Position im Feld georeferenziert werden.The processing system 338 can also geolocate the values received from the in situ sensor 208 . For example, the position of the agricultural harvester at the time a signal is received from the in situ sensor 208 is typically not the precise position of the agricultural feature in the field. This is because there is a period of time between the initial contact of the agricultural harvester with the agricultural feature and the detection of the agricultural feature by in situ sensors 208 . Thus, a transition time between the initial occurrence of an agricultural feature and the sensing of the agricultural feature with the in situ sensors 208 is accounted for in georeferencing the sensed data. This allows the captured feature to be georeferenced to a precise position in the field.

Beispielsweise kann eine Zeitspanne zwischen dem Zeitpunkt, zu dem die landwirtschaftliche Erntemaschine anfänglichen Kontakt mit einer Pflanze herstellt, und dem Zeitpunkt, zu dem das Merkmal der Pflanze erfasst wird, verstreichen. Wenn zum Beispiel ein Ertragsmerkmal auf Grundlage des Erfassens von verarbeitetem Korn erkannt wird, das an einen Lagerort auf der landwirtschaftlichen Erntemaschine geliefert wird, kann eine Zeitspanne zwischen dem Zeitpunkt, an dem die Pflanze auf dem Feld angetroffen wurde, und dem Zeitpunkt, an dem das verarbeitete Korn erfasst wird, wie etwa an dem Lagerort, verstreichen. Somit wird eine Übergangszeit zwischen dem ersten Antreffen einer Pflanze und dem Erfassen des Korns von der Pflanze durch einen In-situ-Sensor 208 bei der Georeferenzierung der erfassten Daten berücksichtigt. Dadurch kann der Ertrag genau auf eine Position im Feld georeferenziert werden. Aufgrund der Bewegung des abgetrennten Ernteguts entlang eines Erntevorsatzes in einer Richtung, die quer zu einer Fahrtrichtung der landwirtschaftlichen Erntemaschine 100 verläuft, werden die Ertragswerte normalerweise auf einen V-förmigen Bereich hinter der landwirtschaftlichen Erntemaschine 100 geolokalisiert, wenn sich die landwirtschaftliche Erntemaschine 100 in einer Vorwärtsrichtung bewegt. Das Verarbeitungssystem 338 ordnet einen Gesamtertrag, der von einem Ertragssensor während jeder Zeit oder jedes Messintervalls erfasst wird, auf Grundlage der Fahrzeiten des Ernteguts von verschiedenen Abschnitten der landwirtschaftlichen Erntemaschine, wie etwa verschiedenen seitlichen Positionen entlang einer Breite eines Erntevorsatzes der landwirtschaftlichen Erntemaschine, früheren georeferenzierten Regionen zu. Zum Beispiel ordnet das Verarbeitungssystem 338 einen gemessenen Gesamtertrag von einem Messintervall oder einer zurückliegenden Messzeit georeferenzierten Bereichen zu, die von einem Erntevorsatz der landwirtschaftlichen Erntemaschine während unterschiedlicher Messintervalle oder -zeiten durchquert wurden. Das Verarbeitungssystem 338 ordnet den Gesamtertrag aus einem bestimmten Messintervall oder einer bestimmten Zeit zuvor durchlaufenen georeferenzierten Bereichen zu, die Teil des V-förmigen Bereichs sind oder teilt ihn auf. Gleichermaßen kann das Verarbeitungssystem 338 in einem Beispiel, in dem der In-situ-Sensor 208 ein Dreschrotorantriebskraftsensor ist, der ein Sensorsignal erzeugt, das Biomasse anzeigt, die Werte, wie etwa Biomassewerte, geolokalisieren, indem eine Zeitverzögerung zwischen dem Zeitpunkt, zu dem das Erntegut auf dem Feld angetroffen wurde, und dem Zeitpunkt, zu dem das Erntegut durch den Dreschrotor 112 gedroschen wird, berechnet wird. In einem solchen Beispiel kann das Dreschrotorantriebskraftmerkmal als Indikator für Biomasse mit der richtigen Position auf dem Feld unter Berücksichtigung der berechneten Zeitverzögerung korreliert werden. Diese Zeitverzögerung kann zumindest teilweise auf der Vorwärtsgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 basieren. Dies sind nur Beispiele.For example, a period of time may elapse between the time the agricultural harvester makes initial contact with a plant and the time the trait of the plant is sensed. For example, when recognizing a yield-related trait based on sensing processed grain being delivered to a storage location on the agricultural harvester, a period of time may elapse between the time the plant was encountered in the field and the time the processed grain is detected, such as at the storage location. Thus, a transition time between when a plant is first encountered and grain is sensed from the plant by an in situ sensor 208 when georeferencing the sensed data. This allows the yield to be precisely georeferenced to a position in the field. Due to the movement of the severed crop along a header in a direction transverse to a direction of travel of agricultural harvesting machine 100, yield values are typically geolocalized to a V-shaped area behind agricultural harvesting machine 100 when agricultural harvesting machine 100 is moving in a forward direction emotional. The processing system 338 ranks a total yield sensed by a yield sensor during each time or measurement interval based on the travel times of the crop from different sections of the agricultural harvester, such as different lateral positions along a width of a header of the agricultural harvester, previous georeferenced regions to. For example, the processing system 338 associates a measured total yield from a measurement interval or a previous measurement time with georeferenced areas traversed by a header of the agricultural harvesting machine during different measurement intervals or times. The processing system 338 allocates or splits the total yield from a particular measurement interval or time previously traversed to georeferenced areas that are part of the V-shaped area. Likewise, in one example where the in situ sensor 208 is a threshing rotor power sensor that generates a sensor signal indicative of biomass, the processing system 338 may geolocate the values, such as biomass values, by using a time delay between when the Crop has been encountered in the field and the time at which the crop is threshed by the threshing rotor 112 is calculated. In such an example, the threshing rotor driving force characteristic as an indicator of biomass can be correlated with the correct position in the field, taking into account the calculated time delay. This time delay may be based, at least in part, on the forward speed of agricultural harvesting machine 100 . These are just examples.

In einigen Beispielen kann sich der Merkmalssensor 336 beispielsweise auf Wellenlängen elektromagnetischer Energie und die Art und Weise stützen, in der elektromagnetische Energie zum Beispiel von Biomasse oder dem geernteten Getreide reflektiert, absorbiert, gedämpft oder übertragen wird. Der landwirtschaftliche Merkmalsensor 336 kann andere elektromagnetische Eigenschaften von Biomasse oder geerntetem Korn erfassen, wie etwa elektrische Permittivität, wenn das Material zwischen zwei kapazitiven Platten hindurchtritt. Der landwirtschaftliche Merkmalssensor 336 kann sich auch auf eine physikalische Wechselwirkung im Zusammenhang mit Biomasse oder Körnern stützen. Beispielsweise kann ein Signal als Reaktion auf einen Aufprall von Biomasse oder Körnern auf eine piezoelektrische Platte erzeugt werden oder ein Signal kann als Reaktion auf ein Geräusch oder eine Vibration, die durch einen Aufprall von Biomasse oder Körnern auf ein anderes Objekt erzeugt wird, von einem Mikrofon oder Beschleunigungsmesser erzeugt werden. Andere Eigenschaften oder Interaktionen und Sensoren können ebenfalls verwendet werden. In einigen Beispielen können rohe oder verarbeitete Daten von dem landwirtschaftlichen Merkmalssensor 336 dem Bediener 260 über den Bedienerschnittstellenmechanismus 218 dargestellt werden. Der Bediener 260 kann sich an Bord der landwirtschaftlichen Erntemaschine 100 oder an einem Remote-Standort befinden.In some examples, the feature sensor 336 may rely on, for example, wavelengths of electromagnetic energy and the manner in which electromagnetic energy is reflected, absorbed, attenuated, or transmitted from, for example, biomass or the harvested grain. Agricultural trait sensor 336 may sense other electromagnetic properties of biomass or harvested grain, such as electrical permittivity, as the material passes between two capacitive plates. Agricultural trait sensor 336 may also rely on physical interaction related to biomass or grain. For example, a signal can be generated in response to biomass or granules impacting a piezoelectric plate, or a signal can be generated from a microphone in response to noise or vibration generated by biomass or granules impacting another object or accelerometers are generated. Other properties or interactions and sensors can also be used. In some examples, raw or processed data from agricultural feature sensor 336 may be presented to operator 260 via operator interface mechanism 218 . The operator 260 may be onboard the agricultural harvester 100 or at a remote location.

Die vorliegende Erörterung fährt in Bezug auf ein Beispiel fort, in dem der landwirtschaftliche Merkmalssensor 336 konfiguriert ist, um landwirtschaftliche Merkmale, wie etwa Nicht-Maschinenmerkmale oder Maschinenmerkmale der landwirtschaftlichen Erntemaschine 100 oder einer anderen Maschine, oder verwandte Merkmale, zu erfassen. Ein Nicht-Maschinenmerkmal im Sinne dieser Offenbarung ist jedes landwirtschaftliche Merkmal, das sich nicht auf eine Maschine bezieht. Zum Beispiel können Nicht-Maschinenmerkmale Merkmale des Felds beinhalten, auf dem die landwirtschaftliche Erntemaschine 100 arbeitet, sowie verschiedene andere Nicht-Maschinenmerkmale. Es versteht sich, dass das Nicht-Maschinenmerkmal außerhalb der landwirtschaftlichen Erntemaschine 100 oder innerhalb der landwirtschaftlichen Erntemaschine 100 erfasst werden kann. Ein Maschinenmerkmal im Sinne dieser Offenbarung ist jedes landwirtschaftliche Merkmal, das sich auf eine Maschine bezieht, wie z. B. die landwirtschaftliche Erntemaschine 100 oder eine andere Maschine, und beinhaltet z. B. Maschineneinstellungen, Betriebsmerkmale oder Merkmale der Maschinenleistung sowie andere Maschinenmerkmale. Es ist zu beachten, dass in einigen Beispielen ein Maschinenmerkmal auch indikativ für ein Nicht-Maschinenmerkmal sein kann oder umgekehrt. So kann beispielsweise eine Dreschrotorantriebskraft (ein Maschinenmerkmal) die Biomasse (ein Nicht-Maschinenmerkmal) anzeigen.The present discussion continues with respect to an example where agricultural feature sensor 336 is configured to sense agricultural features, such as non-machine features or machine features of agricultural harvesting machine 100 or another machine, or related features. A non-machine feature, as used in this disclosure, is any agricultural feature that is not related to a machine. For example, non-machine features may include features of the field in which agricultural harvesting machine 100 is operating, as well as various other non-machine features. It is understood that the non-machine feature can be detected outside of the agricultural harvesting machine 100 or inside of the agricultural harvesting machine 100 . A machine feature within the meaning of this disclosure is any agricultural feature that relates to a machine, such as e.g. B. the agricultural harvesting machine 100 or other machine, and includes z. B. machine settings, operating characteristics or machine performance characteristics and other machine characteristics. Note that in some examples, a machine feature may also be indicative of a non-machine feature, or vice versa. For example, a threshing rotor drive force (a machine characteristic) can indicate the biomass (a non-machine characteristic).

Es versteht sich, dass es sich hierbei nur um einige Beispiele handelt und die oben genannten Sensoren als andere Beispiele des landwirtschaftlichen Merkmalssensors 336 hierin ebenfalls in Betracht gezogen werden. Es versteht sich außerdem, dass die In-situ-Sensoren 208, einschließlich des landwirtschaftlichen Merkmalssensors 336 ein beliebiges von einer Reihe von landwirtschaftlichen Merkmalen erfassen können. Der prädiktive Modellgenerator 210, der nachstehend erörtert wird, kann eine Beziehung zwischen einem oder mehreren landwirtschaftlichen Merkmalen identifizieren, die in Sensordaten an einer geografischen Position erkannt oder dargestellt werden, die den Sensordaten entspricht, und einem oder mehreren Aussaatmerkmalwerten aus einer Aussaatkarte, wie etwa der Aussaatkarte 332, die derselben Position auf dem Feld entsprechen. Auf Grundlage dieser Beziehung erzeugt der prädiktive Modellgenerator 210 ein prädiktives landwirtschaftliches Merkmalmodell. Ferner versteht es sich, dass der prädiktive Kartengenerator 212, der nachstehend erörtert wird, die durch den prädiktiven Modellgenerator 210 erzeugten Merkmalmodelle verwenden kann, um eine funktionelle prädiktive Karte, wie etwa eine funktionelle prädiktive landwirtschaftliche Merkmalskarte, zu erzeugen. Die erzeugte funktionelle prädiktive Karte sagt eine oder mehrere landwirtschaftlichen Merkmale an verschiedenen Positionen auf Grundlage georeferenzierter Aussaatmerkmalwerte, die in der Aussaatmerkmalkarte 332 an den gleichen Positionen in dem Feld enthalten sind, voraus.It should be understood that these are just a few examples and the above sensors are also contemplated as other examples of the agricultural feature sensor 336 herein. It is also understood that the in situ sensors 208, including the agricultural feature sensor 336, may sense any of a variety of agricultural features. The predictive model generator 210, discussed below, may identify a relationship between one or more agricultural attributes detected or represented in sensor data at a geographic location corresponding to the sensor data and one or more seed attribute values from a seed map, such as the Sowing Map 332 corresponding to the same position on the field. Based on this relationship, the predictive model generator 210 generates a predictive agricultural feature model. Further, it is understood that the predictive map generator 212, discussed below, may use the feature models generated by the predictive model generator 210 to generate a functional predictive map, such as a functional predictive agricultural feature map. The generated functional predictive map predicts one or more agricultural traits at various locations based on georeferenced seed trait values contained in seed trait map 332 at the same locations in the field.

Wie in 4A gezeigt, beinhaltet der beispielhafte prädiktive Modellgenerator 210 einen oder mehrere von einem Nicht-Maschinenmerkmal-zu-Population-Modellgenerator 342, einem Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 344, einem Maschinenmerkmal-zu-Population-Modellgenerator 346 und einem Maschinenmerkmal-zu-Genotyp-Modellgenerator 347. In anderen Beispielen kann der prädiktive Modellgenerator 210 zusätzliche, weniger oder andere Komponenten beinhalten, als die in dem Beispiel von 4A gezeigten. Folglich kann der prädiktive Modellgenerator 210 in einigen Beispielen auch andere Elemente 348 beinhalten. Andere Elemente 348 können andere Arten von prädiktiven Modellgeneratoren beinhalten, um andere Arten von landwirtschaftlichen Merkmalmodellen zu erzeugen. Zum Beispiel können andere Elemente 348 andere Nicht-Maschinenmerkmalmodelle oder andere Maschinenmerkmalmodelle, wie etwa ein Nicht-Maschinenmerkmal-zu-anderem-Aussaatmerkmalmodell oder ein Maschinenmerkmal-zu-anderem-Aussaatmerkmalmodell, beinhalten. Andere Aussaatmerkmale können zum Beispiel Position (z. B. geografische Position des Saatguts auf dem Feld); Abstand (z. B. Abstand zwischen einzelnem Saatgut und Abstand zwischen Saatgutreihen); Population, die aus dem Abstand abgeleitet werden kann; Ausrichtung (z. B. Saatgutausrichtung in einem Graben und Ausrichtung von Saatgutreihen); Tiefe (z. B. Saatguttiefe und Furchentiefe); Abmessungen (z. B. Saatgutgröße); und Genotyp (z. B. Saatgutarten, Saatguthybride, Saatgutsorte, Saatgutsorte usw.) beinhalten. Andere Aussaatmerkmale können ebenfalls enthalten sein, wie etwa verschiedene Merkmale des Saatbetts oder des Saatgrabens.As in 4A As shown, the example predictive model generator 210 includes one or more of a non-machine trait-to-population model generator 342, a non-machine trait-to-genotype model generator 344, a machine trait-to-population model generator 346, and a machine-trait-to -genotype model generator 347. In other examples, the predictive model generator 210 may include additional, fewer, or different components than those in the example of FIG 4A shown. Thus, in some examples, the predictive model generator 210 may include other elements 348 as well. Other elements 348 may include other types of predictive model generators to generate other types of agricultural feature models. For example, other elements 348 may include other non-machine feature models or other machine feature models, such as a non-machine feature-to-others seeding feature model or a machine feature-to-others seeding feature model. Other seeding characteristics can be, for example, position (e.g. geographic posi tion of the seed in the field); spacing (e.g. spacing between individual seeds and spacing between rows of seeds); population that can be inferred from distance; Alignment (e.g. seed alignment in a ditch and alignment of seed rows); depth (e.g. seed depth and furrow depth); dimensions (e.g. seed size); and genotype (e.g. seed types, seed hybrids, seed variety, seed variety, etc.). Other seeding characteristics may also be included, such as various seedbed or seed ditch characteristics.

Der Nicht-Maschinenmerkmal-zu-Population-Modellgenerator 342 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, das in den Sensordaten 340 an einer geografischen Position erkannt oder dargestellt wird, die den Sensordaten 340 entspricht, und Pflanzenpopulationswerten aus der Aussaatkarte 332, die derselben Position auf dem Feld entsprechen, an der das Umgebungsmerkmal erkannt wurde oder diesem entspricht. Auf Grundlage dieser Beziehung, die durch das Umgebungsmerkmal-zu-Population-Modellgenerator 342 hergestellt wird, erzeugt das Umgebungsmerkmal-zu-Population-Modellgenerator 342 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmal-Kartengenerator 352 verwendet, um das Nicht-Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Pflanzenpopulationswerts, der in der Aussaatkarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine trait-to-population model generator 342 identifies a relationship between a non-machine trait detected or represented in the sensor data 340 at a geographic location corresponding to the sensor data 340 and plant population values from the seed map 332 corresponding to the same location on the field correspond to or correspond to the environmental feature detected. Based on this relationship established by the surrounding feature-to-population model generator 342, the surrounding feature-to-population model generator 342 generates a predictive agricultural feature model. The predictive agricultural trait model is used by the non-machine trait map generator 352 to predict the non-machine trait at various locations based on the georeferenced crop population value contained in the seeding map 332 at the same locations in the field.

Der Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 344 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, das in den Sensordaten 340 an einer geografischen Position erkannt oder dargestellt wird, die den Sensordaten 340 entspricht, und den Genotypwerten aus der Aussaatkarte 332, die derselben Position auf dem Feld entsprechen, an der das Umgebungsmerkmal erkannt wurde oder diesem entspricht. Auf Grundlage dieser Beziehung, die durch den Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 344 hergestellt wird, erzeugt der Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 344 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmal-Kartengenerator 352 verwendet, um das Nicht-Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Genotypwerts, der in der Aussaatkarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine trait-to-genotype model generator 344 identifies a relationship between a non-machine trait detected or represented in the sensor data 340 at a geographic location corresponding to the sensor data 340 and the genotype values from the seed map 332 corresponding to the same Correspond to the position on the field where the environmental feature was detected or corresponds to it. Based on this relationship established by the non-machine trait to genotype model generator 344, the non-machine trait to genotype model generator 344 generates a predictive agricultural trait model. The predictive agricultural trait model is used by the non-machine trait map generator 352 to predict the non-machine trait at various locations based on the georeferenced genotype value contained in the seeding map 332 at the same locations in the field.

Der Nicht-Maschinenmerkmal-zu-Population-Modellgenerator 346 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, das in den Sensordaten 340 an einer geografischen Position erkannt oder dargestellt wird, die den Sensordaten 340 entspricht, und Pflanzenpopulationswerten aus der Aussaatkarte 332, die derselben Position auf dem Feld entsprechen, an der das Umgebungsmerkmal erkannt wurde oder diesem entspricht. Auf Grundlage dieser Beziehung, die durch den Maschinenmerkmal-zu-Population-Modellgenerator 346 hergestellt wird, erzeugt der Maschinenmerkmal-zu-Population-Modellgenerator 346 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmal-Kartengenerator 354 verwendet, um das Maschinenmerkmal an verschiedenen Positionen im Feld auf Grundlage des georeferenzierten Pflanzenpopulationswerts, der in der Aussaatkarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine trait-to-population model generator 346 identifies a relationship between a non-machine trait detected or represented in the sensor data 340 at a geographic location corresponding to the sensor data 340 and plant population values from the seed map 332 corresponding to the same location on the field correspond to or correspond to the environmental feature detected. Based on this relationship established by machine feature-to-population model generator 346, machine feature-to-population model generator 346 generates a predictive agricultural feature model. The predictive agricultural trait model is used by the non-machine trait map generator 354 to predict the machine trait at various locations in the field based on the georeferenced crop population value contained in the seeding map 332 at the same locations in the field.

Der Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 347 identifiziert eine Beziehung zwischen einem Nicht-Maschinenmerkmal, das in den Sensordaten 340 an einer geografischen Position erkannt oder dargestellt wird, die den Sensordaten 340 entspricht, und den Genotypwerten aus der Aussaatkarte 332, die derselben Position auf dem Feld entsprechen, an der das Umgebungsmerkmal erkannt wurde oder diesem entspricht. Auf Grundlage dieser Beziehung, die durch den Nicht-Maschinenmerkmal-zu-Genotyp-Modellgenerator 347 hergestellt wird, erzeugt der Maschinenmerkmal-zu-Genotyp-Modellgenerator 347 ein prädiktives landwirtschaftliches Merkmalmodell. Das prädiktive landwirtschaftliche Merkmalmodell wird von dem Nicht-Maschinenmerkmal-Kartengenerator 354 verwendet, um das Nicht-Maschinenmerkmal an verschiedenen Positionen auf Grundlage des georeferenzierten Genotypwerts, der in der Aussaatkarte 332 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The non-machine trait-to-genotype model generator 347 identifies a relationship between a non-machine trait detected or represented in the sensor data 340 at a geographic location corresponding to the sensor data 340 and the genotype values from the seed map 332 corresponding to the same Correspond to the position on the field where the environmental feature was detected or corresponds to it. Based on this relationship established by the non-machine trait to genotype model generator 347, the machine trait to genotype model generator 347 generates a predictive agricultural trait model. The predictive agricultural trait model is used by the non-machine trait map generator 354 to predict the non-machine trait at various locations based on the georeferenced genotype value contained in the seeding map 332 at the same locations in the field.

Angesichts des Vorstehenden ist der prädiktive Modellgenerator 210 betreibbar, um eine Vielzahl von prädiktiven landwirtschaftlichen Merkmalmodellen zu erzeugen, wie etwa eines oder mehrere der prädiktiven landwirtschaftlichen Merkmalmodelle, die von den Modellgeneratoren 342, 344, 346, 347 und 348 erzeugt werden. In einem weiteren Beispiel können zwei oder mehr der vorstehend beschriebenen prädiktiven landwirtschaftlichen Merkmalmodelle zu einem einzelnen prädiktiven Merkmalmodell kombiniert werden, das zwei oder mehr von Nicht-Maschinenmerkmalen oder Maschinenmerkmalen auf Grundlage der Aussaatmerkmalwerte an verschiedenen Positionen in dem Feld vorhersagt. Jedes dieser landwirtschaftlichen Merkmalmodelle oder Kombinationen davon wird gemeinsam durch das Merkmalmodell 350 in 4A dargestellt.In view of the foregoing, predictive model generator 210 is operable to generate a variety of predictive agricultural feature models, such as one or more of the predictive agricultural feature models generated by model generators 342, 344, 346, 347, and 348. In another example, two or more of the predictive agricultural feature models described above may be combined into a single predictive feature model that predicts two or more non-machine features or machine features based on the seed feature values at different locations in the field. Each of these agricultural feature models, or combinations thereof, are collectively represented by feature model 350 in 4A shown.

Das prädiktive landwirtschaftliche Merkmalmodell 350 wird dem prädiktiven Kartengenerator 212 bereitgestellt. Im Beispiel von 4A beinhaltet der prädiktive Kartengenerator 212 einen Nicht-Maschinenmerkmal-Kartengenerator 352 und einen Maschinenmerkmal-Kartengenerator 354. In anderen Beispielen kann der prädiktive Kartengenerator 212 zusätzliche, weniger oder andere Kartengeneratoren beinhalten. Somit kann der prädiktive Kartengenerator 212 in einigen Beispielen andere Elemente 358 beinhalten, die andere Arten von Kartengeneratoren beinhalten können, um Merkmalkarten für andere Arten von Merkmalen zu erzeugen. Der Nicht-Maschinenmerkmal-Kartengenerator 352 empfängt das prädiktive landwirtschaftliche Merkmalmodell 350, (das Nicht-Maschinenmerkmale auf Grundlage eines Aussaatmerkmalwerts in der Aussaatkarte 332 vorhersagt) und erzeugt eine funktionelle prädiktive Karte, die das Nicht-Maschinenmerkmal an verschiedenen Positionen in dem Feld vorhersagt.The predictive agricultural feature model 350 is provided to the predictive map generator 212 . In the example of 4A For example, predictive map generator 212 includes a non-machine feature map generator 352 and a machine feature map generator 354. In other examples, predictive map generator 212 may include additional, fewer, or different map generators. Thus, in some examples, the predictive map generator 212 may include other elements 358, which may include other types of map generators to generate feature maps for other types of features. The non-machine trait map generator 352 receives the predictive agricultural trait model 350 (which predicts non-machine traits based on a seed trait value in the seed map 332) and generates a functional predictive map predicting the non-machine trait at various positions in the field.

Der Maschinenmerkmal-Kartengenerator 354 empfängt die Aussaatkarte 332 und das prädiktive Merkmalmodell 350 (das Maschinenmerkmale auf Grundlage eines Aussaatmerkmalwerts in der Aussaatkarte 332 vorhersagt) und erzeugt eine prädiktive Karte, die das Maschinenmerkmal an verschiedenen Positionen in dem Feld vorhersagt.Machine trait map generator 354 receives seed map 332 and predictive feature model 350 (which predicts machine traits based on a seed trait value in seed map 332) and generates a predictive map predicting the machine trait at various locations in the field.

Der prädiktive Kartengenerator 212 gibt eine oder mehrere funktionelle prädiktive landwirtschaftliche Merkmalskarten 360 aus, die prädiktiv für eine oder mehrere Nicht-Maschinenmerkmale oder Maschinenmerkmale sind. Jede der funktionellen prädiktiven landwirtschaftlichen Merkmalkarten 360 sagt das jeweilige landwirtschaftliche Merkmal an verschiedenen Positionen in einem Feld voraus. Jede der erzeugten funktionellen prädiktiven landwirtschaftlichen Merkmalkarten 360 kann dem Steuerzonengenerator 213, dem Steuersystem 214 oder beiden bereitgestellt werden. 2. Der Steuerzonengenerator 213 erzeugt Steuerzonen und integriert diese Steuerzonen in die funktionelle prädiktive Karte, d. h. die prädiktive Karte 360, um eine funktionelle prädiktive Karte 360 mit Steuerzonen herzustellen. Die funktionelle prädiktive Karte 360 (mit oder ohne Steuerzonen) kann dem Steuersystem 214 bereitgestellt werden, das Steuersignale erzeugt, um eines oder mehrere der steuerbaren Teilsysteme 216 auf Grundlage der funktionellen prädiktiven Karte 360 (mit oder ohne Steuerzonen) zu steuern.The predictive map generator 212 outputs one or more functional predictive agricultural feature maps 360 that are predictive of one or more non-machine features or machine features. Each of the functional predictive agricultural trait maps 360 predicts the respective agricultural trait at different positions in a field. Each of the generated functional predictive agricultural feature maps 360 may be provided to control zone generator 213, control system 214, or both. 2. The control zone generator 213 generates control zones and integrates these control zones into the functional predictive map, i. H. the predictive map 360 to produce a functional predictive map 360 with control zones. Functional predictive map 360 (with or without control zones) may be provided to control system 214, which generates control signals to control one or more of controllable subsystems 216 based on functional predictive map 360 (with or without control zones).

4B ist ein Blockdiagramm, das einige Beispiele für Echtzeit- (In-situ-) Sensoren 208 zeigt. Einige der in 4B gezeigten Sensoren oder verschiedene Kombinationen davon können sowohl einen Sensor 336 als auch ein Verarbeitungssystem 338 aufweisen. Einige der möglichen In-situ-Sensoren 208, die in 4B gezeigt werden, sind vorstehend in Bezug auf die vorherigen FIG. gezeigt und beschrieben und sind ähnlich nummeriert. 4B zeigt, dass die In-situ-Sensoren 208 Bedienereingabesensoren 980, Maschinensensoren 982, Ernteguteigenschaftssensoren 984, Feld- und Bodeneigenschaftssensoren 985, Umgebungsmerkmalsensoren 987 beinhalten können, und sie können eine Vielzahl anderer Sensoren 226 beinhalten. Die Nicht-Maschinensensoren 983 beinhalten Bedienereingabesensor(en) 980, Ernteguteigenschaftssensor(en) 984, Feld- und Bodeneigenschaftssensor(en) 985, Umgebungsmerkmalsensor(en) 987 und können auch andere Sensoren 226 beinhalten. Die Bedienereingabesensoren 980 können Sensoren sein, die Bedienereingaben über die Bedienerschnittstellenmechanismen 218 erfassen. Daher können die Bedienereingabesensoren 980 die Benutzerbewegung von Gestängen, Joysticks, einem Lenkrad, Tasten, Drehknöpfen oder Pedalen erfassen. Die Bedienereingabesensoren 980 können auch Benutzerinteraktionen mit anderen Bedienereingabemechanismen erfassen, wie etwa mit einem berührungsempfindlichen Bildschirm, mit einem Mikrofon, auf dem Spracherkennung verwendet wird, oder mit einer Vielzahl anderer Bedienereingabemechanismen. 4B FIG. 12 is a block diagram showing some examples of real-time (in situ) sensors 208. FIG. Some of the in 4B The sensors shown, or various combinations thereof, may include both a sensor 336 and a processing system 338. Some of the possible in situ sensors 208 used in 4B are shown above with respect to the previous FIG. shown and described and are similarly numbered. 4B FIG. 1 shows that the in situ sensors 208 may include operator input sensors 980, machine sensors 982, crop property sensors 984, field and soil property sensors 985, environmental feature sensors 987, and they may include a variety of other sensors 226. The non-machine sensors 983 include operator input sensor(s) 980, crop property sensor(s) 984, field and soil property sensor(s) 985, environmental feature sensor(s) 987, and may include other sensors 226 as well. Operator input sensors 980 may be sensors that detect operator inputs via operator interface mechanisms 218 . Therefore, operator input sensors 980 can detect user movement of linkages, joysticks, a steering wheel, buttons, knobs, or pedals. Operator input sensors 980 may also detect user interactions with other operator input mechanisms, such as a touch-sensitive screen, a microphone that uses speech recognition, or a variety of other operator input mechanisms.

Die Maschinensensoren 982 können unterschiedliche Merkmale der landwirtschaftlichen Erntemaschine 100 erfassen. Wie vorstehend erörtert, können die Maschinensensoren 982 beispielsweise Maschinengeschwindigkeitssensoren 146, einen Abscheider-Verlustsensor 148, eine Reinkornkamera 150, einen nach vorne gerichteten Bilderfassungsmechanismus 151, Verlustsensoren 152 oder einen geografischen Positionssensor 204 beinhalten, von denen Beispiele vorstehend beschrieben sind. Maschinensensoren 982 können auch Maschineneinstellungssensoren 991 beinhalten, die Maschineneinstellungen erfassen. Einige Beispiele für Maschineneinstellungen wurden vorstehend in Bezug auf 1 beschrieben. Der Vorsatzgeräte- (z. B. Erntevorsatz-) Positionssensor 993 kann die Position des Erntevorsatzes 102, der Haspel 164, der Schneidevorrichtung 104 oder anderer Vorsatzgeräte relativ zu dem Rahmen der landwirtschaftlichen Erntemaschine 100 erfassen. Zum Beispiel können die Sensoren 993 die Höhe des Erntevorsatzes 102 über dem Boden erfassen. Die Maschinensensoren 982 können auch Vorsatzgeräte- (z. B. Erntevorsatz-) Ausrichtungssensoren 995 beinhalten. Die Sensoren 995 können die Ausrichtung des Erntevorsatzes 102 relativ zur landwirtschaftlichen Erntemaschine 100 oder relativ zum Boden erfassen. Maschinensensoren 982 können Stabilitätssensoren 997 beinhalten. Die Stabilitätssensoren 997 erfassen eine Oszillation oder Prellbewegung (und Amplitude) der landwirtschaftlichen Erntemaschine 100. Die Maschinensensoren 982 können auch Rückstandeinstellungssensoren 999 beinhalten, die konfiguriert sind, um zu erfassen, ob die landwirtschaftliche Erntemaschine 100 konfiguriert ist, den Rückstand zu zerkleinern, eine Schwade zu erzeugen oder den Rückstand auf andere Weise zu behandeln. Die Maschinensensoren 982 können einen Siebkasten-Gebläsedrehzahlsensor 951 beinhalten, der die Drehzahl des Reinigungsgebläses 120 erfasst. Die Maschinensensoren 982 können konkave Abstandssensoren 953 beinhalten, die den Abstand zwischen dem Rotor 112 und den Dreschkörben 114 an der landwirtschaftlichen Erntemaschine 100 erfassen. Die Maschinensensoren 982 können Häckselspaltensensoren 955 beinhalten, die die Größe der Öffnungen in Häcksler 122 erfassen. Die Maschinensensoren 982 können einen Dreschrotor-Drehzahlsensor 957 beinhalten, der eine Rotordrehzahl des Rotors 112 erfasst. Die Maschinensensoren 982 können einen Rotordrucksensor 959 beinhalten, der den Druck erfasst, der zum Antreiben des Rotors 112 verwendet wird. Die Maschinensensoren 982 können einen Siebabstandssensor 961 beinhalten, der die Größe der Öffnungen im Sieb 124 erfasst. Die Maschinensensoren 982 können einen MOG-Feuchtigkeitssensor 963 beinhalten, der einen Feuchtigkeitsgehalt des MOG erfasst, das die landwirtschaftliche Erntemaschine 100 passiert. Die Maschinensensoren 982 können einen Maschinenausrichtungssensor 965 beinhalten, der die Ausrichtung der landwirtschaftlichen Erntemaschine 100 erfasst. Die Maschinensensoren 982 können Materialvorschubgeschwindigkeitssensoren 967 beinhalten, die die Materialvorschubgeschwindigkeit erfassen, wenn sich das Material durch das Zuführgehäuse 106, den Reinkornelevator 130 oder an anderer Stelle in der landwirtschaftlichen Erntemaschine 100 bewegt. Die Maschinensensoren 982 können Biomassesensoren 969 beinhalten, die die Biomasse erfassen, die sich durch das Zuführgehäuse 106, durch den Abscheider 116 oder an anderer Stelle in der landwirtschaftlichen Erntemaschine 100 bewegt. Die Maschinensensoren 982 können einen Kraftstoffverbrauchssensor 971 beinhalten, Kraftstoffverbrauchsrate der landwirtschaftlichen Erntemaschine 100 über die Zeit erfasst. Die Maschinensensoren 982 können einen Leistungsnutzungssensor 973 beinhalten, der die Leistungsnutzung in der landwirtschaftlichen Erntemaschine 100 erfasst, wie etwa welche Teilsysteme Leistung nutzen, oder die Rate, mit der Teilsysteme Leistung nutzen, oder die Verteilung von Leistung unter den Teilsystemen in der landwirtschaftlichen Erntemaschine 100. Die Maschinensensoren 982 können Reifendrucksensoren 977 beinhalten, die den Luftdruck in den Reifen 144 der landwirtschaftlichen Erntemaschine 100 erfassen. Der Maschinensensor 982 kann eine Vielzahl anderer Maschinenleistungssensoren oder Maschinenmerkmalsensoren beinhalten, die durch Block 975 angezeigt werden. Die Maschinenleistungssensoren und die Maschinenmerkmalsensoren 975 können die Maschinenleistung oder Merkmale der landwirtschaftlichen Erntemaschine 100 erfassen.Machine sensors 982 can sense various characteristics of agricultural harvesting machine 100 . As discussed above, the machine sensors 982 may include, for example, machine speed sensors 146, a separator loss sensor 148, a clean grain camera 150, a forward-looking imaging mechanism 151, loss sensors 152, or a geographic position sensor 204, examples of which are described above. Machine sensors 982 may also include machine setting sensors 991 that sense machine settings. Some examples of machine settings have been given above in relation to 1 described. The header (e.g., header) position sensor 993 may sense the position of the header 102, reel 164, cutter 104, or other header relative to the frame of the agricultural harvesting machine 100. For example, the sensors 993 can detect the height of the header 102 above the ground. Machine sensors 982 may also include header (e.g., header) orientation sensors 995 . The sensors 995 can detect the orientation of the header 102 relative to the agricultural harvester 100 or relative to the ground. Machine sensors 982 may include stability sensors 997 . The stability sensors 997 detect an oscillation or bouncing movement (and amplitude) of the agricultural harvesting machine 100. The machine sensors 982 can also Include residue setting sensors 999 configured to sense whether agricultural harvester 100 is configured to shred the residue, create a windrow, or otherwise treat the residue. The machine sensors 982 may include a shoe fan speed sensor 951 that senses the speed of the cleaning fan 120 . The machine sensors 982 may include concave distance sensors 953 that sense the distance between the rotor 112 and the concaves 114 on the agricultural harvesting machine 100 . Machine sensors 982 may include chopper gap sensors 955 that sense the size of the openings in chopper 122 . The machine sensors 982 may include a threshing rotor speed sensor 957 that senses a rotor speed of the rotor 112 . The engine sensors 982 may include a rotor pressure sensor 959 that senses the pressure used to drive the rotor 112 . The machine sensors 982 may include a wire gap sensor 961 that senses the size of the openings in the wire 124 . Machine sensors 982 may include a MOG moisture sensor 963 that senses a moisture content of MOG that passes agricultural harvester 100 . The machine sensors 982 may include a machine orientation sensor 965 that senses the orientation of the agricultural harvesting machine 100 . Machine sensors 982 may include material feed rate sensors 967 that sense material feed rate as material moves through feeder housing 106, clean grain elevator 130, or elsewhere in agricultural harvesting machine 100. Machine sensors 982 may include biomass sensors 969 that sense biomass moving through feeder housing 106 , through separator 116 , or elsewhere in agricultural harvesting machine 100 . The machine sensors 982 may include a fuel consumption sensor 971 that senses fuel consumption rate of the agricultural harvesting machine 100 over time. Machine sensors 982 may include a power usage sensor 973 that senses power usage in agricultural harvesting machine 100, such as which subsystems are using power, or the rate at which subsystems are using power, or the distribution of power among the subsystems in agricultural harvesting machine 100. Machine sensors 982 may include tire pressure sensors 977 that sense air pressure in tires 144 of agricultural harvesting machine 100 . Machine sensor 982 may include a variety of other machine performance sensors or machine feature sensors, which are indicated by block 975 . The machine performance sensors and the machine feature sensors 975 may sense machine performance or features of the agricultural harvesting machine 100 .

Die Ernteguteigenschaftssensoren 984 können Merkmale des abgetrennten Erntegutmaterials während der Verarbeitung des Ernteguts durch die landwirtschaftliche Erntemaschine 100 erfassen. Die Ernteguteigenschaften können Dinge wie etwa die Art des Ernteguts, die Feuchtigkeit des Ernteguts, die Kornqualität (wie etwa gebrochenes Korn), die MOG-Werte, die Kornbestandteile wie etwa Stärken und Protein, die MOG-Feuchtigkeit und andere Eigenschaften des Erntegutmaterials beinhalten. Andere Sensoren könnten „Zähigkeit“ des Strohs, die Haftung von Mais an den Ähren und andere Merkmale erfassen, die vorteilhaft verwendet werden könnten, um die Verarbeitung für eine bessere Kornerfassung, reduzierte Kornschäden, reduzierten Leistungsverbrauch, reduzierten Kornverlust usw. zu steuern.Crop characteristic sensors 984 may sense characteristics of the separated crop material during processing of the crop by agricultural harvesting machine 100 . Crop properties can include things such as crop type, crop moisture, grain quality (such as broken grain), MOG values, grain components such as starches and protein, MOG moisture, and other properties of the crop material. Other sensors could detect straw "toughness", corn adhesion to heads, and other characteristics that could be advantageously used to control processing for better grain detection, reduced grain damage, reduced power consumption, reduced grain loss, etc.

Die Feld- und Bodeneigenschaftssensoren 985 können die Merkmale des Feldes und des Bodens erfassen. Die Feld- und Bodeneigenschaften können Bodenfeuchtigkeit, Bodenkompaktheit, das Vorhandensein und die Position von stehendem Wasser, Bodentyp und andere Boden- und Feldmerkmale beinhalten.The field and soil feature sensors 985 can detect the characteristics of the field and soil. The field and soil properties can include soil moisture, soil compactness, the presence and location of standing water, soil type, and other soil and field characteristics.

Die Umgebungsmerkmalsensoren 987 können eine oder mehrere Umgebungsmerkmale erfassen. Die Umgebungsmerkmale können Dinge wie Windrichtung und Windgeschwindigkeit, Niederschlag, Nebel, Staubniveau oder andere Verschmutzungen oder andere Umgebungsmerkmale beinhalten.Environmental feature sensors 987 may sense one or more environmental features. The environmental features can include things like wind direction and speed, precipitation, fog, dust levels or other pollution, or other environmental features.

In einigen Beispielen werden einer oder mehrere der in 4B gezeigten Sensoren verarbeitet, um verarbeitete Daten 340 und verwendete Eingaben zum Modellgenerator 210 zu empfangen. Der Modellgenerator 210 erzeugt ein Modell, das die Beziehung zwischen den Sensordaten und einer oder mehreren der Vorab- oder prädiktiven Informationskarten angibt. Das Modell wird dem Kartengenerator 212 bereitgestellt, der eine Karte erzeugt, die prädiktive Sensordatenwerte entsprechend dem Sensor aus 4B oder einem verwandten Merkmal abbildet.In some examples, one or more of the 4B sensors shown to receive processed data 340 and inputs to model generator 210 used. The model generator 210 creates a model that indicates the relationship between the sensor data and one or more of the preliminary or predictive information maps. The model is provided to the map generator 212, which generates a map showing predictive sensor data values corresponding to the sensor 4B or a related feature.

5 ist ein Flussdiagramm eines Beispiels für den Betrieb des prädiktiven Modellgenerators 210 und des prädiktiven Kartengenerators 212 beim Erzeugen des prädiktiven landwirtschaftlichen Merkmalmodells 350 und der funktionellen prädiktiven landwirtschaftlichen Merkmalkarte 360. Bei Block 362 empfangen der prädiktive Modellgenerator 210 und der prädiktive Kartengenerator 212 eine Vorabaussaatkarte 332. Bei Block 364 empfängt das Verarbeitungssystem 338 ein oder mehrere Sensorsignale von In-situ-Sensoren 208, wie etwa einem landwirtschaftlichen Merkmalsensor 336. Wie oben erörtert, kann der landwirtschaftliche Merkmalsensor 336 ein Nicht-Maschinenmerkmalsensor 336 sein, wie durch Block 366 angezeigt; ein Maschinenmerkmalsensor, wie durch Block 368 angezeigt; oder eine andere Art von landwirtschaftlichem Merkmalsensor, wie durch Block 370 angezeigt. 5 is a flowchart of an example of the operation of the predictive model generator 210 and the predictive map generator 212 in generating the predictive agricultural feature model 350 and the functional predictive agricultural feature map 360. At block 362, the predictive model generator 210 and the predictive map generator 212 receive a preseeding map 332. At Block 364 receives this Processing system 338 receives one or more sensor signals from in situ sensors 208, such as agricultural feature sensor 336. As discussed above, agricultural feature sensor 336 may be a non-machine feature sensor 336, as indicated by block 366; a machine feature sensor, as indicated by block 368; or other type of agricultural feature sensor, as indicated by block 370.

Bei Block 372 verarbeitet das Verarbeitungssystem 338 das eine oder die mehreren empfangenen Sensorsignale, um Sensordaten zu erzeugen, die ein in dem einen oder den mehreren Sensorsignalen vorhandenes landwirtschaftliches Merkmal oder ein verwandtes Merkmal anzeigen. Bei Block 374 können die Sensordaten ein oder mehrere Nicht-Maschinenmerkmale anzeigen, die auf einer Position auf dem Feld vorhanden sind oder dieser entsprechen, wie beispielsweise an einer Position vor einem Mähdrescher. In einigen Fällen können die Sensordaten, wie bei Block 376 angezeigt, ein oder mehrere Maschinenmerkmale anzeigen, die an einer Position auf dem Feld vorhanden sind oder dieser entsprechen. In einigen Fällen können die Sensordaten, wie bei Block 380 angezeigt, ein anderes landwirtschaftliches Merkmal anzeigen.At block 372, the processing system 338 processes the received one or more sensor signals to generate sensor data indicative of an agricultural trait or related trait present in the one or more sensor signals. At block 374, the sensor data may indicate one or more non-machine features present at or corresponding to a location in the field, such as a location in front of a combine. In some cases, as indicated at block 376, the sensor data may be indicative of one or more machine characteristics that are present at or correspond to a location in the field. In some cases, as indicated at block 380, the sensor data may be indicative of a different agricultural characteristic.

Bei Block 382 erhält der prädiktive Modellgenerator 210 auch die geografische Position, die den Sensordaten entspricht. Beispielsweise kann der prädiktive Modellgenerator 210 die geografische Position oder eine Angabe der geografischen Position von dem geografischen Positionssensor 204 erhalten und auf Grundlage von Maschinenverzögerungen, Maschinengeschwindigkeit usw. eine genaue geografische Position auf dem Feld bestimmen, der die Sensordaten entsprechen, wie etwa eine genaue geografische Position, an der das Sensorsignal erzeugt wurde oder von der die Sensordaten 340 abgeleitet wurden.At block 382, the predictive model generator 210 also obtains the geographic position corresponding to the sensor data. For example, the predictive model generator 210 may receive the geographic position or an indication of the geographic position from the geographic position sensor 204 and determine an accurate geographic position on the field that corresponds to the sensor data, such as an accurate geographic position, based on machine delays, machine speed, etc , at which the sensor signal was generated or from which the sensor data 340 was derived.

Bei Block 384 erzeugt der prädiktive Modellgenerator 210 ein oder mehrere prädiktive Modelle, wie etwa das prädiktive landwirtschaftliche Merkmalmodell 350, die eine Beziehung zwischen einem Aussaatmerkmalwert, der aus der Aussaatkarte 332 erhalten wird, und einem Merkmal, das durch den In-situ-Sensor 208 erfasst wird oder einem verwandten Merkmal, modellieren. Beispielsweise kann der prädiktive Modellgenerator 210 ein prädiktives landwirtschaftliches Merkmalmodell erzeugen, das eine Beziehung zwischen einem Aussaatmerkmalwert und einem erfassten landwirtschaftlichen Merkmal modelliert, wie etwa ein Nicht-Maschinenmerkmal oder ein Maschinenmerkmal, das durch die Sensordaten angezeigt wird, die von dem In-situ-Sensor 208 erhalten werden, oder ein verwandtes Merkmal.At block 384, the predictive model generator 210 generates one or more predictive models, such as the predictive agricultural trait model 350, that establish a relationship between a seed trait value obtained from the seed map 332 and a trait detected by the in situ sensor 208 is detected or a related feature. For example, the predictive model generator 210 may generate a predictive agricultural feature model that models a relationship between a seed attribute value and a sensed agricultural attribute, such as a non-machine attribute or a machine attribute indicated by the sensor data collected from the in situ sensor 208 can be obtained, or a related feature.

Bei Block 386 wird das prädiktive Modell, wie etwa das prädiktive landwirtschaftliche Merkmalmodell 350, dem prädiktiven Kartengenerator 212 bereitgestellt, der eine funktionelle prädiktive Karte erzeugt, wie etwa die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360, die ein prädiktives landwirtschaftliches Merkmal auf Grundlage der Aussaatkarte oder der georeferenzierten Aussaatmerkmalwerte darin und des prädiktiven landwirtschaftlichen Merkmalmodells 350 abbildet. In einigen Beispielen sagt die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 ein Nicht-Maschinenmerkmal vorher, wie durch Block 388 angezeigt. In einigen Beispielen sagt die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 ein Maschinenmerkmal vorher, wie durch Block 390 angezeigt. In anderen Beispielen sagt die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 andere Elemente vorher, wie durch Block 392 angezeigt. Zum Beispiel kann die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 in anderen Beispielen eine oder mehrere Maschinenmerkmale zusammen mit einem oder mehreren Nicht-Maschinenmerkmalen vorhersagen oder umgekehrt. Ferner kann die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 während des Verlaufs eines landwirtschaftlichen Vorgangs erzeugt werden. Somit wird, wenn sich eine landwirtschaftliche Erntemaschine durch ein Feld bewegt und einen landwirtschaftlicher Vorgang durchführt, die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 erzeugt, während der landwirtschaftliche Vorgang durchgeführt wird.At block 386, the predictive model, such as predictive agricultural trait model 350, is provided to predictive map generator 212, which generates a functional predictive map, such as functional predictive agricultural trait map 360, that includes a predictive agricultural trait based on the seed map or the georeferenced seed trait values therein and the predictive agricultural trait model 350 . In some examples, functional predictive agricultural feature map 360 predicts a non-machine feature, as indicated by block 388 . In some examples, functional predictive agricultural feature map 360 predicts a machine feature, as indicated by block 390 . In other examples, functional predictive agricultural trait map 360 predicts other items, as indicated by block 392 . For example, in other examples, the functional predictive agricultural feature map 360 may predict one or more machine features along with one or more non-machine features, or vice versa. Furthermore, the functional predictive agricultural trait map 360 may be generated during the course of a farming operation. Thus, when an agricultural harvester moves through a field and performs a farming operation, the functional predictive agricultural feature map 360 is generated while the farming operation is being performed.

Bei Block 394 gibt der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 aus. Bei Block 391 gibt der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte zur Präsentation für und zur möglichen Interaktion durch den Bediener 260 aus. Bei Block 393 kann der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte für den Verbrauch durch das Steuersystem 214 konfigurieren. Bei Block 395 kann der prädiktive Kartengenerator 212 dem Steuerzonengenerator 213 auch die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 zur Erzeugung und Integration von Steuerzonen bereitstellen. Bei Block 397 konfiguriert der prädiktive Kartengenerator 212 die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 auch auf andere Weise. Die funktionelle prädiktive landwirtschaftliche Merkmalkarte 360 (mit oder ohne die Steuerzonen) wird dem Steuersystem 214 bereitgestellt. Bei Block 396 generiert das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Merkmalkarte 360 (mit oder ohne Steuerzonen) zu steuern.At block 394 , the predictive map generator 212 outputs the functional predictive agricultural trait map 360 . At block 391, the predictive map generator 212 outputs the functional predictive agricultural feature map for presentation to and possible interaction by the operator 260. At block 393 , the predictive map generator 212 may configure the functional predictive agricultural trait map for the control system 214 to consume. At block 395, the predictive map generator 212 may also provide the functional predictive agricultural feature map 360 to the control zone generator 213 for generation and integration of control zones. At block 397, the predictive map generator 212 configures the functional predictive agricultural trait map 360 in other ways as well. The functional predictive agricultural feature map 360 (with or without the control zones) is provided to the control system 214 . At block 396, the control system 214 generates control signals to control the controllable subsystems 216 based on the predictive feature map 360 (with or without control zones).

Das Steuersystem 214 kann Steuersignale erzeugen, um den Erntevorsatz oder ein oder mehrere andere Maschinenstellglieder 248 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Antriebs-Teilsystem 250 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Lenkungs-Teilsystem 252 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Rückstands-Teilsystem 138 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Maschinenreinigungs-Teilsystem 254 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um den Drescher 110 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Materialhandhabungs-Teilsystem 125 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Erntegutreinigungs-Teilsystem 118 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um das Kommunikationssystem 206 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um die Bedienerschnittstellenmechanismen 218 zu steuern. Das Steuersystem 214 kann Steuersignale erzeugen, um verschiedene andere steuerbare Teilsysteme 256 zu steuern.The control system 214 can generate control signals to control the header or one or more rere other machine actuators 248 to control. Control system 214 may generate control signals to control propulsion subsystem 250 . The control system 214 can generate control signals to control the steering subsystem 252 . Control system 214 may generate control signals to control residue subsystem 138 . The control system 214 can generate control signals to control the machine cleaning subsystem 254 . The control system 214 can generate control signals to control the harvester 110 . Control system 214 may generate control signals to control material handling subsystem 125 . The control system 214 may generate control signals to control the crop cleaning subsystem 118 . The control system 214 can generate control signals to control the communication system 206 . Control system 214 may generate control signals to control operator interface mechanisms 218 . The control system 214 can generate control signals to control various other controllable subsystems 256 .

Somit ist ersichtlich, dass das vorliegende System eine Vorabinformationskarte erstellt, die ein Merkmal, wie etwa einen Aussaatmerkmalwert oder Informationen von einem Vorabbetriebsdurchlauf auf verschiedene Positionen in einem Feld abbildet. Das vorliegende System verwendet auch einen oder mehrere In-situ-Sensoren, die In-situ-Sensordaten erfassen, die ein landwirtschaftliches Merkmal, wie etwa ein Nicht-Maschinenmerkmal, ein Maschinenmerkmal oder ein anderes landwirtschaftliches Merkmal, das durch In-situ-Sensoren erfasst oder durch mithilfe von In-situ-Sensoren erfasste Merkmale angezeigt werden kann, angeben, und erzeugt ein Modell, das eine Beziehung zwischen dem mithilfe des In-situ-Sensors erfassten landwirtschaftlichen Merkmals oder einem verwandten Merkmal und dem in der Vorabinformationskarte abgebildeten Merkmal modelliert. Somit erzeugt das vorliegende System eine funktionelle prädiktive Karte mithilfe eines Modells, In-situ-Daten und einer Vorabinformationskarte und kann die erzeugte funktionelle prädiktive Karte zum Verbrauch durch ein Steuersystem zur Präsentation an einen lokalen oder entfernten Bediener oder einen anderen Benutzer oder beides konfigurieren. Beispielsweise kann das Steuersystem die Karte verwenden, um eines oder mehrere Systeme einer landwirtschaftlichen Erntemaschine zu steuern.Thus, it can be seen that the present system creates a pre-information map that maps a trait, such as a seed trait value or information from a pre-operation run, to various locations in a field. The present system also uses one or more in situ sensors that collect in situ sensor data that captures an agricultural characteristic, such as a non-machine characteristic, a machine characteristic, or another agricultural characteristic that is captured by in situ sensors or may be indicated by features sensed using in situ sensors, and generates a model that models a relationship between the agricultural feature sensed using the in situ sensor or a related feature and the feature depicted in the preliminary information map. Thus, the present system generates a functional predictive map using a model, in situ data, and a pre-information map, and can configure the generated functional predictive map for consumption by a control system for presentation to a local or remote operator or another user, or both. For example, the control system can use the map to control one or more systems of an agricultural harvester.

In der vorliegenden Diskussion wurden Prozessoren und Server erwähnt. In einem Beispiel beinhalten die Prozessoren und Server Computerprozessoren mit zugehörigem Speicher und Zeitschaltungen, die nicht separat dargestellt werden. Die Prozessoren und Server sind funktionelle Teile der Systeme oder Vorrichtungen, zu denen die Prozessoren und Server gehören und durch die sie aktiviert werden, und erleichtern die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.Processors and servers have been mentioned in this discussion. In one example, the processors and servers include computer processors with associated memory and timing circuitry, not shown separately. The processors and servers are functional parts of the systems or devices that the processors and servers belong to and are activated by, and facilitate the functionality of the other components or elements in those systems.

Es wurde auch eine Reihe von Anzeigen der Benutzerschnittstelle diskutiert. Die Anzeigen können mehrere verschiedene Formen annehmen und können mehrere verschiedene benutzergesteuerte Bedienerschnittstellenmechanismen darauf aufweisen. Beispielsweise können die vom Benutzer aktivierbaren Bedienerschnittstellenmechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. beinhalten. Die vom Benutzer betätigbaren Bedienschnittstellenmechanismen können auch auf unterschiedlichste Weise betätigt werden. Zum Beispiel können die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen über Bedienerschnittstellenmechanismen, wie etwa eine Point-and-Ciick-Vorrichtung, ein Trackball oder eine Maus, Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenpads usw., eine virtuelle Tastatur oder andere virtuelle Stellglieder betätigt werden. Wenn der Bildschirm, auf dem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen angezeigt werden, ein berührungsempfindlicher Bildschirm ist, können außerdem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen mit Berührungsgesten betätigt werden. Benutzerbetätigbare Bedienerschnittstellenmechanismen können auch mithilfe von Sprachbefehlen mit der Spracherkennungsfunktionalität betätigt werden. Die Spracherkennung kann mithilfe einer Spracherkennungsvorrichtung, wie etwa eines Mikrofons, und einer Software implementiert werden, die dazu dient, Sprache zu erkennen und Befehle basierend auf der empfangenen Sprache auszuführen.A number of user interface displays were also discussed. The displays can take a number of different forms and can have a number of different user controlled operator interface mechanisms thereon. For example, the user-actuable operator interface mechanisms may include text boxes, check boxes, icons, links, drop-down menus, search boxes, and so on. The user actuatable operator interface mechanisms can also be actuated in a variety of ways. For example, the user actuable operator interface mechanisms may include operator interface mechanisms such as a point-and-ciick device, a trackball or mouse, hardware buttons, switches, a joystick or keyboard, thumb switches or thumbpads, etc., a virtual keyboard or other virtual Actuators are actuated. In addition, when the screen on which the user actuable operator interface mechanisms are displayed is a touch-sensitive screen, the user actuable operator interface mechanisms can be actuated with touch gestures. User actuatable operator interface mechanisms can also be actuated using voice commands with speech recognition functionality. Speech recognition can be implemented using a speech recognition device, such as a microphone, and software operable to recognize speech and execute commands based on the received speech.

Eine Reihe von Datenspeichern wurde ebenfalls erörtert. Es wird darauf hingewiesen, dass die Datenspeicher jeweils in mehrere Datenspeicher aufgeteilt werden können. In einigen Beispielen können einer oder mehrere der Datenspeicher lokal für die auf die Datenspeicher zugreifenden Systeme sein, einer oder mehrere der Datenspeicher können remote von einem den Datenspeicher verwendenden System angeordnet sein, oder ein oder mehrere Datenspeicher können lokal sein, während andere remote sind. All diese Konfigurationen werden durch die vorliegende Offenbarung in Betracht gezogen.A number of data stores were also discussed. It is pointed out that the data stores can each be divided into several data stores. In some examples, one or more of the data stores may be local to systems accessing the data stores, one or more of the data stores may be remote from a system using the data store, or one or more data stores may be local while others are remote. All of these configurations are contemplated by the present disclosure.

Außerdem zeigen die Figuren eine Reihe von Blöcken mit Funktionen, die jedem Block zugeordnet sind. Es wird darauf hingewiesen, dass weniger Blöcke verwendet werden können, um zu veranschaulichen, dass die Funktionalität, die mehreren verschiedenen Blöcken zugewiesen wird, von weniger Komponenten ausgeführt wird. Es können auch mehr Blöcke verwendet werden, die veranschaulichen, dass die Funktionalität auf mehrere Komponenten verteilt sein kann. In verschiedenen Beispielen können einige Funktionen hinzugefügt und einige entfernt werden.In addition, the figures show a series of blocks with functions associated with each block. It is noted that fewer blocks may be used to illustrate that functionality assigned to multiple different blocks is performed by fewer components. It can too more blocks are used to illustrate that functionality can be distributed across multiple components. In different examples, some functionality may be added and some may be removed.

Es ist zu beachten, dass die vorstehende Erörterung eine Vielzahl unterschiedlicher Systeme, Komponenten, Logiken und Interaktionen beschrieben hat. Es versteht sich, dass beliebige oder alle solcher Systeme, Komponenten, Logiken und Interaktionen durch Hardwareelemente, wie etwa Prozessoren, Speicher oder andere Verarbeitungskomponenten, umgesetzt werden können, von denen einige im Folgenden beschrieben werden, die die mit diesen Systemen, Komponenten, Logiken oder Interaktionen verbundenen Funktionen ausführen. Darüber hinaus können beliebige oder alle Systeme, Komponenten, Logiken und Interaktionen durch Software implementiert werden, die in einen Speicher geladen werden und anschließend von einem Prozessor oder Server oder einer anderen Rechnerkomponente ausgeführt werden, wie nachfolgend beschrieben. Jedes oder alle Systeme, Komponenten, Logiken und Interaktionen können auch durch verschiedene Kombinationen von Hardware, Software, Firmware usw. umgesetzt werden, von denen einige Beispiele nachfolgend beschrieben werden. Dies sind einige Beispiele für verschiedene Strukturen, die zur Implementierung beliebiger oder aller der oben beschriebenen Systeme, Komponenten, Logiken und Interaktionen verwendet werden können. Es können auch andere Strukturen verwendet werden.It should be noted that the foregoing discussion has described a variety of different systems, components, logic, and interactions. It is understood that any or all such systems, components, logic, and interactions may be implemented by hardware elements, such as processors, memory, or other processing components, some of which are described below, that are associated with such systems, components, logic, or perform functions related to interactions. In addition, any or all of the systems, components, logic, and interactions may be implemented by software loaded into memory and then executed by a processor or server or other computing component, as described below. Any or all of the systems, components, logic, and interactions may also be implemented through various combinations of hardware, software, firmware, etc., some examples of which are described below. These are some examples of different structures that can be used to implement any or all of the systems, components, logic, and interactions described above. Other structures can also be used.

6 ist ein Blockdiagramm der landwirtschaftlichen Erntemaschine 600, die der in 2 gezeigten landwirtschaftlichen Erntemaschine 100 ähnlich sein kann. Die landwirtschaftliche Erntemaschine 600 kommuniziert mit Elementen in einer Remote-Serverarchitektur 500. In einigen Beispielen stellt die Remote-Serverarchitektur 500 Rechen-, Software-, Datenzugriffs- und Speicherdienste bereit, die keine Kenntnisse des Endbenutzers über den physischen Standort oder die Konfiguration des Systems erfordern, das die Dienste bereitstellt. In verschiedenen Beispielen können Remote-Server die Dienste über ein Weitverkehrsnetzwerk, wie etwa das Internet, unter Verwendung geeigneter Protokolle bereitstellen. So können beispielsweise Remote-Serveranwendungen über ein Weitverkehrsnetzwerk bereitstellen und über einen Webbrowser oder eine andere Computerkomponente darauf zugreifen. Software oder Komponenten, die in 2 gezeigt sind, sowie damit verbundene Daten können auf Servern an einem Remote-Standort gespeichert werden. Die Computerressourcen in einer Remote-Serverumgebung können an einem Remote-Standort des Rechenzentrums konsolidiert oder an eine Vielzahl von Remote-Rechenzentren verteilt werden. Remote-Server-Infrastrukturen können Dienste über gemeinsam genutzte Rechenzentren bereitstellen, obwohl die Dienste für den Benutzer als ein einziger Zugangspunkt erscheinen. Somit können die hierin beschriebenen Komponenten und Funktionen von einem Remote-Server an einem Remote-Standort über eine Remote-Server-Architektur bereitgestellt werden. Alternativ können die Komponenten und Funktionen von einem Server bereitgestellt werden, oder die Komponenten und Funktionen können direkt oder auf andere Weise auf Endgeräten installiert werden. 6 12 is a block diagram of agricultural harvester 600 used in FIG 2 shown agricultural harvesting machine 100 may be similar. Agricultural harvester 600 communicates with elements in a remote server architecture 500. In some examples, remote server architecture 500 provides computing, software, data access, and storage services that do not require end-user knowledge of the physical location or configuration of the system that provides the Services. In various examples, remote servers may provide the services over a wide area network, such as the Internet, using appropriate protocols. For example, remote server applications can be deployed over a wide area network and accessed through a web browser or other computer component. Software or components included in 2 shown and related data may be stored on servers at a remote location. The computing resources in a remote server environment can be consolidated at a remote data center site or distributed to a variety of remote data centers. Remote server infrastructures can provide services across shared data centers, although the services appear to the user as a single point of entry. Thus, the components and functions described herein can be provided from a remote server at a remote site via a remote server architecture. Alternatively, the components and functions may be provided by a server, or the components and functions may be installed directly or otherwise on end devices.

In dem in 6 dargestellten Beispiel sind einige Elemente einigen der in 2 gezeigten Elemente ähnlich und diese Elemente sind ähnlich nummeriert. 6 zeigt insbesondere, dass sich der prädiktive Modellgenerator 210 oder der prädiktive Kartengenerator 212 oder beide an einem Serverstandort 502 befinden können, der entfernt von der landwirtschaftlichen Erntemaschine 600 ist. Daher greift in dem in 6 gezeigten Beispiel die landwirtschaftliche Erntemaschine 600 über den Remote-Serverstandort 502 auf Systeme zu.in the in 6 example shown are some elements of some of the in 2 items shown are similar and those items are numbered similarly. 6 FIG. 12 specifically shows that the predictive model generator 210 or the predictive map generator 212 or both may be located at a server location 502 that is remote from the agricultural harvester 600. FIG. Therefore engages in the in 6 For example, as shown, agricultural harvester 600 approaches systems via remote server location 502 .

6 zeigt auch ein weiteres Beispiel für eine Remote-Serverarchitektur. 6 zeigt, dass einige Elemente von 2 an einem Remote-Serverstandort 502 angeordnet sein können, während sich andere woanders befinden können. So kann beispielsweise der Datenspeicher 202 an einem von Standort 502 getrennten Standort angeordnet sein und es kann über den Remote-Server an Standort 502 darauf zugegriffen werden. Unabhängig davon, wo sich die Elemente befinden, kann direkt auf die Elemente von der landwirtschaftlichen Erntemaschine 600 über ein Netzwerk wie etwa ein Weitverkehrsnetzwerk oder ein lokales Netzwerk zugegriffen werden; die Elemente können an einem Remote-Standort von einem Dienst gehostet werden; oder die Elemente können als Dienst bereitgestellt werden oder über einen Verbindungsdienst, der sich an einem entfernten Standort befindet, darauf zugegriffen werden. Außerdem können Daten an jedem Standort gespeichert werden und die gespeicherten Daten können von Bedienern, Benutzern oder Systemen abgerufen oder an diese weitergeleitet werden. So können beispielsweise physikalische Träger anstelle oder zusätzlich zu elektromagnetischen Strahlungsträgern verwendet werden. In einigen Beispielen, in denen die Netzabdeckung schlecht oder nicht vorhanden ist, kann eine andere Maschine, z. B. ein Tankwagen oder eine andere mobile Maschine oder ein anderes Fahrzeug, über ein automatisches, halbautomatisches oder manuelles System zur Informationserfassung verfügen. Wenn sich der Mähdrescher 600 vor dem Betanken in die Nähe der Maschine begibt, die das Informationserfassungssystem enthält, wie etwa einen Tankwagen, erfasst das Informationserfassungssystem die Informationen von dem Mähdrescher 600 über eine beliebige drahtlose Ad-hoc-Verbindung. Die gesammelten Informationen können dann an ein anderes Netzwerk weitergeleitet werden, wenn die Maschine, die die empfangenen Informationen enthält, einen Ort erreicht, an dem eine drahtlose Telekommunikationsdienstabdeckung oder eine andere drahtlose Abdeckung verfügbar ist. So kann beispielsweise ein Tankwagen in einen Bereich einfahren, der über eine drahtlose Kommunikationsabdeckung verfügt, wenn er zum Betanken anderer Maschinen an einen Ort fährt oder wenn er sich an einem Haupttanklager befindet. Alle diese Architekturen werden hierin betrachtet. Darüber hinaus können die Informationen in der landwirtschaftlichen Erntemaschine 600 gespeichert werden, bis die landwirtschaftliche Erntemaschine 600 einen Bereich mit drahtloser Kommunikationsabdeckung erreicht. Die landwirtschaftliche Erntemaschine 600 selbst kann die Informationen an ein anderes Netzwerk senden. 6 also shows another example of a remote server architecture. 6 shows that some elements of 2 may be located at a remote server location 502 while others may be located elsewhere. For example, data store 202 may be located at a separate site from site 502 and accessed through the remote server at site 502 . Regardless of where the elements are located, the elements can be accessed directly by the agricultural harvester 600 over a network, such as a wide area network or a local area network; the items may be hosted at a remote location by a service; or the items may be provided as a service or accessed via a connection service located at a remote location. In addition, data can be stored at any location and the stored data can be retrieved or forwarded to operators, users or systems. For example, physical carriers can be used instead of or in addition to electromagnetic radiation carriers. In some examples where network coverage is poor or non-existent, another machine, e.g. a tank truck or other mobile machine or vehicle, have an automatic, semi-automatic or manual information collection system. When the combine 600 gets close to the machine containing the information gathering system, such as a tanker truck, prior to refueling, the information gathering system gathers the information from the combine 600 via any one wireless ad hoc connection. The information collected may then be forwarded to another network when the machine containing the received information reaches a location where wireless telecommunications service coverage or other wireless coverage is available. For example, a fuel truck may enter an area that has wireless communications coverage when it is traveling to a location to fuel other machines, or when it is at a main fuel depot. All of these architectures are considered herein. Furthermore, the information may be stored in the agricultural harvester 600 until the agricultural harvester 600 reaches an area of wireless communication coverage. The agricultural harvester 600 itself can send the information to another network.

Es wird auch darauf hingewiesen, dass die Elemente von 2 oder Teile davon auf einer Vielzahl von unterschiedlichen Vorrichtungen angeordnet sein können. Eine oder mehrere dieser Vorrichtungen können einen Bordcomputer, eine elektronische Steuereinheit, eine Anzeigeeinheit, einen Server, einen Desktopcomputer, einen Laptop-Computer, einen Tablet-Computer oder eine andere mobile Vorrichtung beinhalten, wie etwa einen Palmtop-Computer, ein Mobiltelefon, ein Smartphone, einen Multimediaplayer, einen persönlichen digitalen Assistenten usw.It is also noted that the elements of 2 or portions thereof may be located on a variety of different devices. One or more of these devices may include an on-board computer, electronic control unit, display unit, server, desktop computer, laptop computer, tablet computer, or other mobile device, such as a palmtop computer, a mobile phone, a smartphone , a multimedia player, a personal digital assistant, etc.

In einigen Beispielen kann die Remote-Serverarchitektur 500 Cybersicherheitsmaßnahmen beinhalten. Ohne Einschränkung können diese Maßnahmen eine Verschlüsselung von Daten auf Speichervorrichtungen, eine Verschlüsselung von Daten, die zwischen Netzwerkknoten gesendet werden, eine Authentifizierung von Personen oder Prozessen, die auf Daten zugreifen, sowie die Verwendung von Hauptbüchern zum Aufzeichnen von Metadaten, Daten, Datenübertragungen, Datenzugriffen und Datentransformationen beinhalten. In einigen Beispielen können die Hauptbücher verteilt und unveränderlich sein (z. B. als Blockchain implementiert).In some examples, the remote server architecture 500 may include cyber security measures. Without limitation, these measures may include encryption of data on storage devices, encryption of data sent between network nodes, authentication of individuals or processes accessing data, and use of ledgers to record metadata, data, data transfers, data access and involve data transformations. In some examples, the ledgers may be distributed and immutable (eg, implemented as a blockchain).

7 ist ein vereinfachtes Blockdiagramm eines veranschaulichenden Beispiels einer tragbaren oder mobilen Computervorrichtung, das als tragbares Endgerät 16 eines Benutzers oder Kunden verwendet werden kann, in der das vorliegende System (oder Teile davon) eingesetzt werden kann. So kann beispielsweise eine mobile Vorrichtung in der Fahrerkabine der landwirtschaftlichen Erntemaschine 100 eingesetzt werden, um die oben erörterten Karten zu erzeugen, zu verarbeiten oder anzuzeigen. Die 8-9 sind Beispiele für tragbare oder mobile Vorrichtungen. 7 16 is a simplified block diagram of an illustrative example of a portable or mobile computing device that may be used as a user's or customer's portable terminal 16 in which the present system (or portions thereof) may be deployed. For example, a mobile device may be deployed in the cab of agricultural harvester 100 to generate, process, or display the maps discussed above. the 8-9 are examples of portable or mobile devices.

7 stellt ein allgemeines Blockdiagramm der Komponenten einer Endgerät-Vorrichtung 16 bereit, die einige der in 2 dargestellten Komponenten ausführen kann, die mit ihnen interagieren, oder beides. In der Vorrichtung 16 ist eine Kommunikationsverbindung 13 bereitgestellt, die es der tragbaren Vorrichtung ermöglicht, mit anderen Computervorrichtungen zu kommunizieren, und unter einigen Beispielen einen Kanal zum automatischen Empfangen von Informationen, beispielsweise durch Scannen, bereitstellt. Beispiele für Kommunikationsverbindungen 13 beinhalten das Zulassen der Kommunikation über ein oder mehrere Kommunikationsprotokolle, wie etwa drahtlose Dienste, die verwendet werden, um einen zellularen Zugang zu einem Netzwerk zu ermöglichen, sowie Protokolle, die lokale drahtlose Verbindungen zu Netzwerken bereitstellen. 7 provides a general block diagram of the components of a terminal device 16, including some of the 2 components shown that interact with them, or both. A communications link 13 is provided in device 16, enabling the portable device to communicate with other computing devices and, in some examples, providing a channel for automatically receiving information, such as by scanning. Examples of communication links 13 include allowing communication over one or more communication protocols, such as wireless services used to provide cellular access to a network, and protocols that provide local wireless connections to networks.

In anderen Beispielen können Anwendungen auf einer entfernbaren „Secure Digital“-(SD-)Karte empfangen werden, die mit einer Schnittstelle 15 verbunden ist. Die Schnittstelle 15 und die Kommunikationsverbindungen 13 kommunizieren mit einem Prozessor 17 (der auch die Prozessoren oder Server aus den anderen FIG. verkörpern kann) über einen Bus 19, der ebenfalls mit dem Speicher 21 und den Ein-/Ausgabekomponenten (E/A) 23 sowie dem Taktgeber 25 und dem Ortungssystem 27 verbunden ist.In other examples, applications may be received on a removable Secure Digital (SD) card connected to an interface 15 . Interface 15 and communications links 13 communicate with a processor 17 (which may also embody the processors or servers of the other FIGS.) via a bus 19 which is also connected to memory 21 and input/output (I/O) components 23 and the clock 25 and the locating system 27 is connected.

E/A-Komponenten 23 sind in einem Beispiel vorgesehen, um Ein- und Ausgabeoperationen zu erleichtern. E/A-Komponenten 23 für verschiedene Beispiele des Endgeräts 16 können Eingabekomponenten, wie etwa Tasten, Tastsensoren, optische Sensoren, Mikrofone, Touchscreens, Näherungssensoren, Beschleunigungssensoren, Orientierungssensoren, und Ausgabekomponenten, wie etwa eine Anzeigevorrichtung, ein Lautsprecher und/oder ein Druckeranschluss beinhalten. Es können auch andere E/A-Komponenten 23 verwendet werden.I/O components 23 are provided in one example to facilitate input and output operations. I/O components 23 for various examples of terminal device 16 may include input components such as buttons, tactile sensors, optical sensors, microphones, touch screens, proximity sensors, accelerometer sensors, orientation sensors, and output components such as a display, speaker, and/or printer port . Other I/O components 23 can also be used.

Die Uhr 25 umfasst veranschaulichend eine Echtzeituhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Dieser kann auch, veranschaulichend, Timing-Funktionen für Prozessor 17 bereitstellen.Clock 25 illustratively includes a real-time clock component that outputs a time and date. This may also provide timing functions for processor 17, illustratively.

Das Ortungssystem 27 beinhaltet veranschaulichend eine Komponente, die eine aktuelle geografische Position des Geräts 16 ausgibt. Dies kann beispielsweise einen globalen Positionierungssystem-(GPS-)Empfänger, ein LORAN-System, ein Koppelnavigationssystem, ein zellulares Triangulationssystems oder ein anderes Positionierungssystems beinhalten. Das Ortungssystem 27 kann beispielsweise auch eine Karten- oder Navigationssoftware beinhalten, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen erzeugt.The location system 27 illustratively includes a component that outputs a current geographic position of the device 16 . This may include, for example, a global positioning system (GPS) receiver, a LORAN system, a dead reckoning system, a cellular triangulation system, or other positioning system. The positioning system 27 can, for example, also contain map or navigation software, the desired maps, Naviga tion routes and other geographic features.

Der Speicher 21 speichert das Betriebssystem 29, die Netzwerkeinstellungen 31, die Anwendungen 33, die Anwendungskonfigurationseinstellungen 35, den Datenspeicher 37, die Kommunikationstreiber 39 und die Kommunikationskonfigurationseinstellungen 41. Der Speicher 21 kann alle Arten von greifbaren flüchtigen und nichtflüchtigen computerlesbaren Speichervorrichtungen beinhalten. Der Speicher 21 kann auch Computerspeichermedien beinhalten (siehe unten). Der Speicher 21 speichert computerlesbare Anweisungen, die, wenn sie von Prozessor 17 ausgeführt werden, den Prozessor veranlassen, computerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor 17 kann von anderen Komponenten aktiviert werden, um auch deren Funktionalität zu verbessern.Memory 21 stores operating system 29, network settings 31, applications 33, application configuration settings 35, data storage 37, communication drivers 39, and communication configuration settings 41. Memory 21 may include all types of tangible volatile and non-volatile computer-readable storage devices. Memory 21 may also include computer storage media (see below). Memory 21 stores computer-readable instructions that, when executed by processor 17, cause the processor to perform computer-implemented steps or functions in accordance with the instructions. The processor 17 can be activated by other components to enhance their functionality as well.

8 zeigt ein Beispiel, bei dem das Gerät 16 ein Tablet-Computer 600 ist. In 8 wird der Computer 600 mit dem Bildschirm 602 der Benutzerschnittstelle dargestellt. Der Bildschirm 602 kann ein Touchscreen oder eine stiftfähige Schnittstelle sein, die Eingaben von einem Stift oder Stylus empfängt. Der Tablet-Computer 600 kann auch eine virtuelle Bildschirmtastatur verwenden. Natürlich kann der Computer 600 auch über einen geeigneten Befestigungsmechanismus, wie etwa eine drahtlose Verbindung oder einen USB-Anschluss, an eine Tastatur oder eine andere Benutzereingabevorrichtung angeschlossen werden. Der Computer 600 kann auch illustrativ Spracheingaben empfangen. 8th FIG. 12 shows an example where the device 16 is a tablet computer 600. FIG. In 8th the computer 600 is shown with the user interface screen 602 . The screen 602 can be a touch screen or a pen-enabled interface that receives input from a pen or stylus. The tablet computer 600 can also use a virtual on-screen keyboard. Of course, the computer 600 can also be connected to a keyboard or other user input device via any suitable attachment mechanism, such as a wireless connection or a USB port. Computer 600 may also illustratively receive voice input.

9 ist ähnlich der 8 mit der Ausnahme, dass das Gerät ein Smartphone 71 ist. Das Smartphone 71 verfügt über ein berührungsempfindliches Display 73, das Symbole oder Grafiken oder andere Benutzereingabemechanismen 75 anzeigt. Die Mechanismen 75 können von einem Benutzer verwendet werden, um Anwendungen auszuführen, Anrufe zu tätigen, Datenübertragungsvorgänge durchzuführen usw. Im Allgemeinen ist das Smartphone 71 auf einem mobilen Betriebssystem aufgebaut und bietet eine fortschrittlichere Rechenleistung und Konnektivität als ein Funktionstelefon. 9 is similar to that 8th except that the device is a smartphone 71 . The smartphone 71 has a touch-sensitive display 73 that displays icons or graphics or other user input mechanisms 75 . The mechanisms 75 can be used by a user to run applications, make calls, perform data transfer operations, etc. In general, the smartphone 71 is built on top of a mobile operating system and offers more advanced computing power and connectivity than a feature phone.

Es ist zu beachten, dass andere Formen der Vorrichtungen 16 möglich sind.It should be noted that other shapes of devices 16 are possible.

10 ist ein Beispiel für eine Computerumgebung, in der Elemente von 2 eingesetzt werden können. Unter Bezugnahme auf 10 beinhaltet ein beispielhaftes System zur Implementierung einiger Ausführungsformen eine Rechenvorrichtung in Form eines Computers 810, der programmiert ist, um wie oben erörtert zu arbeiten. Die Komponenten des Computers 810 können, ohne hierauf beschränkt zu sein, unter anderem eine Verarbeitungseinheit 820 (die Prozessoren oder Server aus den vorstehenden FIGUREN beinhalten kann), einen Systemspeicher 830 und einen Systembus 821 umfassen, die verschiedene Systemkomponenten einschließlich des Systemspeichers mit der Verarbeitungseinheit 820 koppeln. Der Systembus 821 kann eine von mehreren Arten von Busstrukturen sein, einschließlich eines Speicherbusses oder einer Speichersteuerung, eines Peripheriebusses und eines lokalen Busses mit einer Vielzahl von Busarchitekturen. Speicher und Programme, die in Bezug auf 2 beschrieben werden, können in entsprechenden Teilen von 10 eingesetzt werden. 10 is an example of a computing environment in which elements of 2 can be used. With reference to 10 An exemplary system for implementing some embodiments includes a computing device in the form of a computer 810 programmed to operate as discussed above. The components of the computer 810 may include, but are not limited to, a processing unit 820 (which may include processors or servers from the preceding FIGURES), a system memory 830, and a system bus 821 that connects various system components including the system memory to the processing unit 820 couple. The system bus 821 can be any of several types of bus structures, including a memory bus or memory controller, a peripheral bus, and a local bus with a variety of bus architectures. Memory and programs related to 2 may be described in appropriate parts of 10 be used.

Der Computer 810 beinhaltet typischerweise mehrere computerlesbare Medien. Computerlesbare Medien können beliebige verfügbare Medien sein, auf die der Computer 810 zugreifen kann, und umfassen sowohl flüchtige als auch nichtflüchtige Medien, entfernbare und nicht entfernbare Medien. Beispielsweise und nicht einschränkend können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen. Computerspeichermedien unterscheiden sich von einem modulierten Datensignal oder einer Trägerwelle und beinhalten diese nicht. Computerlesbare Medien umfassen Hardware-Speichermedien mit flüchtigen und nichtflüchtigen, entfernbaren und nicht entfernbaren Medien, die in einem beliebigen Verfahren oder einer Technologie für die Speicherung von Informationen, wie etwa computerlesbaren Befehlen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert sind. Rechenspeichermedien umfassen, aber sie sind nicht beschränkt auf RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologie, CD-ROM, Digitalversatile-Disks (DVD) oder andere optische Plattenspeicher, Magnetkassetten, -bänder, -plattenspeicher oder andere magnetische Speichergeräte oder jedes andere Medium, das verwendet werden kann, um die gewünschte Information zu speichern, auf die über den Rechner 810 zugegriffen werden kann. Kommunikationsmedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus enthalten und umfassen alle Informationslieferungsmedien. Der Begriff „moduliertes Datensignal“ bezeichnet ein Signal, bei dem eine oder mehrere seiner Merkmale so eingestellt oder geändert werden, dass Informationen in dem Signal codiert werden.Computer 810 typically includes a variety of computer-readable media. Computer-readable media can be any available media that can be accessed by the computer 810 and includes both volatile and non-volatile media, removable and non-removable media. By way of example and not limitation, computer-readable media can include computer storage media and communications media. Computer storage media is distinct from and does not include a modulated data signal or carrier wave. Computer-readable media includes hardware storage media, having volatile and non-volatile, removable and non-removable media, implemented in any method or technology for storage of information, such as computer-readable instructions, data structures, program modules, or other data. Computational storage media includes, but is not limited to, RAM, ROM, EEPROM, flash memory or other storage technology, CD-ROM, digital versatile disk (DVD) or other optical disk storage, magnetic cartridge, tape, disk storage or other magnetic storage device, or any other medium that can be used to store the desired information accessible via computer 810. Communication media may contain computer-readable instructions, data structures, program modules, or other data in a transport mechanism and includes any information delivery media. The term "modulated data signal" means a signal that has one or more of its characteristics adjusted or altered to encode information in the signal.

Der Systemspeicher 830 beinhaltet Computerspeichermedien in Form eines flüchtigen und/oder nichtflüchtigen Speichers oder beider, wie etwa Festwertspeicher (ROM) 831 und Direktzugriffsspeicher (RAM) 832. Ein grundlegendes Ein-/Ausgabesystem 833 (BIOS), das die grundlegenden Programme enthält, die helfen, Informationen zwischen den Elementen innerhalb des Computers 810 zu übertragen, wie etwa beim Starten, wird typischerweise im ROM 831 gespeichert. Der RAM 832 enthält typischerweise Daten- oder Programmmodule oder beide, die für die Verarbeitungseinheit 820 unmittelbar zugänglich sind und/oder derzeit betrieben werden. Beispielsweise und nicht einschränkend zeigt 10 das Betriebssystem 834, die Anwendungsprogramme 835, weitere Programmmodule 836 und die Programmdaten 837.System memory 830 includes computer storage media in the form of volatile and/or non-volatile memory, or both, such as read-only memory (ROM) 831 and random access memory (RAM) 832. A basic input/output system 833 (BIOS) that contains the basic programs that help to transfer information between elements within the computer 810, such as such as at startup, is typically stored in ROM 831. RAM 832 typically contains data or program modules, or both, that are immediately accessible to processing unit 820 and/or are currently operating. By way of example and not by way of limitation 10 the operating system 834, the application programs 835, further program modules 836 and the program data 837.

Der Computer 810 kann auch andere entfernbare/nicht-entfernbare flüchtige/nichtflüchtige Computerspeichermedien beinhalten. Beispielsweise wird in 10 ein Festplattenlaufwerk 841 nur beispielhaft veranschaulicht, das von nicht entfernbaren, nichtflüchtigen magnetischen Medien, einem optischen Plattenlaufwerk 855 und einer nichtflüchtigen optischen Platte 856 liest oder darauf schreibt. Das Festplattenlaufwerk 841 ist typischerweise über eine nichtentfernbare Speicherschnittstelle, wie etwa die Schnittstelle 840, mit dem Systembus 821 verbunden, und das optische Plattenlaufwerk 855 sind typischerweise über eine entfernbare Speicherschnittstelle, wie etwa die Schnittstelle 850, mit dem Systembus 821 verbunden.Computer 810 may also include other removable/non-removable volatile/non-volatile computer storage media. For example, in 10 illustrates a hard disk drive 841, by way of example only, reading from or writing to non-removable, non-volatile magnetic media, an optical disk drive 855, and a non-volatile optical disk 856. Hard disk drive 841 is typically connected to system bus 821 via a non-removable storage interface, such as interface 840, and optical disk drive 855 is typically connected to system bus 821 via a removable storage interface, such as interface 850.

Alternativ oder zusätzlich kann die hierin beschriebene Funktionalität mindestens teilweise durch eine oder mehrere Hardware-Logikkomponenten ausgeführt werden. Zu den veranschaulichenden Arten von Hardware-Logikkomponenten, die verwendet werden können, gehören beispielsweise feldprogrammierbare Gate-Arrays (FPGAs), Applikations-spezifische integrierte Schaltungen (z. B. ASICs), Applikations-spezifische Standardprodukte (z. B. ASSPs), System-on-a-Chip-Systeme (SOCs), „Complex Programmable Logic Devices“ (CPLDs) usw.Alternatively or additionally, the functionality described herein may be performed at least in part by one or more hardware logic components. Illustrative types of hardware logic components that may be used include, for example, field-programmable gate arrays (FPGAs), application-specific integrated circuits (e.g., ASICs), off-the-shelf application-specific products (e.g., ASSPs), system -on-a-chip systems (SOCs), "Complex Programmable Logic Devices" (CPLDs), etc.

Die Laufwerke und die dazugehörigen Computerspeichermedien, die vorstehend erläutert und in 10 veranschaulicht wurden, stellen Speicherplatz von computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und anderen Daten für den Computer 810 bereit. In 10 wird beispielsweise die Festplatte 841 als speicherndes Betriebssystem 844, Anwendungsprogramme 845, andere Programmmodule 846 und Programmdaten 847 dargestellt. Es ist zu beachten, dass diese Komponenten entweder gleich oder verschieden vom Betriebssystem 834, den Anwendungsprogrammen 835, anderen Programmmodulen 836 und den Programmdaten 837 sein können.The drives and associated computer storage media discussed above and in 10 , provide storage for computer 810 of computer-readable instructions, data structures, program modules, and other data. In 10 For example, the hard disk 841 is shown as the storing operating system 844, application programs 845, other program modules 846 and program data 847. It should be noted that these components may be either the same as or different from the operating system 834, application programs 835, other program modules 836, and program data 837.

Ein Benutzer kann Befehle und Informationen in den Computer 810 über Eingabegeräte, wie etwa eine Tastatur 862, ein Mikrofon 863 und ein Zeigegerät 861, wie etwa eine Maus, einen Trackball oder ein Touchpad, eingeben. Andere Eingabevorrichtungen (nicht dargestellt) können einen Joystick, ein Gamepad, eine Satellitenschüssel, einen Scanner oder dergleichen beinhalten. Diese und andere Eingabegeräte sind oft über eine Benutzereingabeschnittstelle 860 mit der Verarbeitungseinheit 820 verbunden, die mit dem Systembus gekoppelt ist, aber auch über andere Schnittstellen- und Busstrukturen verbunden sein kann. Eine optische Anzeige 891 oder eine andere Art von Anzeigevorrichtung ist ebenfalls über eine Schnittstelle, wie etwa eine Videoschnittstelle 890, mit dem Systembus 821 verbunden. Zusätzlich zum Monitor können Computer auch andere periphere Ausgabevorrichtungen, wie etwa die Lautsprecher 897 und den Drucker 896 beinhalten, die über eine Ausgabeperipherieschnittstelle 895 verbunden werden können.A user may enter commands and information into the computer 810 through input devices such as a keyboard 862, a microphone 863, and a pointing device 861 such as a mouse, trackball, or touchpad. Other input devices (not shown) may include a joystick, gamepad, satellite dish, scanner, or the like. These and other input devices are often connected to the processing unit 820 via a user input interface 860, which is coupled to the system bus, but may also be connected via other interface and bus structures. A visual display 891 or other type of display device is also connected to the system bus 821 via an interface such as a video interface 890 . In addition to the monitor, computers may also include other peripheral output devices, such as speakers 897 and printer 896, which may be connected via an output peripheral interface 895.

Der Computer 810 wird in einer Netzwerkumgebung über logische Verbindungen (wie etwa CAN, LAN oder WAN) zu einem oder mehreren entfernten Computern, wie etwa einem entfernten Computer 880, betrieben.Computer 810 operates in a network environment via logical connections (such as CAN, LAN, or WAN) to one or more remote computers, such as remote computer 880.

Bei Verwendung in einer LAN-Netzwerkumgebung ist der Computer 810 über eine Netzwerkschnittstelle oder einen Adapter 870 mit dem LAN 871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung beinhaltet der Computer 810 typischerweise ein Modem 872 oder andere Mittel zum Aufbauen einer Kommunikation über das WAN 873, wie etwa das Internet. In einer vernetzten Umgebung können Programmmodule auf einer externen Speichervorrichtung gespeichert werden. 10 zeigt zum Beispiel, dass Remote-Anwendungsprogramme 885 auf dem Remote-Computer 880 liegen können.When used in a LAN network environment, the computer 810 is connected to the LAN 871 via a network interface or adapter 870 . When used in a WAN network environment, the computer 810 typically includes a modem 872 or other means for establishing communication over the WAN 873, such as the Internet. In a networked environment, program modules may be stored on an external storage device. 10 FIG. 12 shows, for example, that remote application programs 885 can reside on remote computer 880. FIG.

Es ist auch zu beachten, dass die verschiedenen hierin beschriebenen Beispiele unterschiedlich kombiniert werden können. Das heißt, Teile eines oder mehrerer Beispiele können mit Teilen eines oder mehrerer anderer Beispiele kombiniert werden. All dies wird hier in Betracht gezogen.It should also be noted that the various examples described herein can be combined in different ways. That is, portions of one or more examples may be combined with portions of one or more other examples. All of these are considered here.

Beispiel 1 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:

• ein Kommunikationssystem, das eine Vorabinformationskarte empfängt, die Werte eines Aussaatmerkmals beinhaltet, die verschiedenen geografischen Positionen in einem Feld entsprechen;
• einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
• einen In-situ-Sensor, der einen Wert eines landwirtschaftlichen Merkmals erkennt, der der geografischen Position entspricht;
• 0148] einen prädiktiven Modellgenerator, der ein prädiktives landwirtschaftliches Modell erzeugt, das eine Beziehung zwischen dem Aussaatmerkmal und dem landwirtschaftlichen Merkmal auf Grundlage eines Werts des Aussaatmerkmals in der Vorabinformationskarte an der geografischen Position und des Werts des landwirtschaftlichen Merkmals modelliert, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht.
• einen prädiktiven Kartengenerator, der eine funktionelle prädiktive landwirtschaftliche Merkmalkarte des Feldes erzeugt, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Vorabinformationskarte und auf Grundlage des prädiktiven landwirtschaftlichen Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.

Example 1 is an agricultural working machine comprising:

• a communication system that receives a preliminary information map that includes values of a seeding attribute that correspond to different geographic locations in a field;
• a geographic position sensor that detects a geographic position of the agricultural working machine;
• an in situ sensor that detects a value of an agricultural feature that corresponds to the geographic location;
• 0148] a predictive model generator that generates a predictive agricultural model that has a relationship between the modeled the sowing attribute and the agricultural attribute based on a value of the sowing attribute in the advance information map at the geographical position and the value of the agricultural attribute detected by the in situ sensor corresponding to the geographical position.
• a predictive map generator that generates a functional predictive agricultural trait map of the field mapping predictive values of the agricultural trait to the different geographic locations in the field based on the values of the seeding trait in the advance information map and based on the predictive agricultural model.

Beispiel 2 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der prädiktive Kartengenerator die funktionelle prädiktive landwirtschaftliche Merkmalkarte für den Verbrauch durch ein Steuersystem konfiguriert, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Merkmalkarte zu steuern.Example 2 is the agricultural work machine of any or all of the preceding examples, wherein the predictive map generator configures the functional predictive agricultural feature map for consumption by a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural feature map .

Beispiel 3 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor Folgendes umfasst:

• [0152] einen optischen Sensor, der konfiguriert ist, um ein Bild zu erkennen, das das landwirtschaftliche Merkmal anzeigt.

Example 3 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor includes:

• [0152] an optical sensor configured to recognize an image indicative of the agricultural feature.

Beispiel 4 ist die landwirtschaftliche Arbeitsmaschine eines beliebigen oder aller vorhergehenden Beispiele, wobei der optische Sensor ausgerichtet ist, um ein Bild mindestens eines Abschnitts des Feldes zu erkennen, und ferner Folgendes umfasst:

• [0154] ein Bildverarbeitungssystem, das konfiguriert ist, um das Bild zu verarbeiten, um den Wert des landwirtschaftlichen Merkmals in dem Bild zu identifizieren, der das landwirtschaftliche Merkmal angibt.

Example 4 is the agricultural work machine of any or all of the preceding examples, wherein the optical sensor is oriented to detect an image of at least a portion of the field, and further comprises:

• [0154] an image processing system configured to process the image to identify the value of the agricultural feature in the image indicative of the agricultural feature.

Beispiel 5 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Nicht-Maschinenmerkmals, das der geografischen Position entspricht, als Wert des landwirtschaftlichen Merkmals zu erkennen.Example 5 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor on the agricultural work machine is configured to recognize a non-machine feature value corresponding to the geographic location as the agricultural feature value.

Beispiel 6 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte des Aussaatmerkmals Genotypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Genotypwerten und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, das der geografischen Position entspricht, und des Genotypwerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Genotypwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 6 is the agricultural work machine of any or all of the preceding examples, wherein the advance information map includes, as values of the seeding trait, genotype values corresponding to the various geographic locations in the field, and wherein the predictive model generator is configured to establish a relationship between the genotype values and the non- identify a machine feature based on the value of the non-machine feature corresponding to the geographic location and the genotype value in the prior information map at the geographic location, wherein the predictive feature model is configured to receive a genotype value as a model input and a predictive value of the non - generate machine features as a model output based on the identified relationship.

Beispiel 7 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte des Aussaatmerkmals Populationswerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Populationswerten und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, das der geografischen Position und dem Populationswert entspricht, in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Populationswert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 7 is the agricultural work machine of any or all of the preceding examples, wherein the pre-information map includes, as values of the seeding attribute, population values corresponding to various geographic locations in the field, and wherein the predictive model generator is configured to establish a relationship between the population values and the non- Identify machine feature based on the value of the non-machine feature corresponding to the geographic location and the population value in the prior information map at the geographic location, wherein the predictive feature model is configured to receive a population value as a model input and a predictive value of the non - generate machine features as a model output based on the identified relationship.

Beispiel 8 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Maschinenmerkmals, das der geografischen Position entspricht, als den Wert des landwirtschaftlichen Merkmals zu erkennen.Example 8 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor on the agricultural work machine is configured to recognize a value of a machine feature that corresponds to the geographic location as the value of the agricultural feature.

Beispiel 9 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte des Aussaatmerkmals Genotypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Genotypwerten und dem Maschinenmerkmal auf Grundlage des Werts des Maschinenmerkmals, der der geografischen Position und dem Genotypwert entspricht, in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Genotypwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 9 is the agricultural working machine of any or all of the preceding examples, wherein the advance information map includes genotype values as values of the sowing trait that correspond to the various geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the genotype values and the machine trait Based on the value of the machine feature corresponding to the geographic location and the genotype value to identify in the prior information map at the geographic location, wherein the predictive feature model is configured to receive a genotype value as a model input and a predictive value of the machine feature as a model output generate based on the identified relationship.

Beispiel 10 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Vorabinformationskarte als Werte des Aussaatmerkmals Populationswerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Populationswerten und dem Maschinenmerkmal auf Grundlage des Werts des Maschinenmerkmals, der der geografischen Position und dem Populationswert entspricht, in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Populationswert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 10 is the agricultural work machine of any or all of the preceding examples, wherein the advance information map includes, as values of the seeding attribute, population values corresponding to the various geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the population values and the machine attribute Based on the value of the machine feature corresponding to the geographic position and the population value to be identified in the prior information map at the geographic position, wherein the predictive feature model is configured to receive a population value as a model input and a predictive value of the machine feature as a model output generate based on the identified relationship.

Beispiel 11 ist ein computerimplementiertes Verfahren zum Erzeugen einer funktionellen prädiktiven landwirtschaftlichen Karte, umfassend:

• Empfangen einer Vorabinformationskarte in einer landwirtschaftlichen Arbeitsmaschine, die Werte eines Aussaatmerkmals beinhaltet, das verschiedenen geografischen Positionen in einem Feld entspricht;
• Erfassen einer geografischen Position der landwirtschaftlichen Arbeitsmaschine;
• Erkennen eines Werts eines landwirtschaftlichen Merkmals mit einem In-situ-Sensor, das der geografischen Position entspricht;
• Erzeugen eines prädiktiven landwirtschaftlichen Modells, das eine Beziehung zwischen dem landwirtschaftlichen Merkmal und dem Aussaatmerkmal modelliert; und
• Steuern eines prädiktiven Kartengenerators, um die funktionelle prädiktive landwirtschaftliche Karte des Feldes zu erzeugen, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Vorabinformationskarte auf die verschiedenen geografischen Positionen in dem Feld abbildet.

Example 11 is a computer-implemented method for generating a functional predictive agricultural map, comprising:

• receiving, at an agricultural work machine, a preliminary information map that includes values of a planting attribute corresponding to different geographic locations in a field;
• detecting a geographical position of the agricultural working machine;
• detecting a value of an agricultural feature with an in situ sensor that corresponds to the geographic location;
• creating a predictive agricultural model that models a relationship between the agricultural trait and the seed trait; and
• controlling a predictive map generator to generate the functional predictive agricultural map of the field mapping predictive values of the agricultural trait based on the values of the seeding trait in the advance information map to the different geographic locations in the field.

Beispiel 12 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, ferner umfassend:

• Konfigurieren der funktionellen prädiktiven landwirtschaftlichen Karte für ein Steuersystem, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.

Example 12 is the computer-implemented method of any or all of the preceding examples, further comprising:

• configuring the functional predictive agricultural map for a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural map.

Beispiel 13 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Empfangen einer Vorabinformationskarte Folgendes umfasst:

• Empfangen einer Aussaatkarte, die als Werte des Aussaatmerkmals Genotypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.

Example 13 is the computer-implemented method of any or all of the preceding examples, wherein receiving a pre-information card comprises:

• receiving a seed map that includes, as seed trait values, genotype values corresponding to different geographic locations in the field.

Beispiel 14 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven landwirtschaftlichen Modells Folgendes umfasst:

• Identifizieren einer Beziehung zwischen den Genotypwerten und dem landwirtschaftlichen Merkmal auf Grundlage des Werts des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position und dem Genotypwert in der Aussaatkarte an der geografischen Position entspricht; und
• Steuern eines prädiktiven Modellgenerators, um das prädiktive landwirtschaftliche Modell zu erzeugen, das einen Genotypwert als eine Modelleingabe empfängt und einen prädiktiven Wert des landwirtschaftlichen Merkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.

Example 14 is the computer-implemented method of any or all of the preceding examples, wherein generating a predictive agricultural model comprises:

• identifying a relationship between the genotype values and the agricultural trait based on the value of the agricultural trait detected by the in situ sensor corresponding to the geographic location and the genotype value in the seed map at the geographic location; and
• controlling a predictive model generator to generate the predictive agricultural model that receives a genotype value as a model input and generates a predictive value of the agricultural trait as a model output based on the identified relationship.

Beispiel 15 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Empfangen einer Vorabinformationskarte Folgendes umfasst:

• Empfangen einer Aussaatkarte, die als Werte des Aussaatmerkmals Populationswerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.

Example 15 is the computer-implemented method of any or all of the preceding examples, wherein receiving a pre-information card comprises:

• receiving a seeding map that includes, as seeding characteristic values, population values corresponding to different geographic locations in the field.

Beispiel 16 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erzeugen eines prädiktiven landwirtschaftlichen Modells Folgendes umfasst:

• Identifizieren einer Beziehung zwischen den Populationswerten und dem landwirtschaftlichen Merkmal auf Grundlage des Werts des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position und dem Populationswert in der Aussaatkarte an der geografischen Position entspricht; und
• Steuern eines prädiktiven Modellgenerators, um das prädiktive landwirtschaftliche Modell zu erzeugen, das einen Populationswert als eine Modelleingabe empfängt und einen prädiktiven Wert des landwirtschaftlichen Merkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.

Example 16 is the computer-implemented method of any or all of the preceding examples, wherein generating a predictive agricultural model comprises:

• identifying a relationship between the population values and the agricultural trait based on the value of the agricultural trait detected by the in situ sensor corresponding to the geographic location and the population value in the seeding map at the geographic location; and
• controlling a predictive model generator to generate the predictive agricultural model that receives a population value as a model input and generates a predictive value of the agricultural trait as a model output based on the identified relationship.

Beispiel 17 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispielen, ferner umfassend:

• Steuern eines Bedienerschnittstellenmechanismus, um die funktionelle prädiktive landwirtschaftliche Merkmalkarte zu präsentieren.

Example 17 is the computer-implemented method of any or all of the preceding examples, further comprising:

• Controlling an operator interface mechanism to present the functional predictive agricultural trait map.

Beispiel 18 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:

• ein Kommunikationssystem, das eine Aussaatkarte empfängt, die Werte eines Aussaatmerkmals angibt, das verschiedenen geografischen Positionen in einem Feld entspricht;
• einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
• einen In-situ-Sensor, der einen Wert eines landwirtschaftlichen Merkmals erkennt, der der geografischen Position entspricht;
• einen prädiktiven Modellgenerator, der ein prädiktives Modell erzeugt, das eine Beziehung zwischen dem Aussaatmerkmal und dem landwirtschaftlichen Merkmal auf Grundlage eines Aussaatmerkmalwerts in der Aussaatkarte an der geografischen Position und des Werts des landwirtschaftlichen Merkmals identifiziert, das durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht; und
• einen prädiktiven Kartengenerator, der eine funktionelle prädiktive Karte des Feldes erzeugt, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Aussaatkarte und auf Grundlage des prädiktiven Modells den verschiedenen geografischen Positionen in dem Feld zuordnet.

Example 18 is an agricultural work machine comprising:

• a communication system that receives a seeding map indicating values of a seeding attribute corresponding to different geographic locations in a field;
• a geographic position sensor that detects a geographic position of the agricultural working machine;
• an in situ sensor that detects a value of an agricultural feature that corresponds to the geographic location;
• a predictive model generator that generates a predictive model that identifies a relationship between the seed trait and the agricultural trait based on a seed trait value in the seed map at the geographic location and the value of the agricultural trait detected by the in situ sensor, which corresponds to the geographic position; and
• a predictive map generator that generates a functional predictive map of the field associating predictive values of the agricultural trait with the different geographic locations in the field based on the values of the seed trait in the seed map and based on the predictive model.

Beispiel 19 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Aussaatkarte als Werte des Aussaatmerkmals Genotypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Genotypwerten und dem landwirtschaftlichen Merkmal auf Grundlage des Werts des landwirtschaftlichen Merkmals, der durch den In-situ-Sensor erkannt wird, der der geografischen Position entspricht, und des Genotypwerts in der Aussaatkarte an der geografischen Position zu identifizieren, wobei das prädiktive Modell konfiguriert ist, um einen Genotypwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des landwirtschaftlichen Merkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 19 is the agricultural work machine of any or all of the preceding examples, wherein the sowing map includes genotype values as values of the sowing trait that correspond to the various geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the genotype values and the agricultural trait based on the value of the agricultural trait detected by the in situ sensor corresponding to the geographic location and the genotype value in the seeding map at the geographic location, wherein the predictive model is configured to identify a genotype value as a receive model input and generate a predictive value of the agricultural trait as a model output based on the identified relationship.

Obwohl der Gegenstand in einer für strukturelle Merkmale oder methodische Handlungen spezifischen Sprache beschrieben wurde, versteht es sich, dass der in den beigefügten Ansprüchen definierte Gegenstand nicht unbedingt auf die vorstehend beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die vorstehend beschriebenen Besonderheiten und Handlungen als exemplarische Formen der Ansprüche offengelegtAlthough the subject matter has been described in language specific to structural features or methodical acts, it should be understood that subject matter defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the features and acts described above are disclosed as example forms of the claims

Claims (15)

Landwirtschaftliche Arbeitsmaschine (100), umfassend: ein Kommunikationssystem (206), das eine Vorabinformationskarte (258) empfängt, die Werte eines Aussaatmerkmals beinhaltet, die verschiedenen geografischen Positionen in einem Feld entsprechen; einen geografischen Positionssensor (204), der eine geografische Position der landwirtschaftlichen Arbeitsmaschine (100) erkennt; einen In-situ-Sensor (208), der einen Wert eines landwirtschaftlichen Merkmals erkennt, das der geografischen Position entspricht; einen prädiktiven Modellgenerator (210), der ein prädiktives landwirtschaftliches Modell erzeugt, das eine Beziehung zwischen dem Aussaatmerkmal und dem landwirtschaftlichen Merkmal auf Grundlage eines Werts des Aussaatmerkmals in der Vorabinformationskarte (258) an der geografischen Position und des Werts des landwirtschaftlichen Merkmals modelliert, der durch den In-situ-Sensor (208) erkannt wird, der der geografischen Position entspricht; und einen prädiktiven Kartengenerator (212), der eine funktionelle prädiktive landwirtschaftliche Merkmalkarte des Feldes erzeugt, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Vorabinformationskarte (258) und auf Grundlage des prädiktiven landwirtschaftlichen Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.Agricultural working machine (100), comprising: a communication system (206) receiving a preliminary information map (258) including values of a seeding attribute corresponding to different geographic locations in a field; a geographic position sensor (204) that detects a geographic position of the agricultural work machine (100); an in situ sensor (208) that detects a value of an agricultural feature that corresponds to the geographic location; a predictive model generator (210) that generates a predictive agricultural model that models a relationship between the seed trait and the agricultural trait based on a value of the seed trait in the prior information map (258) at the geographic location and the value of the agricultural trait determined by detecting the in situ sensor (208) corresponding to the geographic location; and a predictive map generator (212) that generates a functional predictive agricultural trait map of the field that applies predictive values of the agricultural trait based on the values of the seeding trait in the advance information map (258) and based on the predictive agricultural model to the various geographic locations in the field depicts. Landwirtschaftliche Arbeitsmaschine nach Anspruch 1, wobei der prädiktive Kartengenerator die funktionelle prädiktive landwirtschaftliche Merkmalkarte zum Verbrauch durch ein Steuersystem konfiguriert, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Merkmalkarte zu steuern.Agricultural working machine after claim 1 wherein the predictive map generator configures the functional predictive agricultural feature map for consumption by a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural feature map. Landwirtschaftliche Arbeitsmaschine nach Anspruch 1, wobei der In-situ-Sensor Folgendes umfasst: einen optischen Sensor, der konfiguriert ist, um ein Bild zu erkennen, das das landwirtschaftliche Merkmal anzeigt.Agricultural working machine after claim 1 , wherein the in situ sensor comprises: an optical sensor configured to a to recognize an image indicating the agricultural characteristic. Landwirtschaftliche Arbeitsmaschine nach Anspruch 3, wobei der optische Sensor ausgerichtet ist, um ein Bild von mindestens einem Abschnitt des Felds zu erkennen, und ferner Folgendes umfasst: ein Bildverarbeitungssystem, das konfiguriert ist, um das Bild zu verarbeiten, um den Wert des landwirtschaftlichen Merkmals in dem Bild zu identifizieren, das das landwirtschaftliche Merkmal anzeigt.Agricultural working machine after claim 3 wherein the optical sensor is oriented to recognize an image of at least a portion of the field, and further comprising: an image processing system configured to process the image to identify the value of the agricultural feature in the image, indicating the agricultural characteristic. Landwirtschaftliche Arbeitsmaschine nach Anspruch 1, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Nicht-Maschinenmerkmals, das der geografischen Position entspricht, als den Wert des landwirtschaftlichen Merkmals zu erfassen.Agricultural working machine after claim 1 wherein the in situ sensor on the agricultural work machine is configured to sense a value of a non-machine feature corresponding to the geographic location as the value of the agricultural feature. Landwirtschaftliche Arbeitsmaschine nach Anspruch 5, wobei die Vorabinformationskarte als Werte der Aussaatmerkmale Genotypwerte enthält, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Genotypwerten und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, der der geografischen Position entspricht, und des Genotypwerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Genotypwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Agricultural working machine after claim 5 , wherein the preliminary information map contains, as values of the seeding traits, genotype values corresponding to the different geographic positions in the field, and wherein the predictive model generator is configured to generate a relationship between the genotype values and the non-machine trait based on the value of the non-machine trait, the corresponds to the geographic location, and to identify the genotype value in the prior information map at the geographic location, wherein the predictive feature model is configured to receive a genotype value as a model input and a predictive value of the non-machine feature as a model output based on the identified relationship produce. Landwirtschaftliche Arbeitsmaschine nach Anspruch 5, wobei die Vorabinformationskarte als Werte des Aussaatmerkmals Populationswerte enthält, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Populationswerten und dem Nicht-Maschinenmerkmal auf Grundlage des Werts des Nicht-Maschinenmerkmals, der der geografischen Position entspricht, und des Populationswerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalsmodell konfiguriert ist, um einen Populationswert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Nicht-Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Agricultural working machine after claim 5 , wherein the preliminary information map contains as seeding characteristic values population values corresponding to the different geographic positions in the field, and wherein the predictive model generator is configured to generate a relationship between the population values and the non-machine characteristic based on the value of the non-machine characteristic, the corresponds to the geographic location, and to identify the population value in the advance information map at the geographic location, wherein the predictive feature model is configured to receive a population value as a model input and a predictive value of the non-machine feature as a model output based on the identified relationship produce. Landwirtschaftliche Arbeitsmaschine nach Anspruch 1, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Wert eines Maschinenmerkmals, der der geografischen Position entspricht, als Wert des landwirtschaftlichen Merkmals zu erkennen.Agricultural working machine after claim 1 wherein the in situ sensor on the agricultural work machine is configured to recognize a value of a machine feature that corresponds to the geographic location as the value of the agricultural feature. Landwirtschaftliche Arbeitsmaschine nach Anspruch 8, wobei die Vorabinformationskarte als Werte der Aussaatmerkmale Genotypwerte enthält, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Genotypwerten und dem Maschinenmerkmal auf Grundlage des Maschinenmerkmalwerts, der der geografischen Position entspricht, und des Genotypwerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Genotypwert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Agricultural working machine after claim 8 , wherein the preliminary information map contains, as values of the seeding traits, genotype values corresponding to the different geographic positions in the field, and wherein the predictive model generator is configured to establish a relationship between the genotype values and the machine trait based on the machine trait value corresponding to the geographic position, and identify the genotype value in the advance information map at the geographic location, wherein the predictive feature model is configured to receive a genotype value as a model input and generate a predictive value of the machine feature as a model output based on the identified relationship. Landwirtschaftliche Arbeitsmaschine nach Anspruch 9, wobei die Vorabinformationskarte als Werte der Aussaatmerkmale Populationswerte enthält, die den verschiedenen geografischen Positionen in dem Feld entsprechen, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen den Populationswerten und dem Maschinenmerkmal auf Grundlage des Maschinenmerkmalwerts, der der geografischen Position entspricht, und des Populationswerts in der Vorabinformationskarte an der geografischen Position zu identifizieren, wobei das prädiktive Merkmalmodell konfiguriert ist, um einen Populationswert als eine Modelleingabe zu empfangen und einen prädiktiven Wert des Maschinenmerkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Agricultural working machine after claim 9 , wherein the preliminary information map contains as values of the seeding characteristics population values corresponding to the different geographical positions in the field, and wherein the predictive model generator is configured to establish a relationship between the population values and the machine characteristic based on the machine characteristic value corresponding to the geographical position, and identify the population value in the advance information map at the geographic location, wherein the predictive feature model is configured to receive a population value as a model input and generate a predictive value of the machine feature as a model output based on the identified relationship. Computerimplementiertes Verfahren zur Erzeugung einer funktionellen prädiktiven landwirtschaftlichen Karte, umfassend: Empfangen einer Vorabinformationskarte (258) in einer landwirtschaftlichen Arbeitsmaschine (100), die Werte eines Aussaatmerkmals beinhaltet, das verschiedenen geografischen Positionen in einem Feld entspricht; Erkennen einer geografischen Position der landwirtschaftlichen Arbeitsmaschine (100); Erkennen eines Werts eines landwirtschaftlichen Merkmals mit einem In-situ-Sensor (208), das der geografischen Position entspricht; Erzeugen eines prädiktiven landwirtschaftlichen Modells, das eine Beziehung zwischen dem landwirtschaftlichen Merkmal und dem Aussaatmerkmal modelliert; und Steuern eines prädiktiven Kartengenerators (212), um die funktionelle prädiktive landwirtschaftliche Karte des Feldes zu erzeugen, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Vorabinformationskarte (258) und auf Grundlage des prädiktiven landwirtschaftlichen Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.A computer-implemented method for generating a functional predictive agricultural map, comprising: receiving at an agricultural work machine (100) a preliminary information map (258) that includes values of a seeding characteristic corresponding to different geographic locations in a field; detecting a geographic position of the agricultural work machine (100); detecting a value of an agricultural feature with an in situ sensor (208) that corresponds to the geographic location; creating a predictive agricultural model that models a relationship between the agricultural trait and the seed trait; and controlling a predictive map generator (212) to generate the functional predictive agricultural map of the field having predictive values of the agricultural trait based on the values of the seed trait in the advance information mation map (258) and based on the predictive agricultural model to the different geographical positions in the field. Computerimplementiertes Verfahren nach Anspruch 11, ferner umfassend: Konfigurieren der funktionellen prädiktiven landwirtschaftlichen Karte für ein Steuersystem, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.Computer-implemented method claim 11 , further comprising: configuring the functional predictive agricultural map for a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural map. Computerimplementiertes Verfahren nach Anspruch 11, wobei das Empfangen einer Vorabinformationskarte Folgendes umfasst: Empfangen einer Aussaatkarte, die als Werte des Aussaatmerkmals Genotypwerte beinhaltet, die den verschiedenen geografischen Positionen in dem Feld entsprechen.Computer-implemented method claim 11 wherein receiving a preliminary information map comprises: receiving a seeding map including, as seeding trait values, genotype values corresponding to different geographic locations in the field. Computerimplementiertes Verfahren nach Anspruch 13, wobei das Erzeugen eines prädiktiven landwirtschaftlichen Modells Folgendes umfasst: Identifizieren einer Beziehung zwischen den Genotypwerten und dem landwirtschaftlichen Merkmal auf Grundlage des Werts des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erkannt wird, der der geografischen Position und dem Genotypwert in der Aussaatkarte an der geografischen Position entspricht; und Steuern eines prädiktiven Modellgenerators, um das prädiktive landwirtschaftliche Modell zu erzeugen, das einen Genotypwert als eine Modelleingabe empfängt und einen prädiktiven Wert des landwirtschaftlichen Merkmals als eine Modellausgabe auf Grundlage der identifizierten Beziehung erzeugt.Computer-implemented method Claim 13 , wherein generating a predictive agricultural model comprises: identifying a relationship between the genotype values and the agricultural trait based on the value of the agricultural trait detected by the in situ sensor, the geographic location, and the genotype value in the seed map corresponds to the geographical position; and controlling a predictive model generator to generate the predictive agricultural model that receives a genotype value as a model input and generates a predictive value of the agricultural trait as a model output based on the identified relationship. Landwirtschaftliche Arbeitsmaschine (100), umfassend: ein Kommunikationssystem (206), das eine Aussaatkarte empfängt, die Werte eines Aussaatmerkmals angibt, die verschiedenen geografischen Positionen in einem Feld entsprechen; einen geografischen Positionssensor (204), der eine geografische Position der landwirtschaftlichen Arbeitsmaschine (100) erkennt; einen In-situ-Sensor (208), der einen Wert eines landwirtschaftlichen Merkmals erkennt, der der geografischen Position entspricht; einen prädiktiven Modellgenerator (210), der ein prädiktives Modell erzeugt, das eine Beziehung zwischen dem Aussaatmerkmal und dem landwirtschaftlichen Merkmal auf Grundlage eines Aussaatmerkmalwerts in der Aussaatkarte an der geografischen Position und des Werts des landwirtschaftlichen Merkmals identifiziert, der durch den In-situ-Sensor (208) erkannt wird, der der geografischen Position entspricht; und einen prädiktiven Kartengenerator (212), der eine funktionelle prädiktive Karte des Feldes erzeugt, die prädiktive Werte des landwirtschaftlichen Merkmals auf Grundlage der Werte des Aussaatmerkmals in der Aussaatkarte und auf Grundlage des prädiktiven Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.Agricultural working machine (100), comprising: a communication system (206) that receives a seeding map indicating values of a seeding attribute that correspond to different geographic locations in a field; a geographic position sensor (204) that detects a geographic position of the agricultural work machine (100); an in situ sensor (208) that detects a value of an agricultural feature that corresponds to the geographic location; a predictive model generator (210) that generates a predictive model identifying a relationship between the seed trait and the agricultural trait based on a seed trait value in the seed map at the geographic location and the value of the agricultural trait detected by the in situ sensor (208) corresponding to the geographic position is detected; and a predictive map generator (212) that generates a functional predictive map of the field mapping predictive values of the agricultural trait to the various geographic locations in the field based on the values of the seed trait in the seed map and based on the predictive model.

Images