用于农业的位点表征制造技术

用于物理位点的表征的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。方法之一包括：针对与多个位置处的生长基质的表面处的相应坐标对应的一个或更多个物理位置中的每个物理位置，获得传感器数据，传感器数据包括根据由穿过相应坐标的传感器单元上的多个传感器中的每一个在上述位置处的生长基质内的多个不同深度水平处进行的测量所生成的传感器式样；将传感器数据作为输入提供给一个或多个概率模型，所述概率模型被配置成接收包括相应传感器式样的传感器数据以预测物理位置中的每个物理位置处的生长基质的一个或更多个特征；以及获得针对每个物理位置的一个或更多个预测特征，作为来自一个或更多个概率模型的输出。模型的输出。模型的输出。

【技术实现步骤摘要】
【国外来华专利技术】用于农业的位点表征


[0001]本说明书总体上涉及用于表征、分析和可选地管理物理位点(physical site)的方法、系统和计算机程序产品。更具体地，本说明书涉及用于表征、分析和可选地管理农业或林业中的物理位点的方法、系统和计算机程序产品。

技术介绍

[0002]本说明书总体上涉及获得传感器数据和预测物理位点的特征，以及使用机器学习实现管理方法和系统。
[0003]物理位点可以被细分为多个“区块”，所述多个“区块”通常被描述为物理位点中种植植物或可以种植植物的田地(field)。可以使用一个或更多个传感器从每个区块收集大量数据，以识别区块的特征。
[0004]机器学习模型接收输入并基于所接收的输入和模型的参数值生成输出。可以根据各种机器学习技术来训练参数值，以找到产生针对给定输入的更准确输出的参数值。机器学习模型可以包括单层线性或非线性操作，或者包括多层非线性操作。

技术实现思路

[0005]本说明书描述了用于获得物理位点的传感器数据并推断、导出或预测物理位点的特征(包括该区域中生长的当前和未来植物或动物的特征)的技术、方法和系统。这些技术通常涉及在区域中的不同物理位置处获得传感器数据。
[0006]传感器数据包括原始信号和使用接触式传感器和/或非接触式传感器的物理位置的特征的测量，其包括表面层级特征(surface
‑
level characteristics)、表面下层级特征(sub
‑
surface level characteristics)、来自无人机、飞机或卫星的远程数据、以及该地区普遍存在的其他特征，例如天气条件。地理时空数据的组合可以聚合为“数据芯”，将从卫星、飞机和无人机收集的影像与地下传感器数据(包括通过根区的影像)结合起来。除影像外，数据芯还可以包括测量特征、推断特征、导出特征或预测特征。将传感器数据提供给一个或更多个机器学习模型，所述一个或更多个机器学习模型被配置成接收传感器数据并预测物理位置处的区域的特征，该特征包括在物理位点处测量的传感器数据中未表示的特征以及针对物理位点处的一些但不是所有位置处测量的特征。
[0007]推断特征、导出特征或预测特征可以包括这样的特征：其由不同传感器(例如，用于对土壤质地进行分类的传感器)测量，但通过组合单独的测量来“锐化”以提供更准确的测量。特征还可以包括潜在特征(latent characteristics)，这些潜在特征不由不同的传感器直接测量，而是由机器学习模型基于学到的其他直接测量的特征之间的相关性推断、导出或预测的，例如，生长基质(growing medium)的最大持水能力预测了生长基质中的不同层的水分含量和定量的给定测量特征。生长基质可以是土壤，或者其可以是其他类型的材料。所描述的用于位点表征的技术可以使得识别直接测量的物理位点的特征之间的大量且复杂的相互作用、关系或相关性，这可以进一步产生新的或精确的推断特征、导出特征或
预测特征。
[0008]推断特征、导出特征或预测特征和附加的外部约束(例如社会经济数据)或物理位点的既定目标(例如，季节末的预期植物产量)可以用于生成针对维护和管理物理位点方面的“最佳实践”和动态管理方法和系统的推荐，以满足外部约束或实现既定目标。
[0009]推荐可以自动转换成用于控制农业或林业管理设备(例如，灌溉系统、施肥系统和虫害控制系统)的指令集，以将物理位点的管理更改到以前认为难以处理的精确水平，或者推荐可以是与手动管理活动(例如，何时收获)相关的推荐。不是在区块级别管理物理位点，即，通过扫视概括固有异质区块的管理决策，所提供的位点表征和预测特征可以为推荐系统提供粒度，以生成用于管理区域的较小部分的决策或推荐，例如，果园中的一排树、葡萄园中的藤蔓群、田地中的一年生植物集群或物理位点中的单独的树、藤蔓、植物或动物，乃至达到植物器官层级，例如叶子、嫩枝、根或果实。
[0010]通常，区域的这些较小部分被称为“管理单元”。管理单元可以包括人或机器管理方法或系统可以作用的最小可能区域。管理单元可以根据由管理单元表示的区域的部分的一个或更多个特征来限定。例如，管理单元可以通过生物、化学、地质、地形、天气和气候、社会经济以及其他科学、技术、商业和金融特征来表征。
[0011]管理单元可以在时间上是动态的。换句话说，由管理单元表示的区域的部分可以根据限定单元的特征的时间变化而变化。通过关于表示区域的一个或更多个管理单元的管理方法和系统的动态实现，可以随着时间的推移优化物理位点的生产率或其他性能度量。
[0012]例如，如果管理单元表示固定的经济价值，那么根据经济条件，由该管理单元表示的区域的尺寸根据与该固定价值相匹配的区域的数量而变化。在柠檬生产旺季期间，1000美元的柠檬可以对应于10棵柠檬树的管理单元。之后，相同的管理单元可以表示20棵柠檬树，例如在当柠檬的价值下降时的淡季期间。
[0013]作为另一示例，表示维护由单元表示的区域的劳动力成本的管理单元也可以使得单元随时间变化，例如，因为劳动力成本可以随社会经济条件随时间推移而变化。作为另一示例，技术的改进可以影响由单元表示的区域的产量所限定的管理单元。随着种植、栽培和收获技术的进步，由单元表示的区域的部分可以增加，因为同样数量的劳动力和其他资源可以发挥更大的作用。
[0014]以前，限定比物理位点内的区块小的管理单元对于位点表征或后续用于管理位点的农业推荐来说是不精确的，因为为表征位点而收集和分析的传感器数据的收集级别不够精细，不能指导关于如何最好地管理例如葡萄园中的一排葡萄或单独的葡萄藤级别的管理单元的明智决策。由于缺乏及时准确地动态地组合关键特征以通知或做出管理决策的方法和系统，市场条件或其他社会经济特征(例如，定价、劳动力可用性或出口需求)的结合在限定管理单元方面具有有限的效用。通过本说明书中描述的技术，可以收集和分析传感器数据，以提供针对单独的植物或比位点中的单独的区块小的其他管理单元的推断特征、导出特征或预测特征。
[0015]可以在特定实现方式中实施本说明书中描述的主题以实现以下优点中的一个或更多个优点。所获得的传感器信息的粒度允许获得更多信息以推动对区域的新的或更精细的表征。因此，预测技术(例如，包括机器学习和神经网络的人工智能)可以针对比包括获得区块级别的大量传感器数据的以前的技术更高的准确性进行训练。包括所接收信息的异质
性、复杂性和规模的额外可变性非常适合于量子计算技术，量子计算技术可以处理和生成高度可变特征(例如，天气模式)的推断特征、导出特征或预测特征。在说明性实施方式中，方法包括：使用量子处理器和量子存储器评估来自概率模型的预测特征或传感器数据。在另一说明性实施方式中，量子处理器不仅处理输入传感器数据或输出预测特征，而且还可以或替选地集成在用于量子增强的机器学习的机器学习过程中，其中，基于一个或更多个限定的量子比特和量子操作或专用量子系统的配置，可以增强计算速度和数据存储或一个或更多个机器学习算法。这可以通过例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种由一个或更多个计算机执行的方法，所述方法包括：针对一个或更多个物理位置中的每个物理位置，获得传感器数据，每个物理位置与所述多个位置处的生长基质的表面处的相应坐标对应，所述传感器数据包括根据由穿过所述相应坐标的传感器单元上的多个传感器中的每一个在所述位置处的所述生长基质内的多个不同深度水平处进行的测量所生成的传感器式样，其中，所述传感器单元顺序地穿过每个深度水平，并且所述多个传感器中的每一个在所述传感器单元从所述表面开始穿过深度水平并向终端深度水平行进时在所述深度水平处执行相应测量；将所述传感器数据作为输入提供给一个或更多个概率模型，所述概率模型被配置成接收包括相应传感器式样的传感器数据以预测在所述一个或更多个物理位置中的每个物理位置处所述生长基质的一个或更多个特征；以及获得针对所述一个或更多个物理位置中的每个物理位置的所述一个或更多个预测特征，作为来自所述一个或更多个概率模型的输出。2.根据权利要求1所述的方法，其中，提供所述传感器数据包括提供时间戳，所述时间戳指示所述传感器单元在哪个相应时间穿过每个深度水平。3.根据任一前述权利要求所述的方法，其中，所述传感器数据还包括来自一个或更多个传感器的遥感传感器数据，所述一个或更多个传感器被配置成在所述多个物理位置的表面水平处或之上测量所述物理位置的特征。4.根据任一前述权利要求所述的方法，还包括：使用所述一个或更多个预测特征，生成针对包括所述一或更多个物理位置的物理区域处的农业规划的推荐。5.根据任一前述权利要求所述的方法，其中，所述多个位置位于物理区域中，并且其中，所述方法还包括在植物被种植在所述物理区域中之前或之后使用所述一个或更多个预测特征生成表征所述植物的特征的预测植物产量数据。6.根据任一前述权利要求所述的方法，其中，所述一个或更多个预测特征是没有由所述多个传感器直接测量的特征。7.根据任一前述权利要求所述的方法，其中，所述一个或更多个概率模型还被配置成接收所述传感器数据并预测未测量的物理位置的一个或更多个特征。8.根据任一前述权利要求所述的方法，其中，所述一个或更多个物理位置是第一物理位置，并且其中，所述方法还包括：使用所述生长基质的所述一个或更多个特征来识别所述一个或更多个物理位置中的第一物理位置的预定距离内的第二物理位置，其中，所述第二物理位置不同于所述第一物理位置并且是需要附加测量的附加物理位置；以及针对所述第二物理位置中的每一个，获得传感器数据，所述传感器数据包括根据由穿过相应坐标的传感器单元上的多个传感器中的每一个在所述第二位置处的所述生长基质内的多个不同深度水平处进行的测量所生成的传感器式样。9.根据任一前述权利要求所述的方法，其中，所述一个或更多个预测特征包括以下中的一者或更多者：在所述物理位置处生长基质的粒度分布、在所述物理位置处所述生长基质的压实状态，
在所述物理位置处所述生长基质的水分条件、所述生长基质的质地，所述生长基质的液体保持能力，所述生长基质的有机物含量状态、所述生长基质的体积密度，所述生长基质的阳离子交换能力、所述生长基质的pH，所述生长基质的盐度，以及所述生长基质的化学成分。10.根据任一前述权利要求所述的方法，其中，所述一个或更多个特征包括表征所述生长基质中存在的液体并且基于在所述传感器单元穿过每个深度水平直到行进至所述终端深度水平的时间段期间在每个深度水平处执行的相应测量的液体特征。11.根据任一前述权利要求所述的方法，其中，所述传感器单元使用无人驾驶交通工具被插入。12.根据任一前述权利要求所述的方法，其中，获得所述传感器数据还包括：获得空间模式，所述空间模式是所述表面与所述终端深度水平之间的生长基质的分类，其中，获得所述空间模式包括：在每个坐标处并且通过所述多个传感器中的第一一个或更多个传感器获得相应第一测量，使用所获得的相应第一测量生成所述空间模式；在每个坐标处并且通过所述多个传感器中的不同于所述第一一个或更多个传感器的第二一个或更多个传感器获得相应第二测量，以及使用所述相应第二测量更新所述空间模式。13.根据权利要求12所述的方法，其中，所述多个第一传感器包括：(i)尖端传感器，所述尖端传感器在所述传感器单元的尖端穿过每个深度水平时测量尖端应力，(ii)套筒传感器，所述套筒传感器测量在每个深度水平处所述传感器单元与生长基质之间的生长基质内聚度，或(iii)所述尖端传感器和所述套筒传感器两者，并且其中，获得所述相应第一测量包括：使用所述尖端传感器、所述套管传感器或两者获得所述相应第一测量。14.根据权利要求12或权利要求13所述的方法，其中，所述多个第二传感器包括麦克风、光谱传感器或图像传感器。15.根据任一前述权利要求所述的方法，其中，获得所述传感器数据还包括：获得多个图像序列，每个图像序列映射包括所述一个或更多个物理位置的物理区域；以及针对每个图像序列，执行图像地理配准，所述图像地理配准包括：在所述序列的每个图像中并使用与所述物理位置对应的相应传感器式样来识别由所述多个坐标表示的所述物理位置；以及根据所述物理位置对每个图像进行对准。16.根据任一前述权利要求所述的方法，其中，所述多个传感器包括以下中的一者或更多者：光谱传感器、图像传感器、麦克风、矿物传感器、压力传感器、化学传感器、水分传感器、光谱传感器或...

【专利技术属性】
技术研发人员：丹尼尔，
申请(专利权)人：陆地扫描有限责任公司，
类型：发明
国别省市：