使用机器学习工作流进行灌溉管理的系统与方法专利检索-无人驾驶飞行器飞行器飞机类型专利检索查询-专利查询网

使用 机器学习工作流进行 灌溉管理的系统与方法

阅读：456发布：2020-05-12

专利汇可以提供使用机器学习工作流进行灌溉管理的系统与方法专利检索，专利查询，专利分析的服务。并且本发明提供了一种包括机器学习模块的系统和方法，该机器学习模块分析从诸如UAV、卫星、跨接件安装式作物传感器、直接土壤传感器和气候传感器之类的一个或多个来源收集的数据。根据另一种优选实施方式，该机器学习模块优选地从给定田地内创建成组的田地对象，并且使用接收到的数据基于从田地内的每个田地对象检测到的特性来为每个限定的田地对象创建预测模型。，下面是使用机器学习工作流进行灌溉管理的系统与方法专利的具体信息内容。

权利要求

1.一种用于与自走式灌溉系统一起使用的系统，所述自走式灌溉系统具有至少一个跨接件和用于使所述跨接件在待灌溉的田地上移动的驱动系统，其中，所述系统包括：
跨接件安装式传感器，其中，至少一个跨接件安装式传感器包括被配置成允许检测一种作物特征的至少一个传感器；此外，其中，所述作物特征选自包括作物类型、生长阶段、健康、存在病害以及生长率在内的作物特征组；
气候传感器，其中，至少一个气候传感器被配置成检测至少一种气候状况，其中，所述气候状况选自包括湿度、压力、降水量以及温度在内的气候状况组；
空中传感器，其中，所述空中传感器包括定位在无人驾驶飞行器、飞机或卫星上至少一个传感器；以及
 机器学习模块，其中，所述机器学习模块被配置成接收所述田地的特性数据；其中，所述机器学习模块被配置成：为所述田地创建一组田地对象，并且基于针对所述田地内的每个田地对象检测到的特性数据而使用所述特性数据来为每个限定的田地对象创建预测模型。
2.根据权利要求1所述的系统，其中，所述机器学习模块接收由勘测传感器确定的田地测量值和尺寸。
3.根据权利要求1所述的系统，其中，所述一组田地对象被存储为环形扇区；其中，所述环形扇区形成为由内圆和外圆限定的环的子部分，所述子部分的形状优选地由径向长度上的差以及由两个半径得到的角(Θ)来限定边界，所述两个半径连接至由所选择的角(Θ)确定的外部长度段L的端部。
4.根据权利要求3所述的系统，其中，每个环形扇区被限定为具有：面积＝(Ru2-Ri2)/2Θ；其中Θ＝L/r，Ru是外弧的半径，Ri是内弧的半径，r是可灌溉田地的半径，并且L是对于所选择的角(Θ)而言的外圆周的弧长。
5.根据权利要求4所述的系统，其中，每个限定的田地对象的特性数据优选地被收集并且存储在查找表中。
6.根据权利要求5所述的系统，其中，所述特性数据包括从机载传感器阵列接收的数据。
7.根据权利要求6所述的系统，其种，所述特性数据包括选自如下数据组的数据：所述数据组包括直接土壤水分、植物状态、作物冠层温度、环境空气温度、相对湿度、大气压、长波和短波辐射、光合有效辐射、降雨量、风速、以及土壤和作物冠层的光谱带降。
8.根据权利要求5所述的系统，其中，所述特性数据是从未附接至所述灌溉系统的系统获取的。
9.根据权利要求8所述的系统，其中，所述特性数据包括选自如下数据组的数据：所述数据组包括Geo-tiff、RGBNRGB、NDVI、NIRNRGB和各个光谱带。
10.根据权利要求9所述的系统，其中，所述特性数据包括来自卫星热平衡模型的蒸散量数据和来自作物胁迫指数模型的数据，所述卫星热平衡模型包括红外热标志。
11.根据权利要求5所述的系统，其中，所述特性数据包括来自气候站的以计算蒸散量。
12.根据权利要求11所述的系统，其中，所述特性数据包括：温度、相对湿度、降水量、太阳辐射、风速、水流、天气数据和预计状况。
13.根据权利要求5所述的系统，其中，所述特性数据包括与灌溉机有关的数据，其中，所述数据选自如下数据组：所述数据组包括流量、压力、电压、错误消息、百分比计时器设置、方向、加肥灌溉/化学灌溉状态、水化学信息以及操作信息。
14.根据权利要求5所述的系统，其中，所述系统包括与所述灌溉系统及其子部件的规格有关的数据。
15.根据权利要求5所述的系统，其中，VRI机器学习模块还分析与种植者输入的规格有关的数据；其中，所述规格选自如下规格组：所述规格组包括土壤分析、土壤化学、水化学、地理分析、气象分析、灌溉计划和产量数据。
16.根据权利要求5所述的系统，其中，所述特性数据包括与种植者输入的规格有关的数据，其中，所述规格选自如下规格组：所述规格组包括土壤水平衡计算；根区土壤水分；沿深度的土壤水分；根区中的土壤水分预测；以及沿深度的土壤水分预测。
17.根据权利要求5所述的系统，其中，环形扇区被限定为与特性数据关联的离散数据点。
18.根据权利要求17所述的系统，其中，VRI机器学习模块为每个离散数据点创建预测模块。
19.根据权利要求18所述的系统，其中，所述VRI机器学习模块在时间上评估每个离散数据点。
20.根据权利要求19所述的系统，其中，对评估的数据进行分类以构建解决方案模型，从而最大化给定田地的收益性。
21.根据权利要求20所述的系统，其中，为每个环形扇区创建独立的解方案模型。
22.根据权利要求21所述的系统，其中，所述系统允许操作员在审查之后接受、拒绝或修改解决方案模型。
23.根据权利要求22所述的系统，其中，附加数据输入包括种植者指定的数据，所述种植者指定的数据包括：期望的行进方向，基部水施用深度，针对速度、区域或单个洒水器的可变速率处方，种植者化学灌溉建议，化学灌溉物料，准备注射的化学灌溉物料量，每单位面积的基部化学灌溉施用量，针对速度的可变速率处方，以及系统维修状态。

说明书全文

使用机器学习工作流进行 灌溉管理的系统与方法

[0001] 相关申请

[0002] 本申请要求于2017年6月1日提交的美国临时申请No.62/513,479的优先权。

[0003] 本发明的技术领域和背景技术：

技术领域

[0004] 本发明总体上涉及用于灌溉系统管理的系统和方法，更具体地，涉及使用机器学习来建模和设计用于灌溉系统的工作流的系统和方法。

背景技术

[0005] 监测和控制施加至农田的水、化学品和/或营养物(施用物)的量的能力已经增加了世界上可耕种的土地量，并且增加了获得有利润的作物产量的可能性。已知灌溉系统通常包括控制装置，其带有用户接口，允许操作员监测和控制灌溉系统的一个或多个功能或操作。通过使用用户接口，操作员可以控制和监测灌溉系统和生长环境的许多方面。此外，操作员可以从本地和远程传感器接收重要的环境和生长数据。

[0006] 尽管操作员可以获得大量的数据并进行控制，但是现有的系统不允许操作员建模或以其他方式使用他们可支配的大多数数据或控制元素。相反，操作员受限于使用直觉和可用数据流的快照来对他们的灌溉系统做出调整。因此，尽管产生了大量的数据，但是种植者做出决策的过程在几十年中并未发生重大变化。

[0007] 在灌溉领域之外，已经开发了许多机器学习方法，这些方法使得能够实现基于限定的数据集的有监督和无监督的学习模型。例如，支持向量机(support vector machine,SVM)允许有监督的学习模型，该有监督的学习模型使用分析用于分类和回归分析的数据的相关联的学习算法。因此，SVM训练算法能够使用例如用于生成SVM模型的线性分类器来构建模型。当可以创建SVM和其他类型的模型时，它们可以用作预测工具来管理未来的决策。

[0008] 为了克服现有技术的限制，需要能够收集和整合来自多个来源的数据的系统。此外，还需要能够使用收集的数据来对田地中的灌溉和其他产出进行建模、预测和控制的系统和方法。

发明内容

[0009] 为了解决现有技术中存在的缺点，本发明提供了一种系统和方法，其包括机器学习模块，该机器学习模块分析从以下一个或多个来源收集的数据：诸如灌溉机、UAV、卫星、跨接件安装式作物传感器、基于田地的传感器和气候传感器的历史应用。根据另一种优选实施方式，机器学习模块优选地从给定的田地内创建成组的田地对象(管理区域)，并且基于田地内的每个田地对象的特性数据而使用接收的数据来为每个限定的田地对象创建预测模型。

[0010] 包含在说明书中并且构成说明书的一部分的随附附图例示了本发明的各种实施方式，并且与说明书一起用于解释本发明的原理。

附图说明

[0011] 图1示出了与本发明一起使用的示例性灌溉系统。

[0012] 图2示出了：例示根据本发明的第一种优选实施方式的控制装置的示例性处理架构的框图。

[0013] 图3示出了根据本发明的另一种优选实施方式的包括多个示例性动力元件的示例性灌溉系统。

[0014] 图4示出了：例示根据本发明的一种优选实施方式的优选方法的框图。

[0015] 图4A示出了：例示根据本发明的一种优选实施方式的另一优选方法的框图。

[0016] 图5A-图5C示出了：例示根据本发明的一种优选实施方式的田地对象限定的示例的图。

[0017] 图6示出了：例示本发明的示例性方法和系统的其他方面的框图。

具体实施方式

[0018] 现在详细参考本发明的示例性实施方式，其示例在随附附图中例示。在可能的情况下，将贯穿附图使用相同的附图标记来指代相同或相似的部件。说明书、实施方式和附图不应被视为限制权利要求的范围。还应理解，贯穿本公开，除非逻辑上另有要求，否则在示出或描述过程或方法的情况下，可以以任何顺序(重复地、迭代地或同时地)执行方法的步骤。如贯穿本申请所使用的，词语“可以”是以允许性意义(即，意味着“有…的可能”)使用的，而不是以强制性意义(即，意味着“必须”)使用的。

[0019] 在讨论具体实施方式之前，在此描述用于实现某些实施方式的硬件架构的实施方式。一种实施方式可以包括通信地耦接至网络的一个或多个计算机。如本领域技术人员已知的，计算机可以包括中央处理单元(“central processing unit,CPU”)、至少一个只读存储器(“read-only memory,ROM”)、至少一个随机存取存储器(“random access memory,RAM”)、至少一个硬盘驱动器(“hard drive,HD”)和一个或多个输入/输出(“input/output,I/O”)装置。I/O装置可以包括键盘、监视器、打印机、电子指向性装置(诸如鼠标、轨迹球、触控笔等)等等。在各种实施方式中，计算机具有通过网络访问至少一个数据库的接口。

[0020] ROM、RAM和HD是计算机存储器，用于存储可以由CPU执行的计算机可执行指令。在本公开内，术语“计算机可读介质”不限于ROM、RAM和HD，并且可以包括可以由处理器读取的任何类型的数据存储介质。在一些实施方式中，计算机可读介质可以指数据盒带、数据备份磁带、软盘、闪存驱动器、光学数据存储驱动器、CD-ROM、ROM、RAM、HD等等。

[0021] 本文描述的功能或过程的至少一部分能够以适当的计算机可执行指令来实现。计算机可执行指令可以作为软件代码部件或模块存储在一个或多个计算机可读介质(诸如非易失性存储器、易失性存储器、DASD阵列、磁带、软盘、硬盘驱动器、光学存储装置等等或任何其他适当的计算机可读介质或存储装置)上。在一种实施方式中，计算机可执行指令可以包括以下的编译行：C++、Java、HTML或任何其他编程或脚本代码(诸如R、Python和/或Excel)。此外，本发明教导了使用处理器来执行本文描述的功能和过程。照此，处理器被理解为是指执行实现特定动作所需的计算机代码的计算机芯片或处理元件。

[0022] 此外，所公开的实施方式的功能可以在一台计算机上实现，或者在单个网络或云中或跨多个网络或云在两台或更多台计算机之间共享/分布。在计算机之间通信的实现实施方式可以使用经由电力线载波、蜂窝、数字无线电或符合已知网络协议的其他合适的通信方法和手段传输的任何电信号、光学信号或射频信号来完成。

[0023] 此外，本文给出的任何示例或图示均不应被视为以任何方式对它们使用的任何一个或多个术语进行约束、限制或明确限定。相反，这些示例或图示仅应被视为是说明性的。本领域的普通技术人员将认识到，这些示例或图示使用的任何一个或多个术语将包括可能随附给出或在说明书中的其他地方给出或者未给出的其他实施方式，并且所有这些实施方式均旨在包括在所述一个或多个术语的范围内。

[0024] 图1-图6例示了可以与本发明的示例性实现一起使用的灌溉系统的各种实施方式。如应理解的，图1-图6中所示的灌溉系统是可以集成本发明的特征的示例性系统。因此，图1-图6旨在是纯说明性的，并且各种系统(即，固定系统以及线性和中心枢轴自走式灌溉系统；静止系统；角隅系统(corner system))中的任何系统均可以与本发明一起使用而没有限制。例如，尽管图1示出为中心枢轴灌溉系统，但是本发明的示例性灌溉系统100还可以实现为线性灌溉系统。示例灌溉系统100不旨在以任何方式限制或限定本发明的范围。根据另一种优选实施方式，本发明可以与各种类型的发动机一起使用，诸如气体动力的、DC动力的、开关磁阻的、单相AC的发动机等等。再进一步地，本发明的示例性实施方式主要是针对直接喷洒灌溉方法进行讨论的。然而，本发明的方法和系统可以与任何运送施用物的方法一起使用而没有限制。例如，由本发明所使用的另外的运送方法可以包括诸如滴灌、行进枪、定喷、漫灌和其他灌溉方法之类的方法而没有限制。

[0025] 现在参照图1，示出了跨接件102、104、106由驱动塔108、109、110支撑。此外，每个驱动塔108、109、110均示出为带有相应的发动机117、119、120，这些发动机向驱动轮115、116、118提供转矩。如图1中进一步示出的，灌溉机100还可以优选地包括延伸件/突出件
121，该延伸件/突出件可以包括端枪(未示出)。

[0026] 如图所示，图1提供了没有任何添加的动力元件和传感器的灌溉机100的图示。现在参照图3，示出了包括许多示例性动力元件的示例性系统300。如图3所示，本发明优选地通过将本发明的各种元件附接至灌溉系统的连接至水源或井源330的一个或多个跨接件310来实现。如进一步示出的，示例性灌溉系统还优选地包括被提供用于控制和调节水压的换能器326、328，以及优选地被编程以监测和控制灌溉单元驱动系统的部分的驱动单元
316、324。

[0027] 此外，本发明的系统优选地还包括元件诸如用于接收位置数据的GPS接收器320和用于监测系统中的水流的流动速率计332。此外，本发明的系统优选地包括一系列传感器，并且可以从各种来源接收一系列传感器输入数据，如本文进一步讨论的。如下文关于图4所讨论的，这些传感器和输入包括任何数量的机载传感器、原位传感器、远程/场外传感器、土地勘测数据以及生产商/种植者和/或专家提供的测量或规格。

[0028] 再次参照图3，示出了代表性的间接作物传感器314、318，其可以收集一系列数据(如下文讨论的)，包括土壤水分水平。此外，传感器314、318还可以包括光学器件，以允许检测作物类型、生长阶段、健康、存在病害、生长率等等。此外，该系统优选地还可以包括一个或多个直接传感器311，该直接传感器可以直接附接至植物以提供植物健康和状态的直接读数。此外，一个或多个直接土壤传感器313也可以用于生成土壤水分、营养物含量或其他土壤相关数据。例如，优选的土壤传感器313可以记录与各种土壤特性相关的数据，包括：土壤质地、含盐度、有机质水平、硝酸盐水平、土壤pH和粘土水平。再有，检测系统还可以包括能够测量诸如湿度、大气压、降水量、温度、入射太阳辐射、风速等等之类的天气特征的气候站322等等。再有，该系统优选地可以包括无线收发器/路由器311和/或基于电力线载波的通信系统(未示出)，以用于在系统元件之间接收和发送信号。

[0029] 现在参照图2，现在将讨论表示控制灌溉系统100的一个或多个操作方面的功能的示例性控制装置138。如图所示，示例性控制装置138包括处理器140、存储器142和网络接口144。处理器140为控制装置138提供处理功能，并且可以包括任意数量的处理器、微控制器或其他处理系统。处理器140可以执行实现本文描述的技术的一个或多个软件程序。存储器
142是有形的计算机可读介质的示例，其提供存储功能以存储与控制装置138的操作相关联的各种数据，诸如上述的软件程序和代码段，或者指示控制装置138的处理器140和其他元件执行本文所述的步骤的其他数据。存储器142可以包括例如可移动和不可移动存储元件，诸如RAM、ROM、闪存(例如SD卡、迷你型SD卡、微型SD卡)、磁性器件、光学器件、USB存储装置等等。网络接口144提供使控制装置138能够通过诸如无线接入点、收发器电力线载波接口等等之类的各种部件以及由这些部件采用的任何相关联的软件(例如，驱动器、配置软件等等)来与一个或多个网络146通信的功能。

[0030] 在各种实现中，灌溉位置确定模块148可以包括全球定位系统(GPS)接收器、LORAN系统等等，以计算灌溉系统100的位置。此外，控制装置138可以耦接至灌溉系统100的引导装置或类似系统152(例如，转向组件或转向机构)，以控制灌溉系统100的移动。如图所示，控制装置138还可以包括位置-地形补偿模块151，以帮助控制系统的移动和位置感知。此外，控制装置138优选地还可以包括多个输入和输出，以接收来自传感器154和监测装置的数据，如下文进一步讨论的。

[0031] 进一步参照图3，根据另一种优选实施方式，本发明的系统还可以包括分布式数据收集和路由集线器305、307、309，其可以直接从各种跨接件传感器接收数据并将所接收的数据发送至设置在远程服务器306上的机器学习模块306，该远程服务器接收来自灌溉系统300的传感器的多个输入。在本实施方式中，机器学习模块306优选地包括可以经由因特网或其他网络架构访问的服务侧软件。可替代地，机器学习模块306和本发明的其他方面可以包括驻留在主控制面板308中或在另一站点处的客户侧软件。无论如何，应理解，该系统可以由配置为实现本发明的特征的任何合适的软件、硬件或软硬件两者构成。

[0032] 根据另一种优选实施方式，本发明的各系统优选地一起操作以收集和分析数据。根据本发明的一个方面，数据优选地收集自一个或多个来源，包括图像和水分感测数据，来自UAV302、卫星304、跨接件安装式作物传感器318、314以及气候站322、地面传感器313、作物传感器311，以及由灌溉机100本身的控制/监测系统和其他系统元件提供的数据(例如，灌溉水或其他施用物的施用所应用的量、位置和时间；灌溉机的当前状态和位置；机器故障；机器管线压力等)。优选地，数据的组合和分析是被连续地处理和更新的。

[0033] 根据另一种优选实施方式，来自卫星的图像数据可以被处理并且用于生成植被指数数据，诸如：EVI(enhanced vegetation index，增强植被指数)、NDVI(normalized difference vegetation index，归一化差值植被指数)、SAVI(soil-adjusted vegetation index，土壤调整植被指数)、MASVI(modified soil-adjusted vegetation index，改良土壤调整植被指数)和PPR(plant pigment ratio，植物色素比)等等。其他传感器可以包括各种电磁传感器、光学传感器、机械传感器、声学传感器和化学传感器中的任一者。这些传感器还可以包括测量频域反射(Frequency Domain Reflectometry,FDR)、时域反射(Time Domain Refelectometry,TDR)、时域传输(Time Domain Transmissometry,TDT)和中子的传感器。

[0034] 现在参照图3-图7，现在将讨论使用本发明的机器学习模块306的优选方法。优选地，在准备对如下文所讨论的从传感器来源收集的数据进行处理、组合和评估时，机器学习模块306将优选地首先接收田地测量值和尺寸。根据一种优选实施方式，可以手动地或自第三方勘测、根据物理机的长度或利用历史卫星图像的图像识别系统来输入田地尺寸。可替代地，数据集线器305、307、309优选地还可以包括勘测传感器，诸如GPS、视觉和/或激光测量检测器，以确定田地尺寸。

[0035] 现在参照图4，在输入田地测量值和尺寸之后，在步骤424处机器学习模块306随后将优选地创建整个田地的子部分，并且将创建的子部分存储为称为“管理区域”的田地对象。如图5A所示，根据一种优选实施方式，对于中心枢轴灌溉机，所创建的田地对象优选地被创建为环形扇区506，该环形扇区形成为由任意半径的内圆和外圆限定的环的子部分。根据各种因素，包括但不限于喷洒器沿着机器的间距、不同分组的喷洒器或其他因素，这些半径可以一致地增加或变化地增加。在圆周上，环被由角(Θ)限定的半径分段成环形扇区。

[0036] 如图5B所示，角(Θ)优选地由弧长504限定，该弧长可以是由用户提供的任意长度，最后的喷洒器的抛洒半径，由灌溉机的位置感知系统的分辨率或其他因素限定。此外，该弧长不必在田地区内在段与段之间保持一致。然而，所有的弧长总和必须为被分段成这些弧长的圆的周长，并且它们可以彼此不重叠。类似地，角(Θ)总和必须为360，并且这些角(Θ)的位置必须使得由每个角包围的区不重叠，并且总是与其他角(Θ)相邻。如图5C所示，田地对象508可以优选地分解为由列Ci至Cn组成的数据集，其中每个C被限定为环形扇区(标记为Cn,1、Cn,2,…Cn,x)和落入任意弧长(一个或多个)的一个圆扇区(标记为Cn,z)的集合。更进一步地，如图5A-图5C所示，每个环形扇区可以优选地限定为具有：

[0037]

[0038] 其中，Θ是由外圆周长度S分离的相邻半径形成的角；Ru是外弧的半径；并且Ri是环形段的内弧的半径。根据可替代的优选实施方式，田地对象可替代地在网格系统、极坐标系统上评估或估计，或者根据需要使用任何其他空间分类系统。

[0039] 再次参照图4，在步骤426处，优选地收集并且存储针对每个限定的田地对象的数据，如上文所讨论的。因此，特性数据可以包括来自本文讨论的传感器中的任一传感器的数据。这些可以例如包括：

[0040] -机载感测阵列——包括描述或测量目标地点和/或设备的特性的有源和无源系统。这种传感器测量可以包括关于以下测量：直接土壤水分或植物状态；作物冠层温度；环境空气温度；相对湿度；大气压；长波和短波辐射；光合有效辐射；降雨量；风速；和/或土壤和作物冠层的各种光谱带降。此外，测量的传感器数据可以包括来自灌溉机控制/监测系统的数据，包括：GPS位置；枢轴/线性系统数据；沿着管线的压力；喷洒器状态；流动速率(GPM/LPS)；阀位置；开/关时间；模式尺寸/直径；电压；错误消息；百分比计时器设置；方向，前进或后退；加肥灌溉/化学灌溉状态；水化学信息；以及其他操作信息。

[0041] -场外远程感测——包括空中、UAV和卫星数据或从未附接至目标地点或设备的系统获取的其他数据。这样的数据可以包括：Geo-tiff图像，光谱数据，包括RGB波段，NIR，IR(热)，聚焦天气的雷达，基于雷达的地形，土壤水分和作物生长的主动和被动微波图像，以及基于这些和其他各个光谱带的衍生指数，诸如NDVI。此外，这样的数据可以包括来自卫星热平衡模型(包括红外热标志)的蒸散量数据和来自作物胁迫指数模型的数据。此外，远程数据可以包括来自气候站的气候数据，该气候数据足以计算或估计蒸散量，诸如温度、相对湿度、降水量、太阳辐射、风速、雨、天气数据和预计状况。此外，数据可以包括来自作物峰值ET的反馈以及土壤测绘数据。

[0042] -原位感测——可以包括信息，诸如：土壤和缓冲剂pH；主要营养物水平(氮、磷、钾)；土壤有机质(碳)含量；土壤质地(粘土含量)；土壤水分和温度；阳离子交换容量(cation exchange capacity,CEC)；土壤紧实度；任何根限制层的深度；土壤结构和容量。

[0043] -土地勘测数据——包括来自公共和/或私人来源的描述性数据、数字数据和图形数据，包括目标地点的地理的、地质的和任何其他物理的或物理得到的测量；田地特性；土壤/EC/CRNP数据；地貌；田地形状；以及来自公共可用的土壤图和数据库的数据。

[0044] -灌溉系统的生产商的规格——枢轴特性；跨接件配置；流动速率；最大可允许英寸/英亩；需求压力；最大速度；喷洒器套件、端枪与否。

[0045] -种植者和/或专家提供的测量或规格——包括但不限于：土壤分析、土壤或水化学、地理分析、气象分析、灌溉或营养物计划或历史操作；产量数据；土壤水平衡计算；根区的土壤水分；沿深度的土壤水分；根区中的土壤水分预测；沿深度的土壤水分预测；作物种类/品种/类型；播种期；出苗期；再种期；临界土壤水分可允许损耗；公布的作物系数曲线；私人开发的作物系数曲线；基于本地(预置on-premises)传感器的作物生长阶段的确定；蒸散量计算数据；整个田地均匀蒸散量估算；部分田地蒸散量估算；以及整个田地变化的蒸散量估算。

[0046] 再次参照图4，在步骤428处，每个田地对象/环形扇区优选地限定为包含从田地水平数据继承的特性以及由其与其他数据点的关系得出的特性(例如邻近土壤类型和海拔)的离散数据点。在一种实施方式中，作为示例，可以使用来自相邻田地对象的坡度来计算进入或离开特定田地对象的过量降雨的径流。

[0047] 在步骤432处，优选地由机器学习模块306使用所创建的离散数据点来为每个离散数据点创建预测模块。根据一种优选实施方式，机器学习模块306通过将每个数据点与针对该田地对象的输入/输出数据进行配对并且在时间上或作为非时间集评估数据来执行建模功能。根据另一种优选实施方式，随后针对特定输出评估性能时间线/观测，作为整个收集的一部分，其中评估机学习如何对数据点进行分类，并且构建一种算法，该算法准确地反映针对期望输出的观察到的性能时间线。然后，优选地将这些算法中的一个或多个算法组合成一种解决方案模型，该解决方案模型可以用于实时评估新的田地，以便帮助种植者优化收益性，现金流，法规遵从性，水、肥料或化学施用效率，或任何其他可能需要或发现的可衡量的或无形的效益。

[0048] 根据一种优选实施方式，可以优选地为每个田地的每个管理区域(环形扇区或其他可灌溉单元)创建解决方案模型。此外，解决方案模型可以优选地全部地或部分地由任意数量的人类提供的启发和/或机器创建的算法或其组合来创建。此外，可以通过回归、模拟或任何其他形式的机器/深度学习技术来创建算法。根据另一种优选实施方式，本发明的解决方案模型可以作为神经网络、独立算法或者学习的或精心编制的代码模块或独立程序的任何组合来交付。此外，解决方案模型可以优选地结合来自本地和远程来源的实时/缓存的数据馈送。

[0049] 现在进一步参照图4，本发明的解决方案模型可以优选地经由来自内容分发网络、点对点连接或任何其他形式的电子或模拟运送的推/拉请求而交付给种植者。此外，该系统将优选地允许操作员在审查之后接受、拒绝或修改解决方案模型。

[0050] 一旦交付模型，在步骤434处，优选地接收数据输入并将其提供给模型以进行评估。在步骤436处，生成输出值，如下文进一步讨论的。优选地，数据输入优选地包括来自操作员的对解决方案模型的接受、拒绝或修改，以及来自以上关于步骤424-432所讨论的数据输入的列表中的任何数据输入的更新数据。此外，数据输入可以包括额外数据，诸如种植者指定和/或期望的数据，诸如：期望的行进方向；基部水施用深度；针对速度、区域或单个喷洒器的可变速率处方；种植者化学灌溉建议；化学灌溉物料；准备注射的化学灌溉物料量；每单位面积的基部化学灌溉施用量；针对速度、区域或单个喷洒器的可变速率处方；灌溉系统和/或传感器操作或维修状态。

[0051] 现在参照图4和图4A，现在将进一步讨论输入数据和输出建模值的示例性方法。如图4A所示，本发明的机器学习模块440可以优选地用于接收历史数据438(图4中的步骤428)，该历史数据可以包括针对给定的田地内的每个对象的在一段时间内(即周、月、年)记录的数据。该历史数据优选地由机器学习模块440接收，并且用于根据针对所选择的期望输出限定的训练集446来创建预测模型450(图4中的步骤432)。为了创建预测模型450，机器学习模块440优选地还包括子模块来处理接收到的数据442，包括诸如数据清理、数据转换、规一化和特征提取之类的步骤。

[0052] 一旦被提取，目标特征向量444被转发至用于训练一个或多个机器学习算法448的训练模块446以创建一个或多个预测模型450。如图所示，预测模型450优选地接收当前传感器数据输入454(图4中的步骤434)并且输出模型输出/评估数据456(图4中的步骤436)，所述模型输出/评估数据被提供给处理模块458以基于模型输出456来创建系统输入和改变。在步骤452处，输出值456和当前输入454优选地还经由反馈回路452反馈回机器学习模块
440中，使得模块440可以连续地学习和更新预测模型450。

[0053] 现在参照图6，现在将进一步讨论本发明的另一示例应用。如图6所示，示例应用涉及基于检测到的系统数据来调整驱动和VRI系统。如图所示，馈送至系统的示例数据可以包括：针对给定时间的位置数据602(P1)。此外，示例数据还可以包括来自驱动系统605的转矩应用数据604(D1)，其指示在给定的时间间隔(即T+l)内应用至驱动轮的转矩量。利用这些数据输入，本发明的系统优选地可以计算在给定的时间间隔(即T+l)之后的驱动塔610的预期位置(PE)。此外，该系统优选地可以接收检测到的在给定长度的时间之后的驱动塔的位置的位置数据612(即P2)。在下一步骤614处，比较预期位置与检测到的位置，并且如果P2滑移率(即P2/PE)，然后将该滑移率转发至预测模型624进行分析。

[0054] 根据本发明的一种优选实施方式，图6中所示的示例性预测模型624优选地由以上关于图4、图4A和图5所讨论的方法进行创建和更新。如图6所示，示例性预测模型624可以从根据一系列计算出的滑移率来计算水分水平(即地面水分水平)。更具体地，示例性预测模型624优选地可以基于测量的滑移率来计算给定环形区域的建模水分水平。在下一步骤处，然后可以将估计的给定环形区域的水分水平转发至处理模块625，该处理模块然后可以使用估计的水分水平来对灌溉系统进行所选择的调整。例如，处理模块可以基于测量的滑移率来计算速度校正，然后将该速度校正输出622至驱动系统605。速度校正还可以包括对塔之间的速度进行比较以及对塔之间的对准性进行计算。此外，处理模块可以计算校正的灌水率620，该校正的灌水率可以输出至VRI控制器608。此外，处理模块625可以输出要包括在系统通知或其他计算中的更新的湿度水平618。

[0055] 应理解，本发明可以对一系列灌溉系统和子系统进行分析和建模，并且基于任何接收到的数据提供用于执行的定制模型。关于图6讨论的建模仅是单个示例。其他建模输出可以包括针对每个子系统的指示和/或建议，包括对以下的改变：行进方向；基部水施用深度；针对速度、区域或单个喷洒器的可变速率处方；种植者化学灌溉建议；化学灌溉物料的量和类型；准备注射的所需的化学灌溉物料量；每单位面积的基部化学灌溉施用量；中心枢轴维护和/或维修；传感器维护和/或维修状态等等，以上没有限制。如果需要，每个建模的输出可以被自动地转发并且由灌溉系统执行，或者发送给种植者接受/输入，以备执行。

[0056] 虽然关于本发明的以上描述包括许多具体性，但是这些不应被解释为对范围的限制，而是应被解释为示例。许多其他变体是可能的。例如，本发明的本发明处理元件可以在多个频率下操作。此外，本发明提供的通信可以设计为双工或单工性质。此外，根据需要，用于向本发明发送数据和从本发明发送数据的过程可以设计为推或拉性质。再有，本发明的每个特征可以被远程激活并且从远处监测站访问。因此，根据需要，可以优选地将数据上传至本发明并且从本发明下载。

[0057] 因此，本发明的范围不应由所例示的实施方式来确定，而是由所附的权利要求及其法律等效物来确定。

标题	发布/更新时间	阅读量
使用飞行器反射雷达的系统和方法	2020-05-13	312
无人驾驶航空器的包括轨道携带的捕捉索的捕捉装置以及相关的系统和方法	2020-05-12	379
激光传感器和视觉传感器的校准	2020-05-13	651
使用大型变速倾转旋翼的EVTOL飞行器	2020-05-13	153
激光传感器的校准方法	2020-05-14	834
一种无人驾驶交通导航信号设备和其管理系统	2020-05-08	293
相机及可移动平台	2020-05-08	417
VMIMO天线、微波雷达及可移动平台	2020-05-08	541
地面站、无人驾驶飞行器系统和片上系统电路	2020-05-13	837
无人驾驶飞行器、锁定装置、螺旋桨叶片单元与转子单元	2020-05-08	353

使用机器学习工作流进行灌溉管理的系统与方法