BR112019024937B1 - SYSTEM FOR USE WITH A SELF-PROPELLED IRRIGATION SYSTEM - Google Patents
SYSTEM FOR USE WITH A SELF-PROPELLED IRRIGATION SYSTEM Download PDFInfo
- Publication number
- BR112019024937B1 BR112019024937B1 BR112019024937-0A BR112019024937A BR112019024937B1 BR 112019024937 B1 BR112019024937 B1 BR 112019024937B1 BR 112019024937 A BR112019024937 A BR 112019024937A BR 112019024937 B1 BR112019024937 B1 BR 112019024937B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- fact
- field
- machine learning
- soil
- Prior art date
Links
Abstract
A presente invenção fornece um sistema e método que inclui um módulo de aprendizagem de máquina o qual analisa dados coletados a partir de uma ou mais fontes tais como UAVs, satélites, sensores de safra montados na extensão (span), sensores de solo diretos e sensores climáticos. De acordo com uma outra modalidade preferencial, o módulo de aprendizagem de máquina preferencialmente cria conjuntos de objetos de campo de dentro de um campo determinado e usa os dados recebidos para criar um modelo preditivo para cada objeto de campo definido com base em características detectadas a partir de cada objeto de campo dentro do campo.The present invention provides a system and method that includes a machine learning module which analyzes data collected from one or more sources such as UAVs, satellites, span-mounted crop sensors, direct soil sensors, and climatic. According to another preferred embodiment, the machine learning module preferably creates sets of field objects from within a given field and uses the received data to create a predictive model for each defined field object based on features detected from of each field object within the field.
Description
[001] PEDIDOS RELACIONADOS[001] RELATED ORDERS
[002] O presente pedido reivindica prioridade ao Pedido Provisório US n° 62/513.479 depositado em 1 de junho de 2017.[002] The present application claims priority to US Provisional Application No. 62/513,479 filed on June 1, 2017.
[003] ANTECEDENTES E CAMPO DA PRESENTE INVENÇÃO[003] BACKGROUND AND FIELD OF THE PRESENT INVENTION
[004] Campo da presente invenção[004] Field of the present invention
[005] A presente invenção refere-se geralmente a um sistema e método para gerenciamento de sistemas de irrigação e, mais particularmente, a um sistema e método para usar a aprendizado de máquina para modelar e projetar fluxos de trabalho para um sistema de irrigação.[005] The present invention generally relates to a system and method for managing irrigation systems and, more particularly, to a system and method for using machine learning to model and design workflows for an irrigation system.
[006] Antecedentes da Invenção[006] Background of the Invention
[007] A capacidade de monitorar e controlar a quantidade de água, produtos químicos e/ou nutrientes (aplicantes) aplicados a um campo agrícola aumentou a quantidade de acres cultiváveis no mundo e aumenta a probabilidade de um rendimento de plantação proveitosa (profitable). Os sistemas de irrigação conhecidos tipicamente incluem um dispositivo de controle com uma interface de usuário permitindo ao operador monitorar e controlar uma ou mais funções ou operações do sistema de irrigação. Através do uso da interface de usuário, os operadores podem controlar e monitorar numerosos aspectos do sistema de irrigação e do ambiente de crescimento. Adicionalmente, os operadores podem receber dados ambientais e de crescimento significativos de sensores locais e remotos.[007] The ability to monitor and control the amount of water, chemicals and/or nutrients (applications) applied to an agricultural field has increased the amount of cultivable acres in the world and increases the likelihood of a profitable plantation yield. Known irrigation systems typically include a control device with a user interface allowing the operator to monitor and control one or more functions or operations of the irrigation system. Through the use of the user interface, operators can control and monitor numerous aspects of the irrigation system and growing environment. Additionally, operators can receive significant environmental and growth data from local and remote sensors.
[008] Apesar das quantidades significativas de dados e controle disponíveis para os operadores, os sistemas presentes não permitem que os operadores modelem ou, de outra forma, usem a maioria dos dados ou elementos de controle à sua disposição. Em vez disso, os operadores estão limitados a usar intuição e capturas instantâneas de tráfego de dados disponíveis para fazer ajustes em seus sistemas de irrigação. Consequentemente, apesar da grande quantidade de dados criados, o processo de tomada de decisão para os produtores não mudou significativamente em várias décadas.[008] Despite the significant amounts of data and control available to operators, the present systems do not allow operators to model or otherwise use most of the data or control elements at their disposal. Instead, operators are limited to using intuition and snapshots of available data traffic to make adjustments to their irrigation systems. Consequently, despite the large amount of data created, the decision-making process for producers has not changed significantly in several decades.
[009] Fora do campo da irrigação, vários métodos de aprendizado de máquina foram desenvolvidos que possibilitam modelos de aprendizado supervisionados e não supervisionados com base em conjuntos de dados definidos. Por exemplo, as máquinas de vetores de suporte (SVMs) permitem para um modelo de aprendizado supervisionado que usa algoritmos de aprendizado associados que analisam dados utilizados para análise de classificação e regressão. Consequentemente, um algoritmo de treinamento SVM é capaz de construir um modelo usando, por exemplo, um classificador linear para gerar um modelo SVM. Quando o SVM e outros tipos de modelos podem ser criados, eles podem ser usados como ferramentas preditivas para orientar futuras tomadas de decisão.[009] Outside the field of irrigation, several machine learning methods have been developed that enable supervised and unsupervised learning models based on defined data sets. For example, support vector machines (SVMs) allow for a supervised learning model that uses associated learning algorithms that analyze data used for classification and regression analysis. Consequently, an SVM training algorithm is capable of building a model using, for example, a linear classifier to generate an SVM model. When SVM and other types of models can be created, they can be used as predictive tools to guide future decision making.
[010] Para superar as limitações do estado da técnica, é necessário um sistema que seja capaz de coletar e integrar dados a partir de uma variedade de fontes. Adicionalmente, são necessários um sistema e método que sejam capazes de usar os dados coletados para modelar, predizer e controlar a irrigação e outros resultados no campo.[010] To overcome the limitations of the prior art, a system is needed that is capable of collecting and integrating data from a variety of sources. Additionally, a system and method are needed that are capable of using the collected data to model, predict, and control irrigation and other outcomes in the field.
[011] Sumário da Presente Invenção[011] Summary of the Present Invention
[012] Para abordar as deficiências apresentadas no estado da técnica, a presente invenção provê um sistema e método que incluem um módulo de aprendizado de máquina que analisa dados coletados a partir de uma ou mais fontes, tais como aplicações históricas pela máquina de irrigação, UAVs, satélites, sensores de plantação montados na extensão (span), sensores com base em campo e sensores climáticos. De acordo com uma outra modalidade preferencial, o módulo de aprendizado de máquina cria preferencialmente conjuntos de objetos de campo (zonas de gerenciamento) a partir de dentro de um determinado campo e usa os dados recebidos para criar um modelo preditivo para cada objeto de campo definido com base nos dados característicos de cada objeto de campo dentro do campo.[012] To address the deficiencies presented in the prior art, the present invention provides a system and method that includes a machine learning module that analyzes data collected from one or more sources, such as historical applications by the irrigation machine, UAVs, satellites, span-mounted crop sensors, field-based sensors and weather sensors. According to another preferred embodiment, the machine learning module preferentially creates sets of field objects (management zones) from within a given field and uses the received data to create a predictive model for each defined field object. based on the characteristic data of each field object within the field.
[013] As figuras anexas, as quais são incorporadas e constituem parte das especificações, ilustram várias modalidades da presente invenção e junto com o relatório descritivo, servem para explicar os princípios da presente invenção.[013] The attached figures, which are incorporated and constitute part of the specifications, illustrate various embodiments of the present invention and together with the descriptive report, serve to explain the principles of the present invention.
[014] Breve descrição das figuras[014] Brief description of the figures
[015] A FIG. 1 mostra um sistema de irrigação exemplar para uso com a presente invenção.[015] FIG. 1 shows an exemplary irrigation system for use with the present invention.
[016] A FIG. 2 mostra um diagrama de blocos ilustrando a arquitetura de processamento exemplar de um dispositivo de controle de acordo com uma primeira modalidade preferencial da presente invenção.[016] FIG. 2 shows a block diagram illustrating the exemplary processing architecture of a control device in accordance with a first preferred embodiment of the present invention.
[017] A FIG. 3 mostra um sistema de irrigação exemplar com um número de elementos energizados exemplares incluídos de acordo com outra modalidade preferencial da presente invenção.[017] FIG. 3 shows an exemplary irrigation system with a number of exemplary energized elements included in accordance with another preferred embodiment of the present invention.
[018] A FIG. 4 mostra um diagrama de blocos ilustrando um método preferencial de acordo com uma modalidade preferencial da presente invenção.[018] FIG. 4 shows a block diagram illustrating a preferred method in accordance with a preferred embodiment of the present invention.
[019] A FIG. 4A mostra um diagrama de blocos ilustrando um método adicionalmente preferencial de acordo com uma modalidade preferencial da presente invenção.[019] FIG. 4A shows a block diagram illustrating a further preferred method in accordance with a preferred embodiment of the present invention.
[020] As FIGS. 5A-5C mostram diagramas ilustrando exemplos de definições de objetos de campo de acordo com uma modalidade preferencial da presente invenção.[020] FIGS. 5A-5C show diagrams illustrating example definitions of field objects in accordance with a preferred embodiment of the present invention.
[021] A FIG. 6 mostra um diagrama de blocos ilustrando adicionalmente aspectos de um método e sistema exemplares da presente invenção.[021] FIG. 6 shows a block diagram further illustrating aspects of an exemplary method and system of the present invention.
[022] Descrição das Modalidades Preferenciais[022] Description of Preferential Modalities
[023] A referência é agora feita em detalhe às modalidades exemplares da invenção, exemplos das quais são ilustrados nas figuras anexas. Sempre que possível, os mesmos números de referência serão usados em todas as figuras para se referir a partes iguais ou semelhantes. As descrições, modalidades e figuras não devem ser tomadas como limitantes do escopo das reivindicações. Deve-se entender também que, durante esta divulgação, ao menos quando logicamente exigido o contrário, onde um processo ou método for apresentado ou descrito, as etapas do método podem ser desempenhadas em qualquer ordem, repetitivamente, iterativamente ou simultaneamente. Conforme utilizado ao longo deste pedido, a palavra "pode" é utilizada em um sentido permissivo (isto é, significando "ter o potencial para"), em vez do sentido obrigatório (isto é, significando "deve").[023] Reference is now made in detail to exemplary embodiments of the invention, examples of which are illustrated in the attached figures. Wherever possible, the same reference numbers will be used in all figures to refer to the same or similar parts. The descriptions, embodiments and figures should not be taken as limiting the scope of the claims. It should also be understood that, during this disclosure, at least when logically required otherwise, where a process or method is presented or described, the steps of the method may be performed in any order, repetitively, iteratively or simultaneously. As used throughout this order, the word "may" is used in a permissive sense (i.e., meaning "have the potential to") rather than the obligatory sense (i.e., meaning "shall").
[024] Antes de discutir modalidades específicas, modalidades de uma arquitetura de hardware para implementar certas modalidades são descritas aqui. Uma modalidade pode incluir um ou mais computadores comunicativamente acoplados a uma rede. Como é de conhecimento daqueles versados na técnica, o computador pode incluir uma unidade de processamento central ("CPU"), pelo menos uma memória somente leitura ("ROM"), pelo menos uma memória de acesso aleatório ("RAM"), pelo menos um disco rígido ("HD"), e um ou mais dispositivos de entrada/saída ("I/O"). Os dispositivos I/O podem incluir um teclado, monitor, impressora, dispositivo de apontamento eletrônico (tal como um mouse, trackball, stylist, etc.), ou similares. Em várias modalidades, o computador tem acesso a, pelo menos, uma base de dados sobre a rede.[024] Before discussing specific embodiments, embodiments of a hardware architecture for implementing certain embodiments are described here. An embodiment may include one or more computers communicatively coupled to a network. As is known to those skilled in the art, the computer may include a central processing unit ("CPU"), at least one read-only memory ("ROM"), at least one random access memory ("RAM"), at least least one hard disk ("HD"), and one or more input/output ("I/O") devices. I/O devices may include a keyboard, monitor, printer, electronic pointing device (such as a mouse, trackball, stylist, etc.), or the like. In various embodiments, the computer has access to at least one database on the network.
[025] ROM, RAM e HD são memórias de computador para armazenar instruções executáveis por computador, executáveis pela CPU. Dentro desta divulgação, o termo "meio legível por computador" não se limita à ROM, RAM e HD e pode incluir qualquer tipo de meio de armazenamento de dados que possa ser lido por um processador. Em algumas modalidades, um meio legível por computador pode se referir a um cartucho de dados, uma fita magnética de backup de dados, um disquete, um drive de memória flash, um drive de armazenamento óptico de dados, um CD-ROM, ROM, RAM, HD ou semelhante.[025] ROM, RAM and HD are computer memories for storing computer-executable instructions, executable by the CPU. Within this disclosure, the term "computer readable medium" is not limited to ROM, RAM and HD and may include any type of data storage medium that can be read by a processor. In some embodiments, a computer-readable medium may refer to a data cartridge, a magnetic data backup tape, a floppy disk, a flash memory drive, an optical data storage drive, a CD-ROM, ROM, RAM, HD or similar.
[026] Pelo menos porções das funcionalidades ou processos descritos aqui podem ser implementadas em instruções executáveis por computador adequadas. As instruções executáveis por computador podem ser armazenadas como componentes de código de software ou módulos em uma ou mais mídias legíveis por computador (tais como memórias não voláteis, memórias voláteis, arranjos DASD, fitas magnéticas, disquetes, discos rígidos, dispositivos de armazenamento ópticos, etc. ou qualquer outro meio de armazenamento legível por computador ou dispositivo de armazenamento adequado). Em uma modalidade, as instruções executáveis por computador podem incluir linhas de C++, Java, HTML, compiladas ou qualquer outro código de programação ou scripting tais como R, Python e/ou Excel. Adicionalmente, a presente invenção ensina o uso de processadores para desempenhar as funcionalidades e processos aqui descritos. Como tal, entende-se por processador o chip de computador ou o elemento de processamento que executa o código de computador necessário para o desempenho de uma ação específica.[026] At least portions of the functionalities or processes described herein can be implemented in suitable computer executable instructions. Computer-executable instructions may be stored as software code components or modules on one or more computer-readable media (such as non-volatile memories, volatile memories, DASD arrays, magnetic tapes, floppy disks, hard drives, optical storage devices, etc. or any other computer-readable storage medium or suitable storage device). In one embodiment, the computer executable instructions may include lines of C++, Java, HTML, compiled or any other programming or scripting code such as R, Python and/or Excel. Additionally, the present invention teaches the use of processors to perform the functionalities and processes described herein. As such, a processor is understood to be the computer chip or processing element that executes the computer code necessary to perform a specific action.
[027] Ademais, as funções das modalidades divulgadas podem ser implementadas em um computador ou compartilhadas/distribuídas entre dois ou mais computadores dentro ou através de uma ou múltiplas redes ou nuvem. As comunicações entre modalidades de implementação em computadores podem ser realizadas usando quaisquer sinais eletrônicos, ópticos ou de radiofrequência, transmitidos via portadora de linha de energia, celular, rádio digital ou outros métodos adequados e ferramentas de comunicação em conformidade com protocolos de rede conhecidos.[027] Furthermore, the functions of the disclosed embodiments can be implemented on one computer or shared/distributed between two or more computers within or through one or multiple networks or cloud. Communications between computer implementation embodiments may be accomplished using any electronic, optical, or radio frequency signals transmitted via power line carrier, cellular, digital radio, or other suitable methods and communication tools in accordance with known network protocols.
[028] Ademais, quaisquer ilustrações ou exemplos dados neste documento não devem ser considerados, de forma alguma, como restrições, limites ou definições expressas de qualquer termo ou termos com os quais estes são utilizados. Em vez disso, estes exemplos ou ilustrações devem ser considerados como apenas ilustrativos. Aqueles com técnica comum na arte irão apreciar que qualquer termo ou termos utilizados com os quais estes exemplos ou ilustrações sejam utilizados englobará outras modalidades que podem ou não ser dadas junto ou em outras partes das especificações e todas estas modalidades destinam-se a ser inclusas dentro do escopo desse termo ou termos.[028] Furthermore, any illustrations or examples given in this document should not be considered, in any way, as express restrictions, limits or definitions of any term or terms with which they are used. Instead, these examples or illustrations should be considered as illustrative only. Those of ordinary skill in the art will appreciate that any term or terms used in which these examples or illustrations are used will encompass other embodiments that may or may not be given along with or elsewhere in the specifications and all such embodiments are intended to be included within the scope of that term or terms.
[029] FIGS 1 a 6 ilustram várias modalidades de sistemas de irrigação que podem ser utilizados com exemplos de implementações da presente invenção. Como deve ser entendido, os sistemas de irrigação mostrados nas FIGS. 1 a 6 são sistemas exemplares nos quais os recursos da presente invenção podem ser integradas. Consequentemente, as FIGS. 1 a 6 são meramente ilustrativas e qualquer um dos vários sistemas (isto é, sistemas fixos assim como sistemas de irrigação auto propulsores de pivô central e linear; sistemas estacionários; sistemas de cantos) podem ser usados com a presente invenção sem limitação. Por exemplo, embora a FIG. 1 seja mostrada como um sistema de irrigação de pivô central, o sistema de irrigação exemplar 100 da presente invenção também pode ser implementado como um sistema de irrigação linear. O sistema de irrigação 100 exemplar não se destina a limitar ou definir o escopo da presente invenção de forma alguma. De acordo com posteriores modalidades preferenciais, a presente invenção pode ser usada com uma variedade de tipos de motores, tais como movidos a gás, movidos a DC, relutância de comutador, AC monofásica e similares. Ainda adicionalmente, as modalidades exemplares da presente invenção são discutidas primeiramente em relação aos métodos de irrigação por pulverização direta. No entanto, os métodos e sistemas da presente invenção podem ser utilizados com qualquer método de entrega de aplicantes sem limitação. Por exemplo, adicionalmente métodos de entrega utilizados pela presente invenção podem incluir métodos como gotejamento, canhão aspersor canhão móvel, conjunto sólido, inundação e outros métodos de irrigação sem limitação.[029] FIGS 1 to 6 illustrate various embodiments of irrigation systems that can be used with example implementations of the present invention. As will be understood, the irrigation systems shown in FIGS. 1 to 6 are exemplary systems into which the features of the present invention can be integrated. Consequently, FIGS. 1 to 6 are merely illustrative and any of various systems (i.e., fixed systems as well as linear and center pivot self-propelled irrigation systems; stationary systems; corner systems) can be used with the present invention without limitation. For example, although FIG. 1 is shown as a center pivot irrigation system, the exemplary irrigation system 100 of the present invention can also be implemented as a linear irrigation system. The exemplary irrigation system 100 is not intended to limit or define the scope of the present invention in any way. According to further preferred embodiments, the present invention can be used with a variety of motor types, such as gas-powered, DC-driven, commutator reluctance, single-phase AC, and the like. Still further, exemplary embodiments of the present invention are discussed first in relation to direct spray irrigation methods. However, the methods and systems of the present invention can be used with any applicant delivery method without limitation. For example, additional delivery methods utilized by the present invention may include methods such as drip, mobile sprinkler, solid set, flood and other irrigation methods without limitation.
[030] Com referência agora à FIG. 1, extensões 102, 104, 106 são mostrados suportados pelas torres de acionamento 108, 109, 110. Adicionalmente, cada torre de acionamento 108, 109, 110 é mostrada com os respectivos motores 117, 119, 120 que proveem torque às rodas acionadoras 115, 116, 118. Como mostrado adicionalmente na FIG. 1, a máquina de irrigação 100 pode preferencialmente incluir adicionalmente uma prorrogação/saliência 121 que pode incluir um canhão de extremidade (não mostrado).[030] Referring now to FIG. 1, extensions 102, 104, 106 are shown supported by drive towers 108, 109, 110. Additionally, each drive tower 108, 109, 110 is shown with respective motors 117, 119, 120 that provide torque to drive wheels 115 , 116, 118. As further shown in FIG. 1, the irrigation machine 100 may preferably additionally include an extension/protrusion 121 which may include an end barrel (not shown).
[031] Como mostrado, a FIG. 1 provê uma ilustração de uma máquina de irrigação 100 sem quaisquer elementos energizados e sensores adicionados. Com referência agora à FIG. 3, é mostrado um sistema exemplar 300 no qual estão incluídos vários exemplos de elementos energizados. Como mostrado na FIG. 3, a presente invenção é preferencialmente implementada pela conexão de elementos da presente invenção a uma ou mais extensões 310 de um sistema de irrigação que está conectado a uma fonte de água ou poço 330. Como mostrado adicionalmente, o sistema de irrigação exemplar inclui adicionalmente preferencialmente transdutores 326, 328 que são providos para controlar e regular a pressão da água, bem como unidades de acionamento 316, 324 que são preferencialmente programadas para monitorar e controlar porções do sistema de acionamento da unidade de irrigação.[031] As shown, FIG. 1 provides an illustration of an irrigation machine 100 without any energized elements and added sensors. Referring now to FIG. 3, an exemplary system 300 is shown in which several examples of energized elements are included. As shown in FIG. 3, the present invention is preferably implemented by connecting elements of the present invention to one or more extensions 310 of an irrigation system that is connected to a water source or well 330. As further shown, the exemplary irrigation system further preferably includes transducers 326, 328 which are provided to control and regulate water pressure, as well as drive units 316, 324 which are preferably programmed to monitor and control portions of the irrigation unit drive system.
[032] Adicionalmente, o sistema da presente invenção inclui preferencialmente adicionalmente elementos como um receptor GPS 320 para receber dados posicionais e um medidor de fluxo 332 para monitorar o fluxo de água no sistema. Adicionalmente, o sistema da presente invenção inclui, de preferencialmente, uma gama de sensores e podem receber uma gama de dados de entrada do sensor a partir de uma variedade de fontes, conforme adicionalmente discutido aqui. Como discutido em relação à FIG. 4 abaixo, esses sensores e entradas incluem qualquer número de sensores embarcados, sensores in situ, sensores remotos/fora do local e dados de mapeamento de terra, bem como medições ou especificações providas pelo fabricante/produtor e/ou especialista.[032] Additionally, the system of the present invention preferably additionally includes elements such as a GPS receiver 320 for receiving positional data and a flow meter 332 for monitoring the flow of water in the system. Additionally, the system of the present invention preferably includes a range of sensors and may receive a range of sensor input data from a variety of sources, as further discussed herein. As discussed with respect to FIG. 4 below, these sensors and inputs include any number of on-board sensors, in-situ sensors, remote/off-site sensors and ground mapping data, as well as measurements or specifications provided by the manufacturer/producer and/or specialist.
[033] Com referência novamente à FIG. 3, são mostrados sensores de plantação indiretos representativos 314, 318 que podem coletar uma gama de dados (como discutido abaixo), incluindo os níveis de umidade do solo. Ademais, os sensores 314, 318 podem incluir adicionalmente óptica para permitir a detecção do tipo de plantação, estágio de crescimento, saúde, presença de doença, taxa de crescimento e similares. Ademais, o sistema pode preferencialmente incluir adicionalmente um ou mais sensores diretos 311 que podem ser conectados diretamente a uma planta para fornecer leituras diretas da saúde e status da planta. Ademais, um ou mais sensores diretos do solo 313 também podem ser utilizados para gerar dados de umidade do solo, de conteúdo de nutrientes ou outros dados relacionados ao solo. Por exemplo, os sensores de solo preferenciais 313 podem registrar dados relacionados a uma variedade de propriedades do solo, incluindo: textura do solo, salinidade, níveis de matéria orgânica, níveis de nitrato, pH do solo e níveis de argila. Ainda adicionalmente, o sistema de detecção pode incluir adicionalmente uma estação climática 322 ou similar que é capaz de medir recursos climáticos como umidade, pressão barométrica, precipitação, temperatura, radiação solar recebida, velocidade do vento e similares. Ainda adicionalmente, o sistema pode preferencialmente incluir um transceptor/roteador sem fio 311 e/ou sistemas de comunicação baseados em portadora de linha de energia (não mostrados) para receber e transmitir sinais entre elementos do sistema.[033] Referring again to FIG. 3, representative indirect crop sensors 314, 318 are shown that can collect a range of data (as discussed below), including soil moisture levels. Furthermore, sensors 314, 318 may additionally include optics to enable detection of crop type, growth stage, health, presence of disease, growth rate, and the like. Furthermore, the system may preferably additionally include one or more direct sensors 311 that may be connected directly to a plant to provide direct readings of the health and status of the plant. Furthermore, one or more direct soil sensors 313 may also be used to generate soil moisture data, nutrient content data, or other soil-related data. For example, preferred soil sensors 313 can record data related to a variety of soil properties, including: soil texture, salinity, organic matter levels, nitrate levels, soil pH, and clay levels. Still further, the sensing system may additionally include a weather station 322 or similar that is capable of measuring weather features such as humidity, barometric pressure, precipitation, temperature, incoming solar radiation, wind speed, and the like. Still further, the system may preferably include a wireless transceiver/router 311 and/or power line carrier-based communication systems (not shown) for receiving and transmitting signals between elements of the system.
[034] Com referência agora à FIG. 2, um dispositivo de controle exemplar 138 que representa funcionalidade para controlar um ou mais aspectos operacionais do sistema de irrigação 100 será discutido. Como mostrado, o dispositivo de controle exemplar 138 inclui um processador 140, uma memória 142 e uma interface de rede 144. O processador 140 provê funcionalidade de processamento para o dispositivo de controle 138 e pode incluir qualquer número de processadores, microcontroladores ou outros sistemas de processamento. O processador 140 pode executar um ou mais programas de software que implementam técnicas descritas aqui. A memória 142 é um exemplo de mídia legível por computador tangível que provê funcionalidade de armazenamento para armazenar vários dados associados à operação do dispositivo de controle 138, como um programa de software e segmentos de código mencionados acima, ou outros dados para instruir o processador 140 e outros elementos do dispositivo de controle 138 para desempenhar as etapas descritos aqui. A memória 142 pode incluir, por exemplo, elementos de memória removíveis e não removíveis, tais como RAM, ROM, flash (por exemplo, cartão SD, cartão mini-SD, cartão micro-SD), magnética, óptica e dispositivos de memória USB, e assim por diante. A interface de rede 144 provê funcionalidade para ativar o dispositivo de controle 138 para se comunicar com uma ou mais redes 146 através de uma variedade de componentes tais como pontos de acesso sem fio, interfaces transceptoras de portadora de linha de energia e assim por diante, e quaisquer softwares associados empregados por estes componentes (por exemplo, drivers, software de configuração, e assim por diante).[034] Referring now to FIG. 2, an exemplary control device 138 that represents functionality for controlling one or more operational aspects of the irrigation system 100 will be discussed. As shown, the exemplary control device 138 includes a processor 140, a memory 142, and a network interface 144. The processor 140 provides processing functionality for the control device 138 and may include any number of processors, microcontrollers, or other control systems. processing. Processor 140 may execute one or more software programs that implement techniques described herein. Memory 142 is an example of a tangible computer-readable medium that provides storage functionality for storing various data associated with the operation of the control device 138, such as a software program and code segments mentioned above, or other data for instructing the processor 140 and other elements of the control device 138 to perform the steps described herein. Memory 142 may include, for example, removable and non-removable memory elements such as RAM, ROM, flash (e.g., SD card, mini-SD card, micro-SD card), magnetic, optical, and USB memory devices. , and so on. Network interface 144 provides functionality to enable control device 138 to communicate with one or more networks 146 through a variety of components such as wireless access points, power line carrier transceiver interfaces, and so on. and any associated software employed by these components (for example, drivers, configuration software, and so on).
[035] Em implementações, o módulo de determinação de posição de irrigação 148 pode incluir um receptor de sistema de posicionamento global (GPS), um sistema LORAN ou similar para calcular uma localização do sistema de irrigação 100. Adicionalmente, o dispositivo de controle 138 pode ser acoplado a um dispositivo de orientação ou sistema similar 152 do sistema de irrigação 100 (por exemplo, montagem de manobra ou mecanismo de manobra) para controlar o movimento do sistema de irrigação 100. Como mostrado, o dispositivo de controle 138 pode incluir adicionalmente um módulo de compensação de terreno posicional 151 para assistir em controlar o movimento e reconhecimento de localização do sistema. Adicionalmente, o dispositivo de controle 138 pode adicionalmente, preferencialmente, incluir múltiplas entradas e saídas para receber dados a partir dos sensores 154 e dispositivos de monitoramento conforme discutidos adicionalmente abaixo.[035] In implementations, the irrigation position determination module 148 may include a global positioning system (GPS) receiver, a LORAN system, or the like for calculating a location of the irrigation system 100. Additionally, the control device 138 may be coupled to a guidance device or similar system 152 of the irrigation system 100 (e.g., switchgear assembly or switchgear) to control movement of the irrigation system 100. As shown, the control device 138 may additionally include a positional terrain compensation module 151 to assist in controlling the movement and location recognition of the system. Additionally, the control device 138 may additionally preferably include multiple inputs and outputs for receiving data from the sensors 154 and monitoring devices as further discussed below.
[036] Adicionalmente, com referência à FIG. 3, de acordo com, adicionalmente, modalidade preferencial, o sistema da presente invenção pode, adicionalmente, incluir hubs distribuídos de coleta de dados e roteamento 305, 307, 309 que podem transmitir e receber diretamente dados a partir dos vários sensores na extensão para um módulo de aprendizado de máquina 306 provido em um servidor remoto 306 que recebe um número de entradas dos sensores do sistema de irrigação 300. Nesta modalidade, o módulo de aprendizado de máquina 306 inclui, de preferência, software do lado do serviço que pode ser acessado via Internet ou outra arquitetura de rede. Alternativamente, o módulo de aprendizado de máquina 306 e outros aspectos da presente invenção podem incluir software do lado do cliente residindo no painel de controle principal 308 ou em outro local. Independentemente disso, deve ser entendido que o sistema pode ser formado a partir de qualquer software ou hardware adequados, ou ambos configurados para implementar os recursos da presente invenção.[036] Additionally, with reference to FIG. 3, in accordance with a further preferred embodiment, the system of the present invention may further include distributed data collection and routing hubs 305, 307, 309 that may directly transmit and receive data from the various sensors in the extension to a machine learning module 306 provided on a remote server 306 that receives a number of inputs from sensors of the irrigation system 300. In this embodiment, the machine learning module 306 preferably includes service-side software that can be accessed via the Internet or other network architecture. Alternatively, the machine learning module 306 and other aspects of the present invention may include client-side software residing in the main control panel 308 or elsewhere. Regardless, it should be understood that the system may be formed from any suitable software or hardware, or both configured to implement the features of the present invention.
[037] Adicionalmente, de acordo com uma modalidade preferencial, os sistemas da presente invenção operam preferencialmente juntos para coletar e analisar dados. De acordo com um aspecto da presente invenção, os dados são preferencialmente coletados a partir de uma ou mais fontes, incluindo dados de imagem e sensoriamento de umidade dos UAVs 302, satélites 304, sensores de plantação montados na extensão 318, 314, bem como a estação climática 322, sensores no solo 313, sensores de plantação 311, bem como dados providos pelos sistemas de controle/monitoramento da própria máquina de irrigação 100 (por exemplo, quantidade aplicada, local e hora da aplicação da água de irrigação ou outro aplicante, status atual e posição da máquina de irrigação, falhas da máquina, pressões de tubulação da máquina, etc.) e outros elementos do sistema. Preferencialmente, a combinação e análise de dados é processada e atualizada continuamente.[037] Additionally, according to a preferred embodiment, the systems of the present invention preferably operate together to collect and analyze data. In accordance with one aspect of the present invention, data is preferably collected from one or more sources, including imaging and moisture sensing data from UAVs 302, satellites 304, extension-mounted crop sensors 318, 314, as well as the climate station 322, soil sensors 313, planting sensors 311, as well as data provided by the control/monitoring systems of the irrigation machine 100 itself (e.g., amount applied, location and time of application of irrigation water or other applicator, current status and position of the irrigation machine, machine faults, machine piping pressures, etc.) and other system elements. Preferably, data combination and analysis is processed and updated continuously.
[038] Adicionalmente, de acordo com uma modalidade preferencial, os dados de imagem a partir dos satélites podem ser processados e usados para gerar dados de índices de vegetação, tais como: EVI (índice de vegetação aprimorado), NDVI (índice de vegetação de diferença normalizada), SAVI (índice de vegetação ajustado ao solo), MASVI (índice de vegetação ajustado ao solo modificado) e PPR (razão de pigmentos em plantas) e similares. Outros sensores podem incluir quaisquer dentre uma variedade de sensores eletromagnéticos, ópticos, mecânicos, acústicos e químicos. Estes podem incluir, adicionalmente, sensores que medem a Reflectometria de Domínio de Frequência (FDR), Reflectometria de Domínio de Tempo (TDR), Transmissometria de Domínio de Tempo (TDT) e nêutrons.[038] Additionally, according to a preferred embodiment, image data from satellites can be processed and used to generate vegetation index data, such as: EVI (enhanced vegetation index), NDVI (e.g. normalized difference), SAVI (soil-adjusted vegetation index), MASVI (modified soil-adjusted vegetation index) and PPR (plant pigment ratio) and the like. Other sensors may include any of a variety of electromagnetic, optical, mechanical, acoustic and chemical sensors. These may additionally include sensors that measure Frequency Domain Reflectometry (FDR), Time Domain Reflectometry (TDR), Time Domain Transmissometry (TDT) and neutrons.
[039] Com referência agora às FIGS. 3 a 7, será discutido agora um método preferencial para a utilização do módulo de aprendizado de máquina 306 da presente invenção. Preferencialmente, na preparação para o processamento, combinação e avaliação dos dados coletados das fontes do sensor, como discutido abaixo, o módulo de aprendizado de máquina 306 receberá, de preferência, primeiro medições e dimensões de campo. De acordo com uma modalidade preferencial, as dimensões do campo podem ser inseridas a partir de mapeamentos manuais ou de terceiros, a partir do comprimento da máquina física ou de sistemas de reconhecimento de imagens utilizando histórico de imagens de satélite. Alternativamente, os hubs de dados 305, 307, 309 podem preferencialmente incluir, adicionalmente, sensores de mapeamento, tal como GPS, detectores de medição visual e/ou laser para determinar as dimensões do campo.[039] Referring now to FIGS. 3 to 7, a preferred method for using the machine learning module 306 of the present invention will now be discussed. Preferably, in preparation for processing, combining, and evaluating data collected from sensor sources, as discussed below, the machine learning module 306 preferably first receives field measurements and dimensions. According to a preferred embodiment, the field dimensions can be entered from manual or third-party mappings, from the length of the physical machine, or from image recognition systems using satellite image history. Alternatively, data hubs 305, 307, 309 may preferably additionally include mapping sensors, such as GPS, visual measurement detectors and/or laser to determine field dimensions.
[040] Com referência agora à FIG. 4, após a entrada das medições e dimensões do campo, o módulo de aprendizado de máquina 306 na etapa 424 criará, de preferência, subseções de todo o campo e armazenará as subseções criadas como objetos de campo conhecidos como "zonas de gerenciamento". Como mostrado na FIG. 5A, de acordo com uma modalidade preferencial, para uma máquina de irrigação de pivô central, os objetos de campo criados são preferencialmente criados como setores anulares 506 formados como subseções de anéis definidos por um círculo interno e externo de raios arbitrários. Estes raios podem ser consistentemente incrementados ou variados, dependendo de uma variedade de fatores, incluindo, mas não limitados ao espaçamento dos aspersores ao longo da máquina, grupos variáveis armazenados de aspersores ou outros fatores. Circunferencialmente, os anéis são subdivididos em setores anulares por raios definidos por um ângulo (θ).[040] Referring now to FIG. 4, after field measurements and dimensions are entered, the machine learning module 306 in step 424 will preferably create subsections of the entire field and store the created subsections as field objects known as "management zones." As shown in FIG. 5A, according to a preferred embodiment, for a center pivot irrigation machine, the created field objects are preferably created as annular sectors 506 formed as subsections of rings defined by an inner and outer circle of arbitrary radii. These radii can be consistently increased or varied depending on a variety of factors, including but not limited to spacing of sprinklers along the machine, variable stored groups of sprinklers, or other factors. Circumferentially, the rings are subdivided into annular sectors by radii defined by an angle (θ).
[041] Como mostra a FIG. 5B, o ângulo (θ) é preferencialmente definido por um comprimento de arco 504 que pode ser um comprimento arbitrário fornecido pelo usuário, o raio de projeção do último aspersor, definido pela resolução do sistema de reconhecimento de localização da máquina de irrigação ou outro fator. Adicionalmente, esse comprimento de arco não precisa ser consistente de segmento para segmento dentro da área de campo. No entanto, todos os comprimentos de arco devem somar à circunferência do círculo a partir do qual foram subdivididos e eles não podem se sobrepor. De maneira similar, os ângulos (θ) devem somar 360 e a localização desses ângulos (θ) deve ser tal que as áreas abrangidas por cada ângulo não se sobreponham e estejam sempre adjacentes a outros ângulos (θ). Como mostrado na FIG. 5C, os objetos de campo 508 podem, preferencialmente, ser divididos em conjuntos de dados que consistem nas colunas de C1 a Cn, onde cada C é definido como uma coleção de setores anulares (rotulados Cn,1, Cn,2, ... Cn,x) e um setor circular (rotulado Cn,z) que se enquadram em comprimento(s) de arco arbitrário(s). Ainda, adicionalmente, como mostrado nas FIGS. 5A a C, cada setor anular pode preferencialmente ser definido como tendo: onde θ é o ângulo formado por raios adjacentes separados pelo comprimento externo da circunferência S; Ru o raio do arco exterior; e Ri é o raio do arco interior do segmento anular. De acordo com modalidades preferenciais alternativas, os objetos de campo podem alternativamente ser avaliados ou aferidos em um sistema de grade, sistema de coordenadas polares ou usar qualquer outro sistema espacial de categorização conforme necessário.[041] As shown in FIG. 5B, the angle (θ) is preferably defined by an arc length 504 which may be an arbitrary user-supplied length, the projection radius of the last sprinkler, defined by the resolution of the irrigation machine location recognition system, or other factor . Additionally, this arc length does not need to be consistent from segment to segment within the field area. However, all arc lengths must add to the circumference of the circle from which they were subdivided and they cannot overlap. Similarly, the angles (θ) must add up to 360 and the location of these angles (θ) must be such that the areas covered by each angle do not overlap and are always adjacent to other angles (θ). As shown in FIG. 5C, field objects 508 may preferably be divided into data sets consisting of columns C1 through Cn, where each C is defined as a collection of annular sectors (labeled Cn,1, Cn,2, ... Cn,x) and a circular sector (labeled Cn,z) that fall within arbitrary arc length(s). Still further, as shown in FIGS. 5A to C, each annular sector may preferably be defined as having: where θ is the angle formed by adjacent radii separated by the outer length of the circle S; Ru is the radius of the outer arc; and Ri is the radius of the inner arc of the annular segment. According to alternative preferred embodiments, field objects may alternatively be evaluated or measured on a grid system, polar coordinate system, or use any other spatial categorization system as necessary.
[042] Com referência novamente à FIG. 4, na etapa 426, os dados para cada objeto de campo definido são preferencialmente coletados e armazenados como discutido acima. Consequentemente, os dados característicos podem incluir dados de qualquer sensor aqui discutido. Estes podem, por exemplo, incluir: • Arranjos sensoriais embarcados - Incluindo sistemas ativos e passivos que descrevem ou medem características do local e/ou equipamento alvo. Tais medições de sensores podem incluir medições de: umidade do solo direta ou status da planta; temperatura de cobertura da plantação; temperatura do ar ambiente; umidade relativa; pressão barométrica; radiação de ondas longas e curtas; radiação fotossinteticamente ativa; pluviosidade; velocidade do vento; e/ou várias bandas espectrais fora do solo e da cobertura da plantação. Adicionalmente, os dados medidos do sensor podem incluir dados dos sistemas de controle/monitoramento de máquinas de irrigação, incluindo: posição de GPS; dados de sistemas de pivô/lineares; pressão ao longo da tubulação; status dos aspersores; taxa de fluxo (GPM/LPS); posição da válvula; tempos de liga/desliga; padrões de dimensões/diâmetro; tensão; mensagens de erro; definição do timer de porcentagem; direção, direção para frente ou reversa; status de fertirrigação/quimigação; informações químicas da água; e outras informações operacionais. • Sensoriamento remoto fora do local - Incluindo dados aéreos, de UAV e de satélite ou outros dados adquiridos de sistemas não afixados ao local ou equipamento alvo. Esses dados podem incluir: imagens de Geo-tiff, dados espectrais, incluindo bandas RGB, NIR, IR (Térmico), radar focado no clima, terreno com base em radar, imagens de micro-ondas ativas e passivas para umidade do solo e crescimento da plantação e índices derivados, como NDVI, com base nessas e em outras bandas espectrais individuais. Adicionalmente, tais dados podem incluir dados de evapotranspiração a partir de modelos de balanço de calor por satélite, incluindo assinaturas de calor infravermelho e dados de um modelo de índice de estresse de plantação. Adicionalmente, os dados remotos podem incluir dados climáticos de estações climáticas suficientes para computar ou estimar a evapotranspiração, como temperatura, umidade relativa, precipitação, radiação solar, velocidade do vento, chuva, dados meteorológicos e condições projetadas. Adicionalmente, os dados podem incluir realimentação a partir do pico da plantação ET, bem como dados de mapeamento do solo. • Sensoriamento in situ - Pode incluir informações como: pH do solo e do tampão (buffer); níveis de macronutrientes (nitrogênio, fósforo, potássio); conteúdo de matéria orgânica do solo (carbono); textura do solo (conteúdo de argila); umidade e temperatura do solo; capacidade de troca catiônica (CEC); compactação do solo; profundidade de qualquer camada de restrição de raiz; estrutura do solo e densidade aparente. • Dados de mapeamento de terra - Incluindo dados descritivos, numéricos e gráficos de fontes públicas e/ou privadas, incluindo geográficas, geológicas e qualquer outra medida física ou fisicamente derivada do local alvo; características do campo; dados de solos/EC/CRNP; topografia; forma de campo; e dados a partir de mapas de solos e bases de dados publicamente disponíveis. • Especificações do fabricante do sistema de irrigação - Características do pivô; configuração de extensões; taxa de vazão; polegadas/acre máxima permitida; pressão requerida; velocidade máxima; pacote de aspersão, pistola de extremidade ou não. • Medições ou especificações providas pelo produtor e/ou especialista - Incluindo, mas não se limitando a: análise do solo, química do solo ou da água, análise geográfica, análise meteorológica, escalonamento de irrigação ou de aplicação de nutrientes ou histórico operacional; dados de rendimento; cálculos de balanço de água do solo; umidade do solo na zona radicular; umidade do solo por profundidade; previsão de umidade do solo na zona radicular; previsão de umidade do solo por profundidade; espécies/variedade/tipo de plantação; data de plantio; data de emersão; data de replantio; esgotamento permitido da umidade crítica do solo; curvas de coeficiente de plantações publicadas; curvas de coeficiente de plantações desenvolvidas em particular; determinações em premissas com base em sensor do estágio de crescimento da plantação; dados de cálculo de evapotranspiração; estimativas de evapotranspiração uniformes em todo o campo; partes das estimativas de evapotranspiração do campo; e estimativas de evapotranspiração de variáveis de todo campo.[042] Referring again to FIG. 4, in step 426, data for each defined field object is preferably collected and stored as discussed above. Accordingly, characteristic data may include data from any sensor discussed herein. These may, for example, include: • Embedded sensory arrays - Including active and passive systems that describe or measure characteristics of the target location and/or equipment. Such sensor measurements may include measurements of: direct soil moisture or plant status; plantation cover temperature; ambient air temperature; relative humidity; barometric pressure; long and short wave radiation; photosynthetically active radiation; rainfall; wind speed; and/or various spectral bands outside the soil and crop cover. Additionally, measured sensor data may include data from irrigation machine control/monitoring systems, including: GPS position; data from pivot/linear systems; pressure along the pipeline; sprinkler status; flow rate (GPM/LPS); valve position; on/off times; dimensions/diameter standards; voltage; error messages; definition of the percentage timer; direction, forward or reverse direction; fertigation/chemigation status; water chemical information; and other operational information. • Off-site remote sensing - Including aerial, UAV, and satellite data or other data acquired from systems not affixed to the target location or equipment. This data may include: Geo-tiff imagery, spectral data including RGB, NIR, IR (Thermal) bands, weather-focused radar, radar-based terrain, active and passive microwave imagery for soil moisture and growth of the crop and derived indices, such as NDVI, based on these and other individual spectral bands. Additionally, such data may include evapotranspiration data from satellite heat balance models, including infrared heat signatures, and data from a crop stress index model. Additionally, remote data may include climate data from weather stations sufficient to compute or estimate evapotranspiration, such as temperature, relative humidity, precipitation, solar radiation, wind speed, rainfall, meteorological data, and projected conditions. Additionally, the data may include feedback from peak crop ET as well as soil mapping data. • In situ sensing - May include information such as: soil and buffer pH; macronutrient levels (nitrogen, phosphorus, potassium); soil organic matter (carbon) content; soil texture (clay content); soil humidity and temperature; cation exchange capacity (CEC); soil compaction; depth of any root restraint layer; soil structure and apparent density. • Land mapping data - Including descriptive, numerical and graphical data from public and/or private sources, including geographic, geological and any other physical or physically derived measure of the target location; field characteristics; soils/EC/CRNP data; topography; field shape; and data from soil maps and publicly available databases. • Irrigation system manufacturer specifications - Pivot characteristics; extension configuration; flow rate; inches/acre maximum allowed; pressure required; Maximum speed; sprinkler package, butt gun or not. • Measurements or specifications provided by the producer and/or specialist - Including, but not limited to: soil analysis, soil or water chemistry, geographic analysis, meteorological analysis, scheduling of irrigation or nutrient application or operational history; yield data; soil water balance calculations; soil moisture in the root zone; soil moisture by depth; prediction of soil moisture in the root zone; soil moisture prediction by depth; species/variety/type of plantation; planting date; date of emergence; replanting date; permitted depletion of critical soil moisture; published crop coefficient curves; privately developed plantation coefficient curves; sensor-based premise determinations of crop growth stage; evapotranspiration calculation data; uniform evapotranspiration estimates across the field; parts of field evapotranspiration estimates; and evapotranspiration estimates from whole-field variables.
[043] Com referência novamente à FIG. 4, na etapa 428, cada objeto de campo/setor anular é preferencialmente definido como um ponto de dados discreto contendo características herdadas de dados em nível de campo, bem como características derivadas de sua relação com outros pontos de dados (por exemplo, tipos e elevações de solos vizinhos). Em uma modalidade, como um exemplo, as inclinações dos objetos de campo adjacentes podem ser utilizadas para calcular o escoamento da pluviosidade excessiva para dentro ou fora de um objeto de campo específico.[043] Referring again to FIG. 4, in step 428, each field object/annular sector is preferably defined as a discrete data point containing characteristics inherited from field-level data, as well as characteristics derived from its relationship to other data points (e.g., types and elevations of neighboring soils). In one embodiment, as an example, the slopes of adjacent field objects can be used to calculate the runoff of excessive rainfall into or out of a specific field object.
[044] Na etapa 432, os pontos de dados discretos criados são preferencialmente utilizados pelo módulo de aprendizado de máquina 306 para criar um módulo preditivo para cada ponto de dados discretos. De acordo com uma modalidade preferencial, o módulo de aprendizado de máquina 306 desempenha a função de modelagem emparelhando cada ponto de dados com dados de entrada/saída para o objeto de campo e avaliando os dados ao longo do tempo ou como um conjunto não temporal. Adicionalmente, de acordo com uma modalidade preferencial, os cronogramas/observações de desempenho são então avaliados para uma saída específica, como parte de toda a coleção, com a máquina avaliadora aprendendo como categorizar pontos de dados e construindo um algoritmo que reflete com precisão os cronogramas de desempenho observados para a saída desejada. Um ou mais desses algoritmos são então preferencialmente montados em um modelo de solução que pode ser usado para avaliar novos campos em tempo real com o objetivo de auxiliar os produtores a otimizar o aproveitamento (profitability), o fluxo de caixa, a conformidade regulatória, a eficiência da aplicação de água, fertilizantes ou produtos químicos, ou qualquer outro benefício mensurável ou intangível que possa ser necessário ou descoberto.[044] In step 432, the created discrete data points are preferably used by the machine learning module 306 to create a predictive module for each discrete data point. According to a preferred embodiment, the machine learning module 306 performs the modeling function by pairing each data point with input/output data for the field object and evaluating the data over time or as a non-temporal set. Additionally, according to a preferred embodiment, performance schedules/observations are then evaluated for a specific output, as part of the entire collection, with the evaluator machine learning how to categorize data points and building an algorithm that accurately reflects the schedules. of observed performance for the desired output. One or more of these algorithms are then preferably assembled into a solution model that can be used to evaluate new fields in real time with the aim of helping producers optimize profitability, cash flow, regulatory compliance, efficiency of applying water, fertilizers or chemicals, or any other measurable or intangible benefit that may be needed or discovered.
[045] De acordo com uma modalidade preferencial, o modelo de solução pode, preferencialmente, ser criado para cada zona de gerenciamento (setor anular ou outra unidade irrigável) de cada campo. Adicionalmente, os modelos de solução podem, preferencialmente, ser criados total ou parcialmente por qualquer número ou combinação de heurísticas providas pelo homem e/ou algoritmos criados por máquina. Adicionalmente, os algoritmos podem ser criados por regressões, simulações ou qualquer outra forma de técnica de aprendizado de máquina/profunda. Adicionalmente, de acordo com as modalidades preferenciais, o modelo de solução da presente invenção pode ser entregue como redes neurais, algoritmos independentes ou qualquer combinação de módulos de código aprendidos ou criados ou programas independentes. Adicionalmente, o modelo de solução pode preferencialmente incorporar alimentação de dados atuais/em cache de fontes locais e remotas.[045] According to a preferred embodiment, the solution model can preferably be created for each management zone (annular sector or other irrigable unit) of each field. Additionally, solution models may preferably be created in whole or in part by any number or combination of human-provided heuristics and/or machine-created algorithms. Additionally, algorithms can be created by regressions, simulations, or any other form of machine/deep learning techniques. Additionally, in accordance with preferred embodiments, the solution model of the present invention may be delivered as neural networks, independent algorithms, or any combination of learned or created code modules or independent programs. Additionally, the solution model may preferably incorporate current/cached data feeds from local and remote sources.
[046] Adicionalmente, com referência agora à FIG. 4, o modelo de solução da presente invenção pode, preferencialmente, ser entregue a um produtor via uma solicitação push/pull a partir da rede de entrega de conteúdo, conexão ponto a ponto ou qualquer outra forma de transporte eletrônico ou analógico. Adicionalmente, o sistema permitirá, preferencialmente, que um operador aceite, rejeite ou modifique um modelo de solução após revisão.[046] Additionally, referring now to FIG. 4, the solution model of the present invention may preferably be delivered to a producer via a push/pull request from the content delivery network, point-to-point connection, or any other form of electronic or analog transport. Additionally, the system will preferably allow an operator to accept, reject or modify a solution model after review.
[047] Uma vez que um modelo seja entregue, na etapa 434, as entradas de dados são preferencialmente recebidas e providas ao modelo para avaliação. Na etapa 436, os valores de saída são gerados como discutido adicionalmente abaixo. Preferencialmente, as entradas de dados incluem preferencialmente aceitação, rejeição ou modificações do modelo de solução do operador e quaisquer dados atualizados de qualquer uma das listas de entradas de dados discutidas acima com relação às etapas 424 a 432. Adicionalmente, as entradas de dados podem incluir dados adicionais, como dados especificados pelo produtor e/ou dados desejados, como: direção desejada do deslocamento; profundidade de aplicação da água base; prescrição de taxa variável para velocidade, zona ou aspersor individual; recomendação de produtores para quimigação; material de quimigação; quantidade de material de quimigação pronta para injeção; quantidade básica de aplicação de quimigação por unidade de área; prescrição de taxa variável para velocidade, zona ou aspersor individual; status de operação ou reparo do sistema de irrigação e/ou do sensor.[047] Once a model is delivered, at step 434, data inputs are preferably received and provided to the model for evaluation. In step 436, output values are generated as discussed further below. Preferably, the data inputs preferably include acceptance, rejection, or modifications of the operator's solution model and any updated data from any of the data input lists discussed above with respect to steps 424 to 432. Additionally, the data inputs may include additional data, such as producer-specified data and/or desired data, such as: desired direction of travel; depth of application of base water; variable rate prescription for individual speed, zone or sprinkler; recommendation of producers for chemigation; chemigation material; quantity of chemigation material ready for injection; basic amount of chemigation application per unit area; variable rate prescription for individual speed, zone or sprinkler; operating or repair status of the irrigation system and/or sensor.
[048] Com referência agora às FIGS. 4 e 4A, um método de exemplo para entrada de dados e saída de valores modelados deve agora ser, adicionalmente, discutido. Como mostrado na FIG. 4A, o módulo de aprendizado de máquina 440 da presente invenção pode, preferencialmente, ser usado para receber dados históricos 438 (etapa 428 na FIG. 4), que podem incluir dados gravados durante um período de tempo (isto é, semanas, meses, anos) para cada objeto dentro de um dado campo. Estes dados históricos são preferencialmente recebidos pelo módulo de aprendizado de máquina 440 e usados para criar modelos preditivos 450 a partir de conjuntos de treinamento definidos 446 para saídas desejadas selecionadas (etapa 432 na FIG. 4). Para criar os modelos preditivos 450, o módulo de aprendizado de máquina 440 inclui, adicionalmente, de preferência, submódulos para processar os dados recebidos 442, incluindo etapas tais como limpeza de dados, transformação de dados, normalização e extração de recursos.[048] Referring now to FIGS. 4 and 4A, an example method for inputting data and outputting modeled values should now be further discussed. As shown in FIG. 4A, the machine learning module 440 of the present invention may preferably be used to receive historical data 438 (step 428 in FIG. 4), which may include data recorded over a period of time (i.e., weeks, months, years) for each object within a given field. This historical data is preferably received by the machine learning module 440 and used to create predictive models 450 from defined training sets 446 for selected desired outputs (step 432 in FIG. 4). To create the predictive models 450, the machine learning module 440 preferably additionally includes submodules for processing the received data 442, including steps such as data cleaning, data transformation, normalization, and feature extraction.
[049] Uma vez extraídos, os vetores de recursos de alvo 444 são encaminhados para um módulo de treinamento 446 que é usado para treinar um ou mais algoritmos de aprendizado de máquina 448 para criar um ou mais modelos preditivos 450. Como mostrado, o modelo preditivo 450 preferencialmente recebe a entrada de dados do sensor de corrente 454 (etapa 434 na FIG. 4) e envia os dados de saída/avaliação do modelo 456 (etapa 436 na FIG. 4) que são fornecidos a um módulo de processamento 458 para criar entradas do sistema e mudanças com base na saída do modelo 456. Na etapa 452, os valores de saída 456 e as entradas de corrente 454 são preferencialmente adicionalmente alimentados de volta ao módulo de aprendizado de máquina 440 via de um loop de realimentação 452, de modo que o módulo 440 possa aprender continuamente e atualizar o modelo preditivo 450.[049] Once extracted, the target feature vectors 444 are forwarded to a training module 446 that is used to train one or more machine learning algorithms 448 to create one or more predictive models 450. As shown, the model predictive module 450 preferably receives input data from current sensor 454 (step 434 in FIG. 4) and sends model output/evaluation data 456 (step 436 in FIG. 4) which is provided to a processing module 458 for create system inputs and changes based on the output of the model 456. In step 452, the output values 456 and the current inputs 454 are preferably further fed back to the machine learning module 440 via a feedback loop 452, so that the module 440 can continuously learn and update the predictive model 450.
[050] Com referência agora à FIG. 6, adicionalmente, um exemplo de aplicação da presente invenção será agora discutido adicionalmente. Como mostrado na FIG. 6, a aplicação de exemplo refere-se ao ajuste dos sistemas de acionamento e VRI com base nos dados do sistema detectados. Como mostrado, os dados de exemplo alimentados no sistema podem incluir dados posicionais 602 para um dado tempo (P1). Adicionalmente, dados de exemplo podem incluir, adicionalmente, dados de aplicação de torque 604 do sistema de acionamento 605 (D1) indicando a quantidade de torque aplicado a uma roda acionadora durante um determinado intervalo de tempo (isto é, T +1). Com essas entradas de dados, o sistema da presente invenção pode, preferencialmente, calcular a posição esperada (PE) da torre de acionamento 610 após o intervalo de tempo especificado (isto é, T +1). Adicionalmente, o sistema pode preferencialmente receber dados posicionais detectados 612 para a localização da torre de acionamento após o período especificado (isto é, P2). Em uma próxima etapa 614, os locais previstos e detectados são comparados e se P2<PE, o sistema, em uma próxima etapa 615 pode ainda calcular uma razão de escorregamento (isto é, P2/PE) a qual é então encaminhada ao modelo preditivo 624 para análise.[050] Referring now to FIG. 6, in addition, an example of application of the present invention will now be discussed further. As shown in FIG. 6, the example application refers to tuning the drive and VRI systems based on detected system data. As shown, example data fed into the system may include positional data 602 for a given time (P1). Additionally, example data may additionally include torque application data 604 from drive system 605 (D1) indicating the amount of torque applied to a drive wheel during a certain time interval (i.e., T+1). With these data inputs, the system of the present invention can preferably calculate the expected position (PE) of the drive tower 610 after the specified time interval (i.e., T+1). Additionally, the system may preferably receive detected positional data 612 for the location of the drive tower after the specified period (i.e., P2). In a next step 614, the predicted and detected locations are compared and if P2<PE, the system, in a next step 615 can further calculate a slip ratio (i.e., P2/PE) which is then forwarded to the predictive model 624 for analysis.
[051] De acordo com uma modalidade preferencial da presente invenção, o modelo preditivo exemplar 624 mostrado na FIG. 6 é preferencialmente criado e atualizado pelos métodos descritos em relação às FIGS. 4, 4A e 5 discutidos acima. Como mostrado na FIG. 6, o modelo preditivo exemplar 624 pode calcular os níveis de umidade (isto é, os níveis de umidade do solo) a partir de uma faixa de razão de escorregamento calculadas. Mais especificamente, o modelo preditivo exemplar 624 pode, preferencialmente, calcular um nível de umidade modelado para uma dada região anular com base em uma razão de escorregamento medida. Na próxima etapa, o nível de umidade estimado da região anular dada pode então ser encaminhado para um módulo de processamento 625, que pode então usar o nível de umidade estimado para fazer ajustes selecionados no sistema de irrigação. Por exemplo, o módulo de processamento pode calcular uma correção de velocidade com base na taxa de escorregamento medida que é então emitida 622 para o sistema de acionamento 605. As correções de velocidade podem incluir ainda uma comparação de velocidades entre torres e um cálculo de alinhamentos entre torres. Adicionalmente, o módulo de processamento pode calcular uma taxa de rega corrigida 620 que pode ser emitida para o controlador VRI 608. Adicionalmente, o módulo de processamento 625 pode emitir um nível de umidade atualizado 618 para ser incluído nas notificações do sistema ou em outros cálculos.[051] In accordance with a preferred embodiment of the present invention, the exemplary predictive model 624 shown in FIG. 6 is preferably created and updated by the methods described in relation to FIGS. 4, 4A and 5 discussed above. As shown in FIG. 6, the exemplary predictive model 624 can calculate moisture levels (i.e., soil moisture levels) from a range of calculated slip ratios. More specifically, the exemplary predictive model 624 may preferably calculate a modeled moisture level for a given annular region based on a measured slip ratio. In the next step, the estimated moisture level of the given annular region may then be forwarded to a processing module 625, which may then use the estimated moisture level to make selected adjustments to the irrigation system. For example, the processing module may calculate a speed correction based on the measured slip rate which is then output 622 to the drive system 605. The speed corrections may further include a comparison of speeds between towers and a calculation of alignments. between towers. Additionally, the processing module may calculate a corrected watering rate 620 that may be output to the VRI controller 608. Additionally, the processing module 625 may output an updated humidity level 618 to be included in system notifications or other calculations. .
[052] Deve ser entendido que a presente invenção pode analisar e modelar uma gama de sistemas e subsistemas de irrigação e prover modelos personalizados para execução com base em quaisquer dados recebidos. A modelagem discutida em relação à FIG. 6 é apenas um único exemplo. Outras saídas de modelagem podem incluir instruções e/ou recomendações para cada subsistema, incluindo alterações em: direção de deslocamento; profundidade de aplicação da água base; prescrição de taxa variável para velocidade, zona ou aspersor individual; recomendação de quimigação para produtores; quantidade e tipo de material de quimigação; quantidade necessária de material de quimigação pronta para injeção; quantidade básica de aplicação de quimigação por unidade de área; manutenção e/ou reparo do pivô central; manutenção do sensor e/ou status de reparo e similares, sem limitação. Onde desejado, cada saída modelada pode ser automaticamente encaminhada e executada pelo sistema de irrigação ou enviada para aceitação/entrada do produtor em preparação para a execução.[052] It should be understood that the present invention can analyze and model a range of irrigation systems and subsystems and provide customized models for execution based on any data received. The modeling discussed in relation to FIG. 6 is just a single example. Other modeling outputs may include instructions and/or recommendations for each subsystem, including changes to: direction of travel; depth of application of base water; variable rate prescription for individual speed, zone or sprinkler; chemigation recommendation for producers; quantity and type of chemigation material; required quantity of chemigation material ready for injection; basic amount of chemigation application per unit area; maintenance and/or repair of the center pivot; sensor maintenance and/or repair status and the like, without limitation. Where desired, each modeled output can be automatically routed and executed by the irrigation system or sent for grower acceptance/input in preparation for execution.
[053] Embora as descrições acima sobre a presente invenção contenham muita especificidade, estas não devem ser interpretadas como limitações no escopo, mas sim como exemplos. Muitas outras variações são possíveis. Por exemplo, os elementos de processamento da presente invenção pela presente invenção podem operar em um número de frequências. Adicionalmente, as comunicações providas com a presente invenção podem ser projetadas para serem duplex ou simplex por natureza. Adicionalmente, conforme as necessidades exigirem, os processos para transmissão de dados de e para a presente invenção podem ser projetados para serem de natureza push ou pull. Ainda, adicionalmente, cada recurso da presente invenção pode ser feita para ser ativada e acessada remotamente a partir de estações de monitoramento distantes. Consequentemente, os dados podem preferencialmente ser carregados e baixados da presente invenção, conforme necessário.[053] Although the above descriptions of the present invention contain a lot of specificity, they should not be interpreted as limitations on the scope, but rather as examples. Many other variations are possible. For example, the processing elements of the present invention may operate at a number of frequencies. Additionally, communications provided with the present invention may be designed to be duplex or simplex in nature. Additionally, as needs require, the processes for transmitting data to and from the present invention can be designed to be push or pull in nature. Still further, each feature of the present invention can be made to be activated and accessed remotely from distant monitoring stations. Accordingly, data can preferably be uploaded and downloaded from the present invention as needed.
[054] Consequentemente, o escopo não deve ser determinado pelas modalidades ilustradas, mas pelas reivindicações anexas e seus equivalentes legais.[054] Consequently, the scope should not be determined by the illustrated embodiments, but by the attached claims and their legal equivalents.
Claims (17)
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762513479P | 2017-06-01 | 2017-06-01 | |
| US62/513,479 | 2017-06-01 | ||
| PCT/US2018/035400 WO2018222875A1 (en) | 2017-06-01 | 2018-05-31 | System and method for irrigation management using machine learning workflows |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112019024937A2 BR112019024937A2 (en) | 2020-06-23 |
| BR112019024937B1 true BR112019024937B1 (en) | 2023-08-22 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11429071B2 (en) | System and method for irrigation management using machine learning workflows | |
| US10728336B2 (en) | Integrated IoT (Internet of Things) system solution for smart agriculture management | |
| US11551313B2 (en) | Generating digital models of relative yield of a crop based on nitrate values in the soil | |
| US20180263171A1 (en) | Generating an agriculture prescription | |
| US20160314542A1 (en) | Automated agricultural activity determination system and method | |
| US10338274B2 (en) | Computer radar based precipitation estimate errors based on precipitation gauge measurements | |
| US20160202679A1 (en) | Automated irrigation control system | |
| UA124801C2 (en) | Computer-generated accurate yield map data using expert filters and spatial outlier detection | |
| US20170168157A1 (en) | Generating estimates of uncertainty for radar based precipitation estimates | |
| US20170336533A1 (en) | Radar based precipitation estimates using spatiotemporal interpolation | |
| Lakshmi et al. | An intelligent IOT sensor coupled precision irrigation model for agriculture | |
| US20230375988A1 (en) | System and method for irrigation management using machine learning workflows | |
| US20200302555A1 (en) | Crop seeding recommendations | |
| BR112019024937B1 (en) | SYSTEM FOR USE WITH A SELF-PROPELLED IRRIGATION SYSTEM | |
| US11176117B2 (en) | Automated detection of errors in location data in agricultural operations | |
| US11861737B1 (en) | Hybrid seed supply management based on prescription of hybrid seed placement | |
| Prasad et al. | Smart Farming Technologies for Protected Cultivation | |
| Mehare et al. | Classification and Regression Supervised Machine Learning Approach in Smart Farming for Hydroponics System with Intelligent and Precise Management based on IoT | |
| Naik et al. | Chapter-7 Internet of Things in Agriculture | |
| Jiménez et al. | Real-Time Mapping of Crop Canopy Temperature Using a Wireless Network of Infrared Thermometers on a Central Pivot |