BR102021001240A2

BR102021001240A2 - Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional

Info

Publication number: BR102021001240A2
Application number: BR102021001240-4A
Authority: BR
Inventors: Nathan R. Vandike; Bhanu Kiran Reddy Palla; Noel W. Anderson
Original assignee: Deere & Company
Priority date: 2020-02-06
Filing date: 2021-01-22
Publication date: 2022-04-12
Also published as: US20210243936A1; CA3108290A1; CN113207410A

Abstract

Um ou mais mapas de informação são obtidos por uma máquina de trabalho agrícola. Um ou mais mapas de informação mapeiam um ou mais valores de característica agrícola em diferentes localizações geográficas de um campo. Um sensor in situ na máquina de trabalho agrícola sensoreia uma característica agrícola à medida que a máquina de trabalho agrícola move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prediz uma característica agrícola preditiva em diferentes localizações no campo com base em um relacionamento entre os valores em um ou mais mapas de informação e a característica agrícola sensoreada pelo sensor in situ. O mapa preditivo pode ser produzido e usado em controle de máquina automático.

Description

MÁQUINA DE TRABALHO AGRÍCOLA, E, MÉTODO IMPLEMENTADO POR COMPUTADOR PARA GERAR UM MAPA AGRÍCOLA PREDITIVO FUNCIONAL

REFERÊNCIA CRUZADA AO PEDIDO RELACIONADO

[001] O presente pedido é uma continuação em parte de e reivindica prioridade dos pedidos de patente U.S. No. de série 16/783475, depositado em 6 de fevereiro de 2020, e 16/783511, depositado em 6 de fevereiro de 2020, o conteúdo dos quais está por meio disso incorporado por referência em sua íntegra.

CAMPO DA DESCRIÇÃO

[002] A presente descrição se refere a máquinas agrícolas, máquinas florestais, máquinas de construção e máquinas de gerenciamento de turfe.

FUNDAMENTOS

[003] Existe uma ampla variedade de diferentes tipos de máquinas agrícolas. Algumas máquinas agrícolas incluem colheitadeiras, tais como colheitadeiras combinadas, colheitadeiras de cana de açúcar, colheitadeiras de algodão, colheitadeiras de forragem automotrizes, e gadanheiras-alinhadoras. Algumas colheitadeiras podem também ser equipadas com diferentes tipos de ponteiras para colher diferentes tipos de lavouras.

[004] Pequenos pedaços de terra de ervas daninhas em campos têm inúmeros efeitos deletérios na operação de colheita. Por exemplo, quando uma colheitadeira encontra um pequeno pedaço de terra de erva daninha em um campo, o pequeno pedaço de terra de erva daninha pode impedir o desempenho da máquina ou degradar o desempenho da colheitadeira. Portanto, um operador pode tentar modificar o controle da colheitadeira, ao encontrar um pequeno pedaço de terra de erva daninha durante a operação de colheita.

[005] A discussão apresentada é meramente provida para informação de fundo geral e não se pretende que seja usada como uma ajuda na determinação do escopo da matéria objeto reivindicada.

SUMÁRIO

[006] Um ou mais mapas de informação são obtidos por uma máquina de trabalho agrícola. Um ou mais mapas de informação mapeiam um ou mais valores de característica agrícola em diferentes localizações geográficas de um campo. Um sensor in situ na máquina de trabalho agrícola sensoreia uma característica agrícola à medida que a máquina de trabalho agrícola move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prediz uma característica agrícola preditiva em diferentes localizações no campo com base em um relacionamento entre os valores em um ou mais mapas de informação e na característica agrícola sensoreada pelo sensor in situ. O mapa preditivo pode ser produzido e usado em controle de máquina automático.

[007] Esse sumário é provido para introduzir uma seleção de conceitos em uma forma simplificada que são adicionalmente descritos a seguir na Descrição Detalhada. Esse Sumário não visa identificar recursos chaves ou recursos essenciais da matéria objeto reivindicada, nem deve ser usado como uma ajuda na determinação do escopo da matéria objeto reivindicada. A matéria objeto reivindicada não é limitada aos exemplos que solucionam algumas ou todas as desvantagens notadas nos fundamentos.

BREVE DESCRIÇÃO DOS DESENHOS

[008] A FIG. 1 é uma ilustração esquemática parcial pictorial parcial de um exemplo de uma colheitadeira combinada.

[009] A FIG. 2 é um diagrama de blocos mostrando algumas porções de uma colheitadeira agrícola em mais detalhe, de acordo com alguns exemplos da presente descrição.

[0010] As FIGS. 3A-3B (coletivamente referidas aqui como FIG. 3) mostram um fluxograma ilustrando um exemplo de operação de uma colheitadeira agrícola na geração de um mapa.

[0011] A FIG. 4 é um diagrama de blocos mostrando um exemplo de um gerador de modelo preditivo e um gerador de mapa de métrica preditivo.

[0012] A FIG. 5 é um fluxograma mostrando um exemplo de operação de uma colheitadeira agrícola recebendo um mapa de índice vegetativo, detectando uma característica de erva daninha, e gerando um mapa de erva daninha preditivo funcional para uso no controle da colheitadeira agrícola durante uma operação de colheita.

[0013] A FIG. 6 é um diagrama de blocos mostrando um exemplo de uma colheitadeira agrícola em comunicação com um ambiente de servidor remoto.

[0014] As FIGS. 7-9 mostram exemplos de dispositivos móveis que podem ser usados em uma colheitadeira agrícola.

[0015] A FIG. 10 é um diagrama de blocos mostrando um exemplo de um ambiente de computação que pode ser usado em uma colheitadeira agrícola e as arquiteturas ilustradas nas figuras anteriores.

DESCRIÇÃO DETALHADA

[0016] Para efeitos de promoção de um entendimento dos princípios da presente descrição, referência será feita agora aos exemplos ilustrados nos desenhos, e linguagem específica será usada para descrever a mesma. No entanto, deve-se entender que nenhuma limitação do escopo da descrição é pretendida. Quaisquer alterações e modificações adicionais nos dispositivos, sistemas e métodos descritos, e qualquer aplicação adicional dos princípios da presente descrição, são completamente contemplados como normalmente ocorreria a um versado na técnica ao qual a descrição diz respeito. Em particular, é completamente contemplado que os recursos, componentes e/ou etapas descritos com relação a um exemplo podem ser combinados com os recursos, componentes e/ou etapas descritos com relação a outros exemplos da presente descrição.

[0017] A presente descrição se refere ao uso de dados in situ obtidos atualmente com uma operação agrícola, em combinação com dados anteriores, para gerar um mapa preditivo e, mais particularmente, um mapa de erva daninha preditivo. Em alguns exemplos, o mapa de erva daninha preditivo pode ser usado para controlar uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola. Como aqui discutido, o desempenho de uma colheitadeira pode ser degradado quando a colheitadeira engata um pequeno pedaço de terra de erva daninha. Por exemplo, se as lavouras tiverem atingido a maturidade, as ervas daninhas podem ainda estar verdes, dessa forma aumentando o teor de umidade da biomassa que é encontrada pela colheitadeira. Esse problema pode ser exacerbado quando os pequenos pedaços de terra de erva daninha são molhados (tal como logo após um aguaceiro ou quando os pequenos pedaços de terra de erva daninha contiverem orvalho) e antes de as ervas daninhas terem tido uma chance de secar.

[0018] O desempenho de uma colheitadeira pode ser deleteriamente afetado com base em inúmeros diferentes critérios. Por exemplo, a intensidade de ervas daninhas em um pequeno pedaço de terra de erva daninha pode ter efeitos deletérios na operação da colheitadeira. Sem limitação, intensidade de ervas daninhas pode incluir pelo menos um dentre presença de erva daninha, população de erva daninha, estágio de crescimento de erva daninha, biomassa de erva daninha, umidade de erva daninha, densidade de erva daninha, um altura de ervas daninhas, um tamanho de uma planta de erva daninha, uma idade, ou condição de saúde de ervas daninhas em uma localização em uma área. A medida de intensidade de ervas daninhas pode ser um valor binário (tal como a presença de erva daninha ou ausência de erva daninha), ou um valor contínuo (tal como uma porcentagem de ervas daninhas em um área ou volume definido) ou um conjunto de valores discretos (tais como valores de intensidade de erva daninha baixo, médio, alto). Similarmente, diferentes tipos de ervas daninhas encontrados por uma colheitadeira podem afetar a colheitadeira diferentemente. Por exemplo, diferentes tipos de ervas daninhas podem conter níveis de umidade variados, e, à medida que os níveis de umidade de ervas daninhas aumentam, a degradação no desempenho da colheitadeira pode também aumentar. Similarmente, diferentes tipos de erva daninha podem ter diferentes estruturas físicas (por exemplo, algumas ervas daninhas podem ter caules mais espessos ou mais finos, folhas mais cheias, etc.). Essas variações na estrutura da erva daninha podem também fazer com que o desempenho da colheitadeira varie quando a colheitadeira engata com tais ervas daninhas.

[0019] Um mapa de índice vegetativo ilustrativamente mapeia valores de índice vegetativo (que podem ser indicativos de crescimento vegetativo) através de diferentes localizações geográficas em um campo de interesse. Um exemplo de um índice vegetativo inclui um índice de vegetação por diferença normalizada (NDVI). Existem muitos outros índices vegetativos que estão dentro do escopo da presente descrição. Em alguns exemplos, um índice vegetativo pode ser derivado de leituras de sensor de uma ou mais bandas de radiação eletromagnética refletidas pelas plantas. Sem limitações, essas bandas podem ser nas porções de micro-ondas, infravermelho, visível ou ultravioleta do espectro eletromagnético.

[0020] Um mapa de índice vegetativo pode ser usado para identificar a presença e localização de vegetação. Em alguns exemplos, esses mapas permitem que ervas daninhas sejam identificadas e georreferenciadas na presença de solo verificado, resíduo de lavoura, ou outras plantas, incluindo lavoura ou outras ervas daninhas. Por exemplo, no final de uma estação de crescimento, quando uma lavoura está madura, as plantas de lavoura podem apresentar uma vegetação em crescimento com nível relativamente baixo de vida. Entretanto, ervas daninhas frequentemente persistem em um estado em crescimento após a maturidade da lavoura. Portanto, se um mapa de índice vegetativo for gerado relativamente atrasado na estação de crescimento, o mapa de índice vegetativo pode ser indicativo da localização de ervas daninhas no campo. Entretanto, o mapa de índice vegetativo pode ser menos útil (ou de jeito nenhum útil) na identificação de uma intensidade de ervas daninhas no pequeno pedaço de terra de erva daninha, ou os tipos de ervas daninhas no pequeno pedaço de terra de erva daninha. Dessa forma, em alguns casos, um mapa de índice vegetativo pode ter uma utilidade reduzida na predição de como controlar uma colheitadeira à medida que ela move através do campo.

[0021] A presente discussão dessa forma se dá com relação a sistemas que recebem um mapa de índice vegetativo de um campo ou mapa gerado durante uma operação anterior e também ao uso de um sensor in situ para detectar uma variável indicativa de uma ou mais dentre uma localização de erva daninha, intensidade de ervas daninhas e tipo de erva daninha, durante uma operação de colheita. Em alguns casos, o sensor in situ pode detectar uma localização de ervas daninhas, por exemplo, ao longo de uma largura de uma ponteira afixada a uma colheitadeira agrícola, tal como a colheitadeira agrícola 100. Por exemplo, o sensor in situ pode detectar a presença de ervas daninhas ao longo de uma porção de uma largura da ponteira. A presença de erva daninha detectada pelo sensor in situ pode ser usada para identificar uma ou mais localizações, tais como localizações ao longo da ponteira, onde as ervas daninhas estão presentes. Os sistemas geram um modelo que modela um relacionamento entre os valores de índice vegetativo no mapa de índice vegetativo ou os valores no mapa gerado a partir da operação anterior e dos valores produzidos pelo sensor in situ. O modelo é usado para gerar um mapa de erva daninha preditivo funcional que prediz, por exemplo, a localização de erva daninha, intensidade de ervas daninhas, ou tipo de erva daninha em diferentes localizações no campo. O mapa de erva daninha preditivo funcional, gerado durante a operação de colheita, pode ser apresentado a um operador ou outro usuário, ou usado para controlar automaticamente uma colheitadeira durante a operação de colheita, ou ambos.

[0022] A FIG. 1 é uma ilustração parcial esquemática parcial pictória de uma colheitadeira agrícola automotriz 100. No exemplo ilustrado, a colheitadeira agrícola 100 é uma colheitadeira combinada. Adicionalmente, embora colheitadeiras combinadas sejam providas como exemplos na presente descrição, percebe-se que a presente narração é também aplicável a outros tipos de colheitadeiras, tais como colheitadeiras de algodão, colheitadeiras de cana de açúcar, colheitadeiras de forragem automotrizes, gadanheiras-alinhadoras, ou outras máquinas de trabalho agrícola. Consequentemente, a presente descrição pretende englobar os vários tipos de colheitadeiras descritos e, dessa forma, não está limitada a colheitadeiras combinadas. Além disso, a presente descrição é direcionada para outros tipos de máquinas de trabalho, tais como semeadeiras e pulverizadores agrícolas, equipamento de construção, equipamento florestal e equipamento de gerenciamento de turfe onde a geração de um mapa preditivo pode ser aplicável. Consequentemente, a presente descrição deve englobar esses vários tipos de colheitadeiras e outras máquinas de trabalho e, dessa forma, não é limitada a colheitadeiras combinadas.

[0023] Como mostrado na FIG. 1, a colheitadeira agrícola 100 ilustrativamente inclui um compartimento do operador 101, que pode ter uma variedade de diferentes mecanismos de interface de operador, para controlar a colheitadeira agrícola 100. A colheitadeira agrícola 100 inclui equipamento de extremidade dianteira, tal como uma ponteira 102, e um cortador indicado no geral por 104. A colheitadeira agrícola 100 também inclui uma câmara de alimentação 106, um acelerador de alimentação 108, e um trilhador indicado no geral por 110. A câmara de alimentação 106 e o acelerador de alimentação 108 formam parte de um subsistema de manuseio de material 125. A ponteira 102 é acoplada a pivô a uma armação 103 da colheitadeira agrícola 100 ao longo de um eixo geométrico pivô 105. mm ou mais acionadores 107 acionam o movimento da ponteira 102 em torno do eixo geométrico 105 na direção indicada no geral pela seta 109. Dessa forma, uma posição vertical da ponteira 102 (a altura da ponteira) acima do chão 111 no qual a ponteira 102 desloca é controlável pelo acionamento do acionador 107. Embora não mostrado na FIG. 1, a colheitadeira agrícola 100 pode também incluir um ou mais acionadores que operam para aplicar um ângulo de inclinação, um ângulo de rolamento, ou ambos, na ponteira 102, ou porções da ponteira 102. Inclinação se refere a um ângulo no qual o cortador 104 engata a lavoura. O ângulo de inclinação é aumentado, por exemplo, controlando-se a ponteira 102 para apontar uma borda distal 113 do cortador 104 mais para o chão. O ângulo de inclinação é diminuído controlando-se a ponteira 102 para apontar a borda distal 113 do cortador 104 para mais distante do chão. O ângulo de rolamento se refere à orientação da ponteira 102 em torno do eixo geométrico longitudinal de frente para trás da colheitadeira agrícola 100.

[0024] O trilhador 110 ilustrativamente inclui um rotor de trilhagem 112 e um conjunto de côncavos 114. Adicionalmente, a colheitadeira agrícola 100 também inclui um separador 116. A colheitadeira agrícola 100 também inclui um subsistema de limpeza ou sapata de limpeza (coletivamente referidos como subsistema de limpeza 118) que inclui uma ventoinha de limpeza 120, picador de palha 122 e peneira 124. O subsistema de manuseio de material 125 também inclui batedor de descarga 126, elevador de refugos 128, elevador de grão limpo 130, bem como trado de descarga 134 e bocal 136. O elevador de grão limpo move grão limpo para o tanque de grão limpo 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduo 138 que pode incluir picador 140 e espalhador 142. A colheitadeira agrícola 100 também inclui um subsistema de propulsão que inclui um motor que aciona componentes de engate no chão 144, tais como rodas ou esteiras. Em alguns exemplos, uma colheitadeira combinada dentro do escopo da presente descrição pode ter mais que um de qualquer dos subsistemas supramencionados. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza esquerdo e direito, separadores, etc., que não são mostrados na FIG. 1.

[0025] Em operação, e a título de revisão, a colheitadeira agrícola 100 ilustrativamente move através de um campo na direção indicada pela seta 147. À medida que a colheitadeira agrícola 100 move, a ponteira 102 (e a carretilha associada 164) engata a lavoura a ser colhida e acumula a lavoura em direção ao cortador 104. Um operador de colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto, ou um sistema automático. Um comando de operador é um comando por um operador. O operador de colheitadeira agrícola 100 pode determinar um ou mais dentre uma definição de altura, uma definição de ângulo de inclinação, ou uma definição de ângulo de rolamento para ponteira 102. Por exemplo, o operador entra com uma definição ou definições em um sistema de controle, descrito em mais detalhe a seguir, que controla o acionador 107. O sistema de controle pode também receber uma definição do operador para estabelecer o ângulo de inclinação e ângulo de rolamento da ponteira 102 e implementar as definições alimentadas controlando acionadores associados, não mostrados, que operam para mudar o ângulo de inclinação e o ângulo de rolamento da ponteira 102. O acionador 107 mantém a ponteira 102 a uma altura acima do chão 111 com base em uma definição de altura e, onde aplicável, no ângulo de inclinação e rolamento desejado. Cada uma das definições de altura, rolamento e inclinação pode ser implementada independentemente das outras. O sistema de controle responde ao erro da ponteira (por exemplo, a diferença entre a definição de altura e a altura medida da ponteira 104 acima do chão 111 e, em alguns exemplos, os erros de ângulo de inclinação e ângulo de rolamento) com uma capacidade de resposta que é determinada com base em um nível de sensibilidade selecionado. Se o nível de sensibilidade for definido em um maior nível de sensibilidade, o sistema de controle responde a menores erros de posição da ponteira, e tenta reduzir os erros detectados mais rapidamente do que quando a sensibilidade está a um menor nível de sensibilidade.

[0026] De volta à descrição da operação da colheitadeira agrícola 100, após as lavouras serem cortadas pelo cortador 104, o material de lavoura dividido é movimentado através de um transportador na câmara de alimentação 106 em direção ao acelerador de alimentação 108, que acelera o material de lavoura para o trilhador 110. O material de lavoura é trilhado pelo rotor 112 que roda a lavoura contra os côncavos 114. O material de lavoura trilhado é movimentado por um rotor de separador no separador 116 onde uma porção do resíduo é movimentada pelo batedor de descarga 126 em direção ao subsistema de resíduo 138. A porção de resíduo transferida para o subsistema de resíduo 138 é picada pelo picador de resíduo 140 e espalhada no campo pelo espalhador 142. Em outras configurações, o resíduo é liberado da colheitadeira agrícola 100 em uma leira. Em outros exemplos, o subsistema de resíduo 138 pode incluir eliminadores de semente de erva daninha (não mostrado) tais como ensacadores de semente ou outros coletores de semente, ou trituradores de semente ou outros destruidores de semente

[0027] Grão cai no subsistema de limpeza 118. O picador de palha 122 separa alguns pedaços maiores de material do grão, e a peneira 124 separa alguns dos pedaços mais finos de material do grão limpo. Grão limpo cai em um trado que move o grão para uma extremidade de entrada do elevador de grão limpo 130, e o elevador de grão limpo 130 move o grão limpo para cima, depositando o grão limpo no tanque de grão limpo 132. Resíduo é removido do subsistema de limpeza 118 pelo fluxo de ar gerado pela ventoinha de limpeza 120. A ventoinha de limpeza 120 direciona ar ao longo de um trajeto de fluxo de ar para cima através das peneiras e picadores de palha. O fluxo de ar carrega resíduo para trás na colheitadeira agrícola 100 em direção ao subsistema de manuseio de resíduo 138.

[0028] O elevador de refugos 128 retorna os refugos para o trilhador 110 onde os refugos são retrilhados. Alternativamente, os refugos também podem ser passados para um mecanismo de retrilhagem separado por um elevador de refugos ou um outro dispositivo de transporte onde os refugos são retrilhados igualmente.

[0029] A FIG. 1 também mostra que, em um exemplo, a colheitadeira agrícola 100 inclui sensor de velocidade em relação ao chão 146, um ou mais sensores de perda no separador 148, uma câmera de grão limpo 150, um mecanismo de captura de imagem voltado para frente 151, que pode ser na forma de uma câmera estéreo ou mono, e um ou mais sensores de perda 152 providos no subsistema de limpeza 118.

[0030] O sensor de velocidade em relação ao chão 146 sensoreia a velocidade de deslocamento da colheitadeira agrícola 100 sobre o chão. Sensor de velocidade em relação ao chão 146 pode sensorear a velocidade de deslocamento da colheitadeira agrícola 100 pelo sensoreamento da velocidade de rotação dos componentes de engate no chão (tais como rodas ou esteiras), um eixo de transmissão, um eixo de rodas, ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser sensoreada usando um sistema de posicionamento, tais como um sistema de posicionamento global (GPS), um sistema de posicionamento relativo, um sistema de navegação de longo alcance (LORAN), ou uma ampla variedade de outros sistemas ou sensores que fornecem uma indicação da velocidade de deslocamento.

[0031] Os sensores de perda 152 ilustrativamente fornecem um sinal de saída indicativo da quantidade de perda de grão que ocorre tanto nos lados direito quanto esquerdo do subsistema de limpeza 118. Em alguns exemplos, os sensores 152 são sensores de colisão que contam colisões de grão por unidade de tempo ou por unidade de distância percorrida para prover uma indicação da perda de grão que ocorre no subsistema de limpeza 118. Os sensores de colisão para os lados direito e esquerdo do subsistema de limpeza 118 podem prover sinais individuais ou um sinal combinado ou agregado. Em alguns exemplos, os sensores 152 podem incluir um único sensor, em vez de sensores separados providos para cada subsistema de limpeza 118.

[0032] O sensor de perda no separador 148 provê um sinal indicativo de perda de grão nos separadores esquerdo e direito, não mostrados separadamente na FIG. 1. Os sensores de perda no separador 148 podem ser associados com os separadores esquerdo e direito e podem prover sinais de perda de grão separados ou um sinal combinado ou agregado. Em alguns casos, o sensoreamento de perda de grão nos separadores pode também ser feito usando uma ampla variedade de diferentes tipos de sensores igualmente.

[0033] A colheitadeira agrícola 100 pode também incluir outros sensores e mecanismos de medição. Por exemplo, a colheitadeira agrícola 100 pode incluir um ou mais dos seguintes sensores: um sensor de altura da ponteira que sensoreia uma altura da ponteira 102 acima do chão 111; sensores de estabilidade que sensoreiam a oscilação ou movimento de rebote (e amplitude) da colheitadeira agrícola 100; um sensor de definição de resíduo que é configurado para sensorear se a colheitadeira agrícola 100 está configurada para picar o resíduo, produzir uma leira, etc.; um sensor de velocidade da ventoinha da sapata de limpeza para sensorear a velocidade da ventoinha 120; um sensor de folga do côncavo que sensoreia a folga entre o rotor 112 e os côncavos 114; um sensor de velocidade do rotor de trilhagem que sensoreia uma velocidade de rotor do rotor 112; um sensor de folga do picador de palha que sensoreia o tamanho das aberturas no picador de palha 122; um sensor de folga da peneira que sensoreia o tamanho das aberturas na peneira 124; um sensor de umidade de material sem ser grão (MOG) que sensoreia um nível de umidade do MOG que passa através da colheitadeira agrícola 100; um ou mais sensores de definição de máquina configurados para sensorear várias definições configuráveis de colheitadeira agrícola 100; um sensor de orientação de máquina que sensoreia a orientação da colheitadeira agrícola 100; e sensores de propriedade de lavoura que sensoreiam uma variedade de diferentes tipos de propriedades de lavoura, tais como tipo de lavoura, umidade de lavoura, e outras propriedades de lavoura. Os sensores de propriedade de lavoura podem também ser configurados para sensorear características do material de lavoura dividido à medida que o material de lavoura está sendo processado pela colheitadeira agrícola 100. Por exemplo, em alguns casos, os sensores de propriedade de lavoura podem sensorear qualidade de grão tais como grão quebrado, níveis de MOG; constituintes de grão tais como amidos e proteína; e taxa de alimentação de grão à medida que o grão desloca através da câmara de alimentação 106, elevador de grão limpo 130, ou senão na colheitadeira agrícola 100. Os sensores de propriedade de lavoura podem também sensorear a taxa de alimentação de biomassa através da câmara de alimentação 106, através do separador 116 ou em qualquer lugar na colheitadeira agrícola 100. Os sensores de propriedade de lavoura podem também sensorear a taxa de alimentação como uma vazão de massa de grão através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou prover outros sinais de saída indicativos de outras variáveis sensoreadas.

[0034] Antes de descrever como a colheitadeira agrícola 100 gera um mapa de erva daninha preditivo funcional, e usa o mapa de erva daninha preditivo funcional para controlar, uma breve descrição de alguns dos itens na colheitadeira agrícola 100, e sua operação, será primeiramente descrita. A descrição da FIG. 2 e 3 descreve o recebimento de um tipo geral de mapa de informação anterior e combinação de informação do mapa de informação anterior com um sinal de sensor georreferenciado gerado por um sensor in situ, onde o sinal de sensor é indicativo de uma característica no campo, tais como características de lavoura ou ervas daninhas presentes no campo. Características do campo podem incluir, mas sem se limitar a características de um campo tais como inclinação, intensidade de ervas daninhas, tipo de erva daninha, umidade do solo, qualidade da superfície; características de propriedades da lavoura tais como altura de lavoura, umidade de lavoura, densidade de lavoura, estado da lavoura; características de propriedades de grão tais como umidade de grão, tamanho de grão, peso de teste de grão; e características de desempenho de máquina tais como níveis de perda, qualidade do trabalho, consumo de combustível e utilização de potência. Um relacionamento entre os valores de característica obtidos dos sinais de sensor in situ e dos valores de mapa de informação anteriores é identificado, e esse relacionamento é usado para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz valores em diferentes localizações geográficas em um campo, e um ou mais desses valores podem ser usados para controlar uma máquina, tal como um ou mais subsistemas de uma colheitadeira agrícola. Em alguns casos, um mapa preditivo funcional pode ser apresentado a um usuário, tal como um operador de uma máquina de trabalho agrícola, que pode ser uma colheitadeira agrícola. Um mapa preditivo funcional pode ser apresentado a um usuário visualmente, tal como por meio de uma exibição, hapticamente ou audivelmente. O usuário pode interagir com o mapa preditivo funcional para realizar operações de edição e outras operações de interface de usuário. Em alguns casos, um mapa preditivo funcional pode ser usado para um ou mais dentre controle de uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola, apresentação a um operador ou outro usuário, e apresentação a um operador ou usuário para interação pelo operador ou usuário.

[0035] Após a abordagem geral ser descrita com relação às FIGS. 2 e 3, uma abordagem mais específica para gerar um mapa de erva daninha preditivo funcional que pode ser apresentado a um operador ou usuário, ou usado para controlar a colheitadeira agrícola 100, ou ambos, é descrito com relação às FIGS. 4 e 5. Novamente, embora a presente discussão proceda com relação à colheitadeira agrícola e, particularmente, uma colheitadeira combinada, o escopo da presente descrição engloba outros tipos de colheitadeiras agrícolas ou outras máquinas de trabalho agrícolas.

[0036] A FIG. 2 é um diagrama de blocos mostrando algumas porções de uma colheitadeira agrícola exemplificativa 100. A FIG. 2 mostra que a colheitadeira agrícola 100 ilustrativamente inclui um ou mais processadores ou servidores 201, armazenamento de dados 202, sensor de posição geográfica 204, sistema de comunicação 206, e um ou mais sensores in situ 208 que sensoreiam uma ou mais características agrícolas de um campo simultaneamente a uma operação de colheita. Uma característica agrícola pode incluir qualquer característica que pode ter um efeito da operação de colheita. Alguns exemplos de característica agrícolas incluem características da máquina de colheita, do campo, das plantas no campo, e do tempo. Outros tipos de características agrícolas são também incluídos. Os sensores in situ 208 geram valores correspondentes às características sensoreadas. A colheitadeira agrícola 100 também inclui um gerador de modelo ou relacionamento preditivo (coletivamente referido a seguir como “gerador de modelo preditivo 210”), gerador de mapa preditivo 212, gerador de zona de controle 213, sistema de controle 214, um ou mais subsistemas controláveis 216, e um mecanismo de interface de operador 218. A colheitadeira agrícola 100 pode também incluir uma ampla variedade de outras funcionalidades de colheitadeira agrícola 220. Os sensores in situ 208 incluem, por exemplo, sensores internos 222, sensores remotos 224 e outros sensores 226 que sensoreiam características de um campo durante o curso de uma operação agrícola. O gerador de modelo preditivo 210 ilustrativamente inclui um gerador de modelo de informação anterior para variável in situ 228, e o gerador de modelo preditivo 210 pode incluir outros itens 230. O sistema de controle 214 inclui controlador do sistema de comunicação 229, controlador de interface de operador 231, um controlador de definições 232, controlador de planejamento de trajeto 234, controlador de taxa de alimentação 236, controlador de ponteira e carretilha 238, controlador da correia de lona 240, controlador de posição da chapa de piso 242, controlador de sistema de resíduo 244, controlador de limpeza de máquina 245, controlador de zona 247, e sistema 214 podem incluir outro itens 246. Os subsistemas controláveis 216 incluem acionadores de máquina e ponteira 248, subsistema de propulsão 250, subsistema de direção 252, subsistema de resíduo 138, subsistema de limpeza de máquina 254, e os subsistemas 216 podem incluir uma ampla variedade de outros subsistemas 256.

[0037] A FIG. 2 também mostra que a colheitadeira agrícola 100 pode receber mapa de informação anterior 258. Como descrito a seguir, o mapa de informação anterior 258 inclui, por exemplo, um mapa de índice vegetativo ou um mapa de vegetação de uma operação anterior. Entretanto, o mapa de informação anterior 258 pode também englobar outros tipos de dados que foram obtidos antes de uma operação de colheita ou um mapa de uma operação anterior. A FIG. 2 também mostra que um operador 260 pode operar a colheitadeira agrícola 100. O operador 260 interage com mecanismos de interface de operador 218. Em alguns exemplos, os mecanismos de interface de operador 218 podem incluir barras de direção, alavancas, um volante, articulações, pedais, botões, diais, blocos de teclas, elementos acionáveis por usuário (tais como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde reconhecimento de fala e síntese de fala são providos), dentre uma ampla variedade de outros tipos de dispositivos de controle. Onde um sistema de exibição sensível ao toque é provido, o operador 260 pode interagir com mecanismos de interface de operador 218 usando gestos de toque. Esses exemplos aqui descritos são providos como exemplos ilustrativos e não visam limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de operador 218 podem ser usados e estão dentro do escopo da presente descrição.

[0038] O mapa de informação anterior 258 pode ser transferido para a colheitadeira agrícola 100 e armazenado em armazenamento de dados 202, usando o sistema de comunicação 206 ou de outras maneiras. Em alguns exemplos, o sistema de comunicação 206 pode ser um sistema de comunicação celular, um sistema para comunicação por uma rede de área abrangente ou uma rede de área local, um sistema para comunicação por uma rede de comunicação de campo próximo, ou um sistema de comunicação configurado para comunicar por qualquer de uma variedade de outras redes ou combinações de redes. O sistema de comunicação 206 pode também incluir um sistema que facilita o carregamento ou transferência de informação entre um cartão digital seguro (SD) ou um cartão de barramento serial universal (USB), ou ambos.

[0039] O sensor de posição geográfica 204 ilustrativamente sensoreia ou detecta a posição ou localização geográfica da colheitadeira agrícola 100. O sensor de posição geográfica 204 pode incluir, mas sem se limitar a um receptor de sistema de satélite de navegação global (GNSS) que recebe sinais de um transmissor de satélite GNSS. O sensor de posição geográfica 204 pode também incluir um componente cinemático em tempo real (RTK) que é configurado para melhorar a precisão de dados de posição derivados do sinal GNSS. O sensor de posição geográfica 204 pode incluir um sistema de posicionamento relativo, um sistema de triangulação celular, ou qualquer de uma variedade de outros sensores de posição geográfica.

[0040] Os sensores in situ 208 podem ser qualquer dos sensores supradescritos com relação à FIG. 1. Os sensores in situ 208 incluem sensores internos 222 que são montados internamente na colheitadeira agrícola 100. Tais sensores podem incluir, por exemplo, um sensor de percepção (por exemplo, um sistema de câmera mono ou estéreo voltado para frente e sistema de processamento de imagem), sensores de imagem que são internos à colheitadeira agrícola 100 (tal como a câmara de grão limpo ou câmeras montadas para identificar sementes de erva daninha que estão saindo da colheitadeira agrícola 100 através do subsistema de resíduo ou do subsistema de limpeza). Os sensores in situ 208 também incluem sensores in situ remotos 224 que capturam informação in situ. Dados in situ incluem dados obtidos de um sensor interno à colheitadeira ou obtidos por qualquer sensor onde os dados são detectados durante a operação de colheita.

[0041] O gerador de modelo preditivo 210 gera um modelo que é indicativo de um relacionamento entre os valores sensoreados pelo sensor in situ 208 e uma métrica mapeada no campo pelo mapa de informação anterior 258. Por exemplo, se o mapa de informação anterior 258 mapear um valor de índice vegetativo para diferente localizações no campo, e o sensor in situ 208 estiver sensoreando um valor indicativo de intensidade de ervas daninhas, então o gerador de modelo de informação anterior variável para variável in situ 228 gera um modelo de erva daninha preditivo que modela o relacionamento entre o valor de índice vegetativo e o valor de intensidade de ervas daninhas. O modelo de erva daninha preditivo pode também ser gerado com base em valores de índice vegetativo do mapa de informação anterior 258 e múltiplos valores de dados in situ gerados pelos sensores in situ 208. Então, o gerador de mapa preditivo 212 usa o modelo de erva daninha preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de erva daninha preditivo funcional que prediz o valor de uma propriedade de erva daninha, tal como intensidade, sensoreada pelos sensores in situ 208 em diferentes localizações no campo com base no mapa de informação anterior 258.

[0042] Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser o mesmo do tipo de dados in situ sensoreado pelos sensores in situ 208. Em alguns casos, o tipo de valores no mapa preditivo funcional 263 pode ter diferentes unidades dos dados sensoreados pelos sensores in situ 208. Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser diferente do tipo de dados sensoreado pelos sensores in situ 208, mas tem um relacionamento com o tipo de tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, em alguns exemplos, o tipo de dados sensoreado pelos sensores in situ 208 pode ser indicativo do tipo de valores no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação anterior 258. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter diferentes unidades dos dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação anterior 258, mas tem um relacionamento com o tipo de dados no mapa de informação anterior 258. Por exemplo, em alguns exemplos, o tipo de dados no mapa de informação anterior 258 pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é diferente de um, ou ambos, dentre o tipo de dados in situ sensoreado pelos sensores in situ 208 e o tipo de dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo de um, ou ambos, do tipo de dados in situ sensoreado pelos sensores in situ 208 e do tipo de dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo de um dentre o tipo de dados in situ sensoreado pelos sensores in situ 208 ou o tipo de dados no mapa de informação anterior 258, e diferentes um do outro.

[0043] Continuando com o exemplo anterior, no qual o mapa de informação anterior 258 é um mapa de índice vegetativo e o sensor in situ 208 sensoreia um valor indicativo de intensidade de ervas daninhas, o gerador de mapa preditivo 212 pode usar os valores de índice vegetativo no mapa de informação anterior 258, e o modelo gerado pelo gerador de modelo preditivo 210, para gerar um mapa preditivo funcional 263 que prediz a intensidade de ervas daninhas em diferentes localizações no campo. O gerador de mapa preditivo 212 dessa forma produz o mapa preditivo 264.

[0044] Como mostrado na FIG. 2, o mapa preditivo 264 prediz o valor de uma característica sensoreada (sensoreada pelos sensores in situ 208), ou uma característica relacionada à característica sensoreada, em várias localizações através do campo com base em um valor de informação anterior no mapa de informação anterior 258 nessas localizações e usando o modelo preditivo. Por exemplo, se gerador de modelo preditivo 210 tiver gerado um modelo preditivo indicativo de um relacionamento entre um valor de índice vegetativo e a intensidade de ervas daninhas, então, dado o valor de índice vegetativo em diferentes localizações através do campo, o gerador de mapa preditivo 212 gera um mapa preditivo 264 que prediz o valor da intensidade de ervas daninhas em diferentes localizações através do campo. O valor de índice vegetativo, obtido do mapa de índice vegetativo, nessas localizações e o relacionamento entre o valor de índice vegetativo e a intensidade de ervas daninhas, obtido do modelo preditivo, são usados para gerar o mapa preditivo 264.

[0045] Algumas variações nos tipos de dados que são mapeados no mapa de informação anterior 258, nos tipos de dados sensoreados pelos sensores in situ 208, e nos tipos de dados preditos no mapa preditivo 264 serão agora descritas.

[0046] Em alguns exemplos, o tipo de dados no mapa de informação anterior 258 é diferente do tipo de dados sensoreado pelos sensores in situ 208, ainda o tipo de dados no mapa preditivo 264 é o mesmo do tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser produtividade. O mapa preditivo 264 pode então ser um mapa de produtividade preditivo que mapeia valores produtividade preditos para diferentes localizações geográficas no campo. Em um outro exemplo, o mapa de informação anterior 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser altura da lavoura. O mapa preditivo 264 pode então ser um mapa de altura de lavoura preditivo que mapeia valores de altura da lavoura preditos para diferentes localizações geográficas no campo.

[0047] Também, em alguns exemplos, o tipo de dados no mapa de informação anterior 258 é diferente do tipo de dados sensoreado pelos sensores in situ 208, e o tipo de dados no mapa preditivo 264 é diferente tanto do tipo de dados no mapa de informação anterior 258 quanto do tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser altura da lavoura. O mapa preditivo 264 pode então ser um mapa de biomassa preditiva que mapeia valores de biomassa preditiva para diferentes localizações geográficas no campo. Em um outro exemplo, o mapa de informação anterior 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser produtividade. O mapa preditivo 264 pode então ser um mapa de velocidade preditiva que mapeia valores de velocidade de colheitadeira preditos para diferentes localizações geográficas no campo.

[0048] Em alguns exemplos, o mapa de informação anterior 258 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é diferente do tipo de dados sensoreado pelos sensores in situ 208, ainda o tipo de dados no mapa preditivo 264 é o mesmo do tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de população de semente gerado durante plantio, e a variável sensoreada pelos sensores in situ 208 pode ser tamanho do caule. O mapa preditivo 264 pode então ser um mapa de tamanho do caule preditivo que mapeia valores de tamanho do caule predito para diferentes localizações geográficas no campo. Em um outro exemplo, o mapa de informação anterior 258 pode ser um mapa híbrido de semeadura, e a variável sensoreada pelos sensores in situ 208 pode ser estado de lavoura tal como lavoura em pé ou lavoura deitada. O mapa preditivo 264 pode então ser um mapa de estado de lavoura preditivo que mapeia valores de estado de lavoura preditos para diferentes localizações geográficas no campo.

[0049] Em alguns exemplos, o mapa de informação anterior 258 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é o mesmo que o tipo de dados sensoreado pelos sensores in situ 208, e o tipo de dados no mapa preditivo 264 é também o mesmo que o tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de produtividade gerado durante um ano anterior, e a variável sensoreada pelos sensores in situ 208 pode ser produtividade. O mapa preditivo 264 pode então ser um mapa de produtividade preditivo que mapeia valores produtividade preditos para diferentes localizações geográficas no campo. Em um exemplo como esse, as diferenças de produtividade relativas no mapa de informação anterior georreferenciado 258 do ano anterior podem ser usadas pelo gerador de modelo preditivo 210 para gerar um modelo preditivo que modela um relacionamento entre as diferenças de produtividade relativas no mapa de informação anterior 258 e os valores de produtividade sensoreados pelos sensores in situ 208 durante a operação de colheita atual. O modelo preditivo é então usado pelo gerador de mapa preditivo 210 para gerar um mapa de produtividade preditivo.

[0050] Em um outro exemplo, o mapa de informação anterior 258 pode ser um mapa de intensidade de ervas daninhas gerado durante uma operação anterior, tal como por um pulverizador, e a variável sensoreada pelos sensores in situ 208 pode ser intensidade de ervas daninhas. O mapa preditivo 264 pode então ser um mapa de intensidade de ervas daninhas preditivo que mapeia valores de intensidade de ervas daninhas preditos para diferentes localizações geográficas no campo. Em um exemplo como esse, um mapa das intensidades de erva daninha no momento da pulverização é georreferenciado, registrado e provido à colheitadeira agrícola 100 como um mapa de informação anterior 258 de intensidade de ervas daninhas. Sensores in situ 208 podem detectar intensidade de ervas daninhas em localizações geográficas no campo e o gerador de modelo preditivo 210 pode então construir um modelo preditivo que modela um relacionamento entre intensidade de ervas daninhas no momento da colheita e a intensidade de ervas daninhas no momento da pulverização. Isso se dá em virtude de o pulverizador ter impactado a intensidade de ervas daninhas no momento da pulverização, mas as ervas daninhas podem ainda brotar em áreas similares novamente pela colheita. Entretanto, as áreas de erva daninha na colheita provavelmente terão diferentes intensidades com base no sincronismo da colheita, tempo, tipo de erva daninha, dentre outras coisas.

[0051] Em alguns exemplos, o mapa preditivo 264 pode ser provido ao gerador de zona de controle 213. O gerador de zona de controle 213 agrupa porções adjacentes de uma área em uma ou mais zonas de controle com base em valores de dados de mapa preditivo 264 que são associados com essas porções adjacentes. Uma zona de controle pode incluir duas ou mais porções contíguas de uma área, tal como um campo, para as quais um parâmetro de controle correspondente à zona de controle para controlar um subsistema controlável é constante. Por exemplo, um tempo de resposta para alterar uma definição de subsistemas controláveis 216 pode ser inadequado para responder satisfatoriamente a mudanças nos valores contidos em um mapa, tal como o mapa preditivo 264. Nesse caso, o gerador de zona de controle 213 analisa o mapa e identifica zonas de controle que são de um tamanho definido para acomodar o tempo de resposta dos subsistemas controláveis 216. Em um outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste de movimento excessivo do acionador que resulta de ajuste contínuo. Em alguns exemplos, pode haver um conjunto diferente de zonas de controle para cada subsistema controlável 216 ou para grupos de subsistemas controláveis 216. As zonas de controle podem ser adicionadas ao mapa preditivo 264 para obter mapa de zona de controle preditivo 265. O mapa de zona de controle preditivo 265 pode dessa forma ser similar ao mapa preditivo 264, exceto que o mapa de zona de controle preditivo 265 inclui informação de zona de controle que define as zonas de controle. Dessa forma, um mapa preditivo funcional 263, como descrito aqui, pode ou não incluir zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa preditivo 264. Em um outro exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa de zona de controle preditivo 265. Em alguns exemplos, múltiplas lavouras podem estar simultaneamente presentes em um campo se um sistema de produção interlavoura for implementado. Nesse caso, o gerador de mapa preditivo 212 e o gerador de zona de controle 213 são capazes de identificar a localização e características das duas ou mais lavouras e então gerar mapa preditivo 264 e mapa preditivo com zonas de controle 265 correspondentemente.

[0052] Percebe-se também que o gerador de zona de controle 213 pode agrupar valores para gerar zonas de controle e as zonas de controle podem ser adicionadas ao mapa de zona de controle preditivo 265, ou um mapa separado, mostrando apenas as zonas de controle que são geradas. Em alguns exemplos, as zonas de controle podem ser usadas para controlar ou calibra a colheitadeira agrícola 100, ou ambos. Em outros exemplos, as zonas de controle podem ser apresentadas ao operador 260 e usadas para controlar ou calibrar a colheitadeira agrícola 100, e, em outros exemplos, as zonas de controle podem ser apresentadas ao operador 260 ou um outro usuário, ou armazenadas para uso posterior.

[0053] O mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, são providos ao sistema de controle 214, que gera sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. Em alguns exemplos, o controlador do sistema de comunicação 229 controla o sistema de comunicação 206 para comunicar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou controlar sinais com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265 para outras colheitadeiras agrícolas que estão colhendo no mesmo campo. Em alguns exemplos, o controlador do sistema de comunicação 229 controla o sistema de comunicação 206 para enviar o mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, a outros sistemas remotos.

[0054] O controlador de interface de operador 231 é operável para gerar sinais de controle para controlar mecanismos de interface de operador 218. O controlador de interface de operador 231 é também operável para apresentar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou outra informação derivada ou baseada no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, ao operador 260. O operador 260 pode ser um operador local ou um operador remoto. Como um exemplo, o controlador 231 gera sinais de controle para controlar um mecanismo de exibição para exibir um ou ambos de mapa preditivo 264 e mapa de zona de controle preditivo 265 para o operador 260. O controlador 231 pode gerar mecanismos acionáveis pelo operador que são exibidos e podem ser acionados pelo operador para interagir com o mapa exibido. O operador pode editar o mapa, por exemplo, corrigindo um tipo de erva daninha exibido no mapa, com base na observação do operador. O controlador de definições 232 pode gerar sinais de controle para controlar várias definições na colheitadeira agrícola 100 com base em mapa preditivo 264, no mapa de zona de controle preditivo 265, ou ambos. Por exemplo, o controlador de definições 232 pode gerar sinais de controle para controlar os acionadores da máquina e da ponteira 248. Em resposta aos sinais de controle gerados, a acionadores de máquina e ponteira 248 operam para controlar, por exemplo, um ou mais das definições da peneira e picador de palha, folga do trilhador, definições de rotor, definições de velocidade da ventoinha de limpeza, altura da ponteira, funcionalidade da ponteira, velocidade da carretilha, posição da carretilha, funcionalidade da correia de lona (onde a colheitadeira agrícola 100 é acoplada a uma ponteira de correia de lona), funcionalidade de ponteira de milho, controle de distribuição interna e outros acionadores 248 que afeta as outras funções da colheitadeira agrícola 100. O controlador de planejamento de trajeto 234 ilustrativamente gera sinais de controle para controlar o subsistema de direção 252 para esterçar a colheitadeira agrícola 100 de acordo com um trajeto desejado. O controlador de planejamento de trajeto 234 pode controlar um sistema de planejamento de trajeto para gerar uma rota para a colheitadeira agrícola 100 e pode controlar o subsistema de propulsão 250 e o subsistema de direção 252 para esterçar a colheitadeira agrícola 100 ao longo dessa rota. O controlador de taxa de alimentação 236 pode controlar vários subsistemas, tais como subsistema de propulsão 250 e acionadores de máquina 248, para controlar uma taxa de alimentação com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. Por exemplo, à medida que a colheitadeira agrícola 100 se aproxima de um pequeno pedaço de terra de erva daninha tendo um valor de intensidade acima de um limiar selecionado, o controlador de taxa de alimentação 236 pode reduzir a velocidade da máquina 100 para manter a taxa de alimentação de biomassa constante através da máquina. O controlador de ponteira e carretilha 238 pode gerar sinais de controle para controlar uma ponteira ou uma carretilha ou outra funcionalidade da ponteira. O controlador da correia de lona 240 pode gerar sinais de controle para controlar uma correia de lona ou outra funcionalidade da correia de lona com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos. O controlador de posição da chapa de piso 242 pode gerar sinais de controle para controlar uma posição de um chapa de piso incluída em uma ponteira com base em mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, e o controlador de sistema de resíduo 244 pode gerar sinais de controle para controlar um subsistema de resíduo 138 com base em mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. O controlador de limpeza de máquina 245 pode gerar sinais de controle para controlar o subsistema de limpeza de máquina 254. Por exemplo, com base nos diferentes tipos de sementes ou ervas daninhas que passaram pela máquina 100, um tipo particular de operação de limpeza de máquina ou uma frequência com a qual uma operação de limpeza é realizada pode ser controlado. Outros controladores incluídos na colheitadeira agrícola 100 podem controlar outros subsistemas com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos igualmente.

[0055] As FIGS. 3A e 3B (coletivamente referidas aqui como FIG. 3) mostram um fluxograma ilustrando um exemplo da operação de colheitadeira agrícola 100 na geração de um mapa preditivo 264 e mapa de zona de controle preditivo 265 com base em mapa de informação anterior 258.

[0056] Em 280, a colheitadeira agrícola 100 recebe mapa de informação anterior 258. Exemplos de mapa de informação anterior 258 ou recebimento de mapa de informação anterior 258 são discutidos com relação aos blocos 281, 282, 284 e 286. Como aqui discutido, o mapa de informação anterior 258 mapeia valores de uma variável, correspondente a uma primeira característica, a diferentes localizações no campo, como indicado no bloco 282. Como indicado no bloco 281, receber o mapa de informação anterior 258 pode envolver selecionar um ou mais de uma pluralidade de possíveis mapas de informação anteriores que são disponíveis. Por exemplo, um mapa de informação anterior pode ser um mapa de índice vegetativo gerado por imagem aérea. Um outro mapa de informação anterior pode ser um mapa gerado durante um passe anterior através do campo que pode ter sido realizado por uma máquina diferente que realiza uma operação anterior no campo, tal como um pulverizador ou outra máquina. O processo pelo qual um ou mais mapas de informação anterior são selecionados pode ser manual, semiautomático ou automático. O mapa de informação anterior 258 é baseado em dados coletados antes de uma operação de colheita atual. Isso é indicado pelo bloco 284. Por exemplo, os dados podem ser coletados com base em imagens aéreas feitas durante um ano anterior, ou anteriormente na estação de crescimento atual, ou em outros momentos. Os dados podem ser baseados em dados detectados de outras maneiras além de usando imagens aéreas. Por exemplo, a colheitadeira agrícola 100 pode ser equipada com um sensor, tal como um sensor óptico interno, que identifica sementes de erva daninha que estão saindo da colheitadeira agrícola 100. Os dados de semente de erva daninha detectados pelo sensor durante uma colheita do ano anterior podem ser usados como dados usados para gerar o mapa de informação anterior 258. Os dados de erva daninha sensoreados podem ser combinados com outros dados para gerar o mapa de informação anterior 258. Por exemplo, com base em uma magnitude das sementes de erva daninha que saem da colheitadeira agrícola 100 em diferentes localizações e com base em outros fatores, tal como se as sementes estão sendo espalhadas por um espalhador ou soltas em uma leira; as condições de tempo, tal como vento, quando as sementes estão sendo soltas ou espalhadas; condições de drenagem que podem mover sementes em torno no campo; ou outra informação, a localização dessas sementes de erva daninha pode ser predita de forma que o mapa de informação anterior 258 mapeia as localizações de semente preditas no campo. Os dados para o mapa de informação anterior 258 podem ser transmitidos à colheitadeira agrícola 100 usando o sistema de comunicação 206 e armazenados em armazenamento de dados 202. Os dados para o mapa de informação anterior 258 podem ser providos à colheitadeira agrícola 100 usando o sistema de comunicação 206 de outras maneiras igualmente, e isso é indicado pelo bloco 286 no fluxograma da FIG. 3. Em alguns exemplos, o mapa de informação anterior 258 pode ser recebido pelo sistema de comunicação 206.

[0057] Mediante início de uma operação de colheita, os sensores in situ 208 geram sinais de sensor indicativos de um ou mais valores de dados in situ indicativos de uma característica, por exemplo, uma característica de planta, tal como uma característica de erva daninha, como indicado pelo bloco 288. Exemplos de sensores in situ 288 são discutidos com relação aos blocos 222, 290 e 226. Como aqui explicado, os sensores in situ 208 incluem sensores internos 222; sensores in situ remotos 224, tais como sensores baseados em UAV lançados uma vez para coletar dados in situ, mostrados no bloco 290; ou outros tipos de sensores in situ, designados pelos sensores in situ 226. Em alguns exemplos, dados de sensores internos são georreferenciados usando dados de posição, rumo ou velocidade do sensor de posição geográfica 204.

[0058] O gerador de modelo preditivo 210 controla o gerador de modelo variável de informação anterior para variável in situ 228 para gerar um modelo que modela um relacionamento entre os valores mapeados contidos no mapa de informação anterior 258 e os valores in situ sensoreados pelos sensores in situ 208 como indicado pelo bloco 292. As características ou tipos de dados representados pelos valores mapeados no mapa de informação anterior 258 e os valores in situ sensoreados pelos sensores in situ 208 podem ser as mesmas características ou tipo de dados, ou diferentes características ou tipos de dados.

[0059] O relacionamento ou modelo gerado pelo gerador de modelo preditivo 210 é provido ao gerador de mapa preditivo 212. O gerador de mapa preditivo 212 gera um mapa preditivo 264 que prediz um valor da característica sensoreada pelos sensores in situ 208 em diferentes localizações geográficas em um campo que está sendo colhido, ou uma característica diferente que é relacionada à característica sensoreada pelos sensores in situ 208, usando o modelo preditivo e o mapa de informação anterior 258, como indicado pelo bloco 294.

[0060] Deve-se notar que, em alguns exemplos, o mapa de informação anterior 258 pode incluir dois ou mais diferentes mapas ou duas ou mais diferentes camadas de mapa de um único mapa. Cada camada de mapa pode representar um tipo de dados diferente do tipo de dados de uma outra camada de mapa, ou as camadas de mapa podem ter o mesmo tipo de dados que foram obtidos em diferentes momentos. Cada mapa nos dois ou mais diferentes mapas ou cada camada nas duas ou mais diferentes camadas de mapa de um mapa mapeia um tipo diferente de variável para as localizações geográficas no campo. Em um exemplo como esse, o gerador de modelo preditivo 210 gera um modelo preditivo que modela o relacionamento entre os dados in situ e cada uma das diferentes variáveis mapeadas pelos dois ou mais diferentes mapas ou as duas ou mais diferentes camadas de mapa. Similarmente, os sensores in situ 208 podem incluir dois ou mais sensores, cada um sensoreando um tipo de variável diferente. Dessa forma, o gerador de modelo preditivo 210 gera um modelo preditivo que modela os relacionamentos entre cada tipo de variável mapeado pelo mapa de informação anterior 258 e cada tipo de variável sensoreada pelos sensores in situ 208. O gerador de mapa preditivo 212 pode gerar um mapa preditivo funcional 263 que prediz um valor para cada característica sensoreada sensoreada pelos sensores in situ 208 (ou uma característica relacionada à característica sensoreada) em diferentes localizações no campo que está sendo colhido usando o modelo preditivo e cada um dos mapas ou camadas de mapa no mapa de informação anterior 258.

[0061] O gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 seja acionável (ou consumível) pelo sistema de controle 214. O gerador de mapa preditivo 212 pode prover o mapa preditivo 264 ao sistema de controle 214 ou ao gerador de zona de controle 213, ou a ambos. Alguns exemplos de diferentes maneiras nas quais o mapa preditivo 264 pode ser configurado ou produzido são descritos com relação aos blocos 296, 295, 299 e 297. Por exemplo, o gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 inclua valores que podem ser lidos pelo sistema de controle 214 e usados como a base para gerar sinais de controle para um ou mais dos diferentes subsistemas controláveis da colheitadeira agrícola 100, como indicado pelo bloco 296.

[0062] O gerador de zona de controle 213 pode dividir o mapa preditivo 264 em zonas de controle com base nos valores no mapa preditivo 264. Valores contiguamente geolocalizados que estão dentro de um valor limiar de um um outro podem ser agrupados em uma zona de controle. O valor limiar pode ser um valor limiar padrão, ou o valor limiar pode ser definido com base em uma entrada de operador, com base em uma entrada de um sistema automático, ou com base em outros critérios. Um tamanho das zonas pode ser baseado em uma capacidade de resposta do sistema de controle 214, dos subsistemas controláveis 216, com base em considerações de desgaste, ou em outros critérios como indicado pelo bloco 295. O gerador de mapa preditivo 212 configura o mapa preditivo 264 para apresentação a um operador ou outro usuário. O gerador de zona de controle 213 pode configurar o mapa de zona de controle preditivo 265 para apresentação a um operador ou outro usuário. Isso é indicado pelo bloco 299. Quando apresentado a um operador ou outro usuário, a apresentação do mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou ambos pode conter um ou mais dos valores preditivos no mapa preditivo 264 correlacionados à localização geográficas, as zonas de controle no mapa de zona de controle preditivo 265 correlacionadas à localização geográfica, e valores de definições ou parâmetro de controles que são usados com base nos valores preditos no mapa 264 ou zonas no mapa de zona de controle preditivo 265. A apresentação pode, em um outro exemplo, incluir informação mais abstraída ou informação mais detalhada. A apresentação pode também incluir um nível de confiança que indica uma precisão com a qual os valores preditivos no mapa preditivo 264 ou nas zonas no mapa de zona de controle preditivo 265 se conformam aos valores medidos que podem ser medidos pelos sensores na colheitadeira agrícola 100 à medida que a colheitadeira agrícola 100 move através do campo. Adicionalmente onde informação é apresentada a mais que uma localização, um sistema de autenticação e autorização pode ser provido para implementar processos de autenticação e autorização. Por exemplo, pode haver uma hierarquia de indivíduos que são autorizados a ver e mudar mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição interno pode apresentar os mapas em tempo quase real localizadamente na máquina, ou os mapas podem também ser gerados em uma ou mais localizações remotas, ou ambos. Em alguns exemplos, cada dispositivo de exibição físico em cada localização pode ser associado com uma pessoa ou um nível de permissão de usuário. O nível de permissão de usuário pode ser usado para determinar quais elementos de exibição são visíveis no dispositivo de exibição físico e quais valores a pessoa correspondente pode mudar. Como um exemplo, um operador local da máquina 100 pode ser incapaz de ver a informação correspondente ao mapa preditivo 264 ou fazer qualquer mudança na operação da máquina. Um supervisor, tal como um supervisor em uma localização remota, entretanto, pode ser capaz de ver o mapa preditivo 264 na exibição, mas ser impedido de fazer qualquer mudança. Um gestor, que pode estar em uma localização remota separada, pode ser capaz de ver todos os elementos no mapa preditivo 264 e também ser capaz de mudar o mapa preditivo 264. Em alguns casos, o mapa preditivo 264 acessível e alterável por um gestor localizado remotamente pode ser usado no controle da máquina. Isso é um exemplo de uma hierarquia de autorização que pode ser implementada. O mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, podem ser configurados de outras maneiras igualmente, como indicado pelo bloco 297.

[0063] No bloco 298, a entrada do sensor de posição geográfica 204 e de outros sensores in situ 208 são recebidas pelo sistema de controle. Particularmente, no bloco 300, o sistema de controle 214 detecta uma entrada do sensor de posição geográfica 204 que identifica uma localização geográfica da colheitadeira agrícola 100. O bloco 302 representa o recebimento pelo sistema de controle 214 de entradas de sensor indicativas de trajetória ou rumo da colheitadeira agrícola 100, e o bloco 304 representa o recebimento pelo sistema de controle 214 de uma velocidade da colheitadeira agrícola 100. O bloco 306 representa o recebimento pelo sistema de controle 214 de outra informação de vários sensores in situ 208.

[0064] No bloco 308, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, e a entrada do sensor de posição geográfica 204 e qualquer outro sensor in situ 208. No bloco 310, o sistema de controle 214 aplica os sinais de controle aos subsistemas controláveis. Percebe-se que os sinais de controle particulares que são gerados, e os subsistemas controláveis particulares 216 que são controlados, podem variar com base em uma ou mais diferentes coisas. Por exemplo, os sinais de controle que são gerados e os subsistemas controláveis 216 que são controlados podem ser baseados no tipo de mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, que está sendo usado. Similarmente, os sinais de controle que são gerados e os subsistemas controláveis 216 que são controlados e o sincronismo dos sinais de controle podem ser baseados em várias latências de fluxo de lavoura através da colheitadeira agrícola 100 e na capacidade de resposta dos subsistemas controláveis 216.

[0065] A título de exemplo, um mapa preditivo gerado 264 na forma de um mapa de erva daninha preditivo pode ser usado para controlar um ou mais subsistemas 216. Por exemplo, o mapa de erva daninha preditivo pode incluir valores de intensidade de ervas daninhas georreferenciados para localizações no campo que está sendo colhido. Os valores de intensidade de ervas daninhas do mapa de erva daninha preditivo podem ser extraídos e usados para controlar os subsistemas de direção e propulsão 252 e 250. Pelo controle dos subsistemas de direção e propulsão 252 e 250, uma taxa de alimentação de material que move através da colheitadeira agrícola 100 pode ser controlada. Similarmente, a altura da ponteira pode ser controlada para pegar mais ou menos material, e, dessa forma, a altura da ponteira pode também ser controlada para controlar a taxa de alimentação de material através da colheitadeira agrícola 100. Em outros exemplos, se o mapa preditivo 264 mapear a altura de erva daninha em relação às posições no campo, o controle da altura da ponteira pode ser implementado. Por exemplo, se os valores presentes no mapa de erva daninha preditivo indicarem uma ou mais áreas tendo altura de erva daninha com um primeiro valor de altura, então o controlador de ponteira e carretilha 238 pode controlar a altura da ponteira de forma que a ponteira fique posicionada acima do primeiro valor de altura das ervas daninhas em uma ou mais áreas tendo ervas daninhas no primeiro valor de altura durante realização da operação de colheita. Dessa forma, o controlador de ponteira e carretilha 238 pode ser controlado usando valores georreferenciados presentes no mapa de erva daninha preditivo para posicionar a ponteira a uma altura que é acima dos valores de altura preditos de ervas daninhas obtidos do mapa de erva daninha preditivo. Adicionalmente, a altura da ponteira pode ser alterada automaticamente pelo controlador de ponteira e carretilha 238 à medida que a colheitadeira agrícola 100 prossegue através do campo usando valores georreferenciados obtidos do mapa de erva daninha preditivo. O exemplo anterior envolvendo altura e intensidade de erva daninha usando um mapa de erva daninha preditivo é provido meramente como um exemplo. Consequentemente, uma ampla variedade de outros sinais de controle pode ser gerada usando valores obtidos de um mapa de erva daninha preditivo ou outro tipo de mapa preditivo para controlar um ou mais dos subsistemas controláveis 216.

[0066] No bloco 312, é feita uma determinação se a operação de colheita foi concluída. Se a colheita não tiver sido concluída, o processamento avança para o bloco 314 onde os dados de sensor in situ do sensor de posição geográfica 204 e sensores in situ 208 (e talvez outros sensores) continuam a ser lidos.

[0067] Em alguns exemplos, no bloco 316, a colheitadeira agrícola 100 pode também detectar critérios de gatilho de aprendizagem para realizar aprendizagem de máquina em um ou mais dentre o mapa preditivo 264, mapa de zona de controle preditivo 265, o modelo gerado pelo gerador de modelo preditivo 210, as zonas geradas pelo gerador de zona de controle 213, um ou mais algoritmos de controle implementados pelos controladores no sistema de controle 214, e outra aprendizagem disparada.

[0068] Os critérios de gatilho de aprendizagem podem incluir qualquer de uma ampla variedade de diferentes critérios. Alguns exemplos de detecção de critérios de gatilho são discutidos com relação aos blocos 318, 320, 321, 322 e 324. Por exemplo, em alguns exemplos, aprendizagem disparada pode envolver a recriação de um relacionamento usado para gerar um modelo preditivo quando um valor limiar de dados de sensor in situ é obtido de sensores in situ 208. Em tais exemplos, o recebimento de uma quantidade de dados de sensor in situ dos sensores in situ 208 que excede um limiar dispara ou faz com que o gerador de modelo preditivo 210 gere um novo modelo preditivo que é usado pelo gerador de mapa preditivo 212. Dessa forma, à medida que a colheitadeira agrícola 100 continua uma operação de colheita, o recebimento da quantidade limiar de dados de sensor in situ dos sensores in situ 208 dispara a criação de um novo relacionamento representado por um modelo preditivo gerado pelo gerador de modelo preditivo 210. Adicionalmente, o novo mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, podem ser regenerados usando o novo modelo preditivo. O bloco 318 representa a detecção de uma quantidade limiar de dados de sensor in situ usada para disparar a criação de um novo modelo preditivo.

[0069] Em outros exemplos, os critérios de gatilho de aprendizagem podem ser baseados em quanto os dados de sensor in situ dos sensores in situ 208 estão mudando, tal como com o tempo, ou comparados a valores anteriores. Por exemplo, se variações nos dados de sensor in situ (ou no relacionamento entre os dados de sensor in situ e a informação em mapa de informação anterior 258) estiverem dentro de uma faixa selecionada ou for menos que uma quantidade definida, ou abaixo de um valor limiar, então um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 210. Em decorrência disso, o gerador de mapa preditivo 212 não gera um novo mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos. Entretanto, se variações nos dados de sensor in situ ficarem fora da faixa selecionada, forem maiores que a quantidade definida, ou não forem acima do valor limiar, por exemplo, então o gerador de modelo preditivo 210 gera um novo modelo preditivo usando todos ou uma porção dos dados de sensor in situ recém-recebidos que o gerador de mapa preditivo 212 usa para gerar um novo mapa preditivo 264. No bloco 320, variações nos dados de sensor in situ, tal como uma magnitude de uma quantidade pela qual os dados excedem a faixa selecionada ou uma magnitude da variação do relacionamento entre os dados de sensor in situ e a informação no mapa de informação anterior 258, podem ser usadas como um gatilho para causar a geração de um novo modelo preditivo e mapa preditivo. De acordo com os exemplos supradescritos, o limiar, a faixa, e a quantidade definida podem ser estabelecidos em valores padrões; definidos por uma interação de operador ou usuário através de uma interface de usuário; definidos por um sistema automático; ou definidos de outras maneiras.

[0070] Outros critérios de gatilho de aprendizagem podem também ser usados. Por exemplo, se gerador de modelo preditivo 210 comutar para um mapa de informação anterior diferente (diferente do mapa de informação anterior originalmente selecionado 258), então a comutação para o mapa de informação anterior diferente pode disparar a reaprendizagem pelo gerador de modelo preditivo 210, gerador de mapa preditivo 212, gerador de zona de controle 213, sistema de controle 214, ou outros itens. Em um outro exemplo, a transição da colheitadeira agrícola 100 para uma topografia diferente ou para uma zona de controle diferente pode ser usada como critérios de gatilho de aprendizagem igualmente.

[0071] Em alguns casos, o operador 260 pode também editar o mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. As edições podem mudar um valor no mapa preditivo 264, mudar um tamanho, formato, posição, ou existência de uma zona de controle no mapa de zona de controle preditivo 265, ou ambos. O bloco 321 mostra que informação editada pode ser usada como critérios de gatilho de aprendizagem.

[0072] Em alguns casos, pode também ser que o operador 260 observa que controle automático de um subsistema controlável não é o que o operador deseja. Em tais casos, o operador 260 pode prover um ajuste manual ao subsistema controlável refletindo que o operador 260 deseja que o subsistema controlável opere de uma maneira diferente da que está sendo comandada pelo sistema de controle 214. Dessa forma, a alteração manual de um definição pelo operador 260 pode fazer com que um ou mais dos geradores de modelo preditivo 210 reaprenda um modelo, gerador de mapa preditivo 212 regenere o mapa 264, gerador de zona de controle 213 regenere uma ou mais zonas de controle no mapa de zona de controle preditivo 265, e sistema de controle 214 reaprenda um algoritmo de controle ou realize reaprendizagem de em um ou mais dentre o componentes do controlador 232 a 246 no sistema de controle 214 com base no ajuste pelo operador 260, como mostrado no bloco 322. O bloco 324 representa o uso de outros critérios de aprendizagem disparados.

[0073] Em outros exemplos, a reaprendizagem pode ser feita periodicamente ou intermitentemente com base, por exemplo, em um intervalo de tempo selecionado tal como um intervalo de tempo discreto ou um intervalo de tempo variável, como indicado pelo bloco 326.

[0074] Se a reaprendizagem for disparada, quer com base em critérios de gatilho de aprendizagem quer com base no decurso de um intervalo de tempo, como indicado pelo bloco 326, então um ou mais dentre o gerador de modelo preditivo 210, gerador de mapa preditivo 212, gerador de zona de controle 213 e sistema de controle 214 realiza aprendizagem de máquina para gerar um novo modelo preditivo, um novo mapa preditivo, uma nova zona de controle, e um novo algoritmo de controle, respectivamente, com base nos critérios de gatilho de aprendizagem. O novo modelo preditivo, o novo mapa preditivo, e o novo algoritmo de controle são gerados usando qualquer dado adicional que foi coletado desde que a última operação de aprendizagem foi realizada. A realização da reaprendizagem é indicada pelo bloco 328.

[0075] Se a operação de colheita foi concluída, a operação vai do bloco 312 para o bloco 330 onde um ou mais dentre o mapa preditivo 264, mapa de zona de controle preditivo 265, e modelo preditivo gerado pelo gerador de modelo preditivo 210 são armazenados. O mapa preditivo 264, mapa de zona de controle preditivo 265, e modelo preditivo podem ser armazenados localmente no armazenamento de dados 202 ou enviados a um sistema remoto usando o sistema de comunicação 206 para uso posterior.

[0076] Nota-se que, embora alguns exemplos aqui descrevam o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebendo um mapa de informação anterior na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, em outros exemplos, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 podem receber outros tipos de mapas, incluindo mapas preditivos, tal como um mapa preditivo funcional gerado durante a operação de colheita.

[0077] A FIG. 4 é um diagrama de blocos de uma porção da colheitadeira agrícola 100 mostrada na FIG. 1. Particularmente, a FIG. 4 mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 em mais detalhe. A FIG. 4 também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 210 recebe um mapa de índice vegetativo 332 como um mapa de informação anterior. O gerador de modelo preditivo 210 também recebe uma localização geográfica 334, ou uma indicação de uma localização geográfica, do sensor de posição geográfica 204. Os sensores in situ 208 ilustrativamente incluem um sensor de erva daninha, tal como o sensor de erva daninha 336, bem como um sistema de processamento 338. Em alguns casos, o sensor de erva daninha 336 pode ser localizado internamente na colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados por sensor de erva daninha interno 336 para gerar dados processados, alguns exemplos dos quais são descritos a seguir.

[0078] Em alguns exemplos, o sensor de erva daninha 336 pode ser um sensor óptico, tal como uma câmera, que gera imagens de uma área de um campo a ser colhido. Em alguns casos, o sensor óptico pode ser arranjado na colheitadeira agrícola 100 para coletar imagens de uma área adjacente à colheitadeira agrícola 100, tal como em uma área que fica na frente, no lado ou para trás, ou em uma outra direção em relação à colheitadeira agrícola 100 à medida que a colheitadeira agrícola 100 move através do campo durante uma operação de colheita. O sensor óptico pode também ser localizado sobre ou dentro da colheitadeira agrícola 100 para obter imagens de uma ou mais porções do exterior ou interior da colheitadeira agrícola 100. O sistema de processamento 338 processa uma ou mais imagens obtidas por meio do sensor de erva daninha 336 para gerar dados de imagem processados que identificam uma ou mais características de ervas daninhas na imagem. As características de erva daninha detectadas pelo sistema de processamento 338 podem incluir uma localização das ervas daninhas presentes na imagem, uma intensidade de um pequeno pedaço de terra de erva daninha em uma imagem, ou um tipo de erva daninha na imagem.

[0079] O sensor in situ 208 pode ser ou incluir outros tipos de sensores, tal como uma câmera localizada ao longo de um trajeto pelo qual material de lavoura dividido desloca na colheitadeira agrícola 100 (referida a seguir como “câmera de processo”). Uma câmera de processo pode ser localizada interna à colheitadeira agrícola 100 e pode capturar imagens de material de lavoura, incluindo sementes, à medida que material de lavoura move através da colheitadeira agrícola 100, ou é expelido da mesma. As câmeras de processo podem obter imagens de sementes, e o sistema de processamento de imagem 338 é operável para identificar a presença de sementes de erva daninha, uma quantidade de sementes de erva daninha detectadas, por exemplo, um número das sementes de erva daninha (de maneira a dar uma indicação de uma densidade de ervas daninhas que está sendo encontrada no campo), e identificar um ou mais tipos de ervas daninhas com base nos tipos de sementes identificadas nas imagens. Dessa forma, em alguns exemplos, o sistema de processamento 338 é operável para detectar a presença de sementes de erva daninha em material de lavoura dividido que passa através da colheitadeira agrícola 100, uma quantidade de sementes de erva daninha presentes no material de lavoura dividido, por exemplo, quantidade por volume de material de lavoura dividido, e o tipos de ervas daninhas correspondentes às sementes de erva daninha detectadas que são encontradas pela colheitadeira agrícola 100 durante o curso de uma operação de colheita.

[0080] Em outros exemplos, o sensor de erva daninha 336 pode se basear em qualquer comprimento(s) de onda de energia eletromagnética e na maneira com que a energia eletromagnética é refletida, absorvida, atenuada, ou transmitida através de sementes de erva daninha ou biomassa. O sensor de erva daninha 336 pode sensorear outras propriedades eletromagnéticas de sementes de erva daninha e biomassa, tal como permissividade elétrica, quando o material de lavoura dividido passa entre duas placas capacitivas. O sensor de erva daninha 336 pode também se basear em propriedades mecânicas de sementes e biomassa, tal como um sinal gerado quando uma semente de erva daninha impacta uma folha piezoelétrica, ou quando um impacto por uma semente é detectado por um microfone ou acelerômetro. Outras propriedades de material e sensores podem também ser usados. Em alguns exemplos, dados brutos ou processados de sensor de erva daninha 336 podem ser apresentados ao operador 260 por meio de mecanismo de interface de operador 218. O operador 260 pode ser interno à colheitadeira agrícola 100 ou em uma localização remota.

[0081] A presente discussão continua com relação a um exemplo no qual o sensor de erva daninha 336 é um sensor de imagem, tal como uma câmera. Percebe-se que isso é apenas um exemplo, e os sensores aqui mencionados, como outros exemplos de sensor de erva daninha 336, são igualmente contemplados aqui. Como mostrado na FIG. 4, o gerador de modelo preditivo exemplificativo 210 inclui um ou mais dentre um gerador de modelo de presença de erva daninha para índice vegetativo 342, um gerador de modelo de intensidade de ervas daninhas para índice vegetativo 344, e um gerador de modelo de tipo de erva daninha para índice vegetativo 346. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, menos, ou diferentes dos mostrados no exemplo da FIG. 4. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 pode incluir outros itens 348 igualmente, que podem incluir outros tipos de geradores de modelo preditivo para gerar outros tipos de modelos de característica de erva daninha

[0082] O gerador de modelo 342 identifica um relacionamento entre a presença de erva daninha detectada em dados de imagem 340, em uma localização geográfica correspondente a onde os dados de imagem 340 foram obtidos, e valores de índice vegetativo do mapa de índice vegetativo 332 corresponde à mesma localização no campo onde a característica de erva daninha foi detectada. Com base nesse relacionamento estabelecido pelo gerador de modelo 342, o gerador de modelo 342 gera um modelo de erva daninha preditivo. O modelo de erva daninha preditivo é usado pelo gerador de mapa de localização de erva daninha 352 para predizer a presença de erva daninha em diferentes localizações no campo com base no valor de índice vegetativo georreferenciado contido no mapa de índice vegetativo 332 nas mesmas localizações no campo.

[0083] O gerador de modelo 344 identifica um relacionamento entre o nível de intensidade de ervas daninhas representado nos dados de imagem processados 340, em uma localização geográfica correspondente aos dados de imagem 340, e o valor de índice vegetativo na mesma localização geográfica. Novamente, o valor de índice vegetativo é o valor georreferenciado contido no mapa de índice vegetativo 332. O gerador de modelo 344 então gera um modelo de erva daninha preditivo que é usado pelo gerador de mapa de intensidade de ervas daninhas 354 para predizer a intensidade de ervas daninhas em uma localização no campo com base no valor de índice vegetativo para essa localização no campo.

[0084] O gerador de modelo 346 identifica um relacionamento entre o tipo de erva daninha identificado pelos dados de imagem processados 340 em uma localização particular no campo e o valor de índice vegetativo do mapa de índice vegetativo 332 nessa mesma localização. O gerador de modelo 346 gera um modelo de erva daninha preditivo que é usado pelo gerador de mapa de tipo de erva daninha 356 para predizer o tipo de erva daninha em uma localização particular no campo com base no valor de índice vegetativo nessa localização no campo.

[0085] Sob a luz do exposto, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de erva daninha preditivos, tais como um ou mais dos modelos de erva daninha preditivos gerados pelos geradores de modelo 342, 344 e 346. Em um outro exemplo, dois ou mais dos modelos de erva daninha preditivos supradescritos podem ser combinados em um único modelo de erva daninha preditivo que prediz duas ou mais dentre localização de erva daninha, intensidade de ervas daninhas, e tipo de erva daninha com base no valor de índice vegetativo em diferentes localizações no campo. Qualquer um desses modelos de erva daninha, ou combinações dos mesmos, é representado coletivamente pelo modelo de erva daninha 350 na FIG. 4.

[0086] O modelo de erva daninha preditivo 350 é provido ao gerador de mapa preditivo 212. No exemplo da FIG. 4, o gerador de mapa preditivo 212 inclui um gerador de mapa de localização de erva daninha 352, um gerador de mapa de intensidade de ervas daninhas 354, e um gerador de mapa de tipo de erva daninha 356. Em outros exemplos, o gerador de mapa preditivo 212 pode incluir mais, menos ou diferentes geradores de mapa. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 212 pode incluir outros itens 358 que pode incluir outros tipos de gerador de mapas para gerar mapas de erva daninha para outros tipos de característica de ervas daninhas. O gerador de mapa de localização de erva daninha 352 recebe o modelo de erva daninha preditivo 350, que prediz a presença de erva daninha com base em um valor de índice vegetativo junto com o mapa de índice vegetativo 332, e gera um mapa preditivo que prediz a presença de ervas daninhas em diferentes localizações no campo.

[0087] O gerador de mapa 354 gera um mapa preditivo que prediz a intensidade de ervas daninhas em diferentes localizações no campo com base no valor de índice vegetativo nessas localizações no campo e no modelo de erva daninha preditivo 350. O gerador de mapa de tipo de erva daninha 356 ilustrativamente gera um mapa de erva daninha preditivo que prediz os tipos de ervas daninhas em diferentes localizações no campo com base nos valores de índice vegetativo nessas localizações no campo e no modelo de erva daninha preditivo 350.

[0088] O gerador de mapa preditivo 212 produz um ou mais mapas de ervas daninhas preditivos 360 que são preditivos de uma ou mais dentre localização de erva daninha, intensidade de ervas daninhas, ou tipo de erva daninha. Cada um dos mapas de ervas daninhas preditivos 360 prediz a respectiva característica de erva daninha em diferentes localizações em um campo. Cada um dos mapas de ervas daninhas preditivos gerados 360 pode ser provido ao gerador de zona de controle 213, sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora essas zonas de controle no mapa preditivo funcional, isto é, mapa preditivo 360, para produzir mapa de zona de controle preditivo 265. Um ou ambos dentre mapa preditivo 264 e mapa de zona de controle preditivo 265 podem ser providos ao sistema de controle 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos.

[0089] A FIG. 5 é um fluxograma de um exemplo de operação de gerador de modelo preditivo 210 e gerador de mapa preditivo 212 na geração do modelo de erva daninha preditivo 350 e do mapa de erva daninha preditivo 360. No bloco 362, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um mapa de índice vegetativo anterior 332. No bloco 364, o sistema de processamento 338 recebe uma ou mais imagens de sensor de erva daninha 336. Como aqui discutido, o sensor de erva daninha 336 pode ser uma câmera, tal como uma câmera voltada para frente 366; um sensor óptico 368, tal como uma câmera, voltada internamente para uma colheitadeira combinada; ou um outro tipo de sensor de erva daninha interno 370.

[0090] No bloco 372, o sistema de processamento 338 processa uma ou mais imagens recebidas para gerar dados de imagem indicativos de uma característica de ervas daninhas presentes em uma ou mais imagens. No bloco 374, os dados de imagem podem ser indicativos de localização de erva daninha, intensidade de ervas daninhas, ou ambos, que podem existir em uma localização, tal como em uma localização na frente de uma colheitadeira combinada. Em alguns casos, como indicado no bloco 376, os dados de imagem podem ser indicativos de sementes de erva daninha localizadas dentro de uma colheitadeira combinada ou que estão sendo expelidos de uma colheitadeira combinada. Em alguns casos, como indicado no bloco 380, os dados de imagem podem ser indicativos de tipo de erva daninha. Dessa forma, os dados de imagem incluem um indicador de tipo de erva daninha 378 que identifica um tipo de erva daninha ou ervas daninhas que são encontradas pela colheitadeira combinada. O tipo de erva daninha pode ser determinado com base em uma ou mais imagens de uma planta de erva daninha, uma ou mais imagens de uma semente de erva daninha, ou uma ou mais imagens contendo matéria objeto que é indicativa do tipo de erva daninha. Os dados de imagem podem incluir outros dados igualmente.

[0091] No bloco 382, o gerador de modelo preditivo 210 também obtém a localização geográfica correspondente aos dados de imagem. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica pelo sensor de posição geográfica 204 e determinar, com base em atrasos de máquina, velocidade de máquina, etc., uma localização geográfica precisa onde a imagem foi feita ou da qual os dados de imagem 340 foram derivados.

[0092] No bloco 384, o gerador de modelo preditivo 210 gera um ou mais modelos de erva daninha preditivos, tal como o modelo de erva daninha 350, que modela um relacionamento entre um valor de índice vegetativo obtido de um mapa de informação anterior, tal como o mapa de informação anterior 258, e uma característica de erva daninha que é sensoreada pelo sensor in situ 208 ou uma característica relacionada. Por exemplo, o gerador de modelo preditivo 210 pode gerar um modelo de erva daninha preditivo que modela o relacionamento entre um valor de índice vegetativo e uma característica sensoreada incluindo localização de erva daninha, intensidade de ervas daninhas, ou tipo de erva daninha indicado pelos dados de imagem obtidos do sensor in situ 208.

[0093] No bloco 386, o modelo de erva daninha preditivo, tal como o modelo de erva daninha preditivo 350, é provido ao gerador de mapa preditivo 212 que gera um mapa de erva daninha preditivo 360 que mapeia uma característica de erva daninha predita com base no mapa de índice vegetativo e no modelo de erva daninha preditivo 350. Por exemplo, em alguns exemplos, o mapa de erva daninha preditivo 360 prediz a localização de erva daninha. Em alguns exemplos, o mapa de erva daninha preditivo 360 prediz a localização de erva daninha junto com valores de intensidade de ervas daninhas, como indicado pelo bloco 388. Em alguns exemplos, o mapa de erva daninha preditivo 360 prediz a localização de erva daninha e o tipo de erva daninha, como indicado pelo bloco 390, e, em ainda outros exemplos, o mapa preditivo 360 prediz outros itens, como indicado pelo bloco 392. Adicionalmente, o mapa de erva daninha preditivo 360 pode ser gerado durante o curso de uma operação agrícola. Dessa forma, à medida que uma colheitadeira agrícola está movendo através de um campo realizando uma operação agrícola, o mapa de erva daninha preditivo 360 é gerado à medida que a operação agrícola está sendo realizada.

[0094] No bloco 394, o gerador de mapa preditivo 212 produz o mapa de erva daninha preditivo 360. No bloco 391, o gerador de mapa de erva daninha preditivo 212 produz o mapa de erva daninha preditivo para apresentação e possível interação pelo operador 260. No bloco 393, o gerador de mapa preditivo 212 pode configurar o mapa para consumo pelo sistema de controle 214. No bloco 395, o gerador de mapa preditivo 212 pode também prover o mapa 360 ao gerador de zona de controle 213 para geração de zonas de controle. No bloco 397, o gerador de mapa preditivo 212 configura o mapa 360 de outras maneiras igualmente. O mapa de erva daninha preditivo 360 (com ou sem as zonas de controle) é provido ao sistema de controle 214. No bloco 396, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa de erva daninha preditivo 360.

[0095] Pode-se dessa forma ver que o presente sistema toma um mapa de informação anterior que mapeia uma característica tal como um valor de índice vegetativo ou informação de um passe de operação anterior para diferentes localizações em um campo. O presente sistema também usa um ou mais sensores in situ que sensoreiam dados de sensor in situ que são indicativos de uma característica, tais como localização de erva daninha, intensidade de ervas daninhas, ou tipo de erva daninha, e gera um modelo que modela um relacionamento entre a característica sensoreada usando o sensor in situ, ou uma característica relacionada, e a característica mapeada no mapa de informação anterior. Dessa forma, o presente sistema gera um mapa preditivo funcional usando um modelo, dados in situ, e um mapa de informação anterior e pode configurar o mapa preditivo funcional gerado para consumo por um sistema de controle, para apresentação a um operador local ou remoto ou outro usuário, ou ambos. Por exemplo, o sistema de controle pode usar o mapa para controlar um ou mais sistemas de uma colheitadeira combinada.

[0096] A presente discussão mencionou processadores e servidores. Em alguns exemplos, os processadores e servidores incluem processadores de computador com memória e sistema de circuitos de sincronismo associados, não mostrados separadamente. Os processadores e servidores são partes funcionais dos sistemas ou dispositivos aos quais os processadores e servidores pertencem e pelos quais são ativados e facilitam a funcionalidade dos outros componentes ou itens nesses sistemas.

[0097] Também, inúmeras exibições de interface de usuário foram discutidas. As exibições podem assumir uma ampla variedade de diferentes formas e podem ter uma ampla variedade de diferentes mecanismos de interface de operador acionáveis pelo usuário dispostos nas mesmas. Por exemplo, mecanismos de interface de operador acionáveis pelo usuário podem incluir caixas de texto, caixas de verificação, ícones, ligações, menus suspensos, caixas de busca, etc. Os mecanismos de interface de operador acionáveis pelo usuário podem também ser acionados em uma ampla variedade de diferentes maneiras. Por exemplo, os mecanismos de interface de operador acionáveis pelo usuário podem ser acionados usando mecanismos de interface de operador tal como um dispositivo de apontamento e clique, tal como um mouse tipo esfera ou mouse comum, botões de hardware, interruptores, um controle tipo manete de jogos ou teclado, interruptores de polegar ou blocos de polegar, etc., um teclado virtual ou outros acionadores virtuais. Além do mais, onde a tela na qual os mecanismos de interface de operador acionáveis pelo usuário são exibidos é uma tela sensível ao toque, os mecanismos de interface de operador acionáveis pelo usuário podem ser acionados usando gestos de toque. Também, mecanismos de interface de operador acionáveis pelo usuário podem ser acionados usando comandos de fala usando funcionalidade de reconhecimento de fala. Reconhecimento de fala pode ser implementado usando um dispositivo de detecção de fala, tal como um microfone, e software que funciona para reconhecer fala detectada e executar comandos com base na fala percebida.

[0098] Um número de armazenamentos de dados foi também discutido. Nota-se que os armazenamentos de dados podem cada um ser desmembrados em múltiplos armazenamentos de dados. Em alguns exemplos, um ou mais dos armazenamentos de dados podem ser locais aos sistemas que acessa os armazenamentos de dados, um ou mais dos armazenamentos de dados podem todos ser localizados remotos de um sistema que utiliza o armazenamento de dados, ou um ou mais armazenamentos de dados podem ser locais enquanto outros são remotos. Todas essas configurações são contempladas pela presente descrição.

[0099] Também, as figuras mostram um número de blocos com funcionalidade atribuída a cada bloco. Nota-se que menos blocos podem ser usados para ilustra que a funcionalidade atribuída a múltiplos diferentes blocos é realizada por menos componentes. Também, mais blocos podem ser usados ilustrando que a funcionalidade pode ser distribuída entre mais componentes. Em diferentes exemplos, alguma funcionalidade pode ser adicionada, e alguma pode ser removida.

[00100] Nota-se que a discussão apresentada descreveu uma variedade de diferente sistemas, componentes, lógica e interações. Percebe-se que qualquer ou todos tais sistemas, componentes, lógica e interações podem ser implementados por itens de hardware, tais como processadores, memória ou outros componentes de processamento, alguns dos quais são descritos a seguir, que realizam as funções associadas com esses sistemas, componentes, lógica ou interações. Além do mais, qualquer ou todos os sistemas, componentes, lógica e interações podem ser implementados por software que é carregado em uma memória e é subsequentemente executado por um processador ou servidor ou outro componente de computação, como descrito a seguir. Qualquer ou todos os sistemas, componentes, lógica e interações podem também ser implementados por diferentes combinações de hardware, software, firmware, etc., alguns exemplos dos quais são descritos a seguir. Esses são alguns exemplos de diferentes estruturas que podem ser usadas para implementar qualquer ou todos os sistemas, componentes, lógica e interações supradescritos. Outras estruturas podem ser igualmente usadas.

[00101] A FIG. 6 é um diagrama de blocos de colheitadeira agrícola 600, que pode ser similar à colheitadeira agrícola 100 mostrada na FIG. 2. A colheitadeira agrícola 600 comunica com elementos em uma arquitetura de servidor remoto 500. Em alguns exemplos, arquitetura de servidor remoto 500 provê serviços de computação, software, acesso de dados e armazenamento que não exigem conhecimento por parte do usuário final a respeito da localização física ou configuração do sistema que entrega os serviços. Em vários exemplos, servidores remotos podem entregar os serviços por uma rede de área abrangente, tal como a Internet, usando protocolos apropriados. Por exemplo, servidores remotos podem entregar aplicações por uma rede de área abrangente e podem ser acessíveis através de um navegador de rede ou qualquer outro componente de computação. Software ou componentes mostrados na FIG. 2 bem como dados associados com ele podem ser armazenados em servidores em uma localização remota. Os recursos de computação em um ambiente de servidor remoto podem ser consolidados em uma localização de centro de dados remoto, ou os recursos de computação podem ser dispersos em uma pluralidade de centros de dados remotos. Infraestruturas de servidor remoto podem entregar serviços por meio de centros de dados compartilhados, mesmo que os serviços pareçam um único ponto de acesso para o usuário. Dessa forma, os componentes e funções descritos aqui podem ser providos por um servidor remoto em uma localização remota usando uma arquitetura de servidor remoto. Alternativamente, os componentes e funções podem ser providos por um servidor, ou os componentes e funções podem ser instaladas em dispositivos de cliente diretamente, ou de outras maneiras.

[00102] No exemplo mostrado na FIG. 6, alguns itens são similares aos mostrados na FIG. 2 e esses itens são similarmente enumerados. A FIG. 6 mostra especificamente que gerador de modelo preditivo 210 ou gerador de mapa preditivo 212, ou ambos, podem ser localizados em uma localização de servidor 502 que é remota da colheitadeira agrícola 600. Portanto, no exemplo mostrado na FIG. 6, a colheitadeira agrícola 600 acessa sistemas através da localização de servidor remoto 502.

[00103] A FIG. 6 também representa um outro exemplo de uma arquitetura de servidor remoto. A FIG. 6 mostra que alguns elementos da FIG. 2 podem ser dispostos em uma localização de servidor remoto 502 enquanto outros podem ser localizados em qualquer lugar. A título de exemplo, o armazenamento de dados 202 pode ser disposto em uma localização separada da localização 502 e acessada por meio do servidor remoto na localização 502. Independentemente de onde os elementos são localizados, os elementos podem ser acessados diretamente pela colheitadeira agrícola 600 através de uma rede tal como uma rede de área abrangente ou uma rede de área local; os elementos podem ser hospedados em um local remoto por um serviço; ou os elementos podem ser providos como um serviço ou acessados por um serviço de conexão que reside em uma localização remota. Também, dados podem ser armazenados em qualquer localização, e os dados armazenados podem ser acessado por, ou encaminhados operadores, usuários ou sistemas. Por exemplo, portadoras físicas podem ser usadas em substituição, ou em adição a portadoras de ondas eletromagnéticas. Em alguns exemplos, onde a cobertura do serviço de telecomunicação sem fio é fraca, ou inexistente, uma outra máquina, tal como um caminhão de combustível ou outra máquina ou veículo móvel, pode ter um sistema de coleta de informação automático, semiautomático ou manual. À medida que a colheitadeira combinada 600 se aproxima da máquina que contém o sistema de coleta de informação, tal como um caminhão de combustível antes do abastecimento, o sistema de coleta de informação coleta a informação da colheitadeira combinada 600 usando qualquer tipo de conexão sem fio ad-hoc. A informação coletada pode então ser encaminhada a uma outra rede quando a máquina contendo a informação recebida chega a uma localização onde a cobertura do serviço de telecomunicação sem fio ou outra cobertura sem fio– é disponível. Por exemplo, um caminhão de combustível pode entrar em uma área com cobertura de comunicação sem fio quando desloca para uma localização para abastecer outras máquinas, ou quando em uma localização de armazenamento de combustível principal. Todas essas arquiteturas são contempladas aqui. Adicionalmente, a informação pode ser armazenada na colheitadeira agrícola 600 até que a colheitadeira agrícola 600 entre em uma área com cobertura de comunicação sem fio. A colheitadeira agrícola 600, por sua vez, pode enviar a informação a uma outra rede.

[00104] Nota-se também que os elementos da FIG. 2, ou porções da mesma, podem ser dispostos em uma ampla variedade de diferentes dispositivos. Um ou mais desses dispositivos podem incluir um computador interno, uma unidade de controle eletrônica, uma unidade de exibição, um servidor, um computador de mesa, um computador de colo, um computador tipo mesa digitalizadora, ou outro dispositivo móvel, tal como um computador miniatura, um telefone celular, um telefone inteligente, um tocador de multimídia, um assistente pessoal digital, etc.

[00105] Em alguns exemplos, arquitetura de servidor remoto 500 pode incluir medidas de cibersegurança. Sem limitação, essas medidas podem incluir encriptação de dados em dispositivos de armazenamento, encriptação de dados enviados entre nós de rede, autenticação de pessoas ou processos que acessam dados, bem como ao uso de Ledgers para registrar metadados, dados, transferência de dados, acessos de dados, e transformações de dados. Em alguns exemplos, os Ledgers podem ser distribuídos e imutáveis (por exemplo, implementados como cadeia de blocos).

[00106] A FIG. 7 é um diagrama de blocos simplificado de um exemplo ilustrativo de um dispositivo de computação portátil ou móvel pode ser usado como um dispositivo portátil de usuário ou cliente 16, no qual o presente sistema (ou partes dele) pode ser desdobrado. Por exemplo, um dispositivo móvel pode ser desdobrado no compartimento do operador da colheitadeira agrícola 100 para uso na geração, processamento ou exibição dos mapas supradiscutidos. As FIGS. 8-9 são exemplos de dispositivos portáteis ou móveis.

[00107] A FIG. 7 provê um diagrama de blocos geral dos componentes de um dispositivo de cliente 16 que pode rodar alguns componentes mostrados na FIG. 2, que interage com eles, ou ambos. No dispositivo 16, uma ligação de comunicações 13 é provida que permite que o dispositivo portátil comunique com outros dispositivos de computação e em alguns exemplos provê um canal para receber informação automaticamente, tal como por varredura. Exemplos de ligação de comunicações 13 incluem permitir comunicação através de um ou mais protocolos de comunicação, tais como serviços sem fio usados para prover acesso celular a uma rede, bem como protocolos que provêm conexões sem fio locais às redes.

[00108] Em outros exemplos, aplicações podem ser recebidas em um cartão Digital Seguro removível (SD) que é conectado a uma interface 15. A interface 15 e ligações de comunicação 13 comunicam com um processador 17 (que pode também incorporar processadores ou servidores de outras FIGS.) ao longo de um barramento 19 que é também conectado à memória 21 e componentes de entrada/saída (I/O) 23, bem como relógio 25 e sistema de localização 27.

[00109] Os componentes I/O 23, em um exemplo, são providos para facilitar as operações de entrada e saída. Os componentes I/O 23 para vários exemplos do dispositivo 16 podem incluir componentes de entrada tais como botões, sensores de toque, sensores ópticos, microfones, telas sensíveis ao toque, sensores de proximidade, acelerômetros, sensores de orientação e componentes de saída tais como um dispositivo de exibição, um alto-falante, e ou uma porta de impressora. Outros componentes I/O 23 podem ser igualmente usados.

[00110] O relógio 25 ilustrativamente compreende um componente de relógio de tempo real que produz hora e data. Ele pode também, ilustrativamente, prover funções de sincronismo para o processador 17.

[00111] O sistema de localização 27 ilustrativamente inclui um componente que produz uma localização geográfica atual do dispositivo 16. Isso pode incluir, por exemplo, um receptor de sistema de posicionamento global (GPS), um sistema LORAN, um sistema de posicionamento relativo, um sistema de triangulação celular, ou outro sistema de posicionamento. O sistema de localização 27 pode também incluir, por exemplo, software de mapeamento ou software de navegação que gera mapas, rotas de navegação e outras funções geográficas desejadas.

[00112] A memória 21 armazena sistema operacional 29, definições de rede 31, aplicações 33, definições de configuração de aplicação 35, armazenamento de dados 37, controladores de comunicação 39 e definições de configuração de comunicação 41. A memória 21 pode incluir todos os tipos de dispositivos de memória legíveis por computador voláteis e não voláteis tangíveis. A memória 21 pode também incluir mídia de armazenamento por computador (descrita a seguir). A memória 21 armazena instruções legíveis por computador que, quando executadas pelo processador 17, fazem com que o processador realize etapas ou funções implementadas por computador de acordo com as instruções. O processador 17 pode ser acionado por outros componentes para facilitar sua funcionalidade igualmente.

[00113] A FIG. 8 mostra um exemplo no qual o dispositivo 16 é um computador de mesa 600. Na FIG. 8, o computador 600 é mostrado com tela de exibição de interface de usuário 602. A tela 602 pode ser uma tela sensível ao toque ou uma interface habilitada por caneta que recebe entradas de uma caneta ou dispositivo tipo caneta. O computador de mesa 600 pode também usar um teclado virtual na tela. Certamente, o computador 600 pode também ser afixado a um teclado ou outro dispositivo de entrada de usuário através de um mecanismo de fixação adequado, tal como uma ligação sem fio ou porta USB, por exemplo. O computador 600 pode também ilustrativamente receber entradas de voz igualmente.

[00114] A FIG. 9 é similar à FIG. 8, exceto que o dispositivo é um telefone inteligente 71. O telefone inteligente 71 tem um monitor sensível ao toque 73 que exibe ícones ou azulejos ou outros mecanismos de entrada de usuário 75. Os mecanismos 75 podem ser usados por um usuário para rodar aplicações, fazer chamadas, realizar operações de transferência de dados, etc. Em geral, o telefone inteligente 71 é construído em um sistema operacional móvel e oferece capacidade de computação e conectividade mais avançada do que um telefone de recurso.

[00115] Note que outras formas dos dispositivos 16 são possíveis.

[00116] A FIG. 10 é um exemplo de um ambiente de computação no qual elementos da FIG. 2 podem ser desdobrados. Com referência à FIG. 10, um sistema exemplificativo para implementar algumas modalidades inclui um dispositivo de computação na forma de um computador 810 programado para operar como aqui discutido. Os componentes de computador 810 podem incluir, mas sem se limitar a uma unidade de processamento 820 (que pode compreender processadores ou servidores das FIGS. anteriores), uma memória do sistema 830, e um barramento do sistema 821 que acopla vários componentes do sistema incluindo a memória do sistema à unidade de processamento 820. O barramento do sistema 821 pode ser qualquer de diversos tipos de estruturas de barramento incluindo um barramento de memória ou controlador de memória, um barramento periférico, e um barramento local usando qualquer uma de uma variedade de arquiteturas de barramento. A memória e programas descritos com relação à FIG. 2 podem ser desdobrados em porções correspondentes da FIG. 10.

[00117] O computador 810 tipicamente inclui uma variedade de mídias legíveis por computador. Mídias legíveis por computador podem ser qualquer mídia disponível que pode ser acessada por computador 810 e inclui tanto mídia volátil quanto mídia não volátil, removível quanto não removível. A título de exemplo, e não de limitação, mídias legíveis por computador podem compreender mídia de armazenamento por computador e mídia de comunicação. Mídia de armazenamento por computador é diferente, e não inclui, de um sinal de dados modulado ou onda portadora. Mídias legíveis por computador incluem mídia de armazenamento por hardware incluindo tanto mídia volátil quanto não volátil, removível quanto não removível implementada em qualquer método ou tecnologia para armazenamento de informação tais como instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados. Mídia de armazenamento por computador inclui, mas sem se limitar a RAM, ROM, EEPROM, memória flash ou outra tecnologia de memória, CD-ROM, discos versáteis digitais (DVD) ou outro armazenamento de disco óptico, cassetes magnéticos, fita magnética, armazenamento de disco magnético ou outros dispositivos de armazenamento magnéticos, ou qualquer outra mídia que possa ser usada para armazenar a informação desejada e que possa ser acessada por computador 810. Mídia de comunicação pode incorporar instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados em um mecanismo de transporte e inclui qualquer mídia de entrega de informação. A expressão “sinal de dados modulado” significa um sinal que tem uma ou mais de suas características definidas ou alteradas de uma maneira tal a codificar informação no sinal.

[00118] A memória do sistema 830 inclui mídia de armazenamento por computador na forma de memória volátil e/ou não volátil, ou ambas, tais como memória apenas de leitura (ROM) 831 e memória de acesso aleatório (RAM) 832. Um sistema de entrada/saída básico 833 (BIOS), contendo as rotinas básicas que ajudam a transferir informação entre elementos no computador 810, tal como durante iniciação, é tipicamente armazenado em ROM 831. RAM 832 tipicamente contém dados ou módulos de programa ou ambos que são imediatamente acessíveis e/ou que estão sendo atualmente operados pela unidade de processamento 820. A título de exemplo, e não de limitação, a FIG. 10 ilustra o sistema operacional 834, programas de aplicação 835, outros módulos de programa 836, e dados de programa 837.

[00119] O computador 810 pode também incluir outras mídias de armazenamento por computador removíveis/não removíveis voláteis/não voláteis. Apenas a título de exemplo, a FIG. 10 ilustra uma unidade de disco rígido 841 que lê ou grava em mídia magnética não removível, não volátil, uma unidade de disco óptico 855, e disco óptico não volátil 856. A unidade de disco rígido 841 é tipicamente conectada ao barramento do sistema 821 através de uma interface de memória não removível tal como a interface 840, e unidade de disco óptico 855 são tipicamente conectadas ao barramento do sistema 821 por uma interface de memória removível, tal como a interface 850.

[00120] Alternativamente, ou adicionalmente, a funcionalidade descrita aqui pode ser realizada, pelo menos em parte, por um ou mais componentes lógicos de hardware. Por exemplo, e sem limitação, tipos ilustrativos de componentes lógicos de hardware que podem ser usados incluem Arranjos de Porta Programáveis no Campo (FPGAs), Circuitos Integrados Específicos da Aplicação (por exemplo, ASICs), Produtos Padrões Específicos da Aplicação (por exemplo, ASSPs), sistemas Sistema em um chip (SOCs), Dispositivos Programáveis de Lógica Complexa (CPLDs), etc.

[00121] Os controladores e suas mídias de armazenamento por computador associadas supradiscutidas e ilustradas na FIG. 10 fornecem armazenamento de instruções legíveis por computador, estruturas de dados, módulos de programa e outros dados para o computador 810. Na FIG. 10, por exemplo, a unidade de disco rígido 841 é ilustrada armazenando sistema operacional 844, programas de aplicação 845, outros módulos de programa 846 e dados de programa 847. Note que esses componentes podem ser tanto os mesmos quanto diferentes do sistema operacional 834, programas de aplicação 835, outros módulos de programa 836 e dados de programa 837.

[00122] Um usuário pode entrar com comandos e informação no computador 810 através de dispositivos de entrada tais como um teclado 862, um microfone 863 e um dispositivo de apontamento 861, tais como um mouse, mouse tipo esfera ou bloco de toque. Outros dispositivos de entrada (não mostrados) podem incluir um controle tipo manete de jogos, bloco de jogos, disco satélite, escâner ou similares. Esses e outros dispositivos de entrada são frequentemente conectados à unidade de processamento 820 através de uma interface de entrada de usuário 860 que é acoplada ao barramento do sistema, mas podem ser conectados por outras estruturas de interface e barramento. Uma exibição visual 891 ou outro tipo de dispositivo de exibição é também conectado ao barramento do sistema 821 por meio de uma interface, tal como uma interface de vídeo 890. Além do monitor, computadores podem também incluir outros dispositivos de saída periféricos tais como alto-falantes 897 e impressora 896, que podem ser conectados através de uma interface periférica de saída 895.

[00123] O computador 810 é operado em um ambiente ligado em rede usando conexões lógicas (tal como uma rede de área do controlador – CAN, rede de área local – LAN, ou rede de área abrangente WAN) a um ou mais computadores, remotos tal como um computador remoto 880.

[00124] Quando usado em um ambiente em rede LAN, o computador 810 é conectado à LAN 871 através de uma interface de rede ou adaptador 870. Quando usado em um ambiente em rede WAN, o computador 810 tipicamente inclui um modem 872 ou outros meios para estabelecer comunicações pela WAN 873, tal como a Internet. Em um ambiente ligado em rede, módulos de programa podem ser armazenados em um dispositivo de armazenamento de memória remoto. A FIG. 10 ilustra, por exemplo, que programas de aplicação remotos 885 podem residir em computador remoto 880.

[00125] Deve-se também notar que diferentes exemplos descritos aqui podem ser combinados de diferentes maneiras. Ou seja, partes de um ou mais exemplos podem ser combinadas com partes de um ou mais outros exemplos. Tudo isso é contemplado aqui.

[00126] Exemplo 1 é uma máquina de trabalho agrícola, compreendendo:
um sistema de comunicação que recebe um mapa de informação anterior que inclui valores de uma primeira característica agrícola correspondente a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
um sensor in situ que detecta um valor de uma segunda característica agrícola correspondente à localização geográfica;
um gerador de modelo preditivo que gera um modelo agrícola preditivo que modela um relacionamento entre a primeira característica agrícola e a segunda característica agrícola com base em um valor da primeira característica agrícola no mapa de informação anterior na localização geográfica e um valor da segunda característica agrícola sensoreada pelo sensor in situ na localização geográfica; e
um gerador de mapa preditivo que gera um mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da segunda característica agrícola para as diferentes localizações geográficas no campo, com base nos valores da primeira característica agrícola no mapa de informação anterior e com base no modelo agrícola preditivo.

[00127] Exemplo 2 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o gerador de mapa preditivo configura o mapa agrícola preditivo funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa agrícola preditivo funcional.

[00128] Exemplo 3 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sensor in situ na máquina de trabalho agrícola é configurado para detectar, como o valor da segunda característica agrícola, uma característica de erva daninha correspondente à localização geográfica.

[00129] Exemplo 4 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sensor in situ compreende:
um detector de imagem configurado para detectar uma imagem indicativa da característica de erva daninha.

[00130] Exemplo 5 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o detector de imagem é orientado para detectar uma imagem próxima à máquina de trabalho agrícola e compreende adicionalmente:
um sistema de processamento de imagem configurado para processar a imagem para identificar a característica de erva daninha na imagem.

[00131] Exemplo 6 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sensor in situ gera um sinal de sensor indicativo da característica de erva daninha e compreende adicionalmente:
um sistema de processamento que recebe o sinal de sensor e é configurado para identificar, como a característica de erva daninha, um valor de intensidade de ervas daninhas indicativo de uma intensidade de ervas daninhas na localização geográfica.

[00132] Exemplo 7 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sensor in situ gera um sinal de sensor indicativo da característica de erva daninha e compreende adicionalmente:
um sistema de processamento que recebe o sinal de sensor e é configurado para identificar, como a característica de erva daninha, um valor de característica de tipo de erva daninha indicativo de um tipo de ervas daninhas na localização geográfica

[00133] Exemplo 8 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o detector de imagem é configurado para capturar uma imagem que inclui pelo menos uma semente de erva daninha processada pela máquina de trabalho agrícola e em que o sistema de processamento de imagem é configurado para identificar um valor de intensidade de ervas daninhas, indicativo de uma intensidade de ervas daninhas na localização geográfica, ou um valor do tipo de erva daninha, indicativo de um tipo de erva daninha na localização geográfica, com base na imagem de pelo menos uma semente de erva daninha.

[00134] Exemplo 9 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo, e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e a característica de erva daninha com base no valor de característica de erva daninha detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor de característica de erva daninha como uma saída de modelo com base no relacionamento identificado.

[00135] Exemplo 10 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo, e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e a característica de intensidade de ervas daninhas com base no valor de intensidade de ervas daninhas detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor de intensidade de ervas daninhas como uma saída de modelo com base no relacionamento identificado.

[00136] Exemplo 11 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para o campo e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e característica do tipo de erva daninha com base no valor do tipo de erva daninha detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor do tipo de erva daninha como uma saída de modelo com base no relacionamento identificado.

[00137] Exemplo 12 é um método implementado por computador para gerar um mapa agrícola preditivo funcional, compreendendo:
receber um mapa de informação anterior, em uma máquina de trabalho agrícola, que indica valores de uma primeira característica agrícola correspondente a diferentes localizações geográficas em um campo;
detectar uma localização geográfica da máquina de trabalho agrícola;
detectar, com um sensor in situ, um valor de uma segunda característica agrícola correspondente à localização geográfica;
gerar um modelo agrícola preditivo que modela um relacionamento entre a primeira característica agrícola e a segunda característica agrícola; e
controlar um gerador de mapa preditivo para gerar o mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da segunda característica agrícola para as diferentes localizações no campo com base nos valores da primeira característica agrícola no mapa de informação anterior e no modelo agrícola preditivo.

[00138] Exemplo 13 é o método implementado por computador de qualquer ou todos os exemplos anteriores, e compreendendo adicionalmente:
configurar o mapa agrícola preditivo funcional para um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa agrícola preditivo funcional.

[00139] Exemplo 14 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que detectar, com um sensor in situ, um valor da segunda característica agrícola compreende detectar uma característica de erva daninha correspondente à localização geográfica, e em que receber o mapa de informação anterior compreende receber um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo.

[00140] Exemplo 15 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que detectar a característica de erva daninha compreende:
detectar uma característica de intensidade de ervas daninhas valor indicativo de uma intensidade de ervas daninhas na localização geográfica.

[00141] Exemplo 16 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que receber um mapa de informação anterior compreende:
receber um mapa de informação anterior gerado de uma operação anterior realizada no campo.

[00142] Exemplo 17 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que gerar um modelo agrícola preditivo compreende:
identificar um relacionamento entre os valores de índice vegetativo e a característica de erva daninha com base na característica de erva daninha detectada na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica; e
controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de índice vegetativo como uma entrada de modelo e gera um valor de característica de erva daninha como uma saída de modelo com base no relacionamento identificado.

[00143] Exemplo 18 é o método implementado por computador de qualquer ou todos os exemplos anteriores, compreendendo adicionalmente:
controlar um mecanismo de interface de operador para presentar o mapa agrícola preditivo funcional.

[00144] Exemplo 19 é uma máquina de trabalho agrícola, compreendendo:
um sistema de comunicação que recebe um mapa de índice vegetativo anterior que indica valores de índice vegetativo correspondente a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
um sensor in situ que detecta um valor de característica de erva daninha, de uma característica de erva daninha, correspondente à localização geográfica;
um gerador de modelo preditivo que gera um modelo de erva daninha preditivo que modela um relacionamento entre os valores de índice vegetativo e a característica de erva daninha com base em um valor de índice vegetativo no mapa de índice vegetativo anterior na localização geográfica e no valor de característica de erva daninha sensoreado pelo sensor in situ na localização geográfica; e
um gerador de mapa preditivo que gera um mapa de erva daninha preditivo funcional do campo, que mapeia valores de característica de erva daninha preditivos para as diferentes localizações no campo, com base nos valores de índice vegetativo no mapa de índice vegetativo anterior e com base no modelo de erva daninha preditivo.

[00145] Exemplo 20 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sensor in situ compreende:
um detector de imagem configurado para detectar uma imagem indicativa da característica de erva daninha; e
um sistema de processamento de imagem configurado para processar a imagem indicativa da característica de erva daninha para identificar a característica de erva daninha na imagem indicativa da característica de erva daninha.

[00146] Embora a matéria objeto tenha sido descrita em linguagem específica de recursos estruturais ou atos metodológicos, deve-se entender que a matéria objeto definida nas reivindicações anexas não está necessariamente limitada aos recursos ou atos específicos aqui descritos. Em vez disso, os recursos e atos específicos aqui narrados são descritos como formas exemplificativas das reivindicações.

Claims

Máquina de trabalho agrícola (100), caracterizada pelo fato de que compreende:
um sistema de comunicação (206) que recebe um mapa de informação anterior (258) que inclui valores de uma primeira característica agrícola correspondente a diferentes localizações geográficas em um campo;
um sensor de posição geográfica (204) que detecta uma localização geográfica da máquina de trabalho agrícola (100);
um sensor in situ (208) que detecta um valor de uma segunda característica agrícola correspondente à localização geográfica;
um gerador de modelo preditivo (210) que gera um modelo agrícola preditivo que modela um relacionamento entre a primeira característica agrícola e a segunda característica agrícola com base em um valor da primeira característica agrícola no mapa de informação anterior (258) na localização geográfica e um valor da segunda característica agrícola sensoreada pelo sensor in situ (208) na localização geográfica; e
um gerador de mapa preditivo (212) que gera um mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da segunda característica agrícola para as diferentes localizações geográficas no campo, com base nos valores da primeira característica agrícola no mapa de informação anterior (258) e com base no modelo agrícola preditivo.
Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o gerador de mapa preditivo configura o mapa agrícola preditivo funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa agrícola preditivo funcional.
Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o sensor in situ na máquina de trabalho agrícola é configurado para detectar, como o valor da segunda característica agrícola, uma característica de erva daninha correspondente à localização geográfica.
Máquina de trabalho agrícola de acordo com a reivindicação 3, caracterizada pelo fato de que o sensor in situ compreende:
um detector de imagem configurado para detectar uma imagem indicativa da característica de erva daninha.
Máquina de trabalho agrícola de acordo com a reivindicação 4, caracterizada pelo fato de que o detector de imagem é orientado para detectar uma imagem próxima à máquina de trabalho agrícola e compreende adicionalmente:
um sistema de processamento de imagem configurado para processar a imagem para identificar a característica de erva daninha na imagem.
Máquina de trabalho agrícola de acordo com a reivindicação 3, caracterizada pelo fato de que o sensor in situ gera um sinal de sensor indicativo da característica de erva daninha e compreende adicionalmente:
um sistema de processamento que recebe o sinal de sensor e é configurado para identificar, como a característica de erva daninha, um valor de intensidade de ervas daninhas indicativo de uma intensidade de ervas daninhas na localização geográfica.
Máquina de trabalho agrícola de acordo com a reivindicação 3, caracterizada pelo fato de que o sensor in situ gera um sinal de sensor indicativo da característica de erva daninha e compreende adicionalmente:
um sistema de processamento que recebe o sinal de sensor e é configurado para identificar, como a característica de erva daninha, um valor de característica de tipo de erva daninha indicativo de um tipo de ervas daninhas na localização geográfica.
Máquina de trabalho agrícola de acordo com a reivindicação 5, caracterizada pelo fato de que o detector de imagem é configurado para capturar uma imagem que inclui pelo menos uma semente de erva daninha processada pela máquina de trabalho agrícola e em que o sistema de processamento de imagem é configurado para identificar um valor de intensidade de ervas daninhas, indicativo de uma intensidade de ervas daninhas na localização geográfica ou um valor do tipo de erva daninha, indicativo de um tipo de erva daninha na localização geográfica, com base na imagem de pelo menos uma semente de erva daninha.
Máquina de trabalho agrícola de acordo com a reivindicação 3, caracterizada pelo fato de que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo, e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e a característica de erva daninha com base no valor de característica de erva daninha detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor de característica de erva daninha como uma saída de modelo com base no relacionamento identificado.
Máquina de trabalho agrícola de acordo com a reivindicação 6, caracterizada pelo fato de que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo, e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e a característica de intensidade de ervas daninhas com base no valor de intensidade de ervas daninhas detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor de intensidade de ervas daninhas como uma saída de modelo com base no relacionamento identificado.
Máquina de trabalho agrícola de acordo com a reivindicação 7, caracterizada pelo fato de que o mapa de informação anterior compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para o campo e em que o gerador de modelo preditivo é configurado para identificar um relacionamento entre os valores de índice vegetativo e característica do tipo de erva daninha com base no valor do tipo de erva daninha detectado na localização geográfica e no valor de índice vegetativo, no mapa de índice vegetativo, na localização geográfica, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo como uma entrada de modelo e gerar um valor do tipo de erva daninha como uma saída de modelo com base no relacionamento identificado.
Método implementado por computador para gerar um mapa agrícola preditivo funcional, caracterizado pelo fato de que compreende:
receber um mapa de informação anterior (258), em uma máquina de trabalho agrícola (100), que indica valores de uma primeira característica agrícola correspondente a diferentes localizações geográficas em um campo;
detectar uma localização geográfica da máquina de trabalho agrícola (100);
detectar, com um sensor in situ (208), um valor de uma segunda característica agrícola correspondente à localização geográfica;
gerar um modelo agrícola preditivo que modela um relacionamento entre a primeira característica agrícola e a segunda característica agrícola; e
controlar um gerador de mapa preditivo (212) para gerar o mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da segunda característica agrícola para as diferentes localizações no campo com base nos valores da primeira característica agrícola no mapa de informação anterior (258) e o modelo agrícola preditivo.
Método implementado por computador de acordo com a reivindicação 12, caracterizado pelo fato de que compreende adicionalmente:
configurar o mapa agrícola preditivo funcional para um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa agrícola preditivo funcional.
Método implementado por computador de acordo com a reivindicação 12, caracterizado pelo fato de que detectar, com um sensor in situ, um valor da segunda característica agrícola compreende detectar uma característica de erva daninha correspondente à localização geográfica, e em que receber o mapa de informação anterior compreende receber um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para as diferentes localizações geográficas no campo.
Máquina de trabalho agrícola (100), caracterizada pelo fato de que compreende:
um sistema de comunicação (206) que recebe um mapa de índice vegetativo anterior (332) que indica valores de índice vegetativo correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica (204) que detecta uma localização geográfica da máquina de trabalho agrícola (100);
um sensor in situ (208) que detecta um valor de característica de erva daninha, de uma característica de erva daninha, correspondente à localização geográfica;
um gerador de modelo preditivo (210) que gera um modelo de erva daninha preditivo que modela um relacionamento entre os valores de índice vegetativo e a característica de erva daninha com base em um valor de índice vegetativo no mapa de índice vegetativo anterior (332) na localização geográfica e no valor de característica de erva daninha sensoreado pelo sensor in situ (208) na localização geográfica; e
um gerador de mapa preditivo (212) que gera um mapa de erva daninha preditivo funcional do campo, que mapeia valores de característica de erva daninha preditivos para as diferentes localizações no campo, com base nos valores de índice vegetativo no mapa de índice vegetativo anterior (332) e com base no modelo de erva daninha preditivo.