BR102021015003A2

BR102021015003A2 - Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional

Info

Publication number: BR102021015003A2
Application number: BR102021015003-3A
Authority: BR
Inventors: Nathan R. Vandike; Bhanu Kiran Reddy Palla; Anderson Noel W; Federico Pardina-Malbran
Original assignee: Deere & Company
Priority date: 2020-10-09
Filing date: 2021-07-29
Publication date: 2022-04-26
Also published as: CN114303606A; US20230397532A1; US20220110247A1; US11849671B2

Abstract

Um ou mais mapas de informação são obtidos por uma máquina de trabalho agrícola. O um ou mais mapas de informação mapeiam um ou mais valores agrícolas característicos em diferentes locais geográficos de um campo. Um sensor in-situ na máquina de trabalho agrícola sensoreia uma característica agrícola conforme a máquina de trabalho agrícola se move através do campo. Um gerador de mapa preditivo gera um mapa preditivo, que prediz uma característica agrícola preditiva em diferentes locais no campo com base em uma relação entre os valores no um ou mais mapas de informação e a característica agrícola sensoreada pelo sensor in-situ. O mapa preditivo pode ser fornecido e usado no controle de máquina automatizado.

Description

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

CAMPO DA DESCRIÇÃO

[001] A presente descrição se refere a máquinas agrícolas, máquinas de exploração florestal, máquinas de construção e máquinas de cultivo de gramados.

[002] Existe uma grande 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 autopropulsionadas, e ceifadeiras alinhadoras. Algumas colheitadeiras podem também ser providas com diferentes tipos de plataformas de corte para colher diferentes tipos de cultivos.

[003] As colheitadeiras agrícolas podem operar diferentemente em áreas de um campo contendo cultivo derrubado. Cultivo derrubado se refere a plantas de cultivo que têm seus talos encurvados ou quebrados, por exemplo, devido ao vento, chuva, granizo, ou semelhante. Essas forças encurvam ou quebram os talos das plantas de cultivo e causam com que as plantas tenham uma curvatura e orientação não vertical. O estado de cultivo é uma característica agrícola indicativa de se uma planta de cultivo está em pé, caída, parcialmente caída, com restolho, ou ausente e, se o cultivo estiver derrubado, a orientação da bússola e uma magnitude do derrubamento.

[004] A discussão acima é meramente provida para a informação geral dos fundamentos e não é destinada para ser usada como um auxílio na determinação do escopo da matéria reivindicada.

SUMÁRIO

[005] Um mapa de índice vegetativo anterior, o mapa de característica de semeadura, o mapa de produção preditivo, ou mapa de biomassa preditivo, é obtido por uma colheitadeira agrícola e mostra um dentre índice vegetativo, característica de semeadura, valores de produção preditiva ou biomassa preditiva em diferentes locais geográficos de um campo e pode ser particularmente útil durante a colheita do campo. Um sensor in-situ na colheitadeira agrícola sensoreia uma característica que tem valores indicativos do estado de cultivo próximo à colheitadeira agrícola quando a colheitadeira agrícola se move através do campo. Um gerador de mapa preditivo gera um mapa preditivo funcional, que prediz o estado de cultivo em diferentes locais no campo com base em uma relação entre os valores no índice vegetativo, característica de semeadura, produção preditiva, ou mapa de biomassa preditivo e a característica de estado de cultivo sensoreado pelo sensor in-situ. O mapa de estado de cultivo preditivo funcional pode ser fornecido e usado no controle de máquina automático.

[006] Esse sumário é provido para apresentar uma seleção de conceitos de uma forma simplificada, que são descritos mais detalhadamente abaixo na descrição detalhada. Esse sumário não é destinado a identificar as características principais ou características essenciais da matéria reivindicada, nem é destinado a ser usado como um auxílio na determinação do escopo da matéria reivindicada. A matéria reivindicada não é limitada aos exemplos que solucionam qualquer ou todas das desvantagens notadas nos fundamentos.

BREVE DESCRIÇÃO DOS DESENHOS

[007] A figura 1 é uma ilustração parcialmente simbólica, parcialmente esquemática, de um exemplo de uma colheitadeira agrícola.

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

[009] As figuras 3A-3B (coletivamente referidas aqui como a figura 3) mostram um fluxograma ilustrando um exemplo de operação de uma colheitadeira agrícola na geração de um mapa.

[0010] A figura 4 é um diagrama de blocos mostrando um exemplo de um gerador de modelo preditivo e um gerador de mapa preditivo.

[0011] A figura 5 é um fluxograma mostrando um exemplo de operação de uma colheitadeira agrícola na recepção de um índice vegetativo, característica de semeadura, produção preditiva, ou mapa de biomassa preditivo; detecção de uma característica de estado de cultivo in-situ; e geração de um mapa de estado de cultivo preditivo funcional para apresentação ou uso no controle da colheitadeira agrícola durante uma operação de colheita, ou ambos.

[0012] A figura 6 é um diagrama de blocos mostrando um exemplo de uma colheitadeira agrícola em comunicação com um ambiente de servidor remoto.

[0013] As figuras 7 a 9 mostram exemplos de dispositivos móveis que podem ser usados em uma colheitadeira agrícola.

[0014] A figura 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

[0015] Para as finalidades de promover uma compreensão dos princípios da presente invenção, referência será agora feita aos exemplos ilustrados nos desenhos, e linguagem específica será usada para descrever os mesmos. Será entendido, não obstante, que uma limitação do escopo da invenção não é pretendida. Quaisquer alterações e outras modificações nos dispositivos, o sistemas, métodos, descritos, e quaisquer outras aplicações dos princípios da presente invenção são totalmente contempladas como ocorreriam normalmente a uma pessoa especializada na técnica à qual a invenção se relaciona. Em particular, é totalmente contemplado que as características, componentes, e/ou etapas descritos com relação a um exemplo podem ser combinados com as características, componentes, e/ou etapas, descritos com relação a outros exemplos da presente invenção.

[0016] A presente descrição se refere ao uso de dados in-situ, tomados simultaneamente com uma operação agrícola, em combinação com prior dados, para gerar um mapa preditivo funcional e, mais particularmente, um mapa de estado de cultivo preditivo funcional. Em alguns exemplos, o mapa de estado de cultivo preditivo funcional pode ser usado para controlar uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola. O desempenho de uma colheitadeira agrícola pode ser degradado quando a colheitadeira agrícola engata áreas de estado de cultivo variável, a menos que as regulagens da máquina sejam também alteradas. Por exemplo, em uma área de cultivo derrubado, a colheitadeira agrícola pode se deslocar mais lentamente através do campo para prevenir a perda de grãos. Ou, por exemplo, em uma área de cultivo caído, pode ser benéfico direcionar a colheitadeira agrícola ao longo de um trajeto, de forma que a colheitadeira agrícola colhendo na direção oposta à direção do cultivo esteja se inclinando do cultivo caído. Isto é, um curso da colheitadeira agrícola é selecionado de forma a acionar a colheitadeira agrícola para dentro das plantas de cultivo a partir da direção oposta na qual as plantas são derrubadas, de forma que a colheitadeira atinja o topo da planta primeiro. Ou, por exemplo, em uma área de cultivo caído, pode ser benéfico ajustar a altura da plataforma de corte ou as posições do carretel.

[0017] Um mapa de índice vegetativo ilustrativamente mapeia os valores de índice vegetativo (que podem ser indicativos de crescimento vegetativo) através de diferentes locais geográficos em um campo de interesse. Um exemplo de um índice vegetativo inclui um índice de vegetação de diferença normalizado (NDVI). Existem muitos outros índices vegetativos, e esses outros índices vegetativos estão dentro do escopo da presente invenção. Em alguns exemplos, um índice vegetativo pode ser derivado de leituras de sensor de uma ou mais bandas de radiação eletromagnética refletida pelas plantas. Sem limitações, essas bandas podem estar nas porções de microondas, infravermelhas, visíveis, ou ultravioletas do espectro eletromagnético.

[0018] Um mapa de índice vegetativo pode assim ser usado para identificar a presença e o local de vegetação. Em alguns exemplos, um mapa de índice vegetativo permite que cultivos sejam identificados e georreferenciados na presença de solo nu, resíduo de cultivo, ou outras plantas, incluindo o cultivo ou as ervas daninhas. Por exemplo, perto do início de uma estação de crescimento, quando um cultivo está em um estado de crescimento, o índice vegetativo pode mostrar o progresso do desenvolvimento do cultivo. Por conseguinte, se um mapa de índice vegetativo for gerado prematuramente na estação de crescimento ou na metade da estação de crescimento, o mapa de índice vegetativo pode ser indicativo do progresso do desenvolvimento das plantas de cultivo. Por exemplo, o mapa de índice vegetativo pode indicar se a planta está atrofiada, se uma copa suficiente está sendo estabelecida, ou se outros atributos de planta indicativos do desenvolvimento de plantas estão presentes. Um mapa de índice vegetativo pode também ser indicativo de outras características vegetativas bem como da saúde das plantas.

[0019] Um mapa de característica de semeadura ilustrativamente mapeia locais de semente através de diferentes locais geográficos em um ou mais campos de interesse. Esses mapas de semente são tipicamente coletados de operações anteriores de plantação de sementes. Em alguns exemplos, o mapa de característica de semeadura pode ser derivado de sinais de controle usados por uma semeadora na plantação das sementes ou de sinais de sensor gerados por sensores na semeadora, que confirmam que uma semente foi plantada. As semeadoras podem incluir sensores de posição geográfica, que localizam geograficamente os locais nos quais as sementes foram plantadas. Essa informação pode ser usada para determinar a densidade de plantação de sementes, que grosseiramente se refere a uma densidade de planta. A densidade de planta pode afetar quão resistente as plantas de cultivo são para ser derrubadas pelo vento, por exemplo. Um mapa de característica de semeadura pode também conter também outra informação, tal como as características da semente usada. Por exemplo, algumas características incluem o tipo de semente, resistência de talo genético, suscetibilidade genética à ruptura a verde, marca de semente, revestimento de semente, os dados de plantio, período de germinação, períodos típicos de estágio de crescimento, altura da planta madura, e genótipo de planta

[0020] A presente discussão também inclui mapas preditivos, que predizem uma característica com base em um mapa de informação e uma relação aos dados sensoreados, obtida de um sensor in-situ. Esses mapas preditivos incluem um mapa de produção preditivo e um mapa de biomassa preditivo. Em um exemplo, o mapa de produção preditivo é gerado pela recepção de um mapa de índice vegetativo anterior e dados produzidos dos sensores, obtidos de um sensor de produção in-situ e determinação de uma relação entre o mapa de índice vegetativo anterior e os dados de produção sensoreados, obtidos de um sinal do sensor de produção in-situ, e usando a relação para gerar o mapa de produção preditivo com base na relação e no mapa de índice vegetativo anterior. Em um exemplo, o mapa de biomassa preditivo é gerado pela recepção de um mapa de índice vegetativo anterior e sensoreamento de uma biomassa, determinando uma relação entre o mapa de índice vegetativo anterior e a biomassa sensoreada obtida de um sinal de dado de um sensor de biomassa, e usando a relação para gerar o mapa de biomassa preditivo com base na relação e no mapa de índice vegetativo anterior. Os mapas de produção e biomassa preditivas podem ser criados com base noutros mapas de informação ou gerados também de outras maneiras. Por exemplo, os mapas de produção ou biomassa preditivos podem ser gerados com base em imagens de satélites, modelos de crescimento, modelos climáticos, etc. Ou, por exemplo, um mapa de produção preditivo ou um mapa de biomassa preditivo pode ser baseado, no total ou em parte, em um mapa topográfico, um mapa do tipo de solo, um mapa de constituintes do solo, ou um mapa da saúde do solo.

[0021] A presente discussão prossegue assim com relação a exemplos nos quais um sistema recebe um ou mais dentre um índice vegetativo, semeadura, produção preditiva, ou mapa de biomassa preditivo e usa um sensor in-situ que detecta uma variável indicativa do estado de cultivo durante uma operação de colheita. O sistema gera um modelo que modela uma relação entre os valores de índice vegetativo, valores de característica de semente, valores de produção preditiva, ou valores de biomassa preditiva do um ou mais mapas recebidos e dados in-situ do sensor in-situ que representa a variável indicativa do estado de cultivo. O modelo é usado para gerar um mapa de estado de cultivo preditivo funcional, que prediz um estado de cultivo antecipado no campo. O mapa de estado de cultivo preditivo funcional, gerado durante a operação de colheita, pode ser apresentado a um operador ou outro usuário, usado em automaticamente controlar uma colheitadeira agrícola durante a operação de colheita, ou ambos.

[0022] A figura 1 é uma ilustração parcialmente simbólica, parcialmente esquemática, de uma colheitadeira agrícola autopropulsionada 100. No exemplo ilustrado, a colheitadeira agrícola 100 é uma colheitadeira combinada. Ainda, embora colheitadeiras combinadas sejam providas como exemplos por toda a presente descrição será apreciado que a presente descrição é também aplicável a outros tipos de colheitadeiras, tais como colheitadeiras de algodão, colheitadeiras de cana-de-açúcar, colheitadeiras de forragem autopropulsionadas, ceifadeiras alinhadoras, ou outras máquinas de trabalho agrícolas. Consequentemente, a presente invenção é destinada a compreender os vários tipos de colheitadeiras descritas e, assim, não é limitada às colheitadeiras combinadas. Além disso, a presente invenção é dirigida a outros tipos de máquinas de trabalho, tais como semeadoras e pulverizadores agrícolas, equipamento de construção, equipamento de exploração florestal, e equipamento de cultivo de gramados, nos quais a geração de um mapa preditivo pode ser aplicável. Consequentemente, a presente invenção é destinada a abranger esses vários tipos de colheitadeiras e outras máquinas de trabalho e não é, assim, limitada às colheitadeiras combinadas.

[0023] Conforme mostrado na figura 1, a colheitadeira agrícola 100 ilustrativamente inclui um compartimento de 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 plataforma de corte 102, e um cortador geralmente indicado em 104. A colheitadeira agrícola 100 também inclui um alimentador 106, um acelerador de alimentação 108, e um debulhador geralmente indicado em 110. O alimentador 106 e o acelerador de alimentação 108 fazem parte de um subsistema de manipulação de material 125. A plataforma de corte 102 é acoplada de forma pivotante a uma armação 103 da colheitadeira agrícola 100 ao longo do eixo geométrico de pivô 105. Um ou mais atuadores 107 acionam o movimento da plataforma de corte 102 em torno do eixo geométrico 105 na direção geralmente indicada pela seta 109. Assim, uma posição vertical da plataforma de corte 102 (a altura da plataforma de corte) acima do solo 111, sobre o qual a plataforma de corte 102 se desloca, é controlável pela atuação do atuador 107. Embora não mostrado na figura 1, a colheitadeira agrícola 100 pode também incluir um ou mais atuadores que operam para aplicar um ângulo de inclinação, um ângulo de rolagem, ou ambos, à plataforma de corte 102 ou porções de plataforma de corte 102. Inclinação se refere a um ângulo no qual o cortador 104 engata o cultivo. O ângulo de inclinação é aumentado, por exemplo, por controle da plataforma de corte 102 para apontar para uma borda distal 113 do cortador 104 mais na direção para o solo. O ângulo de inclinação é diminuído por controle da plataforma de corte 102 para apontar para a borda distal 113 do cortador 104 mais para longe do solo. O ângulo de rolamento se refere à orientação da plataforma de corte 102 em torno do eixo geométrico longitudinal de frente para trás da colheitadeira agrícola 100.

[0024] O debulhador 110 ilustrativamente inclui um rotor de debulhe 112 e um conjunto de côncavos 114. Ainda, 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 o subsistema de limpeza 118) que inclui uma ventoinha de limpeza 120, o crivo superior 122, e a peneira 124. O subsistema de manipulação de material 125 também inclui o batedor de descarga 126, o elevador de rejeitos 128, o elevador de grão limpo 130, bem como o parafuso sem-fim de descarregamento 134 e boca de descarga 136. O elevador de grão limpo move grão limpo para dentro do tanque de grão limpo 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduos 138 que pode incluir o picador 140 e o espalhador 142. A colheitadeira agrícola 100 também inclui um subsistema de propulsão que inclui um motor que aciona os componentes engatando o solo 144, tais como rodas ou esteiras. Em alguns exemplos, uma colheitadeira combinada dentro do escopo da presente invenção pode ter mais que um de qualquer dos subsistemas mencionados acima. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza, separadores esquerdo e direito, etc., que não são mostrados na figura 1.

[0025] Na operação, e a título de visão geral, a colheitadeira agrícola 100 ilustrativamente se move através de um campo na direção indicada pela seta 147. Conforme a colheitadeira agrícola 100 se move, plataforma de corte 102 (e o carretel associado 164) engata o cultivo a ser colhido e recolhe o cultivo na direção para o cortador 104. Um operador da colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto, ou um sistema automático. O operador da colheitadeira agrícola 100 pode determinar um ou mais de uma regulagem de altura, uma regulagem de ângulo de inclinação, ou uma regulagem de ângulo de rolagem para a plataforma de corte 102. Por exemplo, o operador alimenta uma regulagem ou as regulagens a um sistema de controle, descrito em mais detalhe abaixo, que controla o atuador 107. O sistema de controle pode também receber uma regulagem do operador para estabelecer o ângulo de inclinação e o ângulo de rolagem da plataforma de corte 102 e implementar as regulagens alimentadas por meio do controle de atuadores associados, não mostrados, que operam para alterar o ângulo de inclinação e o ângulo de rolagem da plataforma de corte 102. O atuador 107 mantém a plataforma de corte 102 a uma altura acima do solo 111 com base em uma regulagem de altura e, onde aplicável, nos ângulos de inclinação e de rolagem desejados. Cada uma das regulagens de altura, rolagem, e inclinação, pode ser implementada independentemente uma da outra. O sistema de controle responde ao erro de plataforma de corte (por exemplo, a diferença entre a regulagem de altura e a altura medida da plataforma de corte 102 acima do solo 111 e, em alguns exemplos, os erros do ângulo de inclinação e do ângulo de rolagem) com uma responsividade que é determinada com base em um nível de sensitividade selecionado. Se o nível de sensitividade for ajustado em um nível de sensitividade maior, o sistema de controle responde a menores erros de posição da plataforma de corte, e tenta reduzir os erros detectados mais rapidamente que quando a sensitividade está a um nível mais baixo de sensitividade.

[0026] Retornando para a descrição da operação da colheitadeira agrícola 100, depois de os cultivos serem cortados pelo cortador 104, o material de cultivo separado é movido através de um transportador no alimentador 106 na direção para o acelerador de alimentação 108, que acelera o material de cultivo para dentro do debulhador 110. O material de cultivo é debulhado pelo rotor 112 girando o cultivo contra os côncavos 114. O material de cultivo debulhado é movido por um rotor de separador no separador 116, onde uma porção do resíduo é movida pelo batedor de descarga 126 na direção para o subsistema de resíduos 138. A porção de resíduo transferida para o subsistema de resíduos 138 é picada pelo picador de resíduo 140 e espalhada sobre o campo pelo espalhador 142. Em outras configurações, o resíduo é liberado da colheitadeira agrícola 100 em uma deposição em fiada. Em outros exemplos, o subsistema de resíduos 138 pode incluir eliminadores de sementes de ervas daninhas (não mostrados) tais como ensacadores de sementes ou outros coletores de sementes, ou trituradores de sementes ou outros destruidores de sementes.

[0027] Grão cai ao subsistema de limpeza 118. O crivo superior 122 separa algumas peças maiores de material do grão, e a peneira 124 separa algumas das peças mais finas de material do grão limpo. Grão limpo cai em um parafuso sem-fim 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 dos crivos superiores. O fluxo de ar transporta resíduo para trás na colheitadeira agrícola 100 na direção para o subsistema de manipulação de resíduo 138.

[0028] O elevador de rejeitos 128 retorna os rejeitos para o debulhador 110 onde os rejeitos são re-debulhados. Alternativamente, os rejeitos também podem ser passados para um mecanismo de re-debulhe separado pelo elevador de rejeitos ou outros dispositivos de transporte onde os rejeitos são também re-debulhados.

[0029] A figura 1 também mostra que, em um exemplo, a colheitadeira agrícola 100 inclui o sensor de velocidade de solo 146, um ou mais sensores de perda de 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 de solo 146 sensoreia a velocidade de deslocamento da colheitadeira agrícola 100 sobre o solo. O sensor de velocidade de solo 146 pode sensorear a velocidade de deslocamento da colheitadeira agrícola 100 por sensorear a velocidade de rotação dos componentes engatando o solo (tais como rodas ou esteiras), um eixo de acionamento, um eixo, ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser sensoreada usando um sistema de posicionamento, tal como um sistema de posicionamento global (GPS), um sistema de reconhecimento passivo, um sistema de navegação a grande distância (LORAN), ou uma extensa variedade de outros sistemas ou sensores que provêm uma indicação da velocidade de deslocamento.

[0031] Os sensores de perda 152 ilustrativamente provêm um sinal de saída indicativo da quantidade da perda de grãos que ocorre em ambos os lados direito e esquerdo do subsistema de limpeza 118. Em alguns exemplos, os sensores 152 sãos sensores de choque que contam os choques de grão por unidade de tempo ou por unidade de distância percorrida para prover uma indicação da perda de grãos que ocorre no subsistema de limpeza 118. Os sensores de choque 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 oposição a sensores separados providos para cada subsistema de limpeza 118.

[0032] O sensor de perda de separador 148 provê um sinal indicativo da perda de grãos nos separadores esquerdo e direito, não separadamente mostrados na figura 1. Os sensores de perda de separador 148 podem ser associados aos separadores esquerdo e direito e podem prover sinais de perda de grão separados ou um sinal combinado ou agregado. Em alguns casos, o sensoreamento da perda de grãos nos separadores pode também ser realizado usando também uma extensa variedade de diferentes tipos dos sensores.

[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 plataforma de corte que sensoreia uma altura da plataforma de corte 102 acima do solo 111; sensores de estabilidade que sensoreiam a oscilação ou o movimento de saltos (e amplitude) da colheitadeira agrícola 100; um sensor de regulagem de resíduo, que é configurado para sensorear se a colheitadeira agrícola 100 está configurada para picar o resíduo, produzir uma deposição em fiada, etc.; um sensor de velocidade da ventoinha da sapata de limpeza para sensorear a velocidade da ventoinha de limpeza 120; um sensor de folga de côncavos, que sensoreia a folga entre o rotor 112 e os côncavos 114; um sensor de velocidade do rotor de debulhe que sensoreia uma velocidade de rotor do rotor 112; um sensor de vão de crivo superior, que sensoreia o tamanho das aberturas no crivo superior 122; um sensor de vão de peneira que sensoreia o tamanho das aberturas na peneira 124; um sensor de umidade de material diferente de grão (MOG) que sensoreia um nível de umidade do MOG passando através da colheitadeira agrícola 100; um ou mais sensores de regulagem de máquina, configurados para sensorear várias regulagens configuráveis da colheitadeira agrícola 100; um sensor de orientação de máquina que sensoreia a orientação da colheitadeira agrícola 100; e os sensores de propriedade de cultivo que sensoreiam uma variedade de diferentes tipos de propriedades de cultivo, tais como tipo de cultivo, umidade do cultivo, e outras propriedades de cultivo. Os sensores de propriedade de cultivo podem também ser configurados para sensorear características do material de cultivo separado quando o material de cultivo está sendo processado pela colheitadeira agrícola 100. Por exemplo, em alguns casos, os sensores de propriedade de cultivo podem sensorear a qualidade de grão, tal como grão quebrado, níveis de MOG; constituintes de grão, tais como amidos e proteína; e taxa de alimentação de grão quando o grão se desloca através do alimentador 106, do elevador de grão limpo 130, ou de outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultivo podem também sensorear a taxa de alimentação de biomassa através do alimentador 106, através do separador 116 ou em outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultivo podem também sensorear a taxa de alimentação como uma vazão em massa de grão através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou podem prover outros sinais de saída indicativos de outras variáveis sensoreadas. Os sensores de propriedade de cultivo podem incluir um ou mais dos sensores de estado de cultivo que sensoreiam o estado do cultivo sendo colhido pela colheitadeira agrícola.

[0034] Os sensores de estado de cultivo podem incluir um sistema de mono câmeras ou multicâmeras, que captura uma ou mais imagens das plantas de cultivo. Por exemplo, o mecanismo de captura de imagem voltado para frente 151 pode formar um sensor de estado de cultivo que sensoreia o estado de cultivo das plantas de cultivo à frente da colheitadeira agrícola 100. Em outro exemplo, um sensor de estado de cultivo pode ser colocado na colheitadeira agrícola 100 e pode visualizar em uma ou mais direções diferentes que a direção à frente da colheitadeira agrícola 100. As imagens capturadas pelo sensor de estado de cultivo podem ser analisadas para determinar se o cultivo está em pé, tem alguma magnitude de uma condição caída, está com restolho, ou está faltante. Então, se o cultivo tiver alguma magnitude de uma condição derrubada, então a imagem pode ser analisada para determinar a orientação do cultivo derrubado. Algumas orientações podem ser em relação à colheitadeira agrícola 100, tais como, mas não limitadas a "para o lado", "na direção para a máquina", "para longe da máquina", ou "orientações aleatórias". Algumas orientações podem ser absolutas (por exemplo, com relação à terra), tal como um rumo de bússola numérica ou desvio numérico de uma vertical gravimétrica ou superficial em graus. Por exemplo, em alguns casos, a orientação pode ser provida como um rumo com relação ao norte magnético, com relação ao norte verdadeiro, com relação a uma fileira de cultivo, com relação a um rumo da colheitadeira, ou com relação a outras referências.

[0035] Em outro exemplo, um sensor de estado de cultivo inclui um dispositivo de varredura de faixa, tal como, mas não limitado a radar, lidar, ou sonar. Um dispositivo de varredura de faixa pode ser usado para sensorear a altura do cultivo. A altura de cultivo, embora indicativa de outras variáveis, pode também indicar cultivo derrubado, uma magnitude de uma condição de cultivo derrubado, ou uma orientação do cultivo derrubado.

[0036] Antes de descrever como a colheitadeira agrícola 100 gera um mapa de estado de cultivo preditivo funcional e usa o mapa de estado de cultivo preditivo funcional para a apresentação ou controle, uma breve descrição de alguns dos itens na colheitadeira agrícola 100 e suas respectivas operações serão primeiramente descrita. As descrições das figuras 2 e 3 descrevem a recepção de um tipo geral de mapa de informação e informação de combinação do mapa de informação com um sinal de sensor georreferenciado, gerado por um sensor in-situ, onde o sinal de sensor é indicativo de uma característica no campo, tal como as características de cultivo ou de ervas daninhas presentes no campo. As características do campo podem incluir, mas não são limitadas a, características de um campo, tais como inclinação, intensidade de ervas daninhas, tipo de ervas daninhas, umidade do solo, qualidade da superfície; características de propriedades de cultivo, tais como a altura de cultivo, umidade do cultivo, densidade de cultivo, o estado de cultivo; características das propriedades de grão, tais como umidade de grão, tamanho de grão, peso de teste de grão; e características do desempenho de máquina, tais como níveis de perda, qualidade do trabalho, consumo de combustível, e utilização de energia. Uma relação entre os valores característicos obtidos de sinais de sensor in-situ e os valores de mapa de informação são identificados, e essa relação é usada para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz os valores nos diferentes locais geográficos em um campo, e um ou mais daqueles 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 intermédio de uma exibição, de forma táctil, ou de forma audível. 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 do controle de uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola, apresentação para um operador ou outro usuário, e apresentação para um operador ou usuário para a interação pelo operador ou usuário.

[0037] Depois de uma abordagem geral ser descrita com relação às figuras 2 e 3, uma abordagem mais específica para gerar um mapa de estado de cultivo preditivo funcional, que pode ser apresentado a um operador ou usuário, ou usado para controlar colheitadeira agrícola 100, ou ambos, é descrita com relação às figuras 4 e 5. Novamente, embora a presente discussão prossiga com relação a uma colheitadeira agrícola e, particularmente, uma colheitadeira combinada, o escopo da presente invenção compreende outros tipos de colheitadeiras agrícolas ou outras máquinas de trabalho agrícolas.

[0038] A figura 2 é um diagrama de blocos mostrando algumas porções de uma colheitadeira agrícola de exemplo 100. A figura 2 mostra que a colheitadeira agrícola 100 ilustrativamente inclui um ou mais processadores ou servidores 201, o banco de dados 202, o sensor de posição geográfica 204, o sistema de comunicação 206, e um ou mais sensores in-situ 208, que sensoreiam uma ou mais características agrícolas de um campo simultaneamente com 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 as características da máquina de colheita, do campo, das plantas no campo, e do clima. Outros tipos de característica 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 relação produtivo (coletivamente referido daqui em diante como o “gerador de modelo preditivo 210”), o gerador de mapa preditivo 212, o gerador de zona de controle 213, o 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 extensa variedade de outras funcionalidades de colheitadeira agrícola 220. Os sensores in-situ 208 incluem, por exemplo, os sensores a bordo 222, os sensores remotos 224, e outros sensores 226, que sensoreiam as características de um campo durante o curso de uma operação agrícola. O gerador de modelo preditivo 210 ilustrativamente inclui uma gerador de modelo de variável-para-variável in-situ de informação 228, e o gerador de modelo preditivo 210 pode incluir outros itens 230. O sistema de controle 214 inclui o controlador de sistema de comunicação 229, o controlador de sistema de comunicação 231, um controlador de regulagens 232, o controlador de planejamento de trajeto 234, o controlador de taxa de alimentação 236, o controlador do carretel da plataforma de corte 238, o controlador de correia draper 240, o controlador da posição de placa de cobertura 242, o controlador de posição de resíduo 244, o controlador de limpeza de máquina 245, o controlador de zona 247, e o sistema de controle 214 pode incluir outros itens 246. Os subsistemas controláveis 216 incluem os atuadores de máquina e de plataforma de corte 248, o subsistema de propulsão 250, o subsistema de direção 252, o subsistema de resíduo 138, o subsistema de limpeza de máquina 254, e os subsistemas controláveis 216 podem incluir uma extensa variedade de outros subsistemas 256.

[0039] [039] A figura 2 também mostra que a colheitadeira agrícola 100 pode receber um ou mais mapas de informação 258. Conforme descrito abaixo, um mapa de informação 258 inclui, por exemplo, um índice vegetativo, característica de semeadura, produção preditiva, ou mapa de biomassa preditivo. Todavia, o mapa de informação 258 pode também abranger outros tipos de dados que foram obtidos antes de uma operação de colheita, tais como informação contextual. A informação contextual pode incluir, sem limitação, uma ou mais de condições climáticas sobre parte de, ou toda de, uma estação de crescimento, presença de pestes, local geográfico, tipos de solo, irrigação, aplicação de tratamento, etc. As condições climáticas podem incluir, sem limitação, precipitação ao longo da estação, presença de granizo capaz de danificar o cultivo, presença de altos ventos, direção de altos ventos, temperatura ao longo da estação, etc. Alguns exemplos de pestes incluem amplamente, insetos, fungos, ervas daninhas, bactérias, vírus, etc. Alguns exemplos de aplicação de tratamentos incluem herbicida, pesticida, fungicida, fertilizante, suplementos minerais, etc. A figura 2 também mostra que um operador 260 pode operar a colheitadeira agrícola 100. O operador 260 interage com os mecanismos de interface de operador 218. Em alguns exemplos, os mecanismos de interface de operador 218 podem incluir alavancas de controle, alavancas, um volante, conjuntos de articulação, pedais, botões, mostradores, teclados, elementos atuáveis por usuário (tais como ícones, teclas, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde o reconhecimento de voz e síntese de voz são providos), dentre uma extensa 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 descritos acima são providos como exemplos ilustrativos e não são destinados a limitar o escopo da presente invenção. Consequentemente, outros tipos de mecanismos de interface de operador 218 podem ser usados e estão dentro do escopo da presente invenção.

[0040] O mapa de informação 258 pode ser baixado para a colheitadeira agrícola 100 e armazenado no banco 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 a comunicação sobre uma rede de área larga ou uma rede de área local, um sistema para a comunicação sobre uma rede de comunicação de campo próximo, ou um sistema de comunicação configurado para se comunicar sobre qualquer de uma variedade de outras redes ou combinações de redes. O sistema de comunicação 206 pode também incluir um sistema que facilita baixamentos ou transferências de informação para, e de, um cartão Secure Digital (SD) ou um cartão de barramento série universal (USB), ou ambos.

[0041] O sensor de posição geográfica 204 ilustrativamente sensoreia ou detecta a posição ou local geográfico da colheitadeira agrícola 100. O sensor de posição geográfica 204 pode incluir, mas não é limitado a, um receptor de sistema global de navegação por satélite (GNSS), que recebe sinais de um transmissor de satélite de GNSS. O sensor de posição geográfica 204 pode também incluir um componente cinemático de tempo real (RTK) que é configurado para melhorar a precisão de dados de posição derivados do sinal de GNSS. O sensor de posição geográfica 204 pode incluir um sistema de reconhecimento passivo, um sistema de triangulação celular, ou qualquer de uma variedade de outros sensores de posição geográfica.

[0042] Os sensores in-situ 208 podem ser qualquer dos sensores descritos acima com relação à figura 1. Os sensores in-situ 208 incluem sensores a bordo 222, que são montados a bordo da colheitadeira agrícola 100. Tais sensores podem incluir, por exemplo, um sensor de percepção, imagem, ou óptico, tal como um sistema de câmeras monos ou estéreos voltadas para frente e sistema de processamento de imagem ou câmeras montadas para visualizar as plantas de cultivo próximas à colheitadeira agrícola 100 diferentes daquelas à frente da colheitadeira agrícola 100. Os sensores in-situ 208 podem também incluir sensores in-situ remotos 224 que capturam informação in-situ. Os dados in-situ incluem dados tomados de um sensor a bordo da colheitadeira agrícola ou tomados por qualquer sensor onde os dados são detectados durante a operação de colheita.

[0043] O gerador de modelo preditivo 210 gera um modelo que é indicativo de uma relação entre os valores sensoreados pelo sensor in-situ 208 e a característica mapeada para o campo pelo mapa de informação 258. Por exemplo, se o mapa de informação 258 mapear um valor de índice vegetativo para diferentes locais no campo e o sensor in-situ 208 está sensoreando um valor indicativo do estado de cultivo, então o gerador de modelo de variável-para-variável in-situ de informação 228 gera um modelo de estado de cultivo preditivo, que modela a relação entre os valores de índice vegetativo e os valores de estado de cultivo. O gerador de mapa preditivo 212 usa o modelo de estado de cultivo preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de estado de cultivo preditivo funcional, que prediz o valor do estado de cultivo, em diferentes locais no campo, com base no mapa de informação 258. O gerador de mapa preditivo 212 pode usar os valores de índice vegetativo no mapa de informação 258 e o modelo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263, que prediz o estado de cultivo em diferentes locais no campo. O gerador de mapa preditivo 212 fornece assim o mapa preditivo 264.

[0044] Ou, por exemplo, se o mapa de informação 258 mapear uma característica de semeadura para diferentes locais no campo e o sensor in-situ 208 está sensoreando um valor indicativo do estado de cultivo, então o gerador de modelo de variável-para-variável in-situ de informação 228 gera um modelo de estado de cultivo preditivo que modela a relação entre a característica de semeaduras (com ou sem informação contextual) e os valores de estado de cultivo in-situ. O gerador de mapa preditivo 212 usa o modelo de estado de cultivo preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de estado de cultivo preditivo funcional, que prediz o valor do estado de cultivo que será sensoreado pelos sensores in-situ 208, em diferentes locais no campo com base no mapa de informação 258. O gerador de mapa preditivo 212 pode usar os valores de características de semeadura no mapa de informação 258 e o modelo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263, que prediz o estado de cultivo em diferentes locais no campo. O gerador de mapa preditivo 212 fornece assim o mapa preditivo 264.

[0045] Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser o mesmo que o tipo de dados in-situ sensoreado pelos sensores in-situ 208. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter unidades diferentes dos dados sensoreados pelos sensores in-situ 208. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados sensoreado pelos sensores in-situ 208, mas tem uma relação com o tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, em alguns exemplos, o tipo de dados in-situ pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dado no mapa de informação 258. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter unidades diferentes dos dados no mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação 258, mas tem uma relação com o tipo de dados no mapa de informação 258. Por exemplo, em alguns exemplos, o tipo de dados no mapa de informação 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 de, ou de ambos do tipo de dados in-situ sensoreado pelos sensores in-situ 208 e do tipo de dados no mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um de, ou ambos de, o tipo de dados in-situ sensoreado pelos sensores in-situ 208 e o tipo de dados no mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um do tipo de dados in-situ sensoreado pelos sensores in-situ 208 ou do tipo de dados no mapa de informação 258, e diferentes um do outro.

[0046] Conforme mostrado na figura 2, o mapa preditivo 264 prediz o valor de uma característica sensoreada pelos sensores in-situ 208, ou uma característica relacionada à característica sensoreada por sensores in-situ 208 em vários locais através do campo com base em um valor de informação no mapa de informação 258 naqueles locais (ou locais com informação contextual semelhante) e usando o modelo preditivo 350. Por exemplo, se o gerador de modelo preditivo 210 tiver gerado um modelo preditivo indicativo de uma relação entre um valor de índice vegetativo e o estado de cultivo, então, dado o valor de índice vegetativo em diferentes locais através do campo, o gerador de mapa preditivo 212 gera um mapa preditivo 264, que prediz o valor do estado de cultivo em diferentes locais através do campo. O valor de índice vegetativo naqueles locais, obtido do mapa de informação 258, e a relação entre valor de índice vegetativo e o estado de cultivo, obtida do modelo preditivo 350, são usados para gerar o mapa preditivo 264.

[0047] Algumas variações nos tipos de dados, que são mapeados no mapa de informação 258, nos tipos de dados sensoreados por sensores in-situ 208 e nos tipos de dados preditos no mapa preditivo 264, serão agora descritas.

[0048] Em alguns exemplos, o tipo de dados no mapa de informação 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 que o tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in-situ 208 pode ser o estado de cultivo. O mapa preditivo 264 pode então ser um mapa de estado de cultivo preditivo, que mapeia os valores de estado de cultivo preditos para diferentes locais geográficos no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in-situ 208 pode ser a altura de cultivo. O mapa preditivo 264 pode então ser uma altura preditiva do mapa de cultivo, que mapeia os valores de altura de cultivo preditos para os diferentes locais geográficos no campo.

[0049] Também, em alguns exemplos, o tipo de dados no mapa de informação 258 é diferente do tipo de dados sensoreado pelos sensores in-situ 208, e o tipo de dados no mapa preditivo 264 é diferente de tanto do tipo de dados no mapa de informação 258 quanto do tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in-situ 208 pode ser a altura de cultivo. O mapa preditivo 264 pode então ser um mapa de biomassa preditivo, que mapeia os valores de biomassa preditos para diferentes locais geográficos no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in-situ 208 pode ser o estado de cultivo. O mapa preditivo 264 pode então ser um mapa de velocidade preditivo, que mapeia os valores preditos de velocidade de colheitadeira para diferentes locais geográficos no campo.

[0050] Em alguns exemplos, o mapa de informação 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 que o tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de população de sementes, gerado durante o plantio, e a variável sensoreada pelos sensores in-situ 208 pode ser o tamanho de talo. O mapa preditivo 264 pode então ser um mapa de tamanho de talo preditivo, que mapeia os valores de tamanho de talo preditos para diferentes locais geográficos no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa de genótipo de semeadura, e a variável sensoreada pelos sensores in-situ 208 pode ser o estado de cultivo, tal como cultivo em pé ou cultivo caído. O mapa preditivo 264 pode então ser um mapa de estado de cultivo preditivo, que mapeia os valores de estado de cultivo preditos para diferentes locais geográficos no campo.

[0051] Em alguns exemplos, o mapa de informação 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 258 pode ser um mapa de produção gerado durante o ano anterior, e a variável sensoreada pelos sensores in-situ 208 pode ser a produção. O mapa preditivo 264 pode então ser um mapa de produção preditivo, que mapeia os valores de produção preditos para diferentes locais geográficos no campo. Em um tal exemplo, as diferenças de produção relativas no mapa de informação georreferenciado 258 do ano anterior podem ser usadas pelo gerador de modelo preditivo 210 para gerar um modelo preditivo que modela uma relação entre as diferenças de produção relativas no mapa de informação 258 e os valores de produção sensoreados pelos sensores in-situ 208 durante a operação de colheita atual. O modelo preditivo é então usado pelo gerador de mapa preditivo 212 para gerar um mapa de produção preditivo.

[0052] Em outro exemplo, o mapa de informação 258 pode ser um mapa da intensidade de ervas daninhas, gerado durante uma operação anterior, tal como de um pulverizador, e a variável sensoreada pelos sensores in-situ 208 pode ser a intensidade de ervas daninhas. O mapa preditivo 264 pode então ser um mapa de um mapa de a intensidade de ervas daninhas preditiva, que mapeia os valores de a intensidade de ervas daninhas preditivos para diferentes locais geográficos no campo. Em um tal exemplo, um mapa das intensidades de ervas daninhas no instante de pulverização é gravado georreferenciado e provido para a colheitadeira agrícola 100 como um mapa de informação 258 de a intensidade de ervas daninhas. Os sensores in-situ 208 podem detectar a intensidade de ervas daninhas em locais geográficos no campo e o gerador de modelo preditivo 210 pode então construir um modelo preditivo que modela uma relação entre a intensidade de ervas daninhas no instante de colheita e a intensidade de ervas daninhas no instante de pulverização. Isso é porque o pulverizador terá impactado a intensidade de ervas daninhas no instante de pulverização, mas as ervas daninhas ainda podem surgir em áreas semelhantes novamente por colheita. Todavia, as áreas com ervas daninhas na colheita são prováveis que tenham intensidade diferente com base na temporização da colheita, clima, tipo de ervas daninhas, dentre outros fatores.

[0053] Em alguns exemplos, o mapa preditivo 264 pode ser provido para o 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 do mapa preditivo 264, que são associados àquelas porções adjacentes. Uma zona de controle pode incluir duas ou mais porções contíguas de uma área, tal como um campo, para a qual 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 regulagem dos subsistemas controláveis 216 pode ser inadequado para responder satisfatoriamente a alterações nos valores contidos em um mapa, tal como o mapa preditivo 264. Neste 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 outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste do movimento excessivo do atuador que resulta do ajuste contínuo. Em alguns exemplos, pode existir um conjunto diferente de zonas de controle para cada subsistema controlável 216 ou para grupos dos subsistemas controláveis 216. As zonas de controle podem ser adicionadas ao mapa preditivo 264 para obter o mapa de zona de controle preditivo 265. O mapa de zona de controle preditivo 265 pode assim ser similar ao mapa preditivo 264, exceto que o mapa de zona de controle preditivo 265 inclui informação de zona de controle definindo as zonas de controle. Assim, um mapa preditivo funcional 263, conforme descrito aqui, pode incluir, ou pode não incluir, zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são os mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 inclui zonas de controle, tais como o mapa de zona de controle preditivo 265. Em alguns exemplos, múltiplos cultivos podem estar simultaneamente presentes em um campo, se um sistema de produção intercultivo for implementado. Neste caso, o gerador de mapa preditivo 212 e o gerador de zona de controle 213 são capazes de identificar o local e características dos dois ou mais cultivos e então gerar o mapa preditivo 264 e o mapa de zona de controle preditivo 265, consequentemente com zonas de controle.

[0054] Será também apreciado 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 somente as zonas de controle, que são geradas. Em alguns exemplos, as zonas de controle podem ser usadas para controlar, ou calibrar, 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 a outro usuário ou armazenadas para o futuro uso.

[0055] O mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou ambos são providos para controlar o sistema 214, que gera sinais de controle com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 ou em ambos. Em alguns exemplos, o controlador de sistema de comunicação 229 controla o sistema de comunicação 206 para se comunicar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou sinais de controle com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 para outras colheitadeiras agrícolas, que estão colhendo no mesmo campo. Em alguns exemplos, o controlador de sistema de comunicação 229 controla o sistema de comunicação 206 para enviar o mapa preditivo 264, o mapa de zona de controle preditivo 265, ou ambos, para outros sistemas remotos.

[0056] O controlador de interface de operador 231 é operável para gerar sinais de controle para controlar os mecanismos de interface de operador 218. O controlador de interface de operador 231 é também operável para apresentar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou outra informação derivada do, ou com base no, mapa preditivo 264, no mapa de zona de controle preditivo 265, ou ambos, para o 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 do mapa preditivo 264 e do mapa de zona de controle preditivo 265 para o operador 260. O controlador 231 pode gerar mecanismos atuáveis por operador, que são exibidos e podem ser atuados pelo operador para interagir com o mapa exibido. O operador pode editar o mapa por, por exemplo, correção de um valor do estado de cultivo, exibido no mapa com base, por exemplo, na observação do operador. O controlador de regulagens 232 pode gerar sinais de controle para controlar várias regulagens na colheitadeira agrícola 100 com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos. Por exemplo, o controlador de regulagens 232 pode gerar sinais de controle para controlar os atuadores de máquina e de plataforma de corte 248. Em resposta aos sinais de controle gerados, os atuadores de máquina e de plataforma de corte 248 operam para controlar, por exemplo, um ou mais das regulagens de peneira e do crivo superior, a folga de debulhador, as regulagens de rotor, regulagens da velocidade de ventoinha de limpeza, altura da plataforma de corte, funcionalidade da plataforma de corte, velocidade do carretel, posição do carretel, funcionalidade de draper (onde a colheitadeira agrícola 100 é acoplada a uma plataforma de corte de draper), funcionalidade da plataforma de corte de milho, controle de distribuição interna, e outros atuadores 248 que afetam 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 dirigir 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 dirigir a colheitadeira agrícola 100 ao longo dessa rota. O controlador de taxa de alimentação 236 pode controlar vários subsistemas, tais como o subsistema de propulsão 250 e os atuadores de máquina 248, para controlar uma taxa de alimentação com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 ou em ambos. Por exemplo, conforme a colheitadeira agrícola 100 se aproxima a uma área contendo cultivo tendo uma condição de cultivo derrubado que é maior que um limite selecionado, o controlador de taxa de alimentação 236 pode reduzir a velocidade da colheitadeira agrícola 100 para assegurar que o desempenho de alimentação de cultivo seja aceitável e que o material de cultivo seja recolhido. O controlador do carretel da plataforma de corte 238 pode gerar sinais de controle para controlar a plataforma de corte ou um carretel ou outra funcionalidade da plataforma de corte. Por exemplo, em uma área de cultivo caído, pode ser benéfico ajustar a altura da plataforma de corte ou as posições do carretel. O controlador de correia draper 240 pode gerar sinais de controle para controlar uma correia draper ou outra funcionalidade de draper com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos. O controlador da posição de placa de cobertura 242 pode gerar sinais de controle para controlar a posição de uma placa de cobertura incluída na plataforma de corte com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 ou em ambos, e o controlador de posição de resíduo 244 pode gerar sinais de controle para controlar um subsistema de resíduos 138 com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou em 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 tipos diferentes de sementes ou de ervas daninhas passadas através da colheitadeira agrícola 100, um tipo particular da operação de limpeza de máquina ou uma frequência com a qual uma operação de limpeza que é realizada pode ser controlada. Outros controladores incluídos na colheitadeira agrícola 100 podem controlar outros subsistemas com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 ou também em ambos.

[0057] As figuras 3A e 3B (coletivamente referidas aqui como a figura 3) mostram um fluxograma ilustrando um exemplo da operação da colheitadeira agrícola 100 na geração de um mapa preditivo 264 e o mapa de zona de controle preditivo 265 com base no mapa de informação 258.

[0058] Em 280, a colheitadeira agrícola 100 recebe o mapa de informação 258. Exemplos de mapa de informação 258 ou a recepção do mapa de informação 258 são discutidos com relação aos blocos 282, 284, 285 e 286. Conforme discutido acima, o mapa de informação 258 mapeia os valores de uma variável, correspondente a uma primeira característica, para diferentes locais no campo, como indicado no bloco 282. Como indicado no bloco 281, a recepção do mapa de informação 258 pode envolver a seleção de um ou mais de uma pluralidade de possíveis mapas de informação, que estão disponíveis. Por exemplo, um mapa de informação pode ser um mapa de índice vegetativo, gerado por imagens aéreas. Outro mapa de informação pode ser um mapa gerado durante um passe anterior através do campo, que pode ter sido realizado por uma máquina diferente realizando uma operação anterior no campo, tal como um pulverizador ou outra máquina. O processo por meio do qual um ou mais mapas de informação são selecionados pode ser manual, semiautomático, ou automático. O mapa de informação 258 é com base 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 ou os dados podem ser valores medidos tomados durante o ano anterior, no início na estação de crescimento atual, ou em outros momentos. A informação pode ser também com base em dados detectados de outras maneiras (diferentemente do uso de imagens aéreas). Por exemplo, o mapa de informação 258 pode ser transmitido para a colheitadeira agrícola 100 usando o sistema de comunicação 206 e armazenado no banco de dados 202.

[0059] O mapa de informação 258 pode ser também um mapa preditivo, isso é indicado pelo bloco 285. Conforme indicado acima, o mapa preditivo pode incluir um mapa de produção preditivo ou um mapa de biomassa preditivo gerado com base, por exemplo, em parte em um mapa de índice vegetativo anterior ou outro mapa de informação e os valores de sensor in-situ. Em alguns exemplos, um mapa de produção preditivo ou um mapa de biomassa preditivo pode ser baseado, no total ou em parte, em um mapa topográfico, um mapa do tipo de solo, um mapa de constituintes do solo, ou um mapa da saúde do solo. O mapa de produção preditivo ou de biomassa pode ser predito e gerado também de outras maneiras.

[0060] O mapa de informação 258 pode ser carregado à colheitadeira agrícola 100 usando o sistema de comunicação 206 também de outras maneiras, e isso é indicado pelo bloco 286 no fluxograma da figura 3. Em alguns exemplos, o mapa de informação 258 pode ser recebido pelo sistema de comunicação 206.

[0061] No começo 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 de planta, tal como um estado de cultivo, conforme indicado pelo bloco 288. Exemplos dos sensores in-situ 288 são discutidos com relação aos blocos 222, 290, e 226. Como explicado acima, os sensores in-situ 208 incluem sensores a bordo 222; sensores in-situ remotos 224, tais como os sensores baseados em veículo autônomo submarino (UAV) que voaram em um momento para recolher dados in-situ, mostrado no bloco 290; ou outros tipos dos sensores in-situ, designados por sensores in-situ 226. Em alguns exemplos, os dados dos sensores a bordo são georreferenciados usando o rumo de posição ou os dados de velocidade do sensor de posição geográfica 204.

[0062] O gerador de modelo preditivo 210 controla o gerador de modelo de variável-para-variável in-situ de informação 228 para gerar um modelo que modela uma relação entre os valores mapeados contidos no mapa de informação 258 e os valores in-situ sensoreados pelos sensores in-situ 208, conforme indicado pelo bloco 292. Os tipos de características ou dados representados pelos valores mapeados no mapa de informação 258 e os valores in-situ sensoreados pelos sensores in-situ 208 podem ser o mesmo tipo de características ou dados ou tipos diferentes de características ou dados.

[0063] A relação ou modelo gerado pelo gerador de modelo preditivo 210 é provido para o 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 locais geográficos em um campo sendo colhido, ou uma diferente característica que é relacionada à característica sensoreada pelos sensores in-situ 208, usando o modelo preditivo e o mapa de informação 258, conforme indicado pelo bloco 294.

[0064] Deve ser notado que, em alguns exemplos, o mapa de informação 258 pode incluir dois ou mapas diferentes ou duas ou mais camadas de mapa diferentes de um único mapa. Cada camada de mapa pode representar um tipo de dados diferente do tipo de dados de outra camada de mapa ou a camadas de mapa pode ter o mesmo tipo de dados que foi obtido em diferentes tempos. Cada mapa nos dois ou mais mapas diferentes ou cada camada nas duas ou mais camadas de mapa diferentes de um mapa mapeia um tipo diferente de variável para os locais geográficos no campo. Em um tal exemplo, o gerador de modelo preditivo 210 gera um modelo preditivo que modela a relação entre os dados in-situ e cada uma das diferentes variáveis mapeadas pelos dois ou mais mapas diferentes ou as duas ou mais camadas de mapa diferentes. Similarmente, os sensores in-situ 208 podem incluir dois ou mais sensores, cada um sensoreando um tipo diferente de variável. Assim, o gerador de modelo preditivo 210 gera um modelo preditivo que modela as relações entre cada tipo de variável mapeada pelo mapa de informação 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 pelos sensores in-situ 208 (ou uma característica relacionada à característica sensoreada) em diferentes locais no campo sendo colhido usando o modelo preditivo e cada um dos mapas ou das camadas de mapa no mapa de informação 258.

[0065] 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 para o sistema de controle 214 ou para o gerador de zona de controle 213, ou ambos. Alguns exemplos de diferentes maneiras, nas quais o mapa preditivo 264 pode ser configurado ou fornecido, 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, conforme indicado pelo bloco 296.

[0066] 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 posicionados geograficamente, que estão dentro de um valor limite de um outro, podem ser agrupados em uma zona de controle. O valor limite pode ser um valor limite padrão, ou o valor limite pode ser ajustado com base em uma entrada de operador, com base em uma entrada de um sistema automático, ou com base noutros critérios. Um tamanho das zonas pode ser baseado em uma responsividade do sistema de controle 214, dos subsistemas controláveis 216, com base em considerações de desgaste, ou em outros critérios, conforme indicado pelo bloco 295. O gerador de mapa preditivo 212 configura o mapa preditivo 264 para apresentação para um operador ou outro usuário. O gerador de zona de controle 213 pode configurar o mapa de zona de controle preditivo 265 para apresentação para 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 do mapa de zona de controle preditivo 265, ou ambos, pode conter um ou mais dos valores preditivos no mapa preditivo 264, correlacionados ao local geográfico, as zonas de controle no mapa de zona de controle preditivo 265, correlacionadas ao local geográfico, e os valores de regulagens ou parâmetros de controle, que são usados com base nos valores preditos no mapa preditivo 264 ou zonas no mapa de zona de controle preditivo 265. A apresentação pode incluir, em outro exemplo, informação mais abstrata ou informação mais detalhada. A apresentação pode também incluir um nível de confidência que indica uma exatidão com a qual os valores preditivos no mapa preditivo 264 ou as zonas no mapa de zona de controle preditivo 265 se conformam aos controles medidos que podem ser medidos pelos sensores na colheitadeira agrícola 100 conforme a colheitadeira agrícola 100 se move através do campo. Ainda, onde informação é apresentada a mais que um local, um sistema de autenticação e autorização pode ser provido para implementar os processos de autenticação e autorização. Por exemplo, pode existir uma hierarquia de indivíduos, que são autorizados a visualizar e alterar os mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição a bordo pode mostrar os mapas em tempo quase real, localmente, na máquina, ou os mapas podem também ser gerados em um ou mais locais remotos, ou ambos. Em alguns exemplos, cada dispositivo de exibição físico em cada local pode ser associado com um nível de permissão de pessoa ou de um 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 correspondente pessoa pode alterar. Como um exemplo, um operador local da colheitadeira agrícola 100 pode ser incapaz de ver a informação correspondente ao mapa preditivo 264 ou de fazer quaisquer alterações na operação da máquina. Um supervisor, tal como um supervisor em um local remoto, todavia, pode ser capaz de ver o mapa preditivo 264 na exibição, mas de ser impedido de fazer quaisquer alterações. Um gerenciador, que pode estar em um local remoto separado, pode ser capaz de ver todos dos elementos no mapa preditivo 264 e também ser capaz de alterar o mapa preditivo 264. Em alguns casos, o mapa preditivo 264, acessível e modificável por um gerenciador posicionado remotamente, pode ser usado no controle da máquina. Esse é um exemplo de uma hierarquia de autorização que pode ser implementada. O mapa preditivo 264 ou o mapa de zona de controle preditivo 265, ou ambos, podem ser configurados também de outras maneiras, conforme indicado pelo bloco 297.

[0067] No bloco 298, as entradas 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 identificando um local geográfico da colheitadeira agrícola 100. O bloco 302 representa a recepção pelo sistema de controle 214 de entradas de sensor indicativas da trajetória ou rumo da colheitadeira agrícola 100, e o bloco 304 representa a recepção pelo sistema de controle 214 de uma velocidade da colheitadeira agrícola 100. O bloco 306 representa a recepção pelo sistema de controle 214 de outra informação de vários sensores in-situ 208.

[0068] 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 no mapa de zona de controle preditivo 265 ou ambos e a entrada do sensor de posição geográfica 204 e quaisquer outros sensores in-situ 208. No bloco 310, o sistema de controle 214 aplica os sinais de controle aos subsistemas controláveis. Será apreciado que os sinais de controle particulares, que são gerados, e os subsistemas controláveis particulares 216, que são controlados, podem variar com base em um ou mais diferentes fatores. 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 no mapa de zona de controle preditivo 265 ou ambos que estão sendo usados. Similarmente, os sinais de controle, que são gerados, e os subsistemas controláveis 216, que são controlados, e a temporização dos sinais de controle pode ser baseada nas várias latências do fluxo de cultivo através da colheitadeira agrícola 100 e nas responsividades dos subsistemas controláveis 216.

[0069] A título de exemplo, um mapa preditivo gerado 264 na forma de um mapa de estado de cultivo preditivo pode ser usado para controlar um ou mais subsistemas controláveis 216. Por exemplo, o mapa de estado de cultivo preditivo funcional pode incluir os valores de estado de cultivo georreferenciados aos locais dentro do campo sendo colhido. O mapa de estado de cultivo preditivo funcional pode ser extraído e usado para controlar, por exemplo, os subsistemas de direção e propulsão 252 e 250. Por controle dos subsistemas de direção e propulsão 252 e 250, uma taxa de alimentação de material ou de grão se movendo através da colheitadeira agrícola 100 pode ser controlada. Ou, por exemplo, por meio do controle dos subsistemas de direção e propulsão 252 e 250, a direção oposta à direção do cultivo, que está se inclinando do cultivo derrubado, pode ser mantida. Similarmente, a altura da plataforma de corte pode ser controlada para captar mais ou menos material (em alguns casos, a plataforma de corte deve ser abaixada para assegurar que cultivo seja contatado e assim a altura da plataforma de corte 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 um estado de cultivo à frente da máquina em que o cultivo está em uma condição derrubada ao longo de uma porção da plataforma de corte e não em outra porção da plataforma de corte, ou se cultivo estiver em uma condição derrubada por uma maior extensão ao longo de uma porção da plataforma de corte em comparação com outra porção da plataforma de corte, a plataforma de corte pode ser controlada para inclinar, rolar, ou ambos para recolher o cultivo derrubado de uma maneira mais eficaz. Os exemplos anteriores envolvendo o controle da taxa de alimentação e da plataforma de corte usando um mapa de estado de cultivo preditivo funcional são providos meramente como um exemplo. Consequentemente, uma extensa variedade de outros sinais de controle pode ser gerada usando valores obtidos de um mapa de estado de cultivo preditivo ou outro tipo de mapa preditivo funcional para controlar um ou mais dos subsistemas controláveis 216.

[0070] No bloco 312, uma determinação é feita de se a operação de colheita foi completada. Se a colheita não foi completada, o processamento avança para o bloco 314, onde os dados de sensor in-situ do sensor de posição geográfica 204 e os sensores in-situ 208 (e, talvez, outros sensores) continuam a ser lidos.

[0071] Em alguns exemplos, no bloco 316, a colheitadeira agrícola 100 pode também detectar critérios de disparo de aprendizagem para realizar a aprendizagem por máquina em um ou mais do mapa preditivo 264, do mapa de zona de controle preditivo 265, do modelo gerado pelo gerador de modelo preditivo 210, das 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.

[0072] Os critérios de disparo de aprendizagem podem incluir qualquer de uma extensa variedade de diferentes critérios. Alguns exemplos de detecção de critérios de disparo são discutidos com relação aos blocos 318, 320, 321, 322 e 324. Por exemplo, em alguns exemplos, a aprendizagem disparada pode envolver a recreação de uma relação usada para gerar um modelo preditivo quando uma quantidade de limite dos dados de sensor in-situ é obtida dos sensores in-situ 208. Em tais exemplos, a recepção de uma quantidade de dados de sensor in-situ dos sensores in-situ 208, que excede um limite, dispara ou causa com que o gerador de modelo preditivo 210 gere um novo modelo preditivo, que é usado pelo gerador de mapa preditivo 212. Assim, conforme a colheitadeira agrícola 100 continua uma operação de colheita, a recepção da quantidade limite de dados de sensor in-situ dos sensores in-situ 208 dispara a criação de uma nova relação representada por um modelo preditivo gerado pelo gerador de modelo preditivo 210. Ainda, o novo mapa preditivo 264, o 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 limite de dados de sensor in-situ usados para disparar a criação de um novo modelo preditivo.

[0073] Em outros exemplos, os critérios de disparo de aprendizagem podem ser baseados enquanto os dados de sensor in-situ dos sensores in-situ 208 são se alterando, tal como sobre o tempo ou em comparação com os valores anteriores. Por exemplo, se variações dentro dos dados de sensor in-situ (ou a relação entre os dados de sensor in-situ e a informação no mapa de informação 258) estiverem dentro de uma faixa selecionada ou forem menores que uma quantidade definida, ou abaixo de um valor limite, então um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 210. Como um resultado, o gerador de mapa preditivo 212 não gera um novo mapa preditivo 264, o mapa de zona de controle preditivo 265, ou ambos. Todavia, se as variações dentro dos dados de sensor in-situ estiverem fora da faixa selecionada, forem maiores que a quantidade definida, ou estiverem acima do valor limite, por exemplo, então o gerador de modelo preditivo 210 gera um novo modelo preditivo usando todos ou uma porção dos novos dados de sensor 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, tais como uma magnitude de uma quantidade pela qual os dados excedem a faixa selecionada ou uma magnitude da variação da relação entre os dados de sensor in-situ e a informação no mapa de informação 258, podem ser usadas como um gatilho para causar a geração de um novo modelo preditivo e o mapa preditivo. Mantendo os exemplos descritos acima, o limite, a faixa, e a quantidade definida podem ser ajustados para os valores padrão; ajustados por um operador ou interação de usuário através de uma interface de usuário; ajustados por um sistema automático; ou ajustados de outras maneiras.

[0074] Outros critérios de disparo de aprendizagem podem também ser usados. Por exemplo, se o gerador de modelo preditivo 210 comutar para um diferente mapa de informação (diferente do mapa de informação originalmente selecionado 258), então a comutação para o diferente mapa de informação pode disparar a reaprendizagem pelo gerador de modelo preditivo 210, o gerador de mapa preditivo 212, o gerador de zona de controle 213, o sistema de controle 214, ou outros itens. Em outro exemplo, a transição da colheitadeira agrícola 100 para uma topografia diferente ou para uma zona de controle diferente pode ser usada também como critérios de disparo de aprendizagem.

[0075] Em alguns casos, o operador 260 pode também editar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265, ou ambos. As edições podem alterar um valor no mapa preditivo 264 ou, alterar 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 disparo de aprendizagem.

[0076] Em alguns casos, pode também ser que o operador 260 observe que o controle automático de um subsistema controlável não é o que o operador deseja. Em tais casos, o operador 260 pode prover um ajuste manual para o subsistema controlável refletindo o que o operador 260 deseja que o subsistema controlável opere de uma maneira diferente da que está sendo comandada pelo sistema de controle 214. Assim, a alteração manual de uma regulagem pelo operador 260 pode causar com que um ou mais do gerador de modelo preditivo 210 reaprenda um modelo, o gerador de mapa preditivo 212 para regenerar o mapa 264, o gerador de zona de controle 213 para regenerar uma ou mais zonas de controle no mapa de zona de controle preditivo 265, e o sistema de controle 214 para reaprender um algoritmo de controle ou para realizar a aprendizagem por máquina em um ou mais dos componentes de controlador 232 através de 246 no sistema de controle 214 com base no ajuste pelo operador 260, conforme mostrado no bloco 322. O bloco 324 representa o uso de outros critérios de aprendizagem disparados.

[0077] Em outros exemplos, a reaprendizagem pode ser realizada 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, conforme indicado pelo bloco 326.

[0078] Se a reaprendizagem for disparada, se com base em critérios de disparo de aprendizagem ou com base na passagem de um intervalo de tempo, conforme indicado pelo bloco 326, então um ou mais do gerador de modelo preditivo 210, do gerador de mapa preditivo 212, do gerador de zona de controle 213, e do sistema de controle 214 realizam a aprendizagem por 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 disparo 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.

[0079] Se a operação de colheita foi completada, a operação se move do bloco 312 para o bloco 330, onde um ou mais do mapa preditivo 264, do mapa de zona de controle preditivo 265, e do modelo preditivo, gerados pelo gerador de modelo preditivo 210, são armazenados. O mapa preditivo 264, o mapa de zona de controle preditivo 265, e o modelo preditivo podem ser armazenados localmente no banco de dados 202 ou enviados para um sistema remoto usando o sistema de comunicação 206 para o futuro uso.

[0080] Será notado que, enquanto alguns exemplos descrevem aqui o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebendo um mapa de informação 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, na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, outros tipos de mapas, incluindo os mapas preditivos, tais como um mapa preditivo funcional gerado durante a operação de colheita.

[0081] A figura 4 é um diagrama de blocos de uma porção da colheitadeira agrícola 100 mostrada na figura 1. Particularmente, a figura 4 mostra, dentre outros, exemplos do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 em mais detalhe. A figura 4 também ilustra o fluxo de informação dentre os vários componentes mostrados na mesma. Conforme mostrado, o gerador de modelo preditivo 210 recebe um ou mais de um mapa de índice vegetativo 332, um mapa de característica de semeadura 333, um mapa de produção preditivo 335, ou um mapa de biomassa preditivo 337 na qualidade de um mapa de informação. O mapa de índice vegetativo 332 inclui valores de índice vegetativo georreferenciados. O mapa de característica de semeadura 333 inclui valores de característica de semente georreferenciados. Por exemplo, as características de semente podem incluir o local e quantidade de sementes plantadas. Adicionalmente, as características de semente podem incluir o tipo de semente, talo genético ou resistência de caule, suscetibilidade genética ao alojamento, revestimento sobre a semente, genótipo da semente, etc.

[0082] O mapa de produção preditivo 335 inclui valores de produção preditiva georreferenciados. O mapa de produção preditivo 335 pode ser gerado usando um processo descrito nas figuras 2 e 3, onde o mapa de informação inclui um mapa de índice vegetativo ou um mapa de produção histórica e o sensor in-situ inclui um sensor de produção. O mapa de produção preditivo 335 pode ser gerado também de outras maneiras.

[0083] O mapa de biomassa preditivo 337 inclui valores de biomassa preditiva georreferenciados. O mapa de biomassa preditivo 337 pode ser gerado usando um processo descrito nas figuras 2 e 3, onde o mapa de informação inclui um mapa de índice vegetativo e o sensor in-situ inclui um sensor de pressão de acionamento de rotor ou sensor óptico, que geram sinais de sensor indicativos de biomassa. O mapa de biomassa preditivo 337 pode ser gerado também de outras maneiras.

[0084] Além da recepção de um ou mais de um mapa de índice vegetativo 332, do mapa de característica de semeadura 333, do mapa de produção preditivo 335, ou do mapa de biomassa preditivo 337 na qualidade de um mapa de informação, o gerador de modelo preditivo 210 também recebe um local geográfico 334, ou uma indicação de local geográfico, a partir do sensor de posição geográfica 204. Os sensores in-situ 208 ilustrativamente incluem um sensor de estado de cultivo a bordo 336 bem como um sistema de processamento 338. O sistema de processamento 338 processa dados de sensor gerados dos sensores de estado de cultivo a bordo 336.

[0085] Em alguns exemplos, o sensor de estado de cultivo a bordo 336 pode ser um sensor óptico na colheitadeira agrícola 100. O sensor óptico pode ser arranjado na parte dianteira da colheitadeira agrícola 100 para obter imagens do campo à frente da colheitadeira agrícola 100 conforme a colheitadeira agrícola 100 se move através do campo durante uma operação de colheita. O sistema de processamento 338 processa uma ou mais imagens obtidas por intermédio do sensor de estado de cultivo a bordo 336 para gerar dados de imagem processados que identificam uma ou mais características das plantas de cultivo na imagem. Por exemplo, uma magnitude e a orientação da planta de cultivo em uma condição derrubada. O sistema de processamento 338 pode também posicionar geograficamente os valores recebidos do sensor in-situ 208. Por exemplo, o local da colheitadeira agrícola 100 no instante em que um sinal de sensor in-situ 208 é recebido tipicamente não é o local exato do estado de cultivo sensoreado. Isso é porque leva tempo desde o sensoreamento à frente até o momento em que a colheitadeira agrícola 100 (equipada com o sensor de posição geográfica) entra em contato com as plantas de cultivo que foram sensoreadas para o estado de cultivo. Em alguns exemplos, para levar em conta para o sensoreamento à frente, um campo de visão de câmera pode ser calibrado de forma que as áreas de cultivo derrubado em uma imagem capturada pela câmera possam ser localizadas geograficamente com base em seu local na imagem.

[0086] Outros sensores de estado de cultivo podem também ser usados. Em alguns exemplos, dados brutos ou processados do sensor de estado de cultivo a bordo 336 podem ser apresentados ao operador 260 por intermédio do mecanismo de interface de operador 218. O operador 260 pode estar a bordo da colheitadeira agrícola de trabalho 100 ou em um local remoto.

[0087] A presente discussão prossegue com relação a um exemplo em que o sensor de estado de cultivo a bordo 336 inclui um sensor óptico, tal como uma câmera. Será apreciado que isso é apenas um exemplo, e os sensores mencionados acima, como outros exemplos do sensor de estado de cultivo a bordo 336, são aqui também contemplados. Conforme mostrado na figura 4, o gerador de modelo preditivo 210 inclui um gerador de modelo de biomassa-para-estado de cultivo 342, um gerador de modelo de produção-para-estado de cultivo 344, e um gerador de modelo de biomassa-para-estado de cultivo 346. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, menos, ou diferentes componentes que aqueles mostrados no exemplo da figura 4. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 pode incluir também outros itens 348, que podem incluir outros tipos do gerador de modelo preditivos para gerar outros tipos de modelos de estado de cultivo.

[0088] O gerador de modelo 342 identifica uma relação entre os dados de estado de cultivo in-situ 340 em um local geográfico correspondente a onde os dados de estado de cultivo in-situ 340 foram localizados geograficamente e os valores de índice vegetativo do mapa de índice vegetativo 332 correspondentes ao mesmo local no campo, onde os dados de estado de cultivo 340 foram localizados geograficamente. Com base nessa relação estabelecida pelo gerador de modelo 342, o gerador de modelo 342 gera um modelo de estado de cultivo preditivo. O modelo de estado de cultivo é usado para predizer um estado de cultivo em diferentes locais no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 332 nos mesmos locais no campo. Em alguns exemplos, o gerador de modelo 342 pode usar uma série de tempo de mapas de índice vegetativo para identificar a taxa e senescência de cultivo em seguida à ruptura a verde, estresse de cultivo aumentada por dano do talo, e outros.

[0089] O gerador de modelo 344 identifica uma relação entre o estado de cultivo representado nos dados de estado de cultivo in-situ 340, em um local geográfico correspondente a onde os dados de estado de cultivo in-situ 340 foram localizados geograficamente, e o valor de característica de semeadura no mesmo local. O valor de característica de semeadura é o valor georreferenciado contido no mapa de característica de semeadura 333. O gerador de modelo 344 gera um modelo de estado de cultivo preditivo, que prediz o estado de cultivo em um local no campo com base no valor de característica de semeadura. O modelo de estado de cultivo é usado para predizer um estado de cultivo em diferentes locais no campo com base em valores de característica de semeadura georreferenciados contidos no mapa de característica de semeadura 333 nos mesmos locais no campo. A característica de semeadura, por exemplo, poderia ser uma densidade de plantio de semente.

[0090] O gerador de modelo 345 identifica uma relação entre o estado de cultivo representado nos dados de estado de cultivo in-situ 340, em um local geográfico correspondente a onde os dados de estado de cultivo in-situ 340 foram localizados geograficamente, e a produção predita no mesmo local. O valor de produção predita é o valor georreferenciado contido no mapa de produção preditivo 335. O gerador de modelo 345 gera um modelo de estado de cultivo preditivo, que prediz o estado de cultivo em um local no campo com base no valor de produção predita. O modelo de estado de cultivo é usado para predizer um estado de cultivo em diferentes locais no campo com base nos valores de produção preditiva georreferenciados contidos no mapa de produção preditivo 335 nos mesmos locais no campo.

[0091] O gerador de modelo 346 identifica uma relação entre o estado de cultivo representado nos dados de estado de cultivo in-situ 340, em um local geográfico correspondente a onde os dados de estado de cultivo in-situ 340 foram localizados geograficamente, e a biomassa predita no mesmo local. O valor de biomassa predita é o valor georreferenciado contido no mapa de biomassa preditivo 337. O gerador de modelo 346 gera um modelo de estado de cultivo preditivo, que prediz o estado de cultivo em um local no campo com base no valor de biomassa predita. O modelo de estado de cultivo é usado para predizer um estado de cultivo em diferentes locais no campo com base nos valores de biomassa preditiva georreferenciados contidos no mapa de biomassa preditivo 337 nos mesmos locais no campo.

[0092] À luz do acima, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de estado de cultivo preditivo, tais como um ou mais dos modelos do estado de cultivo preditivo, gerados pelos geradores de modelo 342, 344, 345, 346, e 348. Em outro exemplo, dois ou mais dos modelos do estado de cultivo preditivo descritos acima podem ser combinados em um único modelo de estado de cultivo preditivo, que prediz um estado de cultivo com base no valor de índice vegetativo, valor de característica preditiva, valor de produção preditiva, ou valores de biomassa preditiva em diferentes locais no campo. Quaisquer desses modelos de estado de cultivo, ou combinações dos mesmos, são representados coletivamente pelo modelo de estado de cultivo 350 na figura 4.

[0093] O modelo de estado de cultivo preditivo 350 é provido para o gerador de mapa preditivo 212. No exemplo da figura 4, o gerador de mapa preditivo 212 inclui um gerador de mapa de estado de cultivo 352. Em outros exemplos, o gerador de mapa preditivo 212 pode incluir componentes adicionais, menos, ou diferentes geradores de mapa. O gerador de mapa de estado de cultivo 352 recebe o modelo de estado de cultivo preditivo 350, que prediz o estado de cultivo com base em uma relação entre um valor de estado de cultivo sensoreado e um valor de um ou mais do mapa de índice vegetativo 332, do mapa de característica de semeadura 333, do mapa de produção preditivo 335, e do mapa de biomassa preditivo 337 em um correspondente local, onde o estado de cultivo foi sensoreado.

[0094] O gerador de mapa de estado de cultivo 354 pode também gerar um mapa de estado de cultivo preditivo funcional 360, que prediz o estado de cultivo em diferentes locais no campo com base no valor de índice vegetativo, valor de característica preditiva, valor de produção preditiva, ou valor de biomassa preditiva naqueles locais no campo e o modelo de estado de cultivo preditivo 350. O mapa de estado de cultivo preditivo funcional gerado 360 pode ser provido para o gerador de zona de controle 213, o sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora aquelas zonas de controle ao mapa preditivo funcional, isto é, o mapa preditivo 360, para produzir o mapa de zona de controle preditivo 265. Um ou ambos dos mapas preditivos funcionais 264 ou do mapa de zona de controle preditivo 265 podem ser apresentados ao operador 260 ou outro usuário ou ser providos para controlar o sistema 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos.

[0095] A figura 5 é um fluxograma de um exemplo de operação do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 na geração do modelo de estado de cultivo preditivo 350 e o mapa de estado de cultivo preditivo funcional 360. No bloco 362, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um ou mais do mapa de índice vegetativo anterior 332, do mapa de característica de semeadura 333, do mapa de produção preditivo 335, e do mapa de biomassa preditivo 337.

[0096] No bloco 363, o seletor de mapa de informação 209 seleciona um ou mais mapas de informação específica 250 para uso pelo gerador de modelo preditivo 210. Em alguns exemplos, o seletor de mapa de informação 209 pode alterar que mapa de informação está sendo usado na detecção de que um dos outros mapas de informação candidatos está mais estreitamente se correlacionando com o estado de cultivo sensoreado in-situ. Por exemplo, uma alteração do mapa de índice vegetativo 332 para o mapa de característica de semeadura 333 pode ocorrer, onde o mapa de característica de semeadura 333 está se correlacionando de melhor maneira com o estado de cultivo sensoreado pelo sensor in-situ.

[0097] No bloco 364, um sinal de sensor de estado de cultivo é recebido de um sensor de estado de cultivo a bordo 336. Conforme discutido acima, o sensor de estado de cultivo a bordo 336 pode ser um sensor óptico 365 ou algum outro sensor de estado de cultivo 370.

[0098] No bloco 372, o sistema de processamento 338 processa o um ou mais sinais de sensor in-situ recebidos dos sensores de estado de cultivo a bordo 336 para gerar um valor do estado de cultivo indicativo de uma característica de estado de cultivo das plantas de cultivo no campo próximo à colheitadeira agrícola 100.

[0099] No bloco 382, o gerador de modelo preditivo 210 também obtém o local geográfico correspondente ao sinal de sensor. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica do sensor de posição geográfica 204 e determinar, com base em retardos de máquina (por exemplo, velocidade de processamento de máquina), considerações de velocidade e sensor da máquina (por exemplo, um campo de visão de câmera, calibração de sensor, etc.), um local geográfico preciso, onde o estado de cultivo sensoreado in-situ deve ser atribuído. Por exemplo, o momento exato em que um sinal de sensor de estado de cultivo é capturado tipicamente não corresponde ao estado de cultivo do cultivo em uma posição geográfica atual da colheitadeira agrícola100. Em vez disso, o sinal de sensor de estado de cultivo in-situ atual corresponde a um local no campo à frente da colheitadeira agrícola 100, desde que o sinal de sensor de estado de cultivo in-situ atual foi sensoreado em uma imagem tomada à frente da colheitadeira agrícola 100. Isso é indicado pelo bloco 378.

[00100] No bloco 384, o gerador de modelo preditivo 210 gera um ou mais modelos de estado de cultivo preditivo, tais como o modelo de estado de cultivo 350, que modela uma relação entre pelo menos um de um valor de índice vegetativo, uma característica de semeadura, um valor de produção preditiva, ou um valor de biomassa preditiva, obtidos de um mapa de informação, tal como o mapa de informação 258, e um estado de cultivo sendo sensoreado pelo sensor in-situ 208. Por exemplo, o gerador de modelo preditivo 210 pode gerar um modelo de estado de cultivo preditivo com base em valores de densidade de semeadura, que pode também indicar uma alta população de plantas de cultivo, e um estado de cultivo sensoreado, indicado pelo sinal de sensor obtido do sensor in-situ 208.

[00101] No bloco 386, o modelo de estado de cultivo preditivo, tal como o modelo de estado de cultivo preditivo 350, é provido para o gerador de mapa preditivo 212, que gera um mapa de estado de cultivo preditivo funcional, que mapeia um estado de cultivo preditivo para diferentes locais geográficos no campo com base no mapa de índice vegetativo anterior 332, no mapa de característica de semeadura 333, no mapa de produção preditivo 335, ou no mapa de biomassa preditivo 337 e no modelo de estado de cultivo preditivo 350. Por exemplo, em alguns exemplos, o mapa de estado de cultivo preditivo funcional 360 prediz o estado de cultivo. Em outros exemplos, o mapa de estado de cultivo preditivo funcional 360 prediz o estado de cultivo. Ainda, o mapa de estado de cultivo preditivo funcional 360 pode ser gerado durante o curso de uma operação de colheita agrícola. Assim, quando uma colheitadeira agrícola está se movendo através de um campo realizando uma operação de colheita agrícola, o mapa de estado de cultivo preditivo funcional 360 é gerado.

[00102] No bloco 394, o gerador de mapa preditivo 212 fornece o mapa de estado de cultivo preditivo funcional 360. No bloco 393, o gerador de mapa preditivo 212 configura o mapa de estado de cultivo preditivo funcional 360 para o consumo pelo sistema de controle 214. No bloco 395, o gerador de mapa preditivo 212 pode também prover o mapa 360 para o gerador de zona de controle 213 para a geração de zonas de controle. No bloco 397, o gerador de mapa preditivo 212 configura o mapa 360 também de outras maneiras. O mapa de estado de cultivo preditivo funcional 360 (com ou sem as zonas de controle) é provido para controlar o sistema 214. No bloco 396, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa de estado de cultivo preditivo funcional 360.

[00103] Pode assim ser visto que o presente sistema toma um mapa de informação, que mapeia uma característica, tal como o índice vegetativo, uma característica de semeadura, uma produção preditiva, ou um valor de biomassa preditiva para diferentes locais 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, tal como o estado de cultivo, e gera um modelo que modela uma relação entre o estado de cultivo sensoreado in-situ usando o sensor in-situ e a característica mapeada no mapa de informação. Assim, o presente sistema gera um mapa preditivo funcional usando um modelo e um mapa de informação e pode configurar o mapa preditivo funcional gerado para o consumo por um sistema de controle ou para apresentação para um local ou remoto ao operador ou outro usuário. Por exemplo, o sistema de controle pode usar o mapa para controlar um ou mais sistemas de uma colheitadeira combinada.

[00104] A presente discussão mencionou processadores e servidores. Em alguns exemplos, os processadores e servidores incluem processadores de computador com memória associada e circuito de temporização, não separadamente mostrados. 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 em aqueles sistemas.

[00105] Também, inúmeras exibições de interface de usuário foram discutidas. As exibições podem assumir uma extensa variedade de diferentes formas e podem ter uma extensa variedade de diferentes mecanismos de interface de operador, atuáveis por usuário, dispostos nas mesmas. Por exemplo, mecanismos de interface de operador, atuáveis por usuário, podem incluir caixas de texto, caixas de verificação, ícones, conexões, menus pendentes, caixas de pesquisa, etc. Os mecanismos de interface de operador, atuáveis por usuário, podem também ser atuados em uma extensa variedade de maneiras diferentes. Por exemplo, os mecanismos de interface de operador, atuáveis por usuário, podem ser atuados usando mecanismos de interface de operador, tais como um dispositivo de apontar e clicar, tal como uma esfera rolante ou Mouse, botões de hardware, interruptores, uma alavanca de controle ou keyboard, alavancas livres ou painéis para polegar, etc., um teclado virtual ou outros atuadores virtuais. Além disso, quando a tela na qual os mecanismos de interface de operador, atuáveis por usuário, são exibidos é uma tela sensível ao toque, os mecanismos de interface de operador, atuáveis por usuário, podem ser atuados usando gestos de toque. Também, os mecanismos de interface de operador, atuáveis por usuário, podem ser atuados usando comandos de voz usando funcionalidade de reconhecimento de voz. O reconhecimento de voz pode ser implementado usando um dispositivo de detecção de voz, tal como um microfone, e software que funciona para reconhecer a voz detectada e executar comandos com base na voz recebida.

[00106] Inúmeros bancos de dados foram também discutidos. Será notado que os bancos de dados podem ser, cada, desmembrados em múltiplos bancos de dados. Em alguns exemplos, um ou mais dos bancos de dados podem ser locais aos sistemas que acessam os bancos de dados, um ou mais dos bancos de dados podem ser localizados remotos a um sistema utilizando o banco de dados, ou um ou mais bancos de dados podem ser locais, enquanto outros são remotos. Todas dessas configurações são contempladas pela presente invenção.

[00107] Também, as figuras mostram um número de blocos com funcionalidade atribuída a cada bloco. Será notado que menos blocos podem ser usados para ilustrar que a funcionalidade atribuída a múltiplos blocos diferentes é realizada por menos componentes. Também, mais blocos podem ser usados, ilustrando que a funcionalidade pode ser distribuída entre mais componentes. Nos diferentes exemplos, alguma funcionalidade pode ser acrescentada, e alguma pode ser removida.

[00108] Será notado que a discussão acima descreveu uma variedade de diferentes sistemas, componentes, lógicas e interações. Será apreciado que qualquer ou todos de tais sistemas, componentes, lógicas e interações podem ser implementados por itens de hardware, tais como processadores, memória, ou outros componentes de processamento, alguns dos quais são descritos abaixo, que realizam as funções associadas àqueles sistemas, componentes, ou lógica, ou interações. Em adição, qualquer ou todos dos sistemas, componentes, lógicas e interações podem ser implementados por software que é carregado à memória e é subsequentemente executado por um processador ou servidor ou outro componente de computação, conforme descrito abaixo. Qualquer ou todos dos sistemas, componentes, lógicas e interações podem também ser implementados por diferentes combinações de hardware, software, firmware, etc., alguns exemplos dos quais são descritos abaixo. Esses são alguns exemplos de diferentes estruturas que podem ser usadas para implementar qualquer ou todos dos sistemas, componentes, lógica e interações descritos acima. Outras estruturas podem ser também usadas.

[00109] A figura 6 é um diagrama de blocos da colheitadeira agrícola 600, que pode ser similar à colheitadeira agrícola 100 mostrada na figura 2. A colheitadeira agrícola 600 se comunica com elementos em uma arquitetura de servidor remoto 500. Em alguns exemplos, a arquitetura de servidor remoto 500 provê computação, software, acesso de dados, e serviços de armazenamento que não requerem o conhecimento pelo usuário final do local físico ou configuração do sistema que fornece os serviços. Em vários exemplos, os servidores remotos podem fornecer os serviços sobre uma rede de área larga, tal como a Internet, usando protocolos apropriados. Por exemplo, os servidores remotos podem fornecer aplicativos sobre uma rede de área larga e podem ser acessíveis através de um navegador da Web ou qualquer outro componente de computação. O software ou componentes mostrados na figura 2 bem como os dados associados aos mesmos podem ser armazenados nos servidores em um local remoto. Os recursos de computação em um ambiente de servidor remoto podem ser consolidados em um local de centro de dados remoto, ou os recursos de computação podem ser dispersos para uma pluralidade de centros de dados remotos. As infraestruturas de servidor remoto podem fornecer serviços através de centros de dados compartilhados, mesmo se os serviços aparecerem como um único ponto de acesso para o usuário. Assim, os componentes e funções descritos aqui podem ser providos de um servidor remoto em um local remoto usando uma arquitetura de servidor remoto. Alternativamente, os componentes e funções podem ser providos de um servidor, ou os componentes e funções podem ser instalados nos dispositivos de cliente diretamente, ou de outras maneiras.

[00110] No exemplo mostrado na figura 6, alguns itens são similares àqueles mostrados na figura 2 e aqueles itens são similarmente enumerados. A figura 6 especificamente mostra que o gerador de modelo preditivo 210 ou o gerador de mapa preditivo 212, ou ambos, podem ser posicionados em um servidor local 502 que é remoto à colheitadeira agrícola 600. Por conseguinte, no exemplo mostrado na figura 6, a colheitadeira agrícola 600 acessa os sistemas através do servidor local remoto 502.

[00111] A figura 6 também representa outro exemplo de uma arquitetura de servidor remoto. A figura 6 mostra que alguns elementos da figura 2 podem ser dispostos em um local de servidor remoto 502, enquanto outros podem ser localizados em outro lugar. A título de exemplo, o banco de dados 202 pode ser disposto em um local separado do local 502 e acessado por intermédio do servidor remoto no local 502. Independentemente de onde os elementos estão localizados, os elementos podem ser acessados diretamente pela colheitadeira agrícola 600 através de uma rede, tal como uma rede de área larga ou uma rede de área local; os elementos podem ser hospedados em um sítio remoto por um serviço; ou os elementos podem ser providos como um serviço ou acessados por um serviço de conexão que reside em um local remoto. Também, dados podem ser armazenados em qualquer local, e os dados armazenados podem ser acessados por, ou transmitidos para, os operadores, usuários ou sistemas. Por exemplo, portadores físicos podem ser usados em vez de, ou em adição a, portadores de ondas eletromagnéticas. Em alguns exemplos, onde a cobertura de serviço de telecomunicação sem fio é deficiente ou inexistente, outra máquina, tal como um caminhão de combustível ou outro veículo ou máquina móvel, pode ter um sistema de coleta de informação automático, semiautomático ou manual. Conforme a colheitadeira combinada 600 se aproxima à máquina contendo 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 para essa finalidade. A informação coletada pode então ser transmitida para outra rede, quando a máquina contendo a informação recebida chegar a um local, onde cobertura de serviço de telecomunicação sem fio ou outra cobertura sem fio é disponível. Por exemplo, um caminhão de combustível pode entrar em uma área tendo cobertura de comunicação sem fio quando se desloca para um local para abastecer outras máquinas ou quando em um local de armazenamento de combustível principal. Todas dessas arquiteturas são contempladas aqui. Além disso, a informação pode ser armazenada na colheitadeira agrícola 600 até a colheitadeira agrícola 600 entrar em uma área tendo cobertura de comunicação sem fio. A colheitadeira agrícola 600, propriamente dita, pode enviar a informação para outra rede.

[00112] Será também notado que os elementos da figura 2, ou porções dos mesmos, podem ser dispostos em uma extensa variedade de diferentes dispositivos. Um ou mais daqueles dispositivos podem incluir um computador a bordo, uma unidade de controle eletrônica, uma unidade de exibição, um servidor, um computador de mesa, um computador portátil, um computador táblete, ou outro dispositivo móvel, tal como um computador de bolso, um telefone celular, um telefone inteligente, um reprodutor de multimídia, um assistente digital pessoal, etc.

[00113] Em alguns exemplos, a arquitetura de servidor remoto 500 pode incluir medidas de segurança cibernética. Sem limitação, essas medidas podem incluir criptografia de dados nos dispositivos de armazenamento, criptografia de dados enviados entre os nós de rede, autenticação de pessoas ou dados de acesso a processos, bem como o uso de registros para gravar metadados, dados, transferências de dados, acessos de dados, e transformações de dados. Em alguns exemplos, os registros podem ser distribuídos e imutáveis (por exemplo, implementados como corrente de blocos).

[00114] A figura 7 é um diagrama de blocos simplificado de um exemplo ilustrativo de um dispositivo de computação portátil ou móvel que pode ser usado como um dispositivo portátil do usuário ou do cliente 16, no qual o presente sistema (ou partes do mesmo) pode ser implementado. Por exemplo, um dispositivo móvel pode ser implementado no compartimento de operador da colheitadeira agrícola 100 para uso na geração, processamento, ou exibição dos mapas discutidos acima. As figuras 8 e 9 são exemplos de dispositivos portáteis ou móveis.

[00115] A figura 7 provê um diagrama de blocos geral dos componentes de um dispositivo de cliente 16 que pode rodar alguns componentes mostrados na figura 2, que interagem com os mesmos, ou ambos. No dispositivo 16, uma conexão de comunicação 13 é provida, que permite ao dispositivo portátil se comunicar com outros dispositivos de computação e, em alguns exemplos, provê um canal para receber informação automaticamente, tal como por varredura. Exemplos de conexão de comunicações 13 incluem permitir a comunicação através de um ou mais protocolos de comunicação, tais como serviços sem fio usados para prover o acesso celular a uma rede, bem como protocolos que provêm conexões sem fio locais às redes.

[00116] Em outros exemplos, aplicativos podem ser recebidos em um cartão Secure Digital (SD) removível, que é conectado a uma interface 15. A interface 15 e conexões de comunicação 13 se comunicam com um processador 17 (que pode também incorporar os processadores ou servidores das outras figuras) ao longo de um barramento 19 que é também conectado à memória 21 e componentes de entrada/saída (E/S) 23, bem como o relógio 25 e o sistema local 27.

[00117] Os componentes de E/S 23, em um exemplo, são providos para facilitar as operações de entrada e saída. Os componentes de E/S 23 para vários exemplos do dispositivo 16 podem incluir componentes de entrada, tais como botões, os sensores sensíveis ao toque, os sensores ópticos, microfones, telas sensíveis ao toque, os sensores de proximidade, acelerômetros, os sensores de orientação, e componentes de saída, tais como um dispositivo de exibição, uma alto-falante, e ou uma porta de impressora. Outros componentes de E/S 23 podem ser também usados.

[00118] O relógio 25 ilustrativamente compreende um componente de relógio de tempo real, que fornece a hora e a data. Ele também pode prover, ilustrativamente, funções de temporização para o processador 17.

[00119] O sistema local 27 ilustrativamente inclui um componente que fornece um local geográfico atual do dispositivo 16. Esse pode incluir, por exemplo, um receptor de sistema de posicionamento global (GPS) , um sistema LORAN, um sistema de reconhecimento passivo, um sistema de triangulação celular, ou ouro sistema de posicionamento. O sistema local 27 pode também incluir, por exemplo, software de mapeamento ou software de navegação que gera os desejados mapas, as desejadas rotas de navegação e outras funções geográficas .

[00120] A memória 21 armazena o sistema operacional 29, as regulagens de rede 31, aplicativos 33, as regulagens de configuração de aplicativo 35, o banco de dados 37, os controladores de comunicação 39, e as regulagens 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 meios de armazenamento em computador (descritos abaixo). A memória 21 armazena instruções legíveis por computador que, quando executadas pelo processador 17, fazem com que o processador realize as etapas ou funções implementadas por computador de acordo com as instruções. O processador 17 pode ser ativado por outros componentes para facilitar também sua funcionalidade.

[00121] A figura 8 mostra um exemplo, no qual o dispositivo 16 é um computador táblete 600. Na figura 8, o computador 600 é mostrado com a tela de exibição de interface de usuário 602. A tela 602 pode ser uma tela sensível ao toque ou uma interface ativada por caneta, que recebe entradas de uma caneta ou agulha. O computador táblete 600 pode também usar um teclado virtual na tela. Naturalmente, o computador 600 poderia também ser afixado a um teclado ou a outro dispositivo de entrada de usuário através de um mecanismo de afixação apropriado, tal como uma conexão sem fio ou porta USB, por exemplo. O computador 600 pode também ilustrativamente receber entradas de voz.

[00122] A figura 9 é similar à figura 8, exceto que o dispositivo é um telefone inteligente 71. O telefone inteligente 71 tem uma exibição 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 aplicativos, 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 avançadas que um telefone comum.

[00123] Note que outras formas dos dispositivos são possíveis.

[00124] A figura 10 é um exemplo de um ambiente de computação no qual os elementos da figura 2 podem ser implementados. Com referência à figura 10, um sistema de exemplo para implementar algumas modalidades inclui um dispositivo de computação na forma de um computador 810 programado para operar conforme discutido acima. Os componentes de computador 810 podem incluir, mas não são limitados a, uma unidade de processamento 820 (que pode compreender os processadores ou servidores das figuras anteriores), uma memória de sistema 830, e um barramento de sistema 821 que acopla vários componentes do sistema incluindo a memória de sistema à unidade de processamento 820. O barramento de sistema 821 pode ser qualquer de vários tipos de estruturas de barramento incluindo um barramento de memória ou controlador de memória, um barramento periférico, e um barramento local usando qualquer de uma variedade de bus arquiteturas. A memória e os programas descritos com relação à figura 2 podem ser implementados em porções correspondentes da figura 10.

[00125] O computador 810 tipicamente inclui uma variedade de meios legíveis por computador. Os meios legíveis por computador podem ser quaisquer meios disponíveis que podem ser acessados pelo computador 810 e inclui meios tanto voláteis quanto não voláteis, meios removíveis e não removíveis. A título de exemplo, e não de limitação, o meios legíveis por computador podem compreender meios de armazenamento em computador e meios de comunicação. Os meios de armazenamento em computador são diferentes de, e não incluem, um sinal de dado modulado ou onda portadora. Os meios legíveis por computador incluem meios de armazenamento de hardware incluindo meios removíveis e não removíveis, tanto voláteis quanto não voláteis, implementados em qualquer método ou tecnologia para o armazenamento de informação, tal como instruções legíveis por computador, estruturas de dados, os módulos de programa ou outros dados. Os meios de armazenamento em computador incluem, mas não são limitados 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 em disco magnético ou outros dispositivos de armazenamento magnéticos, ou qualquer outro meio que pode ser usado para armazenar a informação desejada e que pode ser acessado por computador810. Os meios de comunicação podem incorporar instruções legíveis por computador, estruturas de dados, os módulos de programa ou outros dados em um mecanismo de transporte e incluem quaisquer meios de fornecimento de informação. O termo “sinal de dado modulado” significa um sinal que tem um ou mais de suas características ajustadas ou alteradas de uma tal maneira a codificar informação no sinal.

[00126] A memória de sistema 830 inclui meios de armazenamento em computador na forma de memória volátil e/ou não volátil, ou ambas, tais como memória exclusivamente 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 a informação entre os elementos dentro do computador 810, tal como durante a inicialização, é tipicamente armazenado na ROM 831. A RAM 832 tipicamente contém dados ou módulos de programa, ou ambos, que são imediatamente acessíveis a, e/ou atualmente sendo operados na, a unidade de processamento 820. A título de exemplo, e não de limitação, a figura 10 ilustra o sistema operacional 834, os programas de aplicativo 835, outros módulos de programa 836, e os dados de programa 837.

[00127] [0127] O computador 810 pode também incluir outros meios de armazenamento em computador removíveis/não removíveis, voláteis/não voláteis. Somente a título de exemplo, a figura 10 ilustra uma unidade de disco rígido 841 que lê ou inscreve em meios magnéticos não voláteis, não removíveis, uma unidade de disco óptico 855, e o disco óptico não volátil 856. A unidade de disco rígido 841 é tipicamente conectada ao barramento de sistema 821 através de uma interface de memória não removível, tal como a interface 840, e a unidade de disco óptico 855 são tipicamente conectada ao barramento de sistema 821 por uma interface de memória removível, tal como a interface 850.

[00128] Alternativamente, ou em adição, 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 dos componentes lógicos de hardware que podem ser usados incluem redes de portas lógicas programáveis (FPGAs), circuitos integrados específicos de aplicação (por exemplo, ASICs), circuitos integrados específicos de aplicação (por exemplo, ASSPs), o sistemas de sistema em uma pastilha (SOCs), dispositivos lógicos programáveis complexos (CPLDs), etc.

[00129] Os controladores e seus meios de armazenamento em computador associados discutidos acima e ilustrados na figura 10, provêm o armazenamento de instruções legíveis por computador, estruturas de dados, os módulos de programa e outros dados para o computador 810. Na figura 10, por exemplo, a unidade de disco rígido 841 é ilustrada como armazenando o sistema operacional 844, os programas de aplicativo 845, outros módulos de programa 846, e os dados de programa 847. Note que esses componentes podem ser ou os mesmos que, ou diferentes de, os do sistema operacional 834, os programas de aplicativo 835, outros módulos de programa 836, e os dados de programa 837.

[00130] Um usuário pode alimentar comandos e informação ao computador 810 através de dispositivos de entrada, tais como um teclado 862, um microfone 863, e um dispositivo de apontar 861, tal como um Mouse, esfera rolante ou painel sensível ao toque. Outros dispositivos de entrada (não mostrados) podem incluir uma alavanca de controle, painel de jogos, antena parabólica, escâner, ou semelhante. 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 de 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 de sistema 821 por intermédio de uma interface, tal como uma interface de vídeo 890. Em adição ao monitor, os computadores podem também incluir outros dispositivos de saída periféricos, tais como altofalantes 897 e impressora 896, que podem ser conectados através de uma interface periférica de saída 895.

[00131] O computador 810 é operado em um ambiente conectado em rede usando conexões lógicas (tais como uma rede de área de controlador, -CAN, rede de área local, - LAN, ou rede de área larga WAN) a um ou mais computadores remotos, tais como um computador remoto 880.

[00132] Quando usado em um ambiente conectado em rede LAN, o computador 810 é conectado à LAN 871 através de uma rede, interface ou adaptador 870. Quando usado em um ambiente conectado em rede WAN, o computador 810 tipicamente inclui um Modem 872 ou outro meio para estabelecer comunicações sobre a WAN 873, tal como a Internet. Em um ambiente conectado em rede, os módulos de programa podem ser armazenados em um dispositivo de armazenamento de memória remoto. A figura 10 ilustra, por exemplo, que os programas de aplicativo remotos 885 podem residir no computador remoto 880.

[00133] Deve ser também notado que os diferentes exemplos descritos aqui podem ser combinados de maneiras diferentes. Isto é, partes de um ou mais exemplos podem ser combinadas com partes de um ou mais outros exemplos. Tudo disso é contemplado aqui.

[00134] O exemplo 1 é uma máquina de trabalho agrícola compreendendo:
um sistema de comunicação que recebe um mapa de informação que inclui valores de uma primeira característica agrícola correspondente a diferentes locais geográficos em um campo;
um sensor de posição geográfica que detecta um local geográfico da máquina de trabalho agrícola;
um sensor in-situ que detecta um estado de cultivo como uma segunda característica agrícola correspondente ao local geográfico;
um gerador de modelo preditivo que gera um modelo agrícola preditivo que modela uma relação entre a primeira característica agrícola e a segunda característica agrícola com base em um valor da primeira característica agrícola no mapa de informação no local geográfico e um valor da segunda característica agrícola sensoreada pelo sensor in-situ no local geográfico; e
um gerador de mapa preditivo que gera um mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da segunda característica agrícola para os diferentes locais geográficos no campo com base nos valores da primeira característica agrícola no mapa de informação e com base no modelo agrícola preditivo.

[00135] O exemplo 2 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de mapa preditivo configura o mapa agrícola preditivo funcional para o 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.

[00136] O exemplo 3 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in-situ gera dados de sensor indicativos do estado de cultivo e em que o sensor in-situ compreende:

[00137] um sistema de processamento configurado para analisar os dados de sensor e determinar pelo menos uma dentre uma orientação ou uma magnitude do estado de cultivo.

[00138] O exemplo 4 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para os diferentes locais geográficos no campo.

[00139] O exemplo 5 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e um valor de índice vegetativo dos valores de índice vegetativo no mapa de índice vegetativo anterior no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo de entrada como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.

[00140] O exemplo 6 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação compreende um mapa de característica de semeadura que mapeia, como a primeira característica agrícola, valores de características de semeadura para os diferentes locais geográficos no campo.

[00141] O exemplo 7 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e uma característica de semeadura no mapa de característica de semeadura no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de característica de semeadura de entrada como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.

[00142] O exemplo 8 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que a característica de semeadura compreende talo genético ou resistência de caule.

[00143] O exemplo 9 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que a característica de semeadura compreende suscetibilidade genética ao alojamento.

[00144] O exemplo 10 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação compreende um mapa preditivo que mapeia, como a primeira característica agrícola, os valores de produção preditiva ou de biomassa preditiva para os diferentes locais geográficos no campo.

[00145] O exemplo 11 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e a produção preditiva ou a biomassa preditiva no mapa preditivo no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de produção ou biomassa preditiva como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.

[00146] O exemplo 12 é um método implementado por computador para gerar um mapa agrícola preditivo funcional, o método implementado por computador distinguido pelo fato de que compreende:
receber um mapa de informação em uma máquina de trabalho agrícola que indica os valores de uma primeira característica agrícola correspondente a diferentes locais geográficos em um campo;
detectar um local geográfico da máquina de trabalho agrícola;
detectar, com um sensor in-situ, um estado de cultivo como uma segunda característica agrícola correspondente ao local geográfico;
gerar um modelo agrícola preditivo que modela uma relação 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 os diferentes locais no campo com base nos valores da primeira característica agrícola no mapa de informação e o modelo agrícola preditivo.

[00147] O exemplo 13 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, e compreendendo adicionalmente:

[00148] 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.

[00149] O exemplo 14 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que receber o mapa de informação compreende receber um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para os diferentes locais geográficos no campo.

[00150] O exemplo 15 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que gerar o modelo agrícola preditivo compreende:
identificar a relação entre os valores de índice vegetativo e o estado de cultivo com base no estado de cultivo detectado no local geográfico e um valor de índice vegetativo dos valores de índice vegetativo no mapa de índice vegetativo anterior no local geográfico; e
controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de índice vegetativo de entrada como uma entrada de modelo e gera um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.

[00151] O exemplo 16 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que receber o mapa de informação compreende receber um mapa de característica de semeadura que mapeia, como a primeira característica agrícola, valores de características de semeadura para os diferentes locais geográficos no campo.

[00152] O exemplo 17 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que gerar o modelo agrícola preditivo compreende:
identificar a relação entre os valores de características de semeadura e o estado de cultivo com base no estado de cultivo detectado no local geográfico e os valores de características de semeadura no mapa de característica de semeadura no local geográfico; e
controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de característica de semeadura de entrada como uma entrada de modelo e gera um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.

[00153] O exemplo 18 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que os valores de características de semeadura compreendem valores de densidade de plantação de semente.

[00154] O exemplo 19 é uma máquina de trabalho agrícola compreendendo:
um sistema de comunicação que recebe um mapa de índice vegetativo anterior que indica os valores de índice vegetativo correspondentes a diferentes locais geográficos em um campo;
um sensor de posição geográfica que detecta um local geográfico da máquina de trabalho agrícola;
um sensor in-situ que detecta uma característica de estado de cultivo correspondente ao local geográfico;
um gerador de modelo preditivo que gera um modelo de estado de cultivo preditivo que modela uma relação entre os primeiros valores característicos e o estado de cultivo característico com base em um valor de índice vegetativo no mapa de índice vegetativo anterior no local geográfico e a característica de estado de cultivo sensoreada pelo sensor in-situ no local geográfico; e
um gerador de mapa preditivo que gera um mapa de estado de cultivo preditivo funcional do campo, que mapeia os valores de estado de cultivo preditivos para os diferentes locais no campo com base nos valores de índice vegetativo no mapa de índice vegetativo anterior e com base no modelo de estado de cultivo preditivo.

[00155] O exemplo 20 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in-situ compreende um sensor óptico e em que o sensor de posição geográfica detecta o local geográfico em um dado tempo depois do sensor in-situ detectar a característica de estado de cultivo correspondente ao local geográfico, uma extensão do dado tempo sendo baseada pelo menos em parte em uma velocidade de máquina e um campo de visão do sensor óptico.

[00156] Embora a matéria tenha sido descrita em linguagem específica às características estruturais ou atos metodológicos, deve ser entendido que a matéria definida nas reivindicações anexas não é necessariamente limitada às características ou atos específicos acima. Ao contrário, as características ou atos específicos descritos acima são descritos como formas de exemplo 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 (258) que inclui valores de uma primeira característica agrícola correspondente a diferentes locais geográficos em um campo;
um sensor de posição geográfica (204) que detecta um local geográfico da máquina de trabalho agrícola;
um sensor in-situ (208) que detecta um estado de cultivo como uma segunda característica agrícola correspondente ao local geográfico;
um gerador de modelo preditivo (210) que gera um modelo agrícola preditivo que modela uma relação entre a primeira característica agrícola e a segunda característica agrícola com base em um valor da primeira característica agrícola no mapa de informação (258) no local geográfico e um valor da segunda característica agrícola sensoreada pelo sensor in-situ (208) no local geográfico; 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 os diferentes locais geográficos no campo com base nos valores da primeira característica agrícola no mapa de informação (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 o 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 gera dados de sensor indicativos do estado de cultivo e em que o sensor in-situ compreende: um sistema de processamento configurado para analisar os dados de sensor e determinar pelo menos uma dentre uma orientação ou uma magnitude do estado de cultivo.
Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o mapa de informação compreende um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para os diferentes locais geográficos no campo.
Máquina de trabalho agrícola de acordo com a reivindicação 4, caracterizada pelo fato de que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e um valor de índice vegetativo dos valores de índice vegetativo no mapa de índice vegetativo anterior no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de índice vegetativo de entrada como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.
Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o mapa de informação compreende um mapa de característica de semeadura que mapeia, como a primeira característica agrícola, valores de características de semeadura para os diferentes locais geográficos no campo.
Máquina de trabalho agrícola de acordo com a reivindicação 6, caracterizada pelo fato de que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e uma característica de semeadura no mapa de característica de semeadura no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de característica de semeadura de entrada como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.
Máquina de trabalho agrícola de acordo com a reivindicação 7, caracterizada pelo fato de que a característica de semeadura compreende talo genético ou resistência de caule.
Máquina de trabalho agrícola de acordo com a reivindicação 7, caracterizada pelo fato de que a característica de semeadura compreende suscetibilidade genética ao alojamento.
Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o mapa de informação compreende um mapa preditivo que mapeia, como a primeira característica agrícola, os valores de produção preditiva ou de biomassa preditiva para os diferentes locais geográficos no campo.
Máquina de trabalho agrícola de acordo com a reivindicação 10, caracterizada pelo fato de que o gerador de modelo preditivo é configurado para identificar a relação entre o estado de cultivo detectado no local geográfico e a produção preditiva ou a biomassa preditiva no mapa preditivo no local geográfico, o modelo agrícola preditivo sendo configurado para receber um valor de produção ou biomassa preditiva como uma entrada de modelo e gerar um valor de estado de cultivo predito como uma saída de modelo com base na relação identificada.
Método implementado por computador para gerar um mapa agrícola preditivo funcional, o método implementado por computador caracterizado pelo fato de que compreende:
receber um mapa de informação (258) em uma máquina de trabalho agrícola que indica os valores de uma primeira característica agrícola correspondente a diferentes locais geográficos em um campo;
detectar um local geográfico da máquina de trabalho agrícola;
detectar, com um sensor in-situ (208), um estado de cultivo como uma segunda característica agrícola correspondente ao local geográfico;
gerar um modelo agrícola preditivo que modela uma relação 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 os diferentes locais no campo com base nos valores da primeira característica agrícola no mapa de informação (258) e no 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 receber o mapa de informação compreende receber um mapa de índice vegetativo anterior que mapeia, como a primeira característica agrícola, valores de índice vegetativo para os diferentes locais geográficos 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 os valores de índice vegetativo correspondentes a diferentes locais geográficos em um campo;
um sensor de posição geográfica (204) que detecta um local geográfico da máquina de trabalho agrícola;
um sensor in-situ (208) que detecta uma característica de estado de cultivo correspondente ao local geográfico;
um gerador de modelo preditivo (210) que gera um modelo de estado de cultivo preditivo que modela uma relação entre os primeiros valores característicos e o estado de cultivo característico com base em um valor de índice vegetativo no mapa de índice vegetativo anterior (332) no local geográfico e o estado de cultivo característico sensoreado pelo sensor in-situ (208) no local geográfico; e
um gerador de mapa preditivo (212) que gera um mapa de estado de cultivo preditivo funcional do campo, que mapeia os valores de estado de cultivo preditivos para os diferentes locais no campo com base nos valores de índice vegetativo no mapa de índice vegetativo anterior (332) e com base no modelo de estado de cultivo preditivo.