BR102021016228A2

BR102021016228A2 - Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional

Info

Publication number: BR102021016228A2
Application number: BR102021016228-7A
Authority: BR
Inventors: Nathan R. Vandike; Bhanu Kiran Reddy Palla; Noel W. Anderson
Original assignee: Deere & Company
Priority date: 2020-10-09
Filing date: 2021-08-17
Publication date: 2022-04-12
Also published as: US11727680B2; US20230334853A1; US20220114364A1; CN114303613A

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 de característica agrícola 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 automático.

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.

FUNDAMENTOS

[002] Existe uma 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 cabeças para colher diferentes tipos de colheitas.

[003] Os campos nos quais os diferentes tipos de máquinas agrícolas operam podem ter uma variedade de características. Cada uma das diferentes características dos campos nos quais as máquinas agrícolas operam pode variar através do campo. As colheitadeiras agrícolas podem operar diferentemente nas diferentes áreas do campo, dependendo das características naquelas áreas.

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

SUMÁRIO

[005] 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 de característica agrícola 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 automático.

[006] Este sumário é provido para introduzir uma seleção de conceitos de uma forma simplificada que serão mais detalhadamente descritos abaixo na descrição detalhada. Este 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 combinada.

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

[0011] A figura 4B é um diagrama de blocos mostrando os sensores in-situ de exemplo.

[0012] A figura 5 é um fluxograma mostrando um exemplo de operação de uma colheitadeira agrícola ao receber um mapa de semeadura, detectando uma característica, e gerando um mapa preditivo funcional para uso no controle da colheitadeira agrícola durante uma operação de colheita.

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

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

[0015] 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

[0016] 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.

[0017] A presente descrição se refere ao uso de dados in-situ tomados simultaneamente com uma operação agrícola, em combinação com dados anteriores, para gerar um mapa preditivo e, mais particularmente, um mapa de característica preditiva que correlaciona os dados in-situ com os dados anteriores para predizer a característica indicada pelos dados in-situ, ou uma característica relacionada, através do campo. Em alguns exemplos, o mapa de característica preditiva pode ser usado para controlar uma máquina de trabalho agrícola, tal como um a colheitadeira agrícola. As características de semeadura podem variar através de um campo. Outras características agrícolas, tais como as características de não máquina ou as características de máquina, podem ser afetadas por, ou de outra maneira ter alguma relação com, as várias características de semeadura de forma que as várias características agrícolas, tais como características de não máquina ou características de máquina, possam ser previsíveis nas diferentes áreas do campo tendo características de semeadura similares. Por exemplo, uma produção ou uma biomassa de cultivo em uma área do campo com características de semeadura conhecidas (ou estimadas), pode ser similar a uma produção ou uma biomassa de cultivo em outra área do campo com características de semeadura conhecidas (ou estimadas) similares. A produção e biomassa são meramente exemplos, e várias outras características podem ser previsíveis nas diferentes áreas do campo com base em características de semeadura.

[0018] O desempenho de uma máquina agrícola pode ser afetado pela característica agrícola, e, assim, por predizer a característica agrícola através do campo, o controle da máquina agrícola pode ser efetuado para otimizar a operação da máquina agrícola, dada a característica agrícola predita. Por exemplo, por predizer a biomassa de cultivo através do campo com base nos dados de um mapa de semeadura e dados in-situ indicativos da biomassa, tais como altura de cultivo, densidade de cultivo, massa de cultivo, volume de cultivo, ou força de acionamento do rotor de debulhe, bem como o número de outras características, a posição da plataforma de corte da colheitadeira agrícola com relação à superfície de campo ou à velocidade à frente da colheitadeira agrícola pode ser ajustada para controlar uma produtividade ou taxa de alimentação de material de planta a ser processado pela colheitadeira agrícola. Esses são meramente alguns exemplos.

[0019] O desempenho de uma colheitadeira agrícola pode ser afetado com base em um número de diferentes característica agrícolas, tais como características de não máquina, por exemplo, características do campo ou características de plantas no campo ou um número de diferentes característica de máquina da colheitadeira agrícola, como regulagens de máquina, as características de operação, ou desempenho de características de máquina. Os sensores na colheitadeira agrícola podem ser usados in-situ para detectar essas características agrícolas ou para detectar valores indicativos dessas características agrícolas, e a colheitadeira agrícola pode ser controlada de várias maneiras com base nessas características agrícolas ou características relacionadas às características agrícolas detectadas pelos sensores in-situ

[0020] Um mapa de semeadura ilustrativamente mapeia as características de semeadura através de diferentes locais geográficos em um campo de interesse. Esses mapas de semeadura são tipicamente coletados de operações de plantio de sementes anteriores no campo. Em alguns exemplos, o mapa de semeadura pode ser derivado de sinais de controle usados por uma semeadora ao plantar as sementes ou dos sensores na semeadora, tais como os sensores que confirmam que uma semente foi fornecida para um sulco gerado pela semeadora. As semeadoras podem incluir sensores de posição geográfica que localizam geograficamente os locais de onde as sementes foram plantadas bem como os sensores topográficos que geram informação topográfica do campo. Por exemplo, os sensores topográficos podem incluir GPS, niveladores a laser, pares de inclinômetros/odômetros, triangulação a rádio local, bem como vários outros sistemas para gerar informação topográfica. A informação gerada durante uma operação de plantio de semente anterior pode ser usada para determinar várias características de semeadura, tal como o local (por exemplo, o local geográfico das sementes plantadas no campo), o espaçamento (por exemplo, o espaçamento entre as sementes individuais, o espaçamento entre as fileiras de semente, ou ambos), população (que pode ser derivada das características de espaçamento), orientação de sementes (por exemplo, orientação de sementes em uma cova ou orientação das fileiras de semente), profundidade (por exemplo, profundidade de semente ou profundidade de sulco), dimensões (tais como tamanho de semente), ou genótipo (tal como espécies de semente, híbrido de semente, cultivar de sementes, genótipo etc.). Uma variedade de outras características de semeadura pode ser também determinada. Em alguns exemplos, os mapas de semeadura podem compreender informação acerca do leito de semente no qual a semente é depositada, tal como a umidade de solo, temperatura de solo, constituintes de solo, tais como matéria orgânica de solo

[0021] Alternativamente, ou em adição a, os dados de uma operação anterior, várias características de semeadura nos mapas de semeadura podem ser geradas com base nos dados de terceiras partes, como vendedores de semente de terceira parte que provêm sementes para a operação de plantio de sementes. Essas terceiras partes podem prover vários dados que indicam várias características de semeadura, por exemplo, dados de dimensão, tais como tamanho de semente, ou dados de genótipo, como espécies de semente, híbrido de semente, variedade de semente, ou cultivar de sementes. Adicionalmente, os vendedores de sementes podem prover vários dados com relação às características de plantas particulares das plantas resultantes de cada um dos diferentes genótipos de semente. Por exemplo, dados sobre o crescimento de planta, como diâmetro de caule, tamanho de espiga, altura de planta, massa de planta, etc., resposta de planta às condições climáticas, resposta de planta às substâncias aplicadas, como herbicida, fungicida, pesticida, inseticida, fertilizante, as características de quebradura, as características de secagem, resposta de cultivo ao clima, resposta de cultivo a pestes, e resposta de cultivo a fungos etc., resposta de planta às pestes, fungos, ervas daninhas, doenças, etc., bem como qualquer número de outras características de planta. Deve ser notado que os dados de resposta de planta podem incluir dados indicativos de resistência de planta a várias condições e características, por exemplo, resistência de planta às substâncias aplicadas, resistência de planta às condições climática, resistência de planta às pestes, fungos, ervas daninhas, doenças, etc., bem como resistência de planta a uma variedade de outras condições ou características.

[0022] Alternativamente, ou em adição, aos dados de uma operação anterior ou de uma terceira parte, as várias características de semeadura nos mapas de semeadura podem ser geradas com base em vários dados de entrada de usuário ou operador, por exemplo, dados de entrada de operador ou usuário, indicativos de várias características de semeadura, tais como o local, profundidade, orientação, espaçamento, dimensões, genótipo, bem como várias outras características de semeadura.

[0023] Em alguns exemplos, um mapa de semeadura pode ser derivado de leituras do sensor de uma ou mais bandas de radiação eletromagnética refletida pelas sementes ou leito de semente. Sem limitação, essas bandas podem estar nas porções de micro-ondas, infravermelhas, visíveis, ou ultravioletas do espectro eletromagnético.

[0024] Esses são meramente alguns exemplos das maneiras nas quais os mapas de semeadura podem ser gerados e providos nos sistemas atuais. Aqueles especializados na técnica reconhecerão que mapas de semeadura podem ser gerados em uma variedade de maneira e que o escopo da presente invenção não é limitado aos exemplos providos aqui.

[0025] Em alguns exemplos, as características de semeadura providas por um mapa de semeadura podem ter uma relação à, ou afetar de outra maneira, várias outras características. Por meio do conhecimento das características de semeadura através do campo, várias outras características através do campo podem ser preditas. Durante uma operação de colheita, os sensores in-situ na máquina de colheita agrícola podem ser usados para detectar várias características do ambiente no qual a máquina de colheita agrícola está operando ou várias características de máquina da colheitadeira agrícola. As características sensoreadas pelos sensores in-situ correspondentes a um ou mais locais geográficos do campo podem ser usadas, juntamente com a característica de semeadura geograficamente referenciada, providas pelo mapa de semeadura, para predizer as características em outros locais geográficos através do campo. Por exemplo, por meio do conhecimento da população de sementes em um ou mais locais geográficos dos campos, conforme obtidos do mapa de semeadura, e a produção resultante naquele(s) um ou mais locais geográficos, como indicados pelos sensores in-situ, produção em outros locais geográficos através do campo, por exemplo, outros locais geográficos onde a mesma população de semente foi plantada, pode ser predita. A combinação de população de semente e produção é meramente um exemplo. Uma relação entre as várias características de semeadura e as várias características sensoreadas pelos sensores in-situ pode ser modelada para predizer a característica sensoreada pelos sensores in-situ através do campo.

[0026] A presente discussão prossegue assim com relação a sistemas que recebem um mapa de semeadura de um campo ou um mapa gerado com base em uma operação anterior, tal como um a operação de plantio de semente anterior, e também usam sensor in-situ para detectar uma variável indicativa de uma ou mais características durante uma operação de colheita, tal como um a característica agrícola, por exemplo, uma característica de não máquina, como características do campo ou plantas no campo, bem como características de máquina, tal como uma regulagem de máquina, uma característica de operação, os dados de desempenho de máquina. Será notado, todavia, que o sensor in-situ pode detectar uma variável indicativa de qualquer de um número de características e não é limitado às características descritas aqui. Uma característica agrícola é qualquer de um número de características que podem afetar uma operação agrícola, tal como uma operação de colheita. Os sistemas geram um modelo que modela uma relação entre os valores de característica de semeadura no mapa de semeadura ou os valores no mapa gerado da operação anterior e os valores de saída do sensor in-situ. O modelo é usado para gerar um mapa preditivo funcional que prediz a característica indicada pelos valores de saída do sensor in-situ em diferentes locais no campo. O mapa preditivo funcional, gerado durante a operação de colheita, pode ser apresentado a um operador ou outro usuário, usado em controlar automaticamente uma colheitadeira agrícola durante a operação de colheita, ou ambos.

[0027] 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 invenção, será reconhecido 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 máquina de trabalho agrícolas. Consequentemente, a presente invenção é destinada a abranger os vários tipos de colheitadeiras descritas e, assim, não é limitada a colheitadeiras combinadas. Além disso, a presente invenção é dirigida a outros tipos de máquina de trabalhos, como as semeadoras e pulverizadores agrícolas, equipamento de construção, equipamento florestal, e equipamento de cultivo de gramado, em que a geração de um mapa preditivo pode ser aplicada. Consequentemente, a presente invenção é destinada a abranger esses vários tipos de colheitadeiras e outras máquinas de trabalho e, assim, não é limitada a colheitadeiras combinadas.

[0028] 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 um a 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 formam parte de um subsistema de manipulação de material 125. A plataforma de corte 102 é acoplada de forma pivotante a um chassi 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 por meio da 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 da plataforma de corte 102. Inclinação se refere a um ângulo em que 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 aresta distal 113 do cortador 104 mais na direção para o solo. O ângulo de inclinação é diminuído por controlar a plataforma de corte 102 para apontar para a aresta distal 113 do cortador 104 mais para longe do solo. O ângulo de rolagem se refere à orientação da plataforma de corte 102 em torno do eixo geométrico longitudinal da frente para trás da colheitadeira agrícola 100.

[0029] O debulhador 110 ilustrativamente inclui um rotor de debulhe 112 e um conjunto de côncavos 114. Ainda, 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 limpo132. 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. A invenção pode ter mais que um de qualquer dos subsistemas mencionados acima. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza, esquerdo e direito, etc., que não são mostrados na figura.

[0030] 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, a 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. Um comando de operador é um comando dado por um operador. O operador da colheitadeira agrícola 100 pode determinar uma 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 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 controle dos 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 rolagem desejados. Cada uma das regulagens de altura, rolagem, e inclinação, pode ser implementada independentemente das outras. O sistema de controle responde a um erro da plataforma de corte (por exemplo, a diferença entre a regulagem de altura e a altura medida da plataforma de corte 104 acima do solo 111 e, em alguns exemplos, os erros de ângulo de inclinação e de 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 de sensitividade mais baixo.

[0031] 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.

[0032] 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.

[0033] 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.

[0034] 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.

[0035] 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 o 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, o sistema de navegação a grande distância (LORAN), ou uma extensa variedade de outros sistemas ou sensores que provêm uma indicação da velocidade de deslocamento.

[0036] 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 pode 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.

[0037] 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 pode 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 também usando uma extensa variedade de tipos diferentes dos sensores.

[0038] 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 o 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 de 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 em a 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 o sensoreiam uma variedade de tipos diferentes 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, o elevador de grão limpo 130, ou em outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultivo podem também sensorear a taxa de alimentação de biomassa através de 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 provêm outros sinais de saída indicativos de outras variáveis sensoreadas. Os sensores de propriedade de cultivo podem incluir um ou mais sensores de produção que o sensoreiam a produção de cultivo sendo colhido pela colheitadeira agrícola.

[0039] Antes de descrever como a colheitadeira agrícola 100 gera um mapa de produção preditiva funcional e usa o mapa de produção preditiva funcional para a apresentação ou controle, uma breve descrição de alguns dos itens na colheitadeira agrícola 100, e sua operação, serão primeiramente descritas. A descrição das figuras 2 e 3 descrevem a recepção de um tipo geral de mapa de informação anterior e combinação de informação do mapa de informação anterior com um sinal do sensor georreferenciado, gerado por um sensor in-situ, onde o sinal do 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, as 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 tal 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 do sensor in-situ e o mapa anterior de valores de informação é identificado, e essa relação é usada para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz valores em diferentes locais geográficos em um campo, e um ou mais daqueles valores podem ser usados para controlar a 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 interação pelo operador ou usuário.

[0040] A descrição das figuras 2 e 3 descrevem a recepção de um tipo geral de mapa de informação anterior e combinação de informação do mapa de informação anterior com um sinal do sensor georreferenciado, gerado por um sensor in-situ, onde o sinal do 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, as 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 tal 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 do sensor in-situ e o mapa anterior de valores de informação é identificado, e essa relação é usada para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz valores em diferentes locais geográficos em um campo, e um ou mais daqueles valores podem ser usados para controlar a 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 interação pelo operador ou usuário.

[0041] Uma relação entre os valores de característica obtidos dos sinais do sensor in-situ e os valores de mapa de informação anterior é identificada, e relação esta que é usada para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz valores em diferentes locais geográficos em um campo, e um ou mais daqueles valores podem ser usados para controlar a 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, como por intermédio de uma exibição, de forma táctil ou 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 um a colheitadeira agrícola, apresentação para um operador ou outro usuário, e apresentação para um operador ou usuário para interação pelo operador ou usuário.

[0042] Depois de a proposta geral ser descrita com relação às figuras 2 e 3, uma proposta mais específica para gerar um mapa de característica agrícola preditiva funcional que pode ser apresentado a um operador ou usuário, usado para controlar a colheitadeira agrícola 100, ou ambos, é descrita com relação às figuras 4 e 5.

[0043] 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 das colheitadeiras agrícolas ou outras máquinas de trabalho agrícolas.

[0044] 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 o 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. [001] 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 “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 o sensoreiam características de um campo durante o curso de uma operação agrícola. O gerador de modelo preditivo 210 ilustrativamente inclui a prior gerador de modelo de variável-para-variável insitu 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 interface de operador 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 de lona 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 pode incluir uma extensa variedade de outros subsistemas 256.

[0045] A figura 2 também mostra que a colheitadeira agrícola 100 pode receber um ou mais mapa(s) de informação anterior(es) 258. Conforme descrito abaixo, o(s) mapa(s) de informação anterior(es) inclui(em), por exemplo, um mapa de índice vegetativo ou um mapa de vegetação de uma operação anterior no campo. Todavia, o mapa (s) de informação anterior(es) 258 podem também compreender outros tipos de dados que foram obtidos antes de uma operação de colheita ou um mapa de uma operação anterior, tal como mapas de produção histórica dos anos anteriores, que contêm informação contextual associada à produção histórica. A informação contextual pode incluir, sem limitação, uma ou mais de condições climáticas sobre 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, temperatura ao longo da estação, etc. Alguns exemplos de pestes amplamente incluem 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 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.

[0046] O mapa de informação anterior 258 pode ser baixado à 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 os baixamentos ou transferências de informação para, e de, um cartão Secure Digital (SD) ou um cartão de barramento série universal (USB), ou ambos.

[0047] O sensor de posição geográfica 204 ilustrativamente o 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 de navegação global por satélite (GNSS), que recebe sinais de um transmissor de satélite de GNSS. O sensor de posição geográfica 204 pode também incluir um componente de cinemático em 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.

[0048] 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 placa de impacto, um sensor de atenuação de radiação, ou um sensor de imagem que é interno à colheitadeira agrícola 100 (tal como uma câmera de grão limpo). 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.

[0049] 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 anterior 258. Por exemplo, se o mapa de informação anterior 258 mapear um valor de índice vegetativo para diferentes locais no campo, e o sensor in-situ 208 está sensoreando um valor indicativo de produção, então prior gerador de modelo de variável-para-variável in-situ de informação 228 gera um modelo de produção preditiva que modela a relação entre os valores de índice vegetativo e os valores de produção. Então, o gerador de mapa preditivo 212 usa o modelo de produção preditiva gerado pelo gerador de modelo preditivo 210 para gerar um mapa de produção preditiva funcional, que prediz o valor de produção, em diferentes locais no campo, com base no mapa de informação anterior 258. Ou, por exemplo, se o mapa de informação anterior 258 mapear um valor de produção histórico para diferentes locais no campo e o sensor insitu 208 está sensoreando um valor indicativo de produção, então prior gerador de modelo de variável-para-variável in-situ de informação 228 gera um modelo de produção preditiva que modela a relação entre os valores de produção histórica (com ou sem informação contextual) e os valores de produção in-situ. Então, o gerador de mapa preditivo 212 usa o modelo de produção preditiva gerado pelo gerador de modelo preditivo 210 para gerar um mapa de produção preditiva funcional, que prediz o valor de produção que é esperado ser sensoreado pelos sensores in-situ 208, em diferentes locais no campo, com base no mapa de informação anterior 258.

[0050] O modelo preditivo pode também ser gerado com base em valores de característica de semeadura do mapa de informação anterior 258 e múltiplos valores de dados in-situ gerados pelos sensores in-situ 208. Então, o gerador de mapa preditivo 212 usa o modelo preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263 que prediz o valor de uma característica, tal como biomassa ou uma característica de biomassa, sensoreada pelos sensores in-situ 208 em diferentes locais no campo com base no mapa de informação anterior 258.

[0051] Em um exemplo em que o mapa de informação anterior 258 é um mapa de semeadura e o sensor in-situ 208 sensoreia um valor indicativo de uma característica agrícola, o gerador de mapa preditivo 212 pode usar os valores de característica de semeadura no mapa de informação anterior 258 e o modelo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263 que prediz a característica agrícola em diferentes locais no campo. O gerador de mapa preditivo fornece assim um mapa preditivo 264.

[0052] Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser o mesmo que o tipo de dados in-situ senhoreado pelos sensores in-situ 208. Em alguns casos, o tipo de valores no mapa preditivo funcional 263 pode ter diferentes unidades que os dos dados sensoreados pelos sensores in-situ 208. Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser diferente do tipo de dados sensoreado pelos sensores in-situ 208, mas tem uma relação ao tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, em alguns exemplos, o tipo de dados sensoreado pelos sensores in-situ 208 pode ser indicativo do tipo de valores no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação anterior 258. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter diferentes unidades que os dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação anterior 258, mas tem uma relação ao tipo de dados no mapa de informação anterior 258. Por exemplo, em alguns exemplos, o tipo de dados no mapa de informação anterior 258 pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é diferente de um dentre, ou ambos, do tipo de dados in-situ sensoreado pelos sensores in-situ 208 e do tipo de dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um dentre, ou ambos, de, do tipo de dados in-situ sensoreado pelos sensores in-situ 208 e o tipo de dados no mapa de informação anterior 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um do tipo de dados in-situ sensoreado pelos sensores in-situ 208 ou o tipo de dados no mapa de informação anterior 258, e diferentes um do outro.

[0053] Conforme mostrado na figura 2, o mapa preditivo 264 prediz o valor de uma característica sensoreada (sensoreada pelos sensores in-situ 208) ou o valor de uma característica relacionada à característica sensoreada em vários locais através do campo com base em um valor de informação anterior no mapa de informação anterior 258 naqueles locais e usando o modelo preditivo. Por exemplo, se o gerador de modelo preditivo 210 tiver gerado um modelo preditivo indicativo de uma relação entre um valor de característica de semeadura e o estado de cultivo, então, dado um valor de característica de semeadura 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. A característica de semeadura naqueles locais, obtida do mapa de semeadura, e a relação entre um valor de característica de semeadura e o estado de cultivo, obtida do modelo preditivo, é usada para gerar o mapa preditivo 264. Isso é porque as várias características de semeadura podem ser indicativas de um estado de cultivo resultante de cultivos no campo. Por exemplo, o genótipo da semente plantada (tal como o híbrido de semente) pode afetar o estado de cultivo resultante. Por exemplo, diferentes híbridos de cultivos são mais ou menos suscetíveis a ficarem em um estado caído, tal como de estalo verde, em que os caules são quebrados devido aos fortes ventos. As características de semeadura e o estado de cultivo são providos meramente como exemplos. As características de semeadura podem se relacionar a várias outras características sensoreadas por um ou mais sensores in-situ 208, o gerador de modelo preditivo 210 este que pode gerar um modelo. O gerador de modelo preditivo 210 pode gerar um modelo preditivo indicativo de uma relação entre um valor de característica de semeadura e qualquer de um número de características sensoreadas pelos sensores in-situ 208 ou qualquer de um número características relacionadas à característica sensoreada, e o gerador de mapa preditivo 212 pode gerar um mapa preditivo 264 que prediz o valor da característica em diferentes locais através do campo. Um valor de característica de semeadura, obtido do mapa de semeadura naqueles locais, e a relação entre um valor de característica de semeadura e a característica sensoreada pelos sensores in-situ 208, obtida do modelo preditivo, pode ser usado para gerar o mapa preditivo 264.

[0054] Algumas variações nos tipos de dados que são mapeados no mapa de informação anterior 258, os tipos de dados sensoreados pelos sensores in-situ 208, e os tipos de dados preditos no mapa preditivo 264 serão agora descritos.

[0055] Em alguns exemplos, o tipo de dados no mapa de informação anterior 258 é diferente do tipo de dados sensoreado pelos sensores in-situ 208. Agora, 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 anterior 258 pode ser um mapa de semeadura, e a variável sensoreada pelos sensores in-situ 208 pode ser a produção. Em um tal exemplo, o mapa preditivo 264 pode ser um mapa de produção preditivo, que mapeia os valores de produção preditos para os diferentes locais geográficos no campo. Em outro exemplo, o mapa de informação anterior 258 pode ser um mapa de semeadura, e a variável sensoreada pelos sensores in-situ 208 pode ser a altura de cultivo. Nesse exemplo, o mapa preditivo 264 pode ser um mapa de altura de cultivo preditivo, que mapeia os valores de altura de cultivo preditos para os diferentes locais geográficos no campo.

[0056] Também, em alguns exemplos, o tipo de dados no mapa de informação anterior 258 é diferente do tipo de dados sensoreado pelos sensores in-situ 208, e o tipo de dados no mapa preditivo 264 é diferente tanto do tipo de dados no mapa de informação anterior 258 quanto do tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de semeadura, e a variável sensoreada pelos sensores in-situ 208 pode ser a altura de cultivo. Em um tal exemplo, o mapa preditivo 264 pode ser um mapa de biomassa preditivo, que mapeia a biomassa predita para os diferentes locais geográficos no campo. O mapa preditivo 264 (Ao Revisor: fragmento)

[0057] Em alguns exemplos, o mapa de informação anterior 258 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é diferente do tipo de dados sensoreado pelos sensores in-situ 208, ainda o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação anterior 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 do caule. O mapa preditivo 264 pode então ser um mapa de tamanho de caule preditivo, que mapeia os valores de tamanho de caule preditos para os diferentes locais geográficos no campo. Em outro exemplo, o mapa de informação anterior 258 pode ser um mapa híbrido de semeadura, e a variável sensoreada pelos sensores in-situ 208 pode ser o estado de cultivo, 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 os diferentes locais geográficos no campo.

[0058] Em alguns exemplos, o mapa de informação anterior 258 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é o mesmo que o tipo de dados sensoreado pelos sensores in-situ 208, e o tipo de dados no mapa preditivo 264 é também o mesmo que o tipo de dados sensoreado pelos sensores in-situ 208. Por exemplo, o mapa de informação anterior 258 pode ser um mapa de produção gerado durante um 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 os diferentes locais geográficos no campo. Em um tal exemplo, as diferenças de produção relativas no mapa de informação anterior georreferenciado 258 do ano anterior podem ser usadas pelo gerador de modelo preditivo 210 para gerar um modelo preditivo que modela uma relação entre as diferenças de produção relativas no mapa de informação anterior 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 210 para gerar um mapa de produção preditivo.

[0059] Em outro exemplo, o mapa de informação anterior 258 pode ser um mapa de intensidade de erva daninha, gerado durante uma operação anterior, tal como de um pulverizador, e a variável sensoreada pelos sensores in-situ 208 pode ser a intensidade de erva daninha. O mapa preditivo 264 pode então ser um mapa de intensidade de erva daninha preditivo, que mapeia os preditos valores de intensidade de erva daninha para os diferentes locais geográficos no campo. Em um tal exemplo, um mapa das intensidades de ervas daninhas no instante da pulverização é gravado de forma geograficamente referenciada e provido para a colheitadeira agrícola 100 as um mapa de informação anterior 258 da intensidade de erva daninha. Os sensores in-situ 208 pode detectar a intensidade de erva daninha 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 erva daninha no instante da colheita e a intensidade de erva daninha no instante de pulverização. Isso é porque o pulverizador terá impactado a intensidade de erva daninha no instante de pulverização, mas as ervas daninhas pode ainda são cultivadas em áreas similares novamente pela colheita. Todavia, as áreas de ervas daninhas, na colheita, são prováveis que tenham diferente intensidade com base na temporização da colheita, clima, tipo de erva daninha, dentre outros fatores.

[0060] 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 grupos 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 com aquelas 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 em valores contidos em um mapa, tal como o mapa preditivo 264. Nesse caso, o gerador de zona de controle 213 analisa o mapa e identifica zonas de controle que são de um tamanho definido para acomodar o tempo de resposta dos subsistemas controláveis 216. Em outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste do excessivo movimento de atuador que resulta do ajuste contínuo. Em alguns exemplos, pode existir um diferente conjunto das 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, ou pode não, incluir as zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui as zonas de controle, como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 inclui as zonas de controle, 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 de intercultivo for implementado. Nesse caso, o gerador de mapa preditivo 212 e o gerador de zona de controle 213 são capazes de identificar o local e as características dos dois ou mais cultivos e então gerar o mapa preditivo 264 e o mapa de zona de controle preditivo 265, consequentemente.

[0061] Será também reconhecido que o gerador de zona de controle 213 pode agrupar valores para gerar as 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 uso posterior.

[0062] O mapa preditivo 264 e 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 o mapa de zona de controle preditivo 265 ou ambos. Em alguns exemplos, o controlador de sistema de comunicação 229 controla o sistema de comunicação 206 para comunicar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou os sinais de controle com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 a 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.

[0063] 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 de, ou com base no mapa preditivo 264, o 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, corrigir uma característica exibida no mapa, com base 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 ambos. Por exemplo, o controlador de regulagens 232 pode gerar sinais de controle para controlar os atuadores de máquina e da plataforma de corte 248. Em resposta aos sinais de controle gerados, os atuadores de máquina e da plataforma de corte 248 operam para controlar, por exemplo, um ou mais dos ajustes de peneira e crivo superior, folga de côncavos, regulagens de rotor, regulagens de velocidade da ventoinha de limpeza, a altura da plataforma de corte, a funcionalidade de plataforma de corte, a velocidade de carretel, a posição de carretel, a funcionalidade de lona (onda colheitadeira agrícola 100 é acoplada a uma plataforma de corte de lona), a funcionalidade de plataforma de corte de grão, 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 gerar sinais de controle para controlar o subsistema de direção 252 para direcionar 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 direcionar 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 ou produtividade com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 ou ambos. Por exemplo, conforme a colheitadeira agrícola 100 se aproxima a uma próxima área de cultivo no campo tendo um valor de biomassa acima de um limite selecionado, o controlador de taxa de alimentação 236 pode reduzir a velocidade de máquina 100 para manter constante a taxa de alimentação de biomassa através da máquina. O controlador de plataforma de corte e carretel 238 pode gerar sinais de controle para controlar uma plataforma de corte ou um carretel ou outra funcionalidade da plataforma de corte. O controlador de correia de lona 240 pode gerar sinais de controle para controlar uma correia de lona ou outra funcionalidade de lona com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos. O controlador de posição de placa de cobertura 242 pode gerar sinais de controle para controlar a posição de uma placa de cobertura incluída em uma plataforma de corte com base no mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou ambos, e o controlador de sistema de resíduo 244 pode gerar sinais de controle para controlar um subsistema de resíduo 138 com base no mapa preditivo 264or o mapa de zona de controle preditivo 265, ou ambos. O controlador de limpeza de máquina 245 pode gerar sinais de controle para controlar o subsistema de limpeza de máquina254. Por exemplo, com base nos diferentes tipos de ervas daninhas ou ervas daninhas passadas através da máquina 100, um tipo particular de operação de limpeza de máquina ou uma frequência com a qual uma operação de limpeza é realizada pode ser controlado. Outros controlares 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.

[0064] 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 anterior 258.

[0065] Em 280, a colheitadeira agrícola 100 recebe o mapa de informação anterior 258. Os exemplos de mapa de informação anterior 258 ou da recepção de mapa de informação anterior 258 são discutidos com relação aos blocos 281, 282, 284 e 286. Conforme discutido acima, o mapa de informação anterior 258 mapeia valores de uma variável, correspondentes a uma primeira característica, para diferentes locais no campo, como indicado no bloco 282. Por exemplo, um mapa de informação anterior pode ser um mapa de semeadura gerado durante uma operação anterior ou com base nos dados de uma operação anterior no campo, tal como operação de plantio de semente, realizada por uma semeadora. Os dados para o mapa de informação anterior 258 podem ser coletados também de outras maneiras. Por exemplo, os dados podem ser coletados com base em imagens aéreas ou valores medidos tomados durante um ano anterior, ou mais cedo na estação de crescimento atual, ou em outros momentos. A informação pode ser com base nos dados detectados ou recolhidos também de outras maneiras (diferentemente do uso de imagens aéreas). Por exemplo, os dados para o mapa de informação anterior 258 podem ser transmitidos para a colheitadeira agrícola 100 usando o sistema de comunicação 206 e armazenados no banco de dados 202. Os dados para o mapa de informação anterior 258 podem ser providos para a colheitadeira agrícola 100 usando o sistema de comunicação 206 também de outras maneiras, e isso é indicado pelo bloco286 no fluxograma da figura 3. Em alguns exemplos, o mapa de informação anterior 258 podem ser recebidos pelo sistema de comunicação 206.

[0066] No começo de uma operação de colheita, os sensores in-situ 208 geram sinais de sensor indicativos de um ou mais valores in-situ de dados, indicativos de uma característica agrícola, por exemplo, uma característica de não máquina, tal como um a característica do campo, ou uma característica de máquina, como regulagens de máquina, as características de operação, ou características de desempenho de máquina, como indicado pelo bloco 288. Os exemplos dos sensores in-situ 208 são discutidos com relação aos blocos 222, 290, e 226. Como explicado acima, os sensores in-situ 208 incluem sensores a bordo 222; sensores remotos in-situ 224, como Sensores baseados em UAV, que voaram em um instante para coletar dados in-situ, mostrados no bloco 290; ou outros tipos de sensores in-situ, designados pelos sensores in-situ 226. Em alguns exemplos, os dados de sensores a bordo são referenciados geograficamente usando os dados de posição, rumo, ou velocidade do sensor de posição geográfica 204.

[0067] O gerador de modelo preditivo 210 controla o gerador de modelo de variável de informação anterior-para-variável in-situ 228 para gerar um modelo que modela uma relação entre os valores mapeados contidos no mapa de informação anterior 258 e os valores in-situ sensoreados pelos sensores in-situ 208, como indicado pelo bloco 292. As características ou tipos de dados representados pelos valores mapeados no mapa de informação anterior 258 e os valores in-situ sensoreados pelos sensores in-situ 208 podem ser as mesmas características ou tipos de dados ou diferentes características ou tipos de dados.

[0068] 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 anterior 258, como indicado pelo bloco 294.

[0069] Deve ser notado que, em alguns exemplos, o mapa de informação anterior 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 dado diferente do tipo de dados de outra camada de mapa ou a camadas de mapa pode ter o mesmo tipo de dados que foram obtidos 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 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 anterior 258 e cada tipo de variável sensoreada pelos sensores in-situ 208. O gerador de mapa preditivo 212 pode gerar um mapa preditivo funcional 263, que prediz um valor para cada característica sensoreada 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 anterior 258.

[0070] O gerador de mapa preditivo 212 configura o mapa preditivo 264 de modo 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 maneiras diferentes em que 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 modo que o mapa preditivo 264 inclua valores que possam 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.

[0071] 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 de limite uns dos outros podem ser agrupados em uma zona de controle. O valor de limite pode ser um valor de limite padrão, ou o valor de limite pode ser ajustado com base em uma entrada de operador, com base em uma entrada de um sistema automático ou com base em outros critérios. Um tamanho das zonas pode ser baseado em uma responsividade do sistema de controle 214, dos subsistemas controláveis 216, ou 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 o 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, correlacionados 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, em outro exemplo, incluir informação mais abstrata ou informação mais detalhada. A apresentação pode também incluir um nível de confidência que indica uma precisão 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/autorização pode ser provido para implementar 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, somente, ou os mapas podem também ser gerados em um ou mais locais remotos. Em alguns exemplos, cada dispositivo de exibição físico em cada local pode ser associado a um nível de permissão de pessoa ou de um usuário. O nível de permissão de usuário pode ser usado para determinar quais marcadores 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, em um local remoto, Todavia, pode ser capaz de ver o mapa preditivo 264 na exibição, mas não pode fazer 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 alterar o mapa preditivo 264 que é usado no controle da máquina. Isso 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.

[0072] No bloco 298, a entrada do sensor de posição geográfica 204 e outros sensores in-situ 208 são recebidas pelo sistema de controle. O bloco 300 representa a recepção pelo sistema de controle 214 de 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 de 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.

[0073] 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 insitu 208. No bloco 310, o sistema de controle 214 aplica os sinais de controle aos subsistemas controláveis. Será reconhecido 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 fatores diferentes. 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 podem ser baseados em várias latências do fluxo de cultivo através da colheitadeira agrícola 100 e da responsividade dos subsistemas controláveis 216.

[0074] A título de exemplo, um mapa preditivo gerado 264 na forma de um mapa de produção preditiva pode ser usado para controlar um ou mais subsistemas controláveis 216. Por exemplo, o mapa de produção preditiva funcional pode incluir valores de produção georreferenciados a locais dentro do campo sendo colhido. O mapa de produção preditiva funcional pode ser extraído e usado para controlar os subsistemas de direção e propulsão 252 e 250. Por meio do controle dos subsistemas de direção e propulsão 252 e 250, uma taxa de alimentação de material ou grão se movendo através da colheitadeira agrícola 100 pode ser controlada. Similarmente, a altura da plataforma de corte pode ser controlada para captar mais ou menos material 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 a produção à frente da máquina sendo mais alta em uma porção da plataforma de corte que outra porção da plataforma de corte, resultando em uma diferente biomassa entrando em um lado da plataforma de corte que o outro lado, o controle da plataforma de corte pode ser implementado. Por exemplo, uma velocidade de lona em um lado da plataforma de corte pode ser aumentada ou diminuída com relação à velocidade de lona no outro lado da plataforma de corte para levar em conta a biomassa adicional. Assim, o controlador do carretel da plataforma de corte 238 pode ser controlado usando valores georreferenciados presentes no mapa de produção preditiva para controlar as velocidades de lona das correias de lona na plataforma de corte. O exemplo precedente envolvendo o controle de taxa de alimentação e plataforma de corte usando um mapa de produção preditiva funcional é provido meramente como um exemplo. Consequentemente, uma extensa variedade de outros sinais de controle pode ser gerado usando os valores obtidos de um mapa de produção preditiva ou outro tipo de mapa preditivo funcional para controlar um ou mais dos subsistemas controláveis 216.

[0075] 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.

[0076] 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.

[0077] Os critérios de disparo de aprendizagem podem incluir qualquer de uma extensa variedade de critérios diferentes. 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 limite de 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. Além disso, o novo mapa preditivo 264, o mapa de zona de controle preditivo 265, ou ambos, podem ser re-gerados usando o novo modelo preditivo. O bloco 318 representa a detecção de uma quantidade limite de dados de sensor in-situ usada para disparar a criação de um novo modelo preditivo.

[0078] Em outros exemplos, os critérios de disparo de aprendizagem podem ser baseados em quanto os dados de sensor in-situ dos sensores in-situ 208 estão se alterando, tal como sobre o tempo ou em comparação com os valores anteriores. Por exemplo, se variações dentro dos dados de sensor insitu (ou a relação entre os dados de sensor in-situ e a informação em mapa de informação anterior 258) estiverem dentro de uma faixa selecionada ou forem inferiores a uma quantidade definida ou é abaixo de um valor de 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 variações dentro dos dados de sensor in-situ são fora da faixa selecionada, são maiores que a quantidade definida, ou estiverem acima do valor de 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, as variações de dados de sensor insitu, tal como um a 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 anterior 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 definidas 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.

[0079] 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 anterior (diferente do originalmente selecionado mapa de informação anterior 258), então a comutação para o diferente de informação anterior 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.

[0080] 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; 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.

[0081] 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 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 a 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.

[0082] 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.

[0083] 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 realiza 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.

[0084] 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.

[0085] 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 anterior na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, em outros exemplos, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 podem receber, 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.

[0086] 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 fatores, 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 entre os vários componentes mostrados aqui. Conforme mostrado, o gerador de modelo preditivo 210 recebe um ou mais de um mapa de índice vegetativo 332 ou um mapa de produção histórica 333 as um mapa de informação anterior. O mapa de produção histórica 333 inclui os valores de produção histórica 335 indicativos de valores de produção através do campo durante uma colheita passada ou anterior. O mapa de produção histórica 333 também inclui dados contextuais 337 que são indicativos do contexto ou condições que podem ter influenciado o valor de produção para o(s) ano(s) anterior(es). Por exemplo, dados contextuais 337 podem incluir tipo de solo, elevação, inclinação, data da plantação, data da colheita, aplicação de fertilizante, tipo de semente (híbrida, etc.), uma medida da presença de ervas daninhas, uma medida da presença de peste, condições climáticas, por exemplo, precipitação de chuva, cobertura por neve, granizo, vento, temperatura, etc. O mapa de produção histórica 333 pode incluir também outros itens, conforme indicado pelo bloco 339. Conforme mostrado no exemplo ilustrado, o mapa de índice vegetativo 332 não contém informação adicional. Todavia em outros exemplos, o mapa de índice vegetativo 332 pode incluir também outros itens. Por exemplo, o crescimento de ervas daninhas tem um efeito sobre uma leitura de índice vegetativo. Consequentemente, a aplicação de herbicida com relação temporal ao sensoreamento de índice vegetativo usado para gerar mapa de índice vegetativo 332 pode ser informação contextual incluída no mapa de índice vegetativo 332 para prover o contexto aos valores de índice vegetativo.

[0087] As características agrícolas detectadas pelo sistema de processamento 338 podem incluir qualquer de um número de características de não máquina, como características do campo ou características de plantas no campo (por exemplo, as características indicativas de biomassa ou produção, as características de estado de cultivo, tais como os dados de cultivo caído, as características de tamanho de cultivo, como altura de cultivo, diâmetro de caule de cultivo, ou tamanho de espiga) bem como uma variedade de outras características de não máquina do ambiente no qual a colheitadeira agrícola 100 opera. As características agrícolas detectadas pelo sistema de processamento 338 podem também incluir qualquer de um número de características de máquina da colheitadeira agrícola 100, ou de outra máquina, como regulagens de máquina, as características de desempenho de máquina, ou características de operação de máquina (por exemplo, uma altura da plataforma de corte 102 do campo, uma posição ou uma velocidade do carretel 164, uma regulagem de velocidade da ventoinha de limpeza 120, uma força requerida para acionar o rotor de debulhe 112, ou uma velocidade à frente da colheitadeira agrícola 100) bem como uma variedade de outras características de máquina. Assim, os sensores in-situ 208 podem ser qualquer sensor que pode detectar uma característica agrícola, tal como um a característica de não máquina ou uma característica de máquina.

[0088] O sistema de processamento 338 processa dados de sensor gerados do sensor de característica agrícola 336 para gerar dados processados, alguns exemplos dos quais são descritos abaixo. Por exemplo, o sensor de característica agrícola 336 pode ser um sensor óptico, tal como uma câmera ou outro dispositivo que realiza o sensoreamento óptico. O sensor óptico pode gerar imagens indicativas de várias características agrícolas, tais como características de não máquina ou características de máquina da colheitadeira agrícola 100, ou de outra máquina, bem como características relacionadas. O sistema de processamento 338 processa um ou mais sinais de sensor, como imagens obtidas de um sensor óptico, para gerar dados de sensor processados, tais como os dados de imagem processados, identificando uma ou mais características de não máquina, como características do campo, ou os dados processados de sensor identificando uma ou mais características da colheitadeira agrícola 100, como regulagens de máquina, as características de operação, ou características de desempenho de máquina, ou características relacionadas.

[0089] O sistema de processamento 338 pode também localizar geograficamente os valores recebidos do sensor in-situ 208. Por exemplo, o local da colheitadeira agrícola no instante em que um sinal do sensor in-situ 208 é recebido é tipicamente não o local preciso da característica agrícola no campo. Isso é porque uma quantidade de tempo decorre entre quando a colheitadeira agrícola faz o contato inicial com a característica agrícola e quando a característica agrícola é sensoreada pelos sensores in-situ 208. Assim, um tempo transiente entre quando uma característica agrícola é inicialmente encontrada e quando a característica agrícola é sensoreada com os sensores in-situ 208 é levado em conta quando da referenciação geográfica dos dados sensoreados. Por efetuar isso, a característica sensoreada pode ser precisamente geograficamente referenciada a um local no campo.

[0090] A título de exemplo, uma quantidade de tempo pode decorrer entre quando a colheitadeira agrícola faz o contato inicial com uma planta e quando a característica da planta é sensoreada. Por exemplo, na detecção de uma característica de produção com base no sensoreamento de grão processado que é fornecido para um local de armazenamento na colheitadeira agrícola, uma quantidade de tempo pode decorrer entre quando a planta foi encontrada no campo e quando o grão processado é sensoreado, como no local de armazenamento. Assim, um tempo transiente entre quando uma planta é inicialmente encontrada e quando grão da planta é sensoreado por um sensor in-situ 208 é levado em conta quando da referenciação geográfica dos dados sensoreados. Por efetuar isso, a produção pode ser precisamente referenciada geograficamente a um local no campo. Devido ao deslocamento do cultivo separado ao longo de uma plataforma de corte em uma direção que é transversal a uma direção de deslocamento da colheitadeira agrícola 100, os valores de produção normalmente se localizam geograficamente a uma área e forma de V atrás da colheitadeira agrícola 100 quando a colheitadeira agrícola 100 se desloca em uma direção à frente. O sistema de processamento 338 aloca ou se conjuga a uma produção agregada detectada por um sensor de produção durante cada instante ou intervalo de medição de volta para as regiões mais cedo geograficamente referenciadas com base nos tempos de deslocamento do cultivo de diferentes porções da colheitadeira agrícola, tais como diferentes locais laterais ao longo de uma largura de uma plataforma de corte da colheitadeira agrícola. Por exemplo, o sistema de processamento 338 aloca uma produção agregada medida de um intervalo de medição ou tempo de volta para as regiões geograficamente referenciadas que foram atravessadas por uma plataforma de corte da colheitadeira agrícola durante diferentes intervalos ou tempos de medição. O sistema de processamento 338 conjuga ou aloca a produção agregada de um intervalo ou tempo de medição particular para regiões geograficamente referenciadas, previamente atravessadas, que fazem parte da área em forma de V. Similarmente, em um exemplo no qual o sensor in-situ 208 é a força de acionamento do rotor de debulhe, o sensor que gera um sinal de sensor indicativo de biomassa, o sistema de processamento 338 pode localizar geograficamente os valores, tais como os valores de biomassa, por cálculo de um retardo de tempo entre quando o cultivo foi encontrado no campo e quando o cultivo será debulhado pelo rotor de debulhe 112. Em um tal exemplo, a característica da força de acionamento do rotor de debulhe pode ser correlacionada, tal como um indicador de biomassa, ao local correto no campo por levar em conta o retardo de tempo calculado. Esse retardo de tempo pode ser com base em, pelo menos em parte, a velocidade à frente da colheitadeira agrícola 100. Esses são meramente exemplos.

[0091] Em alguns exemplos, o sensor de característica 336 pode contar com comprimentos de onda de energia eletromagnética e a maneira na qual energia eletromagnética é refletida por, absorvida por, atenuada por, ou transmitida através de, biomassa ou do grão colhido, por exemplo. Um sensor de característica agrícola 336 pode sensorear outras propriedades eletromagnéticas de biomassa ou grão colhido, como permissividade elétrica, quando o material passa entre duas placas capacitivas. Um sensor de característica agrícola 336 pode também contar com a interação física associada com biomassa ou grãos. Por exemplo, um sinal pode ser produzido por uma folha piezelétrica em resposta a um impacto de biomassa ou grãos sobre a mesma ou um sinal pode ser produzido por um microfone ou acelerômetro em resposta a um som ou vibração gerado por um impacto de biomassa ou grãos sobre outro objeto. Outras propriedades ou interações e os sensores podem também ser usadas. Em alguns exemplos, os dados brutos ou processados do sensor de característica agrícola 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 100 ou em um local remoto.

[0092] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica agrícola 336 é configurado para sensorear características agrícolas, tais como características de não máquina ou características de máquina da colheitadeira agrícola 100 ou de outra máquina, ou características relacionadas respectivamente às mesmas. Uma característica de não máquina, para a finalidade desta invenção, é qualquer característica agrícola que não é relacionada à máquina. Por exemplo, as características de não máquina podem incluir características do campo no qual a colheitadeira agrícola 100 opera, bem como várias outras características de não máquina. Será reconhecido que a característica de não máquina pode ser sensoreada externamente à colheitadeira agrícola 100 ou internamente dentro da colheitadeira agrícola 100. Uma característica de máquina, para a finalidade desta invenção, é qualquer característica agrícola que se refere a uma máquina, como a colheitadeira agrícola 100 ou de outra máquina e inclui, por exemplo, regulagens de máquina, as características de operação, ou características de desempenho de máquina, bem como outras características de máquina. Será notado que, em alguns exemplos, uma característica de máquina pode também ser indicativa de uma característica de não máquina, ou vice-versa. Por exemplo, a força de acionamento do rotor de debulhe (uma característica de máquina) pode ser indicativa de biomassa (uma característica de não máquina).

[0093] Será reconhecido que esses são apenas alguns exemplos, e os sensores mencionados acima, como outros exemplos do sensor de característica agrícola 336, são também contemplados aqui. Adicionalmente, será reconhecido que os sensores in-situ 208, incluindo o sensor de característica agrícola 336, podem sensorear qualquer de um número de características agrícolas. O gerador de modelo preditivo 210, discutido abaixo, pode identificar uma relação entre uma ou mais características agrícolas detectadas ou representadas nos dados de sensor, em um local geográfico correspondente aos dados de sensor, e um ou mais valores de característica de semeadura de um mapa de semeadura, tal como o mapa de semeadura 332, correspondente ao mesmo local no campo. Com base nessa relação, o gerador de modelo preditivo 210 gera um modelo de característica agrícola preditiva. Ainda, será reconhecido que o gerador de mapa preditivo 212, discutido abaixo, pode usar os modelos de característica gerados pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional, tal como um mapa de característica agrícola preditiva funcional. O mapa preditivo funcional gerado prediz uma ou mais características agrícolas em diferentes locais no campo com base em valores de característica de semeadura geograficamente referenciados, contidos no mapa de semeadura 332 nos mesmos locais no campo.

[0094] Será reconhecido que isso é meramente um exemplo, e os sensores mencionados acima, como outros exemplos de sensor de produção a bordo 336, são aqui também contemplados. Conforme mostrado na figura 4, o gerador de modelo preditivo 210 inclui um gerador de modelo de índice vegetativo-para-produção 342, e um gerador de modelo de produção histórica-para-produção 344. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, menos componentes 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 de geradores de modelos preditivos para gerar outros tipos de modelos de produção.

[0095] Conforme mostrado na figura 4A, o gerador de modelo preditivo de exemplo 210 inclui um ou mais de um gerador de modelo de característica de não máquina-para-população 342, um gerador de modelo de característica de não máquina-para-genótipo 344, um gerador de modelo de característica de máquina-para-população 346, e um gerador de modelo de característica de máquina-para-genótipo 347. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, menos componentes ou diferentes componentes que aqueles mostrados no exemplo da figura 4A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 também pode incluir outros itens 348. Outros itens 348 podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos de características agrícolas. Por exemplo, outros itens 348 podem incluir outras características de modelos de não máquina ou outras características de modelos de máquina, tais como um modelo de característica de não máquina-para-outra característica de semeadura ou um modelo de característica de máquina-para-outra característica de semeadura. Outras características de semeadura podem incluir, por exemplo, o local (por exemplo, o local geográfico das sementes no campo); o espaçamento (por exemplo, o espaçamento entre as sementes individuais e o espaçamento entre as fileiras de sementes); população, que pode ser derivada de, o espaçamento; orientação (por exemplo, orientação de sementes em uma cova e orientação das fileiras de sementes); profundidade (por exemplo, a profundidade de semente e a profundidade de sulco); dimensões (por exemplo, o tamanho de semente); e genótipo (por exemplo, espécies de semente, híbrido de semente, variedade de semente, cultivar de sementes, etc.). Outras características de semeadura podem também ser incluídas, como várias características do leito de semente ou da cova de semente.

[0096] O gerador de modelo de característica de não máquina-parapopulação 342 identifica uma relação entre uma característica de não máquina detectada ou representada nos dados de sensor 340, em um local geográfico correspondente aos dados de sensor 340, e valores de população de plantas do mapa de semeadura 332 correspondente ao mesmo local no campo onde a característica ambiental foi detectada ou corresponde. Com base nessa relação estabelecida pelo gerador de modelo de característica ambiental-parapopulação 342, o gerador de modelo de característica ambiental-parapopulação 342 gera um modelo de característica agrícola preditiva. O modelo de característica agrícola preditiva é usado pelo gerador de mapa de característica de não máquina 352 para predizer a característica de não máquina em diferentes locais no campo com base no valor de população de planta geograficamente referenciado, contido no mapa de semeadura 332 nos mesmos locais no campo.

[0097] O gerador de modelo de característica de não máquina-paragenótipo 344 identifica uma relação entre uma característica de não máquina, detectada ou representada nos dados de sensor 340, em um local geográfico correspondente aos dados de sensor 340, e os valores de genótipo do mapa de semeadura 332 correspondentes ao mesmo local no campo onde a característica de não máquina foi detectada ou corresponde. Com base nessa relação estabelecida pelo gerador de modelo de característica de não máquinapara-genótipo 344, o gerador de modelo de característica de não máquinapara-genótipo 344 gera um modelo de característica agrícola preditiva. O modelo de característica agrícola preditiva é usado pelo gerador de mapa de característica de não máquina 352 para predizer a característica de não máquina em diferentes locais no campo com base no valor de genótipo geograficamente referenciado, contido no mapa de semeadura 332 nos mesmos locais no campo.

[0098] O gerador de modelo de característica de máquina-parapopulação346 identifica uma relação entre uma característica de máquina detectada ou representada nos dados de sensor 340, em um local geográfico correspondente aos dados de sensor, e valores de população de plantas do mapa de semeadura 332 correspondentes ao mesmo local no campo onde a característica de máquina foi detectada ou corresponde. Com base nessa relação estabelecida pelo gerador de modelo de característica de máquinapara-população346, o gerador de modelo de característica de máquina-parapopulação346 gera um modelo de característica agrícola preditiva. O modelo de característica agrícola preditiva é usado pelo gerador mapa de característica de máquina 354 para predizer a característica de máquina em diferentes locais no campo com base no valor de população de planta geograficamente referenciado, contido no mapa de semeadura 332 nos mesmos locais no campo.

[0099] O gerador de modelo de características de máquina-paragenótipo 347 identifica uma relação entre uma característica de máquina detectada ou representada nos dados de sensor 340, em um local geográfico correspondente aos dados de sensor, e o valor de genótipo do mapa de semeadura 332 correspondente ao mesmo local no campo onde a característica de máquina foi detectada ou corresponde. Com base nessa relação estabelecida pelo gerador de modelo de característica de máquinapara-genótipo 347, o gerador de modelo de característica de máquina-paragenótipo 347 gera um modelo de característica agrícola preditiva. O modelo de característica agrícola preditiva é usado pelo gerador mapa de característica de máquina 354 para predizer a característica de máquina em diferentes locais no campo com base no valor de genótipo geograficamente referenciado contido no mapa de semeadura 332 nos mesmos locais no campo.

[00100] À luz do acima, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de características agrícolas preditivas, tais como um ou mais dos modelos de características agrícolas preditivas geradas pelos geradores de modelos 342, 344, 346, 347, ou 348. Em outro exemplo, dois ou mais dos modelos de características agrícolas preditivas descritos acima podem ser combinados em um único modelo de característica agrícola preditiva, que prediz duas ou mais de características de não máquina ou características de máquina com base nos valores de característica de semeadura em diferentes locais no campo. Qualquer desses modelos de características agrícolas, ou combinações dos mesmos, são representados coletivamente pelo modelo de característica 350 na figura 4A.

[00101] O modelo de característica agrícola preditiva 350 é provido para o gerador de mapa preditivo 212. No exemplo da figura 4A, o gerador de mapa preditivo 212 inclui um gerador de mapa de característica de não máquina 352 e um gerador de mapa de característica de máquina 354. Em outros exemplos, o gerador de mapa preditivo 212 pode incluir adicionais, menos, ou diferentes geradores de mapa. Assim, em alguns exemplos, o gerador de mapa preditivo 212 pode incluir outros itens 358, que podem incluir outros tipos de geradores de mapa para gerar mapas características para outros tipos de características. O gerador de mapa de característica de não máquina 352 recebe o mapa de semeadura 332 e o modelo de característica agrícola preditiva 350 (que prediz as características de não máquina com base em um valor de característica de semeadura no mapa de semeadura 332), e gera um mapa preditivo que prediz a característica de não máquina em diferentes locais no campo.

[00102] O gerador de mapa de característica de máquina 354 recebe o mapa de semeadura 332 e o modelo de característica preditiva 350 (que prediz as características de máquina com base em um valor de característica de semeadura no mapa de semeadura 332), e gera um mapa preditivo que prediz a característica de máquina em diferentes locais no campo.

[00103] O gerador de mapa preditivo 212 fornece um ou mais mapas de característica agrícola preditiva funcional 360, que são preditivos de uma ou mais das características de não máquina ou características de máquina. Cada do mapas de característica agrícola preditiva funcional 360 prediz a respectiva característica agrícola em diferentes locais em um campo. Cada um dos mapas de característica agrícola preditiva funcional gerados 360 pode ser provido para controlar o gerador de zona 213, o sistema de controle 214, ou ambos, conforme mostrado na figura 2. 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 um mapa preditivo funcional 360 com as zonas de controle. O mapa preditivo funcional 360 (com ou sem as zonas de controle ) pode ser provido para controlar o sistema 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo funcional 360 (com ou sem as zonas de controle ).

[00104] A figura 4B é um diagrama de blocos mostrando alguns exemplos de sensores de tempo real (in-situ) 208. Alguns dos sensores mostrados na figura 4B, ou diferentes combinações deles, podem ter tanto um sensor 336 quanto um sistema de processamento 338. Alguns dos possíveis sensores in-situ 208 mostrados na figura 4B são mostrados e descritos acima com relação às figuras anteriores e são similarmente enumerados. A figura 4B mostra que os sensores in-situ 208 podem incluir sensores de entrada de operador 980, os sensores de máquina 982, os sensores de propriedade de material colhido 984, os sensores de propriedade de campo e solo 985, sensor de características ambientais 987, e podem incluir uma ampla variedade de outros sensores 226. Os sensores de não máquina 983 incluem, sensor(es) de entrada de operador 980, sensor(es) de propriedade de material colhido 984, sensor(es) de propriedade de campo e solo 985, sensor(es) de característica ambiental 987 e podem incluir também outros sensores 226. Os sensores de entrada de operador 980 podem ser sensores que sensoreiam as entradas de operador através de mecanismos de interface de operador 218. Por conseguinte, os sensores de entrada de operador 980 podem sensorear o movimento de usuário de conjuntos de articulação, alavancas de controle, um volante, botões, mostradores, ou pedais. Os sensores de entrada de operador 980 podem também sensorear as interações de usuário com outros mecanismos de entrada de operador, como com uma tela sensível ao toque, com um microfone no qual o reconhecimento de voz é utilizado, ou qualquer de uma ampla variedade de outros mecanismos de entrada de operador.

[00105] Os sensores de máquina 982 podem sensorear diferentes características da colheitadeira agrícola 100. Por exemplo, conforme discutido acima, os sensores de máquina 982 podem incluir sensores de velocidade de máquina 146, sensor de perda de separador 148, câmera de grão limpo 150, mecanismo de captura de imagem voltado para frente 151, sensores de perda 152 ou sensor de posição geográfica 204, exemplos dos quais são descritos acima. Os sensores de máquina 982 podem também incluir os sensores de regulagem de máquina 991, que sensoreiam as regulagens de máquina. Alguns exemplos de regulagens de máquina foram descritos acima com relação à figura 1. O sensor de posição de equipamento de extremidade dianteira (por exemplo, plataforma de corte) 993 pode sensorear a posição da plataforma de corte 102, o carretel 164, o cortador 104, ou outro equipamento de extremidade dianteira com relação ao chassi da colheitadeira agrícola 100. Por exemplo, o sensor s 993 pode sensorear a altura da plataforma de corte 102 acima do solo. Os sensores de máquina 982 podem também incluir sensores de orientação de equipamento de extremidade dianteira (por exemplo, plataforma de corte) 995. Os sensores 995 podem sensorear a orientação da plataforma de corte 102 com relação à colheitadeira agrícola 100, ou com relação ao solo. Os sensores de máquina 982 podem incluir os sensores de estabilidade 997. Os sensores de estabilidade 997 sensoreiam o movimento (e amplitude) de oscilação ou de saltos da colheitadeira agrícola 100. Os sensores de máquina 982 podem também incluir os sensores de regulagem de resíduo 999 que são configurados para sensorear se a colheitadeira agrícola 100 está configurada para picar o resíduo, produzir um depósito em fiada, ou tratar o resíduo de outra maneira. Os sensores de máquina 982 podem incluir o sensor de velocidade de ventoinha de sapata de limpeza 951, que sensoreia a velocidade da ventoinha de limpeza 120. Os sensores de máquina 982 podem incluir os sensores de folga de côncavos 953 que sensoreiam a folga entre o rotor 112 e os côncavos 114 na colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir os sensores de folga de crivo superior 955 que sensoreiam o tamanho de aberturas no crivo superior 122. Os sensores de máquina 982 podem incluir o sensor de velocidade de rotor de debulhe 957 que sensoreia uma velocidade de rotor do rotor 112. Os sensores de máquina 982 podem incluir o sensor de pressão de rotor 959, que sensoreia a pressão usada para acionar o rotor 112. Os sensores de máquina 982 podem incluir o sensor de folga de peneira 961 que sensoreia o tamanho de aberturas na peneira 124. Os sensores de máquina 982 podem incluir o sensor de umidade de MOG 963 que sensoreia um nível de umidade do MOG passando através da colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir o sensor de orientação de máquina 965, que sensoreia a orientação da colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir os sensores de taxa de alimentação de material 967 que sensoreiam a taxa de alimentação de material conforme o material se desloca através do alimentador 106, do elevador de grão limpo 130, ou em outro lugar na colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir os sensores de biomassa 969 que sensoreiam a biomassa no deslocamento através do alimentador 106, através do separador 116, ou em outro lugar na colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir o sensor de consumo de combustível 971, que sensoreia uma taxa de consumo de combustível sobre tempo da colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir o sensor de utilização de energia 973 que sensoreia a utilização de energia na colheitadeira agrícola 100, tal como quais subsistemas estão utilizando energia, ou a taxa na qual os subsistemas estão utilizando energia, ou a distribuição de energia entre os subsistemas na colheitadeira agrícola 100. Os sensores de máquina 982 podem incluir os sensores de pressão dos pneus 977 que sensoreiam a pressão de inflação nos pneus 144 da colheitadeira agrícola 100. O sensor de máquina 982 pode incluir uma ampla variedade de outros sensores de desempenho de máquina, ou sensores de característica de máquina, indicados pelo bloco 975. Os sensores de desempenho de máquina e sensores de característica de máquina 975 podem sensorear o desempenho de máquina ou as características da colheitadeira agrícola 100.

[00106] Os sensores de propriedade de material colhido 984 podem sensorear características do material de cultivo separado quando o material de cultivo está sendo processado pela colheitadeira agrícola 100. As propriedades de cultivo podem incluir tais fatores como o tipo de cultivo, umidade do cultivo, qualidade de grão (tal como grão quebrado), níveis de MOG, constituintes de grão, tais como amidos e proteína, umidade de MOG, e outras propriedades de material de cultivo. Outros sensores poderiam sensorear a “tenacidade” da palha, adesão de milho às espigas, e outras características, que poderiam ser usadas de forma benéfica para controlar processamento para a melhor captura de grão, reduzido dano ao grão, reduzido consumo de energia, reduzida perda de grãos, etc.

[00107] Os sensores de propriedade de campo e solo 985 podem sensorear as características do campo e solo. As propriedades de campo e solo podem incluir umidade do solo, compacidade do solo, a presença e o local de água parada, tipo do solo, e outras características do solo e do campo.

[00108] Os sensores de características ambientais 987 podem sensorear uma ou mais características ambientais. As características ambientais podem incluir tais fatores como a direção do vento e a velocidade do vento, precipitação, nevoeiro, nível de poeira ou outros obscurantes, ou outras características ambientais.

[00109] Em alguns exemplos, um ou mais dos sensores mostrados na figura 4B são processados para receber os dados processados 340 e as entradas usadas para o gerador de modelo 210. O gerador de modelo 210 gera um modelo indicativo da relação entre os dados de sensor e um ou mais dos mapas de informação anteriores ou preditivos. O modelo é provido para o gerador de mapa 212 que gera um mapa, que mapeia os valores de dados de sensor preditivos correspondentes ao sensor da figura 4B ou uma característica relacionada.

[00110] A figura 5 é um fluxograma de um exemplo de operação de gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 na geração de O modelo de característica agrícola preditiva 350 e o mapa de característica agrícola preditiva funcional 360, respectivamente. No bloco 362, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um mapa de semeadura anterior 332. No bloco 364, o sistema de processamento 338 recebe um ou mais sinais de sensor dos sensores in-situ 208, como o sensor de característica agrícola 336. Conforme discutido acima, um sensor de característica agrícola 336 pode ser um sensor de característica de não máquina, tal como indicado pelo bloco 366; um sensor de característica de máquina, tal como indicado pelo bloco 368; ou outro tipo do sensor de característica agrícola, tal como indicado pelo bloco 370.

[00111] No bloco 372, o sistema de processamento 338 processa o um ou mais sinais de sensor, recebido(s) para gerar dados de sensor indicativos de uma característica agrícola presente no um ou mais sinais de sensor ou de uma característica relacionada. No bloco 374, os dados de sensor podem ser indicativos de uma ou mais características de não máquina que existem em, ou correspondem a, um local no campo, tal como em um local à frente de uma colheitadeira combinada. Em alguns casos, como indicado no bloco 376, os dados de sensor podem ser indicativos de uma ou mais características de máquina que existem em, ou correspondem a, um local no campo. Em alguns casos, como indicado no bloco 380, os dados de sensor podem ser indicativos de outra característica agrícola.

[00112] No bloco 382, o gerador de modelo preditivo 210 também obtém o local geográfico correspondente aos dados de sensor. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica, ou uma indicação da posição geográfica, do sensor de posição geográfica 204 e determinar, com base em retardos de máquina, a velocidade de máquina, etc., um local geográfico preciso no campo, aos quais os dados de sensor correspondem, como um local geográfico preciso onde o sinal de sensor foi gerado ou do qual o dado de sensor 340 foi derivado.

[00113] No bloco 384, o gerador de modelo preditivo 210 gera um ou mais modelos preditivos, tais como o modelo de característica agrícola preditiva 350, que modela uma relação entre um valor de característica de semeadura obtido do mapa de semeadura 332, e uma característica sendo sensoreada pelo sensor in-situ 208 ou uma característica relacionada. Por exemplo, o gerador de modelo preditivo 210 pode gerar uma modelo de característica agrícola preditiva que modela uma relação entre um valor de característica de semeadura e uma característica agrícola sensoreada, tal como uma característica de não máquina ou uma característica de máquina, indicada pelos dados de sensor obtidos do sensor in-situ 208 ou uma característica relacionada.

[00114] No bloco 386, o modelo preditivo, como modelo de característica agrícola preditiva 350, é provido para o gerador de mapa preditivo 212, que gera um mapa preditivo funcional, tal como o mapa de característica agrícola preditiva funcional 360, que mapeia uma característica agrícola predita com base no mapa de semeadura, ou a característica de semeadura geograficamente referenciada, valores na mesma, e o modelo de característica agrícola preditiva 350. Em alguns exemplos, o mapa de característica agrícola preditiva funcional 360 prediz uma característica de não máquina, como indicado pelo bloco 388. Em alguns exemplos, o mapa de característica agrícola preditiva funcional 360 prediz uma característica de máquina, como indicado pelo bloco 390. Em ainda outros exemplos, o mapa de característica agrícola preditiva funcional 360 prediz outros itens, como indicado pelo bloco 392. Por exemplo, em outros exemplos, o mapa de característica agrícola preditiva funcional 360 pode predizer uma ou mais características de máquina juntamente com uma ou mais características de não máquina, ou vice-versa. Ainda, o mapa de característica agrícola preditiva funcional 360 pode ser gerado durante o curso de uma operação agrícola. Assim, quando uma colheitadeira agrícola está se movendo através de um campo realizando uma operação agrícola, o mapa de característica agrícola preditiva funcional 360 é gerado conforme a operação agrícola está sendo realizada.

[00115] No bloco 394, o gerador de mapa preditivo 212 fornece o mapa de característica agrícola preditiva funcional 360. No bloco 391, o gerador de mapa preditivo 212 fornece o mapa de característica agrícola preditiva funcional para apresentação para, e possível interação por, o operador 260. No bloco 393, o gerador de mapa preditivo 212 pode configurar o mapa de característica agrícola preditiva funcional para consumo pelo sistema de controle 214. No bloco 395, o gerador de mapa preditivo 212 pode também prover o mapa de característica agrícola preditiva funcional 360 para controlar o gerador de zona 213 para geração e incorporação das zonas de controle. No bloco 397, o gerador de mapa preditivo 212 configura o mapa de característica agrícola preditiva funcional 360 também de outras maneiras. O mapa de característica agrícola preditiva 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 o os subsistemas controláveis 216 com base no mapa de característica preditiva 360 (com ou sem as zonas de controle ).

[00116] O sistema de controle 214 pode gerar sinais de controle para controlar a plataforma de corte ou outro(s) atuador(es) de máquina 248. O sistema de controle 214 pode gerar sinais de controle para controlar o subsistema de propulsão 250. O sistema de controle 214 pode gerar sinais de controle para controlar o subsistema de direção 252. O sistema de controle 214 pode gerar sinais de controle para controlar subsistema de resíduo 138. O sistema de controle 214 pode gerar sinais de controle para controlar o subsistema de limpeza de máquina254. O sistema de controle 214 pode gerar sinais de controle para controlar o debulhador 110. O sistema de controle 214 pode gerar sinais de controle para controlar o subsistema de manipulação de material 125. O sistema de controle 214 pode gerar sinais de controle para controlar o subsistema de limpeza de cultivo 118. O sistema de controle 214 pode gerar sinais de controle para controlar sistema de comunicação 206. O sistema de controle 214 pode gerar sinais de controle para controlar os mecanismos de interface de operador 218. O sistema de controle 214 pode gerar sinais de controle para controlar vários outros dos subsistemas controláveis 256.

[00117] Pode assim ser visto que o presente sistema toma um mapa de informação anterior, que mapeia uma característica, tal como um valor de característica de semeadura ou informação de um passe de operação anterior, para diferentes locais em um campo. O presente sistema também usa um ou mais sensores in-situ que sensoreiam os dados de sensor in-situ que são indicativos de uma característica agrícola, tal como um a característica de não máquina, uma característica de máquina, ou outra característica agrícola capaz de ser sensoreada pelos sensores in-situ ou indicada por características sensoreadas pelos sensores in-situ e gera um modelo que modela uma relação entre um sensor de característica agrícola e usando o sensor in-situ, ou uma característica relacionada, e a característica mapeada no mapa de informação anterior. Assim, o presente sistema gera um mapa preditivo funcional usando um modelo, dados in-situ, e um mapa de informação anterior e pode configurar o mapa preditivo funcional gerado para consumo por um sistema de controle, para apresentação a um operador local ou remoto ou outro usuário, ou ambos. Por exemplo, o sistema de controle pode usar o mapa para controlar um ou mais sistemas de uma colheitadeira agrícola.

[00118] 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 naqueles sistemas.

[00119] Também, inúmeras exibições de interface de usuário foram discutidas. As exibições podem assumir uma extensa variedade de diferentes formas e pode ter uma extensa variedade de diferentes mecanismos de interface de operador atuáveis por usuário, dispostos nas mesmas. Por exemplo, os 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 tal como um dispositivo de apontar e clicar, tal como uma esfera rolante ou Mouse, botões de hardware, interruptores, uma alavanca de controle ou teclado, 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.

[00120] 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.

[00121] 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.

[00122] Será notado que a discussão acima descreveu uma variedade de diferentes sistemas, componentes, lógicas e interações. Será reconhecido 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.

[00123] 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.

[00124] 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.

[00125] 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.

[00126] 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 tablet, 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.

[00127] 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).

[00128] 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.

[00129] 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.

[00130] 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.

[00131] 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.

[00132] 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.

[00133] 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.

[00134] 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.

[00135] A figura 8 mostra um exemplo, no qual o dispositivo 16 é um computador tablet 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 tablet 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.

[00136] 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.

[00137] Note que outras formas dos dispositivos são possíveis.

[00138] 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.

[00139] 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.

[00140] 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.

[00141] 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.

[00142] 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.

[00143] 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.

[00144] 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.

[00145] 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.

[00146] 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.

[00147] 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.

[00148] O exemplo 1 é uma máquina de trabalho agrícola, compreendendo: um sistema de comunicação que recebe um mapa de informação anterior que inclui valores de uma característica de semeadura 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 valor de uma característica agrícola correspondente ao local geográfico; um gerador de modelo preditivo que gera um modelo agrícola preditivo que modela uma relação entre a característica de semeadura e a característica agrícola baseada em um valor da característica de semeadura no mapa de informação anterior no local geográfico e no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico.

[00149] um gerador de mapa preditivo que gera um mapa de característica agrícola preditiva funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo com base nos valores da característica de semeadura no mapa de informação anterior e com base no modelo agrícola preditivo.

[00150] 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 de característica agrícola preditiva funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa de característica agrícola preditiva funcional.

[00151] O exemplo 3 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 configurado para detectar uma imagem indicativa da característica agrícola.

[00152] O exemplo 4 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor óptico é orientado para detectar uma imagem de pelo menos uma porção do campo e compreende adicionalmente: um sistema de processamento de imagem configurado para processar a imagem para identificar o valor da característica agrícola na imagem indicativa da característica agrícola.

[00153] O exemplo 5 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in-situ na máquina de trabalho agrícola é configurado para detectar, como o valor da característica agrícola, um valor de uma característica de não máquina, correspondente ao local geográfico.

[00154] O exemplo 6 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de genótipo e a característica de não máquina com base no valor da característica de não máquina correspondente ao local geográfico e o valor de genótipo, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de genótipo como uma entrada de modelo e gerar um valor preditivo da característica de não máquina como uma saída de modelo com base na relação identificada.

[00155] O exemplo 7 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de população correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de população e a característica de não máquina com base no valor da característica de não máquina correspondente ao local geográfico e o valor de população, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de população como uma entrada de modelo e gerar um valor preditivo da característica de não máquina como uma saída de modelo com base na relação identificada.

[00156] O exemplo 8 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in-situ na máquina de trabalho agrícola é configurado para detectar, como o valor da característica agrícola, um valor de uma característica de máquina correspondente ao local geográfico.

[00157] O exemplo 9 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de genótipo e a característica de máquina com base no valor da característica de máquina correspondente ao local geográfico e o valor de genótipo, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de genótipo como uma entrada de modelo e gerar um valor preditivo de a característica de máquina como uma saída de modelo com base na relação identificada.

[00158] O exemplo 10 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de população correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de população e a característica de máquina com base no valor da característica de máquina correspondente ao local geográfico e o valor de população, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de população como uma entrada de modelo e gerar um valor preditivo de a característica de máquina como uma saída de modelo com base na relação identificada.

[00159] O exemplo 11 é um método implementado por computador para gerar um mapa agrícola preditivo funcional, compreendendo: receber um mapa de informação anterior, em uma máquina de trabalho agrícola, que inclui valores de uma característica de semeadura correspondente a diferentes locais geográficos em um campo; detectar um local geográfico da máquina de trabalho agrícola; detectar, com um sensor in-situ, um valor de uma característica agrícola correspondente ao local geográfico; gerar um modelo agrícola preditivo que modela uma relação entre a característica agrícola e a característica de semeadura; e controlar um gerador de mapa preditivo para gerar o mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo com base nos valores da característica de semeadura no mapa de informação anterior e com base no modelo agrícola preditivo.

[00160] O exemplo 12 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, e compreendendo adicionalmente: configurar o mapa agrícola preditivo funcional para um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa agrícola preditivo funcional.

[00161] O exemplo 13 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que receber um mapa de informação anterior compreende: receber um mapa de semeadura que inclui, como valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo.

[00162] O exemplo 14 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que gerar um modelo agrícola preditivo compreende: identificar uma relação entre os valores de genótipo e a característica agrícola baseada no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico e o valor de genótipo, no mapa de semeadura, no local geográfico; e controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de genótipo como uma entrada de modelo e gerar um valor preditivo da característica agrícola como uma saída de modelo com base na relação identificada.

[00163] O exemplo 15 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que receber um mapa de informação anterior compreende: receber um mapa de semeadura que inclui, como valores da característica de semeadura, valores de população correspondentes aos diferentes locais geográficos no campo.

[00164] O exemplo 16 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que gerar um modelo agrícola preditivo compreende: identificar uma relação entre os valores de população e a característica agrícola baseada no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico e o valor de população, no mapa de semeadura, no local geográfico; e controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de população como uma entrada de modelo e gerar um valor preditivo da característica agrícola como uma saída de modelo com base na relação identificada.

[00165] O exemplo 17 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, compreendendo adicionalmente: controlar um mecanismo de interface de operador para apresentar o mapa de característica agrícola preditiva funcional.

[00166] O exemplo 18 é uma máquina de trabalho agrícola, compreendendo: um sistema de comunicação que recebe um mapa de semeadura que indica valores de uma característica de semeadura 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 valor de uma característica agrícola, correspondente ao local geográfico; um gerador de modelo preditivo que gera um modelo preditivo que identifica uma relação entre a característica de semeadura e a característica agrícola com base em um valor de característica de semeadura no mapa de semeadura no local geográfico e no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico; e um gerador de mapa preditivo que gera um mapa preditivo funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo, com base nos valores da característica de semeadura no mapa de semeadura e com base no modelo preditivo.

[00167] O exemplo 19 é a máquina de trabalho agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o mapa de semeadura inclui, como os valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de genótipo e a característica agrícola baseada no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico e o valor de genótipo, no mapa de semeadura, no local geográfico, o modelo preditivo sendo configurado para receber um valor de genótipo como uma entrada de modelo e gerar um valor preditivo da característica agrícola como uma saída de modelo com base na relação identificada.

[00168] 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

Sistema agrícola, caracterizado pelo fato de que compreende: um sistema de comunicação (206) que recebe um mapa de informação anterior (258) que inclui valores de uma característica de semeadura correspondente a diferentes locais geográficos em um campo; um sensor de posição geográfica (204) que detecta um local geográfico de uma máquina de trabalho agrícola (100); um sensor in-situ (208) que detecta um valor de uma característica agrícola correspondente ao local geográfico; um gerador de modelo preditivo (210) que gera um modelo agrícola preditivo que modela uma relação entre a característica de semeadura e a característica agrícola baseada em um valor da característica de semeadura no mapa de informação anterior (258) no local geográfico e no valor da característica agrícola detectada pelo sensor in-situ (208) correspondente ao local geográfico; e um gerador de mapa preditivo (212) que gera um mapa de característica agrícola preditiva funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo com base nos valores da característica de semeadura no mapa de informação anterior (258) e com base no modelo agrícola preditivo.
Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o gerador de mapa preditivo configura o mapa de característica agrícola preditiva funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa de característica agrícola preditiva funcional.
Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in-situ compreende: um sensor óptico configurado para detectar uma imagem indicativa da característica agrícola.
Sistema agrícola de acordo com a reivindicação 3, caracterizado pelo fato de que o sensor óptico é orientado para detectar uma imagem de pelo menos uma porção do campo e compreende adicionalmente: um sistema de processamento de imagem configurado para processar a imagem para identificar o valor da característica agrícola na imagem indicativa da característica agrícola.
Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in-situ é configurado para detectar, como o valor da característica agrícola, um valor de uma característica de não máquina, correspondente ao local geográfico.
Sistema agrícola de acordo com a reivindicação 5, caracterizado pelo fato de que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de genótipo e a característica de não máquina com base no valor da característica de não máquina correspondente ao local geográfico e o valor de genótipo, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de genótipo como uma entrada de modelo e gerar um valor preditivo da característica de não máquina como uma saída de modelo com base na relação identificada
Sistema agrícola de acordo com a reivindicação 5, caracterizado pelo fato de que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de população correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de população e a característica de não máquina com base no valor da característica de não máquina correspondente ao local geográfico e o valor de população, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de população como uma entrada de modelo e gerar um valor preditivo da característica de não máquina como uma saída de modelo com base na relação identificada.
Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in-situ na máquina de trabalho agrícola é configurado para detectar, como o valor da característica agrícola, um valor de uma característica de máquina correspondente ao local geográfico.
Sistema agrícola de acordo com a reivindicação 8, caracterizado pelo fato de que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de genótipo e a característica de máquina com base no valor da característica de máquina correspondente ao local geográfico e o valor de genótipo, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de genótipo como uma entrada de modelo e gerar um valor preditivo de a característica de máquina como uma saída de modelo com base na relação identificada.
Sistema agrícola de acordo com a reivindicação 9, caracterizado pelo fato de que o mapa de informação anterior inclui, como os valores da característica de semeadura, valores de população correspondentes aos diferentes locais geográficos no campo, e em que o gerador de modelo preditivo é configurado para identificar uma relação entre os valores de população e a característica de máquina com base no valor da característica de máquina correspondente ao local geográfico e o valor de população, no mapa de informação anterior, no local geográfico, o modelo de característica preditiva sendo configurado para receber um valor de população como uma entrada de modelo e gerar um valor preditivo de a característica de máquina como uma saída de modelo com base na relação identificada.
Sistema agrícola, caracterizado pelo fato de que compreende: um sistema de comunicação (206) que recebe um mapa de semeadura que indica valores de uma característica de semeadura correspondente a diferentes locais geográficos em um campo; um sensor de posição geográfica (204) que detecta um local geográfico de uma máquina de trabalho agrícola (100); um sensor in-situ (208) que detecta um valor de uma característica agrícola, correspondente ao local geográfico; um gerador de modelo preditivo (210) que gera um modelo preditivo que identifica uma relação entre a característica de semeadura e a característica agrícola com base em um valor de característica de semeadura no mapa de semeadura no local geográfico e no valor da característica agrícola detectada pelo sensor in-situ (208) correspondente ao local geográfico; e um gerador de mapa preditivo (212) que gera um mapa preditivo funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo, com base nos valores da característica de semeadura no mapa de semeadura e com base no modelo preditivo.
Método implementado por computador para gerar um mapa agrícola preditivo funcional, caracterizado pelo fato de que compreende: receber um mapa de informação anterior (258) que inclui valores de uma característica de semeadura correspondente a diferentes locais geográficos em um campo; detectar um local geográfico de uma máquina de trabalho agrícola (100); detectar, com um sensor in-situ (208), um valor de uma característica agrícola correspondente ao local geográfico; gerar um modelo agrícola preditivo que modela uma relação entre a característica agrícola e a característica de semeadura; e controlar um gerador de mapa preditivo (212) para gerar o mapa agrícola preditivo funcional do campo, que mapeia valores preditivos da característica agrícola para os diferentes locais geográficos no campo com base nos valores da característica de semeadura no mapa de informação anterior (258) e com base 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 um mapa de informação anterior compreende: receber um mapa de semeadura que inclui, como valores da característica de semeadura, valores de genótipo correspondentes aos diferentes locais geográficos no campo.
Método implementado por computador de acordo com a reivindicação 14, caracterizado pelo fato de que gerar um modelo agrícola preditivo compreende: identificar uma relação entre os valores de genótipo e a característica agrícola baseada no valor da característica agrícola detectada pelo sensor in-situ, correspondente ao local geográfico e o valor de genótipo, no mapa de semeadura, no local geográfico; e controlar um gerador de modelo preditivo para gerar o modelo agrícola preditivo que recebe um valor de genótipo como uma entrada de modelo e gerar um valor preditivo da característica agrícola como uma saída de modelo com base na relação identificada.