BR102022005631A2 - Sistema agrícola, e, método implementado por computador para gerar um mapa de característica ambiental preditivo funcional - Google Patents

Sistema agrícola, e, método implementado por computador para gerar um mapa de característica ambiental preditivo funcional Download PDF

Info

Publication number
BR102022005631A2
BR102022005631A2 BR102022005631-5A BR102022005631A BR102022005631A2 BR 102022005631 A2 BR102022005631 A2 BR 102022005631A2 BR 102022005631 A BR102022005631 A BR 102022005631A BR 102022005631 A2 BR102022005631 A2 BR 102022005631A2
Authority
BR
Brazil
Prior art keywords
predictive
map
topographic
feature
model
Prior art date
Application number
BR102022005631-5A
Other languages
English (en)
Inventor
Nathan R. Vandike
Bhanu Kiran Reddy Palla
Noel W. Anderson
Original Assignee
Deere & Company
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deere & Company filed Critical Deere & Company
Publication of BR102022005631A2 publication Critical patent/BR102022005631A2/pt

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
    • A01D41/12—Details of combines
    • A01D41/127—Control or measuring arrangements specially adapted for combines

Abstract

Um mapa de informação é obtido por um sistema agrícola. O mapa de informação mapeia valores de uma característica topográfica para diferentes locais geográficos em um campo. Um sensor in situ detecta valores de uma característica ambiental conforme uma máquina de trabalho agrícola se move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prevê a característica ambiental em diferentes locais no campo com base em uma relação entre os valores da característica topográfica e os valores da característica ambiental detectados pelo sensor in situ. O mapa preditivo pode ser fornecido e usado no controle de máquina automático.

Description

SISTEMA AGRÍCOLA, E, MÉTODO IMPLEMENTADO POR COMPUTADOR PARA GERAR UM MAPA DE CARACTERÍSTICA AMBIENTAL PREDITIVO FUNCIONAL REFERÊNCIA CRUZADA A PEDIDO RELACIONADO
[001] O presente pedido é uma continuação em parte de, e reivindica a prioridade do pedido de patente norte-americano US número de série 17/066.442, depositado em 8 de outubro de 2020, que é uma continuação em parte de, e reivindica a prioridade de, os pedidos de patente norte-americanos número de série 16/783475, depositado em 6 de fevereiro de 2020, número de série 16/783511, depositado em 6 de fevereiro de 2020, número de série 16/380531, depositado em 10 de abril de 2019, e número de série 16/171978, depositado em 26 de outubro de 2018, os teores dos quais são aqui incorporados para referência em sua totalidade.
CAMPO DA DESCRIÇÃO
[002] A presente descrição se refere a máquinas agrícolas, máquinas de exploração florestal, máquinas de construção e máquinas de gerenciamento de gramado.
FUNDAMENTOS
[003] Existe uma ampla variedade de tipos diferentes de máquinas agrícolas. Algumas máquinas agrícolas incluem colheitadeiras, tais como colheitadeiras combinadas, colheitadeiras de cana-de-açúcar, colheitadeiras de algodão, a colheitadeiras autopropulsionadas, e ceifadeiras alinhadoras. Algumas colheitadeiras podem também ser equipadas com tipos diferentes de cabeças para colher tipos diferentes de colheitas.
[004] A discussão acima é meramente provida para informação de fundamento geral e não é destinada a ser usada como uma ajuda na determinação do escopo da matéria reivindicada.
SUMÁRIO
[005] Um mapa de informação é obtido por um sistema agrícola. O mapa de informação mapeia valores de uma característica topográfica para diferentes locais geográficos em um campo. Um sensor in situ detecta valores de uma característica ambiental Quando uma máquina de trabalho agrícola se move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prevê a característica ambiental em diferentes locais no campo com base em uma relação entre os valores da característica topográfica e os valores da característica ambiental detectados pelo sensor in situ. O mapa preditivo pode ser fornecido e usado no controle de máquina automático.
[006] O exemplo 1 é um sistema agrícola, compreendendo: um sistema de comunicação que recebe um mapa topográfico que mapeia valores de uma característica topográfica para diferentes locais geográficos no 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 ambiental correspondente ao local geográfico; um gerador de modelo preditivo que gera um mapa de característica ambiental preditivo indicativo de uma relação entre a característica topográfica e a característica ambiental com base no valor da característica topográfica no mapa topográfico correspondente ao local geográfico e ao valor da característica ambiental sensoreado pelo sensor in situ correspondente ao local geográfico; e um gerador de mapa preditivo que gera um mapa de característica ambiental preditivo funcional do campo que mapeia valores preditivos da característica ambiental para os diferentes locais geográficos no campo com base nos valores da característica topográfica no mapa topográfico e com base no modelo de característica ambiental preditivo.
[007] O exemplo 2 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de mapa preditivo configura o mapa de característica ambiental preditivo funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina de trabalho agrícola com base no mapa de característica ambiental preditivo funcional.
[008] O exemplo 3 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de produção, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de produção preditivo indicativo de uma relação entre a característica topográfica e produção com base no valor de produção detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de produção preditivo funcional que mapeia valores de produção preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de produção preditivo.
[009] O exemplo 4 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de umidade de cultivo, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de umidade de cultivo preditivo indicativo de uma relação entre a característica topográfica e umidade de cultivo com base no valor de umidade de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de umidade de cultivo preditivo funcional que mapeia valores de umidade de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de umidade de cultivo preditivo.
[0010] O exemplo 5 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de umidade de solo, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de umidade de solo preditivo indicativo de uma relação entre a característica topográfica e umidade de solo com base no valor de umidade de solo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de umidade de solo preditivo funcional que mapeia valores de umidade de solo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de umidade de solo preditivo.
[0011] O exemplo 6 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de biomassa, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de biomassa preditivo indicativo de uma relação entre a característica topográfica e biomassa com base no valor de biomassa detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de biomassa preditivo funcional que mapeia valores de biomassa preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de biomassa preditivo.
[0012] O exemplo 7 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de estado de cultivo, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de estado de cultivo preditivo indicativo de uma relação entre a característica topográfica e o estado de cultivo com base no valor de estado de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de estado de cultivo preditivo funcional que mapeia valores de estado de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de estado de cultivo preditivo.
[0013] O exemplo 8 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de constituinte de cultivo, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de constituinte de cultivo preditivo indicativo de uma relação entre a característica topográfica e a constituinte de cultivo com base no valor de constituinte de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de constituinte de cultivo preditivo funcional que mapeia valores de constituinte de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de constituinte de cultivo preditivo.
[0014] O exemplo 9 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de tamanho de grão, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de grão preditivo indicativo de uma relação entre a característica topográfica e o tamanho de grão com base no valor de tamanho de grão detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de grão preditivo funcional que mapeia valores de tamanho de grão preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de grão preditivo.
[0015] O exemplo 10 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de tamanho de caule, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de caule preditivo indicativo de uma relação entre a característica topográfica e tamanho de caule com base no valor de tamanho de caule detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de caule preditivo funcional que mapeia valores de tamanho de caule preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de caule preditivo.
[0016] O exemplo 11 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de tamanho de espiga, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de espiga preditivo indicativo de uma relação entre a característica topográfica e o tamanho de espiga com base no valor de tamanho de espiga detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de espiga preditivo funcional que mapeia valores de tamanho de espiga preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de espiga preditivo.
[0017] O exemplo 12 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de água estagnada, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de água estagnada preditivo indicativo de uma relação entre a característica topográfica e água estagnada com base no valor de água estagnada detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de água estagnada preditivo funcional que mapeia valores de água estagnada preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de água estagnada preditivo.
[0018] O exemplo 13 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o sensor in situ detecta, como o valor da característica ambiental, um valor de obscurantes, em que o modelo preditivo gera, como o modelo de característica ambiental preditivo, um modelo de obscurantes preditivo indicativo de uma relação entre a característica topográfica e obscurantes com base no valor de obscurantes detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo gera, como o mapa de característica ambiental preditivo funcional, um mapa de obscurantes preditivo funcional que mapeia valores de obscurantes preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de obscurantes preditivo.
[0019] O exemplo 14 é o sistema agrícola de acordo com qualquer ou todos dos exemplos anteriores, em que o gerador de mapa preditivo fornece o mapa de característica ambiental preditivo funcional para apresentação a um operador da máquina de trabalho agrícola.
[0020] O exemplo 15 é um método, implementado por computador, para gerar um mapa de característica ambiental preditivo funcional, compreendendo: receber um mapa topográfico que mapeia valores de uma característica topográfica para diferentes locais geográficos em um campo; obter dados de sensor in situ, indicativos de um valor de uma característica ambiental correspondente a um local geográfico no campo; gerar um mapa de característica ambiental preditivo indicativo de uma relação entre a característica topográfica e a característica ambiental; e controlar um gerador de mapa preditivo para gerar o mapa de característica ambiental preditivo funcional do campo, que mapeia valores preditivos da característica ambiental para os diferentes locais no campo com base nos valores da característica topográfica no mapa topográfico e o modelo de característica ambiental preditivo.
[0021] O exemplo 16 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores e compreendendo adicionalmente: configurar o mapa de característica ambiental preditivo funcional para um sistema de controle que gera sinais de controle para controlar um subsistema controlável em uma máquina de trabalho agrícola com base no mapa de característica ambiental preditivo funcional.
[0022] O exemplo 17 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores e compreendendo adicionalmente: controlar um subsistema controlável de uma máquina de trabalho agrícola com base no mapa de característica ambiental preditivo funcional.
[0023] O exemplo 18 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que obter dados de sensor in situ, indicativos de ao valor de uma característica ambiental compreende obter dados de sensor in situ, indicativos de dois ou mais dentre um valor de produção, um valor de umidade de cultivo, um valor de umidade de solo, um valor de biomassa, um valor do estado de cultivo, um valor de a constituinte de cultivo, um valor do tamanho de grão, um valor de tamanho de caule, um valor do tamanho de espiga, um valor de água estagnada, e um valor de obscurantes.
[0024] O exemplo 19 é o método implementado por computador de acordo com qualquer ou todos dos exemplos anteriores, em que gerar o modelo de característica ambiental preditivo é indicativo de uma relação entre a característica topográfica e dois ou mais dentre produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, o constituinte de cultivo, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, e obscurantes, e em que o mapa ambiental preditivo funcional do campo mapeia valores preditivos de dois ou mais dentre produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, o constituinte de cultivo, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, e obscurantes.
[0025] O exemplo 20 é uma máquina de trabalho agrícola, compreendendo: um sistema de comunicação que recebe um mapa topográfico que mapeia valores de uma característica topográfica para 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 ambiental correspondente a um local geográfico; um gerador de modelo preditivo que gera um mapa de característica ambiental preditivo indicativo de uma relação entre valores da característica topográfica e valores da característica ambiental com base no valor da característica ambiental detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico; um gerador de mapa preditivo que gera um mapa de característica ambiental preditivo funcional do campo, que mapeia valores preditivos da característica ambiental para os diferentes locais no campo, com base nos valores topográficos no mapa topográfico naqueles locais diferentes e com base no modelo de característica ambiental preditivo; e um sistema de controle que gera um sistema de controle com base no mapa de característica ambiental preditivo funcional e com base no local geográfico da máquina de trabalho agrícola.
[0026] Esse sumário é provido para apresentar uma seleção de conceitos, de uma forma simplificada, que são descritos mais detalhadamente abaixo na descrição detalhada. Esse sumário não é destinado a identificar características importantes ou características essenciais da matéria reivindicada, nem é destinado a ser usado como uma ajuda 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
[0027] A figura 1 é uma ilustração parcialmente simbólica, parcialmente esquemática, de um exemplo de uma colheitadeira combinada.
[0028] A figura 2 é um diagrama de blocos mostrando algumas porções de um sistema agrícola, incluindo uma colheitadeira agrícola, em mais detalhe, de acordo com alguns exemplos da presente descrição.
[0029] As figuras 3A-3B (coletivamente referidas aqui como a figura 3) mostram um fluxograma ilustrando um exemplo de operação de um sistema agrícola na geração de um mapa.
[0030] A figura 4A é um diagrama de blocos mostrando um exemplo de um gerador de modelo preditivo e um gerador de mapa preditivo.
[0031] A figura 4B é um diagrama de blocos mostrando os sensores de característica ambiental in situ.
[0032] A figura 5A-5B (coletivamente referidas aqui como a figura 5) mostram um fluxograma ilustrando um exemplo de operação de um gerador de modelo preditivo e o gerador de mapa preditivo.
[0033] A figura 6 é um diagrama de blocos mostrando um exemplo de uma colheitadeira agrícola em comunicação com um ambiente servidor remoto.
[0034] As figuras 7 a 9 mostram exemplos de dispositivos móveis que podem ser usados em um sistema agrícola, de acordo com alguns exemplos da presente descrição.
[0035] A figura 10 é um diagrama de blocos mostrando um exemplo de um ambiente de computação que pode ser usado em um sistema agrícola e as arquiteturas ilustradas nas figuras anteriores.
DESCRIÇÃO DETALHADA
[0036] Para as finalidades de promover uma compreensão dos princípios da presente descrição, referência será agora feita aos exemplos ilustrados nos desenhos, e linguagem específica será usada para descrever os mesmos. Não obstante, será entendido que nenhuma limitação do escopo da invenção é pretendida. Quaisquer alterações e outras modificações nos dispositivos, sistemas, métodos, descritos, e qualquer outra aplicação dos princípios da presente invenção são completamente contemplados como ocorreriam novamente para uma pessoa especializada na técnica à qual a invenção se refere. 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.
[0037] A presente descrição se refere ao uso de dados in situ, tomados simultaneamente com uma operação agrícola, em combinação com dados em um mapa de informação, para gerar um mapa preditivo e, mais particularmente, um mapa de característica ambiental preditivo. Em alguns exemplos, o mapa de característica ambiental preditivo pode ser usado para controlar uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola. Conforme discutido acima, o desempenho de uma colheitadeira agrícola pode variar com a variabilidade de características ambientais no campo. As características ambientais podem variar com base na topografia do local no campo, à qual elas correspondem. Sem limitação, as características ambientais podem incluir características no sítio de trabalho (incluindo características do campo) ou características da colheita no campo.
[0038] Um mapa topográfico ilustrativamente mapeia elevações do solo através de diferentes locais geográficos em um campo de interesse. Uma vez que a inclinação do solo é indicativa de uma alteração em elevação, ter dois ou mais valores de a elevação permite o cálculo da inclinação através das áreas que têm valores de a elevação conhecidos. Maior granularidade de inclinação pode ser realizada por ter mais áreas com valores de a elevação conhecidos. Quando uma colheitadeira agrícola se desloca através do terreno em direções conhecidas, a arfagem e o rolamento da colheitadeira agrícola podem ser determinados com base na inclinação do solo (isto é, áreas de a elevação cambiante). As características topográficas, como referidas abaixo, podem incluir, mas não são limitadas a, elevação, inclinação (por exemplo, incluindo a orientação da máquina com relação à inclinação), e perfil do solo (por exemplo, aspereza).
[0039] A presente discussão prossegue assim com relação um sistema s que recebem um mapa topográfico de um campo e usam também um sensor in situ para detectar um valor indicativo de uma característica ambiental, durante uma operação de colheita. Os sistemas geram um modelo que modela uma relação entre as características topográficas derivadas do mapa topográfico e os valores de saída do sensor in situ. O modelo é usado para gerar um mapa de característica ambiental preditivo funcional que prevê a característica ambiental (ou um valor de saída do sensor in situ) em diferentes locais no campo. O mapa de característica ambiental preditivo funcional, gerado durante a operação de colheita, pode ser usado em controlar automaticamente a colheitadeira durante a operação de colheita.
[0040] 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 as colheitadeiras combinadas sejam providas como exemplos por toda a presente invenção, será reconhecido que a presente descrição é também aplicável a outros tipos da colheitadeiras, tais como colheitadeiras de algodão, colheitadeiras de cana-de-açúcar, colheitadeiras autopropulsionadas, ceifadeiras alinhadoras, ou outras máquinas de trabalho agrícolas. Consequentemente, a presente invenção é destinada a abranger os vários tipos da colheitadeiras descritos e, assim, não é limitada às colheitadeiras combinadas. Além disso, a presente invenção é direcionada a outros tipos de máquinas de trabalho, tais como semeadoras e pulverizadores agrícolas, equipamento de construção, equipamento de exploração florestal, e equipamento de gerenciamento de gramados, nos quais a geração de um mapa preditivo pode ser aplicável. Consequentemente, a presente invenção é destinada a compreender esses vários tipos da colheitadeiras e outras máquinas de trabalho e, assim, não é limitada às colheitadeiras combinadas.
[0041] 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 um equipamento de extremidade dianteira como uma cabeça 102, e um cortador geralmente indicado em 104. A colheitadeira agrícola 100 também inclui um alimentador 106, um acelerador de alimentação 108, e um debulhador geralmente indicado em 110. O alimentador 106 e o acelerador de alimentação 108 fazem parte de um subsistema de manipulação de material 125. A cabeça 102 é acoplada de forma pivotante a um chassi103 da colheitadeira agrícola 100 ao longo de um eixo geométrico de pivô105. Um ou mais atuadores 107 acionam o movimento da cabeça 102 em torno do eixo geométrico 105 na direção geralmente indicada pelo conjunto 109. Assim, uma posição vertical de cabeça 102 (uma altura da cabeça) acima do solo 111 no qual a cabeça 102 se desloca é controlável pela atuação do atuador 107. Embora não mostrado na figura 1, a colheitadeira agrícola 100 pode também incluir um ou mais atuadores que operam para aplicar um ângulo de inclinação, um ângulo de rolamento, ou ambos à cabeça 102 ou às porções de cabeça 102. Inclinação se refere a um ângulo no qual o cortador 104 engata o cultivo. O ângulo de inclinação é aumentado, por exemplo, pelo controle da cabeça 102 para apontar uma borda distal 113 do cortador 104 mais na direção para o solo. O ângulo de inclinação é diminuído pelo controle da cabeça 102 para apontar a borda distal 113 do cortador 104 mais para longe do solo. O ângulo de rolamento se refere à orientação da cabeça 102 em torno do eixo geométrico longitudinal da frente para trás da colheitadeira agrícola 100.
[0042] O debulhador 110 ilustrativamente inclui um rotor de debulhe 112 e um conjunto de côncavos 114. Ainda, a colheitadeira agrícola 100 também inclui um separador 116. A colheitadeira agrícola 100 também inclui um subsistema de limpeza ou sapata de limpeza (coletivamente referido como subsistema de limpeza 118) que inclui uma ventoinha de limpeza 120, crivo superior 122, e peneira 124. O subsistema de manipulação de material 125 também inclui o batedor de descarga 126, elevador de resíduos 128, elevador de grão limpo 130, bem como transportador de parafuso sem-fim de descarregamento 134 e boca de descarga 136. O elevador de grão limpo move o grão limpo para dentro do tanque de grão limpo 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduo 138 que pode incluir o picador 140 e o espalhador 142. A colheitadeira agrícola 100 também inclui um sistema de propulsão que inclui um motor que aciona componentes de contato com o solo 144, tais como rodas ou lagartas. Em alguns exemplos, uma colheitadeira combinada dentro do escopo da presente invenção pode ter mais que um de qualquer dos subsistemas mencionados acima. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza, esquerdo e direito, separadores, etc. que não são mostrados na figura 1.
[0043] Na operação, e a título de visão geral, a colheitadeira agrícola 100 ilustrativamente se move através de um campo na direção indicada pelo conjunto 147. Quando a colheitadeira agrícola 100 se move, a cabeça 102 (e o carretel associado 164) engata o cultivo a ser colhido e reúne a colheita na direção para o cortador104. Um operador da colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto, ou um sistema automático. Um operador da colheitadeira agrícola 100 pode determinar um ou mais de uma regulagem de altura, uma regulagem do ângulo de inclinação, ou uma regulagem do ângulo de rolamento para a cabeça 102. Por exemplo, um 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 de um operador para estabelecer o ângulo de inclinação e o ângulo de rolamento da cabeça 102 e implementar as regulagens alimentadas por meio do controle de atuadores associados, não mostrados, que operam para alterar o ângulo de inclinação e o ângulo de rolamento de a cabeça 102. O atuador 107 mantém a cabeça 102 em uma altura acima do solo 111 com base em uma regulagem de altura e, onde aplicável, na inclinação e nos ângulos de rolamento desejados. Cada uma das regulagem de altura, rolamento, e inclinação pode ser implementada independentemente das outras. O sistema de controle responde a erro de cabeça (por exemplo, a diferença entre a regulagem de altura e a altura medida da cabeça 104 acima do solo 111 e, em alguns exemplos, os erros de ângulo de inclinação e do ângulo de rolamento) com uma responsividade que é determinada com base no nível de sensitividade. Se o nível de sensitividade for ajustado em um maior nível de sensitividade, o sistema de controle responde a menores erros de posição de cabeça, e tenta reduzir os erros detectados mais rapidamente que quando a sensitividade está em um nível mais baixo de sensitividade.
[0044] Retornando para a descrição da operação da colheitadeira agrícola 100, depois de os cultivos serem cortados pelo cortador 104, o material de cultivo cortado 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 resíduo 138. A porção de resíduo transferida para o subsistema de resíduo 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 um depósito em fiada. Em outros exemplos, o subsistema de resíduo 138 pode incluir eliminadores de sementes de ervas daninhas (não mostrados), tais como ensacadores de ervas daninhas ou outros coletores de sementes, ou esmagadores de sementes ou ouros destruidores de sementes.
[0045] Grão cai no subsistema de limpeza 118. O crivo superior 122 separa algumas peças maiores de material do grão, e a peneira 124 separa algumas peças mais finas de material do grão limpo. O grão limpo cai em um transportador de 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 por 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 crivos superiores. O fluxo de ar transporta resíduo para trás na colheitadeira agrícola 100 na direção para o subsistema de manipulação de resíduo 138.
[0046] O elevador de resíduos 128 retorna os resíduos para o debulhador 110, onde os resíduos são redebulhados. Alternativamente, os resíduos também podem ser passados para um mecanismo de redebulhe separado pelo elevador de resíduos ou um outro dispositivo de transporte, onde os resíduos são também redebulhados.
[0047] 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.
[0048] O sensor de velocidade de solo 146 sensoreia a velocidade de deslocamento da colheitadeira agrícola 100 no solo. O sensor de velocidade de solo 146 pode sensorear a velocidade de deslocamento da colheitadeira agrícola 100 por sensorear a velocidade de rotação dos componentes de contato com o solo (tais como rodas ou lagartas), para acionar uma árvore, um eixo, ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser sensoreada usando um sistema de posicionamento, tal como um sistema de posicionamento global (GPS), um sistema de reconhecimento passivo, um sistema de navegação de longo alcance (LORAN), um sensor de velocidade Doppler, ou uma extensa variedade de outros sistemas ou sensores que provêm uma indicação da velocidade de deslocamento. Os sensores de velocidade de solo 146 podem também incluir sensores de direção, tais como uma bússola, um magnetômetro, um sensor gravimétrico, um giroscópio, derivação de GPS, para determinar a direção de deslocamento em duas ou três dimensões em combinação com a velocidade. Dessa maneira, quando a colheitadeira agrícola 100 está em uma inclinação, a orientação da colheitadeira agrícola 100 com relação à inclinação é conhecida. Por exemplo, uma orientação da colheitadeira agrícola 100 poderia incluir subindo, descendo ou se deslocando transversalmente na inclinação. A velocidade da máquina ou do solo, quando referida nessa invenção pode também incluir as direções de deslocamento em duas ou três direções.
[0049] Sensores de perda 152 ilustrativamente provêm um sinal de saída indicativo da quantidade de perda de grão 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 choques de grão por unidade de tempo ou por unidade de distância percorrida para prover uma indicação de a perda de grão que ocorre no subsistema de limpeza 118. Os sensores de choque para os lados direito e esquerdo do subsistema de limpeza 118 podem prover sinais individuais ou um sinal combinado ou agregado. Em alguns exemplos, os sensores 152 podem incluir um único sensor em oposição a sensores separados providos para cada subsistema de limpeza 118.
[0050] O sensor de perda de separador 148 provê um sinal indicativo da perda de grão nos separadores esquerdo e direito, não separadamente mostrados na figura 1. Os sensores de perda de separador 148 podem ser associados com os separadores esquerdo e direito e podem prover sinais de perda de grão separados ou um sinal combinado ou agregado. Em alguns casos, o sensoreamento da perda de grão nos separadores pode também ser realizado usando também uma extensa variedade de tipos diferentes de sensores.
[0051] 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 de cabeça que sensoreia a altura de cabeça 102 acima do solo 111; sensores de estabilidade que sensoreiam o movimento de oscilação ou solavancos (e amplitude) da colheitadeira agrícola 100; um sensor de regulagem de resíduo que é configurado para sensorear se a colheitadeira agrícola 100 é configurada para picar o resíduo, produzir um depósito em fiada, etc.; um sensor de velocidade de ventoinha de sapata de limpeza para sensorear a velocidade da ventoinha 120; um sensor de folga de côncavo que sensoreia a folga entre o rotor 112 e côncavos 114; um sensor de velocidade de rotor de debulhe que sensoreia uma velocidade de rotor de rotor 112; um sensor de folga de crivo superior que sensoreia o tamanho de aberturas no crivo superior 122; um sensor de folga de peneira que sensoreia o tamanho de aberturas em peneira 124; 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; um sensor de umidade de material diferente de grão (MOG) que sensoreia um nível de umidade do MOG passando através da colheitadeira agrícola 100; e sensores de propriedade de colheita que sensoreiam uma variedade de tipos diferentes de propriedades de colheita, tais como tipo de colheita, umidade de cultivo, e outras propriedades de colheita. Os sensores de propriedade de colheita podem também ser configurados para sensorear as características do material de cultivo cortado quando o material de cultivo está sendo processado pela colheitadeira agrícola 100. Por exemplo, em alguns casos, os sensores de propriedade de colheita podem sensorear a qualidade de grão, tal como grão quebrado; níveis de MOG; constituintes de grão, tais como amidos e proteína; umidade de grão; e vazão de grão quando o grão se desloca através do alimentador 106, elevador de grão limpo 130, ou de algum lugar na colheitadeira agrícola 100. Os sensores de propriedade de colheita podem também sensorear a taxa de alimentação de biomassa através do alimentador 106, através do separador 116 ou de algum lugar na colheitadeira agrícola 100. Os sensores de propriedade de colheita podem também sensorear a taxa de alimentação como uma vazão em massa de grão através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou podem prover outros sinais de saída indicativos de outras variáveis sensoreadas.
[0052] Deve ser notado que a umidade de cultivo pode amplamente se referir à umidade da planta de cultivo (por exemplo, planta de milho) que inclui tanto grão (por exemplo, grãos de milho) quanto material diferente de grão (por exemplo, folhas, caule, etc.) Assim, a umidade de cultivo pode ser inclusiva tanto da umidade de grão quanto da umidade de material diferente de grão (por exemplo, MOG umidade).
[0053] Exemplos de sensores usados para detectar ou sensorear as características de energia incluem, mas não são limitados a, um sensor de tensão, um sensor de corrente, um sensor de torque, um sensor de pressão hidráulica, um sensor de fluxo hidráulico, um sensor de força, um sensor de carga de mancal e um sensor rotacional. As características de energia podem ser medidas em níveis variáveis de granularidade. Por exemplo, o uso de energia pode ser sensoreado em toda a máquina, em todo o sistema ou por componentes individuais dos subsistemas.
[0054] Os exemplos de sensores usados para detectar a distribuição interna de material incluem, mas não são limitados a, um ou mais câmeras, os sensores capacitivos, os sensores reflexivos de tempo de voo eletromagnéticos ou ultrassônicos, os sensores de atenuação de sinal, os sensores de peso ou massa, os sensores de fluxo de material, etc. Esses sensores podem ser colocados em um ou mais locais na colheitadeira agrícola 100 para sensorear a distribuição do material na colheitadeira agrícola 100, durante a operação da colheitadeira agrícola 100.
[0055] Os exemplos de sensores usados para detectar ou sensorear uma arfagem ou rolamento da colheitadeira agrícola 100 incluem acelerômetros, giroscópios, unidades de medição inerciais, os sensores gravimétricos, magnetômetros, etc. Esses sensores podem também ser indicativos da inclinação d o terreno no qual a colheitadeira agrícola 100 está atualmente.
[0056] Antes de descrever como a colheitadeira agrícola 100 gera um mapa de característica ambiental preditivo funcional, e usa o mapa de característica ambiental preditivo funcional para o controle, uma breve descrição de alguns dos itens na colheitadeira agrícola 100, e de sua operação, será primeiramente descrita. As descrições das figuras 2 e 3 evidenciam a recepção de um tipo geral de mapa de informação e a combinação de informação do mapa de informação com dados de sensor geograficamente referenciados (por exemplo, sinal, imagem, etc.) gerados por um sensor in situ, onde o dado de sensor é indicativo de uma característica ambiental no campo. Características ambientais no “campo” podem incluir, mas não são limitadas a, umidade de solo, água estagnada, obscurantes (por exemplo, poeira ou outros detritos no ar), várias propriedades de planta ou do cultivo, tais como biomassa, produção, umidade de cultivo, estado de cultivo, constituintes de cultivos, o tamanho de grão, tamanho de caule, tamanho de espiga, bem como várias outras características ambientais. Uma relação entre os valores de característica ambiental obtidos dos dados de sensor in situ e os valores de mapa de informação é identificada, e essa relação é usada para gerar um mapa preditivo funcional. Um mapa preditivo funcional prevê valores em diferentes locais geográficos em um campo, e um ou mais daqueles valores podem ser usados para controlar uma máquina. Em alguns casos, um mapa preditivo funcional pode ser apresentado para um usuário, tal como um operador de uma máquina de trabalho agrícola, que pode ser uma colheitadeira agrícola, ou outro usuário, ou ambos. Um mapa preditivo funcional pode ser apresentado para um usuário visualmente, tal como por intermédio de uma exibição, tactilmente, ou audivelmente. O usuário pode interagir com o mapa preditivo funcional para realizar operações de edição e outras operações de interface de usuário. Em alguns casos, um mapa preditivo funcional pode ser usado para um ou mais 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 por um operador ou usuário.
[0057] Depois de a proposta geral ser descrita com relação às figuras 2 e 3, uma proposta mais específica para a geração de um mapa preditivo funcional que pode ser apresentado a um operador ou usuário, ou usado para controlar colheitadeira agrícola 100, ou ambos, é descrita com relação às figuras 4 e 5. Novamente, embora a presente discussão prossiga com relação à colheitadeira agrícola e, particularmente, uma colheitadeira combinada, o escopo da presente invenção abrange outros tipos de colheitadeiras agrícolas ou outras máquinas de trabalho agrícolas.
[0058] A figura 2 é um diagrama de blocos mostrando algumas porções de um sistema agrícola de exemplo 200 que inclui, dentre outros, uma colheitadeira agrícola 100. A figura 2 mostra que colheitadeira agrícola 100 ilustrativamente inclui um ou mais processadores ou servidores 201, banco de dados 202, sensor de posição geográfica 204, o sistema de comunicação 206, e um ou mais sensores in situ 208 que sensoreiam uma ou mais características agrícolas de um campo simultaneamente com uma operação de colheita. Uma característica agrícola pode incluir qualquer característica que pode ter um efeito da operação de colheita. Alguns exemplos de características agrícolas incluem características ambientais. Características agrícolas podem também incluir características da máquina, tal como a máquina de colheita. Outros tipos de características agrícolas são também incluídos. Os sensores in situ 208 geram valores correspondentes às características sensoreadas. A colheitadeira agrícola 100 também inclui um gerador de modelo preditivo ou de relação (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 sensoreiam as características em um campo durante o curso de uma operação agrícola. O gerador de modelo preditivo 210 ilustrativamente inclui um gerador de modelo de variável de informação para variável in situ 228, e o gerador de modelo preditivo 210 pode incluir outros itens 230. O sistema de controle 214 inclui o controlador do 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 de cabeça e carretel 238, o controlador de correia Draper 240, o controlador de posição de placa de cobertura 242, o controlador do sistema de resíduo 244, o controlador de limpeza de máquina 245, o controlador de zona 247, e o sistema 214 pode incluir outros itens 246. Os subsistemas controláveis 216 incluem os atuadores de máquina e cabeça 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 216 podem incluir uma extensa variedade de outros subsistemas 256.
[0059] A figura 2 também mostra que a colheitadeira agrícola 100 pode receber um ou mais mapas de informação 258. Conforme descrito abaixo, os mapas de informação 258 incluem, por exemplo, um mapa topográfico de uma operação anterior no campo, tal como por um veículo aéreo não tripulado concluindo uma operação de varredura de faixa desde uma altitude conhecida, um mapa topográfico sensoreado por um avião, um mapa topográfico sensoreado por um satélite, um mapa topográfico sensoreado por um veículo de solo, tal como uma plantadora equipada com GPS, etc. Todavia, a informação do mapa pode também abranger outros tipos de dados que foram obtidos antes de uma operação de colheita ou um mapa de uma operação anterior. Por exemplo, um mapa topográfico pode ser recuperado de uma fonte remota, tal como o Serviço Geológico dos Estados Unidos (United States Geological Survey) (USGS). A figura 2 também mostra que um operador 260 pode operar a colheitadeira agrícola 100. Um operador 260 interage com mecanismos de interface de operador 218. Em alguns exemplos, os mecanismos de interface de operador 218 podem incluir alavancas de comando, alavancas, um volante, conjuntos articulados, pedais, teclas, mostradores, teclados de multifrequência, elementos atuáveis por usuário (tais como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (em que 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.
[0060] Os mapas de informação 258 podem ser baixados para a colheitadeira agrícola 100 e armazenados 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 comunicação sobre uma rede de área alargada ou uma rede de área local, um sistema para 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 barramento série universal (USB), ou ambos.
[0061] O sensor de posição geográfica 204 ilustrativamente sensoreia ou detecta a posição ou o 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 GNSS. O sensor de posição geográfica 204 pode também incluir um componente de cinemática em tempo real (RTK), que é configurado para melhorar a precisão dos 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.
[0062] Os sensores in situ 208 podem ser qualquer dos sensores descritos acima com relação à figura 1 ou abaixo com relação à figura 4. 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 velocidade (por exemplo, um GPS, velocímetro, ou bússola), os sensores de imagem que são internos à colheitadeira agrícola 100 (tais como a câmera ou as câmeras de grão limpo montadas para identificar a distribuição de material na colheitadeira agrícola 100, por exemplo, no subsistema de resíduo ou no sistema de limpeza), os sensores de perda de grão, os sensores de característica de resíduos, e sensores de qualidade de grão. Os sensores in situ 208 também incluem sensores remotos in situ 224 que capturam informação in situ. Os dados in situ incluem dados tomados de um sensor a bordo da colheitadeira ou tomados por qualquer sensor, onde os dados são detectados durante a operação da colheita.
[0063] 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 uma característica mapeada no campo pelo mapa de informação 258. Por exemplo, se um mapa de informação 258 mapear uma característica topográfica para diferentes locais no campo, e o sensor in situ 208 está sensoreando um valor indicativo de uma característica ambiental, então o gerador de modelo de variável para variável in situ de informação mapeada 228 gera um mapa de característica ambiental preditivo que modela a relação entre as características topográficas e a característica ambiental. O modelo de característica ambiental preditivo pode também ser gerado com base em características topográficas do mapa de informação 258 e múltiplos valores de dados in situ gerados pelos sensores in situ 208. Então, o gerador de mapa preditivo 212 usa o modelo de característica ambiental preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de característica ambiental preditivo funcional que prevê o valor de uma característica ambiental, sensoreada pelos sensores in situ 208 em diferentes locais no campo com base no mapa de informação 258.
[0064] Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser o mesmo que o tipo de dado in situ sensoreados pelos sensores in situ 208. Em alguns casos, o tipo de valores no mapa preditivo funcional 263 pode ter diferentes unidades dos dados sensoreados pelos sensores in situ 208. Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser diferente do tipo de dado sensoreado pelos sensores in situ 208, mas têm uma relação com o tipo do tipo de dado sensoreado pelos sensores in situ 208. Por exemplo, em alguns exemplos, o tipo de dado sensoreado pelos sensores in situ 208 pode ser indicativo do tipo de valores no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dado no mapa preditivo funcional 263 pode ser diferente do tipo de dado no mapa de informação 258. Em alguns casos, o tipo de dado no mapa preditivo funcional 263 pode ter diferentes unidades dos dados no mapa de informação 258. Em alguns exemplos, o tipo de dado no mapa preditivo funcional 263 pode ser diferente do tipo de dado no mapa de informação 258, mas tem uma relação com o tipo de dado no mapa de informação 258. Por exemplo, em alguns exemplos, o tipo de dado no mapa de informação 258 pode ser indicativo do tipo de dado no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dado no mapa preditivo funcional 263 é diferente de um de, ou ambos do tipo de dado in situ sensoreados pelos sensores in situ 208 e o tipo de dado no mapa de informação 258. Em alguns exemplos, o tipo de dado no mapa preditivo funcional 263 é o mesmo que um de, ou ambos de, tipo de dado in situ sensoreados pelos sensores in situ 208 e o tipo de dado no mapa de informação 258. Em alguns exemplos, o tipo de dado no mapa preditivo funcional 263 é o mesmo que um do tipo de dado in situ sensoreados pelos sensores in situ 208 ou do tipo de dado no mapa de informação 258, e diferente do outro.
[0065] O gerador de mapa preditivo 212 pode usar as características topográficas no mapa de informação 258, e o modelo gerado pelo gerador de modelo preditivo 210, para gerar um mapa preditivo funcional 263 que prevê as características ambientais em diferentes locais no campo. O gerador de mapa preditivo 212 fornece assim o mapa preditivo 264.
[0066] Conforme mostrado na figura 2, o mapa preditivo 264 prevê o valor de uma ou mais características sensoreadas (sensoreadas pelos sensores in situ 208), ou uma ou mais características relacionadas a uma ou mais características sensoreadas, em vários locais através do campo com base em um valor de informação no mapa de informação 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 uma característica topográfica e uma característica ambiental, então, dadas as características topográficas em diferentes locais através do campo, o gerador de mapa preditivo 212 gera um mapa preditivo 264 que prevê o valor da característica ambiental em diferentes locais através do campo. A característica topográfica, obtida do mapa topográfico, naqueles locais e a relação entre a característica topográfica e a característica ambiental, obtida do modelo preditivo, são usadas para gerar o mapa preditivo 264. A característica ambiental prevista pode ser usada por um sistema de controle para ajustar, por exemplo, as regulagens dos vários subsistemas com base na característica ambiental preditiva.
[0067] Algumas variações nos tipos de dados que são mapeados no mapa de informação 258, nos tipos de dados sensoreados pelos sensores in situ 208 e nos tipos de dados previstos no mapa preditivo 264 serão agora descritas.
[0068] Em alguns exemplos, o tipo de dado no mapa de informação 258 é diferente do tipo de dado sensoreado pelos sensores in situ 208, ainda o tipo de dado no mapa preditivo 264 é o mesmo que o tipo de dado sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa topográfico, e a variável sensoreada pelos sensores in situ 208 pode ser uma característica ambiental. O mapa preditivo 264 pode então ser um mapa de característica ambiental preditivo que mapeia valores de característica ambiental prevista para diferentes locais geográficos no campo.
[0069] Também, em alguns exemplos, o tipo de dado no mapa de informação 258 é diferente do tipo de dado sensoreado pelos sensores in situ 208, e o tipo de dado no mapa preditivo 264 é diferente tanto do tipo de dado no mapa de informação 258 quando do tipo de dado sensoreado pelos sensores in situ 208.
[0070] Em alguns exemplos, o mapa de informação 258 é de uma operação anterior através do campo e o tipo de dado é diferente do tipo de dado sensoreado pelos sensores in situ 208, ainda o tipo de dado no mapa preditivo 264 é o mesmo que o tipo de dado sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa topográfico gerado durante o plantio, e a variável sensoreada pelos sensores in situ 208 pode ser uma característica ambiental. O mapa preditivo 264 pode então ser um mapa de característica ambiental preditivo que mapeia valores de característica ambiental prevista para diferentes locais geográficos no campo.
[0071] Em alguns exemplos, o mapa de informação 258 é de uma operação anterior através do campo e o tipo de dado é o mesmo que o tipo de dado sensoreado pelos sensores in situ 208, e o tipo de dado no mapa preditivo 264 é também o mesmo que o tipo de dado sensoreado pelos sensores in situ 208.
[0072] Em alguns exemplos, o mapa preditivo 264 pode ser provido para o gerador de zona de controle 213. O gerador de zona de controle 213 agrupa valores de dado de ponto individual contíguos no mapa preditivo 264, para controlar zonas. Uma zona de controle pode incluir duas ou mais porções contíguas de uma área, tal como um campo, para as quais um parâmetro de controle correspondente à zona de controle para controlar um subsistema controlável é constante. Por exemplo, um tempo de resposta para alterar uma regulagem dos subsistemas controláveis 216 pode ser inadequado para responder satisfatoriamente a alterações nos valores contidos em um mapa, tal como o mapa preditivo 264. 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 do desgaste do movimento excessivo do atuador que resulta do ajuste contínuo. Em alguns exemplos, pode existir um conjunto diferente de zonas de controle para cada subsistema controlável 216 ou para grupos de 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 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 does não incluem zonas de controle, tal como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 inclui zonas de controle, tal 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.
[0073] Será também reconhecido que o gerador de zona de controle 213 pode agrupar valores para gerar zonas de controle e as zonas de controle podem ser adicionadas ao mapa de zona de controle preditivo 265, ou um mapa separado, mostrando somente as zonas de controle que são geradas. Em alguns exemplos, as zonas de controle podem somente ser usadas para controlar ou calibrar a colheitadeira agrícola 100, ou ambos. Em outros exemplos, as zonas de controle podem ser apresentadas a um operador 260 e usadas para controlar ou calibrar a colheitadeira agrícola 100 e, em outros exemplos, as zonas de controle podem apenas ser apresentadas a um operador 260 ou outro usuário ou armazenadas para o uso posterior.
[0074] O mapa preditivo 264 ou o mapa de zona de controle preditivo 265, ou ambos, são providos para controlar o sistema 214, que gera sinais de controle com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou ambos. Em alguns exemplos, o controlador do 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 sinais de controle com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265 para outras colheitadeiras agrícolas que estão colhendo no mesmo campo. Em alguns exemplos, o controlador do 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.
[0075] Em alguns exemplos, o mapa preditivo 264 pode ser provido para o gerador de rota/missão 267. O gerador de rota/missão 267 traça um trajeto de deslocamento para a colheitadeira agrícola 100 se deslocar durante a operação de colheita com base no mapa preditivo 264. O trajeto de deslocamento pode também incluir as regulagens de controle de máquina, correspondentes também aos locais ao longo do trajeto de deslocamento. Por exemplo, se um trajeto de deslocamento subir uma colina, então em um ponto antes da subida da colina, o trajeto de deslocamento pode incluir um controle indicativo de energia de direcionamento para os sistemas de propulsão manterem uma velocidade ou taxa de alimentação da colheitadeira agrícola 100. Em alguns exemplos, o gerador de rota/missão 267 analisa as características ambientais previstas, de acordo com o mapa preditivo 264, para uma pluralidade de diferentes rotas de deslocamento, e seleciona uma rota que tem os resultados desejáveis (tais como, rápido tempo de colheita ou outros desejados parâmetros de desempenho, tais como produção, perda, etc.). Como um exemplo ilustrativo, o mapa preditivo 264 pode prever, como uma característica ambiental, obscurantes em diferentes locais geográficos no sítio de trabalho. O gerador de rota/missão 267 pode então traçar um trajeto de deslocamento para a colheitadeira agrícola 100 se deslocar para evitar os obscurantes.
[0076] O controlador de interface de usuário 231 é operável para gerar sinais de controle para controlar os mecanismos de interface de operador 218. O controlador de interface de operador 231 é também operável para apresentar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265 ou outra informação derivada do, ou com base no, mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em 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 um operador 260. O controlador 231 pode gerar mecanismos atuáveis por operador, que são exibidos e pode ser atuados por um operador para interagir com o mapa exibido. Um operador pode editar o mapa por, por exemplo, corrigir uma característica ambiental exibida no mapa, com base em uma observação do operador. As regulagens do controlador 232 podem gerar sinais de controle para controlar várias regulagens na colheitadeira agrícola 100 com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos. Por exemplo, as regulagens do controlador 232 podem gerar sinais de controle para controlar máquina e os atuadores de cabeça 248. Em resposta aos sinais de controle gerados, a máquina e os atuadores de cabeça 248 operam para controlar, por exemplo, um ou mais das regulagens de peneira e de crivo superior, a folga de debulhador, as regulagens de rotor, as regulagens de velocidade da ventoinha de limpeza, altura de cabeça (ou altura de cabeça), funcionalidade de cabeça, velocidade do carretel, posição do carretel, funcionalidade Draper (onda colheitadeira agrícola 100 é acoplada a uma cabeça Draper), funcionalidade de cabeça de grãos, atuadores de controle de distribuição interna e outros atuadores 248 que afetam as outras funções da colheitadeira agrícola 100. O controlador de planejamento de trajeto 234 ilustrativamente gera sinais de controle para controlar o subsistema de direção 252 para 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 subsistem 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 subsistem de propulsão 250 e os atuadores de máquina 248, para controlar uma taxa de alimentação com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou ambos. Por exemplo, quando a colheitadeira agrícola 100 se aproxima a um terreno em declínio tendo um valor de característica ambiental preditivo 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 colheitadeira agrícola 100. O controlador de cabeça e carretel 238 pode gerar sinais de controle para controlar uma cabeça ou um carretel ou outra funcionalidade de cabeça. O controlador de correia Draper 240 pode gerar sinais de controle para controlar uma correia Draper ou outra funcionalidade Draper com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou em ambos. Por exemplo, quando a colheitadeira agrícola 100 se aproxima a um terreno em declínio tendo um valor de característica ambiental previsto acima de um limite selecionado, o controlador de correia Draper 240 pode aumentar a velocidade das correias Draper para prevenir o retrocesso de material nas correias. 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 cabeça com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou em ambos, e o controlador do sistema de resíduo 244 pode gerar sinais de controle para controlar um subsistema de resíduo 138 com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou em ambos. O controlador de limpeza de máquina 245 pode gerar sinais de controle para controlar o subsistema de limpeza de máquina 254. Por exemplo, quando a colheitadeira agrícola 100 está prestes a se deslocar em uma área do campo, onde é previsto que a biomassa irá aumentar, o controlador de limpeza de máquina 245 pode ajustar o subsistema de limpeza 254 para levar em conta a biomassa adicional. Outros controladores incluídos na colheitadeira agrícola 100 podem controlar outros subsistemas com base no mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou também em ambos.
[0077] As figuras 3A e 3B (coletivamente referidas aqui como a figura 3) mostram um fluxograma ilustrando um exemplo da operação do sistema agrícola 200 na geração de um mapa preditivo 264 e mapa de zona de controle preditivo 265 com base no mapa de informação 258.
[0078] Em 280, o sistema agrícola 200 recebe um ou mais mapas de informação 258. Os exemplos de mapas de informação 258 ou a recepção de mapas de informação 258 são discutidos com relação aos blocos 281, 282, 284 e 286. Conforme discutido acima, os mapas de informação 258 mapeiam valores de uma variável, correspondente a uma primeira característica, para diferentes locais no campo, conforme indicado no bloco 282. Conforme indicado no bloco 281, a recepção dos mapas de informação 258 pode envolver a seleção de um ou mais de uma pluralidade de possíveis mapas de informação que são disponíveis. Por exemplo, um mapa de informação pode ser um mapa de perfil de terreno, gerado de imagens de perfilometria de fase aérea. Outro mapa de informação pode ser um mapa gerado durante um passe anterior através do campo, que pode ter sido realizado por uma máquina diferente realizando uma operação anterior no campo, tal como uma pulverizadora ou outra máquina. O processo por meio do qual um ou mais mapas de informação são selecionados pode ser manual, semiautomático ou automático. Os mapas de informação 258 são com base em dados coletados anteriormente para uma operação atual da colheita. Isso é indicado pelo bloco 284. Por exemplo, os dados podem ser coletados por um receptor de GPS montado em uma peça de equipamento durante uma operação anterior no campo. Por exemplo, os dados podem ser coletados em uma operação de varredura de faixa Lidar durante um ano anterior, ou mais cedo em uma estação de crescimento atual, ou em outros momentos. Os dados podem ser com base em dados detectados ou recebidos de outras maneiras que não usando a varredura de faixa Lidar. Por exemplo, um Drone equipado com um sistema de perfilometria de projeção de franjas pode detectar o perfil ou elevação do terreno. Ou, por exemplo, algumas características topográficas podem ser estimadas com base nos padrões de clima, tais como a formação de sulcos devidos à erosão ou o rompimento de aglomerados durante os ciclos de congelamento-descongelamento. Em alguns exemplos, os mapas de informação 258 podem ser criados por combinação de dados de inúmeras fontes, tais como aquelas listadas acima. Ou por exemplo, os dados para os mapas de informação 258, tal como um mapa topográfico, podem ser transmitidos para a colheitadeira agrícola 100 usando o sistema de comunicação 206 e armazenados em banco de dados 202. Os dados para os mapas de informação 258 podem ser providos para a colheitadeira agrícola 100 usando o sistema de comunicação 206 também de outras maneiras, e isso é indicado pelo bloco 286 no fluxograma da figura 3. Em alguns exemplos, o mapa de informação 258 pode ser recebido pelo sistema de comunicação 206.
[0079] No começo de uma operação de colheita, os sensores in situ 208 geram sinais de sensor indicativos de um ou mais dos valores de dados in situ indicativos de uma ou mais das características ambientais, por exemplo, produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, constituinte de cultivo s, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, e obscurantes. Os exemplos dos sensores in situ 288 são discutidos com relação aos blocos 222, 290, e 226. Como explicado acima, os sensores in situ 208 incluem sensores a bordo 222; os sensores in situ remotos 224, tais como Os sensores à base de veículos não tripulados, que voaram por um momento para coletar dados in situ, mostrados no bloco 290; ou outros tipos dos sensores in situ, designados pelos sensores in situ 226. Em alguns exemplos, o dado dos sensores a bordo é geograficamente referenciado usando dados de posição, cabeça ou velocidade do sensor de posição geográfica 204.
[0080] O gerador de modelo preditivo 210 controla o gerador de modelo de variável para variável in situ de informação mapeada 228 para gerar um modelo que modela uma relação entre os valores mapeados contidos no mapa de informação 258 e os valores in situ sensoreados pelos sensores in situ 208, conforme indicado pelo bloco 292. As características ou tipos de dado representados pelos valores mapeados no mapa de informação 258 e pelos valores in situ sensoreados pelos sensores in situ 208 pode ser as mesmas características ou o mesmo tipo de dado ou diferentes características ou tipos de dado.
[0081] 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 prevê um valor da característica sensoreada pelos sensores in situ 208 em diferentes locais geográficos em um campo sendo colhido, ou uma característica diferente que é relacionada à característica sensoreada pelos sensores in situ 208, usando o modelo preditivo e o mapa de informação 258, conforme indicado pelo bloco 294.
[0082] Deve ser notado que, em alguns exemplos, o mapa de informação 258 pode incluir dois ou mais mapas diferentes ou duas ou mais camadas de mapa diferentes de um único mapa. Cada mapa dos dois ou mais mapas diferentes ou cada camada nas duas ou mais camadas de mapa diferentes de um único mapa, mapeia um tipo diferente de variável para os locais geográficos no campo. Em um tal exemplo, o gerador de modelo preditivo 210 gera um modelo preditivo que modela a relação entre os dados in situ e cada uma das diferentes variáveis mapeadas pelos dois ou mais mapas diferentes ou as duas ou mais camadas de mapa diferentes. Similarmente, os sensores in situ 208 podem incluir dois ou mais sensores, cada um sensoreando um tipo diferente de variável. Assim, o gerador de modelo preditivo 210 gera um modelo preditivo que modela a relação entre cada tipo de variável mapeada pelo mapa de informação 258 e cada tipo de variável sensoreada pelos sensores in situ 208. O gerador de mapa preditivo 212 pode gerar um mapa preditivo funcional 263, que prevê um valor para cada característica sensoreada, 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 camadas de mapa no mapa de informação 258.
[0083] O gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 seja acionável (ou consumível) pelo sistema de controle 214. O gerador de mapa preditivo 212 pode prover o mapa preditivo 264 para o sistema de controle 214 ou para o gerador de zona de controle 213, ou ambos. Alguns exemplos de diferentes maneiras nas quais o mapa preditivo 264 pode ser configurado ou emitido são descritas com relação aos blocos 296, 293, 295, 299 e 297. Por exemplo, o gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 inclua valores que podem ser lidos pelo sistema de controle 214 e usados como a base para a geração de sinais de controle para um ou mais dos diferentes subsistemas controláveis da colheitadeira agrícola 100, conforme indicado pelo bloco 296.
[0084] O gerador de rota/missão 267 traça um trajeto de deslocamento para a colheitadeira agrícola 100 se deslocar durante a operação de colheita com base no mapa preditivo 204, conforme indicado pelo bloco 293. 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 localizados geograficamente, que estão dentro de um valor limite um do outro, podem ser agrupados em uma zona de controle. O valor limite pode ser um valor limite padrão, ou o valor limite pode ser ajustado com base em uma entrada de operador, com base em uma entrada de um sistema automático ou com base em outros critérios. Um tamanho das zonas pode ser com base 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 a apresentação a um operador ou outro usuário. O gerador de zona de controle 213 pode configure o mapa de zona de controle preditivo 265 para a apresentação a um operador ou outro usuário. Isso é indicado pelo bloco 299. Quando apresentada a um operador ou outro usuário, a apresentação do mapa preditivo 264 ou do mapa de zona de controle preditivo 265, ou ambos, pode conter um ou mais dos valores preditivos no mapa preditivo 264, correlacionados ao local geográfico, às zonas de controle no mapa de zona de controle preditivo 265, correlacionados ao local geográfico, e aos valores de regulagem ou parâmetros de controle, que são usados com base nos valores previstos no mapa 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 confiança 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 valores medidos que podem ser medidos pelos sensores na colheitadeira agrícola 100 quando a colheitadeira agrícola 100 se move através do campo. Ainda, onde informação é apresentada a mais que um local, um sistema de autenticação ou autorização pode ser provido para implementar processos de autenticação e autorização. Por exemplo, pode existir uma hierarquia de indivíduos que são autorizados a ver e alterar os mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição a bordo pode mostrar os mapas e tempo próximo ao 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 com um nível de permissão de uma pessoa ou um usuário. O nível de permissão de usuário pode ser usado para determinar que os elementos de exibição sejam visíveis no dispositivo de exibição físico, e que os valores da pessoa correspondente podem mudar. Como um exemplo, um operador local da máquina 100 pode ser incapaz de ver a informação correspondente ao mapa preditivo 264 ou de fazer quaisquer alterações na máquina operação. Um supervisor, em um local remoto, todavia, pode ser capaz de ver o mapa preditivo 264 na exibição, mas de não 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. Esse é um exemplo de uma hierarquia de autorização que pode ser implementado. 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.
[0085] No bloco 298, entradas do sensor de posição geográfica 204 e de outros dos 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 da trajetória ou da cabeça 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.
[0086] 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 em ambos, e a entrada do sensor de posição geográfica 204 e qualquer outro dos sensores in situ 208. No bloco 310, o sistema de controle 214 aplica os sinais de controle aos subsistemas controláveis 216. 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 diferentes fatores. Por exemplo, os sinais de controle que são gerados e os subsistemas controláveis 216 que são controlados, podem ser com base no tipo do mapa preditivo 264 ou no mapa de zona de controle preditivo 265, ou em ambos, que está sendo usado. 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 com base em várias latências da colheitadeira agrícola 100 e na responsividade dos subsistemas controláveis 216.
[0087] A título de exemplo, um mapa preditivo gerado 264 na forma de um mapa de característica ambiental preditivo pode ser usado para controlar um ou mais subsistemas 216. Por exemplo, o mapa de característica ambiental preditivo pode incluir valores característicos ambientais, geograficamente referenciados aos locais dentro do campo sendo colhido. Os valores característicos ambientais preditivos do mapa de característica ambiental preditivo podem ser extraídos e usados para controlar os subsistemas controláveis 216 da colheitadeira agrícola 100 quando a colheitadeira agrícola 100 se move através do campo.
[0088] No bloco 312, uma determinação é feita de se a operação de colheita foi concluída. se a colheita não foi concluída, 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.
[0089] Em alguns exemplos, no bloco 316, a colheitadeira agrícola 100 pode também detectar critérios de gatilho de aprendizagem para realizar a aprendizagem de 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.
[0090] Os critérios de gatilho de aprendizagem pode incluir qualquer de uma extensa variedade de critérios diferentes. Alguns exemplos de critérios de gatilho são discutidos com relação aos blocos 318, 320, 321, 322 e 324. Por exemplo, em alguns exemplos, a aprendizagem disparada pode envolver recreação de uma relação usada para gerar um modelo preditivo quando uma quantia limite dos dados de sensor in situ é obtida dos sensores in situ 208. Em tais exemplos, a recepção de uma quantia dos 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 quantia limite dos dados de sensor in situ dos sensores in situ 208 dispara a criação de uma nova relação representada por um modelo preditivo gerado pelo gerador de modelo preditivo 210. Ainda, o novo mapa preditivo 264, o mapa de zona de controle preditivo 265, ou ambos, podem ser regenerados usando o novo modelo preditivo. O bloco 318 representa a detecção de uma quantia limite dos dados de sensor in situ, usada para disparar a criação de um novo modelo preditivo.
[0091] Em outros exemplos, os critérios de gatilho de aprendizagem podem ser baseados em quantos dados de sensor in situ dos sensores in situ 208 estão se alterando de valores anteriores ou de um valor limite. Por exemplo, se variações dentro dos dados de sensor in situ (ou a relação entre os dados de sensor in situ e a informação no mapa de informação 258) estiverem dentro de uma faixa, forem menores que uma quantia definida, ou estiverem abaixo de um valor limite, então um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 210. Como um resultado, o gerador de mapa preditivo 212 não gera um novo mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos. Todavia, se variações dentro dos dados de sensor in situ excederam a faixa ou excedera a quantia pré-definida ou o valor limite, por exemplo, ou se uma relação entre os dados de sensor in situ e a informação no mapa de informação 258 variar por uma quantia definida, por exemplo, então o gerador de modelo preditivo 210 gera um novo modelo preditivo usando todos ou uma porção nos novos dados e sensor in situ recebidos, que o gerador de mapa preditivo 212 usa para gerar um novo mapa preditivo 264. No bloco 320, variações nos dados de sensor in situ, como uma magnitude de uma quantia pela qual os dados excederam a faixa selecionada ou uma magnitude da variação da relação entre os dados de sensor in situ e a informação no mapa de informação 258, podem ser usadas como um disparador, para causar a geração de um novo modelo preditivo e mapa preditivo. O limite, a faixa e a quantidade definida podem ser ajustados em valores padrões, ou ajustados pela interação de um operador ou usuário através de uma interface de usuário, ou ajustados por um sistema automático ou de outras maneiras.
[0092] Outros critérios de gatilho de aprendizagem podem também ser usados. Por exemplo, se o gerador de modelo preditivo 210 comutar para um mapa de informação diferente (diferente do mapa de informação originalmente selecionado 258), então a comutação para o mapa de informação diferente 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 gatilho de aprendizagem.
[0093] Em alguns casos, o operador 260, ou outro usuário, pode também editar o mapa preditivo 264 ou o mapa de zona de controle preditivo 265, ou ambos. As edições podem alterar um valor no mapa preditivo 264 ou alterar o tamanho, formato, posição ou existência de uma zona de controle, ou um valor no mapa de zona de controle preditivo 265, ou ambos. O bloco 321 mostra que informação editada pode ser usada como critérios de gatilho de aprendizagem.
[0094] Em alguns casos, pode também ser que operador 260, ou outro usuário, observe que o controle automático de um subsistema controlável, não é o que um operador, ou outro usuário, deseja. Em tais casos, um operador 260, ou outro usuário, pode prover um ajuste manual para o subsistema controlável refletindo que um operador 260, ou outro usuário, deseja que o subsistema controlável opere em uma maneira diferente da que está sendo comandada pelo sistema de controle 214. Assim, manual alteração de uma regulagem por um operador 260, ou outro usuário, pode fazer com que o gerador de modelo preditivo 210 reaprenda um modelo, o gerador de mapa preditivo 212 regenere o mapa 264, o gerador de zona de controle 213 regenere as zonas de controle no mapa de zona de controle preditivo 265 e o sistema de controle 214 reaprendam seu algoritmo de controle ou realizem aprendizagem de máquina em um dos componentes de controlador 232-246 no sistema de controle 214 com base no ajuste por um operador 260, conforme mostrado no bloco 322. O bloco 324 representa o uso de outros critérios de gatilho de aprendizagem.
[0095] 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. Isso é indicado pelo bloco 326.
[0096] Se reaprendizagem for disparada, ou com base em critérios de gatilho de aprendizagem ou com base em passagem de um intervalo de tempo, conforme indicado pelo bloco 326, então um ou mais do gerador de modelo preditivo 210, do gerador de mapa preditivo 212, do gerador de zona de controle 213 e do sistema de controle 214 realizam a aprendizagem de máquina para gerar novo(s) modelo(s) preditivo(s), novo(s) mapa(s) preditivo(s), nova(s) zonas(s) de controle, e novo(s) algoritmo(s) de controle, respectivamente, com base nos critérios de gatilho de aprendizagem. O(s) novo(s) modelo(s) preditivo(s), o(s) novo(s) mapa(s) preditivo(s), nova(s) zonas(s) de controle, e o(s) novo(s) algoritmo(s) de controle são gerados usando quaisquer dados adicionais que foram coletados, desde que a última operação de aprendizagem foi realizada. A realização da reaprendizagem é indicada pelo bloco 328.
[0097] Se a operação de colheita foi concluída, a operação se move do bloco 312 para o bloco 330, onde um ou mais do(s) mapa(s) preditivo(s) 264, do(s) mapa(s) de zona de controle preditivo(s), do(s) modelo(s) preditivo(s) gerado(s) pelo gerador de modelo preditivo 210, a(s) zona(s) de controle, e o(s) algoritmo(s) de controle são armazenados. O(s) mapa(s) preditivo(s) 264, o(s) mapa(s) de zona de controle preditivo(s), modelo(s) preditivo(s), zona(s) de controle, e algoritmo(s) de controle podem ser armazenados localmente no banco de dados 202 ou enviados para um sistema remoto usando o sistema de comunicação 206 para o uso posterior.
[0098] Será notado que embora alguns exemplos descrevam aqui o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebendo um mapa de informação na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, em outros exemplos, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 podem receber outros tipos de mapas, incluindo os mapas preditivos, tais como um mapa preditivo funcional gerado durante a operação de colheita.
[0099] A figura 4A é um diagrama de blocos de uma porção do sistema agrícola 200 mostrado na figura 2. Particularmente, a figura 4A mostra, dentre outros, exemplos do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 em mais detalhe. A figura 4A também ilustra o fluxo de informações entre os vários componentes mostrados. O gerador de modelo preditivo 210 recebe um mapa topográfico 332 como um mapa de informação 258. O gerador de modelo preditivo 210 também recebe um local geográfico 334, ou uma indicação de local geográfico, do sensor de posição geográfica 204. Os sensores in situ 208 ilustrativamente incluem um ou vários sensores ambientais, tais como os sensores ambientais 336, bem como um sistema de processamento 338. Em alguns casos, os sensores ambientais 336 podem ser posicionados a bordo da colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados dos sensores ambientais 336 para gerar dados processados. Antes de continuar a discussão da figura 4A, referência será agora dada à figura 4B, que é um diagrama de blocos mostrando alguns exemplos de os sensores ambientais 336.
[00100] Como ilustrado na figura 4B, os sensores de característica ambiental 336 incluem um ou mais sensores de produção 900, um ou mais sensores de umidade de cultivo 902, um ou mais sensores de umidade de solo 904, um ou mais sensores de biomassa 906, um ou mais sensores de estado de cultivo 908, um ou mais sensores de constituintes de cultivo 910, um ou mais sensores de tamanho de grão 912, um ou mais sensores de tamanho de caule 914, um ou mais sensores de tamanho de espiga 916, um ou mais sensores de água estagnada 918, um ou mais sensores de obscurantes 920, e podem incluir um ou mais outros sensores de característica ambiental 922.
[00101] Os sensores de produção 900 ilustrativamente detectam uma característica indicativa de produção. Os sensores de produção 900 podem incluir um ou mais dentre: uma câmera ou sensor óptico que detecta um nível de enchimento do tanque de grão limpo; uma câmera ou sensor óptico que detecta um fluxo do grão limpo para dentro do tanque de grão limpo; sensores de massa ou carga que sensoreiam uma massa de grão no tanque de grão limpo; sensores de fluxo em massa, que sensoreiam um fluxo do grão limpo para dentro do tanque de grão limpo; bem como uma variedade de outros tipos de sensores de produção. O sistema de processamento 338 processa os dados de sensor (por exemplo, sinais, imagens, etc.) gerados pelos sensores de produção 900 para gerar os dados processados identificando um valor de produção (ou valor de sensor indicativo da produção), como um valor de característica ambiental.
[00102] Sensores de umidade de cultivo 902 ilustrativamente detectam uma característica indicativa de umidade de cultivo. A umidade de cultivo pode ser medida para o material de cultivo inteiro, para somente grão, para somente material diferente de grão, ou para qualquer outra porção da colheita. Os sensores de umidade de cultivo 902 pode incluir, por exemplo, um sensor de umidade capacitivo, um sensor de micro-onda, ou um sensor de condutividade. Em outros exemplos, os sensores de umidade de cultivo 902 podem incluir sensores que detectam uma cor da planta de colheita, tal como o “verde” ou “marrom” (ou distribuição de verde e marrom). Em outros exemplos, os sensores de umidade de cultivo 902 podem medir propriedades por utilizar campos elétricos ou ondas eletromagnéticas que interagem com as moléculas de água da colheita. Sem limitação, essas propriedades podem incluir permissividade, ressonância, reflexão, absorção, ou transmissão. Os sensores de umidade de cultivo 902 podem ser dispostos ao longo do trajeto de fluxo do material de cultivo, tal como dispostos no alimentador, no elevador de grão limpo, bem como vários outros locais. Em alguns exemplos, os sensores de umidade de cultivo 902 podem incluir uma célula de medição separada, para a qual o material de cultivo é desviado para amostragem. Vários outros tipos de sensores de umidade de cultivo 902 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de umidade de cultivo 902 para gerar os dados processados identificando um valor de umidade de cultivo (ou valor de sensor indicativo de umidade de cultivo), como um valor de característica ambiental.
[00103] Os sensores de umidade de solo 904 ilustrativamente detectam uma característica indicativa de umidade de solo. Os sensores de umidade de solo 904 podem incluir, por exemplo, uma ou mais câmeras (por exemplo, câmeras voltadas para frente) ou sensores ópticos (por exemplo, sensores ópticos voltados para frente). Em um exemplo, os sensores de umidade de solo 904 podem incluir um formador de imagem térmica que detecta uma característica térmica do solo no campo. Em outros exemplos, os sensores de umidade de solo 904 podem incluir uma sonda ou outro dispositivo que contata o solo, tal como um sensor de umidade de solo capacitivo. Vários outros tipos de sensores de umidade de solo 904 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de umidade de solo 904 para gerar os dados processados identificando um valor de umidade de solo (ou valor de sensor indicativo de umidade de solo), como um valor de característica ambiental.
[00104] Sensores de biomassa 906 ilustrativamente detectam uma característica indicativa de biomassa. Em alguns exemplos, os sensores de biomassa 906 podem incluir um sensor de força que sensoreia uma força (por exemplo, pressão de fluido, torque, etc.) usada para acionar o rotor de debulhe 112. Em alguns exemplos, os sensores de biomassa 906 podem incluir uma câmera ou um sensor óptico que gera imagens das plantas de cultivo à frente da colheitadeira agrícola 100. Vários outros tipos de sensores de biomassa 906 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de biomassa 906 para gerar os dados processados identificando um valor de biomassa (ou valor de sensor indicativo de biomassa), como um valor de característica ambiental.
[00105] Os sensores de estado de cultivo 908 ilustrativamente detectam uma característica indicativa do estado de cultivo. O estado de cultivo de cultivo se refere a se a planta de cultivo está em pé, caída, parcialmente caída, e, se o cultivo está caído ou parcialmente caído, a magnitude e direção da queda. Os sensores de estado de cultivo 908 podem incluir uma câmera (como uma câmera voltada para frente) ou um sensor óptico (como um sensor óptico voltado para frente) que gera dados de sensor (por exemplo, sinais, imagens, etc.) indicativos do estado de cultivo de colheita. Vários outros tipos dos sensores de estado de cultivo 908 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados por sensores de estado de cultivo 908 para gerar os dados de sensor processados identificando um valor de estado de cultivo (ou valor de sensor indicativo do estado de cultivo), como um valor de característica ambiental.
[00106] Os sensores de constituintes de cultivo 910 ilustrativamente detectam uma quantia (por exemplo, concentração) de constituintes (por exemplo, amido, proteína, óleo, etc.) de colheita. Os sensores de constituintes de cultivo 910 utilizam uma ou mais bandas de radiação eletromagnética. Por exemplo, um sensor de constituinte de cultivo 910 pode utilizar a reflexão ou absorção de várias faixas (por exemplo, vários comprimentos de onda ou frequências, ou ambos) de radiação eletromagnética por colheita ou outro material de vegetação na detecção de constituintes de cultivo. Em alguns exemplos, os sensores de constituinte de cultivo 910 podem incluir um sensor óptico, tal como um espectrômetro óptico. Em um exemplo, um sensor de constituinte de cultivo 910 utiliza espectroscopia próxima a infravermelho e espectroscopia próxima a infravermelho. Vários outros tipos de sensores de constituintes de cultivo 910 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados por sensores de estado de cultivo 910 para gerar os dados de sensor processados identificando um valor de constituinte de cultivo (ou valor de sensor indicativo de constituintes de cultivo), como um valor de característica ambiental.
[00107] Os sensores de tamanho de grão 912 ilustrativamente detectam uma característica indicativa de tamanho de um núcleo (ou grão). Os sensores de tamanho de grão 912 podem incluir uma ou mais câmeras (por exemplo, a câmera de grão limpo), sensores ópticos, sensores capacitivos, sensores reflexivos de tempo de voo eletromagnéticos ou ultrassônicos, sensores de atenuação de sinal, sensores de peso ou massa, sensores de fluxo de material, etc. Os sensores de tamanho de grão 912 podem ser colocados em um ou mais locais na colheitadeira agrícola 100. Vários outros tipos dos sensores de tamanho de grão 912 são contemplados aqui. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de tamanho de grão 912 para gerar os dados de sensor processados identificando um valor de tamanho de grão (ou valor de sensor indicativo do estado de cultivo), como um valor de característica ambiental.
[00108] Os sensores de tamanho de caule 914 ilustrativamente detectam uma característica indicativa de um tamanho (por exemplo, diâmetro) de caules de plantas de cultivo. Os sensores de tamanho de caule 914 podem incluir uma ou mais câmeras (por exemplo, câmera voltada para frente) ou sensores ópticos (por exemplo, sensores ópticos voltados para frente). Em alguns exemplos, os sensores de tamanho de caule 914 podem incluir um elemento móvel que contata e é deslocado pelos caules. O deslocamento do elemento móvel (ou força atuando contra o elemento móvel) pode ser medido para indicar um tamanho de caule. Tal medição pode utilizar tecnologia de sensoreamento apropriada, tal como um dispositivo de sensoreamento que utiliza o efeito piezelétrico, um potenciômetro, ou um codificador de barreira de luz. Em outros exemplos, as placas de cobertura podem ser deslocadas por contato com os caules de cultivo, o deslocamento das placas de cobertura (ou a força atuando contra as placas de cobertura) pode ser medido. Tal medição pode utilizar tecnologia de sensoreamento apropriada, tal como um dispositivo de sensoreamento que utiliza o efeito piezelétrico, um potenciômetro, ou um codificador de barreira de luz. Vários outros tipos de sensores de tamanho de caule 914 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de tamanho de caule 914 para gerar os dados de sensor processados identificando um valor de tamanho de caule (ou valor de sensor indicativo de tamanho de caule), como um valor de característica ambiental.
[00109] Os sensores de tamanho de espiga 916 ilustrativamente detectam uma característica indicativa de um tamanho (por exemplo, um ou mais de diâmetro e comprimento) de espigas de plantas de cultivo. Os sensores de tamanho de espiga 916 podem incluir uma ou mais câmeras (por exemplo, câmera voltada para frente) ou sensores ópticos (por exemplo, sensores ópticos voltados para frente). Vários outros tipos do sensor de tamanho de espigas 916 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados por sensor de tamanho de espigas 916 para gerar os dados de sensor processados identificando um valor de tamanho de espiga (ou valor de sensor indicativo do tamanho de espiga), como um valor de característica ambiental.
[00110] Os sensores de água estagnada 918 ilustrativamente detectam uma característica indicativa de uma quantia de água estagnada, isto é, uma quantia de água na superfície do campo. Os sensores de água estagnada 918 podem incluir um ou mais câmeras (por exemplo, câmera voltada para frente) ou sensores ópticos (por exemplo, sensores ópticos voltados para frente). Em alguns exemplos, os sensores de água estagnada 918 podem utilizar uma ou mais bandas de radiação eletromagnética. Em um exemplo, os sensores de água estagnada 918 pode incluir uma câmera térmica que detecta uma característica térmica do campo. Vários outros tipos de sensores de água estagnada 918 são contemplados. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de água estagnada 918 para gerar os dados de sensor processados identificando um valor de água estagnada (ou valor de sensor indicativo de água estagnada), como um valor de característica ambiental.
[00111] Sensores de obscurantes 920 ilustrativamente detectam uma característica indicativa de uma quantia de obscurantes no ar no campo. Os sensores de obscurantes 920 podem incluir um ou mais câmeras (por exemplo, câmera voltada para frente) ou sensores ópticos (por exemplo, sensores ópticos voltados para frente. Vários outros tipos de sensores de obscurantes 920 são contempla. O sistema de processamento 338 processa os dados de sensor gerados pelos sensores de obscurantes 920 para gerar os dados de sensor processados identificando um valor de obscurantes (ou valor de sensor indicativo de obscurantes), como valor de característica ambiental.
[00112] Será também entendido que o sistema de processamento 338 pode localizar geograficamente os valores recebidos de sensores de característica ambiental 336 (bem como ou troa os sensores in situ) em um local no campo. Por exemplo, o local da colheitadeira agrícola 100 nos dados de sensor de tempo (por exemplo, sinal, imagem, etc.) de um sensor de característica ambiental 336 é recebido tipicamente não é o local preciso da característica ambiental. Isso pode ser porque uma quantia de tempo decorre entre quando a colheitadeira agrícola 100 faz contato com a área do campo ou a planta no campo e quando a característica ambiental é detectada pelo sensor ambiental 336. Como um exemplo ilustrativo, um valor de produção derivado dos dados de sensor gerados pelos sensores de produção 900 pode corresponder a uma área atrás da colheitadeira agrícola 100 (com relação à sua direção de deslocamento). Isso é porque o retardo de tempo entre quando o cultivo (ao qual a produção corresponde) foi encontrado pela colheitadeira agrícola 100 e quando o cultivo foi detectado pelo sensor de produção 900. Assim, essa latência (retardo de tempo) é levada em conta quando do referenciamento geográfico dos dados sensoreados. Adicionalmente, o rumo e velocidade da colheitadeira agrícola 100 podem também ser levados em conta. Em outros exemplos, o valor de característica ambiental derivado dos dados de sensor ambientais pode corresponder a uma área à frente da colheitadeira agrícola 100. Como um exemplo ilustrativo, um sensor de característica ambiental 336 na forma de uma câmera voltada para frente ou sensor óptico (ou outro tipo de sensor, o sensoreamento à frente da colheitadeira agrícola 100) pode detectar características ambientais correspondentes a um local geográfico à frente da colheitadeira agrícola 100. Assim, o local geográfico da colheitadeira agrícola no instante em que a característica ambiental é detectada pode estar atrás (com relação à direção de deslocamento da colheitadeira agrícola 100) do local geográfico ao qual a característica ambiental corresponde. Em um tal exemplo, a distância entre o sensor de característica ambiental 336 e o local geográfico pode ser derivada dos dados de sensor. Esses são meramente alguns exemplos. Será entendido que os valores recebidos dos sensores ambientais 336 podem ser localizados geograficamente em um local no campo.
[00113] Será também entendido que, embora os vários sensores de característica ambiental 336 sejam listados separadamente, em outros exemplos, o mesmo sensor pode ser usado para gerar dados de sensor indicativos de mais que uma característica ambiental, por exemplo, uma câmera ou sensor óptico pode gerar uma imagem que é indicativa de múltiplas diferentes características ambientais.
[00114] A discussão retornará agora para a figura 4A. Conforme mostrado na figura 4A, o gerador de modelo preditivo de exemplo 210 inclui um ou mais de um gerador de modelo de característica topográfica para produção 1200, um gerador de modelo de característica topográfica para umidade de cultivo 1202, um gerador de modelo de característica topográfica para umidade de solo 1204, um gerador de modelo de característica topográfica para biomassa 1206, um gerador de modelo de característica topográfica para cultivo 1208, um gerador de modelo de característica topográfica para constituintes de cultivo 1210, um gerador de modelo de característica topográfica para tamanho de grão 1212, um gerador de modelo de característica topográfica para tamanho de caule 1214, um gerador de modelo de característica topográfica para tamanho de espiga 1216, um gerador de modelo de característica topográfica para água estagnada 1218, um gerador de modelo de característica topográfica para obscurantes 1220, e um gerador de modelo de característica topográfica para outra característica ambiental 1222. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, menos, ou diferentes, que aqueles mostrados no exemplo da figura 4A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 pode incluir também outros itens, que podem incluir outros tipos dos geradores de modelos preditivos para gerar outros tipos de modelos de característica ambiental.
[00115] A presente discussão prossegue com relação a um exemplo, em que o sensor de característica ambiental 336 é um sensor de produção 900. O gerador de modelo de característica topográfica para produção 1200 identifica uma relação entre o(s) valor(es) de produção detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de produção corresponde(m), e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondentes ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de produção corresponde(m). Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para produção 1200, o gerador de modelo de característica topográfica para produção 1200 gera um modelo de produção preditivo, como um exemplo de um modelo de característica ambiental preditivo 350. O modelo de produção preditivo é usado pelo gerador de mapa de produção 1400 para prever valores de produção em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de produção pode ser previsto no dado local com base no modelo de produção preditivo e no valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00116] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de produção 900. O gerador de modelo de característica topográfica para produção 1200 identifica uma relação entre o(s) valor(es) de produção detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de produção corresponde(m), e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de produção corresponde(m). Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para produção 1200, o gerador de modelo de característica topográfica para produção 1200 gera um modelo de produção preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de produção preditivo é usado pelo gerador de mapa de produção 1400 para prever valores de produção em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de produção pode ser previsto no dado local com base no modelo de produção preditivo e no valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00117] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de umidade de cultivo 902. O gerador de modelo de característica topográfica para umidade de cultivo 1202 identifica uma relação entre o(s) valor(es) de umidade de cultivo detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de umidade de cultivo correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, aos quais o(s) valor(es) de umidade de cultivo correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para umidade de cultivo 1202, o gerador de modelo de característica topográfica para umidade de cultivo 1202 gera um modelo de umidade de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de umidade de cultivo preditivo é usado por gerador de mapa de umidade de cultivo 1402 para prever valores de umidade de cultivo em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de umidade de cultivo pode ser previsto no dado local com base no modelo de umidade de cultivo preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00118] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de umidade de solo 904. O gerador de modelo de característica topográfica para umidade de solo 1204 identifica uma relação entre o(s) valor(es) de umidade de solo detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de umidade de solo correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente(s) ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de umidade de cultivo correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para umidade de solo 1204, o gerador de modelo de característica topográfica para umidade de solo 1200 gera um modelo de umidade de solo preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de umidade de solo preditivo é usado pelo gerador de mapa de umidade de solo 1404 para prever os valores de umidade de solo em diferentes locais no sítio de trabalho com base no valor de característica geograficamente referenciado no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de umidade de solo pode ser previsto no dado local com base no modelo de umidade de solo preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00119] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de biomassa 906. O gerador de modelo de característica topográfica para biomassa 1206 identifica uma relação entre o(s) valor(es) de biomassa detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de biomassa correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente(s) ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de biomassa correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para biomassa 1206, o gerador de modelo de característica topográfica para biomassa 1206 gera um modelo de biomassa preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de biomassa preditivo é usado pelo gerador de mapa de biomassa 1406 para prever valores de biomassa em diferentes locais no sítio de trabalho com base no valor de característica geograficamente referenciado no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de biomassa pode ser previsto no dado local com base no modelo de biomassa preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00120] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é a estado de cultivo sensor 908. O gerador de modelo de característica topográfica para cultivo 1208 identifica uma relação entre o(s) valor(es) de estado de cultivo detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de estado de cultivo correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de estado de cultivo correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para cultivo 1208, o gerador de modelo de característica topográfica para cultivo 1208 gera um modelo de estado de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de estado de cultivo preditivo é usado pelo gerador de mapa de estado de cultivo 1408 para prever valores de estado de cultivo em diferentes locais no sítio de trabalho com base no valor de característica geograficamente referenciado no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de estado de cultivo pode ser previsto no dado local com base no modelo de estado de cultivo preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00121] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de constituintes de cultivo 910. O gerador de modelo de característica topográfica para constituintes de cultivo 1210 identifica uma relação entre o(s) valor(es) de constituintes de cultivo detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de constituintes de cultivo correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente(s) ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de constituintes de cultivo correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para constituintes de cultivo 1210, o gerador de modelo de característica topográfica para constituintes de cultivo 1210 gera um modelo de constituintes de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de constituintes de cultivo preditivo é usado pelo gerador de mapa de constituintes de cultivo 1410 para prever valores de constituintes de cultivo em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de constituinte de cultivo pode ser previsto no dado local com base no modelo de constituintes de cultivo preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00122] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de tamanho de grão 912. O gerador de modelo de característica topográfica para tamanho de grão 1212 identifica uma relação entre valor(es) de tamanho de grão detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de tamanho de grão correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondentes ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de tamanho de grão correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para tamanho de grão 1212, o gerador de modelo de característica topográfica para tamanho de grão 1212 gera um modelo de tamanho de grão preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de tamanho de grão preditivo é usado pelo gerador de mapa de tamanho de grão 1412 para prever valor de tamanho de grãos em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de grão pode ser previsto no dado local com base no modelo de tamanho de grão preditivo e no valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00123] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de tamanho de caule 914. O gerador de modelo de característica topográfica para tamanho de caule 1214 identifica uma relação entre valor(es) de tamanho de caule detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de tamanho de caule correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o valor(es) de tamanho de caule correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para tamanho de caule 1214, o gerador de modelo de característica topográfica para tamanho de caule 1214 gera um modelo de tamanho de caule preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de tamanho de caule preditivo é usado pelo gerador de mapa de tamanho de caule 1414 para prever os valores de tamanho de caule em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de tamanho de caule pode ser previsto no dado local com base no modelo de tamanho de caule preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00124] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de tamanho de espiga 916. O gerador de modelo de característica topográfica para tamanho de espiga 1216 identifica uma relação entre valor(es) de tamanho de espiga detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o valor de tamanho de espiga(s) correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o valor de tamanho de espiga(s) correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para tamanho de espiga 1216, o gerador de modelo de característica topográfica para tamanho de espiga 1216 gera um modelo de tamanho de espiga preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de tamanho de espiga preditivo é usado pelo gerador de mapa de tamanho de espiga 1416 para prever valores de tamanho de espiga em diferentes locais no sítio de trabalho com base no valor de característica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de tamanho de espiga pode ser previsto no dado local com base no modelo de tamanho de espiga preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00125] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é a água estagnada sensor 918. O gerador de modelo de característica topográfica para água estagnada 1218 identifica uma relação entre valor(es) de água estagnada detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de água estagnada correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de água estagnada correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para água estagnada 1218, o gerador de modelo de característica topográfica para água estagnada 1218 gera um modelo de água estagnada preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de água estagnada preditivo é usado pelo gerador de mapa de água estagnada 1418 para prever valores de água estagnada em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de água estagnada pode ser previsto no dado local com base no modelo de água estagnada preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00126] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é um sensor de obscurantes 920. O gerador de modelo de característica topográfica para obscurantes 1220 identifica uma relação entre valor(es) de obscurantes detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o valor de obscurantes(s) correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o valor de obscurantes(s) correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para obscurantes 1220, o gerador de modelo de característica topográfica para obscurantes 1220 gera um modelo de obscurantes preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de obscurantes preditivo é usado pelo gerador de mapa de obscurantes 1420 para prever valores de obscurantes em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de obscurante pode ser previsto no dado local com base no modelo de obscurantes preditivo e o valor de característica topográfica, do mapa topográfico 332, nesse dado local.
[00127] A presente discussão prossegue com relação a um exemplo no qual o sensor de característica ambiental 336 é outro sensor de característica ambiental 922. O gerador de modelo de característica topográfica para outra característica ambiental 1222 identifica uma relação entre o(s) valor(es) de outra característica ambiental detectado(s) nos dados de sensor processados 340, em local(is) geográfico(s), aos quais o(s) valor(es) de outra característica ambiental correspondem, e o(s) valor(es) de característica topográfica do mapa topográfico 332 correspondente ao(s) mesmo(s) local(is) no campo, onde o(s) valor(es) de outra característica ambiental correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para outra característica ambiental 1222, o gerador de modelo de característica topográfica para outra característica ambiental 1222 gera um modelo de outra característica ambiental preditivo, como um exemplo de um mapa de característica ambiental preditivo 350. O modelo de outra característica ambiental preditivo é usado por o gerador de mapa de outra característica ambiental 1422 para prever outros valores de característica ambiental em diferentes locais no sítio de trabalho com base no valor de característica topográfica, geograficamente referenciado, contido no mapa topográfico 332 nos diferentes locais no campo. Assim, para um dado local no campo, um valor de outra característica ambiental pode ser previsto no dado local com base no modelo de outra característica ambiental preditivo e no valor de característica topográfica, do mapa topográfico 332, nesse dado local. V
[00128] À luz do acima, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de característica ambiental preditivos, tais como um ou mais dos modelos de característica ambiental preditivos, gerados pelos geradores de modelo 1200, 1202, 1204, 1206, 1208, 1210, 1212, 1214, 1216, 1218, 1220, 1222, e 1224. Em outro exemplo, dois ou mais dentre os modelos de característica ambiental preditivos gerados pelos geradores de modelo 1200, 1202, 1204, 1206, 1208, 1210, 1212, 1214, 1216, 1218, 1220, 1222, e 1224 podem ser combinados em um único modelo de característica ambiental preditivo que prevê duas ou mais características ambientais, tais como dois ou mais dentre produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, constituintes de cultivo, tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, obscurantes, e outra característica ambiental com base nas características topográficas em diferentes locais no campo. quaisquer desses modelos de característica ambiental, ou combinações dos mesmos, são representados coletivamente pelo modelo de característica ambiental 350 na figura 4A.
[00129] O modelo de característica ambiental preditivo 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 produção 1400, um gerador de mapa de umidade de cultivo 1402, um gerador de mapa de umidade de solo 1404, um gerador de mapa de biomassa 1406, um gerador de mapa de estado de cultivo 1408, um gerador de mapa de constituintes de cultivo 1410, um gerador de mapa de tamanho de grão 1412, um gerador de mapa de tamanho de caule 1414, um gerador de mapa de tamanho de espiga 1416, um gerador de mapa de água estagnada 1418, um gerador de mapa de obscurantes 1420, e um gerador de mapa de outra característica ambiental 1422. 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 1424, que podem incluir outros tipos de geradores de mapa para gerar mapas de características ambientais para outros tipos de características ambientais.
[00130] O gerador de mapa de produção 1400 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de produção preditivo), que prevê a produção com base nas características topográficas do mapa topográfico 332, e gera um mapa de produção preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê a produção em diferentes locais no campo.
[00131] O gerador de mapa de umidade de cultivo 1402 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de umidade de cultivo preditivo), que prevê umidade de cultivo com base nas características topográficas do mapa topográfico 332, e gera um mapa de umidade de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê umidade de cultivo em diferentes locais no campo.
[00132] O gerador de mapa de umidade de solo 1404 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de umidade de solo preditivo), que prevê umidade de solo com base nas características topográficas do mapa topográfico 332, e gera um mapa de umidade de solo preditiva, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê umidade de solo em diferentes locais no campo.
[00133] O gerador de mapa de biomassa 1406 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de biomassa preditivo), que prevê biomassa com base nas características topográficas do mapa topográfico 332, e gera um mapa de biomassa preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê biomassa em diferentes locais no campo.
[00134] O gerador de mapa de estado de cultivo 1408 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de estado de cultivo preditivo), que prevê o estado de cultivo com base nas características topográficas do mapa topográfico 332, e gera um mapa de estado de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê estado de cultivo em diferentes locais no campo.
[00135] O gerador de mapa de constituintes de cultivo 1410 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de constituintes de cultivo preditivo), que prevê os constituintes de cultivo com base nas características topográficas do mapa topográfico 332, e gera um mapa de constituintes de cultivo preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê constituintes de cultivo em diferentes locais no campo.
[00136] Gerador de mapa de tamanho de grão 1412 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de tamanho de grão preditivo), que prevê o tamanho de grão com base nas características topográficas do mapa topográfico 332, e gera um mapa de tamanho de grão preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê o tamanho de grão em diferentes locais no campo.
[00137] O gerador de mapa de tamanho de caule 1414 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de tamanho de caule preditivo), que prevê tamanho de caule com base nas características topográficas do mapa topográfico 332, e gera um mapa de tamanho de caule preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê tamanho de caule em diferentes locais no campo.
[00138] O gerador de mapa de tamanho de espiga 1416 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de tamanho de espiga preditivo), que prevê tamanho de espiga com base nas características topográficas do mapa topográfico 332, e gera um mapa de tamanho de espiga preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê tamanho de espiga em diferentes locais no campo.
[00139] O gerador de mapa de água estagnada 1418 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de água estagnada preditivo), que prevê água estagnada com base nas características topográficas do mapa topográfico 332, e gera um mapa de água estagnada preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê estagnação em diferentes locais no campo.
[00140] O gerador de mapa de obscurantes 1420 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de obscurantes preditivo), que prevê obscurantes com base nas características topográficas do mapa topográfico 332, e gera um mapa de obscurantes preditivos, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê obscurantes em diferentes locais no campo.
[00141] O gerador de mapa de outra característica ambiental 1422 recebe o modelo de característica ambiental preditivo 350 (por exemplo, o modelo de outra característica ambiental preditivo), que prevê outra característica ambiental com base nas características topográficas do mapa topográfico 332, e gera um mapa de outra característica ambiental preditivo, como um exemplo de um mapa de característica ambiental preditivo funcional 360, que prevê uma outra característica ambiental em diferentes locais no campo.
[00142] O gerador de mapa preditivo 212 fornece um ou mais mapas de característica ambiental preditivos 360, que são preditivos de uma característica ambiental. Cada um dos mapas de característica ambiental preditivos 360 prevê a respectiva característica ambiental em diferentes locais em um campo. Os mapas de características ambiental preditivos funcionais 360 são exemplos de um mapa preditivo 264.
[00143] Será entendido que, em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 pode incluir duas ou mais diferentes camadas de mapa. Cada camada de mapa pode representar um diferente tipo de dados, por exemplo, um mapa de característica ambiental preditivo funcional 360 que provê duas ou mais dentre uma camada de mapa que provê valores de produção preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de umidade de cultivo preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de umidade de solo preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de biomassa preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de estado de cultivo preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de constituintes de cultivo preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de tamanho de grão preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa preditiva que provê valores de tamanho de caule preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de tamanho de espiga preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de água estagnada preditivos com base em valores de característica topográfica do mapa topográfico 332, uma camada de mapa que provê valores de obscurantes preditivos com base em valores de característica topográfica do mapa topográfico 332, e uma camada de mapa que provê outros valores preditivos de característica ambiental com base em valores de característica topográfica do mapa topográfico 332. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 pode incluir uma camada de mapa que provê valores preditivos de dois ou mais valores de característica ambiental (por exemplo, dois ou mais dentre valores de produção, valores de umidade de cultivo, valores de umidade de solo, valores de biomassa, valores de estado de cultivo, valores de constituintes de cultivo, valor de tamanho de grãos, os valores de tamanho de caule, valores de tamanho de espiga, valores de água estagnada, valores de obscurantes, e outros valores de característica ambiental) com base em valores de característica topográfica do mapa topográfico 332.
[00144] Cada um dos mapas de característica ambiental preditivos funcionais 360 pode ser provido para o gerador de zona de controle 213, para o sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora aquelas zonas de controle no mapa de característica ambiental preditivo funcional 360 para produzir um respectivo mapa de zona de controle preditivo 265, que é um respectivo mapa de zona de controle de característica ambiental preditivo funcional 361. Um, ou ambos, do mapa de característica ambiental preditivo funcional 360 e do mapa de zona de controle de característica ambiental preditivo funcional podem ser providos para controlar o sistema 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa de característica ambiental preditivo funcional 360, no mapa de zona de controle de característica ambiental preditivo funcional 361, ou ambos.
[00145] As figuras 5A-5B (coletivamente referidas aqui como a figura 5) é um fluxograma de um exemplo de operação do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 na geração do modelo de característica ambiental preditivo 350 e o mapa de característica ambiental preditivo funcional 360. No bloco 1500, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um mapa topográfico 332. No bloco 1501, o sistema de processamento 338 recebe dados de sensor (por exemplo, sinais, imagens, etc.) de um ou mais sensores ambientais 336. Conforme discutido acima, o um ou mais sensores ambientais 360 podem incluir um ou mais sensores de produção 900, um ou mais sensores de umidade de cultivo 902, um ou mais sensores de umidade de solo 904, um ou mais sensores de biomassa 906, um ou mais sensores de estado de cultivo 908, um ou mais sensores de constituinte de cultivo 910, um ou mais sensores de tamanho de grão 912, um ou mais sensores de tamanho de caule 914, um ou mais sensores de tamanho de espiga 916, um ou mais sensores de água estagnada 918, um ou mais sensores de obscurantes 920, e um ou mais outros tipos de sensores de característica ambiental 922. Os vários tipos de sensores de características ambientais são mostrados nos blocos 1502, 1504, 1506, 1508, 1510, 1512, 1514, 1516, 1518, 1520, 1522, e 1523.
[00146] No bloco 1524, o sistema de processamento 338 processa os dados de sensor (por exemplo, sinais, imagens, etc.) do um ou mais sensores de característica ambiental 366 para gerar os dados de sensor processados 340 indicativos de uma ou mais características ambientais. Em alguns casos, conforme indicado no bloco 1526, a característica ambiental pode ser produção. Em alguns casos, conforme indicado no bloco 1528, a característica ambiental pode ser umidade de cultivo. Em alguns casos, conforme indicado no bloco 1530, a característica ambiental pode ser umidade de solo. Em alguns casos, conforme indicado no bloco 1532, a característica ambiental pode ser biomassa. Em alguns casos, conforme indicado no bloco 1534, a característica ambiental pode ser estado de cultivo. Em alguns casos, conforme indicado no bloco 1536, a característica ambiental pode ser constituintes de cultivo. Em alguns casos, conforme indicado no bloco 1538, a característica ambiental pode ser o tamanho de grão. Em alguns casos, conforme indicado no bloco 1540, a característica ambiental pode ser tamanho de caule. Em alguns casos, conforme indicado no bloco 1542, a característica ambiental pode ser tamanho de espiga. Em alguns casos, conforme indicado no bloco 1546, a característica ambiental pode ser água estagnada. Em alguns casos, conforme indicado no bloco 1548, a característica ambiental pode ser obscurantes. Conforme indicado pelo bloco 1549, podem existir também outras características ambientais.
[00147] No bloco 1550, 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 do sensor de posição geográfica 204 e determinar, com base em retardos de máquina, velocidade de máquina, rumos de máquina, etc. Um local geográfico preciso no campo, ao qual os dados de sensor correspondem.
[00148] No bloco 1552, o gerador de modelo preditivo 210 gera um ou mais modelos de característica ambiental preditivos, tais como o modelo de característica ambiental 350, que modela uma relação entre uma característica topográfica obtida de um mapa topográfico 332, e uma característica ambiental sendo sensoreada pelo sensor in situ 208 ou uma característica relacionada. Por exemplo, o gerador de modelo preditivo 210 pode gerar um ou mais de um modelo de produção preditivo, conforme indicado pelo bloco 1554, um modelo de umidade de cultivo preditivo, conforme indicado pelo bloco 1556, um modelo de umidade de solo preditivo, conforme indicado pelo bloco 1558, um modelo de biomassa preditivo, conforme indicado pelo bloco 1560, um modelo de estado de cultivo preditivo, conforme indicado pelo bloco 1562, um modelo de constituintes de cultivo preditivo, conforme indicado pelo bloco 1564, um modelo de tamanho de grão preditivo, conforme indicado pelo bloco 1566, um modelo de tamanho de caule preditivo, conforme indicado pelo bloco 1568, um modelo de tamanho de espiga preditivo, conforme indicado pelo bloco 1570, um modelo de água estagnada preditivo, conforme indicado pelo bloco 1572, um modelo de obscurantes preditivo, conforme indicado pelo bloco 1574, ou um modelo de outra característica ambiental preditivo, conforme indicado pelo bloco 1576. Em alguns exemplos, o modelo de característica ambiental preditivo 350 pode modelar uma relação entre uma característica topográfica obtida de um mapa topográfico 332, e dois ou mais dentre produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, constituintes de cultivo, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, obscurantes, e outra característica ambiental.
[00149] No bloco 1578, o modelo de máquina preditivo, tal como a característica ambiental preditiva 350, é provido para o gerador de mapa preditivo 212 que gera um ou mais mapas de característica ambiental preditivos funcionais 360 que mapeiam uma característica ambiental prevista com base no mapa topográfico e no modelo de característica ambiental preditivo 350. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de produção preditivo funcional que prevê produção, conforme indicado pelo bloco 1580. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de umidade de cultivo preditivo funcional que prevê umidade de cultivo, conforme indicado pelo bloco 1582. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de umidade de solo preditivo funcional que prevê umidade de solo, conforme indicado pelo bloco 1584. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de biomassa preditivo funcional que prevê biomassa, conforme indicado pelo bloco 1586. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de estado de cultivo preditivo funcional que prevê estado de cultivo, conforme indicado pelo bloco 1588. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de constituintes de cultivo preditivo funcional que prevê constituintes de cultivo, conforme indicado pelo bloco 1590. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de tamanho de grão preditivo funcional que prevê o tamanho de grão, conforme indicado pelo bloco 1592. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de tamanho de caule preditivo funcional que prevê tamanho de caule, conforme indicado pelo bloco 1594. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de tamanho de espiga preditivo funcional que prevê tamanho de espiga, conforme indicado pelo bloco 1596. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de água estagnada preditivo funcional que prevê água estagnada, conforme indicado pelo bloco 1598. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de obscurantes preditivo funcional que prevê obscurantes, conforme indicado pelo bloco 1600. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 é um mapa de outra característica ambiental preditivo funcional que prevê uma outra característica ambiental, conforme indicado pelo bloco 1602.
[00150] Still em outros exemplos, o mapa de característica ambiental preditivo funcional 360 prevê dois ou mais dentre produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, constituintes de cultivo, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, obscurantes, e uma outra característica ambiental. Em alguns exemplos, o mapa de característica ambiental preditivo funcional 360 pode incluir duas ou mais camadas de mapa, cada camada de mapa prevendo uma diferente característica ambiental, tal como duas ou mais dentre uma camada de mapa que prevê produção, uma camada de mapa que prevê umidade de cultivo, uma camada de mapa que prevê umidade de solo, uma camada de mapa que prevê biomassa, uma camada de mapa que prevê estado de cultivo, uma camada de mapa que prevê constituintes de cultivo, uma camada de mapa que prevê o tamanho de grão, uma camada de mapa que prevê tamanho de caule, uma camada de mapa que prevê tamanho de espiga, uma camada de mapa que prevê água estagnada, uma camada de mapa que prevê obscurantes, e uma camada de mapa que prevê uma outra característica ambiental.
[00151] O mapa de característica ambiental preditivo 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 ambiental preditivo 360 é gerado quando a operação agrícola está sendo realizada. Adicionalmente, conforme notado acima na figura 3, um ou mais do(s) modelo(s) preditivo(s) e do(s) mapa(s) preditivo funcional(is) pode(m) ser atualizado(s) (ou gerados novos), durante a operação agrícola, com base em dados de sensor também coletados e critérios de gatilho de aprendizagem.
[00152] No bloco 1604, o gerador de mapa preditivo 212 fornece o(s) mapa(s) de característica ambiental preditivo funcional(is) 360. No bloco 1606, o gerador de mapa preditivo 212 fornece o um ou mais mapas de característica ambiental preditivos funcionais para a apresentação e possível interação pelo operador 260, ou outro usuário, ou ambos. No bloco 1608, o gerador de mapa preditivo 212 pode configurar o um ou mais mapas de característica ambiental preditivos funcionais 360 para consumo pelo sistema de controle 214. No bloco 1610, o gerador de mapa preditivo 212 pode também prover o um ou mais mapas de característica ambiental preditivos funcionais 360 para o gerador de zona de controle 213 para a geração de zonas de controle, para gerar o um ou mais mapas de zona de controle de característica ambiental preditivos funcionais 361. No bloco 1612, o gerador de mapa preditivo 212 configura o um ou mais mapas de característica ambiental preditivos funcionais 360 também de outras maneiras. O mapa de característica ambiental preditivo funcional 360 ou o mapa de zona de controle de característica ambiental preditivo funcional 361, ou ambos, são providos para controlar o sistema 214. No bloco 1614, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa de característica ambiental preditivo funcional 360 ou o mapa de zona de controle de característica ambiental preditivo funcional 361.
[00153] Pode assim ser visto que o presente toma um mapa de informação que mapeia uma característica, tal como uma característica topográfica, 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 ou mais características ambientais, tais como produção, umidade de cultivo, umidade de solo, biomassa, estado de cultivo, constituintes de cultivo, o tamanho de grão, tamanho de caule, tamanho de espiga, água estagnada, obscurantes, e uma outra característica ambiental, e geram um modelo preditivo que modela uma relação entre a uma ou mais características ambientais sensoreadas usando o um ou mais sensores in situ, ou uma ou mais características relacionadas, e a característica mapeada no mapa de informação, tal como a característica topográfica. Assim, o presente sistema gera um mapa preditivo funcional usando um modelo, dados in situ, e um mapa de informação e pode configurar o mapa preditivo funcional gerado para consumo por um sistema de controle ou para a apresentação a um operador local ou remoto ou outro usuário, ou ambos. Por exemplo, o sistema de controle pode usar o mapa preditivo funcional para controlar um ou mais sistemas de uma colheitadeira agrícola.
[00154] Os exemplos dados aqui descrevem a geração de um modelo preditivo e, em alguns exemplos, a geração de um mapa preditivo funcional com base no modelo preditivo. Os exemplos descritos aqui são distinguidos de outras propostas pelo uso de um modelo que é pelo menos um de multivariados ou específico de local (isto é, geograficamente referenciado, tal como à base de mapa). Além disso, o modelo é revisado quando a máquina de trabalho está realizando uma operação e enquanto os dados adicionais de sensor in situ são coletados. O modelo pode também ser aplicado no futuro além do sítio de trabalho atual. Por exemplo, o modelo pode formar uma linha de base (por exemplo, ponto de partida) para uma operação subsequente em um diferente sítio de trabalho ou o mesmo sítio de trabalho em um instante no futuro.
[00155] A revisão do modelo em resposta a novos dados pode empregar métodos de aprendizagem de máquina . Sem limitação, os métodos de aprendizagem de máquina podem incluir redes de memórias, sistemas Bayes, árvores de decisões, autovetores, autovalores e aprendizagem de máquina, algoritmos evolucionários e genéticos, anamnese de agrupamentos, sistemas/regras de especialistas, máquinas vetoriais de suporte, raciocínio de motor/simbólico, redes adversa riais generativas (Gás), anamentética de gráfico e ML, regressão linear, regressão logística, LSTMs e redes neuronais recorrentes (RNNSs), redes neuronais convolucionais (CNNs), MCMC, florestas aleatórias, aprendizagem de reforço ou aprendizagem baseada em recompensa de máquina. A aprendizagem pode ser supervisionada ou não supervisionada.
[00156] As implementações de modelo podem ser matemáticas, fazendo uso de equações matemáticas, correlações empíricas, estatísticas, tabelas, matrizes e similares. Outras implementações de modelo podem contar mais com símbolos, bases de conhecimento, e lógicas, tais como sistemas à base de regras. Algumas implementações são híbridas, utilizando tanto matemática quanto lógica. alguns modelos podem incorporar elementos aleatórios, não determinísticos, ou imprevisíveis. Algumas implementações de modelo podem fazer uso de valores de redes de dados, tais como redes neuronais. Esses são apenas alguns exemplos de modelos.
[00157] Os exemplos de paradigma preditivos descritos aqui diferem das propostas não preditivas, onde um atuador ou outro parâmetro de máquina é fixado no momento em que a máquina, sistema, ou componente é designado, ajustado uma vez antes de a máquina entrar no sítio de trabalho, é reativamente ajustado manualmente com base na percepção do operador, ou é reativamente ajustado com base em um valor de sensor.
[00158] Os exemplos de mapa preditivo funcional, descritos aqui, também diferem de outras propostas à base de mapas. Em alguns exemplos dessas outras propostas, um mapa de controle a priori é usado sem qualquer modificação com base nos dados de sensor in situ ou mesmo uma diferença determinada entre os dados de um sensor in situ e um mapa preditivo são usados para calibrar o sensor in situ. Em alguns exemplos das outras propostas, dados de sensor podem ser matematicamente combinados com dados a priori para gerar sinais de controle, mas de uma maneira agnóstica a local; isto é, um ajuste a uma regulagem preditiva, a priori, geograficamente referenciada, é aplicado independente do local da máquina de trabalho no sítio de trabalho. O uso continuado ou o final de uso do ajuste, em outras propostas, não é dependente da máquina de trabalho estando em uma região ou local particular definido, como o sítio de trabalho.
[00159] Nos exemplos descritos aqui, os mapas preditivos funcionais e controle de atuador preditivo contam com mapas obtidos e dados in situ que são usados para gerar modelos preditivos. Os modelos preditivos são então revisados durante a operação para gerar mapas preditivos funcionais revisados e controle de atuador revisado. Em alguns exemplos, o controle de atuador é provido com base em mapas de zona de controle preditivos funcionais, que são também revisados durante a operação no sítio de trabalho. Em alguns exemplos, as revisões (por exemplo, ajustes, calibrações, etc.) são associadas a regiões ou zonas do sítio de trabalho, ao invés de a todo o sítio de trabalho ou alguma condição não geograficamente referenciada. Por exemplo, os ajustes são aplicados a uma ou mais áreas de um sítio de trabalho, às quais um ajuste é determinado que seja relevante (por exemplo, tal como por satisfazer uma ou mais condições, que podem resultar na aplicação de um ajuste a um ou mais locais, embora não aplicando o ajuste a um ou mais outros locais), em oposição à aplicação de uma alteração de uma maneira de coberta a cada local de uma maneira não seletiva.
[00160] Em alguns exemplos descritos aqui, os modelos determinam e aplicam aqueles ajustes às porções ou zonas seletivas do sítio de trabalho com base em um conjunto de dados a priori, que, em alguns casos, é de natureza multivariada. Por exemplo, os ajustes podem, sem limitação, ser associados a definidas porções do sítio de trabalho com base em fatores específicos ao sítio, tais como topografia, tipo de solo, variedade de cultivo, umidade de solo, bem como vários outros fatores, sozinhos ou em combinação. Consequentemente, os ajustes são aplicados às porções do campo, em que os fatores específicos do sítio satisfazem um ou mais critérios, e não a outras porções do campo, onde aqueles fatores específicos do sítio não satisfazem o um ou mais critérios. Assim, em alguns exemplos descritos aqui, o modelo gera um mapa preditivo funcional revisado para pelo menos o local ou zona atual, a parte não trabalhada do sítio de trabalho, ou em todo o sítio de trabalho.
[00161] Como um exemplo, no qual o ajuste é aplicado somente a certas áreas do campo, considere o seguinte. O sistema pode determinar que um valor característico in situ detectado (por exemplo, valor de característica ambiental detectado) varie de um valor preditivo da característica (por exemplo, valor de característica ambiental preditivo), tal como por uma quantia limite. Esse desvio pode somente ser detectado em áreas do campo, onde a elevação do sítio de trabalho é acima de um certo nível. Assim, a revisão no valor preditivo é somente aplicado a outras áreas do sítio de trabalho tendo elevação acima do certo nível. Nesse exemplo mais simples, o valor de característica ambiental preditivo e a elevação no ponto de desvio ocorrido e o valor de característica ambiental detectado e a elevação no ponto de desvio que cruzou o limite são usados para gerar uma equação linear. A equação linear é usada para ajustar o valor de característica ambiental preditivo em áreas não colhidas do sítio de trabalho no mapa preditivo funcional como uma função da elevação e do valor característico previsto. Isso resulta em um mapa preditivo funcional revisado, no qual alguns valores são ajustados, enquanto outros permanecem inalterados, com base nos critérios selecionados, por exemplo, elevação bem como desvio de limite. O mapa funcional revisado é então usado para gerar um mapa de zona de controle funcional revisado para controlar a máquina.
[00162] Como um exemplo, sem limitação, considere um caso do paradigma descrito aqui, que é parametrizado como segue.
[00163] Um ou mais mapas do campo são obtidos, tais como um mapa topográfico.
[00164] Os sensores in situ geram dados de sensor indicativos de um ou mais in situ valores de característica ambiental, tal como um ou mais de in situ valores de produção, in situ valores de umidade de cultivo, in situ os valores de umidade de solo, in situ valores de biomassa, in situ valores de estado de cultivo, in situ valores de constituintes de cultivo, in situ valor de tamanho de grãos, in situ os valores de tamanho de caule, in situ valores de tamanho de espiga, in situ valores de água estagnada, in situ valores de obscurantes, e in situ valores de uma outra característica ambiental.
[00165] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base no um ou mais mapas obtidos e dados de sensor in situ, tais como um mapa de característica ambiental preditivo.
[00166] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e o um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de característica ambiental preditivo funcional que mapeia as características ambientais previstas para um ou mais locais no sítio de trabalho com base em um mapa de característica ambiental preditivo e o um ou mais mapas obtidos.
[00167] Zonas de controle, que incluem valores de regulagens de máquina, podem ser incorporadas no mapa de característica ambiental preditivo funcional para gerar um mapa de zona de controle de característica ambiental 3D preditivo funcional.
[00168] Conforme a máquina móvel continua a operar no sítio de trabalho, dados de sensor in situ adicionais são coletados. Um critério de gatilho de aprendizagem pode ser detectado, tal como a quantia limite de dados de sensor in situ adicionais sendo coletados, uma magnitude de alteração em uma relação (por exemplo, os valores característicos in situ variam por certo por exemplo, limite] grau de um valor preditivo da característica), e o operador ou usuário faz edições no(s) mapa(s) preditivo(s) ou em um algoritmo de controle, ou ambos, uma certa quantidade (por exemplo, limite) de tempo decorre, bem como vários outros critérios de gatilho de aprendizagem. O(s) modelo(s) preditivo(s) são então revisados com base nos dados de sensor in situ adicionais e os valores dos mapas obtidos. Os mapas preditivos funcionais ou os mapas de zona de controle preditivos funcionais, ou ambos, são então revisados com base no(s) modelo(s) revisado(s) e nos valores nos mapas obtidos.
[00169] 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. Eles 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.
[00170] Também, inúmeras exibições de interface de usuário foram discutidas. As exibições podem assumir uma extensa variedade de diferentes formas e podem ter uma extensa variedade de diferentes mecanismos de interface de operador atuáveis por usuário, dispostos nos mesmos. 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, eles podem ser atuados usando mecanismos de interface de operador, tais como um dispositivo de apontar e clicar, como uma esfera rolante ou Mouse, botões de hardware, interruptores, uma alavanca de controle ou teclado, alavancas livres ou painéis de multifrequência, 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.
[00171] Um número de banco de dados foi também discutido. Será notado que os bancos de dados podem ser 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, todos, ser posicionados remotos a um sistema que utiliza os bancos de dados, ou um ou mais bancos de dados podem ser locais, enquanto outros são remotos. Todas dessas configurações são contempladas pela presente invenção.
[00172] 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.
[00173] Será notado que a discussão acima descreveu uma variedade de diferentes sistemas, componentes, lógica 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, incluindo, mas não limitados aos, componentes de inteligência artificial, tais como redes neuronais, alguns dos quais são descritos abaixo, que realizam as funções associadas àqueles sistemas, componentes, ou lógica, ou interações. Além disso, qualquer ou todos dos sistemas, componentes, lógicas e interações podem ser implementados por software que é carregado a uma 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.
[00174] A figura 6 é um diagrama de blocos de um sistema agrícola 500, que pode ser similar ao sistema agrícola 200 mostrado na figura 2. O sistema agrícola 500 inclui a 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 501. Em alguns exemplos, a arquitetura de servidor remoto 501. 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 alargada, tal como a Internet, usando protocolos apropriados. Por exemplo, os servidores remotos podem fornecer aplicativos sobre uma rede de área alargada e podem ser acessíveis através de um navegador 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. Altemativamente, 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.
[00175] 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 local de servidor 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 local de servidor remoto 502.
[00176] 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 posicionados 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 alargada 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 a 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.
[00177] Será também notado que os elementos da figura 2, ou as porções dos mesmos, podem ser dispostos em uma extensa variedade de diferentes dispositivos. Um ou mais daqueles dispositivos podem incluir um computador a bordo, uma unidade de controle eletrônica, uma unidade de exibição, um servidor, um computador de mesa, um computador portátil, um computador táblete, ou outro dispositivo móvel, tal como um computador de bolso, um telefone celular, um telefone inteligente, um reprodutor de multimídia, um assistente digital pessoal, etc.
[00178] 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).
[00179] 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, em que 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 de, ou o processamento, ou a exibição dos mapas discutidos acima. As figuras 8 e 9 são exemplos de dispositivos portáteis ou móveis.
[00180] 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 os serviços sem fio usados para prover o acesso celular a uma rede, bem como protocolos que provêm conexões sem fio locais às redes.
[00181] 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.
[00182] 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 pode 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, um alto-falante, e ou uma porta de impressora. Outros componentes de E/S 23 podem ser também usados.
[00183] O relógio 25 ilustrativamente compreende um componente de relógio de tempo real, que fornece a hora e a data. Ilustrativamente, ele pode também prover funções de temporização para processador 17.
[00184] 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 incluem, por exemplo, software de mapeamento ou software de navegação que gera os desejados mapas, as desejadas rotas de navegação e outras funções geográficas.
[00185] 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.
[00186] A figura 8 mostra um exemplo, no qual o dispositivo 16 é um computador táblete 600. Na figura 16, o computador 601 é mostrado com a tela de exibição de interface de usuário 602. A tela 602 pode ser uma tela sensível ao toque ou uma interface ativada por caneta, que recebe entradas de uma caneta ou agulha. O computador táblete 600 pode também uso um teclado virtual na tela. Naturalmente, o computador 601 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 601 pode também ilustrativamente recebem entradas de voz.
[00187] 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.
[00188] Note que outras formas dos dispositivos são possíveis.
[00189] 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 18, 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 arquiteturas de barramento. A memória e programas descritos com relação à figura 2 podem ser implementados em porções correspondentes da figura 10.
[00190] 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 pode 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 é 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.
[00191] 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 no ROM 831. A RAM 832 tipicamente contém dados ou módulos de programa ou ambos, que são imediatamente acessíveis à, e/ou atualmente sendo operado pela, 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.
[00192] 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 18 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 é tipicamente conectada ao barramento de sistema 821 por uma interface de memória removível, tal como a interface 850.
[00193] Alternativamente, ou, além disso, 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), os sistemas de sistema em uma pastilha (SOCs), dispositivos lógicos programáveis complexos (CPLDs), etc.
[00194] Os controladores e seus meios de armazenamento em computador associados discutidos acima e ilustrados na figura 18, provêm o armazenamento de instruções legíveis por computador, estruturas de dados, módulos de programa e outros dados para o computador 810. Na figura 18, 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, os do sistema operacional 834, os programas de aplicativo 835, outros módulos de programa 836, e os dados de programa 837.
[00195] 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, painéis 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 alto- falantes 897 e impressora 896, que podem ser conectados através de uma interface periférica de saída 895.
[00196] O computador 810 é operado em um ambiente conectado em rede usando conexões lógicas (tal 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.
[00197] 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 outros meios para estabelecer comunicações sobre a WAN 873, tal como a Internet. Em um ambiente conectado em rede, os módulos de programa podem ser armazenados no 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.
[00198] Deve ser também notado que os diferentes exemplos descritos aqui podem ser combinados de maneiras diferentes. Isto é, partes de um ou mais exemplos pode ser combinadas com partes de um ou mais outros exemplos. Tudo disso é contemplado aqui.
[00199] 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 e atos específicos descritos acima são expostos como formas de exemplo das reivindicações.

Claims (15)

  1. Sistema agrícola, caracterizado pelo fato de que compreende: um sistema de comunicação (206) que recebe um mapa topográfico (332) que mapeia valores de uma característica topográfica para diferentes locais geográficos no campo; um sensor de posição geográfica (204) que detecta um local geográfico de uma máquina de trabalho agrícola (100); um sensor in situ (208/336) que detecta um valor de uma característica ambiental correspondente ao local geográfico; um gerador de modelo preditivo (210) que gera um mapa de característica ambiental preditivo (350) indicativo de uma relação entre a característica topográfica e a característica ambiental com base no valor da característica topográfica no mapa topográfico correspondente ao local geográfico e ao valor da característica ambiental sensoreada pelo sensor in situ correspondente ao local geográfico; e um gerador de mapa preditivo (212) que gera um mapa de característica ambiental preditivo funcional (360) do campo que mapeia valores preditivos da característica ambiental para os diferentes locais geográficos no campo com base nos valores da característica topográfica no mapa topográfico e com base no modelo de característica ambiental preditivo.
  2. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o gerador de mapa preditivo configura o mapa de característica ambiental preditivo funcional para consumo por um sistema de controle (214) que gera sinais de controle para controlar um subsistema controlável (216) na máquina de trabalho agrícola com base no mapa de característica ambiental preditivo funcional.
  3. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/900) detecta, como o valor da característica ambiental, um valor de produção, em que o gerador de modelo preditivo (210/1200) gera, como o modelo de característica ambiental preditivo, um modelo de produção preditivo (350) indicativo de uma relação entre a característica topográfica e produção com base no valor de produção detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1400) gera, como o mapa de característica ambiental preditivo funcional, um mapa de produção preditivo funcional (360) que mapeia valores de produção preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de produção preditivo.
  4. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/902) detecta, como o valor da característica ambiental, um valor de umidade de cultivo, em que o gerador de modelo preditivo (210/1202) gera, como o modelo de característica ambiental preditivo, um modelo de umidade de cultivo preditivo (350) indicativo de uma relação entre a característica topográfica e umidade de cultivo com base no valor de umidade de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1402) gera, como o mapa de característica ambiental preditivo funcional, um mapa de umidade de cultivo preditivo funcional (360) que mapeia valores de umidade de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de umidade de cultivo preditivo.
  5. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/904) detecta, como o valor da característica ambiental, um valor de umidade de solo, em que o gerador de modelo preditivo (210/1204) gera, como o modelo de característica ambiental preditivo, um modelo de umidade de solo preditivo (350) indicativo de uma relação entre a característica topográfica e umidade de solo com base no valor de umidade de solo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (210/1404) gera, como o mapa de característica ambiental preditivo funcional, um mapa de umidade de solo preditivo funcional (360) que mapeia valores de umidade de solo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de umidade de solo preditivo.
  6. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/906) detecta, como o valor da característica ambiental, um valor de biomassa, em que o gerador de modelo preditivo (210/1206) gera, como o modelo de característica ambiental preditivo, um modelo de biomassa preditivo (350) indicativo de uma relação entre a característica topográfica e biomassa com base no valor de biomassa detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1406) gera, como o mapa de característica ambiental preditivo funcional, um mapa de biomassa preditivo funcional (360) que mapeia valores de biomassa preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de biomassa preditivo.
  7. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/908) detecta, como o valor da característica ambiental, um valor de estado de cultivo, em que o gerador de modelo preditivo (210/1208) gera, como o modelo de característica ambiental preditivo, um modelo de estado de cultivo preditivo (350) indicativo de uma relação entre a característica topográfica e o estado de cultivo com base no valor de estado de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1408) gera, como o mapa de característica ambiental preditivo funcional, um mapa de estado de cultivo preditivo funcional (360) que mapeia valores de estado de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de estado de cultivo preditivo.
  8. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/910) detecta, como o valor da característica ambiental, um valor de constituinte de cultivo, em que o gerador de modelo preditivo (210/1210) gera, como o modelo de característica ambiental preditivo, um modelo de constituinte de cultivo preditivo (350) indicativo de uma relação entre a característica topográfica e um constituinte de cultivo com base no valor de constituinte de cultivo detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1410) gera, como o mapa de característica ambiental preditivo funcional, um mapa de constituinte de cultivo preditivo funcional (360) que mapeia valores de constituinte de cultivo preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de constituinte de cultivo preditivo.
  9. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/912) detecta, como o valor da característica ambiental, um valor de tamanho de grão, em que o gerador de modelo preditivo (210/1212) gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de grão preditivo (350) indicativo de uma relação entre a característica topográfica e o tamanho de grão com base no valor de tamanho de grão detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1412) gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de grão preditivo funcional (360) que mapeia valores de tamanho de grão preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de grão preditivo.
  10. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/914) detecta, como o valor da característica ambiental, um valor de tamanho de caule, em que o gerador de modelo preditivo (210/1214) gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de caule preditivo (350) indicativo de uma relação entre a característica topográfica e tamanho de caule com base no valor de tamanho de caule detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1414) gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de caule preditivo funcional que mapeia valores de tamanho de caule preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de caule preditivo.
  11. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/916) detecta, como o valor da característica ambiental, um valor de tamanho de espiga, em que o gerador de modelo preditivo (210/1216) gera, como o modelo de característica ambiental preditivo, um modelo de tamanho de espiga preditivo (350) indicativo de uma relação entre a característica topográfica e o tamanho de espiga com base no valor de tamanho de espiga detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1416) gera, como o mapa de característica ambiental preditivo funcional, um mapa de tamanho de espiga preditivo funcional (360) que mapeia valores de tamanho de espiga preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de tamanho de espiga preditivo.
  12. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/918) detecta, como o valor da característica ambiental, um valor de água estagnada, em que o gerador de modelo preditivo (210/1218) gera, como o modelo de característica ambiental preditivo, um modelo de água estagnada preditivo (350) indicativo de uma relação entre a característica topográfica e água estagnada com base no valor de água estagnada detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1418) gera, como o mapa de característica ambiental preditivo funcional, um mapa de água estagnada preditivo funcional (360) que mapeia valores de água estagnada preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de água estagnada preditivo.
  13. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ (208/336/920) detecta, como o valor da característica ambiental, um valor de obscurantes, em que o gerador de modelo preditivo (210/1220) gera, como o modelo de característica ambiental preditivo, um modelo de obscurantes preditivo (350) indicativo de uma relação entre a característica topográfica e obscurantes com base no valor de obscurantes detectado pelo sensor in situ correspondente ao local geográfico e um valor da característica topográfica no mapa topográfico no local geográfico, e em que o gerador de mapa preditivo (212/1420) gera, como o mapa de característica ambiental preditivo funcional, um mapa de obscurantes preditivo funcional (360) que mapeia valores de obscurantes preditivos para os diferentes locais geográficos no sítio de trabalho com base nos valores da característica topográfica no mapa topográfico naqueles locais diferentes e com base no modelo de obscurantes preditivo.
  14. Método implementado por computador para gerar um mapa de característica ambiental preditivo funcional (360), caracterizado pelo fato de que compreende: receber (1500) um mapa topográfico (332) que mapeia valores de uma característica topográfica para diferentes locais geográficos em um campo; obter (1501) dados de sensor in situ, indicativos de um valor de uma característica ambiental correspondente a um local geográfico no campo; gerar (1552) um modelo de característica ambiental preditivo (350) indicativo de uma relação entre a característica topográfica e a característica ambiental; e controlar (1578) um gerador de mapa preditivo (212) para gerar o mapa de característica ambiental preditivo funcional (360) do campo, que mapeia valores preditivos da característica ambiental para os diferentes locais no campo com base nos valores da característica topográfica no mapa topográfico e no modelo de característica ambiental preditivo.
  15. Método implementado por computador de acordo com a reivindicação 14, caracterizado pelo fato de que compreende adicionalmente: controlar (1614) um subsistema controlável (316) de uma máquina de trabalho agrícola (100) com base no mapa de característica ambiental preditivo funcional.
BR102022005631-5A 2022-02-08 2022-03-24 Sistema agrícola, e, método implementado por computador para gerar um mapa de característica ambiental preditivo funcional BR102022005631A2 (pt)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US17/666,963 2022-02-08

Publications (1)

Publication Number Publication Date
BR102022005631A2 true BR102022005631A2 (pt) 2023-08-22

Family

ID=

Similar Documents

Publication Publication Date Title
US11589509B2 (en) Predictive machine characteristic map generation and control system
US12069978B2 (en) Predictive environmental characteristic map generation and control system
US12035648B2 (en) Predictive weed map generation and control system
US11653588B2 (en) Yield map generation and control system
BR102021016550A2 (pt) Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola
BR102021016552A2 (pt) Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional
EP3861842B1 (en) Predictive weed map generation and control system
US11889787B2 (en) Predictive speed map generation and control system
US11845449B2 (en) Map generation and control system
US12080062B2 (en) Predictive map generation based on seeding characteristics and control
US11895948B2 (en) Predictive map generation and control based on soil properties
US20230397532A1 (en) Crop state map generation and control system
US20240107943A1 (en) Predictive biomass map generation and control
BR102021017308A2 (pt) Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola
US11650587B2 (en) Predictive power map generation and control system
BR102021001208A2 (pt) Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional
BR102021017555A2 (pt) Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola
BR102022005631A2 (pt) Sistema agrícola, e, método implementado por computador para gerar um mapa de característica ambiental preditivo funcional
EP4223101A1 (en) Predictive environmental characteristic map generation and agricultural control system
US20230309449A1 (en) Predictive machine setting map generation and control system
BR102022019938A2 (pt) Máquina de trabalho agrícola, e, método para operar uma máquina de trabalho agrícola