BR102022026212A2

BR102022026212A2 - Sistema agrícola, e, método para controlar uma colheitadeira agrícola

Info

Publication number: BR102022026212A2
Application number: BR102022026212-8A
Authority: BR
Inventors: Nathan R. Vandike; Duane M. Bomleny
Original assignee: Deere & Company
Priority date: 2022-03-15
Filing date: 2022-12-21
Publication date: 2023-09-26
Also published as: US20230292665A1; CA3186458A1; EP4245117A1

Abstract

sistema agrícola, e, método para controlar uma colheitadeira agrícola. um mapa preditivo é obtido por um sistema agrícola. o mapa preditivo mapeia valores de característica em diferentes localizações geográficas em um campo. um sensor de posição geográfica detecta uma localização geográfica de uma colheitadeira agrícola no campo. um sistema de controle gera um sinal de controle para controlar um subsistema de molinete da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

Description

CAMPO DA DESCRIÇÃO

[001] A presente descrição refere-se a colheitadeiras agrícolas. Mais particularmente, a presente descrição refere-se a controlar preditivamente uma colheitadeira agrícola.

FUNDAMENTOS

[002] Existem diversos diferentes tipos de colheitadeiras agrícolas. Um tipo de colheitadeira agrícola é uma colheitadeira combinada que pode ter diferentes plataformas anexadas para colher diferentes tipos de culturas.

[003] Em um exemplo, uma plataforma de corte pode ser anexada a uma colheitadeira combinada a fim de colher cultura. Uma plataforma de corte inclui uma barra de corte, um molinete disposto acima da barra de corte, e um transportador transversal (por exemplo, um sem-fim transversal) que entrega material de cultura cortado a um alimentador. O molinete engata cultura e transporta-a para trás de modo que ela possa ser cortada pela barra de corte e engatada pelo transportador transversal. O molinete inclui uma série de braços de molinete a cada uma das quais uma pluralidade de suportes de dedos do molinete é acoplada. Os suportes de dedos do molinete carregam cada qual um ou mais dedos do molinete. Os dedos do molinete engatam e alimentam a cultura para trás.

[004] A discussão apresentada é meramente provida para informação de fundo geral e não é para ser usada como uma ajuda na determinação do escopo da matéria reivindicada.

SUMÁRIO

[005] Um mapa preditivo é obtido por um sistema agrícola. O mapa preditivo mapeia valores de característica em diferentes localizações geográficas em um campo. Um sensor de posição geográfica detecta uma localização geográfica de uma colheitadeira agrícola no campo. Um sistema de controle gera um sinal de controle para controlar um subsistema de molinete da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[006] Exemplo 1 é um sistema agrícola compreendendo: um sistema de comunicação que recebe um mapa preditivo que mapeia valores preditivos de uma primeira característica correspondentes a diferentes localizações geográficas em um campo; um sensor de posição geográfica que detecta uma localização geográfica de uma colheitadeira agrícola no campo; e um sistema de controle que gera um sinal de controle para controlar um subsistema de molinete da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[007] Exemplo 2 é o sistema agrícola de qualquer um ou todos os exemplos anteriores e compreendendo adicionalmente: um sensor in situque detecta um valor da primeira característica correspondente a uma localização geográfica; um gerador de modelo preditivo que: recebe um mapa de informação que inclui valores de uma segunda característica correspondentes a diferentes localizações geográficas no campo; e gera um modelo preditivo que modela um relacionamento entre valores da segunda característica e valores da primeira característica com base no valor da primeira característica detectado pelo sensor in situ correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor detectado da primeira característica corresponde; e um gerador de mapa preditivo que gera, como o mapa preditivo, um mapa preditivo funcional do campo que mapeia valores preditivos da primeira característica para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo preditivo.

[008] Exemplo 3 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de cultura faltante correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de cultura faltante preditivo que modela um relacionamento entre valores da segunda característica e valores de cultura faltante com base no valor de cultura faltante detectado pelo sensor in situ correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de cultura faltante detectado corresponde, o modelo de cultura faltante preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de cultura faltante preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de cultura faltante preditivo funcional do campo que mapeia valores de cultura faltante preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de cultura faltante preditivo.

[009] Exemplo 4 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de entrada de controle correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de entrada de controle preditivo que modela um relacionamento entre valores da segunda característica e valores de entrada de controle com base no valor de entrada de controle detectado pelo sensor in situcorrespondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de entrada de controle detectado corresponde, o modelo de entrada de controle preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de entrada de controle preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de entrada de controle preditivo funcional do campo que mapeia valores de entrada de controle preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de entrada de controle preditivo.

[0010] Exemplo 5 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de enrolamento do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de enrolamento de molinete preditivo que modela um relacionamento entre valores da segunda característica e valores de enrolamento do molinete com base no valor de enrolamento do molinete detectado pelo sensor in situcorrespondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de enrolamento do molinete detectado corresponde, o modelo de enrolamento de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de enrolamento do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de enrolamento de molinete preditivo funcional do campo que mapeia valores de enrolamento do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de enrolamento de molinete preditivo.

[0011] Exemplo 6 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de arrasto do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de arrasto de molinete preditivo que modela um relacionamento entre valores da segunda característica e valores de arrasto do molinete com base no valor de arrasto do molinete detectado pelo sensor in situcorrespondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de arrasto do molinete detectado corresponde, o modelo de arrasto de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de arrasto do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de arrasto de molinete preditivo funcional do campo que mapeia valores de arrasto do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de arrasto de molinete preditivo.

[0012] Exemplo 7 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de arremesso do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de arremesso de molinete preditivo que modela um relacionamento entre valores da segunda característica e valores de arremesso do molinete com base no valor de arremesso do molinete detectado pelo sensor in situcorrespondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de arremesso do molinete detectado corresponde, o modelo de arremesso de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de arremesso do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de arremesso de molinete preditivo funcional do campo que mapeia valores de arremesso do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de arremesso de molinete preditivo.

[0013] Exemplo 8 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situdetecta, como o valor da primeira característica, um valor de fragmentação correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de fragmentação preditivo que modela um relacionamento entre valores da segunda característica e valores de fragmentação com base no valor de fragmentação detectado pelo sensor in situcorrespondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de fragmentação detectado corresponde, o modelo de fragmentação preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de fragmentação preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de fragmentação preditivo funcional do campo que mapeia valores de fragmentação preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de fragmentação preditivo.

[0014] Exemplo 9 é o sistema agrícola de qualquer um ou todos os exemplos anteriores e compreendendo adicionalmente: um sensor in situque detecta um valor da primeira característica correspondente a uma localização geográfica; um sensor de parâmetro de molinete in situque detecta um valor de um parâmetro de molinete correspondente à localização geográfica; um gerador de modelo preditivo que: recebe um mapa de informação que inclui valores de uma segunda característica correspondentes a diferentes localizações geográficas no campo; e gera um modelo preditivo que modela um relacionamento entre valores da primeira característica, valores da segunda característica, e valores de parâmetros de molinete, com base no valor da primeira característica detectado pelo sensor in situcorrespondente à localização geográfica, o valor de parâmetro de molinete detectado pelo sensor de parâmetro de molinete in situcorrespondente à localização geográfica, e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor detectado da primeira característica corresponde; e um gerador de mapa preditivo que gera, como o mapa preditivo, um mapa preditivo funcional do campo que mapeia valores preditivos da primeira característica para as diferentes localizações geográficas no campo, com base em valores de parâmetros de molinete previstos, nos valores da segunda característica no mapa de informação, e no modelo preditivo.

[0015] Exemplo 10 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o subsistema de molinete compreende um atuador que é atuável de forma controlável para ajustar uma posição de um molinete da colheitadeira agrícola, e em que o sinal de controle controla o atuador para ajustar uma posição do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[0016] Exemplo 11 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o subsistema de molinete compreende um atuador de velocidade do molinete que é controlável para ajustar uma velocidade rotacional de um molinete da colheitadeira agrícola, e em que o sinal de controle controla o atuador de velocidade do molinete para ajustar uma velocidade rotacional do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[0017] Exemplo 12 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o subsistema de molinete compreende um atuador de posição de dedo do molinete que é atuável de forma controlada para ajustar uma posição de um dedo do molinete da colheitadeira agrícola, e em que o sinal de controle controla o atuador de posição de dedo do molinete para ajustar uma posição da dedo do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[0018] Exemplo 13 é um método para controlar uma colheitadeira agrícola compreendendo: receber um mapa preditivo de um campo que mapeia valores preditivos de uma primeira característica correspondentes a diferentes localizações geográficas no campo; detectar uma localização geográfica da colheitadeira agrícola no campo; e gerar um sinal de controle para controlar um subsistema de molinete da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[0019] Exemplo 14 é um método de qualquer um ou todos os exemplos anteriores e compreendendo adicionalmente: receber um mapa de informação que mapeia valores de uma segunda característica correspondentes às diferentes localizações geográficas no campo; detectar, com um sensor in situ, um valor da primeira característica correspondente a uma localização geográfica; gerar um modelo preditivo que modela um relacionamento entre a primeira característica e a segunda característica; e gerar, como o mapa preditivo, um mapa preditivo funcional do campo, que mapeia valores preditivos da primeira característica para as diferentes localizações no campo com base nos valores da segunda característica no mapa de informação e no modelo preditivo.

[0020] Exemplo 15 é o método de qualquer um ou todos os exemplos anteriores, em que receber o mapa de informação compreende receber um de: um mapa de característica óptica que mapeia, como os valores da segunda característica, valores de característica óptica correspondentes às diferentes localizações geográficas no campo; um mapa de estado de cultura que mapeia, como os valores da segunda característica, valores de estado de cultura correspondentes às diferentes localizações geográficas no campo; um mapa de altura de cultura que mapeia, como os valores da segunda característica, valores de altura de cultura correspondentes às diferentes localizações geográficas no campo; um mapa de índice vegetativo que mapeia, como os valores da segunda característica, valores de índice vegetativo para as diferentes localizações geográficas no campo; um mapa de rendimento que mapeia, como os valores da segunda característica, valores de rendimento para as diferentes localizações geográficas no campo de interesse; um mapa de ervas daninhas que mapeia, como os valores da segunda característica, valores de ervas daninhas para as diferentes localizações geográficas no campo de interesse; um mapa de umidade de cultura que mapeia, como os valores da segunda característica, valores de umidade de cultura para as diferentes localizações geográficas no campo de interesse; ou um mapa de genótipo que mapeia, como os valores da segunda característica, valores de genótipo para as diferentes localizações geográficas no campo de interesse.

[0021] Exemplo 16 é o método de qualquer um ou todos os exemplos anteriores, em que gerar o sinal de controle compreende gerar o sinal de controle para controlar um atuador de altura de molinete, do subsistema de molinete, que é atuável para ajustar uma altura de um molinete da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola ou gerar o sinal de controle para controlar um atuador de posição de frente para trás do molinete, do subsistema de molinete, que é atuável para ajustar uma posição de frente para trás do molinete da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola.

[0022] Exemplo 17 é o método de qualquer um ou todos os exemplos anteriores, em que gerar o sinal de controle compreende gerar o sinal de controle para controlar um atuador de velocidade do molinete, do subsistema de molinete, que é atuável para ajustar uma velocidade rotacional de um molinete da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola.

[0023] Exemplo 18 é o método de qualquer um ou todos os exemplos anteriores, em que gerar o sinal de controle compreende gerar o sinal de controle para controlar um atuador de posição de dedo do molinete, do subsistema de molinete, que é atuável para ajustar uma posição de um dedo do molinete da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola.

[0024] Exemplo 19 é uma colheitadeira agrícola compreendendo: um sistema de comunicação que recebe um mapa preditivo que mapeia valores preditivos de uma primeira característica correspondentes a diferentes localizações geográficas em um campo; um sensor de posição geográfica que detecta uma localização geográfica da colheitadeira agrícola no campo; e um sistema de controle que gera um sinal de controle para controlar um subsistema de molinete da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

[0025] Exemplo 20 é a colheitadeira agrícola de qualquer um ou todos os exemplos anteriores, em que o sistema de comunicação recebe um mapa de informação que inclui valores de uma segunda característica correspondentes às diferentes localizações geográficas no campo, a colheitadeira agrícola compreendendo adicionalmente: um sensor in situque detecta um valor da primeira característica correspondente a uma localização geográfica no campo; um gerador de modelo preditivo que gera um modelo preditivo que modela um relacionamento entre a primeira característica e a segunda característica com base no valor da primeira característica, detectada pelo sensor in situ, correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor detectado da primeira característica corresponde; e um gerador de mapa preditivo que gera, como o mapa preditivo, um mapa preditivo funcional do campo, que mapeia valores preditivos da primeira característica para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo preditivo.

[0026] Esse Sumário é provido para introduzir uma seleção de conceitos em uma forma simplificada que são adicionalmente descritos a seguir na Descrição Detalhada. Esse Sumário não visa identificar recursos chaves ou recursos essenciais da matéria reivindicada, nem é para ser usado como uma ajuda na determinação do escopo da matéria reivindicada. A matéria reivindicada não está limitada às implementações que solucionam qualquer uma ou todas as desvantagens notadas nos fundamentos.

BREVE DESCRIÇÃO DOS DESENHOS

[0027] A FIG. 1 é uma ilustração pictorial parcial, esquemática parcial de um exemplo de uma colheitadeira agrícola.

[0028] A FIG. 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 FIGS. 3A-3B são diagramas de blocos mostrando alguns exemplos de um gerador de modelo preditivo e gerador de mapa preditivo.

[0030] As FIGS. 4A-4B são diagramas de blocos mostrando alguns exemplos de um gerador de modelo preditivo e gerador de mapa preditivo.

[0031] As FIGS. 5A-5B são diagramas de blocos mostrando alguns exemplos de um gerador de modelo preditivo e gerador de mapa preditivo.

[0032] As FIGS. 6A-6B (coletivamente referidas no presente documento como FIG. 6) mostram um fluxograma ilustrando um exemplo de operação de um sistema agrícola em gerar um mapa.

[0033] A FIG. 7 é um diagrama de blocos mostrando um exemplo de uma colheitadeira agrícola em comunicação com um ambiente de servidor remoto.

[0034] As FIGS. 8-10 mostram exemplos de dispositivos móveis que podem ser usados em uma colheitadeira agrícola.

[0035] A FIG. 11 é um diagrama de blocos mostrando um exemplo de um ambiente de computação que pode ser usado em uma colheitadeira agrícola.

DESCRIÇÃO DETALHADA

[0036] Para efeitos de promoção de um entendimento dos princípios da presente descrição, será feita agora referência aos exemplos ilustrados nos desenhos, e linguagem específica será usada para descrever os mesmos. No entanto, deve-se entender que nenhuma limitação a respeito do escopo da descrição é pretendida. Quaisquer alterações e modificações adicionais nos dispositivos, sistemas, métodos descritos, e qualquer aplicação adicional dos princípios da presente descrição são totalmente contemplados como normalmente ocorreria a um versado na técnica ao qual a descrição diz respeito. Em particular, é totalmente contemplado que os recursos, componentes e/ou etapas descritos com relação a um exemplo podem ser combinados com os recursos, componentes e/ou etapas descritos com relação a outros exemplos da presente descrição.

[0037] Em um exemplo, a presente descrição refere-se ao uso de dados in situobtidos simultaneamente a uma operação, em combinação com dados anteriores ou preditos, tais como dados anteriores ou preditos representados em um mapa, para gerar um modelo preditivo e um mapa preditivo. Em alguns exemplos, o mapa preditivo pode ser usado para controlar uma máquina móvel.

[0038] Como aqui discutido, máquinas colheitadeiras agrícolas, tais como colheitadeiras combinadas, podem ser anexadas a diferentes tipos de plataformas para colher diferentes tipos de culturas. Uma plataforma como essa é uma plataforma de corte que inclui, dentre outras coisas, uma barra de corte, um molinete disposto acima da barra de corte, e um transportador transversal, tal como um sem-fim transversal. O molinete engata cultura no campo e puxa-a para trás, em direção à barra de corte, de modo que a cultura é separada a uma altura de corte. A cultura cortada é carregada adicionalmente pelo molinete em direção ao sem-fim transversal que entrega a cultura cortada a um alimentador disposto centralmente.

[0039] À medida que as características no campo variam, o desempenho da plataforma na colheita de cultura pode também variar. Por exemplo, à medida que as características no campo variam, o desempenho do molinete pode também variar, se se mantidas nos mesmos pontos de ajuste. Dessa forma, pode ser desejável variar os parâmetros operacionais do molinete, tais como a altura do molinete, a posição de frente para trás do molinete, a posição dos dedos do molinete, bem como a velocidade do molinete à medida que as características no campo variam.

[0040] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de característica óptica. O mapa de característica óptica ilustrativamente inclui valores de radiação eletromagnética geolocalizada através de diferentes localizações geográficas em um campo de interesse. Valores de radiação eletromagnética podem ser provenientes do espectro eletromagnético. Essa descrição usa valores de radiação eletromagnética de porções do infravermelho, luz visível e ultravioleta do espectro eletromagnético, apenas como exemplos, e outras porções do espectro são também consideradas. Um mapa de característica óptica pode mapear pontos de dados por comprimento de onda (por exemplo, um índice vegetativo). Em outros exemplos, um mapa de característica óptica identifica texturas, padrões, cor, formato, ou outras relações de pontos de dados. Texturas, padrões, ou outras relações de pontos de dados podem ser indicativos da presença ou identificação de características no campo, tais como estado de cultura (por exemplo, cultura abatida/derrubada ou em pé), presença de planta, tipo de planta, presença de inseto, tipo de inseto, etc. Por exemplo, o tipo de planta pode ser identificado por um dado padrão de folha ou estrutura de planta que pode ser usada para identificar a planta. Por exemplo, uma erva daninha no dossel vegetativo da videira crescendo entre plantas de cultura pode ser identificada por um padrão. Ou, por exemplo, uma silhueta de inseto ou um padrão de picada em uma folha pode ser usado para identificar o inseto. O mapa de característica óptica pode ser derivado usando imagens de satélite, sensores ópticos em veículos aéreos tal como UAVS, ou sensores ópticos em um sistema baseado em terra, tal como outra máquina operando no campo antes da operação de colheita. Em alguns exemplos, os mapas de característica óptica podem mapear valores tridimensionais igualmente tal como altura de cultura quando uma câmera estéreo ou sistema lidar é usado para gerar o mapa. Esses são meramente alguns exemplos. O mapa de característica óptica pode ser gerado em uma variedade de outras maneiras.

[0041] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de estado de cultura. O mapa de estado de cultura inclui valores de estado de cultura geolocalizados através de diferentes localizações geográficas em um campo de interesse. Sem limitação, os valores de estado de cultura podem indicar um grau (magnitude) de abatimento (por exemplo, não abatido, parcialmente abatido, totalmente abatido), bem como a direção (por exemplo, direção da bússola) na qual as culturas estão abatidas. O mapa de estado de cultura pode ser derivado de leituras de sensor feitas durante uma operação anterior, realizada por uma máquina, no campo de interesse (por exemplo, um operação de pulverização anterior) ou feita durante um levantamento aéreo do campo de interesse (por exemplo, levantamento por drone, levantamento por avião, levantamento por satélite, etc.). Essas máquinas podem ser modernizadas com um ou mais diferentes tipos de sensores, tais como sistemas de formação de imagem (por exemplo, câmeras), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pelas plantas no campo de interesse. Esses são meramente alguns exemplos. O mapa de estado de cultura pode ser gerado em uma variedade de outras maneiras.

[0042] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de altura de cultura. O mapa de altura de cultura inclui valores de altura de cultura geolocalizados através de diferentes localizações geográficas em um campo de interesse. O mapa de altura de cultura pode ser derivado de leituras de sensor feitas durante uma operação anterior, realizada por uma máquina, no campo de interesse (por exemplo, uma operação anterior de pulverização) ou feita durante um levantamento aéreo do campo de interesse (por exemplo, levantamento por drone, levantamento por avião, levantamento por satélite, etc.). Essas máquinas podem ser modernizadas com um ou mais diferentes tipos de sensores, tais como sistemas de formação de imagem (por exemplo, câmeras), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pelas plantas no campo de interesse. Em alguns exemplos, o mapa de altura de cultura pode ser um mapa de altura de cultura preditivo que mapeia valores de altura de cultura preditivos através de diferentes localizações geográficas em um campo de interesse. Os valores de altura de cultura preditivos podem ser derivados de valores de altura de cultura históricos, modelos de crescimento de cultura, valores medidos anteriormente na estação, conhecimento especializado, dados do provedor de semente, ou por um gerador de modelo preditivo e gerador de mapa preditivo como descrito no presente documento, bem como várias outras fontes. Esses são meramente alguns exemplos. O mapa de altura de cultura pode ser gerado em uma variedade de outras maneiras.

[0043] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de índice vegetativo. O mapa de índice vegetativo inclui valores de índice vegetativo geolocalizados através de diferentes localizações geográficas em um campo de interesse. Os valores de índice vegetativo podem ser indicativos de crescimento vegetativo ou saúde da vegetação, ou ambos. Um exemplo de um índice vegetativo inclui um índice de vegetação de diferença normalizada (NDVI). Existem muitos outros índices vegetativos que estão dentro do escopo da presente descrição. Em alguns exemplos, um índice vegetativo pode ser derivado de leituras de sensor de uma ou mais bandas de radiação eletromagnética refletida pelas plantas. Sem limitação, essas bandas podem ser nas porções de micro-ondas, infravermelho, visível, ou ultravioleta do espectro eletromagnético. Um mapa de índice vegetativo pode ser usado para identificar a presença e localização de vegetação (por exemplo, cultura, ervas daninhas, etc.). Um mapa de índice vegetativo pode ser gerado em uma variedade de outras maneiras.

[0044] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como o mapa de rendimento. O mapa de rendimento inclui valores de rendimento geolocalizados através de diferentes localizações geográficas em um campo de interesse. O mapa de rendimento pode ser derivado de leituras de sensor feitas durante uma operação anterior, realizada por uma máquina, no campo de interesse (por exemplo, uma operação anterior de pulverização) ou feitas durante um levantamento aéreo do campo de interesse (por exemplo, levantamento por drone, levantamento por avião, levantamento por satélite, etc.). Essas máquinas podem ser modernizadas com um ou mais diferentes tipos de sensores, tais como sistemas de formação de imagem (por exemplo, câmeras), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pelo plantas no campo de interesse. O mapa de rendimento pode ser derivado de um índice vegetativo, tal como um mapa de rendimento com valores de rendimento preditivos com base em valores de índice vegetativo. O mapa de rendimento pode ser baseado em valores de rendimento históricos, tais como valores de rendimento históricos para o mesmo campo, ou outro campo. O mapa de rendimento pode gerar durante uma operação de colheita atual com base em valores de rendimento in situe um modelo preditivo que modela um relacionamento entre valores de rendimento in situe uma ou mais outras características do campo (que podem ser contidas em um mapa). Esses são meramente exemplos. Um mapa de rendimento pode ser gerado em uma variedade de outras maneiras.

[0045] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de ervas daninhas. O mapa de ervas daninhas inclui valores de ervas daninhas geolocalizados através de diferentes localizações geográficas em um campo de interesse. Os valores de ervas daninhas podem indicar um ou mais de intensidade de erva daninha e tipo de erva daninha. Sem limitação, intensidade de erva daninha pode incluir pelo menos um de presença de erva daninha, população de erva daninha, estágio de crescimento de erva daninha, biomassa de erva daninha, umidade de erva daninha, densidade de erva daninha, uma altura de ervas daninhas, um tamanho de plantas de erva daninha, uma idade de ervas daninhas, e condição de saúde de ervas daninhas em localizações no campo de interesse. Sem limitação, o tipo de erva daninha pode incluir informação de genótipo de erva daninha (por exemplo, espécie de erva daninha) ou categorização mais ampla de tipo, tais como erva daninha tipo videira e erva daninha tipo não videira. O mapa de ervas daninhas pode ser derivado de leituras de sensor feitas durante uma operação anterior, realizada por uma máquina, no campo de interesse (por exemplo, uma operação anterior de pulverização) ou feitas durante um levantamento aéreo do campo de interesse (por exemplo, levantamento por drone, levantamento por avião, levantamento por satélite, etc.). Essas máquinas podem ser modernizadas com um ou mais diferentes tipos de sensores, tais como sistemas de formação de imagem (por exemplo, câmeras), sensores ópticos, sensores ultrassônicos, bem como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pelas plantas no campo de interesse. Alternativamente, ou além disso, o mapa de ervas daninhas pode ser derivado de valores de índice vegetativo no campo de interesse (tais como valores de índice vegetativo em um mapa de índice vegetativo). Um exemplo de um índice vegetativo é um índice vegetativo de diferença normalizada (NDVI). Existem muitos outros índices vegetativos que estão dentro do escopo da presente descrição, incluindo, mas não limitado a um índice de área de folha (LAI). Esses são meramente alguns exemplos. O mapa de ervas daninhas pode ser gerado em uma variedade de outras maneiras.

[0046] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de umidade de cultura. Um mapa de umidade de cultura inclui valores geolocalizados de umidade de cultura através de diferentes localizações em um campo de interesse. O mapa de umidade de cultura pode ser derivado de leituras de sensor feitas durante uma operação anterior, realizada por uma máquina, no campo de interesse (por exemplo, uma operação anterior de pulverização) ou feita durante um levantamento aéreo do campo de interesse (por exemplo, levantamento por drone, levantamento por avião, levantamento por satélite, etc.). Essas máquinas podem ser modernizadas com um ou mais diferentes tipos de sensores, tais como sistemas de formação de imagem (por exemplo, câmeras), sensores ópticos (por exemplo, sensores térmicos, sensores infravermelhos, etc.), bem como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pelas plantas no campo de interesse. O mapa de umidade de cultura pode ser derivado de leituras de sensor de sensores de umidade que são dispostos no campo de interesse. O mapa de umidade de cultura pode ser derivado de amostras de cultura de teste de laboratório. O mapa de umidade de cultura pode ser derivado de outros valores de característica no campo de interesse, tais como valores de índice vegetativo no campo de interesse, valores de índice de umidade do solo no campo de interesse, bem como vários outros valores de característica ou combinações dos mesmos. O mapa de umidade de cultura pode também ser derivado de características de condições climáticas (por exemplo, precipitação, temperatura, vento, exposição ao sol, etc.), características do campo, tal como topografia, bem como modelamento de umidade de cultura. Esses são meramente alguns exemplos. O mapa de umidade de cultura pode ser gerado em uma variedade de outras maneiras.

[0047] Em um exemplo, a presente descrição refere-se à obtenção de um mapa tal como um mapa de genótipo. O mapa de genótipo inclui valores geolocalizados de genótipo de cultura através de diferentes localizações em um campo de interesse. Os valores de genótipo podem indicar informação de genótipo para a cultura no campo, por exemplo, em um campo de cultura, pode haver diversos diferentes tipos (por exemplo, híbridos, cultivar, etc.) de plantas de cultura. O mapa de genótipo pode ser derivado de entradas de operador ou usuário que indicam a informação de genótipo de cultura em diferentes áreas do campo. O mapa de genótipo pode ser derivado de informação, incluindo leituras de sensor, de uma operação de plantio que ocorre no campo no início do ano. Por exemplo, a máquina de plantio (por exemplo, plantadeira, semeadeira, etc.) pode ter dados, incluindo dados de sensor, que indicam o genótipo de semente plantada e as localizações nas quais as sementes foram plantadas. Esses são meramente alguns exemplos. O mapa de genótipo pode ser gerado em uma variedade de outras maneiras.

[0048] Em um exemplo, a presente descrição refere-se à obtenção de dados in situde sensores in situna máquina agrícola móvel (por exemplo, colheitadeira agrícola) obtidos simultaneamente com uma operação. Os dados de sensor in situpodem incluir dados de cultura faltante gerados por sensores de cultura faltante. Em outros exemplos, os dados de sensor in situpodem incluir dados de entrada de controle in situgerados por sensores de entrada de controle in situ. Em outros exemplos, os dados de sensor in situpodem incluir dados de enrolamento do molinete in situgerados pelos sensores de enrolamento do molinete in situ. Em outros exemplos, os dados de sensor in situpodem incluir dados de arrasto do molinete in situgerados pelos sensores de arrasto do molinete in situ. Em outros exemplos, os dados de sensor in situ podem incluir dados de arremesso do molinete in situgerados pelos sensores de arremesso do molinete in situ. Em outros exemplos, os dados de sensor in situpodem incluir dados de fragmentação in situgerados por sensores de fragmentação in situ. Em outros exemplos, os dados de sensor in situpodem incluir dados de parâmetro de molinete in situgerados por um ou mais sensores de parâmetro de molinete in situ, tais como dados de velocidade do molinete in situgerados por sensores de velocidade do molinete in situ, dados de altura do molinete in situgerados por sensores de altura do molinete in situ, dados de posição de frente para trás do molinete in situgerados por sensores de posição de frente para trás do molinete in situ, e dados de posição do dedo do molinete in situgerados por sensores de posição de dedo do molinete in situ. Os vários dados in situsão derivados de vários sensores in situna máquina móvel, como será descrito em detalhe adicional no presente documento. Esses são meramente alguns exemplos dos dados in situe sensores in situcontemplados no presente documento.

[0049] A presente discussão continua, em alguns exemplos, com relação a sistemas que obtêm um ou mais mapas de um campo e também usa um sensor in situpara detectar uma variável indicativa de um valor de característica agrícola, tais como valores de cultura faltante, valores de entrada de controle, valores de enrolamento do molinete, valores de arrasto do molinete, valores de arremesso do molinete, ou valores de fragmentação. Os sistemas geram um modelo que modela um relacionamento entre o(s) valores no(s) mapa(s) obtido(s) e os valores de saída do sensor in situ. O modelo é usado para gerar um mapa preditivo que prediz valores de característica agrícola, tais como valores de cultura faltante, valores de entrada de controle, valores de enrolamento do molinete, valores de arrasto do molinete, valores de arremesso do molinete, ou valores de fragmentação. O mapa preditivo, gerado durante uma operação, pode ser apresentado a um operador ou outro usuário ou usado em controlar automaticamente uma máquina agrícola móvel durante uma operação, ou ambos. Em alguns exemplos, o mapa preditivo pode ser usado para controlar um ou mais de uma posição de um molinete (por exemplo, altura do molinete, posição de frente para trás do molinete, etc.), uma velocidade de rotação do molinete, uma posição dos dedos do molinete, bem como vários outros parâmetros.

[0050] A presente discussão continua, em alguns exemplos, com relação a sistemas que obtêm um ou mais mapas de um campo e também usam um sensor in situpara detectar uma variável indicativa de um valor de característica agrícola, tais como valores de cultura faltante, valores de entrada de controle, valores de enrolamento do molinete, valores de arrasto do molinete, valores de arremesso do molinete, ou valores de fragmentação bem como detectar variável(is) indicativa(s) de um ou mais parâmetros de molinete, tais como velocidade do molinete, altura do molinete, e posição de frente para trás do molinete. Os sistemas geram um modelo que modela um relacionamento entre valores no(s) mapa(s) obtido(s), os valores de parâmetros de molinete, e os valores de característica agrícola do sensor in situ. O modelo é usado para gerar um mapa preditivo que prediz valores de característica agrícola, tais como valores de cultura faltante, valores de entrada de controle, valores de enrolamento do molinete, valores de arrasto do molinete, valores de arremesso do molinete, ou valores de fragmentação. O mapa preditivo, gerado durante uma operação, pode ser apresentado a um operador ou outro usuário, ou usado para controlar automaticamente uma máquina agrícola móvel durante uma operação, ou ambos. Em alguns exemplos, o mapa preditivo pode ser usado para controlar um ou mais de uma posição de um molinete (por exemplo, altura do molinete, posição de frente para trás do molinete, etc.), uma velocidade de rotação do molinete, uma posição dos dedos do molinete, bem como vários outros parâmetros.

[0051] A FIG. 1 é uma ilustração parcial pictorial, esquemática parcial de uma colheitadeira agrícola autopropelida 100. No exemplo ilustrado, a colheitadeira agrícola 100 é uma colheitadeira combinada. Adicionalmente, embora as colheitadeiras combinadas sejam providas como exemplos em toda a presente descrição, percebe-se que a presente descrição é também aplicável a outros tipos de colheitadeiras, tais como gadanheiras- enfardadeiras. Consequentemente, a presente descrição visa englobar outros tipos de colheitadeiras, tais como gadanheiras-enfardadeiras, e, dessa forma, não está limitada a colheitadeiras combinadas.

[0052] Como mostrado na FIG. 1, a colheitadeira agrícola 100 ilustrativamente inclui um compartimento do operador 101, que pode ter uma variedade de diferentes mecanismos de interface de operador 218 para controlar a colheitadeira agrícola 100. A colheitadeira agrícola 100 pode também incluir um sistema de controle 314 para gerar vários sinais de controle para controlar itens de colheitadeira agrícola 100. A colheitadeira agrícola 100 inclui equipamento de extremidade frontal, tal como uma plataforma 102, e um cortador (barra de corte) indicado no geral por 104. No exemplo ilustrado, o cortador 104 é incluído na plataforma 102. O cortador 104 estende-se através de uma largura da plataforma 102. A colheitadeira agrícola 100 também inclui um alimentador 106, um acelerador de alimentação 108, e um trilhador indicado no geral por 110. A colheitadeira agrícola 100 também inclui transportador transversal 121, tal como um sem- fim transversal ou uma correia transportadora, que transfere material de cultura cortado pelo cortador 104 para o meio da plataforma 102 e em direção ao alimentador 106. A plataforma 102 é acoplada a pivô a uma armação 103 da colheitadeira agrícola 100 ao longo do eixo geométrico pivô 105. Um ou mais atuadores 107 acionam o movimento da plataforma 102 em torno do eixo geométrico 105 nas direções no geral indicadas pela seta 109. Dessa forma, uma posição vertical da plataforma 102 (a altura da plataforma) acima do chão 111 no qual a plataforma 102 desloca é controlável atuando o atuador 107. Embora não mostrado na FIG. 1, a colheitadeira agrícola 100 pode também incluir um ou mais atuadores 187 que operam para aplicar um ângulo de inclinação, um ângulo de rolamento, ou ambos, à plataforma 102 ou porções da plataforma 102. Inclinação refere-se a um ângulo no qual o cortador 104 engata a cultura. O ângulo de inclinação é aumentado, por exemplo, controlando a plataforma 102 para apontar uma borda distal 113 do cortador 104 mais em direção ao chão 111. O ângulo de inclinação é diminuído controlando a plataforma 102 para apontar a borda distal 113 do cortador 104 mais para fora do chão 111. O ângulo de rolamento refere-se à orientação da plataforma 102 em torno do eixo geométrico longitudinal de frente para trás da colheitadeira agrícola 100. Além disso, a colheitadeira agrícola 100 também inclui um atuador do cortador 161 que pode ser controlado para atuar o movimento do cortador para controlar uma profundidade da plataforma de corte, ou seja, a posição de frente para trás do cortador em relação à armação 172 da plataforma 102.

[0053] Um molinete 164 é acoplado à plataforma 102 e estende-se em uma largura da plataforma. O molinete 164 é acoplado à plataforma 102 e suportado rotacionalmente por braços 145, cada braço (apenas um mostrado na FIG. 1) é acoplado a uma extremidade do molinete 164. Um respectivo atuador de altura de molinete 147 é acoplado a pivô a cada braço 145 e armação 172. Os atuadores de altura de molinete 147 podem ser uma variedade de diferentes tipos de atuadores, tais como um cilindro hidráulico, um atuador pneumático, um atuador elétrico, bem como vários outros atuadores. Os atuadores de altura de molinete 147 podem ser atuados de forma controlada (por exemplo, estendidos e retraídos), para levantar e abaixar o molinete 164 (por exemplo, levantar e abaixar a altura do molinete 164, tal como a altura de molinete em relação ao cortador 104), como no geral indicado pela seta 197. O molinete 164 inclui um membro de armação central 177 que pode ser rotacionado (por exemplo, no sentido anti-horário na FIG. 1) em torno de um eixo geométrico rotacional 175 por um atuador de velocidade do molinete controlável 176, que pode ser na forma de vários acionadores, tais como um motor hidráulico, um motor pneumático, um motor elétrico, bem como vários outros acionadores. A plataforma 102 também inclui atuador(es) de frente para trás de molinete 183 que pode(m) ser atuado(s) de forma controlável (por exemplo, estendidos e retraídos) para controlar a posição de frente para trás do molinete 164 movendo um mancal de apoio do membro de armação central 177 ao longo de cada um dos braços 145. Dessa forma, os atuadores de posição de frente para trás 183 podem ser atuados de forma controlada para acionar o movimento do molinete 164 de frente para trás, como indicado no geral pela seta 199. O(s) atuador(se) de frente para trás do molinete 183 pode(m) ser uma variedade de diferentes tipos de atuadores, tais como um cilindro hidráulico, um atuador pneumático, um atuador elétrico, bem como vários outros atuadores.

[0054] O molinete 164 inclui uma série de suportes de dedos do molinete 119 que se estendem radialmente em relação ao membro de armação central 177 e são suportados pelo braço do molinete 123. Os suportes de dedos do molinete 119 se estendem em uma largura da plataforma 102. Uma pluralidade de dedos do molinete 117 é acoplada e espaçada ao longo de cada suporte de molinete 119. Os suportes de dedos do molinete 119 e dessa forma os dedos do molinete 117 são montados rotacionalmente em relação aos braços de molinete 123. Dessa forma, os dedos do molinete 117 podem ser mantidos em uma orientação desejada à medida que eles giram em torno do membro de armação central 117 com a rotação do molinete 164. A orientação dos suportes de dedos do molinete 119 e, dessa forma, a orientação dos dedos do molinete 117 podem ser controladas por meio de um membro de orientação de dedo do molinete 179 (por exemplo, um alavanca), que, em um exemplo, define a posição de uma pista de came em torno do eixo geométrico central 175 do membro de armação central 177. Um atuador de posição de dedo do molinete 181 pode ser atuado de forma controlada (por exemplo, estendido e retraído), para ajustar o membro de orientação de dedo do molinete 179. Dessa forma, o atuador de posição de dedo do molinete 181 pode ser atuado para controlar a orientação dos suportes dos dedos do molinete 119, e dessa forma a orientação dos dedos do molinete 117.

[0055] O trilhador 110 ilustrativamente inclui um rotor de trilhagem 112 e um conjunto de côncavos 114. Adicionalmente, a colheitadeira agrícola 100 também inclui um separador 116. A colheitadeira agrícola 100 também inclui um subsistema de limpeza ou sapata de limpeza que inclui um ventilador de limpeza 120, picador de palha 122 e peneira 124. A colheitadeira agrícola 100 também inclui batedor de descarga 126, um elevador de rejeitos, elevador de grão limpo 130, um sem-fim de grão limpo 127, bem como sem-fim de descarga 134 e calha 136. O elevador de grão limpo move grão limpo para o tanque de grão limpo 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduos que pode incluir picador 140 e um espalhador. A colheitadeira agrícola 100 também inclui um subsistema de propulsão que inclui um acionador que aciona componentes de engate ao chão 144, tais como rodas ou esteiras. Em alguns exemplos, uma colheitadeira combinada dentro do escopo da presente descrição pode ter mais que um de quaisquer dos subsistemas supramencionados. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza, separadores, etc. esquerdo e direito, que não estão mostrados na FIG. 1.

[0056] Em operação, e a título de visão geral, a colheitadeira agrícola 100 ilustrativamente move em um campo na direção indicada pela seta 147. À medida que a colheitadeira agrícola 100 move, a plataforma 102 (e o molinete associado 164) engata a cultura 206 (por exemplo, grão ou outra cultura trilhável) a ser colhida e reúne a cultura em direção ao cortador 104. Um operador de colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto, ou um sistema automatizado. Um comando de operador é um comando por um operador. O operador da colheitadeira agrícola 100 pode determinar um ou mais de uma definição de altura da plataforma, uma definição de ângulo de inclinação da plataforma, ou uma definição de ângulo de rolamento da plataforma para a plataforma 102. Além disso, o operador de colheitadeira agrícola pode determinar um ou mais de uma definição de altura do molinete, uma definição de posição de frente para trás do molinete, uma definição de velocidade do molinete, e uma definição de posição dos dedos do molinete. Por exemplo, as entradas do operador (por exemplo, mecanismos de interface de operador 218) uma definição ou definições para um sistema de controle 314, descrito em mais detalhe a seguir, que controla, dentre outras coisas, os vários atuadores. Os atuadores mantêm os vários itens em suas definições com base nas definições introduzidas pelo operador e controle pelo sistema de controle 314. Cada uma das definições pode ser implementada independentemente das outras. O sistema de controle 314 pode responder ao erro (por exemplo, a diferença entre a definição e um parâmetro medido dos itens que estão sendo controlados) com uma capacidade de resposta que é determinada com base em um nível de sensibilidade selecionado. Se o nível de sensibilidade for definido em um maior nível de sensibilidade, o sistema de controle responde a menores erros, e tenta reduzir os erros detectados mais rapidamente do que quando a sensibilidade está em um menor nível de sensibilidade. Em outros exemplos, o sistema de controle 314 pode controlar as várias definições automaticamente, tal como com base em várias entradas como será descrito em mais detalhe a seguir. Dessa forma, em alguns exemplos, não é necessária nenhuma entrada do operador além de talvez meramente ativar o controle automático do sistema de controle 314.

[0057] De volta à descrição da operação da colheitadeira agrícola 100, após as culturas serem cortadas pelo cortador 104, o material de cultura separado é movido pelo transportador 121 para um transportador no alimentador que transporta o material de cultura através do alimentador 106 em direção ao acelerador de alimentação 108, que acelera o material de cultura para o trilhador 110. O material de cultura é trilhado pelo rotor 112 girando a cultura contra os côncavos 114. O material de cultura trilhado é movido por um rotor de separador no separador 116 onde uma porção do resíduo é movido pelo batedor de descarga 126 em direção ao subsistema de resíduos. A porção de resíduo transferida para o subsistema de resíduos é picada pelo picador de resíduo 140 e pode ser espalhada no campo por um espalhador. Em outras configurações, o resíduo é liberado da colheitadeira agrícola 100 em um amontoado de feno. Em outros exemplos, o subsistema de resíduos pode incluir eliminadores de semente de erva daninha (não mostrados) tais como ensacadores de semente ou outros coletores de semente, ou trituradores de semente ou outros destruidores de semente.

[0058] Grão cai em um subsistema de limpeza. O picador de palha 122 separa alguns pedaços maiores de material do grão, e a peneira 124 separa alguns dos pedaços mais finos de material do grão limpo. O grão limpo cai em um sem-fim 127 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 em tanque de grão limpo 132. O resíduo é removido do subsistema de limpeza pelo fluxo de ar gerado pelo ventilador de limpeza 120. O ventilador de limpeza 120 direciona o ar ao longo de um trajeto de fluxo de ar para cima através das peneiras e picadores de palha. O fluxo de ar carrega resíduo para trás na colheitadeira agrícola 100 em direção ao subsistema de manuseio de resíduo.

[0059] Em alguns exemplos, um elevador de rejeitos (não mostrado) retorna rejeitos para o trilhador 110 onde os rejeitos são retrilhados. Alternativamente, os rejeitos também podem ser passados para um mecanismo de retrilhagem separado por um elevador de rejeitos ou outro dispositivo de transporte onde os rejeitos são retrilhados igualmente.

[0060] A FIG. 1 também mostra que, em um exemplo, a colheitadeira agrícola 100 inclui um ou mais sensores de posição geográfica 304, um ou mais sensores de velocidade de máquina 146, um ou mais sensores de perda no separador 148, uma câmera de grão limpo 150, um ou mais sistemas de sensor de observação 151, e um ou mais sensores de perda 152 provido no subsistema de limpeza.

[0061] Os sensores de posição geográfica 304 ilustrativamente sensoreiam ou detectam a posição ou localização geográfica da colheitadeira agrícola 100. Os sensores de posição geográfica 304 podem incluir, mas não estão limitados a um receptor de sistema de satélite de navegação global (GNSS) que recebe sinais de um transmissor de satélite GNSS. Os sensores de posição geográfica 304 podem também incluir um componente cinemático em tempo real (RTK) que é configurado para intensificar a precisão de dados de posição derivados do sinal de GNSS. Os sensores de posição geográfica 304 podem incluir um sistema de posicionamento relativo, um sistema de triangulação celular, ou qualquer um de uma variedade de outros sensores de posição geográfica.

[0062] O sensor de velocidade de máquina 146 sensoreia a velocidade de deslocamento da colheitadeira agrícola 100 no chão. O sensor de velocidade de máquina 146 pode sensorear a velocidade de deslocamento da colheitadeira agrícola 100 sensoreando a velocidade de rotação dos componentes de engate ao chão (tais como rodas ou esteiras), um eixo de acionamento, um eixo de rodas, ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser sensoreada usando um sistema de posicionamento, tais como sensores de posição geográfica 304, um sistema de posicionamento global (GPS), um sistema de posicionamento relativo, um sistema de navegação de longo alcance (LORAN), ou uma ampla variedade de outros sistemas ou sensores que proveem uma indicação de velocidade de deslocamento.

[0063] Os sensores de perda 152 ilustrativamente proveem um sinal de saída indicativo da quantidade de perda de grão que ocorre tanto no lado direito quanto esquerdo do subsistema de limpeza. Em alguns exemplos, os sensores 152 são sensores de colisão que contam colisões de grão por unidade de tempo ou por unidade de distância percorrida para prover uma indicação da perda de grão que ocorre no subsistema de limpeza. Os sensores de colisão para os lados direito e esquerdo do subsistema de limpeza 118 podem prover sinais individuais ou um sinal combinado ou agregado. Em alguns exemplos, os sensores 152 podem incluir um único sensor ao contrário de sensores separados providos para cada subsistema de limpeza.

[0064] O sensor de perda no separador 148 provê um sinal indicativo de perda de grão nos separadores esquerdo e direito, não mostrados separadamente na FIG. 1. Os sensores de perda no separador 148 podem ser associados aos separadores esquerdo e direito e podem prover sinais de perda de grão separados, ou um sinal combinado ou agregado. Em alguns casos, o sensoreamento de perda de grão nos separadores pode também ser realizado usando uma ampla variedade de diferentes tipos de sensores igualmente.

[0065] Os sistemas de sensor de observação 151 são configurados para sensorear várias características, incluindo, mas não limitado a cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação, como será discutido em mais detalhe a seguir. Os sistemas de sensor de observação 151 podem ser na forma de ou incluir um ou mais de um sistema de formação de imagem, tal como uma câmera mono ou estéreo, sensores ópticos, radar, lidar, um sensor ultrassônico, bem como vários outros sensores, tais como sensores que detectam uma ou mais bandas de radiação eletromagnética refletidas pela cultura ou material de cultura. Em alguns exemplos, mais que uma característica pode ser detectada pelos sistemas de sensor de observação 151, tais como duas ou mais de culturas faltantes, enrolamento do molinete, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação. Um sistema de sensor de observação 151, por exemplo um primeiro sistema de sensor de observação, pode observar (ou ter um campo de visada que inclui) um ou mais de plataforma 102 e/ou molinete 164, uma área à frente da plataforma 102 e/ou molinete 164, uma área detrás da plataforma 102 e/ou molinete 164. Um sistema de sensor de observação 151, por exemplo, um segundo sistema de sensor de observação, pode observar (ou ter um campo de visada que inclui) uma área detrás da colheitadeira agrícola 100. Por exemplo, como mostrado na FIG. 1, a colheitadeira agrícola 100 inclui um sistema de sensor de observação 151 disposto para olhar para a frente e um sistema de sensor de observação 151 disposto para olhar para trás. Em outros exemplos, a colheitadeira agrícola 100 pode incluir um sistema de sensor de observação 151 que olha para os lados da colheitadeira agrícola 100. Além disso, embora um certo número de sistemas de sensor de observação 151 esteja mostrado, em outros exemplos, a colheitadeira agrícola 100 pode incluir mais ou menos sistemas de sensor de observação. Além disso, embora os sistemas de sensor de observação 151 estejam mostrados sendo dispostos em certas localizações, entende-se que, em outros exemplos, os sistemas de sensor de observação 151 podem ser dispostos em várias localizações na colheitadeira agrícola 100.

[0066] A colheitadeira agrícola 100 pode também incluir outros sensores e mecanismos de medição. Por exemplo, a colheitadeira agrícola 100 pode incluir um ou mais dos seguintes sensores: um sensor de altura da plataforma que sensoreia uma altura de plataforma 102 acima do chão 111; um sensor de altura do molinete que sensoreia a altura do molinete 164; um sensor de velocidade do molinete que sensoreia a velocidade rotacional do molinete 164, um sensor de frente para trás do molinete que sensoreia a posição de frente para trás do molinete 164; um sensor de posição do dedo do molinete que sensoreia a posição (por exemplo, posição ou orientação angular) de dedos do molinete 117 ou suportes de dedos do molinete 119, ou ambos; sensores de estabilidade que sensoreiam a oscilação ou movimento de ressalto (e amplitude) da colheitadeira agrícola 100; um sensor de definição de resíduo que é configurado para sensorear se a colheitadeira agrícola 100 está configurada para picar o resíduo, produzir um amontoado de feno, etc.; um sensor de velocidade da ventoinha da sapata de limpeza para sensorear a velocidade da ventoinha 120; um sensor de folga do côncavo que sensoreia a folga entre o rotor 112 e os côncavos 114; um sensor de velocidade do rotor de trilhagem que sensoreia uma velocidade de rotor do rotor 112; um sensor de folga do picador de palha que sensoreia o tamanho das aberturas no picador de palha 122; um sensor de folga da peneira que sensoreia o tamanho das aberturas na peneira 124; um sensor de umidade de material não grão (MOG) que sensoreia um nível de umidade do MOG que passa pela colheitadeira agrícola 100; um ou mais sensores de definição de máquina configurados para sensorear várias definições configuráveis da colheitadeira agrícola 100; um sensor de orientação de máquina que sensoreia a orientação de colheitadeira agrícola 100; e sensores de propriedade de cultura que sensoreiam uma variedade de diferentes tipos de propriedades de cultura, tais como tipo de cultura, umidade de cultura, e outras propriedades de cultura. Sensores de propriedade de cultura podem também ser configurados para sensorear características do material de cultura separado à medida que o material de cultura está sendo processado pela colheitadeira agrícola 100. Por exemplo, em alguns casos, os sensores de propriedade de cultura podem sensorear qualidade de grão tais como grão quebrado, níveis de MOG; constituintes de grão tais como amidos e proteína; e taxa de alimentação de grão à medida que o grão desloca através do alimentador 106, elevador de grão limpo 130, ou outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultura podem também sensorear a taxa de alimentação de biomassa através do alimentador 106, através do separador 116 ou outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultura podem também sensorear a taxa de alimentação como uma vazão de grão de massa através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou prover outros sinais de saída indicativos de outras variáveis sensoreadas. Esses são meramente exemplos.

[0067] A FIG. 2 é um diagrama de blocos mostrando algumas porções de uma arquitetura de sistema de colheita agrícola 300. A FIG. 2 mostra que a arquitetura de sistema de colheita agrícola 300 inclui colheitadeira agrícola 100, um ou mais sistemas de computação remotos 368, um operador 360, um ou mais usuários remotos 366, uma ou mais interfaces de usuário remoto 364, rede 359, e um ou mais mapas de informação 358. A colheitadeira agrícola 100, em si, ilustrativamente inclui um ou mais processadores ou servidores 301, armazenamento de dados 302, um ou mais sensores de posição geográfica 304, sistema de comunicação 306, um ou mais sensores in situ308 que sensoreiam uma ou mais características em um local de trabalho simultaneamente a uma operação, e um sistema de processamento 338 que processa os dados de sensor (por exemplo, sinais de sensor, imagens, etc.) gerados por sensores in situ308 para gerar dados de sensor processados. Os sensores in situ308 geram valores correspondentes às características sensoreadas. A máquina móvel 100 também inclui um modelo preditivo ou gerador de relacionamento (coletivamente referidas a seguir como “gerador de modelo preditivo 310”), modelo ou relacionamento preditivo (coletivamente referidos a seguir como “modelo preditivo 311”), o gerador de mapa preditivo 312, gerador de zona de controle 313, sistema de controle 314, um ou mais subsistemas controláveis 316, e mecanismos de interface de operador 218. A máquina móvel pode também incluir uma ampla variedade de outras funcionalidades de máquina 320.

[0068] Os sensores in situ 308 podem ser internos à máquina móvel 100, remotos da máquina móvel, tal como desdobrados em localizações fixas no local de trabalho ou em outra máquina que opera em concerto com a máquina móvel 100, tal como um veículo aéreo, e outros tipos de sensores, ou uma combinação dos mesmos. Os sensores in situ308 sensoreiam características em um local de trabalho durante o curso de uma operação. Os sensores in situ308 ilustrativamente incluem um ou mais sensores de cultura faltante 380, um ou mais sensores de enrolamento do molinete 382, um ou mais sensores de arrasto do molinete 384, um ou mais sensores de arremesso do molinete 386, um ou mais sensores de fragmentação 388, um ou mais sensores de entrada de controle 390, sensores de parâmetro de molinete 370, sensores de direção/velocidade 325, e podem incluir vários outros sensores 328. Os sensores de parâmetro de molinete 370, em si, incluem um ou mais sensores de velocidade do molinete 372, um ou mais sensores de altura do molinete 374, um ou mais sensores de molinete para trás 376, um ou mais sensores de posição de dedo do molinete 377, e podem incluir outros sensores 377 para sensorear outros parâmetros de molinete.

[0069] Os sensores de parâmetro de molinete 370 ilustrativamente detectam parâmetros de molinete 164, tais como a velocidade do molinete 164, a altura do molinete 164, a posição de frente para trás do molinete 164, e a posição dos dedos do molinete 164.

[0070] Os sensores de velocidade do molinete 372 ilustrativamente detectam a velocidade na qual o molinete 164 está operando. Os sensores de velocidade do molinete podem incluir sensores de carga ou potência que detectam uma potência usada para acionar o molinete 164 (por exemplo, uma potência usada para acionar ou atuar o atuador de velocidade do molinete 346 ou 176), tais como um sensor de tensão, um sensor de corrente, um sensor de pressão hidráulica, um sensor de pressão de ar, ou um sensor de torque. O sensor de velocidade do molinete 372 pode também incluir um sensor de entrada que detecta uma entrada de controle que controla uma definição de velocidade do molinete 164. O sensor de velocidade do molinete 164 pode incluir sensores que detectam o movimento de componentes do molinete 164, tal como um sistema de sensor que inclui sensor de revoluções por minuto (RPM) e um tacômetro. Esses são meramente alguns exemplos.

[0071] Os sensores de altura do molinete 374 ilustrativamente detectam uma altura do molinete 164, tal como a altura do molinete 164. Os sensores de altura do molinete 374 podem incluir sensores de parâmetro de atuador que sensoreiam um parâmetro do atuador de altura do molinete 344 ou 147, tais como uma pressão hidráulica, uma pressão de ar, uma posição ou deslocamento, bem como vários outros parâmetros. Os sensores de altura do molinete 374 podem incluir sistemas de sensor de observação (por exemplo, 151 ou outro sistema de sensor de observação similar a 151) que detecta a altura do molinete em relação a outro componente da colheitadeira agrícola 100 (por exemplo, cortador 104) ou ao campo 111. Como aqui descrito, os sistemas de sensor de observação podem incluir sistemas de formação de imagem (por exemplo, câmeras mono ou estéreo), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como uma variedade de outros sensores. Esses são meramente alguns exemplos.

[0072] Os sensores de posição de frente para trás do molinete 376 ilustrativamente detectam uma posição de frente para trás do molinete 164. Os sensores de posição de frente para trás do molinete 376 podem incluir sensores de parâmetro de atuador que sensoreiam um parâmetro dos atuadores de frente para trás do molinete 342 ou 183, tais como uma pressão hidráulica, uma pressão de ar, uma posição ou deslocamento, bem como vários outros parâmetros. Os sensores de posição de frente para trás do molinete 376 podem incluir sistemas de sensor de observação (por exemplo, 151 ou outro sistema de sensor de observação similar a 151) que detectam a posição de frente para trás do molinete 164. Como aqui descrito, os sistemas de sensor de observação podem incluir sistemas de formação de imagem (por exemplo, câmeras mono ou estéreo), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como uma variedade de outros sensores. Esses são meramente alguns exemplos.

[0073] Os sensores de posição de dedo do molinete 377 ilustrativamente detectam uma posição (por exemplo, orientação) de dedos do molinete 117 do molinete 164. Os sensores de posição de dedo do molinete 376 podem incluir sensores de parâmetro de atuador que sensoreiam um parâmetro do atuador de posição de dedo do molinete 181, tais como uma pressão hidráulica, uma pressão de ar, uma posição ou deslocamento, bem como vários outros parâmetros. Os sensores de posição de dedo do molinete 376 podem incluir sistemas de sensor de observação (por exemplo, 151 ou outro sistema de observação similar a 151) que detectam a posição dos dedos 117. Como aqui descrito, os sistemas de sensor de observação podem incluir sistemas de formação de imagem (por exemplo, câmeras mono ou estéreo), sensores ópticos, lidar, radar, sensores ultrassônicos, bem como uma variedade de outros sensores.

[0074] Os sensores de cultura faltante 380 ilustrativamente detectam cultura faltante, ou seja, cultura que não foi cortada pela plataforma 102. Os sensores de cultura faltante 380 podem incluir sistemas de formação de imagem, tais como câmeras (por exemplo, câmera estéreo, câmera mono, etc.), sensores ópticos, radar, lidar, sensores ultrassônicos, bem como vários outros sensores, incluindo, mas não limitado a sensores que detectam um ou mais comprimentos de onda de radiação eletromagnética emitida (ou refletida) pelas culturas. Em alguns exemplos, os sistemas de sensor de observação 151 são ou incluem sensores de cultura faltante 380. Em alguns exemplos, os sensores de cultura faltante 382 observam (ou têm um campo de visada que inclui) a plataforma 102 e/ou molinete 164, e área(s) em torno da plataforma 102 (por exemplo, uma ou mais da(s) área(s) adjacente(s) à plataforma 102, tal como detrás da plataforma 102). Em alguns exemplos, um sensor de cultura faltante pode observar detrás de uma extremidade da plataforma 102 enquanto outro sensor de cultura faltante observa detrás do lado oposto da plataforma 102. Além disso, ou alternativamente, um sensor de cultura faltante 380 pode ser disposto para olhar para trás da colheitadeira agrícola 100, em relação à sua direção de deslocamento, para culturas faltantes sensoreadas dentro do trajeto de deslocamento da plataforma 102.

[0075] Os sensores de enrolamento do molinete 382 ilustrativamente detectam enrolamento de material vegetal (por exemplo, material de cultura, material de erva daninha, etc.) em torno do molinete 164. À medida que o molinete 164 gira, pode ser que o material vegetal não possa ser guiado adicionalmente para a colheitadeira agrícola 100 e, em vez disso, fique enrolado no molinete 164 (ou componentes do mesmo). Tal enrolamento pode afetar não apenas o desempenho do molinete 164 (por exemplo, afetar a velocidade de rotação, exigências de potência, etc.), mas também pode ter um efeito deletério na operação de colheita, tal como afetando deleteriamente a capacidade de o molinete 164 engatar e reunir culturas. Os sensores de enrolamento do molinete 386 podem incluir sistemas de formação de imagem, tais como câmeras (por exemplo, câmera estéreo, câmera mono, etc.), sensores ópticos, radar, lidar, sensores ultrassônicos, bem como vários outros sensores, incluindo, mas não limitado a sensores que detectam um ou mais comprimentos de onda de radiação eletromagnética emitida (ou refletida) pelo material vegetal no molinete 164. Em alguns exemplos, os sistemas de sensor de observação 151 são ou incluem sensores de enrolamento do molinete 382. Em alguns exemplos, sensores de enrolamento do molinete 382 observam (ou têm um campo de visada que inclui) a plataforma 102 e/ou molinete 164. Em alguns exemplos, um sensor de enrolamento do molinete pode observar uma porção da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100 enquanto outro sensor de enrolamento do molinete observa uma porção diferente da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100.

[0076] Em alguns exemplos, os sensores de enrolamento do molinete 382 podem detectar uma carga ou uma exigência de potência para acionar o movimento (por exemplo, rotação, mudança de posição, etc.) do molinete 164, por exemplo, sensores de pressão que sensoreiam uma pressão de fluido usada para atuar os atuadores, sensores de torque, sensores de corrente ou tensão. Exigência de carga ou potência adicional pode indicar a ocorrência de enrolamento do molinete.

[0077] Os sensores de arrasto do molinete 384 ilustrativamente detectam arrasto de material vegetal (por exemplo, material de cultura, material de erva daninha, etc.). Em alguns casos, material vegetal pode ficar suspenso no molinete 164 de modo que ele gire com o molinete 164, em vez de ser entregue adicionalmente na colheitadeira agrícola 100 (por exemplo, no transportador 121). O material de arrasto não enrola no molinete 164, mas, em vez disso, gira com o molinete 164 e eventualmente se desprende do molinete 164 e, em alguns casos, cai no campo e resulta em perda de cultura ou é novamente coletado pelo molinete 164 onde ele pode criar problemas de fluxo ou ficarem enrolados. Os sensores de arrasto do molinete 384 podem incluir sistemas de formação de imagem, tais como câmeras (por exemplo, câmera estéreo, câmera mono, etc.), sensores ópticos, radar, lidar, sensores ultrassônicos, bem como vários outros sensores, incluindo, mas não limitado a sensores que detectam um ou mais comprimentos de onda de radiação eletromagnética emitida (ou refletida) pelo material vegetal no molinete 164. Em alguns exemplos, os sistemas de sensor de observação 151 são ou incluem sensores de arrasto do molinete 384. Em alguns exemplos, os sensores de arrasto do molinete 384 observam (ou têm um campo de visada que inclui) a plataforma 102 e/ou molinete 164. Em alguns exemplos, um sensor de arrasto do molinete pode observar uma porção da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100 enquanto outro sensor de arrasto do molinete observa uma porção diferente da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100. Além disso, ou alternativamente, os sensores de arrasto do molinete 384 podem observar o campo, tal como uma porção do campo adjacente (por exemplo, a cada lado, detrás e/ou à frente) à plataforma 102 e/ou o campo detrás da colheitadeira agrícola 100 para detectar material vegetal disposto no campo. Em alguns exemplos, os sensores de arrasto do molinete 384 podem detectar uma carga ou uma exigência de potência para acionar o movimento (por exemplo, rotação, mudança de posição, etc.) do molinete 164, por exemplo, sensores de pressão que sensoreiam uma pressão de fluido usada para atuar os atuadores, sensores de torque, sensores de corrente ou tensão. Exigências de carga ou potência adicionais podem indicar arrasto do molinete.

[0078] Sensores de arremesso do molinete 386 ilustrativamente detectam arremesso de material vegetal (por exemplo, material de cultura, material de erva daninha, etc.) sobre a traseira e/ou lados da plataforma 102. Em alguns casos, em vez de ser entregue adicionalmente na colheitadeira agrícola 100 (por exemplo, no transportador 121), o material vegetal pode ser arremessado pelo molinete 164 sobre os lados e/ou a parte de trás da plataforma 102. Tal arremesso pode resultar em perda de cultura. Os sensores de arremesso do molinete 386 podem incluir sistemas de formação de imagem, tais como câmeras (por exemplo, câmera estéreo, câmera mono, etc.), sensores ópticos, radar, lidar, sensores ultrassônicos, bem como vários outros sensores, incluindo, mas não limitado a sensores que detectam um ou mais comprimentos de onda de radiação eletromagnética emitida (ou refletida) pelo material vegetal no molinete 164. Em alguns exemplos, os sistemas de sensor de observação 151 são ou incluem sensores de arremesso do molinete 386. Em alguns exemplos, os sensores de arremesso do molinete 386 observam (ou têm um campo de visada que inclui) a plataforma 102 e/ou molinete 164. Em alguns exemplos, um sensor de arremesso do molinete pode observar uma porção da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100 enquanto outro sensor de arremesso do molinete observa uma porção diferente da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100. Além disso, ou alternativamente, os sensores de arremesso do molinete 386 podem observar o campo, tal como uma porção do campo adjacente (por exemplo, ao lado, detrás e/ou à frente) à plataforma 102 e/ou o campo detrás da colheitadeira agrícola 100 para detectar material vegetal disposto no campo. Em alguns exemplos, os sensores de arrasto do molinete 384 podem detectar uma carga ou uma exigência de potência para acionar o movimento (por exemplo, rotação, mudança de posição, etc.) do molinete 164, por exemplo, sensores de pressão que sensoreiam uma pressão de fluido usada para atuar os atuadores, sensores de torque, sensores de corrente ou tensão. Carga ou exigências de potência adicional pode indicar arremesso do molinete.

[0079] Os sensores de fragmentação 388 ilustrativamente detectam fragmentação de cultura na plataforma 102 ou molinete 164. Em alguns cenários, o molinete 164, quando engata a cultura, fragmentará a cultura (por exemplo, dispersará o grão/semente/fruta, etc.) na plataforma 102 de modo que a cultura, a ser colhida, será perdida, dessa forma reduzindo o rendimento. Como um exemplo ilustrativo, o molinete 164 pode fragmentar vagens de soja quando a colheitadeira agrícola 100 estiver colhendo soja, e dessa forma a soja cairá no campo (ou outro lugar) e não será coletada pela colheitadeira agrícola 100. Os sensores de fragmentação 388 podem incluir sistemas de formação de imagem, tais como câmeras (por exemplo, câmera estéreo, câmera mono, etc.), sensores ópticos, radar, lidar, sensores ultrassônicos, bem como vários outros sensores, incluindo, mas não limitado a sensores que detectam um ou mais comprimentos de onda de radiação eletromagnética emitida (ou refletida) pelo material vegetal. Em alguns exemplos, os sistemas de sensor de observação 151 são ou incluem sensores de fragmentação 388. Em alguns exemplos, os sensores de fragmentação 388 observam (ou têm um campo de visada que inclui) a plataforma 102 e/ou molinete 164. Em alguns exemplos, um sensor de fragmentação pode observar uma porção da plataforma 102 e/ou molinete 164 da colheitadeira agrícola 100, enquanto outro sensor de fragmentação observa uma porção diferente da plataforma 102 e/ou molinete 164 da colheitadeira agrícola. Além disso, ou alternativamente, os sensores de fragmentação 388 podem observar o campo, tal como uma porção do campo adjacente (por exemplo, ao lado, detrás e/ou à frente) à plataforma 102 e/ou o campo detrás da colheitadeira agrícola 100 para detectar material vegetal, tal como cultura fragmentada, disposta no campo.

[0080] Como aqui descrito, os sistemas de sensor de observação 151 podem incluir ou compreender um ou mais de sensores de cultura faltante 380, sensores de enrolamento do molinete 382, sensores de arrasto do molinete 384, sensores de arremesso do molinete 386, e sensores de fragmentação 388. Nota-se que um ou mais de cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação pode ser detectado por um ou mais do mesmo tipo de sensor. Por exemplo, um sistema de formação de imagem, tal como uma câmera, ou um sensor óptico, pode gerar dados de sensor (por exemplo, imagem) que são indicativos de um ou mais de cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação. Por exemplo, uma imagem (ou um conjunto de imagens) capturada por um sistema de formação de imagem pode mostrar um ou mais de cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação. Dessa forma, entende-se que cada um de cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, e fragmentação pode ser detectado pelos respectivos sensores, ou pode ser detectado por um ou mais do mesmo tipo de sensor.

[0081] Os sensores de entrada de controle 390 ilustrativamente detectam entradas de controle que são usadas para controlar um ou mais itens de colheitadeira agrícola 100, tais como um ou mais subsistemas controláveis 316. Os sensores de entrada de controle 390 podem detectar, como uma entrada de controle, uma entrada de operador em um mecanismo de entrada de operador 218. Por exemplo, a colheitadeira agrícola 100 pode incluir um ou mais mecanismos de entrada, atuáveis/interagíveis pelo operador 360, para controlar a operação de um subsistema controlável. Os sensores de entrada de controle 390 podem detectar, como uma entrada de controle, uma entrada de usuário em um mecanismo de interface de usuário 364. Por exemplo, os mecanismos de interface de usuário 364 podem incluir um ou mais mecanismos de entrada, atuáveis/interatuáveis por um usuário 366, para controlar a operação de um subsistema controlável. Os sensores de entrada de controle 390 podem detectar, como uma entrada de controle, um sinal de controle gerado pelo sistema de controle 314. Por exemplo, o sistema de controle 314 pode gerar sinais de controle para controlar um ou mais subsistemas controláveis. As entradas de controle podem comandar uma definição de operação de um subsistema controlável, tais como posições (por exemplo, altura, de frente para trás, etc.) do molinete 164, posições (por exemplo, altura, arfagem, rolamento, guinada, etc.) da plataforma 102, velocidade do molinete 164, posições (por exemplo, posição ou orientação angular) de dedos do molinete 117, bem como várias outras definições de operação. Os sensores de entrada de controle 390 dessa forma geram valores de entrada de controle indicativos das definições de operação comandadas pelas entradas de controle.

[0082] Sensores de direção/velocidade 325 detectam uma direção e velocidade na qual a colheitadeira agrícola 100 está atravessando o local de trabalho durante a operação. Isso pode incluir sensores sensoreando o movimento de elementos de engate ao chão (por exemplo, rodas ou esteiras da colheitadeira agrícola 100), tais como os sensores 146, ou podem utilizar sinais recebidos de outras fontes, tais como sensores de posição geográfica 304. Dessa forma, embora sensores de direção/velocidade 325 descritos no presente documento estejam mostrados separados dos sensores de posição geográfica 304, em alguns exemplos, a direção/velocidade da máquina é derivada de sinais recebidos de sensores de posição geográfica 304 e subsequente processamento. Em outros exemplos, os sensores de direção/velocidade 325 são sensores separados, tais como os sensores 146, e não utilizam sinais recebidos de outras fontes.

[0083] Outros sensores in situ328 podem ser qualquer um de uma ampla variedade de outros sensores, incluindo, mas não limitado, sensores que detectam várias outras características no campo, tais como características do campo, características das plantas no campo, e características da colheitadeira agrícola 100, tais como parâmetros operacionais. Outros sensores in situ328 podem incluir, mas não estão limitados aos sensores supradescritos com relação à FIG. 1. Outros sensores in situ328 podem ser internos à colheitadeira agrícola 100, ou podem ser remotos da colheitadeira agrícola 100, tais como outros sensores in situ328 internos a outra máquina móvel que capturam dados in situdo local de trabalho, ou sensores em localizações fixas em todo o local de trabalho. Os dados remotos de sensores remotos podem ser obtidos pela colheitadeira agrícola 100 por meio do sistema de comunicação 206 pela rede 359.

[0084] Dados in situincluem dados obtidos de um sensor interno à colheitadeira agrícola 100 ou obtidos por qualquer sensor onde os dados são detectados durante a operação da colheitadeira agrícola 100 em um local de trabalho.

[0085] O sistema de processamento 338 processa os dados de sensor (por exemplo, sinais de sensor, imagens, etc.) gerados por sensores in situ308 para gerar dados de sensor processados indicativos de uma ou mais características. Por exemplo, o sistema de processamento gera dados de sensor processados indicativos de valores de característica com base nos dados de sensor gerados por sensores in situ308, tais como um ou mais de valores de cultura faltante com base em dados de sensor gerados por sensores de cultura faltante 380, valores de enrolamento do molinete com base em dados de sensor gerados por sensores de enrolamento do molinete 382, valores de arrasto do molinete com base em dados de sensor gerados por sensores de arrasto do molinete 384, valores de arremesso do molinete com base em dados de sensor gerados por sensores de arremesso do molinete 386, valores de fragmentação com base em dados de sensor gerados por sensores de fragmentação 388, e valores de entrada de controle com base em dados de sensor gerados por sensores de entrada de controle 390. O sistema de processamento 338 também processa dados de sensor gerados por outros sensores in situ308 para gerar dados de sensor processados indicativos de outros valores de característica, por exemplo, uma ou mais de velocidade de máquina (velocidade de deslocamento, aceleração, desaceleração, etc.) valores com base em dados de sensor gerados por sensores de direção/velocidade 325, valores de direção de máquina com base em dados de sensor gerados por sensores de direção/velocidade 325, bem como vários outros valores com base em dados de sensor gerados por vários outros sensores in situ328.

[0086] Entende-se que o sistema de processamento 338 pode ser implementado por um ou mais processadores ou servidores, tais como os processadores ou servidores 301. Além disso, o sistema de processamento 338 pode utilizar várias técnicas de filtração, técnicas de filtração de ruído, categorização de sinal de sensor, agregação, normalização de sinal, bem como várias outras funcionalidades de processamento. Similarmente, o sistema de processamento 338 pode utilizar várias técnicas de processamento de imagem tais como comparação de imagens sequenciais, RGB, detecção de borda, análise preto/branco, aprendizagem de máquina, redes neurais, teste de pixel, agrupamento de pixel, detecção de formato, bem como qualquer número de outros processamentos de imagem e funcionalidades de extração de dados adequados.

[0087] A FIG. 2 também mostra usuários remotos 366 interagindo com a colheitadeira agrícola 100 ou sistemas de computação remotos 368, ou ambos, através de mecanismos de interface de usuário 364 pela rede 359. Em alguns exemplos, os mecanismos de interface de usuário 364 podem incluir manetes, alavancas, um volante, articulações, pedais, botões, diais, blocos de teclas, elementos atuáveis pelo usuário (tais como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde reconhecimento de voz e síntese de voz são providos), dentre uma ampla variedade de outros tipos de dispositivos de controle. Onde um sistema de exibição sensível ao toque é provido, um usuário 366 pode interagir com mecanismos de interface de usuário 364 usando gestos de toque. Esses exemplos supradescritos são providos como exemplos ilustrativos e não visam limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de usuário 364 podem ser usados e estão dentro do escopo da presente descrição.

[0088] Os sistemas de computação remotos 368 podem ser uma ampla variedade de diferentes tipos de sistemas, ou combinações dos mesmos. Por exemplo, os sistemas de computação remotos 368 podem ser em um ambiente de servidor remoto. Adicionalmente, os sistemas de computação remotos 368 podem ser sistemas de computação remotos, tais como dispositivos móveis, uma rede remota, um sistema de gerente de fazenda, um sistema de vendedor, ou uma ampla variedade de outros sistemas remotos. Em um exemplo, colheitadeira agrícola 100 pode ser controlada remotamente pelos sistemas de computação remotos 368 ou por usuários remotos 366, ou ambos. Como será descrito a seguir, em alguns exemplos, um ou mais dos componentes mostrados sendo dispostos na colheitadeira agrícola 100 podem ser localizados em outro lugar, tal como em sistemas de computação remotos 368.

[0089] A FIG. 2 também mostra que um operador 360 pode operar a colheitadeira agrícola 100. O operador 360 interage com mecanismos de interface de operador 218. Em alguns exemplos, os mecanismos de interface de operador 218 podem incluir manetes, alavancas, um volante, articulações, pedais, botões, diais, blocos de teclas, elementos atuáveis pelo usuário (tais como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde reconhecimento de voz e síntese de voz são provida), dentre uma ampla variedade de outros tipos de dispositivos de controle. Onde um sistema de exibição sensível ao toque é provido, o operador 360 pode interagir com mecanismos de interface de operador 218 usando gestos de toque. Esses exemplos supradescritos são providos como exemplos ilustrativos e não visam limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de operador 218 podem ser usados e estão dentro do escopo de a presente descrição. O operador 360 pode ser local à colheitadeira agrícola 100, tal como em um compartimento do operador 101, ou pode ser remoto da colheitadeira agrícola 100.

[0090] A FIG. 2 também mostra que a colheitadeira agrícola 100 pode obter um ou mais mapas de informação 358. Como descrito no presente documento, os mapas de informação 358 incluem, por exemplo, um mapa de características ópticas, um mapa de estado de cultura, um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, um mapa de genótipo, bem como vários outros mapas. Entretanto, mapas de informação 358 podem também englobar outros tipos de dados, tais como outros tipos de dados que foram obtidos antes de uma operação de colheita, ou um mapa de uma operação anterior. Em outros exemplos, os mapas de informação 358 podem ser gerados durante uma operação atual, tal como um mapa gerado pelo gerador de mapa preditivo 312 com base em um modelo preditivo 311 gerado pelo gerador de modelo preditivo 310, ou um mapa gerado com base em dados de sensor gerados durante a operação atual.

[0091] Mapas de informação 358 podem ser baixados na máquina móvel 100 pela rede 359 e armazenados em armazenamento de dados 302, usando o sistema de comunicação 306, ou de outras maneiras. Em alguns exemplos, o sistema de comunicação 306 pode ser um sistema de comunicação celular, um sistema para comunicar por uma rede de área abrangente ou uma rede de área local, um sistema para comunicar por uma rede de comunicação de campo próximo, ou um sistema de comunicação configurado para comunicar por qualquer uma de uma variedade de outras redes ou combinações de redes. A rede 359 ilustrativamente representam qualquer uma ou uma combinação de quaisquer da variedade de redes. O sistema de comunicação 306 pode também incluir um sistema que facilita o abaixamento ou transferência de informação entre um cartão digital seguro (SD) ou um cartão de barramento serial universal (USB), ou ambos.

[0092] O gerador de modelo preditivo 310 gera um modelo que é indicativo de um relacionamento entre valores sensoreados pelos sensores in situ308 e os valores mapeados no campo pelos mapas de informação 358. Por exemplo, se o mapa de informação 358 mapear valores de altura de cultura para diferentes localizações no local de trabalho, e os sensores in situ308 estiverem sensoreando valores indicativos de cultura faltante, então o gerador de modelo 310 gera um modelo de cultura faltante preditivo que modela o relacionamento entre valores de altura de cultura e valores de cultura faltante. Em outro exemplo, se o mapa de informação 358 mapear valores de umidade de cultura para diferentes localizações no local de trabalho, e os sensores in situ308 estiverem sensoreando valores indicativos de fragmentação, então o gerador de modelo 310 gera um modelo de fragmentação preditivo que modela o relacionamento entre valores de umidade de cultura e os valores de fragmentação. Esses são meramente alguns exemplos.

[0093] Em alguns exemplos, o gerador de mapa preditivo 312 usa os modelos preditivos gerados pelo gerador de modelo preditivo 310 para gerar mapas preditivos funcionais 263 que predizem o valor de uma característica, sensoreada pelos sensores in situ308, tais como cultura faltante, enrolamento do molinete, arrasto do molinete, arremesso do molinete, fragmentação, ou entrada de controle, em diferentes localizações no campo com base em um ou mais dos mapas de informação 358. Por exemplo, onde o modelo preditivo é um modelo faltante preditivo que modela um relacionamento entre valores de cultura faltante e um ou mais de valores de característica óptica de um mapa de característica óptica, os valores de estado de cultura de um mapa de estado de cultura, e os valores de altura de cultura de um mapa de altura de cultura, então o gerador de mapa preditivo 312 gera um mapa de cultura faltante preditivo funcional que prediz valores de cultura faltante em diferentes localizações no campo com base em um ou mais dos valores mapeados nessas localizações e no modelo de cultura faltante preditivo. Isso é meramente um exemplo.

[0094] Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser o mesmo do tipo de dados in situsensoreados pelos sensores in situ308. Em alguns casos, o tipo de valores no mapa preditivo funcional 263 pode ter diferentes unidades dos dados sensoreados pelos sensores in situ308. Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser diferente do tipo de dados sensoreado pelos sensores in situ308, mas têm um relacionamento com o tipo de tipo de dados sensoreado por sensores in situ308. Por exemplo, em alguns exemplos, o tipo de dados sensoreado por sensores in situ308 pode ser indicativo do tipo de valores no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados nos mapas de informação 358. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter diferentes unidades dos dados nos mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados nos mapas de informação 358, mas tem um relacionamento com o tipo de dados nos mapas de informação 358. Por exemplo, em alguns exemplos, o tipo de dados nos mapas de informação 358 pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é diferente de um, ou ambos, do tipo de dados in situ sensoreados pelos sensores in situ308 e o tipo de dados nos mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um, ou ambos, do tipo de dados in situ sensoreado pelos sensores in situ308 e do tipo de dados em mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um do tipo de dados in situsensoreados pelos sensores in situ308 ou o tipo de dados nos mapas de informação 358, e diferentes um do outro.

[0095] Como mostrado na FIG. 2, o mapa preditivo 264 prediz o valor de uma característica sensoreada (sensoreada por sensores in situ308), ou uma característica relacionada à característica sensoreada, em várias localizações através do local de trabalho com base em um ou mais valores de informação em um ou mais mapas de informação 358 nessas localizações e usando o modelo preditivo 311. Por exemplo, se o gerador de modelo preditivo 310 tiver gerado um modelo preditivo indicativo de um relacionamento entre valores de índice vegetativo e valores de enrolamento do molinete, então, dado o valor de índice vegetativo em diferentes localizações através do campo, o gerador de mapa preditivo 312 gera um mapa preditivo 264 que prediz valores de enrolamento do molinete em diferentes localizações através do local de trabalho. O valor de índice vegetativo, obtido do mapa de índice vegetativo, nessas localizações, e o relacionamento entre valores de índice vegetativo e os valores de enrolamento do molinete, obtidos do modelo preditivo 311, são usados para gerar o mapa preditivo 264. Isso é meramente um exemplo.

[0096] Algumas variações nos tipos de dados que são mapeados nos mapas de informação 358, nos tipos de dados sensoreados por sensores in situ 308 e nos tipos de dados preditos no mapa preditivo 264 serão agora descritas.

[0097] Em alguns exemplos, o tipo de dados em um ou mais mapas de informação 358 é diferente do tipo de dados sensoreado por sensores in situ 308, ainda o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados sensoreado por sensores in situ308. Por exemplo, o mapa de informação 358 pode ser um mapa de rendimento, e a variável sensoreada por sensores in situ308 pode ser arremesso do molinete. O mapa preditivo 264 pode então ser um mapa de arremesso do molinete preditivo que mapeia valores de arremesso do molinete preditivos para diferentes localizações geográficas no local de trabalho. Isso é meramente um exemplo.

[0098] Também, em alguns exemplos, o tipo de dados no mapa de informação 358 é diferente do tipo de dados sensoreado por sensores in situ 308, e o tipo de dados no mapa preditivo 264 é diferente tanto do tipo de dados no mapa de informação 358 quanto do tipo de dados sensoreado por sensores in situ308.

[0099] Em alguns exemplos, o mapa de informação 358 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é diferente do tipo de dados sensoreado por sensores in situ308, ainda o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados sensoreado por sensores in situ308. Por exemplo, o mapa de informação 358 pode ser um mapa de genótipo gerado durante uma operação de plantio/semeadura anterior no campo, e a variável sensoreada por sensores in situ 308 pode ser fragmentação. O mapa preditivo 264 pode então ser um mapa de fragmentação preditivo que mapeia valores de fragmentação preditivos para diferentes localizações geográficas no local de trabalho. Isso é meramente um exemplo.

[00100] Em alguns exemplos, o mapa de informação 358 é de um passe anterior através do campo durante uma operação anterior e o tipo de dados é o mesmo que o tipo de dados sensoreado por sensores in situ308, e o tipo de dados no mapa preditivo 264 é também o mesmo que o tipo de dados sensoreado por sensores in situ308. Por exemplo, o mapa de informação 358 pode ser um mapa de fragmentação gerado durante um ano anterior, e a variável sensoreada por sensores in situ308 pode ser fragmentação. O mapa preditivo 264 pode então ser um mapa de fragmentação preditivo que mapeia valores preditivos de fragmentação para diferentes localizações geográficas no campo. Em um exemplo como esse, as diferenças de fragmentação relativas no mapa de informação georreferenciado 358 do ano anterior podem ser usadas pelo gerador de modelo preditivo 310 para gerar um modelo preditivo que modela um relacionamento entre as diferenças de fragmentação relativas no mapa de informação 358 e os valores de fragmentação sensoreados por sensores in situ308 durante a operação atual. O modelo preditivo é então usado pelo gerador de mapa preditivo 310 para gerar um mapa de fragmentação preditivo. Isso é meramente um exemplo.

[00101] Em outro exemplo, o mapa de informação 358 pode ser um mapa de estado de cultura gerado durante uma operação anterior no mesmo ano, tal como uma operação de pulverização realizada por uma máquina de pulverização, e a variável sensoreada por sensores in situ308 durante a operação de colheita atual pode ser cultura faltante. O mapa preditivo 264 pode então ser um mapa de cultura faltante preditivo que mapeia valores de cultura faltante preditivos para diferentes localizações geográficas no local de trabalho. Em um exemplo como esse, um mapa dos valores de estado de cultura no momento da operação de pulverização é georreferenciado, gravado e provido à colheitadeira agrícola 100 como um mapa de informação 358 de valores de estado de cultura. Os sensores in situ308 durante uma operação atual pode detectar cultura faltante em localizações geográficas no campo e o gerador de modelo preditivo 310 pode então construir um modelo preditivo que modela um relacionamento entre a cultura faltante no momento da operação atual e os valores de estado de cultura no momento da operação de pulverização. Isso se dá em virtude de os valores de estado de cultura no momento da operação de pulverização provavelmente poderem ser os mesmos que no momento da operação atual, ou poderem ser mais precisos ou senão poderem ser mais confiáveis do que valores de estado de cultura obtidos de outras maneiras. Isso é meramente um exemplo.

[00102] Em alguns exemplos, o mapa preditivo 264 pode ser provido ao gerador de zona de controle 313. O gerador de zona de controle 313 agrupa porções adjacentes de uma área em uma ou mais zonas de controle com base em valores de dados de mapa preditivo 264 que são associados com essas porções adjacentes. Uma zona de controle pode incluir duas ou mais porções contíguas de um local de trabalho, tal como um campo, para as quais um parâmetro de controle correspondente à zona de controle para controlar um subsistema controlável é constante. Por exemplo, um tempo de resposta para alterar uma definição de subsistemas controláveis 316 pode ser inadequado para satisfatoriamente responder a mudanças nos valores contidos em um mapa, tal como o mapa preditivo 264. Nesse caso, o gerador de zona de controle 313 analisa o mapa e identifica zonas de controle que são de um tamanho definido para acomodar o tempo de resposta dos subsistemas controláveis 316. Em outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste pelo movimento do atuador excessivo resultante de ajuste contínuo. Em alguns exemplos, pode haver um conjunto diferente de zonas de controle para cada subsistema controlável 316 ou para grupos de subsistemas controláveis 316. As zonas de controle podem ser adicionadas ao mapa preditivo 264 para obter mapa de zona de controle preditivo 265. O mapa de zona de controle preditivo 265 pode dessa forma ser similar ao mapa preditivo 264, exceto que o mapa de zona de controle preditivo 265 inclui informação de zona de controle definindo as zonas de controle. Dessa forma, um mapa preditivo funcional 263, como descrito no presente documento, pode ou não incluir zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 inclui zonas de controle, tal como o mapa de zona de controle preditivo 265.

[00103] Percebe-se também que o gerador de zona de controle 313 pode agrupar valores para gerar zonas de controle e as zonas de controle podem ser adicionadas ao mapa de zona de controle preditivo 265, ou um mapa separado, mostrando apenas as zonas de controle que são geradas. Em alguns exemplos, as zonas de controle podem ser usadas para controlar ou calibrar a colheitadeira agrícola 100, ou ambos. Em outros exemplos, as zonas de controle podem ser apresentadas ao operador 360 e usadas para controlar ou calibrar a colheitadeira agrícola 100, e, em outros exemplos, as zonas de controle podem ser apresentadas ao operador 360 ou outro usuário, tal como um usuário remoto 366, ou armazenadas para uso posterior.

[00104] O mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, são providos ao sistema de controle 314, que gera sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. Em alguns exemplos, o controlador de sistema de comunicação 329 controla o sistema de comunicação 306 para comunicar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265 a outras máquinas móveis que estão operando no mesmo campo ou na mesma operação. Em alguns exemplos, o controlador de sistema de comunicação 329 controla o sistema de comunicação 306 para enviar o mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, a outros sistemas remotos, tais como sistemas de computação remotos 368.

[00105] O sistema de controle 314 inclui controlador de sistema de comunicação 329, controlador de interface 330, controlador de propulsão 331, controlador de planejamento de trajeto 334, controlador de molinete 335, controlador de zona 336, e o sistema de controle 314 pode incluir outros itens 339. Os subsistemas controláveis 316 incluem subsistema de molinete 340, subsistema de propulsão 350, subsistema de direção 352, e os subsistemas 316 podem incluir uma ampla variedade de outros subsistemas controláveis 356. O subsistema de molinete 340, em si, inclui um ou mais atuadores de frente para trás 342, um ou mais atuadores de altura do molinete 344, um ou mais atuadores de velocidade do molinete 346, um ou mais atuadores de posição de dedo 348, e pode incluir vários outros itens 349 igualmente.

[00106] O controlador de interface 330 é operável para gerar sinais de controle para controlar mecanismos de interface, tais como mecanismos de interface de operador 218 ou interfaces de usuário 364, ou ambos. O controlador de interface 330 é também operável para apresentar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou outra informação derivada ou baseada no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, ao operador 360 ou um usuário remoto 366, ou ambos. Como um exemplo, o controlador de interface 330 gera sinais de controle para controlar um mecanismo de exibição para exibir um ou ambos do mapa preditivo 264 e do mapa de zona de controle preditivo 265 para o operador 360 ou um usuário remoto 366, ou ambos. O controlador de interface 330 pode gerar mecanismos atuáveis pelo operador ou usuário que são exibidos e podem ser atuados pelo operador ou usuário para interagir com o mapa exibido. O operador ou usuário pode editar o mapa, por exemplo, corrigindo um valor exibido no mapa, com base na observação do operador ou do usuário.

[00107] O controlador de planejamento de trajeto 334 ilustrativamente gera sinais de controle para controlar o subsistema de direção 352 para dirigir a colheitadeira agrícola 100 de acordo com um trajeto desejado ou de acordo com parâmetros desejados, tais como ângulos de direção desejados. O controlador de planejamento de trajeto 334 pode controlar um sistema de planejamento de trajeto para gerar uma rota para a máquina móvel 100 e pode controlar o subsistema de propulsão 350 e subsistema de direção 352 para dirigir a máquina móvel 100 ao longo dessa rota. O controlador de planejamento de trajeto 334 pode gerar sinais de controle com base em um ou mais de mapa preditivo 264, mapa preditivo com zonas de controle 265, mapas de informação 365, ou entradas de controle, tal como por um operador ou usuário.

[00108] O controlador de propulsão 331 ilustrativamente gera sinais de controle para controlar o subsistema de propulsão 350 para controlar uma característica de velocidade de máquina móvel 100, tais como um ou mais de velocidade de deslocamento, aceleração e desaceleração. O subsistema de propulsão 350 pode incluir vários componentes do grupo propulsor da máquina móvel 100, tais como, mas não limitado a um acionador ou motor, e uma transmissão (ou caixa de engrenagem). O controlador de propulsão 331 pode gerar sinais de controle com base em um ou mais de mapa preditivo 264, mapa preditivo com zonas de controle 265, mapas de informação 365, ou entradas de controle, tal como por um operador ou usuário.

[00109] O controlador de molinete 335 ilustrativamente gera sinais de controle para controlar um ou mais parâmetros operacionais do molinete 164, tais como uma ou mais posições do molinete (por exemplo, a altura do molinete ou a posição de frente para trás do molinete, ou ambas), a velocidade do molinete e a posição dos dedos do molinete 117. Por exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar os um ou mais atuadores de frente para trás 342 para controlar uma posição de frente para trás do molinete 164. Os atuadores de frente para trás 342 podem ser similares aos atuadores de frente para trás 183 ou podem ser outro tipo de atuador de frente para trás. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar os um ou mais atuadores de altura do molinete 344 para controlar uma altura do molinete 164 (por exemplo, uma altura em relação ao campo ou a outro componente de plataforma 102, tal como o cortador 104). Os atuadores de altura do molinete 344 podem ser similares aos atuadores de altura do molinete 147 ou podem ser outro tipo de atuador de altura do molinete. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar os um ou mais atuadores de velocidade do molinete 346 para controlar uma velocidade de rotação de molinete 164. Os atuadores de velocidade do molinete 346 podem ser similares aos atuadores de velocidade do molinete 176 ou podem ser outro tipo de atuador de velocidade do molinete. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar os um ou mais atuadores de posição de dedo do molinete 348 para controlar uma posição (por exemplo, posição ou orientação angular) dos dedos do molinete 117. Os atuadores de posição de dedo do molinete 348 podem ser similares aos atuadores de posição de dedo do molinete 181 ou podem ser outro tipo de atuador de posição de dedo do molinete. O controlador de molinete 335 pode gerar sinais de controle com base em um ou mais de mapa preditivo 264, mapa preditivo com zonas de controle 265, mapas de informação 365, ou entradas de controle, tal como por um operador ou usuário.

[00110] O controlador de zona 336 ilustrativamente gera sinais de controle para controlar um ou mais subsistemas controláveis 316 para controlar a operação dos um ou mais subsistemas controláveis 316 com base no mapa de zona de controle preditivo 265.

[00111] Outros controladores 339 incluídos na máquina móvel 100, ou em outras localizações no sistema agrícola 300, podem controlar outros subsistemas 316 com base em um ou mais de mapa preditivo 264, mapa preditivo com zonas de controle 265, mapas de informação 365, ou entradas de controle, tal como por um operador ou usuário.

[00112] Embora o exemplo ilustrado da FIG. 2 mostre que vários componentes de arquitetura de sistema de colheita agrícola 300 estejam localizados na colheitadeira agrícola 100, entende-se que em outros exemplos um ou mais dos componentes ilustrados na colheitadeira agrícola 100 na FIG. 2 podem ser localizados em outras localizações, tais como um ou mais sistemas de computação remotos 368. Por exemplo, um ou mais de armazenamentos de dados 302, seletor de mapa 309, gerador de modelo preditivo 310, modelo preditivo 311, gerador de mapa preditivo 312, mapas preditivos funcionais 263 (por exemplo, 264 e 265), gerador de zona de controle 313 e sistema de controle 314 podem ser localizados remotamente da máquina móvel 100, mas podem comunicar (ou ser comunicados) com a colheitadeira agrícola 100 por meio do sistema de comunicação 306 e rede 359. Dessa forma, os modelos preditivos 311 e mapas preditivos funcionais 263 podem ser gerados em localizações remotas da colheitadeira agrícola 100 e comunicados à máquina móvel 100 pela rede 302, por exemplo, o sistema de comunicação 306 pode baixar os modelos preditivos 311 e mapas preditivos funcionais 263 das localizações remotas e armazená-los em armazenamento de dados 302. Em outros exemplos, a colheitadeira agrícola 100 pode acessar os modelos preditivos 311 e mapas preditivos funcionais 263 nas localizações remotas sem baixar os modelos preditivos 311 e mapas preditivos funcionais 263. A informação usada na geração dos modelos preditivos 311 e mapas preditivos funcionais 263 pode ser provida ao gerador de modelo preditivo 310 e ao gerador de mapa preditivo 312 nessas localizações remotas pela rede 359, por exemplo, dados de sensor in situ gerados por sensores in situ308 podem ser providos pela rede 359 às localizações remotas. Similarmente, mapas de informação 358 podem ser providos às localizações remotas.

[00113] Similarmente, onde vários componentes são localizados remotamente da colheitadeira agrícola 100, esses componentes podem receber dados de componentes de colheitadeira agrícola 100 pela rede 359. Por exemplo, onde o gerador de modelo preditivo 310 e o gerador de mapa preditivo 312 são localizados remotamente da colheitadeira agrícola 100, tal como em sistemas de computação remotos 368, os dados gerados pelos sensores in situ308 e sensores de posição geográfica 304, por exemplo, podem ser comunicados aos sistemas de computação remotos 368 pela rede 359. Além disso, os mapas de informação 358 podem ser obtidos por sistemas de computação remotos 368 pela rede 359 ou por outra rede.

[00114] Similarmente, os sistemas remotos podem incluir um respectivo sistema de controle ou gerador de sinal de controle que gera saída de controle (por exemplo, sinais de controle) que são comunicados à colheitadeira agrícola 100 e usados pelo sistema de controle local 314 para o controle da colheitadeira agrícola 100.

[00115] As FIGS. 3A-3B são diagramas de blocos de uma porção da arquitetura de sistema agrícola 300 mostrada na FIG. 2. Particularmente, a FIG. 3A mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 3A também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de um mapa de característica óptica 430, um mapa de estado de cultura 431, um mapa de altura de cultura 432, um mapa de índice vegetativo 433, um mapa de rendimento 434, um mapa de ervas daninhas 435, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 424, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 424 ilustrativamente representa a localização geográfica de um valor detectado por sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada por sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo ao qual um valor detectado por sensores in situ308 corresponde. Por exemplo, os sensores de cultura faltante 380 podem detectar cultura faltante detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que a cultura faltante é detectada pode não ser a localização geográfica da cultura faltante. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00116] Os sensores in situ308 ilustrativamente incluem sensores de cultura faltante 380, sensores de entrada de controle 390, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, os sensores de cultura faltante 380 ou sensores de entrada de controle 390, ou ambos, podem ser localizados internamente na colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados por sensores de cultura faltante 380 para gerar dados de sensor processados 440 indicativos de valores de cultura faltante. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de entrada de controle 390 para gerar dados de sensor processados 440 indicativos de valores de entrada de controle.

[00117] Como mostrado na FIG. 3A, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de cultura faltante-para- característica óptica 441, um gerador de modelo de cultura faltante-para- estado de cultura 442, um gerador de modelo de cultura faltante-para-altura de cultura 443, um gerador de modelo de cultura faltante-para-outra característica 444, um gerador de modelo de cultura faltante-para-índice vegetativo 5000, um gerador de modelo de cultura faltante-para-rendimento 6000, um gerador de modelo de entrada de controle-para-característica óptica 445, um gerador de modelo de entrada de controle-para-estado de cultura 446, um gerador de modelo de entrada de controle-para-altura de cultura 447, um gerador de modelo de entrada de controle-para-outra característica 448, um gerador de modelo de entrada de controle-para-erva daninha 400. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 3A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 449 igualmente, que podem incluir outros tipos de geradores de modelo preditivo para gerar outros tipos de modelos.

[00118] O gerador de modelo de cultura faltante-para-característica óptica 441 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de característica óptica do mapa de característica óptica 430 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) os valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-característica óptica 441, o gerador de modelo de cultura faltante-para-característica óptica 441 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de característica óptica georreferenciados contidos no mapa de característica óptica 430 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no valor de característica óptica, do mapa de característica óptica 430, nessa dada localização.

[00119] O gerador de modelo de cultura faltante-para-estado de cultura 442 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de estado de cultura do mapa de estado de cultura 431 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-estado de cultura 442, o gerador de modelo de cultura faltante-para-estado de cultura 442 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de estado de cultura georreferenciados contidos no mapa de estado de cultura 431 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no valor de estado de cultura, do mapa de estado de cultura 431, nessa dada localização.

[00120] O gerador de modelo de cultura faltante-para-altura de cultura 443 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ 440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-altura de cultura 443, o gerador de modelo de cultura faltante-para-altura de cultura 443 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização.

[00121] O gerador de modelo de cultura faltante-para-índice vegetativo 5000 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-índice vegetativo 5000, o gerador de modelo de cultura faltante-para-índice vegetativo 5000 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização.

[00122] O gerador de modelo de cultura faltante-para-rendimento 6000 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante- para-rendimento 6000, o gerador de modelo de cultura faltante-para- rendimento 6000 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no valor de rendimento, do mapa de rendimento 434, nessa dada localização.

[00123] O gerador de modelo de cultura faltante-para-outra característica 444 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-outra característica 444, o gerador de modelo de cultura faltante-para-outra característica 444 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no outro valor de característica, do outro mapa 439, nessa dada localização.

[00124] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de cultura faltante preditivos, tais como um ou mais dos modelos de cultura faltante preditivos gerados pelos geradores de modelo 441, 442, 443, 444, 5000, 6000 e 449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de cultura faltante preditivo, tal como um modelo de cultura faltante preditivo que prediz cultura faltante com base em dois ou mais do valor de característica óptica, do valor de estado de cultura, o valor de altura de cultura, do valor de índice vegetativo, do valor de rendimento, e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de cultura faltante, ou combinações dos mesmos, são representados coletivamente pelo modelo de cultura faltante preditivo 450 na FIG. 3A.

[00125] O modelo de cultura faltante preditivo 450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 3A, o gerador de mapa preditivo 312 inclui gerador de mapa de cultura faltante 452. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00126] O gerador de mapa de cultura faltante 452 recebe um ou mais do mapa de característica óptica 430, do mapa de estado de cultura 431, do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434 e um outro mapa 439, junto com o modelo de cultura faltante preditivo 450 que prediz cultura faltante com base em um ou mais de um valor de característica óptica, um valor de estado de cultura, um valor de altura de cultura, um valor de índice vegetativo, um valor de rendimento, e um outro valor de característica, e gera um mapa preditivo que prediz cultura faltante em diferentes localizações no campo, tal como o mapa de cultura faltante preditivo funcional 460.

[00127] O gerador de mapa 312 dessa forma produz um mapa de cultura faltante preditivo funcional 460 que é preditivo de cultura faltante. O mapa de cultura faltante preditivo funcional 460 é um mapa preditivo 264. O mapa de cultura faltante preditivo funcional 460, em um exemplo, prediz cultura faltante em diferentes localizações em um campo. O mapa de cultura faltante preditivo funcional 460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de cultura faltante preditivo funcional 460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de cultura faltante preditivo funcional 461.

[00128] Um ou ambos do mapa de cultura faltante preditivo funcional 460 e mapa de zona de controle de cultura faltante preditivo funcional 461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de cultura faltante preditivo funcional 460, no mapa de zona de controle de cultura faltante preditivo funcional 461, ou ambos.

[00129] O gerador de modelo de entrada de controle-para-característica óptica 445 identifica um relacionamento entre valor(es) de entrada de controle detectado(s) em dados de sensor in situ 440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle, detectado(s) nos dados de sensor in situ 440, corresponde(m), e valor(es) de característica óptica do mapa de característica óptica 430 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de entrada de controle-para- característica óptica 445, o gerador de modelo de entrada de controle-para- característica óptica 445 gera um modelo de entrada de controle preditivo. O modelo de entrada de controle preditivo é usado pelo gerador de mapa de entrada de controle 453 para predizer entrada de controle em diferentes localizações no campo com base nos valores de característica óptica georreferenciados contidos no mapa de característica óptica 430 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de entrada de controle pode ser predito na dada localização com base no modelo de entrada de controle preditivo e no valor de característica óptica, do mapa de característica óptica 430, nessa dada localização.

[00130] O gerador de modelo de entrada de controle-para-estado de cultura 446 identifica um relacionamento entre valor(es) de entrada de controle detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de estado de cultura do mapa de estado de cultura 431 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de entrada de controle-para-estado de cultura 446, o gerador de modelo de entrada de controle-para-estado de cultura 446 gera um modelo de entrada de controle preditivo. O modelo de entrada de controle preditivo é usado pelo gerador de mapa de entrada de controle 453 para predizer entrada de controle em diferentes localizações no campo com base nos valores de estado de cultura georreferenciados contidos no mapa de estado de cultura 431 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de entrada de controle pode ser predito na dada localização com base no modelo de entrada de controle preditivo e no valor de estado de cultura, do mapa de estado de cultura 431, nessa dada localização.

[00131] O gerador de modelo de entrada de controle-para-altura de cultura 447 identifica um relacionamento entre valor(es) de entrada de controle detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de entrada de controle-para-altura de cultura 446, o gerador de modelo de entrada de controle-para-altura de cultura 446 gera um modelo de entrada de controle preditivo. O modelo de entrada de controle preditivo é usado pelo gerador de mapa de entrada de controle 453 para predizer entrada de controle em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de entrada de controle pode ser predito na dada localização com base no modelo de entrada de controle preditivo e no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização.

[00132] O gerador de modelo de entrada de controle-para-erva daninha 4000 identifica um relacionamento entre valor(es) de entrada de controle detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle, detectado(s) nos dados de sensor in situ440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de entrada de controle-para-erva daninha 4000, o gerador de modelo de entrada de controle-para-erva daninha 4000 gera um modelo de entrada de controle preditivo. O modelo de entrada de controle preditivo é usado pelo gerador de mapa de entrada de controle 453 para predizer entrada de controle em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de entrada de controle pode ser predito na dada localização com base no modelo de entrada de controle preditivo e no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização.

[00133] O gerador de modelo de entrada de controle-para-outra característica 448 identifica um relacionamento entre valor(es) de entrada de controle detectado(s) em dados de sensor in situ440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle, detectado(s) nos dados de sensor in situ440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de entrada de controle detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de entrada de controle-para-outra característica 448, o gerador de modelo de entrada de controle-para-outra característica 448 gera um modelo de entrada de controle preditivo. O modelo de entrada de controle preditivo é usado pelo gerador de mapa de entrada de controle 453 para predizer entrada de controle em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de entrada de controle pode ser predito na dada localização com base no modelo de cultura faltante preditivo e no outro valor de característica, do outro mapa 439, nessa dada localização.

[00134] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de entrada de controle preditivos, tais como um ou mais dos modelos de entrada de controle preditivos gerado pelos geradores de modelo 445, 446, 447, 448, 4000 e 449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de entrada de controle preditivo, tal como um modelo de entrada de controle preditivo que prediz entrada de controle com base em dois ou mais do valor de característica óptica, do valor de estado de cultura, do valor de altura de cultura, do valor de erva daninha, e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de entrada de controle, ou combinações dos mesmos, são representados coletivamente pelo modelo de entrada de controle preditivo 451 na FIG. 3A.

[00135] O modelo de entrada de controle preditivo 451 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 3A, o gerador de mapa preditivo 312 inclui gerador de mapa de entrada de controle 453. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00136] O gerador de mapa de entrada de controle 453 recebe um ou mais do mapa de característica óptica 430, do mapa de estado de cultura 431, do mapa de altura de cultura 432, do mapa de ervas daninhas 435 e de um outro mapa 439, junto com o modelo de entrada de controle preditivo 451 que prediz entrada de controle com base em um ou mais de um valor de característica óptica, um valor de estado de cultura, um valor de altura de cultura, um valor de erva daninha, e um outro valor de característica, e gera um mapa preditivo que prediz entrada de controle em diferentes localizações no campo, tal como o mapa de entrada de controle preditivo funcional 470.

[00137] O gerador de mapa 312 dessa forma produz um mapa de entrada de controle preditivo funcional 470 que é preditivo de entrada de controle. O mapa de entrada de controle preditivo funcional 470 é um mapa preditivo 264. O mapa de entrada de controle preditivo funcional 470, em um exemplo, prediz entrada de controle em diferentes localizações em um campo. O mapa de entrada de controle preditivo funcional 470 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de entrada de controle preditivo funcional 470 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de entrada de controle preditivo funcional 471.

[00138] Um ou ambos do mapa de entrada de controle preditivo funcional 470 e mapa de zona de controle de entrada de controle preditivo funcional 471 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de entrada de controle preditivo funcional 470, no mapa de zona de controle de entrada de controle preditivo funcional 471, ou ambos.

[00139] A FIG. 3B mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 3B também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de um mapa de característica óptica 430, um mapa de estado de cultura 431, um mapa de altura de cultura 432, um mapa de índice vegetativo 433, um mapa de rendimento 434, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 3424, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 3424 ilustrativamente representa a localização geográfica de um valor detectado pelos sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual um valor detectado pelos sensores in situ 308 corresponde. Por exemplo, sensores de cultura faltante 380 podem detectar cultura faltante detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que a cultura faltante é detectada pode não ser a localização geográfica da cultura faltante. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00140] Os sensores in situ308 ilustrativamente incluem sensores de cultura faltante 380, sensores de parâmetro de molinete 370, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, os sensores de cultura faltante 380 ou sensores de parâmetro de molinete 370, ou ambos, podem ser localizados internamente à colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de cultura faltante 380 para gerar dados de sensor processados 3440 indicativos de valores de cultura faltante. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de parâmetro de molinete 370 para gerar dados de sensor processados 3440 indicativos de valores de parâmetros de molinete, tais como um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete.

[00141] Como mostrado na FIG. 3B, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de cultura faltante-para- característica óptica e parâmetro(s) de molinete 3441, um gerador de modelo de cultura faltante-para-estado de cultura e parâmetro(s) de molinete 3442, um gerador de modelo de cultura faltante-para-altura de cultura e parâmetro(s) de molinete 3443, um gerador de modelo de cultura faltante- para-outra característica e parâmetro(s) de molinete 3444, um gerador de modelo de cultura faltante-para-índice vegetativo e parâmetro(s) de molinete 5300, e um gerador de modelo de cultura faltante-para-rendimento e parâmetro(s) de molinete 6300,. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 3A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 449 igualmente, que podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos.

[00142] O gerador de modelo de cultura faltante-para-característica óptica e parâmetro(s) de molinete 3441 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ3440, corresponde(m), e valor(es) de característica óptica do mapa de característica óptica 430 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ 3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-característica óptica e parâmetro(s) de molinete 3441, o gerador de modelo de cultura faltante-para- característica óptica e parâmetro(s) de molinete 3441 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de característica óptica georreferenciados contidos no mapa de característica óptica 430 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os (por exemplo, no momento em que o mapa é gerado) valores de parâmetros de molinete atuais (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou um mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser feito novo (ou modificado ou revisado).

[00143] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, no valor de característica óptica, do mapa de característica óptica 430, nessa dada localização, e valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente a essa dada localização.

[00144] O gerador de modelo de cultura faltante-para-estado de cultura e parâmetro(s) de molinete 3442 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ3440, corresponde(m), e valor(es) de estado de cultura do mapa de estado de cultura 431 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-estado de cultura e parâmetro(s) de molinete 3442, o gerador de modelo de cultura faltante-para-estado de cultura e parâmetro(s) de molinete 3442 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de estado de cultura georreferenciados contidos no mapa de estado de cultura 431 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, nos valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ 308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00145] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, no valor de estado de cultura, do mapa de estado de cultura 431, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00146] O gerador de modelo de cultura faltante-para-altura de cultura e parâmetro(s) de molinete 3443 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ3440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-altura de cultura e parâmetro(s) de molinete 3443, o gerador de modelo de cultura faltante-para-altura de cultura e parâmetro(s) de molinete 3443 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, nos valores de posição de frente para trás do molinete, e os valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ 308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00147] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00148] O gerador de modelo de cultura faltante-para-índice vegetativo e parâmetro(s) de molinete 5300 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ3440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-índice vegetativo e parâmetro(s) de molinete 5300, o gerador de modelo de cultura faltante-para-índice vegetativo e parâmetro(s) de molinete 5300 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, nos valores de posição de frente para trás do molinete, e no(s) valor(es) de posição do dedo do molinete) correspondente(s) às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00149] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00150] O gerador de modelo de cultura faltante-para-rendimento e parâmetro(s) de molinete 6300 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ 3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ 3440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-rendimento e parâmetro(s) de molinete 6300, o gerador de modelo de cultura faltante-para-rendimento e parâmetro(s) de molinete 6300 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, nos valores de posição de frente para trás do molinete, e no(s) valor(es) de posição do dedo do molinete) correspondente(s) às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00151] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, no valor de rendimento, do mapa de rendimento 434, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete, um valor de altura do molinete, um valor posição de frente para trás do molinete, e um valor de posição do dedo do molinete) correspondente(s) a essa dada localização.

[00152] O gerador de modelo de cultura faltante-para-outra característica e parâmetro(s) de molinete 3444 identifica um relacionamento entre valor(es) de cultura faltante detectado(s) em dados de sensor in situ 3440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante, detectado(s) nos dados de sensor in situ3440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ3440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de cultura faltante detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de cultura faltante-para-outra característica e parâmetro(s) de molinete 3444, o gerador de modelo de cultura faltante-para- outra característica e parâmetro(s) de molinete 3444 gera um modelo de cultura faltante preditivo. O modelo de cultura faltante preditivo é usado pelo gerador de mapa de cultura faltante 452 para predizer cultura faltante em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondente(s) às mesmas localizações no campo. Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer cultura faltante. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00153] Dessa forma, para uma dada localização no campo, um valor de cultura faltante pode ser predito na dada localização com base no modelo de cultura faltante preditivo, o outro valor de característica, do outro mapa 439, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00154] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de cultura faltante preditivos, tais como um ou mais dos modelos de cultura faltante preditivos gerado pelos geradores de modelo 3441, 3442, 3443, 3444, 5300, 6300 e 449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de cultura faltante preditivo, tal como um modelo de cultura faltante preditivo que prediz cultura faltante com base em dois ou mais do valor de característica óptica e um valor de um ou mais parâmetros de molinete, o valor de estado de cultura e um valor de um ou mais parâmetros de molinete, o valor de altura de cultura e um valor de um ou mais parâmetros de molinete, o valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, o valor de rendimento e um valor de um ou mais parâmetros de molinete, e o outro valor de característica e um valor de um ou mais parâmetros de molinete correspondentes a diferentes localizações no campo. Quaisquer desses modelos de cultura faltante, ou combinações dos mesmos, são representados coletivamente pelo modelo de cultura faltante preditivo 3450 na FIG. 3B.

[00155] O modelo de cultura faltante preditivo 3450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 3B, o gerador de mapa preditivo 312 inclui gerador de mapa de cultura faltante 452. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00156] O gerador de mapa de cultura faltante 452 recebe um ou mais do mapa de característica óptica 430, do mapa de estado de cultura 431, do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, e de um outro mapa 439, valor(es) de um ou mais parâmetros de molinete, junto com o modelo de cultura faltante preditivo 3450 que prediz cultura faltante com base em um ou mais de um valor de característica óptica e um valor de um ou mais parâmetros de molinete, um valor de estado de cultura e um valor de um ou mais parâmetros de molinete, um valor de altura de cultura e um valor de um ou mais parâmetros de molinete, um valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, um valor de rendimento e um valor de um ou mais parâmetros de molinete, e um outro valor de característica e um valor de um ou mais parâmetros de molinete, e gera um mapa preditivo que prediz cultura faltante em diferentes localizações no campo, tal como o mapa de cultura faltante preditivo funcional 3460.

[00157] O gerador de mapa 312 dessa forma produz um mapa de cultura faltante preditivo funcional 3460 que é preditivo de cultura faltante. O mapa de cultura faltante preditivo funcional 3460 é um mapa preditivo 264. O mapa de cultura faltante preditivo funcional 3460, em um exemplo, prediz cultura faltante em diferentes localizações em um campo. O mapa de cultura faltante preditivo funcional 3460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de cultura faltante preditivo funcional 3460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de cultura faltante preditivo funcional 3461.

[00158] Um ou ambos do mapa de cultura faltante preditivo funcional 3460 e mapa de zona de controle de cultura faltante preditivo funcional 3461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de cultura faltante preditivo funcional 3460, no mapa de zona de controle de cultura faltante preditivo funcional 3461, ou ambos.

[00159] As FIGS. 4A-4B são diagramas de blocos de uma porção da arquitetura de sistema agrícola 300 mostrada na FIG. 2. Particularmente, a FIG. 4A mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 4A também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de um mapa de altura de cultura 432, um mapa de índice vegetativo 433, um mapa de rendimento 434, um mapa de ervas daninhas 435, um mapa de umidade de cultura 436, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 1414, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 1414 ilustrativamente representa a localização geográfica de um valor detectado pelos sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual um valor detectado pelos sensores in situ308 corresponde. Por exemplo, os sensores de arremesso do molinete 386 podem detectar arrasto de cultura detectando material de cultura no campo detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que o arremesso do molinete é detectado pode não ser a localização geográfica do arremesso do molinete. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00160] Os sensores in situ308, ilustrativamente sensores de enrolamento do molinete 382, sensores de arrasto do molinete 384, sensores de arremesso do molinete 386, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, um ou mais dos sensores de enrolamento do molinete 382, sensores de arrasto do molinete 384 e sensores de arremesso do molinete 386 podem ser localizados internamente à colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de enrolamento do molinete 382, os sensores de arrasto do molinete 384, e sensores de arremesso do molinete 386 para gerar dados de sensor processados 1440 indicativos de valores de enrolamento do molinete, valores de arrasto do molinete, e valores de arremesso do molinete, respectivamente.

[00161] Como mostrado na FIG. 4A, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de enrolamento do molinete-para-altura de cultura 1421, um gerador de modelo de enrolamento do molinete-para-índice vegetativo 1422, um gerador de modelo de enrolamento do molinete-para-rendimento 1423, um gerador de modelo de enrolamento do molinete-para-erva daninha 1424, um gerador de modelo de enrolamento do molinete-para-umidade de cultura 1425, um gerador de modelo de enrolamento do molinete-para-outra característica 1426, um gerador de modelo de arrasto do molinete-para-altura de cultura 1431, um gerador de modelo de arrasto do molinete-para-índice vegetativo 1432, um gerador de modelo de arrasto do molinete-para-rendimento 1433, um gerador de modelo de arrasto do molinete-para-erva daninha 1434, um gerador de modelo de arrasto do molinete-para-umidade de cultura 1435, um gerador de modelo de arrasto do molinete-para-outra característica 1436, um gerador de modelo de arremesso do molinete-para-altura de cultura 1441, um gerador de modelo de arremesso do molinete-para-índice vegetativo 1442, um gerador de modelo de arremesso do molinete-para-rendimento 1443, um gerador de modelo de arremesso do molinete-para-erva daninha 1444, um gerador de modelo de arremesso do molinete-para-umidade de cultura 1445, e um gerador de modelo de arremesso do molinete-para-outra característica 1446. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 4A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 1449 igualmente, que podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos.

[00162] O gerador de modelo de enrolamento do molinete-para-altura de cultura 1421 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-altura de cultura 1421, o gerador de modelo de enrolamento do molinete-para-altura de cultura 1421 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização.

[00163] O gerador de modelo de enrolamento do molinete-para-índice vegetativo 1422 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-índice vegetativo 1422, o gerador de modelo de enrolamento do molinete-para-índice vegetativo 1422 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização.

[00164] O gerador de modelo de enrolamento do molinete-para- rendimento 1423 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para- rendimento 1423, o gerador de modelo de enrolamento do molinete-para- rendimento 1423 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no valor de rendimento, do mapa de rendimento 434, nessa dada localização.

[00165] O gerador de modelo de enrolamento do molinete-para-erva daninha 1424 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-erva daninha 1424, o gerador de modelo de enrolamento do molinete-para-erva daninha 1424 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização.

[00166] O gerador de modelo de enrolamento do molinete-para- umidade de cultura 1425 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-umidade de cultura 1425, o gerador de modelo de enrolamento do molinete-para-umidade de cultura 1425 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização.

[00167] O gerador de modelo de enrolamento do molinete-para-outra característica 1426 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-outra característica 1426, o gerador de modelo de enrolamento do molinete-para-outra característica 1426 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo e no outro valor de característica, do outro mapa 439, nessa dada localização.

[00168] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de enrolamento de molinete preditivos, tais como um ou mais dos modelos de enrolamento de molinete preditivos gerados pelos geradores de modelo 1421, 1422, 1423, 1424, 1425, 1426 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de enrolamento de molinete preditivo, tal como um modelo de enrolamento de molinete preditivo que prediz enrolamento do molinete com base em dois ou mais do valor de altura de cultura, do valor de índice vegetativo, do valor de rendimento, do valor de erva daninha, o valor de umidade de cultura, e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de enrolamento do molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de enrolamento de molinete preditivo 1450 na FIG. 4A.

[00169] O modelo de enrolamento de molinete preditivo 1450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4A, o gerador de mapa preditivo 312 inclui gerador de mapa de enrolamento do molinete 1453. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00170] O gerador de mapa de enrolamento do molinete 1453 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, junto com o modelo de enrolamento de molinete preditivo 1450 que prediz enrolamento do molinete com base em um ou mais de um valor de altura de cultura, um valor de índice vegetativo, um valor de rendimento, um valor de erva daninha, um valor de umidade de cultura, e um outro valor de característica, e gera um mapa preditivo que prediz enrolamento do molinete em diferentes localizações no campo, tal como o mapa de enrolamento de molinete preditivo funcional 1460.

[00171] O gerador de mapa 312 dessa forma produz um mapa de enrolamento de molinete preditivo funcional 1460 que é preditivo de enrolamento do molinete. O mapa de enrolamento de molinete preditivo funcional 1460 é um mapa preditivo 264. O mapa de enrolamento de molinete preditivo funcional 1460, em um exemplo, prediz enrolamento do molinete em diferentes localizações em um campo. O mapa de enrolamento de molinete preditivo funcional 1460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de enrolamento de molinete preditivo funcional 1460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de enrolamento do molinete preditivo funcional 1461.

[00172] Um ou ambos do mapa de enrolamento de molinete preditivo funcional 1460 e mapa de zona de controle de enrolamento do molinete preditivo funcional 1461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de enrolamento de molinete preditivo funcional 1460, no mapa de zona de controle de enrolamento do molinete preditivo funcional 1461, ou ambos.

[00173] O gerador de modelo de arrasto do molinete-para-altura de cultura 1431 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-altura de cultura 1431, o gerador de modelo de arrasto do molinete-para-altura de cultura 1431 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização.

[00174] O gerador de modelo de arrasto do molinete-para-índice vegetativo 1432 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-índice vegetativo 1432, o gerador de modelo de arrasto do molinete-para-índice vegetativo 1432 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização.

[00175] O gerador de modelo de arrasto do molinete-para-rendimento 1433 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-rendimento 1433, o gerador de modelo de arrasto do molinete-para-rendimento 1433 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no valor de rendimento, do mapa de rendimento 434, nessa dada localização.

[00176] O gerador de modelo de arrasto do molinete-para-erva daninha 1434 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-erva daninha 1434, o gerador de modelo de arrasto do molinete-para-erva daninha 1434 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização.

[00177] O gerador de modelo de arrasto do molinete-para-umidade de cultura 1435 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-umidade de cultura 1435, o gerador de modelo de arrasto do molinete-para-umidade de cultura 1435 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização.

[00178] O gerador de modelo de arrasto do molinete-para-outra característica 1436 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-outra característica 1436, o gerador de modelo de arrasto do molinete-para-outra característica 1436 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo e no outro valor de característica, do outro mapa 439, nessa dada localização.

[00179] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de arrasto de molinete preditivos, tais como um ou mais dos modelos de arrasto de molinete preditivos gerados pelos geradores de modelo 1431, 1432, 1433, 1434, 1435, 1436 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de arrasto de molinete preditivo, tal como um modelo de arrasto de molinete preditivo que prediz o arrasto do molinete com base em dois ou mais do valor de altura de cultura, do valor de índice vegetativo, do valor de rendimento, do valor de erva daninha, o valor de umidade de cultura, e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de arrasto do molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de arrasto de molinete preditivo 1451 na FIG. 4A.

[00180] O modelo de arrasto de molinete preditivo 1451 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4A, o gerador de mapa preditivo 312 inclui gerador de mapa de arrasto do molinete 1454. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00181] O gerador de mapa de arrasto do molinete 1454 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, junto com o modelo de arrasto de molinete preditivo 1451 que prediz o arrasto do molinete com base em um ou mais de um valor de altura de cultura, um valor de índice vegetativo, um valor de rendimento, um valor de erva daninha, um valor de umidade de cultura, e um outro valor de característica, e gera um mapa preditivo que prediz o arrasto do molinete em diferentes localizações no campo, tal como o mapa de arrasto de molinete preditivo funcional 1470.

[00182] O gerador de mapa 312 dessa forma produz um mapa de arrasto de molinete preditivo funcional 1470 que é preditivo de arrasto do molinete. O mapa de arrasto de molinete preditivo funcional 1470 é um mapa preditivo 264. O mapa de arrasto de molinete preditivo funcional 1470, em um exemplo, prediz o arrasto do molinete em diferentes localizações em um campo. O mapa de arrasto de molinete preditivo funcional 1470 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. Gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de arrasto de molinete preditivo funcional 1470 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de arrasto do molinete preditivo funcional 1471.

[00183] Um ou ambos do mapa de arrasto de molinete preditivo funcional 1470 e mapa de zona de controle de arrasto do molinete preditivo funcional 1471 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de arrasto de molinete preditivo funcional 1470, no mapa de zona de controle de arrasto do molinete preditivo funcional 1471, ou ambos.

[00184] O gerador de modelo de arremesso do molinete-para-altura de cultura 1441 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-altura de cultura 1441, o gerador de modelo de arremesso do molinete-para-altura de cultura 1441 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização.

[00185] O gerador de modelo de arremesso do molinete-para-índice vegetativo 1442 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-índice vegetativo 1442, o gerador de modelo de arremesso do molinete-para-índice vegetativo 1442 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização.

[00186] O gerador de modelo de arremesso do molinete-para- rendimento 1443 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para- rendimento 1443, o gerador de modelo de arremesso do molinete-para- rendimento 1443 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e no valor de rendimento, do mapa de rendimento 434, nessa dada localização.

[00187] O gerador de modelo de arremesso do molinete-para-erva daninha 1444 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-erva daninha 1444, o gerador de modelo de arremesso do molinete-para-erva daninha 1444 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização.

[00188] O gerador de modelo de arremesso do molinete-para-umidade de cultura 1445 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-umidade de cultura 1445, o gerador de modelo de arremesso do molinete-para-umidade de cultura 1445 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização.

[00189] O gerador de modelo de arremesso do molinete-para-outra característica 1446 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ1440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ1440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-outra característica 1446, o gerador de modelo de arremesso do molinete-para-outra característica 1446 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo e o outro valor de característica, do outro mapa 439, nessa dada localização.

[00190] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de arremesso de molinete preditivos, tais como um ou mais dos modelos de arremesso de molinete preditivos gerados pelos geradores de modelo 1441, 1442, 1443, 1444, 1445, 1446 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de arremesso de molinete preditivo, tal como um modelo de arremesso de molinete preditivo que prediz o arremesso do molinete com base em dois ou mais do valor de altura de cultura, do valor de índice vegetativo, do valor de rendimento, do valor de erva daninha, do valor de umidade de cultura, e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de arremesso do molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de arremesso de molinete preditivo 1452 na FIG. 4A.

[00191] O modelo de arremesso de molinete preditivo 1452 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4A, o gerador de mapa preditivo 312 inclui gerador de mapa de arremesso do molinete 1455. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00192] O gerador de mapa de arremesso do molinete 1455 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, junto com o modelo de arremesso de molinete preditivo 1452 que prediz o arremesso do molinete com base em um ou mais de um valor de altura de cultura, um valor de índice vegetativo, um valor de rendimento, um valor de erva daninha, um valor de umidade de cultura, e um outro valor de característica, e gera um mapa preditivo que prediz o arremesso do molinete em diferentes localizações no campo, tal como o mapa de arremesso de molinete preditivo funcional 1480.

[00193] O gerador de mapa 312 dessa forma produz um mapa de arremesso de molinete preditivo funcional 1480 que é preditivo de arremesso do molinete. Mapa de arremesso de molinete preditivo funcional 1480 é um mapa preditivo 264. O mapa de arremesso de molinete preditivo funcional 1480, em um exemplo, prediz o arremesso do molinete em diferentes localizações em um campo. O mapa de arremesso de molinete preditivo funcional 1480 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de arremesso de molinete preditivo funcional 1480 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de arremesso do molinete preditivo funcional 1481.

[00194] Um ou ambos do mapa de arremesso de molinete preditivo funcional 1480 e mapa de zona de controle de arremesso do molinete preditivo funcional 1481 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de arremesso de molinete preditivo funcional 1480, no mapa de zona de controle de arremesso do molinete preditivo funcional 1481, ou ambos.

[00195] A FIG. 4B mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 4B também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de um mapa de altura de cultura 432, um mapa de índice vegetativo 433, um mapa de rendimento 434, um mapa de ervas daninhas 435, um mapa de umidade de cultura 436, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 4414, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 4414 ilustrativamente representa a localização geográfica de um valor detectado pelos sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual um valor detectado pelos sensores in situ 308 corresponde. Por exemplo, os sensores de arremesso do molinete 386 podem detectar arrasto de cultura detectando material de cultura no campo detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que o arremesso do molinete é detectado pode não ser a localização geográfica do arremesso do molinete. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00196] Os sensores in situ308, ilustrativamente sensores de enrolamento do molinete 382, sensores de arrasto do molinete 384, sensores de arremesso do molinete 386, sensores de parâmetro de molinete 370, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, um ou mais dos sensores de enrolamento do molinete 382, dos sensores de arrasto do molinete 384, dos sensores de arremesso do molinete 386, e sensores de parâmetro de molinete 370 podem ser localizados internamente à colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de enrolamento do molinete 382, sensores de arrasto do molinete 384, e sensores de arremesso do molinete 386 para gerar dados de sensor processados 1440 indicativos de valores de enrolamento do molinete, valores de arrasto do molinete, e valores de arremesso do molinete, respectivamente. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de parâmetro de molinete 370 para gerar dados de sensor processados 3440 indicativos de valores de parâmetros de molinete, tais como um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete.

[00197] Como mostrado na FIG. 4B, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de enrolamento do molinete-para-altura de cultura e parâmetro(s) de molinete (RP(S)) 4421, um gerador de modelo de enrolamento do molinete-para-índice vegetativo e parâmetro(s) de molinete 4422, um gerador de modelo de enrolamento do molinete-para-rendimento e parâmetro(s) de molinete 4423, um gerador de modelo de enrolamento do molinete-para-erva daninha e parâmetro(s) de molinete 4424, um gerador de modelo de enrolamento do molinete-para- umidade de cultura e parâmetro(s) de molinete 4425, um gerador de modelo de enrolamento do molinete-para-outra característica e parâmetro(s) de molinete 4426, um gerador de modelo de arrasto do molinete-para-altura de cultura e parâmetro(s) de molinete 4431, um gerador de modelo de arrasto do molinete-para-índice vegetativo e parâmetro(s) de molinete 4432, um gerador de modelo de arrasto do molinete-para-rendimento e parâmetro(s) de molinete 4433, um gerador de modelo de arrasto do molinete-para-erva daninha e parâmetro(s) de molinete 4434, um gerador de modelo de arrasto do molinete- para-umidade de cultura e parâmetro(s) de molinete 4435, um gerador de modelo de arrasto do molinete-para-outra característica e parâmetro(s) de molinete 4436, um gerador de modelo de arremesso do molinete-para-altura de cultura e parâmetro(s) de molinete 4441, um gerador de modelo de arremesso do molinete-para-índice vegetativo e parâmetro(s) de molinete 4442, um gerador de modelo de arremesso do molinete-para-rendimento e parâmetro(s) de molinete 4443, um gerador de modelo de arremesso do molinete-para-erva daninha e parâmetro(s) de molinete 4444, um gerador de modelo de arremesso do molinete-para-umidade de cultura e parâmetro(s) de molinete 4445, e um gerador de modelo de arremesso do molinete-para-outra característica e parâmetro(s) de molinete 4446. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 4B. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 1449 igualmente, que podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos.

[00198] O gerador de modelo de enrolamento do molinete-para-altura de cultura e parâmetro(s) de molinete 4421 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-altura de cultura e parâmetro(s) de molinete 4421, o gerador de modelo de enrolamento do molinete-para-altura de cultura e parâmetro(s) de molinete 4421 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00199] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00200] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00201] O gerador de modelo de enrolamento do molinete-para-índice vegetativo e parâmetro(s) de molinete 4422 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-índice vegetativo e parâmetro(s) de molinete 4422, o gerador de modelo de enrolamento do molinete-para-índice vegetativo e parâmetro(s) de molinete 4422 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00202] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00203] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00204] O gerador de modelo de enrolamento do molinete-para- rendimento e parâmetro(s) de molinete 4423 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-rendimento e parâmetro(s) de molinete 4423, o gerador de modelo de enrolamento do molinete-para-rendimento e parâmetro(s) de molinete 4423 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00205] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00206] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, no valor de rendimento, do mapa de rendimento 434, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00207] O gerador de modelo de enrolamento do molinete-para-erva daninha e parâmetro(s) de molinete 4424 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ 4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-erva daninha e parâmetro(s) de molinete 4424, o gerador de modelo de enrolamento do molinete-para-erva daninha e parâmetro(s) de molinete 4424 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00208] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00209] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00210] O gerador de modelo de enrolamento do molinete-para- umidade de cultura e parâmetro(s) de molinete 4425 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-umidade de cultura e parâmetro(s) de molinete 4425, gerador de modelo de enrolamento do molinete-para-umidade de cultura e parâmetro(s) de molinete 4425 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00211] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00212] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, o valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00213] Gerador de modelo de enrolamento do molinete-para-outra característica e parâmetro(s) de molinete 4426 identifica um relacionamento entre valor(es) de enrolamento do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição de dedo do molinete detectado(s) em dados de sensor in situ4440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de enrolamento do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de enrolamento do molinete-para-outra característica e parâmetro(s) de molinete 4426, gerador de modelo de enrolamento do molinete-para-outra característica e parâmetro(s) de molinete 4426 gera um modelo de enrolamento de molinete preditivo. O modelo de enrolamento de molinete preditivo é usado pelo gerador de mapa de enrolamento do molinete 1453 para predizer o enrolamento do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00214] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o enrolamento do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00215] Dessa forma, para uma dada localização no campo, um valor de enrolamento do molinete pode ser predito na dada localização com base no modelo de enrolamento de molinete preditivo, o outro valor de característica, do outro mapa 439, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00216] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de enrolamento de molinete preditivos, tais como um ou mais dos modelos de enrolamento de molinete preditivos gerados pelos geradores de modelo 4421, 4422, 4423, 4424, 4425, 4426 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de enrolamento de molinete preditivo, tal como um modelo de enrolamento de molinete preditivo que prediz enrolamento do molinete com base em dois ou mais do valor de altura de cultura e um valor de um ou mais parâmetros de molinete, o valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, o valor de rendimento e um valor de um ou mais parâmetros de molinete, o valor de erva daninha e um valor de um ou mais parâmetros de molinete, o valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e o outro valor de característica e um valor de um ou mais parâmetros de molinete correspondentes a diferentes localizações no campo. Quaisquer desses modelos de enrolamento do molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de enrolamento de molinete preditivo 4450 na FIG. 4B.

[00217] O modelo de enrolamento de molinete preditivo 4450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4B, o gerador de mapa preditivo 312 inclui gerador de mapa de enrolamento do molinete 1453. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00218] O gerador de mapa de enrolamento do molinete 1453 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, valor(es) de um ou mais parâmetros de molinete, junto com o modelo de enrolamento de molinete preditivo 4450 que prediz enrolamento do molinete com base em um ou mais de um valor de altura de cultura e um valor de um ou mais parâmetros de molinete, um valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, um valor de rendimento e um valor de um ou mais parâmetros de molinete, um valor de erva daninha e um valor de um ou mais parâmetros de molinete, um valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e um outro valor de característica e um valor de um ou mais parâmetros de molinete, e gera um mapa preditivo que prediz enrolamento do molinete em diferentes localizações no campo, tal como o mapa de enrolamento de molinete preditivo funcional 4460.

[00219] O gerador de mapa 312 dessa forma produz um mapa de enrolamento de molinete preditivo funcional 4460 que é preditivo de enrolamento do molinete. O mapa de enrolamento de molinete preditivo funcional 4460 é um mapa preditivo 264. O mapa de enrolamento de molinete preditivo funcional 4460, em um exemplo, prediz enrolamento do molinete em diferentes localizações em um campo. O mapa de enrolamento de molinete preditivo funcional 4460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de enrolamento de molinete preditivo funcional 4460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de enrolamento do molinete preditivo funcional 4461.

[00220] Um ou ambos do mapa de enrolamento de molinete preditivo funcional 4460 e do mapa de zona de controle de enrolamento do molinete preditivo funcional 4461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de enrolamento de molinete preditivo funcional 4460, no mapa de zona de controle de enrolamento do molinete preditivo funcional 4461, ou ambos.

[00221] O gerador de modelo de arrasto do molinete-para-altura de cultura e parâmetro(s) de molinete 4431 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-altura de cultura e parâmetro(s) de molinete 4431, o gerador de modelo de arrasto do molinete-para-altura de cultura e parâmetro(s) de molinete 4431 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00222] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00223] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00224] O gerador de modelo de arrasto do molinete-para-índice vegetativo e parâmetro(s) de molinete 4432 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ 4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-índice vegetativo e parâmetro(s) de molinete 4432, o gerador de modelo de arrasto do molinete-para-índice vegetativo e parâmetro(s) de molinete 4432 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00225] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00226] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00227] O gerador de modelo de arrasto do molinete-para-rendimento e parâmetro(s) de molinete 4433 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-rendimento e parâmetro(s) de molinete 4433, gerador de modelo de arrasto do molinete- para-rendimento e parâmetro(s) de molinete 4433 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00228] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00229] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, no valor de rendimento, do mapa de rendimento 434, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00230] Gerador de modelo de arrasto do molinete-para-erva daninha e parâmetro(s) de molinete 4434 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ 4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-erva daninha e parâmetro(s) de molinete 4434, gerador de modelo de arrasto do molinete- para-erva daninha e parâmetro(s) de molinete 4434 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e no(s) valor(es) de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00231] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00232] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00233] O gerador de modelo de arrasto do molinete-para-umidade de cultura e parâmetro(s) de molinete 4435 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-umidade de cultura e parâmetro(s) de molinete 4435, o gerador de modelo de arrasto do molinete-para-umidade de cultura e parâmetro(s) de molinete 4435 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos na umidade de cultura 436 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00234] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00235] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00236] O gerador de modelo de arrasto do molinete-para-outra característica e parâmetro(s) de molinete 4436 identifica um relacionamento entre valor(es) de arrasto do molinete detectado(s) em dados de sensor in situ 4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arrasto do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arrasto do molinete-para-outra característica e parâmetro(s) de molinete 4436, o gerador de modelo de arrasto do molinete-para-outra característica e parâmetro(s) de molinete 4436 gera um modelo de arrasto de molinete preditivo. O modelo de arrasto de molinete preditivo é usado pelo gerador de mapa de arrasto do molinete 1454 para predizer o arrasto do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00237] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arrasto do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00238] Dessa forma, para uma dada localização no campo, um valor de arrasto do molinete pode ser predito na dada localização com base no modelo de arrasto de molinete preditivo, o outro valor de característica, do outro mapa 439, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00239] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de arrasto de molinete preditivos, tais como um ou mais dos modelos de arrasto de molinete preditivos gerados pelos geradores de modelo 4431, 4432, 4433, 4434, 4435, 4436 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de arrasto de molinete preditivo, tal como um modelo de arrasto de molinete preditivo que prediz o arrasto do molinete com base em dois ou mais do valor de altura de cultura e um valor de um ou mais parâmetros de molinete, o valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, o valor de rendimento e um valor de um ou mais parâmetros de molinete, o valor de erva daninha e um valor de um ou mais parâmetros de molinete, o valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e o outro valor de característica e um valor de um ou mais parâmetros de molinete correspondentes a diferentes localizações no campo. Quaisquer desses modelos de arrasto do molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de arrasto de molinete preditivo 4451 na FIG. 4B.

[00240] O modelo de arrasto de molinete preditivo 4451 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4B, o gerador de mapa preditivo 312 inclui gerador de mapa de arrasto do molinete 1454. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00241] O gerador de mapa de arrasto do molinete 1454 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, valor(es) de um ou mais parâmetros de molinete, junto com o modelo de arrasto de molinete preditivo 4451 que prediz o arrasto do molinete com base em um ou mais de um valor de altura de cultura e um valor de um ou mais parâmetros de molinete, um valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, um valor de rendimento e um valor de um ou mais parâmetros de molinete, um valor de erva daninha e um valor de um ou mais parâmetros de molinete, um valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e um outro valor de característica e um valor de um ou mais parâmetros de molinete, e gera um mapa preditivo que prediz o arrasto do molinete em diferentes localizações no campo, tal como o mapa de arrasto de molinete preditivo funcional 4470.

[00242] O gerador de mapa 312 dessa forma produz um mapa de arrasto de molinete preditivo funcional 4470 que é preditivo de arrasto do molinete. O mapa de arrasto de molinete preditivo funcional 4470 é um mapa preditivo 264. O mapa de arrasto de molinete preditivo funcional 4470, em um exemplo, prediz o arrasto do molinete em diferentes localizações em um campo. O mapa de arrasto de molinete preditivo funcional 4470 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de arrasto de molinete preditivo funcional 4470 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de arrasto do molinete preditivo funcional 4471.

[00243] Um ou ambos do mapa de arrasto de molinete preditivo funcional 4470 e do mapa de zona de controle de arrasto do molinete preditivo funcional 4471 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de arrasto de molinete preditivo funcional 4470, no mapa de zona de controle de enrolamento do molinete preditivo funcional 4471, ou ambos.

[00244] O gerador de modelo de arremesso do molinete-para-altura de cultura e parâmetro(s) de molinete 4441 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ 4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de altura de cultura do mapa de altura de cultura 432 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-altura de cultura e parâmetro(s) de molinete 4441, o gerador de modelo de arremesso do molinete-para-altura de cultura e parâmetro(s) de molinete 4441 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de altura de cultura georreferenciados contidos no mapa de altura de cultura 432 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e no(s) valor(es) de posição do dedo do molinete) correspondente(s) às mesmas localizações no campo.

[00245] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00246] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, no valor de altura de cultura, do mapa de altura de cultura 432, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00247] O gerador de modelo de arremesso do molinete-para-índice vegetativo e parâmetro(s) de molinete 4442 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-índice vegetativo e parâmetro(s) de molinete 4442, o gerador de modelo de arremesso do molinete-para-índice vegetativo e parâmetro(s) de molinete 4442 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00248] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00249] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, no valor de índice vegetativo, do mapa de índice vegetativo 433, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00250] O gerador de modelo de arremesso do molinete-para- rendimento e parâmetro(s) de molinete 4443 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de rendimento do mapa de rendimento 434 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-rendimento e parâmetro(s) de molinete 4443, o gerador de modelo de arremesso do molinete-para-rendimento e parâmetro(s) de molinete 4443 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de rendimento georreferenciados contidos no mapa de rendimento 434 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00251] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00252] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, no valor de rendimento, do mapa de rendimento 434, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00253] O gerador de modelo de arremesso do molinete-para-erva daninha e parâmetro(s) de molinete 4444 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ 4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de erva daninha do mapa de ervas daninhas 435 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-erva daninha e parâmetro(s) de molinete 4444, o gerador de modelo de arremesso do molinete-para-erva daninha e parâmetro(s) de molinete 4444 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de ervas daninhas georreferenciados contidos no mapa de ervas daninhas 435 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00254] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00255] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, no valor de erva daninha, a partir do mapa de ervas daninhas 435, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00256] O gerador de modelo de arremesso do molinete-para-umidade de cultura e parâmetro(s) de molinete 4445 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-umidade de cultura e parâmetro(s) de molinete 4435, o gerador de modelo de arremesso do molinete-para-umidade de cultura e parâmetro(s) de molinete 4445 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos na umidade de cultura 436 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00257] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00258] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00259] O gerador de modelo de arremesso do molinete-para-outra característica e parâmetro(s) de molinete 4446 identifica um relacionamento entre valor(es) de arremesso do molinete detectado(s) em dados de sensor in situ4440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete, detectado(s) nos dados de sensor in situ4440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ4440 correspondentes à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de arremesso do molinete detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de arremesso do molinete-para-outra característica e parâmetro(s) de molinete 4446, o gerador de modelo de arremesso do molinete-para-outra característica e parâmetro(s) de molinete 4446 gera um modelo de arremesso de molinete preditivo. O modelo de arremesso de molinete preditivo é usado pelo gerador de mapa de arremesso do molinete 1455 para predizer o arremesso do molinete em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00260] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer o arremesso do molinete. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00261] Dessa forma, para uma dada localização no campo, um valor de arremesso do molinete pode ser predito na dada localização com base no modelo de arremesso de molinete preditivo, o outro valor de característica, do outro mapa 439, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00262] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de arremesso de molinete preditivos, tais como um ou mais dos modelos de arremesso de molinete preditivos gerados pelos geradores de modelo 4441, 4442, 4443, 4444, 4445, 4446 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de arremesso de molinete preditivo, tal como um modelo de arremesso de molinete preditivo que prediz o arremesso do molinete com base em dois ou mais do valor de altura de cultura e um valor de um ou mais parâmetros de molinete, o valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, o valor de rendimento e um valor de um ou mais parâmetros de molinete, o valor de erva daninha e um valor de um ou mais parâmetros de molinete, o valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e o outro valor de característica e um valor de um ou mais parâmetros de molinete correspondentes a diferentes localizações no campo. Quaisquer desses modelos de arremesso de molinete, ou combinações dos mesmos, são representados coletivamente pelo modelo de arremesso de molinete preditivo 4452 na FIG. 4B.

[00263] O modelo de arremesso de molinete preditivo 4452 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 4B, o gerador de mapa preditivo 312 inclui gerador de mapa de arremesso do molinete 1455. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 1458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00264] O gerador de mapa de arremesso do molinete 1455 recebe um ou mais do mapa de altura de cultura 432, do mapa de índice vegetativo 433, do mapa de rendimento 434, do mapa de ervas daninhas 435, do mapa de umidade de cultura 436, e de um outro mapa 439, valor(es) de um ou mais parâmetros de molinete, junto com o modelo de arremesso de molinete preditivo 4452 que prediz o arremesso do molinete com base em um ou mais de um valor de altura de cultura e um valor de um ou mais parâmetros de molinete, um valor de índice vegetativo e um valor de um ou mais parâmetros de molinete, um valor de rendimento e um valor de um ou mais parâmetros de molinete, um valor de erva daninha e um valor de um ou mais parâmetros de molinete, um valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, e um outro valor de característica e um valor de um ou mais parâmetros de molinete, e gera um mapa preditivo que prediz o arremesso do molinete em diferentes localizações no campo, tal como o mapa de arrasto de molinete preditivo funcional 4480.

[00265] O gerador de mapa 312 dessa forma produz um mapa de arremesso de molinete preditivo funcional 4480 que é preditivo de arremesso do molinete. O mapa de arremesso de molinete preditivo funcional 4480 é um mapa preditivo 264. O mapa de arremesso de molinete preditivo funcional 4480, em um exemplo, prediz o arremesso do molinete em diferentes localizações em um campo. O mapa de arremesso de molinete preditivo funcional 4480 pode ser provida para controlar o gerador de zona 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de arremesso de molinete preditivo funcional 4480 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de arremesso do molinete preditivo funcional 4481.

[00266] Um ou ambos do mapa de arremesso de molinete preditivo funcional 4480 e do mapa de zona de controle de arremesso do molinete preditivo funcional 4481 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de arremesso de molinete preditivo funcional 4480, no mapa de zona de controle de arremesso do molinete preditivo funcional 4481, ou ambos.

[00267] As FIGS. 5A-5B são diagramas de blocos de uma porção da arquitetura de sistema agrícola 300 mostrada na FIG. 2. Particularmente, a FIG. 5A mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 5A também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de mapa de umidade de cultura 436, um mapa de genótipo 437, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 2424, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 2424 ilustrativamente representa a localização geográfica de um valor detectado pelos sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual um valor detectado pelos sensores in situ308 corresponde. Por exemplo, os sensores de fragmentação 388 podem detectar fragmentação de cultura detectando material de cultura no campo detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que a fragmentação é detectada pode não ser a localização geográfica da fragmentação. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00268] Os sensores in situ308 ilustrativamente incluem sensores de fragmentação 388, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ 308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, os sensores de fragmentação 388 podem ser localizados internamente à colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de fragmentação 388 para gerar dados de sensor processados 2440 indicativos de valores de fragmentação.

[00269] Como mostrado na FIG. 5A, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de fragmentação-para- umidade de cultura 2441, um gerador de modelo de fragmentação-para- genótipo 2442, e um gerador de modelo de fragmentação-para-outra característica 2443. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 5. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 2449 igualmente, que podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos.

[00270] O gerador de modelo de fragmentação-para-umidade de cultura 2441 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ2440, em localização(ões) geográfica(s) à(s) qual(is) o valor(es) de fragmentação, detectada nos dados de sensor in situ2440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para-umidade de cultura 2441, o gerador de modelo de fragmentação-para-umidade de cultura 2441 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo mapa de fragmentação gerador 2452 para predizer fragmentação em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo e no valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização.

[00271] O gerador de modelo de fragmentação-para-genótipo 2442 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ2440, em localização(ões) geográfica(s) à(s) qual(is) o valor(es) de fragmentação, detectada nos dados de sensor in situ2440, corresponde(m), e valor(es) de genótipo do mapa de genótipo 437 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para- genótipo 2442, gerador de modelo de fragmentação-para-genótipo 2442 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo mapa de fragmentação gerador 2452 para predizer fragmentação em diferentes localizações no campo com base nos valores de genótipo georreferenciados contidos no mapa de genótipo 437 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo e no valor de genótipo, do mapa de genótipo 437, nessa dada localização.

[00272] O gerador de modelo de fragmentação-para-outra característica 2443 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ2440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação, detectado(s) nos dados de sensor in situ2440, corresponde(m), e outro(s) valor(es) de característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para-outra característica 2443, o gerador de modelo de fragmentação-para-outra característica 2443 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo mapa de fragmentação gerador 2452 para predizer fragmentação em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo. Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo e o outro valor de característica, do outro mapa 439, nessa dada localização.

[00273] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de fragmentação preditivos, tais como um ou mais de o modelo de fragmentação preditivos gerado pelos geradores de modelo 2441, 2442, 2443 e 2449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de fragmentação preditivo, tal como um modelo de fragmentação preditivo que prediz fragmentação com base em dois ou mais do valor de umidade de cultura, do valor de genótipo e do outro valor de característica em diferentes localizações no campo. Quaisquer desses modelos de fragmentação, ou combinações dos mesmos, são representados coletivamente pelo modelo de fragmentação preditivo 2450 na FIG. 5A.

[00274] O modelo de fragmentação preditivo 2450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 5A, o gerador de mapa preditivo 312 inclui gerador de mapa de fragmentação 2452. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 2458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00275] O gerador de mapa de fragmentação 2452 recebe um ou mais do mapa de umidade de cultura 436, do mapa de genótipo 437 e de um outro mapa 439, junto com o modelo de fragmentação preditivo 2450 que prediz fragmentação com base em um ou mais de um valor de umidade de cultura, um valor de genótipo e um outro valor de característica, e gera um mapa preditivo que prediz fragmentação em diferentes localizações no campo, tal como o mapa de fragmentação preditivo funcional 2460.

[00276] O gerador de mapa 312 dessa forma produz um mapa de fragmentação preditivo funcional 2460 que é preditivo de fragmentação. O mapa de fragmentação preditivo funcional 2460 é um mapa preditivo 264. O mapa de fragmentação preditivo funcional 2460, em um exemplo, prediz fragmentação em diferentes localizações em um campo. O mapa de fragmentação preditivo funcional 2460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de fragmentação preditivo funcional 2460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de fragmentação preditivo funcional 2461.

[00277] Um ou ambos de mapa de fragmentação preditivo funcional 2460 e mapa de zona de controle de fragmentação preditivo funcional 2461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de fragmentação preditivo funcional 2460, no mapa de zona de controle de fragmentação preditivo funcional 2461, ou ambos.

[00278] A FIG. 5B mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhe. A FIG. 5B também ilustra o fluxo de informação dentre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de mapa de umidade de cultura 436, um mapa de genótipo 437, e outro(s) mapa(s) 439. O gerador de modelo preditivo 310 também recebe uma localização geográfica 5424, ou uma indicação de uma localização geográfica, tal como de sensores de posição geográfica 304. A localização geográfica 5424 ilustrativamente representa a localização geográfica de um valor detectado pelos sensores in situ308. Em alguns exemplos, a posição geográfica da colheitadeira agrícola 100, detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual um valor detectado pelos sensores in situ308 corresponde. Por exemplo, os sensores de fragmentação 388 podem detectar fragmentação de cultura detectando material de cultura no campo detrás da colheitadeira agrícola 100. Dessa forma, a posição geográfica da colheitadeira agrícola 100 no momento em que a fragmentação é detectada pode não ser a localização geográfica da fragmentação. Percebe-se que a posição geográfica indicada pelo sensor de posição geográfica 304, junto com o sincronismo, velocidade e direção da máquina, dimensões da máquina, e posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros de sensor (por exemplo, campo de visada), podem ser usados para derivar uma localização geográfica no campo à qual um valor um detectado por um sensor in situ308 corresponde.

[00279] Os sensores in situ308 ilustrativamente incluem sensores de fragmentação 388, sensores de parâmetro de molinete 370, bem como sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ308 (tal como o exemplo mostrado na FIG. 2). Em alguns casos, os sensores de fragmentação 388 ou sensores de parâmetro de molinete 370, ou ambos, podem ser localizados internamente à colheitadeira agrícola 100. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de fragmentação 388 para gerar dados de sensor processados 5440 indicativos de valores de fragmentação. O sistema de processamento 338 processa dados de sensor gerados pelos sensores de parâmetro de molinete 370 para gerar dados de sensor processados 5440 indicativos de valores de parâmetros de molinete, tais como um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete.

[00280] Como mostrado na FIG. 5B, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de fragmentação-para- umidade de cultura e parâmetro(s) de molinete 5441, um gerador de modelo de fragmentação-para-genótipo e parâmetro(s) de molinete 5442, e um gerador de modelo de fragmentação-para-outra característica e parâmetro(s) de molinete 5443. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes dos mostrados no exemplo da FIG. 5. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir outros itens 2449 igualmente, que podem incluir outros tipos de geradores de modelos preditivos para gerar outros tipos de modelos.

[00281] O gerador de modelo de fragmentação-para-umidade de cultura e parâmetro(s) de molinete 5441 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ5440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação, detectado(s) nos dados de sensor in situ5440, corresponde(m), e valor(es) de umidade de cultura do mapa de umidade de cultura 436 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ5440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para-umidade de cultura e parâmetro(s) de molinete 5441, o gerador de modelo de fragmentação-para- umidade de cultura e parâmetro(s) de molinete 5441 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo gerador de mapa de fragmentação 2452 para predizer fragmentação em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de umidade de cultura 436 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00282] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer fragmentação. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00283] Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo, o valor de umidade de cultura, do mapa de umidade de cultura 436, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00284] O gerador de modelo de fragmentação-para-genótipo e parâmetro(s) de molinete 5442 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ5440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação, detectado(s) nos dados de sensor in situ5440, corresponde(m), e valor(es) de genótipo do mapa de genótipo 437 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ5440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para-genótipo e parâmetro(s) de molinete 5442, gerador de modelo de fragmentação-para-genótipo e parâmetro(s) de molinete 5442 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo gerador de mapa de fragmentação 2452 para predizer fragmentação em diferentes localizações no campo com base nos valores de umidade de cultura georreferenciados contidos no mapa de genótipo 437 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00285] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer fragmentação. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00286] Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo, o valor de genótipo, do mapa de genótipo 437, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00287] O gerador de modelo de fragmentação-para-outra característica e parâmetro(s) de molinete 5443 identifica um relacionamento entre valor(es) de fragmentação detectado(s) em dados de sensor in situ5440, em localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação, detectado(s) nos dados de sensor in situ5440, corresponde(m), e valor(es) de um outra característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m), e valor(es) de um ou mais parâmetros de molinete (por exemplo, um ou mais de valor(es) de velocidade do molinete, valor(es) de altura do molinete, valor(es) de posição de frente para trás do molinete, e valor(es) de posição do dedo do molinete) detectado(s) em dados de sensor in situ5440 correspondente(s) à(s) mesma(s) localização(ões) geográfica(s) à(s) qual(is) o(s) valor(es) de fragmentação detectado(s) corresponde(m). Com base nesse relacionamento estabelecido pelo gerador de modelo de fragmentação-para-outra característica e parâmetro(s) de molinete 5443, gerador de modelo de fragmentação-para- outra característica e parâmetro(s) de molinete 5443 gera um modelo de fragmentação preditivo. O modelo de fragmentação preditivo é usado pelo gerador de mapa de fragmentação 2452 para predizer fragmentação em diferentes localizações no campo com base nos outros valores de característica georreferenciados contidos no outro mapa 439 nas mesmas localizações no campo e nos valores de parâmetros de molinete (por exemplo, um ou mais dos valores de velocidade do molinete, dos valores de altura do molinete, dos valores de posição de frente para trás do molinete, e dos valores de posição do dedo do molinete) correspondentes às mesmas localizações no campo.

[00288] Em alguns exemplos, os valores de parâmetros de molinete correspondentes às mesmas localizações podem ser valores de parâmetros de molinete previstos. Os valores de parâmetros de molinete previstos podem ser os valores de parâmetros de molinete atuais (por exemplo, no momento em que o mapa é gerado) (por exemplo, um ou mais do valor de velocidade do molinete atual, do valor de altura do molinete atual, do valor de posição de frente para trás do molinete atual e do valor de posição do dedo do molinete atual). Esses valores de parâmetros de molinete atuais podem ser detectados pelos sensores in situ308 e providos ao gerador de mapa 312 como uma entrada (junto com os valores mapeados) para predizer fragmentação. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser valores de parâmetros de molinete prescritos ou preditos, tal como de um mapa de parâmetros de molinete prescrito ou mapa de parâmetros de molinete preditivo. Em alguns exemplos, os valores de parâmetros de molinete previstos podem ser produzidos por um sistema de controle, ou providos por um operador ou usuário. Em alguns exemplos, quando os valores de parâmetros de molinete previstos são trocados (tanto pelo operador quanto por entrada de usuário, ou por um sistema de controle, ou critérios de desencadeamento de aprendizagem) o mapa (e talvez o modelo) pode ser renovado (ou modificado ou revisado).

[00289] Dessa forma, para uma dada localização no campo, um valor de fragmentação pode ser predito na dada localização com base no modelo de fragmentação preditivo, no outro valor de característica, do outro mapa 439, nessa dada localização, e no(s) valor(es) de parâmetro de molinete (por exemplo, um ou mais de um valor de velocidade do molinete previsto, um valor de altura do molinete previsto, um valor de posição de frente para trás do molinete previsto, e um valor de posição do dedo do molinete previsto) correspondente(s) a essa dada localização.

[00290] À luz do exposto, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos de fragmentação preditivos, tais como um ou mais dos modelos de fragmentação preditivos gerados pelos geradores de modelo 5441, 5442, 5443 e 5449. Em outro exemplo, dois ou mais dos modelos preditivos supradescritos podem ser combinados em um único modelo de fragmentação preditivo, tal como um modelo de fragmentação preditivo que prediz fragmentação com base em dois ou mais do valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, o valor de genótipo e um valor de um ou mais parâmetros de molinete, e o outro valor de característica e um valor de um ou mais parâmetros de molinete em diferentes localizações no campo. Quaisquer desses modelos de fragmentação, ou combinações dos mesmos, são representados coletivamente pelo modelo de fragmentação preditivo 5450 na FIG. 5A.

[00291] O modelo de fragmentação preditivo 5450 é provido ao gerador de mapa preditivo 312. No exemplo da FIG. 5B, o gerador de mapa preditivo 312 inclui gerador de mapa de fragmentação 2452. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Dessa forma, em alguns exemplos, o gerador de mapa preditivo 312 pode incluir outros itens 2458 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00292] O gerador de mapa de fragmentação 2452 recebe um ou mais do mapa de umidade de cultura 436, do mapa de genótipo 437 e de um outro mapa 439, valor(es) de um ou mais parâmetros de molinete, junto com o modelo de fragmentação preditivo 5450 que prediz fragmentação com base em um ou mais de um valor de umidade de cultura e um valor de um ou mais parâmetros de molinete, um valor de genótipo e um valor de um ou mais parâmetros de molinete, e um outro valor de característica e um valor de um ou mais parâmetros de molinete, e gera um mapa preditivo que prediz fragmentação em diferentes localizações no campo, tal como o mapa de fragmentação preditivo funcional 5460.

[00293] O gerador de mapa 312 dessa forma produz um mapa de fragmentação preditivo funcional 5460 que é preditivo de fragmentação. O mapa de fragmentação preditivo funcional 5460 é um mapa preditivo 264. O mapa de fragmentação preditivo funcional 5460, em um exemplo, prediz fragmentação em diferentes localizações em um campo. O mapa de fragmentação preditivo funcional 5460 pode ser provido ao gerador de zona de controle 313, sistema de controle 314, ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa de fragmentação preditivo funcional 5460 para produzir um mapa de zona de controle preditivo 265, que é um mapa de zona de controle de fragmentação preditivo funcional 5461.

[00294] Um ou ambos do mapa de fragmentação preditivo funcional 5460 e do mapa de zona de controle de fragmentação preditivo funcional 5461 podem ser providos ao sistema de controle 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa de fragmentação preditivo funcional 5460, no mapa de zona de controle de fragmentação preditivo funcional 5461, ou ambos.

[00295] As FIGS. 6A-6B (coletivamente referidas no presente documento como FIG. 6) mostram um fluxograma ilustrando um exemplo da operação de arquitetura de sistema de colheita agrícola 300 na geração de um modelo preditivo e um mapa preditivo

[00296] No bloco 602, o sistema agrícola 300 recebe um ou mais mapas de informação 358. Exemplos de mapas de informação 358 ou recepção de mapas de informação 358 são discutidos com relação aos blocos 604, 606, 608 e 609. Como aqui discutido, os mapas de informação 358 mapeiam valores de uma variável, correspondentes a uma característica, para diferentes localizações no campo, como indicado no bloco 606. Como indicado no bloco 604, a recepção dos mapas de informação 358 pode envolver selecionar um ou mais de uma pluralidade de possíveis mapas de informação 358 que são disponíveis. Por exemplo, um mapa de informação 358 pode ser um mapa de característica óptica, tal como o mapa de característica óptica 430. Outro mapa de informação 358 pode ser um mapa de estado de cultura, tal como o mapa de estado de cultura 431. Outro mapa de informação 358 pode ser um mapa de altura de cultura, tal como o mapa de altura de cultura 432. Outro mapa de informação 358 pode ser um mapa de índice vegetativo, tal como o mapa de índice vegetativo 433. Outro mapa de informação 358 pode ser um mapa de rendimento, tal como o mapa de rendimento 434. Outro mapa de informação 358 pode ser um mapa de ervas daninhas, tal como o mapa de ervas daninhas 435. Outro mapa de informação 358 pode ser um mapa de umidade de cultura, tal como o mapa de umidade de cultura 436. Outro mapa de informação 358 pode ser um mapa de genótipo, tal como o mapa de genótipo 437. Os mapas de informação 358 podem incluir vários outros tipos de mapas que mapeiam várias outras características, tais como outros mapas 439.

[00297] O processo pelo qual um ou mais mapas de informação 358 são selecionados pode ser manual, semiautomático ou automático. Os mapas de informação 358 podem ser baseados em dados coletados antes de uma operação atual. Por exemplo, os dados podem ser coletados com base em imagens aéreas obtidas durante um ano anterior, ou no início da estação atual, ou em outros momentos. Os dados podem ser baseados em dados detectados de outras maneiras além do uso de imagens aéreas. Por exemplo, os dados podem ser coletados durante uma operação anterior no local de trabalho, tal como uma operação durante um ano anterior, ou uma operação anterior na estação atual, ou em outros momentos. As máquinas que realizam essas operações anteriores podem ser modernizadas com um ou mais sensores que geram dados de sensor indicativos de uma ou mais características. Por exemplo, os parâmetros operacionais sensoreados durante uma operação de semeadura anterior ou características sensoreadas durante uma operação de pulverização no início do ano podem ser usados como dados para gerar os mapas de informação 358. Em outros exemplos, e como aqui descrito, os mapas de informação 358 podem ser mapas preditivos com valores preditivos. O mapa de informação preditivo 358 pode ser gerado pelo gerador de mapa preditivo 312 com base em um modelo gerado pelo gerador de modelo preditivo 310. Os dados para os mapas de informação 358 podem ser obtidos pelo sistema agrícola 300 usando o sistema de comunicação 306 e armazenados em armazenamento de dados 302. Os dados para os mapas de informação 358 podem ser obtidos pelo sistema agrícola 300 usando o sistema de comunicação 306 de outras maneiras igualmente, e isso é indicado pelo bloco 609 no fluxograma da FIG. 6.

[00298] À medida que a colheitadeira agrícola 100 está operando, os sensores in situ308 geram sinais de sensor indicativos de um ou mais valores de dados in situindicativos de uma característica. Por exemplo, os sensores de cultura faltante 380 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais modelos de cultura faltante, como indicado pelo bloco 611. Os sensores de entrada de controle 390 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de uma ou mais entradas de controle, como indicado pelo bloco 612. Os sensores de enrolamento do molinete 382 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de enrolamento do molinete, como indicado pelo bloco 613. Os sensores de arrasto do molinete 384 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de arrasto do molinete, como indicado pelo bloco 614. Os sensores de arremesso do molinete 386 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de arremesso do molinete, como indicado pelo bloco 615. Os sensores de fragmentação 388 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de fragmentação, como indicado pelo bloco 616. Vários outros sensores in situ308 ou sensores de posição geográfica 304, ou ambos, geram dados de sensor indicativos de um ou mais valores de dados in situ indicativos de um ou mais outros valores de característica, como indicado pelo bloco 617, por exemplo, sensores de parâmetros de molinete 370 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um mais valores de um ou mais parâmetros de molinete. Por exemplo, os sensores de velocidade do molinete 372 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de velocidade do molinete, os sensores de altura do molinete 374 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de altura do molinete, os sensores de posição de frente para trás do molinete 376 geram dados de sensor indicativos de um ou mais valores de dados in situindicativos de um ou mais valores de posição de frente para trás do molinete, e sensores de posição de dedo do molinete 377 geram dados de sensor indicativos de um ou mois valores de dados in situ indicativos de um ou mais valores de posição do dedo do molinete..

[00299] Em alguns exemplos, dados de sensores in situ308 são georreferenciados usando dados de posição, direção, ou velocidade, bem como informação de dimensão da máquina, informação de posição do sensor, etc.

[00300] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 441, 442, 443, 5000, 6000, 444 e 449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de característica óptica, os valores de estado de cultura, os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, e os outros valores de característica contidos no respectivo mapa de informação e os valores in situda cultura faltante sensoreada pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de cultura faltante preditivo 450 que prediz valores de cultura faltante com base em um ou mais de valores de característica óptica, valores de estado de cultura, valores de altura de cultura, valores de índice vegetativo, valores de rendimento, e outros valores de característica, como indicado pelo bloco 619.

[00301] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 3441, 3442, 3443, 3444, 5300, 6300 e 449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de característica óptica, os valores de estado de cultura, os valores de altura de cultura, o outros valores de característica, os valores de índice vegetativo, e os valores de rendimento contidos no respectivo mapa de informação, os valores de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete), e os valores in situde cultura faltante sensoreada pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de cultura faltante preditivo 3450 que prediz valores de cultura faltante com base em um ou mais de valores de característica óptica e valores de um ou mais parâmetros de molinete, valores de estado de cultura e valores de um ou mais parâmetros de molinete, valores de altura de cultura e valores de um ou mais parâmetros de molinete, valores de índice vegetativo e valores de um ou mais parâmetros de molinete, valores de rendimento e valores de um ou mais parâmetros de molinete, e outros valores de característica e valores de um ou mais parâmetros de molinete como indicados pelo bloco 619.

[00302] Dessa forma, o gerador de modelo preditivo 310 pode gerar, como um modelo de cultura faltante preditivo, um modelo de cultura faltante preditivo 450 ou um modelo de cultura faltante preditivo 3450, ou ambos.

[00303] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 445, 446, 447, 4000, 448 e 449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de característica óptica, os valores de estado de cultura, os valores de altura de cultura, os valores de ervas daninhas, e os outros valores de característica contidos no respectivo mapa de informação e os valores in situ de entrada de controle ensoreada pelos sensores in situ 308. O gerador de modelo preditivo 310 gera um modelo de entrada de controle preditivo 451 que prediz valores de cultura faltante com base em um ou mais de valores de característica óptica, valores de estado de cultura, valores de altura de cultura, valores de ervas daninhas, e outros valores de característica, como indicado pelo bloco 620.

[00304] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 1421, 1422, 1423, 1424, 1425, 1426 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica contidos no respectivo mapa de informação e os valores de enrolamento do molinete in situsensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de enrolamento de molinete preditivo 1450 que prediz valores de enrolamento do molinete com base em um ou mais de valores de altura de cultura, valores de índice vegetativo, valores de rendimento, valores de ervas daninhas, valores de umidade de cultura, e outros valores de característica, como indicado pelo bloco 621.

[00305] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 4421, 4422, 4423, 4424, 4425, 4426 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica, contidos no respectivo mapa de informação, os valores de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete), e os valores de enrolamento do molinete in situ sensoreados pelos sensores in situ 308. O gerador de modelo preditivo 310 gera um modelo de enrolamento de molinete preditivo 4450 que prediz valores de enrolamento do molinete com base em um ou mais de valores de altura de cultura e valores de um ou mais parâmetros de molinete, valores de índice vegetativo e valores de um ou mais parâmetros de molinete, valores de rendimento e valores de um ou mais parâmetros de molinete, valores de ervas daninhas e valores de um ou mais parâmetros de molinete, valores de umidade de cultura e valores de um ou mais parâmetros de molinete, e outros valores de característica e valores de um ou mais parâmetros de molinete como indicado pelo bloco 619.

[00306] Dessa forma, o gerador de modelo preditivo 310 pode gerar, como um modelo de enrolamento de molinete preditivo, um modelo de enrolamento de molinete preditivo 1450 ou um modelo de enrolamento de molinete preditivo 4450, ou ambos.

[00307] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 1431, 1432, 1433, 1434, 1435, 1436 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica contidos no respectivo mapa de informação e os valores in situde arrasto do molinete sensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de arrasto de molinete preditivo 1451 que prediz valores de arrasto do molinete com base em um ou mais de valores de altura de cultura, valores de índice vegetativo, valores de rendimento, valores de ervas daninhas, valores de umidade de cultura, e outros valores de característica, como indicado pelo bloco 622.

[00308] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 4431, 4432, 4433, 4434, 4435, 4436 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica, contidos no respectivo mapa de informação, os valores de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete), e os valores in situ de arrasto do molinete sensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de arrasto de molinete preditivo 4451 que prediz valores de arrasto do molinete com base em um ou mais de valores de altura de cultura e valores de um ou mais parâmetros de molinete, valores de índice vegetativo e valores de um ou mais parâmetros de molinete, valores de rendimento e valores de um ou mais parâmetros de molinete, valores de ervas daninhas e valores de um ou mais parâmetros de molinete, valores de umidade de cultura e valores de um ou mais parâmetros de molinete, e outros valores de característica e valores de um ou mais parâmetros de molinete como indicado pelo bloco 619.

[00309] Dessa forma, o gerador de modelo preditivo 310 pode gerar, como um modelo de arrasto de molinete preditivo, um modelo de arrasto de molinete preditivo 1451 ou um modelo de arrasto de molinete preditivo 4451, ou ambos.

[00310] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 1441, 1442, 1443, 1444, 1445, 1446 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica contidos no respectivo mapa de informação e os valores de arremesso do molinete in situ sensoreados pelos sensores in situ 308. O gerador de modelo preditivo 310 gera um modelo de arremesso de molinete preditivo 1452 que prediz valores de arremesso do molinete com base em um ou mais de valores de altura de cultura, valores de índice vegetativo, valores de rendimento, valores de ervas daninhas, valores de umidade de cultura, e outros valores de característica, como indicado pelo bloco 623.

[00311] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 4441, 4442, 4443, 4444, 4445, 4446 e 1449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de altura de cultura, os valores de índice vegetativo, os valores de rendimento, os valores de ervas daninhas, os valores de umidade de cultura, e os outros valores de característica, contidos no respectivo mapa de informação, os valores de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete), e os valores de arremesso do molinete in situsensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de arremesso de molinete preditivo 4452 que prediz valores de arremesso do molinete com base em um ou mais de valores de altura de cultura e valores de um ou mais parâmetros de molinete, valores de índice vegetativo e valores de um ou mais parâmetros de molinete, valores de rendimento e valores de um ou mais parâmetros de molinete, valores de ervas daninhas e valores de um ou mais parâmetros de molinete, valores de umidade de cultura e valores de um ou mais parâmetros de molinete, e outros valores de característica e valores de um ou mais parâmetros de molinete como indicado pelo bloco 619.

[00312] Dessa forma, o gerador de modelo preditivo 310 pode gerar, como um modelo de arremesso de molinete preditivo, um modelo de arremesso de molinete preditivo 1452 ou um modelo de arrasto de molinete preditivo 4452, ou ambos.

[00313] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais do geradores de modelo 2441, 2442, 2443 e 2449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de umidade de cultura, os valores de genótipo, e os outros valores de característica contidos no respectivo mapa de informação e os valores in situde fragmentação sensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de fragmentação preditivo 2450 que prediz valores de fragmentação com base em um ou mais de valores de umidade de cultura, valores de genótipo, e outros valores de característica, como indicado pelo bloco 624.

[00314] Em um exemplo, no bloco 618, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 5441, 5442, 5443 e 5449 para gerar um modelo que modela o relacionamento entre valores mapeados, tais como os valores de umidade de cultura, os valores de genótipo, e os outros valores de característica contidos no respectivo mapa de informação, o valores de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores de velocidade do molinete, valores de altura do molinete, valores de posição de frente para trás do molinete, e valores de posição do dedo do molinete) e os valores in situde fragmentação sensoreados pelos sensores in situ308. O gerador de modelo preditivo 310 gera um modelo de fragmentação preditivo 5450 que prediz valores de fragmentação com base em um ou mais de valores de umidade de cultura e valores de um ou mais parâmetros de molinete, valores de genótipo e valores de um ou mais parâmetros de molinete, e outros valores de característica e valores de um ou mais parâmetros de molinete como indicado pelo bloco 624.

[00315] Dessa forma, o gerador de modelo preditivo 310 pode gerar, como um modelo de fragmentação preditivo, um modelo de fragmentação preditivo 2450 ou um modelo de cultura faltante preditivo 5450, ou ambos.

[00316] No bloco 625, o(s) relacionamento(s) ou modelo(s) gerado(s) pelo gerador de modelo preditivo 310 é(são) provido(s) ao gerador de mapa preditivo 312. Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de cultura faltante preditivo funcional 460 que prediz valores de cultura faltante em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de cultura faltante preditivo 450 e um ou mais dos mapas de informação 358, tais como o mapa de característica óptica 430, mapa de estado de cultura 431, mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, e um outro mapa 439. A geração de um mapa de cultura faltante preditivo, tal como o mapa de cultura faltante preditivo funcional 460, é indicada pelo bloco 626.

[00317] Deve-se notar que, em alguns exemplos, o mapa de cultura faltante preditivo funcional 460 pode incluir dois ou mais diferentes camadas de mapa. Cada camada de mapa pode representar um diferente tipo de dados, por exemplo, um mapa de cultura faltante preditivo funcional 460 que provê dois ou mais de uma camada de mapa que provê cultura faltante preditiva com base em valores de característica óptica do mapa de característica óptica 430, uma camada de mapa que provê cultura faltante preditiva com base em valores de estado de cultura do mapa de estado de cultura 431, uma camada de mapa que provê cultura faltante preditiva com base em valores de altura de cultura do mapa de altura de cultura 432, uma camada de mapa que provê cultura faltante preditiva com base em valores de índice vegetativo do mapa de índice vegetativo 433, uma camada de mapa que provê cultura faltante preditiva com base em valores de rendimento do mapa de rendimento 434, e uma camada de mapa que provê cultura faltante preditiva com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de cultura faltante preditivo funcional 460 pode incluir uma camada de mapa que provê cultura faltante preditiva com base em um ou mais de valores de característica óptica do mapa de característica óptica 430, valores de estado de cultura do mapa de estado de cultura 431, valores de altura de cultura do mapa de altura de cultura 432, valores de índice vegetativo do mapa de índice vegetativo 433, valores de rendimento do mapa de rendimento 434, e valores de um outra característica de um outro mapa 439.

[00318] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de cultura faltante preditivo funcional 3460 que prediz valores de cultura faltante em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de cultura faltante preditivo 3450 e um ou mais dos mapas de informação 358, tais como o mapa de característica óptica 430, mapa de estado de cultura 431, mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, e um outro mapa 439 e valores previstos de um ou mais parâmetros de molinete (por exemplo, um ou mais de valores previstos de velocidade do molinete, valores previstos de altura do molinete, valores previstos de posição de frente para trás do molinete, e valores previstos de posição do dedo do molinete). A geração de um mapa de cultura faltante preditivo, tal como o mapa de cultura faltante preditivo funcional 3460, é indicada pelo bloco 626.

[00319] Deve-se notar que, em alguns exemplos, o mapa de cultura faltante preditivo funcional 3460 pode incluir duas ou mais diferentes camadas de mapa. Cada camada de mapa pode representar um tipo diferente de dados, por exemplo, um mapa de cultura faltante preditivo funcional 3460 que provê duas ou mais de uma camada de mapa que provê cultura faltante preditiva com base em valores de característica óptica do mapa de característica óptica 430 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê cultura faltante preditiva com base em valores de estado de cultura do mapa de estado de cultura 431 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê cultura faltante preditiva com base em valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê cultura faltante preditiva com base em valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê cultura faltante preditiva com base em valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, e uma camada de mapa que provê cultura faltante preditiva com base em outros valores de característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete. Além disso, ou alternativamente, o mapa de cultura faltante preditivo funcional 3460 pode incluir uma camada de mapa que provê cultura faltante preditiva com base em um ou mais de valores de característica óptica do mapa de característica óptica 430 e valores de um ou mais parâmetros de molinete, valores de estado de cultura do mapa de estado de cultura 431 e valores de um ou mais parâmetros de molinete, valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, e valores de um outra característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete.

[00320] Dessa forma, o gerador de mapa preditivo 312 pode gerar, como um mapa de cultura faltante preditivo funcional, mapa de cultura faltante preditivo funcional 460 ou mapa de cultura faltante preditivo funcional 3460, ou ambos.

[00321] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de entrada de controle preditivo funcional 470 que prediz valores de entrada de controle em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de entrada de controle preditivo 451 e um ou mais dos mapas de informação 358, tais como o mapa de característica óptica 430, mapa de estado de cultura 431, mapa de altura de cultura 432, mapa de ervas daninhas 435, e um outro mapa 439. A geração de um mapa de entrada de controle preditivo, tal como o mapa de entrada de controle preditivo funcional 470, é indicada pelo bloco 627.

[00322] Deve-se notar que, em alguns exemplos, o mapa de entrada de controle preditivo funcional 470 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 entrada de controle preditivo funcional 470 que provê duas ou mais de uma camada de mapa que provê entrada de controle preditiva com base em valores de característica óptica do mapa de característica óptica 430, uma camada de mapa que provê entrada de controle preditiva com base em valores de estado de cultura do mapa de estado de cultura 431, uma camada de mapa que provê entrada de controle preditiva com base em valores de altura de cultura do mapa de altura de cultura 432, uma camada de mapa que provê entrada de controle preditiva com base em valores de ervas daninhas do mapa de ervas daninhas 435, e uma camada de mapa que provê entrada de controle preditiva com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de entrada de controle preditivo funcional 470 pode incluir uma camada de mapa que provê entrada de controle preditiva com base em um ou mais de valores de característica óptica do mapa de característica óptica 430, valores de estado de cultura do mapa de estado de cultura 431, valores de altura de cultura do mapa de altura de cultura 432, valores de ervas daninhas do mapa de ervas daninhas 435, e valores de uma outra característica de um outro mapa 439.

[00323] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de enrolamento de molinete preditivo funcional 1460 que prediz valores de enrolamento do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de enrolamento de molinete preditivo 1450 e um ou mais dos mapas de informação 358, tais como o mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439. A geração de um preditivo enrolamento do molinete mapa, tal como o mapa de enrolamento de molinete preditivo funcional 1460, é indicada pelo bloco 628.

[00324] Deve-se notar que, em alguns exemplos, o mapa de enrolamento de molinete preditivo funcional 460 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 enrolamento de molinete preditivo funcional 1460 que provê duas ou mais de uma camada de mapa que provê enrolamento do molinete preditivo com base em altura de cultura do mapa de altura de cultura 432, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de rendimento do mapa de rendimento 434, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436, e uma camada de mapa que provê enrolamento do molinete preditivo com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de enrolamento de molinete preditivo funcional 1460 pode incluir uma camada de mapa que provê enrolamento do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432, valores de índice vegetativo do mapa de índice vegetativo 433, valores de rendimento do mapa de rendimento 434, valores de ervas daninhas do mapa de ervas daninhas 435, valores de umidade de cultura do mapa de umidade de cultura 436, e valores de um outra característica de um outro mapa 439.

[00325] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de enrolamento de molinete preditivo funcional 4460 que prediz valores de enrolamento do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de enrolamento de molinete preditivo 4450 e um ou mais dos mapas de informação 358, mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439 e valores previstos de um ou mais parâmetros de molinete. A geração de um mapa preditivo de enrolamento do molinete, tal como o mapa de enrolamento de molinete preditivo funcional 4460, é indicada pelo bloco 628.

[00326] Deve-se notar que, em alguns exemplos, o mapa de enrolamento de molinete preditivo funcional 4460 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 enrolamento de molinete preditivo funcional 4460 que provê duas ou mais de uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê enrolamento do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e uma camada de mapa que provê enrolamento do molinete preditivo com base em outros valores de característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete. Além disso, ou alternativamente, o mapa de enrolamento de molinete preditivo funcional 4460 pode incluir uma camada de mapa que provê enrolamento do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e valores de um outra característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete.

[00327] Dessa forma, o gerador de mapa preditivo 312 pode gerar, como um mapa de enrolamento de molinete preditivo funcional, o mapa de enrolamento de molinete preditivo funcional 1460 ou mapa de enrolamento de molinete preditivo funcional 4460, ou ambos.

[00328] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de arrasto de molinete preditivo funcional 1470 que prediz valores de arrasto do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de arrasto de molinete preditivo 1451 e um ou mais dos mapas de informação 358, tais como o mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439. A geração de um mapa de arrasto do molinete preditivo, tal como o mapa de arrasto de molinete preditivo funcional 1470, é indicada pelo bloco 629.

[00329] Deve-se notar que, em alguns exemplos, o mapa de arrasto de molinete preditivo funcional 470 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 arrasto de molinete preditivo funcional 1470 que provê duas ou mais de uma camada de mapa que provê arrasto do molinete preditivo com base em altura de cultura do mapa de altura de cultura 432, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de rendimento do mapa de rendimento 434, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436, e uma camada de mapa que provê arrasto do molinete preditivo com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de arrasto de molinete preditivo funcional 1470 pode incluir uma camada de mapa que provê arrasto do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432, valores de índice vegetativo do mapa de índice vegetativo 433, valores de rendimento do mapa de rendimento 434, valores de ervas daninhas do mapa de ervas daninhas 435, valores de umidade de cultura do mapa de umidade de cultura 436, e valores de um outra característica de um outro mapa 439.

[00330] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de arrasto de molinete preditivo funcional 4470 que prediz valores de arrasto do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de arrasto de molinete preditivo 4451 e um ou mais dos mapas de informação 358, mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439 e valores previstos de um ou mais parâmetros de molinete. Gerar um mapa de arrasto do molinete preditivo, tal como o mapa de arrasto de molinete preditivo funcional 4470, é indicado pelo bloco 629.

[00331] Deve-se notar que, em alguns exemplos, o mapa de arrasto de molinete preditivo funcional 4470 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 arrasto de molinete preditivo funcional 4470 que provê duas ou mais de uma camada de mapa que provê arrasto do molinete preditivo com base em valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arrasto do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e uma camada de mapa que provê arrasto do molinete preditivo com base em outros valores de característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete. Além disso, ou alternativamente, o mapa de arrasto de molinete preditivo funcional 4470 pode incluir uma camada de mapa que provê arrasto do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e valores de um outra característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete.

[00332] Dessa forma, o gerador de mapa preditivo 312 pode gerar, como um mapa de arrasto de molinete preditivo funcional, mapa de arrasto de molinete preditivo funcional 1470 ou mapa de arrasto de molinete preditivo funcional 4470, ou ambos.

[00333] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de arremesso de molinete preditivo funcional 1480 que prediz valores de arremesso do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de arremesso de molinete preditivo 1452 e um ou mais dos mapas de informação 358, tais como o mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439. Gerar um mapa de arremesso do molinete preditivo, tal como o mapa de arremesso de molinete preditivo funcional 1480, é indicada pelo bloco 630.

[00334] Deve-se notar que, em alguns exemplos, o mapa de arremesso de molinete preditivo funcional 480 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 arremesso de molinete preditivo funcional 1480 que provê duas ou mais de uma camada de mapa que provê arremesso do molinete preditivo com base em altura de cultura do mapa de altura de cultura 432, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de rendimento do mapa de rendimento 434, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436, e uma camada de mapa que provê arremesso do molinete preditivo com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de arremesso de molinete preditivo funcional 1480 pode incluir uma camada de mapa que provê arremesso do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432, valores de índice vegetativo do mapa de índice vegetativo 433, valores de rendimento do mapa de rendimento 434, valores de ervas daninhas do mapa de ervas daninhas 435, valores de umidade de cultura do mapa de umidade de cultura 436, e valores de um outra característica de um outro mapa 439.

[00335] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de arremesso de molinete preditivo funcional 4480 que prediz valores de arremesso do molinete em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de arremesso de molinete preditivo 4452 e um ou mais dos mapas de informação 358, mapa de altura de cultura 432, mapa de índice vegetativo 433, mapa de rendimento 434, mapa de ervas daninhas 435, mapa de umidade de cultura 436, e um outro mapa 439 e valores previstos de um ou mais parâmetros de molinete. Gerar um mapa de arremesso do molinete preditivo, tal como o mapa de arremesso de molinete preditivo funcional 4480, é indicado pelo bloco 630.

[00336] Deve-se notar que, em alguns exemplos, o mapa de arremesso de molinete preditivo funcional 4480 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 arremesso de molinete preditivo funcional 4480 que provê duas ou mais de uma camada de mapa que provê arremesso do molinete preditivo com base em valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê arremesso do molinete preditivo com base em valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e uma camada de mapa que provê arremesso do molinete preditivo com base em outros valores de característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete. Além disso, ou alternativamente, o mapa de arremesso de molinete preditivo funcional 4480 pode incluir uma camada de mapa que provê arremesso do molinete preditivo com base em um ou mais de valores de altura de cultura do mapa de altura de cultura 432 e valores de um ou mais parâmetros de molinete, valores de índice vegetativo do mapa de índice vegetativo 433 e valores de um ou mais parâmetros de molinete, valores de rendimento do mapa de rendimento 434 e valores de um ou mais parâmetros de molinete, valores de ervas daninhas do mapa de ervas daninhas 435 e valores de um ou mais parâmetros de molinete, valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, e valores de um outra característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete.

[00337] Dessa forma, o gerador de mapa preditivo 312 pode gerar, como um mapa de arremesso de molinete preditivo funcional, mapa de arrasto de molinete preditivo funcional 1480 ou mapa de arremesso de molinete preditivo funcional 4480, ou ambos.

[00338] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de fragmentação preditivo funcional 2460 que prediz valores de fragmentação em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de fragmentação preditivo 2450 e um ou mais dos mapas de informação 358, tais como o mapa de umidade de cultura 436, mapa de genótipo 437, e um outro mapa 439. A geração de um mapa de fragmentação preditivo, tal como o mapa de fragmentação preditivo funcional 2460, é indicada pelo bloco 631.

[00339] Deve-se notar que, em alguns exemplos, o mapa de fragmentação preditivo funcional 2460 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 fragmentação preditivo funcional 2460 que provê duas ou mais de uma camada de mapa que provê fragmentação preditiva com base em valores de umidade de cultura do mapa de umidade de cultura 436, uma camada de mapa que provê fragmentação preditiva com base em valores de genótipo do mapa de genótipo 437, e uma camada de mapa que provê fragmentação preditiva com base em outros valores de característica de um outro mapa 439. Além disso, ou alternativamente, o mapa de fragmentação preditivo funcional 2460 pode incluir uma camada de mapa que provê fragmentação preditiva com base em um ou mais de valores de umidade de cultura do mapa de umidade de cultura 436, valores de genótipo do mapa de genótipo 437, e valores de uma outra característica de um outro mapa 439.

[00340] Em um exemplo, no bloco 625, o gerador de mapa preditivo 312 gera um mapa de fragmentação preditivo funcional 5460 que prediz valores de fragmentação em diferentes localizações geográficas em um campo no qual a colheitadeira agrícola 100 está operando usando o modelo de fragmentação preditivo 5450 e um ou mais dos mapas de informação 358, tais como o mapa de umidade de cultura 436, mapa de genótipo 437, e um outro mapa 439 e valores previstos de um ou mais parâmetros de molinete. A geração de um mapa de fragmentação preditivo, tal como o mapa de fragmentação preditivo funcional 5460, é indicada pelo bloco 631.

[00341] Deve-se notar que, em alguns exemplos, o mapa de fragmentação preditivo funcional 5460 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 fragmentação preditivo funcional 5460 que provê duas ou mais de uma camada de mapa que provê fragmentação preditiva com base em valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, uma camada de mapa que provê fragmentação preditiva com base em valores de genótipo do mapa de genótipo 437 e valores de um ou mais parâmetros de molinete, e uma camada de mapa que provê fragmentação preditiva com base em outros valores de característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete. Além disso, ou alternativamente, o mapa de fragmentação preditivo funcional 2460 pode incluir uma camada de mapa que provê fragmentação preditiva com base em um ou mais de valores de umidade de cultura do mapa de umidade de cultura 436 e valores de um ou mais parâmetros de molinete, valores de genótipo do mapa de genótipo 437 e valores de um ou mais parâmetros de molinete, e valores de um outra característica de um outro mapa 439 e valores de um ou mais parâmetros de molinete.

[00342] Dessa forma, o gerador de mapa preditivo 312 pode gerar, como um mapa de fragmentação preditivo funcional, mapa de fragmentação preditivo funcional 2460 ou mapa de fragmentação preditivo funcional 5460, ou ambos.

[00343] No bloco 632, o gerador de mapa preditivo 312 configura um ou mais do mapa de cultura faltante preditivo funcional 460, do mapa de cultura faltante preditivo funcional 3460, do mapa de entrada de controle preditivo funcional 470, do mapa de enrolamento de molinete preditivo funcional 1460, do mapa de enrolamento de molinete preditivo funcional 4460, do mapa de arrasto de molinete preditivo funcional 1470, do mapa de arrasto de molinete preditivo funcional 4470, do mapa de arremesso de molinete preditivo funcional 1480, do mapa de arremesso de molinete preditivo funcional 4480, do mapa de fragmentação preditivo funcional 2460, e do mapa de fragmentação preditivo funcional 5460 de forma que os um ou mais mapas 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 sejam acionáveis (ou consumíveis) pelo sistema de controle 314. O gerador de mapa preditivo 312 pode prover um ou mais do mapa de cultura faltante preditivo funcional 460, do mapa de cultura faltante preditivo funcional 3460, do mapa de entrada de controle preditivo funcional 470, do mapa de enrolamento de molinete preditivo funcional 1460, do mapa de enrolamento de molinete preditivo funcional 4460, do mapa de arrasto de molinete preditivo funcional 1470, do mapa de arrasto de molinete preditivo funcional 4470, do mapa de arremesso de molinete preditivo funcional 1480, do mapa de arremesso de molinete preditivo funcional 4480, do mapa de fragmentação preditivo funcional 2460 e do mapa de fragmentação preditivo funcional 5460 ao sistema de controle 314 ou ao gerador de zona de controle 313, ou ambos. Alguns exemplos das diferentes maneiras nas quais um ou mais mapas 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 podem ser configurados ou produzidos são descritos com relação a blocos 632, 633, 634 e 635. Por exemplo, o gerador de mapa preditivo 312 configura um ou mais do mapa de cultura faltante preditivo funcional 460, do mapa de cultura faltante preditivo funcional 3460, do mapa de entrada de controle preditivo funcional 470, do mapa de enrolamento de molinete preditivo funcional 1460, do mapa de enrolamento de molinete preditivo funcional 4460, do mapa de arrasto de molinete preditivo funcional 1470, do mapa de arrasto de molinete preditivo funcional 4470, do mapa de arremesso de molinete preditivo funcional 1480, do mapa de arremesso de molinete preditivo funcional 4480, do mapa de fragmentação preditivo funcional 2460 e do mapa de fragmentação preditivo funcional 5460 de forma que um ou mais mapas 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 incluam valores que podem ser lidos pelo sistema de controle 314 e usados como a base para gerar sinais de controle para um ou mais dos diferentes subsistemas controláveis 316 de máquina móvel 100, como indicado pelo bloco 632.

[00344] Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de cultura faltante preditivo funcional 460 em zonas de controle com base nos valores no mapa de cultura faltante preditivo funcional 460 para gerar mapa de zona de controle de cultura faltante preditivo funcional 461. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de cultura faltante preditivo funcional 3460 em zonas de controle com base nos valores no mapa de cultura faltante preditivo funcional 3460 para gerar mapa de zona de controle de cultura faltante preditivo funcional 3461. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de entrada de controle preditivo funcional 470 em zonas de controle com base nos valores no mapa de entrada de controle preditivo funcional 470 para gerar mapa de zona de controle de entrada de controle preditivo funcional 471. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de enrolamento de molinete preditivo funcional 1460 em zonas de controle com base nos valores no mapa de enrolamento do molinete funcional 1460 para gerar mapa de zona de controle de enrolamento do molinete preditivo funcional 1461. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de enrolamento de molinete preditivo funcional 4460 em zonas de controle com base nos valores no mapa de enrolamento do molinete funcional 4460 para gerar mapa de zona de controle de enrolamento do molinete preditivo funcional 4461. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de arrasto de molinete preditivo funcional 1470 em zonas de controle com base nos valores no mapa de arrasto de molinete preditivo funcional 1470 para gerar mapa de zona de controle de arrasto do molinete preditivo funcional 1471. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de arrasto de molinete preditivo funcional 4470 em zonas de controle com base nos valores no mapa de arrasto de molinete preditivo funcional 4470 para gerar mapa de zona de controle de arrasto do molinete preditivo funcional 4471. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de arremesso de molinete preditivo funcional 1480 em zonas de controle com base nos valores no mapa de arremesso de molinete preditivo funcional 1480 para gerar mapa de zona de controle de arremesso do molinete preditivo funcional 1481. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de arremesso de molinete preditivo funcional 4480 em zonas de controle com base nos valores no mapa de arremesso de molinete preditivo funcional 4480 para gerar mapa de zona de controle de arremesso do molinete preditivo funcional 4481. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de fragmentação preditivo funcional 2460 em zonas de controle com base nos valores no mapa de fragmentação preditivo funcional 2460 para gerar mapa de zona de controle de fragmentação preditivo funcional 2461. Em um exemplo, no bloco 633, o gerador de zona de controle 313 pode dividir o mapa de fragmentação preditivo funcional 5460 em zonas de controle com base nos valores no mapa de fragmentação preditivo funcional 5460 para gerar mapa de zona de controle de fragmentação preditivo funcional 5461.

[00345] Valores contiguamente geolocalizados que estão dentro de um valor limiar de um outro podem ser agrupados em uma zona de controle. O valor limiar pode ser um valor limiar padrão, ou o valor limiar pode ser definido com base em uma entrada de operador, com base em uma entrada de um sistema automático, ou com base em outros critérios. Um tamanho das zonas pode ser baseado em uma capacidade de resposta do sistema de controle 314, dos subsistemas controláveis 316, com base em considerações de desgaste, ou em outros critérios.

[00346] No bloco 634, o gerador de mapa preditivo 312 configura um ou mais do mapa de cultura faltante preditivo funcional 460 ou 3460, ou ambos, do mapa de entrada de controle preditivo funcional 470, do mapa de enrolamento de molinete preditivo funcional 1460 ou 4460, ou ambos, do mapa de arrasto de molinete preditivo funcional 1470 ou 4470, ou ambos, do mapa de arremesso de molinete preditivo funcional 1480 ou 4480, ou ambos, e do mapa de fragmentação preditivo funcional 2460 ou 5460, ou ambos, para apresentação a um operador ou outro usuário. No bloco 634, o gerador de zona de controle 313 pode configurar um ou mais do mapa de zona de controle de cultura faltante preditivo funcional 461 ou 3461, ou ambos, do mapa de zona de controle de entrada de controle preditivo funcional 471, do mapa de zona de controle de enrolamento do molinete preditivo funcional 1461 ou 4461, ou ambos, do mapa de zona de controle de arrasto do molinete preditivo funcional 1471 ou 4471, ou ambos, do mapa de zona de controle de arremesso do molinete preditivo funcional 1481 ou 4481, ou ambos, e do mapa de zona de controle de fragmentação preditivo funcional 2461 ou 5461, ou ambos, para apresentação a um operador ou outro usuário. Quando apresentada a um operador ou outro usuário, a apresentação de um ou mais mapas 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou de um ou mais mapas 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, pode conter um ou mais do valores preditivos em um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460, 5460 correlacionados à localização geográfica, as zonas de controle de um ou mais mapas de zona de controle funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461 correlacionadas à localização geográfica, e valores de definições ou parâmetros de controle que são usados com base nos valores preditos em um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou zonas de controle em um ou mais mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461. 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 em um ou mais mapas 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou as zonas de controle de um ou mais mapas 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461 se conformam aos valores medidos que podem ser medidos pelos sensores na colheitadeira agrícola 100 à medida que a colheitadeira agrícola 100 opera no campo. Adicionalmente onde informação é apresentada a mais que uma localização, um sistema de autenticação e autorização pode ser provido para implementar o processo de autenticação e autorização. Por exemplo, pode haver uma hierarquia de indivíduos que são autorizados a ver e mudar mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição de bordo pode mostrar os mapas em tempo quase real localmente na máquina, ou os mapas podem também ser gerados em uma ou mais localizações remotas, ou ambos. Em alguns exemplos, cada dispositivo de exibição físico em cada localização pode ser associado com uma pessoa ou um nível de permissão de usuário. O nível de permissão de usuário pode ser usado para determinar quais elementos de exibição são visíveis no dispositivo de exibição físico e quais valores a pessoa correspondente pode mudar. Como um exemplo, um operador de máquina móvel local 100 pode ser incapaz de ver a informação correspondente a um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou fazer qualquer mudança na operação da máquina. Um supervisor, tal como um supervisor em uma localização remota, entretanto, pode ser capaz de ver um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 na exibição, mas é impedido de fazer qualquer mudança. Um gerente, que pode estar em uma localização remota separada, pode ser capaz de ver todos os elementos em um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 e também ser capaz de mudar um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460. Em alguns casos, um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 acessíveis e alteráveis por um gerente localizado remotamente podem ser usados no controle de máquina. Isso é um exemplo de uma hierarquia de autorização que pode ser implementada. Um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, podem ser configurados de outras maneiras igualmente, como indicado pelo bloco 635.

[00347] No bloco 636, as entradas de sensores de posição geográfica 304 e outros sensores in situ308 são recebidas pelo sistema de controle 314. Particularmente, no bloco 637, o sistema de controle 314 detecta uma entrada dos sensores de posição geográfica 304 identificando uma localização geográfica de colheitadeira agrícola 100. O bloco 638 representa a recepção de pelo o sistema de controle 314 de entradas de sensor indicativas de trajetória ou direção da colheitadeira agrícola 100, e o bloco 639 representa a recepção pelo sistema de controle 314 de uma velocidade de colheitadeira agrícola 100. O bloco 640 representa a recepção pelo sistema de controle 314 de outra informação de vários sensores in situ308, tais como valores de um ou mais parâmetros de molinete de um ou mais sensores de parâmetro de molinete 370, por exemplo, um ou mais de valores de velocidade do molinete do sensor de velocidade do molinete 372, valores de altura do molinete de sensores de altura do molinete 374, valores de posição de frente para trás do molinete de sensores de posição de frente para trás do molinete 376, e valores de posição do dedo do molinete de sensores de posição de dedo do molinete 377.

[00348] No bloco 641, o sistema de controle 314 gera sinais de controle para controlar os subsistemas controláveis 316 com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, e a entrada do sensor de posição geográfica 304 e quaisquer outros sensores in situ308. No bloco 642, o sistema de controle 314 aplica os sinais de controle aos subsistemas controláveis 316. Percebe-se que os sinais de controle particulares que são gerados, e os subsistemas controláveis particulares 316 que são controlados, podem variar com base em uma ou mais diferentes coisas. Por exemplo, os sinais de controle que são gerados e os subsistemas controláveis 316 que são controlados podem ser baseados no tipo de um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, que estão sendo usados. Similarmente, os sinais de controle que são gerados e os subsistemas controláveis 316 que são controlados e o sincronismo dos sinais de controle podem ser baseados em várias latências da colheitadeira agrícola 100 e na capacidade de resposta dos subsistemas controláveis 316.

[00349] A título de exemplo, o controlador de propulsão 331 do sistema de controle 314 pode gerar sinais de controle para controlar o subsistema de propulsão 350 para controlar um ou mais parâmetros de propulsão da colheitadeira agrícola 100, tais como um ou mais da velocidade na qual a colheitadeira agrícola 100 desloca, a desaceleração da colheitadeira agrícola 100 e a aceleração da colheitadeira agrícola 100, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.

[00350] Em outro exemplo, o controlador de planejamento de trajeto 334 do sistema de controle 314 pode gerar sinais de controle para controlar o subsistema de direção 352 para controlar um parâmetro de rota da colheitadeira agrícola 100, tais como um ou mais de um trajeto comandado no campo no qual a colheitadeira agrícola 100 desloca, e a direção da colheitadeira agrícola 100, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.

[00351] Em outro exemplo, o controlador de molinete 335 do sistema de controle 314 pode gerar sinais de controle para controlar o subsistema de molinete 340 para controlar um ou mais parâmetros operacionais de molinete 164, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.. Por exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar um ou mais atuadores de frente para trás 342 para controlar a posição de frente para trás do molinete 164, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar um ou mais atuadores de altura do molinete 344 para controlar a altura do molinete 164, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar um ou mais atuadores de velocidade do molinete 346 para controlar a velocidade do molinete 164, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos. Em outro exemplo, o controlador de molinete 335 pode gerar sinais de controle para controlar um ou mais atuadores de posição de dedo 348 para controlar a posição dos dedos do molinete 117, com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.

[00352] Em outro exemplo, o controlador de interface 330 do sistema de controle 314 pode gerar sinais de controle para controlar um mecanismo de interface (por exemplo, 218 ou 364) para gerar uma exibição, alerta, notificação, ou outra indicação com base em ou indicativa de um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.

[00353] Em outro exemplo, o controlador de sistema de comunicação 329 de sistema de controle 314 pode gerar sinais de controle para controlar sistema de comunicação 306 para comunicar um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, a outro item do sistema agrícola 300 (por exemplo, sistemas de computação remotos 368 ou interfaces de usuário 364).

[00354] Esses são meramente exemplos. O sistema de controle 314 pode gerar várias outros sinais de controle para controlar vários outros itens de máquina móvel 100 (ou sistema agrícola 300) com base em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos.

[00355] No bloco 644, é feita uma determinação se a operação foi concluída. Se a operação não estiver concluída, o processamento avança para o bloco 646 onde dados de sensor in situdo sensor de posição geográfica 304 e sensores in situ308 (e talvez outros sensores) continuam a ser lidos.

[00356] Em alguns exemplos, no bloco 648, o sistema agrícola 300 pode também detectar critérios de desencadeamento de aprendizagem para realizar aprendizagem de máquina em um ou mais dos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460, um ou mais dos mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, um ou mais dos modelos preditivos 450, 3450, 451, 1450, 4450, 1451, 4451, 1452, 4452, 2450 e 5450, as zonas geradas pelo gerador de zona de controle 313, um ou mais algoritmos de controle implementados pelos controladores no sistema de controle 314, e outra aprendizagem desencadeada.

[00357] Os critérios de desencadeamento de aprendizagem podem incluir qualquer um de uma ampla variedade de diferentes critérios. Alguns exemplos de detecção de critérios de desencadeamento são discutidos com relação aos blocos 650, 652, 654, 656 e 658. Por exemplo, em alguns exemplos, aprendizagem desencadeada pode envolver a recriação de um relacionamento usado para gerar um modelo preditivo quando uma quantidade limiar de dados de sensor in situé obtida de sensores in situ308. Em tais exemplos, a recepção de uma quantidade de dados de sensor in situ dos sensores in situ308 que excede um limiar desencadeia ou faz com que o gerador de modelo preditivo 310 gere um novo modelo preditivo que é usado pelo gerador de mapa preditivo 312. Dessa forma, à medida que a colheitadeira agrícola 100 continua uma operação, a recepção da quantidade limiar de dados de sensor in situdos sensores in situ308 desencadeia a criação de um novo relacionamento representado por um novo modelo preditivo (por exemplo, um ou mais do novo modelo 450, novo modelo 451, novo modelo 1450, novo modelo 1451, novo modelo 1452, e novo modelo 2450) gerado pelo gerador de modelo preditivo 310. Adicionalmente, um ou mais novos mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais new mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos, podem ser gerados usando os respectivos modelos novos 450, 3450, 451, 1450, 4450, 1451, 4451, 1452, 4452, 2450 e 5450. O bloco 650 representa a detecção de uma quantidade limiar de dados de sensor in situusados para desencadear a criação de um novo modelo preditivo.

[00358] Em outros exemplos, os critérios de desencadeamento de aprendizagem podem ser baseados enquanto os dados de sensor in situdos sensores in situ308 estão mudando, tal como com o tempo, ou em comparação com valores anteriores. Por exemplo, se variações dentro dos dados de sensor in situ (ou o relacionamento entre os dados de sensor in situ e a informação em um ou mais mapas de informação 358) estão dentro de uma faixa selecionada ou for menos que uma quantidade definida, ou abaixo de um valor limiar, então um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 310. Em decorrência disso, o gerador de mapa preditivo 312 não gera um novo mapa preditivo funcional, um novo mapa de zona de controle preditivo funcional, ou ambos. Entretanto, se variações dentro dos dados de sensor in situestiverem fora da faixa selecionada, forem maiores que a quantidade definida, ou forem acima do valor limiar, por exemplo, então o gerador de modelo preditivo 310 gera um novo modelo usando toda ou uma porção dos dados de sensor in siturecém-recebidos que o gerador de mapa preditivo 312 usa para gerar um novo mapa preditivo funcional que pode ser provido ao gerador de zona de controle 313 para a criação de um novo mapa de zona de controle preditivo funcional. No bloco 652, variações nos dados de sensor in situ, tal como uma magnitude de uma quantidade pela qual os dados excedem a faixa selecionada ou uma magnitude da variação do relacionamento entre os dados de sensor in situe a informação em um ou mais mapas de informação, podem ser usadas como um gatilho para causar a geração de um ou mais de um novo modelo preditivo, um novo mapa preditivo funcional, e um novo mapa de zona de controle preditivo funcional. Continuando com os exemplos supradescritos, o limiar, a faixa, e a quantidade definida podem ser estabelecidos em valores padrões; estabelecidos por interação de um operador ou usuário através de uma interface de usuário; estabelecidos por um sistema automático; ou estabelecidos de outras maneiras.

[00359] Outros critérios de desencadeamento de aprendizagem podem também ser usados. Por exemplo, se o gerador de modelo preditivo 310 comutar para um mapa de informação diferente (diferente dos mapas de informação originalmente selecionados), então a comutação para um mapa de informação diferente pode desencadear a reaprendizagem pelo gerador de modelo preditivo 310, o gerador de mapa preditivo 312, o gerador de zona de controle 313, sistema de controle 314, 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 como critério de desencadeamento de aprendizagem igualmente.

[00360] Em alguns casos, o operador 360 ou usuário 366 pode também editar um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460 ou um ou mais mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos. As edições podem mudar o(s) valor(es) em um ou mais mapas preditivos funcionais 460, 3460, 470, 1460, 4460, 1470, 4470, 1480, 4480, 2460 e 5460, mudar um tamanho, formato, posição, ou existência de zona(s) de controle em um ou mais mapas de zona de controle preditivos funcionais 461, 3461, 471, 1461, 4461, 1471, 4471, 1481, 4481, 2461 e 5461, ou ambos. O bloco 654 mostra que informação editada pode ser usada como critério de desencadeamento de aprendizagem.

[00361] Em alguns casos, pode também ser que o operador 360 ou usuário 366 observa que o controle automático de um subsistema controlável 316 não é o que o operador ou usuário deseja. Em tais casos, o operador 360 ou usuário 366 pode prover um ajuste manual ao subsistema controlável 316 refletindo que o operador 360 ou usuário 366 deseja que o subsistema controlável 316 opere de uma maneira diferente que que está sendo comandada pelo sistema de controle 314. Dessa forma, alteração manual de uma definição pelo operador 360 ou usuário 366 pode fazer com que um ou mais de gerador de modelo preditivo 310 gere um novo modelo, o gerador de mapa preditivo 312 gere um novo mapa preditivo funcional, o gerador de zona de controle 313 gere uma ou mais novas zonas de controle em um mapa de zona de controle preditivo funcional, e o sistema de controle 314 reaprenda um algoritmo de controle ou realize aprendizagem de máquina em um ou mais dos componentes de controlador 329 a 339 no sistema de controle 314 com base no ajuste pelo operador 360 ou usuário 366, como mostrado no bloco 656. O bloco 658 representa o uso de outro critério de aprendizagem desencadeado.

[00362] 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, como indicado pelo bloco 660.

[00363] Se a aprendizagem for desencadeada, quer com base em critérios de desencadeamento de aprendizagem quer com base na passagem de um intervalo de tempo, como indicado pelo bloco 660, então um ou mais do gerador de modelo preditivo 310, do gerador de mapa preditivo 312, do gerador de zona de controle 313 e do sistema de controle 314 realizar aprendizagem de máquina para gerar um ou mais novos modelos preditivos, um ou mais novos mapas preditivos, uma ou mais novas zonas de controle e um ou mais novos algoritmos de controle, respectivamente, com base nos critérios de desencadeamento de aprendizagem. O(s) novo(s) modelo(s) preditivo(s), o(s) novo(s) mapa(s) preditivo(s), a(s) nova(s) zona(s) de controle e o(s) novo(s) algoritmo(s) de controle é(são) gerado(s) usando quaisquer dados adicionais que foram coletados desde que a última operação de aprendizagem foi realizada. A realização de aprendizagem é indicada pelo bloco 662.

[00364] Se a operação tiver sido concluída, a operação move do bloco 662 para o bloco 664 onde um ou mais do(s) mapa(s) preditivo(s) funcional(is), mapa(s) de zona de controle preditivo(s) funcional(is), o(s) modelo(s) preditivo(s), a(s) zona(s) de controle e o(s) algoritmo(s) de controle é(são) armazenado(s). O(s) mapa(s) preditivo(s) funcional(is), mapa(s) de zona de controle preditivo(s) funcional(s), modelo(s) preditivo(s), zona(s) de controle e algoritmo(s) de controle pode(m) ser armazenado(s) localmente em armazenamento de dados 302 ou enviado(s) a um sistema remoto usando o sistema de comunicação 306 para uso posterior.

[00365] Se a operação não tiver sido concluída, a operação move do bloco 662 para o bloco 618 de modo que um ou mais do(s) novo(s) modelo(s) preditivo(s), do(s) novo(s) mapa(s) preditivo(s) funcional(is), do(s) novo(s) mapa(s) de zona de controle preditivo(s) funcional(is), da(s) nova(s) zona(s) de controle(s) e do(s) novo(s) algoritmo(s) de controle pode(m) ser usado(s) no controle da colheitadeira agrícola 100.

[00366] Os exemplos no presente documento 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 no presente documento são distintos de outras abordagens pelo uso de um modelo que é pelo menos um de multivariado ou específico do local (isto é, georreferenciado, tal como o baseado em mapa). Ainda mais, o modelo é revisado à medida que a máquina de trabalho está realizando uma operação e enquanto dados de sensor in situadicional são coletados. O modelo pode também ser aplicado no futuro além do local de trabalho atual. Por exemplo, o modelo pode formar uma linha de base (por exemplo, ponto de partida) para uma operação subsequente em um local de trabalho diferente ou no mesmo local de trabalho em um momento futuro.

[00367] A revisão do modelo em resposta a novos dados pode empregar métodos de aprendizagem de máquina. Sem limitação, métodos de aprendizagem de máquina podem incluir redes de memória, sistemas de Bayes, árvores de decisão, Autovetores, Autovalores e Algoritmos Evolucionários e Genéticos de Aprendizagem de Máquina, Análise de Agrupamento, Sistemas/Regras Especializadas, Máquinas de Vetor de Suporte, Acionadores/Raciocínio Simbólico, Redes Adversárias Generativas (GANs), Analítica Gráfica e ML, Regressão Linear, Regressão Logística, LSTMs e Redes Neurais Recorrentes (RNNSs), Redes Neurais Convolucionais (CNNs), MCMC, Florestas Aleatórias, Aprendizagem de máquina baseada em aprendizagem de reforço ou recompensa. A aprendizagem pode ser supervisionada ou não supervisionada.

[00368] Implementações de modelo podem ser matemáticas, fazendo uso de equações matemáticas, correlações empíricas, estatística, tabelas, matrizes e similares. Outras implementações de modelo podem basear-se mais em símbolos, bases de conhecimento, e lógica tais como sistemas baseados em rede. 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 redes de valores de dados tais como redes neurais. Esses são apenas alguns exemplos de modelos.

[00369] Os exemplos de paradigma preditivo descritos no presente documento diferem de abordagens não preditivas onde um atuador ou outro parâmetro de máquina é fixo no momento em que a máquina, sistema, ou componente é projetado, definidos uma vez antes de a máquina entrar no local de trabalho, é reativamente ajustado manualmente com base em percepção do operador, ou é reativamente ajustado com base em um valor de sensor.

[00370] Os exemplos de mapa preditivo funcional descritos no presente documento também diferem de outras abordagens baseadas em mapa. Em alguns exemplos dessas outras abordagens, um mapa de controle a priorié usado sem nenhuma modificação com base em dados de sensor in situ ou senão uma diferença determinada entre dados de um sensor in situe um mapa preditivo é usada para calibrar o sensor in situ. Em alguns exemplos das outras abordagens, dados de sensor podem ser matematicamente combinados com dados a prioripara gerar sinais de controle, mas de uma maneira agnóstica à localização; ou seja, um ajuste a uma definição preditivo georreferenciada a priorié aplicado independentemente da localização da máquina de trabalho no local de trabalho. O uso continuado ou final de uso do ajuste, nas outras abordagens, não é dependente da máquina de trabalho estar em uma localização ou região definida particular dentro do local de trabalho.

[00371] Em exemplos descritos no presente documento, os mapas preditivos funcionais e controle de atuador preditivo baseiam-se em mapas e dados in situobtidos 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 local de trabalho. Em alguns exemplos, as revisões (por exemplo, ajustes, calibrações, etc.) são ligadas às regiões ou zonas do local de trabalho, e não a todo o local de trabalho ou alguma condição não georreferenciada. Por exemplo, os ajustes são aplicados a uma ou mais áreas de um local de trabalho ao qual é determinada que um ajuste é relevante (por exemplo, tal como para satisfazer uma ou mais condições que podem resultar na aplicação de um ajuste a uma ou mais localizações, embora sem aplicar o ajuste a uma ou mais outras localizações), ao contrário de aplicar uma alteração de uma forma geral a cada localização de uma maneira não seletiva.

[00372] Em alguns exemplos descritos no presente documento, os modelos determinam e aplicam esses ajustes a porções ou zonas seletivas do local de trabalho com base em um conjunto de dados a priori, que, em alguns casos, é multivariável por natureza. Por exemplo, os ajustes podem, sem limitação, ser ligados a porções definidas do local de trabalho com base em fatores específicos do local, tais como topografia, tipo de sola, variedade de cultura, umidade do solo, bem como vários outros fatores, isoladamente ou em combinação. Consequentemente, os ajustes são aplicados às porções do campo nas quais os fatores específicos do local satisfazem a um ou mais critérios, e não a outras porções do campo onde esses fatores específicos do local não satisfazem a um ou mais critérios. Dessa forma, em alguns exemplos descritos no presente documento, o modelo gera um mapa preditivo funcional revisado para pelo menos a localização ou zona atual, a parte não trabalhada do local de trabalho, ou todo o local de trabalho.

[00373] Como um exemplo, em que o ajuste é aplicado apenas a certas áreas do campo, considere o seguinte. O sistema pode determinar que um valor de característica in situdetectado varia em relação a um valor preditivo da característica, tal como por uma quantidade limiar. O desvio só pode ser detectado em áreas do campo onde a elevação do local de trabalho está acima de um certo nível. Dessa forma, a revisão no valor preditivo só é aplicada a outras áreas do local de trabalho com elevação acima do certo nível. Nesse exemplo mais simples, o valor de característica e elevação preditivo no ponto em que ocorreu o desvio e o valor de característica e elevação detectado no ponto que ocorreu o desvio cruzam o limiar são usados para gerar uma equação linear. A equação linear é usada para ajustar o valor de característica preditivo em áreas do local de trabalho (que não foram ainda operadas na operação atual, tais como áreas não colhidas) no mapa preditivo funcional em função da elevação e do valor de característica predito. Isso resulta em um mapa preditivo funcional revisado no qual alguns valores são ajustados, enquanto outros permanecem inalterados com base em critérios selecionados, por exemplo, elevação bem como desvio limiar. O mapa funcional revisado é então usado para gerar um mapa de zona de controle funcional revisado para controlar a máquina.

[00374] Como um exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00375] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de característica óptica, um mapa de estado de cultura, um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, e outro tipo de mapa.

[00376] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tal como valores in situde cultura faltante.

[00377] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de cultura faltante preditivo.

[00378] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa faltante funcional preditivo que mapeia valores preditivos de cultura faltante para uma ou mais localizações no local de trabalho com base em um modelo de cultura faltante preditivo e nos um ou mais mapas obtidos.

[00379] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de cultura faltante preditivo funcional para gerar um mapa de cultura faltante preditivo funcional com zonas de controle.

[00380] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00381] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de característica óptica, um mapa de estado de cultura, um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, e outro tipo de mapa.

[00382] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tal como valores in situde cultura faltante e valores in situde um ou mais parâmetros de molinete.

[00383] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ,tal como um modelo de cultura faltante preditivo.

[00384] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa faltante preditivo funcional que mapeia valores preditivos de cultura faltante para uma ou mais localizações no local de trabalho com base em um modelo de cultura faltante preditivo, um ou mais mapas obtidos, e valores in situde um ou mais parâmetros de molinete.

[00385] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de cultura faltante preditivo funcional para gerar um mapa de cultura faltante preditivo funcional com zonas de controle.

[00386] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00387] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de característica óptica, um mapa de estado de cultura, um mapa de altura de cultura, um mapa de ervas daninhas, e outro tipo de mapa.

[00388] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde entrada de controle.

[00389] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de entrada de controle preditivo.

[00390] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de entrada de controle preditivo funcional que mapeia valores de entrada de controle preditivos para uma ou mais localizações no local de trabalho com base em um modelo de entrada de controle preditivo e nos um ou mais mapas obtidos.

[00391] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de entrada de controle preditivo funcional para gerar um mapa de entrada de controle preditivo funcional com zonas de controle.

[00392] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00393] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00394] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde enrolamento do molinete.

[00395] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de enrolamento de molinete preditivo.

[00396] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de enrolamento de molinete preditivo funcional que mapeia valores de enrolamento do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de enrolamento de molinete preditivo e nos um ou mais mapas obtidos.

[00397] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de enrolamento de molinete preditivo funcional para gerar um mapa de enrolamento de molinete preditivo funcional com zonas de controle.

[00398] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00399] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00400] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde enrolamento do molinete e valores in situde um ou mais parâmetros de molinete.

[00401] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de enrolamento de molinete preditivo.

[00402] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de enrolamento de molinete preditivo funcional que mapeia valores de enrolamento do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de enrolamento de molinete preditivo, um ou mais mapas obtidos, e valores in situde um ou mais parâmetros de molinete.

[00403] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de enrolamento de molinete preditivo funcional para gerar um mapa de enrolamento de molinete preditivo funcional com zonas de controle.

[00404] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00405] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00406] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde arrasto do molinete.

[00407] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de arrasto de molinete preditivo.

[00408] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de arrasto de molinete preditivo funcional que mapeia valores de arrasto do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de arrasto de molinete preditivo e nos um ou mais mapas obtidos.

[00409] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de arrasto de molinete preditivo funcional para gerar um mapa de arrasto de molinete preditivo funcional com zonas de controle.

[00410] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00411] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00412] Os sensores in situgeram dados de sensor indicativos de valores in situ de característica, tais como valores in situde arrasto do molinete e valores in situ de um ou mais parâmetros de molinete.

[00413] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de arrasto de molinete preditivo.

[00414] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de arrasto de molinete preditivo funcional que mapeia valores de arrasto do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de arrasto de molinete preditivo, um ou mais mapas obtidos, e valores in situde um ou mais parâmetros de molinete.

[00415] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de arrasto de molinete preditivo funcional para gerar um mapa de arrasto de molinete preditivo funcional com zonas de controle.

[00416] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00417] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00418] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde arremesso do molinete.

[00419] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ,tal como um modelo de arremesso de molinete preditivo.

[00420] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de arremesso de molinete preditivo funcional que mapeia valores de arremesso do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de arremesso de molinete preditivo e nos um ou mais mapas obtidos.

[00421] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de arremesso de molinete preditivo funcional para gerar um mapa de arremesso de molinete preditivo funcional com zonas de controle.

[00422] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00423] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de altura de cultura, um mapa de índice vegetativo, um mapa de rendimento, um mapa de ervas daninhas, um mapa de umidade de cultura, e outro tipo de mapa.

[00424] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde arremesso do molinete e valores in situde um ou mais parâmetros de molinete.

[00425] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de arremesso de molinete preditivo.

[00426] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de arremesso de molinete preditivo funcional que mapeia valores de arremesso do molinete preditivos para uma ou mais localizações no local de trabalho com base em um modelo de arremesso de molinete preditivo, um ou mais mapas obtidos, e valores in situde um ou mais parâmetros de molinete.

[00427] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de arremesso de molinete preditivo funcional para gerar um mapa de arremesso de molinete preditivo funcional com zonas de controle.

[00428] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00429] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de umidade de cultura, um mapa de genótipo, e outro tipo de mapa.

[00430] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde fragmentação.

[00431] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de fragmentação preditivo.

[00432] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de fragmentação preditivo funcional que mapeia valores de fragmentação preditivos para uma ou mais localizações no local de trabalho com base em um modelo de fragmentação preditivo e nos um ou mais mapas obtidos.

[00433] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de fragmentação preditivo funcional para gerar um mapa de fragmentação preditivo funcional com zonas de controle.

[00434] Como outro exemplo, sem limitação, considere um caso do paradigma descrito no presente documento que é parametrizado como se segue.

[00435] Um ou mais mapas do campo são obtidos, tais como um ou mais de um mapa de umidade de cultura, um mapa de genótipo, e outro tipo de mapa.

[00436] Os sensores in situgeram dados de sensor indicativos de valores in situde característica, tais como valores in situde fragmentação e valores in situde um ou mais parâmetros de molinete.

[00437] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, tal como um modelo de fragmentação preditivo.

[00438] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e nos um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa de fragmentação preditivo funcional que mapeia valores de fragmentação preditivos para uma ou mais localizações no local de trabalho com base em um modelo de fragmentação preditivo, um ou mais mapas obtidos, e valores in situde um ou mais parâmetros de molinete.

[00439] As zonas de controle, que incluem valores de definições de máquina, podem ser incorporadas no mapa de fragmentação preditivo funcional para gerar um mapa de fragmentação preditivo funcional com zonas de controle.

[00440] À medida que a máquina móvel continua a operar no local de trabalho, dados de sensor in situadicionais são coletados. Um critério de desencadeamento de aprendizagem pode ser detectado, tal como quantidade limiar de dados de sensor in situadicionais sendo coletados, uma magnitude de mudança em um relacionamento (por exemplo, os valores in situ de característica variam até um certo [por exemplo, limiar] grau em relação a um valor preditivo da característica), e operador ou usuário faz edições no(s) mapa(s) preditivo(s) ou em um algoritmo de controle, ou ambos, uma certa (por exemplo, limiar) quantidade de tempo decorre, bem como vários outros critérios de desencadeamento de aprendizagem. O(s) modelo(s) preditivo(s) é(são) então revisado(s) com base nos dados de sensor in situadicionais e nos valores do(s) mapa(s) obtido(s). O(s) mapa(s) preditivo(s) funcional(is) ou o(s) mapa(s) de zona de controle preditivo funcional(s), ou ambos, é(são) então revisado(s) com base no(s) modelo(s) revisado(s) e nos valores no(s) mapa(s) obtido(s).

[00441] A presente discussão mencionou processadores e servidores. Em alguns exemplos, os processadores e servidores incluem processadores de computador com memória e conjunto de circuitos de sincronismo associados, não mostrados separadamente. Eles são partes funcionais dos sistemas ou dispositivos aos quais eles pertencem e pelos quais são ativados e facilitam a funcionalidade dos outros componentes ou itens nesses sistemas.

[00442] Também, uma série de exibições de interface de usuário foi discutida. As exibições podem assumir uma ampla variedade de diferentes formas e podem ter uma ampla variedade de diferentes mecanismos de interface de operador atuáveis pelo usuário disposta nas mesmas. Por exemplo, mecanismos de interface de operador atuáveis pelo usuário podem incluir caixas de texto, caixas de verificação, ícones, ligações, menus suspensos, caixas de busca, etc. Os mecanismos de interface de operador atuáveis pelo usuário podem também ser atuados em uma ampla variedade de diferentes maneiras. Por exemplo, eles podem ser atuados usando mecanismos de interface de operador tal como um dispositivo de apontar e clicar, tais como um mouse de esfera ou mouse comum, botões de hardware, interruptores, uma manete ou teclado, interruptores de polegar ou blocos de polegar, etc., um teclado virtual ou outros atuadores virtuais. Além disso, onde a tela na qual os mecanismos de interface de operador atuáveis pelo usuário são exibidos é uma tela sensível ao toque, os mecanismos de interface de operador atuáveis pelo usuário podem ser atuados usando gestos de toque. Também, mecanismos de interface de operador atuáveis pelo usuário podem ser atuados usando comandos de voz usando funcionalidade de reconhecimento de voz. Reconhecimento de voz pode ser implementado usando um dispositivo de detecção de voz, tal como um microfone, e software que funciona para reconhecer voz detectada e executar comandos com base na voz recebida.

[00443] Uma série de armazenamentos de dados foi também discutida. Nota-se que armazenamentos de dados podem cada um ser desmembrados em múltiplos armazenamentos de dados. Em alguns exemplos, um ou mais dos armazenamentos de dados podem ser locais aos sistemas que acessam os armazenamentos de dados, um ou mais dos armazenamentos de dados podem todos ser localizados remotos de um sistema utilizando o armazenamento de dados, ou um ou mais armazenamentos de dados podem ser locais enquanto outros são remotos. Todas essas configurações são contempladas pela presente descrição.

[00444] Também, as figuras mostram uma série de blocos com funcionalidade atribuída a cada bloco. Nota-se que menos blocos podem ser usados para ilustrar que a funcionalidade atribuída a múltiplos diferentes blocos é realizada por menos componentes. Também, mais blocos podem ser usados ilustrando que a funcionalidade pode ser distribuída entre mais componentes. Em exemplos diferentes, alguma funcionalidade pode ser adicionada, e algumas podem ser removidas.

[00445] Nota-se que a discussão apresentada descreveu uma variedade de diferente sistemas, componentes, lógica e interações. Percebe-se que qualquer ou todos tais sistemas, componentes, lógica e interações pode ser implementado por itens de hardware, tais como processadores, memória, ou outros componentes de processamento, alguns dos quais são descritos a seguir, que realizam as funções associadas com esses sistemas, componentes, ou lógica, ou interações. Além disso, qualquer um ou todos os sistemas, componentes, lógica e interações podem ser implementados por software que é carregado em uma memória e é subsequentemente executado por um processador ou servidor ou outro componente de computação, como descrito a seguir. Qualquer um ou todos os sistemas, componentes, lógica e interações podem também ser implementados por diferentes combinações de hardware, software, firmware, etc., alguns exemplos dos quais são descritos a seguir. Esses são alguns exemplos de diferentes estruturas que podem ser usadas para implementar qualquer um ou todos os sistemas, componentes, lógica e interações supradescritos. Outras estruturas podem ser igualmente usadas.

[00446] A FIG. 7 é um diagrama de blocos de colheitadeira agrícola 1000, que pode ser similar à colheitadeira agrícola 100 mostrada na FIG. 2. A colheitadeira agrícola 1000 comunica com elementos em uma arquitetura de servidor remoto 1002. Em alguns exemplos, a arquitetura de servidor remoto 1002 provê computação, software, acesso de dados e serviços de armazenamento que não exigem conhecimento por parte do usuário final da localização física ou configuração do sistema que entrega os serviços. Em vários exemplos, servidores remotos podem entregar os serviços por uma rede de área abrangente, tal como a internet, usando protocolos apropriados. Por exemplo, servidores remotos podem entregar aplicativos por uma rede de área abrangente e podem ser acessíveis por meio de um navegador de rede ou qualquer outro componente de computação. Software ou componentes mostrados na FIG. 2 bem como dados associados aos mesmos podem ser armazenados em servidores em uma localização remota. Os recursos de computação em um ambiente de servidor remoto podem ser consolidados em uma localização de centro de dados remoto, ou os recursos de computação podem ser dispersos em uma pluralidade de centros de dados remotos. Infraestruturas de servidor remoto podem entregar serviços através de centros de dados compartilhados, mesmo que os serviços pareçam um único ponto de acesso para o usuário. Dessa forma, os componentes e funções descritos no presente documento podem ser providos de um servidor remoto em uma localização remota usando uma arquitetura de servidor remoto. Alternativamente, os componentes e funções podem ser providos de um servidor, ou os componentes e funções podem ser instalados em dispositivos clientes diretamente, ou de outras maneiras.

[00447] No exemplo mostrado na FIG. 7, alguns itens são similares aos mostrados na FIG. 2 e esses itens são similarmente enumerados. A FIG. 7 mostra especificamente que o gerador de modelo preditivo 310 ou gerador de mapa preditivo 312, ou ambos, podem ser localizados em uma localização de servidor 1004 que é remota da colheitadeira agrícola 1000. Portanto, no exemplo mostrado na FIG. 7, a colheitadeira agrícola 1000 acessa sistemas através da localização de servidor remoto 1004. Em outros exemplos, vários outros itens podem também ser localizado na localização do servidor 1004, tais como armazenamento de dados 302, seletor de mapa 309, modelo preditivo 311, mapas preditivos funcionais 263 (incluindo mapa preditivos 264 e mapa de zona de controle preditivos 265), o gerador de zona de controle 313, sistema de controle 314 e sistema de processamento 338.

[00448] A FIG. 7 também representa outro exemplo de uma arquitetura de servidor remoto. A FIG. 7 mostra que alguns elementos da FIG. 2 podem ser dispostos em uma localização de servidor remoto 1104 enquanto outros podem ser localizados em outro lugar. A título de exemplo, o armazenamento de dados 302 pode ser disposto em uma localização separada da localização 1004 e acessado por meio do servidor remoto na localização 1004. Independentemente de onde os elementos estão localizados, os elementos podem ser acessados diretamente pela colheitadeira agrícola 1000 por meio de uma rede tal como uma rede de área abrangente ou uma rede de área local; os elementos podem ser hospedados em um local remoto por um serviço; ou os elementos podem ser providos como um serviço ou acessados por um serviço de conexão que reside em uma localização remota. Também, dados podem ser armazenados em qualquer localização, e os dados armazenados podem ser acessados por operadores, usuários ou sistemas, ou encaminhados pelos mesmos. Por exemplo, portadoras físicas podem ser usadas em substituição, ou em adição, a portadoras de ondas eletromagnética. Em alguns exemplos, onde cobertura de serviço de telecomunicação sem fio é fraca ou inexistente, outra máquina, tal como um caminhão de combustível ou outra máquina móvel ou veículo, pode ter um sistema de coleta de informação automático, semiautomático ou manual. À medida que a colheitadeira agrícola 1000 se aproxima da 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 agrícola 1000 usando qualquer tipo de conexão sem fio ad-hoc. A informação coletada pode então ser encaminhada a outra rede quando a máquina contendo a informação recebido chega a uma localização onde cobertura de serviço de telecomunicação sem fio ou outra cobertura sem fio é disponível. Por exemplo, um caminhão de combustível pode entrar em uma área com cobertura de comunicação sem fio quando desloca para uma localização para abastecer outras máquinas ou quando em uma localização de armazenamento de combustível principal. Todas essas arquiteturas são contempladas no presente documento. Adicionalmente, a informação pode ser armazenada na colheitadeira agrícola 1000 até que a colheitadeira agrícola 1000 entre em uma área com cobertura de comunicação sem fio. A própria colheitadeira agrícola 1000 por enviar a informação a outra rede.

[00449] Nota-se também que os elementos da FIG. 2, ou porções da mesma, podem ser dispostos em uma ampla variedade de diferentes dispositivos. Um ou mais desses dispositivos podem incluir um computador de bordo, uma unidade de controle eletrônico, uma unidade de exibição, um servidor, um computador desktop, um computador laptop, um computador tablet, ou outro dispositivo móvel, tais como um computador palm top, um telefone celular, um smart phone, um tocador multimídia, um assistente pessoal digital, etc.

[00450] Em alguns exemplos, a arquitetura de servidor remoto 1002 pode incluir medidas de segurança cibernética. Sem limitação, essas medidas podem incluir encriptação de dados em dispositivos de armazenamento, encriptação de dados enviados entre nós de rede, autenticação de pessoas ou 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 blockchain).

[00451] A FIG. 8 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 cliente 16, em que o presente sistema (ou partes dele) pode ser desdobrado. Por exemplo, um dispositivo móvel pode ser desdobrado no compartimento do operador da colheitadeira agrícola 100 para uso na geração, processamento ou exibição dos mapas supradiscutidos. As FIGS. 9-10 são exemplos de dispositivos portáteis ou móveis.

[00452] A FIG. 8 provê um diagrama de blocos geral dos componentes de um dispositivo cliente 16 que pode rodar alguns componentes mostrados na FIG. 2, que interagem com eles, ou ambos. No dispositivo 16, uma ligação de comunicação 13 é provida que permite que o dispositivo portátil comunique com outros dispositivos de computação e, em alguns exemplos, provê um canal para receber informação automaticamente, tal como por varredura. Exemplos de ligações de comunicação 13 incluem permitir comunicação através de um ou mais protocolos de comunicação, tais como serviços sem fio usados para prover acesso celular a uma rede, bem como protocolos que proveem conexões sem fio locais a redes.

[00453] Em outros exemplos, aplicativos podem ser recebidos em um cartão Digital Seguro Removível (SD) que é conectado a uma interface 15. A interface 15 e ligações de comunicação 13 comunicam com um processador 17 (que pode também incorporar processadores ou servidores de outras FIGS.) ao longo de um barramento 19 que é também conectado à memória 21 e componentes de entrada/saída (E/S) 23, bem como relógio 25 e sistema de localização 27.

[00454] Os componentes E/S 23, em um exemplo, são providos para facilitar operações de entrada e saída. Os componentes E/S 23 para vários exemplos do dispositivo 16 podem incluir componentes de entrada tais como botões, sensores de toque, sensores ópticos, microfones, telas de toque, sensores de proximidade, acelerômetros, sensores de orientação e componentes de saída tais como um dispositivo de exibição, um alto-falante, e ou uma porta de impressora. Outros componentes E/S 23 podem ser usados igualmente.

[00455] O relógio 25 ilustrativamente compreende um componente de relógio de tempo real que produz um hora e data. Ele pode também, ilustrativamente, prover funções de sincronismo para o processador 17.

[00456] O sistema de localização 27 ilustrativamente inclui um componente que produz uma localização geográfica atual do dispositivo 16. Isso pode incluir, por exemplo, um receptor de sistema de posicionamento global (GPS), um sistema LORAN, um sistema de posicionamento relativo, um sistema de triangulação celular, ou outro sistema de posicionamento. O sistema de localização 27 pode também incluir, por exemplo, software de mapeamento ou software de navegação que gera mapas, rotas de navegação e outras funções geográficas desejadas.

[00457] A memória 21 armazena sistema operacional 29, definições de rede 31, aplicativos 33, definições de configuração de aplicativo 35, armazenamento de dados 37, unidades de operação de comunicação 39, e definições de configuração de comunicação 41. A memória 21 pode incluir todos os tipos de dispositivos de memória legíveis por computador tangíveis voláteis e não voláteis. A memória 21 pode também incluir mídia de armazenamento por computador (descrita a seguir). A memória 21 armazena instruções legíveis por computador que, quando executadas pelo processador 17, fazem com que o processador realize etapas ou funções implementadas por computador de acordo com as instruções. O processador 17 pode ser ativado por outros componentes para facilitar sua funcionalidade igualmente.

[00458] A FIG. 9 mostra um exemplo no qual o dispositivo 16 é um computador tablet1200. Na FIG. 9, o computador 1200 é mostrado com tela de exibição de interface de usuário 1202. A tela 1202 pode ser uma tela de toque ou uma interface habilitada por caneta que recebe entradas de uma caneta ou dispositivo tipo caneta. O computador tablet1200 pode também usar um teclado virtual na tela. Certamente, o computador 1200 pode também ser conectado a um teclado ou outro dispositivo de entrada de usuário através de um mecanismo de ligação adequado, tal como uma ligação sem fio ou porta USB, por exemplo. O computador 1200 pode também ilustrativamente receber entradas de voz igualmente.

[00459] A FIG. 10 é similar à FIG. 9, exceto que o dispositivo é um smart phone71. Smart phone 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, smart phone71 é embutido em um sistema operacional móvel e oferece capacidade e conectividade mais avançada do que um telefone de recursos.

[00460] Note que outras formas dos dispositivos 16 são possíveis.

[00461] A FIG. 11 é um exemplo de um ambiente de computação no qual elementos da FIG. 2 podem ser desdobrados. Com referência à FIG. 11, um sistema exemplificativo para implementar algumas modalidades inclui um dispositivo de computação na forma de um computador 910 programado para operar como aqui discutido. Os componentes de computador 910 podem incluir, mas não estão limitados a uma unidade de processamento 920 (que pode compreender processadores ou servidores das FIGS. anteriores), uma memória do sistema 930, e um barramento do sistema 921 que acoplar vários componentes do sistema incluindo a memória do sistema à unidade de processamento 920. O barramento do sistema 921 pode ser qualquer um de diversos tipos de estruturas de barramento incluindo um barramento de memória ou controlador de memória, um barramento periférico, e um barramento local usando qualquer um de uma variedade de arquiteturas de barramento. A memória e programas descritos com relação à FIG. 2 podem ser desdobrados em porções correspondentes da FIG. 11.

[00462] O computador 910 tipicamente inclui uma variedade de mídias legíveis por computador. Mídia legível por computador pode ser qualquer mídia disponível que pode ser acessada por computador 910 e inclui tanto mídia volátil quanto não volátil, mídia removível quanto não removível. A título de exemplo, e não de limitação, mídia legível por computador pode compreender mídia de armazenamento por computador e mídia de comunicação. Mídia de armazenamento por computador é diferente, e não incluir, um sinal de dados modulado ou onda portadora. Mídia legível por computador inclui mídia de armazenamento de hardware incluindo tanto mídia volátil quanto não volátil, removível quanto não removível implementada em qualquer método ou tecnologia para armazenamento de informação tais como instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados. Mídia de armazenamento por computador inclui, mas não é limitada a RAM, ROM, EEPROM, memória flash ou outra tecnologia de memória, CD-ROM, discos versáteis digitais (DVD) ou outro armazenamento de disco óptico, cassetes magnéticos, fita magnética, armazenamento de disco magnético ou outros dispositivos de armazenamento magnético, ou qualquer outro meio que posa ser usado para armazenar a informação desejado e que possa ser acessado por computador 910. Mídia de comunicação pode incorporar instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados em um mecanismo de transporte e inclui qualquer mídia de entrega de informação. A expressão “sinal de dados modulado” significa um sinal que tem uma ou mais de suas características definidas ou alteradas de uma maneira a codificar informação no sinal.

[00463] A memória do sistema 930 inclui mídia de armazenamento por computador na forma de memória volátil e/ou não volátil, ou ambas, tais como memória apenas de leitura (ROM) 931 e memória de acesso aleatório (RAM) 932. Um sistema básico de entrada/saída 933 (BIOS), contendo as rotinas básicas que ajudam a transferir informação entre elementos no computador 910, tal como durante iniciação, é tipicamente armazenado em ROM 931. RAM 932 tipicamente contém dados ou módulos de programa ou ambos que são imediatamente acessíveis e/ou atualmente sendo operados pela unidade de processamento 920. A título de exemplo, e não de limitação, a FIG. 11 ilustra sistema operacional 934, programas de aplicação 935, outros módulos de programa 936, e dados de programa 937.

[00464] O computador 910 pode também incluir outra mídia de armazenamento por computador removível/não removível volátil/não volátil. Apenas a título de exemplo, a FIG. 11 ilustra uma unidade de disco rígido 941 que lê ou grava em mídia magnética não removível, não volátil, uma unidade de disco óptico 955, e disco óptico não volátil 956. A unidade de disco rígido 941 é tipicamente conectada ao barramento do sistema 921 por meio de uma interface de memória não removível tal como a interface 940, e a unidade de disco óptico 955 são tipicamente conectadas ao barramento do sistema 921 por uma interface de memória removível, tal como a interface 950.

[00465] Alternativamente, ou adicionalmente, a funcionalidade descrita no presente documento pode ser realizada, pelo menos em parte, por um ou mais componentes lógicos de hardware. Por exemplo, e sem limitação, tipos ilustrativos de componentes lógicos de hardware que podem ser usados incluem Matrizes de Porta Programáveis no Campo (FPGAs), Circuitos Integrados Específicos do Aplicativo (por exemplo, ASICs), Produtos Padrão Específicos do Aplicativo (por exemplo, ASSPs), Sistemas sistema-em-um- chip (SOCs), Dispositivos de Lógica Programável Complexa (CPLDs), etc.

[00466] As unidades de operação e suas mídias de armazenamento por computador associadas supradiscutidas e ilustradas na FIG. 11 proveem armazenamento de instruções legíveis por computador, estruturas de dados, módulos de programa e outros dados para o computador 910. Na FIG. 11, por exemplo, a unidade de disco rígido 941 está ilustrada armazenando sistema operacional 944, programas de aplicação 945, outros módulos de programa 946 e dados de programa 947. Note que esses componentes podem tanto ser os mesmos ou diferentes do sistema operacional 934, programas de aplicação 935, outros módulos de programa 936 e dados de programa 937.

[00467] Um usuário pode entrar com comandos e informação no computador 910 por meio de dispositivos de entrada tais como um teclado 962, um microfone 963 e um dispositivo de apontamento 961, tal como um mouse, mouse de esfera ou bloco de toque. Outros dispositivos de entrada (não mostrados) podem incluir uma manete, bloco de jogos, disco satélite, escâner, ou similares. Esses e outros dispositivos de entrada são frequentemente conectados à unidade de processamento 920 através de uma entrada de interface de usuário 960 que é acoplada ao barramento do sistema, mas pode ser conectado por outras estruturas de interface e barramento. Uma exibição visual 991 ou outro tipo de dispositivo de exibição é também conectado ao barramento do sistema 921 por meio de uma interface, tal como uma interface de vídeo 990. Além do monitor, computadores podem também incluir outros dispositivos de saída periféricos tais como alto-falantes 997 e impressora 996, que podem ser conectados por meio de uma interface periférica de saída 995.

[00468] O computador 910 é operado em um ambiente ligado em rede usando conexões lógicas (tais como uma rede de área do controlador - CAN, rede de área local - LAN, ou rede de área abrangente WAN) a um ou mais computadores remotos, tal como um computador remoto 980.

[00469] Quando usado em um ambiente de rede LAN, o computador 910 é conectado à LAN 971 por uma interface de rede ou adaptador 970. Quando usado em um ambiente de rede WAN, o computador 910 tipicamente inclui um modem 972 ou outros meios para estabelecer comunicações pela WAN 973, tal como a Internet. Em um ambiente ligado em rede, módulos de programa podem ser armazenados em um dispositivo de armazenamento de memória remoto. A FIG. 11 ilustra, por exemplo, que programas de aplicativos remotos 985 podem residir em computador remoto 980.

[00470] Deve-se também notar que diferentes exemplos descritos no presente documento podem ser combinados de diferentes maneiras. Ou seja, partes de um ou mais exemplos podem ser combinadas com partes de um ou mais outros exemplos. Tudo isso é contemplado no presente documento.

[00471] Embora a matéria tenha sido descrita em linguagem específica de recursos estruturais e/ou atos metodológicos, deve-se entender que a matéria definida nas reivindicações anexas não está necessariamente limitada aos recursos ou atos específicos supradescritos. Em vez disso, os recursos e atos específicos supradescritos são descritos como formas de exemplo das reivindicações.

Claims

1. Sistema agrícola (300), caracterizadopelo fato de que compreende: um sistema de comunicação (306) que recebe um mapa preditivo (358/263) que mapeia valores preditivos de uma primeira característica correspondente a diferentes localizações geográficas em um campo; um sensor de posição geográfica (304) que detecta uma localização geográfica de uma colheitadeira agrícola (100) no campo; e um sistema de controle (314) que gera um sinal de controle para controlar um subsistema de molinete (340) da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

2. Sistema agrícola de acordo com a reivindicação 1, caracterizadopelo fato de que compreende adicionalmente: um sensor IN SITU (308) que detecta um valor da primeira característica correspondente a uma localização geográfica; um gerador de modelo preditivo (310) que: recebe um mapa de informação (358) que inclui valores de uma segunda característica correspondentes a diferentes localizações geográficas no campo; e gera um modelo preditivo (311) que modela um relacionamento entre valores da segunda característica e valores da primeira característica com base no valor da primeira característica detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor detectado da primeira característica corresponde; e um gerador de mapa preditivo (312) que gera, como o mapa preditivo, um mapa preditivo funcional (263) do campo que mapeia valores preditivos da primeira característica para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo preditivo.

3. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/380) detecta, como o valor da primeira característica, um valor de cultura faltante correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de cultura faltante preditivo (450) que modela um relacionamento entre valores da segunda característica e valores de cultura faltante com base no valor de cultura faltante detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de cultura faltante detectado corresponde, o modelo de cultura faltante preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de cultura faltante preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de cultura faltante preditivo funcional (460) do campo que mapeia valores de cultura faltante preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de cultura faltante preditivo.

4. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/390) detecta, como o valor da primeira característica, um valor de entrada de controle correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de entrada de controle preditivo (451) que modela um relacionamento entre valores da segunda característica e valores de entrada de controle com base no valor de entrada de controle detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de entrada de controle detectado corresponde, o modelo de entrada de controle preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de entrada de controle preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de entrada de controle preditivo funcional (470) do campo que mapeia valores de entrada de controle preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de entrada de controle preditivo.

5. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/382) detecta, como o valor da primeira característica, um valor de enrolamento do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de enrolamento de molinete preditivo (1450) que modela um relacionamento entre valores da segunda característica e valores de enrolamento do molinete com base no valor de enrolamento do molinete detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de enrolamento do molinete detectado corresponde, o modelo de enrolamento de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de enrolamento do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de enrolamento de molinete preditivo funcional (1460) do campo que mapeia valores de enrolamento do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de enrolamento de molinete preditivo.

6. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/384) detecta, como o valor da primeira característica, um valor de arrasto do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de arrasto de molinete preditivo (1451) que modela um relacionamento entre valores da segunda característica e valores de arrasto do molinete com base no valor de arrasto do molinete detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de arrasto do molinete detectado corresponde, o modelo de arrasto de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de arrasto do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de arrasto de molinete preditivo funcional (1470) do campo que mapeia valores de arrasto do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de arrasto de molinete preditivo.

7. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/386) detecta, como o valor da primeira característica, um valor de arremesso do molinete correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de arremesso de molinete preditivo (1452) que modela um relacionamento entre valores da segunda característica e valores de arremesso do molinete com base no valor de arremesso do molinete detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de arremesso do molinete detectado corresponde, o modelo de arremesso de molinete preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de arremesso do molinete preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de arremesso de molinete preditivo funcional (1480) do campo que mapeia valores de arremesso do molinete preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de arremesso de molinete preditivo.

8. Sistema agrícola de acordo com a reivindicação 2, caracterizado pelo fato de que o sensor in situ(308/388) detecta, como o valor da primeira característica, um valor de fragmentação correspondente à localização geográfica; em que o gerador de modelo preditivo gera, como o modelo preditivo, um modelo de fragmentação preditivo (2450) que modela um relacionamento entre valores da segunda característica e valores de fragmentação com base no valor de fragmentação detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor de fragmentação detectado corresponde, o modelo de fragmentação preditivo sendo configurado para receber um valor da segunda característica como uma entrada do modelo e gerar um valor de fragmentação preditivo como uma saída do modelo; e em que o gerador de mapa preditivo gera, como o mapa preditivo funcional, um mapa de fragmentação preditivo funcional (2460) do campo que mapeia valores de fragmentação preditivos para as diferentes localizações geográficas no campo, com base nos valores da segunda característica no mapa de informação e com base no modelo de fragmentação preditivo.

9. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: um sensor IN SITU (308) que detecta um valor da primeira característica correspondente a uma localização geográfica; um sensor de parâmetro de molinete IN SITU (370) que detecta um valor de um parâmetro de molinete correspondente à localização geográfica; um gerador de modelo preditivo que: recebe um mapa de informação (358) que inclui valores de uma segunda característica correspondentes a diferentes localizações geográficas no campo; e gera um modelo preditivo (3450/4450/4451/4452/5450) que modela um relacionamento entre valores da primeira característica, valores da segunda característica, e valores de parâmetros de molinete, com base no valor da primeira característica detectado pelo sensor IN SITU correspondente à localização geográfica, o valor de parâmetro de molinete detectado pelo sensor de parâmetro de molinete IN SITU correspondente à localização geográfica, e um valor da segunda característica no mapa de informação na localização geográfica à qual o valor detectado da primeira característica corresponde; e um gerador de mapa preditivo que gera, como o mapa preditivo, um mapa preditivo funcional (3460/4460/4470/4480/5460) do campo que mapeia valores preditivos da primeira característica para as diferentes localizações geográficas no campo, com base em valores de parâmetros de molinete previstos, nos valores da segunda característica no mapa de informação, e no modelo preditivo.

10. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o subsistema de molinete compreende um atuador (342/344) que é atuável de forma controlada para ajustar uma posição de um molinete (164) da colheitadeira agrícola, e em que o sinal de controle controla o atuador para ajustar uma posição do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

11. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o subsistema de molinete compreende um atuador de velocidade do molinete (346) que é controlável para ajustar uma velocidade rotacional de um molinete (164) da colheitadeira agrícola, e em que o sinal de controle controla o atuador de velocidade do molinete para ajustar uma velocidade rotacional do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

12. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o subsistema de molinete compreende um atuador de posição de dedo do molinete (348) que é atuável de forma controlada para ajustar uma posição de um dedo do molinete (117) da colheitadeira agrícola, e em que o sinal de controle controla o atuador de posição de dedo do molinete para ajustar uma posição do dedo do molinete com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

13. Método para controlar uma colheitadeira agrícola (100), caracterizado pelo fato de que compreende: receber um mapa preditivo (358/263) de um campo que mapeia valores preditivos de uma primeira característica correspondentes a diferentes localizações geográficas no campo; detectar uma localização geográfica da colheitadeira agrícola (100) no campo; e gerar um sinal de controle para controlar um subsistema de molinete (340) da colheitadeira agrícola com base na localização geográfica da colheitadeira agrícola e no mapa preditivo.

14. Método de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente: receber um mapa de informação (358) que mapeia valores de uma segunda característica correspondentes às diferentes localizações geográficas no campo; detectar, com um sensor IN SITU (308), um valor da primeira característica correspondente a uma localização geográfica; gerar um modelo preditivo (311) que modela um relacionamento entre a primeira característica e a segunda característica; e gerar, como o mapa preditivo, um mapa preditivo funcional (263) do campo, que mapeia valores preditivos da primeira característica para as diferentes localizações no campo com base nos valores da segunda característica no mapa de informação e no modelo preditivo.

15. Método de acordo com a reivindicação 14, caracterizado pelo fato de que gerar o sinal de controle compreende um dentre gerar o sinal de controle para controlar um atuador de altura do molinete (344), do subsistema de molinete, que é atuável para ajustar uma altura de um molinete (164) da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola ou gerar o sinal de controle para controlar um atuador de posição de frente para trás do molinete (342), do subsistema de molinete, que é atuável para ajustar uma posição de frente para trás do molinete (164) da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola; gerar o sinal de controle para controlar um atuador de velocidade do molinete (346), do subsistema de molinete, que é atuável para ajustar uma velocidade rotacional do molinete (164) da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola; ou gerar o sinal de controle para controlar um atuador de posição de dedo do molinete (348), do subsistema de molinete, que é atuável para ajustar uma posição de um dedo do molinete (117) da colheitadeira agrícola com base no mapa preditivo funcional e na localização geográfica da colheitadeira agrícola.