BR112018011240B1 - Métodos e sistemas de processamento de dados para previsão de rendimento de safra de nível de campo durante uma estação de crescimento - Google Patents
Métodos e sistemas de processamento de dados para previsão de rendimento de safra de nível de campo durante uma estação de crescimento Download PDFInfo
- Publication number
- BR112018011240B1 BR112018011240B1 BR112018011240-2A BR112018011240A BR112018011240B1 BR 112018011240 B1 BR112018011240 B1 BR 112018011240B1 BR 112018011240 A BR112018011240 A BR 112018011240A BR 112018011240 B1 BR112018011240 B1 BR 112018011240B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- field
- specific
- instructions
- geospecific
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title 1
- 239000002689 soil Substances 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012417 linear regression Methods 0.000 claims description 83
- 230000002776 aggregation Effects 0.000 claims description 39
- 238000004220 aggregation Methods 0.000 claims description 39
- 239000000203 mixture Substances 0.000 claims description 36
- 238000013515 script Methods 0.000 claims description 24
- 238000002156 mixing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 238000012656 cationic ring opening polymerization Methods 0.000 abstract description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 104
- 229910052757 nitrogen Inorganic materials 0.000 description 52
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000004891 communication Methods 0.000 description 25
- 238000003860 storage Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 21
- 238000004519 manufacturing process Methods 0.000 description 16
- 230000004044 response Effects 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 12
- 235000013339 cereals Nutrition 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 239000003337 fertilizer Substances 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013479 data entry Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000006735 deficit Effects 0.000 description 8
- 238000003306 harvesting Methods 0.000 description 8
- 238000003971 tillage Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 101000583145 Homo sapiens Membrane-associated phosphatidylinositol transfer protein 1 Proteins 0.000 description 4
- 102100030353 Membrane-associated phosphatidylinositol transfer protein 1 Human genes 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 230000035558 fertility Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- AUQMGYLQQPSCNH-UHFFFAOYSA-L NIR-2 dye Chemical compound [K+].[K+].C1=CC2=C(S([O-])(=O)=O)C=C(S([O-])(=O)=O)C=C2C(C2(C)C)=C1[N+](CC)=C2C=CC=CC=C1C(C)(C)C2=CC(C(O)=O)=CC=C2N1CCCCS([O-])(=O)=O AUQMGYLQQPSCNH-UHFFFAOYSA-L 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000251169 Alopias vulpinus Species 0.000 description 2
- 241001124569 Lycaenidae Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
PREVISÃO DE RENDIMENTO DE SAFRA DE NÍVEL DE CAMPO DURANTE UMA ESTAÇÃO DE CRESCIMENTO. Um método para predizer recomendações de rendimento de safra específico de campo. Um sistema de computador servidor recebe por meio de uma rede registros de dados agrícolas digitais, incluindo propriedades espectrais detectadas remotamente de plantas e registros de umidades de solos. O sistema de computador agrega os registros digitais para criar e armazenar séries temporais geoespecíficas durante um tempo especificado. O sistema de computador seleciona recursos representativos das séries temporais geoespecíficas e cria, para cada área geográfica específica, uma matriz de covariáveis compreendendo os recursos representativos. O sistema de computador designa um valor de probabilidade para um grupo de componentes em um conjunto de grupos de componentes de parâmetros, onde cada grupo de componentes inclui coeficientes de regressão calculados a partir de uma distribuição de probabilidades. O sistema de computador gera as distribuições de probabilidades usadas para determinar os coeficientes de regressão, a distribuição de probabilidades usada para gerar o termo de erro é definida com um parâmetro médio estabelecido em zero e um parâmetro de variância estabelecido para um coeficiente de tendência específico de campo.
Description
[001] Uma parte da revelação deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos autorais não tem objeção à reprodução por fac-símile por qualquer pessoa do documento de patente ou da revelação de patente, tal ele como aparece no arquivo ou registros de patentes do Escritório de Marcas e Patentes, mas de outro modo reserva todos os direitos autorais ou direitos sejam quais forem. © 2015 The Climate Corporation.
[002] A presente revelação diz respeito a sistemas de computadores e métodos implementados por computadores que são configurados para criar valores de dados que são úteis ao prever um rendimento de safra agrícola para um campo agrícola, durante uma estação de crescimento, com base em medições de dados durante um período de tempo específico.
[003] As abordagens descritas nesta seção são abordagens que podem ser seguidas, mas não são necessariamente abordagens que tenham sido concebidas ou seguidas anteriormente. Portanto, a não ser que indicado de outro modo, não deve ser assumido que qualquer uma das abordagens descritas nesta seção se qualifica como técnica anterior meramente por causa de sua inclusão nesta seção.
[004] Produção agrícola exige estratégia e análise significativas. Em muitos casos, produtores agrícolas, tais como fazendeiros ou outros envolvidos em cultivo agrícola, têm que analisar uma variedade de dados para tomar decisões estratégicas antes e durante o período de cultivo de plantação. Ao tomar tais decisões estratégicas, agricultores contam com modelos de previsão de rendimento de safra implementados por computador para determinar suas estratégias de cultivo. Modelos de previsão de rendimento de safra podem ajudar um agricultor a decidir como gastar ou preservar em áreas chaves que afetam cultivo, tais como custos de combustível e de recursos, investimento em equipamentos, garantia relacionada com safra e mão de obra de cultivo de plantação.
[005] Imagens de detecção remota capturadas por satélites têm sido usadas para complementar dados meteorológicos tradicionais por causa de suas resoluções espaciais mais refinadas, maior disponibilidade no globo e sua capacidade para capturar medições durante a estação de cultivo. Entretanto, Imagens de detecção remota usadas para estimar final de potenciais produções de estação têm sido limitadas anteriormente a estimar potenciais safras em um nível de município, região ou de estado. Estimativas maiores no nível de município, região ou de estado não levam em conta variações dentro de um campo e podem representar somente uma estimativa mais generalizada no nível específico de campo.
[006] Estudos locais que focalizam em previsão de produção no nível de campo de uma maneira geral estão aquém das expectativas. Muitos estudos que são reivindicados para serem aplicáveis para previsão de produção no nível de campo contam com um conjunto de amostras limitado de dados no nível de campo ou validam seus resultados de modelo no nível de campo em um nível de município ou maior, tornando sua análise difícil de generalizar.
[007] Métodos para analisar dados relacionados com safra durante a estação de crescimento e modelar rendimentos de safras em um nível específico de campo são desejáveis.
[008] Nos desenhos: A figura 1 ilustra um sistema de computador de exemplo que é configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode operar em conjunto. A figura 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções em memória principal quando uma aplicação móvel de exemplo é carregada para execução. A figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados agronômicos fornecidos por uma ou mais fontes de dados. A figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 em que uma modalidade da invenção pode ser implementada. A figura 5(a) representa um método de exemplo de estimar rendimento de safra usando um modelo de regressão linear de linha de base. A figura 5(b) representa um método de exemplo de estimar rendimento de safra usando um modelo de regressão linear de mistura. A figura 6 ilustra pré-processamento de sinais detectados remotamente e a aplicação de suavização de gráfico de dispersão ponderada localmente para sinais detectados remotamente. A figura 7 ilustra uma série temporal geoespecífica de valores de índice de vegetação aprimorado (EVI) calculados para um campo específico. A figura 8 representa um processo de exemplo de designar valores de probabilidades para múltiplos grupos de componentes de parâmetros no modelo de regressão linear de mistura. A figura 9 representa uma modalidade de exemplo de uma vista de linha de tempo para entrada de dados. A figura 10 representa uma modalidade de exemplo de uma vista de planilha para entrada de dados.
[009] Na descrição a seguir, para o propósito de explicação, inúmeros detalhes específicos estão expostos a fim de fornecer um entendimento completo da presente revelação. Estará aparente, entretanto, que modalidades podem ser praticadas sem estes detalhes específicos. Em outras instâncias, estruturas e dispositivos bem conhecidos estão mostrados em forma de diagrama de blocos a fim de evitar obscurecer desnecessariamente a presente revelação. Modalidades são reveladas em seções de acordo com as seguintes linhas gerais: 1. VISTA GERAL 2. SISTEMA DE EXEMPLO DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA 2.1. VISTA GERAL ESTRUTURAL 2.2. VISTA GERAL DE PROGRAMA DE APLICAÇÃO 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4. VISTA GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO 2.5. SUBSISTEMA DE PREVISÃO DE RENDIMENTO DE SAFRA DE NÍVEL DE CAMPO 2.6. EXEMPLO DE IMPLEMENTAÇÃO - VISTA GERAL DE HARDWARE 3. VISTA GERAL FUNCIONAL - PREVISÃO DE RENDIMENTO DE SAFRA DE NÍVEL DE CAMPO DURANTE UMA ESTAÇÃO DE CRESCIMENTO 3.1. RECEBIMENTO DE DADOS 3.2. AGREGAÇÃO DE REGISTROS DE DADOS 3.3. DETERMINAÇÃO DE RENDIMENTO DE SAFRA ESPECÍFICO DE CAMPO 3.3.1. REGRESSÃO LINEAR DE LINHA DE BASE 3.3.2. REGRESSÃO LINEAR DE MISTURA 4. DADOS EXTERNOS 4.1. DADOS DE DETECÇÃO REMOTA 4.2. DADOS DE ESPECTRO DE SOLO 5. SÉRIE TEMPORAL GEOESPECÍFICA 5.1. PRÉ-PROCESSAMENTO DE SINAIS 1. VISTA GERAL
[010] Um sistema de computador e método implementado por computador que são configurados para predizer rendimentos de safras específicas de campos durante a estação de crescimento usando dados agrícolas são fornecidos. Em uma modalidade, predição de rendimento de safra para um campo pode ser realizada usando um sistema de computador servidor que é configurado e programado para receber, por meio de uma rede de comunicação digital, dados digitais eletrônicos representando registros de dados agrícolas, incluindo propriedade espectral detectada remotamente de registros de plantas e registros de umidades de solos. Usando as instruções de agregação de registros de dados programadas digitalmente, o sistema de computador é programado para receber dados digitais incluindo propriedade espectral detectada remotamente de registros de plantas e registros de umidades de solos. Usando as instruções de agregação de registros de dados programadas digitalmente, o sistema de computador é programado para agregar o um ou mais registros agrícolas digitais para criar e armazenar, em memória de computador, uma ou mais séries temporais geoespecíficas durante um tempo especificado. Usando as instruções de agregação de registros de dados programadas digitalmente, o sistema de computador é programado para selecionar um ou mais recursos representativos da uma ou mais séries temporais geoespecíficas e criar, para cada área geográfica específica, uma matriz de covariáveis em memória de computador compreendendo os recursos representativos selecionados da uma ou mais séries temporais geoespecíficas.
[011] Usando instruções de regressão linear de mistura, o sistema de computador é programado para designar um valor de probabilidade para um grupo de componentes em um conjunto de grupos de componentes de parâmetros, onde cada grupo de componentes dentro do conjunto de grupos de componentes de parâmetros inclui um ou mais coeficientes de regressão calculados a partir de uma distribuição de probabilidades e um termo de erro calculado a partir de uma distribuição de probabilidades. Usando instruções de geração de distribuição, o sistema de computador é programado para gerar as distribuições de probabilidades usadas para determinar o um ou mais coeficientes de regressão e o termo de erro. A distribuição de probabilidades usada para gerar o termo de erro é definida com um parâmetro médio estabelecido em zero e um parâmetro de variância específico para cada campo.
[012] Usando instruções de estimativa de rendimento de safra, o sistema de computador é programado para determinar um rendimento de safra específico de campo para uma data específica ao usar instruções de regressão linear de mistura para calcular o rendimento de safra específico de campo com base na matriz de covariáveis e nos valores de probabilidades designados para cada grupo de componentes de parâmetros no conjunto de grupos de componentes de parâmetros. 2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA DE EXEMPLO 2.1. VISTA GERAL ESTRUTURAL
[013] A figura 1 ilustra um sistema de computador de exemplo que é configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode operar em conjunto. Em uma modalidade, um usuário 102 possui, opera ou controla um dispositivo de computação gerenciador de campos 104 em uma localização de campo ou associado com uma localização de campo tal como um campo pretendido para atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação gerenciador de campos 104 é programado ou configurado para fornecer os dados de campo 106 para um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.
[014] Exemplos dos dados de campo 106 incluem (a) dados de identificação (por exemplo, tamanho da área em acres, nome de campo, identificadores de campos, identificadores geográficos, identificadores de limites, identificadores de safras e quaisquer outros dados adequados que possam ser usados para identificar região de fazenda, tais como uma unidade de terra comum (CLU), número de lote e de bloco, um número de terreno, coordenadas e limites geográficos, Número Serial de Fazenda (FSN), número de fazenda, número de área, número de campo, seção, município e/ou área), (b) dados de colheita (por exemplo, tipo de safra, variedade de safra, rotação de safra, se o cultivo é desenvolvido organicamente, data de colheita, Histórico de Produção Real (APH), rendimento esperado, produção, preço de safra, receita de safra, umidade de grão, prática de cultura e informação de estação de crescimento anterior), (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca de cátions (CEC)), (d) dados de plantação (por exemplo, data de plantação, tipo(s) de semente(s), maturidade relativa (RM) de semente(s) plantada(s), população de sementes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de pesticidas (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias pretendidas para uso como um regulador de planta, desfolhante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, temperatura, vento, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade de neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, informação de espectro de imagens e de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de exploração (fotos, vídeos, notas de forma livre, gravações de vozes, transcrições de vozes, condições meteorológicas (temperatura, precipitação (corrente e ao longo do tempo), umidade de solo, estágio de crescimento de safra, velocidade de vento, umidade relativa, ponto de orvalho, camada preta)), e (k) solo, semente, fenologia de safra, relatório de pestes e doenças e fontes de predições e bases de dados.
[015] Um computador servidor de dados 108 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar os dados externos 110 para o sistema de computador de inteligência agrícola 130 por meio da(s) rede(s) 109. O computador servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal que opera o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente tal como uma agência de governo, organização não governamental (NGO) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados de solos ou dados estatísticos se relacionando com rendimentos de safras, dentre outros. Os dados externos 110 podem consistir do mesmo tipo de informação dos dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 pertencente à mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focalizado exclusivamente em um tipo de dados que de outro modo podem ser obtidos de fontes de entidades externas, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode ser incorporado realmente ao sistema 130.
[016] Um aparelho agrícola 111 tem um ou mais sensores remotos 112 incorporados ao mesmo, cujos sensores são acoplados comunicativamente diretamente ou indiretamente via aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos do aparelho agrícola 111 incluem tratores, colheitadeiras de grãos, colheitadeiras, semeadoras, caminhões, equipamento de fertilizante, veículos aéreos não tripulados e qualquer outro item de maquinário ou hardware físico, tipicamente maquinário móvel, e que possa ser usado em tarefas associadas com agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade dos sensores 112 que são acoplados localmente em uma rede no aparelho; rede de controle de área (CAN) é um exemplo de uma rede como esta que pode ser instalada em colheitadeiras de grãos ou colheitadeiras. O controlador de aplicação 114 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 por meio da(s) rede(s) 109 e é programado ou configurado para receber do sistema de computador de inteligência agrícola 130 um ou mais scripts para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, uma interface de barramento de rede de controle de área (CAN) pode ser usada para capacitar comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o CLIMATE FIELDVIEW DRIVE, disponível pela The Climate Corporation, São Francisco, Califórnia, é usado. Dados de sensor podem consistir do mesmo tipo de informação dos dados de campo 106.
[017] O aparelho 111 pode compreender um computador de cabine 115 que é programado com uma aplicação de cabine, a qual pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que é descrita adicionalmente em outras seções neste documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um tablet ou smartphone, com um mostrador de tela gráfica colorida que é montado dentro da cabine do operador do aparelho 111. O computador de cabine 115 pode implementar todas ou algumas das operações e funções que são descritas adicionalmente neste documento para o dispositivo de computação móvel 104.
[018] A(s) rede(s) 109 representa(m) de um modo geral qualquer combinação de uma ou mais redes de comunicação de dados incluindo redes de área local, redes de área estendida, interligações de redes ou internets, usando qualquer um de enlaces com fio ou sem fio, incluindo enlaces terrestres ou de satélites. A(s) rede(s) pode(m) ser implementada(s) por meio de qualquer mídia ou mecanismo que permita a troca de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter enlaces de comunicações diretos (com fio ou sem fio). Cada um dos sensores 112, o controlador 114, o computador servidor de dados externos 108 e outros elementos do sistema compreende uma interface compatível com a(s) rede(s) 109 e é programado ou configurado para usar protocolos padronizados para comunicação através das redes tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camadas mais altas tais como HTTP, TLS e outros mais.
[019] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber os dados de campo 106 do dispositivo de computação gerenciador de campos 104, os dados externos 110 do computador servidor de dados externos 108, e dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser configurado adicionalmente para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógicas programadas digitalmente tais como FPGAs ou ASICs, ou qualquer combinação dos mesmos para executar translação e armazenamento de valores de dados, construção de modelos digitais de uma ou mais safras em um ou mais campos, geração de recomendações e notificações, e geração e envio de scripts para o controlador de aplicação 114, no modo descrito adicionalmente em outras seções desta revelação.
[020] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, a camada de apresentação 134, a camada de gerenciamento de dados 140, a camada de hardware/virtualização 150 e o repositório de dados de modelos e de campos 160. “Camada”, neste contexto, se refere a qualquer combinação de circuitos eletrônicos de interfaces digitais, microcontroladores, firmwares tais como acionadores e/ou programas de computador ou outros elementos de software.
[021] A camada de comunicação 132 pode ser programada ou configurada para executar funções de conexão por meio de interface de entrada/saída incluindo enviar solicitações para o dispositivo de computação gerenciador de campos 104, o computador servidor de dados externos 108 e para o sensor remoto 112 para dados de campo, dados externos e dados de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados de modelos e de campos 160 para serem armazenados como os dados de campo 106.
[022] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação gerenciador de campos 104, no computador de cabine 115 ou em outros computadores que estejam acoplados ao sistema 130 por meio da rede 109. A GUI pode compreender controles para introduzir dados a serem enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações para modelos e/ou recomendações, e/ou exibir recomendações, notificações, modelos e outros dados de campo.
[023] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de gravação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e o repositório. Exemplos da camada de gerenciamento de dados 140 incluem JDBC, código de interface de servidor SQL e/ou código de interface HADOOP, dentre outros. O repositório 160 pode compreender uma base de dados. Tal como usado neste documento, o termo “base de dados” pode se referir a um acervo de dados, um sistema de gerenciamento de base de dados relacionais (RDBMS) ou a ambos. Tal como usado neste documento, uma base de dados pode compreender qualquer coleção de dados incluindo bases de dados hierárquicos, bases de dados relacionais, bases de dados de arquivos simples, bases de dados relacionais a objetos, bases de dados orientados a objetos e qualquer outra coleção estruturada de registros ou dados que seja armazenada em um sistema de computador. Exemplos de RDBMSs incluem, mas não estão limitados a isto, ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e bases de dados POSTGRESQL. Entretanto, qualquer base de dados que capacite os sistemas e métodos descritos neste documento pode ser usada.
[024] Quando os dados de campo 106 não são fornecidos diretamente para o sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser orientado por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) para introduzir tal informação. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionar CLUs específicas que tenham sido mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhar limites do campo sobre o mapa. Tal seleção de CLU ou desenhos de mapas representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação ao acessar dados de identificação de campo (fornecidos como arquivos de formas ou em um formato similar) da Agência de Serviços Agrícolas do Departamento de Agricultura dos EUA ou de outra fonte por meio do dispositivo de usuário e fornecer tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[025] Em uma modalidade de exemplo, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar exibição de uma interface gráfica de usuário compreendendo um gerenciador de dados para entrada de dados. Após um ou mais campos terem sido identificados usando os métodos descritos anteriormente, o gerenciador de dados pode fornecer um ou mais símbolos gráficos de interface gráfica de usuário que quando selecionados podem identificar mudanças para o campo, solo, safras, lavoura ou práticas de nutrientes. O gerenciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha e/ou um ou mais programas editáveis.
[026] A figura 9 representa uma modalidade de exemplo de uma vista de linha de tempo para entrada de dados. Usando a exibição representada na figura 9, um computador de usuário pode introduzir uma seleção de um campo particular e uma data particular para a adição de evento. Eventos representados na parte superior da linha de tempo incluem Nitrogênio, Plantio, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer entrada para selecionar a aba de nitrogênio. O computador de usuário pode então selecionar uma localização na linha de tempo para um campo particular a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta a receber uma seleção de uma localização na linha de tempo para um campo particular, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário introduza dados relativos às aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outra informação se relacionando com o campo particular. Por exemplo, se um computador de usuário selecionar uma parte da linha de tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para introduzir uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e qualquer outra informação relacionada com a aplicação de nitrogênio.
[027] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. “Programa”, neste contexto, se refere a um conjunto de dados relativos às aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outra informação que possa estar relacionada com um ou mais campos, e que possa ser armazenada em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após um programa ter sido criado, ele pode ser aplicado conceitualmente para um ou mais campos e referências para o programa podem ser armazenadas em armazenamento digital em associação com dados identificando os campos. Assim, em vez de introduzir manualmente dados idênticos se relacionando com as mesmas aplicações de nitrogênio para múltiplos campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação particular de nitrogênio e então aplicar o programa para múltiplos campos diferentes. Por exemplo, na vista de linha de tempo da figura 9, as duas linhas de tempo superiores têm o programa “Aplicado no outono” selecionado, o qual inclui uma aplicação de 150 lb (68,04 kg) N/ac no começo de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é editado, cada campo que tem o programa particular selecionado é editado. Por exemplo, na figura 9, se o programa “Aplicado no outono” for editado para reduzir a aplicação de nitrogênio para 130 lb (58,97 kg) N/ac, os dois campos superiores podem ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[028] Em uma modalidade, em resposta a receber edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 9, a interface pode atualizar para indicar que o programa “Aplicado no outono” não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no começo de abril possa permanecer, atualizações para o programa “Aplicado no outono” não alteraria a aplicação de nitrogênio de abril.
[029] A figura 10 representa uma modalidade de exemplo de uma vista de planilha para entrada de dados. Usando a exibição representada na figura 10, um usuário pode criar e editar informação para um ou mais campos. O gerenciador de dados pode incluir planilhas para introduzir informação em relação a Nitrogênio, Plantio, Práticas e Solo tal como representado na figura 10. Para editar uma entrada particular, um computador de usuário pode selecionar a entrada particular na planilha e atualizar os valores. Por exemplo, a figura 10 representa uma atualização em andamento para um valor de produção alvo para o segundo campo. Adicionalmente, um computador de usuário pode selecionar um ou mais campos a fim de aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as entradas para o campo particular com base no programa selecionado. Tal como com a vista de linha de tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa particular em resposta a receber uma atualização para o programa. Adicionalmente, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta a receber uma edição para uma das entradas para o campo.
[030] Em uma modalidade, dados de modelos e de campos são armazenados no repositório de dados de modelos e de campos 160. Modelo compreende modelos de dados criados para um ou mais campos. Por exemplo, um modelo de safra pode incluir um modelo construído digitalmente do desenvolvimento de uma safra no um ou mais campos. “Modelo”, neste contexto, se refere a um conjunto eletrônico armazenado digitalmente de instruções executáveis e valores de dados, associados uns com os outros, os quais são capazes de receber e responder a uma chamada, invocação ou solicitação programática ou outra digital para resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como a base de recomendações implementadas por computador, exibições de dados de saída ou controle de máquina, dentre outras coisas. Pessoas com conhecimento profissional no campo consideram como conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos revelados neste documento a conceitos abstratos; em vez disto, cada modelo neste documento tem uma aplicação prática em um computador na forma de instruções e dados executáveis armazenados que implementam o modelo usando o computador. O modelo pode incluir um modelo de eventos passados no um ou mais campos, um modelo do status corrente do um ou mais campos e/ou um modelo de eventos preditos no um ou mais campos. Dados de modelos e de campos podem ser armazenados em estruturas de dados em memória, linhas em uma tabela de base de dados, em arquivos simples ou planilhas, ou em outras formas de dados digitais armazenados.
[031] A camada de hardware/virtualização 150 compreende uma ou mais unidades centrais de processamento (CPUs), controladores de memória, e outros dispositivos, componentes ou elementos de um sistema de computador tais como memória volátil ou não volátil, armazenamento não volátil tal como disco, e dispositivos ou interfaces de entrada/saída tais como ilustrados e descritos, por exemplo, em conexão com a figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização, ou outras tecnologias.
[032] Para o propósito de ilustrar um exemplo claro, a figura 1 mostra um número limitado de instâncias de certos elementos funcionais. Entretanto, em outras modalidades, pode existir qualquer número de tais elementos. Por exemplo, modalidades podem usar milhares ou milhões de dispositivos de computação móveis 104 diferentes associados com usuários diferentes. Adicionalmente, o sistema 130 e/ou o computador servidor de dados externos 108 podem ser implementados usando dois ou mais processadores, núcleos, agrupamentos (clusters) ou instâncias de máquinas físicas ou máquinas virtuais, configurados em uma localização distinta ou localizados juntamente com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem. 2.2. VISTA GERAL DE PROGRAMA DE APLICAÇÃO
[033] Em uma modalidade, a implementação das funções descritas neste documento usando um ou mais programas de computador, ou outros elementos de software que são carregados e executados usando um ou mais computadores de uso geral, induzirá os computadores de uso geral para serem configurados como uma máquina particular ou como um computador que é adaptado especialmente para executar as funções descritas neste documento. Adicionalmente, cada um dos fluxogramas que são descritos adicionalmente neste documento pode servir, sozinho ou em combinação com as descrições de processos e funções expostos neste documento, como algoritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto exposto neste documento e todas as figuras conjuntamente são pretendidos para fornecer revelação de algoritmos, planos ou direções que são suficientes para permitir que uma pessoa qualificada programe um computador para executar as funções que são descritas neste documento, em combinação com o conhecimento profissional e conhecimento de uma pessoa como esta, considerando o nível de conhecimento profissional que é apropriado para invenções e revelações deste tipo.
[034] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação gerenciador de campos 104 configurado com um sistema operacional e um ou mais programas de aplicação ou aplicações; o dispositivo de computação gerenciador de campos 104 também pode operar em conjunto com o sistema de computador de inteligência agrícola independentemente e automaticamente sob controle de programa ou controle lógico e interação de usuário direta nem sempre é exigida. O dispositivo de computação gerenciador de campos 104 de um modo geral representa um ou mais de um smartphone, PDA, tablet, laptop, computador de mesa, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informação e executar as funções descritas neste documento. O dispositivo de computação gerenciador de campos 104 pode se comunicar por meio de uma rede usando uma aplicação móvel armazenada no dispositivo de computação gerenciador de campos 104, e em algumas modalidades o dispositivo pode ser acoplado usando um cabo 113 ou conector ao sensor 112 e/ou ao controlador 114. Um usuário particular 102 pode possuir, operar ou controlar e usar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campos 104 em um tempo.
[035] A aplicação móvel pode fornecer funcionalidade de lado cliente, por meio da rede para um ou mais dispositivos de computação móveis. Em uma modalidade de exemplo, o dispositivo de computação gerenciador de campos 104 pode acessar a aplicação móvel por meio de um navegador de rede ou de uma aplicação local de cliente. O dispositivo de computação gerenciador de campos 104 pode transmitir dados para um ou mais servidores de lado cliente e receber dados dos mesmos, usando protocolos ou formatos baseados em rede tais como HTTP, XML e/ou JSON, ou protocolos específicos de aplicações. Em uma modalidade de exemplo, os dados podem ter a forma de solicitações e informação de entrada de usuário, tais como dados de campo, para o dispositivo de computação móvel. Em algumas modalidades, a aplicação móvel interage com hardware e software de rastreamento de localização no dispositivo de computação gerenciador de campos 104 que determina a localização do dispositivo de computação gerenciador de campos 104 usando técnicas de rastreamento padrões tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados com o dispositivo 104, o usuário 102 e/ou com conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispositivo ou ao solicitar uma aplicação no dispositivo para obter dados do sistema operacional.
[036] Em uma modalidade, o dispositivo de computação gerenciador de campos 104 envia os dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não limitado a isto, valores de dados representando um ou mais de: uma localização geográfica do um ou mais campos, informação de lavoura para o um ou mais campos, culturas plantadas no um ou mais campos e dados de solo extraídos do um ou mais campos. O dispositivo de computação gerenciador de campos 104 pode enviar os dados de campo 106 em resposta à entrada de usuário do usuário 102 especificando os valores de dados para o um ou mais campos. Adicionalmente, o dispositivo de computação gerenciador de campos 104 pode enviar automaticamente os dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação gerenciador de campos 104. Por exemplo, o dispositivo de computação gerenciador de campos 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou ao controlador de aplicação 114. Em resposta a receber dados indicando que o controlador de aplicação 114 liberou água para o um ou mais campos, o dispositivo de computação gerenciador de campos 104 pode enviar os dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando que água foi liberada para o um ou mais campos. Os dados de campo 106 identificados nesta revelação podem ser introduzidos e transmitidos usando dados digitais eletrônicos que são transmitidos entre dispositivos de computação usando URLs parametrizados em HTTP, ou um outro protocolo de comunicação ou de mensagens adequado.
[037] Um exemplo comercial da aplicação móvel é a CLIMATE FIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia. A aplicação CLIMATE FIELDVIEW, ou outras aplicações, pode ser modificada, estendida ou adaptada para incluir recursos, funções e programação que não tenham sido revelados antes da data de depósito desta revelação. Em uma modalidade, a aplicação móvel compreende uma plataforma de software integrada que permite a um agricultor tomar decisões baseadas em fatos para sua operação porque ela combina dados históricos a respeito dos campos do agricultor com quaisquer outros dados que o agricultor deseja comparar. As combinações e comparações podem ser executadas em tempo real e são baseadas em modelos científicos que fornecem potenciais cenários para permitir que o agricultor tome decisões estando mais bem informado.
[038] A figura 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções em memória principal quando uma aplicação móvel de exemplo é carregada para execução. Na figura 2, cada elemento identificado representa uma região de uma ou mais páginas de RAM ou de outra memória principal, ou um ou mais blocos de armazenamento de disco ou de outro armazenamento não volátil, e as instruções programadas dentro dessas regiões. Em uma modalidade, na vista (a), uma aplicação de computador móvel 200 compreende as instruções de conta- campos-ingestão de dados-compartilhamento 202, as instruções de vista geral e de alertas 204, as instruções de livro de mapas digitais 206, as instruções de sementes e de plantio 208, as instruções de nitrogênio 210, as instruções meteorológicas 212, as instruções de saúde de campo 214 e as instruções de desempenho 216.
[039] Em uma modalidade, uma aplicação de computador móvel 200 compreende as instruções de conta-campos-ingestão de dados-compartilhamento 202 que são programadas para receber, transladar e ingerir dados de campo provenientes de sistemas de entidades externas via transferência manual ou APIs. Tipos de dados podem incluir limites de campo, mapas de produção, mapas tais como plantados, resultados de testes de solo, mapas tais como aplicados e/ou zonas de gerenciamento, dentre outros. Formatos de dados podem incluir arquivos de formas, formatos de dados naturais de entidades externas e/ou exportações de sistema de informação de gerenciamento de fazenda (FMIS), dentre outros. Recebimento de dados pode ocorrer via transferência manual, e-mail com anexo, APIs externas que empurram dados para a aplicação móvel, ou instruções que chamam APIs de sistemas externos para puxar dados para a aplicação móvel. Em uma modalidade, a aplicação de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta a receber uma seleção da caixa de entrada de dados, a aplicação de computador móvel 200 pode exibir uma interface gráfica de usuário para transferir manualmente arquivos de dados e importar arquivos transferidos para um gerenciador de dados.
[040] Em uma modalidade, as instruções de livro de mapas digitais 206 compreendem camadas de dados de mapas de campos armazenadas em memória de dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isto provê agricultores com informação conveniente muito próxima para referência, login e critérios visuais para desempenho de campo. Em uma modalidade, as instruções de vista geral e de alertas 204 são programadas para fornecer uma vista ampla de operação do que é importante para o agricultor, e recomendações na hora certa para executar ação ou focalizar em problemas particulares. Isto permite ao agricultor focalizar a tempo no que precisa atenção, para economizar tempo e preservar produção por toda a estação. Em uma modalidade, as instruções de sementes e de plantio 208 são programadas para fornecer ferramentas para seleção de semente, colocação de híbrido e criação de script, incluindo criação de script de taxa variável (VR), com base em modelos científicos e dados empíricos. Isto capacita agricultores para maximizar produção ou retorno de investimento por meio de compra, colocação e população de sementes otimizadas.
[041] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface capacita agricultores para criar scripts para implementos de campo, tais como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, a aplicação de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tais como as camadas de dados de mapas de campos criadas como parte das instruções de livro de mapas digitais 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de terra junto com um painel identificando cada zona de terra e um nome de terra, textura e drenagem para cada zona, ou outros dados de campo. A aplicação de computador móvel 200 também pode exibir ferramentas para edição ou criação, tais como ferramentas gráficas para desenhar zonas de gerenciamento, tais como zonas de terra, em um mapa de um ou mais campos. Procedimentos de plantio podem ser aplicados para todas as zonas de gerenciamento ou procedimentos de plantio diferentes podem ser aplicados para subconjuntos diferentes de zonas de gerenciamento. Quando um script é criado, a aplicação de computador móvel 200 pode tornar o script disponível para download em um formato legível por um controlador de aplicação, tal como um formato arquivado ou compactado. Adicionalmente e/ou alternativamente, um script pode ser enviado diretamente para o computador de cabine 115 pela aplicação de computador móvel 200 e/ou transferido para um ou mais servidores de dados e armazenado para uso adicional.
[042] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar a respeito de decisões de nitrogênio ao visualizar a disponibilidade de nitrogênio para safras. Isto capacita agricultores para maximizar produção ou retorno de investimento por meio de aplicação de nitrogênio otimizada durante a estação. Funções programadas de exemplo incluem exibir imagens tais como imagens SSURGO para capacitar desenho de zonas de aplicação e/ou imagens geradas de dados de solo de subcampo, tais como dados obtidos de sensores, em uma resolução espacial alta (tão refinada quanto 10 metros ou menos por causa de sua proximidade para o solo); transferência de zonas definidas por agricultor existentes; fornecer um gráfico de aplicação e/ou um mapa para capacitar aplicação(s) de ajuste de nitrogênio através de múltiplas zonas; produção de scripts para acionar maquinário; ferramentas para entrada e ajuste de dados de massa; e/ou mapas para visualização de dados, dentre outros. “Entrada de dados de massa”, neste contexto, pode significar introduzir dados uma vez e então aplicar os mesmos dados para múltiplos campos que tenham sido definidos no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo agricultor, mas tal entrada de dados de massa aplica à entrada de qualquer tipo de dados de campo para a aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e de práticas de nitrogênio e para aceitar entrada de usuário especificando aplicar esses programas através de múltiplos campos. “Programas de plantio de nitrogênio”, neste contexto, se referem a um conjunto de dados nomeados e armazenados que associam: um nome, código de cores ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação tal como injetado ou por corte, e/ou quantidades ou taxas de aplicação para cada uma das datas, safra ou híbrido que é submetido à aplicação, dentre outros. “Programas de práticas de nitrogênio”, neste contexto, se referem a um conjunto de dados nomeados e armazenados que associam: um nome de prática; uma safra anterior; um sistema de lavoura; uma data de lavoura primariamente; um ou mais sistemas de lavouras anteriores que foram usados; um ou mais indicadores de tipo de aplicação, tal como adubo, que foram usados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar exibição de um gráfico de nitrogênio, o qual indica projeções de uso de planta do nitrogênio especificado e se um excedente ou déficit é predito; em algumas modalidades, indicadores coloridos diferentes podem sinalizar uma magnitude do excedente ou magnitude do déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador compreendendo uma pluralidade de linhas, cada linha associada com um campo e identificando o mesmo; dados especificando que lavoura está plantada no campo, o tamanho de campo, a localização de campo e uma representação gráfica do perímetro de campo; em cada linha, uma linha de tempo por mês com indicadores gráficos especificando cada aplicação de nitrogênio e quantidade em pontos correlacionados aos nomes de meses; e indicadores numéricos e/ou coloridos de excedente ou déficit, nos quais cor indica magnitude.
[043] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada de usuário, tais como mostradores ou controles deslizantes, para mudar dinamicamente os programas de plantio e de práticas de nitrogênio de maneira que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e de práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar exibição de um mapa de nitrogênio, o qual indica projeções de uso de planta do nitrogênio especificado e se um excedente ou déficit é predito; em algumas modalidades, indicadores coloridos diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de nitrogênio pode exibir projeções de uso de planta do nitrogênio especificado e se um excedente ou déficit é predito para períodos diferentes no passado e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) usando indicadores numéricos e/ou coloridos de excedente ou déficit, nos quais cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada de usuário, tais como mostradores ou controles deslizantes, para mudar dinamicamente os programas de plantio e de práticas de nitrogênio de maneira que um usuário possa otimizar seu mapa de nitrogênio, tal como para obter uma quantidade preferida de excedente para déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de plantio e de práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções similares às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (tais como fósforo e potássio), aplicação de pesticida e programas de irrigação.
[044] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos de campo e informação meteorológica prevista. Isto capacita agricultores para economizar tempo e ter uma exibição integrada eficiente em relação às decisões operacionais diárias.
[045] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer na hora certa imagens de detecção remota destacando variação de safra na estação e potenciais preocupações. Funções programadas de exemplo incluem verificação de nuvens, para identificar possíveis nuvens ou sombreados de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de exploração, incluindo, por exemplo, aquelas relacionadas com saúde de campo, e observação e/ou compartilhamento de notas de exploração; e/ou download de imagens de satélite de múltiplas fontes e priorizando as imagens para o agricultor, dentre outros.
[046] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de compreensão usando dados da fazenda para avaliação, critérios e decisões. Isto capacita o agricultor para procurar resultados aperfeiçoados para o próximo ano por meio de conclusões baseadas em fatos a respeito de porquê retorno de investimento esteve em níveis anteriores, e compreensão para fatores limitantes de produção. As instruções de desempenho 216 podem ser programadas para se comunicar por meio da(s) rede(s) 109 com programas analíticos de lado servidor executados no sistema de computador de inteligência agrícola 130 e/ou no computador servidor de dados externos 108 e configurados para analisar métricas tais como produção, híbrido, população, SSURGO, testes de solo ou elevação, dentre outros. Relatórios e análises programados podem incluir análise de variabilidade de produção, análise comparativa (benchmarking) de produção e outras métricas contra outros agricultores com base em dados coletados anônimos de muitos agricultores, ou dados para sementes e plantio, dentre outros.
[047] Aplicações tendo instruções configuradas deste modo podem ser implementadas para plataformas de dispositivos de computação diferentes enquanto que mantendo a mesma aparência de interface usuário comum. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, smartphones ou em computadores servidores que são acessados usando navegadores em computadores clientes. Adicionalmente, a aplicação móvel tal como configurada para tablets ou smartphones pode fornecer uma experiência de aplicação completa ou uma experiência de aplicação de cabine que é adequada para as capacidades de exibição e de processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da figura 2, em uma modalidade uma aplicação de computador de cabine 220 pode compreender as instruções de mapas-cabine 222, as instruções de vistas remotas 224, as instruções de coleta e transferência de dados 226, as instruções de alertas de máquina 228, as instruções de transferência de script 230 e as instruções de exploração-cabine 232. A base de código para as instruções da vista (b) pode ser a mesma da vista (a) e executáveis implementando o código podem ser programados para detectar o tipo de plataforma na qual eles estão executando e para expor, por meio de uma interface gráfica de usuário, somente aquelas funções que são apropriadas para uma plataforma de cabine ou para uma plataforma completa. Esta abordagem capacita o sistema para reconhecer distintamente a experiência de usuário diferente que é apropriada para um ambiente de cabine e o ambiente de tecnologia diferente da cabine. As instruções de mapas- cabine 222 podem ser programadas para fornecer vistas de mapas de campos, fazendas ou regiões que são úteis ao direcionar operação de máquina. As instruções de vistas remotas 224 podem ser programadas para ligar, gerenciar e fornecer vistas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e outros mais. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores de máquina para o sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e outros mais. As instruções de alertas de máquina 228 podem ser programadas para detectar questões com operações da máquina ou ferramentas que estão associadas com a cabine e gerar alertas para operador. As instruções de transferência de script 230 podem ser configuradas para transferir em scripts instruções que são configuradas para direcionar operações de máquina ou a coleta de dados. As instruções de exploração-cabine 232 podem ser programadas para exibir alertas baseados em localização e informação recebida do sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo e ingerir, gerenciar e fornecer transferência de observações de exploração baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo. 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[048] Em uma modalidade, o computador servidor de dados externos 108 armazena os dados externos 110, incluindo dados de solo representando composição de solo para o um ou mais campos e dados meteorológicos representando temperatura e precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes assim como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composições de solos enquanto que um segundo servidor pode incluir dados meteorológicos. Adicionalmente, dados de composições de solos podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados representando porcentagem de areia, de silte e de argila no solo enquanto que um segundo servidor pode armazenar dados representando porcentagem de matéria orgânica (OM) no solo.
[049] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plantio, sensores de lavoura, sensores de aplicação de fertilizante ou de inseticida, sensores de colheitadeiras, e qualquer outro implemento capaz de receber dados do um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantio, equipamento de lavoura, equipamento de fertilizante ou de inseticida, equipamento de colheita, ou outros implementos de fazenda tais como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[050] O sistema 130 pode obter ou ingerir dados sob controle do usuário 102, em uma base de massa de um grande número de agricultores que tenham contribuído com dados para um sistema de base de dados compartilhado. Esta forma de obter dados pode ser denominada de “ingestão de dados manual” à medida que uma ou mais operações de computador controladas por usuário são solicitadas ou ativadas para obter dados para uso pelo sistema 130. Como um exemplo, a aplicação CLIMATE FIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório 160.
[051] Por exemplo, sistemas de monitoramento de sementes podem controlar tanto componentes de aparelho semeador quanto obter dados de plantio, incluindo sinais de sensores de sementes por meio de um feixe de fios de sinais que compreende uma rede principal CAN e conexões ponto a ponto para registro e/ou diagnósticos. Sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de semente, população e outra informação para o usuário por meio do computador de cabine 115 ou de outros dispositivos dentro do sistema 130. Exemplos são revelados na patente US 8.738.243 e na publicação de patente US 20150094916, e a presente revelação assume conhecimento dessas outras revelações de patentes.
[052] Igualmente, sistemas de monitoramento de produção podem conter sensores de produção para aparelho de colheita que enviam dados de medição de produção para o computador de cabine 115 ou para outros dispositivos dentro do sistema 130. Sistemas de monitoramento de produção podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grão em uma colheitadeira de grãos ou em outra colheitadeira e transmitir estas medições para o usuário por meio do computador de cabine 115 ou de outros dispositivos dentro do sistema 130.
[053] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com qualquer veículo ou aparelho móvel do tipo descrito em outro lugar neste documento incluem sensores cinemáticos e sensores de posição. Sensores cinemáticos podem compreender qualquer um de sensores de velocidade tais como radar ou sensores de velocidades de rodas, acelerômetros ou giroscópios. Sensores de posição podem compreender receptores ou transceptores GPS, ou aplicações de posicionamento ou de mapeamento baseadas em WiFi que são programadas para determinar localização com base em pontos de acesso WiFi próximos a uma rede, dentre outros.
[054] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com tratores ou outros veículos móveis incluem sensores de velocidade de motor, sensores de consumo de combustível, contadores de áreas ou contadores de distâncias que interagem com sinais GPS ou de radar, sensores de velocidade PTO (tomada de força), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos tais como pressão ou fluxo e/ou velocidade de bomba hidráulica, sensores de velocidades de rodas ou sensores de deslizamento de rodas. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidades de bombas hidráulicas; controladores ou reguladores de velocidades; controladores de posicionamento de obstáculos; ou controladores de posicionamento de rodas que fornecem direção automática.
[055] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com equipamento de plantio de sementes tais como semeadoras, perfuradoras ou semeadoras a ar incluem sensores de semente, os quais podem ser sensores óticos, eletromagnéticos ou de impacto; sensores de forças para baixo tais como pinos de carga, células de carga, sensores de pressão; sensores de propriedades de solo tais como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduo ótico ou sensores de temperatura; sensores de critérios de operação de componente tais como sensores de profundidade de plantio, sensores de pressão de cilindro de força para baixo, sensores de velocidade de disco de sementes, codificadores de motor de acionamento de sementes, sensores de velocidade de sistema transportador de sementes ou sensores de nível a vácuo; ou sensores de aplicação de pesticida tais como sensores óticos ou outros eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: controladores de dobramento de barra de ferramentas, tais como controladores para válvulas associadas com cilindros hidráulicos; controladores de forças para baixo, tais como controladores para válvulas associadas com cilindros pneumáticos, airbags ou cilindros hidráulicos, e programadas para aplicar força para baixo às unidades de fileiras individuais ou a uma armação de semeadora total; controladores de profundidade de plantio, tais como acionadores lineares; controladores de medição, tais como motores de acionamento de dosadores de sementes elétricos, motores de acionamento de dosadores de sementes hidráulicos, ou embreagens de controle de fileira; controladores de seleção de híbrido, tais como motores de acionamento de dosadores de sementes, ou outros acionadores programados para seletivamente permitir ou impedir que semente ou uma mistura ar-semente seja entregue para ou de dosadores de sementes ou de tremonhas de volume central; controladores de medição, tais como motores de acionamento de dosadores de sementes elétricos, ou motores de acionamento de dosadores de sementes hidráulicos; controladores de sistema transportador de sementes, tais como controladores para um motor de transportador de correia de entrega de sementes; controladores de marcadores, tais como um controlador para um acionador pneumático ou hidráulico; ou controladores de taxas de aplicação de pesticidas, tais como controladores de acionamento de medição, controladores de tamanhos ou posições de orifícios.
[056] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas tais como hastes ou discos; sensores de posição de ferramenta para tais ferramentas que são configurados para detectar profundidade, ângulo de ferramentas que trabalham em conjunto ou espaçamento lateral; sensores de forças para baixo; ou sensores de força de arrasto. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de forças para baixo ou controladores de posições de ferramentas, tais como controladores configurados para controlar profundidade de ferramenta, ângulo de ferramentas que trabalham em conjunto ou espaçamento lateral.
[057] Em uma modalidade, exemplos dos sensores 112 que podem ser usados em relação ao aparelho para aplicar fertilizante, inseticida, fungicida e outros mais, tais como sistemas fertilizantes iniciadores em semeadora, aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistema de fluido, tais como sensores de fluxo ou sensores de pressão; sensores indicando quais válvulas de cabeça de pulverização ou válvulas de linha de fluido estão abertas; sensores associados com tanques, tais como sensores de nível de enchimento; sensores de linhas de fornecimento seccionais ou de sistema total, ou sensores de linhas de fornecimento específicas de fileiras; ou sensores cinemáticos tais como acelerômetros dispostos em lanças pulverizadoras. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidades de bombas; controladores de válvulas que são programados para controlar pressão, fluxo, direção, PWM e outros mais; ou acionadores de posições, tais como para altura de lança, profundidade de escavador ou posição de lança.
[058] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com colheitadeiras incluem monitores de produção, tais como medidores de deformações de placas de impacto ou sensores de posição, sensores de fluxos capacitivos, sensores de carga, sensores de peso, ou sensores de torque associados com elevadores ou roscas transportadoras, ou sensores óticos ou outros sensores eletromagnéticos de alturas de grãos; sensores de umidade de grãos, tais como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, óticos ou capacitivos; sensores de critérios de operação de cabeça de colheita tais como altura de cabeça, tipo de cabeça, folga de placa, velocidade de alimentador, e sensores de velocidade de tambor; sensores de critérios de operação de separador, tais como folga côncava, velocidade de rotor, folga de sapata, ou sensores de folga de debulhador; sensores de rosca transportadora para posição, operação ou velocidade; ou sensores de velocidade de motor. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios de operação de cabeça de colheita para elementos tais como altura de cabeça, tipo de cabeça, folga de placa, velocidade de alimentador, ou velocidade de tambor; controladores de critérios de operação de separador para recursos tais como folga côncava, velocidade de rotor, folga de sapata, ou folga de debulhador; ou controladores para posição, operação ou velocidade de rosca transportadora.
[059] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade de rosca transportadora. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação, ou velocidade de rosca transportadora.
[060] Em uma modalidade, exemplos dos sensores 112 e dos controladores 114 podem ser instalados em aparelhos de veículos aéreos não tripulados (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores efetivos para qualquer faixa do espectro eletromagnético incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e outros mais; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de pitot ou outros sensores de velocidade em relação ao ar ou de velocidade de vento; sensores de vida de bateria; ou emissores de radar e aparelho de detecção de energia refletida por radar. Tais controladores podem incluir aparelho de guia ou de controle de motor, controladores de superfícies de controle, controladores de câmeras, ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores indicados anteriormente. Exemplos são revelados no pedido de patente US 14/831.165 e a presente revelação assume conhecimento dessa outra revelação de patente.
[061] Em uma modalidade, os sensores 112 e os controladores 114 podem ser fixados ao aparelho de amostragem e de medição de solo que é configurado ou programado para recolher amostras de solo e executar testes químicos de solo, testes de umidade de solo e outros testes relativos ao solo. Por exemplo, o aparelho revelado na patente US 8.767.194 e na patente US 8.712.148 pode ser usado, e a presente revelação assume conhecimento dessas revelações de patentes. 2.4 VISTA GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO
[062] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema de computador de inteligência agrícola 130 que compreende os dados de campo 106, tais como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem condições que podem afetar o crescimento de uma ou mais plantações em um campo, ou propriedades da uma ou mais plantações ou ambas. Adicionalmente, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos tais como recomendações de safra, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados com safra, tais como produção agronômica. A produção agronômica de uma safra é uma estimativa de quantidade da safra que é produzida, ou em alguns exemplos da receita ou lucro obtido com a safra produzida.
[063] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas com informação de localização e de safra recebida correntemente para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo processados anteriormente, incluindo, mas não limitado a isto, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de forma cruzada para assegurar precisão do modelo. Validação cruzada pode incluir comparação para fundamentar precisão, a qual compara resultados preditos com resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um medidor de chuva na mesma localização ou uma estimativa de conteúdo de nitrogênio com uma medição de amostra de solo.
[064] A figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados de campo fornecidos por uma ou mais fontes de dados. A figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para executar as operações que são descritas agora.
[065] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar pré-processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para o propósito de remover efeitos de ruído e distorções dentro dos dados agronômicos incluindo valores discrepantes medidos que predisporiam valores de dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a isto, remover valores de dados associados comumente com valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos não necessariamente para distorcer outros valores de dados, técnicas de uniformização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtragem ou de derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas.
[066] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para executar seleção de subconjunto de dados usando os dados de campo pré-processados a fim de identificar conjuntos de dados úteis para geração de modelo agronômico inicial. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, mas não limitado a isto, um método de algoritmo genético, um método de modelos de todos os subconjuntos, um método de pesquisa sequencial, um método de regressão de forma gradual, um método de otimização de grupo de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de pesquisa heurístico adaptativo, com base em princípios evolucionários de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré- processados.
[067] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado ao criar um modelo agronômico e usar limiares de qualidade específicos para o modelo agronômico criado. Modelos agronômicos podem ser comparados usando técnicas de validação cruzada incluindo, mas não limitadas a isto, validação cruzada de raiz do erro quadrático médio de deixar um de fora (RMSECV), erro absoluto médio e erro de porcentagem média. Por exemplo, RMSECV pode validar de forma cruzada modelos agronômicos ao comparar valores de propriedades agronômicas preditos criados pelo modelo agronômico com valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de avaliação de conjuntos de dados agronômicos é usada como um laço de realimentação onde conjuntos de dados agronômicos que não satisfazem limiares de qualidade configurados são usados durante futuras etapas de seleção de subconjuntos de dados (bloco 310).
[068] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, criação de modelo agronômico pode implementar técnicas de regressão de múltiplas variáveis para criar modelos de dados agronômicos pré-configurados.
[069] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futura avaliação de dados de campo. 2.5. SUBSISTEMA DE PREVISÃO DE RENDIMENTO DE SAFRA DE NÍVEL DE CAMPO
[070] Em uma modalidade, o sistema de computador de inteligência agrícola 130, dentre outros componentes, inclui um subsistema de previsão de rendimento de safra de nível de campo 170. O subsistema de previsão de rendimento de safra de nível de campo 170 é configurado para predizer rendimentos de safras específicos de campos durante a estação de crescimento com base em pontos de dados de covariáveis calculados até uma data de observação específica. Dados de covariáveis se referem às variáveis independentes que podem ser usadas ao prever rendimentos de safras. Neste contexto, os dados de covariáveis se referem a registros de dados agrícolas agregados que incluem registros de dados relacionados com sinais detectados remotamente e dados de umidade de solo para uma geolocalização específica durante um período de tempo específico. O sistema de computação de inteligência agrícola 130 pode usar previsões de rendimentos de safras de nível de campo feitas pelo subsistema de previsão de rendimento de safra de nível de campo 170 para criar um ou mais scripts para um ou mais controladores de aplicações. Por exemplo, o sistema de computação de inteligência agrícola 130 pode usar as previsões de rendimentos de safras de nível de campo para programar equipamento de plantio e de colheita assim como outro equipamento de cultivo de terra usado para manter crescimento de plantação durante a estação de crescimento.
[071] Em uma modalidade, o subsistema de previsão de rendimento de safra de nível de campo 170 contém lógica configurada especialmente incluindo, mas não limitada a isto, as instruções de agregação de registros de dados 171, as instruções de regressão linear 172, as instruções de regressão linear de mistura 173, as instruções de geração de distribuição 174 e as instruções de estimativa de rendimento de safra 175, compreendendo instruções executáveis carregadas em um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 que, quando executadas, induzem o sistema de computador de inteligência agrícola 130 para executar as funções ou operações que são descritas neste documento com referência para esses módulos. Por exemplo, as instruções de agregação de registros de dados 171 podem compreender instruções executáveis carregadas em um conjunto de páginas na RAM que contêm instruções que, quando executadas, causam execução das funções de consultor de fertilidade que são descritas neste documento. As instruções podem ser em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base em código fonte gravado em JAVA, C, C++, OBJECTIVE-C, ou em qualquer outra linguagem ou ambiente de programação legível por ser humano, sozinha ou em combinação com scripts em JAVASCRIPT, outras linguagens escritas e outro texto de fonte de programação. O termo “páginas” é pretendido para se referir de um modo geral a qualquer região dentro de memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura de memória ou da arquitetura de processador. Em uma outra modalidade, cada uma de as instruções de agregação de registros de dados 171, as instruções de regressão linear 172, as instruções de regressão linear de mistura 173, as instruções de geração de distribuição 174 e as instruções de estimativa de rendimento de safra 175 também pode representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento de massa tal como RAM não volátil ou armazenamento de disco, no sistema de computador de inteligência agrícola 130 ou em um sistema de repositório separado, o que quando compilado ou interpretado causa geração de instruções executáveis que, quando executadas, induzem o sistema de computador de inteligência agrícola 130 para executar as funções ou operações que são descritas neste documento com referência para esses módulos. Em outras palavras, a figura pode representar o modo no qual programadores ou desenvolvedores de softwares organizam e arranjam código fonte para compilação mais tarde em um executável, ou interpretação em código de bytes ou no equivalente, para execução pelo o sistema de computador de inteligência agrícola 130. As instruções executáveis em memória, ou o código fonte armazenado, especificadas neste parágrafo são exemplos de “módulos”, tal como esse termo é usado nesta revelação.
[072] As instruções de agregação de registros de dados 171 fornecem instruções para executar agregação de registros de dados agrícolas em uma ou mais séries temporais geoespecíficas, onde uma série temporal geoespecífica contém valores de dados agrícolas para uma geolocalização específica durante um período de tempo especificado. As instruções de regressão linear 172 fornecem instruções para criar um modelo de regressão linear que modela a relação entre dados derivados de registros de dados agrícolas e rendimento de safra de cereal. As instruções de regressão linear de mistura 173 fornecem instrução para criar um modelo de regressão linear de mistura, onde um modelo de regressão linear de mistura é uma compilação de múltiplos modelos de regressões lineares onde os múltiplos modelos de regressões lineares são designados com um valor de probabilidade para seus parâmetros de regressão associados. As instruções de geração de distribuição 174 fornecem instrução para determinar valores de distribuição específicos para parâmetros de regressão linear. As instruções de estimativa de rendimento de safra 175 fornecem instruções para estimar rendimento de safra específico de campo de final de estação em um dia específico com base em dados de série temporal geoespecífica e em um modelo de regressão linear. 2.6. EXEMPLO DE IMPLEMENTAÇÃO - VISTA GERAL DE HARDWARE
[073] De acordo com uma modalidade, as técnicas descritas neste documento são implementadas por meio de um ou mais dispositivos de computação de uso especial. Os dispositivos de computação de uso especial podem ser conectados fisicamente para executar as técnicas, ou podem incluir dispositivos eletrônicos digitais tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou matrizes de portas programáveis em campo (FPGAs) que são programados persistentemente para executar as técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com instruções de programa em firmware, memória, outro armazenamento ou em uma combinação. Tais dispositivos de computação de uso especial também podem combinar lógica incorporada personalizada, ASICs ou FPGAs com programação personalizada para executar as técnicas. Os dispositivos de computação de uso especial podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica conectada fisicamente e/ou de programa para implementar as técnicas.
[074] Por exemplo, a figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para transmitir informação, e um processador de hardware 404 acoplado ao barramento 402 para processar informação. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[075] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplada ao barramento 402 para armazenar informação e instruções para serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outra informação intermediária durante execução de instruções para ser executada pelo processador 404. Tais instruções, quando armazenadas em mídias de armazenamento não transitório acessíveis para o processador 404, renderizam o sistema de computador 400 em uma máquina de uso especial que é personalizada para executar as operações especificadas nas instruções.
[076] O sistema de computador 400 inclui adicionalmente uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informação estática e instruções para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco ótico ou unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informação e instruções.
[077] O sistema de computador 400 pode ser acoplado via barramento 402 a um mostrador 412, tal como um tubo de raios catódicos (CRT), para exibir informação para um usuário de computador. Um dispositivo de entrada 414, incluindo alfanumérico e outras teclas, é acoplado ao barramento 402 para enviar informação e seleções de comando para o processador 404. Um outro tipo de dispositivo de entrada de usuário é o controle de cursor 416, tal como um mouse, um mouse estacionário ou teclas de direção de cursor, para enviar informação de direção e seleções de comando para o processador 404 e para controlar movimento do cursor no mostrador 412. Este dispositivo de entrada tipicamente tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permitem ao dispositivo especificar posições em um plano.
[078] O sistema de computador 400 pode implementar as técnicas descritas neste documento usando lógica incorporada personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador induzem ou programam o sistema de computador 400 para ser uma máquina de uso especial. De acordo com uma modalidade, as técnicas neste documento são executadas pelo sistema de computador 400 em resposta ao processador 404 executar uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 de uma outra mídia de armazenamento, tal como o dispositivo de armazenamento 410. Execução das sequências de instruções contidas na memória principal 406 induz o processador 404 para executar as etapas de processo descritas neste documento. Em modalidades alternativas, conjunto de circuitos conectado fisicamente pode ser usado no lugar ou em combinação com instruções de software.
[079] O termo “mídias de armazenamento” tal como usado neste documento se refere a quaisquer mídias não transitórias que armazenam dados e/ou instruções que fazem com que uma máquina opere em um modo específico. Tais mídias de armazenamento podem compreender mídias não voláteis e/ou mídias voláteis. Mídias não voláteis incluem, por exemplo, discos óticos, discos magnéticos ou unidades de estados sólidos tais como o dispositivo de armazenamento 410. Mídia volátil inclui memória dinâmica, tal como a memória principal 406. Formas comuns de mídias de armazenamento incluem, por exemplo, um disco flexível, disco rígido, unidade de estado sólido, fita magnética, ou qualquer outra mídia de armazenamento de dados magnéticos, um CD-ROM, qualquer outra mídia de armazenamento de dados óticos, qualquer mídia física com padrões de furos, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[080] Mídia de armazenamento é distinta de mídia de transmissão, mas pode ser usada em combinação com ela. Mídia de transmissão participa na transferência de informação entre mídias de armazenamento. Por exemplo, mídias de transmissão incluem cabos coaxiais, fio de cobre e fibras óticas, incluindo os fios que compreendem o barramento 402. Mídias de transmissão também podem ter a forma de ondas acústicas ou de luz, tais como aquelas geradas durante comunicações de dados de onda de rádio e de infravermelho.
[081] Várias formas de mídias podem ser envolvidas ao carregar uma ou mais sequências de uma ou mais instruções no processador 404 para execução. Por exemplo, as instruções podem ser carregadas inicialmente em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções na sua memória dinâmica e enviar as instruções por meio de uma linha de telefone usando um modem. Um modem local para o sistema de computador 400 pode receber os dados pela linha de telefone e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector de infravermelho pode receber os dados carregados no sinal infravermelho e conjunto de circuitos apropriado pode colocar os dados no barramento 402. O barramento 402 carrega os dados na memória principal 406, da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 opcionalmente podem ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[082] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento bidirecional de comunicação de dados para um enlace de rede 420 que é conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem de satélite ou um modem para fornecer uma conexão de comunicação de dados para um tipo correspondente de linha de telefone. Como um outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área local (LAN) para fornecer uma conexão de comunicação de dados para uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer tal implementação, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou óticos que carregam fluxos de dados digitais representando vários tipos de informação.
[083] O enlace de rede 420 tipicamente possibilita comunicação de dados por meio de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão por meio da rede local 422 para um computador hospedeiro 424 ou para equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426 por sua vez fornece serviços de comunicação de dados por meio da rede mundial de comunicação de dados de pacotes agora referida comumente como “Internet” (428). A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou óticos que carregam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de comunicação 418, os quais carregam os dados digitais para o sistema de computador 400 e a partir dele, são formas de exemplo de mídias de transmissão.
[084] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, por meio da(s) rede(s), do enlace de rede 420 e da interface de comunicação 418. No exemplo de Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicação pela Internet 428, ISP 426, rede local 422 e pela interface de comunicação 418.
[085] O código recebido pode ser executado pelo processador 404 tal como ele é recebido e/ou armazenado no dispositivo de armazenamento 410, ou em outro armazenamento não volátil para execução mais tarde. 3. VISTA GERAL FUNCIONAL - PREVISÃO DE RENDIMENTO DE SAFRA DE NÍVEL DE CAMPO DURANTE UMA ESTAÇÃO DE CRESCIMENTO
[086] As figuras 5(a) e 5(b) representam métodos de exemplo de predizer rendimento de safra específico de campo com base em registros de dados agrícolas digitais. A figura 5(a) representa um método de predizer rendimento de safra específico de campo com um modelo de regressão linear simples. A figura 5(b) representa um método de predizer rendimento de safra específico de campo com um modelo de regressão linear de mistura. As etapas 505, 510 e 515 nas figuras 5(a) e 5(b) são idênticas. 3.1. RECEBIMENTO DE DADOS
[087] Na etapa 505, registros de dados agrícolas são recebidos. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber os dados de campo 106 do dispositivo de computação gerenciador de campos 104 e/ou os dados externos 110 do computador servidor de dados externos 108. Os dados de campo 106 podem incluir informação relacionada com o campo alvo propriamente dito, tais como nomes e identificadores de campos. Tal como usado neste documento, um ‘campo’ se refere a uma área limitada geograficamente compreendendo um campo superior que também pode compreender um ou mais subcampos. Em uma modalidade, os dados de campo 106 são recebidos do dispositivo de computação gerenciador de campos 104. Por exemplo, o sistema de computador de inteligência agrícola 130 pode causar exibição de uma interface no dispositivo de computação gerenciador de campos 104 para introduzir informação, tais como os limites do campo alvo, os tipos de sementes plantadas e outra informação relacionada com safra e campo.
[088] Os dados externos 110 podem incluir quaisquer dados adicionais a respeito do campo alvo, incluindo registros de dados agrícolas relacionados com sinais detectados remotamente e dados de umidade de solo para uma geolocalização específica em período de tempo específico. Em uma modalidade, sinais detectados remotamente e dados de umidade de solo podem representar medições para o campo alvo ou subcampos dentro do campo alvo. Detecção remota se refere ao uso de tecnologias de sensores usadas para detectar e classificar objetos na terra por meio de sinais propagados. Em uma modalidade, sinais detectados remotamente são detectados usando Espectrorradiômetro de Imageamento de Resolução Moderada (MODIS). MODIS está a bordo dos satélites Terra e Aqua da NASA no tempo desta gravação, e fornece uma varredura da terra usando 36 bandas espectrais, ou grupos de comprimentos de onda. O nível de resolução para cada pixel pode ser medido para uma granularidade especificada em metros. Bandas espectrais diferentes podem ser medidas usando resoluções em metros diferentes que incluem, mas não estão limitadas a isto, 250 metros, 500 metros e 1.000 metros. Sinais detectados remotamente diferentes podem ser usados para detectar níveis de vegetação na terra, tal como descrito adicionalmente na seção DADOS DE DETECÇÃO REMOTA neste documento.
[089] Dados de umidade de solo podem ser usados para determinar o nível de saturação da terra e se áreas particulares de um campo têm ou não níveis de umidade de solo que indicam regiões secas. Em uma modalidade, dados de umidade de solo podem ser obtidos dos servidores de Sistemas de Assimilação de Dados Terrestres (LDAS) da NASA. LDAS é um projeto designado para coletar e construir conjuntos de dados de modelos da superfície terrestre a partir de dados de precipitações, para registrar a umidade de solo através de várias áreas. Em uma modalidade, conjuntos de dados de umidades de solos podem ser obtidos por meio de mensagens de consultas digitais de um computador de aplicação para computadores servidores LDAS, em que as consultas solicitam dados de umidade de solo para áreas particulares de interesse. Em uma outra modalidade, dados de umidade de solo podem ser usados para predizer futuros sinais detectados remotamente baseados em observações de umidade de solo. Por exemplo, mudanças em umidade de solo têm um efeito atrasado no crescimento de plantação. Este efeito atrasado pode ser usado para predizer futuros sinais detectados remotamente. Abordagens para analisar dados de umidade de solo são discutidas detalhadamente na seção DADOS DE ESPECTRO DE SOLO neste documento. 3.2. AGREGAÇÃO DE REGISTROS DE DADOS
[090] Na etapa 510 registros de dados agrícolas são agregados em uma ou mais séries temporais geoespecíficas que representam um período de tempo especificado. Por exemplo, as instruções de agregação de registros de dados 171 fornecem instrução para o sistema de computador de inteligência agrícola 130 para agregar os registros de dados agrícolas para geolocalizações específicas em múltiplas séries temporais geoespecíficas. Em uma modalidade, dados de sinais detectados remotamente recebidos que cobrem um período de tempo de janeiro a agosto para vários subcampos específicos dentro do campo alvo são agregados usando as instruções de agregação de registros de dados 171 em uma série temporal que inclui pontos de dados dos vários subcampos específicos cobrindo períodos de tempo entre janeiro e agosto.
[091] Em uma modalidade, as instruções de agregação de registros de dados 171 fornecem instruções para agregar os dados de sinais detectados remotamente de vários subcampos específicos cobrindo períodos de tempo entre janeiro e agosto em múltiplas séries temporais, onde cada série temporal inclui dados de sinais detectados remotamente de um subcampo específico, resultando desse modo em múltiplas séries temporais onde cada série temporal representa um subcampo e um período de tempo de janeiro a agosto. Outras modalidades podem incluir, mas não estão limitadas a isto, uma combinação de dados detectados remotamente de múltiplos de subcampos cobrindo um período de tempo específico.
[092] Em uma modalidade, as instruções de agregação de registros de dados 171 podem incluir instruções para primeiro filtrar valores de dados agrícolas que correspondem a sinais detectados remotamente que estejam contaminados por cobertura de nuvem, neve ou por outros efeitos de sombreamento. Em uma modalidade, as instruções de agregação de registros de dados 171 podem incluir instruções para pré-processar a série temporal geoespecífica para remover pontos de dados que não necessariamente podem distorcer ou predispor de outro modo os recursos da série temporal geoespecífica. Pré- processamento e filtragem são discutidos detalhadamente na seção PRÉ-PROCESSAMENTO DE SINAIS neste documento.
[093] Na etapa 515 um ou mais recursos representativos são selecionados da uma ou mais séries temporais geoespecíficas e são inseridos em uma matriz de covariáveis armazenada em memória de computador. Em uma modalidade, as instruções de agregação de registros de dados 171 incluem instruções para selecionar um ou mais recursos que representam a relação entre produção e dados de sinais detectados remotamente. Por exemplo, as instruções de agregação de registros de dados 171 incluem selecionar o valor EVI médio de um subconjunto das séries temporais geoespecíficas, tal como o subconjunto de valores EVI que representa pontos de dados do dia do ano (DOY) 175 ao DOY 250 para o campo específico de interesse. O propósito de selecionar o valor médio de um subconjunto de pontos de dados é que subconjuntos específicos para tipos específicos de pontos de dados de sinais detectados remotamente trabalham de modo melhor para diferenciar diferenças de produção. Outras modalidades podem incluir subconjuntos menores ou maiores de períodos DOY e índices VI diferentes. Em uma outra modalidade, as instruções de agregação de registros de dados 171 incluem selecionar o valor máximo da série temporal geoespecífica como um recurso representativo para ser incluído na matriz de covariáveis.
[094] A figura 7 representa uma série temporal geoespecífica de valores EVI calculados para o campo específico. O subconjunto 702 representa um período DOY que é usado para determinar o valor EVI médio para a série temporal geoespecífica. Por exemplo, o valor EVI médio é calculado a partir de todos os valores EVI dentro da série temporal geoespecífica que estão dentro da faixa definida pelo subconjunto 702. O valor máximo 704 representa o valor EVI máximo extraído e salvo com a matriz de covariáveis para o campo específico de interesse.
[095] Em uma modalidade, quando valores EVI na estação são calculados a partir de dados de sensor remoto, os dados podem ficar disponíveis somente até uma certa data d. Os dados de sensor remoto disponíveis podem não cobrir o período DOY total configurado pelo sistema 130. Neste caso o sistema 130 usa os dias disponíveis até a data d, para calcular a média. Por exemplo, o sistema 130 calcula o valor EVI médio para a duração do DOY 175 ao DOY d. 3.3. DETERMINAÇÃO DE RENDIMENTO DE SAFRA ESPECÍFICO DE CAMPO
[096] Em uma modalidade rendimento de safra é estimado para o campo alvo usando dados de sinais detectados remotamente para o campo alvo até uma data especificada. Em uma modalidade as instruções de estimativa de rendimento de safra 175 incluem instruções para determinar o rendimento de safra estimado para o campo alvo em uma data especificada usando a matriz de covariáveis para o campo alvo e um modelo de regressão linear adaptado para o campo específico de interesse. Um modelo de regressão linear é um modelo que descreve a relação entre uma variável dependente e variáveis independentes. Neste contexto, a variável dependente é o rendimento de safra para o campo alvo, e a uma ou mais variáveis independentes são os valores de covariáveis na matriz de covariáveis. A relação linear é modelada por meio de um termo de erro ε, o qual é uma variável aleatória não observada e coeficientes de regressão incorporados, β.
[097] Em uma modalidade, as instruções de regressão linear 172 incluem instruções para criar um modelo de regressão linear de linha de base que é baseado em um único conjunto de coeficiente de regressão e termo de erro. Criação do modelo de regressão linear de linha de base é discutida detalhadamente na seção REGRESSÃO LINEAR DE LINHA DE BASE neste documento. Em uma outra modalidade, as instruções de regressão linear de mistura 173 incluem instruções para criar um modelo de regressão linear de mistura que é baseado em múltiplos conjuntos de coeficientes de regressão e termos de erros. Criação do modelo de regressão linear de mistura é discutida detalhadamente na seção REGRESSÃO LINEAR DE MISTURA neste documento. 3.3.1 REGRESSÃO LINEAR DE LINHA DE BASE.
[098] Em uma modalidade, a etapa 520(a) na figura 5(a)
onde:
[099] Ylt: é igual ao rendimento de safra para um campo específico l para um dado ano t.
[0100] X{td: é igual ao transposto da matriz transposta de covariáveis X para o campo l e ano t, com base em valores EVI até o dia predição d.
[0101] βd: é igual ao coeficiente de regressão baseado em pontos de dados até o dia de predição d.
[0102] £[,t,d: é igual ao termo de erro para o campo l e ano t, baseado em valores EVI até o dia de predição d.
[0103] A fim de determinar o rendimento de safra Yl,t em um dia de predição específico d dentro do ano t, as instruções de regressão linear 172 estabelecem o coeficiente de regressão β e o termo de erro ε com base em uma distribuição para cada um. As instruções de regressão linear 172 podem solicitar o coeficiente de regressão β e o termo de erro ε das instruções de geração de distribuição 174, onde as instruções de geração de distribuição 174 utilizam dados históricos até o mesmo dia de predição d em cada ano para determinar o coeficiente de regressão β.
[0104] Por exemplo, as instruções de geração de distribuição 174 incluem instruções para gerar o coeficiente de regressão β e o termo de erro ε ao extrair independentemente e de forma idêntica amostras distribuídas de distribuições normais tais como ilustradas a seguir.
[0105] Uma distribuição normal é uma função que representa a distribuição de uma variável aleatória como um gráfico em forma de sino simétrico. É denotado pela função N(μ,o), onde μ representa a média ou expectativa da distribuição e o' representa a variância. Neste caso, as amostras aleatórias são distribuídas independentemente e de forma idêntica, de maneira que cada uma delas segue a mesma distribuição de probabilidades das outras e todas as amostras aleatórias são mutuamente independente umas das outras. O coeficiente de regressão β e o termo de erro ε calculados são então usados pelas instruções de regressão linear 172 para gerar o modelo de regressão linear simples.
[0106] Na etapa 525(a) o rendimento de safra usando modelo de regressão linear de linha de base é determinado. Em uma modalidade, as instruções de estimativa de rendimento de safra 175 incluem instrução para usar o recurso EVI médio da matriz de covariáveis de campo alvo para determinar o rendimento de safra de campo alvo no dia de predição d com base no modelo de regressão linear simples tal como descrito anteriormente. Em outras modalidades, as instruções de estimativa de rendimento de safra 175 incluem instrução para usar o recurso EVI máximo do campo alvo para determinar o rendimento de safra de campo alvo no dia de predição d com base no modelo de regressão linear simples. As instruções de estimativa de rendimento de safra 175 podem ser configuradas para usar o recurso EVI máximo além do recurso EVI médio quando o dia de predição d é uma data relativamente no início da estação de cultivo. Outras modalidades também podem usar recursos diferentes da matriz de covariáveis de campo alvo ao determinar o rendimento de safra estimado no dia de predição d.
[0107] Em uma modalidade, as instruções de estimativa de rendimento de safra 175 fornecem instruções para determinar a distribuição do rendimento de safra estimado usando uma função de distribuição normal.
[0108] Em uma modalidade, um intervalo de predição é determinado junto com a distribuição determinada. O intervalo de predição associado com o rendimento de safra é uma faixa calculada usando as instruções de estimativa de rendimento de safra 175, a qual é esperada para cobrir o valor de rendimento verdadeiro com certa probabilidade. Quando a probabilidade de cobrir o rendimento verdadeiro é fixada, intervalos de predição mais estreitos fornecem maior certeza para predição de rendimento precisa. Por exemplo, as instruções de estimativa de rendimento de safra 175 fornecem instrução para calcular um intervalo de predição que é esperado para cobrir o rendimento de safra verdadeiro em 90% do tempo. Neste exemplo, se o rendimento de safra predito for de 165 bushels por acre e a faixa de intervalo de predição for uma faixa muito pequena, tal como 155 - 170 bushels por acre, então a certeza associada com o rendimento de safra predito é alta por causa de mais de 90% das predições resultarem em uma faixa muito estreita de valores. Entretanto, se no exemplo anterior o intervalo de predição for de 120 - 200 bushels por acre, então a certeza associada com o rendimento de safra predito é menor porque para alcançar a mesma probabilidade de cobrir o rendimento verdadeiro uma faixa de 80 bushels por acre é necessária em vez de 15 bushels por acre. O benefício de receber um intervalo de predição associado é que ele permite um melhor entendimento da certeza por trás do valor de rendimento de safra predito.
[0109] Em uma modalidade, um conjunto de distribuições associado com o valor de rendimento de safra predito pode ser calculado para fornecer informação adicional do rendimento de safra predito. Por exemplo, ao fornecer o conjunto de distribuições total, um usuário 102 também pode calcular risco, receita ou outras predições com base no conjunto de distribuições de valores de rendimento. 3.3.2 LÓGICA DE REGRESSÃO DE MISTURA
[0110] Uma modalidade alternativa para usar o modelo de regressão linear de linha de base para estimativa de rendimento de safra é um modelo de regressão linear de mistura. A etapa 520(b) na figura 5(b) representa o processo de criar um modelo de regressão linear de mistura. Um modelo de regressão linear de mistura é uma mistura probabilística de múltiplos modelos de regressões lineares onde existe uma dependência linear entre respostas e covariáveis, mas coeficientes e variações usados para descrever a dependência linear podem variar dentre um conjunto de valores, cada um com probabilidades designadas para ele.
[0111] Por exemplo, se n observações de respostas e suas covariáveis correspondentes forem denotadas como (Y1, X1), (Y2, X2),..., (Yn, Xn), então um modelo de regressão linear de mistura com k componentes de parâmetros assume que:
[0112] Cada um dos k componentes de parâmetros representa um grupo de componentes de parâmetros que inclui um coeficiente de regressão β, um desvio padrão σ e o termo de erro ε, tal como definido pelo modelo de regressão linear de linha de base, com base em uma série temporal geoespecífica histórica específica para um campo particular. Portanto, cada par de (Yi, Xi) dos n pares tem probabilidades particulares para cada um dos k grupos de componentes de parâmetros. Cada probabilidade, λ, é a probabilidade de que o grupo de componentes de parâmetros encaixa a covariável Xi. A soma de cada probabilidade, λ para cada grupo de componentes de parâmetros, para (Yi, Xi) é igual a 1. Os termos de erros descritos εi,1,..., εi,k são erros independentes. Em uma modalidade, distribuições para valores de componentes de parâmetros incluindo o coeficiente de regressão β, o desvio padrão σ e o termo de erro ε são determinadas com base nas instruções de geração de distribuição 174, tal como descrito na seção intitulada REGRESSÃO LINEAR DE LINHA DE BASE.
[0113] Uma variável de filiação Tl pode ser designada para cada campo l no modelo de regressão linear. A variável de filiação Tl define a qual grupo de componentes o campo l pertence no modelo de regressão linear de mistura e controla a distribuição de probabilidades de suas respostas de rendimento. Ter a mesma Tl para o mesmo campo l significa que observações de respostas no mesmo campo l são restringidas para compartilhar as mesmas probabilidades para os k grupos de componentes de parâmetros. O propósito de fornecer esta restrição é que o modelo de regressão linear de mistura pode fornecer critérios para essas subpopulações e indicar variáveis latentes similares relacionadas com características de campo. Por exemplo, estas variáveis latentes podem descrever várias propriedades tais como textura de solo, cor e outros fatores de microambiente específicos para esse campo particular.
[0114] Dada a variável de filiação Tl para o campo l, a distribuição do rendimento de safra no campo l em qualquer estação t pode ser descrita como:
onde a probabilidade de Ti = j é descrita como Àj para os componentes β(f), of •
[0115] Em uma modalidade, ao estimar um potencial rendimento de safra para um campo alvo l, o modelo de regressão linear de mistura é verificado para descobrir se existem dados históricos relacionados com o campo alvo. Se dados históricos relacionados com o campo alvo existirem, então o modelo de regressão linear de mistura é configurado para predizer o rendimento de safra com base na variável de filiação de grupo Tl e nas probabilidades e valores de parâmetros associados com essa variável de filiação. Se, entretanto, o modelo de regressão linear de mistura não contiver dados históricos relacionados com o campo alvo, então o modelo de regressão linear de mistura pode ser configurado para usar as probabilidades médias e valores de parâmetros através de todas as variáveis de filiação existentes no modelo de regressão linear de mistura e fazer predições consequentemente.
[0116] Adicionalmente, ao estimar potencial rendimento de safra para um campo alvo, se dados históricos adicionais para o campo alvo, os quais não fizeram parte anteriormente do modelo de regressão linear de mistura, forem fornecidos então o modelo de regressão linear de mistura pode incorporar os dados históricos adicionais para o campo alvo e recalcular valores de parâmetros e probabilidades para grupos de parâmetro para o campo alvo Tn+1. Se o campo alvo ln+1 for um campo novo não fazendo parte anteriormente do conjunto de campos {1, 2,..., G} então o novo campo alvo ln+1 é adicionado ao conjunto de campos {1, 2,..., G} e probabilidades para o conjunto de variáveis de filiação Tn são recalculadas.
[0117] A figura 8 fornece um exemplo do processo de designar valores de probabilidades para o conjunto de grupos de componentes de parâmetros para qualquer campo alvo onde o rendimento de safra é predito usando o modelo de regressão linear de mistura.
[0118] Na etapa 805, as instruções de regressão linear de mistura 173 fornecem instruções para determinar se dados históricos suficientes relacionados com o campo alvo existem no modelo de regressão linear de mistura corrente. O propósito de determinar se dados históricos existem é determinar se os dados de covariáveis alvo podem ser associados com uma variável de filiação já estabelecida. Se dados históricos para o campo alvo existirem então o modelo de regressão linear de mistura pode ser configurado para aplicar as probabilidades associadas com essa variável de filiação aos dados de covariáveis alvos. Por exemplo, se o campo alvo ln+1 representar o campo alvo então as instruções de regressão linear de mistura 173 determinam se o ln+1 pertence ao conjunto de campos, de tal maneira que ln+i G {1, 2, ..., G}. Se ln+1 pertencer ao conjunto de campos então a variável de filiação Tn+1 para esse campo particular é usada.
[0119] A etapa 810 representa um cenário onde ln+1 pertence ao conjunto de campos {1, 2, ..., G} e a variável de filiação particular Tn+1 é usada para o campo alvo. Em uma modalidade, as instruções de regressão linear de mistura 173 compilam um conjunto de dados históricos personalizados relacionados com o campo alvo ln+1 para serem usados para determinar probabilidades de grupos de componentes de parâmetros associadas com a variável de filiação particular Tn+1.
[0120] A etapa 815 representa um cenário onde ln+1 não pertence ao conjunto de campos {1, 2,..., G}, de tal maneira que ln+i £ {1, 2,..., G}. Em uma modalidade, as instruções de regressão linear de mistura 173 compilam um conjunto total de dados históricos, o qual inclui todos os campos medidos para determinar probabilidades de grupos de componentes de parâmetros associadas com a variável de filiação Tn+1, onde Tn+1 representa uma nova variável de filiação para o novo campo.
[0121] Na etapa 820, as instruções de regressão linear de mistura 173 determinam se dados históricos adicionais relacionados com o campo alvo ln+1, não fazendo parte anteriormente do modelo de regressão linear de mistura, são recebidos. Se dados históricos adicionais forem fornecidos então, na etapa 830, as instruções de regressão linear de mistura 173 podem fornecer instrução para incorporar os dados históricos específicos de campo aos dados históricos já fazendo parte do modelo de regressão linear de mistura. De outro modo na etapa 825, as instruções de regressão linear de mistura 173 determinam probabilidades de grupos de componentes de parâmetros sem dados históricos adicionais.
[0122] Em uma modalidade, probabilidades para grupos de componentes de parâmetros dentro do modelo de regressão linear de mistura são determinadas usando um algoritmo de Maximização de Expectativa (EM). O algoritmo EM é um método para descobrir a probabilidade máxima com dados incompletos por meio de maximizar iterativamente a probabilidade de registro condicional de dados “completos” dados os dados “incompletos” e os parâmetros de modelos de encaixe correntes. Em outras modalidades probabilidades de filiação podem ser determinadas usando outros algoritmos tais como amostragem de Gibbs.
[0123] Na etapa 830 as instruções de regressão linear de mistura 173 determinam probabilidades de grupos de componentes de parâmetros usando dados específicos históricos adicionais de campo alvo que correntemente não fazem parte dos dados de modelo de regressão linear de mistura. Em uma modalidade, os dados externos recebidos 110 podem incluir dados específicos históricos adicionais de campo alvo que não foram incorporados anteriormente ao modelo de regressão linear de mistura. As probabilidades para grupos de componentes de parâmetros associados com modelos de regressões lineares dentro do modelo de regressão linear de mistura são calculadas considerando os dados específicos adicionais de campo alvo.
[0124] Na etapa 525(b) da figura 5(b) as instruções de estimativa de rendimento de safra 175 fornecem instrução para determinar o rendimento de safra usando o modelo de regressão linear de mistura. Em uma modalidade, as instruções de estimativa de rendimento de safra 175 incluem instrução para determinar o rendimento de safra para o campo alvo como uma soma de rendimentos de safras estimados com base nas probabilidades dos grupos de componentes de parâmetros.
[0125] Em uma modalidade, as instruções de estimativa de rendimento de safra 175 fornecem instrução para determinar a distribuição do rendimento de safra estimado usando uma função de distribuição normal quando a variável de filiação é dada:
onde Yl,t inclui um conjunto de distribuições normais para o rendimento de safra predito. Em uma modalidade, um intervalo de predição é determinado junto com o conjunto de distribuições. O intervalo de predição associado com o rendimento de safra é uma faixa calculada usando as instruções de estimativa de safra 175, a qual é esperada para cobrir o valor de rendimento verdadeiro com certa probabilidade. 4. DADOS EXTERNOS 4.1. DADOS DE DETECÇÃO REMOTA
[0126] Sensores remotos medem bandas espectrais relacionadas com luz visível e de infravermelho próximo refletida pela superfície terrestre. Detecção do nível de vegetação em uma região geográfica particular pode ser executada usando elementos de computação programados para executar uma combinação e/ou transformação matemática entre diferentes faixas espectrais detectadas remotamente que acentuam as propriedades espectrais em plantas. Estas combinações são referidas como Índices de Vegetação.
[0127] Em uma modalidade, as instruções de agregação de registros de dados 171 podem fornecer instrução para o sistema de computador de inteligência agrícola 130 para selecionar Índices de Vegetação diferentes a fim de avaliar propriedades espectrais diferentes. Índices de Vegetação diferentes podem ser usados para analisar sinais detectados remotamente e determinar se uma área particular contém vegetação verde viva. Plantas verdes vivas absorvem radiação solar dentro da faixa de 400 - 700 nanômetros (nm), tal como vermelho visível (620 - 670 nm), e espalham radiação solar da região espectral de infravermelho próximo (NIR) (841 - 876 nm). Isto significa que plantas verdes desenvolvidas com muitas folhas absorveriam vermelho visível para propósito de fotossíntese e simultaneamente refletiriam de volta radiação NIR. Um Índice de Vegetação como este disponível é o índice de vegetação aprimorado (EVI). O EVI é otimizado para aprimorar o sinal de vegetação com sensibilidade aperfeiçoada em regiões de biomassa alta ao desacoplar um sinal de fundo de copas e reduzir influências atmosféricas. O EVI é calculado tal como se segue:
onde: G é um fator de ganho específico, os coeficientes C1 e C2 estão relacionados com o termo de resistência a aerossol, L é um fator de ajuste de fundo de copas, e azul se refere ao comprimento de onda azul visível (459 - 479 nm).
[0128] Em uma modalidade, as instruções de agregação de registros de dados 171 podem fornecer instrução para o sistema de computador de inteligência agrícola 130 para selecionar o índice de vegetação de diferença normalizada (NDVI). NDVI pode ser usado para analisar sinais detectados remotamente e determinar se uma área particular contém vegetação verde viva. O NDVI é calculado como uma razão de infravermelho próximo/vermelho entre o NIR e a região de vermelho visível. NDVI = (NIR - vermelho)/(NIR + vermelho)
[0129] Um valor NDVI alto significa que a região terrestre detectada contém uma densidade de vegetação verde alta.
[0130] Em uma modalidade, as instruções de agregação de registros de dados 171 podem fornecer instrução para o sistema de computador de inteligência agrícola 130 para selecionar o índice de vegetação de diferença normalizada verde (GNDVI). O GNDVI, tal como o NDVI mede a quantidade de vegetação verde em uma área particular. GNDVI mede radiação solar em uma faixa de comprimentos de onda de verde visível (545 - 565 nm). O GNDVI é calculado como uma razão de infravermelho próximo/verde entre o NIR e a região de verde visível. GNDVI = (NIR - verde)/(NIR + verde)
[0131] Em uma modalidade, as instruções de agregação de registros de dados 171 podem fornecer instrução para o sistema de computador de inteligência agrícola 130 para selecionar o índice de água de diferença normalizada (NDWI). O NDWI também pode ser usado para analisar sinais detectados remotamente e determinar a quantidade de água dentro de vegetação. O benefício ao selecionar dados NDWI é que eles são menos sensíveis aos efeitos atmosféricos do que NDVI. Efeitos atmosféricos por causa de gases atmosféricos e partículas de aerossol podem distorcer dados detectados remotamente por meio de espalhamento ou absorção direta ou luz solar refletida. O NDWI é calculado como uma razão entre regiões espectrais de infravermelho próximo diferentes: NDWI = (NIR - NIR2)/(NIR + NIR2) onde NIR2 cobre comprimentos de onda entre 1.230 - 1.250 nm.
[0132] Em uma modalidade, as instruções de agregação de registros de dados 171 podem fornecer instrução para o sistema de computador de inteligência agrícola 130 para selecionar variante do índice NDWI chamada de fNDWI. Tal como o NDWI, o fNDWI pode ser usado para analisar sinais detectados remotamente e determinar a quantidade de água dentro de vegetação. O fNDWI é calculado como uma razão entre a região espectral de infravermelho próximo (NIR) e uma região de infravermelho cobrindo comprimentos de onda entre 1.628 - 1.652 nm (IRpequeno): fNDWI = (NIR - IRpequeno)/(NIR + IRpequeno)
[0133] O benefício de usar fNDWI no lugar de NDWI é que valores NIR2 podem ser ruidosos ou sofrer de saturação. Ao usar IRpequeno a saturação pode ser mitigada.
[0134] Usando múltiplos índices de vegetação o sistema de computador de inteligência agrícola 130 é capaz de quantificar o nível de culturas agrícolas vivas, tais como milho, plantadas em áreas particulares. 4.2. DADOS DE ESPECTRO DE SOLO
[0135] O LDAS da América do Norte fornece conjuntos de dados de umidades de solos para vários modelos de dados de superfície terrestre. Os modelos de superfície terrestre fornecem uma resolução de malha topográfica de um oitavo de grau de regiões da América do Norte. Conjuntos de dados de umidades de solos são representativos de condições meteorológicas para uma área específica porque eles refletem a combinação de efeitos de precipitação, temperatura e de outras propriedades de solo.
[0136] Valores de umidade de solo medidos em um tempo específico podem ter um efeito no desenvolvimento de plantação que não é observável imediatamente. Por exemplo, efeitos de umidade de solo no desenvolvimento de plantação podem ser visíveis em dados detectados remotamente vários dias após receber os valores de umidade de solo medidos. Em uma modalidade, uma relação entre valores de umidade de solo e sinais EVI detectados remotamente atrasados pode existir, onde o atraso é fixado em 20 dias. Uma relação linear pode então ser criada usando sinais EVI e conjuntos de umidades de solo, onde valores de umidade de solo são usados para predizer futuros sinais EVI com base na relação linear correlacionada entre sinais EVI medidos e conjuntos de dados de umidades de solo medidos.
[0137] Em uma modalidade, conjuntos de dados de umidades de solos para geolocalizações específicas em tempos específicos podem ser agregados em séries temporais geoespecíficas independentes para uma área geográfica. Em uma modalidade, seleção de recurso pode ser determinada ao computar umidade de solo média em uma faixa particular. Por exemplo, a umidade de solo média pode ser calculada para cada janela de 5 dias na estação total. Então as umidades de solo médias podem ser comparadas a uma média de climatologia histórica a fim de descobrir anomalias de umidade de solo. Por exemplo, uma média de climatologia histórica para uma região específica pode ser calculada durante um período de 30 anos. Então anomalias de umidade de solo podem ser determinadas ao comparar a umidade de solo média de 5 dias calculada para uma dada região à média de climatologia histórica para essa região específica. As anomalias de umidade de solo podem então ser extraídas como recursos selecionados, tais como umidade relativa ou secura relativa, para uma matriz de covariáveis. 5. SÉRIE TEMPORAL GEOESPECÍFICA 5.1 PRÉ-PROCESSAMENTO DE SINAIS
[0138] As instruções de agregação de registros de dados 171 podem fornecer instrução para pré-processar a série temporal geoespecífica para remover pontos de dados que não necessariamente podem distorcer ou de outro modo predispor os recursos da série temporal geoespecífica. Em uma modalidade, a série temporal geoespecífica pode ser suavizada ao implementar uma técnica de suavização de gráfico de dispersão ponderada localmente. Suavização de gráfico de dispersão ponderada localmente é um método de usar regressão linear ponderada localmente para suavizar dados. O processo é local porque cada valor suavizado é determinado por meio de pontos de dados vizinhos definidos dentro da extensão. O processo é ponderado porque uma função de ponderação de regressão é definida para os pontos de dados dentro da extensão.
[0139] A figura 6 ilustra pré-processamento de sinais e aplicação da suavização de gráfico de dispersão ponderada localmente para sinais detectados remotamente de vermelho visível em um conjunto de séries temporais geoespecíficas representando um campo específico em Iowa. O gráfico 602 representa as séries temporais geoespecíficas antes de pré- processamento de sinais e aplicação de suavização de gráfico de dispersão ponderada localmente. Tal como mostrado na região 606, existem muitos valores discrepantes erráticos que estão espalhados aproximadamente do dia do ano (doy) 125 ao dia do ano 170. Estes valores discrepantes podem ser um produto de sinais detectados remotamente contaminados antes do pré-processamento e filtragem de sinais.
[0140] O gráfico 604 representa as séries temporais geoespecíficas após pré-processamento de sinais e aplicação de suavização de gráfico de dispersão ponderada localmente. Tal como mostrado na região 608 os mesmos valores discrepantes erráticos foram filtrados do conjunto de dados. Então suavização de gráfico de dispersão ponderada é aplicada aos dados limpos para criar uma tendência generalizada. Ao aplicar pré-processamento de sinais e suavização de gráfico de dispersão ponderada localmente às séries temporais geoespecíficas uma linha de tendência mais precisa é usada para representar as condições de safra total para esse campo específico.
[0141] Em uma outra modalidade, a série temporal geoespecífica pode ser suavizada ao implementar uma densidade Gaussiana escalada. Densidade Gaussiana escalada é definida usando uma função de densidade Φ(x,μ,o), onde μ é a média e o é o desvio padrão de uma distribuição normal.
[0142] No relatório descritivo exposto anteriormente, modalidades da invenção foram descritas com referência para inúmeros detalhes específicos que podem variar de implementação para implementação. O relatório descritivo e desenhos, portanto, são para ser considerados em um sentido ilustrativo em vez de restritivo. O indicador único e exclusivo do escopo da invenção, e o que é pretendido pelos requerentes para ser o escopo da invenção, é o escopo literal e equivalente do conjunto de reivindicações que resultam deste pedido, na forma específica em que tais reivindicações resultam, incluindo qualquer correção subsequente.
Claims (18)
1. Método, caracterizado pelo fato de que compreende: usar instruções de agregação de registros de dados em um sistema de computador servidor, receber um ou mais registros de dados agrícolas que representam um tipo de valor de dado de covariável para plantas em uma geolocalização específica de um campo agrícola em um tempo específico, em que o tipo de valor de dado de covariável inclui pelo menos um de uma propriedade espectral detectada remotamente de registros de plantas usando uma faixa de larguras de banda espectral particular, e um registro de umidade de solo; usar as instruções de agregação de registros de dados, agregar o um ou mais registros de dados agrícolas para criar e armazenar, em memória de computador, uma ou mais séries temporais geoespecíficas durante um tempo especificado; usar as instruções de agregação de registros de dados, selecionar um ou mais recursos representativos da uma ou mais séries temporais geoespecíficas e criar, para cada área geográfica específica, uma matriz de covariáveis em memória de computador compreendendo os recursos representativos selecionados a partir da uma ou mais séries temporais geoespecíficas; usar instruções de estimativa de rendimento de safra no sistema de computador servidor, determinar um rendimento de safra específico de campo para uma data específica ao usar instruções de regressão linear para calcular o rendimento de safra específico de campo a partir da matriz de covariáveis que representa o campo específico, um ou mais coeficientes de regressão calculados a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição, e um termo de erro calculado a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição onde um parâmetro médio é zero e um parâmetro de variância é um coeficiente de tendência específico de campo; e controlar, com base no rendimento de safra específico de campo, um parâmetro de operação definido em um ou mais programas de script executados por um equipamento agrícola operando no campo agrícola.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente agregar o um ou mais registros de dados agrícolas para criar uma ou mais séries temporais geoespecíficas ao selecionar valores de dados do um ou mais registros de dados agrícolas com base em um índice de vegetação, em que um índice de vegetação é uma combinação de uma ou mais faixas de comprimentos de onda de propriedades espectrais detectadas remotamente.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente criar uma ou mais séries temporais geoespecíficas ao aplicar suavização de gráfico de dispersão ponderada localmente a um subconjunto da uma ou mais séries temporais geoespecíficas.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente determinar um rendimento de safra específico de campo para uma data específica adicional ao determinar um intervalo de predição associado com o rendimento de safra específico de campo, em que o intervalo de predição é uma faixa de valores que mede um nível de certeza associado com o rendimento de safra específico de campo.
5. Método, caracterizado pelo fato de que compreende: usando instruções de agregação de registros de dados em um sistema de computador servidor, receber um ou mais registros de dados agrícolas que representam um tipo de valor de dado de covariável para plantas em uma geolocalização específica de um campo agrícola em um tempo específico, em que o tipo de valor de dado de covariável inclui pelo menos um de uma propriedade espectral detectada remotamente de registros de plantas usando uma faixa de larguras de banda espectral particular, e um registro de umidade de solo; usar as instruções de agregação de registros de dados, agregar o um ou mais registros de dados agrícolas para criar e armazenar, em memória de computador, uma ou mais séries temporais geoespecíficas durante um tempo especificado; usando as instruções de agregação de registros de dados, selecionar um ou mais recursos representativos da uma ou mais séries temporais geoespecíficas e criar para cada área geográfica específica uma matriz de covariáveis em memória de computador compreendendo os recursos representativos selecionados da uma ou mais séries temporais geoespecíficas; usando instruções de regressão linear de mistura no sistema de computador servidor, designar um valor de probabilidade para um grupo de componentes de parâmetros em um conjunto de grupos de componentes de parâmetros, em que cada grupo de componentes dentro do conjunto de grupos de componentes de parâmetros compreende: um ou mais coeficientes de regressão calculados a partir de uma distribuição de probabilidades gerada usando instruções de geração de distribuição no sistema de computador servidor; um termo de erro calculado a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição onde um parâmetro médio é zero e um parâmetro de variância é um coeficiente de tendência específico de campo; usando instruções de estimativa de rendimento de safra no sistema de computador servidor, determinar um rendimento de safra específico de campo para uma data específica ao usar instruções de regressão linear de mistura para calcular o rendimento de safra específico de campo com base na matriz de covariáveis e nos valores de probabilidades designados para cada grupo de componentes de parâmetros no conjunto de grupos de componentes de parâmetros; e controlar, com base no rendimento de safra específico de campo, um parâmetro de operação definido em um ou mais programas de script executados por um equipamento agrícola operando no campo agrícola.
6. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que compreende adicionalmente designar valores de probabilidades para um grupo de componentes de parâmetros em um conjunto de grupos de componentes de parâmetros com base em valores de dados históricos relacionados com uma geolocalização específica de interesse ou múltiplos campos de safras medidas.
7. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que compreende adicionalmente agregar o um ou mais registros de dados agrícolas para criar uma ou mais séries temporais geoespecíficas ao selecionar valores de dados do um ou mais registros de dados agrícolas com base em um índice de vegetação, em que um índice de vegetação é uma combinação de uma ou mais faixas de comprimentos de onda de propriedades espectrais detectadas remotamente.
8. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que compreende adicionalmente criar uma ou mais séries temporais geoespecíficas ao aplicar suavização de gráfico de dispersão ponderada localmente a um subconjunto da uma ou mais séries temporais geoespecíficas e selecionar valores medianos para cada intervalo de tempo para criar a uma ou mais séries temporais geoespecíficas.
9. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que compreende adicionalmente determinar um rendimento de safra específico de campo para uma data específica adicional ao determinar um intervalo de predição associado com o rendimento de safra específico de campo, em que o intervalo de predição é uma faixa de valores que mede um nível de certeza associado com o rendimento de safra específico de campo.
10. Sistema de processamento de dados, caracterizado pelo fato de que compreende: uma memória; um ou mais processadores acoplados à memória; instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para fazer com que o um ou mais processadores recebam um ou mais registros de dados agrícolas que representam um tipo de valor de dado de covariável para plantas em uma geolocalização específica de um campo agrícola em um tempo específico, em que o tipo de valor de dado de covariável inclui pelo menos um de uma propriedade espectral detectada remotamente de registros de plantas usando uma faixa de larguras de banda espectral particular, e um registro de umidade de solo; instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para fazer com que o um ou mais processadores agreguem o um ou mais registros de dados agrícolas para criar e armazenar, em memória de computador, uma ou mais séries temporais geoespecíficas durante um tempo especificado; instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para fazer com que o um ou mais processadores selecionem um ou mais recursos representativos da uma ou mais séries temporais geoespecíficas e criar, para cada área geográfica específica, uma matriz de covariáveis em memória de computador compreendendo os recursos representativos selecionados da uma ou mais séries temporais geoespecíficas; e instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para fazer com que o um ou mais processadores determinem um rendimento de safra específico de campo para uma data específica ao usar instruções de regressão linear para calcular o rendimento de safra específico de campo a partir da matriz de covariáveis que representa o campo específico, um ou mais coeficientes de regressão calculados a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição, e um termo de erro calculado a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição onde um parâmetro médio é zero e um parâmetro de variância é um coeficiente de tendência específico de campo, em que o processador é acoplado a um controlador configurado para controlar, com base no rendimento de safra específico de campo, um parâmetro de operação definido em um ou mais programas de script executados por um equipamento agrícola operando no campo agrícola.
11. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar agregar o um ou mais registros de dados agrícolas para criar uma ou mais séries temporais geoespecíficas ao selecionar valores de dados do um ou mais registros de dados agrícolas com base em um índice de vegetação, em que um índice de vegetação é uma combinação de uma ou mais faixas de comprimentos de onda de propriedades espectrais detectadas remotamente.
12. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar criar uma ou mais séries temporais geoespecíficas ao aplicar suavização de gráfico de dispersão ponderada localmente a um subconjunto da uma ou mais séries temporais geoespecíficas.
13. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar determinar um rendimento de safra específico de campo para uma data específica adicional ao determinar um intervalo de predição associado com o rendimento de safra específico de campo, em que o intervalo de predição é uma faixa de valores que mede um nível de certeza associado com o rendimento de safra específico de campo.
14. Sistema de processamento de dados, caracterizado pelo fato de que compreende: uma memória; um ou mais processadores acoplados à memória; instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para induzir o um ou mais processadores para receber um ou mais registros de dados agrícolas que representam um tipo de valor de dado de covariável para plantas em uma geolocalização específica de um campo agrícola em um tempo específico, em que o tipo de valor de dado de covariável inclui pelo menos um de uma propriedade espectral detectada remotamente de registros de plantas usando uma faixa de larguras de banda espectral particular, e um registro de umidade de solo; as instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para induzir o um ou mais processadores para agregar o um ou mais registros de dados agrícolas para criar e armazenar, em memória de computador, uma ou mais séries temporais geoespecíficas durante um tempo especificado; as instruções de agregação de registros de dados armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para induzir o um ou mais processadores para selecionar um ou mais recursos representativos da uma ou mais séries temporais geoespecíficas e criar para cada área geográfica específica uma matriz de covariáveis em memória de computador compreendendo os recursos representativos selecionados da uma ou mais séries temporais geoespecíficas; instruções de regressão linear de mistura armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para induzir o um ou mais processadores para designar um valor de probabilidade para um grupo de componentes de parâmetros em um conjunto de grupos de componentes de parâmetros, em que cada grupo de componentes dentro do conjunto de grupos de componentes de parâmetros compreende: um ou mais coeficientes de regressão calculados a partir de uma distribuição de probabilidades gerada usando instruções de geração de distribuição armazenadas em memória, executadas pelo um ou mais processadores; um termo de erro calculado a partir de uma distribuição de probabilidades gerada por instruções de geração de distribuição armazenadas em memória, executadas pelo um ou mais processadores, onde um parâmetro médio é zero e um parâmetro de variância é um coeficiente de tendência específico de campo; e instruções de estimativa de rendimento de safra armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para induzir o um ou mais processadores para determinar um rendimento de safra específico de campo para uma data específica ao usar instruções de regressão linear de mistura para calcular o rendimento de safra específico de campo com base na matriz de covariáveis e nos valores de probabilidades designados para cada grupo de componentes de parâmetros no conjunto de grupos de componentes de parâmetros, em que o processador é acoplado a um controlador configurado para controlar, com base no rendimento de safra específico de campo, um parâmetro de operação definido em um ou mais programas de script executados por um equipamento agrícola operando no campo agrícola.
15. Sistema de processamento de dados, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar designação de valores de probabilidades para um grupo de componentes de parâmetros em um conjunto de grupos de componentes de parâmetros com base em valores de dados históricos relacionados com uma geolocalização específica de interesse ou múltiplos campos de safras medidas.
16. Sistema de processamento de dados, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar agregação do um ou mais registros de dados agrícolas para criar uma ou mais séries temporais geoespecíficas ao selecionar valores de dados do um ou mais registros de dados agrícolas com base em um índice de vegetação, em que um índice de vegetação é uma combinação de uma ou mais faixas de comprimentos de onda de propriedades espectrais detectadas remotamente.
17. Sistema de processamento de dados, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar criação de uma ou mais séries temporais geoespecíficas ao aplicar suavização de gráfico de dispersão ponderada localmente a um subconjunto da uma ou mais séries temporais geoespecíficas e selecionar valores medianos para cada intervalo de tempo para criar a uma ou mais séries temporais geoespecíficas.
18. Sistema de processamento de dados, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende adicionalmente instruções armazenadas em memória, executadas pelo um ou mais processadores, e configuradas para causar determinação de um rendimento de safra específico de campo para uma data específica adicional ao determinar um intervalo de predição associado com o rendimento de safra específico de campo, em que o intervalo de predição é uma faixa de valores que mede um nível de certeza associado com o rendimento de safra específico de campo.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/956,657 | 2015-12-02 | ||
| US14/956,657 US11062223B2 (en) | 2015-12-02 | 2015-12-02 | Forecasting field level crop yield during a growing season |
| PCT/US2016/064468 WO2017096073A1 (en) | 2015-12-02 | 2016-12-01 | Forecasting field level crop yield during a growing season |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112018011240A2 BR112018011240A2 (pt) | 2018-11-21 |
| BR112018011240B1 true BR112018011240B1 (pt) | 2022-03-15 |
Family
ID=58797776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112018011240-2A BR112018011240B1 (pt) | 2015-12-02 | 2016-12-01 | Métodos e sistemas de processamento de dados para previsão de rendimento de safra de nível de campo durante uma estação de crescimento |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US11062223B2 (pt) |
| EP (1) | EP3383160A4 (pt) |
| AR (1) | AR106900A1 (pt) |
| AU (1) | AU2016365336B2 (pt) |
| BR (1) | BR112018011240B1 (pt) |
| CA (1) | CA3007202C (pt) |
| UA (1) | UA125930C2 (pt) |
| WO (1) | WO2017096073A1 (pt) |
| ZA (1) | ZA201803756B (pt) |
Families Citing this family (84)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180188160A1 (en) * | 2015-07-10 | 2018-07-05 | Sony Corporation | Inspection apparatus, inspection method, and program |
| US10529036B2 (en) * | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| US20180096253A1 (en) * | 2016-10-04 | 2018-04-05 | Civicscape, LLC | Rare event forecasting system and method |
| US10445877B2 (en) | 2016-12-30 | 2019-10-15 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US10664702B2 (en) | 2016-12-30 | 2020-05-26 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US10586105B2 (en) * | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| US10434451B2 (en) * | 2017-07-26 | 2019-10-08 | Nant Holdings Ip, Llc | Apparatus and method of harvesting airborne moisture |
| US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US10853377B2 (en) * | 2017-11-15 | 2020-12-01 | The Climate Corporation | Sequential data assimilation to improve agricultural modeling |
| WO2019121097A1 (en) * | 2017-12-21 | 2019-06-27 | Basf Se | Apparatus for determining agricultural relevant information |
| US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
| US11157736B2 (en) * | 2018-01-29 | 2021-10-26 | Aerovironment, Inc. | Multispectral filters |
| US20190325534A1 (en) | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Agricultural transportation entity identification and selection |
| US11367093B2 (en) | 2018-04-24 | 2022-06-21 | Indigo Ag, Inc. | Satellite-based agricultural modeling |
| US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
| US10999967B2 (en) | 2018-05-25 | 2021-05-11 | The Climate Corporation | Cross-grower study and field targeting |
| US10891482B2 (en) | 2018-07-10 | 2021-01-12 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
| CN108828178B (zh) * | 2018-08-06 | 2024-05-31 | 中国环境科学研究院 | 一种水质巡检设备 |
| EP3853687A4 (en) * | 2018-09-21 | 2022-11-09 | Climate LLC | TUNABLE MODELS FOR DISTRIBUTED GOODS IN AGRICULTURE |
| US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
| US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
| US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
| US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
| US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
| US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
| US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
| US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
| US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
| US11449831B2 (en) * | 2018-11-14 | 2022-09-20 | Starlight Ag, Llc | Systems and methods for selective and real-time user interface display |
| CN109740794A (zh) * | 2018-12-01 | 2019-05-10 | 贵州省烟草公司黔南州公司 | 一种烤烟单产量预测方法 |
| WO2020132092A1 (en) * | 2018-12-19 | 2020-06-25 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| US11574465B2 (en) * | 2018-12-21 | 2023-02-07 | Climate Llc | In-season field level yield forecasting |
| EP3924874B1 (en) * | 2019-02-15 | 2024-01-24 | Tata Consultancy Services Limited | System and method for computing burning index score pertaining to crops |
| CA3130503A1 (en) * | 2019-02-21 | 2020-08-27 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
| US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
| CN113874829B (zh) * | 2019-05-17 | 2024-05-14 | 克莱米特有限责任公司 | 话音集成农业系统 |
| US20220261928A1 (en) * | 2019-07-08 | 2022-08-18 | Indigo Ag, Inc. | Crop yield forecasting models |
| CN112434781A (zh) * | 2019-08-26 | 2021-03-02 | 上海寒武纪信息科技有限公司 | 用于处理数据的方法、装置以及相关产品 |
| WO2021062177A1 (en) * | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Imputation of remote sensing time series for low-latency agricultural applications |
| WO2021062147A1 (en) | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
| US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
| JP2023521637A (ja) * | 2020-04-03 | 2023-05-25 | ビーエーエスエフ アグロ トレードマークス ゲーエムベーハー | 地理的地図データを検証および／または修正するための方法 |
| EP4147167A4 (en) * | 2020-05-07 | 2024-05-01 | E. & J. Gallo Winery | SYSTEM AND PROCEDURE FOR MANAGING AND PROCESSING AGRICULTURAL FIELD DATA |
| US11321332B2 (en) * | 2020-05-18 | 2022-05-03 | Business Objects Software Ltd. | Automatic frequency recommendation for time series data |
| CN111624160A (zh) * | 2020-06-10 | 2020-09-04 | 忻州师范学院 | 一种在线检测谷物生长状况的方法及其装置 |
| WO2022020448A1 (en) | 2020-07-21 | 2022-01-27 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
| US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
| US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
| US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
| US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
| US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
| US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
| US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
| US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
| US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
| US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
| US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
| US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
| US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
| US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
| US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
| US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
| US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
| US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
| US11946747B2 (en) * | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
| US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
| CA3218501A1 (en) | 2021-04-27 | 2022-11-03 | Zordi, Inc. | Autonomous greenhouse control system |
| US11823448B2 (en) * | 2021-04-29 | 2023-11-21 | International Business Machines Corporation | Agricultural crop identification using satellite and crop rotation |
| CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
| CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
| CA3225792A1 (en) * | 2021-07-15 | 2023-01-19 | Bitstrata Systems Inc. | Harvest yield prediction methods and system |
| WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
| CA3230474A1 (en) | 2021-08-31 | 2023-03-09 | Eleanor Elizabeth Campbell | Systems and methods for ecosystem credit recommendations |
| US20230189689A1 (en) * | 2021-12-22 | 2023-06-22 | Agco Corporation | Row position mapping of an agricultural implement |
| NO20220416A1 (en) * | 2022-04-05 | 2023-10-06 | Digifarm As | Methods and systems for estimating crop yield from vegetation index data |
| WO2024059300A1 (en) * | 2022-09-15 | 2024-03-21 | Indigo Ag, Inc. | Uncertainty prediction models |
| CN115879836B (zh) * | 2023-03-08 | 2023-05-12 | 吉林高分遥感应用研究院有限公司 | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 |
| CN116595333B (zh) * | 2023-05-18 | 2024-04-09 | 中国农业大学 | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 |
| CN117575111B (zh) * | 2024-01-16 | 2024-04-12 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8855405B2 (en) | 2003-04-30 | 2014-10-07 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
| US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
| NZ562316A (en) | 2007-10-09 | 2009-03-31 | New Zealand Inst For Crop And | Method and system of managing performance of a tuber crop |
| US8306750B2 (en) | 2009-08-18 | 2012-11-06 | Plant Health Care, Inc. | Computer-automated spatial analysis |
| RU2415556C1 (ru) | 2009-08-28 | 2011-04-10 | Государственное научное учреждение Прикаспийский научно-исследовательский институт аридного земледелия Российской академии сельскохозяйственных наук | Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты) |
| JP5626056B2 (ja) | 2011-03-18 | 2014-11-19 | 富士通株式会社 | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 |
| US20140278731A1 (en) | 2013-03-15 | 2014-09-18 | Cresco Ag, Llc | System and Method for Agricultural Risk Management |
| US9116924B2 (en) | 2013-01-14 | 2015-08-25 | Xerox Corporation | System and method for image selection using multivariate time series analysis |
| RU2537912C2 (ru) | 2013-04-29 | 2015-01-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
| JP6147579B2 (ja) | 2013-06-18 | 2017-06-14 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
| US9349148B2 (en) | 2013-07-17 | 2016-05-24 | Sigma Space Corp. | Methods and apparatus for adaptive multisensor analisis and aggregation |
| US20160247082A1 (en) * | 2013-10-03 | 2016-08-25 | Farmers Business Network, Llc | Crop Model and Prediction Analytics System |
| WO2015100023A1 (en) | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
| JP2015189515A (ja) | 2014-03-31 | 2015-11-02 | 株式会社日立製作所 | 液体調整装置及び液体分注システム |
| CN103955860A (zh) | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
| US9974226B2 (en) | 2014-04-21 | 2018-05-22 | The Climate Corporation | Generating an agriculture prescription |
| US9131644B2 (en) | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
| US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| US9140824B1 (en) | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
-
2015
- 2015-12-02 US US14/956,657 patent/US11062223B2/en active Active
-
2016
- 2016-12-01 AR ARP160103689A patent/AR106900A1/es active IP Right Grant
- 2016-12-01 CA CA3007202A patent/CA3007202C/en active Active
- 2016-12-01 AU AU2016365336A patent/AU2016365336B2/en not_active Ceased
- 2016-12-01 BR BR112018011240-2A patent/BR112018011240B1/pt active IP Right Grant
- 2016-12-01 EP EP16871523.3A patent/EP3383160A4/en not_active Ceased
- 2016-12-01 WO PCT/US2016/064468 patent/WO2017096073A1/en active Application Filing
- 2016-12-01 UA UAA201807371A patent/UA125930C2/uk unknown
-
2018
- 2018-06-06 ZA ZA2018/03756A patent/ZA201803756B/en unknown
-
2021
- 2021-07-07 US US17/369,835 patent/US20210406745A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| CA3007202C (en) | 2023-01-17 |
| US11062223B2 (en) | 2021-07-13 |
| AU2016365336A1 (en) | 2018-06-28 |
| EP3383160A1 (en) | 2018-10-10 |
| AU2016365336B2 (en) | 2020-11-12 |
| US20210406745A1 (en) | 2021-12-30 |
| US20170161627A1 (en) | 2017-06-08 |
| CA3007202A1 (en) | 2017-06-08 |
| BR112018011240A2 (pt) | 2018-11-21 |
| ZA201803756B (en) | 2020-05-27 |
| EP3383160A4 (en) | 2019-04-10 |
| WO2017096073A1 (en) | 2017-06-08 |
| AR106900A1 (es) | 2018-02-28 |
| UA125930C2 (uk) | 2022-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11714211B2 (en) | Estimating soil properties within a field using hyperspectral remote sensing | |
| US20210406745A1 (en) | Forecasting field level crop yield during a growing season | |
| US10859732B2 (en) | Long-range temperature forecasting | |
| US10963606B2 (en) | Location selection for treatment sampling | |
| CA3020852C (en) | Estimating rainfall adjustment values | |
| BR112017026437B1 (pt) | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos | |
| BR112018008750B1 (pt) | Método implementado por computador de recomendações de colheita de milho e mídia de armazenamento não transitório | |
| BR112021009316A2 (pt) | recomendações de irrigação com base em imagem | |
| BR112021010115A2 (pt) | Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos | |
| BR112018071870B1 (pt) | Método e sistema de processamento de dados |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 01/12/2016, OBSERVADAS AS CONDICOES LEGAIS. |
|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |