BR112018070806B1 - Método e sistema de processamento de dados para estimar valores de ajuste de precipitação - Google Patents
Método e sistema de processamento de dados para estimar valores de ajuste de precipitação Download PDFInfo
- Publication number
- BR112018070806B1 BR112018070806B1 BR112018070806-2A BR112018070806A BR112018070806B1 BR 112018070806 B1 BR112018070806 B1 BR 112018070806B1 BR 112018070806 A BR112018070806 A BR 112018070806A BR 112018070806 B1 BR112018070806 B1 BR 112018070806B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- precipitation
- agricultural
- instructions
- sets
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 title claims description 5
- 238000001556 precipitation Methods 0.000 claims abstract description 196
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 30
- 238000012417 linear regression Methods 0.000 claims description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 106
- 229910052757 nitrogen Inorganic materials 0.000 description 53
- 230000009418 agronomic effect Effects 0.000 description 37
- 239000002689 soil Substances 0.000 description 29
- 238000004891 communication Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 25
- 238000003860 storage Methods 0.000 description 25
- 238000013515 script Methods 0.000 description 19
- 238000004883 computer application Methods 0.000 description 10
- 238000013479 data entry Methods 0.000 description 10
- 239000003337 fertilizer Substances 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000009466 transformation Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000006735 deficit Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000003971 tillage Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000037406 food intake Effects 0.000 description 6
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 241001124569 Lycaenidae Species 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003306 harvesting Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 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
- 238000004458 analytical method Methods 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000019646 color tone Nutrition 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000033001 locomotion Effects 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
- 238000005457 optimization Methods 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
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 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
- 239000002837 defoliant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000855 fungicidal effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000012010 growth 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
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- -1 silt Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
um método para estimar os valores de precipitação ajustados para um conjunto de geolocalizações utilizando dados agrícolas compreende utilizar um sistema de computador servidor que recebe, via rede, registros de dados agrícolas que são utilizados para estimar os valores de precipitação para o conjunto de geolocalizações. dentro do sistema de computador servidor, as instruções de cálculo de precipitação recebem dados digitais, incluindo registros de dados agrícolas de radar e de medição de chuva observados. o sistema de computador, em seguida, agrega os registros de dados agrícolas e cria e armazena os conjuntos de dados agrícolas. os registros de dados agrícolas são então transformados em um ou mais conjuntos de distribuição. os conjuntos de distribuição são então utilizados para determinar parâmetros de regressão para um modelo de regressão de precipitação digital. o modelo de regressão de precipitação digital é então utilizado para estimar os valores de precipitação ajustados para um novo conjunto de geolocalizações. o sistema de computador servidor gera uma imagem digital que inclui as geolocalizações e os valores de precipitação ajustados.
Description
[001] Uma parte da divulgação deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos autorais não tem objeções à reprodução por fac- símile feita por qualquer pessoa do documento de patente ou da patente, como aparece nos arquivos ou registros de patentes do Escritório de Patentes e Marcas Registradas, mas reserva todos os direitos autorais ou quaisquer outros direitos. © 2015-2016 The Climate Corporation.
[002] A presente divulgação refere-se à previsão de estimativas de precipitação para um conjunto de geolocalizações com base em estimativas de precipitação observadas.
[003] As abordagens descritas nesta seção são abordagens que podem ser buscadas, mas não necessariamente abordagens que foram previamente concebidas ou buscadas. Portanto, salvo indicação em contrário, não se deve presumir que qualquer uma das abordagens descritas nesta seção se qualifique como técnica anterior meramente em virtude de sua inclusão nesta seção.
[004] As previsões de precipitação tornaram-se parte integrante do planejamento agrícola. Os produtores geralmente tomam decisões administrativas com base nas estimativas de precipitação. As estimativas de precipitação podem ser baseadas em diferentes tipos de instrumentos de detecção de chuva incluindo radares meteorológicos e pluviômetros. Os radares meteorológicos fornecem ampla cobertura espacial e precipitação média em uma determinada área. No entanto, as estimativas baseadas em radar podem ser tendenciosas porque dependem de certas variáveis latentes, como o tamanho da gota de chuva, e detectam o teor de água no ar em oposição ao conteúdo de superfície de água.
[005] Os pluviômetros fornecem estimativas pontuais mais precisas porque medem o acúmulo real de chuva no solo. No entanto, os dados de pluviômetro podem variar com base na localização do pluviômetro em um campo e são localizados nos campos onde eles estão instalados. A utilização de instrumentos de pluviômetro não oferece grande cobertura espacial para estimar grandes áreas.
[006] As reivindicações anexas podem servir como um sumário da divulgação.
[007] Nos desenhos:
[008] Figura 1 ilustra um exemplo de sistema de computador que é configurado para executar as funções descritas aqui, mostrado em um ambiente de campo com outros aparelhos com os quais o sistema pode interoperar.
[009] Figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções na memória principal quando uma aplicação móvel de exemplo é carregada para execução.
[010] Figura 3 ilustra um processo programado através do qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados agronômicos fornecidos por uma ou mais fontes de dados.
[011] Figura 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser implementada.
[012] Figura 5 descreve uma modalidade de exemplo de uma vista de linha do tempo para entrada de dados.
[013] Figura 6 descreve uma modalidade exemplar de uma vista de planilha de cálculo para entrada de dados.
[014] Figura 7 descreve um exemplo de método para estimar parâmetros de regressão para um modelo de regressão de precipitação digital baseado em dados agrícolas recebidos.
[015] Figura 8 descreve um exemplo detalhado de estimar parâmetros de regressão e valores de erro aleatório espacialmente variantes para o modelo de regressão de precipitação.
[016] Figura 9A e Figura 9B cada descrevem exemplos de gráficos de dispersão de dados de pluviômetro versus dados de radar.
[017] Figura 10 ilustra um exemplo detalhado da estimativa dos valores de precipitação corrigidos de pluviômetro para um conjunto de geolocalizações utilizando o modelo de regressão de precipitação digital.
[018] Figura 11 A e Figura 11B cada descrevem uma imagem digital de estimativas de precipitação para uma área geográfica específica.
[019] Na descrição seguinte, para fins de explicação, numerosos detalhes específicos são estabelecidos a fim de fornecer uma compreensão completa da presente divulgação. Será evidente, no entanto, que as modalidades podem ser praticadas sem estes detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são mostrados na forma de diagrama de blocos, a fim de evitar obscurecer desnecessariamente a presente divulgação. As modalidades são divulgadas em seções de acordo com o seguinte esquema: VISÃO GERAL EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA 2.1. VISÃO GERAL ESTRUTURAL 2.2. VISÃO GERAL DE PROGRAMA DE APLICAÇÃO 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELOS AGRONÔMICOS 2.5. SUBSISTEMA DE AJUSTE DE PRECIPITAÇÃO 2.6. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE HARDWARE VISÃO GERAL FUNCIONAL - ESTIMAR VALORES DE AJUSTE DE PRECIPITAÇÃO 3.1. RECEBER DADOS E AGREGAR REGISTROS DE DADOS 3.2. TRANSFORMAR REGISTROS DE DADOS 3.3. GERAR MATRIZ DE COBERTURA 3.4. GERAR MODELO DE REGRESSÃO DE PRECIPITAÇÃO 3.5. ESTIMAR VALORES DE PRECIPITAÇÃO PARA NOVAS LOCALIZAÇÕES 3.6. APRESENTAR VALORES DE PRECIPITAÇÃO
[020] Um sistema de computador e um método implementado por computador que são configurados para estimar valores de precipitação ajustados para um conjunto de geolocalizações utilizando dados agrícolas são fornecidos. Em uma modalidade, a estimativa dos valores de precipitação ajustados pode ser realizada utilizando um sistema de computador servidor que é configurado e programado para receber através de uma rede de comunicação digital, dados digitais eletrônicos representando registros de dados agrícolas, incluindo registros que representam pontos de dados agrícolas observados para geolocalizações específicas em um tempo específico. Utilizando instruções de cálculo de precipitação programadas digitalmente, o sistema de computador é programado para receber dados digitais incluindo registros de dados agrícolas de radar e pluviômetro observados. Utilizando instruções de cálculo de precipitação programadas digitalmente, o sistema de computador é programado para agregar o um ou mais registros de dados agrícolas e armazenar, na memória de computador, um ou mais conjuntos de dados agrícolas, onde cada conjunto de dados agrícolas representa um único tipo de dados agrícolas observados. Utilizando instruções de cálculo de precipitação programadas digitalmente, o sistema de computador é programado para transformar o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição agrícola, onde cada conjunto de distribuição agrícola é uma distribuição normal.
[021] Utilizando instruções de geração de matriz de covariáveis programada digitalmente, o sistema de computador é programado para gerar e armazenar, na memória de computador, uma matriz de covariáveis a partir do um ou mais conjuntos de distribuição agrícola. A matriz de covariáveis inclui valores calculados ou derivados a partir do um ou mais conjuntos de distribuição agrícola. Utilizando instruções de estimativa de parâmetro, o sistema de computador é programado para estimar os parâmetros de regressão para um modelo de regressão de precipitação digital. O modelo de regressão de precipitação digital, armazenado na memória de computador, é gerado utilizando valores a partir da matriz de covariáveis como covariáveis e utilizando um ou mais conjuntos de distribuição agrícola como observações de precipitação dentro do modelo de regressão de precipitação digital.
[022] Utilizando instruções de estimativa de precipitação, o sistema de computador é programado para estimar valores de precipitação ajustados para um novo conjunto de geolocalizações utilizando o modelo de regressão de precipitação digital armazenado. Utilizando instruções de sobreposição de precipitação, o sistema de computador é programado para gerar uma imagem digital do conjunto de valores de precipitação ajustados, onde a imagem digital corresponde ao conjunto de novas geolocalizações e os valores de precipitação ajustados são sobrepostos na imagem digital para representar graficamente os valores de precipitação ajustados.
[023] A Figura 1 ilustra um exemplo de sistema de computador que é configurado para executar as funções descritas aqui, mostrado em um ambiente de campo com outros aparelhos com os quais o sistema pode interoperar. Em uma modalidade, um usuário 102 tem, opera ou possui um dispositivo de computação de gestor de campo 104 em uma localização de campo ou associado a uma localização de campo tal como um campo destinado a atividades agrícolas ou uma localização de gestão para um ou mais campos agrícolas. O dispositivo de computador de gestor de campo 104 é programado ou configurado para fornecer dados de campo 106 a um dispositivo de computador de inteligência agrícola 130 através de uma ou mais redes 109.
[024] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área, nome de campo, identificadores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura e quaisquer outros dados adequados que possam ser usados para identificar terras agrícolas, como unidade de terra comum (CLU), número de lote e bloco, número de parcela, coordenadas e limites geográficos, Número de Série de Fazenda (FSN), número de fazenda, número de área, número de campo, seção, município e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cultivada organicamente, data de colheita, Histórico de Produção Atual (APH), rendimento esperado, rendimento, preço de cultura, rendimento de cultura, umidade de grão, prática de lavoura e (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca de cátion (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo de semente(s), maturidade relativa (RM) da(s) semente(s) plantada(s), população de sementes), (e) dados de fertilizante (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), f) dados de pesticida (por exemplo, pesticida, herbicida, fungicida, outras substâncias ou misturas de substâncias destinadas a serem utilizadas 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 climáticos (por exemplo, precipitação, temperatura, vento, previsão, 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, imagens e informações de espectro de luz a partir de um sensor de equipamento agrícola, câmera, computador, telefone inteligente, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de reconhecimento (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (atual e ao longo do tempo), umidade do solo, fase de crescimento de cultura, velocidade do vento, umidade relativa do ar, ponto de orvalho, camada preta)), e (k) solo, semente, fenologia de cultura, relatório de pragas e doenças, e fontes de previsão e bancos de dados.
[025] Um computador servidor de dados 108 é comunicativamente acoplado ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109. O computador servidor de dados externo 108 pode ser possuído ou operado pela mesma pessoa jurídica ou entidade que o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, tal como uma agência governamental, organização não governamental (ONG) e/ou um fornecedor privado de serviços de dados. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados de solo ou dados estatísticos relacionados ao rendimento de cultura, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externo 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 focado exclusivamente em um tipo de dados que poderiam ser obtidos de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externo 108 pode realmente ser incorporado dentro do sistema 130.
[026] Um equipamento agrícola 111 tem um ou mais sensores remotos 112 fixados no mesmo, esses sensores são comunicativamente acoplados, direta ou indiretamente, através do equipamento agrícola 111 para o sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para sistema de computador de inteligência agrícola 130. Exemplos de equipamentos agrícolas 111 incluem tratores, colheitadeiras (“combines”), colheitadeiras (“harvesters”), plantadeiras, caminhões, equipamento de fertilizador, veículos aéreos não tripulados e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel, e que pode ser usado em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados localmente em uma rede no equipamento; A rede de área de controlador (CAN) é um exemplo dessa rede que pode ser instalada em colheitadeiras (“combines“) ou colheitadeiras (“harvesters“). O controlador de aplicação 114 é acoplado comunicativamente ao dispositivo de computador de inteligência agrícola 130 através da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts para controlar um parâmetro operacional de um veículo ou instrumento agrícola a partir do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para permitir comunicações do sistema de computador de inteligência agrícola 130 para o equipamento agrícola 111, tal como o CLIMATE FIELD VIEW DRIVE, disponibilizado pela The Climate Corporation, São Francisco, Califórnia, é usado. Os dados de sensor podem consistir no mesmo tipo de informação que os dados de campo 106.
[027] O equipamento 111 pode compreender um computador de cabine 115 que é programado com uma aplicação de cabine, que pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que é descrita adicionalmente em outras seções aqui. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um computador do tamanho de um tablet ou telefone inteligente, com uma exibição de tela gráfica colorida montada na cabine de um operador do equipamento 111. O computador de cabine 115 pode implementar algumas ou todas as operações e funções que são aqui descritas mais adiante para o dispositivo de computador móvel 104.
[028] A(s) rede(s) 109 representam, em termos gerais, qualquer combinação de uma ou mais redes de comunicação de dados incluindo redes de área local, redes de área ampla, trabalhos de internet ou internets, utilizando qualquer um dos enlaces com ou sem fio, incluindo enlaces terrestres ou de satélite. A rede(s) pode ser implementada por qualquer meio ou mecanismo que fornece a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 também pode ter enlaces de comunicação diretos (com ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema compreendem, cada um, uma interface compatível com a(s) rede(s) 109 e são programados ou configurados para utilizar protocolos padronizados de comunicação através das redes, tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, como HTTP, TLS e similares.
[029] Sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 a partir do dispositivo de computação de gestor de campo 104, dados externos 110 a partir do computador servidor de dados externo 108, e dados de sensor a partir do sensor remoto 112. Sistema de computador de inteligência agrícola 130 pode ser ainda configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada, como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar a conversão e armazenamento de valores de dados, construção de modelos digitais de uma ou mais culturas em um ou mais campos, geração de recomendações e notificações, e geração e envio de scripts para o controlador de aplicação 114, da maneira adicionalmente descrita em outras seções desta divulgação.
[030] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware/virtualização 150, e repositório de dados de modelo e campo 160. "Camada", neste contexto, refere-se a qualquer combinação de circuitos de interface digitais eletrônicos, microcontroladores, firmware, como drivers e/ou programas de computador ou outros elementos de software.
[031] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída incluindo solicitações de envio ao dispositivo de computação de gestor de campo 104, computador de servidor de dados externo 108 e 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 ao repositório de dados de campo e modelo 160 para serem armazenados como dados de campo 106.
[032] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exibida no dispositivo de computação de gestor de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para entrada de dados a serem enviados para o sistema de computador de inteligência agrícola 130, gerar pedidos de modelos e/ou recomendações, e/ou exibir recomendações, notificações, modelos e outros dados de campo.
[033] A camada de gestão de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de escrita 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 de camada de gestão de dados 140 incluem JDBC, código de interface de servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Como usado aqui, o termo "banco de dados" pode referir-se a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Como usado aqui, um banco de dados pode compreender qualquer coleção de dados incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivos simples, bancos de dados de objeto-relacionais, bancos de dados orientados a objetos e qualquer outra coleção estruturada de registros ou dados armazenados em um sistema de computador. Exemplos de RDBMS incluem, entre outros, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para habilitar os sistemas e métodos descritos aqui.
[034] Quando os dados de campo 106 não são fornecidos diretamente ao sistema de computador de inteligência agrícola através 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 solicitado através de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) para introduzir essa informação. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação por acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhar limites do campo sobre o mapa. Esses desenhos de mapa ou seleção de CLU representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando dados de identificação de campo (fornecidos como arquivos de formato ou em um formato similar) a partir da Agência de Serviço Agrícola do Departamento de Agricultura dos EUA ou outra fonte via dispositivo de usuário e fornecendo esses dados de identificação de campo ao sistema de computador de inteligência agrícola.
[035] Em uma modalidade exemplar, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar exibição de uma interface gráfica de usuário que compreende um gestor de dados para entrada de dados. Depois que um ou mais campos foram identificados utilizando os métodos descritos acima, o gestor de dados pode fornecer um ou mais widgets da interface gráfica de usuário que, quando selecionados, podem identificar alterações nas práticas de campo, solo, culturas, lavoura ou nutrientes. O de gestor de dados pode incluir uma visualização de linha do tempo, uma visualização de planilha de cálculo e/ou um ou mais programas editáveis.
[036] A Figura 5 descreve uma modalidade de exemplo de uma vista de linha do tempo para entrada de dados. Utilizando a exibição representada na Figura 5, um computador de usuário pode inserir uma seleção de um campo particular e uma data específica para a adição de evento. Eventos descritos no topo da linha do tempo incluem Nitrogênio, Plantio, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer informações para selecionar a aba nitrogênio. O computador de usuário pode então selecionar um local na linha do tempo para um determinado campo, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta a receber uma seleção de um local na linha do tempo para um campo específico, o gestor de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador insira dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações relacionadas ao campo específico. Por exemplo, se um computador de usuário seleciona uma parte da linha do tempo e indica uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado, e qualquer outra informação relacionada à aplicação de nitrogênio.
[037] Em uma modalidade, o gestor de dados fornece uma interface para criar um ou mais programas. "Programa", neste contexto, refere-se a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações que podem estar relacionadas a um ou mais campos e que podem ser armazenadas em armazenamento de dados digital para reutilização como um conjunto em outras operações. Após a criação de um programa, ele pode ser aplicado conceitualmente a um ou mais campos e as referências ao programa podem ser armazenadas em armazenamento digital em associação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuário pode criar um programa que indique uma aplicação específica de nitrogênio e depois aplicar o programa a vários campos diferentes. Por exemplo, na vista da linha do tempo da Figura 5, as duas linhas do tempo superiores têm o programa "Outono aplicado" selecionado, que inclui uma aplicação de 150 lbs N/ac (168,128 Kg N/ha) no início de abril. O gestor de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é editado, cada campo que selecionou o programa particular é editado. Por exemplo, na Figura 5, se o programa "Outono aplicado" for editado para reduzir a aplicação de nitrogênio a 130 libras N/ac (145,711 Kg N/ha), os dois campos superiores podem ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[038] Em uma modalidade, em resposta a receber edições em um campo que tenha um programa selecionado, o gestor de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio é adicionada ao campo superior na Figura 5, a interface pode ser atualizada para indicar que o programa "Outono aplicado" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa "Outono aplicado" não alterariam a aplicação de nitrogênio em abril.
[039] A Figura 6 descreve uma modalidade exemplar de uma vista de planilha de cálculo para entrada de dados. Utilizando a exibição representada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gestor de dados pode incluir planilhas de cálculo para introduzir informação em relação a Nitrogênio, Plantio, Práticas e Solo, como representado na Figura 6. Para editar uma entrada específica, um computador de usuário pode selecionar a entrada específica na planilha de cálculos e atualizar os valores. Por exemplo, a Figura 6 descreve uma atualização em andamento para um valor de rendimento desejado para o segundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo específico, o gestor de dados pode preencher automaticamente as entradas para o campo específico com base no programa selecionado. Assim como na visualização da linha do tempo, o gestor de dados pode atualizar as entradas para cada campo associado a um determinado programa em resposta a receber uma atualização para o programa. Além disso, o gestor de dados pode remover a correspondência do programa selecionado para o campo em resposta ao recebimento de uma edição em uma das entradas do campo.
[040] Em uma modalidade, os dados de modelo e de campo são armazenados no repositório de dados de modelo e campo 160. O modelo compreende modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um conjunto eletrônico digitalmente armazenado de instruções executáveis e valores de dados, associados uns aos outros, que são capazes de receber e responder a uma chamada programática ou outra chamada digital, invocação ou solicitação de resolução baseada em valores de entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como base de recomendações implementadas por computador, exibições de dados de saída, ou controle de máquina, entre outras coisas. Pessoas versadas na técnica acham conveniente expressar modelos utilizando equações matemáticas, mas essa forma de expressão não limita os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo tem uma aplicação prática em um computador na forma de instruções executáveis armazenadas e dados que implementam o modelo utilizando o computador. O modelo pode incluir um modelo de eventos passados em um ou mais campos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos previstos em um ou mais campos. Dados de modelo e campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos simples ou planilhas de cálculo, ou outras formas de dados digitais armazenados.
[041] A camada de hardware/virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, como memória volátil ou não volátil, armazenamento não volátil, como disco e dispositivos de E/S ou interfaces como ilustrado e descrito, por exemplo, em ligação com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.
[042] Para fins de ilustrar um exemplo claro, a Figura 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número desses elementos. Por exemplo, as modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 associados a diferentes usuários. Além disso, o sistema 130 e/ou o computador servidor de dados externo 108 pode ser implementado utilizando dois ou mais processadores, núcleos, agrupamentos ou instâncias de máquinas físicas ou máquinas virtuais, configurados em um local discreto ou colocalizados com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
[043] Em uma modalidade, a implementação das funções aqui descritas utilizando um ou mais programas de computador ou outros elementos de software que são carregados e executados utilizando um ou mais computadores de uso geral farão com que os computadores de uso geral sejam configurados como uma determinada máquina ou como um computador que é especialmente adaptado para executar as funções descritas aqui. Além disso, cada um dos fluxogramas aqui descritos pode servir, isoladamente ou em combinação com as descrições de processos e funções em prosa aqui, 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 em prosa aqui, e todas as figuras de desenho, juntas pretendem fornecer a divulgação de algoritmos, planos ou direções que sejam suficientes para permitir que uma pessoa versada na técnica possa programar um computador para executar as funções descritas aqui, em combinação com a habilidade e conhecimento de tal pessoa, dado o nível de habilidade que é apropriado para invenções e divulgações deste tipo.
[044] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 utilizando o dispositivo de computação de gestor de campo 104 configurado com um sistema operacional e um ou mais programas de aplicação ou app; o dispositivo de computação de gestor de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola independentemente e automaticamente sob o controle de programa ou controle lógico e a interação de usuário direta nem sempre é necessária. O dispositivo de computação de gestor de campo 104 representa, de um modo geral, um ou mais de um telefone inteligente, PDA, dispositivo de computação de tablet, computador portátil, computador de mesa, estação de trabalho, ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computador de gestor de campo 104 pode comunicar através de uma rede utilizando uma aplicação móvel armazenada no dispositivo de computador de gestor de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado utilizando um cabo 113 ou conector 112 ao sensor 112 e/ou controlador 114. Um usuário particular 102 pode ter, operar ou possuir e utilizar, em conexão com o sistema 130, mais de um dispositivo de computação de gestor de campo 104 de cada vez.
[045] A aplicação móvel pode fornecer funcionalidade de lado de cliente, através da rede para um ou mais dispositivos de computação móvel. Em uma modalidade exemplar, o dispositivo de computação de gestor de campo 104 pode acessar a aplicação móvel através de um navegador Web ou de uma aplicação ou app cliente local. O dispositivo de computação de gestor de campo 104 pode transmitir dados para, e receber dados de, um ou mais servidores de terminal frontal, utilizando protocolos baseados na web ou formatos como HTTP, XML e/ou JSON, ou protocolos específicos de app. Em uma modalidade de exemplo, os dados podem tomar a forma de solicitações e entrada de informação de usuário, como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com o hardware e software de rastreamento de localização no dispositivo de computação de gestor de campo 104 que determina a localização do dispositivo de computação de gestor de campo 104 utilizando técnicas de rastreamento padrão como multilateração de sinais de rádio, sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispositivo ou por solicitar que um app no dispositivo obtenha dados do sistema operacional.
[046] Em uma modalidade, o dispositivo de computação de gestor de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não limitado a, 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 de gestor de campo 104 pode enviar dados de campo 106 em resposta à entrada de usuário a partir do usuário 102, especificando os valores de dados para o um ou mais campos. Adicionalmente, o dispositivo de computação de gestor de campo 104 pode enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados ficam disponíveis para o dispositivo de computação de gestor de campo 104. Por exemplo, o dispositivo de computação de gestor de campo 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou controlador de aplicação 114. Em resposta a receber dados indicando que o controlador de aplicação 114 liberou água no um ou mais campos, dispositivo de computação de gestor de campo 104 pode enviar dados de campo 106 para o dispositivo de computador de inteligência agrícola 130 indicando que a água foi liberada no um ou mais campos. Dados de campo 106 identificados nesta divulgação podem ser inseridos e comunicados utilizando dados digitais eletrônicos que são comunicados entre dispositivos de computação utilizando URLs parametrizadas sobre HTTP, ou outro protocolo de comunicação ou mensagem adequado.
[047] Um exemplo comercial da aplicação móvel é CLIMATE FIELD VIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia. A aplicação CLIMATE FIELD VIEW, ou outras aplicações, podem ser modificadas, estendidas ou adaptadas para incluir recursos, funções e programação que não tenham sido divulgados antes da data de apresentação desta divulgação. Em uma modalidade, a aplicação móvel compreende uma plataforma de software integrada que permite que um produtor tome decisões baseadas em fatos para sua operação, porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseje comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o produtor tome decisões melhores e mais informadas.
[048] A Figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções na memória principal quando uma aplicação móvel de exemplo é carregada para execução. Na Figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas dentro dessas regiões. Em uma modalidade, na vista (a), uma aplicação de computador móvel 200 compreende instruções de compartilhamento de ingestão de dados de campo de conta 202, instruções de visão geral e alerta 204, instruções de livro de mapa digital 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções de condições meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.
[049] Em uma modalidade, uma aplicação de computador móvel 200 compreende instruções de compartilhamento de ingestão de dados de campo de conta 202 que são programadas para receber, traduzir e ingerir dados de campo a partir de sistemas de terceiros através de carregamento manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas como plantado, resultados de testes de solo, mapas como aplicado e/ou zonas de gestão, entre outros. Os formatos de dados podem incluir arquivos de forma, formatos de dados nativos de terceiros e/ou exportações de sistema de informação de gerenciamento de fazenda (FMIS), entre outros. A recepção de dados pode ocorrer por meio de carregamento manual, email com anexo, APIs externas que enviam dados à aplicação móvel ou instruções que chamam APIs de sistemas externos para enviar 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 fazer o carregamento manual de arquivos de dados e importar arquivos enviados para um gestor de dados.
[050] Em uma modalidade, as instruções de livro de mapas digital 206 compreendem camadas de dados de mapa de campo armazenadas na memória de dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isso fornece aos produtores informação conveniente à mão para referência, registro e ideias visuais do desempenho do campo. Em uma modalidade, instruções de visão geral e de alerta 204 são programadas para fornecer uma visão de toda a operação do que é importante para o produtor, e recomendações oportunas para agir ou focar em questões específicas. Isso permite que o produtor concentre tempo no que precisa de atenção, para economizar tempo e preservar o rendimento durante toda a temporada. Em uma modalidade, instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de sementes, posicionamento híbrido e criação de script, incluindo criação de script de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da compra otimizada de sementes, posicionamento e população.
[051] 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 permite que os produtores criem scripts para instrumentos de campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode incluir ferramentas para identificar um tipo de semente para o 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, como as camadas de dados de mapa de campo criadas como parte das instruções de livro de mapa digital 206. Em uma modalidade, as zonas de gestão compreendem zonas de solo, juntamente com um painel identificando cada zona de solo e um nome de solo, textura, drenagem para cada zona ou outros dados de campo. A aplicação de computador móvel 200 também pode apresentar ferramentas para editar ou criar tais, como ferramentas gráficas para desenhar zonas de gestão, tais como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gestão ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de gestão. Quando um script é criado, a aplicação de computador móvel 200 pode disponibilizar o script para descarregamento em um formato legível por um controlador de aplicação, como um formato arquivado ou compactado. Adicionalmente e/ou alternativamente, um script pode ser enviado diretamente para o computador de cabine 115 a partir da aplicação de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posterior.
[052] Em uma modalidade, instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar as decisões de nitrogênio por visualizar a disponibilidade de nitrogênio para as culturas. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da aplicação otimizada de nitrogênio durante a temporada. Exemplo de funções programadas incluem a exibição de imagens, como imagens SSURGO, para permitir o desenho de zonas de aplicação e/ou imagens geradas a partir de dados de solo de subcampo, como dados obtidos de sensores, em uma alta resolução espacial (tão alta quanto 10 metros ou menor devido à sua proximidade com o solo); carregamento de zonas existentes definidas pelo produtor; fornecer um gráfico de aplicação e/ou um mapa para permitir a aplicação de ajuste(s) de nitrogênio através de múltiplas zonas; saída de scripts para acionar maquinário; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. "Entrada de dados em massa", neste contexto, pode significar inserir dados uma vez e, em seguida, aplicar os mesmos dados a vários campos que foram definidos no sistema; exemplos de dados podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo na aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e práticas de nitrogênio e para aceitar entrada do usuário especificando aplicar esses programas em múltiplos campos. "Programas de plantio de nitrogênio", neste contexto, refere-se a um conjunto de dados armazenado e denominado que associa: um nome, código de cor 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 esfaqueado em, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é o objeto do pedido, entre outros. "Programas de práticas de nitrogênio", neste contexto, refere-se a um conjunto de dados nomeado e armazenado que associa: um nome de prática; uma cultura anterior; um sistema de lavoura; uma data de principalmente plantar; um ou mais sistemas de lavoura anteriores que foram usados; um ou mais indicadores do tipo de aplicação, como estrume, que foram usados. Instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, o qual indica projeções de utilização de plantas do nitrogênio especificado e se é previsto um excedente ou déficit; em algumas modalidades, diferentes indicadores de cor 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 e identificando um campo; dados especificando qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos especificando cada aplicação de nitrogênio e quantidade em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de excedentes ou déficits, em que a cor indica magnitude.
[053] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como discadores ou barras deslizantes, para alterar dinamicamente os programas de plantio de e práticas de nitrogênio de modo 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 práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, o qual indica projeções do uso de planta do nitrogênio especificado e se um excedente ou déficit é previsto; em algumas modalidades, diferentes indicadores de cor podem sinalizar uma magnitude do excedente ou magnitude do déficit. O mapa de nitrogênio pode exibir projeções de uso de plantas do nitrogênio especificado e se um excedente ou déficit é previsto para diferentes tempos no passado e no futuro (como diariamente, semanalmente, mensalmente ou anualmente) utilizando indicadores numéricos e/ou coloridos de excedente ou déficit, em que cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada de usuário, como discadores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio para que um usuário possa otimizar seu mapa de nitrogênio, como obter uma quantidade preferida de excedente para déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser utilizadas para aplicação de outros nutrientes (tais como fósforo e potássio), aplicação de pesticidas, e programas de irrigação.
[054] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham uma exibição integrada eficiente em relação às decisões operacionais diárias.
[055] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de detecção remota oportunas destacando variação de cultura durante a estação e potenciais preocupações. Exemplos de funções programadas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de patrulhamento, incluindo, por exemplo, aquelas relacionadas à saúde de campo, e visualização e/ou compartilhamento de notas de patrulhamento; e/ou descarregar imagens de satélite de múltiplas fontes e priorizar as imagens para o produtor, entre outros.
[056] Em uma modalidade, instruções de desempenho 216 são programadas para fornecer relatórios, análise e ferramentas de ideias utilizando dados na fazenda para avaliação, ideias e decisões. Isso permite que o produtor busque melhores resultados para o próximo ano, por meio de conclusões baseadas em fatos sobre o motivo pelo qual o retorno sobre o investimento estava nos níveis anteriores e uma percepção dos fatores limitantes do rendimento. As instruções de desempenho 216 podem ser programadas para comunicar através da(s) rede(s) 109 para programas analíticos de terminal traseiro executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas como rendimento, híbrido, população, SSURGO, testes de solo, ou elevação, entre outros. Relatórios e análises programados podem incluir análises de variabilidade de rendimento, avaliação comparativa de rendimento e outras métricas contra outros produtores com base em dados anônimos coletados de muitos produtores, ou dados para sementes e plantio, entre outros.
[057] Aplicações tendo instruções configuradas desta maneira podem ser implementadas para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface de usuário. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, telefones inteligentes ou computadores servidores que são acessados utilizando navegadores em computadores clientes. Além disso, a aplicação móvel, conforme configurado para computadores tablet ou telefones inteligentes, pode fornecer uma experiência de aplicação completa ou uma experiência de aplicação de cabine que seja adequada para as capacidades de exibição e 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 instruções de cabine de mapas 222, instruções de vista remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230 e instruções de cabine de patrulhamento 232. A base de código para as instruções de vista (b) podem ser as mesmas da vista (a) e os executáveis implementando o código podem ser programados para detectar o tipo de plataforma na qual eles estão executando e para expor, através de uma interface gráfica de usuário, apenas aquelas funções que são apropriadas para uma plataforma de cabine ou plataforma completa. Essa abordagem permite que o sistema reconheça a experiência de usuário distintamente diferente que é apropriada para um ambiente dentro de cabine e para o ambiente de tecnologia diferente da cabine. As instruções de cabine de mapas 222 podem ser programadas para fornecer vistas de mapa de campos, fazendas ou regiões que são úteis no direcionamento da operação de máquina. As instruções de vista remota 224 podem ser programadas para ligar, gerir e fornecer vistas da atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação ligados ao sistema 130 através de redes sem fios, conectores ou adaptadores com fio e semelhantes. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerir e fornecer transferência de dados coletados nos sensores e controladores de máquina para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio e semelhantes. As instruções de alerta de máquina 228 podem ser programadas para detectar problemas com as operações da máquina ou ferramentas que estão associadas à cabine e gerar alertas de operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configurados para direcionar as operações de máquina ou a coleta de dados. As instruções de cabine de patrulhamento 230 podem ser programadas para exibir alertas baseados em localização e informações recebidas a partir do sistema 130 com base na localização do equipamento agrícola 111 ou sensores 112 no campo e ingerir, gerenciar e fornecer transferência de observações de patrulhamento baseado em localização ao sistema 130 com base na localização do equipamento agrícola 111 ou sensores 112 no campo.
[058] Em uma modalidade, o computador servidor de dados externo 108 armazena dados externos 110, incluindo dados de solo representando a composição do solo para o um ou mais campos e dados meteorológicos representando a temperatura e a precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes, bem como previsões de dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externo 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composição de solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição de solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar dados representando a porcentagem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar dados representando a porcentagem de matéria orgânica (OM) no solo.
[059] 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 veículos, sensores de equipamentos de plantio, sensores de lavoura, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeiras e qualquer outro instrumento capaz de receber dados de 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 pode também ser programado ou configurado para controlar um parâmetro de operação de um veículo ou instrumento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de lavoura, equipamento de fertilizante ou inseticida, equipamentos de colheitadeira ou outros instrumentos de fazenda, como uma válvula de água. Outras modalidades podem utilizar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[060] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em uma base em massa, a partir de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obtenção de dados pode ser denominada "ingestão de dados manual", pois uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como exemplo, a aplicação CLEVIATE FIELD VIEW, disponível comercialmente pela The Climate Corporation, San Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório 160.
[061] Por exemplo, os sistemas de monitoramento de sementes podem controlar componentes de aparelho plantador e obter dados de plantio, incluindo sinais a partir de sensores de sementes via um cabo de sinal que compreende um backbone CAN e conexões ponto-a-ponto para registro e/ou diagnóstico. Os sistemas de monitor de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações ao usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Os exemplos são divulgados na Pat. dos EUA No. 8.738.243 e Publicação de Patente dos EUA 20150094916, e a presente divulgação pressupõe conhecimento dessas outras divulgações de patentes.
[062] Do mesmo modo, sistemas de monitoramento de rendimento podem conter sensores de rendimento para aparelhos de colheitadeira que enviam dados de medição de rendimento para o computador de cabine 115 ou outros dispositivos dentro do sistema 130. Sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma colheitadeira (“combine”) ou outra colheitadeira (“harvester”) e transmitir essas medições ao usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130.
[063] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito aqui em outro local incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem incluir qualquer um dos sensores de velocidade, como sensores de velocidade de radar ou de roda, acelerômetros ou giroscópios. Os sensores de posição podem incluir receptores de GPS ou transceptores, ou aplicações de mapeamento ou posição baseadas em WiFi que são programadas para determinar a localização com base em pontos de acesso de Wi-Fi próximos, entre outros.
[064] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade de motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade de PTO (tomada de força), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos, como pressão ou vazão, e/ou velocidade da bomba hidráulica, sensores de velocidade de roda ou sensores de derrapagem de roda. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bomba hidráulica; controladores de velocidade ou governadores; controladores de posição de engate; ou controladores de posição de roda fornecem direção automática.
[065] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, tais como plantadores, brocas ou semeadoras de ar incluem sensores de sementes, que podem ser sensores óticos, eletromagnéticos ou de impacto; sensores de força descendente (“downforce”) como pinos de carga, células de carga, sensores de pressão; sensores de propriedades de solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduos óticos ou sensores de temperatura; sensores de critérios operacionais de componentes, tais como sensores de profundidade de plantio, sensores de pressão de cilindro de força descendente (“downforce”), 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 de vácuo; ou sensores de aplicação de pesticidas, tais como sensores óticos ou outros eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: controladores de dobragem de barra de ferramentas, tais como controladores para válvulas associadas com cilindros hidráulicos; controladores força descendente (“downforce”), como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente (“downforce”) a unidades de linha individuais ou a uma estrutura inteira de plantadeira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, tais como motores de acionamento de medidor de sementes elétricos, motores de acionamento de medidor de sementes hidráulicos ou embreagens de controle de faixa; controladores de seleção híbridos, tais como motores de acionamento de medidor de sementes ou outros atuadores programados para permitir ou impedir seletivamente que a semente ou uma mistura de ar-semente distribua sementes para ou a partir de medidores de sementes ou tremonhas a granel centrais; controladores de medição, tais como motores de acionamento de medidor de sementes elétricos ou motores de acionamento de medidor de sementes hidráulicos; controladores de sistema de transporte de sementes, tais como controladores para um motor transportador de entrega de sementes de correia; controladores de marcadores, como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de acionamento de medição, controladores de tamanho de orifício ou de posição.
[066] Em uma modalidade, exemplos de 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 configuradas para detectar profundidade, ângulo de gangue ou espaçamento lateral; sensores de força descendente (“downforce”); ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de força descendente (“downforce”) ou controladores de posição de ferramenta, tais como controladores configurados para controlar a profundidade da ferramenta, ângulo de gangue ou espaçamento lateral.
[067] Em uma modalidade, exemplos de sensores 112 que podem ser usados em relação a aparelhos para aplicação de fertilizantes, inseticidas, fungicidas e similares, tais como sistemas de fertilizantes de iniciador na plantadeira, aplicadores de fertilizantes de subsolo, ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistema de fluido, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de cabeça de pulverização ou válvulas de linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linhas de abastecimento secional ou em todo o sistema, ou sensores de linha de abastecimento específicos de fileira; ou sensores cinemáticos, como acelerômetros dispostos em barras de pulverização. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com esse aparelho incluem controladores de velocidade de bomba; controladores de válvulas que são programados para controlar a pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, como a altura da barra, a profundidade de subsolador ou a posição da barra.
[068] Em uma modalidade, exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimento, tais como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou sensores de altura de grãos óticos ou outros sensores de altura de grãos eletromagnéticos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, óticos ou capacitivos; sensores de critérios de operação da plataforma, como altura da plataforma, tipo da plataforma, lacuna de placa da plataforma, velocidade de alimentador e sensores de velocidade de carretel; sensores de critérios de operação de separador, como a folga côncava, velocidade de rotor, folga de sapata ou sensores de folga de amortecedor; sensores para posição, operação ou velocidade de trado; ou sensores de velocidade de motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios operacionais da plataforma para elementos tais como altura da plataforma, tipo da plataforma, espaço entre placas da plataforma, velocidade de alimentador ou velocidade de carretel; controladores de critérios de operação de separador para recursos como folga côncava, velocidade de rotor, folga de sapata ou folga de amortecedor; ou controladores para posição, operação ou velocidade de trado.
[069] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade de trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade de trado.
[070] Em uma modalidade, exemplos de sensores 112 e controladores 114 podem ser instalados em aparelhos de veículos aéreos não tripulados (UAV) ou "drones". Tais sensores podem incluir câmaras com detectores eficazes para qualquer gama do espectro eletromagnético incluindo luz visível, infravermelha, ultravioleta, quase infravermelha (NIR) e semelhantes; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade do ar ou velocidade do vento; sensores de vida da bateria; ou emissores de radar e aparelhos de detecção de energia de radar refletida. Tais controladores podem incluir dispositivos de orientação ou controle de motores, controladores de superfície de controle, controladores de câmera, ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores mencionados anteriormente. Exemplos são divulgados no Pedido de Patente dos EUA No. 14/831.165 e a presente divulgação assume o conhecimento dessa outra divulgação de patente.
[071] Em uma modalidade, os sensores 112 e controladores 114 podem ser afixados ao aparelho de amostragem e medição de solo que é configurado ou programado para amostrar o solo e realizar testes químicos do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Pat. dos EUA No. 8.767.194 e Pat. dos EUA No. 8.712.148 pode ser usado, e a presente divulgação pressupõe conhecimento dessas divulgações de patente.
[072] 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 em memória do sistema de computador de inteligência agrícola 130 que compreende 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 ou condições que podem afetar o crescimento de uma ou mais culturas em um campo, ou propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode incluir recomendações baseadas em fatores agronômicos, como recomendações de culturas, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, como o rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantidade da cultura que é produzida ou, em alguns exemplos, a receita ou o lucro obtido a partir da cultura produzida.
[073] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré- configurado para calcular propriedades agronômicas relacionadas a informação de localização e cultura recebida para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo previamente processados, incluindo, mas não se limitando a, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado para garantir a precisão do modelo. A validação cruzada pode incluir a comparação com a verificação no solo que comparam os resultados previstos com os resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro no mesmo local ou uma estimativa do conteúdo de nitrogênio com uma medição de amostra de solo.
[074] A Figura 3 ilustra um processo programado através do qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando 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 realizar as operações que são agora descritas.
[075] 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 a partir de uma ou mais fontes de dados. Os dados de campo recebidos a partir de uma ou mais fontes de dados podem ser pré-processados com a finalidade de remover os efeitos de distorção e ruído nos dados agronômicos incluindo discrepantes medidos que distorcem os valores dos dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a remover valores de dados comumente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por inclinar desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos do ruído, e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivos e negativos.
[076] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para executar a seleção de subconjunto de dados utilizando os dados de campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração de modelos agronômicos iniciais. O dispositivo de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjuntos de dados incluindo, mas não se limitado a, um método de algoritmo genético, um método de modelos de todos os subconjuntos, um método de pesquisa sequencial, um método de regressão escalonada, um método de optimização de enxame de partículas e um método de optimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativa, baseado em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.
[077] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado através da criação de um modelo agronômico e utilizando limiares de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados utilizando técnicas de validação cruzada incluindo, mas não se limitando a, erro de raiz quadrática média de validação cruzada de deixar-um-de-fora (RMSECV), erro absoluto médio, e erro percentual médio. Por exemplo, RMSECV pode realizar validação cruzada de modelos agronômicos por comparar os valores previstos de propriedades agronômicas criados pelo modelo agronômico com os valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é usada como um loop de retorno onde conjuntos de dados agronômicos que não atendem a limiares de qualidade configurados são usados durante etapas futuras de seleção de subconjunto de dados (bloco 310).
[078] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômicos cruzados validados. Em uma modalidade, a criação de modelos agronômicos pode implementar técnicas de regressão de múltiplas variáveis para criar modelos de dados agronômicos pré-configurados.
[079] 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 avaliação futura de dados de campo.
[080] Em uma modalidade, o sistema de computador de inteligência agrícola 130, entre outros componentes, inclui um subsistema de ajuste de precipitação 170. O subsistema de ajuste de precipitação 170 é configurado para estimar as medições de precipitação para novas áreas geográficas por determinar valores de ajuste que são aplicados às observações de precipitação medidas. Os valores de ajuste são determinados utilizando um modelo de regressão de precipitação e parâmetros de regressão de precipitação que são gerados utilizando observações específicas de geolocalizações que incluem múltiplos tipos de observações de chuva. O dispositivo de computador de inteligência agrícola 130 pode utilizar as medições de precipitação estimadas para apresentar modelos de precipitação no dispositivo de computador de gestor de campo 104.
[081] Em uma modalidade, o subsistema de ajuste de precipitação 170 contém lógica especialmente configurada incluindo, mas não limitada a, instruções de cálculo de precipitação 171, instruções de geração de matriz de covariáveis 172, instruções de estimativa de parâmetro 173, instruções de estimativa de precipitação 174 e instruções de sobreposição de precipitação 175. Cada uma das instruções de cálculo de precipitação 171, instruções de geração de matriz de covariáveis 172, instruções de estimativa de parâmetro 173, instruções de estimativa de precipitação 174 e instruções de sobreposição de precipitação 175 compreende instruções executáveis carregadas em um conjunto de uma ou mais páginas de memória principal, como RAM, no sistema de computador de inteligência agrícola 130 que, quando executadas, fazem com que o sistema de computador de inteligência agrícola 130 desempenhe as funções ou operações que são descritas aqui com referência a esses módulos. Por exemplo, as instruções de cálculo de precipitação 171 podem compreender instruções executáveis carregadas em um conjunto de páginas na RAM que contêm instruções que, quando executadas, causam a execução das funções de cálculo de precipitação que são aqui descritas. As instruções podem estar no código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código-fonte escrito em JAVA, C, C ++, OBJECTIVE-C ou qualquer outra linguagem de programação legível por humano ou ambiente, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outros textos de fonte de programação. O termo "páginas" pretende referir-se amplamente a qualquer região dentro da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura de memória ou arquitetura de processador. Em outra modalidade, cada uma das instruções de cálculo de precipitação 171, instruções de geração de matriz de covariáveis 172, instruções de estimativa de parâmetro 173, instruções de estimativa de precipitação 174 e instruções de sobreposição de precipitação 175 também podem representar um ou mais arquivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa tal como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligência agrícola 130 ou um sistema de repositório separado, que quando compilados ou interpretados geram instruções executáveis que, quando executadas, fazem com que o sistema de computador de inteligência agrícola execute as funções ou operações que são descritas aqui com referência a esses módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual programadores ou desenvolvedores de software organizam e arranjam o código-fonte para posterior compilação em um executável, ou interpretação em bytecode ou equivalente, para execução pelo sistema de computador de inteligência agrícola 130. As instruções executáveis na memória, ou o código-fonte armazenado, especificadas neste parágrafo são exemplos de "módulos" como o termo é usado nesta divulgação.
[082] As instruções de cálculo de precipitação 171 fornecem instruções para executar agregação de registros de dados agrícolas em um ou mais conjuntos de dados agrícolas, onde um conjunto de dados agrícolas representa um conjunto de um único tipo de dados agrícolas observados. As instruções de cálculo de precipitação 171 fornecem instruções adicionais para realizar a transformação do um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição agrícola, em que um conjunto de distribuição agrícola representa uma distribuição normalizada de um conjunto de dados agrícolas. As instruções de geração de matriz de covariáveis 172 fornecem instruções para gerar matrizes de covariáveis, em que as matrizes de covariáveis são baseadas em valores derivados de um ou mais conjuntos de distribuição agrícola. As instruções de estimativa de parâmetro 173 fornecem instruções para estimar parâmetros de regressão para um modelo de regressão de precipitação, em que o modelo de regressão de precipitação é baseado em um ou mais conjuntos de distribuição agrícola. O modelo de regressão de precipitação e os parâmetros de regressão são usados para estimar os valores de ajuste de precipitação em novas geolocalizações. As instruções de estimativa de precipitação 174 fornecem instruções para estimar valores de precipitação ajustada para novas geolocalizações utilizando o modelo de regressão de precipitação e um ou mais conjuntos de distribuição agrícola a partir de outras geolocalizações. As instruções de sobreposição de precipitação 175 fornecem instruções para gerar uma imagem digital dos valores de precipitação estimados, contabilizando os valores de precipitação ajustados estimados. A imagem digital gerada pode incluir uma imagem das novas geolocalizações e representações digitais dos valores de precipitação estimados sobrepostos à imagem das novas geolocalizações.
[083] De acordo com uma modalidade, as técnicas descritas no presente são implementadas por um ou mais dispositivos de computação de propósito especial. Os dispositivos de computação de propósito especial podem ser ligados for fio para executar as técnicas, ou podem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados de aplicação específica (ASICs) ou FPGAs (Conjuntos de Portas de Campos Programáveis) que são persistentemente programados para executar as técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação de propósito especial também podem combinar lógica personalizada com fio, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação de propósito especial podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos de mão, dispositivos de ligação em rede ou qualquer outro dispositivo que incorpora lógica com fio e/ou de programa para implementar as técnicas.
[084] Por exemplo, a Figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 sobre o qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comunicar 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 propósito geral.
[085] Sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. Memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em meio de armazenamento não transitório acessível ao processador 404, renderizam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para executar as operações especificadas nas instruções.
[086] Sistema de computador 400 inclui ainda uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações e instruções estáticas para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco ótico ou unidade de estado sólido é fornecida e acoplada ao barramento 402 para armazenar informações e instruções.
[087] Sistema de computador 400 pode ser acoplado via barramento 402 para uma exibição 412, tal como um tubo de raios catódicos (CRT), para exibir informação para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comandos para o processador 404. Outro tipo de dispositivo de entrada de usuário é o controle de cursor 416, tal como um mouse, uma trackball ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar o movimento de cursor na exibição 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) permite que o dispositivo especifique posições em um plano.
[088] O sistema de computador 400 pode implementar as técnicas descritas aqui usando lógica com fio personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador faz ou programa o sistema de computador 400 para ser uma máquina de propósito especial. De acordo com uma modalidade, as técnicas aqui são executadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, como dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 execute os passos de processo aqui descritos. Em modalidades alternativas, podem ser utilizados circuitos com fio em vez de ou em combinação com instruções de software.
[089] O termo "meio de armazenamento", como usado aqui, refere-se a qualquer meio não transitório que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Esses meios de armazenamento podem compreender meios não voláteis e/ou meios voláteis. O meio não volátil inclui, por exemplo, discos óticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. O meio volátil inclui memória dinâmica, como a memória principal 406. Formas comuns de meio de armazenamento incluem, por exemplo, disquete, disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados magnético, um CD-ROM, qualquer outro meio de armazenamento ótico de dados, qualquer meio físico com padrões de furos, uma RAM, PROM, EPROM, FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[090] O meio de armazenamento é distinto, mas pode ser usado em conjunto com o meio de transmissão. O meio de transmissão participa da transferência de informações entre o meio de armazenamento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fios de cobre e fibra óptica, incluindo os fios que compõem o barramento 402. O meio de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelhos.
[091] Várias formas de meios podem estar envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem inicialmente ser transportadas em um disco magnético ou em uma unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelhos para converter os dados em um sinal de infravermelhos. Um detector de infravermelhos pode receber os dados transportados no sinal de infravermelhos e os circuitos apropriados podem colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem, opcionalmente, ser armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.
[092] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento de comunicação de dados bidirecional a 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 via satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como 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 a uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer implementação deste tipo, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou óticos que transportam fluxos de dados digitais representando vários tipos de informação.
[093] O enlace de rede 420 fornece tipicamente comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão através da rede local 422 para um computador hospedeiro 424 ou para um 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 através da rede mundial de comunicação de dados de pacote agora comumente referida como "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou óticos que transportam 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, que transportam os dados digitais de e para o sistema de computador 400, são formas de exemplo de meios de transmissão.
[094] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), enlace de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código pedido para um programa de aplicação através de Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[095] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de armazenamento 410, ou outro armazenamento não volátil para execução posterior.
[096] A Figura 7 descreve um exemplo de método para estimar parâmetros de regressão para um modelo de regressão de precipitação baseado em dados agrícolas recebidos.
[097] No passo 705, registros de dados agrícolas são recebidos. Por exemplo, o dispositivo de computador de inteligência agrícola 130 pode receber dados externos 110 do computador servidor de dados externo 108. Os dados externos 110 podem ser dados agrícolas relacionados com a precipitação incluindo, mas não limitados a, dados de radar e dados de medição de chuva.
[098] Os dados de radar externos podem referir-se a dados de radar de um computador servidor de dados externo 108, tal como o radar de próxima geração (NEXRAD), embora outras modalidades possam usar outras fontes de dados. NEXRAD é uma rede de radares meteorológicos de Doppler de alta resolução operados pelo Serviço Nacional de Meteorologia dos Estados Unidos. O NEXRAD detecta a precipitação e o movimento atmosférico. As observações do NEXRAD podem estar na forma de refletividade de radar. A refletividade de radar mede a intensidade da precipitação emitindo pulsos de energia para a atmosfera e então medindo a quantidade de energia que é espalhada de volta para o prato do radar. A refletividade de radar a partir de NEXRAD e outras fontes de dados de radar podem ser processadas a partir da refletividade de radar para valores de acumulação de precipitação. A conversão de refletividade de radar em valores de acumulação de precipitação pode ser realizada utilizando algoritmos publicamente disponíveis, como o Sistema de Suporte de Decisões de Aviso - Pacote de Informações Integradas (WDSS-II). Em uma modalidade, os dados externos 110 recebidos são na forma de dados de radar que foram processados e representam registros de acumulação de precipitação para geolocalizações específicas.
[099] Em uma modalidade, os dados externos 110 podem incluir medições de precipitação derivadas de observações de pluviômetro. Por exemplo, o computador servidor de dados externo 108 pode representar um sistema de coleta de pluviômetro publicamente disponível, tal como o sistema de Ingestão de Dados de Assimilação Meteorológica (MADIS). Modalidades do computador de servidor de dados externo 108 podem incluir outros repositórios públicos ou privados de observações de pluviômetro.
[0100] No passo 710, os registros de dados agrícolas são agregados em um ou mais conjuntos de dados agrícolas. Um conjunto de dados agrícolas pode representar registros de dados agrícolas observados originados de um único tipo de dados externos 110 para geolocalizações específicas. Por exemplo, as instruções de cálculo de precipitação 171 fornecem instrução ao sistema de computador de inteligência agrícola 130 para agregar registros de dados agrícolas para geolocalizações específicas em um ou mais conjuntos de dados agrícolas, onde cada conjunto de dados agrícolas representa um tipo específico de dados externos 110.
[0101] Em uma modalidade, um conjunto de dados agrícolas pode ser formatado como um vetor n-dimensional representando medidas de precipitação derivadas de dados de pluviômetro. Os dados dentro do vetor n-dimensional podem incluir medições de precipitação de geolocalizações específicas em diferentes momentos. Por exemplo, o vetor n-dimensional "z" contém medidas de precipitação de pluviômetro das geolocalizações {S1, ..., Sn} tal que, z = (z(S1), ..., z(Sn))T.
[0102] Em uma modalidade, um conjunto de dados agrícolas pode ser formatado como um vetor n-dimensional representando medidas de precipitação derivadas de radar, onde o vetor n-dimensional, "w" é composto de geolocalizações {S1,... , Sn} como w = (w(S1),..., w(Sn))T. As medições de precipitação derivadas de radar representam um valor médio, para um determinado pixel com base no valor médio do pixel e seus vizinhos circundantes. Por exemplo, para a dada geolocalização Si, a estimativa de precipitação derivada de radar é:
[0103] Onde Ni é o conjunto de todos os pixels em uma vizinhança de Si. Uma vizinhança pode incluir uma grade de 5 X 5 centrada em torno do pixel Si. Outras modalidades de uma vizinhança podem ser configuradas para incluir grades de tamanhos diferentes.
[0104] No passo 715, um ou mais conjuntos de dados agrícolas são transformados em um ou mais conjuntos de distribuição. Um conjunto de distribuição pode representar uma distribuição normalizada de um conjunto de dados agrícolas. Em uma modalidade, as instruções de cálculo de precipitação fornecem instruções ao sistema de computador de inteligência agrícola 130 para transformar o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição normalizados.
[0105] Em uma modalidade, a transformação pode ser implementada utilizando um parâmetro de transformação de Box-Cox. A transformação de Box-Cox de um parâmetro é um método para transformar valores de dados dentro de um conjunto de dados em um conjunto de distribuição normal utilizando o valor de expoente, À. O À indica a potência para a qual o valor de cada dado dentro do conjunto de dados é elevado. Em uma modalidade, À pode ser definido como À = 0,3. Outras modalidades podem usar valores diferentes para À incluindo, mas não limitado a, um valor entre -5,0 e 5,0. No cenário em que À = 0, a transformação implementaria então uma função de logaritmo, de modo que cada valor de z seja transformado como y(Si) = log (z(Si)).
[0106] Em uma modalidade, um parâmetro de transformação de Box-Cox pode ser aplicado ao vetor n-dimensional de pluviômetro z, onde cada valor de z é transformado utilizando o seguinte:
[0107] onde y(Si) é igual ao valor transformado para z(Si) e onde À, 0,3. Os valores transformados são então compilados para compor um conjunto de distribuição para o vetor z.
[0108] Em uma modalidade, um parâmetro de transformação de Box-Cox pode ser aplicado ao vetor n-dimensional de dados de radar w, onde cada valor de ív é transformado utilizando o seguinte:
[0109] onde x(Si) é igual ao valor transformado para w(Si) e À, igual a 0,3. Os valores transformados são então compilados para compor um conjunto de distribuição para o vetor w.
[0110] Em uma modalidade, os conjuntos de distribuição para os vetores z e w são armazenados na memória digital do sistema de computador de inteligência agrícola 130. Por exemplo, os conjuntos de distribuição são armazenados dentro do repositório de dados de modelo e campo 160. Em uma modalidade alternativa, os conjuntos de distribuição podem ser armazenados no armazenamento digital que é externo ao sistema de computação de inteligência agrícola 130.
[0111] A fim de estimar os valores de precipitação para novas geolocalizações onde os dados de precipitação só podem existir na forma de dados de precipitação derivados de radar, uma correlação entre dados de pluviômetro observados e dados de precipitação derivados de radar deve ser determinada utilizando áreas onde ambos os tipos de dados de precipitação existem. Por exemplo, a Figura 9A representa um gráfico de dispersão de dados plotando dados de pluviômetro observados versus dados de precipitação derivados de radar observados. O gráfico 905 plota as observações de pluviômetro versus as observações derivadas de radar durante um período de uma hora. O eixo y representa medições de pluviômetro e o eixo x representa medidas derivadas de radar para geolocalizações específicas durante o período de uma hora. A linha de tendência 915 tenta modelar uma relação linear entre as medições de pluviômetro e de precipitação derivadas de radar; no entanto, os dados observados não são distribuídos o suficiente para gerar uma relação previsível.
[0112] Com referência à Figura 9B, o gráfico 910 representa graficamente os logaritmos das medições de pluviômetro e de precipitação derivadas de radar, em que o eixo y representa o log das medições de pluviômetro e o eixo x representa o log das medições derivadas de radar para as geolocalizações específicas ao longo do período de uma hora. A linha de tendência 920 mostra uma relação linear entre o log dos dados de pluviômetro e o log dos dados derivados de radar. Especificamente, a linha de tendência 920 mostra que a relação linear inclui um viés aditivo, em que os valores de log dos dados de pluviômetro sobre um valor maior do que os valores de log dos dados derivados de radar para cada geolocalização observada. Portanto, utilizando este exemplo, os logaritmos dos dados de pluviômetro versus os logaritmos dos dados derivados de radar mostram uma relação linear com o viés aditivo.
[0113] Em uma modalidade, uma matriz de covariáveis pode ser gerada a fim de modelar os dados de pluviômetro e derivados de radar. No passo 720, as instruções de geração de matriz de covariáveis 172 fornecem instruções ao sistema de computador de inteligência agrícola 130 para gerar uma matriz de covariáveis a partir de um ou mais conjuntos de dados de distribuição e armazenam a matriz de covariáveis gerada na memória digital dentro do sistema de computador de inteligência agrícola 130. Por exemplo, uma matriz de covariáveis X pode ser criada utilizando valores a partir dos conjuntos de distribuição para o vetor w, onde a matriz de covariáveis X é uma matriz de covariáveis n x 2, de tal forma que a primeira coluna da matriz n x 2 é um vetor de uns e a segunda coluna da matriz n X 2 é os dados derivados de radar para geolocalizações observadas. O vetor de uns dentro da matriz de covariáveis X existe para fins de álgebra matricial, de tal forma que a matriz de covariáveis X é capaz de ser multiplicada por matriz bidimensional β, descrita aqui.
[0114] A modelagem de regressão pode ser usada para prever uma correlação entre dados derivados de radar e dados de pluviômetro. A matriz de covariáveis gerada X e o conjunto de distribuição para o vetor z (dados de pluviômetro transformados) podem ser usados para criar um modelo de regressão que modela a relação entre dados derivados de radar e dados de pluviômetro. Em uma modalidade, os resíduos dentro de um modelo de regressão podem ser influenciados por valores residuais que estão dentro de uma proximidade espacial específica entre si. Por esta razão, krigagem com técnicas de deriva externa pode ser usada para criar um modelo de regressão linear que considera os resíduos correlacionados espacialmente, onde os resíduos representam a diferença entre o valor de precipitação observado (dados de pluviômetro) e o valor de precipitação estimado. Krigagem é um método de interpolação de valores de uma localização não observada com base nos locais observados circundantes disponíveis. Krigagem com deriva externa é uma técnica de predição espacial que combina uma regressão de uma variável dependente em variáveis auxiliares com a krigagem dos resíduos de regressão.
[0115] Em uma modalidade, o modelo de regressão de precipitação digital é uma krigagem com modelo de regressão de deriva externa que pode ser representado como:
[0116] onde:
[0117] y é o vetor n-dimensional que representa os dados de pluviômetro transformados, z.
[0118] X é a matriz de covariáveis n x 2 armazenada, em que a primeira coluna é um vetor de uns e a segunda coluna são os dados derivados de radar.
[0119] β é um vetor bidimensional onde o primeiro elemento representa o viés aditivo entre o logaritmo dos dados de pluviômetro e o logaritmo dos dados derivados de radar, e o segundo elemento representa o viés multiplicativo entre o logaritmo dos dados pluviométricos e o logaritmo dos dados derivados de radar.
[0120] n é um vetor n-dimensional de erro aleatório de variação espacial com distribuição normal de múltiplas variáveis.
[0121] ε é um termo de erro calculado utilizando uma distribuição normal, ε ~ N(0n, α2ln), em que subscrito n se refere ao tamanho de linha da matriz da covariáveis X, In é uma matriz de identidade e a2 representa a variância do efeito pepita que é responsável pelo erro de medição e pela variação espacial de pequena escala.
[0122] Em uma modalidade, vetor n-dimensional n pode ser representado como uma distribuição: onde:
[0123] T2 é o parâmetro de limiar parcial e p é o parâmetro de intervalo espacial em que:
[0124] onde Rp é uma matriz n x n, e [Rp]ij representa o elemento na iésima coluna e j-ésima fileira. Rp é utilizado para modelar as correlações entre as observações nas proximidades de tal modo quanto mais próximos si e sj são um para o outro, maior efeito Rp tem no vetor n-dimensional n. Quando mais distantes si e sj são um para o outro, o Rp mais próximo se aproxima de zero e não tem nenhum efeito sobre o vetor n-dimensional n.
[0125] Em uma modalidade, o modelo de regressão de precipitação digital pode ser reescrito como: onde
[0126] No passo 725, os parâmetros de regressão são estimados para o modelo de regressão de precipitação digital utilizando a matriz de covariáveis. Em uma modalidade, as instruções de regressão de estimativa de parâmetros fornecem instruções ao sistema de computador de inteligência agrícola 130 para estimar parâmetros de regressão para o modelo de regressão de precipitação digital utilizando técnicas de estimativa de máxima verossimilhança restrita. A máxima verossimilhança restrita é uma técnica pela qual os parâmetros de estimativa são alcançados pela substituição de um conjunto observado de dados por um conjunto de matrizes de contraste calculadas a partir do conjunto de dados observados. A função de verossimilhança é então calculada a partir da distribuição de probabilidade das matrizes de contraste.
[0127] Em uma modalidade, os múltiplos parâmetros do modelo de regressão de precipitação digital podem ser estimados utilizando máxima verossimilhança restrita, onde o vetor bidimensional β é inicialmente estimado assumindo que o modelo de regressão de precipitação digital é uma regressão linear simples com erros independentes. Depois de inicialmente estimar o vetor bidimensional β, coeficiente θ pode ser estimado estimando a verossimilhança de contrastes linearmente independentes. A Figura 8 descreve um exemplo detalhado de estimativa de parâmetros de regressão e de valores de erro aleatório espacialmente variáveis para o modelo de regressão de precipitação digital utilizando máxima verossimilhança restrita. No passo 805, os parâmetros de regressão linear em β são estimados assumindo que os resíduos são erros independentes. Em uma modalidade, assume-se que o modelo de regressão de precipitação digital tem erros independentes por tratar os resíduos "n + ε" como um único valor residual u, de tal modo que o modelo de regressão linear assumido pode ser representado como:
[0128] onde u representa "n + ε".
[0129] Após estimar os parâmetros de regressão linear em β, parâmetro θ pode ser estimado utilizando os parâmetros de regressão linear estimados em β. No passo 810, o parâmetro θ é estimado utilizando a máxima verossimilhança restrita e os contrastes derivados linearmente independentes a partir do parâmetro de regressão linear estimado β. Em uma modalidade, θ pode ser estimado por derivar u utilizando contrastes linearmente independentes baseados no parâmetro de regressão linear β, tal que:
[0130] onde a distribuição de u não depende de β. Em uma modalidade, uma vez que X é uma matriz de covariáveis n x 2, os contrastes linearmente independentes, com graus de liberdade restritos resultam em uma distribuição de múltiplas variáveis singular para u.
[0131] Em uma modalidade, o parâmetro θ é estimado utilizando a função de verossimilhança máxima utilizando a distribuição para u tal que:
[0132] onde l(θ; u) é a função para determinar a verossimilhança máxima para o parâmetro θ, M=XT∑-1X, e ∑-1 representa ∑(θ)-1.
[0133] No passo 815, a verossimilhança máxima estimada do parâmetro θ é então usada para atualizar o valor estimado para os parâmetros de regressão linear em β. Uma vez que β foi inicialmente estimado com base no pressuposto de que os resíduos eram independentes entre si, β deve ser reestimado para considerar os valores de erro aleatório espacialmente variantes utilizando o parâmetro estimado θ. Em uma modalidade, o parâmetro de regressão linear pode ser estimado com base na verossimilhança maximizada de parâmetro θ como: onde
[0134] Em uma modalidade, o modelo de regressão de precipitação digital pode ser armazenado no modelo e no repositório de dados de campo 160. Os parâmetros de regressão estimados para o modelo de precipitação digital para as geolocalizações dadas podem ser usados para estimar valores de precipitação ajustada para futuras medições de precipitação associadas às geolocalizações dadas.
[0135] Em uma modalidade, o modelo de regressão de precipitação digital gerado pode ser utilizado para determinar os valores de ajuste de precipitação para novas geolocalizações ainda não contabilizadas no modelo de regressão de precipitação digital utilizando uma distribuição de probabilidade. A Figura 10 ilustra um exemplo detalhado da estimativa dos valores de precipitação corrigidos de pluviômetro para um conjunto de geolocalizações utilizando o modelo de regressão de precipitação digital. Os passos 1005, 1010, 1015 e 1020 são substancialmente semelhantes aos passos da Figura 7 exceto que eles são aplicados a dados agrícolas correspondentes a um conjunto de novas geolocalizações.
[0136] No passo 1005, os registros de dados agrícolas recebidos correspondem a pelo menos um conjunto de geolocalizações que não fazem parte das geolocalizações modeladas no modelo de regressão de precipitação digital armazenado. No passo 1010, os registros de dados agrícolas são agregados em um ou mais conjuntos de dados agrícolas. Em uma modalidade, as instruções de cálculo de precipitação 171 fornecem instruções ao sistema de computador de inteligência agrícola 130 para agregar registros de dados agrícolas para um conjunto de geolocalizações em um ou mais conjuntos de dados agrícolas. No passo 1015, um ou mais conjuntos de dados agrícolas são transformados em um ou mais conjuntos de distribuição. Em uma modalidade, as instruções de cálculo de precipitação fornecem instruções ao sistema de computador de inteligência agrícola 130 para transformar o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição normalizados.
[0137] Como descrito em uma modalidade do passo 715, a transformação pode ser implementada utilizando um parâmetro de transformação de Box-Cox. Por exemplo, um parâmetro de transformação de Box-Cox é usado para transformar o vetor m- dimensional para produzir x*, que é igual às estimativas de precipitação derivadas de radar transformadas no conjunto de geolocalizações {r1, ..., rm}, representado pelo vetor m-dimensional r.
[0138] No passo 1020, as instruções de geração de matriz de covariáveis 172 fornecem instruções para o sistema de computador de inteligência agrícola 130 para gerar uma matriz de covariáveis de um ou mais conjuntos de dados de distribuição e armazenar a matriz de covariáveis gerada na memória digital dentro do sistema de computador de inteligência agrícola 130. Em uma modalidade, a matriz de covariáveis X* é criada a partir do conjunto de distribuição x*. Como o conjunto de geolocalizações pode incluir pelo menos algumas geolocalizações não modeladas anteriormente pelo modelo de regressão de precipitação digital, alguns valores dentro do conjunto de distribuição y* podem ser nulos. Em uma modalidade, a matriz de covariáveis X* pode incluir valores nulos para o viés aditivo entre os dados de pluviômetro e os dados derivados de radar se a geolocalização específica não incluir quaisquer dados de pluviômetro.
[0139] No passo 1025, os valores de precipitação ajustada são estimados para o conjunto de geolocalizações recebidas no passo 1005. Em uma modalidade, as instruções de estimativa de precipitação 174 fornecem instruções para estimar os valores de precipitação ajustada para o conjunto de geolocalizações utilizando o modelo de regressão de precipitação digital e os conjuntos de distribuição transformados para o conjunto de geolocalizações. Uma distribuição conjunta pode ser determinada utilizando o conjunto de distribuição "y" usado para criar o modelo de regressão de precipitação digital e o conjunto de distribuição y* gerado a partir do conjunto de geolocalizações. Em uma modalidade, a distribuição conjunta é uma distribuição normal de múltiplas variáveis com covariâncias cruzadas: cov(y*, y) = ∑*
[0140] onde cov(y*, y) é uma função da relação entre os locais existentes que compõem y e os novos locais que compõem y*.
[0141] As expectativas para cada y e y* são representadas como:
[0142] A fim de estimar a precipitação ajustada para as novas geolocalizações com base nas condições das geolocalizações existentes, para as quais existem dados de pluviômetro, a expectativa condicional é uma função determinística de θ. Portanto, as previsões médias dos valores ajustados pela precipitação podem ser modeladas como uma distribuição normal de múltiplas variáveis com expectativa condicional:
[0143] Além disso, estimativas que são específicas para novos locais incluem uma estimativa de incerteza em função das covariâncias: onde:
[0144] ∑** é a função de covariância entre novos locais y*, como cov(y*, y*) = ∑**
[0145] ∑*T é a transposição de ∑*.
[0146] Em uma modalidade, os valores de precipitação ajustada estimados podem ser armazenados no repositório de dados de modelo e campo para fins de estimativa futura e/ou para fins de exibição para o usuário.
[0147] Em uma modalidade, os valores de precipitação ajustada estimados podem ser apresentados ao usuário em uma forma numérica, uma representação gráfica, ou graficamente sobrepostos em uma imagem gráfica das geolocalizações de interesse. No passo 1030, as instruções de sobreposição de precipitação 175 fornecem instruções para sobrepor os valores de precipitação ajustada em um mapa de imagem gráfico dos locais geográficos de interesse. Por exemplo, o conjunto de geolocalizações pode ser representado utilizando um mapa de imagem digital. Os valores de precipitação ajustada podem então ser sobrepostos no mapa de imagem digital, onde diferentes valores de precipitação podem ser representados utilizando diferentes tons de cores. Tons de cores podem incluir, mas não estão limitados a: um tom verde escuro pode representar precipitação entre 0 e 5 mm por hora, um tom amarelo-verde claro pode representar precipitação entre 5 e 10 mm por hora, um tom laranja amarelado pode representar precipitação entre 10 e 15 mm por hora, uma sombra laranja a rosa pode representar precipitação entre 15 e 20 mm por hora, e um tom claro de rosa a branco pode representar valores de precipitação superiores a 20 mm por hora. Outras modalidades podem implementar diferentes cores ou diferentes níveis de sombreamento para diferenciar os diferentes valores de precipitação.
[0148] Em uma modalidade, as instruções de sobreposição de precipitação 175 podem fornecer instruções para produzir múltiplas imagens de sobreposição das geolocalizações de interesse, onde uma imagem de sobreposição fornece valores de precipitação com base apenas em dados de precipitação derivados de radar e outra imagem de sobreposição fornece valores de precipitação baseados em estimativas de precipitação ajustada. A Figura 11 A e Figura 11B retratam exemplos de imagens digitais de estimativas de precipitação para geolocalizações específicas.
[0149] Em uma modalidade, gráfico 1105 na Figura 11 A descreve um conjunto de geolocalizações que compõem uma área geográfica. Especificamente, o gráfico 1105 representa o conjunto de geolocalizações, em forma gráfica, como um mapa do conjunto de geolocalizações. O sombreamento 1110 representa dados de precipitação derivados de radar que foram sobrepostos no gráfico 1105. O sombreamento 1110 mostra onde, no gráfico 1105, foi observada precipitação e a quantidade de precipitação com base nas observações derivadas de radar. Em uma modalidade, as diferentes quantidades de precipitação são mostradas utilizando diferentes cores e níveis de sombreamento. A localização geográfica 1115 mostra que, com base no sombreamento mais claro dos dados de precipitação derivados de radar, havia áreas onde a precipitação observada era próxima de 10 mm/h.
[0150] Com referência à Figura 11B, gráfico 1120, representa um mapa do mesmo conjunto de geolocalizações, em forma gráfica, como no gráfico 1105. O sombreamento 1125 representa valores de precipitação ajustada conforme estimado pelo sistema de computador de inteligência agrícola 130. A localização geográfica 1130 representa a mesma localização como geolocalização 1115. No entanto, o sombreamento na geolocalização 1130 mostra maiores quantidades de precipitação com base nos valores de precipitação ajustada do que os valores derivados de radar no gráfico 1105. Portanto, as diferenças nas quantidades de precipitação calculadas entre precipitação derivada de radar e valores de precipitação ajustada podem fornecer ao usuário do sistema de computador de inteligência agrícola 130 relatórios de precipitação mais precisos do que depender de uma única fonte de dados agrícolas.
[0151] Em uma modalidade, as representações gráficas tais como gráfico 1105 e gráfico 1120 podem ser apresentadas ao usuário pela camada de apresentação 134 enviando, através da rede, as representações gráficas das quantidades de precipitação para o dispositivo de computador de gestor de campo 104. Em outra modalidade, o gráfico 1105 e o gráfico 1120 podem ser armazenados dentro do repositório de dados de campo e modelo 160 para referência futura como dados históricos.
Claims (13)
1. Método caracterizado pelo fato de que compreende: utilizar instruções de cálculo de precipitação (171) em um sistema de computador servidor (130), receber um ou mais registros de dados agrícolas que representam pontos de dados agrícolas observados para geolocalizações específicas em um momento específico, em que os pontos de dados agrícolas observados incluem dados de radar observados de uma fonte de radar (112) e dados de medição de chuva observados de uma ou mais medições de chuva que compreendem uma pluralidade de valores de dados de precipitação; utilizar as instruções de cálculo de precipitação (171), agregando o um ou mais registros de dados agrícolas em um ou mais conjuntos de dados agrícolas, onde cada conjunto de dados agrícolas a partir do um ou mais conjuntos de dados agrícolas representa um único tipo de dados agrícolas observados; utilizar as instruções de cálculo de precipitação (171), transformando o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição agrícola, onde o um ou mais conjuntos de distribuição agrícola representam uma distribuição normalizada do um ou mais conjuntos de dados agrícolas; utilizar instruções de geração de matriz de covariáveis (172), gerando uma matriz de covariáveis a partir do um ou mais conjuntos de distribuição agrícola e armazenar a matriz de covariáveis em memória digital, por derivar pelo menos alguns valores dentro da matriz de covariáveis a partir do um ou mais conjuntos de distribuição agrícola; utilizar instruções de estimativa de parâmetro (173), estimar parâmetros de regressão para um modelo de regressão de precipitação digital utilizando a matriz de covariáveis como um conjunto de valores de covariáveis e utilizar o um ou mais conjuntos de distribuição agrícola como observações de precipitação, o modelo de regressão de precipitação digital sendo representado como y = Xβ + n + ε, com y sendo um vetor n-dimensional que representa dados de pluviômetro transformados, X sendo uma matriz de covariáveis n x 2 armazenada, em que uma primeira coluna é um vetor de uns e uma segunda coluna são dados derivados de radar, β sendo um vetor bidimensional onde um primeiro elemento representa um viés aditivo entre um logaritmo dos dados de pluviômetro e um logaritmo dos dados derivados de radar, e um segundo elemento representa um viés multiplicativo entre um logaritmo dos dados pluviométricos e um logaritmo dos dados derivados de radar, n sendo um vetor n-dimensional de erro aleatório de variação espacial com distribuição normal de múltiplas variáveis, e ε sendo um termo de erro calculado utilizando uma distribuição normal, ε ~ N(0n, a2ln), em que subscrito n se refere a um tamanho de linha da matriz da covariáveis X, In é uma matriz de identidade e a2 representa uma variância do efeito pepita que é responsável pelo erro de medição e pela variação espacial de pequena escala; e utilizar instruções de estimativa de precipitação (174) no sistema de computador servidor (130), estimar um conjunto de valores de precipitação para um conjunto de geolocalizações que correspondem aos pelo menos alguns valores dentro da matriz de covariáveis utilizando os parâmetros de regressão estimados para o modelo de regressão de precipitação digital e conjuntos de dados de ajuste de precipitação previamente armazenados.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende transformar o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição agrícola, por aplicar um valor de expoente lambda configurado para o um ou mais conjuntos de dados agrícolas.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende determinar os valores dentro da matriz de covariáveis como uma diferença média entre dados de medição de chuva observados e os dados de radar observados para geolocalizações específicas.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo de regressão de precipitação digital é um modelo de regressão linear compreendendo parâmetros de variância que são espacialmente correlacionados.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que estimar parâmetros de regressão para o modelo de regressão de precipitação digital compreende: por instruções de programa, estimar um parâmetro de regressão linear em β baseado no tratamento de termos de erro e resíduos dentro do modelo de regressão de precipitação digital como erros independentes; pelas instruções de programa, estimar parâmetros de covariância de erro aleatório com variação espacial utilizando um conjunto de contrastes que são baseados no parâmetro de regressão linear; e pelas instruções de programa, atualizar o parâmetro de regressão linear com base nos parâmetros de covariância de erro aleatório com variação espacial.
6. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que ainda compreende estimar os parâmetros de covariância de erro aleatório com variação espacial por derivar os parâmetros de covariância de erro aleatório com variação espacial por aplicar máxima probabilidade restrita ao parâmetro de regressão linear.
7. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que ainda compreende atualizar o parâmetro de regressão linear utilizando uma máxima probabilidade dos parâmetros de covariância de erro aleatório com variação espacial.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: utilizando instruções de sobreposição de precipitação (175), gerar uma imagem digital do conjunto de valores de precipitação, onde a imagem digital corresponde a uma imagem digital do conjunto de geolocalizações com o conjunto de valores de precipitação sobrepostos na imagem digital do conjunto de geolocalizações.
9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que ainda compreende transformar o um ou mais conjuntos de dados agrícolas no um ou mais conjuntos de distribuição agrícola, por aplicar um valor de expoente lambda configurado para o um ou mais conjuntos de dados agrícolas.
10. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que ainda compreende determinar os valores dentro da matriz de covariáveis como dados de radar observados para geolocalizações específicas.
11. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que o modelo de regressão de precipitação digital é um modelo de regressão linear que compreende parâmetros de variância que são espacialmente correlacionados.
12. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que estimar os valores de precipitação para um conjunto de geolocalizações compreende gerar uma distribuição conjunta entre o um ou mais conjuntos de distribuição agrícola e conjuntos de dados de ajuste de precipitação previamente modelados.
13. Sistema de processamento de dados (130) caracterizado pelo fato de que compreende: uma memória (150, 406); um ou mais processadores (404) acoplados à memória (150, 406); instruções de cálculo de precipitação (171) armazenadas na memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para causar o um ou mais processadores (404) a receberem um ou mais registros de dados agrícolas que representam pontos de dados agrícolas observados para geolocalizações específicas em um tempo específico, em que os pontos de dados agrícolas observados incluem dados de radar observados de uma fonte de radar (112) e dados de medição de chuva observados de uma ou mais medições de chuva que compreendem uma pluralidade de valores de dados de precipitação; as instruções de cálculo de precipitação (171) armazenadas na memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para causar o um ou mais processadores (404) a agregarem o um ou mais registros de dados agrícolas em um ou mais conjuntos de dados agrícolas, em que cada conjunto de dados agrícolas a partir do um ou mais conjuntos de dados agrícolas representam um único tipo de dados agrícolas observados; as instruções de cálculo de precipitação (171) armazenadas na memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para causar o um ou mais processadores (404) a transformarem o um ou mais conjuntos de dados agrícolas em um ou mais conjuntos de distribuição agrícola, onde o um ou mais conjuntos de distribuição agrícola representam uma distribuição normalizada do um ou mais conjuntos de dados agrícolas; instruções de geração de matriz de covariáveis (172) armazenadas na memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para causar o um ou mais processadores (404) a gerarem uma matriz de covariáveis a partir do um ou mais conjuntos de distribuição agrícola e armazenarem a matriz de covariáveis na memória (150, 406) digital, por derivar pelo menos alguns valores dentro da matriz de covariáveis a partir do um ou mais conjuntos de distribuição agrícola; e instruções de estimativa de parâmetro (173) armazenadas na memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para causar o um ou mais processadores (404) a estimarem parâmetros de regressão para um modelo de regressão de precipitação digital utilizando a matriz de covariáveis como um conjunto de valores de covariáveis e utilizar o um ou mais conjuntos de distribuição agrícola como observações de precipitação o modelo de regressão de precipitação digital sendo representado como y = Xβ + n + ε, com y sendo um vetor n-dimensional que representa dados de pluviômetro transformados, X sendo uma matriz de covariáveis n x2 armazenada, em que uma primeira coluna é um vetor de uns e uma segunda coluna são dados derivados de radar, β sendo um vetor bidimensional onde um primeiro elemento representa um viés aditivo entre um logaritmo dos dados de pluviômetro e um logaritmo dos dados derivados de radar, e um segundo elemento representa um viés multiplicativo entre um logaritmo dos dados pluviométricos e um logaritmo dos dados derivados de radar, n sendo um vetor n-dimensional de erro aleatório de variação espacial com distribuição normal de múltiplas variáveis, e ε sendo um termo de erro calculado utilizando uma distribuição normal, ε ~ N(0n, a2ln), em que subscrito n se refere a um tamanho de linha da matriz da covariáveis X, In é uma matriz de identidade e α2 representa uma variância do efeito pepita que é responsável pelo erro de medição e pela variação espacial de pequena escala; e instruções de estimativa de precipitação (174) armazenadas em memória (150, 406), executadas pelo um ou mais processadores (404), e configuradas para estimar um conjunto de valores de precipitação para um conjunto de geolocalizações que correspondem aos pelo menos alguns valores dentro da matriz de covariáveis utilizando os parâmetros de regressão estimados para o modelo de regressão de precipitação digital e conjuntos de dados de ajuste de precipitação previamente armazenados.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/097,604 | 2016-04-13 | ||
| US15/097,604 US10371863B2 (en) | 2016-04-13 | 2016-04-13 | Estimating rainfall adjustment values |
| PCT/US2017/027120 WO2017180692A1 (en) | 2016-04-13 | 2017-04-12 | Estimating rainfall adjustment values |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112018070806A2 BR112018070806A2 (pt) | 2019-02-05 |
| BR112018070806B1 true BR112018070806B1 (pt) | 2023-10-17 |
Family
ID=60038891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112018070806-2A BR112018070806B1 (pt) | 2016-04-13 | 2017-04-12 | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10371863B2 (pt) |
| EP (1) | EP3443393B1 (pt) |
| AR (1) | AR108142A1 (pt) |
| BR (1) | BR112018070806B1 (pt) |
| CA (1) | CA3020852C (pt) |
| WO (1) | WO2017180692A1 (pt) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10371863B2 (en) * | 2016-04-13 | 2019-08-06 | The Climate Corporation | Estimating rainfall adjustment values |
| EP3236209B1 (en) * | 2016-04-19 | 2021-06-09 | Honda Research Institute Europe GmbH | Navigation system and method for error correction |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| US10754063B2 (en) * | 2016-06-14 | 2020-08-25 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
| WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
| BR112021004651A2 (pt) * | 2018-09-21 | 2021-06-01 | The Climate Corporation | método e sistema para a execução de algoritmos de aprendizado de máquina |
| CN109871584B (zh) * | 2019-01-16 | 2022-12-06 | 中山大学 | 一种基于log-sinh变换的区域月降水统计频率分析方法 |
| AU2020213747A1 (en) * | 2019-01-30 | 2021-08-19 | Aeroqual Ltd. | Method for calibrating networks of environmental sensors |
| CN111983730A (zh) * | 2019-05-22 | 2020-11-24 | 衢州学院 | 一种基于计算机视觉的智能雨量检测设备 |
| EP4133314A1 (en) * | 2020-04-08 | 2023-02-15 | BASF Agro Trademarks GmbH | Method for estimating precipitation distribution for a geographical region |
| CN115685398A (zh) * | 2022-10-09 | 2023-02-03 | 中国长江三峡集团有限公司 | 降雨倾角测量方法、装置、计算机设备及介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8594936B1 (en) * | 2008-12-31 | 2013-11-26 | The Weather Channel, Llc | Providing current estimates of precipitation accumulations |
| KR20130098072A (ko) | 2012-02-27 | 2013-09-04 | 한국전자통신연구원 | 강우 감쇠 예측 장치 및 방법과 강우 감쇠 보상 장치 |
| KR101352568B1 (ko) * | 2012-12-28 | 2014-01-24 | 경북대학교 산학협력단 | 강우강도 측정 장치 및 그 방법 |
| US20140278339A1 (en) * | 2013-03-15 | 2014-09-18 | Konstantinos (Constantin) F. Aliferis | Computer System and Method That Determines Sample Size and Power Required For Complex Predictive and Causal Data Analysis |
| US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| WO2017100220A1 (en) * | 2015-12-07 | 2017-06-15 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
| US10371863B2 (en) * | 2016-04-13 | 2019-08-06 | The Climate Corporation | Estimating rainfall adjustment values |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
-
2016
- 2016-04-13 US US15/097,604 patent/US10371863B2/en active Active
-
2017
- 2017-04-12 EP EP17783023.9A patent/EP3443393B1/en active Active
- 2017-04-12 AR ARP170100956A patent/AR108142A1/es active IP Right Grant
- 2017-04-12 BR BR112018070806-2A patent/BR112018070806B1/pt active IP Right Grant
- 2017-04-12 WO PCT/US2017/027120 patent/WO2017180692A1/en active Application Filing
- 2017-04-12 CA CA3020852A patent/CA3020852C/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| BR112018070806A2 (pt) | 2019-02-05 |
| EP3443393A4 (en) | 2020-01-15 |
| AR108142A1 (es) | 2018-07-18 |
| CA3020852A1 (en) | 2017-10-19 |
| US20170300602A1 (en) | 2017-10-19 |
| CA3020852C (en) | 2023-04-11 |
| WO2017180692A1 (en) | 2017-10-19 |
| EP3443393B1 (en) | 2021-12-08 |
| US10371863B2 (en) | 2019-08-06 |
| EP3443393A1 (en) | 2019-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210406745A1 (en) | Forecasting field level crop yield during a growing season | |
| US10853377B2 (en) | Sequential data assimilation to improve agricultural modeling | |
| US20200142098A1 (en) | Long-range temperature forecasting | |
| US10467540B2 (en) | Estimating confidence bounds for rainfall adjustment values | |
| US10990716B2 (en) | Location selection for model assessment sampling | |
| US20210157029A1 (en) | Radar based precipitation estimates using spatiotemporal interpolation | |
| US20180018517A1 (en) | Generating pixel maps from non-image data and difference metrics for pixel maps | |
| EP3443393B1 (en) | Estimating rainfall adjustment values | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| BR112018007672B1 (pt) | Método implementado por computador para determinar e apresentar uma recomendação de taxa de semeadura melhorada e aparelho correlato | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112020010224A2 (pt) | cálculo de risco de fator de dano à cultura para cultura em campo agronômico | |
| US11596119B2 (en) | Digital nutrient models using spatially distributed values unique to an agronomic field | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control | |
| 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 |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B06A | Patent application procedure suspended [chapter 6.1 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 12/04/2017, OBSERVADAS AS CONDICOES LEGAIS |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |