BR112018071870B1

BR112018071870B1 - DATA PROCESSING METHOD AND SYSTEM

Info

Publication number: BR112018071870B1
Application number: BR112018071870-0A
Authority: BR
Inventors: Wayne Tai Lee
Original assignee: Climate Llc
Priority date: 2016-04-27
Filing date: 2017-04-20
Publication date: 2023-07-18

Abstract

Em uma modalidade, o sistema de computador de inteligência agrícola armazena um modelo digital de teor de nutriente no solo que inclui uma pluralidade de valores e expressões que definem as transformações de ou as relações entre os valores e produzem estimativas de valores de teor de nutriente no solo. O computador de inteligência agrícola recebe os valores de medição de teor de nutriente para um campo particular em um tempo particular. O sistema de computador de inteligência agrícola usa o modelo digital de teor de nutriente para computar um valor de teor de nutriente para o campo particular no tempo particular. O sistema de computador de inteligência agrícola identifica uma incerteza de modelagem correspondente ao valor de teor de nutriente computado e uma incerteza de medição correspondente aos valores de medição recebidos. Com base nas incertezas identificadas, no valor de teor de nutriente modelado e nos valores de medição recebidos, o sistema de computador de inteligência agrícola computa um valor de teor de nutriente assimilado.In one embodiment, the agricultural intelligence computer system stores a digital soil nutrient content model that includes a plurality of values and expressions that define transformations of or relationships between the values and produce estimates of nutrient content values in the soil. ground. The agricultural intelligence computer receives the nutrient content measurement values for a particular field at a particular time. The agricultural intelligence computer system uses the digital nutrient content model to compute a nutrient content value for the particular field at the particular time. The agricultural intelligence computer system identifies a modeling uncertainty corresponding to the computed nutrient content value and a measurement uncertainty corresponding to the received measurement values. Based on the identified uncertainties, the modeled nutrient content value and the received measurement values, the agricultural intelligence computer system computes an assimilated nutrient content value.

Description

COPYRIGHT STATEMENT

[001] Uma porção da revelação deste documento de patente contém material que é sujeito à proteção de direitos autorais. O proprietário de direitos autorais não tem nenhuma objeção quanto à reprodução em fac-símile por qualquer um do documento de patente ou da revelação de patente, visto que a mesma aparece no arquivo ou registros do Escritório de Patentes e Marcas Registradas, mas caso contrário reserva todos os direitos autorais ou quaisquer direitos. © 2015 The Climate Corporation.[001] A portion of the disclosure of this patent document contains material that is subject to copyright protection. The copyright owner has no objection to facsimile reproduction by anyone of the patent document or patent disclosure as the same appears in the file or records of the Patent and Trademark Office, but otherwise reserves all copyright or any rights. © 2015 The Climate Corporation.

FIELD OF REVELATION

[002] A presente revelação refere-se à modelagem de computador digital de nutrientes em um campo, como nitrogênio, fósforo e potássio. Adicionalmente, a presente revelação se refere a técnicas para aprimorar uma estimativa do teor de nutriente através da assimilação de dados a partir de uma amostra de solo.[002] The present disclosure relates to digital computer modeling of nutrients in a field, such as nitrogen, phosphorus and potassium. Additionally, the present disclosure relates to techniques for improving an estimate of nutrient content through the assimilation of data from a soil sample.

BACKGROUND OF THE INVENTION

[003] As abordagens descritas nessa seção são abordagens que poderiam ser visadas, contudo, não necessariamente abordagens que foram concebidas ou visadas anteriormente. Portanto, a menos que indicado de outro modo, não deve ser pressuposto que qualquer uma das abordagens descritas nessa seção se qualifique como técnica anterior meramente em virtude da sua inclusão nessa seção.[003] The approaches described in this section are approaches that could be targeted, however, not necessarily approaches that have been previously conceived or targeted. Therefore, unless otherwise indicated, it should not be assumed that any of the approaches described in this section qualify as prior art merely by virtue of their inclusion in this section.

[004] Nutrientes são essenciais no crescimento e desenvolvimento de culturas. As culturas absorvem nutrientes tais como nitrogênio, fósforo e potássio no solo circundante para facilitar o crescimento da cultura. Tipos diferentes de culturas têm exigências diferentes para cada nutriente. Quando uma cultura é incapaz de atender suas necessidades de nutriente, a cultura sofre. Por exemplo, uma falta de nitrogênio pode levar a destruição de folhas da cultura. Além disso, uma vez que a concentração de nitrogênio em uma planta diminui abaixo um de limiar crítico, fotossíntese e acúmulo de matéria seca são impactados negativamente. Um resultado final é que o rendimento de uma cultura que não recebe nutrientes suficientes é diminuído.[004] Nutrients are essential in the growth and development of crops. Crops absorb nutrients such as nitrogen, phosphorus and potassium from the surrounding soil to facilitate crop growth. Different types of crops have different requirements for each nutrient. When a crop is unable to meet its nutrient needs, the crop suffers. For example, a lack of nitrogen can lead to the destruction of crop leaves. Furthermore, once the nitrogen concentration in a plant decreases below a critical threshold, photosynthesis and dry matter accumulation are negatively impacted. An end result is that the yield of a crop that does not receive sufficient nutrients is decreased.

[005] Embora nutrientes no solo sejam importantes para o crescimento de planta, é difícil determinar quando o solo carece de um ou mais nutrientes sem realizar testes de nutriente. Além disso, o impacto de uma aplicação de nutriente específica não é prontamente aparente. Por exemplo, uma aplicação de 44,48 kg por hectare (quarenta libras por acre) de nitrogênio de uma vez pode resultar em um aumento líquido de 11,12 kg por hectare (dez libras por acre) de nitrogênio disponível para uma cultura devido à perda de nitrogênio através de uma variedade de fatores e baixas taxas de transmissão para a cultura. A mesma aplicação de 44,48 kg por hectare (quarenta libras por acre) de nitrogênio em outra vez pode resultar na maior parte do nitrogênio aplicado ficar disponível para uma cultura. Sem uma compreensão de todos os fatores que afetam se uma cultura receberá o nitrogênio adicionado a um campo, a aplicação de nitrogênio tende a ser relativamente cega. Um agricultor pode aplicar nitrogênio a um campo em estágios específicos em um desenvolvimento da cultura ou quando a cultura parece estar sofrendo de uma falta de nitrogênio. Tais aplicações de nitrogênio são ineficientes uma vez que as mesmas envolvem perder nitrogênio ou não adicionar nitrogênio suficiente para satisfazer as necessidades de uma planta. Além disso, o nitrogênio perdido para o campo através de lixiviação pode criar problemas ambientais quando o nitrogênio se junta à bacia hidrográfica.[005] Although nutrients in the soil are important for plant growth, it is difficult to determine when the soil lacks one or more nutrients without performing nutrient tests. Furthermore, the impact of a specific nutrient application is not readily apparent. For example, an application of 44.48 kg per hectare (forty pounds per acre) of nitrogen at one time can result in a net increase of 11.12 kg per hectare (ten pounds per acre) of nitrogen available to a crop due to loss of nitrogen through a variety of factors and low rates of transmission to the crop. The same application of 44.48 kg per hectare (forty pounds per acre) of nitrogen another time can result in most of the applied nitrogen being available to a crop. Without an understanding of all the factors that affect whether a crop will receive the nitrogen added to a field, nitrogen application tends to be relatively blind. A farmer may apply nitrogen to a field at specific stages in a crop's development or when the crop appears to be suffering from a lack of nitrogen. Such nitrogen applications are inefficient as they involve losing nitrogen or not adding enough nitrogen to meet a plant's needs. Additionally, nitrogen lost to the field through leaching can create environmental problems when the nitrogen joins the watershed.

[006] Para identificar os valores de teor de nutriente no solo, um sistema de computador pode executar um modelo de teor de nutriente que admite valores de entrada específicos, como temperatura, tipo de solo, tipo de cultura e precipitação, e transforma os valores para identificar um teor de nutriente no solo em vários pontos diferentes. Embora um modelo de teor de nutriente seja útil para identificar, em geral, quanto de um nutriente particular há no solo, os modelos de teor de nutriente não são infalíveis. Os modelos de teor de nutriente estão sujeitos a várias fontes de erros, como erros nos dados de entrada, erros nos parâmetros universais e erros com base em processos físicos que não estão sendo modelados.[006] To identify nutrient content values in soil, a computer system can run a nutrient content model that takes specific input values, such as temperature, soil type, crop type, and precipitation, and transforms the values to identify a nutrient content in the soil at several different points. Although a nutrient content model is useful for generally identifying how much of a particular nutrient is in the soil, nutrient content models are not infallible. Nutrient content models are subject to several sources of error, such as errors in input data, errors in universal parameters, and errors based on physical processes that are not being modeled.

[007] Um segundo método para identificar valores de teor de nutriente no solo é medir o teor de nutriente no solo com o uso de técnicas como espectroscopia de refletância quase infravermelho em amostras de núcleo removidas do campo. As medições de teor de nutriente no solo podem ser extremamente precisas para a fonte da amostra de solo. Um problema com basear práticas agrícolas em medições de práticas nutrientes é que um agricultor precisaria medir constantemente os teores de nutriente em um grande número de localizações.[007] A second method for identifying soil nutrient content values is to measure the nutrient content in the soil using techniques such as near-infrared reflectance spectroscopy on core samples removed from the field. Soil nutrient content measurements can be extremely accurate to the source of the soil sample. One problem with basing agricultural practices on measurements of nutrient practices is that a farmer would need to constantly measure nutrient contents in a large number of locations.

[008] Frequentemente, as medições de solo são tomadas a partir de um campo em pontos no tempo limitados. Por exemplo, os agricultores frequentemente tomam uma medição de teor de nutriente antes da adubação de cobertura em várias localizações através do campo. Assim, visto que frequentemente há limitações no número de valores de medição de teor de nutriente recebidos por um campo particular, há uma necessidade de um sistema que aumenta a precisão na estimativa do teor de nutriente no solo com o uso de apenas um número limitado de amostras de teor de nutriente no solo.[008] Often, soil measurements are taken from a field at limited points in time. For example, farmers often take a nutrient content measurement before topdressing at various locations across the field. Therefore, since there are often limitations in the number of nutrient content measurement values received by a particular field, there is a need for a system that increases the accuracy in estimating soil nutrient content with the use of only a limited number of soil nutrient content samples.

SUMMARY

[009] As reivindicações anexas podem servir como um sumário da revelação.[009] The attached claims may serve as a summary of the disclosure.

BRIEF DESCRIPTION OF THE DRAWINGS

[010] Nos desenhos:[010] In the drawings:

[011] A Figura 1 ilustra um sistema de computador exemplificativo que é configurado para realizar as funções descritas no presente documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.[011] Figure 1 illustrates an exemplary computer system that is configured to perform the functions described in this document, shown in a field environment with another device with which the system can interoperate.

[012] A Figura 2 ilustra duas vistas de uma organização lógica exemplificativa de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificativo é carregado para a execução.[012] Figure 2 illustrates two views of an exemplary logical organization of instruction sets in main memory when an exemplary mobile application is loaded for execution.

[013] A Figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados com o uso de dados agronômicos fornecidos por uma ou mais fontes de dados.[013] Figure 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using agronomic data provided by one or more data sources.

[014] A Figura 4 é um diagrama de blocos que ilustra um sistema de computador mediante o qual uma modalidade da invenção pode ser implantada.[014] Figure 4 is a block diagram illustrating a computer system through which an embodiment of the invention can be implemented.

[015] A Figura 5 retrata uma modalidade exemplificativa de uma vista de linha de tempo para introdução de dados.[015] Figure 5 depicts an exemplary embodiment of a timeline view for data entry.

[016] A Figura 6 retrata uma modalidade exemplificativa de uma vista de planilha para a introdução de dados.[016] Figure 6 depicts an exemplary embodiment of a spreadsheet view for data entry.

[017] A Figura 7 retrata um método exemplificativo para assimilar um único ponto de dados em um modelo de teor de nutriente no solo.[017] Figure 7 depicts an exemplary method for assimilating a single data point into a soil nutrient content model.

[018] A Figura 8 retrata um método exemplificativo para identificar a incerteza no modelo de teor de nutriente através da perturbação de parâmetros diferentes.[018] Figure 8 depicts an exemplary method for identifying uncertainty in the nutrient content model through the perturbation of different parameters.

DETAILED DESCRIPTION

[019] Na descrição a seguir, para os propósitos de explicação, diversos detalhes específicos são apresentados a fim de fornecer um entendimento completo da presente revelação. No entanto, ficará evidente que a presente invenção pode ser praticada sem esses detalhes específicos. Em outros exemplos, estruturas e dispositivos bem conhecidos são mostrados em forma de diagrama de blocos a fim de evitar obscurecer desnecessariamente a presente revelação. As modalidades são reveladas em seções de acordo com o esboço a seguir: 1. VISÃO GERAL 2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA EXEMPLIFICATIVO 2.1. VISÃO GERAL ESTRUTURAL 2.2. VISÃO GERAL DE PROGRAMA APLICATIVO 2.3. ASSIMILAÇÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO 2.5. VISÃO GERAL DE HARDWARE EXEMPLIFICATIVO DE IMPLEMENTAÇÃO 3. ASSIMILAÇÃO DE MEDIÇÃO DE NUTRIENTE 3.1. MODELO DE TEOR NUTRIENTE 3.2. MEDIÇÕES DE TEOR DE NUTRIENTE 3.3. MODELAGEM DE INCERTEZA 3.4. IDENTIFICAÇÃO DE PARÂMETROS PARA PERTURBAR 3.5. IDENTIFICAÇÃO DE INCERTEZA DE MEDIÇÃO 3.6. ASSIMILAÇÃO DE PONTOS DE DADOS 3.7. CALIBRAÇÃO DE MODELO 4. USO DE DADOS 4.1. MODELOS AGRONÔMICOS 4.2. RECOMENDAÇÕES 5. BENEFÍCIOS DE CERTAS MODALIDADES 6. EXTENSÕES E ALTERNATIVAS[019] In the following description, for the purposes of explanation, several specific details are presented in order to provide a complete understanding of the present disclosure. However, it will be apparent that the present invention can be practiced without these specific details. In other examples, well-known structures and devices are shown in block diagram form in order to avoid unnecessarily obscuring the present disclosure. Embodiments are disclosed in sections in accordance with the following outline: 1. OVERVIEW 2. EXEMPLIFICATIVE AGRICULTURAL INTELLIGENCE COMPUTER SYSTEM 2.1. STRUCTURAL OVERVIEW 2.2. APPLICATION PROGRAM OVERVIEW 2.3. DATA ASSIMILATION TO THE COMPUTER SYSTEM 2.4. PROCESS OVERVIEW - AGRONOMIC MODEL TRAINING 2.5. IMPLEMENTATION EXAMPLE HARDWARE OVERVIEW 3. NUTRIENT MEASUREMENT ASSIMILATION 3.1. NUTRIENT CONTENT MODEL 3.2. NUTRIENT CONTENT MEASUREMENTS 3.3. UNCERTAINTY MODELING 3.4. IDENTIFICATION OF PARAMETERS TO DISTURB 3.5. IDENTIFICATION OF MEASUREMENT UNCERTAINTY 3.6. ASSIMILATION OF DATA POINTS 3.7. MODEL CALIBRATION 4. USE OF DATA 4.1. AGRONOMIC MODELS 4.2. RECOMMENDATIONS 5. BENEFITS OF CERTAIN MODALITIES 6. EXTENSIONS AND ALTERNATIVES

1. OVERVIEW

[020] Os aspectos da revelação geralmente se referem a técnicas implantadas por computador para aprimorar um modelo de teor de nutriente com o uso de uma ou mais amostras de solo em um campo particular. Em uma modalidade, um sistema de computador de inteligência agrícola é programado para computar um valor de teor de nutriente para um campo particular com o uso de valores de entrada recebidos e um modelo de teor de nutriente. O computador de inteligência agrícola também recebe um valor de medição de amostra de solo para o campo particular correspondente ao valor de teor de nutriente computado. O sistema de computador de inteligência agrícola computa uma incerteza no modelo de teor de nutriente e uma incerteza no valor de medição de amostra de solo recebido. Com base nas incertezas computadas, no valor de teor de nutriente computado e no valor de medição de amostra de solo, o sistema de computador de inteligência agrícola computa um valor de teor de nutriente assimilado para o campo particular.[020] The disclosure aspects generally refer to computer-implemented techniques to improve a nutrient content model using one or more soil samples in a particular field. In one embodiment, an agricultural intelligence computer system is programmed to compute a nutrient content value for a particular field using received input values and a nutrient content model. The agricultural intelligence computer also receives a soil sample measurement value for the particular field corresponding to the computed nutrient content value. The agricultural intelligence computer system computes an uncertainty in the nutrient content model and an uncertainty in the received soil sample measurement value. Based on the computed uncertainties, the computed nutrient content value, and the soil sample measurement value, the agricultural intelligence computer system computes an assimilated nutrient content value for the particular field.

[021] Em uma modalidade, um método compreende armazenar, na memória digital de um sistema de computador, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular, em que o modelo digital compreende uma pluralidade de valores e expressões que são armazenadas na memória digital e definem transformações de ou relações entre os valores e produzem estimativas de valores de teor de nutriente que descrevem as quantidades de vários produtos químicos no solo; receber, no sistema de computador, através de uma ou mais redes, a partir de um dispositivo de computação de cliente, um ou mais valores de medição digital que especificam as medições de teor de nutriente no solo em um campo particular dentre o um ou mais campos em um tempo particular dentro do período de tempo particular; identificar um valor de teor de nutriente modelado que representa uma estimativa do teor de nutriente no solo no campo particular no tempo particular; identificar um valor de incerteza de modelação para o modelo digital do teor de nutriente, em que o valor de incerteza de modelação representa uma magnitude de erro no modelo digital; identificar um ou mais valores de incerteza de medição para cada um dentre o um ou mais valores de medição digital que especifica as medições do teor de nutriente, respectivamente, em que cada um dentre os valores de incerteza de modelagem representa uma magnitude de erro em um valor digital de medição correspondente; gerar e exibir, com base, pelo menos em parte, no valor de incerteza de modelação e um ou mais valores de incerteza de medição, um valor de teor de nutriente assimilado que representa uma estimativa aprimorada do teor de nutriente no solo no campo particular no tempo particular.[021] In one embodiment, a method comprises storing, in the digital memory of a computer system, a digital model of soil nutrient content of one or more fields over a particular period of time, wherein the digital model comprises a plurality of values and expressions that are stored in digital memory and define transformations of or relationships between the values and produce estimates of nutrient content values that describe the amounts of various chemicals in the soil; receive, into the computer system, through one or more networks, from a client computing device, one or more digital measurement values that specify soil nutrient content measurements in a particular field from among the one or more fields at a particular time within the particular time period; identify a modeled nutrient content value that represents an estimate of the nutrient content in the soil in the particular field at the particular time; identify a modeling uncertainty value for the digital nutrient content model, wherein the modeling uncertainty value represents a magnitude of error in the digital model; identify one or more measurement uncertainty values for each of the one or more digital measurement values that specify nutrient content measurements, respectively, wherein each of the modeling uncertainty values represents a magnitude of error in a corresponding digital measurement value; generate and display, based at least in part on the modeling uncertainty value and one or more measurement uncertainty values, an assimilated nutrient content value that represents an improved estimate of the nutrient content in the soil in the particular field in the private time.

2. EXEMPLIFICATION AGRICULTURAL INTELLIGENCE COMPUTER SYSTEM 2.1 STRUCTURAL OVERVIEW

[022] A Figura 1 ilustra um sistema de computador exemplificativo que é configurado para realizar as funções descritas no presente documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 tem, opera ou possui um dispositivo de computação de gerenciador de campo 104 em uma localização de campo ou associada a uma localização de campo, tal como um campo destinado a atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação de gerenciador de campo de computador de gerenciador de campo 104 é programado ou configurado para fornecer dados de campo 106 a um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.[022] Figure 1 illustrates an exemplary computer system that is configured to perform the functions described in this document, shown in a field environment with another device with which the system can interoperate. In one embodiment, a user 102 has, operates, or possesses a field manager computing device 104 at a field location or associated with a field location, such as a field intended for agricultural activities or a management location for one or more agricultural fields. The field manager computer field manager computing device 104 is programmed or configured to provide field data 106 to an agricultural intelligence computer system 130 via one or more networks 109 .

[023] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, extensão em acres, nome de campo, identificadores de campo, identificadores de geográficos, identificadores de delimitação, identificadores de cultura, e quaisquer outros dados adequados que possam ser usados para identificar o terreno de fazenda, tais como uma unidade de terreno comum (CLU), número de lote e trava, um número de encomenda, coordenadas e delimitações geográficos, Número de Série de Fazenda (FSN), número de fazenda, número de trator, número de campo, seção, cidade e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, a possibilidade de a cultura ter sido organicamente cultivada, data de colheita, Histórico de Produção Real (APH), rendimento esperado, rendimento, preço de cultura, receita de cultura, hidratação de grãos, prática de lavragem e informações de estação de cultivo anterior), (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade para trocar cátions (CEC)), (d) dados de plantação (por exemplo, data de plantação, tipo de semente (ou tipo de sementes), maturidade relativa (RM) de semente plantada (ou sementes plantadas), 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, outra substância ou mistura de substâncias destinados ao uso como um regulador de planta, desfoliante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, taxa de pluviosidade, pluviosidade predita, região de taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de condensação, umidade, profundidade de neve, qualidade de ar, nascer do sol, pôr-do-sol), (i) dados de imagem (por exemplo, informações de espectro de imagem e luz de um sensor de aparelho agrícola, câmera, computador, telefone inteligente, computador do tipo tablet, veículo aéreo não tripulado, aviões ou satélite), (]) observações de aferição (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (tempo atual e passado), hidratação de solo, estágio de cultivo de cultura, velocidade vetorial de vento, umidade relativa, ponto de condensação, camada escura)), e (k) solo, semente, fenologia de cultura, relato de pragas e doenças, e predições de fontes e bancos de dados.[023] Examples of field data 106 include (a) identification data (e.g., acreage, field name, field identifiers, geographic identifiers, boundary identifiers, crop identifiers, and any other appropriate data that may be used to identify farm land, such as a common land unit (CLU), lot number and lock, a parcel number, geographic coordinates and boundaries, Farm Serial Number (FSN), farm number, tractor number, field number, section, city and/or range), (b) harvest data (e.g. crop type, crop variety, crop rotation, the possibility that the crop was organically grown, date of harvest, Actual Production History (APH), expected yield, yield, crop price, crop revenue, grain hydration, tillage practice and previous growing season information), (c) soil data (e.g. type, composition, pH, organic matter (OM), cation exchange capacity (CEC)), (d) planting data (e.g. planting date, type of seed (or type of seeds), relative maturity (RM) of seed planted (or seeds planted), seed population), (e) fertilizer data (e.g. nutrient type (Nitrogen, Phosphorus, Potassium), application type, application date, quantity, source, method), (f) pesticide data (e.g. pesticide, herbicide, fungicide, other substance or mixture of substances intended for use as a plant regulator, defoliant or desiccant, date of application, quantity, source, method), (g) data irrigation (e.g. application date, quantity, source, method), (h) meteorological data (e.g. precipitation, rainfall rate, predicted rainfall, water runoff rate region, temperature, wind, forecast, pressure , visibility, clouds, heat index, dew point, humidity, snow depth, air quality, sunrise, sunset), (i) image data (e.g., image spectrum information and light from a sensor of agricultural equipment, camera, computer, smart phone, tablet computer, unmanned aerial vehicle, aircraft or satellite), (]) scouting observations (photos, videos, free-form notes, voice recordings, voice transcriptions, weather conditions (temperature, precipitation (current and past time), soil hydration, crop cultivation stage, wind vector speed, relative humidity, dew point, dark layer)), and (k) soil, seed, crop phenology, pest and disease reporting, and predictions from sources and databases.

[024] Um computador de servidor de dados 108 é acoplado de modo comunicativo ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 ao sistema de computador de inteligência agrícola 130 por meio da rede (ou redes) 109. O computador servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, tal como agência governamental, organização não governamental (ONG) e/ou um provedor de serviços de dados privados. Os exemplos de dados externos incluem dados meteorológicos, dados de imagem, dados de solo ou dados estatísticos relacionados a rendimentos de cultura, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 que pertence 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 podem ser, de outra forma, obtidos a partir de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode realmente ser incorporado no sistema 130.[024] A data server computer 108 is communicatively coupled to the agricultural intelligence computer system 130 and is programmed or configured to send external data 110 to the agricultural intelligence computer system 130 via the network (or networks) 109 The external data server computer 108 may be owned or operated by the same person or legal entity as the agricultural intelligence computer system 130, or by a different person or entity, such as a government agency, non-governmental organization (NGO), and/or or a private data service provider. Examples of external data include meteorological data, image data, soil data, or statistical data related to crop yields, among others. External data 110 may consist of the same type of information as field data 106. In some embodiments, external data 110 is provided by an external data server 108 that is owned by the same entity that owns and/or operates the computer system. agricultural intelligence computer system 130. For example, the agricultural intelligence computer system 130 may include a data server focused exclusively on a type of data that may otherwise be obtained from third-party sources, such as weather data. In some embodiments, an external data server 108 may actually be incorporated into system 130.

[025] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados no mesmo, sendo que tais sensores são acoplados de modo comunicativo, direta ou indiretamente, por meio do aparelho agrícola 111, ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos de aparelho agrícola 111 incluem tratores, colheitadeiras combinadas, colheitadeiras, plantadeiras, caminhões, equipamento fertilizante, veículos aéreos não tripulados, e qualquer outro item de maquinário ou hardware físico, maquinário tipicamente móvel, e que podem ser usados em tarefas associadas à agricultura. Em algumas modalidades, uma unidade única de aparelho 111 pode compreender uma pluralidade de sensores 112 que são localmente acoplados em uma rede no aparelho; a rede de área de controlador (CAN) é o exemplo de tal rede que pode ser instalada em colheitadeiras combinadas ou colheitadeiras. O controlador de aplicativo 114 é acoplado de modo comunicativo ao sistema de computador de inteligência agrícola 130 por meio da rede (ou redes) 109 e é programado ou configurado para receber um ou mais roteiros para controlar um parâmetro de operação de um veículo ou implemento agrícola 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 aparelho agrícola 111, tal como o modo que é usado o CLIMATE FIELDVIEW DRIVE, disponível de The Climate Corporation, São Francisco, Califórnia. Os dados de sensor podem consistir no mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem ser localizados remotamente no campo e podem se comunicar com a rede 109.[025] An agricultural device 111 may have one or more remote sensors 112 fixed thereto, such sensors being communicatively coupled, directly or indirectly, through the agricultural device 111, to the agricultural intelligence computer system 130 and are programmed or configured to send sensor data to the agricultural intelligence computer system 130. Examples of agricultural apparatus 111 include tractors, combine harvesters, harvesters, planters, trucks, fertilizer equipment, unmanned aerial vehicles, and any other item of machinery or physical hardware, typically mobile machinery, that can be used in tasks associated with agriculture. In some embodiments, a single apparatus unit 111 may comprise a plurality of sensors 112 that are locally coupled into a network on the apparatus; The controller area network (CAN) is the example of such a network that can be installed in combine harvesters or harvesters. The application controller 114 is communicatively coupled to the agricultural intelligence computer system 130 via the network (or networks) 109 and is programmed or configured to receive one or more scripts for controlling an operating parameter of an agricultural vehicle or implement. of the agricultural intelligence computer system 130. For example, a controller area network (CAN) bus interface may be used to enable communications from the agricultural intelligence computer system 130 to the agricultural apparatus 111, such as the way that CLIMATE FIELDVIEW DRIVE, available from The Climate Corporation, San Francisco, California, is used. The sensor data may consist of the same type of information as the field data 106. In some embodiments, the remote sensors 112 may not be attached to an agricultural apparatus 111, but may be located remotely in the field and may communicate with the network. 109.

[026] O aparelho 111 pode compreender um computador de cabine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é descrito adicionalmente em outras seções no presente documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um computador com tamanho de computador do tipo tablet ou telefone inteligente, com um visor de tela gráfica, como um visor colorido, que é montado em uma cabine do operador do aparelho 111. O computador de cabine 115 pode implantar parte ou todas as operações e funções que são descritas adicionalmente no presente documento para o dispositivo computador móvel 104.[026] The apparatus 111 may comprise a cabin computer 115 that is programmed with a cabin application, which may comprise a version or variant of the mobile application for the device 104 that is further described in other sections herein. In one embodiment, the in-cab computer 115 comprises a compact computer, often a tablet or smart phone-type computer sized computer, with a graphical screen display, such as a color display, that is mounted in an operator's cabin of the apparatus. 111. The cabin computer 115 may implement part or all of the operations and functions that are further described herein for the mobile computer device 104.

[027] A rede (ou redes) 109 representa amplamente qualquer combinação de uma ou mais redes de comunicação de dados que incluem redes de área local, redes de área ampla, ligação entre redes ou internets, com o uso de qualquer um dentre enlaces com fio e sem fio, que incluem enlaces terrestres ou de satélite. A rede (ou redes) pode ser implantada por qualquer mídia ou mecanismo que proporcione a troca de dados entre os vários elementos da Figura 1 . Os diversos elementos da Figura 1 também podem ter enlaces de comunicações diretos (com fio ou sem fio). Os sensores 112, o controlador 114, o computador de servidor de dados externos 108 e outros elementos do sistema compreendem, cada um, uma interface compatível com a rede (ou redes) 109 e são programados ou configurados para usar protocolos padronizados para a comunicação através das redes, tais como protocolo de TCP/IP, Bluetooth, CAN e protocolos de camada superior, tais como HTTP, TLS e semelhantes.[027] The network (or networks) 109 broadly represents any combination of one or more data communication networks that include local area networks, wide area networks, link between networks or internets, with the use of any of links with wired and wireless, which include terrestrial or satellite links. The network (or networks) can be implemented by any media or mechanism that provides data exchange between the various elements in Figure 1. The various elements in Figure 1 can also have direct communications links (wired or wireless). The sensors 112, controller 114, external data server computer 108, and other system elements each comprise a compatible interface to the network (or networks) 109 and are programmed or configured to use standardized protocols for communicating via of networks, such as TCP/IP protocol, Bluetooth, CAN and higher layer protocols, such as HTTP, TLS and the like.

[028] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 a partir do dispositivo de computação de gerenciador de campo 104, dados externos 110 a partir de computador servidor de dados externos 108, e dados de sensor a partir do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser configurado adicionalmente para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente, tal como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar tradução 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 roteiros para o controlador de aplicação 114, da maneira descrita adicionalmente em outras seções desta revelação.[028] Agricultural intelligence computer system 130 is programmed or configured to receive field data 106 from field manager computing device 104, external data 110 from external data server computer 108, and sensor data from the remote sensor 112. The agricultural intelligence computer system 130 may be further configured to host, use, or execute one or more computer programs, other software elements, digitally programmed logic, such as FPGAs or ASICs, or any combination thereof to perform translation and storage of data values, construction of digital models of one or more crops in one or more fields, generation of recommendations and notifications, and generation and sending of scripts to the application controller 114, in the manner further described in other sections of this revelation.

[029] 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”, nesse contexto, se refere a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware, tal como drivers, e/ou programas de computador ou outros elementos de software.[029] In one embodiment, the agricultural intelligence computer system 130 is programmed with or comprises a communications layer 132, presentation layer 134, data management layer 140, hardware/virtualization layer 150, and data repository. model and field 160. “Layer” in this context refers to any combination of electronic digital interface circuits, microcontrollers, firmware, such as drivers, and/or computer programs or other software elements.

[030] A camada de comunicação 132 pode ser programada ou configurada para realizar funções de realização de interface de entrada/saída que incluem enviar solicitações para o dispositivo de computação de gerenciador de campo 104, o computador servidor de dados externos 108 e o sensor remoto 112 para dados de campo, dados externos e dados de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados de modelo e campo 160 para serem armazenados como dados de campo 106.[030] The communication layer 132 may be programmed or configured to perform input/output interface functions that include sending requests to the field manager computing device 104, the external data server computer 108, and the remote sensor 112 for field data, external data, and sensor data, respectively. The communication layer 132 may be programmed or configured to send the received data to the model and field data repository 160 to be stored as field data 106.

[031] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação de gerenciador 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 inserir dados a serem enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações por modelos e/ou recomendações, e/ou exibir recomendações, notificações, modelos e outros dados de campo.[031] The presentation layer 134 may be programmed or configured to generate a graphical user interface (GUI) for display on the field manager computing device 104, cabin computer 115, or other computers that are coupled to the system 130 through of network 109. The GUI may comprise controls for inputting data to be sent to the agricultural intelligence computer system 130, generating requests for models and/or recommendations, and/or displaying recommendations, notifications, models, and other field data.

[032] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de gravação que envolvem 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 gerenciamento de dados 140 incluem JDBC, código de interface de servidor de SQL, e/ou código de interface de HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme usado no presente documento, o termo “banco de dados” pode se referir a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou ambos. Conforme usado no presente documento, um banco de dados pode compreender qualquer coleção de dados que inclui bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados de objeto- relacional, bancos de dados orientados a objetos, e qualquer outra coleção estruturada de registros ou dados que seja armazenada em um sistema de computador. Exemplos de RDBMSs incluem, porém, sem limitação, os bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, pode ser usado qualquer banco de dados que permita os sistemas e métodos descritos no presente documento.[032] The data management layer 140 may be programmed or configured to manage read operations and write operations involving the repository 160 and other functional elements of the system, including queries and result sets communicated between the functional elements of the system and the repository. Examples of data management layer 140 include JDBC, SQL server interface code, and/or HADOOP interface code, among others. Repository 160 may comprise a database. As used herein, the term “database” may refer to a body of data, a relational database management system (RDBMS), or both. As used herein, a database may comprise any collection of data that includes hierarchical databases, relational databases, flat file databases, object-relational databases, object-oriented databases, and any other structured collection of records or data that is stored in a computer system. Examples of RDBMSs include, but are not limited to, the ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE®, and POSTGRESQL databases. However, any database that allows the systems and methods described in this document may be used.

[033] Quando os dados de campo 106 não forem fornecidos diretamente ao sistema de computador de inteligência agrícola por meio de um ou mais dispositivos de máquina agrícola ou máquinas agrícolas que interagem com o sistema de computador de inteligência agrícola, pode ser exigido que o usuário por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) insertar tais informações. Em uma modalidade exemplificativa, o usuário pode especificar dados de identificação acessando-se um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando-se CLUs que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando-se um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e que estabelece delimitações do campo ao longo do mapa. Tal seleção de CLU ou os desenhos de mapa representam identificadores de geográficos. Nas modalidades alternativas, o usuário pode especificar dados de identificação acessando-se dados de identificação de campo (fornecidos como arquivos de forma ou em um formato semelhante) do Departamento do EUA de Agência de Serviços de Rural e Agrícola ou outra fonte por meio do dispositivo de usuário e fornecendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.[033] When field data 106 is not provided directly to the agricultural intelligence computer system through one or more agricultural machine devices or agricultural machines that interact with the agricultural intelligence computer system, the user may be required to through one or more user interfaces on the user device (served by the agricultural intelligence computer system) input such information. In an exemplary embodiment, the user may specify identification data by accessing a map on the user device (served by the agricultural intelligence computer system) and selecting CLUs that were graphically displayed on the map. In an alternative embodiment, the user 102 may specify identification data by accessing a map on the user device (served by the agricultural intelligence computer system 130) and establishing field boundaries along the map. Such CLU selection or map drawings represent geographic identifiers. In alternative embodiments, the user may specify identification data by accessing field identification data (provided as shape files or in a similar format) from the U.S. Department of Rural and Agricultural Services Agency or other source through the device. user interface and providing such field identification data to the agricultural intelligence computer system.

[034] Em uma modalidade exemplificativa, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibição de uma interface de usuário gráfica que compreende um gerenciador de dados para admissão de dados. Após um ou mais campos terem sido identificados com o uso dos métodos descritos acima, o gerenciador de dados pode fornecer um ou mais acessórios de interface de usuário gráfica que, quando selecionados, podem identificar alterações no campo, no solo, nas culturas, na lavragem ou práticas de nutriente. O gerenciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha e/ou um ou mais programas editáveis.[034] In an exemplary embodiment, the agricultural intelligence computer system 130 is programmed to generate and cause the display of a graphical user interface comprising a data manager for data intake. After one or more fields have been identified using the methods described above, the data manager may provide one or more graphical user interface accessories that, when selected, can identify changes in the field, soil, crops, tillage or nutrient practices. The data manager may include a timeline view, a spreadsheet view, and/or one or more editable programs.

[035] As Figuras 5 retrata uma modalidade exemplificativa de uma vista de linha de tempo para introdução de dados. Com o uso da exibição retratada na Figura 5, um computador de usuário pode insertar uma seleção de um campo particular e uma data particular para a adição de evento. Os eventos retratados no topo da linha de tempo incluem Nitrogênio, Plantação, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer admissão para selecionar a aba de nitrogênio. O computador de usuário pode, então, selecionar uma localização na linha de tempo para um campo particular a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma localização na linha de tempo por um campo particular, o gerenciador de dados pode exibir uma sobreposição de introdução de dados, que permite que o computador de usuário inserte dados que pertencem a aplicações de nitrogênio, procedimentos de plantação, aplicação de solo, procedimentos de lavragem, práticas de irrigação ou outras informações relacionadas ao campo particular. Por exemplo, se um computador de usuário selecionar uma porção da linha de tempo e indicar uma aplicação de nitrogênio, então, a sobreposição de introdução de dados pode incluir campos para insertar uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.[035] Figures 5 depicts an exemplary embodiment of a timeline view for data entry. Using the display depicted in Figure 5, a user computer can enter a selection of a particular field and a particular date for the event addition. Events depicted at the top of the timeline include Nitrogen, Plantation, Practices, and Soil. To add a nitrogen application event, a user computer can provide input to select the nitrogen tab. The user computer can then select a location on the timeline for a particular field to indicate a nitrogen application to the selected field. In response to receiving a selection of a location on the timeline by a particular field, the data manager may display a data entry overlay, which allows the user computer to enter data pertaining to nitrogen applications, planting, soil application, tillage procedures, irrigation practices or other information related to the particular field. For example, if a user computer selects a portion of the timeline and indicates a nitrogen application, then the data entry overlay may include fields to enter an amount of nitrogen applied, an application date, a type of fertilizer used and any other information related to nitrogen application.

[036] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. “Programa”, no presente contexto, se refere a um conjunto de dados que pertencem a aplicações de nitrogênio, procedimentos de plantação, aplicação de solo, procedimentos de lavragem, práticas de irrigação ou outras informações que podem ser relacionadas a um ou mais campos e que podem ser armazenadas em armazenamento de dados digital para a reutilização como um conjunto em outras operações. Após um programa ter sido criado, o mesmo pode ser conceitualmente aplicado a um ou mais campos e as referências ao programa podem ser armazenadas em armazenamento digital em associação aos dados que identificam os campos. Desse modo, em vez de introduzir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio por múltiplos campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação particular de nitrogênio e, então, aplicar o programa a múltiplos campos diferentes. Por exemplo, na vista de linha de tempo da Figura 5, as duas linhas de tempo superiores têm o programa "aplicado no outono" selecionado, que inclui uma aplicação de 168 kg N/ha (150 lbs N/ac) no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é editado, cada campo que selecionou o programa particular é editado. Por exemplo, na Figura 5, se o programa "aplicado no outono" for editado para reduzir a aplicação de nitrogênio a 145,71 N/ha (130 lbs N/ac), os dois campos de topo podem ser atualizados com uma aplicação de nitrogênio reduzida com base no programa editado.[036] In one embodiment, the data manager provides an interface for creating one or more programs. “Program” in the present context refers to a set of data pertaining to nitrogen applications, planting procedures, soil application, tillage procedures, irrigation practices or other information that can be related to one or more fields and which can be stored in digital data storage for reuse as a set in other operations. After a program has been created, it can be conceptually applied to one or more fields and references to the program can be stored in digital storage in association with data identifying the fields. In this way, instead of manually entering identical data relating to the same nitrogen applications across multiple different fields, a user computer can create a program that indicates a particular nitrogen application and then apply the program to multiple different fields. For example, in the timeline view of Figure 5, the top two timelines have the "fall applied" program selected, which includes an application of 168 kg N/ha (150 lbs N/ac) in early April . The data manager can provide an interface for editing a program. In one embodiment, when a particular program is edited, each field that selected the particular program is edited. For example, in Figure 5, if the "fall applied" program is edited to reduce nitrogen application to 145.71 N/ha (130 lbs N/ac), the top two fields can be refreshed with an application of nitrogen reduced based on the edited program.

[037] Em uma modalidade, em resposta ao recebimento de edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo de topo na Figura 5, a interface pode se atualizar para indicar que o programa "aplicado no outono" não é mais aplicado ao campo de topo. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações ao programa "aplicado no outono" não alterariam a aplicação de nitrogênio de abril.[037] In one embodiment, in response to receiving edits for a field that has a selected program, the data manager removes the field's correspondence to the selected program. For example, if a nitrogen application is added to the top field in Figure 5, the interface may update to indicate that the "fall applied" program is no longer applied to the top field. While the early April nitrogen application may remain, updates to the "fall applied" program would not change the April nitrogen application.

[038] A Figura 6 retrata uma modalidade exemplificativa de uma vista de planilha para a introdução de dados. Com o uso da exibição retratada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para insertar informações com relação a Nitrogênio, Plantação, Práticas e Solo, conforme retratado na Figura 6. Para editar uma introdução particular, um computador de usuário pode selecionar a introdução particular na planilha e atualizar os valores. Por exemplo, a Figura 6 retrata uma atualização em progresso para um valor de rendimento alvo para o segundo campo. Adicionalmente, um computador de usuário pode selecionar um ou mais campos a fim de aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as introduções para o campo particular com base no programa selecionado. Como ocorre com a vista de linha de tempo, o gerenciador de dados pode atualizar as introduções para cada campo associado a um programa particular em resposta ao recebimento de uma atualização para o programa. Adicionalmente, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta ao recebimento de uma edição para uma dentre as introduções para o campo.[038] Figure 6 depicts an exemplary embodiment of a spreadsheet view for data entry. Using the view depicted in Figure 6, a user can create and edit information for one or more fields. The data manager may include spreadsheets for entering information regarding Nitrogen, Plantation, Practices and Soil, as depicted in Figure 6. To edit a particular entry, a user computer can select the particular entry in the spreadsheet and update the values. For example, Figure 6 depicts an update in progress to a target yield value for the second field. Additionally, a user computer may select one or more fields in order to apply one or more programs. In response to receiving a selection from a program for a particular field, the data manager may automatically complete entries for the particular field based on the selected program. As with the timeline view, the data manager can update the entries for each field associated with a particular program in response to receiving an update to the program. Additionally, the data manager may remove the selected program's match for the field in response to receiving an edit to one of the entries for the field.

[039] Em uma modalidade, os dados de modelo e campo são armazenados no repositório de dados de modelo e campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultivo pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura no um ou mais campos. “Modelo”, nesse contexto, se refere a um conjunto eletrônico armazenado digitalmente de instruções executáveis e valores de dados, associados entre si, que têm a capacidade para receber e responder a uma chamada, invocação ou solicitação programática ou outra chamada, invocação ou solicitação digital por resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como a base de recomendações implantadas em computador, exibições de dados de saída ou controle de máquina, entre outras coisas. As pessoas versadas no campo consideram conveniente expressar modelos com o uso de equações matemáticas, mas que a forma de expressão não confine os modelos revelados no presente documento a conceitos abstratos; em vez disso, cada modelo no presente documento tem uma aplicação prática em um computador na forma de instruções executáveis e dados armazenados que implementam o modelo com o uso do computador. O modelo pode incluir um modelo de eventos anteriores no um ou mais campos, um modelo da situação atual do um ou mais campos e/ou um modelo de eventos previstos no um ou mais campos. Os dados de modelo e campo podem ser armazenados em estruturas de dados na memória, fileiras em uma tabela de banco de dados, em arquivos simples ou planilhas, ou outras formas de dados digitais armazenados.[039] In one embodiment, model and field data are stored in model and field data repository 160. Model data comprises data models created for one or more fields. For example, a crop model may include a digitally constructed model of the development of a crop in one or more fields. “Model” in this context refers to a digitally stored electronic set of executable instructions and data values, associated with each other, that has the capacity to receive and respond to a call, invocation or programmatic request or other call, invocation or request digital by resolution based on specified input values, to produce one or more stored output values that can serve as the basis of computer-implemented recommendations, output data displays, or machine control, among other things. Persons skilled in the field consider it convenient to express models using mathematical equations, but that the form of expression does not confine the models disclosed in this document to abstract concepts; rather, each model in this document has a practical application on a computer in the form of executable instructions and stored data that implement the model using the computer. The model may include a model of past events in the one or more fields, a model of the current situation in the one or more fields, and/or a model of predicted events in the one or more fields. Model and field data can be stored in in-memory data structures, rows in a database table, in flat files or spreadsheets, or other forms of stored digital data.

[040] Em uma modalidade, cada uma dentre as instruções de modelagem de nutriente 135, instruções de modelagem de incerteza 136, instruções de assimilação 137 e instruções de calibração de modelo 138 compreende um conjunto de uma ou mais páginas de memória principal, como RAM, no sistema de computador de inteligência agrícola 130 em que as instruções executáveis foram carregadas e que, quando executadas fazem com que o sistema de computação de inteligência agrícola para realizar as funções ou operações que são descritas no presente documento com referência a tais módulos. Por exemplo, as instruções de modelagem de nutriente 135 pode compreender um conjunto de páginas em RAM que contêm instruções que, quando executadas, causam a realização das funções de modelagem de nutriente que são descritas no presente documento. As instruções podem ser em 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 ser humano ou ambiente, isoladamente ou em combinação com roteiros em JAVASCRIPT, outras linguagens de elaboração de roteiros e outro texto de fonte de programação. O termo "páginas" se destina a referenciar 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 dentre as instruções de modelagem de nutriente 135, as instruções de modelagem de incerteza 136, as instruções de assimilação 137 e as instruções de calibração de modelo 138 também pode representar um ou mais arquivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa 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, causam a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola realize as funções ou operações que são descritas no presente documento com referência a tais módulos. Em outras palavras, a figura do desenho pode representar a maneira em que programadores ou desenvolvedores de software organizam e dispõem código fonte para compilação posterior em um executável, ou interpretação em código de bytes ou o equivalente, para execução pelo sistema de computador de inteligência agrícola 130.[040] In one embodiment, each of the nutrient modeling instructions 135, uncertainty modeling instructions 136, assimilation instructions 137, and model calibration instructions 138 comprises a set of one or more pages of main memory, such as RAM , in the agricultural intelligence computer system 130 into which executable instructions have been loaded and which, when executed, cause the agricultural intelligence computing system to perform the functions or operations that are described herein with reference to such modules. For example, the nutrient modeling instructions 135 may comprise a set of pages in RAM that contain instructions that, when executed, cause the nutrient modeling functions that are described herein to be performed. The instructions may be machine-executable code in the instruction set of a CPU and may have been compiled from source code written in JAVA, C, C++, OBJECTIVE-C, or any other human-readable programming language or environment. , alone or in combination with JAVASCRIPT scripts, other scripting languages, and other programming source text. The term "pages" is intended to broadly reference any region within main memory, and the specific terminology used in a system may vary depending on the memory architecture or processor architecture. In another embodiment, each of the nutrient modeling instructions 135, the uncertainty modeling instructions 136, the assimilation instructions 137, and the model calibration instructions 138 may also represent one or more source code files or projects that are digitally stored on a mass storage device such as non-volatile RAM or disk storage, in the agricultural intelligence computer system 130 or a separate repository system, which, when compiled or interpreted, cause the generation of executable instructions that, when performed, cause the agricultural intelligence computing system to perform the functions or operations that are described in this document with reference to such modules. In other words, the figure in the drawing may represent the way in which programmers or software developers organize and arrange source code for later compilation into an executable, or interpretation into byte code or the equivalent, for execution by the agricultural intelligence computer system. 130.

[041] As instruções de modelagem de nutriente 135 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a computação de valores de nutriente no solo com o uso de dados de solo, dados de cultura e dados meteorológicos. As instruções de modelagem de incerteza 136 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130, realize a estimativa de valores de incerteza correspondentes aos valores de medição de teor de nutriente e valores modelados de teor de nutriente. As instruções de assimilação 137 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a computação de valores de nutriente no solo com base em computações anteriores de valores de nutriente no solo e valores medidos de teor de nutriente no solo. As instruções de calibração de modelo 138 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a calibração de instruções de modelagem de nutriente 135 com base, pelo menos em parte, em valores de nutriente computados.[041] Nutrient modeling instructions 135 comprise computer-readable instructions that, when executed by one or more processors, cause the agricultural intelligence computer system 130 to perform computation of soil nutrient values using data soil, crop data and meteorological data. The uncertainty modeling instructions 136 comprise computer-readable instructions that, when executed by one or more processors, cause the agricultural intelligence computer system 130 to estimate uncertainty values corresponding to nutrient content measurement values. and modeled nutrient content values. Assimilation instructions 137 comprise computer-readable instructions that, when executed by one or more processors, cause the agricultural intelligence computer system 130 to perform computation of nutrient values in the soil based on previous computations of nutrient values in the soil. soil and measured values of nutrient content in the soil. Template calibration instructions 138 comprise computer-readable instructions that, when executed by one or more processors, cause agricultural intelligence computer system 130 to perform nutrient modeling instruction calibration 135 based, at least in part , in computed nutrient values.

[042] 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, tais como memória volátil ou não volátil, armazenamento não volátil, tal como disco, e dispositivos ou interfaces de I/O, conforme ilustrados e descritos, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, contentorização ou outras tecnologias.[042] The hardware/virtualization layer 150 comprises one or more central processing units (CPUs), memory controllers, and other devices, components, or elements of a computer system, such as volatile or non-volatile memory, non-volatile storage volatile, such as disk, and I/O devices or interfaces, as illustrated and described, for example, in connection with Figure 4. Layer 150 may also comprise programmed instructions that are configured to support virtualization, containerization, or other technologies.

[043] Para fins de ilustração de um exemplo claro, a Figura 1 mostra um número limitado de exemplos de determinados elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, as modalidades podem usar milhares ou milhões de dispositivos de computação móveis diferentes 104 associados a usuários diferentes. Ademais, o sistema 130 e/ou o computador servidor de dados externos 108 podem ser implantados com o uso de dois ou mais processadores, núcleos, agrupamentos ou instâncias de máquinas físicas ou máquinas virtuais, configurados em uma localização distinta ou colocalizados com outros elementos em um centro de processamento de dados, instalação de computação compartilhada ou instalação de computação em nuvem.[043] For the purpose of illustrating a clear example, Figure 1 shows a limited number of examples of certain functional elements. However, in other embodiments, there may be any number of such elements. For example, embodiments may use thousands or millions of different mobile computing devices associated with different users. Furthermore, system 130 and/or external data server computer 108 may be deployed using two or more processors, cores, clusters, or instances of physical machines or virtual machines, configured in a distinct location or co-located with other elements in a data processing center, shared computing facility, or cloud computing facility.

2.2. APPLICATION PROGRAM OVERVIEW

[044] Em uma modalidade, a implementação das funções descritas no presente documento com o uso de um ou mais programas de computador ou outros elementos de software que são carregados em e executados com o uso de um ou mais computadores de propósito geral fará com que os computadores de propósito geral sejam configurados como uma máquina particular ou como um computador que é especialmente adaptado para realizar as funções descritas no presente documento. Ademais, cada um dentre os fluxogramas que são descritos adicionalmente no presente documento pode servir, por si só ou em combinação com as descrições de processos e funções em prosa no presente documento, como algoritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implantar as funções que são descritas. Em outras palavras, todo o texto em prosa no presente documento e todas as figuras de desenhos se destinam, em conjunto, a fornecer revelação de algoritmos, planos ou direções que seja suficiente para permitir que uma pessoa versada na técnica programe um computador para realizar as funções que são descritas no presente documento, em combinação com a habilidade e conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e revelações desse tipo.[044] In one embodiment, implementing the functions described herein with the use of one or more computer programs or other software elements that are loaded into and executed with the use of one or more general purpose computers will cause general purpose computers are configured as a private machine or as a computer that is specially adapted to perform the functions described in this document. Furthermore, each of the flowcharts that are further described herein can serve, by itself or in combination with the prose descriptions of processes and functions herein, as algorithms, plans, or directions that can be used to program a computer. or logic to implement the functions that are described. In other words, all prose text in this document and all drawing figures are intended, taken together, to provide disclosure of algorithms, plans or directions that is sufficient to enable a person skilled in the art to program a computer to perform the functions that are described herein, in combination with the skill and knowledge of such person given the level of skill that is appropriate for inventions and disclosures of this type.

[045] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 com o uso do dispositivo de computação de gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas aplicativos ou apps; o dispositivo de computação de gerenciador de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola independente e automaticamente sob o controle de programa ou controle lógico e interação de usuário direta nem sempre é exigida. O dispositivo de computação de gerenciador de campo 104 representa amplamente um ou mais dentre um telefone inteligente, PDA, dispositivo de computação do tipo tablet, computador do tipo laptop, computador do tipo desktop, estação de trabalho, ou qualquer outro dispositivo de computação com capacidade para transmitir e receber informações e realizar as funções descritas no presente documento. O dispositivo de computação de gerenciador de campo 104 pode se comunicar por meio de uma rede com o uso de um aplicativo móvel armazenado no dispositivo de computação de gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado com o uso de um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário particular 102 pode ter, operar ou possuir e usar, em conexão com o sistema 130, mais do que um dispositivo de computação de gerenciador de campo 104 de uma vez.[045] In one embodiment, the user 102 interacts with the agricultural intelligence computer system 130 using the field manager computing device 104 configured with an operating system and one or more application programs or apps; The field manager computing device 104 may also interoperate with the agricultural intelligence computer system independently and automatically under program control or logic control, and direct user interaction is not always required. Field manager computing device 104 broadly represents one or more of a smart phone, PDA, tablet-type computing device, laptop-type computer, desktop-type computer, workstation, or any other computing device capable of to transmit and receive information and perform the functions described in this document. The field manager computing device 104 may communicate via a network using a mobile application stored on the field manager computing device 104, and in some embodiments, the device may be coupled using a cable 113 or connector to sensor 112 and/or controller 114. A particular user 102 may have, operate, or possess and use, in connection with system 130, more than one field manager computing device 104 at a time.

[046] O aplicativo móvel pode fornecer funcionalidade de lado do cliente, por meio da rede para um ou mais dispositivos de computação móveis. Em uma modalidade exemplificativa, o dispositivo de computação de gerenciador de campo 104 pode acessar o aplicativo móvel por meio de um navegador de web ou um aplicativo de cliente local ou app. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para, e receber dados de, um ou mais servidores de front-end, com o uso de protocolos ou formatos com base em web, tais como HTTP, XML e/ou JSON, ou protocolos específicos de app. Em uma modalidade exemplificativa, os dados podem assumir a forma de solicitações e entradas de informações de usuário, tais como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento de localização no dispositivo de computação de gerenciador de campo 104 que determina a localização do dispositivo de computação de gerenciador de campo 104 com o uso de técnicas de rastreamento padrão, tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados ao dispositivo 104, ao usuário 102 e/ou à conta (ou contas) de usuário podem ser obtidos por consultas a um sistema operacional do dispositivo ou solicitando-se que um app no dispositivo obtenha dados do sistema operacional.[046] The mobile application may provide client-side functionality over the network to one or more mobile computing devices. In an exemplary embodiment, the field manager computing device 104 may access the mobile application via a web browser or a local client application or app. Field manager computing device 104 may transmit data to, and receive data from, one or more front-end servers, using web-based protocols or formats, such as HTTP, XML and/or JSON, or app-specific protocols. In an exemplary embodiment, the data may take the form of user information requests and inputs, such as field data, on the mobile computing device. In some embodiments, the mobile application interacts with location tracking hardware and software on the field manager computing device 104 that determines the location of the field manager computing device 104 using standard tracking techniques, such as multilateration. radio signals, global positioning system (GPS), WiFi positioning systems, or other mobile positioning methods. In some cases, location data or other data associated with device 104, user 102, and/or user account (or accounts) may be obtained by querying a device's operating system or requesting that an app on the device get data from the operating system.

[047] Em uma modalidade, o dispositivo de computação de gerenciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 que compreende ou inclui, porém, sem limitações, valores de dados que representam um ou mais dentre: uma localização geográfica do um ou mais campos, informações de lavragem 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 gerenciador de campo 104 pode enviar dados de campo 106 em resposta a uma admissão de usuário do usuário 102 que especifica os valores de dados para o um ou mais campos. Adicionalmente, o dispositivo de computação de gerenciador de campo 104 pode automaticamente enviar dados de campo 106 quando um ou mais dentre os valores de dados se torna disponível para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o dispositivo de computação de gerenciador de campo 104 pode ser acoplado de modo comunicativo ao sensor remoto 112 e/ou controlador de aplicação 114. Em resposta ao recebimento de dados que indicam que o controlador de aplicação 114 liberou água no um ou mais campos, o dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130 que indicam que a água foi liberada no um ou mais campos. Os dados de campo 106 identificados nessa revelação podem ser admitidos e comunicados com o uso de dados digitais eletrônicos que são comunicados entre dispositivos de computação com o uso de URLs parametrizados através de HTTP, ou outro protocolo de comunicação ou mensagem adequado.[047] In one embodiment, the field manager computing device 104 sends field data 106 to the agricultural intelligence computer system 130 that comprises or includes, but is not limited to, data values representing one or more of: a geographic location of the one or more fields, plowing information for the one or more fields, crops planted in the one or more fields, and soil data extracted from the one or more fields. Field manager computing device 104 may send field data 106 in response to a user input from user 102 that specifies data values for the one or more fields. Additionally, the field manager computing device 104 may automatically send field data 106 when one or more of the data values becomes available to the field manager computing device 104. For example, the field manager computing device 104 field 104 may be communicatively coupled to the remote sensor 112 and/or application controller 114. In response to receiving data indicating that the application controller 114 has released water into the one or more fields, the field manager computing device 114 field 104 may send field data 106 to the agricultural intelligence computer system 130 that indicates that water has been released into the one or more fields. The field data 106 identified in this disclosure may be input and communicated using electronic digital data that is communicated between computing devices using parameterized URLs via HTTP, or other suitable communication or messaging protocol.

[048] Um exemplo comercial do aplicativo móvel é CLIMATE FIELD VIEW, disponibilizado comercialmente pela The Climate Corporation, São Francisco, Califórnia, EUA. O aplicativo The CLIMATE FIELD VIEW, ou outros aplicativos, pode ser modificado, estendido ou adaptado para incluir recursos, funções e programação que não foram revelados antes da data de depósito desta revelação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite que um produtor realize decisões com base em fatos para suas operações devido ao fato de combinar 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 têm como base modelos científicos que fornecem cenários potenciais para permitir que o produtor realize decisões melhores e mais bem informadas.[048] A commercial example of the mobile application is CLIMATE FIELD VIEW, commercially available from The Climate Corporation, San Francisco, California, USA. The CLIMATE FIELD VIEW application, or other applications, may be modified, extended or adapted to include features, functions and programming that have not been disclosed prior to the filing date of this disclosure. In one embodiment, the mobile application comprises an integrated software platform that allows a producer to make fact-based decisions for its operations by combining historical data about the producer's fields with any other data that the producer wishes to compare. Combinations and comparisons can be carried out in real time and are based on scientific models that provide potential scenarios to allow the producer to make better and more informed decisions.

[049] As Figuras 2 ilustra duas vistas de uma organização lógica exemplificativa de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificativo é carregado para a 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 de disco ou outro armazenamento não volátil, e as instruções programadas dentro de tais regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento de assimilação 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 plantação 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.[049] Figures 2 illustrates two views of an exemplary logical organization of instruction sets in main memory when an exemplary mobile application is loaded for execution. In Figure 2, each named element represents a region of one or more pages of RAM or other main memory, or one or more blocks of disk storage or other non-volatile storage, and the instructions programmed within such regions. In one embodiment, in view (a), a mobile computer application 200 comprises account field data assimilation sharing instructions 202, overview and alert instructions 204, digital map book instructions 206, seed instructions, and plantation 208, nitrogen instructions 210, meteorological instructions 212, field health instructions 214, and performance instructions 216.

[050] Em uma modalidade, um aplicativo de computador móvel 200 compreende instruções de compartilhamento de assimilação de dados de campo de conta 202 que são programadas para receber, traduzir e assimilar dados de campo de sistemas de terceiros por meio de transferência por upload manual ou APIs. Os tipos de dados podem incluir delimitações de campo, mapas de rendimento, mapas de plantação, resultados de teste de solo, mapas de aplicação, e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de forma, formatos de dados nativos de terceiros, e/ou exportações de sistema de informações de gerenciamento de fazenda (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de transferência por upload manual, e-mail com anexo, APIs externos que enviam dados para o aplicativo móvel, ou instruções que chamam APIs de sistemas externos para retirar dados do aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface de usuário gráfica para transferir por upload manualmente arquivos de dados e importar arquivos transferidos por upload para um gerenciador de dados.[050] In one embodiment, a mobile computer application 200 comprises account field data assimilation sharing instructions 202 that are programmed to receive, translate, and assimilate field data from third-party systems via manual upload transfer or APIs. Data types may include field boundaries, yield maps, planting maps, soil test results, application maps, and/or management zones, among others. Data formats may include shape files, third-party native data formats, and/or farm management information system (FMIS) exports, among others. Receiving data can occur through manual upload transfer, email with an attachment, external APIs that send data to the mobile application, or instructions that call APIs from external systems to retrieve data from the mobile application. In one embodiment, the mobile computer application 200 comprises a data input box. In response to receiving a selection from the data input box, the mobile computer application 200 may display a graphical user interface for manually uploading data files and importing uploaded files into a data manager.

[051] Em uma modalidade, as instruções de livro de mapa 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 geoespacial. Isso dota os produtores de informações convenientes à mão para referência, registro em log e percepções visuais do desempenho de campo. Em uma modalidade, as instruções de visão geral e alerta 204 são programadas para fornecer uma vista de operação ampla do que é importante para o produtor, e recomendações pontuais para agir ou focar em problemas particulares. Isso permite que o produtor foque o tempo no que precisa de atenção, para poupar tempo e preservar o rendimento ao longo da estação. Em uma modalidade, as instruções de sementes e plantação 208 são programadas para fornecer ferramentas para seleção de semente, colocação híbrida e criação de roteiro, que inclui criação de roteiro de taxa variável (VR), com base nos modelos científicos e dados empíricos. Isso permite que produtores maximizem o rendimento ou o retorno em investimento por meio de compra, colocação e população de sementes otimizadas.[051] In one embodiment, digital map book instructions 206 comprise layers of field map data stored in device memory and are programmed with data visualization tools and geospatial field notes. This equips producers with convenient information at hand for reference, logging and visual insights into field performance. In one embodiment, overview and alert instructions 204 are programmed to provide a broad operating view of what is important to the producer, and timely recommendations for taking action or focusing on particular problems. This allows the producer to focus their time on what needs attention, to save time and preserve yield throughout the season. In one embodiment, seed and planting instructions 208 are programmed to provide tools for seed selection, hybrid placement, and script creation, which includes variable rate (VR) script creation, based on scientific models and empirical data. This allows growers to maximize yield or return on investment through optimized seed purchasing, placement and population.

[052] Em uma modalidade, as instruções de geração de roteiro 205 são programadas para fornecer uma interface para gerar roteiros, incluindo roteiros de fertilidade de taxa variável (VR). A interface permite que os produtores criem roteiros para implementos de campo, tais como aplicações de nutriente, plantação e irrigação. Por exemplo, uma interface de roteiro de plantação pode compreender ferramentas para identificar um tipo de semente para a plantação. Mediante o recebimento de uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos separados em zonas de gerenciamento, como as camadas de dados de mapa de campo criadas como parte de as instruções de livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo juntamente com um painel que identifica cada zona de solo e um nome de solo, textura, drenagem para cada zona ou outros dados de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para editar ou criar as mesmas, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantação podem ser aplicados a todas as zonas de gerenciamento ou procedimentos de plantação diferentes podem ser aplicados a diferentes subconjuntos de zonas de gerenciamento. Quando um roteiro é criado, o aplicativo de computador móvel 200 pode tornar o roteiro disponível para transferência por download em um formato legível por um controlador de aplicativo, tal como um formato arquivado ou comprimido. Adicional e/ou alternativamente, um roteiro pode ser enviado diretamente ao computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou transferido por download para um ou mais servidores de dados e armazenado para o uso adicional.[052] In one embodiment, script generation instructions 205 are programmed to provide an interface for generating scripts, including variable rate (VR) fertility scripts. The interface allows growers to create routings for field implements such as nutrient applications, planting and irrigation. For example, a planting route interface may comprise tools for identifying a type of seed for planting. Upon receipt of a seed type selection, mobile computer application 200 may display one or more fields separated into management zones, such as field map data layers created as part of digital map book instructions 206 In one embodiment, management zones comprise soil zones along with a panel that identifies each soil zone and a soil name, texture, drainage for each zone, or other field data. The mobile computer application 200 may also display tools for editing or creating the same, such as graphical tools for drawing management zones, such as soil zones, on a map of one or more fields. Planting procedures can be applied to all management zones, or different planting procedures can be applied to different subsets of management zones. When a script is created, the mobile computer application 200 may make the script available for download in a format readable by an application controller, such as an archived or compressed format. Additionally and/or alternatively, a script may be sent directly to the cabin computer 115 from the mobile computer application 200 and/or downloaded to one or more data servers and stored for further use.

[053] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar decisões de nitrogênio visualizando-se a disponibilidade de nitrogênio para culturas. Isso permite que os produtores maximizem o rendimento ou retorno no investimento por mio de aplicação de nitrogênio aprimorada durante a estação. As funções programadas exemplificativas incluem exibir imagens, como imagens de SSURGO para possibilitar o desenho das zonas e/ou imagens de aplicação geradas a partir de dados de solo de subcampo, como os dados obtidos a partir de sensores, em uma alta resolução espacial (bem como 10 metros ou menor devido à sua proximidade do solo); transferir por upload zonas existentes definidas pelo produtor; fornecer um gráfico de aplicativo e/ou um mapa para permitir o ajuste da aplicação (ou aplicações) de nitrogênio ao longo de múltiplas zonas; emissão de roteiros para acionar maquinário; ferramentas para introdução e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. “Introdução de dados em massa”, nesse contexto, pode significar introduzir dados uma vez e, então, aplicar os mesmos dados a múltiplos campos que foram definidos no sistema; os dados exemplificativos podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas tal introdução de dados em massa se aplica à introdução de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantação e práticas com nitrogênio e aceitar a entrada de usuário que especifica aplicar tais programas ao longo de múltiplos campos. “Programas de plantação com nitrogênio”, nesse contexto, se refere a um conjunto nomeado de dados armazenado que associa: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma dentre as datas e as quantidades, método de aplicação ou incorporação, tal como injetado ou cortado, e/ou quantidades ou taxas de aplicação para cada uma dentre as datas, a cultura ou o híbrido que é o objeto da aplicação, entre outros. “Programas de práticas com nitrogênio”, nesse contexto, se refere a um conjunto de dados nomeado armazenado que associa: um nome de práticas; uma cultura anterior; um sistema de lavragem; uma data de lavragem primária; um ou mais sistemas de lavragem anteriores que foram usados; um ou mais indicadores de tipo de aplicação, tal como adubo, que foram usados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica projeções de uso em planta do nitrogênio especificado e a possibilidade de um excesso ou uma escassez serem preditos; em algumas modalidades, indicadores de cor diferentes podem sinalar uma magnitude de excesso ou magnitude de escassez. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador que compreende uma pluralidade de fileiras, sendo que cada fileira é associada a e identifica um campo; dados que especificam qual cultura é plantada no campo, o tamanho de campo, a localização de campo e uma representação gráfica do perímetro de campo; em cada fileira, uma linha de tempo por mês com indicadores gráficos que especificam cada aplicação de nitrogênio e quantidade nos pontos correlacionados aos nomes de mês; e indicadores numéricos e/ou coloridos de excesso ou escassez, nos quais a cor indica a magnitude.[053] In one embodiment, nitrogen instructions 210 are programmed to provide tools to inform nitrogen decisions by visualizing nitrogen availability for crops. This allows growers to maximize yield or return on investment through enhanced nitrogen application throughout the season. Exemplary programmed functions include displaying images, such as SSURGO images to enable zone drawing, and/or application images generated from subfield soil data, such as data obtained from sensors, at a high spatial resolution (as well as such as 10 meters or smaller due to its proximity to the ground); upload existing zones defined by the producer; provide an application chart and/or map to allow adjustment of nitrogen application (or applications) across multiple zones; issuing scripts to activate machinery; tools for bulk data entry and adjustment; and/or maps for data visualization, among others. “Bulk data entry” in this context can mean entering data once and then applying the same data to multiple fields that have been defined in the system; The exemplary data may include nitrogen application data that is the same for many fields from the same producer, but such bulk data entry applies to the entry of any type of field data into the mobile computer application 200. For example, the nitrogen instructions 210 can be programmed to accept definitions of planting programs and nitrogen practices and accept user input that specifies applying such programs across multiple fields. “Nitrogen planting programs” in this context refers to a named set of stored data that associates: a name, color code or other identifier, one or more application dates, material or product types for each of the dates and quantities, method of application or incorporation, such as injected or cut, and/or quantities or rates of application for each of the dates, the culture or hybrid that is the object of application, among others. “Nitrogen practice programs” in this context refers to a stored named data set that associates: a practice name; a previous culture; a plowing system; a primary mining date; one or more previous plowing systems that were used; one or more indicators of the type of application, such as fertilizer, that was used. The nitrogen instructions 210 may also be programmed to generate and cause the display of a nitrogen graph, which indicates projected plant usage of the specified nitrogen and the possibility of an excess or shortage being predicted; In some embodiments, different color indicators may signal a magnitude of excess or magnitude of shortage. In one embodiment, a nitrogen chart comprises a graphical display on a computer display device comprising a plurality of rows, each row being associated with and identifying a field; data specifying which crop is planted in the field, the field size, the field location and a graphical representation of the field perimeter; in each row, a timeline per month with graphic indicators that specify each nitrogen application and quantity at points correlated to the month names; and numerical and/or colored indicators of excess or shortage, in which the color indicates the magnitude.

[054] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de admissão de usuário, tais como mostradores ou barras deslizadoras, para alterar dinamicamente os programas de plantação e práticas com 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 plantação e práticas com nitrogênio relacionados para implantar um ou mais roteiros, incluindo roteiros de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica projeções de uso de planta do nitrogênio especificado e a possibilidade um excesso ou uma escassez serem preditos; em algumas modalidades, indicadores de cor diferentes podem sinalizar uma magnitude de excesso ou magnitude de escassez. O mapa de nitrogênio pode exibir projeções de uso de planta do nitrogênio especificado e a possibilidade de um excesso ou uma escassez ser predita para tempos diferentes no passado e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) com o uso de indicadores numéricos e/ou coloridos de excesso ou escassez, em que a cor indica a magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de admissão de usuário, tais como mostradores ou barras deslizadoras, para alterar dinamicamente os programas de plantação e práticas com nitrogênio de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de excesso a escassez. O usuário pode, então, usar seu mapa de nitrogênio otimizado e os programas de plantação e práticas com nitrogênio relacionados para implantar um ou mais roteiros, incluindo roteiros de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (tais como fósforo e potássio) aplicação de pesticida e programas de irrigação.[054] In one embodiment, the nitrogen chart may include one or more user input features, such as dials or sliders, to dynamically change planting programs and nitrogen practices so that a user can optimize their nitrogen chart. nitrogen. The user can then use their optimized nitrogen chart and related planting programs and nitrogen practices to deploy one or more scripts, including variable rate (VR) fertility scripts. The nitrogen instructions 210 can also be programmed to generate and cause the display of a nitrogen map, which indicates plant usage projections of the specified nitrogen and the possibility of an excess or shortage being predicted; In some embodiments, different color indicators may signal a magnitude of excess or magnitude of shortage. The nitrogen map can display projections of plant use of specified nitrogen and the possibility of a surplus or shortage being predicted for different times in the past and future (such as daily, weekly, monthly or annually) with the use of numerical indicators and/or colored in excess or scarcity, where the color indicates the magnitude. In one embodiment, the nitrogen map may include one or more user input features, such as dials or sliders, to dynamically change planting programs and nitrogen practices so that a user can optimize their nitrogen map, such as how to obtain a preferred quantity from excess to shortage. The user can then use their optimized nitrogen map and related planting programs and nitrogen practices to deploy one or more roadmaps, including variable rate (VR) fertility roadmaps. In other embodiments, instructions similar to the nitrogen 210 instructions may be used for application of other nutrients (such as phosphorus and potassium), pesticide application, and irrigation programs.

[055] Em uma modalidade, instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos ao campo e informações meteorológicas previstas. Isso permite que os produtores poupem tempo e tenham uma exibição integrada eficiente em relação a decisões operacionais diárias.[055] In one embodiment, weather instructions 212 are programmed to provide field-specific recent weather data and forecast weather information. This allows producers to save time and have an efficient integrated view of daily operational decisions.

[056] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de detecção remota oportunas que destacam a variação de cultura na estação e problemas potenciais. As funções programadas exemplificativas incluem verificação de nuvem, para identificar possíveis nuvens ou sombras de nuvem; determinar índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de aferição, que incluem, por exemplo, aquelas relacionadas à saúde de campo, e visualizar e/ou compartilhar observações de aferição; e/ou transferir por download imagens de satélite a partir de múltiplas fontes e priorizar as imagens para o produtor, entre outros.[056] In one embodiment, field health instructions 214 are programmed to provide timely remote sensing images that highlight in-station crop variation and potential problems. Exemplary programmed functions include cloud check, to identify possible clouds or cloud shadows; determine nitrogen indices based on field images; graphical visualization of measurement layers, which include, for example, those related to field health, and viewing and/or sharing measurement observations; and/or download satellite images from multiple sources and prioritize images for the producer, among others.

[057] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de percepção com uso de dados na fazenda para avaliação, percepções e decisões. Isso permite que o produtor busque aprimorar resultados para o próximo ano através de conclusões com base em fato sobre o motivo do retorno do investimento ter estado em níveis anteriores, e percepção dos fatores de limitação de rendimento. As instruções de desempenho 216 podem ser programadas para se comunicarem por meio da rede (ou redes) 109 com programas analíticos de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador de servidor de dados externos 108 e configurados para analisar medições, tais como rendimento, híbrido, população, SSURGO, testes de solo ou elevação, entre outros. Relatórios e análises programados podem incluir análises de variabilidade de rendimento, nível de referência de rendimento e outras medições contra outros produtores com base em dados anônimos coletados a partir de muitos produtores, ou dados para sementes e plantação, entre outros.[057] In one embodiment, performance instructions 216 are programmed to provide reporting, analysis, and insight tools using on-farm data for evaluation, insights, and decisions. This allows the producer to seek to improve results for the next year through fact-based conclusions about why return on investment was at previous levels, and perception of yield limiting factors. The performance instructions 216 may be programmed to communicate via the network (or networks) 109 with back-end analytical programs running on the agricultural intelligence computer system 130 and/or external data server computer 108 and configured to analyze measurements, such as yield, hybrid, population, SSURGO, soil tests or elevation, among others. Scheduled reports and analyzes may include analysis of yield variability, yield reference level, and other measurements against other producers based on anonymous data collected from many producers, or seed and planting data, among others.

[058] Aplicativos que têm instruções configuradas dessa forma podem ser implantados para plataformas de dispositivo de computação diferentes enquanto retêm a mesma aparência de interface de usuário. Por exemplo, o aplicativo móvel pode ser programado para a execução em computadores do tipo tablet, telefones inteligentes ou computadores de servidor que são acessados com o uso de navegadores em computadores de cliente. Ademais, o aplicativo móvel, conforme configurado para computadores do tipo tablet ou telefones inteligentes, pode fornecer uma experiência de app completa ou uma experiência de app de cabine que é adequada para as capacidades para exibir e processar do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da Figura 2, em uma modalidade, um aplicativo 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 roteiro 230, e instruções de cabine de aferição 232. A base de código para as instruções de vista (b) pode ser a mesma que para a vista (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual os mesmos são executados e expor, através de uma interface gráfica de usuário, apenas aquelas funções que são apropriadas a 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 em cabine e 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 de operação de máquina. As instruções de vista remota 224 podem ser programadas para ligar, gerenciar e fornecer vistas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio, e similares As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores para o sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio, e similares. As instruções de alertas de máquina 228 podem ser programadas para detectar problemas com operações da máquina ou das ferramentas que são associadas à cabine e gerar alertas de operador. As instruções de transferência de roteiro 230 podem ser configuradas para transferência em roteiros de instruções que são configurados para direcionar as operações de máquina ou a coleta de dados. As instruções de cabine de aferição 230 podem ser programadas para exibir alertas com base em localização e informações recebidas a partir do sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo e assimilar, gerenciar e fornecer transferência de observações de aferição com base em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou nos sensores 112 no campo.[058] Applications that have instructions configured in this way can be deployed to different computing device platforms while retaining the same user interface appearance. For example, the mobile application may be programmed to run on tablet computers, smart phones, or server computers that are accessed using browsers on client computers. Furthermore, the mobile application, as configured for tablet computers or smart phones, may provide a full app experience or a cabin app experience that is suitable for the display and processing capabilities of the cabin computer 115. For example, Referring now to view (b) of Figure 2, in one embodiment, a booth computer application 220 may comprise map booth instructions 222, remote view instructions 224, data collection and transfer instructions 226, machine alerts 228, route transfer instructions 230, and scouting booth instructions 232. The code base for the view instructions (b) may be the same as for view (a) and the executables that implement the code can be programmed to detect the type of platform on which they are run and expose, through a graphical user interface, only those functions that are appropriate for a cabin platform or full platform. This approach allows the system to recognize the distinctly different user experience that is appropriate for an in-cab environment and the different in-cab technology environment. Map booth instructions 222 can be programmed to provide map views of fields, farms, or regions that are useful in directing machine operation. Remote view instructions 224 may be programmed to power up, manage, and provide views of real-time or near-real-time machine activity to other computing devices connected to system 130 via wireless networks, wired connectors or adapters, and the like Data collection and transfer instructions 226 may be programmed to connect, manage, and provide transfer of data collected in sensors and controllers to system 130 via wireless networks, wired connectors or adapters, and the like. Machine alert instructions 228 may be programmed to detect problems with operations of the machine or tools that are associated with the cab and generate operator alerts. The script transfer instructions 230 may be configured to transfer into instruction scripts that are configured to direct machine operations or data collection. Scouting booth instructions 230 may be programmed to display location-based alerts and information received from system 130 based on the location of agricultural apparatus 111 or sensors 112 in the field and assimilate, manage, and provide transfer of scouting observations location-based for system 130 based on the location of the agricultural apparatus 111 or sensors 112 in the field.

2.3. DATA ASSIMILATION TO COMPUTER SYSTEM

[059] Em uma modalidade, o computador servidor de dados externos 108 armazena dados externos 110, que incluem dados de solo que representam a composição de solo para o um ou mais campos e dados meteorológicos que representam a temperatura e precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos do passado e do presente, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composição de solo enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição de solo podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados que representam a porcentagem de areia, lodo e argila no solo enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (OM) no solo.[059] In one embodiment, the external data server computer 108 stores external data 110, which includes soil data representing soil composition for the one or more fields and meteorological data representing temperature and precipitation in the one or more fields. . Weather data may include past and present weather data, as well as predictions for future weather data. In one embodiment, the external data server computer 108 comprises a plurality of servers hosted by different entities. For example, a first server may contain soil composition data while a second server may include meteorological data. Furthermore, soil composition data can be stored on multiple servers. For example, one server might store data representing the percentage of sand, silt, and clay in the soil while a second server might store data representing the percentage of organic matter (OM) in the soil.

[060] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plantação, sensores de lavragem, sensores de aplicação de fertilizante ou inseticida, sensores de colheitadeira, e qualquer outro implemento capaz de receber dados a partir do um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantação, equipamento de lavragem, equipamento de fertilizante ou inseticida, equipamento de colheitadeira ou outros implementos de fazenda, tais como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.[060] In one embodiment, the remote sensor 112 comprises one or more sensors that are programmed or configured to produce one or more observations. The remote sensor 112 may be aerial sensors, such as satellites, vehicle sensors, planting equipment sensors, tillage sensors, fertilizer or insecticide application sensors, combine sensors, and any other implement capable of receiving data from the one or more fields. In one embodiment, the application controller 114 is programmed or configured to receive instructions from the agricultural intelligence computer system 130. The application controller 114 may also be programmed or configured to control an operating parameter of an agricultural vehicle or implement. For example, an application controller may be programmed or configured to control an operating parameter of a vehicle, such as a tractor, planting equipment, tillage equipment, fertilizer or insecticide equipment, harvester equipment or other farm implements, such as a water valve. Other embodiments may use any combination of sensors and controllers, of which the following are merely selected examples.

[061] O sistema 130 pode obter ou assimilar dados sob controle do usuário 102, em massa de um número grande de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Essa forma de obter dados pode ser chamada de “assimilação de dados manuais”, visto que uma ou mais operações de computador controladas por usuário são solicitadas ou acionadas para obter dados para o uso pelo sistema 130. Como exemplo, o aplicativo CLIMATE FIELD VIEW, disponibilizado comercialmente pela Climate Corporation, São Francisco, Califórnia, EUA, pode ser operado para exportar dados para o sistema 130 para o armazenamento no repositório 160.[061] System 130 may obtain or assimilate data under user control 102, in bulk from a large number of producers who have contributed data to a shared database system. This way of obtaining data may be called “manual data assimilation” as one or more user-controlled computer operations are requested or triggered to obtain data for use by system 130. As an example, the CLIMATE FIELD VIEW application, commercially available from Climate Corporation, San Francisco, California, USA, may be operated to export data to system 130 for storage in repository 160.

[062] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar componentes de aparelho de plantadeira quanto obter dados de plantação, que incluem sinais dos sensores de semente por meio de um arreio de sinal que compreende um suporte principal de CAN e conexões ponto-a-ponto para registro e/ou diagnósticos. Os sistemas de monitoramento de semente podem ser programados ou configurados para exibir espaçamento, população e outras informações de semente para o usuário por meio do computador de cabine 115 ou de outros dispositivos no sistema 130. Os exemplos são revelados na Patente no U.S. 8.738.243 e na Publicação de Patente no U.S. 20150094916, e a presente revelação presume o conhecimento dessas outras revelações de patente.[062] For example, seed monitoring systems can both control planter apparatus components and obtain planting data, which includes signals from seed sensors through a signal harness comprising a CAN main support and point connections. -to-point for registration and/or diagnostics. Seed monitoring systems can be programmed or configured to display spacing, population, and other seed information to the user via in-cab computer 115 or other devices in system 130. Examples are disclosed in U.S. Patent No. 8,738,243 and in U.S. Patent Publication 20150094916, and the present disclosure presumes knowledge of these other patent disclosures.

[063] De modo semelhante, os sistemas de monitoramento de rendimento podem conter sensores de rendimento para aparelho de colheitadeira que envia dados de medição de rendimento para o computador de cabine 115 ou outros dispositivos no sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma colheitadeira combinada ou outra colheitadeira e transmitir essas medições para o usuário por meio do computador de cabine 115 ou outros dispositivos no sistema 130.[063] Similarly, yield monitoring systems may contain yield sensors for combine equipment that send yield measurement data to cabin computer 115 or other devices in system 130. Yield monitoring systems may utilize one or more remote sensors 112 to obtain grain moisture measurements in a combine harvester or other harvester and transmit those measurements to the user via the cabin computer 115 or other devices in the system 130.

[064] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito em outra parte no presente documento incluem sensores de cinemática e sensores de posição. Os sensores de cinemática podem compreender quaisquer sensores de velocidade escalar, tais como radar ou sensores de velocidade escalar de roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou apps de posicionamento ou mapeamento com base em WiFi que são programados para determinar localização com base em pontos de acesso WiFi próximos, entre outros.[064] In one embodiment, examples of sensors 112 that can be used with any moving vehicle or apparatus of the type described elsewhere herein include kinematic sensors and position sensors. The kinematic sensors may comprise any speed sensors, such as radar or wheel speed sensors, accelerometers or gyroscopes. Position sensors may comprise GPS receivers or transceivers, or WiFi-based positioning or mapping apps that are programmed to determine location based on nearby WiFi access points, among others.

[065] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade escalar 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 escalar de PTO (potência para partida), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos, tais como pressão ou fluxo, e/ou e velocidade escalar de bomba hidráulica, sensores de velocidade escalar de roda ou sensores de deslizamento de roda. Em uma modalidade, os 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 ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição de roda que fornecem direcionamento automático.[065] In one embodiment, examples of sensors 112 that can be used with tractors or other moving vehicles include engine speed sensors, fuel consumption sensors, area counters or distance counters that interact with GPS signals or radar, PTO (power to start) speed sensors, tractor hydraulic sensors configured to detect hydraulic parameters such as pressure or flow, and/or hydraulic pump speed, wheel speed sensors or wheel slip. In one embodiment, examples of controllers 114 that can be used with tractors include hydraulic directional controllers, pressure controllers and/or flow controllers; hydraulic pump speed controllers; speed controllers or regulators; engagement position controllers; or wheel position controllers that provide automatic steering.

[066] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de plantação de semente, tais como plantadeiras, brocas, ou semeadores pneumáticos incluem sensores de semente, que podem ser ópticos, eletromagnéticos ou sensores de impacto; sensores de força descendente, tais como pinos de carga, células de carga, sensores de pressão; sensores de propriedades de solo, tais como sensores de refletividade, sensores de hidratação, sensores de condutividade elétrica, sensores de resíduo óptico, ou sensores de temperatura; sensores de critérios de operação de componente, tais como sensores de profundidade de plantação, sensores de pressão de cilindro de força descendente, sensores de velocidade escalar de disco de semente, codificadores e motor de acionamento de semente, sensores de velocidade escalar de sistema transportador de semente, ou sensores de nível de vácuo; ou sensores de aplicação de pesticida, tais como sensores ópticos ou outros sensores eletromagnéticos ou sensores de impacto. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tal equipamento de plantação de semente incluem: controladores de dobra de barra de ferramenta, tais como controladores para válvulas associados a cilindros hidráulicos; controladores de força descendente, tais como controladores para válvulas associadas a cilindros pneumáticos, almofadas de ar, ou cilindros hidráulicos, e programadas para aplicar força descendente a unidades de fileira individuais ou um quadro de plantadeira inteiro; controladores de profundidade de plantação, tais como atuadores lineares; controladores de medição, tais como motores de acionamento de medidor de semente elétrico, motores de acionamento de medidor de semente hidráulico, ou embreagens de controle de faixa de plantação; controladores de seleção híbrida, tais como motores de acionamento de medidor de semente, ou outros atuadores programados para permitir ou impedir seletivamente que a semente ou uma mistura de ar e semente distribua semente para ou a partir de medidores de semente ou tremonhas a granel central; controladores de medição, tais como motores de acionamento de medidor de semente elétrico, ou motores de acionamento de medidor de semente hidráulico; controladores de sistema transportador de semente, tais como controladores para um motor de esteira transportadora de distribuição de semente; controladores de marcador, tais como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticida, tais como controladores de acionamento de medição, controladores de tamanho ou posição de orifício.[066] In one embodiment, examples of sensors 112 that can be used with seed planting equipment, such as planters, drills, or pneumatic seeders include seed sensors, which can be optical, electromagnetic or impact sensors; downward force sensors such as load pins, load cells, pressure sensors; soil property sensors, such as reflectivity sensors, hydration sensors, electrical conductivity sensors, optical residue sensors, or temperature sensors; component operating criteria sensors, such as planting depth sensors, downforce cylinder pressure sensors, seed disc speed sensors, encoders and seed drive motor, seed conveyor system speed sensors seed, or vacuum level sensors; or pesticide application sensors, such as optical or other electromagnetic sensors or impact sensors. In one embodiment, examples of controllers 114 that may be used with such seed planting equipment include: toolbar bending controllers, such as controllers for valves associated with hydraulic cylinders; downforce controllers, such as controllers for valves associated with pneumatic cylinders, air cushions, or hydraulic cylinders, and programmed to apply downforce to individual row units or an entire planter frame; planting depth controllers, such as linear actuators; metering controllers, such as electric seed meter drive motors, hydraulic seed meter drive motors, or planting range control clutches; hybrid selection controllers, such as seed meter drive motors, or other actuators programmed to selectively allow or prevent seed or a mixture of air and seed from distributing seed to or from seed meters or central bulk hoppers; measurement controllers, such as electric seed meter drive motors, or hydraulic seed meter drive motors; seed conveyor system controllers, such as controllers for a seed distribution conveyor belt motor; marker controllers, such as a controller for a pneumatic or hydraulic actuator; or pesticide application rate controllers, such as metering drive controllers, orifice size or position controllers.

[067] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com o equipamento de lavragem 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 série ou espaçamento lateral de ferramenta; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com o equipamento de lavragem incluem controladores de força descendente ou controladores de posição de ferramenta, tais como controladores configurados para controlar profundidade, ângulo de série ou espaçamento lateral de ferramenta.[067] In one embodiment, examples of sensors 112 that can be used with tillage equipment include position sensors for tools, such as rods or discs; tool position sensors for such tools that are configured to detect tool depth, series angle, or lateral spacing; downforce sensors; or traction force sensors. In one embodiment, examples of controllers 114 that can be used with the tilling equipment include downward force controllers or tool position controllers, such as controllers configured to control depth, series angle, or tool lateral spacing.

[068] Em uma modalidade, os exemplos de sensores 112 que podem ser usados em relação ao aparelho para aplicar fertilizante, inseticida, fungicida e semelhantes, tais como sistemas fertilizantes iniciantes em plantadeira, aplicadores de fertilizante de subsolo, ou aspersores de fertilizante, incluem: sensores de critérios de sistema fluido, tais como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de cabeça de aspersão ou válvulas de linha de fluido estão abertas; sensores associados a tanques, tais como sensores de nível de preenchimento; sensores de linha de abastecimento transversal ou de sistema amplo, ou sensores de linha de abastecimento específicos de fileira; ou sensores de cinemática, tais como acelerômetros dispostos em vigas de aspersor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidade escalar de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, tais como para altura de viga, profundidade de subcultivadores ou posição de viga.[068] In one embodiment, examples of sensors 112 that can be used in connection with apparatus for applying fertilizer, insecticide, fungicide, and the like, such as planter starter fertilizer systems, subsoil fertilizer applicators, or fertilizer sprinklers, include : fluid system criteria sensors, such as flow sensors or pressure sensors; sensors that indicate which sprinkler head valves or fluid line valves are open; sensors associated with tanks, such as fill level sensors; cross-sectional or system-wide supply line sensors, or row-specific supply line sensors; or kinematic sensors, such as accelerometers arranged in sprinkler beams. In one embodiment, examples of controllers 114 that can be used with such an apparatus include pump speed controllers; valve controllers that are programmed to control pressure, flow, direction, PWM and the like; or position actuators, such as for beam height, subcultivator depth or beam position.

[069] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimento, tais como extensômetros de placa de impacto ou sensores de posição, sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou sensores de altura de grão ópticos ou outros eletromagnéticos; sensores de hidratação de grãos, tais como sensores capacitivos; sensores de perda de grão, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação de conduto principal, tais como altura de conduto principal, tipo de conduto principal, lacuna de placa de convés, velocidade escalar de alimentador, e sensores de velocidade escalar de bobina; separador que opera sensores de critérios, tais como sensores de folga côncava, velocidade escalar de rotor, folga de sapata, ou folga de chanfro; sensores de trado para posição, operação ou velocidade escalar; ou sensores de velocidade escalar de motor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios de operação de conduto principal para elementos, tais como altura de conduto principal, tipo de conduto principal, lacuna de placa de convés, velocidade escalar de alimentador, ou velocidade escalar de bobina; controladores de critérios de operação de separador para recursos, tais como folga côncava, velocidade escalar de rotor, folga de sapata, ou folga de chanfro; ou controladores para posição, operação ou velocidade escalar de trado.[069] In one embodiment, examples of sensors 112 that can be used with harvesters include yield monitors, such as impact plate strain gauges or position sensors, capacitive flow sensors, load sensors, weight sensors or flow sensors. torque associated with elevators or augers, or optical or other electromagnetic grain height sensors; grain hydration sensors, such as capacitive sensors; grain loss sensors, including impact, optical or capacitive sensors; main conduit operating criteria sensors, such as main conduit height, main conduit type, deck plate gap, feeder speed, and coil speed sensors; separator that operates criteria sensors, such as concave clearance, rotor speed, shoe clearance, or chamfer clearance sensors; auger sensors for position, operation or speed; or engine speed sensors. In one embodiment, examples of controllers 114 that can be used with combines include main conduit operation criteria controllers for elements such as main conduit height, main conduit type, deck plate gap, feeder speed, or speed of coil; separator operating criteria controllers for features such as concave clearance, rotor speed, shoe clearance, or chamfer clearance; or controllers for auger position, operation, or speed.

[070] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com caçambas de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade escalar de trado. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com caçambas de grãos incluem controladores para posição, operação ou velocidade escalar de trado.[070] In one embodiment, examples of sensors 112 that can be used with grain buckets include weight sensors, or sensors for auger position, operation or speed. In one embodiment, examples of controllers 114 that can be used with grain buckets include controllers for auger position, operation, or speed.

[071] Em uma modalidade, os exemplos de sensores 112 e controladores 114 podem ser instalados em aparelho de veículo aéreo não tripulado (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético que inclui luz visível, infravermelho, ultravioleta, quase infravermelho (NIR), e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade de ar ou velocidade de vento; sensores de vida de bateria; ou emissores de radar e aparelho de detecção de energia de radar refletida. Tais controladores podem incluir aparelho de controle de orientação ou motor, controladores de superfície de controle, controladores de câmera, ou controladores programados para ligar, operar, obter dados de, gerenciar e configurar qualquer um dentre os sensores de previsão. Exemplos são revelados no Pedido de Patente no U.S. 14/831.165 e a presente revelação presume o conhecimento dessa outra revelação de patente.[071] In one embodiment, examples of sensors 112 and controllers 114 can be installed on unmanned aerial vehicle (UAV) apparatus or “drones”. Such sensors may include cameras with detectors effective for any range of the electromagnetic spectrum that includes visible light, infrared, ultraviolet, near-infrared (NIR), and the like; accelerometers; altimeters; temperature sensors; humidity sensors; pitot tube sensors or other air speed or wind speed sensors; battery life sensors; or radar emitters and reflected radar energy detection apparatus. Such controllers may include orientation or motor control apparatus, control surface controllers, camera controllers, or controllers programmed to turn on, operate, obtain data from, manage, and configure any of the predictive sensors. Examples are disclosed in U.S. Patent Application No. 14/831,165 and the present disclosure presumes knowledge of this other patent disclosure.

[072] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados a amostragem de solo e aparelho de medição que é configurado ou programado para amostrar solo e realizar testes químicos no solo, testes de hidratação de solo, e outros testes pertencentes a solo. Por exemplo, o aparelho revelado na Patente no U.S. 8.767.194 e Patente no U.S. 8.712.148 pode ser usado, e a presente revelação presume o conhecimento de tais outras revelações de patente.[072] In one embodiment, sensors 112 and controllers 114 may be affixed to soil sampling and measuring apparatus that is configured or programmed to sample soil and perform soil chemical tests, soil hydration tests, and other tests pertaining to solo. For example, the apparatus disclosed in U.S. Patent No. 8,767,194 and U.S. Patent No. 8,712,148 may be used, and the present disclosure presumes knowledge of such other patent disclosures.

[073] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas de campos. Por exemplo, o aparelho revelado no Pedido Provisório de Patente no 62/154.207, depositado em 29 de abril de 2015, o Pedido Provisório de Patente no 62/175.160, depositado em 12 de junho de 2015, o Pedido Provisório de Patente no 62/198.060, depositado em 28 de julho de 2015 e o Pedido Provisório de Patente no 62/220.852, depositado em 18 de setembro de 2015, podem ser usados, e a presente revelação presume o conhecimento de tais revelações de patente.[073] In one embodiment, sensors 112 and controllers 114 may comprise meteorological devices for monitoring field meteorological conditions. For example, the device disclosed in Provisional Patent Application No. 62/154,207, filed on April 29, 2015, Provisional Patent Application No. 62/175,160, filed on June 12, 2015, Provisional Patent Application No. 62/ 198,060, filed on July 28, 2015, and Provisional Patent Application No. 62/220,852, filed on September 18, 2015, may be used, and the present disclosure presumes knowledge of such patent disclosures.

2.4 PROCESS OVERVIEW — AGRONOMIC MODEL TRAINING

[074] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Nesse contexto, um modelo agronômico é uma estrutura de dados na 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 condições que podem afetar o cultivo de uma ou mais culturas em um campo, ou propriedades da uma ou mais culturas, ou ambos. Adicionalmente, um modelo agronômico pode compreender recomendações com base em fatores agronômicos, tais como recomendações de cultura, recomendações de irrigação, recomendações de plantação e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, tais como rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa de quantidade da cultura que é produzida, ou, em alguns exemplos, a receita ou lucro obtido a partir da cultura produzida.[074] In one embodiment, the agricultural intelligence computer system 130 is programmed or configured to create an agronomic model. In this context, an agronomic model is a data structure in the memory of the agricultural intelligence computer system 130 that comprises field data 106, such as identification data and harvest data for one or more fields. The agronomic model may also comprise calculated agronomic properties that describe conditions that may affect the cultivation of one or more crops in a field, or properties of the one or more crops, or both. Additionally, an agronomic model can comprise recommendations based on agronomic factors, such as crop recommendations, irrigation recommendations, planting recommendations, and harvest recommendations. Agronomic factors can also be used to estimate one or more crop-related outcomes, such as agronomic yield. The agronomic yield of a crop is an estimate of the quantity of the crop that is produced, or, in some examples, the revenue or profit obtained from the crop produced.

[075] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular as propriedades agronômicas relacionadas a informações de localização e cultura recebidas atualmente para um ou mais campos. O modelo agronômico pré-configurado tem como base dados de campo processados anteriormente, que incluem, porém, sem limitação, dados de identificação, dados de colheita, dados de fertilizante e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de modo cruzado para garantir a precisão do modelo. A validação cruzada pode incluir a comparação com o levantamento em campo que compara resultados previstos com os resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um pluviômetro ou sensor que fornece dados meteorológicos na mesma localização, ou próximo à mesma, ou uma estimativa de teor de nitrogênio com uma medição de amostra de solo.[075] In one embodiment, the agricultural intelligence computer system 130 may use a preconfigured agronomic model to calculate agronomic properties related to currently received location and crop information for one or more fields. The pre-configured agronomic model is based on previously processed field data, which includes, but is not limited to, identification data, harvest data, fertilizer data and meteorological data. The preconfigured agronomic model may have been cross-validated to ensure model accuracy. Cross-validation may include comparison with field survey that compares predicted results with actual results in a field, such as a comparison of precipitation estimates with a rain gauge or sensor that provides meteorological data at or near the same location. or an estimate of nitrogen content with a soil sample measurement.

[076] As Figuras 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados com o uso de dados de campo fornecidos por uma ou mais fontes de dados. As Figuras 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 descritas agora.[076] Figures 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using field data provided by one or more data sources. Figures 3 may serve as an algorithm or instructions for programming the functional elements of the agricultural intelligence computer system 130 to perform the operations that are now described.

[077] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para fins de remoção de efeitos de ruído e distorção nos dados agronômicos que incluem valores atípicos medidos que desviariam valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos pode incluir, porém, sem limitação, remover valores de dados comumente associados a valores de dados atípicos, pontos de dados medidos específicos que são conhecidos por enviesar desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre admissão de dados positivos e negativos.[077] In block 305, the agricultural intelligence computer system 130 is configured or programmed to implement agronomic data preprocessing of field data received from one or more data sources. Field data received from one or more data sources may be preprocessed for the purpose of removing noise and distortion effects in agronomic data that include measured outliers that would deviate from received field data values. Agronomic data preprocessing modalities may include, but are not limited to, removing data values commonly associated with outlier data values, specific measured data points that are known to unnecessarily bias other data values, data smoothing techniques used to remove or reduce additive or multiplicative effects of noise, and other data filtering or derivation techniques used to provide clear distinctions between positive and negative data intake.

[078] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar a seleção de subconjunto de dados com o uso dos dados de campo pré-processados a fim de identificar conjuntos de dados úteis para geração de modelo agronômico inicial. O sistema de computador de inteligência agrícola 130 pode implantar técnicas de seleção de subconjunto de dados que incluem, porém, sem limitação, um método de algoritmo genético, em todo método de modelos de subconjunto, um método de busca sequencial, um método de regressão gradual, um método de otimização por enxame de partículas, e um método de otimização e colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativo, com base em princípios evolucionários de seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.[078] In block 310, the agricultural intelligence computer system 130 is configured or programmed to perform data subset selection using the pre-processed field data in order to identify useful data sets for agronomic model generation initial. The agricultural intelligence computer system 130 may deploy data subset selection techniques that include, but are not limited to, a genetic algorithm method, a whole subset model method, a sequential search method, a stepwise regression method , a particle swarm optimization method, and an ant colony optimization method. For example, a genetic algorithm selection technique uses an adaptive heuristic search algorithm, based on evolutionary principles of natural and genetic selection, to determine and evaluate data sets in preprocessed agronomic data.

[079] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado criando-se um modelo agronômico e usando-se limiares de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados com o uso de técnicas de validação cruzada que incluem, porém, sem limitação, erro médio quadrático de validação cruzada “leave-one-out” (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o RMSECV pode validar de modo cruzado modelos agronômicos comparando-se valores de propriedade agronômica preditos criados pelo modelo agronômico contra valores de propriedade agronômica históricos coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é usada como um laço de retroalimentação em que conjuntos de dados agronômicos que não satisfazem limiares de qualidade configurados são usados durante etapas de seleção de subconjunto de dados futuras (bloco 310).[079] In block 315, the agricultural intelligence computer system 130 is configured or programmed to implement field dataset evaluation. In one embodiment, a specific field data set is evaluated by creating an agronomic model and using quality thresholds specific to the created agronomic model. Agronomic models can be compared using cross-validation techniques that include, but are not limited to, leave-one-out cross-validation mean squared error (RMSECV), mean absolute error, and mean percentage error. For example, RMSECV can cross-validate agronomic models by comparing predicted agronomic property values created by the agronomic model against historical agronomic property values collected and analyzed. In one embodiment, the agronomic data set evaluation logic is used as a feedback loop in which agronomic data sets that do not satisfy configured quality thresholds are used during future data subset selection steps (block 310).

[080] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de modo cruzado. Em uma modalidade, a criação de modelo agronômico pode implantar técnicas de regressão multivariadas para criar modelos de dados agronômicos pré-configurados.[080] In block 320, the agricultural intelligence computer system 130 is configured or programmed to implement agronomic model creation based on the cross-validated agronomic data sets. In one embodiment, agronomic model creation may deploy multivariate regression techniques to create preconfigured agronomic data models.

[081] 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 de dados de campo futura.[081] In block 325, the agricultural intelligence computer system 130 is configured or programmed to store the preconfigured agronomic data models for future field data evaluation.

2.5 IMPLEMENTATION EXAMPLE — HARDWARE OVERVIEW

[082] De acordo com uma modalidade, as técnicas descritas no presente documento são implantadas por um ou mais dispositivos de computação de propósito especial. Os dispositivos de computação de propósito especial podem ser conectados por cabo para realizar as técnicas ou podem incluir dispositivos eletrônicos digitais tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou matrizes de portas programáveis em campo (FPGAs) que são programados de modo persistente para realizar as técnicas ou podem incluir um ou mais processadores de hardware de propósito geral programados para realizar as técnicas de acordo com as instruções de programa em firmware, memória, outro armazenamento ou uma combinação dos mesmos. Tais dispositivos de computação de propósito especial também podem combinar lógica ligada por fiação personalizada, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação de propósito especial podem ser sistemas de computador do tipo desktop, sistemas de computador portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de programa e/ou ligada por fiação para implantar as técnicas.[082] According to one embodiment, the techniques described herein are implemented by one or more special purpose computing devices. Special-purpose computing devices may be wired to perform the techniques or may include digital electronic devices such as one or more application-specific integrated circuits (ASICs) or field-programmable gate arrays (FPGAs) that are programmed to persistent to perform the techniques or may include one or more general purpose hardware processors programmed to perform the techniques in accordance with program instructions in firmware, memory, other storage, or a combination thereof. Such special-purpose computing devices may also combine custom wired logic, ASICs, or FPGAs with custom programming to perform the techniques. Special purpose computing devices may be desktop computer systems, portable computer systems, handheld devices, network devices, or any other device that incorporates program logic and/or is hardwired to implement the techniques.

[083] Por exemplo, a Figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 mediante o qual uma modalidade da invenção pode ser implantada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comunicar informações e um processador de hardware 404 acoplado ao barramento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de propósito geral.[083] For example, Figure 4 is a block diagram illustrating a computer system 400 through which an embodiment of the invention can be implemented. The computer system 400 includes a bus 402 or other communication mechanism for communicating information and a hardware processor 404 coupled to the bus 402 for processing information. The hardware processor 404 may be, for example, a general purpose microprocessor.

[084] O 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. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução das instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não transitória acessível ao processador 404, transformam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para realizar as operações especificadas nas instruções.[084] The computer system 400 also includes a main memory 406, such as a random access memory (RAM) or other dynamic storage device, coupled to the bus 402 to store information and instructions to be executed by the processor 404. The main memory 406 may also be used to store temporary variables or other intermediate information during the execution of instructions to be executed by processor 404. Such instructions, when stored on non-transitory storage media accessible to processor 404, transform computer system 400 into a machine special purpose device that is customized to perform the operations specified in the instructions.

[085] O sistema de computador 400 inclui adicionalmente uma memória apenas 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 óptico ou unidade de estado sólido é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.[085] The computer system 400 additionally includes a read-only memory (ROM) 408 or other static storage device coupled to the bus 402 to store static information and instructions for the processor 404. A storage device 410, such as a disk Magnetic, optical disk, or solid-state drive is provided and coupled to the 402 bus to store information and instructions.

[086] O sistema de computador 400 pode ser acoplado por meio do barramento 402 a um visor 412, tal como um tubo de raios catódicos (CRT), para exibir informações a um usuário de computador. Um dispositivo de entrada 414, que inclui teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e comandar seleções para o processador 404. Outro tipo de dispositivo de admissão de usuário é o controle de cursor 416, tal como um mouse, uma bola de rastreamento ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar movimento de cursor no visor 412. Esse dispositivo de admissão tem tipicamente dois graus de liberdade em dois eixos geométricos, um primeiro eixo geométrico (por exemplo, x) e um segundo eixo geométrico (por exemplo, y), que permite que o dispositivo especifique posições em um plano.[086] Computer system 400 may be coupled via bus 402 to a display 412, such as a cathode ray tube (CRT), to display information to a computer user. An input device 414, which includes alphanumeric and other keys, is coupled to bus 402 to communicate information and command selections to processor 404. Another type of user input device is cursor control 416, such as a mouse, a tracking ball or cursor direction keys to communicate direction information and command selections to processor 404 and to control cursor movement on display 412. This input device typically has two degrees of freedom in two geometric axes, a first axis axis (e.g., x) and a second geometric axis (e.g., y), which allows the device to specify positions in a plane.

[087] O sistema de computador 400 pode implantar as técnicas descritas no presente documento com o uso de lógica ligada por fiação personalizada, um ou mais ASICs ou FPGAs, lógica de firmware e/ou de programa que, em combinação com o sistema de computador faz com que o sistema de computador 400 seja, ou programa o mesmo para ser, uma máquina de propósito especial. De acordo com uma modalidade, as técnicas no presente documento são realizadas pelo sistema de computador 400 em resposta à execução pelo processador 404 de 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 outra mídia de armazenamento, tal como o dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 realize as etapas do processo descritas no presente documento. Em modalidades alternativas, o conjunto de circuitos ligados por fiação pode ser usado no lugar de ou em combinação com instruções de software.[087] The computer system 400 can implement the techniques described herein with the use of custom wired logic, one or more ASICs or FPGAs, firmware and/or program logic that, in combination with the computer system causes computer system 400 to be, or programs it to be, a special purpose machine. According to one embodiment, the techniques herein are performed by computer system 400 in response to execution by processor 404 of one or more sequences of one or more instructions contained in main memory 406. Such instructions may be read from main memory 406 from another storage medium, such as storage device 410. Executing the instruction sequences contained in main memory 406 causes processor 404 to perform the process steps described in this document. In alternative embodiments, the hardwired circuitry may be used in place of or in combination with software instructions.

[088] O termo "mídias de armazenamento", conforme usado no presente documento, se refere a quaisquer mídias não transitórias que armazenam dados e/ou instruções que fazem com que uma máquina opere em um modo específico. Tal mídia de armazenamento pode compreender mídia não volátil e/ou mídia volátil. As mídias não voláteis incluem, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. As mídias voláteis incluem memória dinâmica, tal como a memória principal 406. As formas comuns de mídia de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outra mídia de armazenamento de dados magnéticos, um CD-ROM, qualquer outra mídia de armazenamento de dados ópticos, qualquer mídia física com padrões de orifícios, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.[088] The term "storage media", as used herein, refers to any non-transitory media that store data and/or instructions that cause a machine to operate in a specific mode. Such storage media may comprise non-volatile media and/or volatile media. Non-volatile media include, for example, optical disks, magnetic disks, or solid-state drives, such as storage device 410. Volatile media include dynamic memory, such as main memory 406. Common forms of storage media include , for example, a floppy disk, a floppy disk, hard disk, solid state drive, magnetic tape or any other magnetic data storage media, a CD-ROM, any other optical data storage media, any physical media with standards of holes, a RAM, a PROM and EPROM, a FLASH-EPROM, NVRAM, any other chip or memory cartridge.

[089] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com as mídias de transmissão. As mídias de transmissão participam em transferência de informações entre mídias de armazenamento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fios de cobre e fibras ópticas, que incluem os fios que compreendem o barramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, tais como aquelas geradas durante comunicações de dados de onda de rádio e infravermelhas.[089] Storage media are distinct, but can be used in conjunction with transmission media. Transmission media participate in transferring information between storage media. For example, transmission media includes coaxial cables, copper wires, and optical fibers, which include the wires comprising bus 402. Transmission media may also take the form of acoustic or light waves, such as those generated during communications. of radio wave and infrared data.

[090] Diversas formas de mídias podem estar envolvidas na realização de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções através de uma linha de telefone com uso de um modem. Um modem local para um sistema de computador 400 pode receber os dados na linha de telefone e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector infravermelho pode receber os dados transportados no sinal infravermelho e o conjunto de circuitos apropriados pode 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 ser opcionalmente armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.[090] Various forms of media may be involved in carrying one or more sequences of one or more instructions to the processor 404 for execution. For example, instructions may initially be transported on a magnetic disk or solid-state drive from a remote computer. The remote computer can load the instructions into its dynamic memory and send the instructions over a telephone line using a modem. A local modem for a computer system 400 may receive the data on the telephone line and use an infrared transmitter to convert the data into an infrared signal. An infrared detector can receive the data carried in the infrared signal and the appropriate circuitry can place the data on bus 402. Bus 402 transports the data to main memory 406, from which processor 404 retrieves and executes instructions. Instructions received by main memory 406 may optionally be stored in storage device 410 before or after execution by processor 404.

[091] 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 um cartão de rede digital de serviços integrados (ISDN), modem de cabo, modem de satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha de telefone. Como outro exemplo, a interface de comunicação 418 pode ser um cartão de rede de área local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Os enlaces sem fio também podem ser implantados. Em qualquer uma dessas implementações, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam os fluxos dados digitais que representam diversos tipos de informações.[091] The computer system 400 also includes a communication interface 418 coupled to the bus 402. The communication interface 418 provides bidirectional data communication coupling to a network link 420 that is connected to a local network 422. For example , the communications interface 418 may be an integrated services digital network (ISDN) card, cable modem, satellite modem, or a modem for providing a data communications connection to a corresponding type of telephone line. As another example, communications interface 418 may be a local area network (LAN) card for providing a data communications connection to a compatible LAN. Wireless links can also be deployed. In any of these implementations, communication interface 418 sends and receives electrical, electromagnetic, or optical signals that carry digital data streams representing various types of information.

[092] 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 a um computador hospedeiro 424 ou a equipamento de dados operado por um Provedor de Serviço de Internet (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados através da rede de comunicação de pacote de dados em todo o mundo agora comumente chamado de "Internet" 428. Tanto a rede local 422 como a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam os fluxos de dados digitais. Os sinais através das diversas redes e dos sinais no enlace de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e a partir do sistema de computador 400, são formas exemplificativas de mídias de transmissão.[092] Network link 420 typically provides data communication over one or more networks to other data devices. For example, network link 420 may provide a connection via local network 422 to a host computer 424 or to data equipment operated by an Internet Service Provider (ISP) 426. The ISP 426, in turn, provides services of data communications over the worldwide packet data communications network now commonly called the "Internet" 428. Both the local area network 422 and the Internet 428 use electrical, electromagnetic, or optical signals that carry digital data streams. The signals across the various networks and the signals on the network link 420 and through the communication interface 418, which carry digital data to and from the computer system 400, are exemplary forms of transmission media.

[093] O sistema de computador 400 pode enviar mensagens e receber dados, que incluem código do programa, através da rede (ou redes), do enlace de rede 420 e da interface de comunicação 418. No exemplo de Internet, um servidor 430 pode transmitir um código solicitado por um programa aplicativo através da Internet 428, do ISP 426, da rede local 422 e da interface de comunicação 418.[093] Computer system 400 can send messages and receive data, which includes program code, over the network (or networks), network link 420, and communication interface 418. In the Internet example, a server 430 can transmitting a code requested by an application program via the Internet 428, the ISP 426, the local network 422, and the communication interface 418.

[094] O código recebido pode ser executado pelo processador 404 conforme o mesmo é recebido e/ou armazenado no dispositivo de armazenamento 410 ou outro armazenamento não volátil para execução posterior.[094] The received code may be executed by processor 404 as it is received and/or stored in storage device 410 or other non-volatile storage for later execution.

3. NUTRIENT MEASUREMENT ASSIMILATION

[095] A Figura 7 retrata um método exemplificativo para assimilar um único ponto de dados em um modelo de teor de nutriente no solo.[095] Figure 7 depicts an exemplary method for assimilating a single data point into a soil nutrient content model.

3.1 NUTRIENT CONTENT MODEL

[096] Na etapa 702, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular é armazenado. Um modelo digital de teor de nutriente no solo geralmente compreende uma pluralidade de valores que definem as quantidades de nutriente no solo em um campo particular ao longo de um período de tempo particular. Por exemplo, um modelo digital de teor de nitrogênio no solo pode identificar inúmeros quilos por hectare de nitrogênio em um campo particular ou seção particular de um campo em vários pontos no tempo durante o desenvolvimento de uma cultura no campo. Os vários pontos no tempo podem incluir estimativas diárias do teor de nutriente ou estimativas relacionadas a um ciclo de vida de uma cultura. Por exemplo, um modelo digital de teor de nutriente no solo pode identificar concentrações de nutriente em vários estágios de crescimento vegetativo, como o estágio de emergência de crescimento, o estágio de borla completamente visível e/ou quaisquer estágios intermediários, e em vários estágios reprodutivos. O modelo digital do teor de nutriente também pode compreender uma pluralidade de valores que definem outras características do solo no campo particular ao longo do período de tempo particular como teor de hidratação e temperatura do solo.[096] In step 702, a digital model of nutrient content in the soil of one or more fields over a particular period of time is stored. A digital soil nutrient content model generally comprises a plurality of values that define the amounts of nutrient in the soil in a particular field over a particular period of time. For example, a digital soil nitrogen content model can identify numerous kilograms per hectare of nitrogen in a particular field or particular section of a field at various points in time during the development of a crop in the field. The various time points may include daily estimates of nutrient content or estimates related to a crop's life cycle. For example, a digital soil nutrient content model can identify nutrient concentrations at various stages of vegetative growth, such as the emergence stage of growth, the fully visible tassel stage and/or any intermediate stages, and at various reproductive stages. . The digital nutrient content model may also comprise a plurality of values that define other characteristics of the soil in the particular field over the particular time period such as hydration content and soil temperature.

[097] O modelo digital de teor de nutriente no solo pode identificar uma ou mais propriedades do solo, como o teor de nutriente, a temperatura e o teor de hidratação com base em uma ou mais entradas de dados, um ou mais parâmetros e um ou mais relações estruturais. As entradas de dados se referem a valores de dados específicos a um campo. Os exemplos de entradas de dados incluem pH do solo, porcentagem de matéria orgânica no solo, porcentagem de areia, lodo e argila no solo, porcentagem de vários nutrientes no solo, tipo e quantidade de fertilizante adicionado a um campo particular, tipos de lavragem, práticas agrícolas, irrigação, temperatura, precipitação e tipo de cultura. Os parâmetros são valores que parametrizam uma família de modelos e frequentemente não podem ser medidos diretamente. Os exemplos de parâmetros incluem taxa de nitrificação, taxa de decomposição de nitrogênio orgânico solúvel, desvio de chuva através de resíduo, coeficiente de lixiviação para nitrato, amônio e ureia, taxa de desnitrificação, taxa de hidrólise de ureia, fator de absorção de amônio de argila e fator de difusão de nitrogênio Darciano. Os parâmetros podem variar de campo para campo. Por exemplo, as taxas de nitrificação e de lixiviação podem ser afetadas pela temperatura e o tipo de solo. As relações estruturais se referem às relações estimadas ou conhecidas entre vários fatores. Os exemplos de relações estruturais incluem as instruções de computação para estimar a lixiviação com base no tipo de solo, estimar a taxa de desnitrificação com base na hidratação de solo e para definir outras relações físicas.[097] The digital soil nutrient content model can identify one or more soil properties, such as nutrient content, temperature, and hydration content based on one or more data inputs, one or more parameters, and a or more structural relationships. Data entries refer to data values specific to a field. Examples of data inputs include soil pH, percentage of organic matter in the soil, percentage of sand, silt and clay in the soil, percentage of various nutrients in the soil, type and amount of fertilizer added to a particular field, types of tillage, agricultural practices, irrigation, temperature, precipitation and type of crop. Parameters are values that parameterize a family of models and often cannot be measured directly. Examples of parameters include nitrification rate, soluble organic nitrogen decomposition rate, rainfall diversion through residue, leaching coefficient for nitrate, ammonium and urea, denitrification rate, urea hydrolysis rate, ammonium absorption factor of clay and Darcian nitrogen diffusion factor. Parameters may vary from field to field. For example, nitrification and leaching rates can be affected by temperature and soil type. Structural relationships refer to the estimated or known relationships between various factors. Examples of structural relationships include computing instructions to estimate leaching based on soil type, estimate denitrification rate based on soil hydration, and to define other physical relationships.

[098] O sistema de computador de inteligência agrícola 130 pode armazenar um modelo digital de teor de nutriente para um campo particular para um período de tempo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber uma solicitação do dispositivo de computação de gerenciamento de campo 104 para modelar valores de nutriente em um campo associado ao dispositivo de computação de gerenciamento de campo 104 durante o desenvolvimento de uma cultura particular no campo. O sistema de computador de inteligência agrícola 130 também pode receber dados de campo 106 a partir do dispositivo de computação de gerenciador de campo 104 e/ou dados externos 110 a partir do computador servidor de dados externos 108. Os dados de campo 106 podem incluir informações relacionadas ao próprio campo, tal como nomes e identificadores de campo, tipos ou classificações de solo, situação de aragem, situação de irrigação, composição de solo, dados de aplicação de nutriente, práticas agrícolas, e dados de irrigação. Como usado no presente documento, um 'campo' se refere a uma área limitada geograficamente que compreende um campo superior que também pode compreender um ou mais subcampos. Os dados de campo 106 também podem incluir informações relacionadas a uma ou mais culturas atuais, tal como dados de plantação, tipo ou tipos de semente, níveis de maturidade relativos de semente ou sementes plantadas e população de semente. Adicionalmente, os dados de campo 106 podem incluir informações relacionadas aos dados de colheita de histórico que incluem o tipo ou a classificação de cultura, data de colheita, histórico de produção real, rendimento, hidratação de grão, práticas de lavragem e histórico de aplicação de adubo.[098] The agricultural intelligence computer system 130 can store a digital nutrient content model for a particular field for a particular period of time. For example, the agricultural intelligence computer system 130 may receive a request from the field management computing device 104 to model nutrient values in a field associated with the field management computing device 104 during the development of a particular crop in the field. The agricultural intelligence computer system 130 may also receive field data 106 from the field manager computing device 104 and/or external data 110 from the external data server computer 108. The field data 106 may include information related to the field itself, such as field names and identifiers, soil types or classifications, plowing status, irrigation status, soil composition, nutrient application data, agricultural practices, and irrigation data. As used herein, a 'field' refers to a geographically limited area that comprises a superordinate field that may also comprise one or more subfields. Field data 106 may also include information related to one or more current crops, such as planting data, seed type or types, relative maturity levels of seed or seeds planted, and seed population. Additionally, field data 106 may include information related to historical harvest data that includes crop type or classification, harvest date, actual production history, yield, grain hydration, tillage practices, and crop application history. fertilizer.

[099] Os dados externos 110 podem incluir quaisquer dados adicionais sobre o campo, a uma ou mais culturas, clima, precipitação, meteorologia, e/ou solo e fenologia da cultura. Clima, precipitação e meteorologia podem ser recebidos como dados de temperatura/precipitação atuais e dados de previsão futura para o um ou mais campos. Os dados atuais de temperatura/precipitação podem incluir as medições de temperatura. Adicional e/ou alternativamente, os dados de temperatura/precipitação atuais e os dados de previsão podem incluir dados em postos de observação específicos que são interpolados para as localizações entre os postes de observação, tal como no Pedido Não Provisório no 14/640.900 cujos teores são incorporados ao presente documento a título de referência como se apresentados integralmente. Os dados externos 110 também podem incluir dados de solo para o um ou mais campos. Por exemplo, o solo Banco de Dados Geográfico de Pesquisa de Solo (SSURGO) contém dados de solo por camada no nível de subcampo para áreas nos Estados Unidos da América, que incluem percentual de areia, lodo e argila para cada camada de solo. Em uma modalidade, os dados externos 110 incluem dados recebidos do SSURGO ou outras fontes de dados de solo. Em uma modalidade, os dados externos são complementados com dados de produtor e/ou dados de laboratório. Por exemplo, o solo retirado do um ou mais campos pode ser usado para ajustar os dados externos recebidos do SSURGO onde os dados externos foram imprecisos.[099] External data 110 may include any additional data about the field, one or more crops, climate, precipitation, meteorology, and/or soil and crop phenology. Climate, precipitation, and meteorology can be received as current temperature/precipitation data and future forecast data for the one or more fields. Current temperature/precipitation data may include temperature measurements. Additionally and/or alternatively, current temperature/precipitation data and forecast data may include data at specific observation posts that are interpolated to locations between observation posts, such as in Non-Provisional Application No. 14/640,900, the contents of which are incorporated into this document by reference as if presented in full. The external data 110 may also include soil data for the one or more fields. For example, the Soil Survey Geographic Database (SSURGO) contains soil data by layer at the subfield level for areas in the United States of America, which includes percentage of sand, silt, and clay for each soil layer. In one embodiment, external data 110 includes data received from SSURGO or other ground data sources. In one embodiment, external data is supplemented with producer data and/or laboratory data. For example, soil taken from one or more fields can be used to adjust external data received from SSURGO where external data was inaccurate.

[100] O sistema de computador de inteligência agrícola 130 pode usar dados de campo 106 e dados externos 110 para criar um modelo digital do teor de nutriente no solo na localização particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode armazenar entradas iniciais para o campo particular. O sistema de computador de inteligência agrícola 130 também pode estimar os parâmetros para o campo particular e armazenar os parâmetros para o campo particular. O sistema de computador de inteligência agrícola 130 pode computar adicionalmente parâmetros baseados em dados externos recebidos 110. Por exemplo, se um parâmetro particular for baseado na temperatura, o sistema de computador de inteligência agrícola 130 pode usar os dados de previsão de temperatura e/ou medições de temperatura para computar o parâmetro particular.[100] The agricultural intelligence computer system 130 may use field data 106 and external data 110 to create a digital model of the nutrient content in the soil at the particular location. For example, the agricultural intelligence computer system 130 may store initial inputs for the particular field. The agricultural intelligence computer system 130 may also estimate the parameters for the particular field and store the parameters for the particular field. The agricultural intelligence computer system 130 may further compute parameters based on received external data 110. For example, if a particular parameter is based on temperature, the agricultural intelligence computer system 130 may use the temperature forecast data and/or temperature measurements to compute the particular parameter.

3.2 NUTRIENT CONTENT MEASUREMENTS

[101] Na etapa 704, um ou mais valores de medição que especificam as medições de uma ou mais propriedades de solo em um campo particular dentre o um ou mais campos em um tempo particular dentro do período de tempo são recebidos. Por exemplo, as medições de valores de nutriente de solo, valores de hidratação de solo e/ou temperatura podem ser tomadas antes da plantação, antes da adubação de cobertura e antes da colheita de uma cultura. O sistema de computador de inteligência agrícola 130 pode receber dados de medição a partir do dispositivo de computação de gerenciamento de campo 104 que identificam uma ou mais medições da uma ou mais propriedades dentro do solo em uma ou mais localizações através do campo. As medições da uma ou mais propriedades podem corresponder às amostras de núcleo tomadas em várias localizações através do campo. Os resultados de medições podem ser enviados para o sistema de computador de inteligência agrícola 130 através de uma interface gráfica de usuário que é executada no dispositivo de computação de gerenciamento de campo 104.[101] In step 704, one or more measurement values that specify measurements of one or more soil properties in a particular field among the one or more fields at a particular time within the time period are received. For example, measurements of soil nutrient values, soil hydration values and/or temperature can be taken before planting, before top dressing and before harvesting a crop. The agricultural intelligence computer system 130 may receive measurement data from the field management computing device 104 that identifies one or more measurements of the one or more properties within the soil at one or more locations across the field. Measurements of one or more properties may correspond to core samples taken at various locations throughout the field. Measurement results can be sent to the agricultural intelligence computer system 130 through a graphical user interface that runs on the field management computing device 104.

[102] O tempo particular pode corresponder a um estágio de crescimento específico do desenvolvimento de cultura. Por exemplo, as amostras de solo tendem a ser tomadas nos estágios de V6 a V8 do desenvolvimento de cultura. As amostras de solo podem incluir análise por camada de valores de nutriente. Por exemplo, uma primeira medição de NO3- pode corresponder ao solo em 0 a 30 cm a partir da superfície em uma localização particular, enquanto uma segunda medição de NO3- pode corresponder ao solo em 30 a 60 cm a partir da superfície na localização particular. O sistema de computador de inteligência agrícola 130 pode receber dados que identificam o tempo particular juntamente com a medição do teor de nutriente. Por exemplo, o sistema de computador de inteligência agrícola 130 pode causar a exibição de uma interface gráfica de usuário em um dispositivo de computação de cliente com opções para identificar um teor de nutriente do solo, uma temperatura de solo e/ou um teor de hidratação do solo, uma localização da medição e uma data e hora de medição.[102] The particular time may correspond to a specific growth stage of culture development. For example, soil samples tend to be taken at the V6 to V8 stages of crop development. Soil samples may include layer analysis of nutrient values. For example, a first NO3- measurement may correspond to the soil at 0 to 30 cm from the surface at a particular location, while a second NO3- measurement may correspond to the soil at 30 to 60 cm from the surface at the particular location. . The agricultural intelligence computer system 130 may receive data that identifies the particular time along with measuring the nutrient content. For example, the agricultural intelligence computer system 130 may cause a graphical user interface to be displayed on a client computing device with options for identifying a soil nutrient content, a soil temperature, and/or a hydration content. soil, a measurement location and a date and time of measurement.

3.3 UNCERTAINTY MODELING

[103] Na etapa 706, um valor de propriedade de solo modelado que representa uma estimativa da uma ou mais propriedades do solo no campo particular no tempo particular é identificado. Por exemplo, o computador de inteligência agrícola 130 pode usar o modelo digital do teor de nutriente no solo do um ou mais campos ao longo do período de tempo particular para estimar o teor de nutriente em um tempo específico em várias localizações físicas do campo particular. As estimativas de teor de nutriente podem incluir as estimativas de níveis de potássio, fósforo e nitrogênio no solo nas várias localizações físicas. Em uma modalidade, o tempo particular corresponde a um tempo em que uma medição do teor de nutriente foi tomada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber valores de medição de solo a partir de um dispositivo de computação de gerenciamento de campo com uma indicação de uma localização da medição de solo e uma data e/ou hora da medição de solo. Em resposta, o sistema de computador de inteligência agrícola 130 pode computar os teores de nutriente no solo para a localização indicada e a data e/ou hora indicada.[103] In step 706, a modeled soil property value that represents an estimate of the one or more soil properties in the particular field at the particular time is identified. For example, the agricultural intelligence computer 130 may use the digital model of the nutrient content in the soil of the one or more fields over the particular time period to estimate the nutrient content at a specific time in various physical locations of the particular field. Nutrient content estimates may include estimates of potassium, phosphorus, and nitrogen levels in the soil at various physical locations. In one embodiment, the particular time corresponds to a time at which a measurement of nutrient content was taken. For example, the agricultural intelligence computer system 130 may receive soil measurement values from a field management computing device with an indication of a soil measurement location and a date and/or time of the soil measurement. . In response, the agricultural intelligence computer system 130 may compute soil nutrient contents for the indicated location and the indicated date and/or time.

[104] Na etapa 708, um valor de incerteza de modelação para o modelo digital do teor de nutriente é identificado. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar uma incerteza nas estimativas de teor de nutriente, hidratação de solo e/ou temperatura de solo com base no modelo digital do teor de nutriente. A incerteza de modelagem pode compreender três tipos de incerteza: incerteza de entrada, incerteza de parâmetro e incerteza estrutural. Os diferentes tipos de incerteza podem ser computados como uma incerteza total para o modelo. Adicional e/ou alternativamente, os diferentes tipos de incerteza podem ser computados separadamente para identificar três incertezas diferentes na estimativa de uma propriedade de solo particular no tempo particular. As três incertezas podem ser, então, combinadas para identificar uma incerteza geral para o valor de propriedade de solo modelado. Embora, geralmente, as três fontes de incerteza existam no modelo de teor de nutriente, em uma modalidade, menos do que todos os tipos de incerteza são identificados na etapa 708. Por exemplo, a incerteza estrutural pode ser ignorada devido às dificuldades na determinação das incertezas que existem devido às interações físicas que não são modeladas. O sistema de computador de inteligência agrícola 130 pode identificar a incerteza no valor modelado de teor de nutriente com base na incerteza em vários parâmetros e entradas sem considerar a incerteza estrutural.[104] In step 708, a modeling uncertainty value for the digital nutrient content model is identified. For example, the agricultural intelligence computer system 130 may identify an uncertainty in estimates of nutrient content, soil hydration, and/or soil temperature based on the digital nutrient content model. Modeling uncertainty can comprise three types of uncertainty: input uncertainty, parameter uncertainty and structural uncertainty. The different types of uncertainty can be computed as a total uncertainty for the model. Additionally and/or alternatively, the different types of uncertainty can be computed separately to identify three different uncertainties in estimating a particular soil property at a particular time. The three uncertainties can then be combined to identify an overall uncertainty for the modeled land property value. Although generally all three sources of uncertainty exist in the nutrient content model, in one embodiment, less than all types of uncertainty are identified in step 708. For example, structural uncertainty may be ignored due to difficulties in determining the uncertainties that exist due to physical interactions that are not modeled. The agricultural intelligence computer system 130 can identify uncertainty in the modeled value of nutrient content based on uncertainty in various parameters and inputs without considering structural uncertainty.

[105] A incerteza estrutural geralmente se refere à incerteza no modelo do teor de nutriente que é criada por uma falha em considerar reações físicas particulares. Por exemplo, uma grande quantidade de elementos diferentes, da temperatura ao teor de hidratação, pode ter um impacto sobre o teor de nutriente no solo. Independentemente de quão completo o modelo do teor de nutriente for, pode haver uma ou mais interações físicas que afetam o teor de nutriente no solo, que não estão sendo consideradas no modelo. Adicionalmente, os efeitos da temperatura, da hidratação de solo, do teor de nutriente e outras propriedades físicas de localizações circundantes podem ser computacionalmente dispendiosas para modelar. Essas interações físicas podem fazer com que o valor de nutriente modelado difira do valor de nutriente real. Um método para estimar os erros com base na incerteza estrutural é executar o modelo contra uma pluralidade de medições em uma única localização ou uma pluralidade de localizações. Com base nas diferenças entre os valores modelados e os valores medidos, o sistema de computador de inteligência agrícola 130 pode identificar uma incerteza estrutural no modelo. A incerteza estrutural também pode ser estimada com base em diferentes modelos de nutriente que computam valores de nutriente para uma localização particular. Essa incerteza estrutural pode ser computada para localizações e/ou épocas do ano específicas. Por exemplo, se o modelo de teor de nutriente tende a ser menos preciso em altas temperaturas, as localizações que experimentam altas temperaturas podem ser associadas a uma incerteza estrutural superior do que a localização que experimenta baixas temperaturas.[105] Structural uncertainty generally refers to uncertainty in the nutrient content model that is created by a failure to consider particular physical reactions. For example, a multitude of different elements, from temperature to moisture content, can have an impact on the nutrient content in the soil. Regardless of how complete the nutrient content model is, there may be one or more physical interactions that affect soil nutrient content that are not being considered in the model. Additionally, the effects of temperature, soil hydration, nutrient content, and other physical properties of surrounding locations can be computationally expensive to model. These physical interactions can cause the modeled nutrient value to differ from the actual nutrient value. One method for estimating errors based on structural uncertainty is to run the model against a plurality of measurements at a single location or a plurality of locations. Based on the differences between the modeled values and the measured values, the agricultural intelligence computer system 130 can identify a structural uncertainty in the model. Structural uncertainty can also be estimated based on different nutrient models that compute nutrient values for a particular location. This structural uncertainty can be computed for specific locations and/or times of year. For example, if the nutrient content model tends to be less accurate at high temperatures, locations that experience high temperatures may be associated with higher structural uncertainty than locations that experience low temperatures.

[106] A incerteza de entrada geralmente se refere à incerteza em um ou mais valores recebidos que são usados para gerar o modelo. Por exemplo, a incerteza de entrada pode se referir à incerteza nas medições de nutriente de solo iniciais para o campo. Adicional e/ou alternativamente, a incerteza de entrada pode se referir a uma incerteza nas previsões/medições de temperatura e/ou precipitação. Por exemplo, várias técnicas de modelagem podem ser usadas para criar estimativas probabilísticas de precipitação e/ou temperatura em localizações e tempos particulares com base nas medições anteriores de precipitação e temperatura. Várias técnicas de modelagem também podem ser usadas para identificar incertezas nas medições de temperatura e precipitação em localizações particulares. Por exemplo, as medições de precipitação com base em radar em localizações particulares incluem incerteza devido a vários tamanhos de queda e densidade de chuva levando a medições de reflexividade similares. Uma quantificação da incerteza nas medições de precipitação com base em radar pode ser identificada como a incerteza nas entradas particulares.[106] Input uncertainty generally refers to the uncertainty in one or more incoming values that are used to generate the model. For example, input uncertainty may refer to the uncertainty in initial soil nutrient measurements for the field. Additionally and/or alternatively, input uncertainty may refer to an uncertainty in temperature and/or precipitation predictions/measurements. For example, various modeling techniques can be used to create probabilistic estimates of precipitation and/or temperature at particular locations and times based on previous precipitation and temperature measurements. Various modeling techniques can also be used to identify uncertainties in temperature and precipitation measurements at particular locations. For example, radar-based precipitation measurements at particular locations include uncertainty due to varying fall sizes and rain density leading to similar reflectivity measurements. A quantification of the uncertainty in radar-based precipitation measurements can be identified as the uncertainty in the particular inputs.

[107] A incerteza de parâmetro geralmente se refere à incerteza em um ou mais valores computados ou estimados que não são medidos diretamente. Por exemplo, a taxa em que a matéria orgânica é convertida em amônio pode ser estimada com base em uma pluralidade de testes em campo e/ou experimentos. A taxa de conversão de matéria orgânica pode ser computada a partir de medições em várias temperaturas, níveis de hidratação e níveis de nutriente de solo para identificar uma dependência da taxa de conversão em vários fatores. Mesmo com experimentação substancial e testes em campo, uma incerteza na taxa de conversão de matéria orgânica irá existir devido aos fatores não identificados que afetam a taxa de conversão de matéria orgânica. A incerteza pode ser quantificada através de testes em campo e/ou experimentos e armazenada com o modelo de teor de nutriente. Onde as incertezas são identificadas como dependentes de uma ou mais outras entradas ou parâmetros, as entradas e parâmetros que afetam os valores de incerteza podem ser armazenados juntamente com as incertezas diferentes e identificação do parâmetro afetado.[107] Parameter uncertainty generally refers to the uncertainty in one or more computed or estimated values that are not directly measured. For example, the rate at which organic matter is converted to ammonium can be estimated based on a plurality of field tests and/or experiments. The organic matter conversion rate can be computed from measurements at various temperatures, hydration levels, and soil nutrient levels to identify a dependence of the conversion rate on various factors. Even with substantial experimentation and field testing, uncertainty in the organic matter conversion rate will exist due to unidentified factors that affect the organic matter conversion rate. Uncertainty can be quantified through field tests and/or experiments and stored with the nutrient content model. Where uncertainties are identified as dependent on one or more other inputs or parameters, the inputs and parameters that affect the uncertainty values can be stored together with the different uncertainties and identification of the affected parameter.

[108] As incertezas nos parâmetros e entradas podem ser usadas para identificar uma incerteza no modelo do teor de nutriente. Um método para identificar uma incerteza no modelo geral do teor de nutriente com base em uma pluralidade de incertezas nos parâmetros e entradas é identificar valores de cada parâmetro e entrada que levam a um valor de teor de nutriente mínimo e valores de cada parâmetro e entrada que levam a um teor de nutriente máximo. Com base nos parâmetros/entradas mínimas e nos parâmetros/entradas máximas, o sistema de computador de inteligência agrícola 130 pode computar um valor de teor de nutriente mínimo e um valor de teor de nutriente máximo. Os valores mínimo e máximo podem ser usados para identificar uma faixa de teor de nutriente no campo no tempo particular.[108] Uncertainties in parameters and inputs can be used to identify an uncertainty in the nutrient content model. One method for identifying an uncertainty in the general nutrient content model based on a plurality of uncertainties in the parameters and inputs is to identify values of each parameter and input that lead to a minimum nutrient content value and values of each parameter and input that lead to maximum nutrient content. Based on the minimum parameters/inputs and the maximum parameters/inputs, the agricultural intelligence computer system 130 can compute a minimum nutrient content value and a maximum nutrient content value. The minimum and maximum values can be used to identify a range of nutrient content in the field at a particular time.

[109] Em uma modalidade, o sistema de computador de inteligência agrícola 130 considera os efeitos de entradas e parâmetros sobre outras entradas e parâmetros ao computar a incerteza no modelo do teor de nutriente. Por exemplo, as interações entre os parâmetros e as entradas particulares podem resultar em um valor de entrada que resulta em um teor de nutriente mínimo para um conjunto de entradas e parâmetros, porém, que não resulta em um teor de nutriente mínimo para um segundo conjunto de entradas e parâmetros. Adicionalmente, para um tipo de entrada particular, como a temperatura, valores de entrada diferentes podem afetar o valor de um parâmetro particular e/ou a incerteza para um parâmetro particular. Assim, embora alterar a entrada sozinha possa levar a um valor de teor de nutriente particular, alterar, também, os parâmetros afetados pela entrada pode levar a um valor de teor de nutriente diferente.[109] In one embodiment, the agricultural intelligence computer system 130 considers the effects of inputs and parameters on other inputs and parameters when computing uncertainty in the nutrient content model. For example, interactions between parameters and particular inputs may result in an input value that results in a minimum nutrient content for one set of inputs and parameters, but does not result in a minimum nutrient content for a second set. of inputs and parameters. Additionally, for a particular input type, such as temperature, different input values may affect the value of a particular parameter and/or the uncertainty for a particular parameter. Thus, although changing the input alone can lead to a particular nutrient content value, also changing the parameters affected by the input can lead to a different nutrient content value.

[110] Em uma modalidade, o sistema de computador de inteligência agrícola 130 estima a incerteza no modelo de teor de nutriente através da combinação de diferentes perturbações de várias entradas e parâmetros para computar um nível diferente de teor de nutriente no solo. A Figura 8 retrata um método exemplificativo para identificar a incerteza no modelo de teor de nutriente através da perturbação de parâmetros diferentes. A Figura 8 inclui a distribuição de entrada ou parâmetro 802, a distribuição de entrada ou parâmetro 804 e a distribuição de entrada ou parâmetro 806. Cada uma das distribuições 802, 804 e 806 corresponde à valores particulares de entrada ou parâmetro e uma incerteza em cada um dentre os valores de entrada ou parâmetro. Por exemplo, distribuição 802 pode se referir à precipitação em um dia particular que é estimado em 5,33 cm (2,1 pol) com uma incerteza de 0,50 cm (0,2 pol). As distribuições 804 e 806 podem se referir a outros parâmetros ou entradas com incertezas diferentes. Por exemplo, a distribuição 804 pode se referir a uma estimativa e incerteza na taxa de conversão de matéria orgânica em amônio. Embora a Figura 8 retrate três distribuições, em uma modalidade, uma estimativa e incerteza para cada entrada e parâmetro com uma incerteza conhecida ou estimada é usada. Adicional e/ou alternativamente, as incertezas de parâmetros e entradas específicos que causam alterações maiores no modelo de teor de nutriente são utilizadas enquanto os parâmetros e entradas que não têm um efeito significativo sobre o modelo não são usados.[110] In one embodiment, the agricultural intelligence computer system 130 estimates uncertainty in the nutrient content model by combining different perturbations of various inputs and parameters to compute a different level of nutrient content in the soil. Figure 8 depicts an exemplary method for identifying uncertainty in the nutrient content model by perturbing different parameters. Figure 8 includes the input or parameter distribution 802, the input or parameter distribution 804, and the input or parameter distribution 806. Each of the distributions 802, 804 and 806 corresponds to particular input or parameter values and an uncertainty in each one of the input or parameter values. For example, distribution 802 may refer to precipitation on a particular day that is estimated to be 5.33 cm (2.1 in) with an uncertainty of 0.50 cm (0.2 in). The 804 and 806 distributions may refer to other parameters or inputs with different uncertainties. For example, the 804 distribution may refer to an estimate and uncertainty in the rate of conversion of organic matter to ammonium. Although Figure 8 depicts three distributions, in one embodiment, an estimate and uncertainty for each input and parameter with a known or estimated uncertainty is used. Additionally and/or alternatively, uncertainties of specific parameters and inputs that cause major changes in the nutrient content model are used while parameters and inputs that do not have a significant effect on the model are not used.

[111] Em uma modalidade, cada entrada e parâmetro utilizado é perturbado para gerar uma pluralidade de perturbações para cada entrada e parâmetro. Em uma modalidade, perturbar um parâmetro ou entrada compreende gerar um número particular de valores espaçados para o parâmetro ou entrada entre um limite inferior para o parâmetro e o limite superior do parâmetro. Os valores podem ser uniformemente espaçados e/ou espalhados com base em análises de sensibilidade anteriores. Por exemplo, no exemplo de precipitação acima, cem valores espaçados uniformemente podem ser gerados entre 4,82 cm e 5,84 cm (1,9 pol e 2,3 pol). Assim, as perturbações para o exemplo de precipitação podem incluir valores de 4,82 cm, 4,83 cm e 4,84 cm (1,9 pol, 1,904 pol e 1,908 pol). Em algumas modalidades, perturbar o parâmetro ou entrada compreende gerar um número particular de valores uniformemente espaçados para o parâmetro ou entrada entre um limite inferior e o valor padrão e gerar um número particular de valores uniformemente espaçados para o parâmetro ou entrada entre o valor padrão e o limite superior. Gerando-se um número igual de valores entre o limite inferior e o valor padrão e entre o valor padrão e o limite superior, o sistema de computador de inteligência agrícola 130 pode considerar as distribuições não uniformes na incerteza de um parâmetro ou entrada particular. Por exemplo, se a precipitação estimada em um dia particular for de 5,33 cm (2,1 pol), porém, a faixa de valores de precipitação for de 4,57 cm a 5,58 cm (1,8 pol a 2,2 pol), o número de valores gerados entre 4,57 cm e 5,33 cm (1,8 pol e 2,1 pol) seria igual ao número de valores entre 5,33 cm e 5,58 cm (2,1 pol e 2,2 pol).[111] In one embodiment, each input and parameter used is perturbed to generate a plurality of perturbations for each input and parameter. In one embodiment, perturbing a parameter or input comprises generating a particular number of spaced values for the parameter or input between a lower limit for the parameter and an upper limit for the parameter. Values may be evenly spaced and/or spread based on previous sensitivity analyses. For example, in the precipitation example above, one hundred evenly spaced values could be generated between 4.82 cm and 5.84 cm (1.9 in and 2.3 in). Thus, the perturbations for the precipitation example might include values of 4.82 cm, 4.83 cm, and 4.84 cm (1.9 in, 1.904 in, and 1.908 in). In some embodiments, perturbing the parameter or input comprises generating a particular number of uniformly spaced values for the parameter or input between a lower limit and the default value and generating a particular number of uniformly spaced values for the parameter or input between the default value and the upper limit. By generating an equal number of values between the lower limit and the standard value and between the standard value and the upper limit, the agricultural intelligence computer system 130 can account for non-uniform distributions in the uncertainty of a particular parameter or input. For example, if the estimated precipitation on a particular day is 5.33 cm (2.1 in), however, the range of precipitation values is 4.57 cm to 5.58 cm (1.8 in to 2 .2 in), the number of values generated between 4.57 cm and 5.33 cm (1.8 in and 2.1 in) would be equal to the number of values between 5.33 cm and 5.58 cm (2. 1 in and 2.2 in).

[112] Em uma modalidade, perturbar as entradas e/ou parâmetros compreende amostrar a partir das distribuições associadas a cada um dentre as entradas e/ou os parâmetros. Por exemplo, uma distribuição Gaussiana para um parâmetro e/ou entrada particular pode ser identificada por um valor médio para o parâmetro e/ou entrada e um desvio padrão para o parâmetro e/ou entrada. O sistema de computador de inteligência agrícola 130 pode executar instruções de amostragem para amostrar um número particular de valores não repetidos da distribuição. Através da amostragem de uma distribuição de valores para a entrada e/ou parâmetro, o sistema de computador de inteligência agrícola 130 preserva o formato da distribuição, propagando, assim, o erro da entrada e dos parâmetros para a incerteza para o modelo digital de teor de nutriente.[112] In one embodiment, perturbing the inputs and/or parameters comprises sampling from the distributions associated with each of the inputs and/or parameters. For example, a Gaussian distribution for a particular parameter and/or input may be identified by a mean value for the parameter and/or input and a standard deviation for the parameter and/or input. The agricultural intelligence computer system 130 may execute sampling instructions to sample a particular number of non-repeating values from the distribution. By sampling a distribution of values for the input and/or parameter, the agricultural intelligence computer system 130 preserves the shape of the distribution, thereby propagating input and parameter error to uncertainty for the digital content model. of nutrient.

[113] Em uma modalidade, um número igual de perturbações é gerado para cada parâmetro ou entrada. Por exemplo, na Figura 8, as perturbações 812, 822 e 832 são geradas a partir da distribuição de entrada ou parâmetro 802, as perturbações 814, 824 e 834 são geradas a partir da distribuição de entrada ou parâmetro 804 e as perturbações 816, 826 e 836 são geradas a partir da distribuição de entrada ou parâmetro 806. Embora a Figura 8 retrate três entradas e/ou parâmetros e três perturbações por entrada e/ou parâmetro, uma modalidade pode incluir qualquer número de entradas e/ou parâmetros e centenas de perturbações para cada entrada e/ou parâmetro. Adicionalmente, o sistema de computador de inteligência agrícola 130 pode gerar múltiplos conjuntos de perturbações para cada entrada ou parâmetro. Por exemplo, embora cada conjunto de perturbações para uma entrada particular possa compreender cem valores, o sistema de computador de inteligência agrícola 130 pode gerar trinta conjuntos de valores para a entrada particular, gerando, assim, três mil perturbações do parâmetro particular.[113] In one embodiment, an equal number of perturbations are generated for each parameter or input. For example, in Figure 8, perturbations 812, 822, and 832 are generated from the input distribution or parameter 802, perturbations 814, 824, and 834 are generated from the input distribution or parameter 804, and perturbations 816, 826 and 836 are generated from the input or parameter distribution 806. Although Figure 8 depicts three inputs and/or parameters and three perturbations per input and/or parameter, an embodiment may include any number of inputs and/or parameters and hundreds of perturbations for each input and/or parameter. Additionally, the agricultural intelligence computer system 130 may generate multiple sets of perturbations for each input or parameter. For example, although each set of perturbations for a particular input may comprise one hundred values, the agricultural intelligence computer system 130 may generate thirty sets of values for the particular input, thereby generating three thousand perturbations of the particular parameter.

[114] Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona aleatoriamente as perturbações de cada entrada ou parâmetro e usa os valores de perturbação selecionados aleatoriamente para executar o modelo de teor de nutriente. Por exemplo, o modelo de nutriente 850 é executado com a perturbação 812, a perturbação 824 e a perturbação 836. Em uma modalidade, os valores de nutriente selecionados aleatoriamente são tomados a partir de um único conjunto de valores para cada entrada ou parâmetro sem substituição. Por exemplo, se trinta conjuntos de cem perturbações são criados para cada entrada ou parâmetro, o sistema de computador de inteligência agrícola 130 pode selecionar aleatoriamente a partir do primeiro conjunto de cem perturbações para cada entrada ou parâmetro sem substituição até que todos os valores dentre os cem valores tenham sido usados. O sistema de computador de inteligência agrícola 130, então, pode selecionar aleatoriamente a partir do segundo conjunto de cem perturbações para cada entrada ou parâmetro sem substituição até que todos os valores dentre os segundos cem valores tenham sido usados. Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona apenas combinações de perturbações que ainda não foram utilizadas. Por exemplo, se, em um décimo conjunto de cem perturbações, o sistema de computador de inteligência agrícola 130 selecionar uma combinação de entradas e parâmetros que são igual a uma seleção de um conjunto anterior de cem perturbações, o sistema de computador de inteligência agrícola 130 pode resselecionar uma ou todas as perturbações.[114] In one embodiment, the agricultural intelligence computer system 130 randomly selects the perturbations of each input or parameter and uses the randomly selected perturbation values to run the nutrient content model. For example, nutrient model 850 is run with perturbation 812, perturbation 824, and perturbation 836. In one embodiment, randomly selected nutrient values are taken from a single set of values for each input or parameter without replacement. . For example, if thirty sets of one hundred perturbations are created for each input or parameter, the agricultural intelligence computer system 130 may randomly select from the first set of one hundred perturbations for each input or parameter without replacement until all values among the hundred values have been used. The agricultural intelligence computer system 130 may then randomly select from the second set of one hundred perturbations for each input or parameter without replacement until all values among the second one hundred values have been used. In one embodiment, the agricultural intelligence computer system 130 selects only disturbance combinations that have not already been used. For example, if, in a tenth set of one hundred disturbances, the agricultural intelligence computer system 130 selects a combination of inputs and parameters that are equal to a selection from a previous set of one hundred disturbances, the agricultural intelligence computer system 130 You can reselect one or all disturbances.

[115] Em uma modalidade, o sistema de computador de inteligência agrícola 130 primeiro computa as perturbações em valores independentes antes de computar as perturbações em valores dependentes. Os valores independentes, como usado no presente documento, se referem aos valores de entradas ou parâmetros que são independentes dos valores de outras entradas ou parâmetros. Por exemplo, a temperatura em uma localização particular pode ser diretamente medida e, portanto, pode ser inafetada por alterações em outras entradas, enquanto a hidratação de solo pode ser alterada dependendo de valores de temperatura, precipitação e teor de nutriente de solo. Como outro exemplo, certos parâmetros podem ser considerados parâmetros globais, no sentido de que não variam de campo para campo, ao passo que outros parâmetros podem ser dependentes da hidratação de solo ou da temperatura. O sistema de computador de inteligência agrícola 130 pode perturbar inicialmente as entradas e parâmetros independentes para gerar uma combinação particular de perturbações. Com base na combinação de perturbações, o sistema de computador de inteligência agrícola 130 pode computar parâmetro ou entradas adicionais e, então, perturbar os valores do parâmetro ou entradas adicionais.[115] In one embodiment, the agricultural intelligence computer system 130 first computes the disturbances in independent values before computing the disturbances in dependent values. Independent values, as used herein, refer to the values of inputs or parameters that are independent of the values of other inputs or parameters. For example, temperature at a particular location can be directly measured and therefore can be unaffected by changes in other inputs, while soil hydration can be changed depending on values of temperature, precipitation and soil nutrient content. As another example, certain parameters may be considered global parameters, in the sense that they do not vary from field to field, whereas other parameters may be dependent on soil hydration or temperature. The agricultural intelligence computer system 130 may initially perturb independent inputs and parameters to generate a particular combination of perturbations. Based on the combination of perturbations, the agricultural intelligence computer system 130 may compute additional parameter or inputs and then perturb the values of the additional parameter or inputs.

[116] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica as combinações de perturbações que não rendem saídas sensíveis e resultam em uma execução de modelo falha. Por exemplo, alguns parâmetros podem ser relacionados a outros, de modo que uma alta perturbação de um parâmetro resulte em uma alta perturbação em um segundo parâmetro. Isso pode ocorrer se a variabilidade dos parâmetros tiver a mesma fonte e/ou se a variabilidade de um primeiro parâmetro for dependente da variabilidade de um segundo parâmetro. Se um ou mais dentre os parâmetros ou valores selecionados for inconsistente com um ou mais outros parâmetros ou valores, o sistema de computador de inteligência agrícola 130 pode descartar os resultados da execução do modelo de teor de nutriente para tal conjunto de parâmetros e/ou valores. Adicional e/ou alternativamente, se os resultados da execução do modelo de teor de nutriente não forem saídas fisicamente sensíveis, o sistema de computador de inteligência agrícola 130 pode determinar que o conjunto particular de parâmetros e/ou entradas resultou em uma execução de modelo falha e descartar os resultados. Por exemplo, se o sistema de computador de inteligência agrícola 130 modelar uma camada de topo de uma camada de fundo do solo como tendo um alto teor de hidratação, porém, uma camada intermediária do solo como tendo um teor de hidratação desprezível, o sistema de computador de inteligência agrícola 130 pode determinar que os resultados do modelo de teor de nutriente não são sensíveis e podem, portanto, ser descartados.[116] In one embodiment, the agricultural intelligence computer system 130 identifies combinations of perturbations that do not yield sensible outputs and result in a failed model run. For example, some parameters may be related to others such that a high perturbation of one parameter results in a high perturbation of a second parameter. This can occur if the variability of the parameters has the same source and/or if the variability of a first parameter is dependent on the variability of a second parameter. If one or more of the selected parameters or values is inconsistent with one or more other parameters or values, the agricultural intelligence computer system 130 may discard the results of running the nutrient content model for such set of parameters and/or values. . Additionally and/or alternatively, if the results of the nutrient content model run are not physically sensitive outputs, the agricultural intelligence computer system 130 may determine that the particular set of parameters and/or inputs resulted in a failed model run. and discard the results. For example, if the agricultural intelligence computer system 130 models a top layer of a bottom layer of soil as having a high hydration content, but a middle layer of soil as having a negligible hydration content, the agricultural intelligence computer 130 may determine that the nutrient content model results are not sensitive and may therefore be discarded.

[117] Em uma modalidade, o sistema de computador de inteligência agrícola 130 gera um modelo de nutriente incerteza a partir dos resultados viáveis de cada modelo de teor de nutriente. Por exemplo, o modelo de nutriente 850, o modelo de nutriente 860 e o modelo de nutriente 870 podem, cada um, produzir diferentes resultados para medições de teor de nutriente com base nas perturbações de parâmetros e/ou entradas. Os resultados para o teor de nutriente podem incluir resultados para vários tipos de nutrientes em várias localizações e níveis de solo. Um modelo de incerteza de nutriente pode ser gerado para os resultados de cada modelo de nutriente em um nível de solo, localização, tipo de nutriente e tempo particular. Assim, o modelo de incerteza de nutriente 880 pode descrever a incerteza em um tipo particular de nutriente em uma localização e nível de solo particulares. As mesmas perturbações de parâmetros e/ou entradas podem ser usadas para gerar modelos de incerteza para outras localizações. Adicional e/ou alternativamente, o método para perturbar os parâmetros e/ou entradas pode ser executado independentemente para cada localização, cada camada de solo e/ou cada tipo de nutriente. Assim, diferentes combinações de perturbações podem ser usadas para várias localizações através de um campo, várias camadas de solo e/ou vários tipos de nutriente. Dessa maneira, a incerteza de modelagem pode ser localizada para uma localização, um nível de solo e/ou tipo de nutriente particular.[117] In one embodiment, the agricultural intelligence computer system 130 generates a nutrient uncertainty model from the viable results of each nutrient content model. For example, nutrient model 850, nutrient model 860, and nutrient model 870 may each produce different results for nutrient content measurements based on parameter perturbations and/or inputs. Results for nutrient content may include results for various types of nutrients at various locations and soil levels. A nutrient uncertainty model can be generated for the results of each nutrient model at a particular soil level, location, nutrient type, and time. Thus, the 880 nutrient uncertainty model can describe the uncertainty in a particular type of nutrient at a particular location and soil level. The same parameter perturbations and/or inputs can be used to generate uncertainty models for other locations. Additionally and/or alternatively, the method for perturbing the parameters and/or inputs can be performed independently for each location, each soil layer and/or each nutrient type. Thus, different combinations of disturbances can be used for various locations across a field, various soil layers, and/or various nutrient types. In this way, modeling uncertainty can be localized to a particular location, soil level, and/or nutrient type.

[118] Em uma modalidade, os valores de incerteza de modelo de nutriente são identificados para uma pluralidade de localizações através de um campo. Por exemplo, as entradas podem ser recebidas em localizações particulares de um campo. Uma incerteza de modelagem pode ser identificada para cada uma dentre as localizações particulares do campo. O dispositivo de computador de inteligência agrícola 130 pode utilizar uma ou mais técnicas de modelagem para estimar incertezas no modelo de teor de nutriente e/ou em um ou mais parâmetros e/ou entradas em diferentes localizações do campo em um tempo particular com o uso das incertezas nas localizações particulares. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que os valores de incerteza em cada localização consistem no produto de uma curva de incerteza subjacente suave através do um ou mais campos. O sistema de computador de inteligência agrícola 130 pode determinar o formato da curva subjacente com o uso de técnicas de modelagem estatística, como Krigagem (kriging) e amostra da curva subjacente em cada localização diferente para obter um valor de incerteza para a localização. O sistema de computador de inteligência agrícola 130 pode utilizar técnicas similares para modelar valores de incerteza através de um espaço de parâmetro. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que tais valores de incerteza em cada parâmetro consistem no produto de uma curva subjacente suave através do espaço de parâmetro e amostrar cada valor de incerteza através dos parâmetros.[118] In one embodiment, nutrient model uncertainty values are identified for a plurality of locations across a field. For example, inputs may be received at particular locations in a field. A modeling uncertainty can be identified for each of the particular field locations. The agricultural intelligence computer device 130 may utilize one or more modeling techniques to estimate uncertainties in the nutrient content model and/or in one or more parameters and/or inputs at different field locations at a particular time using the uncertainties in particular locations. For example, the agricultural intelligence computer system 130 may assume that the uncertainty values at each location consist of the product of a smooth underlying uncertainty curve across the one or more fields. The agricultural intelligence computer system 130 may determine the shape of the underlying curve using statistical modeling techniques such as kriging and sampling the underlying curve at each different location to obtain an uncertainty value for the location. The agricultural intelligence computer system 130 may utilize similar techniques to model uncertainty values across a parameter space. For example, the agricultural intelligence computer system 130 may assume that such uncertainty values in each parameter consist of the product of a smooth underlying curve through the parameter space and sample each uncertainty value across the parameters.

3.4 IDENTIFICATION OF PARAMETER TO DISTURB

[119] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica parâmetros sensíveis para perturbar, a fim de diminuir a potência de computação usada na identificação da incerteza de modelagem para uma localização particular. Computar um teor de nutriente modelado com o uso de incertezas em cada entrada e parâmetro pode ser dispendioso considerando-se um modelo complexo de teor de nutriente. Assim, para diminuir a potência de computação usada para identificar a incerteza de modelagem, o sistema de computador de inteligência agrícola 130 pode identificar um subconjunto de parâmetros e incertezas que têm o maior efeito sobre o modelo de teor de nutriente quando perturbado.[119] In one embodiment, the agricultural intelligence computer system 130 identifies sensitive parameters to disturb in order to decrease the computing power used in identifying modeling uncertainty for a particular location. Computing a modeled nutrient content using uncertainties in each input and parameter can be expensive considering a complex nutrient content model. Thus, to decrease the computing power used to identify modeling uncertainty, the agricultural intelligence computer system 130 can identify a subset of parameters and uncertainties that have the greatest effect on the nutrient content model when perturbed.

[120] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica parâmetros e/ou entradas sensíveis computando-se valores de teor de nutriente com perturbações de um único parâmetro e/ou entrada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode selecionar um parâmetro e/ou entrada particular para perturbar para uma pluralidade de medições de teor de nutriente enquanto mantém constantes os parâmetros e/ou entradas restantes. O sistema de computador de inteligência agrícola 130 pode executar o modelo com a pluralidade de perturbações do parâmetro e/ou entrada selecionada para cada um dentre uma pluralidade de anos, localizações e/ou práticas de gerenciamento. Com base nos teores de nutriente para cada uma dentre as perturbações, o sistema de computador de inteligência agrícola 130 pode identificar uma faixa e/ou incerteza no modelo considerando-se as perturbações do parâmetro e/ou entrada selecionada. Identificando-se as incertezas de modelagem para um parâmetro e/ou entrada selecionada através do tempo, espaço e práticas de gerenciamento, o sistema de computador de inteligência agrícola 130 pode determinar uma incerteza que não é restringida pela localização, o ano ou a prática de gerenciamento.[120] In one embodiment, the agricultural intelligence computer system 130 identifies sensitive parameters and/or inputs by computing nutrient content values with perturbations of a single parameter and/or input. For example, the agricultural intelligence computer system 130 may select a particular parameter and/or input to disturb for a plurality of nutrient content measurements while keeping the remaining parameters and/or inputs constant. The agricultural intelligence computer system 130 may run the model with the plurality of parameter perturbations and/or input selected for each of a plurality of years, locations, and/or management practices. Based on the nutrient contents for each of the disturbances, the agricultural intelligence computer system 130 can identify a range and/or uncertainty in the model considering the disturbances of the selected parameter and/or input. By identifying modeling uncertainties for a selected parameter and/or input across time, space, and management practices, the agricultural intelligence computer system 130 can determine an uncertainty that is not constrained by location, year, or farming practice. management.

[121] O sistema de computador de inteligência agrícola 130 pode computar as incertezas de modelo de nutriente para cada parâmetro e/ou entrada enquanto mantém o resto constante. O sistema de computador de inteligência agrícola 130, então, pode selecionar os parâmetros e/ou entradas que, quando perturbados, criam a maior alteração no modelo. Os parâmetros e/ou entradas selecionadas podem ser usadas para computar a incerteza de modelagem em uma localização e tempo particulares. Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar dados específicos a uma localização, um ano e/ou uma prática de gerenciamento particular para identificar os parâmetros e/ou entradas sensíveis com base na localização, no ano e/ou na prática de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar parâmetros e/ou entradas sensíveis para uma aplicação inicial de 22,67 kg (50 lbs) de nitrogênio através de uma pluralidade de localizações e anos e para uma aplicação inicial de 45,35 kg (100 lbs) de nitrogênio através de uma pluralidade de localizações e anos. Se os parâmetros e/ou entradas selecionadas diferem entre os testes de aplicação de 22,67 kg (50 lbs) e a aplicação de 45,3 kg (100 lbs), então, quando o sistema de computador de inteligência agrícola 130 identifica a incerteza de modelagem para um campo particular, o sistema de computador de inteligência agrícola 130 pode selecionar um ou mais parâmetros e/ou entradas com base na aplicação de nutriente ao campo particular.[121] The agricultural intelligence computer system 130 can compute nutrient model uncertainties for each parameter and/or input while keeping everything else constant. The agricultural intelligence computer system 130 can then select the parameters and/or inputs that, when disturbed, create the greatest change in the model. The selected parameters and/or inputs can be used to compute modeling uncertainty at a particular location and time. In one embodiment, the agricultural intelligence computer system 130 may use data specific to a particular location, year, and/or management practice to identify sensitive parameters and/or inputs based on location, year, and/or management practice. For example, the agricultural intelligence computer system 130 may identify sensitive parameters and/or inputs for an initial application of 22.67 kg (50 lbs) of nitrogen across a plurality of locations and years and for an initial application of 45. 35 kg (100 lbs) of nitrogen across a plurality of locations and years. If the selected parameters and/or inputs differ between the 22.67 kg (50 lbs) application tests and the 45.3 kg (100 lbs) application, then when the agricultural intelligence computer system 130 identifies the uncertainty modeling for a particular field, the agricultural intelligence computer system 130 may select one or more parameters and/or inputs based on the nutrient application to the particular field.

3.5 IDENTIFICATION OF MEASUREMENT UNCERTAINTY

[122] Na etapa 710, um valor de incerteza de medição para cada um dentre o um ou mais valores de medição digital que especificam as medições da uma ou mais propriedades do solo é identificado.[122] In step 710, a measurement uncertainty value for each of the one or more digital measurement values that specify measurements of the one or more soil properties is identified.

[123] Identificar um valor de incerteza de medição para uma localização e tempo particular pode compreender identificar uma variabilidade dentro do campo em um tempo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber uma pluralidade de medições em pontos diferentes de um campo. O sistema de computador de inteligência agrícola 130 pode identificar medições relacionadas a uma região particular do campo que foi submetida às práticas de gerenciamento uniformes. Por exemplo, as medições de uma porção do campo que recebeu uma aplicação inicial de 22,67 kg (50 lbs) de nitrogênio podem não ser agrupadas com as medições de uma porção do campo que recebeu uma aplicação inicial de 45,35 kg (100 lbs) de nitrogênio. Com o uso das medições recebidas, o sistema de computador de inteligência agrícola 130 pode identificar uma variabilidade no campo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que os valores de nutriente dentro do campo são uniformes através das localizações. Assim, o sistema de computador de inteligência agrícola 130 pode colapsar a pluralidade de medições a uma localização e identificar a variância da pluralidade de medições.[123] Identifying a measurement uncertainty value for a particular location and time may comprise identifying a variability within the field at a particular time. For example, the agricultural intelligence computer system 130 may receive a plurality of measurements at different points in a field. The agricultural intelligence computer system 130 can identify measurements related to a particular region of the field that has been subjected to uniform management practices. For example, measurements from a portion of the field that received an initial application of 22.67 kg (50 lbs) of nitrogen may not be grouped with measurements from a portion of the field that received an initial application of 45.35 kg (100 lbs). lbs) of nitrogen. Using the received measurements, the agricultural intelligence computer system 130 can identify variability in the field. For example, the agricultural intelligence computer system 130 may assume that nutrient values within the field are uniform across locations. Thus, the agricultural intelligence computer system 130 can collapse the plurality of measurements to a location and identify the variance of the plurality of measurements.

[124] Em uma modalidade, o sistema de computador de inteligência agrícola 130 insere a incerteza em uma medição com base no valor de medição. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber apenas uma medição a partir de um campo particular em vez de receber uma pluralidade de medições através do campo que podem ser colapsadas a uma única localização para identificar a variabilidade de campo. O sistema de computador de inteligência agrícola 130 pode consultar uma tabela de consulta de incerteza que inclui valores de incerteza estimados para cada valor de medição de um nutriente particular. A tabela de consulta de incerteza pode ser populada através de uma pluralidade de testes em campo em que a incerteza de medição é computada, como através do uso da variabilidade de campo. Cada valor de incerteza pode ser associado a um valor de medição particular. À medida que mais testes são realizados, uma confiança no valor de incerteza para cada valor de medição aumenta. Com o uso de uma pluralidade de testes em campo para identificar valores de incerteza prováveis para cada valor de medição, o sistema de computador de inteligência agrícola 130 cria um método para identificar a incerteza que exige apenas que um dispositivo de computação de cliente forneça uma única medição do teor de nutriente em um único ponto no solo.[124] In one embodiment, the agricultural intelligence computer system 130 inserts uncertainty into a measurement based on the measurement value. For example, the agricultural intelligence computer system 130 may receive only one measurement from a particular field rather than receiving a plurality of measurements across the field that may be collapsed to a single location to identify field variability. The agricultural intelligence computer system 130 may query an uncertainty lookup table that includes estimated uncertainty values for each measurement value of a particular nutrient. The uncertainty lookup table may be populated through a plurality of field tests in which measurement uncertainty is computed, such as through the use of field variability. Each uncertainty value can be associated with a particular measurement value. As more tests are performed, confidence in the uncertainty value for each measurement value increases. By using a plurality of field tests to identify likely uncertainty values for each measurement value, the agricultural intelligence computer system 130 creates a method for identifying uncertainty that only requires a client computing device to provide a single measurement of nutrient content at a single point in the soil.

3.6 DATA POINT ASSIMILATION

[125] Na etapa 712, um segundo modelo digital do teor de nutriente no solo é gerado e exibido com base, pelo menos em parte, no valor de incerteza de modelação e no valor de incerteza de medição. Por exemplo, o sistema de computador de inteligência agrícola 130 pode ponderar inversamente o valor de propriedade modelado pela incerteza de modelagem para gerar um valor de propriedade modelado ponderado. O sistema de computador de inteligência agrícola 130 também pode ponderar inversamente o valor de propriedade medido pela incerteza de medição para gerar um valor de propriedade medido ponderado. Os dois valores ponderados, então, podem ser combinados e multiplicados por uma função de covariância para gerar uma saída de modelo assimilado.[125] In step 712, a second digital model of the nutrient content in the soil is generated and displayed based, at least in part, on the modeling uncertainty value and the measurement uncertainty value. For example, the agricultural intelligence computer system 130 may inversely weight the modeled property value by the modeling uncertainty to generate a weighted modeled property value. The agricultural intelligence computer system 130 may also inversely weight the measured property value by the measurement uncertainty to generate a weighted measured property value. The two weighted values can then be combined and multiplied by a covariance function to generate an assimilated model output.

[126] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para computar o valor de saída de modelo assimilado com o uso da seguinte relação: em que é o valor esperado do teor de nutriente assimilado, em um tempo particular considerando-se os dados de medição recebidos A equação para o valor esperado da propriedade assimilada compreende um termo de valor de medição ponderado, em que n é o número de medições recebidas, é um operador linear que mapeia a saída de modelo em múltiplas camadas y em camadas de medição correspondentes, é o erro de medição estimado e é a média dos valores de medição para um nível de solo, uma localização e um tipo de nutriente particulares. Cada um dentre os valores ou operadores supracitados é representado em dados digitais ou instruções de programa armazenadas. O operador linear pode ser usado para mapear os valores modelados para valores medidos quando os valores correspondem a diferentes camadas de solo. Por exemplo, se o modelo de teor de nutriente identifica o teor de nutriente no solo nas camadas de 0 a 3 cm, 3 a 6 cm, 6 a 9 cm e 9 a 12 cm, porém, as medições são tomadas para o solo nas camadas de 0 a 6 cm e 6 a 12 cm, o operador linear pode transformar os valores das medições de modo que correspondam aos valores dos valores modelados.[126] In one embodiment, the agricultural intelligence computer system 130 is programmed to compute the assimilated model output value using the following relationship: on what is the expected value of the assimilated nutrient content, at a particular time considering the measurement data received The equation for the expected value of the assimilated property comprises a weighted measurement value term, where n is the number of measurements received, is a linear operator that maps the model output in multiple y layers to corresponding measurement layers, is the estimated measurement error and is the average of measurement values for a particular soil level, location and nutrient type. Each of the aforementioned values or operators is represented in digital data or stored program instructions. The linear operator can be used to map modeled values to measured values when the values correspond to different soil layers. For example, if the nutrient content model identifies nutrient content in the soil in the 0 to 3 cm, 3 to 6 cm, 6 to 9 cm, and 9 to 12 cm layers, however, measurements are taken for the soil in the layers from 0 to 6 cm and 6 to 12 cm, the linear operator can transform measurement values so that they match the values of modeled values.

[127] A equação para o valor esperado do teor de nutriente assimilado compreende adicionalmente um termo de valor de modelagem ponderado em que é o erro de modelagem estimado e é o valor de nutriente modelado considerando-se os parâmetros e entradas padrão. Os parâmetros e entradas padrão são os valores esperados dos parâmetros e entradas sem perturbação. A equação para o valor esperado compreende adicionalmente um termo de covariância, que toma a combinação de valores ponderados e transforma a combinação em valores não ponderados.[127] The equation for the expected value of assimilated nutrient content additionally comprises a weighted modeling value term on what is the estimated modeling error and is the modeled nutrient value considering standard parameters and inputs. The default parameters and inputs are the expected values of the parameters and inputs without disturbance. The equation for expected value additionally comprises a covariance term, which takes the combination of weighted values and transforms the combination into unweighted values.

[128] Em uma modalidade, cada um dentre os termos de incerteza compreende matrizes de covariância. pode ser uma matriz de covariância gerada a partir dos parâmetros perturbados e valores modelados através de uma ou mais profundidades e/ou tipos de nutriente. Por exemplo, se as medições forem recebidas para dois nutrientes, nas profundidades que correspondem a seis profundidades modeladas diferentes, o sistema de computador de inteligência agrícola 130 pode construir uma matriz de covariância de 12 x 12 para a incerteza no teor de nutriente modelado. " pode ser uma matriz de covariância para a incerteza de medição com base nos valores de medição recebidos. Por exemplo, uma estrutura de correlação pode ser gerada com base em medições em todas as localizações e tratamentos para um campo particular. Com o uso de valores em todas as localizações e tratamentos para criar a estrutura de correlação, o sistema de computador de inteligência agrícola 130 pode gerar uma estrutura de correlação com o uso de um número baixo de medições em cada localização e tratamento. Por exemplo, se um agricultor tomar apenas um conjunto de medições em várias localizações no campo, uma estrutura de correlação que não presume a uniformidade através das localizações limita o número de amostras que podem ser usadas para assimilação em um dado ponto para uma única amostra. A matriz de covariância, então, pode ser escalonada de acordo com variâncias marginais específicas de tratamento e localização. Por exemplo, a estrutura de correlação pode ser multiplicada por uma matriz diagonal que compreende desvios da média em cada localização e tratamento, para criar uma matriz de covariância com termos dependentes de localização e tratamento. Assim, embora a estrutura de correlação geral possa ser presumida como universal, a matriz de covariância pode presumir que os valores medidos são dependentes da localização e do tratamento.[128] In one embodiment, each of the uncertainty terms comprises covariance matrices. may be a covariance matrix generated from the perturbed parameters and modeled values across one or more depths and/or nutrient types. For example, if measurements are received for two nutrients, At depths corresponding to six different modeled depths, the agricultural intelligence computer system 130 can construct a 12 x 12 covariance matrix for the uncertainty in the modeled nutrient content. " can be a covariance matrix for measurement uncertainty based on the received measurement values. For example, a correlation structure can be generated based on measurements at all locations and treatments for a particular field. With the use of values across all locations and treatments to create the correlation structure, the agricultural intelligence computer system 130 can generate a correlation structure using a low number of measurements at each location and treatment. For example, if a farmer takes only a set of measurements at multiple locations in the field, a correlation structure that does not assume uniformity across locations limits the number of samples that can be used for assimilation at a given point to a single sample. The covariance matrix, then, can be scaled according to treatment- and location-specific marginal variances. For example, the correlation structure can be multiplied by a diagonal matrix comprising deviations from the mean at each location and treatment, to create a covariance matrix with location-dependent terms and treatment. Thus, although the general correlation structure can be assumed to be universal, the covariance matrix can assume that the measured values are location and treatment dependent.

[129] O valor de teor de nutriente assimilado pode ser identificado como um teor provável de nutriente no solo. Em uma modalidade em que o teor de hidratação e/ou medições de temperatura são assimiladas no modelo de teor de nutriente, o valor de teor de nutriente assimilado pode ser computado com base em um valor assimilado de teor de hidratação e/ou temperatura. Em uma modalidade, os valores assimilados de dados compreendem uma distribuição de valores assimilados. Por exemplo, as incertezas no valor modelado e as incertezas no valor medido podem ser usadas para computar uma incerteza geral para o valor assimilado. Com o uso da incerteza no valor assimilado, o sistema de computador de inteligência agrícola 130 pode identificar uma faixa de valores para o teor de nutriente com probabilidades correspondentes. A faixa de valores pode ser propagada em computações futuras e/ou exibida no dispositivo de computação de gerenciamento de campo 104.[129] The assimilated nutrient content value can be identified as a likely nutrient content in the soil. In an embodiment in which hydration content and/or temperature measurements are assimilated into the nutrient content model, the assimilated nutrient content value can be computed based on an assimilated hydration content and/or temperature value. In one embodiment, the assimilated data values comprise a distribution of assimilated values. For example, uncertainties in the modeled value and uncertainties in the measured value can be used to compute an overall uncertainty for the assimilated value. Using the uncertainty in the assimilated value, the agricultural intelligence computer system 130 can identify a range of values for nutrient content with corresponding probabilities. The range of values may be propagated into future computations and/or displayed on the field management computing device 104.

3.7 MODEL CALIBRATION

[130] Em uma modalidade, o valor de propriedade assimilada é usado para calibrar o modelo de teor de nutriente para uma propriedade particular. Identificar o valor de propriedade assimilada permite que o sistema de computador de inteligência agrícola 130 execute o modelo de teor de nutriente para um ponto no tempo particular com o novo valor, aumentando, assim, a precisão do modelo de teor de nutriente para as previsões futuras. O sistema de computador de inteligência agrícola 130 pode aumentar adicionalmente a precisão do modelo de teor de nutriente para previsões futuras avaliando-se os parâmetros e entradas que entraram no modelo de teor de nutriente para reduzir erros.[130] In one embodiment, the assimilated property value is used to calibrate the nutrient content model for a particular property. Identifying the assimilated property value allows the agricultural intelligence computer system 130 to run the nutrient content model for a particular point in time with the new value, thereby increasing the accuracy of the nutrient content model for future predictions. . The agricultural intelligence computer system 130 can further increase the accuracy of the nutrient content model for future predictions by evaluating the parameters and inputs that entered the nutrient content model to reduce errors.

[131] Para calibrar o modelo de teor de nutriente, o sistema de computador de inteligência agrícola 130 pode, primeiro, identificar os parâmetros e entradas que levam a cada valor do modelo de teor de nutriente. Por exemplo, ao identificar a incerteza de modelagem, o sistema de computador de inteligência agrícola 130 pode perturbar uma pluralidade de parâmetros e/ou entradas e computar um valor de teor de nutriente através do modelo de teor de nutriente com o uso de cada conjunto de parâmetros perturbados e/ou entradas. O sistema de computador de inteligência agrícola 130 pode armazenar cada conjunto de parâmetros perturbados com o resultado da execução do modelo de teor de nutriente com o uso de tal conjunto de parâmetros. Os parâmetros perturbados armazenados podem ser ordenados pelos resultados produzidos, de modo que os conjuntos de parâmetro que levam a teores de nutriente similares sejam facilmente identificáveis.[131] To calibrate the nutrient content model, the agricultural intelligence computer system 130 may first identify the parameters and inputs that lead to each value of the nutrient content model. For example, by identifying modeling uncertainty, the agricultural intelligence computer system 130 may perturb a plurality of parameters and/or inputs and compute a nutrient content value through the nutrient content model using each set of disturbed parameters and/or inputs. The agricultural intelligence computer system 130 may store each set of perturbed parameters with the result of running the nutrient content model using such set of parameters. Stored perturbed parameters can be sorted by the results produced, so that parameter sets that lead to similar nutrient contents are easily identifiable.

[132] Após um valor de propriedade assimilada ser identificado, o sistema de computador de inteligência agrícola 130 pode buscar através dos conjuntos de parâmetros perturbados armazenados por um ou mais conjuntos de parâmetros e/ou entradas perturbados que levaram ao mesmo valor de propriedade que o valor de propriedade de nutriente assimilado. Adicional e/ou alternativamente o sistema de computador de inteligência agrícola 130 pode identificar perturbações de parâmetros e/ou entradas que produziram resultados que foram os mais próximos do valor de propriedade assimilada. Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona um melhor conjunto de perturbações dos parâmetros e/ou entradas que levaram ao valor de propriedade mais próximo ao valor de teor de nutriente assimilado e usa o conjunto de perturbações para executar o modelo de teor de nutriente. Com o uso do conjunto de perturbação que levou ao valor de propriedade assimilada, o sistema de computador de inteligência agrícola 130 remove uma fonte de erro que levou ao valor modelado diferente do valor de medição. Assim, embora usar o valor de propriedade assimilada para executar o modelo de teor de nutriente reduza os erros nos resultados através da minimização das diferenças entre os valores de teor modelados e os valores de teor medidos em um tempo particular, calibrar o modelo de teor de nutriente para um conjunto de perturbações particular de parâmetros e/ou entradas reduz os erros nos resultados removendo-se a fonte de erros nas estimativas de perturbações e/ou entradas.[132] After an assimilated property value is identified, the agricultural intelligence computer system 130 may search through the stored perturbed parameter sets for one or more perturbed parameter sets and/or inputs that led to the same property value as the property value of assimilated nutrient. Additionally and/or alternatively the agricultural intelligence computer system 130 may identify disturbances of parameters and/or inputs that produced results that were closest to the assimilated property value. In one embodiment, the agricultural intelligence computer system 130 selects a best set of perturbations of the parameters and/or inputs that led to the property value closest to the assimilated nutrient content value and uses the set of perturbations to run the crop model. nutrient content. By using the disturbance set that led to the assimilated property value, the agricultural intelligence computer system 130 removes a source of error that led to the modeled value differing from the measurement value. Thus, although using the assimilated property value to run the nutrient content model reduces errors in the results by minimizing differences between the modeled content values and the content values measured at a particular time, calibrating the nutrient content model nutrient for a particular perturbation set of parameters and/or inputs reduces errors in the results by removing the source of errors in the perturbation and/or input estimates.

[133] Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona um conjunto de entradas e/ou parâmetros com base em uma pluralidade de valores de propriedade assimilada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode computar valores assimilados de teor de nutriente para uma pluralidade de localizações em um campo, uma pluralidade de profundidades de solo, uma pluralidade de tipos de nutriente e/ou uma pluralidade de tipos de tratamento. O sistema de computador de inteligência agrícola 130 pode selecionar um conjunto de perturbações que minimiza as diferenças quadráticas entre cada valor de nutriente modelado e o valor de nutriente assimilado correspondente. O sistema de computador de inteligência agrícola 130 também pode identificar múltiplos conjuntos de perturbações que levaram tanto ao valor de teor de nutriente assimilado quanto a um valor dentro de uma faixa particular do valor de teor de nutriente assimilado. Por exemplo, se o sistema de computador de inteligência agrícola 130 gerar uma distribuição de valores para o teor de nutriente assimilado, o sistema de computador de inteligência agrícola 130 pode selecionar perturbações que levaram a um valor dentro da distribuição. Com o uso de múltiplos conjuntos de perturbações, o sistema de computador de inteligência agrícola 130 pode computar uma faixa de valores para teores futuros de nutriente no solo, propagando, assim, a incerteza nos valores assimilados para valores futuros de nutriente.[133] In one embodiment, the agricultural intelligence computer system 130 selects a set of inputs and/or parameters based on a plurality of assimilated property values. For example, the agricultural intelligence computer system 130 may compute assimilated nutrient content values for a plurality of locations in a field, a plurality of soil depths, a plurality of nutrient types, and/or a plurality of treatment types. . The agricultural intelligence computer system 130 may select a set of perturbations that minimize quadratic differences between each modeled nutrient value and the corresponding assimilated nutrient value. The agricultural intelligence computer system 130 can also identify multiple sets of disturbances that led to both the assimilated nutrient content value and a value within a particular range of the assimilated nutrient content value. For example, if the agricultural intelligence computer system 130 generates a distribution of values for assimilated nutrient content, the agricultural intelligence computer system 130 may select perturbations that led to a value within the distribution. Using multiple sets of perturbations, the agricultural intelligence computer system 130 can compute a range of values for future soil nutrient contents, thereby propagating uncertainty in the assimilated values for future nutrient values.

[134] Em uma modalidade, o sistema de computador de inteligência agrícola 130 armazena os conjuntos de parâmetros selecionados para cada campo em que um valor de propriedade assimilada é computado. Por exemplo, o sistema de computador de inteligência agrícola 130 pode gerar modelos de teor de nutriente para uma pluralidade de campos em uma pluralidade de localizações. O sistema de computador de inteligência agrícola 130 também pode receber uma pluralidade de valores de dados que identificam os teores de nutriente no solo para os campos na pluralidade de localizações. Para cada campo, o sistema de computador de inteligência agrícola 130 pode realizar o método descrito na Figura 7 para gerar um valor de teor de nutriente assimilado e calibrar o modelo de teor de nutriente com base no valor de teor de nutriente assimilado. O sistema de computador de inteligência agrícola 130, então, pode armazenar cada conjunto de perturbações juntamente com as informações a respeito de um campo particular, como práticas de gerenciamento, localização, entradas e número de medições tomadas no campo.[134] In one embodiment, the agricultural intelligence computer system 130 stores the selected parameter sets for each field in which an assimilated property value is computed. For example, the agricultural intelligence computer system 130 can generate nutrient content models for a plurality of fields in a plurality of locations. The agricultural intelligence computer system 130 may also receive a plurality of data values that identify soil nutrient contents for fields at the plurality of locations. For each field, the agricultural intelligence computer system 130 may perform the method described in Figure 7 to generate an assimilated nutrient content value and calibrate the nutrient content model based on the assimilated nutrient content value. The agricultural intelligence computer system 130 then can store each set of disturbances along with information regarding a particular field, such as management practices, location, inputs, and number of measurements taken in the field.

[135] O sistema de computador de inteligência agrícola 130 pode usar os dados de perturbação armazenados para fortalecer, de modo geral, o modelo de teor de nutriente. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar parâmetros e/ou entradas com perturbações selecionadas que são frequentemente superiores ao valor padrão. O sistema de computador de inteligência agrícola 130, então, pode elevar o valor para o parâmetro particular com base nas perturbações selecionadas para o modelo de teor de nutriente. O sistema de computador de inteligência agrícola 130 também pode identificar as dependências de valores de perturbação de parâmetros e/ou entradas sobre a localização, elevação, hidratação de solo, temperatura, precipitação média e/ou uma ou mais outras entradas. Por exemplo, se as perturbações selecionadas de um parâmetro particular forem, em geral, superiores ao valor padrão em uma pluralidade de campos em uma localização geográfica, porém, em geral, inferiores ao valor padrão em uma pluralidade de campos em uma segunda localização geográfica, o sistema de computador de inteligência agrícola 130 pode armazenar dados que identificam uma dependência de localização no valor do parâmetro particular.[135] The agricultural intelligence computer system 130 can use the stored disturbance data to generally strengthen the nutrient content model. For example, the agricultural intelligence computer system 130 may identify parameters and/or inputs with selected disturbances that are frequently greater than the default value. The agricultural intelligence computer system 130 can then raise the value for the particular parameter based on the perturbations selected for the nutrient content model. The agricultural intelligence computer system 130 may also identify the dependencies of parameter perturbation values and/or inputs on location, elevation, soil hydration, temperature, average precipitation, and/or one or more other inputs. For example, if the selected perturbations of a particular parameter are generally greater than the default value in a plurality of fields in one geographic location, but generally less than the default value in a plurality of fields in a second geographic location, The agricultural intelligence computer system 130 may store data that identifies a location dependency on the value of the particular parameter.

4. USE OF DATA [1] . AGRONOMIC MODELS

[136] Em uma modalidade, o computador de inteligência agrícola 130 usa o valor de teor de nutriente assimilado para gerar um modelo agronômico. Em uma modalidade, um modelo agronômico é uma estrutura de dados em memória do sistema de computador de inteligência agrícola 130 que contém informações de localização e cultura para um ou mais campos. Um modelo agronômico também pode conter fatores agronômicos que descrevem condições que podem afetar o crescimento de uma ou mais culturas em um campo. Além disso, um modelo agronômico pode conter recomendações com base em fatores agronômicos tais como recomendações de cultura, recomendações de irrigação, recomendações de plantação e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, tais como o rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa de quantidade da cultura que é produzida, ou, em alguns exemplos, a receita ou lucro obtido a partir da cultura produzida.[136] In one embodiment, the agricultural intelligence computer 130 uses the assimilated nutrient content value to generate an agronomic model. In one embodiment, an agronomic model is a data structure in memory of the agricultural intelligence computer system 130 that contains location and crop information for one or more fields. An agronomic model may also contain agronomic factors that describe conditions that can affect the growth of one or more crops in a field. Additionally, an agronomic model may contain recommendations based on agronomic factors such as crop recommendations, irrigation recommendations, planting recommendations, and harvest recommendations. Agronomic factors can also be used to estimate one or more crop-related outcomes, such as agronomic yield. The agronomic yield of a crop is an estimate of the quantity of the crop that is produced, or, in some examples, the revenue or profit obtained from the crop produced.

[137] A falta de um ou mais nutrientes pode afetar o rendimento potencial de uma cultura. Por exemplo, estresse por nitrogênio descreve o efeito de uma incapacidade da cultura para receber uma quantidade ótima de nitrogênio no crescimento da cultura. Cada cultura tem uma quantidade ótima diferente de nitrogênio que define uma quantidade mínima de nitrogênio abaixo da qual o crescimento da cultura é afetado adversamente. As quantidades ótimas de nitrogênio podem mudar por todo o ciclo de desenvolvimento da cultura. O estresse de água igualmente descreve o efeito de uma incapacidade da cultura para receber uma quantidade ótima de água no crescimento da cultura e estresse de calor descreve o efeito de temperaturas altas no crescimento da cultura. Com base nos dados recebidos de temperatura, hidrologia e nutriente, o computador de inteligência agrícola 130 pode estimar os efeitos do estresse por nitrogênio, estresse por calor e estresse por água sobre a uma ou mais culturas. Por exemplo, o estresse por nitrogênio pode levar à destruição de folha que reduz o índice de área foliar para uma cultura, reduzindo, desse modo, a quantidade de luz solar recebida pela cultura. O computador de inteligência agrícola 130 pode usar lógica programada digitalmente e dados armazenados que indicam efeitos de quantidades específicas de estresse de nitrogênio para um tipo de cultura particular para mudanças de modelo em um desenvolvimento da cultura. Com base nos modelos da cultura conforme afetada por estresse de nitrogênio, estresse de calor, estresse de água ou qualquer combinação dos mesmos, o computador de inteligência agrícola 130 pode estimar um rendimento total para a cultura.[137] A lack of one or more nutrients can affect the potential yield of a crop. For example, nitrogen stress describes the effect of a crop's inability to receive an optimal amount of nitrogen on crop growth. Each crop has a different optimum amount of nitrogen that defines a minimum amount of nitrogen below which crop growth is adversely affected. Optimal amounts of nitrogen can change throughout the crop development cycle. Water stress also describes the effect of a crop's inability to receive an optimum amount of water on crop growth and heat stress describes the effect of high temperatures on crop growth. Based on the received temperature, hydrology and nutrient data, the agricultural intelligence computer 130 can estimate the effects of nitrogen stress, heat stress and water stress on the one or more crops. For example, nitrogen stress can lead to leaf destruction that reduces the leaf area index for a crop, thereby reducing the amount of sunlight received by the crop. The agricultural intelligence computer 130 may use digitally programmed logic and stored data that indicates effects of specific amounts of nitrogen stress for a particular crop type to model changes in crop development. Based on models of the crop as affected by nitrogen stress, heat stress, water stress or any combination thereof, the agricultural intelligence computer 130 can estimate a total yield for the crop.

[138] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa valores de entrada recebidos e o valor de teor de nutriente assimilado para criar um modelo agronômico na memória ou em armazenamento persistente em resposta a uma solicitação do dispositivo de computação de gerenciamento de campo 104 por um modelo agronômico. Em outras modalidades, o sistema de computador de inteligência agrícola 130 recebe uma solicitação de um terceiro por um modelo agronômico. Por exemplo, uma companhia de seguros pode solicitar um modelo agronômico para um campo de cliente segurado para determinar os riscos associados à cultura plantada pelo cliente. Em outro exemplo, um servidor de aplicação pode enviar uma solicitação para o sistema de computador de inteligência agrícola 130 para criar um modelo agronômico para um campo de usuário específico. Alternativamente, o sistema de computador de inteligência agrícola 130 pode gerar modelos agronômicos periodicamente. O sistema de computador de inteligência agrícola 130 também pode gerar modelos agronômicos em resposta ao recebimento de observações meteorológicas atualizadas ou em resposta à criação de dados meteorológicos, dados de nutriente, dados de solo ou outros dados de campo atualizados.[138] In one embodiment, the agricultural intelligence computer system 130 uses received input values and the assimilated nutrient content value to create an agronomic model in memory or persistent storage in response to a request from the management computing device. field 104 by an agronomic model. In other embodiments, the agricultural intelligence computer system 130 receives a request from a third party for an agronomic model. For example, an insurance company may request an agronomic model for an insured client's field to determine the risks associated with the crop planted by the client. In another example, an application server may send a request to the agricultural intelligence computer system 130 to create an agronomic model for a specific user field. Alternatively, the agricultural intelligence computer system 130 may periodically generate agronomic models. The agricultural intelligence computer system 130 may also generate agronomic models in response to receiving updated weather observations or in response to creating updated weather data, nutrient data, soil data, or other field data.

[139] Em uma modalidade, o sistema de computador de inteligência agrícola 130 envia modelos agronômicos para o dispositivo de computação de gerenciador de campo 104. Em outras modalidades, o computador de inteligência agrícola 130 cria recomendações com o uso de modelos agronômicos e envia as recomendações para o dispositivo de computação de gerenciamento de campo 104. O sistema de computador de inteligência agrícola 130 também pode armazenar modelos agronômicos em memória. Os modelos agronômicos armazenados podem, posteriormente, ser usados para aprimorar os métodos usados pelo sistema de computador de inteligência agrícola 130 ou para classificar os vários métodos de modelagem.[139] In one embodiment, the agricultural intelligence computer system 130 sends agronomic models to the field manager computing device 104. In other embodiments, the agricultural intelligence computer 130 creates recommendations using agronomic models and sends the recommendations for the field management computing device 104. The agricultural intelligence computer system 130 may also store agronomic models in memory. The stored agronomic models can later be used to improve the methods used by the agricultural intelligence computer system 130 or to classify the various modeling methods.

[two] . RECOMMENDATIONS

[140] Em uma modalidade, o computador de inteligência agrícola 130 cria uma ou mais recomendações com base no valor de teor de nutriente assimilado. A uma ou mais recomendações pode incluir recomendações de irrigação atuais, recomendações de aplicação de nutriente atuais e aplicação de agroquímico de eficiência melhorada. Por exemplo, computador de inteligência agrícola 130 pode determinar que o nitrogênio no um ou mais campos será insuficiente para as exigências de nitrogênio de uma cultura em uma certa data. Em resposta, o computador de inteligência agrícola 130 pode usar o modelo de teor de nutriente calibrado para modelar as aplicações de nitrogênio antes de certa data para determinar quando o nitrogênio precisaria ser adicionado ao sistema para evitar o déficit ou para evitar que a cultura sofra danos a partir do déficit. O computador de inteligência agrícola 130 pode criar uma ou mais recomendações para a aplicação de nitrogênio com base na determinação. Adicionalmente, o computador de inteligência agrícola 130 pode determinar se a perda de nitrogênio para a lixiviação, volatilização ou desnitrificação das aplicações de nitrogênio modeladas excede um limiar específico, e, em resposta à determinação de que a perda de nitrogênio excede o limiar específico, modelar as aplicações de inibidores de nitrogênio juntamente com o nitrogênio. Adicional e/ou alternativamente, o computador de inteligência agrícola 130 pode recomendar uma aplicação de inibidores de nitrogênio em resposta a uma determinação de que o nitrogênio perdido a partir das aplicações de nitrogênio modeladas excede o limiar específico.[140] In one embodiment, the agricultural intelligence computer 130 creates one or more recommendations based on the assimilated nutrient content value. The one or more recommendations may include current irrigation recommendations, current nutrient application recommendations, and improved efficiency agrochemical application. For example, agricultural intelligence computer 130 may determine that nitrogen in the one or more fields will be insufficient for the nitrogen requirements of a crop on a certain date. In response, the agricultural intelligence computer 130 can use the calibrated nutrient content model to model nitrogen applications before a certain date to determine when nitrogen would need to be added to the system to avoid deficit or to prevent crop damage. from the deficit. The agricultural intelligence computer 130 may create one or more recommendations for nitrogen application based on the determination. Additionally, the agricultural intelligence computer 130 may determine whether nitrogen loss to leaching, volatilization or denitrification from modeled nitrogen applications exceeds a specific threshold, and, in response to the determination that nitrogen loss exceeds the specific threshold, model the applications of nitrogen inhibitors together with nitrogen. Additionally and/or alternatively, the agricultural intelligence computer 130 may recommend an application of nitrogen inhibitors in response to a determination that nitrogen lost from the modeled nitrogen applications exceeds the specific threshold.

[141] O módulo de recomendação 152 também pode criar recomendações para aplicação de água com base em uma determinação do módulo orientador de fertilidade 136. Por exemplo, caso o módulo orientador de fertilidade 136 determine que teor de umidade baixo no solo está fazendo com que menos de um nutriente fique disponível para a cultura, o módulo de recomendação 152 pode criar uma recomendação para aplicação de água a fim de aumentar a disponibilidade de nutriente para a cultura. O módulo orientador de fertilidade 136 pode ser configurado para determinar se o teor de umidade do solo cai abaixo de um limiar específico. Em resposta à determinação, o módulo orientador de fertilidade 136 pode modelar os efeitos de adicionar água ao solo. Em uma modalidade, caso o módulo orientador de fertilidade 136 determine que a adição de água aumenta a disponibilidade de nutriente para o solo por mais do que um limiar específico, o módulo de recomendação 152 pode criar uma recomendação para uma aplicação de água.[141] Recommendation module 152 may also create water application recommendations based on a determination from fertility guidance module 136. For example, if fertility guidance module 136 determines that low soil moisture content is causing less than one nutrient is available to the crop, recommendation module 152 can create a recommendation for water application to increase nutrient availability to the crop. The fertility advisor module 136 can be configured to determine whether the soil moisture content falls below a specific threshold. In response to the determination, the fertility guidance module 136 can model the effects of adding water to the soil. In one embodiment, if the fertility guidance module 136 determines that adding water increases nutrient availability to the soil by more than a specific threshold, the recommendation module 152 may create a recommendation for a water application.

[142] Em uma modalidade, o módulo orientador de fertilidade 136 envia a uma ou mais recomendações para a camada de apresentação 134. A camada de apresentação 134 pode, então, enviar a uma ou mais recomendações para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o dispositivo de computação de gerenciador de campo 104 pode enviar uma solicitação para o sistema de computador de inteligência agrícola 130 para uma recomendação de plantação para a próxima cultura. Adicional e/ou alternativamente, o dispositivo de computação de gerenciador de campo 104 pode enviar uma solicitação para o sistema de inteligência agrícola 130 para uma recomendação de aplicação de nutriente. Em resposta, a camada de apresentação 134 pode enviar uma recomendação gerada pelo módulo de recomendação 152 para o dispositivo de computação de gerenciador de campo 104. A recomendação pode ser acompanhada por gráficos de disponibilidade de nutriente que representem a disponibilidade de nutriente para a cultura com base em uma aplicação da recomendação.[142] In one embodiment, the fertility advisor module 136 sends one or more recommendations to the presentation layer 134. The presentation layer 134 may then send the one or more recommendations to the field manager computing device 104. For example, field manager computing device 104 may send a request to agricultural intelligence computer system 130 for a planting recommendation for the next crop. Additionally and/or alternatively, the field manager computing device 104 may send a request to the agricultural intelligence system 130 for a nutrient application recommendation. In response, presentation layer 134 may send a recommendation generated by recommendation module 152 to field manager computing device 104. The recommendation may be accompanied by nutrient availability graphs that represent nutrient availability for the crop with based on an application of the recommendation.

[143] Em uma modalidade, o computador de inteligência agrícola 130 envia a uma ou mais recomendações para a camada de comunicação 132. A camada de comunicação 132 pode usar as recomendações para aplicação de água, aplicação de nutriente ou aplicação de agroquímico de eficiência melhorada para criar parâmetros de aplicação para o controlador de aplicação 114. Por exemplo, o computador de inteligência agrícola 130 pode criar uma recomendação para a aplicação de nutriente com base em valores estimados de teor de nutriente. Em resposta ao recebimento da recomendação, a camada de comunicação 132 pode usar os dados de disponibilidade de nutriente para criar parâmetros de aplicação para uma válvula de liberação de nutriente que descreve uma quantidade de um nutriente para liberar para o um ou mais campos. A camada de apresentação 134 pode, então, enviar uma notificação para o dispositivo de computação de gerenciador de campo 104 que indica os dados de disponibilidade de nutriente e solicita permissão para aplicar o nutriente recomendado ao um ou mais campos. Em resposta ao recebimento da permissão para aplicar o nutriente recomendado, a camada de comunicação 132 pode enviar os parâmetros de aplicação para o controlador de aplicação 114. O controlador de aplicação 114 pode, então, implantar os parâmetros de aplicação, tal como liberar nitrogênio para o um ou mais campos ou aumentar a quantidade de água liberada para uma cultura específica.[143] In one embodiment, the agricultural intelligence computer 130 sends one or more recommendations to the communication layer 132. The communication layer 132 may use the recommendations for water application, nutrient application, or improved efficiency agrochemical application. to create application parameters for the application controller 114. For example, the agricultural intelligence computer 130 may create a recommendation for nutrient application based on estimated nutrient content values. In response to receiving the recommendation, the communication layer 132 may use the nutrient availability data to create application parameters for a nutrient release valve that describe an amount of a nutrient to release to the one or more fields. The presentation layer 134 may then send a notification to the field manager computing device 104 that indicates the nutrient availability data and requests permission to apply the recommended nutrient to the one or more fields. In response to receiving permission to apply the recommended nutrient, the communications layer 132 may send the application parameters to the application controller 114. The application controller 114 may then implement the application parameters, such as releasing nitrogen to o one or more fields or increase the amount of water released for a specific crop.

5. BENEFITS OF CERTAIN MODALITIES

[144] Com o uso das técnicas descritas no presente documento, um computador pode entregar dados de teor de nutriente que seriam, de outra forma, indisponíveis. Por exemplo, as técnicas no presente documento podem aumentar a precisão de uma estimativa de teor de nutriente com o uso de dados limitados, como uma única amostra de solo. O desempenho do sistema de computação de inteligência agrícola é aprimorado com o uso das técnicas descritas no presente documento, o que diminui o número de computações necessárias para computar um teor de nutriente preciso realizando-se uma análise de sensibilidade em parâmetros e/ou entradas particulares e calibrando-se um modelo de teor de nutriente com base em múltiplas assimilações. Além disso, as técnicas descritas no presente documento podem ser usadas para criar parâmetros de aplicação para um controlador de aplicação melhorando, desse modo, o desempenho de implementos agrícolas controlados pelo controlador de aplicação.[144] Using the techniques described herein, a computer can deliver nutrient content data that would otherwise be unavailable. For example, the techniques in this document can increase the accuracy of a nutrient content estimate with the use of limited data, such as a single soil sample. The performance of the agricultural intelligence computing system is improved by using the techniques described in this document, which decreases the number of computations required to compute an accurate nutrient content by performing a sensitivity analysis on particular parameters and/or inputs. and calibrating a nutrient content model based on multiple assimilations. Furthermore, the techniques described herein can be used to create application parameters for an application controller, thereby improving the performance of agricultural implements controlled by the application controller.

6. EXTENSIONS AND ALTERNATIVES

[145] No relatório descritivo supracitado, as modalidades foram descritas com relação a diversos detalhes específicos que podem variar de implementação para implementação. O relatório descritivo e os desenhos devem, consequentemente, ser considerados em um sentido ilustrativo em vez de restritivo. O indicador único e exclusivo do escopo da revelação e que é compreendido pelos requerentes como o escopo da revelação, é o escopo literal e equivalente que o conjunto de reivindicações emite a partir desse pedido, na forma específica na qual tais reivindicações emitem, incluindo qualquer correção subsequente.[145] In the aforementioned specification, the modalities were described with respect to several specific details that may vary from implementation to implementation. The specification and drawings should therefore be considered in an illustrative rather than a restrictive sense. The sole and exclusive indicator of the scope of the disclosure, and which is understood by applicants as the scope of the disclosure, is the literal and equivalent scope that the set of claims issues from that application, in the specific form in which such claims issue, including any correction subsequent.

Claims

1. Computer-implemented method characterized by the fact that it comprises: storing, in the digital memory of a computer system, a digital model of nutrient content in the soil of one or more fields over a particular period of time, in which the digital model comprises a plurality of values and expressions that are stored in digital memory and define transformations of or relationships between the values and produce estimates of nutrient content values describing quantities of various chemicals in the soil; receive, into the computer system, through one or more networks, from a client computing device, one or more digital measurement values that specify measurements of one or more soil properties in a particular field of the one or more fields at a particular time within the particular time period; identify a modeled property value that represents an estimate of the one or more soil properties in the particular field at the particular time; identify a modeling uncertainty value for the nutrient content estimated by the digital nutrient content model, wherein the modeling uncertainty value represents a magnitude of error in the digital model; identify one or more measurement uncertainty values for each of the one or more digital measurement values that specify measurements of the one or more properties respectively, wherein each of the measurement uncertainty values represents the magnitude of error in a digital value corresponding measurement; generate and display, based at least in part on the modeling uncertainty value and one or more measurement uncertainty values, an assimilated nutrient content value that represents an improved estimate of the nutrient content in the soil in the particular field in the private time.

2. The computer-implemented method of claim 1, further comprising calibrating one or more parameters of the digital nutrient content model to create a calibrated soil nutrient content model based on the content value. of assimilated nutrient.

3. The computer-implemented method of claim 1, further comprising: identifying one or more parameter uncertainties in one or more parameters of the digital nutrient content model; perturbing the one or more parameters based on the one or more parameter uncertainties to produce one or more perturbed modeling results; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more perturbed modeling results.

4. The computer-implemented method of claim 3, further comprising: generating a plurality of combinations of a plurality of perturbed parameters from the one or more parameters and the one or more parameter uncertainties; for each combination of perturbed parameters, compute one or more soil properties from the digital nutrient content model with the perturbed parameters; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more computed soil properties for each combination of perturbed parameters.

5. The computer-implemented method of claim 4, further comprising: receiving, for a plurality of fields, field data comprising a plurality of values representing crop data, soil data, and meteorological for a plurality of fields; computing, for each combination of perturbed parameters, for each field among the plurality of fields, one or more soil properties from the digital nutrient content model; computing, for each field among the plurality of fields, a sensitivity of the digital nutrient content model to perturbations of the one or more parameters; compute, based, at least in part, on the sensitivity of the digital nutrient content model to perturbations of the one or more parameters for each field among the plurality of fields and the field data received for the plurality of fields, a relationship between the sensitivity of the digital nutrient content model to perturbations of the one or more parameters and one or more values among the plurality of values representing crop data, soil data and meteorological data for the plurality of fields; receiving, for the particular field, field data comprising a plurality of values representing crop data, soil data and meteorological data for the particular field; compute, for the particular field, a particular sensitivity of the digital nutrient content model to perturbations of the one or more parameters based, at least in part, on the field data and the relationship between the sensitivity of the digital nutrient content model and o one or more values among the plurality of values; computing, for the particular field, the modeling uncertainty value for the digital nutrient content model based, at least in part, on the particular sensitivity of the digital nutrient content model and the one or more parameter uncertainties.

6. The method of claim 1, further comprising: receiving, for the particular field, field data comprising a plurality of values representing crop data, soil data and meteorological data for the field particular; creating one or more stabilizer recommendations based, at least in part, on the assimilated soil nutrient content model and the plurality of values representing crop data, soil data, and meteorological data for one or more fields; using a mobile device interface module, sending one or more gimbal recommendations to a field manager computing device.

7. The method of claim 1, further comprising: receiving, for the particular field, field data comprising a plurality of values representing crop data, soil data and meteorological data for the field particular; create one or more nutrient recommendations; generating instructions to an application controller based on the one or more nutrient recommendations and sending the instructions to the application controller; wherein the instructions cause the application controller to control an operating parameter of an agricultural vehicle to implement one or more nutrient recommendations.

8. The method of claim 1, further comprising: receiving, for the particular field, field data comprising a plurality of values representing crop data, soil data and meteorological data for the field particular; identifying one or more input uncertainties associated with one or more values among the plurality of values representing the crop data, the soil data and the meteorological data for the particular field; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more input uncertainties.

9. The method of claim 8, further comprising: wherein the meteorological data for the particular fields includes radar-based precipitation estimates; computing a precipitation estimation error for radar-based precipitation estimates; identify one or more input uncertainties based, at least in part, on precipitation estimate error.

10. Data processing system characterized by the fact that it comprises: a memory; one or more processors coupled to memory and configured to: store, in memory, a digital model of soil nutrient content of one or more fields over a particular period of time, wherein the digital model comprises a plurality of values and expressions that are stored in digital memory and define transformations of or relationships between values and produce estimates of nutrient content values that describe the amounts of various chemicals in the soil; receive, through one or more networks, from a client computing device, one or more digital measurement values that specify measurements of one or more soil properties in a particular field among the one or more fields at a particular time within the particular time period; identify a modeled property value that represents an estimate of the one or more soil properties in the particular field at the particular time; identify a modeling uncertainty value for the nutrient content estimated by the digital nutrient content model wherein the modeling uncertainty value represents a magnitude of error in the digital model; identify one or more measurement uncertainty values for each of the one or more digital measurement values that specify measurements of the one or more properties respectively, wherein each of the measurement uncertainty values represents a magnitude of error in a digital measurement value corresponding; generate and display, based at least in part on the modeling uncertainty value and one or more measurement uncertainty values, an assimilated nutrient content value that represents an improved estimate of soil nutrient content in the particular field in the private time.

11. The data processing system of claim 10, wherein the one or more processors are further configured to calibrate one or more parameters of the digital nutrient content model to create a calibrated nutrient content model. in the soil based on the assimilated nutrient content value.

12. The data processing system of claim 10, wherein the one or more processors are further configured to: identify one or more parameter uncertainties in one or more parameters of the digital nutrient content model; perturbing the one or more parameters based on the one or more parameter uncertainties to produce one or more perturbed modeling results; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more perturbed modeling results.

13. The data processing system of claim 12, wherein the one or more processors are further configured to: generate a plurality of combinations of a plurality of perturbed parameters from the one or more parameters and the one or more parameter uncertainties; for each combination of perturbed parameters, compute one or more soil properties from the digital nutrient content model with the perturbed parameters; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more computed soil properties for each combination of perturbed parameters.

14. The data processing system of claim 13, wherein the one or more processors are further configured to: receive, for a plurality of fields, field data comprising a plurality of values representing data crop, soil data and meteorological data for the plurality of fields; computing, for each combination of perturbed parameters, for each field of the plurality of fields, one or more soil properties from the digital nutrient content model; computing, for each field among the plurality of fields, a sensitivity of the digital nutrient content model to perturbations of the one or more parameters; compute, based, at least in part, on the sensitivity of the digital nutrient content model to perturbations of the one or more parameters for each field among the plurality of fields and the field data received for the plurality of fields, a relationship between the sensitivity of the digital nutrient content model to perturbations of the one or more parameters and one or more values among the plurality of values representing crop data, soil data and meteorological data for the plurality of fields; receiving, for the particular field, field data comprising a plurality of values representing crop data, soil data and meteorological data for the particular field; compute, for the particular field, a particular sensitivity of the digital nutrient content model to perturbations of the one or more parameters based, at least in part, on the field data and the relationship between the sensitivity of the digital nutrient content model and o one or more values among the plurality of values; computing, for the particular field, the modeling uncertainty value for the digital nutrient content model based, at least in part, on the particular sensitivity of the digital nutrient content model and to one or more parameter uncertainties.

15. The data processing system of claim 10, wherein the one or more processors are further configured to: receive, for the particular field, field data comprising a plurality of values representing data from crop, soil data and meteorological data for the particular field; creating one or more stabilizer recommendations based, at least in part, on the assimilated soil nutrient content model and the plurality of values representing crop data, soil data, and meteorological data for one or more fields; using a mobile device interface module, to send one or more gimbal recommendations to a field management computing device.

16. The data processing system of claim 10, wherein the one or more processors are further configured to: receive, for the particular field, field data comprising a plurality of values representing data from crop, soil data and meteorological data for the particular field; create one or more nutrient recommendations; generating instructions to an application controller based on the one or more nutrient recommendations and sending the instructions to the application controller; wherein the instructions cause the application controller to control an operating parameter of an agricultural vehicle to implement one or more nutrient recommendations.

17. The data processing system of claim 10, wherein the one or more processors are further configured to: receive, for the particular field, field data comprising a plurality of values representing data from crop, soil data and meteorological data for the particular field; identifying one or more input uncertainties associated with one or more values among the plurality of values representing crop data, soil data and meteorological data for the particular field; identify the modeling uncertainty value for the digital nutrient content model based, at least in part, on the one or more input uncertainties.

18. The data processing system of claim 10, wherein the one or more processors are further configured to: wherein the meteorological data for the particular fields includes radar-based precipitation estimates; computing a precipitation estimation error for radar-based precipitation estimates; identify one or more input uncertainties based, at least in part, on precipitation estimate error.