BR112019000719B1

BR112019000719B1 - Método para geração de mapas de pixel a partir de dados de não imagem e métricas de diferença para mapas de pixel

Info

Publication number: BR112019000719B1
Application number: BR112019000719-9A
Authority: BR
Inventors: Hao Zhong; Ying Xu
Original assignee: The Climate Corporation
Priority date: 2016-07-13
Filing date: 2017-07-11
Publication date: 2022-11-22
Also published as: CA3030684A1; US11557116B2; WO2018013533A1; US20180018517A1; AR127026A2; BR112019000719A2; US10599927B2; CA3030684C; EP3496526A1; US9881214B1; EP3496526A4; US20200226374A1; US20180101728A1; AR109037A1

Abstract

Sistemas e métodos para comparações escaláveis entre dois mapas de pixel são fornecidos. Em uma modalidade, um sistema de computador de inteligência agrícola gera mapas de pixel a partir de dados sem imagens, transformando uma pluralidade de valores e valores de localização em valores de pixel e localizações de pixel. O sistema de computação de inteligência agrícola converte cada mapa de pixel em um vetor de valores. O sistema informático de inteligência agrícola também gera uma matriz de coeficientes métricos onde cada valor na matriz de coeficientes métricos é computado usando uma distância espacial entre localizações de pixels em um dos mapas de pixel. Utilizando os vetores de valores e a matriz de coeficientes métricos, o sistema computacional de inteligência agrícola gera uma métrica de diferença identificando uma diferença entre os dois mapas de pixel. Em uma modalidade, a métrica de diferença é normalizada para que a métrica de diferença seja escalável para mapas de pixel de tamanhos diferentes.

Description

AVISO DE DIREITOS AUTORAIS

[001] Uma porção da revelação deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos autorais não tem objeções à reprodução fac- símile feita por qualquer pessoa do documento de patente ou da revelação da patente, como aparece nos arquivos ou registros de patentes do Escritório de Patentes e Marcas Registradas, mas reserva todos os direitos autorais ou direitos. © 2015-2016 The Climate Corporation.

CAMPO DA REVELAÇÃO

[002] A presente revelação refere-se a sistemas de computador úteis em climatologia e agricultura. A revelação refere-se mais especificamente a sistemas de computador que são programados ou configurados para gerar mapas de pixels e métricas de diferença entre dois mapas de pixels, que mantêm relações espaciais dentro dos mapas de pixels e são escalonáveis para mapas de pixels de vários tamanhos e formatos.

ANTECEDENTES

[003] As abordagens descritas nesta seção são abordagens que poderiam ser seguidas, mas não necessariamente abordagens que foram concebidas ou seguidas anteriormente. Portanto, a menos que seja indicado de outro modo, não se deve considerar que qualquer uma das abordagens descritas nesta seção sejam qualificadas como técnica anterior meramente em virtude de sua inclusão nesta seção.

[004] Em modelagem agrícola, é geralmente útil comparar vários valores baseados em localização com valores correspondentes nas localizações. Por exemplo, as previsões de rendimento podem ser geradas para uma pluralidade de seções de um campo pelo uso de técnicas de modelagem agronômica. Comparar as previsões com rendimentos medidos pode ser útil para identificar erros em um modelo agronômico, ou para selecionar modelos agronômicos que levam a previsões mais precisas. Outros exemplos de comparações incluem comparações de valores relacionados ao campo, tal como teor de nutriente no solo, valores de pH, umidade do solo, elevação e temperatura com rendimentos medidos.

[005] Adicionalmente, geralmente é útil comparar valores ao longo de uma pluralidade de anos. Por exemplo, comparações entre medidas de rendimento ao longo de uma pluralidade de anos pode ser útil para determinar a consistência dentro de um campo, a qual, por sua vez, pode informar práticas de gerenciamento do campo. É também útil identificar padrões espaciais consistentes dentro de um campo de modo a identificar porções do campo que agem de maneira diferente ou produzem rendimentos diferentes.

[006] As métricas de similaridade convencionais são baseadas nas diferenças de cada valor em cada localização. Ao comparar valores individualmente, as métricas de similaridade convencionais falham ao não levar em consideração as relações espaciais. Por exemplo, se cada valor deslocado em uma direção, uma representação visual dos dois conjuntos de valores pareceria similar de maneira óbvia, enquanto métricas convencionais tratariam os dois conjuntos de dados como extremamente dissimilares.

[007] A falha para contabilizar as relações espaciais é uma deficiência de métricas projetadas para comparar conjuntos de dados. As relações espaciais podem ser extremamente importantes na determinação da consistência de valores particulares, ou na identificação de correlações entre valores particulares. Ainda assim, dado que os conjuntos de dados são tratados como por compreenderem valores de dados discretos e independentes, as relações espaciais entre localizações próximas permanecem não contabilizadas. Adicionalmente, dada a ausência de relações espaciais, uma comparação de pontos de dados individuais com porções de uma imagem, tal como imagens de satélite de um campo, não capazes de reconhecer as relações espaciais dentro da imagem.

[008] As técnicas de comparação de imagens levam em consideração relação espacial em duas imagens, mas as mesmas têm suas próprias deficiências. Em primeiro lugar, as técnicas de comparação de imagem são, geralmente, apenas aplicáveis às imagens, particularmente imagens de resolução similar. Em segundo lugar, as técnicas de comparação de imagem tendem a não ser escalonáveis, limitando, desse modo, sua utilidade na comparação de similaridade ou métricas de diferença entre dois conjuntos de imagens diferentes de tamanhos ou formatos diferentes. Geralmente, duas imagens grandes produzirão uma faixa diferente de similaridade ou métricas de diferença como duas imagens pequenas.

[009] Assim, há uma necessidade por técnicas para gerar imagens a partir de conjuntos de dados discretos, tal como rendimentos de cultura medidos, de tal modo que dois conjuntos de dados possam ser comparadas pelo uso de técnicas de comparação de imagem. Adicionalmente, há uma necessidade por técnicas de comparação de imagem que sejam escalonáveis, de tal modo que comparações de um campo de um tamanho e formato possam ser medidas contra comparações de um campo de um segundo tamanho e formato.

SUMÁRIO

[010] As reivindicações anexas podem servir como um sumário da revelação.

BREVE DESCRIÇÃO DOS DESENHOS

[011] A Patente ou Arquivo de Pedido contém pelo menos um desenho executado em cor. Cópias desta publicação de patente ou pedido de patente com desenho (ou desenhos) colorido (s) serão fornecidas pelo Escritório mediante solicitação e pagamento da taxa necessária.

[012] Nos desenhos:

[013] 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;

[014] 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 execução;

[015] Figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados pelo uso de dados agronômicos fornecidos por uma ou mais fontes de dados;

[016] Figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 mediante o qual uma modalidade da invenção pode ser implantada;

[017] Figura 5 representa uma modalidade exemplificativa de uma visão de linha do tempo para entrada de dados;

[018] Figura 6 representa uma modalidade exemplificativa de uma visão de planilha para entrada de dados;

[019] Figura 7 representa mapas de rendimento exemplificativos gerados a partir de valores de rendimento e valores de localização que correspondem a um campo particular;

[020] A Figura 8 é um fluxograma que representa um método para gerar uma métrica de diferença que representa uma diferença entre dois conjuntos de pontos de dados distribuídos fisicamente, o que preserva as similaridades em padrões espaciais;

[021] A Figura 9 é um fluxograma que representa um método para usar dois conjuntos de dados de diferentes resoluções para gerar dois mapas de pixels da mesma resolução.

DESCRIÇÃO DETALHADA

[022] 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 casos, estruturas e dispositivos bem conhecidos são mostrados na forma de um diagrama de bloco de modo a evitar obscurecimento desnecessário da presente revelação. As modalidades são reveladas em seções de acordo com o seguinte esquema: 1. VISÃO GERAL 2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA EXEMPLIFICATIVO 2.1. VISÃO GERAL ESTRUTURAL 2.2. VISÃO GERAL DO PROGRAMA APLICATIVO 2.3. ASSIMILAÇÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4. VISÃO GERAL DE PROCESSO — TREINAMENTO DE MODELOS AGRONÔMICOS 2.5. EXEMPLO DE IMPLANTAÇÃO - VISÃO GERAL DE HARDWARE 3. MÉTRICAS DE DIFERENÇA DE PADRÃO ESPACIAL 1.1. OBTENÇÃO DE MAPAS DE PIXEL 1.2. GERAÇÃO DE MAPAS DE PIXEL 1.3. RESOLUÇÃO ESPACIAL DE MAPAS DE PIXEL 1.4. MÉTRICAS DE DIFERENÇA 1.5. MÉTRICAS DE DIFERENÇA NORMALIZADAS 1.6. USO DE MÉTRICAS DE DIFERENÇA 1.6.1. SELEÇÃO DE IMAGENS 1.6.2. COMPARAÇÕES AO RENDIMENTO MEDIDO 1.6.3. SELEÇÃO DE MODELOS 1.6.4. CONSISTÊNCIA DO RENDIMENTO 1.6.5. RECOMENDAÇÕES E APLICAÇÃO DE INSTRUÇÕES DE CONTROLADOR 1.6.6. SELEÇÃO DE ZONAS DE GERENCIAMENTO 1.6.7. INVESTIGAR PRÁTICAS DE GERENCIAMENTO 4. BENEFÍCIOS DE CERTAS MODALIDADES 5. EXTENSÕES E ALTERNATIVAS

1. VISÃO GERAL

[023] Os aspectos da revelação geralmente referem-se a técnicas implementadas por computador para gerar métricas de diferença para comparar mapas de pixels de modo a fortalecer modelagem agronômica de rendimento de cultura. Em uma modalidade, um sistema de computador de inteligência agrícola gera mapas de pixels, a partir de dados de não imagem, transformando-se uma pluralidade de valores e valores de localização em valores de pixel e localizações de pixels. O sistema de computador de inteligência agrícola converte cada mapa de pixels em um vetor de valores. O sistema de computador de inteligência agrícola também gera uma matriz de coeficientes métricos, em que cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre duas localizações de pixels em um dos mapas de pixels. Usando-se os vetores de valores e a matriz de coeficientes métricos, o sistema de computador de inteligência agrícola gera uma métrica de diferença que identifica uma diferença entre os dois mapas de pixels. Em uma modalidade, a métrica de diferença é normalizada de modo que a métrica de diferença seja escalonável para mapas de pixels de tamanhos diferentes. A métrica de diferença pode, então, ser usada para selecionar imagens particulares que melhor correspondem a um rendimento medido, identificar relações entre valores de campo e rendimentos de cultura medidos, identificar e/ou selecionar zonas de gerenciamento, investigar práticas de gerenciamento e/ou fortalecer modelos agronômicos de rendimento previsto.

[024] Em uma modalidade, um método compreende obter um primeiro mapa de pixels para um rendimento agronômico previsto de um campo particular em que cada pixel do primeiro mapa de pixels representa um rendimento agronômico de uma cultura em uma localização física dentro do campo particular; obter um segundo mapa de pixels para um rendimento agronômico medido do campo particular em que cada pixel do segundo mapa de pixels representa um rendimento agronômico de uma cultura em uma localização física dentro do campo particular; gerar, a partir do primeiro mapa de pixels, um primeiro vetor de valores; gerar, a partir do segundo mapa de pixels, um segundo vetor de valores; gerar uma matriz de coeficientes métricos, em que cada fileira da matriz de coeficientes métricos corresponde a uma primeira localização de pixel do primeiro mapa de pixels, cada coluna da matriz de coeficientes métricos corresponde a uma segunda localização de pixel do primeiro mapa de pixels e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a primeira localização de pixel e a segunda localização de pixel para o valor; gerar uma métrica de diferença específica, que especifica uma diferença entre o primeiro mapa de pixels e o segundo mapa de pixels com base no primeiro vetor de valores, no segundo vetor de valores e na matriz de coeficientes métricos; computar, a partir da métrica de diferença específica, uma métrica de diferença normalizada particular que compreende um quociente da métrica de diferença com uma soma dos coeficientes métricos na matriz de coeficientes métricos; gerar e enviar, para um dispositivo de computação de gerente de campo, uma ou mais recomendações de gerenciamento de campo baseadas, pelo menos em parte, na métrica de diferença normalizada particular.

[025] Em uma modalidade, um método compreende obter um primeiro mapa de pixels para uma primeira propriedade física em uma pluralidade de localizações em uma região particular; obter um segundo mapa de pixels para uma segunda propriedade física na pluralidade de localizações em uma região particular, em que o segundo mapa de pixels tem um mesmo tamanho que o primeiro mapa de pixels; gerar, a partir do primeiro mapa de pixels, um primeiro vetor de valores; gerar, a partir do segundo mapa de pixels, um segundo vetor de valores; gerar uma matriz de coeficientes métricos em que cada fileira da matriz de coeficientes métricos corresponde a uma primeira localização de pixel do primeiro mapa de pixels, e cada coluna da matriz de coeficientes métricos corresponde a uma segunda localização de pixel do primeiro mapa de pixels, e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a primeira localização de pixel e a segunda localização de pixel para o valor; gerar uma métrica de diferença que identifica uma diferença entre os primeiros dados digitais e o segundo mapa de pixels, com base no primeiro vetor de valores, no segundo vetor de valores e na matriz de coeficientes métricos.

[026] Em uma modalidade, um método compreende receber primeiros dados digitais que compreendem valores de rendimento para uma pluralidade de localizações; receber uma imagem particular que compreende uma pluralidade de valores de imagem para a pluralidade de localizações; que identifica uma primeira resolução espacial dos valores de rendimento; que identifica uma segunda resolução espacial dos valores de imagem da imagem particular; agregar os valores de rendimento e os valores de imagem da imagem particular a uma grade comum com base, pelo menos em parte, na primeira resolução espacial e na segunda resolução espacial; gerar uma primeira função de distribuição acumulativa empírica dos valores de rendimento; computar uma primeira transformação quantil para a primeira função de distribuição acumulativa empírica; transformar cada valor de rendimento em uma primeira distribuição normal pelo uso do primeira transformação quantil; gerar um primeiro mapa de pixels pelo uso dos valores de rendimento transformados; gerar uma segunda função de distribuição acumulativa empírica dos valores de imagem da imagem particular; computar uma segunda transformação quantil para a segunda função de distribuição acumulativa empírica; transformar cada valor de imagem da imagem particular em uma distribuição normal pelo uso da segunda transformação quantil; gerar um segundo mapa de pixels pelo uso dos valores de imagem transformados da imagem particular; computar uma métrica de diferença específica que indica uma diferença entre os valores de rendimento e a imagem particular pelo uso do primeiro mapa de pixels e do segundo mapa de pixels.

2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA EXEMPLIFICATIVO 2.1 VISÃO GERAL ESTRUTURAL

[027] 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 é proprietário, opera ou possui um dispositivo de computação de gerente de campo 104 em uma localização de campo, ou associado com 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 computador de gerente de campo 104 é programado ou configurado para fornecer dados de campo 106 para um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.

[028] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, extensão em hectares, nome de campo, identificadores de campo, identificadores de geográficos, identificadores de delimitação, identificadores de safra, 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 safra, variedade de safra, rotação de safra, a possibilidade de a safra ter sido organicamente cultivada, data de colheita, Histórico de Produção Real (APH), rendimento esperado, rendimento, preço de safra, receita de safra, umidificação 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 plantio (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 climáticos (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), umidificação de solo, estágio de cultivo de safra, velocidade vetorial de vento, umidade relativa, ponto de condensação, camada escura)), e (k) solo, semente, fenologia de safra, relato de pragas e doenças, e predições de fontes e bancos de dados.

[029] Um computador de servidor de dados 108 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130, e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 por meio da rede (ou redes) 109. O computador de servidor de dados externo 108 pode ser de propriedade ou operado pelo mesmo indivíduo ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por um indivíduo ou entidade diferentes tal como uma agência do governo, organização não governamental (ONG) e/ou um provedor de serviços de dados privados. Exemplos de dados externos incluem dados meteorológicos, dados de imagem, dados de solo ou dados de estatísticos relacionados aos rendimentos de cultura, dentre 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 de propriedade pela mesma entidade que é proprietária 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 dentro do sistema 130.

[030] Um aparelho agrícola 111 tem um ou mais sensores remotos 112 fixados no mesmo, cujos 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. Os exemplos de aparelho agrícola 111 incluem tratores, colheitadeiras combinadas, colheitadeiras, plantadeiras, caminhões, equipamento fertilizador, veículos aéreos não tripulados e qualquer outro item de maquinário físico ou hardware, tipicamente maquinaria móvel, e que pode ser usado em tarefas associadas com agricultura. Em algumas modalidades, uma unidade única do aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados localmente em uma rede no aparelho; a rede de área de controlador (CAN) é um exemplo de tal rede que pode ser instalada em colheitadeiras combinadas ou colheitadeiras. O controlador de aplicativo 114 é acoplado comunicativamente 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 scripts para controlar um parâmetro de operação de um veículo agrícola ou implementar a partir do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para permitir comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o modo que seja usado o CLIMATE FIELD VIEW DRIVE, disponível de The Climate Corporation, San Francisco, Califórnia. Os dados de sensores 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 pode ser localizado remotamente no campo e pode se comunicar com a rede 109.

[031] 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 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 compu-tador com tamanho de computador do tipo tablet ou telefone inteligente, com um visor de tela gráfica, tal 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.

[032] 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 implementada por qualquer meio ou mecanismo que possibilita a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 também podem ter enlaces de comunicações diretos (com fio ou sem fio). Os sensores 112, o controlador 114, o computador de servidor de dados externo 108 e outros elementos do sistema compreendem, cada um, uma interface compatível com a rede (ou redes) 109, e são programados ou configurados para usarem protocolos padronizados para comunicação através das redes, tal como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior tal como HTTP, TLS e similares.

[033] 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 gerente de campo 104, dados externos 110 a partir do computador de servidor de dados externo 108 e dados de sensores 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 digitalmente programada 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 colheitas em um ou mais campos, geração de recomendações e notificações, e geração e envio de scripts para o controlador de aplicativo 114, da maneira descrita adicionalmente em outras seções desta revelação.

[034] 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 modelos e dados de campo 160. "Camada," nesse contexto, refere-se a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware tal como drivers, e/ou programas de computador ou outros elementos de software.

[035] A camada de comunicação 132 pode ser programada ou configurada para realizar funções de interface de entrada/saída, que incluem enviar solicitações ao dispositivo de computação de gerente de campo 104, computador de servidor de dados externo 108 e sensor remoto 112 para dados de campo, dados externos e dados de sensores respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de modelos e dados de campo 160, para que sejam armazenados como dados de campo 106.

[036] 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 inserção de dados que devem ser enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações para modelos e/ou recomendações, e/ou exibir recomendações, notificações, modelos e outros dados de campo.

[037] A camada de gerenciamento dados 140 pode ser programado ou configurado para gerenciar operações de leitura e operações de gravação que envolve o repositório 160 e outros elementos funcionais do sistema, que inclui consultas e conjuntos resultados comunicados entre os elementos funcionais do sistema e o repositório. Os exemplos de camada de gerenciamento de dados 140 incluir JDBC, código da interface do servidor SQL e/ou código de interface HADOOP, dentre outros. O repositório 160 pode compreender um banco de dados. Como usado no presente documento, o termo "banco de dados" pode se referir ou a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS), ou a 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. Os exemplos de RDBMS incluem, mas não são limitados a incluir, ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e banco de dados POSTGRESQL. No entanto, qualquer banco de dados pode ser usado que permita os sistemas e métodos descritos no presente documento.

[038] Quando os dados de campo 106 não são fornecidos diretamente ao sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser solicitado, por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola), a inserir tais informações. Em uma modalidade exemplificativa, o usuário pode especificar dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionar CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhar limites do campo sobre o mapa. Tal seleção de CLU ou desenhos do mapa representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação ao acessar os dados de identificação de campo (fornecidos como arquivos de formato ou em uma formatação similar) a partir da Agência de Serviço de Agricultura do Departamento de Agricultura dos EUA, ou outras fonte, por meio do dispositivo de usuário e fornecer tais dados de identificação de campo ao sistema de computador de inteligência agrícola.

[039] 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 entrada de dados. Após um ou mais campos terem sido identificados pelo uso dos métodos descritos acima, o gerenciador de dados pode fornecer uma ou mais ferramentas de interface de usuário gráfica que, quando selecionadas, podem identificar mudanças ao campo, solo, colheitas, lavragem ou práticas de nutrientes. O gerenciador de dados pode incluir uma visão de linha do tempo, uma visão de planilha e/ou um, ou mais, programas editáveis.

[040] A Figura 5 representa uma modalidade exemplificativa de uma visão de linha do tempo para entrada de dados. Usando-se o visor representado na Figura 5, um computador de usuário pode inserir uma seleção de um campo particular e um 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 entrada para selecionar a aba de nitrogênio. O computador de usuário pode, então, selecionar uma localização na linha do tempo para um campo particular, de modo a indicar uma aplicação de nitrogênio no campo selecionado. Em resposta à recepção de uma seleção de uma localização na linha do tempo para um campo particular, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário insira dados pertencentes às aplicações de nitrogênio, procedimentos de plantio, aplicação no solo, procedimentos de lavragem, práticas de irrigação ou outras informações relacionadas ao campo particular. Por exemplo, se um computador de usuário seleciona uma porção da linha do tempo e indica uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para inserção de uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizador usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.

[041] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. “Programa”, nesse contexto, se refere a um conjunto de dados que pertencem a aplicações de nitrogênio, procedimentos de plantio, 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 armazenados em armazenamento de dados digital para a reutilização como um conjunto em outras operações. Após um programa ter sido criado, o mesmo pode ser aplicado conceitualmente a um ou mais campos, e referências ao programa podem ser armazenadas no armazenamento digital em associação com dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio para múltiplos campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação de nitrogênio particular e, então, aplica o programa a múltiplos campos diferentes. Por exemplo, na visão de linha do tempo da Figura 5, o topo de duas linhas de tempo tem o programa "aplicado no Outono" selecionado, que inclui uma aplicação de 168 kg N/ha (150 lb 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 146 kg N/ha (130 lb N/ac), os dois campos de topo podem ser atualizados com uma aplicação de nitrogênio reduzida com base no programa editado.

[042] Em uma modalidade, em resposta à recepção 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 é 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.

[043] A Figura 6 representa uma modalidade exemplificativa de uma visão de planilha para entrada de dados. Usando-se o visor representado na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserção de informações em relação a Nitrogênio, Plantio, Práticas e Solo, conforme representado na Figura 6. Para editar uma entrada particular, um computador do usuário pode selecionar a entrada particular na planilha e atualizar os valores. Por exemplo, a Figura 6 representa 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 de modo a aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo particular, o gerenciador de dados pode automaticamente completas as entradas para o campo particular com base no programa selecionado. Como com a visão de linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa particular, em resposta à recepção de uma atualização para o programa. Adicionalmente, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta à recepção de uma edição para uma das entradas para o campo.

[044] Em uma modalidade, dados de modelo e de campo são armazenados no repositório de modelos e dados de 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", neste contexto, refere-se a um conjunto eletrônico digitalmente armazenado de instruções executáveis e valores de dados, associados uns aos outros, capazes de receber e responder a uma chamada programática ou outra chamada digital, invocação ou solicitação de resolução baseada em valores de entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como base de recomendações implementadas por computador, exibições de dados de saída ou controle de máquina, entre outras coisas. Pessoas de habilidade no campo acham conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita 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 armazenadas e dados que implementam o modelo usando o computador. Os dados de modelo podem incluir um modelo de eventos passados 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. Dados de modelo e campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos simples ou planilhas ou outras formas de dados digitais armazenados.

[045] As instruções de geração de mapa de pixel 136 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema informático de inteligência agrícola 130 realize a transformação de valores de imagem e valores de não imagem para gerar mapas de pixel. Instruções de comparação espacial 138 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema informático de inteligência agrícola 130 realize computação de métricas de diferença entre dois mapas de pixel do mesmo tamanho e formato que representam relações espaciais nos mapas de pixel.

[046] Em uma modalidade, cada uma das instruções de geração de mapa de pixels 136 e instruções de comparação espacial 138 compreendem um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 no qual as instruções executáveis foram carregadas, e que quando executadas, fazem com que o sistema de computação de inteligência agrícola realize as funções ou operações que são descritas no presente documento em referência a tais módulos. Por exemplo, as instruções 135 de modelagem de nutriente podem compreender um conjunto de páginas na 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 estar no código executável da 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 ou ambiente de programação legível, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto de origem de programação. O termo "páginas" pretende referir-se amplamente a qualquer região dentro da memória principal, e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou da arquitetura do processador. Em outra modalidade, cada uma das instruções de geração de mapa de pixels 136 e instruções de comparação espacial 138 também pode representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, tal como RAM não volátil ou armazenamento em disco magnético, 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 em referência a tais módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual programadores ou desenvolvedores de software organizam e dispõem o código fonte para posterior compilação em um executável, ou interpretação em bytecode ou equivalente, para execução pelo sistema de inteligência agrícola 130.

[047] A camada de hardware/virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, como memória volátil ou não volátil, armazenamento não volátil, como disco e dispositivos de I/O ou interfaces, conforme ilustrado e descrito, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.

[048] Para fins de ilustrar um exemplo claro, a Figura 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, a modalidades pode usar milhares ou milhões de diferentes dispositivos de computadores móveis 104 associados com diferentes usuários. 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.

2.2 . VISÃO GERAL DO PROGRAMA APLICATIVO

[049] Em uma modalidade, a implantação 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.

[050] 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 130 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 gerenciamento de campo 104 pode se comunicar por meio de uma rede pelo uso de um aplicativo móvel armazenado no dispositivo de computação de gerente de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado pelo 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.

[051] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, por meio da rede para um ou mais dispositivos de computadores móveis. Em uma modalidade exemplificativa, o dispositivo de computação de gerente de campo 104 pode acessar o aplicativo móvel por meio de um navegador da web ou um aplicativo ou app de cliente local. O dispositivo de computação de gerenciamento de campo 104 pode transmitir dados, e receber dados, a partir de um ou mais servidores de front-end, pelo uso de protocolos ou formatos baseados na Web, como HTTP, XML e/ou JSON, ou protocolos específicos de aplicativos. Em uma modalidade exemplificativa, os dados podem tomar a forma de solicitações e inserir 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 gerente de campo 104, que determinam a localização do dispositivo de computação de gerente de campo 104 pelo uso de técnicas de rastreamento padrão tal como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento por WiFi ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados com o dispositivo 104, o usuário 102 e/ou a conta (ou contas) do usuário podem ser obtidos através de consultas a um sistema operacional do dispositivo, ou através da solicitação de um app no dispositivo para obter dados a partir do sistema operacional.

[052] Em uma modalidade, o dispositivo de computação de gerente de campo 104 envia dados de campo 106 ao sistema de computador de inteligência agrícola 130, que compreende ou que inclui, porém sem limitação, valores de dados que representam um ou mais dentre: uma localização geográfica dos um ou mais campos, informações lavragem para os um ou mais campos, colheitas plantadas nos um ou mais campos e dados de solo extraído a partir dos um ou mais campos. O dispositivo de computação de gerenciamento de campo 104 pode enviar dados de campo 106 em resposta à entrada do usuário a partir do usuário 102, que especifica os valores de dados para os um ou mais campos. Adicionalmente, o dispositivo de computação de gerente de campo 104 pode automaticamente enviar dados de campo 106 quando um ou mais de os valores de dados se tornam disponíveis para o dispositivo de computação de gerente de campo 104. Por exemplo, o dispositivo de computação de gerente de campo 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou ao controlador de aplicativo 114. Em resposta a receber 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. Dados de campo 106 identificados nesta revelação podem ser introduzidos e comunicados usando dados digitais eletrônicos que são comunicados entre dispositivos de computação usando URLs parametrizadas sobre HTTP, ou outro protocolo de comunicação ou mensagem adequado.

[053] Um exemplo comercial da aplicação móvel é CLIMATE FIELD VIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia. O aplicativo CLIMATE FIELD VIEW, ou outros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não tenham sido divulgados antes da data de apresentação desta divulgação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite que um produtor tome decisões baseadas em fatos para sua operação, pois combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseje comparar. As combinações e comparações podem ser realizadas em tempo real e têm como base modelos científicos que fornecem cenários potenciais para permitir que o produtor realize decisões melhores e mais bem informadas.

[054] 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 execução. Na Figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas dentro dessas regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende instruções de partilha de assimilação de dados de conta de campos 202, instruções de visão geral e alerta 204, instruções de livro de mapa digital 206, sementes e instruções de plantio 208, instruções de nitrogênio 210, instruções de tempo 212, instruções de saúde de campo 214 e instruções de desempenho 216.

[055] 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 limites de campo, mapas de produtividade, mapas como plantados, resultados de testes de solo, mapas aplicados e/ou zonas de gerenciamento, dentre outros. Os formatos de dados podem incluir arquivos de formato, formatações de dados nativos de terceiros e/ou exportações de sistema de informações de gerenciamento de fazenda (FMIS), entre outros. A recepção de dados pode ocorrer por meio de transferência por upload manual, e-mail com anexo, APIs externas que enviam dados ao aplicativo móvel ou instruções que chamam APIs de sistemas externos para extrair dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta à recepção de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface de usuário gráfica para manualmente transferir por upload arquivos de dados, e importar arquivos transferidos por upload para um gerenciador de dados.

[056] Em uma modalidade, as instruções de livro de mapa digital 206 compreendem camadas de dados do mapa de campo armazenadas na memória do dispositivo, e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isso dota os produtores de informações convenientes à mão para referência, registro em log e percepções visuais do desempenho de campo. Em uma modalidade, visão geral e instruções de alerta 204 são programados para fornecer uma visão ampla da operação do que é importante para o produtor e recomendações oportunas para agir ou focar em questões específicas. Isso permite que o produtor concentre o tempo no que precisa de atenção, para economizar tempo e preservar o rendimento durante toda a temporada. Em uma modalidade, sementes e instruções de plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação híbrida e criação de script, incluindo criação de script de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da compra otimizada de sementes, colocação e população.

[057] Numa forma de realização, as instruções de geração de scripts 205 são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos de campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode incluir ferramentas para identificar um tipo de semente para plantio. Depois de receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tal como as camadas de dados do mapa de campo criadas como parte de instruções de livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo junto 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 tal, tais como ferramentas gráficas para desenhar zonas de gerenciamento, tais como zonas de solo, ao longo de um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou os procedimentos de plantio diferentes podem ser aplicados a subconjuntos diferentes 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 armazenadas para o uso adicional.

[058] Em uma modalidade, instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar as decisões de nitrogênio, visualizando a disponibilidade de nitrogênio nas culturas. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da aplicação otimizada de nitrogênio durante a temporada. As funções programadas exemplificativas incluem exibir imagens tais como imagens de SSURGO para permitir desenhar as zonas e/ou imagens de aplicação geradas a partir de dados de solo de subcampo, tais dados obtidos a partir de sensores, em uma alta resolução espacial (bem como 10 metros ou menor devido a suas proximidades do solo); transferir por upload zonas definidas pelo produtor existentes; fornecer um gráfico de aplicativo e/ou um mapa para permitir o ajusto de aplicativo (ou aplicativos) de nitrogênio ao longo de múltiplas zonas; emissão de roteiros para acionar maquinário; ferramentas para introdução de dados em massa e ajuste; e/ou mapas para visualização de dados, entre outros. "Entrada de dados em massa", neste contexto, pode significar inserir dados uma vez e, em seguida, aplicar os mesmos dados a vários campos que foram definidos no sistema; exemplos de dados podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e práticas com nitrogênio e aceitar a entrada de usuário que especifica aplicar tais programas ao longo de múltiplos campos. "Programas de plantio de nitrogênio", neste contexto, refere-se a um conjunto de dados armazenado e denominado que associa: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação, tal como injetado ou esfaqueado e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é o objetivo do pedido, 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 safra 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 esterco, que foram usados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, o qual indica projeções de utilização de plantas do nitrogênio especificado e a possibilidade de ser previsto um excedente ou deficiência; em algumas formas de realização, diferentes indicadores de cor podem sinalizar uma magnitude do excedente ou magnitude da deficiência. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de visualização de computador que compreende uma pluralidade de linhas, cada linha associada e identificando um campo; dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, um cronograma por mês com indicadores gráficos especificando cada aplicação de nitrogênio e quantidade em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de excedentes ou deficiências, nas quais a cor indica magnitude.

[059] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio para que um usuário possa otimizar o seu gráfico de nitrogênio. O usuário pode, então, usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (RV). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, o qual indica projeções de utilização de plantas do nitrogênio especificado e a possibilidade de ser previsto um excedente ou deficiência; em algumas formas de realização, diferentes indicadores de cor podem sinalizar uma magnitude do excedente ou magnitude da deficiência. O mapa de nitrogênio pode exibir projeções de uso de plantas do nitrogênio especificado, e se um excedente ou deficiência é previsto para diferentes tempos no passado e no futuro (como diário, semanal, mensal ou anual), usando-se indicadores numéricos e/ou coloridos de excedente ou falta, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio para que um usuário possa otimizar o seu mapa de nitrogênio, de modo a obter uma quantidade preferida de excedente para a falta. O usuário pode, então, usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (RV). Em outras modalidades, instruções similares às instruções de nitrogênio 210 poderiam ser usadas para aplicação de outros nutrientes (tais como fósforo e potássio) aplicação de pesticida e programas de irrigação.

[060] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham uma exibição integrada eficiente em relação às decisões operacionais diárias.

[061] Em uma modalidade, instruções de saúde de campo 214 são programadas para fornecer imagens de sensoriamento remoto oportunas que destacam a variação de cultura durante a estação e possíveis preocupações. Exemplos de funções programadas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de reconhecimento, incluindo, por exemplo, aquelas relacionadas à saúde de campo e visualização e/ou compartilhamento de notas de reconhecimento; e/ou baixar imagens de satélite de múltiplas fontes e priorizar as imagens para o produtor, entre outras.

[062] 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 melhores resultados para o próximo ano, por meio de conclusões baseadas em fatos sobre o motivo pelo qual o retorno sobre o investimento estava em níveis anteriores, e uma percepção dos fatores limitadores de rendimento. As instruções de desempenho 216 podem ser programadas para comunicar através da rede (ou redes) 109 a programas analíticos de back-end executados no sistema informático de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas como rendimento, híbrido, população, SSURGO, testes de solo ou elevação, entre outros. Relatórios e análises programados podem incluir análises de variabilidade de rendimento, marcas de referência de rendimento e outras métricas contra outros produtores, com base em dados anônimos coletados de muitos produtores ou dados para sementes e plantio, entre outros.

[063] Aplicativos com instruções configuradas dessa maneira podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário. Por exemplo, o aplicativo móvel pode ser programado para execução em computadores do tipo tablet, telefones inteligentes ou computadores servidores que são acessados pelo uso de navegadores em computadores clientes. Adicionalmente, o aplicativo móvel, conforme configurado para computador do tipo tablet ou telefones inteligentes, pode fornecer uma experiência completa de aplicativos ou uma experiência de aplicativos de cabine que é adequada para as capacidades de exibição e processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da Figura 2, em uma modalidade um computador de cabine aplicação 220 pode compreender instruções de mapas de cabine 222, instruções de visão remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230 e instruções de reconhecimento de cabine 232. A base de código para as instruções de vista (b) pode ser a mesma que para a vista (a) e os executáveis que implantam 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 dentro da cabine e para o ambiente de tecnologia diferente da cabine. As instruções de mapas de cabine 222 podem ser programadas para fornecer vistas de mapa de campos, fazendas ou regiões que são úteis no direcionamento da operação da máquina. As instruções de visão remota 224 podem ser programadas para ligar, gerenciar e fornecer visualizações da atividade da 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 de máquina 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 as operações da máquina ou ferramentas que estão associadas à cabine e gerar alertas do 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 patrulhamento de cabine 230 podem ser programadas para exibir alertas e informações baseados em localização recebida a partir do sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo, e assimilar, gerenciar e fornecer transferência de observações de reconhecimento baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.

2.3 . ASSIMILAÇÃO DE DADOS PARA O SISTEMA DE COMPUTADOR

[064] Em uma modalidade, o computador de servidor de dados externo 108 armazena dados externos 110, que incluem dados de solo que representam composição de solo para os um ou mais campos, e dados meteorológicos que representam temperatura e precipitação nos um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos antigos e atuais, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador de servidor de dados externo 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composição de solo, enquanto um segundo servidor pode incluir dados meteorológicos. Adicionalmente, dados de composição do solo podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados que representam a porcentagem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (MO) no solo.

[065] 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 podem ser sensores aéreos, tais como satélites, sensores veiculares, sensores de equipamentos de plantio, sensores de lavragem, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeiras e qualquer outro implemento capaz de receber dados de um ou mais campos. Em uma modalidade, o controlador de aplicativo 114 é programado ou configurado para receber instruções a partir do sistema de computador de inteligência agrícola 130. O controlador de aplicativo 114 pode também ser programado ou configurado para controlar um parâmetro de operação de um veículo agrícola ou implementação. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantio, equipamento de 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.

[066] O sistema 130 pode obter ou assimilar dados sobre o controle do usuário 102 em massa a partir de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obtenção de dados pode ser denominada "assimilação manual de dados", pois uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Por exemplo, o aplicativo CLEVIATE FIELD VIEW, disponível comercialmente pela The Climate Corporation, em São Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório 160.

[067] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar componentes de aparelho de plantadeira quanto obter dados de plantio, 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 monitoração de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações para o usuário através do computador da cabine ou de outros dispositivos dentro do sistema. 130. Exemplos são revelados na Patente U.S. 8.738.243 e na Publicação de Patente U.S. no 20150094916, e a presente revelação assume o conhecimento dessas outras revelações de patente.

[068] Da mesma forma, sistemas de monitoração de rendimento podem conter sensores de rendimento para aparelhos de colheitadeira que enviam dados de medição de rendimento para o computador da cabine 115 ou outros dispositivos dentro do 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.

[069] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com qualquer veículo em movimento ou aparelho do tipo descrito em outro lugar no presente documento incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem incluir qualquer um dos sensores de velocidade, como sensores de velocidade de radar ou de roda, acelerômetros ou giroscópios. Os sensores de posição podem incluir receptores de GPS ou transceptores, ou aplicativos de mapeamento ou posição baseados em WiFi que são programados para determinar a localização com base em hotspots WiFi próximos, entre outros.

[070] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com GPS ou sinais de radar, sensores de velocidade da tomada de força, sensores hidráulicos do trator configurados para detectar parâmetros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de velocidade da roda ou sensores de deslizamento da roda. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade da bomba hidráulica; controladores de velocidade ou governadores; controladores de posição de engate; ou controladores de posição de roda fornecem direção automática.

[071] Em uma modalidade, exemplos de sensores 112 que podem ser utilizados com equipamento de plantio de sementes, tais como plantadores, brocas ou semeadoras de ar, incluem sensores de sementes, que podem ser sensores óticos, eletromagnéticos ou de impacto; sensores força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduos ópticos ou sensores de temperatura; sensores de critérios operacionais de componentes, tais como sensores de profundidade de plantio, sensores de pressão de cilindro força descendente, sensores de velocidade de disco de sementes, codificadores de motor de acionamento de sementes, sensores de velocidade do sistema transportador de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores ópticos ou outros sensores eletromagnéticos ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: controladores de dobragem de barra de ferramentas, tais como controladores para válvulas associadas a cilindros hidráulicos; controladores força descendente, como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos e programados para aplicar força descendente a unidades de fileira individuais ou a uma estrutura inteira de plantadeira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, tais como motores de acionamento de medidor de sementes elétricos, motores de acionamento de medidor de sementes hidráulicos ou embreagens de controle de faixa; controladores de seleção híbridos, tais como motores de acionamento de medidores de sementes, ou outros atuadores programados para permitir ou impedir seletivamente que as sementes ou uma mistura de sementes de ar entreguem sementes aos ou a partir de medidores de sementes ou tremonhas centrais a granel; controladores de medição, tais como motores de acionamento de medidor de semente elétrica ou motores de acionamento de medidor de semente hidráulica; controladores do sistema de transporte de sementes, tais como controladores para um motor transportador de entrega de sementes por correia; controladores de marcadores, como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de unidade de medição, tamanho de orifício ou controladores de posição.

[072] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de lavragem incluem sensores de posição para ferramentas tal como hastes ou discos; sensores de posição de ferramenta para tais ferramentas, que são configurados para detectar profundidade, ângulo de gangue ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com o equipamento de lavragem incluem controladores de força descendente ou controladores de posicionamento de ferramenta, tal como controladores configurados para controlar profundidade de ferramenta, ângulo de gangue ou espaçamento lateral.

[073] Em uma modalidade, os exemplos de sensores 112 que podem ser usada em relação ao aparelho para aplicar fertilizador, inseticida, fungicida e similares, tais como sistemas de adubo de arranque plantadores, aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizante, incluem: sensores de critérios de sistemas de fluido, tais como sensores de fluxo ou sensores de pressão; sensores que indicam quais as válvulas da cabeça de pulverização ou as válvulas da linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linha de alimentação seccionais ou em todo o sistema, ou sensores de linha de alimentação específicos da linha; ou sensores cinemáticos, como acelerômetros dispostos em lanças de pulverização. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidade da bomba; controladores de válvulas que são programados para controlar a pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, como a altura da lança, a profundidade do subsolador ou a posição da lança.

[074] Em uma modalidade, exemplos de sensores 112 que pode ser usada com colheitadeiras incluem monitores de rendimento, como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou sensores ópticos ou outros eletromagnéticos de altura de grãos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação do plataforma, como altura do plataforma, tipo de plataforma, distância da placa do deck, velocidade do alimentador e sensores de velocidade do molinete; sensores de critérios de operação do separador, como a folga côncava, a velocidade do rotor, a folga da sapata ou os sensores de folga do amortecedor; sensores de broca para posição, operação ou velocidade; ou sensores de velocidade do motor. Em uma modalidade, exemplos de controladores 114 que pode ser usada com colheitadeiras incluem controladores de critérios operacionais de plataforma para elementos como altura da plataforma, tipo de plataforma, distância da placa de plataforma, velocidade do alimentador ou velocidade da bobina; controladores de critérios de operação do separador para recursos como folga côncava, velocidade do rotor, folga da sapata ou folga do amortecedor; ou controladores para posição, operação ou velocidade do trado.

[075] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade do trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade de trado.

[076] Em uma modalidade, exemplos de sensores 112 e controladores 114 podem ser instalados em aparelhos 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 aparelhos de orientação ou controle de motores, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são revelados no Pedido de Patente U.S. no 14/831.165 e a presente revelação assume o conhecimento dessa outra revelação de patente.

[077] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados a aparelhos de amostragem e medição do solo que estejam configurados ou programados para amostrar o solo e realizar testes químicos do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho revelado na Patente no U.S 8.767.194 e na Patente U.S. no 8.712.148 pode ser usado, e a presente revelação assume o conhecimento dessas outras revelações de patente.

[078] Em uma modalidade, os sensores 112 e controladores 114 podem compreender dispositivos meteorológicos para monitorizar as condições meteorológicas dos campos. Por exemplo, o aparelho revelado no Pedido Provisório U.S. no 62/154.207, depositado em 29 de abril de 2015, Pedido Provisório U.S. no 62/175.160, depositado em 12 de junho de 2015, Pedido Provisório U.S. no 62/198.060, depositado em 28 de julho de 2015 e o Pedido Provisório U.S. no 62/220.852, depositado em 18 de setembro de 2015, pode ser utilizado, e a presente divulgação pressupõe conhecimento dessas revelações de patente.

2.4 VISÃO GERAL DE PROCESSO — TREINAMENTO DE MODELOS AGRONÔMICOS

[079] 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 plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, tal como o rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantidade da cultura que é produzida, ou em alguns exemplos, a receita ou lucro obtido da safra produzida.

[080] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré- configurado para calcular propriedades agronômicas relacionadas à localização atualmente recebida e informações de cultura para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo previamente processados, incluindo, porém sem limitação, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré- configurado pode ter sido validado cruzadamente para garantir a precisão do modelo. A validação cruzada pode incluir a comparação a levantamento em campo que compara resultados preditos com resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um pluviômetro ou sensor que fornece dados climáticos na mesma localização ou uma estimativa de teor de nitrogênio com uma medição de amostra de solo.

[081] A Figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados pelo uso de dados de campo fornecidos pelas uma ou mais fontes de dados. A Figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema informático de inteligência agrícola 130 para executar as operações que são agora descritas.

[082] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar pré- processamento de dados agronômicos dos dados de campo recebidos a partir de uma ou mais fontes de dados. Os dados de campo recebidos a partir de uma ou mais fontes de dados podem ser pré-processados com a finalidade de remover os efeitos de ruído e distorção nos dados agronômicos, incluindo valores discrepantes medidos que distorcem os valores dos dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, porém sem limitação, remover valores de dados comumente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por distorcer desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivos e negativos.

[083] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar seleção de subconjunto de dados pelo uso dos dados de campo pré-processados, de modo a identificar conjuntos de dados úteis para geração de modelo agronômico inicial. The sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, porém sem limitação, um método de algoritmo genético, um método de todos os modelos de subconjunto, um método de busca sequencial, um método de regressão gradual, um método de otimização de enxame de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativa, baseado em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.

[084] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar avaliação do conjunto de dados do campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado pela criação de um modelo agronômico e pelo uso de 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 cruzar a validação de modelos agronômicos, comparando os valores preditos de propriedades agronômicas criados pelo modelo agronômico com os valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é usada como um laço de retroalimentação em que conjuntos de dados agronômicos que não atendem a limites de qualidade configurados são usados durante etapas futuras de seleção de subconjunto de dados (bloco 310).

[085] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar criação de modelo agronômico com base nos conjuntos de dados agronômicos cruzados validados. Em uma modalidade, a criação de modelos agronômicos pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.

[086] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futura avaliação de dados de campo.

2.5 VISÃO GERAL DE HARDWARE EXEMPLIFICATIVO DE IMPLANTAÇÃO

[087] De acordo com uma modalidade, as técnicas descritas no presente documento são implementadas por um ou mais dispositivos de computador para fins especiais. Os dispositivos de computação de propósito especial podem ser ligados por fiação para realizar as técnicas, ou pode incluir dispositivos eletrônicos digitais, tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou arranjo de porta programável 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. 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 geral podem ser sistemas de computador do tipo desktop, sistemas de computador portátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore ligação por fiação e/ou lógica de programa para implantar as técnicas.

[088] 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.

[089] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM), ou outro dispositivo de armazenamento dinâmico, acoplada ao barramento 402 para armazenar informações e instruções que devem ser 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, renderizam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para executar as operações especificadas nas instruções.

[090] O sistema de computador 400 inclui adicionalmente uma memória somente de leitura (ROM) 408, ou outro dispositivo de armazenamento estático, acoplado ao barramento 402 para armazenar informações estáticas e instruções 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.

[091] O sistema de computador 400 pode ser acoplado por meio de barramento 402 a um visor 412, tal como um tubo de raios catódicos (CRT), para exibir informações a um usuário do computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e comandar seleções para o processador 404. Outro tipo de dispositivo de entrada do utilizador é o controle de cursor 416, tal como um mouse, um mouse tipo trackball ou teclas de direção do cursor para comunicar informação de direção e comandar seleções para o processador 404 e para controlar o movimento do cursor no visor 412. Esse dispositivo de entrada tem, tipicamente, dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especificar posições num plano.

[092] 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 outro meio 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 execute as etapas do processo aqui descritas. Em modalidades alternativas, o conjunto de circuitos ligados por fiação pode ser usado no lugar de ou em combinação com instruções de software.

[093] 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. Tais mídias de armazenamento podem compreender mídias não voláteis e/ou mídias voláteis. As mídias não voláteis incluem, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, 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.

[094] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com as mídias de transmissão. A mídia de transmissão participa da transferência de informações entre a mídia de armazenamento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fio de cobre e fibra ótica, incluindo os fios que compreendem o barramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelho.

[095] Várias formas de suporte podem estar envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem inicialmente ser transportadas em um disco magnético ou em uma unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor 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 porta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem, opcionalmente, ser armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.

[096] 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, interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem por cabo, modem por satélite ou um modem para fornecer uma ligação de comunicação de dados para um tipo de linha telefônica correspondente. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para fornecer uma conexão de comunicação de dados para uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer uma dessas implantações, 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.

[097] O enlace de rede 420 tipicamente fornece dados comunicação 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 mundial de comunicação de dados por pacotes, agora comumente referida como "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de comunicação 418, que transportam os dados digitais a partir do sistema de computador 400, e para o mesmo, são formas de exemplo de meios de transmissão.

[098] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da rede (ou redes), laço de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitação para um programa de aplicação através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.

[099] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de armazenamento 410 ou outro armazenamento não volátil para execução posterior.

3. MÉTRICAS DE DIFERENÇA DE PADRÃO ESPACIAL

[100] A Figura 8 é um fluxograma que representa um método para gerar uma métrica de diferença que representa uma diferença entre dois conjuntos de pontos de dados distribuídos fisicamente, o que preserva as similaridades em padrões espaciais.

3.1 OBTENÇÃO DE MAPAS DE PIXEL

[101] Na etapa 802, um primeiro mapa de pixels para uma primeira propriedade física em uma pluralidade de localizações dentro de uma região particular é obtido. Um mapa de pixels, nesse contexto, refere-se a dados armazenados digitalmente que podem ser interpretados ou usados como base para gerar uma imagem gráfica de uma área geográfica em uma tela de computador. Como um exemplo, um mapa de pixels que representa rendimento agronômico de uma cultura pode compreender uma pluralidade de pixels, sendo que cada um dos quais compreende um valor de localização que representa uma localização geográfica em um campo e um valor de rendimento agronômico que representa um rendimento agronômico de cultura na localização. A cor ou sombra do pixel pode ser derivada a partir do valor de rendimento agronômico, e exibida no visor do computador. Como outro exemplo, um mapa de pixels pode compreender uma imagem de satélite de um campo particular pelo uso de um ou mais comprimentos de onda de luz particulares.

[102] Na etapa 804, um segundo mapa de pixels para uma segunda propriedade física na pluralidade de localizações dentro da região particular é obtido, no qual o segundo mapa de pixels tem um mesmo tamanho que o primeiro mapa de pixels. Em uma modalidade, a segunda propriedade física na pluralidade de localizações é a mesma propriedade que a primeira propriedade física. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber mapas de rendimento para um campo particular por dois anos diferentes. Como outro exemplo, um primeiro mapa de rendimento pode corresponder a previsões modeladas de rendimento para um campo particular enquanto o segundo mapa de rendimento corresponde a medidas de rendimento para o campo particular no momento da colheita.

[103] Em uma modalidade, as propriedades físicas dos dois mapas de pixels são diferentes. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber um mapa de rendimento para um campo particular e um mapa de valores de pH do solo para o campo particular. Como outro exemplo, o sistema de computador de inteligência agrícola 130 pode receber um mapa de rendimento para um campo particular e uma imagem de satélite do campo particular pelo uso de frequências de infravermelho.

[104] O tamanho igual, no contexto da Figura 8, refere-se ao tamanho e formato da região que correspondem ao mapa de pixels. Assim, se um primeiro mapa de pixels corresponde a uma localização física que tem quatro hectares, o segundo mapa de pixels corresponde a uma localização física que tem quatro hectares. Em uma modalidade, o sistema de computador de inteligência agrícola 130 recebe dois mapas de pixels do mesma tamanho e formato, tal como dois mapas de rendimento para um campo particular para dois anos diferentes. Em outras modalidades, obter os dois mapas de pixels compreende receber ou obter mapas de pixels de diferente tamanho e/ou formato, e editar os mapas de pixels de modo que os mesmos correspondam à mesma área física. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber ou obter um mapa de rendimento para um campo particular e uma imagem de satélite de uma região que inclui o campo particular. O sistema de computador de inteligência agrícola 130 pode remover porções da imagem de satélite que não correspondem ao mapa de rendimento para o campo particular.

3.2. GERAÇÃO DE MAPAS DE PIXEL

[105] Em uma modalidade, obter um mapa de pixels compreende receber dados digitais que correspondem a uma pluralidade de localizações com uma pluralidade de valores e gerar um mapa de pixels a partir dos dados digitais. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber valores de rendimento medidos e valores de localização para um campo particular a partir do dispositivo de computação de gerente de campo 104. Sistema de computador de inteligência agrícola 130 pode, então, gerar um mapa de rendimento a partir dos valores de rendimento medidos e dos valores de localização.

[106] A Figura 7 representa mapas de rendimento exemplificativos gerados a partir de valores de rendimento e valores de localização que correspondem a um campo particular. A Figura 7 contém o mapa de rendimento 702, o mapa de rendimento 704 e o mapa de rendimento 706. Cada um dos mapas de rendimento da Figura 7 é gerado para representar rendimentos de cultura em localizações físicas através de um campo particular.

[107] A localização de cada pixel dos mapas de rendimento na Figura 7 corresponde a uma localização física no campo particular. Por exemplo, cada pixel pode representar uma região de dez metros por dez metros. As localizações que correspondem a cada pixel podem ser identificadas através de latitude e longitude e, então, traduzidas para valores de pixel de localização, em que cada localização de valor de pixel representa um número de pixels entre a localização de pixel e, tanto a borda lateral, quanto a borda inferior do mapa de pixels. Assim, um pixel com um valor de localização de (6:3) pode estar a seis pixels a partir do lado esquerdo do mapa de pixels, e três pixels a partir do fundo do mapa de pixels. Em um exemplo em que cada pixel representa uma região de dez metros por dez metros, o pixel com um valor de localização de (6:3) pode corresponder a uma localização física que está de 50 a 60 metros a partir da coordenada longitudinal mais baixa da região representada pelo mapa de pixels, e 20 a 30 metros a partir da coordenada latitudinal mais baixa.

[108] A intensidade de cada pixel dos mapas de rendimento na Figura 7 corresponde a um rendimento agronômico de uma cultura na localização do pixel. Por exemplo, o rendimento agronômico pode ser medido em quilogramas por hectare para cada localização que corresponde a um pixel. O rendimento agronômico para cada localização que corresponde a um pixel pode, então, ser convertido para uma cor ou sombra para o pixel. Na Figura 7, os pixels variam em cor a partir de verde para vermelho, com valores entre zero e um. Os rendimentos agronômicos podem ser convertidos para corresponder a esses valores, como dividir cada valor de rendimento agronômico pelo valor máximo do rendimento agronômico para todo o campo. Métodos adicionais de conversão de valores de rendimento em valores de pixel podem incluir a subtração de cada valor de rendimento pelo valor de rendimento medido mínimo para o campo inteiro antes de se dividir pelo valor máximo dos valores de rendimento resultantes. Alternativamente, o sistema de computador de inteligência agrícola 130 pode converter valores de rendimento para pixels pelo uso de métodos mais complexos, tais como transformações quantílicas que são descritas adicionalmente no presente documento.

[109] Embora a Figura 7 represente um mapa de pixels gerado a partir de valores de rendimento, os mapas de pixels também podem ser gerados a partir de outros valores, tais como valor de pH, teor de umidade, teor de nutriente no solo, temperatura e/ou comprimentos de onda da luz refratada a partir de imagens digitais. Adicionalmente, os mapas de pixels podem ser gerados a partir de valores de diferença, tais como valores de diferenças absolutas entre a temperatura medida e uma temperatura ideal predeterminada. Assim, um mapa de pixels pode representar desvios a partir de valores ideais, em vez da faixa de valores.

3.3. RESOLUÇÃO ESPACIAL DE MAPAS DE PIXEL

[110] Em uma modalidade, obter mapas de pixels do mesmo tamanho compreende gerar mapas de pixels a partir de dois conjuntos de dados de diferentes resoluções espaciais. Por exemplo, as medições de valores de rendimento agronômico podem ter uma resolução espacial de dez metros por dez metros, enquanto uma imagem de satélite pode conter pixels de uma resolução espacial de cinco metros por cinco metros. Antes de gerar uma métrica de diferença entre a imagem e os mapas de pixels, o sistema de computador de inteligência agrícola 130 pode agregar os valores diferentes à mesma resolução.

[111] A Figura 9 é um fluxograma que representa um método para usar dois conjuntos de dados de diferentes resoluções para gerar dois mapas de pixels da mesma resolução. Embora o método representado na Figura 9 descreva pelo uso de valores de rendimento e uma imagem, o método da Figura 9 pode ser usado com diferentes tipos de valores, tais como outras propriedades físicas do campo.

[112] Na etapa 902, os valores de rendimento são recebidos para uma pluralidade de localizações. Por exemplo, o sistema de computador de inteligência agrícola 130 pode fornecer uma interface de usuário ao dispositivo de computação de gerente de campo 104, para inserir valores de rendimento medidos após a colheita de uma cultura particular. Adicional e/ou alternativamente, o aparelho agrícola 111 pode ser uma colheitadeira acoplada comunicativamente ao sensor remoto 112, que mede o rendimento agronômico em uma localização particular e envia os valores de rendimento medidos para o sistema de computador de inteligência agrícola 130. Em algumas modalidades, os valores de rendimento correspondem ao rendimento previsto para uma localização particular. Por exemplo, um modelo de rendimento pode prever o rendimento total para uma localização de campo com base em uma ou mais propriedades tais como rendimento passado, maturidade relativa de um tipo de semente particular, teor de nutriente, teor de umidade, temperatura, pH e similares.

[113] Na etapa 904, uma imagem que compreende uma pluralidade de valores de imagem é recebida para uma pluralidade de localizações. Por exemplo, sensor remoto 112 pode compreender um ou mais veículos aéreos não tripulados (UAVs) e/ou satélites que compreendem câmeras configuradas para produzir imagens pelo uso de luz ultravioleta visível, quase infravermelha e/ou comprimentos de onda infravermelhos. A imagem produzida pelo uso do sensor remoto 112 pode compreender uma pluralidade de pixels, cada um com um valor de pixel que correspondem ao pixel exibido. Cada pixel também corresponde a uma área física, tal como uma porção de um campo.

[114] Na etapa 906, uma resolução espacial dos valores de rendimento é identificada. Na etapa 908, uma resolução espacial dos valores de imagem é identificada. As resoluções espaciais para os valores de rendimento e valores de imagem podem ser ditadas pelos dados recebidos. Por exemplo, o sistema de computador de inteligência agrícola 130 pode modelar o rendimento previsto em uma resolução particular devido ao fato que amostras de nutrientes no solo estão apenas disponíveis na resolução particular. A resolução dos valores de imagem pode ser dependente do sensor remoto 1 12. Assim, um primeiro satélite pode ter capacidade para produzir uma imagem com pixels que correspondem a localizações no campo que têm cinco metros por cinco metros, embora um segundo satélite seja apenas capaz de produzir uma imagem com pixels que correspondem a localizações no campo que têm vinte metros por vinte metros.

[115] Na etapa 910, os valores de rendimento e valores de imagem são agregados a uma grade comum com base na resolução espacial dos valores de rendimento e na resolução espacial da imagem. A grade comum pode ser selecionada com base na resolução inferior dentre as duas resoluções espaciais. Por exemplo, se uma primeira resolução espacial está em 5 metros por 5 metros e uma segunda resolução espacial está em 10 metros por 10 metros, os primeiros valores de dados podem ser promediados para cada conjunto de quatro pixels para gerar um único pixel com uma resolução espacial de 10 metros. A grade comum pode também ser selecionada com base na resolução mais alta dentre as duas resoluções espaciais. Por exemplo, no exemplo acima, os segundos valores de dados podem ser, cada um, divididos em quatro cópias para gerar quatro pixels com uma resolução espacial de 5 metros.

[116] Em uma modalidade, a grade comum é selecionada com base em ambas as resoluções espaciais. Por exemplo, se uma primeira resolução espacial é sete metros quadrados e uma segunda resolução espacial é oito metros quadrados, o mapa de pixels da segunda resolução espacial pode ser interpolado para uma grade do tamanho da primeira resolução espacial. Assim, os pixels de oito metros quadrados podem ser interpolados para uma grade de pixels de sete metros quadrados. Adicional e/ou alternativamente, cada mapa de pixels pode ser quebrado em mapas de pixels menores. Assim, no exemplo acima, cada mapa pode ser gerado pelo uso de uma grade com uma resolução espacial de um metro através da quebra de pixels com uma resolução espacial de sete metros em quarenta e nove pixels com o mesmo valor de pixel, e da quebra dos pixels com uma resolução espacial de oito metros em sessenta e quatro pixels com o mesmo valor de pixel.

[117] Em uma modalidade, agregar os pixels a uma grade comum compreende interpolar valores em pixels particulares. Por exemplo, se uma resolução espacial de sete metros é quebrada em múltiplos pixels com uma resolução espacial de um metro, os pixels nas bordas de cada conjunto de pixels quebrados podem ter um nítido contraste com os pixels vizinhos. Assim, os valores de pixel nas margens de um conjunto quebrado de pixels podem compreender valores médios, e/ou ponderados, do pixel inicial e do pixel ou pixels vizinhos. Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa métodos mais complexos para interpolar valores para uma grade comum. Por exemplo, os valores de interpolação para a grade comum podem compreender a seleção de valores usando uma superfície polinomial cúbica por partes, continuamente diferenciável e que minimiza aproximadamente a curvatura.

[118] Na etapa 912, uma função de distribuição empírica dos valores de produção é gerada. Na etapa 914, uma função de distribuição acumulativa empírica de valores de imagem é gerada. A função de distribuição empírica é gerada usando-se os dados recebidos para estimar a função de distribuição cumulativa subjacente, que é assumida como sendo a fonte dos valores de dados. Assim, para uma série de valores que descrevem rendimento agronômico em uma pluralidade de localizações, a função de distribuição empírica seria uma função que gera os valores de rendimento agronômico com uma entrada dos valores de localização.

[119] Nas etapas 916, 918, uma transformação quantil é computada para as funções empíricas de distribuição cumulativa geradas nas etapas 912, 914, respectivamente. Uma transformação de quantil é uma função dependente de uma variável de probabilidade que produz o valor de entrada, no qual a probabilidade de receber o valor de entrada de uma distribuição particular é menor ou igual à variável de probabilidade. Por exemplo, a função de distribuição empírica dos valores de rendimento descreve os valores de rendimento provável em cada local. Em uma localização específica, a transformação de quantil para as funções de distribuição empíricas converteria os valores de rendimento absoluto em valores relativos de rendimento que descrevem o rendimento em uma determinada localização no campo em relação a outros locais no campo. Assim, se o valor de saída da distribuição do quantil para uma determinada localização indicar o quinquagésimo percentil, o valor do rendimento no local específico seria o valor mediano do campo inteiro.

[120] Ao gerar a transformação de quantil a partir das funções empíricas de distribuição cumulativa, o sistema informático de inteligência agrícola 130 normaliza essencialmente os valores iniciais. Por exemplo, os valores de rendimento para um primeiro ano podem ser, em média, muito maiores do que os valores de rendimento de um segundo ano devido às condições climáticas variáveis. De modo a preservar as relações espaciais na computação de pontuações de similaridade, o sistema de computador de inteligência agrícola 130 é programado para gerar a transformação quantil de modo que cada valor de saída seja entre zero e um. Isso permite que o sistema de computador de inteligência agrícola 130 determine similaridades em padrões entre vários anos, embora reduza os efeitos dos deslocamentos uniforme de valores, tal como devido às condições climáticas.

[121] Na etapa 920, cada valor de rendimento é transformado em uma distribuição normal pelo uso da transformação quantil. Na etapa 924, cada valor de imagem é transformado em uma distribuição normal pelo uso da transformação quantil. Por exemplo, para cada valor de X, o sistema de computador de inteligência agrícola 130 pode ser programado para transformar o valor da Transformação Quantil em uma distribuição normal pelo uso da seguinte equação:

onde zi é o valor transformado em uma distribuição normal, Q-1 é o inverso da distribuição normal padrão, e pi é o valor de probabilidade que é igual ao valor da função de distribuição acumulativa empírica no valor xi.

[122] Ao transformar os valores da distribuição cumulativa na distribuição normal, o sistema informático de inteligência agrícola 130 aumenta a eficiência da capacidade do sistema de computador de inteligência agrícola 130 para comparar os dados de imagem com os dados de rendimento. Por exemplo, modelar variáveis entre um intervalo de [0, 1] requer poder computacional extenso devido à ausência de valores paralelos ou normalidade. Ao transformar os valores para estejam entre as faixas de [-»,»], o sistema de computador de inteligência agrícola 130 é capaz de computar com maior eficiência uma comparação entre diferentes tipos de valores. Assim, o sistema de computador de inteligência agrícola 130 tem capacidade para gastar menos recursos ao modelar as mudanças dentro de um campo, e/ou gerar modelos agronômicos com base nos mapas de pixels.

[123] Na etapa 926 um primeiro mapa de pixels é gerado pelo uso de valores de rendimento transformados. Na etapa 928 um segundo mapa de pixels é gerado pelo uso de valores de imagem transformados. Os mapas de pixels, nesse contexto, referem-se a dados armazenados digitalmente que podem ser interpretados ou usados como base para gerar uma imagem gráfica de uma área geográfica em uma tela de computador. À medida que o método descrito no presente documento converte cada valor para algum valor entre [-<», <»], cada mapa pode ser gerado atribuindo-se uma color e/ou sombra para cada valor entre [- TO,TO]. Por exemplo, a cor vermelha pode ser designada a um pixel com um valor que se aproxima de -TO, a cor verde designada a um pixel com um valor que se aproxima de TO, e diferentes sombras, que variam na faixa de vermelho a verde, designadas a valores entre [-TO,TO] respectivamente.

[124] Como cada conjunto de dados é convertido em um mapa de pixels com valores entre [-TO,TO], diferentes tipos de dados com diferentes faixas de dados podem ser comparados pelo uso desse método. Assim, enquanto os valores de rendimento podem compreender um intervalo separado dos valores de cor das imagens de satélite, os dois conjuntos de dados podem ser comparados para identificar padrões espaciais convertendo-os em mapas através do uso dos métodos descritos no presente documento.

[125] Usando-se os métodos descritos no presente documento, o sistema de computador de inteligência agrícola 130 é programado para usar dados que não têm inicialmente uma correspondência com uma imagem particular para gerar um mapa de pixels, que pode ser comparado a outros dados ou a imagens como descrito acima. Usando- se os valores de localização juntamente com medições em cada localização para gerar um mapa de pixels, o sistema de computador de inteligência agrícola 130 é programado para gerar um novo método de comparação de dados de não imagem através do uso de técnicas de comparação de imagens. Assim, os métodos descritos no presente documento melhoram os métodos existentes para comparar dados locacionais, como comparações de predições com resultados, gerando mapas de pixels que podem ser tratados como imagens com o propósito de realizar comparações. Esses mapas de pixel podem também ser utilizados para gerar imagens bidimensionais de um valor particular numa localização particular, tal como atribuindo detalhes de sombreamento ou cor a faixas particulares de valores de pixel.

3.4. MÉTRICAS DE DIFERENÇA

[126] Referindo-se novamente à Figura 8, na etapa 806, um primeiro vetor de valores é gerado a partir do primeiro mapa de pixels. Na etapa 808 um segundo vetor de valores é gerado a partir do segundo mapa de pixels. O sistema de computador de inteligência agrícola 130 pode achatar os mapas de pixels em vetores unidimensionais. Por exemplo, as localizações no mapa de pixels podem ser ordenadas, tal como sequencialmente por fileira. Assim, um vetor de valores pode compreender valores de pixel que correspondem a uma fileira de pixels de topo seguida de valores de pixel que correspondem a uma segunda fileira de pixels, e assim por diante. Como ambos os mapas de pixel são do mesmo tamanho, os valores de pixel em cada vetor corresponderão entre si, desde que o mesmo método para gerar o vetor de valores seja usado para ambos os mapas de pixel.

[127] Na etapa 810, uma matriz de coeficientes métricos é gerada em que cada fileira da matriz corresponde a uma primeira localização de pixel do primeiro mapa de pixels, cada coluna da matriz de coeficientes métricos corresponde a uma segunda localização de pixel do primeiro mapa de pixels, e cada valor na matriz é computado através do uso de uma distância espacial entre a primeira localização de pixel e a segunda localização de pixel. Por exemplo, cada mapa de pixels compreende uma pluralidade de valores de pixel em coordenadas particulares. As coordenadas podem ser em latitude e longitude, o sistema de coordenadas transversais universais de Mercator, ou um sistema de grade bidimensional simples que pode ser traduzido posteriormente em um sistema de coordenadas fisicamente apropriado.

[128] O sistema de computador de inteligência agrícola 130 pode computar cada valor na matriz com base na distância espacial entre dois pixels (Pi e Pj). Por exemplo, uma matriz G pode ser uma função Gaussiana bidimensional com uma dependência espacial assumida que diminui exponencialmente, de modo que cada elemento de G seja calculado como:

é a distância ao quadrado entre os dois pixels no espaço euclidiano, e a2 é a variância da função Gaussiana. A variância α2 é configurável de modo a aumentar ou diminuir a quantidade de detalhes na métrica de diferença. Por exemplo, uma a2 alta reduziria cada valor na matriz, diminuindo, desse modo, o efeito das relações espaciais na métrica de diferença.

[129] Na etapa 812, uma métrica de diferença que identifica uma diferença entre o primeiro mapa de pixels e o segundo mapa de pixels é gerada com base no primeiro vetor de valores, no segundo vetor de valores e na matriz de coeficientes métricos. Por exemplo, usando-se a matriz de coeficientes métricos acima para preservar as relações espaciais entre pixels, o sistema de computador de inteligência agrícola 130 é programado para computar uma métrica de diferença. Uma equação exemplificativa para computar a métrica de diferença é como a seguir:

em que x e y são os dois mapas de pixels achatados em vetores, e G é uma matriz de coeficientes métricos. Usando-se a matriz de coeficientes métricos no cálculo da métrica de diferença, o sistema de computador de inteligência agrícola 130 tem capacidade para levar em consideração pixels próximos. Assim, os padrões espaciais de mapas de rendimento e imagens podem ser preservados. Deve-se notar que uma métrica de diferença mais próxima de zero, como computada pelo uso da métrica acima, indica alta correlação entre os dois mapas de pixels.

3.5. MÉTRICAS DE DIFERENÇA NORMALIZADAS

[130] Na etapa 814, uma métrica de diferença normalizada, que compreende um quociente da métrica de diferença com uma soma do coeficiente métrico na matriz de coeficientes métricos, é computada a partir da métrica de diferença. As etapas 802 a 812 produzem uma métrica de diferença entre dois mapas de tamanho equivalente. A métrica de diferença computada na etapa 812 pode ser computada para uma pluralidade de mapas de pixels, permitindo, desse modo, que o sistema de computador de inteligência agrícola 130 determine comparações para diferentes mapas em diferentes localizações. Embora os mapas de pixel do mesmo tamanho e forma produzam a mesma faixa de resultados para uma métrica de diferença, os mapas de pixel de tamanho crescente produzirão métricas de diferença crescentes.

[131] De modo a produzir uma métrica de similaridade, que pode ser usada em campos de vários tamanhos e formatos, o sistema de computador de inteligência agrícola 130 é programado para computar uma métrica de diferença normalizada a partir da métrica de diferença computada na etapa 812. A computação da métrica de diferença normalizada pode compreender dividir a métrica de diferença pela soma dos valores na matriz de coeficientes métricos. Por exemplo, uma comparação entre dois vetores de valores pode ser normalizada dividindo-se a mesma por uma comparação entre o vetor zero e o um vetor do mesmo tamanho:

[132] Ao gerar uma métrica de diferença normalizada, o sistema de computador de inteligência agrícola 130 produz uma métrica que pode ser aplicada a diferentes tipos e tamanhos de mapas de pixels. Isso permite que o sistema de computador de inteligência agrícola 130 atualize as estimativas de previsão, selecione imagens de satélite para usar para modelagem de cultura, determine a consistência de rendimento, selecione zonas de gerenciamento, determine relações para campos particulares e produza alertas para investigar práticas de gerenciamento pelo uso de uma métrica uniforme. Por exemplo, uma pluralidade de métricas de diferença normalizadas pode ser usada para determinar um valor médio para a consistência de rendimento. Se dois mapas de pixels de valores de rendimento para um campo particular produzem uma pontuação que é significativamente inferior ao valor médio, o sistema de computador de inteligência agrícola 130 pode identificar mudanças nas práticas de gerenciamento que levaram aos valores de rendimento inconsistentes.

3.6. USO DE MÉTRICAS DE DIFERENÇA

[133] Os métodos descritos acima podem ser para gerar métricas de diferença que fatoram em relações espaciais para uma pluralidade de mapas de pixels. O sistema de computador de inteligência agrícola 130 pode utilizar métricas de diferença para selecionar imagens a partir de uma pluralidade de imagens de uma localização, para gerar recomendações e/ou para gerar instruções para um controlador de aplicativo em um ou mais campos. Adicionalmente, o sistema de computador de inteligência agrícola 130 pode ser programado para produzir análise geral para todos os campos e/ou análise para um campo ou região particular.

3.6.1 SELEÇÃO DE IMAGENS

[134] Em uma modalidade, as métricas de diferença são usadas para selecionar uma dentre uma pluralidade de imagens digitais de um campo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber uma pluralidade de imagens de um campo particular. O sistema de computador de inteligência agrícola 130 pode realizar o método descrito acima de modo a computar métricas de diferença que descrevem a diferença entre cada imagem e um mapa de pixels de valores a partir do campo, tal como valores de rendimento. O sistema de computador de inteligência agrícola 130 é programado para selecionar uma imagem a partir da pluralidade de imagens com a métrica de diferença mais alta, quando comparada ao mapa de pixels de valores do campo.

[135] A pluralidade de imagens pode ser recebida a partir de uma pluralidade de fontes, tal como um ou mais imagens de satélite a partir de vários satélites, ou a partir de uma única fonte, tal como uma pluralidade de imagens a partir de um único satélite. A pluralidade de imagens pode ser também produzida pelo uso de uma pluralidade de comprimentos de onda de luz. Por exemplo, uma primeira imagem pode ser produzida pelo uso de frequências quase infravermelhas, enquanto uma segunda imagem de satélite pode ser produzida pelo uso de luz de espectro visível. Adicional e/ou alternativamente, a pluralidade de imagens pode incluir imagens de um campo em datas diferentes. Por exemplo, se o sistema de computador de inteligência agrícola 130 recebeu três imagens de um campo ao longo do crescimento de uma cultura particular, o método descrito acima pode ser realizado em relação a cada uma das três imagens.

[136] Comparando-se uma pluralidade de imagens com um mapa de pixels de valores do campo, o sistema de computador de inteligência agrícola 130 pode identificar imagens que são altamente correlacionadas aos valores a partir do campo. Por exemplo, as imagens de satélite no espectro quase infravermelho podem ser correlacionadas aos níveis de nitrogênio de uma cultura, que podem ser correlacionados aos valores de rendimento. Se as imagens de satélite são recebidas em espectros diferentes, o sistema de computador de inteligência agrícola 130 pode identificar os espectros que têm a maior correlação com os valores de rendimento. Adicional e/ou alternativamente, se imagens de satélite são recebidas em instantes diferentes no ciclo de desenvolvimento de uma cultura, o sistema de computador de inteligência agrícola 130 pode usar as métricas de diferença para determinar qual instante no ciclo de desenvolvimento da cultura produz imagens que são mais altamente correlacionadas aos valores de rendimento.

[137] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa as imagens selecionadas para criar um modelo digital de rendimento de cultura baseado. Por exemplo, um modelo de rendimento de culturas pode ser produzido, o qual estima o rendimento de uma cultura com base nas imagens da cultura num determinado ponto de desenvolvimento, conforme determinado pelas métricas de diferença entre as imagens tiradas em instantes diferentes durante o desenvolvimento de uma cultura. O modelo de rendimento de cultura pode ser gerado pelo uso de dados de valor de rendimento para uma pluralidade de campos e dados de imagem no ponto particular de desenvolvimento para a pluralidade de campos.

[138] Em uma modalidade, a imagem selecionada é usada para identificar zonas de gerenciamento. Por exemplo, os valores de rendimento medidos são geralmente mais precisos em termos de rendimento de colheita do que as imagens de satélite, mas as imagens de satélite de um campo podem estar disponíveis em uma resolução mais fina do que os valores de rendimento medidos. Assim, o sistema de computador de inteligência agrícola 130 pode selecionar uma imagem de satélite que, quando comparada aos valores de rendimento medidos em uma grade comum, produz a métrica de diferença mais alta. A imagem selecionada pode então ser usada para separar o campo em zonas de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar regiões dentro da imagem selecionada que contém valores de rendimento uniformes para identificar as zonas de gerenciamento.

[139] As zonas de gerenciamento, como descrito no presente documento, referem-se a sub-regiões contíguas de um campo com uma combinação relativamente homogênea de fatores limitantes de rendimento, de tal modo que a taxa ideal de uma entrada específica de cultura ou prática de gerenciamento possa ser razoavelmente uniforme dentro da região. Por exemplo, diferentes áreas de um campo podem ser afetadas diferentemente pela umidade do solo, aplicação de nutrientes e/ou técnicas de plantio, devido às variações no tipo de solo, localização, elevação e/ou uma variedade de outros fatores. Cada campo pode ser dividido em zonas de gerenciamento, em que cada zona está associada a suas próprias práticas de gerenciamento. Por exemplo, uma primeira zona de gerenciamento pode ser gerada para um campo que é menos responsivo à aplicação de nitrato, enquanto uma segunda zona de gerenciamento pode ser gerada para uma porção do campo que é mais sensível à aplicação de nitrato. Imagens selecionadas para um campo podem ser usadas para dividir o campo em zonas diferentes com base em agrupamentos de valores. Por exemplo, se uma porção específica do campo tiver valores de rendimento uniformemente maiores que o restante do campo, a parte específica do campo poderá ser identificada como uma zona de gerenciamento. A seleção de zonas de gerenciamento usando métricas de diferença é descrita adiante no presente documento.

[2] .2. COMPARAÇÕES AO RENDIMENTO MEDIDO

[140] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para usar métricas de diferença para determinar precisões das previsões de uma cultura. Por exemplo, o primeiro mapa de rendimento pode ser gerado a partir de valores de rendimento modelados, enquanto o segundo mapa de rendimento é gerado a partir de mapas de rendimento medidos. Sistema de computador de inteligência agrícola 130 pode computar a métrica de diferença descrita acima, de modo a determinar a possibilidade de uma previsão de rendimento de cultura se conformou aos padrões espaciais similares como uma medição de rendimento de cultura.

[141] Ao levar em consideração os padrões espaciais, o sistema informático de inteligência agrícola pode identificar melhor os erros de estimativa de previsão. Por exemplo, se a métrica de diferença é baixa, mas as previsões estão erradas por uma quantidade uniforme, o sistema de computador de inteligência agrícola 130 pode determinar que o modelo tem um erro uniforme, ou que um ou mais parâmetros não estão sendo modelados, o que afeta todo o campo. Alternativamente, se a métrica de diferença é alta, então o sistema de computador de inteligência agrícola 130 pode determinar que o modelo contém erros não uniformes. Por exemplo, o modelo pode estar falhando em capturar variações nos tipos de solo dentro do campo.

[142] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa as métricas de diferença para identificar relações entre valores de campo particulares. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber um primeiro mapa de pixels de valores relacionados a uma propriedade do campo em um instante específico, como valor de pH ou nitrogênio no solo antes do tratamento lateral, e um segundo mapa de pixels dos valores para o rendimento total medido. O sistema de computador de inteligência agrícola 130 pode então determinar uma correlação entre a propriedade do campo no momento específico e o rendimento medido usando a métrica da diferença. Por exemplo, uma métrica de diferença baixa pode ser associada com uma alta correlação entre a propriedade e o rendimento.

[143] O sistema de computador de inteligência agrícola 130 pode gerar métricas de diferença para uma pluralidade de propriedades em comparação com o rendimento para uma localização particular. Ao fazer isso, o sistema de computador de inteligência agrícola 130 pode determinar, para a localização particular, quais propriedades estão mais altamente correlacionadas com o rendimento agronômico. Por exemplo, o dispositivo de computação de gerente de campo 104 pode enviar dados digitais para o sistema de computador de inteligência agrícola 130, que compreendem uma pluralidade de valores de rendimento agronômico medidos e uma pluralidade de valores de cada uma dentre uma pluralidade de propriedades relacionadas ao campo, tal como o teor de umidade, o teor de nutriente, o pH e/ou a temperatura. Adicional e/ou alternativamente, os valores de rendimento agronômico e valores de propriedade de campo podem ser fornecidos por um ou mais sensores remotos 112. O sistema de computador de inteligência agrícola 130 pode, então, computar as métricas de diferença para cada propriedade em relacionamento com o rendimento agronômico, de modo a identificar propriedades que têm uma alta correlação com o rendimento para a localização particular.

[144] O sistema de computador de inteligência agrícola 130 também pode realizar comparações agregadas para determinar quais propriedades são geralmente correlacionadas com o rendimento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber valores de propriedades específicas acopladas a valores de rendimento agronômico para uma pluralidade de campos. A pluralidade de campos pode incluir todos os campos que fornecem dados para o sistema de computador de inteligência agrícola 130, ou um subconjunto dos ditos campos. Por exemplo, dados de campo disponíveis podem ser quebrados em diferentes regiões geográficas, tais como condados. O sistema de computador de inteligência agrícola 130 pode determinar métricas de diferença médias para o condado, de modo a identificar valores de propriedade para o condado que são altamente correlacionados ao rendimento agronômico.

[3] .3. SELEÇÃO DE MODELOS

[145] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para usar as métricas de diferença para selecionar modelos agronômicos particulares. O sistema de computador de inteligência agrícola 130 pode gerar múltiplos modelos de rendimento agronômico para um campo particular, tal como através de perturbação de parâmetros e/ou entradas particulares. Por exemplo, os modelos de rendimento agronômico podem ser baseados em particular valores de entrada e/ou parâmetros que são usados para computar o rendimento com base nos valores de entrada. Cada valor e/ou parâmetro pode ser associado com uma incerteza particular.

[146] O sistema de computador de inteligência agrícola 130 pode computar o modelo para rendimento agronômico múltiplas vezes pelo uso de diferentes valores e/ou parâmetros baseados nas incertezas. O sistema de computador de inteligência agrícola 130 pode computar métricas de diferença entre rendimentos previstos a partir dos modelos e do rendimento agronômico medido. O sistema de computador de inteligência agrícola 130 pode identificar a métrica de diferença mais baixa das métricas de diferença computadas, e selecionar o modelo de rendimento agronômico correspondente. Os valores e/ou parâmetros para o modelo selecionado podem ser usados para gerar modelos de rendimento agronômico futuros e/ou para corrigir erros dentro do modelo de rendimento agronômico.

[4] .4. CONSISTÊNCIA DE RENDIMENTO

[147] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para usar métricas de diferença para determinar a consistência dentro de um campo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode computar métricas de diferença para os rendimentos medidos de um campo particular e ao longo de uma pluralidade de anos. Com base nas métricas de diferença para o campo particular ao longo de uma pluralidade de anos, o sistema de computador de inteligência agrícola 130 pode determinar quão consistente os padrões espaciais dentro de um campo particular são ao longo de uma pluralidade de anos.

[148] Em uma modalidade, o sistema de computador de inteligência agrícola 130 computa a consistência de rendimento para uma região particular com base em uma pluralidade de mapas de rendimento a partir de uma pluralidade de anos. Por exemplo, o sistema de computador de inteligência agrícola 130 pode computar a consistência de rendimento como um desvio a partir de um mapa de rendimento médio:

em que YC é a consistência de rendimento, xmédio é um mapa de rendimento médio gerado por meio da promediação dos valores de rendimento em cada localização dentro de um campo particular, e m é o número total de mapas de rendimento disponíveis. À medida que a consistência de rendimento computado acima se aproxima de zero, o rendimento é determinado como sendo mais consistente nos mapas de pixels. Como outro exemplo, o sistema de computador de inteligência agrícola 130 pode computar a consistência de rendimento como uma soma de comparações entre cada conjunto de dois mapas de pixels: ∑^∑^^M^X^

em que xi e Xj são mapas de pixels de valores de rendimento de diferentes anos. Como um exemplo adicional, o sistema de computador de inteligência agrícola 130 pode selecionar apenas a métrica de diferença máxima entre mapas para usar como a consistência de rendimento.

[149] As consistências de rendimento podem ser computadas para campos completos e/ou para seções particulares dos campos. Por exemplo, o sistema de computador de inteligência agrícola 130 pode computar consistências de rendimento para cada zona de gerenciamento identificada de um campo particular. Com base nas consistências rendimento para cada zona de gerenciamento, o sistema de computador de inteligência agrícola 130 pode atualizar a delineação de zonas de gerenciamento e/ou recomendar diferentes práticas de gerenciamento para uma ou mais zonas de gerenciamento. Por exemplo, uma zona de gerenciamento que mostra rendimentos inconsistentes pode ser mais afetada por fatores adicionais, tais como diferenças na composição de solo, temperatura, elevação, etc. O sistema de computador de inteligência agrícola 130 pode identificar fatores que afetam o rendimento para uma zona de gerenciamento inconsistente, tal como pela comparação de valores de campo com valores de rendimento para o campo particular pelo uso das métricas de diferença, e gerar recomendações e/ou práticas de gerenciamento com base nos fatores identificados.

[5] .5. RECOMENDAÇÕES E APLICAÇÃO DE INSTRUÇÕES DE CONTROLADOR

[150] Em referência à Figura 8, na etapa 816, uma ou mais recomendações de gerenciamento de campo são geradas e enviadas para um dispositivo de computação de gerente de campo baseado, pelo menos em parte, na métrica de diferença normalizada particular.

[151] Com base nas métricas de diferença e/ou pontuações de consistência computados acima, o sistema de computador de inteligência agrícola 130 pode ser programado para gerar recomendações e/ou instruções para um controlador de aplicativo. As recomendações podem incluir dados digitais enviados para o dispositivo de computação de gerente de campo 104 que identificam uma ou mais práticas de gerenciamento. As instruções para um controlador de aplicativo podem incluir instruções ou scripts digitalmente programáveis que, quando enviados para o controlador de aplicativo, fazem com que o controlador de aplicativo controle um parâmetro de operação de um veículo agrícola ou implemento. Por exemplo, um controlador de aplicativo pode ser acoplado comunicativamente a um implemento de fazenda, tal como uma válvula de irrigação. O controlador de aplicativo pode executar um script particular para fazer com que a válvula de irrigação libere água em uma ou mais porções de um campo.

[152] Em uma modalidade, o sistema de computador de inteligência agrícola 130 gera recomendações e/ou instruções para um controlador de aplicativo com base em comparações entre valores de campo e rendimento total. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber valores de campo, tais como temperatura, teor de umidade, pH, tipo de semente e valores de nutrientes no solo durante o ciclo de crescimento de uma cultura em um ou mais campos. O sistema de computador de inteligência agrícola 130 pode também receber valores de rendimento para a cultura nos um ou mais campos. Com base em comparações entre os valores de campo e os valores de rendimento, o sistema de computador de inteligência agrícola 130 pode identificar um ou mais valores de campo que têm correlações com os valores de rendimento. O sistema de computador de inteligência agrícola 130 pode gerar recomendações com base nos valores de campo identificados. Por exemplo, se o sistema de computador de inteligência agrícola 130 determinar que os níveis de nutrientes em um estágio particular de desenvolvimento são altamente correlacionados a rendimento, o sistema de computador de inteligência agrícola 130 pode recomendar o aumento dos níveis de nutrientes no estágio particular de desenvolvimento.

[153] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa comparações de uma pluralidade de campos para fazer recomendações. Por exemplo, a primeira vez que um dispositivo de computação de gerente de campo solicitar recomendações, o sistema de computador de inteligência agrícola 130 pode enviar recomendações geradas para uma região particular, tais como recomendações com base em valores de campo no mesmo condado. Adicional e/ou alternativamente, o sistema de computador de inteligência agrícola 130 pode personalizar recomendações com base em valores de campo para um campo particular. Por exemplo, enquanto o sistema de computador de inteligência agrícola 130 pode determinar que os campos num determinado condado têm uma baixa correlação entre nutrientes adicionados e rendimento, os indicadores de diferença para um campo particular ao longo de uma pluralidade de anos podem mostrar uma alta correlação entre nutrientes adicionados e rendimento devido a diferentes composições do solo. Assim, embora seja baseado nos dados de condado agregado, o sistema de computador de inteligência agrícola 130 pode não enviar uma recomendação para adicionar nutrientes ao solo, com base em dados de campo antigos para o campo particular, o sistema de computador de inteligência agrícola 130 recomendaria adicionar nutrientes ao solo.

[154] Em uma modalidade, o sistema de computador de inteligência agrícola 130 personaliza adicionalmente recomendações com base em zonas de gerenciamento identificadas. Por exemplo, o sistema de computador de inteligência agrícola 130 pode realizar comparações entre valores de campo e valores de rendimento para um campo particular. Adicionalmente, o sistema de computador de inteligência agrícola 130 pode realizar comparações para cada zona de gerenciamento dentro do campo. Em casos em que as métricas de diferença mostram uma alta correlação para todo o campo, o sistema de computador de inteligência agrícola 130 pode recomendar uma prática de gerenciamento uniforme com base na métrica de diferença. Para casos em que métricas de diferença para algumas zonas de gerenciamento são altas, enquanto são baixas para outras zonas de gerenciamento, o sistema de computador de inteligência agrícola 130 pode recomendar práticas de gerenciamento individualmente para uma ou mais zonas de gerenciamento do campo.

154.1.1. SELEÇÃO DE ZONAS DE GERENCIAMENTO

[155] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para usar métricas de diferença, e/ou pontuações de consistência de rendimento, para gerar zonas de gerenciamento e/ou para selecionar zonas de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar zonas de gerenciamento com base em valores de rendimento ao longo de uma pluralidade de anos, características de campo tais como solo e propriedades topográficas, ou uma combinação dos mesmos.

[156] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa métricas de diferença para validar zonas de gerenciamento particulares. Para cada zona de gerenciamento, o sistema de computador de inteligência agrícola 130 pode computar uma métrica de diferença e/ou pontuação de consistência de rendimento com base em valores de rendimento para uma pluralidade de anos. O sistema de computador de inteligência agrícola 130 pode selecionar uma zona de gerenciamento particular como uma zona de gerenciamento “ruim” ou uma zona de gerenciamento “boa”. Por exemplo, o sistema de computador de inteligência agrícola 130 pode armazenar um valor limiar que indica uma variação máxima entre uma zona de gerenciamento e um campo geral. Se a pontuação de consistência de rendimento e/ou a métrica de diferença para uma zona de gerenciamento particular é mais do que o valor limiar, maior que a pontuação de consistência de rendimento e/ou a métrica de diferença para todo o campo, o sistema de computador de inteligência agrícola 130 pode determinar que a zona de gerenciamento particular é uma zona de gerenciamento “ruim”, à medida que contém mais diferença de ano a ano do que o geral do campo. Uma zona de gerenciamento “ruim” pode ser removida como sua própria zona de gerenciamento e/ou ser submetida a tratamentos de gerenciamento que são gerados para o campo como um todo.

[157] Adicionalmente, zonas de gerenciamento boas/ruins podem ser identificadas com base em comparações entre fatores diferentes. Por exemplo, uma primeira zona de gerenciamento pode ter uma baixa métrica de diferença em uma comparação entre teor de umidade e rendimento, mas uma métrica de diferença mais alta em uma comparação entre rendimento e outros fatores. Uma segunda zona de gerenciamento pode ter uma métrica de diferença alta em uma comparação entre teor de umidade e rendimento, mas uma métrica de diferença baixa em uma comparação entre teor de nutriente e rendimento. A primeira zona de gerenciamento pode ser identificada como uma zona de gerenciamento “boa” para teor de umidade, mas uma zona de gerenciamento “ruim” para outros fatores. Por outro lado, a segunda zona de gerenciamento pode ser identificada como uma zona de gerenciamento “ruim” para teor de umidade, mas uma zona de gerenciamento “boa” para teor de nutriente.

157.1.1. INVESTIGAR PRÁTICAS DE GERENCIAMENTO

[158] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa métricas de diferença e/ou pontuações de consistência de rendimento para determinar a possibilidade de investigar práticas de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode gerar métricas de diferença médias e/ou pontuações de consistência de rendimento para campos dentro de uma região particular, tal como um condado. O sistema de computador de inteligência agrícola 130 pode também gerar métricas de diferença e/ou pontuações de consistência de rendimento para um campo particular dentro das regiões particulares. O sistema de computador de inteligência agrícola 130 pode comparar as métricas de diferença e/ou pontuações de consistência de rendimento dentro do campo particular às métricas de diferença médias e/ou pontuações de consistência de rendimento para a região. Se o sistema de computador de inteligência agrícola 130 detectar que as pontuações para o campo particular são mais do que um valor limiar maior que as pontuações médias para o condado, o sistema de computador de inteligência agrícola 130 pode enviar uma notificação para um dispositivo de computação de gerente de campo associado com o campo particular para investigar as práticas de gerenciamento do campo.

[159] Adicional e/ou alternativamente, o sistema de computador de inteligência agrícola 130 pode investigar práticas de gerenciamento de um campo em resposta à determinação de que o campo particular exibe mais variabilidade do que a média dos campos no condado. A investigação das práticas de gerenciamento pode compreender identificar variabilidade em valores de entrada e/ou parâmetros. Por exemplo, o dispositivo de computação de gerente de campo 104 pode enviar dados ao sistema de computador de inteligência agrícola 130 que identifica práticas de gerenciamento para um campo particular, tal como lavragem métodos, aplicação de nutrientes, aplicação de água, etc. O sistema de computador de inteligência agrícola 130 pode identificar variações nas práticas de gerenciamento identificadas para determinar causas de variabilidade dentro do campo particular. Com base nas práticas de gerenciamento identificadas e na possibilidade de o rendimento ter aumentado ou diminuído durante os momentos das práticas de gerenciamento, o sistema de computador de inteligência agrícola 130 pode gerar recomendações para futuras práticas de gerenciamento.

4. BENEFÍCIOS DE CERTAS MODALIDADES

[160] Usando-se as técnicas descritas no presente documento, um computador pode gerar imagens de mapa de pixels a partir de dados de não imagem, tais como valores de campo e/ou valores de rendimento, e comparar os mapas de pixels gerados entre si pelo uso de técnicas de comparação de imagem. Adicionalmente, as técnicas descritas no presente documento fornecem um método para comparar dados de não imagem de uma localização particular a dados de imagem da localização. Usando-se esses métodos, um sistema de computação pode selecionar uma melhor imagem com base em comparações entre a imagem e valores medidos. As técnicas descritas no presente documento também fornecem um meio para gerar métricas que são escalonáveis para imagens de tamanhos variados, permitindo, desse modo, uma métrica que compara umas primeiras duas imagens que deve ser comparada contra uma métrica que compara umas segundas duas imagens de um tamanho e/ou formato diferente. O funcionamento do dispositivo de computação pode ser melhorado devido às técnicas de comparação de imagem melhoradas e imagens selecionadas melhoradas.

5. EXTENSÕES E ALTERNATIVAS

[161] No relatório descritivo precedente, as modalidades foram descritas com relação a diversos detalhes específicos que podem variar de implantação para implantação. O relatório descritivo e os desenhos devem, portanto, ser considerados de forma ilustrativa em vez de um sentido restritivo. O indicador único e exclusivo do escopo da revelação, e o que é pretendido pelos solicitantes como sendo o escopo da revelação, é o escopo literal e equivalente do conjunto de reivindicações que são emitidas a partir deste pedido, na forma específica em que tais reivindicações emitem, incluindo qualquer correção subsequente.

Claims

1. Método, caracterizado pelo fato de que compreende: obter (802) um primeiro mapa de pixels para uma primeira propriedade física em uma pluralidade de localizações em uma região particular; obter (804) um segundo mapa de pixels para uma segunda propriedade física na pluralidade de localizações em uma região particular, em que o segundo mapa de pixels tem um mesmo tamanho que o primeiro mapa de pixels; gerar (806), a partir do primeiro mapa de pixels, um primeiro vetor de valores; gerar (808), a partir do segundo mapa de pixels, um segundo vetor de valores; gerar (810) uma matriz de coeficientes métricos em que cada fileira da matriz de coeficientes métricos corresponde a uma primeira localização de pixel do primeiro mapa de pixels, e cada coluna da matriz de coeficientes métricos corresponde a uma segunda localização de pixel do primeiro mapa de pixels, e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a primeira localização de pixel e a segunda localização de pixel para o valor; computar (812) uma métrica de diferença que identifica uma diferença entre o primeiro mapa de pixels e o segundo mapa de pixels com base no primeiro vetor de valores, o segundo vetor de valores e a matriz de coeficientes métricos.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que obter o primeiro mapa de pixels compreende: receber primeiros dados digitais que compreendem uma pluralidade de valores que correspondem à primeira propriedade física na pluralidade de localizações dentro da região particular; gerar, a partir dos primeiros dados digitais, o primeiro mapa de pixels para a primeira propriedade física na pluralidade de localizações dentro da região particular.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a primeira propriedade física na pluralidade de localizações dentro da região particular compreende medidas de um atributo particular de um campo agrícola particular.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: em que a primeira propriedade física é diferente da segunda propriedade física; computar, para cada valor do primeiro vetor de valores, um valor normalizado baseado, pelo menos em parte, em uma distribuição de valores no primeiro vetor de valores; computar, para cada valor do segundo vetor de valores, um valor normalizado baseado, pelo menos em parte, em uma distribuição de valores no segundo vetor de valores; pelo uso dos valores normalizados do primeiro vetor de valores e do segundo vetor de valores, construir um primeiro vetor normalizado de valores e um segundo vetor normalizado de valores; gerar a métrica de diferença com base, pelo menos em parte, no primeiro vetor normalizado de valores e no segundo vetor normalizado de valores.

5. Método, de acordo com a reivindicação 4, caracterizado pelo fato de que: a primeira propriedade física é um valor de rendimento de cultura para cada localização da pluralidade de localizações; em que a região particular é um campo particular; em que a segunda propriedade física é um atributo físico do campo particular diferente de um valor de rendimento de cultura.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: em que a primeira propriedade física representa previsões de rendimento total para cada localização da pluralidade de localizações; em que a segunda propriedade física representa valores de rendimento de cultura medidos para cada localização da pluralidade de localizações; determinar uma precisão de previsões de rendimento total com base, pelo menos em parte, na métrica de diferença.

7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: obter um terceiro mapa de pixels para uma terceira propriedade física na pluralidade de localizações dentro da região particular, em que o terceiro mapa de pixels tem um mesmo tamanho que o primeiro mapa de pixels; gerar, a partir do terceiro mapa de pixels, um terceiro vetor de valores; gerar uma segunda matriz de coeficientes métricos, em que cada fileira da segunda matriz de coeficientes métricos corresponde a uma segunda localização de pixel do segundo mapa de pixels, e cada coluna da matriz de coeficientes métricos corresponde a uma terceira localização de pixel do terceiro mapa de pixels, e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a segunda localização de pixel e a terceira localização de pixel para o valor; gerar uma métrica de diferença que identifica uma diferença entre o segundo mapa de pixels e o terceiro mapa de pixels com base no segundo vetor de valores, no terceiro vetor de valores e na matriz de coeficientes métricos; computar um valor de consistência que identifica uma consistência de uma propriedade física particular na pluralidade de localizações, com base, pelo menos em parte, na métrica de diferença que identifica uma diferença entre o primeiro mapa de pixels e o segundo mapa de pixels, e a métrica de diferença que identifica uma diferença entre o segundo mapa de pixels e o terceiro mapa de pixels.

8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: receber segundos dados digitais que compreendem uma pluralidade de valores que correspondem à primeira propriedade física em um subconjunto da pluralidade de localizações dentro da região particular; gerar, a partir dos segundos dados digitais, um terceiro mapa de pixels para a primeira propriedade física no subconjunto da pluralidade de localizações dentro da região particular; obter um quarto mapa de pixels para a segunda propriedade física no subconjunto da pluralidade de localizações dentro da região particular, em que o quarto mapa de pixels tem um mesmo tamanho que o terceiro mapa de pixels; gerar, a partir do terceiro mapa de pixels, um terceiro vetor de valores; gerar, a partir do quarto mapa de pixels, um quarto vetor de valores; gerar uma matriz de coeficientes métricos em que cada fileira da matriz de coeficientes métricos corresponde a uma terceira localização de pixel do terceiro mapa de pixels, e cada coluna da matriz de coeficientes métricos corresponde a uma quarta localização de pixel do quarto mapa de pixels, e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a terceira localização de pixel e a quarta localização de pixel para o valor; gerar uma métrica de diferença que identifica uma diferença entre os terceiros dados digitais e o quarto mapa de pixels com base no terceiro vetor de valores, no quarto vetor de valores e na matriz de coeficientes métricos; armazenar um valor de diferença limiar; determinar que a métrica de diferença que identifica a diferença entre os terceiros dados digitais e o quarto mapa de pixels é maior que a métrica de diferença que identifica a diferença entre o primeiro mapa de pixels e o quarto mapa de pixels em, pelo menos, o valor de diferença limiar; em resposta à determinação, identificar o subconjunto da pluralidade de localizações como um subconjunto ruim.

9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o segundo mapa de pixels é uma imagem de satélite de um campo particular dentro da região particular.

10. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que gerar uma métrica de diferença que identifica uma diferença entre o primeiro mapa de pixels e o segundo mapa de pixels compreende: computar um vetor de diferença que compreende uma diferença entre os valores no primeiro vetor de valores e os valores no segundo vetor de valores; computar um produto de uma transposição do vetor de diferença com a matriz de coeficientes métricos e o vetor de diferença.

11. Método, de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente computar, a partir da métrica de diferença, uma métrica de diferença normalizada que compreende um quociente da métrica de diferença com uma soma dos coeficientes métricos na matriz de coeficientes métricos.

12. Método, caracterizado pelo fato de que compreende: receber primeiros dados digitais que compreendem valores de rendimento para uma pluralidade de localizações; receber uma imagem particular que compreende uma pluralidade de valores de imagem para a pluralidade de localizações; identificar uma primeira resolução espacial dos valores de rendimento; identificar uma segunda resolução espacial dos valores de imagem da imagem particular; agregar os valores de rendimento e os valores de imagem da imagem particular a uma grade comum com base, pelo menos em parte, na primeira resolução espacial e na segunda resolução espacial; gerar uma primeira função de distribuição acumulativa empírica dos valores de rendimento; computar uma primeira transformação quantil para a primeira função de distribuição acumulativa empírica; transformar cada valor de rendimento em uma primeira distribuição normal pelo uso da primeira transformação quantil; gerar um primeiro mapa de pixels pelo uso dos valores de rendimento transformados; gerar uma segunda função de distribuição acumulativa empírica dos valores de imagem da imagem particular; computar uma segunda transformação quantil para a segunda função de distribuição acumulativa empírica; transformar cada valor de imagem da imagem particular em uma distribuição normal pelo uso da segunda transformação quantil; gerar um segundo mapa de pixels pelo uso dos valores de imagem transformados da imagem particular; computar uma métrica de diferença específica que indica uma diferença entre os valores de rendimento e a imagem particular pelo uso do primeiro mapa de pixels e do segundo mapa de pixels.

13. Método, de acordo com a reivindicação 12, caracterizado pelo fato de que compreende adicionalmente: receber uma segunda imagem que compreende uma pluralidade de valores de imagem para a pluralidade de localizações; Identificar uma terceira resolução espacial dos valores de imagem da segunda imagem; agregar os valores de rendimento e os valores de imagem da segunda imagem a uma grade comum com base, pelo menos em parte, na primeira resolução espacial e na terceira resolução espacial; gerar uma terceira função de distribuição acumulativa empírica dos valores de rendimento; computar uma terceira transformação quantil para a terceira função de distribuição acumulativa empírica; transformar cada valor de rendimento em uma terceira distribuição normal pelo uso da terceira transformação quantil; gerar um terceiro mapa de pixels pelo uso dos valores de rendimento transformados; gerar uma quarta função de distribuição acumulativa empírica dos valores de imagem da segunda imagem; computar uma quarta transformação quantil para a quarta função de distribuição acumulativa empírica; transformar cada valor de imagem da segunda imagem em uma distribuição normal pelo uso da quarta transformação quantil; gerar um quarto mapa de pixels pelo uso dos valores de imagem transformados da segunda imagem; computar uma segunda métrica de diferença que indica uma diferença entre os valores de rendimento e a segunda imagem pelo uso do terceiro mapa de pixels e do quarto mapa de pixels; determinar que a métrica de diferença específica é inferior à segunda métrica de diferença e, em resposta, selecionar a primeira imagem.

14. Método, de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente gerar uma ou mais zonas de gerenciamento para a pluralidade de localizações pelo uso da primeira imagem.

15. Método, de acordo com a reivindicação 12, caracterizado pelo fato de que computar uma métrica de diferença específica que indica uma diferença entre os valores de rendimento e a imagem particular, pelo uso do primeiro mapa de pixels e do segundo mapa de pixels, compreende: gerar, a partir do primeiro mapa de pixels, um primeiro vetor de valores; gerar, a partir do segundo mapa de pixels, um segundo vetor de valores; gerar uma matriz de coeficientes métricos em que cada fileira da matriz de coeficientes métricos corresponde a uma primeira localização de pixel do primeiro mapa de pixels, e cada coluna da matriz de coeficientes métricos corresponde a uma segunda localização de pixel do primeiro mapa de pixels, e cada valor na matriz de coeficientes métricos é computado através do uso de uma distância espacial entre a primeira localização de pixel e a segunda localização de pixel para o valor; computar a métrica de diferença como uma função do primeiro vetor de valores, do segundo vetor de valores e da matriz de coeficientes métricos.