BR112019015401A2 - Estimativa de rendimento de plantação usando rede neural agronômica - Google Patents
Estimativa de rendimento de plantação usando rede neural agronômica Download PDFInfo
- Publication number
- BR112019015401A2 BR112019015401A2 BR112019015401-9A BR112019015401A BR112019015401A2 BR 112019015401 A2 BR112019015401 A2 BR 112019015401A2 BR 112019015401 A BR112019015401 A BR 112019015401A BR 112019015401 A2 BR112019015401 A2 BR 112019015401A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- yield
- neural network
- plantation
- effect
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 232
- 230000009418 agronomic effect Effects 0.000 title description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 90
- 238000010348 incorporation Methods 0.000 claims description 75
- 239000002689 soil Substances 0.000 claims description 66
- 238000000034 method Methods 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 33
- 230000000306 recurrent effect Effects 0.000 claims description 20
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 110
- 238000007726 management method Methods 0.000 description 73
- 229910052757 nitrogen Inorganic materials 0.000 description 55
- 239000010410 layer Substances 0.000 description 37
- 238000012549 training Methods 0.000 description 29
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 24
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000013515 script Methods 0.000 description 21
- 239000003337 fertilizer Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000005259 measurement Methods 0.000 description 14
- 238000001556 precipitation Methods 0.000 description 13
- 230000002123 temporal effect Effects 0.000 description 13
- 238000013479 data entry Methods 0.000 description 12
- 238000003306 harvesting Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 235000015097 nutrients Nutrition 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 235000013339 cereals Nutrition 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 7
- 230000002262 irrigation Effects 0.000 description 7
- 241001124569 Lycaenidae Species 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003971 tillage Methods 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 241000288105 Grus Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 239000003112 inhibitor Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 235000005282 vitamin D3 Nutrition 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Environmental Sciences (AREA)
Abstract
em uma modalidade, um sistema de computador servidor recebe um conjunto de dados particulares relacionados com um ou mais campos agrícolas, em que o conjunto de dados particulares compreende dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares. usando uma primeira rede neural, o sistema de computador servidor computa um efeito de identificação de plantação em rendimento de plantação a partir dos dados de identificação de plantações particulares. usando uma segunda rede neural, o sistema de computador servidor computa um efeito ambiental em rendimento de plantação a partir dos dados ambientais particulares. usando uma terceira rede neural, o sistema de computador servidor computa um efeito de prática de gerenciamento em rendimento de plantação a partir dos dados de práticas de gerenciamento. usando uma rede neural mestre, o sistema de computador servidor computa um ou mais valores de rendimentos preditos a partir do efeito de identificação de plantação em rendimento de plantação, do efeito ambiental em rendimento de plantação e do efeito de prática de gerenciamento em rendimento de plantação.
Description
ESTIMATIVA DE RENDIMENTO DE PLANTAÇÃO USANDO REDE NEURAL AGRONÔMICA
AVISO DE DIREITOS AUTORAIS [001] Uma parte da revelação deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos autorais não tem objeção para a reprodução por fac-símile por qualquer pessoa do documento de patente ou da revelação de patente, tal como aparece no arquivo ou registros de patentes do Escritório de Marcas e Patentes, mas de outro modo reserva todos os direitos autorais ou direitos sejam quais forem. © 2017 The Climate Corporation.
CAMPO DA REVELAÇÃO [002] A presente revelação diz respeito ao campo técnico de sistemas de computadores úteis em treinamento e execução de redes neurais. A revelação também diz respeito ao campo de sistemas de computadores programados ou configurados para usar uma pluralidade de redes neurais treinadas com dados agrícolas como entradas para produzir valores de rendimentos de plantações como saídas.
ANTECEDENTES [003] As abordagens descritas nesta seção são abordagens que podem ser adotadas, mas não são necessariamente abordagens que tenham sido concebidas ou adotadas anteriormente. Portanto, a não ser que indicado de outro modo, não deve ser assumido que qualquer uma das abordagens descritas nesta seção é qualificada como técnica anterior meramente por causa de sua inclusão nesta seção.
[004] Fazendeiros frequentemente devem tomar decisões de plantio com relação a um ou mais campos com base em
Petição 870190123722, de 26/11/2019, pág. 8/105
2/90 informação incompleta. De uma maneira geral, o objetivo do fazendeiro é maximizar rendimento de plantação, qualidade de plantação e/ou lucros com a venda da colheita. No entanto ele frequentemente tem dúvidas a respeito de qual combinação de tipos de culturas, tipos de solos, eventos meteorológicos e práticas de gerenciamento resultará na maximização destes valores.
[005] Técnicas de modelagem agronômica frequentemente são usadas para modelar interações entre uma plantação e o ambiente. Por exemplo, um modelo agronômico pode ser usado para simular um crescimento da plantação com base em uma quantidade de nutrientes que as plantações recebem. De modo ideal, ao usar um grande número de modelos precisos, cada interação gue afeta um crescimento de plantação pode ser simulada, dando desse modo conhecimento perfeito de resultados de produção quando uma plantação é realizada.
[006] Infelizmente, o uso de um grande número como este de modelos para capturar cada interação entre a plantação e o ambiente seria caro de forma computacional. Adicionalmente, a força do modelo agronômico é limitada pelo conhecimento da pessoa gerando o modelo agronômico. Assim, um modelo agronômico não é capaz de considerar relações que não são entendidas antes da criação do modelo.
[007] Redes neurais estão se tornando populares de modo crescente para resolver vários tipos de problemas sem exigir que relações sejam especificadas antecipadamente. De uma maneira geral, redes neurais consistem de uma série das equações, cada uma das quais é configurada para transformar uma pluralidade de entradas diferentes em uma ou mais saldas. À medida que as redes neurais são treinadas, pesos
Petição 870190123722, de 26/11/2019, pág. 9/105
3/90 são designados para a série das equações a fim de assegurar que a rede neural produz saídas corretas a partir das entradas. Um benefício de redes neurais é que elas podem capturar relações que não são totalmente entendidas pelos especialistas de domínio.
[008] Um ponto fraco das redes neurais é que elas tendem a trabalhar em um único tipo de entrada para produzir um único tipo de saída. No caso de modelagem agronômica, existem vários tipos diferentes de entradas, incluindo tipo de cultura, tipo de solo, efeitos de condições meteorológicas e práticas de gerenciamento, que são relevantes para um rendimento da plantação. Os tipos diferentes de entradas podem ser representados de modo diferente, já que algumas entradas, tal como temperatura, variam com o tempo enquanto que outras entradas, tal como tipo de solo, variam espacialmente.
[009] Assim, existe uma necessidade com relação a uma rede neural abrangente que possa interagir com vários tipos de dados agrícolas a fim de fornecer resultados de produção.
SUMÁRIO [010] As reivindicações anexas podem servir como um sumário da revelação.
DESCRIÇÃO RESUMIDA DOS DESENHOS [011] Nos desenhos:
[012] A figura 1 ilustra um sistema de computador de exemplo que é configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode operar em conj unto.
Petição 870190123722, de 26/11/2019, pág. 10/105
4/90 [013] A figura 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções em memória principal guando uma aplicação móvel de exemplo é carregada para execução.
[014] A figura 3 ilustra um processo programado por meio do qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos préconfigurados usando dados agronômicos fornecidos por uma ou mais fontes de dados.
[015] A figura 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser implementada.
[016] A figura 5 representa uma modalidade de exemplo de uma vista de linha de tempo para entrada de dados.
[017] A figura 6 representa uma modalidade de exemplo de uma vista de planilha para entrada de dados.
[018] A figura 7 representa uma arquitetura de rede neural para computar um ou mais valores de rendimentos preditos a partir de uma ou mais entradas relacionadas com plantação.
[019] A figura 8 representa um método de exemplo para executar uma rede neural agronômica.
DESCRIÇÃO DETALHADA [020] Na descrição a seguir, para o propósito de explicação, inúmeros detalhes específicos são expostos a fim de fornecer um entendimento completo da presente revelação. Estará aparente, entretanto, que modalidades podem ser praticadas sem estes detalhes específicos. Em outras instâncias, estruturas e dispositivos bem conhecidos são mostrados em forma de diagrama de blocos a fim de
Petição 870190123722, de 26/11/2019, pág. 11/105
5/90 evitar obscurecer desnecessariamente a presente revelação. Modalidades são reveladas em seções de acordo com as seguintes linhas gerais:
1. VISTA GERAL
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA DE
EXEMPLO
2.1. VISTA GERAL ESTRUTURAL
2.2. VISTA GERAL DE PROGRAMA DE APLICAÇÃO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
2.4. VISTA GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISTA GERAL DE HARDWARE
3. REDE NEURAL AGRONÔMICA
3.1. DADOS DE TREINAMENTO
3.2. REDE NEURAL DE IDENTIFICAÇÃO DE PLANTAÇÃO
3.3. REDE NEURAL AMBIENTAL
3.3.1. DADOS AMBIENTAIS TEMPORAIS
3.3.2. DADOS AMBIENTAIS ESPACIAIS
3.3.3. INCORPORAÇÃO AMBIENTAL DESCOBERTA
3.4. REDE NEURAL DE PRÁTICA DE GERENCIAMENTO
3.5. REDES NEURAIS ADICIONAIS
3.6. INCORPORAÇÕES DE CORTES TRANSVERSAIS INTERMEDIÁRIOS
3.7. REDE NEURAL MESTRE
3.8. VALORES DE RENDIMENTOS
4. APLICAÇÕES
4.1. EXECUÇÃO DA REDE NEURAL
4.2. RECOMENDAÇÕES
Petição 870190123722, de 26/11/2019, pág. 12/105
6/90
4.3. PREDICAÇÕES BASEADAS EM INFORMAÇÃO NOVA
5. BENEFÍCIOS DE CERTAS MODALIDADES
6. EXTENSÕES E ALTERNATIVAS [021] 1. VISTA GERAL [022] Sistemas e métodos para gerar e usar uma rede neural agronômica configurada para usar uma pluralidade de tipos diferentes de dados como entradas e produzir valores de rendimentos de plantações como saídas são descritos neste documento, e fornecer técnicas implementadas por computador aperfeiçoadas para estimar o rendimento de plantações agrícolas em campos ou de plantações a ser efetuadas. A rede neural agronômica compreende uma pluralidade de redes neurais individuais configuradas para produzir valores indicando um efeito no rendimento de uma plantação. Uma primeira rede neural é configurada para aceitar dados de identificação de plantações como entrada e gerar um efeito de identificação de plantação em rendimento total como saída. Uma segunda rede neural é configurada para aceitar dados ambientais como entrada e computar um efeito ambiental em rendimento total como saída. Uma terceira rede neural é configurada para aceitar dados de práticas de gerenciamento como entrada e computar um efeito de prática de gerenciamento em rendimento total como saída. Uma rede neural mestre é configurada para aceitar o efeito de identificação de plantação em rendimento total, o efeito ambiental em rendimento total e o efeito de prática de gerenciamento em rendimento total como entradas e produzir um ou mais valores de rendimentos como saídas.
[023] Em uma modalidade, um método compreende receber, em um sistema de computação de servidor, um conjunto de
Petição 870190123722, de 26/11/2019, pág. 13/105
7/90 dados particulares se relacionando com um ou mais campos agrícolas, em que o conjunto de dados particulares compreende dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares; usando uma primeira rede neural configurada usando dados de identificação de plantações como entrada e dados de rendimentos de plantações como saída, computar um efeito de identificação de plantação em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados de identificação de plantações particulares; usando uma segunda rede neural configurada usando dados ambientais como entrada e dados de rendimentos de plantações como saída, computar um efeito ambiental em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados ambientais particulares; usando uma terceira rede neural configurada usando dados de práticas de gerenciamento como entrada e dados de rendimentos de plantações como saída, computar um efeito de prática de gerenciamento em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados de práticas de gerenciamento particulares; usando uma rede neural mestre configurada usando efeitos de identificação de plantação em rendimento de plantação, efeitos ambientais em rendimento de plantação e efeitos de prática de gerenciamento em rendimento de plantação como entrada e dados de rendimentos de plantações como saída, computar um ou mais valores de rendimentos preditos para o um ou mais campos agrícolas a partir do efeito de identificação de plantação em rendimento de plantação, do efeito ambiental em rendimento de plantação e do efeito de
Petição 870190123722, de 26/11/2019, pág. 14/105
8/90 prática de gerenciamento em rendimento de plantação.
[024] 2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA DE EXEMPLO [025] 2.1 VISTA GERAL ESTRUTURAL [026] A figura 1 ilustra um sistema de computador de exemplo que é configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode operar em conjunto. Em uma modalidade, um usuário 102 possui, opera ou controla um dispositivo de computação gerenciador de campos 104 em uma localização de campo ou associado com uma localização de campo tal como um campo pretendido para atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação gerenciador de campos 104 é programado ou configurado para fornecer os dados de campo 106 para um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.
[027] Exemplos dos dados de campo 106 incluem (a) dados de identificação (por exemplo, tamanho da área em acres, nome de campo, identificadores de campos, identificadores geográficos, identificadores de limites, identificadores de plantações e quaisquer outros dados adequados que podem ser usados para identificar terra de cultivo, tal como uma unidade de terra comum (CLU), número de lote e de bloco, um número de terreno, coordenadas e limites geográficos, Número Serial de Fazenda (FSN), número de fazenda, número de trecho, número de campo, seção, distrito municipal e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a
Petição 870190123722, de 26/11/2019, pág. 15/105
9/90 plantação é cultivada organicamente, data da colheita, Histórico de Produção Atual (APH), rendimento esperado, produção, preço de safra, receita de colheita, umidade de grão, prática de cultivo e informação de estação de cultivo anterior, (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca de cátions (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo(s) de semente(s), maturidade relativa (RM) de semente(s) plantada(s), população de sementes), (e) dados de fertilizante (por exemplo, tipo 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 pretendidas para uso como um regulador vegetal, desfolhante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, índice de chuva, chuva prevista, região de taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade de neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informação de espectro de luz de um sensor de aparelho agrícola, câmera, computador, telefone inteligente, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de exploração (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (corrente e ao longo do tempo), umidade de solo, estágio de
Petição 870190123722, de 26/11/2019, pág. 16/105
10/90 crescimento da plantação, velocidade de vento, umidade relativa, ponto de orvalho, camada preta)), e (k) solo, semente, fenologia de cultura, relato de peste e doença e fontes de predições e bases de dados.
[028] Um computador servidor de dados 108 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar os dados externos 110 para o sistema de computador de inteligência agrícola 130 por meio da(s) rede(s) 109. O computador servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal tal como o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente tal como uma agência de governo, organização não governamental (NGO) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados de solos ou dados estatísticos se relacionando com rendimentos de plantações, dentre outros. Os dados externos 110 podem consistir do mesmo tipo de informação dos dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 pertencente à mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focalizado exclusivamente em um tipo de dados que podem ser obtidos de outro modo de fontes de entidades externas, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode ser incorporado realmente ao sistema 130.
Petição 870190123722, de 26/11/2019, pág. 17/105
11/90 [029] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 incorporados ao mesmo, cujos sensores são acoplados de forma comunicativa diretamente ou indiretamente via aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensores para o sistema de computador de inteligência agrícola 130. Exemplos do aparelho agrícola 111 incluem tratores, colheitadeiras combinadas, ceifeiras, semeadeiras, caminhões, equipamento de fertilizante, veículos aéreos não tripulados, e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel, e que pode ser usado em tarefas associadas com agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade dos sensores 112 que são acoplados localmente em uma rede no aparelho; rede de controle de área (CAN) é um exemplo de uma rede como esta que pode ser instalada em colheitadeiras combinadas ou ceifeiras. O controlador de aplicação 114 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 por meio da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts para controlar um parâmetro de operação de um veículo ou implemento agrícola do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de
| controle de | área | (CAN) | pode | ser usada | para capacitar | |
| comunicações | do s | istema | de | computador | de | inteligência |
| agrícola 130 | para | o aparelho | agrícola | 111, | tal como a |
CLIMATE FIELDVIEW DRIVE, disponível pela The Climate
Corporation, São Francisco, Califórnia, é usada. Dados de
Petição 870190123722, de 26/11/2019, pág. 18/105
12/90 sensores podem consistir do mesmo tipo de informação dos dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser incorporados a um aparelho agricola 111 e podem ficar localizados remotamente no campo e podem se comunicar com a rede 109.
[030] O aparelho 111 pode compreender um computador de cabine 115 que é programado com uma aplicação de cabine, a qual pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que é descrito adicionalmente em outras seções neste documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um computador do tamanho de tablet ou telefone inteligente, com um mostrador de tela gráfica, tal como um mostrador colorido, que é montado dentro da cabine do operador do aparelho 111. O computador de cabine 115 pode implementar todas ou algumas das operações e funções que são descritas adicionalmente neste documento para o dispositivo de computação móvel 104.
[031] A(s) rede(s) 109 de um modo geral representa (m) qualquer combinação de uma ou mais redes de comunicação de dados incluindo redes de área local, redes de área ampla, interligações de redes ou internets, usando qualquer um de enlaces com fio ou sem fio, incluindo enlaces terrestres ou de satélite. A(s) rede(s) pode(m) ser implementada(s) por qualquer mídia ou mecanismo que permita a troca de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter enlaces de comunicações diretas (com fio ou sem fio). Cada um de os sensores 112, o controlador 114, o computador servidor de dados externos 108 e outros elementos do sistema compreende uma interface
Petição 870190123722, de 26/11/2019, pág. 19/105
13/90 compatível com a(s) rede(s) 109 e é programado ou configurado para usar protocolos padronizados para comunicação através das redes tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada mais alta tais como HTTP, TLS e outros mais.
[032] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber os dados de campo 106 do dispositivo de computação gerenciador de campos 104, os dados externos 110 do computador servidor de dados externos 108 e dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser configurado adicionalmente para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente tal como FPGAs ou ASICs, ou qualquer combinação dos mesmos para executar translação e armazenamento de valores de dados, construção de modelos digitais de uma ou mais plantações em um ou mais campos, geração de recomendações e notificações, e geração e envio de scripts para o controlador de aplicação 114, no modo descrito adicionalmente em outras seções desta revelação.
[033] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, a camada de apresentação 134, a camada de gerenciamento de dados 140, a camada de hardware/virtualização 150 e o repositório de dados de modelos e de campos 160. Camada, neste contexto, se refere a qualquer combinação de circuitos eletrônicos digitais de interface, microcontroladores, firmware tais como acionadores e/ou programas de computador ou outros
Petição 870190123722, de 26/11/2019, pág. 20/105
14/90 elementos de software.
[034] A camada de comunicação 132 pode ser programada ou configurada para executar funções de conexão por meio de interface de entrada/saida incluindo enviar solicitações para o dispositivo de computação gerenciador de campos 104, o computador servidor de dados externos 108 e para o sensor remoto 112 para dados de campo, dados externos e dados de sensor respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados de modelos e de campos 160 para serem armazenados como os dados de campo 106.
[035] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação gerenciador de campos 104, no computador de cabine 115 ou em outros computadores que estejam acoplados ao sistema 130 por meio da rede 109. A GUI pode compreender controles para introduzir dados para serem enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações para modelos e/ou recomendações e/ou exibir recomendações, notificações, modelos e outros dados de campo.
[036] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de gravação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados transmitidos entre os elementos funcionais do sistema e o repositório. Exemplos da camada de gerenciamento de dados 140 incluem JDBC, código de interface de servidor SQL e/ou código de
Petição 870190123722, de 26/11/2019, pág. 21/105
15/90 interface HADOOP, dentre outros. O repositório 160 pode compreender uma base de dados. Tal como usado neste documento, o termo base de dados pode se referir a um conjunto de dados, a um sistema de gerenciamento de base de dados relacionai (RDBMS) ou a ambos. Tal como usado neste documento, uma base de dados pode compreender qualquer coleção de dados incluindo bases de dados hierárquicos, bases de dados relacionais, bases de dados de arquivo simples, bases de dados relacionais a objetos, bases de dados orientados a objetos e qualquer outra coleção estruturada de registros ou dados que seja armazenada em um sistema de computador. Exemplos de RDBMSs incluem, mas não estão limitados a isto, ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e bases de dados POSTGRESQL. Entretanto, qualquer base de dados que capacite os sistemas e métodos descritos neste documento pode ser usada.
[037] Quando os dados de campo 106 não são fornecidos diretamente para o sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser orientado por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servidas pelo sistema de computador de inteligência agrícola) para introduzir tal informação. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionar CLUs específicas que tenham sido mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar
Petição 870190123722, de 26/11/2019, pág. 22/105
16/90 dados de identificação ao acessar um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e traçar limites do campo sobre o mapa. Tal seleção de CLU ou desenhos de mapa representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação ao acessar dados de identificação de campo (fornecidos como arquivos de formas ou em um formato similar) da Agência de Serviços Rurais do Departamento de Agricultura dos USA ou de outra fonte por meio do dispositivo de usuário e fornecer tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[038] Em uma modalidade de exemplo, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar exibição de uma interface gráfica de usuário compreendendo um gerenciador de dados para entrada de dados. Após um ou mais campos terem sido identificados usando os métodos descritos anteriormente, o gerenciador de dados pode fornecer um ou mais símbolos de interface gráfica de usuário que quando selecionados podem identificar mudanças para o campo, solo, culturas, lavouras ou práticas de nutriente. O gerenciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha e/ou um ou mais programas editáveis.
[039] A figura 5 representa uma modalidade de exemplo de uma vista de linha de tempo para entrada de dados. Usando a exibição representada na figura 5, um computador de usuário pode introduzir uma seleção de um campo particular e uma data particular para a adição de evento. Eventos representados na parte superior da linha de tempo
Petição 870190123722, de 26/11/2019, pág. 23/105
17/90 podem incluir Nitrogênio, Plantio, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer entrada para selecionar a aba de nitrogênio. O computador de usuário pode então selecionar uma localização na linha de tempo para um campo particular a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta a receber uma seleção de uma localização na linha de tempo para um campo particular, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário introduza dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação no solo, procedimentos de lavoura, práticas de irrigação ou outra informação se relacionando com o campo particular. Por exemplo, se um computador de usuário selecionar uma parte da linha de tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para introduzir uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e qualquer outra informação relacionada com a aplicação de nitrogênio.
[040] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. Programa, neste contexto, se refere a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação no solo, procedimentos de lavoura, práticas de irrigação ou outra informação que pode estar relacionada com um ou mais campos, e que pode ser armazenada em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após um programa ter sido criado, ele pode ser aplicado conceitualmente para um ou
Petição 870190123722, de 26/11/2019, pág. 24/105
18/90 mais campos e referências para o programa podem ser armazenadas em armazenamento digital em associação com dados identificando os campos. Assim, em vez de introduzir manualmente dados idênticos se relacionando com as mesmas aplicações de nitrogênio para múltiplos campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação particular de nitrogênio e então pode aplicar o programa para múltiplos campos diferentes. Por exemplo, na vista de linha de tempo da figura 5, as duas linhas de tempo superiores têm o programa Aplicado no outono selecionado, o qual inclui uma aplicação de 150 1b (68,08 kg) N/ac no inicio 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 para 130 1b (58,97 kg) N/ac, os dois campos superiores podem ser
| atualizados com | uma aplicação | reduzida de | nitrogênio com | |
| base | no programa | editado. | ||
| [041] Em uma | modalidade, em | resposta a | receber edições | |
| para | um campo | que tem um | programa | selecionado, o |
gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 5, a interface pode atualizar para indicar que o programa Aplicado no outono não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no inicio de abril possa permanecer, atualizações para o programa Aplicado no outono não alterariam a aplicação de
Petição 870190123722, de 26/11/2019, pág. 25/105
19/90 nitrogênio em abril.
[042] A figura 6 representa uma modalidade de exemplo de uma vista de planilha para entrada de dados. Usando a exibição representada na figura 6, um usuário pode criar e editar informação para um ou mais campos. O gerenciador de dados pode incluir planilhas para introduzir informação em relação a Nitrogênio, Plantio, Práticas e Solo tal como representado na figura 6. Para editar uma entrada particular, um computador de usuário pode selecionar a entrada particular na planilha e atualizar os valores. Por exemplo, a figura 6 representa uma atualização em andamento para um valor de rendimento alvo para o segundo campo. Adicionalmente, um computador de usuário pode selecionar um ou mais campos a fim de aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as entradas para o campo particular com base no programa selecionado. Tal como com a vista de linha de tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa particular em resposta a receber uma atualização para o programa. Adicionalmente, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta a receber uma edição para uma das entradas para o campo.
[043] Em uma modalidade, dados de modelos e de campos são armazenados no repositório de dados de modelos e de campos 160. Dados de modelos compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de plantação pode incluir um modelo construído digitalmente do
Petição 870190123722, de 26/11/2019, pág. 26/105
20/90 desenvolvimento de uma plantação no um ou mais campos. Modelo, neste contexto, se refere a um conjunto armazenado digitalmente eletrônico de instruções executáveis e valores de dados, associados uns com os outros, os quais são capazes de receber e responder a uma invocação, solicitação ou chamado programático ou outro digital para resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como a base de recomendações implementadas por computador, exibições de dados de saída ou controle de máquina, dentre outras coisas. Pessoas com conhecimento profissional no campo sabem que é conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos revelados neste documento a conceitos abstratos; em vez disto, cada modelo neste documento tem uma aplicação prática em um computador na forma de instruções executáveis e dados armazenados que implementam o modelo usando o computador. O modelo pode incluir um modelo de eventos passados no um ou mais campos, um modelo do status corrente do um ou mais campos e/ou um modelo de eventos preditos no um ou mais campos. Dados de modelos e de campos podem ser armazenados em estruturas de dados em memória, linhas em uma tabela de base de dados, em arquivos ou planilhas simples, ou em outras formas de dados digitais armazenados.
[044] As instruções de treinamento de rede neural 136 compreendem uma ou mais instruções que, quando executadas pelo sistema de computador de inteligência agrícola 130, induzem o sistema de computador de inteligência agrícola 130 para treinar uma rede neural usando uma pluralidade de
Petição 870190123722, de 26/11/2019, pág. 27/105
21/90 conjuntos de dados, cada um dos quais compreendendo dados de identificação de plantações, dados ambientais, dados de práticas de gerenciamento e um ou mais valores de rendimentos. As instruções de execução de rede neural 138 compreendem uma ou mais instruções que, quando executadas pelo sistema de computador de inteligência agrícola 130, induzem o sistema de computador de inteligência agrícola 130 para usar a rede neural treinada para computar um ou mais valores de rendimentos de plantações a partir de um conjunto de dados particulares compreendendo dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares.
[045] Em uma modalidade, cada uma de as instruções de treinamento de rede neural 136 e as instruções de execução de rede neural 138 compreende um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 no qual instruções executáveis tenham sido carregadas e que, quando executadas, induzem o sistema de computação de inteligência agrícola para executar as funções ou operações que são descritas neste documento com referência para esses módulos. Por exemplo, as instruções de treinamento de rede neural 136 podem compreender um conjunto de páginas em RAM que contêm instruções que, quando executadas, induzem execução das funções de treinamento de rede neural que são descritas neste documento. As instruções podem estar em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base em código fonte gravado em JAVA, C, C++, OBJECTIVE-C, ou em qualquer
Petição 870190123722, de 26/11/2019, pág. 28/105
22/90 outra linguagem ou ambiente de programação legível por ser humano, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens escritas e outro texto de fonte de programação. O termo páginas é proposto para se referir de um modo geral a qualquer região dentro de memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura de memória ou arquitetura de processador. Em uma outra modalidade, cada uma de as instruções de treinamento de rede neural 136 e as instruções de execução de rede neural 138 pode representar também um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento de massa tal como RAM não volátil ou armazenamento de disco, no sistema de computador de inteligência agrícola 130 ou em um sistema repositório separado, os quais quando compilados ou interpretados induzem geração de instruções executáveis que, quando executadas, induzem o sistema de computação de inteligência agrícola para executar as funções ou operações que são descritas neste documento com referência para esses módulos. Em outras palavras, a figura pode representar o modo no qual programadores ou desenvolvedores de softwares organizam e arranjam código fonte para compilação mais tarde em um executável, ou interpretação em código de bytes ou o equivalente, para execução pelo sistema de computador de inteligência agrícola 130.
[046] A camada de hardware/virtualização 150 compreende uma ou mais unidades centrais de processamento (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, tais como memória
Petição 870190123722, de 26/11/2019, pág. 29/105
23/90 volátil ou não volátil, armazenamento não volátil tal como disco, e dispositivos ou interfaces de entrada/saida tais como ilustrados e descritos, por exemplo, em conexão com a figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.
[047] Para o propósito de ilustrar um exemplo claro, a figura 1 mostra um número limitado de instâncias de certos elementos funcionais. Entretanto, em outras modalidades, pode existir qualquer número de tais elementos. Por exemplo, modalidades podem usar milhares ou milhões de dispositivos de computação móveis 104 diferentes associados com usuários diferentes. Adicionalmente, o sistema 130 e/ou o computador servidor de dados externos 108 podem ser implementados usando dois ou mais processadores, núcleos, agrupamentos ou instâncias de máquinas físicas ou máquinas virtuais, configurados em uma localização distinta ou localizados conjuntamente com outros elementos em um centro de dados, estrutura de computação compartilhada ou estrutura de computação em nuvem.
[048] 2.2. VISTA GERAL DE PROGRAMA DE APLICAÇÃO [049] Em uma modalidade, a implementação das funções descritas neste documento usando um ou mais programas de computador ou outros elementos de software que são carregados e executados usando um ou mais computadores de uso geral induzirá os computadores de uso geral para serem configurados como uma máquina particular ou como um computador que é adaptado especialmente para executar as funções descritas neste documento. Adicionalmente, cada um dos diagramas de fluxos que são descritos adicionalmente
Petição 870190123722, de 26/11/2019, pág. 30/105
24/90 neste documento pode servir, sozinho ou em combinação com as descrições de processos e funções expostas neste documento, como algoritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto exposto neste documento e todas as figuras são apresentados conjuntamente para fornecer revelação de algoritmos, planos ou direções que são suficientes para permitir a uma pessoa qualificada programar um computador para executar as funções que são descritas neste documento, em combinação com o conhecimento profissional e prática de uma pessoa como esta considerando o nível de conhecimento profissional que é apropriado para invenções e revelações deste tipo.
[050] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação gerenciador de campos 104 configurado com um sistema operacional e um ou mais programas de aplicação ou aplicações; o dispositivo de computação gerenciador de campos 104 também pode operar em conjunto com o sistema de computador de inteligência agrícola independentemente e automaticamente sob o controle de programa ou controle lógico e interação direta de usuário nem sempre é exigida. O dispositivo de computação gerenciador de campos 104 de um modo geral representa um ou mais de um telefone inteligente, PDA, tablet, laptop, computador de mesa, estação de trabalho, ou qualquer outro dispositivo de computação capaz de transmitir e receber informação e executar as funções descritas neste documento. O dispositivo de computação gerenciador de campos 104 pode
Petição 870190123722, de 26/11/2019, pág. 31/105
25/90 se comunicar por meio de uma rede usando uma aplicação móvel armazenada no dispositivo de computação gerenciador de campos 104, e em algumas modalidades o dispositivo pode ser acoplado ao sensor 112 e/ou ao controlador 114 usando um cabo 113 ou conector. Um usuário particular 102 pode possuir, operar ou controlar e usar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campos 104 em um tempo.
[051] A aplicação móvel pode fornecer funcionalidade de lado cliente, por meio da rede, para um ou mais dispositivos de computação móveis. Em uma modalidade de exemplo, o dispositivo de computação gerenciador de campos 104 pode acessar a aplicação móvel por meio de um navegador de rede ou de uma aplicação de cliente local ou aplicação. O dispositivo de computação gerenciador de campos 104 pode transmitir dados para, e receber dados de, um ou mais servidores de lado cliente, usando protocolos ou formatos baseados em rede tais como HTTP, XML e/ou JSON, ou protocolos específicos de aplicações. Em uma modalidade de exemplo, os dados podem ter a forma de solicitações e entrada de informação de usuário, tais como dados de campo, para o dispositivo de computação móvel. Em algumas modalidades, a aplicação móvel interage com hardware e software de rastreamento de localização no dispositivo de computação gerenciador de campos 104, o que determina a localização do dispositivo de computação gerenciador de campos 104 usando técnicas de rastreamento padrões tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, ou outros métodos de posicionamento móvel. Em alguns
Petição 870190123722, de 26/11/2019, pág. 32/105
26/90 casos, dados de localização ou outros dados associados com o dispositivo 104, o usuário 102 e/ou conta (s) de usuário podem ser obtidos por meio de consulta a um sistema operacional do dispositivo ou ao solicitar a uma aplicação no dispositivo para obter dados do sistema operacional.
[052] Em uma modalidade, o dispositivo de computação gerenciador de campos 104 envia os dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não limitado a isto, valores de dados representando um ou mais de: uma localização geográfica do um ou mais campos, informação de lavoura para o um ou mais campos, plantações efetuadas no um ou mais campos e dados de solo extraídos do um ou mais campos. O dispositivo de computação gerenciador de campos 104 pode enviar os dados de campo 106 em resposta à entrada de usuário do usuário 102 especificando os valores de dados para o um ou mais campos. Adicionalmente, o dispositivo de computação gerenciador de campos 104 pode enviar automaticamente os dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação gerenciador de campos 104. Por exemplo, o dispositivo de computação gerenciador de campos 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou ao controlador de aplicação 114. Em resposta a receber dados indicando gue o controlador de aplicação 114 liberou água para o um ou mais campos, o dispositivo de computação gerenciador de campos 104 pode enviar os dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando gue água foi liberada para o um ou mais campos. Os dados de campo 106 identificados nesta revelação podem
Petição 870190123722, de 26/11/2019, pág. 33/105
27/90 ser introduzidos e transmitidos usando dados digitais eletrônicos que são transmitidos entre dispositivos de computação usando URLs parametrizados em HTTP, ou um outro protocolo adequado de comunicação ou de mensagens.
[053] Um exemplo comercial da aplicação móvel é a CLIMATE FIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia. A aplicação CLIMATE FIELDVIEW, ou outras aplicações, pode ser modificada, estendida ou adaptada para incluir recursos, funções e programação que não tenham sido revelados antes da data de depósito desta revelação. Em uma modalidade, a aplicação móvel compreende uma plataforma de software integrado que permite a um agricultor tomar decisões baseadas em fatos para sua operação porque ela combina dados históricos a respeito dos campos do agricultor com quaisquer outros dados com os quais o agricultor deseja comparar. As combinações e comparações podem ser executadas em tempo real e são baseadas em modelos científicos que fornecem potenciais cenários para permitir ao agricultor tomar decisões melhores estando mais bem informado.
[054] A figura 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções em memória principal guando uma aplicação móvel de exemplo é carregada para execução. Na figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou de outra memória principal, ou um ou mais blocos de armazenamento de disco ou de outro armazenamento não volátil, e as instruções programadas dentro dessas regiões. Em uma modalidade, na vista (a) , uma aplicação de computador móvel 200 compreende as instruções de conta
Petição 870190123722, de 26/11/2019, pág. 34/105
28/90 campos-ingestão de dados-compartilhamento 202, as instruções de vista geral e de alertas 204, as instruções de livro de mapas digitais 206, as instruções de sementes e de plantio 208, as instruções de nitrogênio 210, as instruções meteorológicas 212, as instruções de saúde de campo 214 e as instruções de desempenho 216.
[055] Em uma modalidade, uma aplicação de computador móvel 200 compreende as instruções de conta-campos-ingestão de dados-compartilhamento 202 que são programadas para receber, transladar e ingerir dados de campos de sistemas de entidades externas via transferência manual ou APIs. Tipos de dados podem incluir limites de campos, mapas de produções, mapas tais como plantados, resultados de testes de solos, mapas tais com aplicados e/ou zonas de gerenciamento, dentre outros. Formatos de dados podem incluir arquivos de formas, formatos de dados naturais de entidades externas e/ou exportações de sistema de informações de gerenciamento de fazenda (FMIS), dentre outros. Recebimento de dados pode ocorrer via transferência manual, e-mail com anexo, APIs externas que empurram dados para a aplicação móvel, ou instruções que chamam APIs de sistemas externos para puxar dados para a aplicação móvel. Em uma modalidade, a aplicação de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta a receber uma seleção da caixa de entrada de dados, a aplicação de computador móvel 200 pode exibir uma interface gráfica de usuário para transferir manualmente arquivos de dados e importar arquivos transferidos para um gerenciador de dados.
[056] Em uma modalidade, as instruções de livro de
Petição 870190123722, de 26/11/2019, pág. 35/105
29/90 mapas digitais 206 compreendem camadas de dados de mapas de campos armazenadas em memória de dispositivo e são programadas com ferramentas de visualização de dados e notas de campos geoespaciais. Isto fornece para agricultores informação conveniente muito fácil para referência, login e compreensões visuais para desempenho de campo. Em uma modalidade, as instruções de vista geral e de alertas 204 são programadas para fornecer uma vista ampla de operação do que é importante para o agricultor, e recomendações na hora certa para executar ação ou focalizar em problemas particulares. Isto permite ao agricultor focalizar a tempo no que precisa de atenção, para economizar tempo e preservar produção por toda a estação. Em uma modalidade, as instruções de sementes e de plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação de híbridos e criação de scripts, incluindo criação de scripts de taxas variáveis (VR), com base em modelos científicos e dados empíricos. Isto capacita agricultores para maximizar produção ou retorno de investimento por meio de compra, colocação e população de sementes otimizadas.
[057] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxas variáveis (VR) . A interface capacita agricultores para criar scripts para implementos de campo, tais como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantar. Ao receber uma seleção do tipo de semente, a
Petição 870190123722, de 26/11/2019, pág. 36/105
30/90 aplicação de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tais como as camadas de dados de mapas de campos criadas como parte das instruções de livro de mapas digitais 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo junto com um painel identificando cada zona de solo e um nome de solo, textura, drenagem para cada zona ou outros dados de campo. A aplicação de computador móvel 200 também pode exibir ferramentas para edição ou criação, tais como ferramentas gráficas para desenhar zonas de gerenciamento, tais como zonas de solo, sobre um mapa de um ou mais campos. Procedimentos de plantio podem ser aplicados para todas as zonas de gerenciamento ou procedimentos de plantio diferente podem ser aplicados para subconjuntos diferentes de zonas de gerenciamento. Quando um script é criado, a aplicação de computador móvel 200 pode tornar o script disponível para transferência em um formato legível por um controlador de aplicação, tal como um formato arquivado ou compactado. Adicionalmente, e/ou alternativamente, um script pode ser enviado diretamente para o computador de cabine 115 pela aplicação de computador móvel 200 e/ou transferido para um ou mais servidores de dados e armazenado para uso adicional.
[058] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar a respeito de decisões de nitrogênio ao visualizar a disponibilidade de nitrogênio para plantações. Isto capacita agricultores para maximizar produção ou retorno de investimento por meio de aplicação de nitrogênio otimizada durante a estação. Funções programadas de exemplo incluem
Petição 870190123722, de 26/11/2019, pág. 37/105
31/90 exibir imagens tais como imagens SSURGO para capacitar desenho de zonas de aplicação e/ou imagens geradas de dados de solo de subcampo, tais como dados obtidos de sensores, em uma resolução espacial alta (tão refinada quanto 10 metros ou menos por causa de sua proximidade para o solo); transferência de zonas definidas por agricultor existentes; fornecer um gráfico de aplicação e/ou um mapa para capacitar ajuste de aplicação(s) de nitrogênio através de múltiplas zonas; produção de scripts para acionar maquinário; ferramentas para entrada e ajuste de dados de massa; e/ou mapas para visualização de dados, dentre outros. Entrada de dados de massa, neste contexto, pode significar introduzir dados uma vez e então aplicar os mesmos dados para múltiplos campos que tenham sido definidos no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo agricultor, mas tal entrada de dados massa se aplica para a entrada de qualquer tipo de dados de campo na aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de aplicações e de práticas de nitrogênio e para aceitar entrada de usuário especificando aplicação desses programas através de múltiplos campos. Programas de aplicações de nitrogênio, neste contexto, se referem a um conjunto de dados nomeados e armazenados que associam: um nome, código de cores ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação tal como injetado ou escavado e/ou quantidades ou taxas de aplicação
Petição 870190123722, de 26/11/2019, pág. 38/105
32/90 para cada uma das datas, plantação ou híbrido que a aplicação visa, dentre outros. Programas de práticas de nitrogênio, neste contexto, se referem a um conjunto de dados nomeados e armazenados que associam: um nome de prática; uma plantação anterior; um sistema de lavoura; uma data de lavoura primariamente; um ou mais sistemas de lavouras anteriores que foram usados; um ou mais indicadores de tipo de aplicação, tal como adubo, que foi usado. As instruções de nitrogênio 210 também podem ser programadas para gerar e induzir exibição de um gráfico de nitrogênio, o qual indica projeções de uso por planta do nitrogênio especificado e se um excedente ou complemento é predito; em algumas modalidades, indicadores coloridos diferentes podem sinalizar uma magnitude de excedente ou magnitude de complemento. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador compreendendo uma pluralidade de linhas, cada linha associada com e identificando um campo; dados especificando o que está plantado no campo, o tamanho de campo, a localização de campo e uma representação gráfica do perímetro de campo; em cada linha, uma linha de tempo por mês com indicadores gráficos especificando cada aplicação e quantidade de nitrogênio em pontos correlacionados com nomes de meses; e indicadores numéricos e/ou coloridos de excedente ou complemento, nos quais cor indica magnitude.
[059] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada de usuário, tais como dials ou barras de controle deslizante, para mudar dinamicamente os programas de aplicação e de práticas de
Petição 870190123722, de 26/11/2019, pág. 39/105
33/90 nitrogênio de maneira que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de aplicação e de práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxas variáveis (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e induzir exibição de um mapa de nitrogênio, o qual indica projeções de uso por planta do nitrogênio especificado e se um excedente ou complemento é predito; em algumas modalidades, indicadores coloridos diferentes podem sinalizar uma magnitude de excedente ou magnitude de complemento. O mapa de nitrogênio pode exibir projeções de uso por planta do nitrogênio especificado e se um excedente ou complemento é predito para tempos diferentes no passado e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) usando indicadores numéricos e/ou coloridos de excedente ou complemento, nos quais cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada de usuário, tais como dials ou barras de controle deslizante, para mudar dinamicamente os programas de aplicação e de práticas de nitrogênio de maneira que um usuário possa otimizar seu mapa de nitrogênio, tal como para obter uma quantidade preferida de excedente ou complemento. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de aplicação e de práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxas variáveis (VR). Em outras modalidades, instruções similares às instruções de nitrogênio 210 podem ser usadas para
Petição 870190123722, de 26/11/2019, pág. 40/105
34/90 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 de campo e informação meteorológica prevista. Isto capacita agricultores para economizar tempo e ter uma exibição integrada eficiente em relação às decisões operacionais diárias.
[061] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer na hora certa imagens de detecção remota destacando variação de plantação na estação e potenciais preocupações. Funções programadas de exemplo incluem verificação de nuvens, para identificar possíveis nuvens ou sombreados de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de exploração, incluindo, por exemplo, aquelas relacionadas com saúde de campo, e observação e/ou compartilhamento de notas de exploração; e/ou transferência de imagens de satélite de múltiplas fontes e priorização das imagens para o agricultor, dentre outros.
[062] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de compreensão usando dados a respeito de fazenda para avaliação, compreensões e decisões. Isto capacita o agricultor para procurar resultados aperfeiçoados para o próximo ano por meio de conclusões baseadas em fatos a respeito de porque retorno de investimento ficou em níveis anteriores, e compreensão para fatores limitantes de produção. As instruções de desempenho
Petição 870190123722, de 26/11/2019, pág. 41/105
35/90
216 podem ser programadas para se comunicar por meio da(s) rede(s) 109 com programas analíticos de lado servidor executados no sistema de computador de inteligência agrícola 130 e/ou no computador servidor de dados externos 108 e configurados para analisar métricas tais como produção, híbrido, população, SSURGO, testes de solo, ou elevação, dentre outros. Relatórios e análises programados podem incluir análise de variabilidade de produção, benchmarking de produção e outras métricas contra outros agricultores com base em dados coletados mantidos anônimos de muitos agricultores, ou dados para sementes e plantio, dentre outros.
[063] Aplicações tendo instruções configuradas deste modo podem ser implementadas para plataformas de dispositivos de computação diferentes enquanto que mantendo a mesma forma externa de interface de usuário comum. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, telefones inteligentes ou computadores servidores que são acessados usando navegadores em computadores clientes. Adicionalmente, a aplicação móvel tal como configurada para tablets ou telefones inteligentes pode fornecer uma experiência de aplicação completa ou uma experiência de aplicação de cabine que é adequada para as capacidades de exibição e de processamento do computador de cabine 115. Por exemplo, se referindo agora à vista (b) da figura 2, em uma modalidade uma aplicação de computador de cabine 220 pode compreender as instruções de mapas-cabine 222, as instruções de vista remota 224, as instruções de coleta e transferência de dados 226, as instruções de alertas de máquina 228, as instruções de transferência de
Petição 870190123722, de 26/11/2019, pág. 42/105
36/90 script 230 e as instruções de exploração-cabine 232. A base de código para as instruções da vista (b) pode ser a mesma da vista (a) e executáveis implementando o código podem ser programados para detectar o tipo de plataforma na qual eles estão executando e para expor, por meio de uma interface gráfica de usuário, somente aquelas funções que são apropriadas para uma plataforma de cabine ou plataforma completa. Esta abordagem capacita o sistema para reconhecer a experiência de usuário diferente distintamente que é apropriada para um ambiente de cabine e o ambiente de tecnologia diferente da cabine. As instruções de mapascabine 222 podem ser programadas para fornecer vistas de mapas de campos, fazendas ou de regiões que são úteis ao direcionar operação de máquina. As instruções de vista remota 224 podem ser programadas para ligar, gerenciar e fornecer vistas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e outros mais. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores para o sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e outros mais. As instruções de alertas de máquina 228 podem ser programadas para detectar questões com operações da máquina ou de ferramentas que estão associadas com a cabine e gerar alertas de operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configuradas para direcionar operações de máquina ou a
Petição 870190123722, de 26/11/2019, pág. 43/105
37/90 coleta de dados. As instruções de exploração-cabine 230 podem ser programadas para exibir alertas baseados em localizações e informação recebida do sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo e ingerir, gerenciar e fornecer transferência de observações de exploração baseadas em localizações para o sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo.
[064] 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR [065] Em uma modalidade, o computador servidor de dados externos 108 armazena os dados externos 110, incluindo dados de solo representando composição de solo para o um ou mais campos e dados meteorológicos representando temperatura e precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes assim como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composições de solos enquanto que um segundo servidor pode incluir dados meteorológicos. Adicionalmente, dados de composições de solos podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados representando porcentagens de areia, silte e argila no solo enquanto que um segundo servidor pode armazenar dados representando porcentagens de matéria orgânica (OM) no solo.
[066] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados
Petição 870190123722, de 26/11/2019, pág. 44/105
38/90 para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plantio, sensores de lavoura, sensores de aplicação de fertilizante ou inseticida, sensores de colheitadeiras e qualquer outro implemento capaz de receber dados do um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantio, equipamento de lavoura, equipamento de fertilizante ou de inseticida, equipamento de colheita ou outros implementos agrícolas tais como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[067] O sistema 130 pode obter ou ingerir dados, sob o controle do usuário 102, de uma base de massa de um grande número de agricultores que tenham contribuído com dados para um sistema de base de dados compartilhado. Esta forma de obter dados pode ser denominada de ingestão de dados manual já que uma ou mais operações de computador controladas por usuário são solicitadas ou ativadas para obter dados para uso pelo sistema 130. Como um exemplo, a aplicação CLIMATE FIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia, pode
Petição 870190123722, de 26/11/2019, pág. 45/105
39/90 ser operada para exportar dados para o sistema 130 para armazenamento no repositório 160.
[068] Por exemplo, sistemas de monitoramento de sementes podem tanto controlar componentes de aparelho semeador quanto obter dados de plantio, incluindo sinais de sensores de sementes por meio de um feixe de fios de sinais que compreende uma rede principal CAN e conexões ponto a ponto para registro e/ou diagnósticos. Sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de semente, população e outra informação para o usuário por meio do computador de cabine 115 ou de outros dispositivos dentro do sistema 130. Exemplos são revelados na patente US 8.738.243 e na publicação de patente US 20150094916, e a presente revelação assume conhecimento dessas outras revelações de patentes.
[069] Igualmente, sistemas de monitoramento de produções podem conter sensores de produção para aparelho de colheita que enviam dados de medição de produção para o computador de cabine 115 ou para outros dispositivos dentro do sistema 130. Sistemas de monitoramento de produções podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grão em uma colheitadeira combinada ou em outra colheitadeira e podem transmitir estas medições para o usuário por meio do computador de cabine 115 ou de outros dispositivos dentro do sistema 130.
[070] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito em outro lugar neste documento incluem sensores cinemáticos e sensores de posição.
Petição 870190123722, de 26/11/2019, pág. 46/105
40/90
Sensores cinemáticos podem compreender qualquer um dos sensores de velocidade tais como radar ou sensores de velocidade de roda, acelerômetros, ou giroscópios. Sensores de posição podem compreender receptores ou transceptores GPS, ou aplicações de posição ou de mapeamento baseadas em WiFi que são programadas para determinar localização com base em pontos de acesso WiFi próximos, dentre outros.
[071] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade de motor, sensores de consumo de combustível, contadores de áreas ou contadores de distâncias que interagem com GPS ou sinais de radar, sensores PTO (tomada de força) de velocidade, sensores de hidráulica de trator configurados para detectar parâmetros hidráulicos tais como pressão ou fluxo, e/ou velocidade de bomba hidráulica, sensores de velocidade de roda ou sensores de deslizamento de roda. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidades de bombas hidráulicas; controladores ou reguladores de velocidades; controladores de posições de obstáculos; ou controladores de posições de rodas para fornecer direção automática.
[072] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com equipamentos de plantio de sementes tais como semeadeiras, furadeiras, ou semeadeiras a ar incluem sensores de sementes, os quais podem ser sensores óticos, eletromagnéticos ou de impacto; sensores de força para baixo tais como pinos de carga, células de carga,
Petição 870190123722, de 26/11/2019, pág. 47/105
41/90 sensores de pressão; sensores de propriedades de solo tais como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduos óticos ou sensores de temperatura; sensores de critérios de operação de componentes tais como sensores de profundidade
| de plantio, sensores de pressão | de cilindro | de | força para | |
| baixo, sensores | de velocidades | de discos | de | sementes, |
| codificadores de | motores de | acionamento | de | sementes, |
sensores de velocidades de sistemas transportadores de sementes, ou sensores de nível a vácuo; ou sensores de aplicações de pesticidas tais como sensores óticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: controladores de dobramento de barra de ferramentas, tais como controladores para válvulas associadas com cilindros hidráulicos; controladores de força para baixo, tais como controladores para válvulas associadas com cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força para baixo às unidades de fileiras individuais ou a uma armação de semeadora total; controladores de profundidades de plantio, tais como acionadores lineares; controladores de medições, tais como motores elétricos de acionamento de dosadores de sementes, motores hidráulicos de acionamento de dosadores de sementes ou embreagens de controle de fileiras; controladores de seleções de híbridos, tais como motores de acionamento de dosadores de sementes, ou outros acionadores programados para seletivamente permitir ou impedir que semente ou uma mistura de ar-sementes seja entregue para ou
Petição 870190123722, de 26/11/2019, pág. 48/105
42/90 de dosadores de sementes ou de tremonhas de volume central; controladores de medições, tais como motores elétricos de acionamento de dosadores de sementes, ou motores hidráulicos de acionamento de dosadores de sementes; controladores de sistemas transportadores de sementes, tais como controladores para um motor de correia transportadora de entrega de sementes; controladores de marcadores, tais como um controlador para um acionador pneumático ou hidráulico; ou controladores de taxas de aplicações de pesticidas, tais como controladores de acionamentos de medições, controladores de tamanhos ou de posições de orifícios.
[073] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas tais como hastes ou discos; sensores de posições de ferramentas para tais ferramentas que são configuradas para detectar profundidade, ângulo de conjunto de ferramentas ou espaçamento lateral; sensores de forças para baixo; ou sensores de forças de arrasto. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de forças para baixo ou controladores de posições de ferramentas, tais como
| controladores configurados | para controlar | profundidade | de | ||
| ferramenta, | ângulo de | conj unto | de | ferramentas | ou |
| espaçamento | lateral. | ||||
| [074] Em | uma modalidade | , exemplos | dos | sensores 112 | que |
podem ser usados em relação ao aparelho para aplicar fertilizante, inseticida, fungicida e outros mais, tais como sistemas de fertilizantes iniciadores em semeadoras,
Petição 870190123722, de 26/11/2019, pág. 49/105
43/90 aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistemas de fluidos, tais como sensores de fluxo ou sensores de pressão; sensores indicando que válvulas de cabeça de pulverização ou válvulas de linha de fluido estão abetas; sensores associados com tanques, tais como sensores de nivel de enchimento; sensores de linhas de fornecimento seccionais ou de sistema total, ou sensores de linhas de fornecimento específicos de fileiras; ou sensores cinemáticos tais como acelerômetros dispostos em lanças pulverizadoras. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidades de bombas; controladores de válvulas que são programadas para controlar pressão, fluxo, direção, PWM e outros mais; ou acionadores de posições, tais como para altura de lança, profundidade de arado de subsolo ou posição de lança.
[075] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com ceifeiras incluem monitores de produções, tais como medidores de deformações de placas de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso, ou sensores de torque associados com elevadores ou verrumas, ou sensores óticos ou outros sensores eletromagnéticos de altura de grão; sensores de umidade de grão, tal como sensores capacitivos; sensores de perda de grão, incluindo sensores de impacto, óticos ou capacitivos; sensores de critérios de operação de cabeça colhedora tais como altura de cabeça colhedora, tipo de cabeça colhedora, folga de placa de estrado, velocidade de alimentador e sensores de
Petição 870190123722, de 26/11/2019, pág. 50/105
44/90 velocidade de carretei; sensores de critérios de operação separadores, tais como abertura de côncavo, velocidade de rotor, folga de sapata, ou sensores afastamento; sensores de verrumas para posição, operação ou velocidade; ou sensores de velocidade de motor. Em uma modalidade, exemplos dos controladores 114 que podem ser usados com ceifeiras incluem controladores de critérios de operação de cabeça colhedora para elementos tais como altura de cabeça colhedora, tipo de cabeça colhedora, folga de placa de estrado, velocidade de alimentador ou velocidade de carretei; controladores de critérios de operação de separadores para recursos tais como abertura de côncavo, velocidade de rotor, folga de sapata, ou afastamento; ou controladores para posição, operação ou velocidade de verruma.
[07 6] Em uma modalidade, exemplos dos sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade de verruma. Em uma modalidade, exemplos dos controladores 114
| que podem ser usados com | carrinhos | de | grãos incluem |
| controladores para posição, | operação | ou | velocidade de |
| verruma. | |||
| [077] Em uma modalidade, | exemplos | dos | sensores 112 e |
dos controladores 114 podem ser instalados em veículos aéreos nãos tripulados (UAVs) ou drones. Tais sensores podem incluir câmeras com detectores efetivos para qualquer faixa do espectro eletromagnético incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e outros mais; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubos de
Petição 870190123722, de 26/11/2019, pág. 51/105
45/90 pitot ou outros sensores de velocidade em relação ao ar ou sensores de velocidade de vento; sensores de vida de batería; ou emissores de radar e aparelho de detecção de energia radar refletida. Tais controladores podem incluir aparelho de orientação ou de controle de motor, controladores de superfície de controle, controladores de câmeras ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores indicados anteriormente. Exemplos são revelados no pedido de patente US 14/831.165 e a presente revelação assume conhecimento dessa outra revelação de patente.
[078] Em uma modalidade, os sensores 112 e os controladores 114 podem ser incorporados a um aparelho de amostragem e medição de solo que é configurado ou programado para amostrar solo e executar testes de química de solo, testes de umidade de solo e outros testes relativos ao solo. Por exemplo, o aparelho revelado na patente US 8.767.194 e na patente US 8.712.148 pode ser usado, e a presente revelação assume conhecimento dessas revelações de patentes.
[079] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar condições meteorológicas de campos. Por exemplo, o aparelho revelado no pedido provisório US 62/154.207, depositado em 29 de abril de 2015, no pedido provisório US 62/175.160, depositado em 12 de junho de 2015, no pedido provisório US 62/198.060, depositado em 28 de julho de 2015 e no pedido provisório US 62/220.852, depositado em 18 de setembro de 2015, pode ser usado, e a presente revelação assume conhecimento dessas
Petição 870190123722, de 26/11/2019, pág. 52/105
46/90 revelações de patentes.
[080] 2.4 VISTA GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO [081] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema de computador de inteligência agrícola 130 que compreende os dados de campo 106, tais como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem condições que podem afetar o crescimento de uma ou mais plantações em um campo, ou propriedades da uma ou mais plantações, ou ambas. Adicionalmente, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos tais como recomendações de plantação, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados com plantação, tais como rendimento agronômico. O rendimento agronômico de uma plantação é uma estimativa de quantidade da plantação que é produzida, ou em alguns exemplos a receita ou lucro obtido com a safra colhida.
[082] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas com informação de localização e de plantação recebida correntemente para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo
Petição 870190123722, de 26/11/2019, pág. 53/105
47/90 processados anteriormente, incluindo, mas não limitado a isto, dados de identificação, dados de colheita, dados de fertilizante e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de modo cruzado para assegurar precisão do modelo. Validação cruzada pode incluir comparação com veracidade de solo que compara resultados preditos com resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um medidor ou sensor de chuva fornecendo dados meteorológicos na mesma ou em localização próxima ou uma estimativa de teor de nitrogênio com uma medição de amostra de solo.
[083] A figura 3 ilustra um processo programado por meio do qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos préconfigurados usando dados de campo fornecidos por uma ou mais fontes de dados. A figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para executar as operações que são descritas agora.
[084] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar pré-processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para o propósito de remover ruído e efeitos de distorção dentro dos dados agronômicos incluindo valores discrepantes medidos que predisporiam valores de dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a isto,
Petição 870190123722, de 26/11/2019, pág. 54/105
48/90 remover valores de dados associados comumente com valores de dados discrepantes, pontos de dados específicos medidos que são conhecidos para distorcer desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtragem ou de derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas.
[085] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para executar seleção de subconjunto de dados usando os dados de campo pré-processados a fim de identificar conjuntos de dados úteis para geração de modelo agronômico inicial. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, mas não limitadas a isto, um método de algoritmo genético, um método de modelos de todos os subconjuntos, um método de pesquisa sequencial, um método de regressão de forma gradual, um método de otimização de multidão de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de pesquisa heurística adaptativa, com base em princípios evolucionários de seleção e genética naturais, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos préprocessados .
[086] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é
Petição 870190123722, de 26/11/2019, pág. 55/105
49/90 avaliado ao criar um modelo agronômico e usar limiares de qualidade específicos para o modelo agronômico criado. Modelos agronômicos podem ser comparados usando técnicas de validação cruzada incluindo, mas não limitadas a isto, validação cruzada de raiz do erro quadrático médio de deixar um de fora (RMSECV) , erro absoluto médio e erro de porcentagem média. Por exemplo, RMSECV pode validar de modo cruzado modelos agronômicos ao comparar valores de propriedades agronômicas preditos criados pelo modelo agronômico com valores de propriedades agronômicas históricos coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é usada como um laço de realimentação onde conjuntos de dados agronômicos que não satisfazem limiares de qualidade configurados são usados durante futuras etapas de seleção de subconjunto de dados (bloco 310).
[087] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de modo cruzado. Em uma modalidade, criação de modelo agronômico pode implementar técnicas de regressão de múltiplas variáveis para criar modelos de dados agronômicos pré-configurados.
[088] 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.
[089] 2.5 EXEMPLO DE IMPLEMENTAÇÃO - VISTA GERAL DE HARDWARE [090] De acordo com uma modalidade, as técnicas
Petição 870190123722, de 26/11/2019, pág. 56/105
50/90 descritas neste documento são implementadas por meio de um ou mais dispositivos de computação de uso especial. Os dispositivos de computação de uso especial podem ser conectados fisicamente para executar as técnicas, ou podem incluir dispositivos eletrônicos digitais como um ou mais circuitos integrados de aplicação especifica (ASICs) ou matrizes de portas programáveis em campo (FPGAs) que são programados de modo persistente para executar as técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com instruções de programa em firmware, memória, outro armazenamento ou em uma combinação. Tais dispositivos de computação de uso especial também podem combinar lógica conectada fisicamente personalizada, ASICs, ou FPGAs com programação personalizada para executar as técnicas. Os dispositivos de computação de uso especial podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica conectada fisicamente e/ou de programa para implementar as técnicas.
[091] Por exemplo, a figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para transmitir informação, e um processador de hardware 404 acoplado ao barramento 402 para processar informação. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[092] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso
Petição 870190123722, de 26/11/2019, pág. 57/105
51/90 aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplada ao barramento 402 para armazenar informação e instruções para serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outra informação intermediária durante execução de instruções a ser executadas pelo processador 404. Tais instruções, quando armazenadas em mídias de armazenamento não transitório acessível para o processador 404, renderizam o sistema de computador 400 em uma máquina de uso especial que é personalizada para executar as operações especificadas nas instruções.
[093] O sistema de computador 400 inclui adicionalmente uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informação estática e instruções para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco ótico ou unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informação e instruções.
| [094] 0 sistema | de | computador 400 | pode | ser acoplado | via | |
| barramento 402 a | um | mostrador 412, | tal | como um | tubo | de |
| raios catódicos ( | CRT | ) , para exibir | informação | para | um |
usuário de computador. Um dispositivo de entrada 414, incluindo teclado alfanumérico e outras teclas, é acoplado ao barramento 402 para introduzir informação e comandar seleções para o processador 404. Um outro tipo de dispositivo de entrada de usuário é o controle de cursor 416, tal como um mouse, um mouse estacionário, ou teclas de direções de cursor para introduzir informação de direção e
Petição 870190123722, de 26/11/2019, pág. 58/105
52/90 comandar seleções para o processador 404 e para controlar movimento de cursor no mostrador 412. Este dispositivo de entrada tipicamente tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y) , que permitem que o dispositivo especifique posições em um plano.
[095] O sistema de computador 400 pode implementar as técnicas descritas neste documento usando lógica incorporada personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador induzem ou programam o sistema de computador 400 para ser uma máquina de uso especial. De acordo com uma modalidade, as técnicas neste documento são executadas pelo sistema de computador 400 em resposta ao processador 404 executar uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 de uma outra mídia de armazenamento, tal como o dispositivo de armazenamento 410. Execução das sequências de instruções contidas na memória principal 406 induz processador 404 para executar as etapas de processo descritas neste
| documento. | Em modalidades | alternativas, | conj unto | de |
| circuitos | incorporado pode | ser usado no | lugar ou | em |
| combinação | com instruções de | software. | ||
| [096] 0 | termo mídias de | armazenamento | tal como usado |
neste documento se refere a quaisquer mídias não transitórias que armazenam dados e/ou instruções que induzem uma máquina para operar em um modo específico. Tais mídias de armazenamento podem compreender mídias não voláteis e/ou mídias voláteis. Mídias não voláteis incluem,
Petição 870190123722, de 26/11/2019, pág. 59/105
53/90 por exemplo, discos óticos, discos magnéticos ou unidades de estado sólido tais como o dispositivo de armazenamento 410. Mídias voláteis incluem memória dinâmica, tal como a memória principal 406. Formas comuns de mídias 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 óticos, qualquer mídia física com padrões de furos, uma RAM, uma PROM e EPROM, uma FLASHEPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[097] Mídias de armazenamento são distintas de mídias de transmissão, mas podem ser usadas em combinação com as mesmas. Mídias de transmissão participam na transferência de informação entre mídias de armazenamento. Por exemplo, mídias de transmissão incluem cabos coaxiais, fio de cobre e fibras óticas, incluindo os fios que compreendem o barramento 402. Mídias de transmissão podem ter também a forma de ondas acústicas ou de luz, tais como aquelas geradas durante comunicações de dados de onda de rádio e infravermelho.
[098] Várias formas de mídias podem ser envolvidas ao carregar uma ou mais sequências de uma ou mais instruções no processador 404 para execução. Por exemplo, as instruções podem ser carregadas inicialmente em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções na sua memória dinâmica e enviar as instruções por meio de uma linha de telefone usando um modem. Um modem local para o sistema de computador 400 pode receber os dados pela linha
Petição 870190123722, de 26/11/2019, pág. 60/105
54/90 de telefone e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector de infravermelho pode receber os dados carregados no sinal infravermelho e um conjunto de circuitos apropriado pode colocar os dados no barramento 402. O barramento 402 carrega os dados na memória principal 406, da qual processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 opcionalmente podem ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[099] 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 para um enlace de rede 420 que é conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem de satélite ou um modem para fornecer uma conexão de comunicação de dados para um tipo correspondente de linha de telefone. Como um outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área local (LAN) para fornecer uma conexão de comunicação de dados para uma LAN compatível. Enlaces sem fio também podem ser
| implementados. Em | qualquer | tal | implementação, a | interface | |
| de comunicação | 418 | envia | e | recebe sinais | elétricos, |
| eletromagnéticos | ou | óticos | que | carregam fluxos | de dados |
digitais representando vários tipos de informação.
[0100] 0 enlace de rede 420 tipicamente possibilita comunicação de dados por meio de uma ou mais redes para
Petição 870190123722, de 26/11/2019, pág. 61/105
55/90 outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão por meio da rede local 422 para um computador hospedeiro 424 ou para equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426 por sua vez fornece serviços de comunicação de dados por meio da rede mundial de comunicação de dados de pacotes referida agora comumente como a Internet 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou óticos que carregam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de comunicação 418, os quais carregam os dados digitais para e a partir do sistema de computador 400, são formas de exemplo de mídias de transmissão.
[0101] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, por meio da(s) rede(s), do enlace de rede 420 e da interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicação por meio da Internet 428, ISP 426, rede local 422 e da interface de comunicação 418.
[0102] O código recebido pode ser executado pelo processador 404 à medida que ele é recebido e/ou armazenado no dispositivo de armazenamento 410, ou em outro armazenamento não volátil, para execução mais tarde.
[0103] 3. REDE NEURAL AGRONÔMICA [0104] A figura 7 representa uma arquitetura de rede neural para computar um ou mais valores de rendimentos preditos a partir de uma ou mais entradas relacionadas com plantação. As redes neurais, tais como descritas neste
Petição 870190123722, de 26/11/2019, pág. 62/105
56/90 documento, se referem a uma pluralidade de equações, cada uma das quais é configurada para aumentar uma pluralidade de entradas para produzir uma saída. Pesos individuais são aplicados a cada equação e aumentados à medida que a rede neural é treinada. Assim, quanto maior a quantidade de informação de treinamento tanto mais forte a rede neural se torna para produzir saídas precisas.
[0105] Redes neurais individuais são descritas neste documento em níveis altos de generalidade com base em entradas, saídas e tipo de rede neural. Uma pessoa de conhecimento comum na técnica tendo dados a respeito de entradas, saídas e tipo de rede neural seria capaz de construir uma modalidade de trabalho usando código fonte aberto. Por exemplo, software de código aberto pode ser usado para implementar uma arquitetura particular de uma rede neural tal como a rede neural Grupo de Geometria Visual (VGG) criada pelo Departamento de Ciência de Engenharia da Universidade de Oxford. Software de código aberto para implementar a rede neural VGG está disponível pela TensorFlow, uma biblioteca de softwares de código aberto desenvolvida pelo Google Brain Team.
[0106] Na figura 7, a rede neural profunda 700 inclui uma pluralidade de entradas que podem ser usadas para treinar uma rede neural agronômica, incluindo os dados de identificação de plantações 704, os dados ambientais 708, os dados de práticas de gerenciamento 716 e os dados adicionais 720. Embora a figura 7 represente uma pluralidade de redes neurais treinadas em isolamento, em uma modalidade cada rede neural individual é treinada como parte de um sistema coesivo. Assim, os dados de entrada
Petição 870190123722, de 26/11/2019, pág. 63/105
57/90
704, 708, 712, 716 e 720 podem ser usados para treinar uma rede neural individual ou para treinar uma série de redes neurais, tal como representado na figura 7, que são então usadas para treinar uma rede neural mestre 740.
[0107] 3.1. DADOS DE TREINAMENTO [0108] Dados de treinamento de uma maneira geral se referem aos conjuntos de dados que são usados para treinar redes neurais individuais, a rede neural profunda 700, ou uma combinação das duas. Cada conjunto de dados corresponde ao ciclo de crescimento de uma ou mais plantações em um ou mais campos. Cada conjunto de dados usado no treinamento da rede neural profunda 700 inclui pelo menos um valor de rendimento para a uma ou mais plantações. Valores de rendimentos são descritos adicionalmente neste documento, mas eles de uma maneira geral correspondem a um valor representando a conclusão de um ciclo de crescimento. Assim, um conjunto de dados de treinamento apropriado corresponde a uma plantação que tenha sido plantada, amadurecida e colhida.
[0109] Dados de treinamento também incluem um ou mais de os dados de identificação de plantações 704, os dados ambientais 708, os dados de práticas de gerenciamento 716 e os dados adicionais 720. Embora os melhores conjuntos de dados de treinamento incluam cada tipo de dados, redes neurais individuais ainda podem ser treinadas usando alguns conjuntos de dados que não compreendem cada um dos tipos de dados. Por exemplo, conjuntos de dados que compreendem os dados de identificação de plantações 704 e os dados ambientais 708 seriam úteis ao capturar o corte transversal de efeitos em rendimento total do tipo de plantação e do
Petição 870190123722, de 26/11/2019, pág. 64/105
58/90 ambiente, enquanto que dados compreendendo efeitos sobre o rendimento total de práticas de gerenciamento seriam perdidos. Assim, tal como com qualquer rede neural, quanto mais completos são os dados de treinamento tanto melhor o desempenho da rede neural.
[0110] Em uma modalidade, redes neurais individuais são executadas em conjuntos de dados incompletos, isto é, conjuntos de dados que perdem um ou mais dos tipos de dados usados para treinar a rede neural profunda 700. Em uma modalidade, quando um conjunto de dados incompleto é usado, tipos de dados perdidos são assumidos como sendo mantidos constantes. Assim, no exemplo indicado anteriormente, valores médios podem ser usados para os dados de práticas de gerenciamento 716 ao treinar a rede neural profunda usando um conjunto de dados compreendendo os dados de identificação de plantações 704 e os dados ambientais 708.
[0111] Conjuntos de dados podem ser fornecidos por meio dos dados externos 110 e/ou dos dados de campo 106. Por exemplo, vários estudos de plantações podem conter dados a respeito de tipos de plantações, eventos meteorológicos, práticas de gerenciamento e informação adicional. Os dados dos estudos de plantações podem ser combinados em uma pluralidade de conjuntos de dados para treinar a rede neural profunda 700. Adicionalmente, conjuntos de dados podem ser fornecidos pelos dispositivos de computação gerenciadores de campos 104. Fazendeiros individuais podem enviar dados com relação aos seus campos para o sistema de computador de inteligência agrícola 130. O sistema de computador de inteligência agrícola 130 pode rastrear dados adicionais dos campos para os fazendeiros individuais. Por
Petição 870190123722, de 26/11/2019, pág. 65/105
59/90 exemplo, o sistema de computador de inteligência agrícola 130 pode receber dados de temperatura e de precipitações de um ou mais sensores. Uma vez que um campo tenha sido colhido, o dispositivo de computação gerenciador de campos 104 pode enviar dados de produção para o sistema de computador de inteligência agrícola 130. Usando os dados rastreados e os dados recebidos, o sistema de computador de inteligência agrícola 130 pode gerar um novo conjunto de dados para treinar a rede neural profunda 700.
[0112] 3.2. REDE NEURAL DE IDENTIFICAÇÃO DE PLANTAÇÃO [0113] Em uma modalidade, uma primeira rede neural é treinada usando os dados de identificação de plantações 704. Os dados de identificação de plantações 704 podem incluir entrada usada para distinguir um tipo de cultura em um tipo diferente de plantação. Por exemplo, dados de identificação de plantações podem incluir a maturidade relativa de uma semente que é plantada em um campo. Dados de identificação de plantações também podem incluir indicadores para um tipo de cultura. Por exemplo, um primeiro valor em um conjunto de valores pode se referir a um tipo de cultura, tal como milho, algodão ou trigo, enquanto que uma próxima série de valores identifica a espécie individual da plantação, tal como pela maturidade relativa de a semente.
[0114] Em uma modalidade, os dados de identificação de plantações 704 incluem o genótipo de cultura 706. O genótipo de cultura 706 pode compreender uma pluralidade de valores que identificam o genótipo da cultura particular que está plantada no campo ou o genoma da cultura que está plantada no campo. O genótipo de cultura pode ser
Petição 870190123722, de 26/11/2019, pág. 66/105
60/90 compactado em um vetor de valores representando uma sequência de DNA da plantação. Adicionalmente ou de forma alternativa, o genótipo de cultura 706 pode compreender um ou mais polimorfismos de nucleotídeo simples (SNPs). Embora o genoma para uma cultura particular possa estar na ordem de 50.000 valores, usar um ou mais SNPs permite que uma quantidade similar de informação seja compactada em um número menor de valores.
[0115] Em uma modalidade, o genótipo de cultura 706 pode incluir uma ou mais partes de um genoma de uma cultura. Por exemplo, pesquisa científica a respeito de genomas para milho pode indicar quais partes do genoma estão correlacionadas mais diretamente com diferenças em rendimento de plantação. Em vez de usar o genoma total da cultura de milho para treinar e usar a rede neural de identificação de plantação, a rede neural de identificação de plantação pode ser construída usando somente as partes da sequência de genoma que tenham sido determinadas como tendo uma correlação com rendimento de plantação. Assim, quando informação de plantação é recebida para um campo particular, o sistema de computador de inteligência agrícola 130 pode ser programado ou configurado para identificar partes particulares do genoma de cultura com base em partes do genoma de cultura que foram usadas para treinar a rede neural de identificação de plantação.
[0116] Em uma modalidade, a rede neural profunda 700 inclui uma rede neural recorrente (RNN) para computar efeitos em rendimento de plantação dos dados de identificação de plantações 704. Por exemplo, uma RNN pode ser treinada usando genomas de culturas como entrada e
Petição 870190123722, de 26/11/2019, pág. 67/105
61/90 valores de rendimentos como saída. À medida que a RNN é treinada, a RNN pode ficar conhecendo quais elementos do genoma de cultura têm um efeito em rendimento e quais elementos do genoma de cultura não têm um efeito sobre o rendimento. Modalidades de exemplo da RNN para computar efeitos em rendimento com base em dados de identificação de plantações incluem redes neurais de memórias de longo e curto prazo (LSTMs) e redes neurais de unidades recorrentes de portas (GRUs). O uso de LSTMs ou de GRUs permite à rede neural reter informação com relação a efeitos em rendimento de plantação independente de quando a informação foi introduzida na rede neural.
[0117] Em uma modalidade, a RNN é usada para computar uma incorporação de genótipo descoberto 730. As camadas de incorporação, tal como descrito neste documento, se referem às camadas intermediárias que contêm informação relevante para os efeitos de entrada de dados no rendimento de plantação. Estas camadas de incorporação permitem que a rede neural mestre seja executada em uma quantidade menor de dados, melhorando desse modo o desempenho da rede neural mestre ao reduzir a capacidade de processamento para treinar e executar a rede neural mestre e reduzindo o tempo gasto para treinar e executar a rede neural mestre. No caso dos dados de identificação de plantações 704, a RNN codifica efeitos em rendimento de plantação do genótipo da cultura em um número menor de valores que mais tarde podem ser usados em uma rede neural mestre para computar um ou mais valores de rendimentos.
[0118] Embora cada incorporação seja descrita como uma codificação de um efeito sobre o rendimento total com base
Petição 870190123722, de 26/11/2019, pág. 68/105
62/90 em dados particulares, cada incorporação individual não é codificada para ser dispositivo por si mesma. Cada incorporação é configurada durante o estágio de treinamento para incluir informação útil com relação aos dados de entrada que podem ter um efeito sobre o rendimento total. A informação incluída em uma primeira incorporação é projetada para interagir com informação incluída em um segunda incorporação. Por exemplo, certos genótipos de culturas podem ser mais resistentes a temperaturas altas do que outros genótipos de culturas. Assim, a incorporação do genótipo descoberto 730 pode conter informação que identifica quão fortemente os efeitos de temperaturas altas na incorporação ambiental descoberta influenciarão o rendimento de plantação total.
[0119] 3.3. REDE NEURAL AMBIENTAL [0120] Em uma modalidade, uma segunda rede neural é treinada usando os dados ambientais 708. Os dados ambientais 708 podem incluir qualquer informação a respeito do ambiente durante uma estação de cultivo de uma plantação. Por exemplo, os dados ambientais 708 podem incluir informação a respeito de condições meteorológicas, tais como temperatura, precipitação, quantidade de neve, velocidade de vento e ocorrência de eventos anormais tais como furacões, inundações e terremotos. Adicionalmente ou de forma alternativa, os dados ambientais 708 podem incluir propriedades de cada campo, tais como topografia e propriedades de solo. Em uma modalidade, dados ambientais são divididos em um ou mais de dados ambientais temporais, dados ambientais espaciais ou dados ambientais espaçotemporais.
Petição 870190123722, de 26/11/2019, pág. 69/105
63/90 [0121] 3.3.1. DADOS AMBIENTAIS TEMPORAIS [0122] Os dados ambientais temporais 710 incluem informação a respeito do ambiente que muda ao longo do tempo, mas que é tratada como sendo consistente sobre um campo inteiro. Os dados ambientais temporais 710 podem ser armazenados como uma ou mais séries temporais, isto é, um vetor de valores em que cada um representa uma medição ou estimativa em um tempo particular em uma estação de cultivo. As séries temporais podem incluir valores para cada minuto, hora, dia e/ou semana dependendo das séries temporais. Por exemplo, no caso de precipitação, níveis de precipitação de hora em hora podem ser mais úteis para cobrir tempestades convectivas pequenas enquanto que níveis de temperatura diários podem ser usados para minimizar a quantidade de dados armazenados e usados no treinamento e processamento das redes neurais. Os dados ambientais temporais 710 podem incluir, mas não estão limitados a isto, qualquer um de temperatura diária, nível de precipitação diária, nível de quantidade de neve diária ou ocorrência ou não ocorrência diária de eventos anormais.
[0123] Em uma modalidade, os dados ambientais temporais 710 podem compreender uma pluralidade de séries temporais para um tipo particular de dados. Por exemplo, três (3) séries temporais podem ser usadas para temperatura para cada campo: uma série temporal de temperatura mais alta, uma série temporal de temperatura mais baixa e uma série temporal de temperatura média. A série temporal de temperatura mais alta, a título de exemplo, pode incluir uma série de valores de dados representando a temperatura mais alta tal como medida por um termômetro em um campo
Petição 870190123722, de 26/11/2019, pág. 70/105
64/90 para cada dia de uma estação de cultivo iniciando na data de plantio.
[0124] Em uma modalidade, a rede neural profunda 700 inclui uma rede neural recorrente (RNN) para computar efeitos em rendimento de plantação dos dados ambientais temporais 708. Por exemplo, uma RNN pode ser treinada usando séries temporais como entrada e valores de rendimentos como saída. Cada série temporal pode ser identificada como uma entrada diferente para uma única rede neural de convolução. Alternativamente, cada série temporal pode ser usada como entradas para a sua própria RNN. Os efeitos resultantes em rendimento de cada uma das séries temporais podem então ser usados como entradas em uma rede neural ambiental temporal a fim de computar um efeito total em rendimento de uma pluralidade de séries temporais diferentes. Modalidades de exemplo da RNN para computar efeitos em rendimento com base em dados ambientais temporais incluem redes neurais de memórias de longo e curto prazo (LSTMs) e redes neurais de unidades recorrentes de portas (GRUs).
[0125] 3.3.2. DADOS AMBIENTAIS ESPACIAIS [0126] Os dados ambientais espaciais 712 incluem informação a respeito do ambiente que muda espacialmente, mas que é tratada como sendo consistente ao longo do tempo. Os dados ambientais espaciais 712 podem ser armazenados como uma ou mais camadas espaciais empilhadas, isto é, matrizes de valores em que cada um representa uma medição ou estimativa em uma localização particular no campo. Por exemplo, cada elemento de uma primeira matriz pode representar um único pixel de cinco metros por cinco metros
Petição 870190123722, de 26/11/2019, pág. 71/105
65/90 que corresponde a uma localização no campo. Assim, o primeiro elemento da matriz pode compreender uma medição ou estimativa na parte superior esquerda de cinco metros por cinco metros do campo. O tamanho de pixel para tipos diferentes de dados espaciais pode diferir, contudo o tamanho de pixel para um tipo particular de dados pode permanecer constante para cada entrada do mesmo tipo de dados. Por exemplo, mapas de topografia do campo podem ficar disponíveis em resoluções maiores que as dos mapas de propriedades de solo do campo. Assim, a resolução espacial entre os mapas de topografia e os mapas de propriedades de solo pode diferir. Também, cada mapa de topografia para cada campo dos dados de treinamento pode usar o mesmo tamanho de pixel.
[0127] Em uma modalidade, os dados ambientais espaciais 712 compreendem uma pluralidade de mapas espaciais para um tipo particular de dados. Por exemplo, os mapas de propriedades de solo podem incluir um primeiro mapa para teor de areia do solo, um segundo mapa para teor de silte do solo, e um terceiro mapa para teor de argila do solo. Mapas espaciais adicionais podem incluir, mas não estão limitados a isto, teor de nitrogênio do solo, tipo de solo e teor de carbono orgânico no solo. Os dados ambientais espaciais 712 podem incluir adicionalmente camadas diferentes de propriedades de solo. Por exemplo, teor de carbono orgânico no solo pode ser medido em uma camada superior e em uma ou mais camadas de solo de subsuperfície.
[0128] Onde elementos espaciais são assumidos para mudar ao longo do tempo, uma pluralidade de mapas ambientais espaciais pode ser usada como dados espaço
Petição 870190123722, de 26/11/2019, pág. 72/105
66/90 temporais. Por exemplo, teor de umidade no solo pode mudar diariamente com base em aplicação de água, precipitação, temperatura e absorção de água pela plantação. Uma pluralidade de mapas de teores de umidades pode ser usada como dados de entrada para uma rede neural, onde cada mapa de teores de umidades identifica teor de umidade em uma pluralidade de localizações em um ponto diferente na estação de cultivo.
[0129] Em uma modalidade, a rede neural profunda 700 contém uma rede neural convolucional (CNN) para computar efeitos em rendimento de plantação de dados ambientais espaciais. Uma rede neural convolucional é capaz de aprendizagem a partir de dados de imagens, tais como os dados ambientais espaciais 712. Como cada ponto de dados representa um pixel, a rede neural convolucional pode rastrear efeitos de pixels próximos uns nos outros e mapear um efeito sobre o rendimento a partir de vários mapas espaciais. Tal como com as redes neurais recorrentes, cada mapa espacial pode corresponder à sua própria rede neural convolucional, cada mapa espacial pode ser usado como uma entrada diferente para uma rede neural abrangente, ou qualquer combinação de mapas espaciais pode ser usada como entradas diferentes para uma rede neural convolucional. Por exemplo, no caso de dados espaço-temporais, cada mapa da pluralidade de mapas pode ser usado como entradas diferentes para a rede neural convolucional.
[0130] 3.3.3. INCORPORAÇÃO AMBIENTAL DESCOBERTA [0131] Em uma modalidade, a rede neural profunda usa uma ou mais RNNs para os dados ambientais temporais 710 e uma ou mais CNNs para os dados ambientais espaciais 712
Petição 870190123722, de 26/11/2019, pág. 73/105
67/90 para gerar a incorporação ambiental descoberta 732. A incorporação ambiental descoberta identifica um corte transversal entre os fatores ambientais temporais e fatores ambientais espaciais. Tal como com a incorporação de genótipo descoberto 730, a incorporação ambiental descoberta 732 codifica informação relevante para um efeito total em rendimento de plantação com base em todos os dados ambientais.
[0132] Embora a figura 7 represente um único estágio de incorporação para dados ambientais, em uma modalidade cada CNN e RNN produz uma incorporação para um tipo particular de dados. Por exemplo, uma primeira incorporação baseada em vetores de precipitação diária computados por meio de uma RNN pode codificar efeitos de precipitação diária em rendimento total enquanto que uma segunda incorporação baseada em mapas de topografia computado por meio de uma CNN pode codificar efeitos da topografia em rendimento total.
[0133] Cada uma das incorporações individuais pode reter suas propriedades individuais. Por exemplo, incorporações de séries temporais podem reter as propriedades de vetores lineares enquanto que incorporações de mapas espaciais podem reter as propriedades de matrizes. Cada incorporação pode ser usada como uma entrada em uma rede neural de dados ambientais que produz uma incorporação combinada de efeitos ambientais em rendimento de plantação total. A incorporação ambiental descoberta 732, como uma combinação entre dados de séries temporais e dados espaciais, pode ser tridimensional. Por exemplo, a incorporação ambiental descoberta 732 pode ser armazenada
Petição 870190123722, de 26/11/2019, pág. 74/105
68/90 como uma matriz tridimensional em que duas dimensões representam espaço e a terceira dimensão representa tempo.
[0134] 3.4. REDE NEURAL DE PRÁTICA DE GERENCIAMENTO [0135] Em uma modalidade, uma terceira rede neural é treinada usando os dados de práticas de gerenciamento 716. Os dados de práticas de gerenciamento 716 podem incluir informação com relação às práticas de gerenciamento de um ou mais campos. Por exemplo, dados de práticas de gerenciamento podem incluir informação de lavoura, incluindo tipo de cultura, profundidade de semente e população de plantio, aplicação de nutriente, aplicação de inibidor de nutriente, aplicação de água e quaisquer outras práticas de gerenciamento relativas ao um ou mais campo.
[0136] Os dados de práticas de gerenciamento 716 podem ser armazenados como os mapas tais como aplicados 718. Os mapas tais como aplicados 718 podem ser armazenados como uma ou mais camadas espaciais empilhadas, isto é, matrizes de valores em que cada um representa uma medição ou estimativa em uma localização particular no campo. Adicionalmente, um ou mais valores adicionados podem indicar momentos de aplicações. Por exemplo, um mapa de fertilizante tal como aplicado pode conter uma pluralidade de pixels, cada um dos quais identifica, para uma área particular do campo, uma quantidade de fertilizante que foi aplicado. 0 mapa de fertilizante tal como aplicado pode conter adicionalmente um ou mais pixels que identificam o momento da aplicação. Por exemplo, um primeiro valor de uma matriz representando o mapa tal como aplicado pode indicar um número de dias na estação de cultivo quando o fertilizante foi adicionado. O resto da matriz pode iniciar
Petição 870190123722, de 26/11/2019, pág. 75/105
69/90 na próxima linha e coluna para representar a aplicação espacial do fertilizante.
[0137] Adicionalmente ou de forma alternativa, alguma informação de momento pode ser armazenada como uma série temporal separada. Por exemplo, uma primeira série temporal pode indicar quais dias incluíram uma aplicação de água para o campo. Uma matriz correspondente pode indicar quantidades de aplicações através do campo. Separar a informação de momento da informação de quantidade de aplicações permite que a rede neural profunda 700 identifique efeitos de aplicar água em tempos diferentes assim como efeitos de aplicar água em taxas diferentes.
[0138] Em uma modalidade, a rede neural profunda 700 inclui uma CNN para computar efeitos em rendimento de plantação dos dados de prática de gerenciamento 716. Por exemplo, uma CNN pode ser treinada usando dados de práticas de gerenciamento como entradas e rendimentos de plantações como saídas. Tal como com as redes neurais recorrentes, cada mapa espacial pode corresponder à sua própria rede neural convolucional, cada mapa espacial pode ser usado como uma entrada diferente para uma rede neural abrangente, ou qualquer combinação de mapas espaciais pode ser usada como entradas diferentes para uma rede neural convolucional.
[0139] Em uma modalidade, a CNN é usada para computar uma incorporação de prática de gerenciamento descoberta 736. A incorporação de prática de gerenciamento descoberta 736 codifica informação relevante para um efeito total em rendimento de plantação com base em todas as práticas de gerenciamento individuais. Assim, a incorporação de prática
Petição 870190123722, de 26/11/2019, pág. 76/105
70/90 de gerenciamento descoberta 736 inclui combinações de efeitos de práticas de gerenciamento individuais, tais como os mapas de populações tais como aplicadas e os mapas de profundidades de sementes tais como aplicadas.
[0140] Embora a figura 7 represente um único estágio de incorporação para dados de práticas de gerenciamento, em uma modalidade cada CNN produz uma incorporação para um tipo particular de dados. Por exemplo, uma primeira incorporação baseada em aplicação de fertilizante computada por meio de uma CNN pode codificar efeitos de aplicação de fertilizante em rendimento total enquanto que uma segunda incorporação baseada em população de plantio computada por meio de uma CNN pode codificar efeitos da população de plantio em rendimento total. Cada incorporação pode ser usada como uma entrada em uma rede neural de dados de práticas de gerenciamento que produz uma incorporação combinada de efeitos de prática de gerenciamento em rendimento de plantação total.
[0141] 3.5. REDES NEURAIS ADICIONAIS [0142] Em uma modalidade, uma quarta rede neural é treinada usando os dados adicionais 720. Os dados adicionais 720 podem incluir qualquer informação adicional que possa ter uma conexão com o rendimento de plantação total por si mesma ou em combinação com qualquer uma das fontes de dados anteriores. Dois exemplos dos dados adicionais 720 incluem as imagens de satélite 722 e os mapas de rendimentos passados 724.
[0143] As imagens de satélite 722 compreendem uma ou mais imagens de um campo particular de um ou mais satélites. As imagens de satélite 722 podem conter várias
Petição 870190123722, de 26/11/2019, pág. 77/105
71/90 camadas empilhadas de imagens de satélite obtidas ao mesmo tempo, mas em frequências diferentes. Por exemplo, uma primeira camada pode corresponder a uma frequência azul, uma segunda camada pode corresponder a uma frequência vermelha e uma terceira camada pode corresponder a uma frequência infravermelha. Assim, para uma única instância das imagens de satélite 722, três matrizes diferentes podem ser usadas. Adicionalmente ou de forma alternativa, uma matriz tridimensional pode representar as camadas empilhadas de imagens de satélite.
[0144] As imagens de satélite 722 podem corresponder a tempos ou períodos particulares da estação de cultivo. Por exemplo, as imagens de satélite 722 podem incluir imagens obtidas do campo no tempo de plantio e em um número particular de dias na estação de cultivo, tal como em uma centena de dias na estação de cultivo. Como um outro exemplo, imagens de satélite podem ser obtidas de campos periodicamente, tal como a cada semana. Ao manter as imagens de satélite consistentes através de campos diferentes, a rede neural profunda 700 é capaz ponderar de modo apropriado os efeitos de variâncias nas imagens de satélite. Por exemplo, uma imagem de satélite obtida imediatamente após uma plantação ser realizada provavelmente parecerá muito diferente de uma imagem de satélite obtida imediatamente antes da última aplicação de nitrogênio por meio de preparação de lado.
[0145] Em uma modalidade, dados em cada uma das imagens de satélite 722 podem identificar quando a imagem de satélite foi produzida dentro da estação de cultivo. Por exemplo, um primeiro valor em uma matriz pode identificar
Petição 870190123722, de 26/11/2019, pág. 78/105
72/90 um número de dias após o plantio em que a imagem de satélite foi gerada. Os valores representando a imagem de satélite podem iniciar em uma nova linha e coluna da matriz. Alternativamente, dados identificando quando as imagens de satélite foram obtidas podem ser armazenados em uma série temporal separada.
[0146] Em uma modalidade, as imagens de satélite 722 são produzidas em escala similar para cada campo. Se imagens de satélite não forem escaladas de modo apropriado umas em relação às outras, certas imagens de satélite podem parecer ter um efeito diferente em rendimento daquele de imagens de satélite equivalentes em uma resolução diferente. Assim, uma resolução padronizada pode ser usada para cada imagem de satélite. Técnicas de interpelação de imagens podem ser usadas em imagens de resoluções variáveis para padronizar a resolução de imagem.
[0147] Os mapas de rendimentos passados 724 compreendem mapas de rendimentos anteriores para cada conjunto de campos. Assim, para um conjunto de dados particulares, um mapa de rendimentos passados pode identificar rendimentos de plantações do campo para anos anteriores. Os mapas de rendimentos passados 724 podem identificar rendimento de plantação em resoluções particulares. Por exemplo, cada pixel de um mapa de rendimentos passados pode identificar um rendimento de plantação para um espaço de 5 metros por 5 metros no campo. Assim, os mapas de rendimentos passados 724 podem ser representados por uma matriz de valores. Tal como com as imagens de satélite 722, mapas de rendimentos passados podem ser armazenados em uma resolução consistente uns com os outros.
Petição 870190123722, de 26/11/2019, pág. 79/105
73/90 [0148] Em uma modalidade, os mapas de rendimentos passados 724 identificam, para cada localização, um ou mais valores de rendimentos diferentes. Por exemplo, um primeiro mapa de rendimentos passados pode identificar rendimento de plantação total para cada localização. Um segundo mapa de rendimentos passados pode identificar um lucro total para cada localização. Um terceiro mapa de rendimentos passados pode identificar um ou mais valores de plantação, tal como qualidade de proteína para cada localização.
[0149] Em uma modalidade, a rede neural profunda usa uma ou mais CNNs para as imagens de satélite 722 e uma ou mais CNNs para os mapas de rendimentos passados 724 para gerar a incorporação de dados adicionais 738. A incorporação de dados adicionais identifica um corte transversal entre quaisquer valores de dados adicionais, tais como imagens de satélite e mapas de rendimentos passados. Tal como com as outras incorporações discutidas neste documento, a incorporação de dados adicionais 738 codifica informação relevante para efeitos totais em rendimento de plantação com base em todos os dados adicionais.
[0150] Embora a figura 7 represente um único estágio de incorporação para dados adicionais, em uma modalidade cada CNN produz uma incorporação para um tipo particular de dados. Por exemplo, uma primeira incorporação baseada em imagens de satélite obtidas em um estágio particular de desenvolvimento de plantação computado por meio de uma CNN pode codificar correlações entre imagens de satélite e rendimento total enquanto que uma segunda incorporação baseada em mapas de rendimentos passados computados por
Petição 870190123722, de 26/11/2019, pág. 80/105
74/90 meio de uma CNN pode codificar efeitos dos valores de rendimentos anteriores em valores de rendimentos totais correntes. Adicionalmente, tipos individuais de dados podem ser processados por meio de uma ou mais CNNs. Por exemplo, imagens de satélite podem ser processadas por meio de uma única CNN ou por meio de uma CNN para cada imagem de frequência.
[0151] 3.6. INCORPORAÇÕES DE CORTES TRANSVERSAIS INTERMEDIÁRIOS [0152] Em uma modalidade, a rede neural profunda 700 contém uma ou mais incorporações de cortes transversais intermediários. Incorporações de cortes transversais intermediários codificam relações entre dois ou mais tipos de dados diferentes. Incorporações de cortes transversais intermediários podem ser úteis fora da rede neural profunda 700 ao comparar plantações em campos diferentes. Por exemplo, duas plantações em lugares diferentes do mundo com as mesmas incorporações de corte transversal de plantação e ambiental responderão de modo similar para as mesmas práticas de gerenciamento apesar do fato de que as duas plantações podem ser diferentes e podem ter sido expostas a condições meteorológicas diferentes.
[0153] Um exemplo de uma incorporação de corte transversal intermediário é a incorporação de corte transversal de plantação e ambiental 734. A incorporação de corte transversal de plantação e ambiental 734 codifica informação relevante para os efeitos de uma combinação do tipo de plantação e condições ambientais na plantação. A incorporação de corte transversal de plantação e ambiental 734 pode ser treinada usando a incorporação de genótipo
Petição 870190123722, de 26/11/2019, pág. 81/105
75/90 descoberto 730 e a incorporação ambiental descoberta 732 como entradas.
[0154] Embora a figura 7 represente um número limitado de incorporações de cortes transversais, modalidades podem compreender qualquer número de incorporações de cortes transversais. Por exemplo, uma modalidade pode não incluir incorporação de corte transversal. Em uma modalidade como esta, cada tipo de dados é usado como uma entrada diferente para uma rede neural mestre. Em uma outra modalidade, incorporações adicionais são incluídas na figura 7. Por exemplo, a incorporação de corte transversal de plantação e ambiental 734 pode ser combinada com a incorporação de prática de gerenciamento descoberta 736 para criar um corte transversal entre as duas incorporações. Essas duas incorporações podem ser combinadas com a incorporação de dados adicionais 738 a fim de criar uma única incorporação usada para introdução na rede neural mestre 740.
[0155] 3.7. REDE NEURAL MESTRE [0156] Em uma modalidade, uma rede neural mestre 740 transforma uma pluralidade de entradas diferentes em um ou mais valores de rendimentos 750. A rede neural mestre pode compreender uma CNN com uma ou mais camadas de rede neural 742. Em uma modalidade, a rede neural mestre é configurada para aceitar como entrada pelo menos os dados de identificação de plantações 704, os dados ambientais 708 e os dados de práticas de gerenciamento 716.
[0157] Alternativamente, a rede neural mestre 740 pode ser configurada para aceitar como entrada uma ou mais incorporações de informação relevante para rendimento de plantação. O uso de informação codificada nas incorporações
Petição 870190123722, de 26/11/2019, pág. 82/105
76/90 reduz significativamente a quantidade de dados usados para treinar ou executar a rede neural mestre 740 sem reduzir significativamente a qualidade da rede neural mestre 740. Em uma modalidade, uma única camada de incorporação é usada como entrada para a rede neural mestre 740. A única camada de incorporação pode codificar toda informação relevante para rendimento de plantação de cada tipo de dados. Adicionalmente ou de forma alternativa, a rede neural mestre 740 pode ser configurada para usar uma pluralidade de camadas intermediárias como entrada.
[0158] Em uma modalidade, cada uma das camadas de rede neural 742 compreende uma pluralidade de nós configurada para transformar as entradas em um valor de salda. Em modalidades onde as camadas de rede neural 742 compreendem uma pluralidade de camadas, saldas de cada nó podem ser usadas como entradas para cada nó em camadas subsequentes. As camadas de rede neural 742 também podem compreender uma pluralidade de pesos, cada um dos quais é associado com um nó individual. O sistema de computador de inteligência agrícola 130 pode usar técnicas de aprendizagem de máquina padrões para atualizar os pesos ao longo do tempo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode atualizar pesos com base em dados de treinamento ao minimizar a diferença entre saídas dos dados de treinamento e valores de rendimentos reais nos dados de treinamento.
[0159] 3.8. VALORES DE RENDIMENTOS [0160] Em uma modalidade, a rede neural mestre 740 é configurada para produzir um ou mais valores de rendimentos 750. Os valores de rendimentos 750 correspondem a
Petição 870190123722, de 26/11/2019, pág. 83/105
77/90 resultados de colheita de uma plantação. Os valores de rendimentos 750 podem incluir um ou mais de o rendimento total 752, o rendimento ajustado de risco 754, os valores de qualidade de plantação 756 e os lucros totais 758. Um ou mais dos valores de rendimentos 750 podem ser treinados como saídas para a rede neural mestre 740. Por exemplo, a rede neural mestre 740 pode ser treinada usando o rendimento total 752 como uma única saída. Adicionalmente ou de forma alternativa, a rede neural mestre 740 pode ser treinada para produzir uma saída compreendendo uma pluralidade de valores. Por exemplo, uma saída de vetor pode incluir um primeiro valor para o rendimento total 752, um segundo valor para um ou mais valores de qualidade de
| plantação | 756 | e um terceiro valor | para os | lucros | totais |
| 758 . | |||||
| [0161] | 0 | rendimento total 752 se refere | a uma | ||
| quantidade | de | produção total de uma | plantação | para uma área |
particular. Por exemplo, o rendimento total 752 pode ser medido em bushels da plantação por acre de terra. O rendimento total 752 pode ser convertido em um rendimento absoluto ao computar um produto do rendimento total 752 pela área de um campo pertinente. Assim, quando a rede neural é executada em dados correntes relativos a um campo do fazendeiro, a rede neural pode ser usada para computar a quantidade total de uma plantação que o campo do fazendeiro produzirá.
[0162] 0 rendimento ajustado de risco 754 se refere a uma variabilidade do resultado esperado. O rendimento ajustado de risco 754 pode ser um valor único, tal como um valor de expectativa, ou uma faixa de valores identificando
Petição 870190123722, de 26/11/2019, pág. 84/105
78/90 uma distribuição probabilística de rendimento de plantação. O rendimento ajustado de risco 754 pode levar em conta incerteza na rede neural e/ou nos dados de entrada. Por exemplo, dados de treinamento para condições meteorológicas podem ser relativamente precisos à medida que níveis de precipitação e temperatura são medidos diretamente. Por outro lado, dados meteorológicos podem ser menos precisos quando os dados são executados em um conjunto de dados particulares. Por exemplo, se a rede neural for usada para determinar quais culturas e/ou práticas de gerenciamento devem ser usadas antes do plantio, então as condições meteorológicas durante a estação de cultivo podem não ser conhecidas. Em vez disto, a rede neural pode ser executada com base em predições de condições meteorológicas, tais como previsões de temperatura e de precipitação. Como as previsões são meramente predições, cada previsão pode ser associada com uma incerteza, criando desse modo uma faixa de possíveis valores de condições meteorológicas para serem introduzidos na rede neural. A rede neural mestre 740 pode computar um rendimento ajustado de risco 754 ao levar em conta a incerteza nas previsões de tempo, tal como ao executar a rede neural com uma faixa de entradas ou diversas vezes com entradas amostradas de uma distribuição de prováveis cenários de condições meteorológicas.
[0163] Os valores de qualidade de plantação 756 se referem a um ou mais valores descrevendo a qualidade de uma plantação produzida. Exemplos dos valores de qualidade de plantação 756 incluem valores de nutrientes, tal como teor de proteína, valores físicos, tais como peso, resistência, dureza, qualidade de ser vítreo e cor, e valores de
Petição 870190123722, de 26/11/2019, pág. 85/105
79/90 qualidades generalizadas tais como qualidade de grão, qualidade de trigo, qualidade de arroz e qualidade de algodão. Valores de qualidades generalizadas podem ser definidos comercialmente. Por exemplo, qualidade de algodão pode depender de uma pluralidade de fatores incluindo resistência, comprimento de fibra e cor.
[0164] Os valores de qualidade de plantação 756 diferentes podem ser usados em dados de treinamento como saídas da rede neural profunda 700. Por exemplo, dados de treinamento de saída para a rede neural profunda 700 podem incluir um vetor compreendendo valores para teor de proteína de trigo, dureza, cor, teor de umidade e peso. Ao usar os valores de qualidade de plantação 756 como saída, a rede neural profunda 700 é capaz de fornecer mais informação para um fazendeiro do que exatamente a quantidade de um rendimento que um campo pode produzir. Os valores de qualidade de plantação 756 permitem a um fazendeiro determinar se um campo particular é ideal para plantação de uma cultura particular. Por exemplo, um campo pode ser capaz de produzir mais milho do que trigo, mas com uma qualidade muito inferior. Em um caso como este, um fazendeiro pode desejar plantar o trigo de maior qualidade do que o milho de menor qualidade.
[0165] Os lucros totais 758 se referem aos lucros com a venda de uma safra produzida em um campo. Tal como com o rendimento total 752, lucros totais podem ser baseados em uma área particular, tal como dólares por acre, ou agregado a um valor de lucro absoluto. Em uma modalidade, a rede neural profunda 700 é treinada usando lucros totais reais de vendas de safras passadas. Em outras modalidades, a rede
Petição 870190123722, de 26/11/2019, pág. 86/105
80/90 neural profunda 700 é treinada usando um ou mais outros valores de rendimentos, tais como o rendimento total 752, o rendimento ajustado de risco 754 e/ou os valores de qualidade de plantação 756. Quando a rede neural profunda 700 é executada em um novo conjunto de dados, o sistema de computador de inteligência agrícola 130 pode ser programado ou configurado para computar valores esperados para os lucros totais 758 com base, pelo menos em parte, em um ou mais outros valores de rendimentos.
[0166] Valores esperados para os lucros totais 758 podem ser computados com base em valor esperado da plantação, do rendimento total da plantação e do custo de produzir a plantação. Assim, uma equação de exemplo pode compreender P = Y * E - C onde P é o rendimento de plantação, E é o valor esperado da plantação e C é um custo de produção.
[0167] Valor esperado da plantação pode ser computado com base em vendas de safras passadas para a plantação. Por exemplo, o valor esperado da plantação pode ser o preço médio de venda das safras nos últimos cinco anos. Como um outro exemplo, o valor esperado da plantação pode ser computado com base em tendências nas vendas de safras. O custo de produção pode incluir custo de semente, custos de fertilização, custos estimados de mão de obra, custos de irrigação e quaisquer custos adicionais associados com plantio, gerenciamento e colheita de uma plantação.
[0168] Valores esperados para os lucros totais 758 podem fatorar adicionalmente em um ou mais valores de qualidade de plantação 756. Por exemplo, valores esperados da plantação podem ser baseados em qualidades de plantações
Petição 870190123722, de 26/11/2019, pág. 87/105
81/90 diferentes. Assim, uma pluralidade de valores esperados pode ser identificada para um tipo de plantação particular com base em qualidades de plantações diferentes. O valor esperado pode ser baseado em vendas de safras durante um período de tempo anterior para valores de qualidade de plantação diferentes. Por exemplo, vendas de safras passadas podem ser correlacionadas com teor de proteína para um tipo de plantação particular. Assim, os valores esperados para os lucros totais 758 do tipo de plantação particular podem ser computados com base em um teor de proteína computado para uma plantação do tipo de plantação particular.
[0169] 4. APLICAÇÕES [0170] 4.1. EXECUÇÃO DA REDE NEURAL [0171] A figura 8 representa um método de exemplo para executar uma rede neural agronômica. Um sistema de computador servidor pode executar instruções para executar a rede neural em resposta a receber uma solicitação para valores de rendimentos estimados com base em uma ou mais entradas.
[0172] Na etapa 802, um conjunto de dados particulares se relacionando com um ou mais campos agrícolas é recebido em um sistema de computação de servidor, em que o conjunto de dados particulares compreende dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares. O conjunto de dados particulares pode ser recebido de uma única fonte ou de uma pluralidade de fontes. Por exemplo, o sistema de computação de servidor pode receber primeiros dados do dispositivo de computação gerenciador de campos se
Petição 870190123722, de 26/11/2019, pág. 88/105
82/90 relacionando com práticas de gerenciamento para um campo e segundos dados de um computador servidor externo se relacionando com efeitos de condições meteorológicas sobre o campo.
[0173] Dados de identificação de plantações podem ser
| recebidos | diretamente | de um dispositivo | de computação | ||
| gerenciador | de | campos | Por exemplo, | um | usuário pode |
| identificar | , por | meio | de uma aplicação | executando em um | |
| dispositivo | de | computação gerenciador | de | campos, uma |
cultura que o usuário deseja plantar. Em uma modalidade, o usuário seleciona adicionalmente um tipo de semente particular para a plantação. O sistema de computador servidor pode armazenar dados identificando sequências de genomas, SNPs e/ou partes de sequências de genomas para cada tipo de semente. Adicionalmente ou de forma alternativa, o sistema de computador servidor pode solicitar sequências de genomas, SNPs e/ou partes de sequências de genomas para tipos de sementes identificados por um dispositivo de computação gerenciador de campos.
[0174] Dados ambientais para o conjunto de dados particulares podem ser recebidos de qualquer uma de uma pluralidade de fontes. Dados de solo para um campo podem ser recebidos diretamente de um dispositivo de computação gerenciador de campos ou de um ou mais testes de solo executados no campo. Adicionalmente ou de forma alternativa, dados de solo podem ser recebidos de uma ou mais bases de dados externas tais como a Base de Dados Geográficos de Levantamentos de Solos (SSURGO). Dados meteorológicos podem ser recebidos de um ou mais servidores externos configurados para produzir previsões de tempo para
Petição 870190123722, de 26/11/2019, pág. 89/105
83/90 o futuro. Adicionalmente ou de forma alternativa, dados meteorológicos podem ser computados com base em dados meteorológicos passados para um campo particular. Por exemplo, um sistema de computador servidor pode computar temperaturas e precipitações médias para um campo durante cinco anos passados usando medições de temperatura e de precipitação recebidas anteriormente.
[0175] 0 dispositivo de computação gerenciador de campos também pode enviar dados de práticas de gerenciamento para o sistema de computador servidor. Por exemplo, um usuário pode identificar, por meio de uma aplicação executando em um dispositivo de computação gerenciador de campos, informação de lavoura planejada, incluindo tipo de lavoura, profundidade de semente e população de plantio, aplicação de nutriente planejada, aplicação de inibidor de nutriente planejada, aplicação de água planejada e/ou quaisquer outras práticas de gerenciamento planejadas.
[0176] Em uma modalidade, o sistema de computador servidor armazena dados se relacionando com o um ou mais campos agrícolas. Por exemplo, o sistema de computador servidor pode receber dados de cada ano identificando um rendimento para um campo particular. O sistema de computador servidor pode armazenar os dados como mapas de rendimentos passados. Assim, uma primeira parte do conjunto de dados particulares pode ser armazenada no sistema de computador servidor, uma segunda parte pode ser recebida de um computador servidor externo e uma terceira parte pode ser recebida de um dispositivo de computação gerenciador de campos.
Petição 870190123722, de 26/11/2019, pág. 90/105
84/90 [0177] Na etapa 804, um efeito de identificação de plantação em rendimento para o um ou mais campos agrícolas é computado a partir dos dados de identificação de plantações particulares usando uma primeira rede neural configurada usando dados de identificação de plantações como entrada e dados de rendimentos de plantações como saída. Por exemplo, a rede neural profunda 700 pode gerar uma incorporação de genótipo descoberto para o um ou mais campos agrícolas por meio de uma rede neural recorrente que aceita genótipo de cultura como entrada.
[0178] Na etapa 806, um efeito ambiental em rendimento para o um ou mais campos agrícolas é computado a partir dos dados ambientais particulares usando uma segunda rede neural configurada usando dados ambientais como entrada e dados de rendimentos de plantações como saída. Por exemplo, a rede neural profunda 700 pode gerar uma incorporação ambiental descoberta para o um ou mais campos agrícolas por meio de uma rede neural recorrente que aceita dados ambientais temporais como entrada e de uma rede neural de convolução que aceita dados ambientais espaciais como entrada.
[0179] Na etapa 808, um efeito de prática de gerenciamento em rendimento para o um ou mais campos agrícolas é computado a partir dos dados de práticas de gerenciamento particulares usando uma terceira rede neural configurada usando dados de práticas de gerenciamento como entrada e dados de rendimentos de plantações como saída. Por exemplo, a rede neural profunda 7 00 pode gerar uma incorporação de prática de gerenciamento descoberta para o um ou mais campos agrícolas por meio de uma rede neural de
Petição 870190123722, de 26/11/2019, pág. 91/105
85/90 convolução que aceita dados de práticas de gerenciamento como entrada.
[0180] Em modalidades, a rede neural profunda 700 é executada com dados adicionais, tais como mapas de rendimentos passados para o campo particular ou imagens de satélite do campo particular. Os dados adicionais também podem ser usados para gerar uma incorporação descoberta para o um ou mais campos agrícolas por meio de uma rede neural de convolução.
[0181] Na etapa 810, um ou mais valores de rendimentos preditos para o um ou mais campos agrícolas são computados da identificação de plantação particular a partir do efeito de identificação de plantação em rendimento de plantação, do efeito ambiental em rendimento de plantação e do efeito de prática de gerenciamento em rendimento de plantação usando uma rede neural mestre configurada usando efeitos de identificação de plantação em rendimento de plantação, efeitos ambientais em rendimento de plantação e efeitos de prática de gerenciamento em rendimento de plantação como entrada e dados de rendimentos de plantações como saída. Por exemplo, uma rede neural mestre pode ser configurada para aceitar incorporações para o um ou mais campos agrícolas como entradas e produzir um ou mais valores de rendimentos como saídas.
[0182] 4.2. RECOMENDAÇÕES [0183] Em uma modalidade, a rede neural profunda 700 é usada para gerar recomendações para um campo particular. Por exemplo, um usuário de um dispositivo de computação gerenciador de campos pode solicitar recomendações de sementes para um campo particular por meio de uma aplicação
Petição 870190123722, de 26/11/2019, pág. 92/105
86/90 executando no dispositivo de computação gerenciador de campos. O usuário pode indicar uma localização do campo particular.
[0184] Em resposta à solicitação, o sistema de computador servidor pode identificar uma ou mais entradas para o campo particular. Por exemplo, o sistema de computador servidor pode acessar um ou mais mapas de rendimentos passados para o campo. Como um outro exemplo, o sistema de computador servidor pode solicitar mapas de solo para o campo do dispositivo de computação gerenciador de campos ou de um ou mais outros dispositivos de computação. O computador servidor também pode gerar estimativas para uma ou mais entradas. Por exemplo, o sistema de computador servidor pode solicitar previsões de tempo e/ou medições meteorológicas passadas para o campo particular de uma ou mais fontes externas, tais como um dispositivo de computação gerenciador de campos, um ou mais sensores ou um computador servidor externo. Com base na informação meteorológica, o computador servidor pode gerar dados ambientais temporais para o campo particular.
[0185] Após o sistema de computador servidor ter estabelecido uma ou mais entradas como sendo estáticas, o sistema de computador servidor pode executar a rede neural com entradas diferentes a fim de identificar valores de rendimentos mais altos. Por exemplo, o sistema de computador servidor pode executar a rede neural com genótipos de culturas diferentes e práticas de gerenciamento diferentes a fim de identificar uma recomendação para o campo particular. Em uma modalidade, o sistema de computador servidor pode armazenar dados que
Petição 870190123722, de 26/11/2019, pág. 93/105
87/90 identificam uma faixa de práticas de gerenciamento ideais para tipos de sementes diferentes e/ou condições meteorológicas diferentes. Usando os dados armazenados, o sistema de computador servidor pode minimizar o número de execuções da rede neural profunda 700 ao usar somente práticas de gerenciamento que tenham sido identificadas como ideais para a semente e/ou padrões meteorológicos.
[0186] 0 sistema de computador servidor pode identificar a melhor semente para plantar com base em execuções continuas da rede neural profunda 700. O tipo de semente que produz o rendimento total, rendimento ajustado de risco, valores de qualidade de plantação e/ou lucros totais mais altos pode ser selecionado como a plantação recomendada. Adicionalmente, se cada tipo de semente fosse introduzido na rede neural com práticas de gerenciamento diferentes, o método descrito neste documento permitiría recomendação de uma prática de gerenciamento para o tipo de semente selecionado.
[0187] Embora o exemplo exposto acima tenha representado o uso da rede neural para recomendar tipos de sementes, a rede neural também pode ser utilizada para recomendar práticas de gerenciamento para uma área particular. Por exemplo, o usuário do dispositivo de computação gerenciador de campos pode identificar a semente que vai ser plantada. O sistema de computador servidor pode identificar ou estimar valores para dados ambientais por meio de fontes externas. O sistema de computador servidor também pode identificar mapas de rendimentos passados para o campo particular a fim de melhorar precisão de recomendação. Usando as entradas fixadas, o sistema de
Petição 870190123722, de 26/11/2019, pág. 94/105
88/90
| computador | servidor | pode | executar a | rede neural | com |
| entradas | diferentes | para dados | de práticas | de | |
| gerenciamento. 0 sistema | de computador servidor | pode | |||
| recomendar | os dados | de | prática de | gerenciamento | que |
resultaram no valor de rendimento solicitado mais alto.
[0188] 4.3. PREDIÇÕES BASEADAS EM INFORMAÇÃO NOVA [0189] Uma qualidade adicional da rede neural profunda 700 é a capacidade para gerar predições baseadas em valores novos para entradas que não foram usados inicialmente para gerar a rede neural. Como um exemplo, a rede neural profunda 700 pode ser usada para gerar predições a respeito de como um novo tipo de semente reagiría a tipos de solos diferentes, tipos de condições meteorológicas diferentes e práticas de gerenciamento diferentes. As predições permitiríam otimização no uso de novos tipos de sementes ou geração de novos tipos de sementes sem desempenho de testes físicos.
[0190] Em uma modalidade, o genoma para o novo tipo de semente é usado como uma entrada para a rede neural profunda 700. Como a rede neural profunda 700 foi treinada em vários genomas, a rede neural profunda 700 é configurada para ser capaz de aceitar novos tipos de genomas como entradas. O sistema de computador servidor pode então executar a rede neural com valores estáticos para dados ambientais e dados de práticas de gerenciamento para determinar como o novo tipo de semente executaria em tais condições.
[0191] Em uma modalidade, a rede neural profunda 700 também pode ser usada para identificar condições ideais ou menos que ideais para o novo tipo de semente. Por exemplo,
Petição 870190123722, de 26/11/2019, pág. 95/105
89/90 a rede neural profunda 700 pode identificar tipos de solos que trabalham melhor para uma semente particular. A firn de identificar os melhores tipos de solos para a nova semente, o sistema de computador servidor pode selecionar uma pluralidade de tipos de solos para teste. Para cada tipo de solo, o sistema de computador servidor pode executar a rede neural profunda 700 uma pluralidade de vezes com entradas diferentes para condições meteorológicas e práticas de gerenciamento. O sistema de computador servidor pode identificar quais tipos de solos produziram de modo consistente os valores de rendimentos mais altos e quais tipos de solos produziram de modo consistente os valores de rendimentos mais baixos. O sistema de computador servidor pode executar métodos similares para determinar as condições meteorológicas e condições de práticas de gerenciamento melhores e piores para a semente.
[0192] Em uma modalidade, a rede neural profunda 700 pode ser usada para determinar a suscetibilidade da nova semente às mudanças em condições meteorológicas, condições de solos ou práticas de gerenciamento. Similar à identificação de condições ideais tal como descrita acima, o sistema de computador servidor pode selecionar mudanças pequenas em um tipo de condição e executar a rede neural profunda 700 repetidamente para cada mudança pequena. Se valores de rendimentos mudarem consideravelmente de um valor de temperatura para o próximo valor de temperatura, então a semente pode ser identificada como altamente sensível às mudanças em temperatura. Alternativamente, se os valores de rendimentos mudarem muito pouco através de uma faixa de temperaturas, então a semente pode ser
Petição 870190123722, de 26/11/2019, pág. 96/105
90/90 identificada como menos sensível às mudanças em temperatura.
[0193] 5. BENEFÍCIOS DE CERTAS MODALIDADES [0194] Usando as técnicas descritas neste documento, um sistema de computador pode computar valor de rendimento com base em uma grande quantidade de dados de vários tipos em um modo eficiente de forma computacional. Especificamente, as redes neurais diferentes permitem criação de uma rede neural mestre que pode aceitar tipos diferentes de entradas de dados. As incorporações descritas neste documento reduzem o custo computacional de treinamento da rede neural mestre ao reduzir o número de entradas para a rede neural mestre. Adicionalmente, o uso de uma rede neural possibilita reduzir a capacidade de processamento exigida do dispositivo de computação em relação à que seria exigida para um modelo abrangente de dados agrícolas.
[0195] 6. EXTENSÕES E ALTERNATIVAS [0196] No relatório descritivo exposto acima, modalidades foram descritas com referência para inúmeros detalhes específicos que podem variar de implementação para implementação. O relatório descritivo e desenhos, portanto, são para ser considerados em um sentido ilustrativo em vez de restritivo. O indicador único e exclusivo do escopo da revelação, e o que é proposto pelos requerentes para ser o escopo da revelação, é o escopo literal e equivalente do conjunto de reivindicações que resultam deste pedido, na forma específica em que tais reivindicações resultam, incluindo qualquer correção subsequente.
Claims (16)
1. Método, caracterizado pelo fato de que compreende:
receber, em um sistema de computação de servidor, um conjunto de dados particulares se relacionando com um ou mais campos agrícolas, em que o conjunto de dados particulares compreende dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares;
usando uma primeira rede neural configurada usando dados de identificação de plantações como entrada e dados de rendimentos de plantações como saída, computar um efeito de identificação de plantação em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados de identificação de plantações particulares;
usando uma segunda rede neural configurada que usa dados ambientais como entrada e dados de rendimentos de plantações como saída, computar um efeito ambiental em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados ambientais particulares;
usando uma terceira rede neural configurada que usa dados de práticas de gerenciamento como entrada e dados de rendimentos de plantações como saída, computar um efeito de prática de gerenciamento em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados de práticas de gerenciamento particulares;
usando uma rede neural mestre configurada que usa efeitos de identificação de plantação em rendimento de plantação, efeitos ambientais em rendimento de plantação, e efeitos de prática de gerenciamento em rendimento de
Petição 870190071515, de 26/07/2019, pág. 14/22
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que:
os dados de identificação de plantações particulares compreendem uma ou mais sequências de genomas para uma ou mais plantações correspondendo ao conjunto de dados particulares;
a primeira rede neural compreende uma rede neural recorrente configurada para identificar partes das sequências de genomas que estão correlacionadas com efeitos em dados de rendimentos de plantações.
2/8 plantação como entrada e dados de rendimentos de plantações como saída, computar um ou mais valores de rendimentos preditos para o um ou mais campos agrícolas a partir do efeito de identificação de plantação em rendimento de plantação, do efeito ambiental em rendimento de plantação e do efeito de prática de gerenciamento em rendimento de plantação.
3/8 os dados ambientais particulares compreendem uma ou mais séries temporais de eventos meteorológicos preditos e um ou mais mapas espaciais de propriedades de solo;
a segunda rede neural compreende uma rede neural recorrente para eventos meteorológicos e uma rede neural de convolução para propriedades de solo;
computar o efeito ambiental em rendimento de plantação compreende gerar uma incorporação ambiental aprendida usando a rede neural recorrente para os eventos meteorológicos e a rede neural de convolução para as propriedades de solo.
3. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que a rede neural recorrente é uma rede neural de memória longa de curto prazo.
4/8 satélite particular em rendimento de plantação para o um ou mais campos agrícolas.
4. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que a rede neural recorrente é uma rede neural de unidades recorrentes de portas.
5/8 de plantação usando dados ambientais como entrada;
uma terceira rede neural armazenada na memória, configurada para computar um efeito de prática de gerenciamento em rendimento de plantação usando dados de práticas de gerenciamento como entrada;
uma rede neural mestre armazenada na memória, configurada para computar um ou mais valores de rendimentos usando o efeito de identificação de plantação em rendimento de plantação, o efeito ambiental em rendimento de plantação e o efeito de prática de gerenciamento em rendimento de plantação como entradas;
um ou mais processadores acoplados comunicativamente à memória, configurados para executar uma ou mais instruções para causar desempenho de:
receber um conjunto de dados particulares se relacionando com um ou mais campos agrícolas, em que o conjunto de dados particulares compreende dados de identificação de plantações particulares, dados ambientais particulares e dados de práticas de gerenciamento particulares;
usando a primeira rede neural, computar um efeito de identificação de plantação particular em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados de identificação de plantações particulares;
usando a segunda rede neural, computar um efeito ambiental particular em rendimento de plantação para o um ou mais campos agrícolas a partir dos dados ambientais particulares;
usando a terceira rede neural, computar um efeito de prática de gerenciamento particular em rendimento de
Petição 870190071515, de 26/07/2019, pág. 18/22
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o um ou mais valores de rendimentos preditos compreendem um ou mais de um valor de rendimento ajustado de risco, um valor de lucro total ou um valor de qualidade de plantação.
6/8 plantação para o um ou mais campos agrícolas a partir dos dados de práticas de gerenciamento particulares;
usando a rede neural mestre, computar um ou mais valores de rendimentos preditos para o um ou mais campos agrícolas a partir do efeito de identificação de plantação particular em rendimento de plantação, do efeito ambiental particular em rendimento de plantação e do efeito de prática de gerenciamento particular em rendimento de plantação.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que:
Petição 870190071515, de 26/07/2019, pág. 15/22
7/8
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que:
o conjunto de dados particulares compreende adicionalmente uma ou mais imagens de satélite particulares do um ou mais campos agrícolas em períodos particulares de uma estação de cultivo;
o método compreendendo adicionalmente:
usando uma quarta rede neural configurada usando imagens de satélite de campos em períodos particulares da estação de cultivo como entrada e dados de rendimentos de plantações como saída, computar um efeito de imagem de satélite particular em rendimento de plantação para o um ou
rendimento de plantação como entrada;
em que o um ou mais valores de rendimentos preditos são computados adicionalmente a partir do efeito de imagem de
Petição 870190071515, de 26/07/2019, pág. 16/22
8/8 em que a rede neural mestre é configurada adicionalmente para usar efeito de imagem de satélite em rendimento de plantação como entrada;
em que o um ou mais valores de rendimentos preditos são computados adicionalmente a partir do efeito de imagem de satélite particular em rendimento de plantação para o um ou mais campos agrícolas.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente:
o conjunto de dados particulares compreendendo adicionalmente um ou mais mapas de rendimentos passados particulares do um ou mais campos agrícolas;
o método compreendendo adicionalmente:
usando uma quarta rede neural configurada usando mapas de rendimentos passados como entrada e dados de rendimentos de plantações como saída, computar um efeito de rendimento passado particular em rendimento de plantação para o um ou mais campos agrícolas a partir do um ou mais mapas de rendimentos passados particulares;
em que a rede neural mestre é configurada adicionalmente para usar efeito de rendimento passado em rendimento de plantação como entrada;
em que o um ou mais valores de rendimentos preditos são computados adicionalmente a partir do efeito de rendimento passado particular em rendimento de plantação para o um ou mais campos agrícolas.
9. Sistema, caracterizado pelo fato de que compreende:
uma memória;
uma primeira rede neural armazenada na memória, configurada para computar um efeito de identificação de plantação em rendimento de plantação usando dados de identificação de plantações como entrada;
uma segunda rede neural armazenada na memória, configurada para computar um efeito ambiental em rendimento
Petição 870190071515, de 26/07/2019, pág. 17/22
10. Sistema, de acordo com a reivindicação 9, caracterizado pelo fato de que:
os dados de identificação de plantações particulares compreendem uma ou mais sequências de genomas para uma ou mais plantações correspondendo ao conjunto de dados particulares;
a primeira rede neural compreende uma rede neural recorrente configurada para identificar partes das sequências de genomas que estão correlacionadas com efeitos em dados de rendimentos de plantações.
11. Sistema, de acordo com a reivindicação 10, caracterizado pelo fato de que a rede neural recorrente é uma rede neural de memória longa de curto prazo.
12. Sistema, de acordo com a reivindicação 10, caracterizado pelo fato de que a rede neural recorrente é uma rede neural de unidades recorrentes de portas.
valor de qualidade de plantação.
Petição 870190071515, de 26/07/2019, pág. 19/22
14. Sistema, de acordo com a reivindicação 9, caracterizado pelo fato de que:
os dados ambientais particulares compreendem uma ou mais séries temporais de eventos meteorológicos preditos e um ou mais mapas espaciais de propriedades de solo;
a segunda rede neural compreende uma rede neural recorrente para eventos meteorológicos e uma rede neural de convolução para propriedades de solo;
a segunda rede neural é configurada adicionalmente para computar o efeito ambiental em rendimento de plantação ao gerar uma incorporação ambiental aprendida usando a rede neural recorrente para os eventos meteorológicos e a rede neural de convolução para as propriedades de solo.
15. Sistema, de acordo com a reivindicação 9, caracterizado pelo fato de que compreende adicionalmente:
uma quarta rede neural armazenada na memória, configurada para computar um efeito de satélite em rendimento de plantação usando imagens de satélite como entrada;
em que o conjunto de dados particulares compreende adicionalmente uma ou mais imagens de satélite particulares do um ou mais campos agrícolas em períodos particulares de uma estação de cultivo;
em que o um ou mais processadores são configurados adicionalmente para executar uma ou mais instruções para causar desempenho de:
usando a quarta rede neural, computar um efeito de imagem de satélite particular em rendimento de plantação para o um ou mais campos agrícolas a partir da uma ou mais imagens de satélite particulares;
Petição 870190071515, de 26/07/2019, pág. 20/22
16. Sistema, de acordo com a reivindicação 9, caracterizado pelo fato de que compreende adicionalmente:
uma quarta rede neural armazenada na memória, configurada para computar um efeito de mapa de rendimentos passados em rendimento de plantação usando mapas de rendimentos passados como entrada;
em que o conjunto de dados particulares compreende adicionalmente um ou mais mapas de rendimentos passados particulares do um ou mais campos agrícolas;
em que o um ou mais processadores são configurados adicionalmente para executar uma ou mais instruções para causar desempenho de:
usando uma quarta rede neural, computar um efeito de rendimento passado particular em rendimento de plantação para o um ou mais campos agrícolas a partir do um ou mais mapas de rendimentos passados particulares;
em que a rede neural mestre é configurada adicionalmente para usar efeito de rendimento passado em rendimento de plantação como entrada;
em que o um ou mais valores de rendimentos preditos são computados adicionalmente a partir do efeito de rendimento passado particular em rendimento de plantação para o um ou mais campos agrícolas.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/416,694 | 2017-01-26 | ||
| US15/416,694 US10699185B2 (en) | 2017-01-26 | 2017-01-26 | Crop yield estimation using agronomic neural network |
| PCT/US2018/012949 WO2018140225A1 (en) | 2017-01-26 | 2018-01-09 | Crop yield estimation using agronomic neural network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112019015401A2 true BR112019015401A2 (pt) | 2020-03-31 |
| BR112019015401A8 BR112019015401A8 (pt) | 2023-01-10 |
Family
ID=62906972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112019015401A BR112019015401A8 (pt) | 2017-01-26 | 2018-01-09 | Estimativa de rendimento de plantação usando rede neural agronômica |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US10699185B2 (pt) |
| EP (1) | EP3574467A4 (pt) |
| AR (1) | AR110850A1 (pt) |
| BR (1) | BR112019015401A8 (pt) |
| CA (1) | CA3051358A1 (pt) |
| WO (1) | WO2018140225A1 (pt) |
Families Citing this family (115)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| US20180271015A1 (en) * | 2017-03-21 | 2018-09-27 | Blue River Technology Inc. | Combine Harvester Including Machine Feedback Control |
| US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
| US10580093B2 (en) * | 2017-06-17 | 2020-03-03 | Institute Of Agricultural Resources And Regional Planning Chinese Academy Of Agricultural Sciences | Estimating the prior for a stochastic allocation model |
| US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US20220309595A1 (en) * | 2017-10-13 | 2022-09-29 | Atp Labs Ltd. | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain |
| US11516976B2 (en) * | 2017-12-11 | 2022-12-06 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
| US10827676B2 (en) | 2018-01-29 | 2020-11-10 | Deere & Company | Monitor and control system for a harvester |
| US11744180B2 (en) | 2018-01-29 | 2023-09-05 | Deere & Company | Harvester crop mapping |
| JP6544453B1 (ja) * | 2018-03-16 | 2019-07-17 | 日本電気株式会社 | 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム |
| CN110309933A (zh) * | 2018-03-23 | 2019-10-08 | 广州极飞科技有限公司 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
| WO2019209947A1 (en) | 2018-04-24 | 2019-10-31 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
| EP3836776A4 (en) * | 2018-08-17 | 2022-07-27 | Hortau Inc. | SYSTEMS AND METHODS TO MONITOR AND REGULATE THE PRODUCTIVITY OF PLANTS |
| CN108986470B (zh) * | 2018-08-20 | 2022-03-29 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
| CN109034496B (zh) * | 2018-08-29 | 2020-11-06 | 中国水利水电科学研究院 | 一种减缓坡面农业面源污染的坡垄沟最优参数确定方法 |
| CN109092206A (zh) * | 2018-09-25 | 2018-12-28 | 常州荣创自动化装备股份有限公司 | 基于移动互联网及云服务智能化的肥料配比掺混装袋系统及方法 |
| US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
| WO2020084414A1 (en) * | 2018-10-22 | 2020-04-30 | Radient Technologies Innovations Inc. | Yield and market analytics |
| CA3116341A1 (en) | 2018-10-24 | 2020-04-30 | The Climate Corporation | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field |
| US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
| US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
| US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
| US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
| US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
| US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
| US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
| US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
| US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
| US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
| CN109558939B (zh) * | 2018-10-29 | 2021-02-12 | 广东奥博信息产业股份有限公司 | 一种基于神经网络的作物生长模型选择方法及装置 |
| CN111680762B (zh) * | 2018-11-27 | 2023-08-04 | 成都大学 | 中药材适生地的分类方法及装置 |
| US11744168B2 (en) | 2019-11-29 | 2023-09-05 | Soilmetrix, Inc. | Enhanced management zones for precision agriculture |
| US20200163272A1 (en) * | 2018-11-28 | 2020-05-28 | RxMaker, Inc. | Enhanced Management Zones for Precision Agriculture |
| US10990875B2 (en) * | 2018-11-28 | 2021-04-27 | International Business Machines Corporation | Neural network forecasting for tiered hydroponic natural farming configurations |
| EP3897100A4 (en) * | 2018-12-19 | 2022-09-21 | The Board Of Trustees Of The University Of Illinois | CROP YIELD PREDICTION APPARATUS AND METHOD |
| WO2020137085A1 (ja) * | 2018-12-27 | 2020-07-02 | ボッシュ株式会社 | 情報処理装置及び情報処理システム |
| US11120552B2 (en) * | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
| CN109949323B (zh) * | 2019-03-19 | 2022-12-20 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
| US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
| US11778945B2 (en) * | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
| WO2020210557A1 (en) * | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
| CN110245787B (zh) * | 2019-05-24 | 2023-11-17 | 创新先进技术有限公司 | 一种目标群体预测方法、装置及设备 |
| CN110600085B (zh) * | 2019-06-01 | 2024-04-09 | 重庆大学 | 一种基于Tree-LSTM的有机物物理化学性质预测方法 |
| EP3997546A4 (en) * | 2019-07-08 | 2023-07-12 | Indigo AG, Inc. | CROP YIELD FORECAST MODELS |
| WO2021007363A1 (en) * | 2019-07-09 | 2021-01-14 | The Texas A&M University System | Irrigation control with deep reinforcement learning and smart scheduling |
| WO2021007665A1 (en) * | 2019-07-17 | 2021-01-21 | Farmers Edge Inc. | Automatic crop classification system and method |
| US20220343440A1 (en) * | 2019-09-30 | 2022-10-27 | Nutrien Ag Solutions, Inc. | Agriculture service platform |
| CN110728446B (zh) * | 2019-10-09 | 2022-04-01 | 中国地质大学（武汉） | 一种基于cnn-lstm的县级尺度农作物估产方法 |
| US11966993B2 (en) * | 2019-10-22 | 2024-04-23 | International Business Machines Corporation | Land use planning recommendations using heterogeneous temporal datasets |
| CN112733582A (zh) * | 2019-10-28 | 2021-04-30 | 广州极飞科技有限公司 | 农作物产量的确定方法及装置、非易失性存储介质 |
| EP3816879A1 (en) | 2019-11-04 | 2021-05-05 | Gaf AG | A method of yield estimation for arable crops and grasslands and a system for performing the method |
| CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
| CN110679452B (zh) * | 2019-11-13 | 2024-05-28 | 福建天成宝得智能科技有限公司 | 基于射频组网技术的低功耗智能灌溉系统 |
| US11508092B2 (en) | 2019-12-16 | 2022-11-22 | X Development Llc | Edge-based crop yield prediction |
| US12020163B2 (en) | 2020-02-04 | 2024-06-25 | Bank Of America Corporation | Knowledge persistent and structurally dynamic neural network |
| US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
| JP7314825B2 (ja) * | 2020-02-07 | 2023-07-26 | 横河電機株式会社 | 予測装置、予測システム、及び予測方法 |
| US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
| US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| US11243332B2 (en) | 2020-06-24 | 2022-02-08 | X Development Llc | Predicting climate conditions based on teleconnections |
| US11295331B2 (en) * | 2020-07-01 | 2022-04-05 | X Development Llc | Analyzing crop fields based on agricultural management practices |
| CN111899905B (zh) * | 2020-08-05 | 2022-11-01 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN111990052B (zh) * | 2020-08-24 | 2021-09-03 | 农业农村部南京农业机械化研究所 | 旋转盘式联合收获机籽粒含杂、破损率检测装置以及粮仓 |
| WO2022072772A1 (en) * | 2020-10-02 | 2022-04-07 | Nec Laboratories America, Inc. | Causal attention-based multi-stream rnn for computer system metric prediction and influential events identification based on metric and event logs |
| US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
| US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
| US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
| US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
| US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
| US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
| US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
| US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
| US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
| US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
| US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
| US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
| US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
| US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
| US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
| US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
| US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
| US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
| US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
| US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
| US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
| KR20220064604A (ko) * | 2020-11-12 | 2022-05-19 | 광주과학기술원 | 기온예측시스템 |
| US11532080B2 (en) * | 2020-11-17 | 2022-12-20 | X Development Llc | Normalizing counts of plant-parts-of-interest |
| EP4248356A1 (en) | 2020-11-20 | 2023-09-27 | Bayer Aktiengesellschaft | Representation learning |
| US11922520B2 (en) | 2020-11-25 | 2024-03-05 | International Business Machines Corporation | Determining significant events within an agribusiness system |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| WO2022184516A1 (en) | 2021-03-05 | 2022-09-09 | Bayer Aktiengesellschaft | Multimodal representation learning |
| US20220290989A1 (en) * | 2021-03-12 | 2022-09-15 | X Development Llc | Predicting geospatial measures |
| CN113379188B (zh) * | 2021-05-06 | 2022-10-25 | 贵州省烟草公司贵阳市公司 | 基于物联网的烟草轮作种植方法和系统 |
| US11934489B2 (en) | 2021-05-31 | 2024-03-19 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning to infer implementation of regenerative irrigation practices |
| US11880430B2 (en) * | 2021-05-31 | 2024-01-23 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning neural network to predict management zones |
| CN113435649B (zh) * | 2021-06-29 | 2022-09-16 | 布瑞克农业大数据科技集团有限公司 | 一种全域农业数据整理方法、系统、装置及介质 |
| US12073356B2 (en) | 2021-07-07 | 2024-08-27 | Agtools Inc. | Systems and methods for supply chain intelligence |
| WO2023011943A1 (en) | 2021-08-02 | 2023-02-09 | Bayer Aktiengesellschaft | Similarity retrieval |
| WO2023018387A1 (en) * | 2021-08-11 | 2023-02-16 | Agcurate Bilgi Teknolojileri Anonim Sirketi | A crop classification method using deep neural networks |
| US20230054908A1 (en) * | 2021-08-21 | 2023-02-23 | Deere & Company | Machine learning optimization through randomized autonomous crop planting |
| WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
| WO2023034386A1 (en) | 2021-08-31 | 2023-03-09 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
| CN114066022A (zh) * | 2021-10-26 | 2022-02-18 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
| CN113935541A (zh) * | 2021-11-01 | 2022-01-14 | 北京飞花科技有限公司 | 一种机采棉脱叶剂喷施时间的预测方法 |
| US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
| CN114792157A (zh) * | 2022-03-30 | 2022-07-26 | 江西裕丰智能农业科技有限公司 | 基于物联网的脐橙产量预测方法、装置、计算机设备 |
| US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
| US11516158B1 (en) * | 2022-04-20 | 2022-11-29 | LeadIQ, Inc. | Neural network-facilitated linguistically complex message generation systems and methods |
| US20230359829A1 (en) * | 2022-05-05 | 2023-11-09 | Mineral Earth Sciences Llc | Incorporating unstructured data into machine learning-based phenotyping |
| TWI815592B (zh) * | 2022-08-05 | 2023-09-11 | 財團法人資訊工業策進會 | 生產量預估裝置及方法 |
| CN115452892A (zh) * | 2022-09-29 | 2022-12-09 | 晋中市太谷区市场监督管理局 | 一种食品农药残留安全检测方法、系统及介质 |
| CN117689964B (zh) * | 2024-02-02 | 2024-05-03 | 湖南省第二测绘院 | 一种基于多源影像的城市森林分类方法及装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7702597B2 (en) | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
| JP2008533615A (ja) * | 2005-03-14 | 2008-08-21 | エル ターラー、ステフエン | ニューラルネットワーク開発およびデータ解析ツール |
| GB2464677A (en) | 2008-10-20 | 2010-04-28 | Univ Nottingham Trent | A method of analysing data by using an artificial neural network to identify relationships between the data and one or more conditions. |
| US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| US9140824B1 (en) | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
| CN108475345A (zh) * | 2015-11-12 | 2018-08-31 | 谷歌有限责任公司 | 生成较大神经网络 |
| WO2017180208A1 (en) * | 2016-04-13 | 2017-10-19 | Google Inc. | Wide and deep machine learning models |
| US10514799B2 (en) * | 2016-09-08 | 2019-12-24 | Google Llc | Deep machine learning to perform touch motion prediction |
| EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
-
2017
- 2017-01-26 US US15/416,694 patent/US10699185B2/en not_active Expired - Fee Related
-
2018
- 2018-01-09 CA CA3051358A patent/CA3051358A1/en active Pending
- 2018-01-09 EP EP18744210.8A patent/EP3574467A4/en not_active Withdrawn
- 2018-01-09 BR BR112019015401A patent/BR112019015401A8/pt not_active Application Discontinuation
- 2018-01-09 WO PCT/US2018/012949 patent/WO2018140225A1/en unknown
- 2018-01-25 AR ARP180100171A patent/AR110850A1/es active IP Right Grant
-
2020
- 2020-06-29 US US16/915,959 patent/US20200334518A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US10699185B2 (en) | 2020-06-30 |
| AR110850A1 (es) | 2019-05-08 |
| EP3574467A4 (en) | 2020-10-28 |
| BR112019015401A8 (pt) | 2023-01-10 |
| US20180211156A1 (en) | 2018-07-26 |
| WO2018140225A1 (en) | 2018-08-02 |
| CA3051358A1 (en) | 2018-08-02 |
| US20200334518A1 (en) | 2020-10-22 |
| EP3574467A1 (en) | 2019-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200334518A1 (en) | Crop yield estimation using agronomic neural network | |
| US11882786B2 (en) | Method for recommending seeding rate for corn seed using seed type and sowing row width | |
| US10859732B2 (en) | Long-range temperature forecasting | |
| BR112020022324A2 (pt) | visualização digital de prescrições de fertilidade agrícola sazonais atualizadas periodicamente | |
| US10684612B2 (en) | Agricultural management recommendations based on blended model | |
| BR112020010226B1 (pt) | Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos | |
| BR112019018057B1 (pt) | Método implementado por computador para selecionar localizações em um campo para amostragem de tratamento | |
| BR112019000719B1 (pt) | Método para geração de mapas de pixel a partir de dados de não imagem e métricas de diferença para mapas de pixel | |
| BR112018011989B1 (pt) | Método para geração de modelos digitais de rendimento relativo de uma cultura e um ou mais meios legíveis por computador não transitórios | |
| BR112018011240B1 (pt) | Métodos e sistemas de processamento de dados para previsão de rendimento de safra de nível de campo durante uma estação de crescimento | |
| BR112018008750B1 (pt) | Método implementado por computador de recomendações de colheita de milho e mídia de armazenamento não transitório | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112019002763B1 (pt) | Detecção automática de valores de discrepância em dados coletados | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| BR112018070806B1 (pt) | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação | |
| BR112021006110A2 (pt) | sistemas e métodos para identificar e utilizar locais de teste em campos agrícolas | |
| US11796971B2 (en) | Utilizing spatial statistical models for implementing agronomic trials | |
| BR112021002525A2 (pt) | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico | |
| BR112018071870B1 (pt) | Método e sistema de processamento de dados |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B15K | Others concerning applications: alteration of classification |
Free format text: A CLASSIFICACAO ANTERIOR ERA: G06Q 50/02 Ipc: G06N 3/045 (2023.01), G06N 3/044 (2023.01), G06Q 1 |
|
| B11B | Dismissal acc. art. 36, par 1 of ipl - no reply within 90 days to fullfil the necessary requirements |