BR112020003688B1 - Método e sistema para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola - Google Patents
Método e sistema para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola Download PDFInfo
- Publication number
- BR112020003688B1 BR112020003688B1 BR112020003688-9A BR112020003688A BR112020003688B1 BR 112020003688 B1 BR112020003688 B1 BR 112020003688B1 BR 112020003688 A BR112020003688 A BR 112020003688A BR 112020003688 B1 BR112020003688 B1 BR 112020003688B1
- Authority
- BR
- Brazil
- Prior art keywords
- field
- test
- data
- agricultural
- fields
- Prior art date
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 394
- 238000000034 method Methods 0.000 title claims description 84
- 230000008901 benefit Effects 0.000 claims description 100
- 230000009418 agronomic effect Effects 0.000 claims description 42
- 230000000694 effects Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 27
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 140
- 238000010899 nucleation Methods 0.000 description 107
- 238000007726 management method Methods 0.000 description 93
- 238000002474 experimental method Methods 0.000 description 78
- 229910052757 nitrogen Inorganic materials 0.000 description 70
- 239000002689 soil Substances 0.000 description 67
- 238000004891 communication Methods 0.000 description 29
- 239000003337 fertilizer Substances 0.000 description 25
- 238000013515 script Methods 0.000 description 25
- 230000004043 responsiveness Effects 0.000 description 23
- 238000003860 storage Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 18
- 239000000417 fungicide Substances 0.000 description 18
- 238000003973 irrigation Methods 0.000 description 17
- 230000002262 irrigation Effects 0.000 description 17
- 241000196324 Embryophyta Species 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000000855 fungicidal effect Effects 0.000 description 15
- 238000003971 tillage Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 14
- 239000000575 pesticide Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000013459 approach Methods 0.000 description 11
- 238000013479 data entry Methods 0.000 description 11
- 238000003306 harvesting Methods 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 241000607479 Yersinia pestis Species 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 9
- 230000006735 deficit Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 7
- 230000035558 fertility Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003967 crop rotation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000002917 insecticide Substances 0.000 description 4
- -1 silt Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000003826 tablet Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004790 biotic stress Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005341 cation exchange Methods 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000251169 Alopias vulpinus Species 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000714197 Avian myeloblastosis-associated virus Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101150037717 Mavs gene Proteins 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 235000002245 Penicillium camembertii Nutrition 0.000 description 1
- 241000592344 Spermatophyta Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 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
- 238000013481 data capture 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
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing 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
- 239000010903 husk Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
- G01C11/025—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures by scanning the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
-
- 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
- A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00
-
- 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
-
- G06N7/005—
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Environmental Sciences (AREA)
- Soil Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
Abstract
É provido um sistema para implementar um teste em um ou mais campos. Em uma modalidade, um sistema de computação de inteligência agrícola recebe dados de campo para uma pluralidade de campos agrícolas. Com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas, o sistema de computação de inteligência agrícola identifica um ou mais campos agrícolas alvo. O sistema de computação de inteligência agrícola envia, para um dispositivo de computação de gerenciador de campo associado a um ou mais campos agrícolas alvo, uma solicitação de participação de teste. O servidor recebe dados indicando a aceitação da solicitação de participação no teste a partir do dispositivo de computação do gerenciador de campo. O servidor determina um ou mais locais em um ou mais campos agrícolas alvo para implementar um teste e envia dados identificando um ou mais locais ao dispositivo de computação do gerenciador de campo. Quando o sistema de computação de inteligência agrícola recebe dados de aplicações para um ou mais campos agrícolas alvo, o sistema de computação de inteligência agrícola determina se um ou mais campos agrícolas alvo estão em conformidade com o teste. O sistema de computação de inteligência agrícola recebe dados (...).
Description
[001] Uma parte da divulgação deste documento de patente contém material sujeito a proteção de direitos autorais. O proprietário dos direitos autorais não se opõe à reprodução por fax de qualquer pessoa do documento de patente ou da divulgação de patente, como aparece no arquivo ou registros de patentes do Escritório de Marcas e Patentes, mas, de outra forma, reserva todos os direitos autorais ou qualquer tipo de direito. © 2018 The Climate Corporation.
[002] A presente divulgação refere-se à modelagem por computador digital e rastreamento de campos agrícolas. Especificamente, a presente divulgação refere-se a benefícios de modelagem para um campo agrícola de realizar práticas particulares, identificar locais para implementação de testes de práticas específicas e rastrear a realização de práticas específicas.
[003] As abordagens descritas nesta seção são abordagens que podem ser adotadas, mas não necessariamente abordagens que foram previamente concebidas ou adotadas. Portanto, a menos que seja indicado de outra forma, não se deve presumir que qualquer uma das abordagens descritas nesta seção seja qualificada como técnica anterior apenas em virtude de sua inclusão nesta seção.
[004] Os gerenciadores de campo são confrontados com uma ampla variedade de decisões a serem tomadas com relação ao gerenciamento de campos agrícolas. Essas decisões vão desde determinar qual cultura plantar, que tipo de semente plantar para a cultura, quando colher uma cultura, se deve ser lavoura, irrigação, aplicação de pesticidas, aplicação de fungicidas e aplicação de fertilizantes e que tipos de pesticidas, fungicidas e fertilizantes a serem aplicados.
[005] Muitas vezes, podem ser feitas melhorias nas práticas de gerenciamento de um campo, usando diferentes sementes híbridas, aplicando diferentes produtos ao campo ou executando diferentes atividades de gerenciamento no campo. Essas melhorias podem não ser facilmente identificáveis para um gerenciador de campo que trabalha apenas com informações sobre seu próprio campo. Assim, é benéfico para um sistema de computador que obtém informações sobre uma pluralidade de campos para identificar melhorias nas práticas de plantio, práticas de gerenciamento ou práticas de aplicação.
[006] Embora as melhorias recomendadas possam ser úteis para os campos agrícolas, elas podem ser arriscadas de implementar. Onde um gerenciador de campo pode ter certeza de que as práticas do gerenciador de campo produzirão um resultado específico, o gerenciador de campo pode não ter certeza de que seguir a recomendação levaria a um benefício.
[007] Mesmo que um gerenciador de campo concorde em seguir uma recomendação, o gerenciador de campo não seria capaz de quantificar se os benefícios alcançados são devidos às diferentes práticas de plantio, aplicação ou gerenciamento ou devido a um ou mais fatores externos, tal como clima favorável. Portanto, sem ser capaz de quantificar os benefícios de determinadas práticas novas, um gerenciador de campo é incapaz de determinar se as práticas devem ser usadas nos próximos anos.
[008] Assim, é necessário um método para identificar campos que possam se beneficiar de mudanças nas práticas agrícolas e desenvolver testes que possam demonstrar o valor das mudanças nas práticas agrícolas.
[009] As Reivindicações anexas podem servir como um sumário da divulgação.
[010] Nos desenhos:
[011] A FIG. 1 ilustra um exemplo de sistema de computador que está configurado para realizar as funções aqui descritas, mostradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[012] A FIG. 2 ilustra duas visualizações de uma organização lógica de exemplo de conjuntos de instruções na memória principal quando um aplicativo móvel de exemplo é carregado para execução.
[013] A FIG. 3 ilustra um processo programado pelo qual o sistema de computação de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados agronômicos providos por uma ou mais fontes de dados.
[014] A FIG. 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser implementada.
[015] A FIG. 5 representa um exemplo de modalidade de uma visualização da linha do tempo para entrada de dados.
[016] A FIG. 6 representa um exemplo de modalidade de uma vista de planilha para entrada de dados.
[017] A FIG. 7 representa um exemplo de método de implementação de um teste. Na etapa 702, dados de campo para uma pluralidade de campos agrícolas são recebidos.
[018] A FIG. 8 mostra um exemplo de implementação de locais de teste em um campo.
[019] A FIG. 9 representa uma interface gráfica de usuário para selecionar locais para colocar os locais de teste.
[020] A FIG. 10 representa um exemplo de interface gráfica de usuário para definir locais selecionados.
[021] A FIG. 11 representa um exemplo de interface gráfica de usuário para exibir informações pertencentes a uma região selecionada.
[022] A FIG. 12 representa um exemplo de interface gráfica de usuário para representar os resultados de um teste.
[023] A FIG. 13 ilustra um exemplo de processo realizado pelo servidor de estudo de campo, desde a segmentação em campo até a distribuição de informações entre os sistemas do cultivador.
[024] A FIG. 14 ilustra um exemplo de relação entre a densidade da cultura e o rendimento da cultura para um dado híbrido.
[025] A FIG. 15 ilustra exemplos de tipos de práticas de gerenciamento.
[026] A FIG. 16 ilustra um exemplo de processo realizado pelo servidor de estudo de campo para determinar o híbrido de cultivo para o campo de um cultivador ou suas zonas.
[027] A FIG. 17 ilustra um exemplo de processo realizado pelo servidor de estudo de campo de direcionamento de campos de cultivadores para aumento do rendimento da cultura.
[028] Na descrição a seguir, para fins de explicação, numerosos detalhes específicos são estabelecidos, a fim de prover um entendimento completo da presente divulgação. Será aparente, no entanto, que modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos conhecidos são mostrados na forma de diagrama de blocos para evitar obscurecer desnecessariamente a presente divulgação. Modalidades são divulgadas em seções de acordo com o seguinte esboço: 1. VISÃO GERAL 2. EXEMPLO DE SISTEMA DE COMPUTAÇÃO DE INTELIGÊNCIA AGRÍCOLA 2.1 VISÃO GERAL ESTRUTURAL 2.2 VISÃO GERAL DO PROGRAMA DE APLICAÇÃO 2.3 DADOS INGERIDOS AO SISTEMA DE COMPUTADOR 2.4 VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELOS AGRONÔMICOS 2.5 EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO HARDWARE 3. VISÃO GERAL FUNCIONAL 4. DADOS DE CAMPO PROVIDOS 5. IDENTIFICAÇÃO DO ALVO 6. PROJETO DE TESTE 7. COMUNICAÇÃO DO DISPOSITIVO DE COMPUTAÇÃO DE GERENCIADOR DE CAMPO 8. ASSOCIAÇÃO DE VALOR 9. BENEFÍCIOS DE CERTAS MODALIDADES 10. EXTENSÕES E ALTERNATIVAS
[029] Sistemas e métodos para implementar testes em um ou mais campos são descritos aqui. Em uma modalidade, um sistema de computação de inteligência agrícola é acoplado comunicativamente a uma pluralidade de dispositivos de computação de gerenciador de campo. O sistema de computação de inteligência agrícola recebe dados de campo para uma pluralidade de campos agrícolas e usa os dados de campo para identificar campos que se beneficiariam com a realização de um teste específico. O sistema de computação de inteligência agrícola envia uma solicitação de participação em um teste para um dispositivo de computação de gerenciador de campo associado a um campo identificado, o que garante um benefício específico para a participação no teste. Se o dispositivo de computação de gerenciador de campo concordar em participar do teste, o sistema de computação de inteligência agrícola identificará os locais no campo identificado para a implementação do teste e enviará os dados ao dispositivo de computação de gerenciador de campo. O sistema de computação de inteligência agrícola pode rastrear práticas no campo identificado para determinar se o campo identificado está em conformidade com o teste. O sistema de computação de inteligência agrícola também pode receber dados que identificam os resultados do teste e usá-los para calcular um ou mais benefícios do teste.
[030] Em uma modalidade, um método compreende receber, em um sistema de computação de inteligência agrícola, dados de campo para uma pluralidade de campos agrícolas; com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas, identificar um ou mais campos agrícolas alvo; enviar a um dispositivo de computação de gerenciador de campo associado a um ou mais campos agrícolas alvo, uma solicitação de participação de teste; receber, do dispositivo de computação de gerenciador de campo, dados indicando a aceitação da solicitação de participação no teste; determinar um ou mais locais em um ou mais campos agrícolas alvo para implementar um teste; enviar dados identificando um ou mais locais para o dispositivo de computação do gerenciador de campo; receber dados de aplicações para um ou mais campos agrícolas alvo; com base nos dados de aplicação, determinar se um ou mais campos agrícolas alvo estão em conformidade com o teste; receber dados de resultados para o teste; com base nos dados do resultado, calcular um valor de benefício para o teste.
[031] A figura 1 ilustra um exemplo de sistema de computação que está configurado para executar as funções aqui descritas, mostradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Numa modalidade, um usuário 102 por si só, opera ou possui um dispositivo de computação de gerenciador de campo 104 em um local de campo ou associado a um local de campo, tal como um campo destinado a atividades agrícolas ou um local de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação de gerenciador de campo 104 é programado ou configurado para prover dados de campo 106 a um sistema de computação de inteligência agrícola 130 através de uma ou mais redes 109.
[032] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome do campo, identificadores de campo, identificadores geográficos, identificadores de limites, identificadores de culturas e quaisquer outros dados adequados que possam ser usados para identificar terrenos da fazenda, tal como como uma unidade de terra comum (CLU), número do lote e bloco, número da parcela, coordenadas e limites geográficos, número de série da fazenda (FSN), número da fazenda, número da área, número do campo, seção, município e/ou faixa), (b) dados da colheita (por exemplo, tipo de cultura, variedade de culturas, rotação de culturas, se a cultura é cultivada organicamente, data da colheita, histórico real de produção (APH), rendimento real, rendimento, preço da cultura, receita da cultura, umidade dos grãos, prática de lavoura e informações da estação de crescimento anterior), (c) dados do solo (por exemplo, tipo, composição, pH, matéria orgânica (MO), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, semente (s) tipo (s), maturidade relativa (RM) de sementes plantadas, população de sementes), e) dados de fertilizantes (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data da aplicação, quantidade, fonte, método), (f) dados de aplicação de produto químico (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas ao uso como um regulador da planta, desfolhante ou dessecante, data da aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data da aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, taxa de precipitação, precipitação prevista, região da taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (para por exemplo, informações sobre imagens e espectro de luz de um sensor de equipamento agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, avião ou satélite), (j) observações de aferição (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (umidade atual e ao longo do tempo), umidade do solo, estágio de crescimento das culturas, velocidade do vento, umidade relativa, ponto de orvalho, camada negra)) e (k) solo, sementes, fenologia das culturas, relatórios de pragas e doenças e fontes e bancos de dados de previsões.
[033] Um computador servidor de dados 108 é acoplado comunicativamente ao sistema de computação de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computação de inteligência agrícola 130 através de rede (s) 109. O computador servidor de dados externo 108 pode ser de propriedade ou operado pela mesma pessoa jurídica ou entidade que o sistema de computação de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, tal como agência governamental, organização não governamental (ONG) e/ou provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados do solo ou dados estatísticos relacionados ao rendimento das culturas, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são providos por um servidor de dados externo 108 pertencente à mesma entidade que possui e/ou opera o sistema de computação de inteligência agrícola 130. Por exemplo, o sistema de computação de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que de outra forma poderiam ser obtidos a partir de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode realmente ser incorporado dentro do sistema 130.
[034] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixos no mesmo, cujos sensores são acoplados comunicativamente, direta ou indiretamente, através de aparelho agrícola 111, ao sistema de computação de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computação de inteligência agrícola 130. Exemplos de aparelhos agrícolas 111 incluem tratores, debulhadoras, colheitadeiras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos, incluindo veículos aéreos não tripulados e qualquer outro item de maquinaria ou hardware físico, tipicamente maquinaria móvel, e que pode ser usado em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados localmente em uma rede no aparelho; A rede de área do controlador (CAN) é exemplo de uma rede que pode ser instalada em debulhadoras, colheitadeiras, pulverizadores e cultivadores. O controlador de aplicação 114 é acoplado comunicativamente ao sistema de computação de inteligência agrícola 130 através da (s) rede (s) 109 e é programado ou configurado para receber um ou mais scripts que são usados para controlar um parâmetro operacional de um veículo agrícola ou implementar a partir do sistema de computação de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área do controlador (CAN) pode ser usada para permitir comunicações do sistema de computação de inteligência agrícola 130 ao aparelho agrícola 111, tal como o CLIMATE FIELDVIEW DRIVE, disponível a partir de The Climate Corporation, San Francisco, Califórnia, é usado. Os dados do sensor podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem estar remotamente localizados no campo e podem se comunicar com a rede 109.
[035] O aparelho 111 pode compreender um computador de cabine 115 que é programado com um aplicativo de cabine, o qual pode compreender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é ainda descrito em outras seções neste documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, geralmente um computador ou smartphone do tamanho de um tablet, com um display de tela gráfico, tal como uma tela colorida, que é montada dentro da cabine do operador do aparelho 111. O computador de cabine 115 pode implementar algumas ou todas as operações e funções que são descritas aqui mais adiante para o dispositivo de computação móvel 104.
[036] As redes 109 representam amplamente qualquer combinação de uma ou mais redes de comunicação de dados, incluindo redes de área local, redes de área ampla, internetworks ou internets, usando qualquer um dos links com ou sem fio, incluindo links terrestres ou por satélite. A (s) rede (s) pode (m) ser implementada (s) por qualquer meio ou mecanismo que proveja o intercâmbio de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter links de comunicação direta (com ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema compreendem uma interface compatível com a (s) rede (s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das redes, tais como TCP / IP, Bluetooth, protocolo CAN e protocolos de camada superior, tais como HTTP, TLS e similares.
[037] O sistema de computação de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 a partir do dispositivo de computação do gerenciador de campo 104, dados externos 110 do computador servidor de dados externo 108 e dados do sensor do sensor remoto 112. O sistema de computação de inteligência agrícola 130 pode ser ainda mais configurado 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 culturas em uma ou mais campos, geração de recomendações e notificações e geração e envio de scripts para o controlador de aplicação 114, da maneira descrita mais adiante em outras seções desta divulgação.
[038] Em uma modalidade, o sistema de computação de inteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware / virtualização 150 e modelo e repositório de dados de campo 160. “Camada” nesse contexto, refere-se a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware, tal como drivers e/ou programas de computador ou outros elementos de software.
[039] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada / saída, incluindo o envio de pedidos ao dispositivo de computação do gerenciador de campo 104, computador servidor de dados externo 108 e sensor remoto 112 para dados de campo, dados externos e dados do sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para modelo e repositório de dados de campo 160 para serem armazenados como dados de campo 106.
[040] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exibida no dispositivo de computação do gerenciador de campo 104, computador de cabine 115 ou outros computadores que estejam acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para inserir dados a serem enviados ao sistema de computação de inteligência agrícola 130, gerando solicitações de modelos e/ou recomendações e/ou exibindo recomendações, notificações, modelos e outros dados de campo.
[041] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de escrita envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e do repositório. Exemplos da camada de gerenciamento de dados 140 incluem JDBC, código de interface do servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme usado aqui, o termo “banco de dados” pode se referir a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado aqui, um banco de dados pode compreender qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivos simples, bancos de dados relacionais a objetos, bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outra coleção estruturada de registros ou dados armazenados em um sistema de computador. Exemplos de RDBMS incluem, mas não estão limitados a incluir, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para ativar os sistemas e métodos aqui descritos.
[042] Quando os dados de campo 106 não são providos diretamente ao sistema de computação de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computação de inteligência agrícola, o usuário pode ser solicitado por uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computação de inteligência agrícola) para inserir essas informações. Em uma modalidade exemplar, o usuário pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computação de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando um mapa no dispositivo do usuário (servido pelo sistema de computação de inteligência agrícola 130) e desenhando limites do campo sobre o mapa. Esses desenhos de seleção ou mapa da CLU representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando dados de identificação de campo (providos como arquivos de formato ou em um formato semelhante) da Agência de Serviços Agrícolas do Departamento de Agricultura US ou outra fonte via dispositivo do usuário e provendo esses dados de identificação de campo ao sistema de computação de inteligência agrícola.
[043] Em uma modalidade exemplar, o sistema de computação de inteligência agrícola 130 é programado para gerar e provocar a exibição de uma interface gráfica de usuário compreendendo um gerenciador de dados para entrada de dados. Após a identificação de um ou mais campos usando os métodos descritos acima, o gerenciador de dados pode prover um ou mais widgets da interface gráfica de usuário que, quando selecionados, podem identificar alterações nas práticas de campo, solo, culturas, lavoura ou nutriente. O gerenciador de dados pode incluir uma visualização da linha do tempo, uma planilha e/ou um ou mais programas editáveis.
[044] A figura 5 representa um exemplo de modalidade de uma visualização da linha do tempo para entrada de dados. Utilizando o display representado na figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de evento. Os eventos descritos na parte superior da linha do tempo podem incluir nitrogênio, plantio, práticas e solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode prover entradas para selecionar a aba de nitrogênio. O computador de usuário pode então selecionar um local na linha do tempo para um campo específico, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de um local na linha do tempo para um campo específico, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário insira dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações relacionadas a um campo específico. Por exemplo, se um computador de usuário seleciona uma parte da linha do tempo e indica uma aplicação de nitrogênio, a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.
[045] Em uma modalidade, o gerenciador de dados provê uma interface para a criação de um ou mais programas. “Programa”, neste contexto, refere-se a um conjunto de dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações que possam estar relacionadas a um ou mais campos e que possam ser armazenadas em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após a criação de um programa, ele pode ser aplicado conceitualmente a um ou mais campos e as referências ao programa podem ser armazenadas no armaze-namento digital em associação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação específica de nitrogênio e depois aplicar o programa a vários campos diferentes. Por exemplo, na visualização da linha do tempo da figura 5, as duas principais linhas de tempo têm o programa “aplicado na Primavera” selecionado, que inclui uma aplicação de 150 libras N / ac no início de abril. O gerenciador de dados pode prover uma interface para editar um programa. Em uma modalidade, quando um programa específico é editado, cada campo que selecionou o programa específico é editado. Por exemplo, na figura 5, se o programa “aplicado na Primavera” for editado para reduzir a aplicação de nitrogênio a 130 libras N / ac, os dois campos superiores poderão ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[046] Em uma modalidade, em resposta ao recebimento de edições em um campo que possui um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 5, a interface pode ser atualizada para indicar que o programa “aplicado na Primavera” não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa “aplicado na Primavera” não alterariam a aplicação de nitrogênio em abril.
[047] A figura 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados. Utilizando o display representado na figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação ao nitrogênio, plantio, práticas e solo, como representado na figura 6. Para editar uma entrada específica, o computador de usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a figura 6 representa uma atualização em andamento para um valor de rendimento alvo desejado para o segundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo específico, o gerenciador de dados pode preencher automaticamente as entradas para o campo específico com base no programa selecionado. Como na exibição da linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado a um programa específico em resposta ao recebimento de uma atualização para o programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado no campo em resposta ao recebimento de uma edição em uma das entradas do campo.
[048] Em uma modalidade, os dados do modelo e de campo são armazenados no repositório de dados do modelo e de campo 160. Os dados do modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultivo pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. “Modelo”, neste contexto, refere-se a um conjunto eletrônico armazenado digitalmente de instruções executáveis e valores de dados, associados um ao outro, capazes de receber e responder a uma chamada programática ou outra chamada, invocação ou solicitação de resolução digital com base em valores de entrada especificados, para gerar um ou mais valores de saída armazenados ou calculados que podem servir como base de recomendações implemen-tadas por computador, exibição de dados de saída ou controle da máquina, entre outras coisas. Pessoas versadas na técnica acham conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo aqui tem uma aplicação prática em um computador na forma de instruções executáveis armazenadas e dados que implementam o modelo usando o computador. O modelo pode incluir um modelo de eventos passados em um ou mais campos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos previstos em um ou mais campos. Os dados do modelo e de campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos ou planilhas simples ou outras formas de dados digitais armazenados.
[049] Em uma modalidade, cada uma das instruções de identificação de alvo 135, instruções de projeto de teste 136, instruções de rastreamento de teste 137 e instruções de associação de valor 138 compreende um conjunto de uma ou mais páginas da memória principal, tal como RAM, no sistema de computação de inteligência agrícola 130 no qual instruções executáveis foram carregadas e que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações descritas aqui com referência a esses módulos. Por exemplo, as instruções de identificação do alvo 135 podem compreender um conjunto de páginas na RAM que contêm instruções que, quando executadas, provocam a realização das funções de identificação do alvo aqui descritas. As instruções podem estar no código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código fonte escrito em JAVA, C, C++, OBJECTIVE-C ou em qualquer outra linguagem ou ambiente de programação legível por humanos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto fonte de programação. O termo “páginas” pretende se referir amplamente a qualquer região na memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou da arquitetura do processador. Em outra modalidade, cada uma das instruções de identificação de alvo 135, instruções de projeto de teste 136, instruções de rastreamento de teste 137 e instruções de associação de valor 138 também pode representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, tal como memória RAM volátil ou armazenamento em disco, no sistema de computação de inteligência agrícola 130 ou em um sistema de repositório separado, que, quando compilado ou interpretado, gera instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações descritas aqui com referência para esses módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual os programadores ou desenvolvedores de software organizam e dispõem o código fonte para compilação posterior em um executável, ou interpretação no código de bytes ou equivalente, para execução pelo sistema de computação de inteligência agrícola 130.
[050] As instruções de identificação do alvo 135 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computação de inteligência agrícola 130 realize a identificação de um ou mais campos alvo que se beneficiariam da implementação de um teste e/ou um ou mais dispositivos de computação de gerenciador de campo e/ou contas de gerenciador de campo associadas a um campo que se beneficiariam da implementação de um teste. As instruções de projeto de teste 136 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computação de inteligência agrícola 130 realize a identificação de um ou mais locais em um campo agrícola para implementar um teste. As instruções de rastreamento de teste 137 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computação de inteligência agrícola 130 realize o recebimento de dados de campo e determine, com base nos dados de campo, se um campo agrícola está em conformidade com um ou mais requisitos de um julgamento. As instruções de associação de valor 138 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computação de inteligência agrícola 130 realize a associação de um valor aos resultados de uma ou mais testes.
[051] A camada de hardware / virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, tal como memória volátil ou não volátil, armazenamento não volátil, tal como disco e dispositivos ou interfaces de I / O, conforme ilustrado e descrito, por exemplo, em conexão com a figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.
[052] Para fins de ilustração de um exemplo claro, a figura 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 associados a diferentes usuários. Além disso, o sistema 130 e/ou o computador externo do servidor de dados 108 pode ser implementado usando dois ou mais processadores, núcleos, clusters ou instâncias de máquinas físicas ou máquinas virtuais, configuradas em um local discreto ou colocalizadas com outros elementos em um datacenter, instalação de computação compartilhada ou instalação de computação em nuvem.
[053] Em uma modalidade, a implementação das funções aqui descritas usando um ou mais programas de computador ou outros elementos de software carregados e executados usando um ou mais computadores de uso geral fará com que os computadores de uso geral sejam configurados como uma máquina específica ou como um computador especialmente adaptado para realizar as funções aqui descritas. Além disso, cada um dos diagramas de fluxo descritos aqui mais adiante pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa aqui, como algoritmos, planos ou instruções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto em prosa aqui, e todas as figuras em desenho, juntos, pretendem prover a divulgação de algoritmos, planos ou direções que são suficientes para permitir que uma pessoa versada na técnica programe um computador para realizar as funções aqui descritas, em combinação com a habilidade e o conhecimento de tal pessoa, dado o nível de habilidade apropriado para invenções e divulgações desse tipo.
[054] Em uma modalidade, o usuário 102 interage com o sistema de computação de inteligência agrícola 130 usando o dispositivo de computação de gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas de aplicação ou aplicativos; o dispositivo de computação de gerenciador de campo 104 também pode interoperar com o sistema de computação de inteligência agrícola de forma independente e automática sob controle do programa ou controle lógico e nem sempre é necessária a interação direta do usuário. O dispositivo de computação de gerenciador de campo 104 representa amplamente um ou mais de um smartphone, PDA, dispositivo de computação para tablet, computador laptop, computador desktop, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e realizar as funções aqui descritas. O dispositivo de computação do gerenciador de campo 104 pode se comunicar via rede usando um aplicativo móvel armazenado no dispositivo de computação do gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado usando um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um particular o usuário 102 pode por si só, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositivo de computação de gerenciador de campo 104 por vez.
[055] O aplicativo móvel pode prover funcionalidade do lado do cliente, via rede, a um ou mais dispositivos de computação móvel. Em uma modalidade exemplar, o dispositivo de computação do gerenciador de campo 104 pode acessar o aplicativo móvel por meio de um navegador da Web ou de uma aplicação ou aplicativo cliente local. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na Web, tais como HTTP, XML e/ou JSON ou protocolos específicos de aplicativos. Em uma modalidade exemplar, os dados podem assumir a forma de solicitações e entrada de informações do usuário, tais como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com o hardware e o software de rastreamento de localização no dispositivo de computação do gerenciador de campo 104, que determina a localização do dispositivo de computação do gerenciador de campo 104 usando técnicas de rastreamento padrão, tal como a multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou conta (s) de usuário podem ser obtidos através de consultas a um sistema operacional do dispositivo ou solicitando um aplicativo no dispositivo para obter dados do sistema operacional.
[056] Em uma modalidade, o dispositivo de computação de gerenciador de campo 104 envia dados de campo 106 ao sistema de computação de inteligência agrícola 130 compreendendo ou incluindo, mas não se limitando a valores de dados que representam um ou mais de: uma localização geográfica de um ou mais campos, informações de lavoura para um ou mais campos, culturas plantadas em um ou mais campos e dados do solo extraídos de um ou mais campos. O dispositivo de computação do gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada do usuário do usuário 102, especificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação do gerenciador de campo 104 pode enviar automaticamente os dados de campo 106 quando um ou mais dos valores de dados estiverem disponíveis para o dispositivo de computação do gerenciador de campo 104. Por exemplo, o dispositivo de computação do gerenciador de campo 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou controlador de aplicação 114 que inclui um sensor de irrigação e/ou controlador de irrigação. Em resposta à recepção de dados indicando que o controlador de aplicação 114 liberou água para um ou mais campos, o dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computação de inteligência agrícola 130, indicando que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta divulgação podem ser introduzidos e comunicados usando dados digitais eletrônicos que são comunicados entre dispositivos de computação usando URLs parametrizados sobre HTTP, ou outro protocolo de comunicação ou mensagem adequado.
[057] Um exemplo comercial do aplicativo móvel é CLIMATE FIELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou outros aplicativos, pode ser modificado, estendido ou adaptado para incluir recursos, funções e programação que não foram divulgados antes da data de apresentação desta divulgação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite ao cultivador tomar decisões baseadas em fatos para sua operação, porque combina dados históricos sobre os campos do cultivador com outros dados que o cultivador deseja comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o cultivador tome decisões melhores e mais informadas.
[058] A figura 2 ilustra duas visualizações de uma organização lógica de exemplo de conjuntos de instruções na memória principal quando um aplicativo móvel de exemplo é carregado para execução. Na figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas nessas regiões. Em uma modalidade, na visualização (a), um aplicativo de computador móvel 200 compreende instruções 202 de compartilhamento de ingestão de dados em campos de conta, instruções de visão geral e alerta 204, instruções de livro de mapas digitais 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.
[059] Em uma modalidade, um aplicativo de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de compartilhamento 202 que são programadas para receber, transladar e ingerir dados de campo de sistemas de terceiros por meio de upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas conforme plantados, resultados de testes do solo, mapas conforme aplicados e/ou zonas de gerencia-mento, entre outros. Os formatos de dados podem incluir arquivos de formatos, formatos de dados nativos de terceiros e/ou exportações de sistemas de informações de gerenciamento de fazendas (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de upload manual, e-mail com anexo, APIs externas que enviam dados para o aplicativo móvel ou instruções que chamam APIs de sistemas externos para extrair dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica de usuário para carregar manualmente arquivos de dados e importar arquivos enviados para um gerenciador de dados.
[060] Em uma modalidade, as instruções digitais do livro de mapas 206 compreendem as camadas de dados do mapa de campo armazenadas na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isso provê aos cultivadores informações convenientes à mão para referência, registro e insights visuais sobre o desempenho em campo. Em uma modalidade, as instruções de visão geral e de alerta 204 são programadas para fornecer uma visão de toda a operação do que é importante para o cultivador e recomendações oportunas para agir ou se concentrar em questões específicas. Isso permite que o cultivador concentre o tempo no que precisa de atenção, economizando tempo e preservando o rendimento ao longo da temporada. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para prover ferramentas para seleção de sementes, colocação híbrida e criação de scripts, incluindo a criação de scripts de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os cultivadores maximizem o rendimento ou o retorno do investimento através da compra, colocação e população otimizadas de sementes.
[061] Em uma modalidade, as instruções de geração de script 205 são programadas para prover uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os cultivadores criem scripts para implementos em campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tais como as camadas de dados do mapa de campo criadas como parte das instruções do livro de mapas digitais 206. Em uma modalidade, as zonas de gerenciamento compreendem o solo zonas juntamente com um painel que identifica cada zona do solo e um nome, textura, drenagem para cada zona ou outros dados de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para editar ou criar tais, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de manejo ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de manejo. Quando um script é criado, o aplicativo de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicação, tal como um formato arquivado ou compactado. Além disso, e/ou alternativamente, um script pode ser enviado diretamente ao computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posterior.
[062] Em uma modalidade, as instruções de nitrogênio 210 são programadas para prover ferramentas para informar as decisões de nitrogênio, visualizando a disponibilidade de nitrogênio nas culturas. Isso permite que os cultivadores maximizem o rendimento ou o retorno do investimento através da aplicação otimizada de nitrogênio durante a estação. Exemplos de funções programadas incluem a exibição de imagens como imagens SSURGO para permitir o desenho de zonas de aplicação de fertilizantes e/ou imagens geradas a partir de dados do solo do subcampo, tais como dados obtidos de sensores, em uma alta resolução espacial (tão fina quanto milímetros ou menor, dependendo da proximidade do sensor e resolução); upload de zonas definidas pelo cultivador existentes; prover um gráfico da disponibilidade de nutrientes das plantas e/ou um mapa para permitir a aplicação (ões) de nitrogênio em várias zonas; saída de scripts para acionar máquinas; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. “Entrada de dados em massa”, nesse contexto, pode significar inserir dados uma vez e depois aplicar os mesmos dados a vários campos e/ou zonas que foram definidas no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos e/ou zonas do mesmo cultivador, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de aplicação e práticas de nitrogênio e para aceitar entrada do usuário especificando para aplicar esses programas em vários campos. “Programas de aplicação de nitrogênio”, neste contexto, refere-se a conjuntos de dados armazenados e nomeados 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, como injeção ou difusão, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou objeto híbrido da aplicação, entre outras. “Programas de práticas de nitrogênio”, neste contexto, referem-se a conjuntos de dados armazenados e nomeados que associam: um nome de práticas; uma cultura anterior; um sistema de lavoura; uma data de plantio direto; um ou mais sistemas de lavoura anteriores que foram utilizados; um ou mais indicadores do tipo de aplicação, como estrume, que foram utilizados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica projeções do uso de plantio do nitrogênio especificado e se é previsto um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador compreendendo uma pluralidade de linhas, cada linha associada e identificando um campo; dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos especificando cada aplicação e quantidade de nitrogênio em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de superávit ou déficit, nos quais a cor indica magnitude.
[063] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e provocar a exibição de um mapa de nitrogênio, que indica projeções do uso da planta do nitrogênio especificado e se é previsto um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de nitrogênio pode exibir projeções do uso da planta do nitrogênio especificado e se um excedente ou déficit é previsto para diferentes épocas do passado e do futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) usando indicadores numéricos e/ou coloridos de excedente ou déficit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de excedente ao déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (tal como fósforo e potássio), aplicação de pesticidas e programas de irrigação.
[064] Em uma modalidade, as instruções meteorológicas 212 são programadas para prover dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os cultivadores economizem tempo e tenham uma exibição integrada eficiente em relação às decisões operacionais diárias.
[065] Em uma modalidade, as instruções de saúde de campo 214 são programadas para prover imagens oportunas de sensoriamento remoto, destacando a variação da safra na estação e possíveis preocupações. Exemplos de funções programadas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de observação, incluindo, por exemplo, aquelas relacionadas à saúde do campo e visualização e/ou compartilhamento de notas de observação; e/ou baixar imagens de satélite de várias fontes e priorizar as imagens para o cultivador, entre outras.
[066] Em uma modalidade, as instruções de desempenho 216 são programadas para prover relatórios, análises e ferramentas de insight usando dados na fazenda paro teste, insights e decisões. Isso permite que o cultivador busque melhores resultados para o próximo ano através de conclusões baseadas em fatos sobre porque o retorno do investimento estava em níveis anteriores e uma visão dos fatores que limitam o rendimento. As instruções de desempenho 216 podem ser programadas para se comunicar através da (s) rede (s) 109 para programas de análise de backend executados no sistema de computa-ção de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas, tais como rendi-mento, diferencial de rendimento, híbrido, população, zona SSURGO, propriedades de teste do solo ou elevação, entre outros. Os relatórios e análises programados podem incluir análise da variabilidade da produção, estimativa do efeito do tratamento, benchmarking da produção e outras métricas em relação a outros cultivadores com base em dados anônimos coletados de muitos cultivadores, ou dados para sementes e plantio, entre outros.
[067] Aplicativos com instruções configuradas dessa maneira podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário. Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, smartphones ou computadores servidores acessados usando navegadores nos computadores clientes. Além disso, o aplicativo móvel configurado para computadores tablet ou smartphones pode prover uma experiência completa do aplicativo ou uma experiência do aplicativo de cabine que é adequada para os recursos de exibição e processamento do computador de cabine 115. Por exemplo, referindo-se agora à visualização (b) da figura 2, em uma modalidade, um aplicativo de computador de cabine 220 pode compreender instruções de mapas de cabine 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230 e instruções de cabine de aferição 232. A base de código para as instruções da visualização (b) podem ser as mesmas da visualização (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual estão executando e expor, por meio de uma interface gráfica de usuário, apenas essas funções apropriadas a uma plataforma de cabine ou de plataforma completa. Essa abordagem permite que o sistema reconheça a experiência do usuário distintamente diferente, apropriada para um ambiente na cabine e o ambiente tecnológico diferente da cabine. As instruções de mapas de cabine 222 podem ser programadas para prover visualizações de mapas de campos, fazendas ou regiões que são úteis no direcionamento da operação da máquina. As instruções de visualização remota 224 podem ser programadas para ativar, gerenciar e prover visualizações da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e prover a transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares. As instruções de alerta da máquina 228 podem ser programadas para detectar problemas nas operações da máquina ou ferramentas associadas à cabine e gerar alertas do operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções configuradas para direcionar as operações da máquina ou a coleta de dados. As instruções da cabine de aferição 232 podem ser programadas para exibir alertas e informações com base na localização recebidos do sistema 130 com base na localização do dispositivo de computação do gerenciador de campo 104, aparelho agrícola 111 ou sensores 112 no campo e ingerir, gerenciar e prover transferência de observações de observação baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.
[068] Em uma modalidade, o computador servidor de dados externo 108 armazena dados externos 110, incluindo dados do solo que representam a composição do solo para um ou mais campos e dados meteorológicos que representam temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador do servidor de dados externo 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição do solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar dados representando porcentagem de areia, lodo e argila no solo, enquanto um segundo servidor pode armazenar dados representando porcentagem de matéria orgânica (MO) no solo.
[069] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículos, sensores de equipamentos de plantio, sensores de lavoura, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeiras e qualquer outro implemento capaz de receber dados de um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computação de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, tal como um trator, equipamento de plantio, equipamento de lavoura, equipamento para fertilizantes ou inseticidas, equipamento para colheitadeiras ou outros implementos agrícolas, tais como uma válvula de água. Outras modali-dades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[070] O sistema 130 pode obter ou ingerir dados sob controle do usuário 102, em massa, de um grande número de cultivadores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obtenção de dados pode ser denominada “ingestão manual de dados”, pois uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como exemplo, o aplicativo CLIMATE FIELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório 160.
[071] Por exemplo, os sistemas de monitoramento de sementes podem controlar os componentes do aparelho de plantadeira e obter dados de plantio, incluindo sinais de sensores de sementes através de um chicote de sinal que compreende um backbone CAN e conexões ponto a ponto para registro e/ou diagnósticos. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são divulgados na Pat. US 8.738.243 e Patente US Pub. 20150094916, e a presente divulgação pressupõe conhecimento dessas outras divulgações de patentes.
[072] Da mesma forma, os sistemas de monitoramento de rendimento podem conter sensores de rendimento para aparelhos de colheitadeira que enviam dados de medição de rendimento para o computador da cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma debulhadora ou outra colheitadeira e transmitir essas medições ao usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130.
[073] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito em qualquer outra parte deste documento incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, como sensores de velocidade do radar ou da roda, acelerômetros ou giroscópios. Os sensores de posição podem incluir receptores ou transceptores GPS ou aplicativos de mapeamento ou posição baseados em WiFi que são programados para determinar a localização com base em pontos de acesso Wi-Fi próximos, entre outros.
[074] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com GPS ou sinais de radar, sensores de velocidade PTO (tomada de força), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos, tal como pressão ou fluxo, e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de derrapagem das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bombas hidráulicas; controladores ou reguladores de velocidade; controladores de posição de engate; ou os controladores de posição da roda proveem direção automática.
[075] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, como planta- deiras, brocas ou semeadores de ar incluem sensores de sementes, que podem ser sensores ópticos, eletromagnéticos ou de impacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores ópticos de resíduos ou sensores de temperatura; sensores de critérios de operação de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade de disco de semente, codificadores de motor de acionamento de semente, sensores de velocidade de sistema de transporte de semente ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores ópticos ou outros eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com esse equipamento de plantio de sementes incluem: controladores de dobra da barra de ferramentas, como controladores de válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores de válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fileira individuais ou a uma estrutura de plantadeira inteira; controladores de profundidade de plantio, como acionadores lineares; controladores de medição, como motores de acionamento do medidor de semente elétrico, motores de acionamento do medidor de semente hidráulico ou embreagens de controle de faixa; controladores de seleção de híbridos, como motores de acionamento de medidor de sementes ou outros acionadores programados para permitir ou impedir seletivamente que sementes ou uma mistura ar-semente provejam sementes para ou a partir de medidores de sementes ou tremonhas centrais; controladores de medição, como motores de acionamento do medidor de semente elétrico ou motores de acionamento do medidor de semente hidráulico; controladores de sistema de transportador de sementes, como controladores de um motor transportador de entrega de sementes de correia; controladores de marcadores, como um controlador de um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de unidades de medição, controladores de tamanho ou posição de orifícios.
[076] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas como hastes ou discos; sensores de posição da ferramenta para ferramentas configuradas para detectar profundidade, ângulo do grupo ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de força descendente ou controladores de posição da ferramenta, tais como controladores configurados para controlar a profundidade da ferramenta, o ângulo do grupo ou o espaçamento lateral.
[077] Em uma modalidade, exemplos de sensores 112 que podem ser utilizados em relação a aparelhos para aplicação de fertilizantes, inseticidas, fungicidas e similares, tais como sistemas de fertilizantes iniciantes na plantadeira, aplicadores de fertilizantes no subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistema de fluido, tais como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas da cabeça de pulverização ou válvulas da linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linha de suprimento secional ou em todo o sistema ou sensores de linha de suprimento específicos da linha; ou sensores cinemáticos, como acelerômetros dispostos nas barras do pulverizador. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tais aparelhos incluem controladores de velocidade da bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou acionadores de posição, como altura da lança, profundidade do subsolador ou posição da lança.
[078] Em uma modalidade, exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimento, como medidores de tensão da placa de impacto ou sensores de posição, sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou outros sensores de altura de grão eletromagnéticos ou ópticos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios operacionais do cabeçalho, como altura do cabeçalho, tipo de cabeçalho, folga da placa da plataforma, velocidade do alimentador e sensores de velocidade da bobina; sensores de critérios operacionais do separador, como sensores de abertura côncava, velocidade do rotor, abertura de sapata ou abertura de amortecedor; sensores de trado para posição, operação, ou velocidade; ou sensores de velocidade do motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios operacionais de cabeçalho para elementos tais como altura do cabeçalho, tipo de cabeçalho, folga da placa da plataforma, velocidade do alimentador ou velocidade da bobina; controladores de critérios operacionais do separador para recursos como abertura côncava, velocidade do rotor, abertura da sapata ou abertura do amortecedor; ou controladores para posição, operação ou velocidade do trado.
[079] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso ou sensores para posição, operação ou velocidade do trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do trado.
[080] Em uma modalidade, exemplos de sensores 112 e controladores 114 podem ser instalados em aparelhos de veículo aéreo não tripulado (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético, incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de pitot ou outros sensores de velocidade do ar ou velocidade do vento; sensores de vida útil da bateria; emissores de radar e aparelhos de detecção de energia por radar refletido; outros emissores de radiação eletromagnética e aparelhos de detecção de radiação eletromagnética refletida. Esses controladores podem incluir aparelhos de orientação ou controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados de, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados no Pedido de Patente US 14/831,165 e a presente divulgação pressupõe o conhecimento dessa outra divulgação de patente.
[081] Em uma modalidade, os sensores 112 e controladores 114 podem ser afixados ao aparelho de amostragem e medição de solo que é configurado ou programado para amostrar o solo e executar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Pat.US 8,767,194 e Pat. 8,712,148 pode ser usada, e a presente divulgação pressupõe conhecimento dessas divulgações de patentes.
[082] Em uma modalidade, os sensores 112 e controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divulgado no Pedido Provisório US 62/154,207, depositado em 29 de abril de 2015, Pedido Provisório US 62/175,160, depositado em 12 de junho de 2015, Pedido Provisório US 62/198,060, depositado em 28 de julho de 2015, e o Pedido Provisório US No. 62/220,852, depositado em 18 de setembro de 2015, podem ser utilizados, e a presente divulgação pressupõe o conhecimento dessas divulgações de patentes.
[083] Em uma modalidade, o sistema de computação de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Nesse contexto, um modelo agronômico é uma estrutura de dados em memória do sistema de computação de inteligência agrícola 130 que compreende dados de campo 106, tal 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 culturas em um campo, ou propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos, como recomendações de culturas, recomendações de irrigação, recomendações de plantio, recomendações de fertilizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações de gerenciamento de culturas. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, como rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantidade da cultura que é produzida ou, em alguns exemplos, a receita ou o lucro obtido com a cultura produzida.
[084] Em uma modalidade, o sistema de computação de inteligência agrícola 130 pode usar um modelo agronômico pré- configurado para calcular propriedades agronômicas relacionadas à localização e às informações de cultura atualmente recebidas para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo processados anteriormente, incluindo, entre outros, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado cruzado para garantir a precisão do modelo. A validação cruzada pode incluir comparação com valas terrestres que compara resultados previstos com resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor que fornece dados meteorológicos no mesmo local ou nas proximidades ou uma estimativa do teor de nitrogênio com uma medição da amostra no solo.
[085] A figura 3 ilustra um processo programado pelo qual o sistema de computação de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados de campo providos 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 computação de inteligência agrícola 130 para realizar as operações que são agora descritas.
[086] No bloco 305, o sistema de computação de inteligência agrícola 130 é configurado ou programado para implementar o 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 com a finalidade de remover ruídos, efeitos de distorção e fatores de confusão nos dados agronômicos, incluindo valores extremos medidos que podem afetar adversamente os valores de dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados a valores de dados externos, pontos de dados medidos específicos conhecidos por distorcer desnecessariamente outros valores de dados, suavização de dados, agregação ou técnicas de amostragem usadas para remover ou reduzir efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para prover distinções claras entre entradas de dados positivas e negativas.
[087] No bloco 310, o sistema de computação de inteligência agrícola 130 é configurado ou programado para executar a seleção de subconjunto de dados usando os dados de campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial de modelo agronômico. O sistema de computação de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados, incluindo, mas não limitado a, um método de algoritmo genético, um método de todos os modelos de subconjuntos, um método de pesquisa sequencial, um método de regressão por etapas, um método de otimização de enxame de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptável, com base nos princípios evolutivos da seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.
[088] No bloco 315, o sistema de computação de inteligência agrícola 130 é configurado ou programado para implementar o teste do conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado através da criação de um modelo agronômico e do uso de limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados e/ou validados usando uma ou mais técnicas de comparação, como, mas não limitado a, erro quadrático médio de raiz com validação cruzada de exclusão única (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o RMSECV pode cruzar a validação de modelos agronômicos comparando os valores de propriedades agronômicas previstos criados pelo modelo agronômico com os valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de teste do conjunto de dados agronômicos é usada como um circuito de retorno, onde conjuntos de dados agronômicos que não atendem aos limites de qualidade configurados são usados durante as etapas futuras de seleção de subconjuntos de dados (bloco 310).
[089] No bloco 320, o sistema de computação de inteligência agrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.
[090] No bloco 325, o sistema de computação de inteligência agrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futuro teste de dados de campo.
[091] De acordo com uma modalidade, as técnicas descritas neste documento são implementadas por um ou mais dispositivos de computação para fins especiais. Os dispositivos de computação para fins especiais podem ser conectados para realizar as técnicas, ou podem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados para aplicações específicas (ASICs) ou arranjos de portas programáveis em campo (FPGAs) que são programadas persistentemente para realizar as técnicas, ou pode incluir um ou mais processadores de hardware de uso geral programados para realizar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins especiais também podem combinar lógica com fio, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação para fins especiais podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de conexão e/ou de programa para implementar as técnicas.
[092] 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 a comunicação de informações e um processador de hardware 404 acoplado ao barramento 402 para o processamento de informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[093] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barra- mento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 404. Essas instruções, quando armaze-nadas em mídia de armazenamento não transitória acessível ao processador 404, tornam o sistema de computador 400 em uma máquina de finalidade especial que é personalizada para realizar as operações especificadas nas instruções.
[094] O sistema de computador 400 inclui ainda uma memória somente para leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações e instruções estáticas para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco óptico ou a unidade de estado sólido é provida e acoplada ao barramento 402 para armazenar informações e instruções.
[095] O sistema de computador 400 pode ser acoplado via barramento 402 a um display 412, tal como um tubo de raios catódicos (CRT), para exibir informações a um usuário do computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comando ao processador 404. Outro tipo de dispositivo de entrada do usuário é o controle do cursor 416, como mouse, trackball ou teclas de direção do cursor para comunicar informações de direção e seleções de comando ao processador 404 e para controlar o movimento do cursor no display 412. Este dispositivo de entrada normalmente possui dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite que o dispositivo especifique posições em um plano.
[096] O sistema de computador 400 pode implementar as técnicas descritas neste documento usando lógica de conexão personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, faz com que ou o programa o sistema de computador 400 seja uma máquina de propósito. De acordo com uma modalidade, as técnicas aqui apresentadas são realizadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Essas instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, tal como dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 realize as etapas do processo aqui descritas. Em modalidades alternativas, o circuito de conexão pode ser usado no lugar de ou em combinação com as instruções do software.
[097] O termo “mídia de armazenamento”, conforme usado neste documento, refere-se a qualquer mídia não transitória que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Tais mídias de armazenamento podem compre-ender mídia não volátil e/ou mídia volátil. A mídia não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, tal como a memória principal 406. As formas comuns de mídia de armazenamento incluem, por exemplo, um disquete, disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados magnético, um CD-ROM, qualquer outro meio de armazenamento de dados óptico, qualquer meio físico com padrões de orifícios, uma RAM, uma PROM e EPROM, FLASHEPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[098] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com a mídia de transmissão. A mídia de transmissão participa da transferência de informações entre as mídias de armazenamento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fios de cobre e fibras ópticas, incluindo os fios que compõem o barramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, tal como as geradas durante a comunicação de dados por ondas de rádio e infravermelho.
[099] Várias formas de mídia podem estar envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções na memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelho para converter os dados em um sinal de infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal infravermelho e um circuito apropriado pode colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem opcionalmente ser armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.
[0100] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento de comunicação de dados bidirecional a um link de rede 420 que está 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 por satélite ou modem para prover uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para prover uma conexão de comunicação de dados a uma LAN compatível. Links sem fio também podem ser implementados. Em qualquer uma dessas implementações, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando vários tipos de informação.
[0101] O link de rede 420 normalmente provê comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o link de rede 420 pode prover uma conexão através da rede local 422 a um computador hospedeiro 424 ou a um equipamento de dados operado por um provedor de serviços de Internet (ISP) 426. O ISP 426, por sua vez, provê serviços de comunicação de dados através da rede mundial de comunicação de dados por pacotes agora comumente referido como “Internet” 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e do sistema de computador 400, são exemplos de formas de mídia de transmissão.
[0102] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da (s) rede (s), link de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicativo através de Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[0103] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de armazenamento 410 ou outro armazenamento não volátil para execução posterior.
[0104] Sistemas e métodos para implementar testes em um ou mais campos são descritos aqui. Como usado neste documento, um teste refere-se à realização de uma ou mais atividades agrícolas diferentes em uma parte de um campo agrícola, a fim de identificar um benefício ou prejuízo da realização de uma ou mais atividades agrícolas diferentes. Como exemplo, uma área de subcampo pode ser selecionada em um campo agrícola i para implementar um teste de fungicida. Dentro da área do subcampo, as culturas podem receber uma aplicação de fungicida, enquanto o restante do campo e/ou uma área de subcampo diferente no campo não recebem uma aplicação de fungicida. Como alternativa, o restante do campo pode receber a aplicação de fungicida, enquanto as culturas dentro da área do subcampo não. As áreas de subcampo do campo onde uma ou mais atividades agrícolas diferentes são realizadas são aqui referidas como locais de teste. Em algumas modalidades, as áreas de subcampo que não incluem as diferentes atividades agrícolas também podem ser atribuídas e referidas como locais de teste.
[0105] Os testes podem ser realizados para testar a eficácia de novos produtos, diferentes práticas de manuseio, diferentes culturas ou qualquer combinação dos mesmos. Por exemplo, se um campo geralmente não recebe fungicida, um teste pode ser planejado em que culturas dentro de uma parte selecionada do campo recebem fungicida uma ou mais vezes durante o desenvolvimento da cultura. Como outro exemplo, se um campo geralmente é cultivado de modo convencional, um teste pode ser projetado em que uma parte selecionada do campo não é cultivada. Assim, os testes podem ser implementados para determinar se as recomendações de práticas de gerenciamento devem ser seguidas, em vez de serem limitadas a testar a eficácia de um produto específico. Adicional ou alternativamente, os testes podem ser projetados para comparar dois tipos diferentes de produtos, taxas de plantio, equipamentos e/ou outras práticas de gerenciamento.
[0106] As tentativas podem ser restringidas por uma ou mais regras. Um teste pode exigir que um ou mais locais de teste tenham um tamanho específico e/ou sejam colocados em um local específico. Por exemplo, o teste pode exigir que um ou mais locais de teste sejam colocados em uma área do campo com condições comparáveis ao restante do campo. Um local de teste, como usado aqui, refere-se a uma área de um campo agronômico que recebe um ou mais tratamentos diferentes das áreas circundantes. Assim, um local de teste pode se referir a qualquer formato de terra em um campo agronômico. Adicionalmente ou alternativamente, o teste pode exigir que um ou mais locais de teste sejam colocados em uma área do campo com condições diferentes do restante do campo e/ou áreas do campo, abrangendo diferentes tipos de condições. O teste pode exigir que uma ou mais práticas de gerenciamento diferentes sejam realizadas em um ou mais locais de teste. Por exemplo, um teste pode exigir uma taxa de semeadura específica como parte de um teste para o plantio de um tipo diferente de semente híbrida.
[0107] A figura 7 representa um exemplo de método de implementação de um teste. Na etapa 702, dados de campo para uma pluralidade de campos agrícolas são recebidos no sistema de computação de inteligência agrícola. Por exemplo, o sistema de computação de inteligência agrícola pode rastrear desenvolvimentos em campos associados a uma pluralidade de diferentes gerenciadores de campo. O servidor pode receber dados para a pluralidade de campos em uma rede a partir de dispositivos de computação de gerenciador de campo, sensores remotos e/ou sistemas de computação externos. Tipos de dados de campo e métodos para obter os dados de campo são descritos aqui mais adiante.
[0108] Na etapa 704, um ou mais campos agrícolas alvo são identificados com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas. O sistema de computação de inteligência agrícola pode ser programado ou configurado para identificar diretamente campos e/ou identificar contas de gerenciador de campo como contas alvo para enviar uma mensagem de solicitação de teste. Geralmente, o sistema de computação de inteligência agrícola pode selecionar campos agrícolas alvo com base na probabilidade de aceitação do teste, benefícios prováveis para o campo de realização do teste, probabilidade de detectar os benefícios no campo de realização do teste e aplicabilidade geral do teste. Métodos de identificação de campos são descritos aqui mais adiante.
[0109] Na etapa 706, uma solicitação de participação de teste é enviada pelo sistema de computação de inteligência agrícola para um dispositivo de computação de gerenciador de campo associado a um ou mais campos agrícolas alvo. A solicitação de participação no teste pode identificar um produto e/ou uma ou mais práticas de gerenciamento a serem realizadas como parte do teste. A solicitação de participação no teste também pode incluir custos ou benefícios para participar do teste. As solicitações de participação nos testes são descritas aqui mais detalhadamente.
[0110] Na etapa 708, os dados indicando a aceitação da solicitação de participação no teste são recebidos de um dispositivo de computação de gerenciador de campo. Por exemplo, o sistema de computação de inteligência agrícola pode receber, por meio de uma interface gráfica de usuário executando no dispositivo de computação de gerenciador de campo, uma seleção de uma opção indicando a aceitação da solicitação de participação no teste.
[0111] Na etapa 710, um ou mais locais em um ou mais campos agrícolas alvo são determinados para a implementação do teste. O sistema do sistema de computação de inteligência agrícola pode identificar locais no campo para implementar um local de teste com base em áreas no campo capazes de executar o teste, eficiência de executar o teste em cada local, aplicabilidade do teste em outros locais e/ou benefício para o campo de realização do teste. Métodos de determinação de locais para implementar o local de teste são descritos mais adiante neste documento.
[0112] Na etapa 712, os dados que identificam um ou mais locais são enviados para um dispositivo de computação do gerenciador de campo. Por exemplo, o sistema do sistema de computação de inteligência agrícola pode provocar a exibição de um mapa em um display de um dispositivo de computação de cliente, onde o mapa identifica um ou mais locais de teste junto com dados indicando o produto e/ou práticas de gerenciamento a serem aplicadas ao local de teste. Adicional ou alternativamente, o sistema de computação de inteligência agrícola pode gerar um ou mais scripts para um implemento de campo em um ou mais campos que fazem com que o implemento de campo aplique o produto e/ou práticas de gerenciamento em um ou mais locais. Os dados podem ser acompanhados de instruções para a implementação do teste. Métodos para identificar um ou mais locais de teste para o dispositivo de computação do gerenciador de campo são descritos aqui mais adiante.
[0113] Na etapa 714, os dados de aplicação para um ou mais campos agrícolas alvo são recebidos pelo sistema de computação de inteligência agrícola. Por exemplo, um implemento de campo e/ou sensor remoto pode medir a taxa de população plantada, uma aplicação de pesticida, fungicida e/ou fertilizante, irrigação, lavoura ou qualquer outra aplicação de produtos, métodos de gerenciamento ou valor associado ao cultivo de uma ou mais culturas. Adicional ou alternativamente, um gerenciador de campo pode identificar práticas de gerenciamento, plantio e/ou aplicação ao sistema de computação de inteligência agrícola por meio de uma interface gráfica de usuário em execução no dispositivo de computação de gerenciador de campo.
[0114] Na etapa 716, com base nos dados de aplicação, é determinado se um ou mais campos agrícolas alvo estão em conformidade com o teste. Por exemplo, o sistema de computação de inteligência agrícola pode determinar se um local de teste de tamanho apropriado foi implementado em uma posição apropriada e com as regras apropriadas de plantio, produto e/ou gerenciamento. Se um ou mais campos agrícolas alvo não estiverem em conformidade com o teste, o sistema de computação de inteligência agrícola poderá determinar uma maneira de atualizar o teste para permitir ao geren-ciador de campo a chance de estar em conformidade com o teste. Por exemplo, se o gerenciador de campo plantou uma taxa de população incorreta em um local selecionado para o teste, o sistema de computação de inteligência agrícola pode identificar um novo local para implementar parte ou toda o teste e enviar dados identificando o novo local para o dispositivo de computação de gerenciamento de campo.
[0115] Na etapa 718, um sistema de computação recebe dados do resultado para o teste. Por exemplo, se o campo estiver em conformi-dade com o teste inicial ou atualizado, o sistema de computação de inteligência agrícola poderá receber dados de rendimento e/ou dados de lucro para os mais um local de teste e uma ou mais outras partes do campo. Adicionalmente ou alternativamente, um ou mais dispositivos de computação separados podem executar as etapas de computação de dados de rendimento e valores de benefícios de computação antes de enviar os valores de benefícios ao sistema de computação de inteligência agrícola. Os dados do resultado podem ser enviados pelo dispositivo de computação de gerenciador de campo e/ou por um ou mais implementos ou sensores. Por exemplo, uma imagem de satélite de um ou mais campos pode ser usada para calcular o rendimento total e/ou inferir o status da cultura para um ou mais campos e a localização dos locais de teste.
[0116] Na etapa 720, com base nos dados do resultado, um valor de benefício para o teste é calculado. Por exemplo, o sistema de computação de inteligência agrícola pode calcular um valor de benefício em função dos dados do resultado. O valor do benefício pode incluir um valor que identifique um aumento no rendimento, um aumento no lucro, uma economia no custo ou no tempo de entrada e/ou um aumento na qualidade da cultura. Com base no valor do benefício, o sistema de computação de inteligência agrícola pode determinar se deve emitir um desconto para o teste, solicitar fundos adicionais ou trocar valor com o gerenciador de campo associado ao dispositivo de computação de gerenciador de campo.
[0117] A figura 7 representa um exemplo de método de implementação de um teste. Outros exemplos podem incluir menos ou mais etapas. Por exemplo, um sistema de computação de inteligência agrícola pode executar as etapas da figura 7 sem as etapas 706 e 708, provendo assim os benefícios da identificação do alvo, da identificação da localização e do rastreamento da tentativa sem as interações com o dispositivo de computação de gerenciador de campo. Como outra alternativa, o sistema de computação de inteligência agrícola pode enviar vários tipos de testes possíveis para um dispositivo de computação de gerenciador de campo com a opção de selecionar um ou mais tipos de testes para implementação no campo.
[0118] Um dispositivo de computação de gerenciador de campo, conforme usado neste documento, pode atuar como um dispositivo de comunicação entre um gerenciador de campo e o sistema de computação de inteligência agrícola e/ou como um controlador para um implemento de campo. Assim, o sistema de computação de inteligência agrícola pode enviar instruções ao dispositivo de computação de gerenciador de campo que, quando executado pelo dispositivo de computação de gerenciador de campo, causa implementos de controle em um campo para implementar um teste e/ou coletar dados de campo. A comunicação direta com o implemento de campo pode ser usada para ignorar a comunicação com o gerenciador de campo. Por exemplo, na etapa 712, os dados que identificam os locais para implementar o teste podem ser enviados para um dispositivo de computação de gerenciador de campo que atua como um controlador para um implemento de campo, fazendo com que o implemento de campo execute o teste nos locais identificados. O dispositivo de computação de gerenciador de campo pode incluir um único dispositivo de computação que se comunica com o sistema de computação de inteligência agrícola ou uma pluralidade de dispositivos de computação que se comunicam com o sistema de computação de inteligência agrícola em diferentes etapas do processo. Por exemplo, um primeiro dispositivo de computação pode receber a solicitação de participação de teste na etapa 706 enquanto um segundo dispositivo de computação recebe os dados de localização na etapa 712.
[0119] Em uma modalidade, um sistema de computação de inteligência agrícola se comunica com uma pluralidade de dispositivos de computação de gerenciador de campo em uma rede. Cada dispositivo de computação de gerenciador de campo da pluralidade de dispositivos de computação de gerenciador de campo pode ser associado a um ou mais campos. Por exemplo, o sistema de computação de inteligência agrícola pode armazenar informações da conta para uma pluralidade de contas de usuário diferentes. Um dispositivo de computação de gerenciador de campo pode entrar em uma conta de usuário específica para se comunicar com o sistema de computação de inteligência agrícola. A conta do usuário pode compreender dados que identificam um ou mais campos associados à conta do usuário.
[0120] O sistema de computação de inteligência agrícola pode receber dados dos dispositivos de computação de gerenciador de campo em relação a um ou mais campos. Adicional ou alternativamente, o sistema de sistema de computação de inteligência agrícola pode receber informações sobre um ou mais campos associados aos dispositivos de computação de gerenciador de campo de um ou mais sensores remotos em ou sobre um ou mais campos, um ou mais satélites, um ou mais veículos aéreos tripulados ou não tripulados (MAVs ou UAVs), um ou mais sensores em trânsito e/ou um ou mais servidores de dados externos. Os dados podem incluir descrições de campo, dados do solo, dados de plantio, dados de fertilidade, dados de colheita e de rendimento, dados de proteção de culturas, dados de pragas e doenças, dados de irrigação, dados de seccionamento, gerador de imagens, dados meteorológicos e dados adicionais de gerenciamento.
[0121] As descrições de campo podem se referir a um local de campo, uma área total do campo, um formato e limites do campo, elevação e variabilidade topográfica do campo, histórico de lavoura do campo, histórico de rotação de culturas do campo, histórico de doenças do campo, proteção de culturas do campo, histórico de uso de equipamentos agrícolas do campo e dados sobre um operador de campo. A localização do campo pode ser identificada usando coordenadas GPS ou qualquer outro dado que identifique uma localização do campo. A variabilidade topográfica pode incluir diferen-ças na elevação, bem como inclinação, curvatura e um ou mais índices topográficos compostos de áreas do campo. O histórico de lavoura pode incluir o tipo, profundidade e/ou tempo do plantio direto. O histórico de rotação de culturas pode incluir a identificação de culturas passadas plantadas em cada ponto de um campo e/ou dados que identificam se a rotação de culturas é regular ou irregular. O histórico de uso de equipamentos agrícolas pode incluir a identificação do equipamento de lavoura, plantio, aplicação e colheita. Os dados do operador de campo podem identificar uma ou mais pessoas, operações ou prestadores de serviços que realizam atividades no campo.
[0122] Os dados do solo podem incluir umidade do solo do subcampo espacial e/ou temporalmente variável, temperatura do solo do subcampo contínuo, covariância contínua por redemoinho de água no campo, textura do solo do subcampo incluindo classe de solo e/ou porcentagem de areia, lodo e/ou argila, pH do solo do subcampo, matéria orgânica do solo do subcampo, capacidade de troca de cátions do solo do subcampo, dados de testes do solo, incluindo localização da coleta do solo, data da coleta do solo, procedimento de amostragem, data do processamento, identificação da instalação de processamento e/ou identificação de uma ou mais pessoas processando e/ou coletando o solo, dados adicionais de química do solo, densidade aparente do solo e/ou capacidade de amortecimento. Os dados do solo podem ser recebidos através da entrada de um dispositivo de computação de gerenciador de campo, um ou mais servidores associados a uma instalação de teste, um ou mais sensores conectados remotos ou proximais, um ou mais modelos de umidade do solo, temperatura do solo e/ou outros produtos químicos do solo ou parâmetros físicos e/ou de um ou mais bancos de dados de informações do solo, como o banco de dados do solo SSURGO.
[0123] Os dados de plantio podem incluir um tipo de cultura, informações sobre produtos de sementes, tais como dados híbridos, variedade, tratamentos de sementes, maturidade relativa, graus-dia em crescimento até a maturidade, classificações de resistência a doenças e/ou estabilidade, espaçamento entre linhas e profundidade, população de sementes tal como população de sementes plantadas conforme o esperado, hora e data do plantio, taxa de semeadura indexadas espacialmente, rendimento alvo, dados do equipamento de plantio, tais como tipo, capacidades e dimensões, uso ou não uso de um firmador de sementes, dados de fertilizantes de partida, dados de replantio, existência de testes e/ou outras experiências, e formato e limites do plantio.
[0124] Os dados de fertilidade podem incluir datas de aplicação do fertilizante, tipo de mistura aplicada, local da aplicação, quantidade de aplicação e taxa alvo, composição do esterco, métodos de aplicação, dados do equipamento de aplicação de fertilizante, tal como tipo, capacidade e dimensões, e/ou custo de aplicação.
[0125] Os dados de colheita e produção podem incluir datas e horas da colheita, quantidade de produção por localização e/ou campo, peso da casca de produtos tal como milho, peso de teste, número de combinações usadas no campo, dados do monitor de rendimento, tal como parâmetros de calibração, velocidade e altura do cabeçalho, valores medidos pelo elevador, tal como massa e umidade úmida da carga, integridade da haste, perda de rendimento quantificada devido a problemas de integridade da haste, dados do equipamento, tal como tipo, capacidades e dimensões, dados de gerenciamento de resíduos, tal como dados de enfardamento, suporte inicial contagem, dados de acomodação, incluindo acomodação de raiz e falha do caule, dados de greensnap, dados de mofo branco, dados de flash amarelo e/ou formato e limites da colheita.
[0126] Os dados de proteção de culturas podem incluir data e hora da aplicação de produtos químicos de proteção de culturas, tipo de aplicação, composição química de produtos químicos de proteção de culturas e/ou adjuvantes, volume de transportadora, taxa de aplicação de produtos químicos, taxa de solução de transportadora, localização da aplicação no campo, método de aplicação, usuário de fertilizantes e/ou inseticidas em sulco, dados de equipamentos como tipo, capacidades e dimensões e/ou custo de aplicação.
[0127] Os dados de pragas e doenças podem incluir a presença de patógenos de subcampo no tecido vegetal, resíduo e solo, tipo e extensão dos danos causados pelo estresse biótico causado por insetos e/ou tipo e extensão dos danos causados pelo estresse biótico causado por patógenos. A extensão do dano pode ser identificada como baixa, média ou alta ou como mais uma classificação numérica. O estresse biótico e a presença de patógenos podem ser medidos e/ou modelados.
[0128] Os dados de irrigação podem incluir presença de irrigação, tipos de sistemas de irrigação, tempos de irrigação, quantidade de irrigação, uso de fertirrigação e/ou tipo e quantidade de fertirrigação.
[0129] Os dados de seccionamento podem incluir a presença de seccionamentos, tipos de sistemas de seccionamentos, mapas de sistemas de seccionamentos, condutâncias de fluxo do sistema de seccionamentos os e/ou taxas de fluxo ou níveis de fluido ou linhas de seccionamentos.
[0130] As imagens podem incluir fotografias no nível foliar de doenças e estresse foliares, fotografias no nível foliar e no campo de plantas estressadas, imagens de satélite de um campo através de uma ou mais faixas visuais e/ou quaisquer outras imagens de locais no campo. As imagens do campo também podem incluir quantificações de danos atribuídos a partes das imagens. As imagens podem ser baseadas na luz visível e/ou faixas de luz fora do espectro visual.
[0131] Os dados meteorológicos podem incluir dados históricos, atuais e/ou previstos de precipitação, tal como quantidade de chuva e localização das chuvas, temperaturas históricas, atuais e/ou previstas, incluindo temperatura horária, máximos e mínimos de temperatura, temperaturas diurnas e temperaturas noturnas, ponto de orvalho, umidade, velocidade do vento, direção do vento, radiação solar e cobertura do céu durante o dia e durante a noite, impactos meteorológicos sobre o rendimento, existência de granizo, ventos em linha reta, tornados e/ou precipitação intensa e/ou profundidade de congelamento durante o inverno.
[0132] Dados de gerenciamento adicionais podem incluir quaisquer dados adicionais relacionados ao gerenciamento e cuidado da cultura, tal como aplicações, tratamentos e observações. As observações podem incluir secas observadas, lagoas observadas, drenagem observada, cobertura vegetal observada e/ou danos observados nas culturas.
[0133] Com base, pelo menos em parte, em dados referentes a uma pluralidade de campos associados a uma pluralidade de dispositivos de computação de gerenciador de campo, o sistema de computação de inteligência agrícola pode selecionar um ou mais campos específicos para a realização de testes experimentais. O sistema de computação de inteligência agrícola pode considerar fatores como um benefício modelado para um campo de implementação de testes experimentais, uma tolerância histórica ao risco associada a um campo, uma utilidade de usar um campo para implementar testes experimentais, uma probabilidade de detectar um benefício para um campo de implemen-tação de testes experimentais, capacidades operacionais associadas a um campo, o uso de equipamentos ou máquinas específicos em um campo e/ou identificação de experiências existentes ou anteriores em um campo. Cada um desses fatores é descrito aqui mais adiante. Métodos adicionais para identificar campos alvo são descritos na Seção 5.1. do presente pedido e no Pedido de Patente U.S. No. 15/989.944, cujo conteúdo inteiro é incorporado por referência como se aqui fosse totalmente apresentado.
[0134] Em uma modalidade, o sistema de computação de inteligência agrícola modela um benefício para um campo de implementação de um teste experimental. Por exemplo, o sistema de computação de inteligência agrícola pode identificar um ou mais campos para executar um teste de aplicação de fungicida. O sistema de computação de inteligência agrícola pode identificar um ou mais campos que foram danificados por fungos no passado e/ou provavelmente serão danificados por fungos no futuro. O sistema de computação de inteligência agrícola pode determinar adicionalmente que um rendimento do campo e/ou lucro total para o campo resultaria ou seria beneficiado pela aplicação de um fungicida específico. O sistema de computação de inteligência agrícola pode determinar adicionalmente que um rendimento e/ou benefício para o campo pela aplicação de um fungicida específico provavelmente seria detectável com base no tamanho do rendimento e/ou benefício, na variabilidade do rendimento e/ou benefício de lucro em todo o campo e/ou o tamanho do campo e o tamanho das regiões de teste ou testes. Com base nas determinações, o sistema de computação de inteligência agrícola pode identificar um ou mais campos como bons candidatos para o teste de aplicação de fungicida.
[0135] O sistema de computação de inteligência agrícola pode modelar o benefício para o campo com base na capacidade de resposta do campo e em uma análise do desempenho de um produto. Por exemplo, através de diferentes testes do produto, o sistema de computação de inteligência agrícola pode determinar que o produto, em média, aumenta o rendimento para campos responsivos em uma primeira quantidade e aumenta o rendimento para campos não responsivos em uma segunda quantidade. A capacidade de resposta dos campos pode ser determinada com base em práticas anteriores e alterações no rendimento. Por exemplo, um campo mais responsivo teria uma mudança maior no rendimento quando as práticas de gerenciamento mudam, enquanto um campo menos responsivo teria uma variação menor no rendimento quando as práticas de gerenciamento mudam. Um sistema de computação de inteligência agrícola pode determinar a capacidade de resposta de diferentes áreas para um campo específico com base em práticas anteriores, dados de rendimento anteriores e outros dados de campo de um ou vários campos. O sistema de computação de inteligência agrícola pode então determinar a eficácia da aplicação do produto nas partes responsivas e nas partes não responsivas do campo.
[0136] O sistema de computação de inteligência agrícola pode identificar um ou mais campos que estão em risco de um ou mais eventos que podem afetar o rendimento da cultura. Por exemplo, o risco de doença pode ser baseado na umidade do solo modelada ou medida, existência de lagoas no campo, temperaturas ambiente medidas ou modeladas, umidade ambiente medida ou modelada, genética registrada ou modelada das culturas, data de plantio registrada ou modelada, imagens de satélite do campo e/ou imagens térmicas do campo. Exemplos de campos de identificação que estão em risco de um ou mais eventos são descritos no Pedido de Patente No. 15/820.317 e 15 820.322, cujo conteúdo inteiro de ambos é incorporado por referência como se aqui fosse totalmente divulgado.
[0137] Além disso, o sistema de computação de inteligência agrícola pode identificar práticas de gerenciamento que aumentam ou diminuem o risco de um ou mais eventos. Exemplos de controle de doenças incluem o uso de irrigação, rotação de culturas, métodos de lavoura, genética de plantas e taxa de plantio. Além disso, o sistema de computação de inteligência agrícola pode identificar fatores ambientais que aumentam ou diminuem o risco de um ou mais eventos. Exemplos de controle de doenças incluem porcentagem de matéria orgânica do solo, pH do solo e outras concentrações de nutrientes no solo. O sistema de computação de inteligência agrícola pode usar os fatores ambientais para determinar quais campos estão em risco e selecionar campos com base na porcentagem de risco ou na gravidade calculada do dano arriscado.
[0138] Embora modalidades sejam descritas com relação à aplicação de produtos específicos, os campos podem adicionalmente ser identificados com base em outros possíveis benefícios ao campo de uma ou mais recomendações. Por exemplo, se o sistema de computa-ção de inteligência agrícola determinar que uma taxa de semeadura mais alta em uma área específica de um campo provavelmente aumentará o rendimento da cultura, o sistema de computação de inteligência agrícola poderá selecionar o campo para realizar um teste de aumento da taxa de semeadura.
[0139] Os campos podem adicionalmente ser identificados com base na uniformidade, variabilidade e previsibilidade de seus dados de rendimento. Por exemplo, se o sistema de computação de inteligência agrícola determinar que um campo tem baixa variabilidade de rendi-mento em escala de comprimento curto e/ou em zonas, e maior variabilidade de rendimento em escalas de comprimento mais longas e/ou entre zonas, o sistema de computação de inteligência agrícola pode selecionar o campo e/ou zonas específicas para realizar um teste.
[0140] Em uma modalidade, o sistema de computação de inteligência agrícola determina uma tolerância histórica ao risco associada a um campo. Por exemplo, práticas anteriores para um campo podem indicar que um gerenciador de campo tem uma tolerância mais alta a atividades carregadas de risco que podem aumentar o rendimento médio da terra. Exemplos de práticas que indicam uma tolerância a risco mais alta incluem plantar menos híbridos ou variedades de sementes, plantar híbridos ou variedades projetadas para produzir rendimentos mais altos em condições ótimas, mas produzir rendimentos mais baixos em condições não ideais, uma tendência histórica de subaplicar as medidas de controle de pragas comparadas às melhores práticas de gerenciamento, uma porcentagem do campo em que um novo produto é plantado pela primeira vez, várias experiências no campo, maior população de semeadura usada do que as médias de um município ou área circundante, seleção de sementes ou pacote de características de sementes bastante diferente do que o típico para um condado ou área circundante, tipos de equipamentos relativamente avançados e/ou potencialmente não comprovados, por exemplo, capacidades de taxa variável, equipamentos de aplicação capazes de nitrogênio no final da temporada e/ou sistemas ativos de gerenciamento de força na plantadeira e referências a atividades em mídia social. Além disso, o sistema de computação de inteligência agrícola pode receber dados de pesquisa de dispositivos de computação de gerenciador de campo indicando uma tolerância a riscos em relação a um ou mais campos.
[0141] A tolerância ao risco também pode ser indicada por um gerenciador de campo que opta por uma ou mais testes anteriores. Por exemplo, se um gerenciador de campo concordou em realizar um teste durante uma temporada anterior, o sistema de computação de inteligência agrícola pode identificar o campo como um bom candidato para um teste atual. Adicional ou alternativamente, o sistema de computação de inteligência agrícola pode armazenar uma lista de contas, campos e/ou gerenciadores de campo que indicaram interesse em participar de testes futuras. Por exemplo, o sistema de computação de inteligência agrícola pode causar a exibição de uma interface em um dispositivo de computação de gerenciador de campo que solicita uma indicação sobre se um gerenciador de campo estaria disposto a participar de testes futuras. Se o sistema do sistema de computação de inteligência agrícola receber uma indicação positiva, o sistema de computação da inteligência agrícola poderá atualizar a lista para indicar que o gerenciador de campo indicou uma disposição de participar de testes futuras.
[0142] O sistema de computação de inteligência agrícola pode ser programado ou configurado para considerar esses fatores individual-mente e/ou em combinação. Por exemplo, o sistema de computação de inteligência agrícola pode ser programado para identificar campos com uma porcentagem mais alta do campo dedicado a um novo produto. Adicional ou alternativamente, o sistema de computação de inteligência agrícola pode ser programado ou configurado para selecionar campos que incluem mais do que um número limite de experiências e estão associados a uma ou mais outras atividades de risco. Em uma modalidade, o sistema de computação de inteligência agrícola calcula um valor de tolerância ao risco. O valor da tolerância ao risco pode ser calculado em função de qualquer um dos fatores acima. Como um exemplo simples, uma equação de tolerância ao risco pode compreender: Rt = S + N + Ex + D + Y + Eq + M onde Rt é a tolerância ao risco, S é um valor que aumenta com base na existência de características particulares nas sementes, N é um valor que aumenta com base na porcentagem do campo com um novo produto, Ex é um valor que aumenta com um número de experimentos identificados no campo, D é um valor que aumenta à medida que a diferença na população de semeadura entre o campo e a média para o município aumenta, Y é um valor que aumenta com base na previsibilidade da variabilidade do rendimento, Eq é um valor que aumenta com base na existência de tipos específicos de equipamento e M é um valor que aumenta com referências a atividades de risco nas mídias sociais. Esses fatores podem ser ponderados de modo que certos fatores sejam considerados mais fortemente que outros. Embora o exemplo mostrado acima seja aditivo, outras modalidades podem incluir outros métodos de estimativa de risco, como uma equação de tolerância ao risco multiplicativa, como: Rt = S * N * Ex * D * Y * Eq * M * R0 onde R0 é uma taxa de risco básica.
[0143] Em uma modalidade, o sistema de computação de inteligência agrícola determina uma utilidade do uso de um campo para implementar os testes experimentais. A utilidade do uso do campo refere- se à aplicabilidade do teste em um ou mais outros locais. Por exemplo, testes podem ser menos úteis quando realizadas em um campo com características únicas, de modo que os benefícios da ação avaliada não sejam aplicáveis a uma variedade maior de locais. Assim, o sistema de computação de inteligência agrícola pode ser programado para identificar campos com características semelhantes a outros campos para fins de testes particulares. Por exemplo, para um teste de fungicida, o sistema de computação de inteligência agrícola pode identificar campos com condições semelhantes de lagoas, temperaturas médias, umidade do solo e chuvas como outros campos. Como outro exemplo, um campo para um teste de fertilizante pode ser selecionado com base nas condições do solo, como porcentagem de areia, lodo e argila, sendo semelhante às condições do solo de outros campos na área.
[0144] O sistema de computação de inteligência agrícola pode determinar adicionalmente a utilidade com base em dados indicando práticas planejadas. Os dados indicando práticas planejadas podem ser recebidos diretamente de um dispositivo de computação de gerenciador de campo e/ou inferidos de práticas anteriores. Por exemplo, o sistema de computação de inteligência agrícola pode armazenar dados de plantio anteriores para um campo, indicando que um híbrido específico de uma cultura foi plantado em um campo específico nos últimos três anos. Com base nos dados de plantio anteriores armazenados, o sistema de computação de inteligência agrícola pode determinar que o híbrido específico foi plantado em um campo específico nos últimos três anos. O sistema de computação de inteligência agrícola pode então determinar que um híbrido diferente pode aumentar o rendimento da cultura, custar menos, aumentar a qualidade da cultura e/ou beneficiar o campo específico sobre o híbrido específico.
[0145] A aplicabilidade do teste em um ou mais outros locais pode ser baseada em eventos passados para o campo. Por exemplo, o sistema de computação de inteligência agrícola pode identificar uma pluralidade de campos que tiveram um baixo rendimento devido a uma praga específica. O sistema de computação de inteligência agrícola pode identificar um ou mais campos da pluralidade de campos como candidatos para o teste com base em um ou mais campos que sofreram uma perda de rendimento aproximadamente média devido à praga específica.
[0146] Em uma modalidade, o sistema de computação de inteligência agrícola determina os recursos operacionais associados a um campo. Por exemplo, um dispositivo de computação de gerenciador de campo pode enviar dados para o sistema de computação de inteligência agrícola em relação aos dispositivos em campo. Os dados podem indicar tipos de dispositivos, recursos de dispositivos e número de dispositivos. Se o sistema de computação de inteligência agrícola determinar que os dispositivos em um campo não correspondem aos requisitos de dispositivo para um teste, o sistema de computação de inteligência agrícola pode não selecionar o campo. Por exemplo, um dispositivo de computação de gerenciador de campo pode determinar que duas combinações são usadas em um campo de um tamanho específico. Se um teste exigir, no máximo, uma ceifeira-debulhadora para um campo de tamanho específico, o sistema de computação de inteligência agrícola poderá não selecionar o campo como candidato à participação no teste.
[0147] Em uma modalidade, o sistema de computação de inteligência agrícola identifica evidências de experiências existentes ou anteriores em um campo. Com base na evidência de experimentos existentes ou anteriores no campo, o sistema de computação de inteligência agrícola pode selecionar o campo como candidato à realização de um teste. O sistema de computação de inteligência agrícola pode identificar evidências de experimentos com base em seções de um campo que são tratadas de maneira diferente do resto do campo. Por exemplo, o sistema de computação de inteligência agrícola pode identificar locais no campo que receberam diferentes tipos de sementes, populações de semeadura e/ou aplicações de produtos, tais como fertilizantes e pesticidas. Se for determinado que um campo contém uma ou mais experiências, o sistema de computação de inteligência agrícola pode selecionar o campo como candidato à participação no teste.
[0148] Os fatores acima podem ser determinações binárias e/ou cálculos quantitativos. As determinações binárias para os fatores descritos acima podem ser definidas pela satisfação de uma ou mais condições. Por exemplo, o sistema de computação de inteligência agrícola pode determinar se há ou não experimentos atuais no campo, se os dispositivos no campo são ou não capazes de realizar um teste, se os recursos de um campo estão ou não dentro de um intervalo específico, se um benefício modelado para o campo é maior que um valor limite, se uma probabilidade modelada de detectar um benefício para o campo é maior que um valor limite e/ou se um valor de risco para um campo excede ou não um valor limite específico. Em resposta à satisfação de uma ou mais condições, o sistema de computação de inteligência agrícola pode identificar o campo para a realização de um teste. Por exemplo, se o único requisito for um valor de risco acima de um valor limite, o sistema de computação de inteligência agrícola poderá selecionar o campo agrícola se o valor de risco estiver acima do valor limite. Se o sistema de computação de inteligência agrícola utilizar dois requisitos, o sistema de computação de inteligência agrícola poderá selecionar o campo agrícola se ambos os requisitos forem atendidos.
[0149] Como outro exemplo, o sistema de computação de inteligência agrícola pode calcular um valor em função de um valor de tolerância ao risco, um valor que descreve a semelhança do campo com outros campos e um valor que descreve o benefício de participar do teste. O valor do benefício pode ser calculado como um ganho modelado no rendimento e/ou lucro da participação no teste. O valor da similaridade pode ser calculado como uma função das diferenças em um ou mais atributos do solo, clima ou outros valores de campo entre o campo e valores médios para outros campos. O sistema de computação de inteligência agrícola pode determinar se o valor calculado está acima de um valor limite armazenado e, em resposta à determinação de que o valor calculado está acima do valor limite armazenado, selecione o campo agrícola para realizar o teste.
[0150] Enquanto os exemplos acima descrevem a seleção de campos agrícolas com base em absolutos, tal como um ou mais valores que excedem um valor limite, em algumas modalidades os campos agrícolas são selecionados com base em uma comparação de valores com outros campos agrícolas. Por exemplo, o sistema de computação de inteligência agrícola pode selecionar um ou mais campos agrícolas com os maiores valores de benefícios em comparação com o restante dos campos agrícolas para os quais os valores dos benefícios foram calculados. Os valores comparativos podem ser combinados com determinações binárias. Por exemplo, o sistema de computação de inteligência agrícola pode identificar um grupo de todos os campos agrícolas com um valor de risco acima de um determinado valor limite e selecionar no grupo um ou mais campos agrícolas com os maiores valores de benefícios em comparação com o restante dos campos agrícolas do grupo. Como outro exemplo, o sistema de computação de inteligência agrícola pode identificar um grupo de todos os campos agrícolas com um valor de benefício previsto acima de um determinado valor limite e selecionar no grupo um ou mais campos agrícolas com a maior probabilidade de detectar um benefício em comparação com o restante dos campos agrícolas do grupo.
[0151] Em algumas modalidades, um campo pode ser selecionado para realizar um teste com base, pelo menos em parte, em uma solicitação de um dispositivo de computação de gerenciador de campo. Por exemplo, o sistema de computação de inteligência agrícola pode prover uma interface gráfica de usuário para um dispositivo de computação de gerenciador de campo com opções para solicitar a colocação em um teste. Em resposta ao recebimento de entrada do dispositivo de computação do gerenciador de campo que seleciona a opção, o sistema de computação de inteligência agrícola pode utilizar os métodos aqui descritos para identificar uma ou mais tentativas para um campo agronômico correspondente a uma conta do dispositivo de computação do gerenciador de campo.
[0152] A FIG. 13 ilustra um processo realizado pelo sistema de computação de inteligência agrícola, desde o direcionamento de campo até a distribuição de informações entre os sistemas de cultivadores. Em algumas modalidades, o sistema 130 é programado para executar análise automatizada de cultivador cruzado, que pode compreender campos de cultivador direcionados computacionalmente, prescrever experimentos para campos de cultivador, coletar dados de experi-mentos prescritos, validar a execução dos experimentos prescritos, validar a execução dos experimentos prescritos, analisar os dados coletados e distribuir resultados analíticos entre sistemas de cultivadores.
[0153] Na etapa 1302, o sistema 130 prepara modelos preditivos, produzidos com base em conceitos usados para prever aumentos de rendimento. Em algumas modalidades, dados relevantes dados a respeito de uma lista de campos de cultivo, o sistema 130 é programado para projetar experimentos específicos para campos de cultivo específicos. O objetivo de um experimento é tipicamente aumentar o rendimento de um ou mais campos em um determinado nível, embora também possa estar relacionado à redução das entradas ou à melhoria de qualquer outro aspecto dos campos. O projeto de um experimento ou especificamente de um teste direcionada (a ser distinguida de um teste controlada, conforme discutido mais adiante) inclui a determinação de quais atributos de um campo podem estar relacionados a um objetivo experimental e como uma alteração nos valores de alguns desses atributos pode ajudar a alcançar o objetivo experimental. Um exemplo de experimento é aumentar a taxa de semeadura de um campo em uma quantidade, a fim de aumentar ou aumentar o rendimento de uma cultura em uma determinada quantidade. Outro exemplo de experimento é aumentar o uso de fungicida de um campo em uma quantidade para obter uma redução na propagação da doença em uma certa quantidade.
[0154] Em algumas modalidades, o sistema 130 é programado para gerenciar a lista de campos do cultivador em um nível granular. O sistema 130 é, portanto, configurado para identificar certos limites ou outras áreas problemáticas dos campos que não participarão de experimentos prescritos e determinar ainda faixas ou quadrados específicos, com áreas de amortecimento intermediárias, que partici-parão de experimentos prescritos.
[0155] Como exemplo, para determinar para quais partes de quais campos aumentar a taxa de semeadura em uma determinada quantidade ou qual a quantidade para aumentar a taxa de semeadura para campos específicos, o sistema 130 pode ser configurado para avaliar, para cada campo, o híbrido ou variedade de tipos de culturas, a taxa de semeadura atual, o rendimento anual histórico, tal como uma mudança na taxa de semeadura afetou a produtividade no passado, como a taxa de semeadura foi afetada pelo clima ou outras variáveis ou outros fatores que afetam o campo. Embora seja chamado de experimento, o sistema 130 é configurado para prever o resultado do experimento e determinar se o experimento deve ser aplicado com base no resultado previsto. Por exemplo, o sistema 130 pode ser configurado para aplicar apenas as experiências com os maiores aumentos de rendimento previstos no teste. Portanto, cada experimento inclui essencialmente uma recomendação, como aumentar a taxa de semeadura em uma certa quantidade, que deve ser validada.
[0156] Em algumas modalidades, a segmentação de campos de cultivadores também envolve o projeto de várias experiências a serem aplicadas aos campos de um ou mais cultivadores de uma maneira coordenada. Por exemplo, um único campo pode ser dividido em vários locais para o plantio de vários híbridos ou variedades de uma cultura. Embora campos diferentes possam se beneficiar especificamente de experimentos diferentes em um determinado momento, a coleta de todos os campos pode se beneficiar de experimentos coordenados, de modo que o máximo de discernimento analítico possa ser compartilhado entre os campos do cultivador possível para benefícios a longo prazo. Por exemplo, alguns cultivadores podem ter um número limitado de campos em que apenas um número limitado de experimentos envolvendo um pequeno número de atributos ou um pequeno número de valores para um determinado atributo pode ser aplicado este ano. Esses campos podem se beneficiar da aplicação de experiências adicionais aos campos de outros cultivadores que envolvem atributos diferentes ou valores diferentes para os mesmos atributos.
[0157] Em algumas modalidades, o sistema 130 é programado para começar a projetar, selecionar ou aplicar experimentos em resposta a gatilhos específicos. Esses gatilhos podem incluir quando um campo está com baixo desempenho (por exemplo, baixa biomassa da cultura ou baixo rendimento previsto de cultura em um determinado período de tempo), quando um campo está em uma condição incomum (por exemplo, baixa umidade do solo ou nitrato), quando ocorre uma alteração no ambiente (por exemplo, ondas de calor extremas) ou quando um experimento prescrito para um campo semelhante produziu um certo resultado. Esses gatilhos podem ser detectados a partir dos dados coletados durante a implementação das experiências prescritas, conforme discutido mais adiante. Cada gatilho geralmente representa uma oportunidade para melhorar o desempenho de um campo ou obter insights específicos sobre certos fenômenos ou relacionamentos agrícolas.
[0158] Na etapa 1304, o sistema 130 é programado para prescrever experimentos para campos de cultivo. Em algumas modalidades, o projeto ou a seleção de experimentos pode ser realizado automática-mente de acordo com um cronograma predeterminado, como no início de cada ano ou em cada estação de crescimento. A prescrição de experimentos também pode ser realizada automáticamente. O sistema 130 pode ser configurado para gerar a prescrição, plano ou esquema para um experimento que deve ser entendido por um humano, uma máquina ou uma combinação de ambos. Por exemplo, uma experiência pode ser plantar certas sementes a determinadas taxas nos campos de um determinado cultivador. O plano para o experimento pode incluir uma variedade de detalhes, como o tipo de sementes, o destino das sementes nos campos, o volume de sementes para plantar todos os dias ou o tempo para plantar as sementes todos os dias.
[0159] Em algumas modalidades, a prescrição ou esquema também inclui detalhes para a implementação de um teste de controle em oposição ao teste direcionado (o experimento original e pretendido), para permitir que um cultivador compreenda melhor o efeito do teste direcionado. Geralmente, o teste de controle envolve um valor contrastante para o atributo relevante, que pode ser baseado no que foi implementado no campo no presente ou no passado. Por exemplo, quando o teste direcionado é aumentar a taxa de semeadura em uma primeira quantidade para aumentar o rendimento em um determinado nível, o teste de controle pode ser não aumentar a taxa de semeadura (mantendo a atual taxa de semeadura) ou aumentar em um segundo valor maior ou menor que o primeiro valor. A prescrição pode incluir informações adicionais, tais como quando e onde o teste direcionado e o controle devem ser implementados nos campos do cultivador. Por exemplo, em um esquema, o campo de um cultivador pode ser dividido em locais, e a prescrição pode indicar que o primeiro local deve ser usado para o teste direcionado, o segundo local deve ser usado para o teste de controle e esse padrão é repetir três vezes geograficamente (a segunda vez na terceira e quarta localizações e a terceira na quinta e sexta localizações). A prescrição geralmente pode incorporar pelo menos algum nível de randomização no gerenciamento do teste direcionado e do controle, como atribuir aleatoriamente determinados locais a qualquer um deles, para minimizar qualquer viés que possa existir entre os dois testes.
[0160] Em algumas modalidades, o sistema 130 é programado para transmitir o plano diretamente aos implementos agrícolas dos campos relevantes, tal como um distribuidor de sementes ou outro plantador registrado sob o cultivador dos campos ou associado aos campos específicos. Dependendo de quão inteligente o plantador seja, o plantador poderá implementar automaticamente pelo menos parte do experimento de acordo com o plano ou, pelo menos, exibir o plano ao cultivador à medida que o cultivador opera manualmente o plantador. Por exemplo, o plano pode ser traduzido em sinais eletrônicos para controlar o tempo de ativação da plantadeira, a velocidade de movimento ou rotação da plantadora ou a rota percorrida pela plantadora. Alternativamente, o sistema 130 pode ser programado para transmitir os planos ou esquemas da experiência a outros dispositivos inteligentes registrados no cultivador, tal como um dispositivo móvel, na medida em que parte do plano precise ser implementada manualmente ou simplesmente para fins informativos.
[0161] Em algumas modalidades, em vez de transmitir todo o esquema para uma experiência a um dispositivo inteligente, seja um implemento agrícola ou um assistente digital pessoal, o sistema 130 é programado para transmitir o esquema de forma incremental e oportuna. Por exemplo, quando o esquema envolve a execução de tarefas diárias, o sistema 130 pode ser configurado para enviar uma parte do esquema correspondente ao trabalho de cada dia, todos os dias. O sistema 130 também pode ser configurado para entregar lembretes aos dispositivos móveis do cultivador, por exemplo, para o desempenho de determinadas tarefas de acordo com o esquema.
[0162] Na etapa 1306, o sistema 130 é programado para coletar dados de experiências prescritas. Em algumas modalidades, o sistema 130 é programado para receber dados dos mesmos implementos agrícolas para os quais os esquemas ou planos experimentais foram transmitidos, ou do mesmo dispositivo de computação de gerenciamento de campo, incluindo dispositivos móveis, registrados sob os cultivadores. Os implementos agrícolas podem ser equipados com sensores que podem capturar muitos tipos de dados. Além dos dados relacionados às variáveis envolvidas no experimento, tal como o volume de sementes efetivamente plantadas, o tempo do plantio real, a velocidade real de rotação ou rotação do implemento agrícola, a rota realmente percorrida pelo implemento agrícola ou o rendimento da cultura realmente alcançado, um implemento agrícola pode capturar dados adicionais relacionados ao clima, como a quantidade de luz solar, umidade, pólen, vento, etc. O implemento agrícola também pode registrar dados adicionais relacionados ao seu estado interno, incluindo se componentes diferentes estão funcionando corretamente, quando o implemento agrícola é limpo ou mantido, com que frequência o implemento agrícola é usado ou se o implemento agrícola é usado de alguma maneira incomum. Alguns desses tipos de dados podem ser observados por sensores integrados a dispositivos de computação pessoal ou diretamente pelos cultivadores e subsequentemente relatados por meio de dispositivos de computação pessoal ao sistema 130. Em geral, os dados podem ser transmitidos por um implemento agrícola ou um dispositivo de computação pessoal para o sistema 130 quando os dados estiverem disponíveis, mediante solicitação do sistema 130, ou de acordo com um cronograma predeterminado.
[0163] Na etapa 1308, o sistema 130 é programado para validar a execução das experiências prescritas. Em algumas modalidades, o sistema 130 é programado para determinar se a experiência prescrita é adequadamente realizada de acordo com o plano ou esquema da experiência. O objetivo é permitir a implementação adequada dos experimentos prescritos, a fim de alcançar os resultados previstos. Para as variáveis envolvidas no esquema, o sistema 130 é programado para comparar o valor real, como o volume de sementes efetivamente plantadas em um local específico dentro de um período específico de tempo, como uma hora, e o valor prescrito. O sistema 130 está configurado para relatar qualquer discrepância detectada. Por exemplo, pelo menos um aviso pode ser enviado ao dispositivo de computação pessoal do cultivador de que, se o plano não for seguido rigorosamente, o benefício esperado do experimento prescrito não será alcançado. Um aviso pode aparecer em qualquer forma conhecida na técnica, como popup, mensagem instantânea, e-mail ou outra mensagem de texto. O aviso pode, alternativamente, ser apresentado como um visual ou gráfico estático ou móvel ou intermitente, como um código visual colorido, como uma luz verde indicando que o experimento está em conformidade ou uma luz vermelha mostrando não-conformidade. A conformidade (ou não) também pode se basear em se um valor cai dentro de uma tolerância ou faixa predeterminada. Por exemplo, o sistema de computação de inteligência agrícola pode determinar se um nível de conformidade está abaixo de um valor limite. Por exemplo, se o nível de conformidade estiver relacionado a uma porcentagem de um local que esteja em conformidade, o sistema poderá determinar se a porcentagem do local em conformidade está abaixo de 90%.
[0164] Em algumas modalidades, o sistema 130 é programado para avaliar outros dados coletados e recomendar etapas corretivas. Especificamente, o sistema 130 pode ser configurado para transmitir uma série de etapas para diagnosticar se um componente do implemento agrícola está funcionando corretamente. Por exemplo, quando o volume de sementes realmente plantadas em um local específico dentro de um período de uma hora é maior que o valor prescrito, o compartimento que contém as sementes a serem plantadas ou a balança para pesar as sementes a serem plantadas pode estar com problemas. Portanto, o sistema 130 pode ser programado para solicitar uma inspeção do compartimento ou da balança. Quando o mau funcionamento do implemento agrícola é detectado diretamente por sensores ou através de determinado diagnóstico, o sistema 130 pode ser programado para transmitir uma recomendação semelhante para recalibrar ou reparar o implemento agrícola. Por outro lado, com a determinação de que certas etapas são completamente ignoradas, o sistema 130 pode ser programado para transmitir uma instrução para seguir essas etapas, ou uma sugestão para reajustar os alarmes de lembrete ou para inspecionar os implementos agrícolas.
[0165] Em algumas modalidades, o sistema 130 pode ser programado para validar a execução de cada experimento prescrito de acordo com um cronograma predeterminado, tal como todos os meses, ou assim que sinais de erro ou dados de aplicação são recebidos. O sistema 130 também pode ser programado para validar a execução de todas as experiências prescritas de acordo com um paradigma específico, como um baseado em amostragem aleatória, a fim de economizar recursos.
[0166] Na etapa 1310, o sistema 130 é programado para analisar os dados coletados. Em algumas modalidades, o sistema 130 é programado para analisar ainda mais os dados, ajustar as previsões ou os planos para as experiências prescritas, ou recolher informações específicas que podem ser usadas no projeto de experiências futuras. Essa análise pode ser realizada periodicamente, no final de uma estação ou ano, ou mediante solicitação de um cultivador.
[0167] Em algumas modalidades, quando uma experiência prescrita não foi realizada adequadamente, o resultado previsto pode não ser obtido e o sistema 130 pode ser programado para ajustar a previsão com base em como o plano para a experiência prescrita foi seguido. Por exemplo, o sistema 130 pode ser configurado para considerar que a taxa de semeadura real foi de apenas 80% da taxa de semeadura prescrita em geral, devido à calibração incorreta do implemento agrícola, ao pulo de certas etapas de plantio ou por outros motivos, na determinação do rendimento previsto da cultura pode ser apenas 80% ou menor do que o rendimento previsto ou recomendado. O sistema 130 também pode ser programado para gerar uma série de etapas corretivas, a fim de realizar a previsão original. Por exemplo, quando a taxa de semeadura real foi de apenas 80% da taxa de semeadura prescrita em geral, o sistema 130 pode ser configurado para compensar isso prescrevendo uma taxa de semeadura que era 20% ou mais alta do que a originalmente prescrita para o restante do experimento.
[0168] Em algumas modalidades, o sistema 130 pode ser programado para determinar por que, mesmo quando a experiência prescrita foi realizada adequadamente, o resultado previsto não foi alcançado. A comparação dos dados coletados, respectivamente, do teste direcionada e do controle pode frequentemente ser usada para eliminar certos fatores da consideração. O sistema 130 também pode ser configurado para detectar correlações entre o objetivo do experimento e outros atributos de campo ou variáveis externas. O sistema 130 também pode ser configurado para detectar padrões a partir dos resultados de experiências semelhantes, o que pode ajudar a identificar discrepâncias e apontar para questões específicas de campo. As razões por trás das discrepâncias entre os resultados previstos e os reais podem ser usadas para projetar experimentos futuros ou gerar previsões para experimentos futuros. Por exemplo, ao detectar uma correlação significativa entre o tipo de cultura e a taxa de semeadura em relação ao rendimento da cultura, o sistema 130 pode ser configurado para direcionar campos específicos nos quais certos tipos de culturas são tipicamente cultivados para um experimento que relaciona uma taxa de semeadura ao rendimento da cultura. Da mesma forma, o sistema 130 pode ser programado para prever diferentes níveis de rendimento de culturas, dependendo dos tipos de culturas cultivadas no campo específico.
[0169] Em algumas modalidades, o sistema 130 é programado para projetar experimentos incrementais. Para testar uma hipótese relativamente nova, o sistema 130 pode ser configurado para prescrever experimentos conservadores, introduzindo uma mudança relativamente pequena em um dos atributos ou variáveis. Quando o resultado real da última experiência prescrita concorda com o resultado previsto, o sistema 130 pode ser programado para introduzir mais mudanças no atributo da variável. Em outras modalidades, o sistema 130 é programado para considerar os resultados de duas experiências prescritas que foram aplicadas a dois campos semelhantes e determinar se a combinação das duas experiências pode ser permitida e benéfica. Por exemplo, quando a relação entre a taxa de semeadura e o rendimento e entre a umidade do solo e o rendimento tiver sido demonstrada clara e separadamente em dois campos semelhantes, um experimento futuro poderá ser o aumento da taxa de semeadura e da umidade do solo no mesmo experimento aplicado ao mesmo campo.
[0170] Na etapa 1312, o sistema 130 é opcionalmente programado para distribuir insights analíticos entre sistemas de cultivadores. Em algumas modalidades, o sistema 130 é programado para apresentar resumos, dicas ou recomendações adicionais geradas a partir da análise dos dados obtidos a partir da multiplicidade de experimentos prescritos através dos campos do cultivador. O sistema 130 pode ser configurado para transmitir um relatório para cada sistema do cultivador, tal como o dispositivo móvel do cultivador, que mostra estatísticas agregadas sobre todas as experiências prescritas ou certos grupos de experiências prescritas. O relatório também pode indicar o desempenho dos campos do cultivador em comparação com os campos dos outros cultivadores e indicar possíveis razões com base em uma análise da diferença de desempenho entre os campos do cultivador e os campos dos outros cultivadores. O relatório pode destacar outras experiências prescritas semelhantes às prescritas nos campos do cultivador. O relatório também pode descrever possíveis experiências a serem aplicadas aos campos do cultivador no futuro e solicitar retorno do cultivador.
[0171] Em algumas modalidades, algumas ou todas essas etapas 1302 a 1312 podem ser executadas repetidamente, iterativamente ou fora de ordem. Por exemplo, a captura de dados e a validação da execução podem ocorrer periodicamente durante uma temporada.
[0172] Em algumas modalidades, o sistema 130 é programado para construir um modelo que compreende instruções executáveis por computador para prever a capacidade de resposta do produto (rendimento da cultura) de um campo a uma alteração na taxa de semeadura. O sistema 130 é programado para estabelecer inicialmente determinadas linhas de base a partir de dados históricos que abrangem vários anos de vários campos em diferentes cultivadores associados a diferentes dispositivos dos cultivadores. Os dados históricos podem ser obtidos em testes e experiências internas ou em fontes de dados externas. O número de campos pode ter valores comuns em certas características, tal como o híbrido de cultura cultivado em um campo, a localização de um campo ou a prática de gerenciamento de aumento de rendimento de um campo, conforme discutido mais adiante. Uma relação média entre a densidade da cultura e o rendimento da cultura para um determinado híbrido pode ser calculada a partir dos dados históricos para fornecer uma referência. Esse relacionamento normal-mente é refletido em uma curva quadrática. A figura 14 ilustra um exemplo de relação entre a densidade da cultura e o rendimento da cultura para um dado híbrido. O eixo X 1402 corresponde à densidade da cultura ou taxa de semeadura em plantas por acre (ppa), e o eixo Y 1404 corresponde ao rendimento da cultura em alqueires por acre. Neste exemplo, os dados da taxa de semeadura e os dados correspon-dentes de rendimento de cultura são ajustados em uma curva quadrática 1408. O formato e o tamanho da curva quadrática 1408 podem ser caracterizados pela linha de inclinação 1410 do ponto de dados 1412 correspondente à menor taxa de semeadura até o ponto de dados 1406 correspondente à taxa de semeadura ideal e ao maior rendimento da cultura. O sistema 130 pode ser programado para selecionar um limite para a capacidade de resposta do produto com base na relação média entre a densidade da cultura e o rendimento da cultura. Por exemplo, como a inclinação da linha de inclinação 1410 aqui é de cerca de 2,8, o limite pode ser definido como 1,5, para que um campo que produza um aumento de 1,5 alqueires para cada aumento de 1.000 sementes seja considerado responsivo, como discutido mais adiante.
[0173] Em algumas modalidades, em vez de focar em atingir a taxa de semeadura ideal, o sistema 130 é programado para permitir flexibilidade no aumento da taxa de semeadura. Especificamente, em vez de focar na relação entre a taxa de semeadura atual e a taxa de semeadura ideal, o sistema 130 é configurado para considerar outros fatores, tal como uma taxa de semeadura alvo menor que a taxa de semeadura ideal ou um aumento no rendimento da cultura correspon-dente a uma alteração para a taxa de semeadura alvo. Por exemplo, o sistema 130 pode ser configurado para agrupar determinados campos por híbrido e por localização, e calcular a taxa de propagação média dentro de um cluster como a taxa de propagação alvo. O mesmo limite determinado a partir da linha de inclinação observada acima ainda pode ser aplicado no teste da capacidade de resposta do produto em relação à taxa de semeadura desejada.
[0174] Em algumas modalidades, o sistema 130 está configurado para adotar uma abordagem mais complexa, como a construção de uma árvore de decisão que classifica determinados campos com dados de taxa de semeadura e dados de rendimento de culturas em diferentes classes correspondentes a diferentes valores de aumento de rendi-mento de culturas com base na taxa de semeadura inicial (atual), a taxa de semeadura alvo, a diferença entre a taxa de semeadura inicial e a taxa de semeadura alvo ou outros atributos relacionados aos campos. Exemplos de outros atributos podem variar de atributos inerentes, tal como o nível de umidade do solo, a atributos ambientais, como a prática de gerenciamento do solo. Outros métodos de aprendizado de máquina conhecidos por alguém versado na técnica para capturar várias relações entre a taxa de semeadura (em conjunto com outros atributos) e o aumento do rendimento da cultura, tal como redes neurais ou técnicas de regressão, também podem ser usados. A abordagem mais complexa pode produzir informações mais granulares além da possibilidade de uma elevação e em relação à quantidade de elevação possível.
[0175] Em algumas modalidades, o sistema 130 é programado para determinar em seguida a capacidade de resposta do produto específico do cultivador. Para o campo de um cultivador, o sistema 130 é programado para revisar de forma semelhante os dados históricos de rendimento da cultura ao longo de vários anos para uma zona específica dentro do campo ou campo em média e identificar a taxa de semeadura híbrida e atual para o campo ou zona. Voltando à figura 14 ilustrando a relação entre a densidade da cultura e o rendimento da cultura para um híbrido apropriado, o limiar de inclinação discutido acima, como 1,5 com base na inclinação da primeira linha de inclinação 1410, pode ser usado para determinar se é provável que o campo do cultivador seja responsivo a um certo aumento da taxa de semeadura. Por exemplo, uma segunda linha de inclinação 1414 pode ser formada a partir do ponto de dados 1416 correspondente à taxa de semeadura atual e o ponto de dados 1406 correspondente à taxa de semeadura ideal e ao maior rendimento da cultura. Quando a taxa de semeadura atual for menor que a taxa de semeadura ideal, a inclinação da segunda linha de inclinação será positiva, mas poderá estar acima ou abaixo do limite observado acima. O sistema 130 pode ser configurado para considerar o campo responsivo a um aumento da taxa de semeadura para a taxa de semeadura ideal quando a inclinação da segunda linha de inclinação está em ou acima do limite. Quando a taxa de semeadura atual for maior que a taxa de semeadura ideal, a inclinação da segunda linha de inclinação será negativa. O sistema 130 pode então ser configurado para avaliar a capacidade de resposta do produto do campo a uma diminuição da taxa de propagação. O sistema 130 pode ser configurado para avaliar similarmente a capacidade de resposta do produto do campo a um aumento da taxa de propagação para uma taxa de propagação alvo menor que a taxa de propagação ideal.
[0176] Em algumas modalidades, o sistema 130 é programado para aplicar uma das abordagens mais complexas, tal como a árvore de decisão discutida acima, para avaliar a capacidade de resposta do produto específico do cultivador. Pelo menos a taxa de semeadura atual do campo de um cultivador e uma taxa de semeadura pretendida ou alvo para o campo do cultivador podem ser alimentadas na árvore de decisão, e uma variedade de valores de elevação do rendimento da cultura pode ser estimada pela árvore de decisão, que pode ser categorizada posteriormente em classes responsivas ou não responsivas ou outras classes granulares ou diferentes.
[0177] Em algumas modalidades, o sistema 130 é programado para avaliar a prática de gerenciamento de campo do cultivador em termos de elevação do rendimento da cultura ao longo do tempo. A figura 15 ilustra exemplos de tipos de práticas de gerenciamento. O eixo X 1502 corresponde ao ano, o eixo Y 1504 corresponde ao objetivo ou rendimento real da cultura. O tipo de prática de gerenciamento em termos de aumento do rendimento da cultura pode ser refletido em várias curvas. A curva 1506 indica um tipo agressivo, onde há um aumento constante e significativo no rendimento da cultura um ano após o outro. A curva 1508 indica um tipo conservador ou pragmático, onde não há aumento significativo no rendimento da cultura de um ano para o outro. A curva 1510 indica um tipo irreal, onde não há mudança no rendimento da cultura por alguns anos, mas há um aumento acentuado. Identificar o tipo de prática de gerenciamento ou outros aspectos externos ao solo pode ser útil na prescrição de experimentos reais nos campos dos cultivadores-alvo. Em outras modalidades, o tipo de prática de gerenciamento também pode ser um atributo de entrada para um método de aprendizado de máquina discutido acima.
[0178] Em algumas modalidades, o sistema 130 é programado para também avaliar o grau de variabilidade dentro do campo do cultivador. Os dados de densidade real podem estar disponíveis para diferentes zonas dentro do campo, ou imagens aéreas do campo podem ser analisadas por meio de técnicas de análise de imagem conhecidas por alguém versado na técnica. Com base em tais dados, o sistema 130 pode ser programado para determinar se as densidades ou taxas de semeadura são mais ou menos constantes no campo ou variam substancialmente entre diferentes zonas. Essa determinação também pode ser útil na prescrição de experimentos reais nos campos dos cultivadores-alvo.
[0179] Em algumas modalidades, o sistema 130 é programado para direcionar os campos dos cultivadores que são responsivos ao aumento das taxas de semeadura e experimentos de projeto para esses campos. Cada projeto pode ter vários parâmetros, tal como o híbrido da cultura, a variabilidade da zona ou o aumento da taxa de propagação. A figura 16 ilustra um exemplo de processo realizado pelo sistema de computação de inteligência agrícola para determinar o híbrido de culturas para o campo de um cultivador ou suas zonas. Em algumas modalidades, na etapa 1602, o sistema 130 é programado para se comunicar com um dispositivo do cultivador associado a um campo direcionado. Especificamente, o sistema 130 está configurado para receber uma densidade ou taxa de semeadura pretendida para o campo do dispositivo do cultivador. A densidade pretendida é geralmente maior que a densidade agregada atual no campo. O sistema 130 é programado para então determinar como a densidade pretendida se compara com uma densidade alvo para o campo. A densidade alvo pode ser predeterminada para o campo com base em uma combinação de abordagens, tal como uma comparação com uma taxa de semeadura ideal ou média calculada, uma classificação através de uma árvore de decisão de taxa de semeadura estabelecida ou um teste do tipo de prática de gerenciamento em termos de elevação do rendimento das culturas, conforme discutido acima. A densidade alvo também costuma ser maior que a densidade agregada atual no campo. Quando a densidade pretendida está abaixo da densidade alvo, na etapa 1604, o sistema 130 é configurado para então receber uma decisão sobre o aumento da densidade pretendida para a densidade alvo do dispositivo do cultivador. Quando a decisão não for aumentar a densidade pretendida, na etapa 1606, o sistema 130 é configurado para calcular a diferença da densidade pretendida da densidade alvo. Quando a diferença está acima de um certo limite, de modo que a densidade pretendida permaneça suficientemente baixa, o sistema 130 é configurado para recomendar um híbrido flexível ou semiflexível para o campo. Por exemplo, o limite certo pode ser 80% da densidade alvo. Em algumas modalidades, quando a densidade pretendida é igual ou superior à densidade alvo, atingindo um valor substancialmente grande, na etapa 1608, o sistema 130 é configurado para recomendar um híbrido fixo ou semiflexível para o campo.
[0180] Em algumas modalidades, o sistema 130 é programado para responder em seguida à variabilidade da zona dentro do campo alvo. Especificamente, na etapa 1610, o sistema 130 é configurado para determinar se há variabilidade significativa nas taxas de propagação entre diferentes zonas dentro do campo e se a densidade agregada atual considerada até agora é apenas um agregado através do campo. O sistema 130 pode ser configurado para determinar ainda se uma determinada zona pode se beneficiar de taxas de semeadura mais altas da taxa de semeadura pretendida, com base na diferença entre a taxa de semeadura atual da determinada zona em relação à densidade agregada atual, a taxa de semeadura pretendida e a taxa de propagação desejada. Por exemplo, quando a diferença entre a taxa de propagação atual de determinada zona e a densidade agregada atual estiver acima de um limite específico, tal como 30% da densidade agregada atual, e quando a densidade pretendida for menor que a densidade alvo, a corrente a taxa de semeadura de determinada zona pode ser aumentada para estar além da densidade pretendida. Nos casos em que existe uma oportunidade de rendimento para uma taxa de semeadura que é maior que a taxa de semeadura pretendida, na etapa 1612, o sistema 130 é configurado para recomendar um híbrido fixo ou semiflexível devido à limitação de densidade relativamente grande. Em outros casos em que não existe oportunidade de rendimento para uma taxa de semeadura que é maior que a taxa de semeadura pretendida, na etapa 1614, o sistema 130 está configurado para recomendar nenhuma alteração híbrida para o campo de taxa estática. Além disso, o sistema 130 pode ser configurado para determinar ainda mais se uma determinada zona pode se beneficiar de taxas de semeadura mais baixas a partir da taxa de semeadura pretendida. Essa zona pode ser uma zona de risco que sofre de seca ou outro ataque natural ou ambiental. Portanto, na etapa 1616, o sistema 130 pode ser configurado para recomendar um híbrido flexível para uma zona correspondente a uma taxa de semeadura atual relativamente baixa ou a taxa de semeadura pretendida para facilitar a retenção de água ou incentivar o crescimento da cultura.
[0181] A figura 17 ilustra um exemplo de processo realizado pelo sistema computacional de inteligência agrícola para direcionar campos de cultivadores para aumento do rendimento das culturas.
[0182] Em algumas modalidades, na etapa 1702, o sistema 130 é programado para receber dados de taxa de semeadura de culturas e dados correspondentes de rendimento de culturas durante um período de tempo em relação a um grupo de campos associados a uma pluralidade de dispositivos do cultivador. Esses dados são usados para estabelecer parâmetros de referência para determinar a capacidade de resposta do produto a um aumento da taxa de semeadura no campo de um cultivador. O grupo de campos pode ser selecionado daqueles campos que compartilham valores com o campo do cultivador em determinadas características, tal como o híbrido de cultura cultivado em um campo, o aumento de rendimento previsto para uma mudança na prática de gerenciamento de um campo ou a localização de um campo. A cobertura temporal dos dados permite revelar o efeito do aumento da taxa de semeadura no aumento da produtividade. Como discutido acima, pelo menos uma taxa de semeadura ideal e um limite correspondente no efeito de um aumento da taxa de semeadura no aumento do rendimento da cultura podem ser determinados, e abordagens mais complexas podem ser desenvolvidas para caracterizar ou determinar o impacto potencial de uma alteração na taxa de semeadura sobre o rendimento da cultura no campo de um cultivador e, finalmente, se o campo do cultivador deve ser direcionado para experimentos específicos para aumentar o rendimento da cultura. Na etapa 1704, o sistema 130 é programado para receber uma taxa de semeadura atual para o campo de um cultivador associado a um dentre uma pluralidade de dispositivos do cultivador. A taxa de propagação atual pode ser um agregado em diferentes zonas dentro do campo.
[0183] Na etapa 1706, o sistema 130 é programado para determinar ainda se o campo do cultivador será responsivo ao aumento da taxa de semeadura de culturas para o campo do cultivador da taxa de semeadura atual para uma taxa de semeadura alvo com base nos dados da taxa de semeadura e nos dados de rendimento de culturas correspondentes. A taxa de semeadura alvo pode ser definida como a taxa de semeadura ideal ou um valor que seja mais consistente com a prática de gerenciamento de aumento de rendimento para o campo ou outra intenção do cultivador. Essencialmente, a partir da relação entre a taxa de semeadura e o rendimento da cultura demonstrada pelo grupo de campos, que pode ser derivada dos dados da taxa de semeadura da cultura e dos dados correspondentes do rendimento da cultura, o sistema 130 é configurado ou programado para estimar o impacto de um a taxa de semeadura muda da taxa de semeadura atual para a taxa de semeadura alvo no campo do cultivador e, por sua vez, determina se o campo do cultivador responderá efetivamente à mudança na taxa de semeadura produzindo o aumento desejado do rendimento da cultura.
[0184] Na etapa 1708, em resposta à determinação de que o campo do cultivador será responsivo, o sistema 130 é programado para atingir o campo do cultivador para uma experiência para aumentar o rendimento da colheita e preparar uma receita para a experiência, incluindo uma nova taxa de semeadura de cultura e um híbrido de cultura específico a ser implementado no campo do cultivador. A nova taxa de semeadura de culturas pode ser a taxa de semeadura desejada, a menos que seja substituída por uma taxa de semeadura prevista, provida pelo dispositivo do cultivador. Qualquer mudança recomendada no híbrido de cultura é geralmente consistente com a mudança na taxa de semeadura, e pode ser implementada de forma incremental no campo ou gradualmente ao longo do tempo para conseguir atingir o máximo possível de aumento da produtividade estimada. Além disso, o sistema 130 pode ser configurado para avaliar a variabilidade no rendimento da cultura dentro do campo do cultivador e preparar uma receita mais granular. Esso teste pode ser baseada em amostras físicas do campo ou em imagens aéreas do campo. Uma taxa de semeadura mais alta que a nova taxa de semeadura pode frequentemente ser adicionalmente prescrita para uma zona com uma taxa de semeadura maior que a atual taxa de semeadura. Da mesma forma, uma taxa de semeadura mais baixa que a nova taxa de semeadura pode ser adicionalmente prescrita para uma zona com uma taxa de semeadura menor que a atual taxa de semeadura.
[0185] Como ilustrado na figura 13, o sistema 130 pode ser programado para coletar ainda mais resultados da implementação das experiências prescritas a partir do dispositivo de um cultivador ou diretamente de implementos agrícolas, os prescritos nas experiências. Especificamente, o aumento previsto do rendimento da cultura pode ser validado com relação ao aumento real do rendimento da cultura. O sistema 130 pode ser configurado para distribuir dados relacionados à experiência e os resultados validados para os outros dispositivos cultivadores associados ao grupo de campos. Os dados da taxa de semeadura e os dados de rendimento da colheita também podem ser atualizados com o resultado validado para permitir uma modelagem mais precisa da relação entre taxas de semeadura e rendimento da cultura.
[0186] Em uma modalidade, o sistema de computação de inteligência agrícola determina onde colocar os locais de teste com base em uma ou mais zonas de gerenciamento. As zonas de gerenciamento referem-se a regiões dentro de um campo agrícola ou a uma pluralidade de campos agrícolas que devem ter fatores limitantes semelhantes que influenciam o rendimento de colheita das culturas. Embora as zonas de gerenciamento sejam geralmente descritas com relação a partes de um único campo, as zonas de gerenciamento podem ser projetadas para abranger locais em uma pluralidade de campos que abrangem uma pluralidade de cultivadores. Os métodos para identificar zonas de gerenciamento são descritos mais detalhadamente no Pedido de Patente US 15/234,943, cujo conteúdo inteiro é incorporado por referência como se aqui fosse totalmente divulgado. O sistema de computação de inteligência agrícola pode identificar os benefícios do uso de um novo produto, diferentes sementes e/ou práticas de gerenciamento para uma zona de gerenciamento. O sistema de computação de inteligência agrícola pode identificar locais de teste dentro da zona de gerenciamento, para que os efeitos da execução do teste possam ser comparados com o restante da zona de gerenciamento.
[0187] Em uma modalidade, o sistema de computação de inteligência agrícola identifica zonas de gerenciamento com base em um tipo de teste que está sendo realizado. Por exemplo, dois locais em um campo podem compreender diferentes tipos de solo, mas têm um rendimento semelhante e um problema semelhante de pragas. Para fins de implementação de um teste de pesticidas, os dois locais podem ser tratados como uma única zona de gerenciamento. Por outro lado, para fins de implementação de um teste de fertilizante que depende do tipo de solo, os dois locais podem ser tratados como zonas diferentes.
[0188] Em uma modalidade, as zonas de gerenciamento são identificadas com base na capacidade de resposta e no rendimento total. O sistema de computação de inteligência agrícola pode determinar a capacidade de resposta das áreas em um campo a aplicações de produtos e/ou práticas de gerenciamento diferentes com base em dados de rendimento anteriores, dados do solo, imagens, outros dados de culturas e práticas de gerenciamento. Por exemplo, o sistema de computação de inteligência agrícola pode identificar dois locais equivalentes nos quais o fertilizante foi aplicado em um e não no outro. Com base nas diferenças no rendimento entre as duas taxas de fertilizantes em locais equivalentes, o sistema de computação de inteligência agrícola pode determinar a capacidade de resposta ao fertilizante para esses e outros locais equivalentes no campo.
[0189] A capacidade de resposta pode ser um valor calculado e/ou uma determinação binária. Por exemplo, o sistema de computação de inteligência agrícola pode determinar que um local com mais do que um limiar de alteração absoluta ou percentual no rendimento é considerado com alta capacidade de resposta, enquanto áreas com menos do que o limiar de mudança absoluta ou percentual no rendimento são conside-radas com baixa capacidade de resposta. O sistema de computação de inteligência agrícola pode gerar zonas com capacidade de resposta e rendimentos semelhantes. Por exemplo, o sistema de computação de inteligência agrícola pode gerar zonas com alta capacidade de resposta e alto rendimento e zonas separadas com alta capacidade de resposta e baixo rendimento, com base em dados de rendimento, dados de plantas, dados de solo, dados meteorológicos e/ou dados de práticas de gerenciamento. Assim, o sistema de computação de inteligência agrícola pode gerar zonas de alta responsividade e zonas de baixa responsividade que são limitadas pelo rendimento total.
[0190] Dentro das zonas, o sistema de computação de inteligência agrícola pode identificar possíveis locais para testar locais. O tamanho e a forma dos locais de teste podem ser determinados com base na variabilidade em um campo ou zona específico. Variabilidade, como aqui utilizado, refere-se à quantidade que o rendimento total tende a variar dentro de um campo e/ou zona de gerenciamento. A quantidade de variação pode incluir tanto a magnitude da variação quanto um componente espacial da variação. Por exemplo, se o rendimento flutuar rapidamente dentro de uma pequena região de uma zona de gerencia-mento, o sistema de computação de inteligência agrícola poderá determinar que um local de teste maior seja implementado. Por outro lado, se o rendimento tiver tendências de longo alcance na escala, um local de teste menor pode ser implementado. O tamanho, a forma e o número ideais de locais de teste podem ser determinados diretamente a partir de dados históricos de variabilidade do rendimento. Em uma modalidade, os dados históricos de rendimento são divididos em grades uniformes de locais de teste em potencial de diferentes tamanhos; a área total de teste necessária, incluindo áreas de amortecimento em torno dos locais de teste, é calculada para cada tamanho de local de teste, com uma significância estatística aceitável para a resposta; e a configuração ideal é a que minimiza a área total de testes. O tamanho, o formato e o número ideais de locais de teste também podem ser determinados a partir de dados de variabilidade de rendimento modelados a partir de imagens históricas ou dados de variabilidade de rendimento modelados com base em preditores a um modelo treinado em dados de variabilidade de rendimento histórico. Além disso, com base no tamanho do local de teste, o sistema de computação de inteligência agrícola pode identificar uma forma do local de teste para maximizar um número de locais de teste que podem ser ajustados em uma única zona. Por exemplo, se uma zona é particularmente estreita, o sistema de computação de inteligência agrícola pode selecionar um retângulo estreito como a forma do local de teste.
[0191] Usando o tamanho e o formato identificados dos locais de teste, o sistema de computação de inteligência agrícola pode determinar uma pluralidade de locais possíveis para colocar os locais de teste no campo. O sistema de computação de inteligência agrícola pode então selecionar um subconjunto da pluralidade de locais possíveis para colocar os locais de teste. Em uma modalidade, o sistema de computação de inteligência agrícola determina vários locais de teste a serem implementados com base nos requisitos de teste e/ou na seleção do usuário. Por exemplo, uma restrição de um teste pode ser que pelo menos dois locais de teste sejam plantados em cada zona de gerenciamento. Como outro exemplo, um gerenciador de campo pode indicar, por meio de uma interface gráfica de usuário executando no dispositivo de computação de gerenciador de campo, que o gerenciador de campo está disposto a dedicar cinco por cento do campo à teste. O sistema de computação de inteligência agrícola pode assim calcular o número de locais de teste como:
onde N é o número de locais de teste, Af é a área do campo, D é a porcentagem do campo dedicado às tentativas e AT é a área dos locais de teste. Como outro exemplo, um gerenciador de campo pode indicar, por meio de uma interface gráfica de usuário executando no dispositivo de computação de gerenciador de campo, que o gerenciador de campo deseja detectar um efeito mínimo de tratamento de um certo número de alqueires por acre com uma dada relação sinal / ruído. O sistema de computação de inteligência agrícola pode assim calcular o número de locais de teste como: 
onde N é o número de locais de teste, SNR é a razão sinal/ruído, α é o desvio padrão da diferença média de rendimento entre os locais de teste em potencial e T é o efeito mínimo de tratamento detectável desejado.
[0192] Em uma modalidade, o sistema de computação de inteligência agrícola seleciona aleatoriamente locais da pluralidade de locais potenciais até que o número determinado de locais de teste tenha sido identificado. O sistema de computação de inteligência agrícola pode restringir a seleção aleatória selecionando pelo menos dois locais para uma zona onde um primeiro local é selecionado, permitindo, assim, um grupo de teste e um grupo de controle. O sistema de computação de inteligência agrícola também pode restringir a seleção aleatória para garantir que os locais de teste sejam colocados em um número máximo de zonas. Adicionalmente ou alternativamente, o sistema de computação de inteligência agrícola pode apresentar, através de uma interface gráfica de usuário no dispositivo de computação do geren-ciador de campo, uma pluralidade de locais possíveis para testar locais. O gerenciador de campo pode selecionar locais específicos da pluralidade de locais possíveis e enviar as seleções para o sistema de computação de inteligência agrícola.
[0193] Em uma modalidade, o sistema de computação de inteligência agrícola seleciona locais para os locais de teste, a fim de minimizar o efeito no rendimento total da execução do teste. Por exemplo, o sistema de computação de inteligência agrícola pode priorizar áreas do campo que tiveram rendimentos historicamente mais baixos, reduzindo assim possíveis impactos negativos no rendimento do campo. Adicionalmente ou alternativamente, o sistema de computação de inteligência agrícola pode priorizar a localização dos locais de teste de uma maneira que maximize o benefício da realização dos testes. Por exemplo, para um teste de pesticidas, o sistema de computação de inteligência agrícola pode selecionar regiões do campo que histórica-mente receberam o maior impacto negativo no rendimento devido a pragas.
[0194] As prioridades baseadas em minimizar o efeito no rendimento ou maximizar os benefícios da realização dos testes podem ser implementadas juntamente com outras restrições. Por exemplo, o sistema de computação de inteligência agrícola pode inicialmente tentar colocar pelo menos dois locais de teste em cada zona de gerenci-amento. O sistema de computação de inteligência agrícola pode selecionar pseudoaleatoriamente locais adicionais de teste, atribuindo pesos mais altos a locais com baixos rendimentos ou alta capacidade de resposta. Como outro exemplo, o sistema de computação de inteligência agrícola pode tentar colocar os locais de teste em, no mínimo, um local de alta capacidade de resposta e alto rendimento, um local de alta capacidade de resposta e baixo rendimento, um local de baixa capacidade de resposta e alto rendimento, e uma baixa capacidade de resposta e baixa localização de rendimento.
[0195] A figura 8 mostra um exemplo de implementação de locais de teste em um campo. O campo da figura 8 é dividido em diferentes zonas de gerenciamento, cada uma marcada por uma cor. Polígonos marrons escuros representam possíveis locais de teste. Nas modalidades, eles são colocados para abranger zonas de gerencia-mento. Nas modalidades, polígonos adjacentes com o mesmo gerencia-mento podem ser mesclados. Nas modalidades, dos possíveis locais de teste, o sistema de computação de inteligência agrícola seleciona aleatoriamente locais para implementar os locais de teste. Nas modalidades, o sistema de computação de inteligência agrícola seleci-ona locais de acordo com uma ou mais restrições. Por exemplo, na figura 8, uma restrição possível é uma largura de localização mínima de 120 pés para ser compatível com o equipamento de gerenciamento de campo. Outra é que pelo menos 40 locais de teste são implementados nesse campo para alcançar um efeito de tratamento detectável mínimo significativo previsto. Além disso, na figura 8 os locais de teste são implementados de modo que cada um tenha um local de controle não marcado, aleatoriamente projetado para a área de tamanho equivalente em um ou outro de seus dois lados longos.
[0196] O sistema de computação de inteligência agrícola pode enviar a solicitação de participação no teste para uma interface gráfica de usuário no dispositivo de computação de gerenciador de campo. A solicitação de participação no teste pode identificar as restrições do teste e um ou mais valores associados à teste. A associação de valor é descrita aqui mais adiante. A interface gráfica de usuário pode incluir opções para concordar em participar do teste, selecionar uma quantidade específica de um campo a ser dedicado ao teste, selecionar o grau de alteração nas práticas de gerenciamento e/ou selecionar o nível de confiança desejado dos resultados. O sistema de computação de inteligência agrícola pode identificar possíveis locais no campo para implementar locais de teste para o teste. Adicional ou alternativamente, a interface gráfica de usuário pode incluir opções para selecionar a localização dos locais de teste.
[0197] Em uma modalidade, a solicitação de participação no teste não identifica diretamente um produto ou prática de gerenciamento no dispositivo de computação de gerenciador de campo. Por exemplo, a solicitação de participação no teste pode identificar que diferentes sementes híbridas devem ser usadas em um local de teste, mas não identificar o tipo de sementes híbridas. As sementes híbridas podem ser enviadas fisicamente ao campo para implementação do teste. Assim, o gerenciador de campo pode executar o teste sem o conhecimento do tipo de semente que está sendo plantada, um tipo de produto sendo aplicado ou uma ou mais práticas de gerenciamento sendo aplicadas como parte do teste.
[0198] A figura 9 representa uma interface gráfica de usuário para selecionar locais para colocar os locais de teste. Na imagem mais à esquerda da figura. 9, o campo é separado em várias zonas com base no tipo de solo. Na imagem à direita, mostra as taxas de aplicação de nitrogênio por local. Um local foi selecionado para implementar um local de teste no qual o nitrogênio foi aplicado, enquanto um segundo local foi selecionado para implementar um local de teste no qual o nitrogênio não foi aplicado, agindo assim como um grupo de controle. Ambos os locais estão dentro da mesma zona de gerenciamento.
[0199] A interface gráfica de usuário em execução no dispositivo de computação do gerenciador de campo pode incluir opções para nomear, descrever e marcar locais selecionados. A figura 10 representa um exemplo de interface gráfica de usuário para definir locais selecionados. A exibição da figura 10 inclui uma caixa de texto para nomear o local selecionado, uma caixa de texto para adicionar uma descrição do local selecionado e uma opção para selecionar uma ou mais tags para o local selecionado. As tags podem ser usadas posteriormente para pesquisar em locais selecionados anteriores. Por exemplo, se o gerenciador de campo implementa uma pluralidade de tipos diferentes de tentativas, o gerenciador de campo pode usar as tags para identificar os locais que foram marcados para um tipo específico de tentativa. Enquanto a figura 10 é descrita em termos de uma interface de usuário, tags semelhantes podem ser usadas pelo sistema de computação de inteligência agrícola para rastrear regiões do campo com testes específicos.
[0200] Depois que uma região é selecionada, o sistema de computação de inteligência agrícola pode rastrear e causar a exibição de informações pertencentes à região selecionada. A figura 11 representa uma interface gráfica de usuário de exemplo para exibir informações pertencentes a uma região selecionada. Na figura 11, a região “Controle de 40 Lbs” foi selecionada. O relatório descreve o rendimento do local, a umidade do solo do local e as estatísticas relacionadas às sub-regiões da região selecionada. Por exemplo, o rendimento médio da sub-região “População > 38,0k sementes por acre” é representado sob o rendimento médio do local selecionado. Em outra modalidade, o relatório poderia representar o rendimento de outros locais, por exemplo, o rendimento médio para “População> 38,0k sementes por acre” na sub-região experimental ou no restante do campo fora da região de “Controle de 40 Lbs”.
[0201] O servidor também pode exibir comparações entre dados de teste, dados de controle e outros dados de campo. A figura 12 representa um exemplo de interface gráfica de usuário para representar os resultados de um teste. A figura 12 identifica rendimentos médios para cada tipo de tentativa, em comparação com o rendimento médio para o campo. A interface da figura 12 mostra exemplos de rendimentos para o controle de nitrogênio, teste de nitrogênio e um teste de aplicação de nitrogênio de estação tardia. A interface provê uma verificação visual fácil dos efeitos na implementação do teste. Uma linha vertical também pode representar o rendimento médio para todo o campo.
[0202] Em uma modalidade, o sistema de computação de inteligência agrícola inicialmente rastreia o progresso da implementação dos locais de teste dentro do campo. Por exemplo, um sensor de campo pode indicar onde um implemento de campo está plantando culturas ou aplicando produtos. À medida que o campo implementa sementes de plantas em uma área selecionada como local de teste, o sistema de computação de inteligência agrícola pode monitorar o plantio e/ou aplicativos para determinar se o local de teste está em conformidade com os requisitos do teste. Por exemplo, um teste pode exigir que um local de teste inclua um requisito para uma população de plantio de 35.000 sementes por acre. Se o sistema de computação de inteligência agrícola receber dados indicando que um implemento plantou 35.000 sementes por acre em um local de teste específico, o sistema de computação de inteligência agrícola poderá indicar ao gerenciador de campo que o local de teste foi implementado corretamente. Como exemplo, uma cor do local de teste em um mapa exibido no dispositivo de computação do gerenciador de campo pode mudar em resposta ao servidor, determinando que o local de teste atenda aos requisitos do teste.
[0203] À medida que o servidor rastreia o plantio e/ou aplicação de um implemento de campo, o sistema de computação de inteligência agrícola pode enviar avisos a um dispositivo de computação de gerenciador de campo indicando que o implemento de campo está prestes a começar o plantio ou aplicação em um local de teste. Por exemplo, o servidor pode rastrear o plantio de uma primeira semente híbrida por um implemento de plantio em um campo específico. Se o local de teste exigir o plantio de uma segunda semente híbrida, o sistema de computação de inteligência agrícola poderá enviar um aviso ao dispositivo de computação de gerenciador de campo quando o implemento de plantio se aproximar do local de teste. O aviso permite que o gerenciador de campo pare o implemento de plantio antes que o implante invalide o local do teste para o teste.
[0204] Adicionalmente ou alternativamente, o sistema de computação de inteligência agrícola pode enviar instruções que, se executadas, fazem com que um implemento de campo corrija o plantio ou aplicações no local de teste. Por exemplo, o sistema de computação de inteligência agrícola pode enviar um script que pode ser usado para controlar um implemento de campo para fazer com que o implemento de campo implemente o teste. O sistema de computação de inteligência agrícola pode enviar o script diretamente para um dispositivo de computação de gerenciador de campo que controla o implemento, compensando assim automaticamente aplicativos ou plantio incorretos. Adicionalmente ou alternativamente, o sistema de computação de inteligência agrícola pode enviar o script para um dispositivo de computação de gerenciador de campo que é então usado por um gerenciador de campo para compensar o plantio ou aplicativos.
[0205] Em uma modalidade, o sistema de computação de inteligência agrícola oferece alternativas se o sistema de computação de inteligência agrícola determinar que um local de teste foi invalidado. Quando um local de teste é invalidado, o sistema de computação de inteligência agrícola pode identificar um ou mais locais adicionais para implementar o local de teste. O sistema de computação de inteligência agrícola pode provocar a exibição, através da interface gráfica de usuário executando no dispositivo de computação de gerenciador de campo, de uma identificação de um ou mais locais alternativos para implementar o local de teste. Em uma modalidade, a interface gráfica de usuário pode incluir opções para o gerenciador de campo selecionar um dos locais alternativos para implementar o local de teste. Em outra modalidade, o sistema de computação de inteligência agrícola pode fazer com que, através do controlador de aplicação, o aparelho agrícola implemente automaticamente o local de teste em um local alternativo sem exigir ação do gerenciador de campo.
[0206] Como exemplo, um primeiro local de teste pode ser definido em um primeiro local como um grupo de controle que não recebe uma aplicação de nitrogênio. Se o sistema de computação de inteligência agrícola determinar que o nitrogênio foi aplicado ao primeiro local, o sistema de computação de inteligência agrícola poderá identificar um ou mais segundos locais em que o nitrogênio não foi aplicado. O sistema de computação de inteligência agrícola pode provocar a exibição de um ou mais segundos locais no dispositivo de computação de gerenciador de campo. Em resposta ao recebimento de uma seleção de um local específico, o sistema de computação de inteligência agrícola pode atualizar o mapa para indicar que o local específico é um segundo local de teste definido como um grupo de controle que não recebe um aplicativo de nitrogênio. O sistema de computação de inteligência agrícola pode então enviar avisos ao dispositivo de computação de gerenciador de campo para não aplicar nitrogênio no local específico.
[0207] Como outro exemplo, um primeiro local de teste pode ser definido em um primeiro local como um grupo de controle que não recebe uma aplicação de nitrogênio. Se o sistema de computação de inteligência agrícola determinar que o nitrogênio foi aplicado ao primeiro local, o sistema de computação de inteligência agrícola poderá identificar um ou mais segundos locais em que o nitrogênio não foi aplicado. O sistema de computação de inteligência agrícola pode fazer com que, diretamente através do controlador de aplicação, o aparelho agrícola implemente automaticamente o local de teste em um local alternativo sem exigir ação do gerenciador de campo. O aparelho agrícola pode então não aplicar nitrogênio no local específico.
[0208] Em uma modalidade, o sistema de computação de inteligência agrícola pode ser programado ou configurado para alterar uma ou mais tentativas em resposta à determinação de que um local de teste não está em conformidade com uma tentativa. Em uma modalidade, o sistema de computação de inteligência agrícola sugere alterações em uma ou mais práticas para outros locais para compensar erros no local de teste. Por exemplo, se um local de controle foi plantado com uma taxa de semeadura 10% maior que a exigida pelo teste, o sistema de computação de inteligência agrícola pode modificar a taxa de semeadura para os outros locais de teste em 10% mais altos.
[0209] O sistema de computação de inteligência agrícola pode alterar adicionalmente os resultados previstos do teste com base em modificações identificadas nos locais de teste. Por exemplo, o sistema de computação de inteligência agrícola pode prever um aumento no rendimento de 30 alqueires / acre para uma aplicação de 40 libras / acre de nitrogênio. Se o sistema de computação de inteligência agrícola detectar que apenas 30 libras / acre de nitrogênio foi aplicado a um campo, o sistema de computação de inteligência agrícola poderá diminuir o aumento previsto no rendimento de 30 alqueires / acre.
[0210] O sistema de computação de inteligência agrícola pode usar adicionalmente dados de campo observados para determinar se um campo está em conformidade com uma tentativa. Por exemplo, o sistema de computação de inteligência agrícola pode comparar resultados do teste com resultados de testes equivalentes em outros campos e/ou resultados médios para uma região geográfica, como um município. Se os resultados do teste variarem amplamente dos resultados de outro campo ou região geográfica, o sistema de computação de inteligência agrícola poderá determinar que o teste foi implementado incorretamente no campo.
[0211] Em uma modalidade, o sistema de computação de inteligência agrícola associa um valor de resultado ao desempenho do teste. O valor do resultado associado pode ser um custo reduzido para a obtenção de produtos, um custo para o gerenciador de campo se o teste for bem-sucedida, um desconto se o teste não for bem-sucedido, créditos de carbono, créditos de uso da água e/ou qualquer forma de moeda digital.
[0212] Em uma modalidade, a solicitação de participação no teste inclui um compromisso com um resultado específico, tal como um rendimento absoluto, uma receita, um aumento percentual de receita ou receita com base na produção e/ou na qualidade da cultura. Por exemplo, a solicitação de participação em um teste pode incluir uma garantia de que o rendimento total de um campo aumentará em 20 alqueires / acre se um pesticida específico for usado no campo. Se o gerenciador de campo concordar em participar do teste, ele deverá usar o pesticida em um ou mais locais de teste e não usar o pesticida em um ou mais locais de controle. Se o local de teste superar o local de controle em pelo menos 20 alqueires / acre, o sistema de computação de inteligência agrícola determinará que o resultado garantido ocorreu. Se o local de teste não superar o local de controle em pelo menos 20 bush alqueires / acre, o sistema de computação de inteligência agrícola poderá determinar que o resultado garantido não ocorreu.
[0213] Em uma modalidade, a solicitação de participação no teste pode oferecer um produto ou semente com desconto ou gratuitamente em troca da participação no teste e uma parte do lucro se o resultado garantido ocorrer. Por exemplo, uma oferta de participação no teste pode incluir sementes gratuitas de um híbrido específico para um agricultor, mas uma promessa de que, se o aumento da produção nos locais de teste exceder 20 alqueires / acre, o gerenciador de campo deverá pagar dez por cento do aumento da receita e/ou retorno do investimento da venda da safra. A parte do lucro pode ser uma parte do lucro real ou do lucro modelado com base nos preços médios da safra colhida.
[0214] Embora modalidades tenham sido descritas geralmente em relação ao plantio de sementes ou aplicação de um produto, uma solicitação de participação no teste semelhante pode ser baseada em diferentes práticas de gerenciamento. Por exemplo, o sistema de computação de inteligência agrícola pode receber dados de um dispositivo de computação de gerenciador de campo indicando práticas de gerenciamento histórico e rendimento histórico. O sistema de computação de inteligência agrícola pode calcular um benefício da alteração de uma ou mais práticas de gerenciamento. O sistema de computação de inteligência agrícola pode enviar uma solicitação de participação no teste que indica que o sistema de computação de inteligência agrícola identificou uma ou mais práticas de gerenciamento que, se alteradas, garantiriam um benefício específico. Se o dispositivo de computação de gerenciador de campo concordar em participar do teste, o sistema de computação da inteligência agrícola poderá enviar uma ou mais práticas de gerenciamento alteradas para o dispositivo de computação de gerenciador de campo. Se os locais de teste que implementam as práticas de gerenciamento alteradas se beneficiarem com o valor garantido, o sistema de computação de inteligência agrícola poderá solicitar uma parte da receita e/ou retorno do investimento. Por exemplo, o sistema de computação de inteligência agrícola pode calcular um benefício da mudança da aplicação de fertilizante nitrogenado no outono para a aplicação de fertilizante nitrogenado na primavera. Se os locais de teste que implementam a aplicação de fertilizante com nitrogênio da primavera se beneficiarem da quantidade garantida, o sistema de computação de inteligência agrícola poderá solicitar uma parte do aumento da receita e/ou retorno do investimento.
[0215] Embora modalidades tenham sido descritas geralmente em relação ao plantio de sementes ou aplicação de um produto ou práticas de manejo diferentes, uma solicitação de participação no teste semelhante pode ser baseada em diferentes equipamentos agrícolas. Por exemplo, o sistema de computação de inteligência agrícola pode receber dados de um dispositivo de computação de gerenciador de campo indicando práticas históricas de gerenciamento, equipamento histórico de cultivo e rendimento histórico. O sistema de computação de inteligência agrícola pode calcular um benefício da alteração de uma ou mais peças de equipamentos agrícolas. O sistema de computação de inteligência agrícola pode enviar uma solicitação de participação experimental que indica que o sistema de computação de inteligência agrícola identificou uma ou mais peças de equipamento agrícola que, se alteradas, garantiriam um benefício específico. Se o dispositivo de computação de gerenciador de campo concordar em participar do teste e o revendedor de equipamentos agrícolas concordar em participar do teste, o sistema de computação da inteligência agrícola poderá enviar uma ou mais práticas de gerenciamento alteradas ao dispositivo de computação do gerenciador de campo e ao revendedor de equipamentos agrícolas. Se os locais de teste que implementam o equipamento agrícola alterado se beneficiarem pelo valor garantido, o sistema de computação de inteligência agrícola poderá solicitar uma parte da receita e/ou retorno do investimento ao gerente da fazenda ou ao revendedor do equipamento agrícola. Por exemplo, o sistema de computação de inteligência agrícola pode calcular um benefício da mudança para um novo equipamento de plantio. Se os locais de teste que implementam o novo equipamento de plantio se beneficiarem da quantia garantida, o sistema de computação de inteligência agrícola poderá solicitar uma parte do aumento da receita, retorno do investimento ou preço de venda do equipamento.
[0216] Adicional ou alternativamente, o sistema de computação de inteligência agrícola pode oferecer um desconto se o aumento garantido no rendimento não ocorrer. Por exemplo, o sistema de computação de inteligência agrícola pode cobrar por um determinado produto ou por fornecer conselhos sobre práticas de gerenciamento. O sistema de computação de inteligência agrícola pode garantir um aumento específico no rendimento com base no uso do dispositivo de prática de gerenciamento fornecido ou produto específico. O sistema de computa-ção de inteligência agrícola pode oferecer adicionalmente um desconto se o aumento particular garantido no rendimento não ocorrer. Assim, um gerenciador de campo pode ter certeza de que o gerenciador de campo receberá um benefício substancial por participar do teste ou que pelo menos uma parte dos custos de participação no teste será recuperável.
[0217] Em uma modalidade, o sistema de computação de inteligência agrícola determina a associação do valor do resultado com base nos dados capturados para o campo. Por exemplo, o sistema de computação de inteligência agrícola pode receber dados de campo, incluindo descrições de campo, dados do solo, dados de plantio, dados de fertilidade, dados de colheita e rendimento, dados de proteção de culturas, dados de pragas e doenças, dados de irrigação, dados de seccionamento, imagens, dados meteorológicos, e dados de gerencia-mento adicionais. Com base nos dados de campo, o sistema de computação de inteligência agrícola pode calcular benefícios no campo do uso de um ou mais produtos, práticas de gerenciamento, equipamentos agrícolas ou sementes. O sistema de computação de inteligência agrícola pode gerar uma solicitação de participação no teste com base nos benefícios calculados para o campo. Por exemplo, o sistema de computação de inteligência agrícola pode ser programado ou configurado para oferecer um ou mais produtos, práticas de geren-ciamento, equipamento agrícola ou sementes em uma porcentagem específica do aumento computado nos lucros para o campo.
[0218] Como exemplo, um sistema de computação de inteligência agrícola pode determinar que a aplicação de uma prática de gerenci-amento específica aumentaria o rendimento de um campo em 20 alqueires / acre. O sistema de computação de inteligência agrícola também pode determinar que o preço da cultura seja de aproximada-mente US $ 4 por alqueire. Assim, o aumento esperado no lucro para a implementação da prática de gerenciamento seria de US $ 80 / acre. Se o sistema de computação de inteligência agrícola estiver programado ou configurado para solicitar 10% dos lucros esperados, o sistema de computação de inteligência agrícola poderá enviar uma solicitação de participação experimental que garanta um aumento no rendimento de 15 alqueires / acre a um custo de US $ 8 por acre aplicado.
[0219] Em uma modalidade, o sistema de computação de inteligência agrícola determina a associação do valor do resultado com base em uma tolerância ao risco associada ao dispositivo de computação de gerenciador de campo. A tolerância ao risco pode ser determinada usando qualquer um dos métodos aqui descritos. Se a tolerância ao risco associada ao dispositivo de computação do gerenciador de campo for maior que um valor específico, o sistema de computação da inteligência agrícola poderá oferecer um preço inicial relativamente alto com um desconto relativamente alto por falha no atendimento da condição. Se a tolerância ao risco associada ao dispositivo de computação do gerenciador de campo for menor que um valor específico, o sistema de computação da inteligência agrícola poderá oferecer um preço inicial relativamente baixo com um desconto relativamente baixo por falha em atender à condição.
[0220] Em uma modalidade, o sistema de computação de inteligência agrícola define uma pluralidade de valores de resultados a serem associados à solicitação de participação no teste. Por exemplo, a solicitação de participação no teste pode incluir um sistema de descontos em camadas em que um primeiro desconto é pago se o teste beneficiou o rendimento, mas não na extensão garantida pela solicita-ção de participação no teste e um segundo desconto é pago se o teste não beneficiar o rendimento. Outros níveis de níveis podem ser definidos com base no nível de benefício do teste. Por exemplo, um sistema hierárquico pode definir valores de descontos diferentes para cada 5 alqueires / acre abaixo do rendimento garantido.
[0221] A associação do valor do resultado pode ser baseada em locais de teste individuais ou em uma combinação de locais de teste. Por exemplo, a solicitação de participação no teste pode incluir uma oferta com base no desempenho médio de todos os locais de teste que participam do teste. Assim, um dos locais de teste que produz um rendimento menor que o rendimento garantido pode não indicar uma falha no teste, desde que o rendimento médio dos locais de teste esteja acima do rendimento garantido. Como outro exemplo, a solicitação de participação no teste pode incluir uma oferta com base no desempenho médio de todos os locais de teste de várias operações que participam do teste em uma região geográfica, como um condado.
[0222] Em uma modalidade, a região de desempenho médio da oferta de solicitação de participação no teste usada para determinar os benefícios do teste pode ser determinada com base em uma tolerância a riscos associada ao dispositivo de computação de gerenciador de campo. Se a tolerância ao risco associada ao dispositivo de computação do gerenciador de campo for maior que um valor específico, o sistema de computação de inteligência agrícola poderá oferecer uma região relativamente pequena de desempenho médio, potencialmente subcampo, incluindo o nível do local de teste individual. Se a tolerância ao risco associada ao dispositivo de computação de gerenciador de campo for menor que um valor específico, o sistema de computação de inteligência agrícola poderá oferecer uma região relativamente grande de dessem- penho médio, incluindo potencialmente locais de teste em campos que abrangem vários gerenciadores de campo e até operações agrícolas em uma região geográfica como uma cidade.
[0223] Em uma modalidade, a associação do valor resultante inclui uma margem garantida para o gerenciador de campo. Por exemplo, o sistema de computação de inteligência agrícola pode modelar um rendimento provável e/ou uma receita provável do uso de uma ou mais sementes, um ou mais produtos e/ou uma ou mais práticas de gerenciamento. O sistema de computação de inteligência agrícola pode garantir uma receita para o gerenciador de campo com base no rendimento modelado e/ou receita provável. Se o dispositivo de computação de gerenciador de campo concordar com o teste, o gerenciador de campo poderá receber uma ou mais sementes, um ou mais produtos e/ou uma ou mais práticas de gerenciamento. Após a conclusão do teste, o sistema de computação de inteligência agrícola pode calcular um valor de resultado que compreende uma diferença entre uma receita prevista e/ou real e a receita garantida. O valor do resultado calculado pode representar uma quantia devida pelo gerenciador de campo. Se o valor do resultado calculado for negativo, o valor do resultado calculado indicará uma quantia devida ao gerenciador de campo. Assim, a solicitação de participação no teste é capaz de garantir um lucro específico para o gerenciador de campo, enquanto continua sendo benéfica para o solicitante do teste.
[0224] Em uma modalidade, o valor do resultado associado pode ser baseado em uma parte do campo atribuído ao teste. Por exemplo, o sistema de computação de inteligência agrícola pode gerar diferentes níveis de descontos com base na porcentagem ou área do campo que o gerenciador de campo concorda em usar para o teste. Um primeiro valor de desconto pode ser definido para uma primeira porcentagem ou quantidade do campo atribuído à teste e um segundo valor de desconto mais alto pode ser definido para uma segunda porcentagem ou quantidade mais alta do campo atribuído à teste. Assim, o gerenciador de campo é incentivado a aumentar a quantidade de campo dedicada à teste, a fim de poder reivindicar os maiores benefícios e/ou descontos. 9. BENEFÍCIOS DE CERTAS MODALIDADES
[0225] Usando as técnicas descritas neste documento, um computador pode rastrear práticas em uma pluralidade de campos, identificar campos que se beneficiariam da realização de um teste, identificar locais para a realização de um teste e incentivar a participação nos testes. As técnicas descritas neste documento podem adicionalmente ser usadas para automatizar máquinas em um campo específico. Por exemplo, ao determinar um local de teste em um campo e receber do dispositivo de computação de gerenciador de campo um acordo para participar do teste, o sistema de computação de inteligência agrícola pode gerar um ou mais scripts para implementos de campo que fazem com que os implementos de campo plantem sementes, aplique produtos ou executar práticas de gerenciamento específicas de acordo com o estudo. Além disso, monitorando implementos de campo em tempo real, um sistema de computação de inteligência agrícola pode ser capaz de identificar aplicativos incorretos antes que ocorram e/ou identificar alternativas em resposta a um aplicativo incorreto. Assim, os métodos aqui descritos podem melhorar a capacidade do sistema de computação de inteligência agrícola de interagir com o dispositivo de computação de gerenciador de campo em uma rede e fornecer soluções em tempo real.
[0226] No Relatório Descritivo anterior, as modalidades foram descritas com referência a vários detalhes específicos que podem variar de implementação para implementação. O Relatório Descritivo e os desenhos devem, portanto, ser considerados em um sentido ilustrativo e não restritivo. O único e exclusivo indicador do escopo da divulgação, e o que os requerentes pretendem que seja o escopo da divulgação, é o escopo literal e equivalente do conjunto de Reivindicações que emite este pedido, na forma específica em que emissão de tais Reivindi-cações, incluindo qualquer correção subsequente.
Claims (22)
1. Método caracterizado pelo fato de que compreende: receber (702), em um sistema de computação de inteligência agrícola (130), dados de campo (106) para uma pluralidade de campos agrícolas; com base, pelo menos em parte, nos dados de campo (106) para a pluralidade de campos agrícolas, identificar (704) um ou mais campos agrícolas alvo; enviar (706), a um dispositivo de computação de gerenciador de campo (104) associado com o um ou mais campos agrícolas alvo, uma solicitação de participação de teste; receber (708), do dispositivo de computação de gerenciador de campo (104), dados indicando aceitação da solicitação de participação no teste; determinar (710) um ou mais locais no um ou mais campos agrícolas alvo para implementar um teste; enviar (712) dados identificando o um ou mais locais e uma ou mais instruções de implementação; receber (714) dados de aplicação para o um ou mais campos agrícolas alvo enquanto um implemento agrícola está realizando uma atividade agrícola no um ou mais campos agrícolas alvo, em que um subconjunto dos dados de aplicação compreende dados correspon-dentes à atividade agrícola recebida de um ou mais sensores de campo ou um ou mais sensores integrados com o implemento agrícola; com base nos dados de aplicação, determinar (716) se o um ou mais campos agrícolas alvo estão em conformidade com o teste; determinar que o um ou mais campos agrícolas alvo não estão em conformidade com o teste enquanto o implemento agrícola está realizando a atividade agrícola no um ou mais campos agrícolas alvo e, em resposta a isso, identificar um ou mais locais adicionais no um ou mais campos agrícolas alvo para implementar o teste e causar a exibição, através de uma interface de usuário gráfica em execução no dispositivo de computação de gerenciador de campo (104), um aviso indicando que o um ou mais campos agrícolas alvo não estão em conformidade com o teste e identificando o um ou mais locais adicionais que permitiria que o um ou mais campos agrícolas alvo estivessem em conformidade com o teste; receber (718) dados de resultados para o teste; com base nos dados de resultado, calcular (720) um valor de benefício para o teste.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: calcular, para cada um da pluralidade de campos agrícolas, um valor de tolerância ao risco; determinar, para o um ou mais campos agrícolas alvo, que o valor da tolerância ao risco é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: calcular, para cada um da pluralidade de campos agrícolas, um valor de benefício indicando um benefício da realização do teste nos campos agrícolas; determinar que o valor do benefício para o um ou mais campos agrícolas alvo é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: usar um ou mais modelos agronômicos, calculando, para cada um da pluralidade de campos agrícolas, um valor de probabilidade de detecção de um benefício da realização do teste nos campos agrícolas; determinar que o valor da probabilidade de detecção de um benefício para o um ou mais campos agrícolas alvo é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber entrada identificando uma porcentagem do campo agrícola para a implementação do teste; com base, pelo menos em parte, na variabilidade observada no campo agrícola e nas limitações dos equipamentos de campo de gerenciador de campo (104), identificar um tamanho para os locais de teste; calcular um número de locais para implementar o teste em função da porcentagem do campo agrícola, do tamanho dos locais de teste; e de um tamanho do campo agrícola; determinar o um ou mais locais para incluir o número calculado de locais.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber, do dispositivo de computação de gerenciador de campo (104), entrada identificando uma primeira porcentagem do campo agrícola para a implementação do teste; com base, pelo menos em parte, na variabilidade observada no campo agrícola, no tamanho do campo agrícola, em restrições do equipamento agrícola de gerenciador de campo (104), no valor esperado do benefício e na primeira porcentagem do campo agrícola para a implementação do teste, calcular uma probabilidade de detecção de um benefício da realização do teste na área permitida; determinar, se o valor da probabilidade está abaixo de um valor limite, uma segunda porcentagem do campo agrícola necessária para atingir o valor limite e solicitar essa alteração através do dispositivo de computação de gerenciador de campo (104), em que a segunda porcentagem é maior do que a primeira porcentagem.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: determinar, com base nos dados da aplicação, que um ou mais parâmetros de um aplicativo no campo agrícola diferem de um ou mais parâmetros do teste; atualizar uma ou mais previsões de um resultado do teste no campo agrícola com base, pelo menos em parte, no um ou mais parâmetros do aplicativo.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que calcular o valor do benefício para o teste compreende um ou mais dentre calcular uma diferença entre um rendimento médio no um ou mais locais e um rendimento médio para o restante do campo agrícola, calcular uma diferença entre um rendimento médio no um ou mais locais e um rendimento médio no um ou mais locais de controle, calcular uma diferença entre um lucro médio no um ou mais locais e um lucro médio para o restante do campo agrícola ou calcular uma diferença entre um lucro médio no um ou mais locais e um lucro médio no um ou mais locais de controle.
9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: com base no valor do benefício, calcular um ou mais valores de resultado; armazenar dados associando o um ou mais valores de resultado com o teste.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que calcular o um ou mais valores de resultado ainda inclui: calcular uma diferença entre um valor estimado de benefício e o valor calculado de benefício; determinar que o valor do benefício calculado é menor do que o valor estimado do benefício; e enviar dados identificando o um ou mais valores de resultado.
11. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que calcular o um ou mais valores de resultado ainda compreende calcular um ou mais dentre um aumento percentual nos lucros, um aumento percentual no rendimento, um aumento absoluto no lucro ou um aumento absoluto no rendimento para o um ou mais locais.
12. Sistema caracterizado pelo fato de que compreende: um ou mais processadores (404); uma memória que armazena instruções que, quando executadas pelo um ou mais processadores (404), causam a realização de: receber, em um sistema de computação de inteligência agrícola (130), dados de campo (106) para uma pluralidade de campos agrícolas; com base, pelo menos em parte, nos dados de campo (106) para a pluralidade de campos agrícolas, identificar um ou mais campos agrícolas alvo; enviar, para um dispositivo de computação de gerenciador de campo (104) associado com o um ou mais campos agrícolas alvo, uma solicitação de participação no teste; receber, do dispositivo de computação de gerenciador de campo (104), dados indicando a aceitação da solicitação de participação no teste; determinar um ou mais locais no um ou mais campos agrícolas alvo para implementar um teste, em que um subconjunto dos dados de aplicação compreende dados recebidos de um ou mais sensores de campo ou um ou mais sensores integrados com um implemento agrícola que executou a uma ou mais instruções de implementação no um ou mais locais; enviar dados identificando o um ou mais locais e uma ou mais instruções de implementação; receber dados de aplicação para o um ou mais campos agrícolas alvo enquanto um implemento agrícola está realizando uma atividade agrícola no um ou mais campos agrícolas alvo; com base nos dados de aplicação, determinar se o um ou mais campos agrícolas alvo estão em conformidade com o teste; determinar que o um ou mais campos agrícolas alvo não estão em conformidade com o teste enquanto o implemento agrícola está realizando a atividade agrícola no um ou mais campos agrícolas alvo e, em resposta a isso, identificar um ou mais locais adicionais no um ou mais campos agrícolas alvo para implementar o teste e causar a exibição, através de uma interface de usuário gráfica em execução no dispositivo de computação de gerenciador de campo (104), um aviso indicando que o um ou mais campos agrícolas alvo não estão em conformidade com o teste e identificar o um ou mais locais adicionais que permitiria que o um ou mais campos agrícolas alvo estivessem em conformidade com o teste; receber dados de resultado para o teste; com base nos dados do resultado, calcular um valor de benefício para o teste.
13. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: calcular, para cada um da pluralidade de campos agrícolas, um valor de tolerância ao risco; determinar, para o um ou mais campos agrícolas alvo, que o valor da tolerância ao risco é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
14. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: usando um ou mais modelos agronômicos, calcular, para cada um da pluralidade de campos agrícolas, um valor de benefício indicando um benefício da realização do teste nos campos agrícolas; determinar que o valor do benefício para o um ou mais campos agrícolas alvo é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
15. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: calcular, para cada um da pluralidade de campos agrícolas, um valor de probabilidade de detecção de um benefício da realização do teste nos campos agrícolas; determinar que um valor de probabilidade de detecção de um benefício para o um ou mais campos agrícolas alvo é maior do que um valor limite e, em resposta, realizar a identificação do um ou mais campos agrícolas alvo.
16. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: receber entrada identificando uma porcentagem do campo agrícola para a implementação do teste; com base, pelo menos em parte, na variabilidade no campo agrícola, identificar um tamanho para testar os locais; calcular um número de locais para a implementação do teste em função da porcentagem do campo agrícola, do tamanho dos locais de teste; e de um tamanho do campo agrícola; determinar o um ou mais locais para incluir o número calculado de locais.
17. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: receber, do dispositivo de computação de gerenciador de campo (104), entrada identificando uma primeira porcentagem do campo agrícola para a implementação do teste; com base, pelo menos em parte, na variabilidade observada no campo agrícola, no tamanho do campo agrícola, nas restrições do equipamento agrícola do gerenciador de campo (104), no valor esperado do benefício e na primeira porcentagem do campo agrícola para a implementação do teste, calcular uma probabilidade de detecção de um benefício da realização do teste na área permitida; determinar, se o valor da probabilidade está abaixo de um valor limite, uma segunda porcentagem do campo agrícola necessária para atingir o valor limite e solicitar essa alteração através do dispositivo de computação do gerenciador de campo (104), em que a segunda porcentagem é maior do que a primeira porcentagem.
18. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: determinar, com base nos dados de aplicação, que um ou mais parâmetros de um aplicativo no campo agrícola diferem de um ou mais parâmetros do teste; atualizar uma ou mais previsões de um resultado do teste no campo agrícola com base, pelo menos em parte, no um ou mais parâmetros do aplicativo.
19. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que calcular o valor do benefício para o teste compreende um ou mais dentre calcular uma diferença entre um rendimento médio no um ou mais locais e um rendimento médio para o restante do campo agrícola, calcular uma diferença entre um rendimento médio no um ou mais locais e um rendimento médio no um ou mais locais de controle, calcular uma diferença entre um lucro médio no um ou mais locais e um lucro médio para o restante do campo agrícola ou calcular uma diferença entre um lucro médio no um ou mais locais e um lucro médio no um ou mais locais de controle.
20. Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: com base no valor do benefício, calcular um ou mais valores de resultado; armazenar dados associando o um ou mais valores de resultado com o teste.
21. Sistema, de acordo com a reivindicação 20, caracterizado pelo fato de que calcular o um ou mais valores de resultado compreende calcular uma diferença entre um valor estimado de benefício e o valor calculado de benefício e em que as instruções, quando executadas pelo um ou mais processadores (404), ainda causam a realização de: determinar que o valor do benefício calculado é menor do que o valor estimado do benefício; enviar dados identificando o um ou mais valores de resultado.
22. Sistema, de acordo com a reivindicação 20, caracterizado pelo fato de que calcular o um ou mais valores de resultado compreende calcular um ou mais de um aumento percentual nos lucros, um aumento percentual no rendimento, um aumento absoluto no lucro ou um aumento absoluto no rendimento para o um ou mais locais com base, pelo menos em parte, no valor do benefício.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762548396P | 2017-08-21 | 2017-08-21 | |
| US62/548,396 | 2017-08-21 | ||
| PCT/US2018/047397 WO2019040538A1 (en) | 2017-08-21 | 2018-08-21 | DIGITAL MODELING AND TRACKING OF AGRICULTURAL FIELDS FOR THE IMPLEMENTATION OF AGRICULTURAL FIELD TRIALS |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112020003688A2 BR112020003688A2 (pt) | 2020-09-01 |
| BR112020003688B1 true BR112020003688B1 (pt) | 2023-02-07 |
Family
ID=65361536
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020003688-9A BR112020003688B1 (pt) | 2017-08-21 | 2018-08-21 | Método e sistema para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola |
| BR122021024397-2A BR122021024397B1 (pt) | 2017-08-21 | 2018-08-21 | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola |
| BR122021024395-6A BR122021024395B1 (pt) | 2017-08-21 | 2018-08-21 | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR122021024397-2A BR122021024397B1 (pt) | 2017-08-21 | 2018-08-21 | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola |
| BR122021024395-6A BR122021024395B1 (pt) | 2017-08-21 | 2018-08-21 | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola |
Country Status (9)
| Country | Link |
|---|---|
| US (3) | US11145007B2 (pt) |
| EP (1) | EP3673448A4 (pt) |
| CN (1) | CN111246729B (pt) |
| AR (1) | AR112742A1 (pt) |
| AU (1) | AU2018322047A1 (pt) |
| BR (3) | BR112020003688B1 (pt) |
| CA (1) | CA3073348C (pt) |
| WO (1) | WO2019040538A1 (pt) |
| ZA (1) | ZA202001786B (pt) |
Families Citing this family (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10785905B2 (en) * | 2014-05-08 | 2020-09-29 | Precision Planting Llc | Liquid application apparatus comprising a seed firmer |
| ES2965819T3 (es) * | 2015-06-08 | 2024-04-17 | Climate Llc | Análisis de datos agrícolas |
| AU2018322047A1 (en) | 2017-08-21 | 2020-04-02 | Climate Llc | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| US20200245525A1 (en) * | 2017-08-22 | 2020-08-06 | Basf Agro Trademarks Gmbh | Yield estimation in the cultivation of crop plants |
| US10755367B2 (en) * | 2018-05-10 | 2020-08-25 | The Climate Corporation | Analysis and presentation of agricultural data |
| US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
| BR112020022615A2 (pt) * | 2018-06-01 | 2021-02-02 | Monsanto Technology Llc | avaliação rápida de resistência do caule |
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| US11406056B2 (en) * | 2018-12-05 | 2022-08-09 | H2Gr0, Llc | Social farming network and control system for agricultural chemical management |
| CA3130503A1 (en) | 2019-02-21 | 2020-08-27 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| WO2020184241A1 (ja) * | 2019-03-08 | 2020-09-17 | Ａｓｓｅｓｔ株式会社 | 農作物の収穫量予測プログラム、栽培環境判別プログラム |
| AR121163A1 (es) * | 2019-05-20 | 2022-04-27 | Basf Agro Trademarks Gmbh | Método para el tratamiento de plantación en función del reconocimiento de imagen |
| US11266058B2 (en) | 2019-08-26 | 2022-03-08 | Deere & Company | Automated check strips |
| JP7070872B2 (ja) * | 2019-08-29 | 2022-05-18 | 株式会社天地人 | 土地適性評価装置、土地適性評価方法、及びプログラム |
| US11624829B2 (en) * | 2019-09-12 | 2023-04-11 | Cnh Industrial America Llc | System and method for determining soil clod size distribution using spectral analysis |
| CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
| CN112313595B (zh) * | 2019-10-31 | 2024-06-18 | 深圳市大疆创新科技有限公司 | 可移动平台的作业规划方法、系统和控制终端 |
| WO2021089825A1 (en) * | 2019-11-08 | 2021-05-14 | Basf Agro Trade Marks | Method for automated buffer zone management |
| US11704581B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Determining crop-yield drivers with multi-dimensional response surfaces |
| US11610272B1 (en) | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| US11704576B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Identifying ground types from interpolated covariates |
| US11715024B1 (en) | 2020-02-20 | 2023-08-01 | Arva Intelligence Corp. | Estimating soil chemistry at different crop field locations |
| US20230169640A1 (en) * | 2020-02-06 | 2023-06-01 | Nileworks Inc. | Growth assessment system, growth assessment server and growth assessment method |
| US11823296B2 (en) | 2020-02-14 | 2023-11-21 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel productivity attributes for land parcel valuation |
| US11720724B2 (en) | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation tailored for use |
| US11727170B2 (en) * | 2020-02-14 | 2023-08-15 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation based on supplemented parcel productivity attributes |
| US11798043B2 (en) | 2020-02-14 | 2023-10-24 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of agro-economic metrics for land parcel valuation |
| US11720723B2 (en) | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel sustainability attributes for land parcel valuation |
| US11682090B2 (en) * | 2020-02-14 | 2023-06-20 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel production stability attributes for land parcel valuation |
| WO2021222715A1 (en) * | 2020-05-01 | 2021-11-04 | Kinze Manufacturing, Inc. | Shared planter data |
| US20220207621A1 (en) * | 2020-12-29 | 2022-06-30 | International Business Machines Corporation | Interaction neural network for providing feedback between separate neural networks |
| CN112762585A (zh) * | 2021-01-08 | 2021-05-07 | 青岛海信日立空调系统有限公司 | 一种空调系统和控制方法 |
| CN113641336B (zh) * | 2021-06-30 | 2022-07-01 | 广东省国土资源测绘院 | 一种自然资源外业调查平台及其构建方法、电子设备、存储介质、程序产品 |
| CA3231233A1 (en) * | 2021-09-08 | 2023-03-16 | Hubert Schmeer | Computer-implemented method for evaluating application threshold values for an application of a product on an agricultural field |
| CN113948220B (zh) * | 2021-10-29 | 2022-12-09 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
| BE1030162B1 (fr) * | 2022-01-05 | 2023-07-31 | Medinbio Sprl | Procédé de génération d'un plan de traitement adapté pour le développement d'une surface cultivée sans pesticides d'origine chimique, modèle d'apprentissage et système associés |
| US20230320249A1 (en) * | 2022-04-08 | 2023-10-12 | Deere & Company | Systems and methods for predictive tractive characteristics and control |
| WO2023230189A1 (en) * | 2022-05-26 | 2023-11-30 | Climate Llc | Systems and methods for use in identifying trials in fields |
| US20230385959A1 (en) * | 2022-05-26 | 2023-11-30 | Climate Llc | Systems and methods for use in assessing trials in fields |
| US20230403988A1 (en) * | 2022-06-15 | 2023-12-21 | Blue River Technology Inc. | Dynamic generation of experimental treatment plans |
| CN115486247B (zh) * | 2022-08-30 | 2023-08-22 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| CN115796558B (zh) * | 2023-02-03 | 2023-05-05 | 光泽县宏翔智能科技有限公司 | 基于深度神经网络的烟草种植面积智能管理系统 |
| CN116484287B (zh) * | 2023-06-21 | 2023-09-01 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Family Cites Families (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5961573A (en) * | 1996-11-22 | 1999-10-05 | Case Corporation | Height control of an agricultural tool in a site-specific farming system |
| US6058351A (en) * | 1998-09-10 | 2000-05-02 | Case Corporation | Management zones for precision farming |
| US8019636B2 (en) * | 2004-09-28 | 2011-09-13 | International Business Machines Corporation | Method, system and program product for planning and managing a call center study |
| US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
| CA2770216C (en) * | 2012-03-02 | 2016-10-18 | Phantom Ag Ltd. | Method and system for identifying management zones for variable-rate crop inputs |
| US9113590B2 (en) * | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
| US20140067745A1 (en) * | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
| US20140089045A1 (en) * | 2012-09-27 | 2014-03-27 | Superior Edge, Inc. | Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users |
| EP3080773A4 (en) * | 2013-12-09 | 2017-09-06 | Trinetx Inc. | Identification of candidates for clinical trials |
| BR112016014285A2 (pt) * | 2013-12-19 | 2017-08-08 | Phytech Ltd | Método e sistema de gestão de tratamento da safra |
| WO2015100023A1 (en) * | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
| US10104836B2 (en) * | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
| WO2016032956A1 (en) * | 2014-08-27 | 2016-03-03 | Premier Crop Systems, LLC | System and method for controlling machinery for randomizing and replicating predetermined agronomic input levels |
| US11069005B2 (en) * | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| US20160085943A1 (en) * | 2014-09-22 | 2016-03-24 | Medidata Solutions, Inc. | System and Method for Monitoring Clinical Trial Progress |
| 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 |
| US20160232621A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US9813512B2 (en) * | 2015-04-20 | 2017-11-07 | Agverdict, Inc. | Systems and methods for efficiently generating a geospatial data map for use in agricultural operations |
| ES2965819T3 (es) * | 2015-06-08 | 2024-04-17 | Climate Llc | Análisis de datos agrícolas |
| CN205249868U (zh) * | 2015-12-03 | 2016-05-25 | 韩山师范学院 | 物联网智能农场种植系统 |
| US10251347B2 (en) * | 2016-01-07 | 2019-04-09 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| EP3423998A1 (en) * | 2016-03-04 | 2019-01-09 | Basf Se | Devices and methods for planning and monitoring agricultural crop growing |
| CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
| US11257172B2 (en) * | 2017-04-26 | 2022-02-22 | International Business Machines Corporation | Cognitive based decision support system for agriculture |
| US10262206B2 (en) * | 2017-05-16 | 2019-04-16 | Cnh Industrial America Llc | Vision-based system for acquiring crop residue data and related calibration methods |
| 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 |
| AU2018322047A1 (en) | 2017-08-21 | 2020-04-02 | Climate Llc | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
| US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| EP3923231A1 (en) * | 2020-06-11 | 2021-12-15 | KWS SAAT SE & Co. KGaA | Method and system for managing agricultural processes |
-
2018
- 2018-08-21 AU AU2018322047A patent/AU2018322047A1/en not_active Abandoned
- 2018-08-21 US US16/108,002 patent/US11145007B2/en active Active
- 2018-08-21 BR BR112020003688-9A patent/BR112020003688B1/pt active IP Right Grant
- 2018-08-21 BR BR122021024397-2A patent/BR122021024397B1/pt active IP Right Grant
- 2018-08-21 WO PCT/US2018/047397 patent/WO2019040538A1/en active Application Filing
- 2018-08-21 EP EP18847900.0A patent/EP3673448A4/en active Pending
- 2018-08-21 CN CN201880068566.4A patent/CN111246729B/zh active Active
- 2018-08-21 CA CA3073348A patent/CA3073348C/en active Active
- 2018-08-21 BR BR122021024395-6A patent/BR122021024395B1/pt active IP Right Grant
- 2018-08-21 AR ARP180102375A patent/AR112742A1/es active IP Right Grant
-
2020
- 2020-03-20 ZA ZA2020/01786A patent/ZA202001786B/en unknown
-
2021
- 2021-08-26 US US17/458,099 patent/US11587186B2/en active Active
-
2023
- 2023-02-20 US US18/111,795 patent/US12002115B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US12002115B2 (en) | 2024-06-04 |
| US20210390633A1 (en) | 2021-12-16 |
| BR122021024395A2 (pt) | 2020-09-01 |
| US11145007B2 (en) | 2021-10-12 |
| US20230206352A1 (en) | 2023-06-29 |
| BR122021024397A8 (pt) | 2022-10-25 |
| BR112020003688A2 (pt) | 2020-09-01 |
| US20190057461A1 (en) | 2019-02-21 |
| CN111246729A (zh) | 2020-06-05 |
| ZA202001786B (en) | 2021-05-26 |
| AR112742A1 (es) | 2019-12-04 |
| CA3073348A1 (en) | 2019-02-28 |
| EP3673448A1 (en) | 2020-07-01 |
| US11587186B2 (en) | 2023-02-21 |
| CN111246729B (zh) | 2022-12-23 |
| EP3673448A4 (en) | 2021-08-11 |
| BR122021024397B1 (pt) | 2023-01-31 |
| BR122021024395A8 (pt) | 2022-11-29 |
| BR122021024397A2 (pt) | 2020-09-01 |
| CA3073348C (en) | 2022-11-22 |
| WO2019040538A1 (en) | 2019-02-28 |
| BR122021024395B1 (pt) | 2023-01-31 |
| AU2018322047A1 (en) | 2020-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12002115B2 (en) | Digital modeling and tracking of agricultural fields for implementing agricultural field trials | |
| US11631040B2 (en) | Digital modeling and tracking of agricultural fields for implementing agricultural field trials | |
| US20200320647A1 (en) | Generating digital models of relative yield of a crop based on nitrate values in the soil | |
| US20190138962A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| BR112021007121A2 (pt) | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador | |
| BR112020010226B1 (pt) | Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| BR112020025328A2 (pt) | Direcionamento de oportunidade ideal de localização e portfólio | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112020009205B1 (pt) | Método implementado por computador para seleção de sementes híbridas e otimização de portfólio de sementes por campo | |
| BR112019002763B1 (pt) | Detecção automática de valores de discrepância em dados coletados | |
| BR112021004345A2 (pt) | seleção de sementes híbridas ajustada por risco e otimização de rendimento de cultura por campo | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| BR112021002525A2 (pt) | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control | |
| US11861737B1 (en) | Hybrid seed supply management based on prescription of hybrid seed placement | |
| AU2024204214A1 (en) | Digital modeling and tracking of agricultural fields for implementing agricultural field trials | |
| BR112020010224B1 (pt) | Sistema e método para determinar um risco de dano a uma cultura | |
| BR112020010224A2 (pt) | cálculo de risco de fator de dano à cultura para cultura em campo agronômico |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B15K | Others concerning applications: alteration of classification |
Free format text: AS CLASSIFICACOES ANTERIORES ERAM: A01G 1/00 , A01G 7/00 , G06Q 50/00 , G06Q 50/02 Ipc: A01B 76/00 (2006.01), A01B 79/00 (2006.01), A01B 6 |
|
| B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 21/08/2018, OBSERVADAS AS CONDICOES LEGAIS |
|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |