BR112020004630A2 - geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação - Google Patents

geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação Download PDF

Info

Publication number
BR112020004630A2
BR112020004630A2 BR112020004630-2A BR112020004630A BR112020004630A2 BR 112020004630 A2 BR112020004630 A2 BR 112020004630A2 BR 112020004630 A BR112020004630 A BR 112020004630A BR 112020004630 A2 BR112020004630 A2 BR 112020004630A2
Authority
BR
Brazil
Prior art keywords
yield
arrangement
cell
field
cells
Prior art date
Application number
BR112020004630-2A
Other languages
English (en)
Inventor
Guy Dion Duke
Kevin John Grant
Original Assignee
Farmers Edge Inc.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Farmers Edge Inc. filed Critical Farmers Edge Inc.
Publication of BR112020004630A2 publication Critical patent/BR112020004630A2/pt

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
    • A01D41/12—Details of combines
    • A01D41/127—Control or measuring arrangements specially adapted for combines
    • A01D41/1271—Control or measuring arrangements specially adapted for combines for measuring crop flow
    • A01D41/1272—Control or measuring arrangements specially adapted for combines for measuring crop flow for measuring grain flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G01N33/02—Food
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Agronomy & Crop Science (AREA)
  • Human Resources & Organizations (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Analytical Chemistry (AREA)
  • Economics (AREA)
  • Immunology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medicinal Chemistry (AREA)
  • Environmental Sciences (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Trata-se de um modelo de rendimento que gera um mapa de rendimento para um campo agrícola. Um sistema de medição gera indicadores medidos que são uma medição ou quantificação de rendimento de cultura no campo agrícola. Um sistema de observação gera indicadores observados que são conjuntos de dados agrícolas espaciais que descrevem características observadas do campo agrícola. Para gerar o mapa de rendimento, o modelo de rendimento gera um arranjo de campo que representa o campo agrícola. O modelo de rendimento gera um arranjo de entrada e um arranjo de rendimento mapeando-se os indicadores observados e indicadores medidos a células do arranjo de campo, respectivamente. O modelo de rendimento determina um valor de rendimento para cada célula do arranjo de rendimento que não inclui um indicador mapeado com uso de informações incluídas nas células correspondentes do arranjo de entrada. O modelo de rendimento gera um mapa de rendimento com uso dos valores de rendimento determinados e dos valores de rendimento no arranjo de rendimento.

Description

“GERAÇÃO DE UM MAPA DE RENDIMENTO PARA UM CAMPO AGRÍCOLA COM USO DE MÉTODOS DE REGRESSÃO E CLASSIFICAÇÃO” REFERÊNCIA CRUZADA AOS PEDIDOS RELACIONADOS
[0001] Este pedido reivindica o benefício de prioridade ao Pedido Provisório nº U.S. 62/556.975, depositado em 11 de setembro de 2017 que é incorporado ao presente documento a título de referência em sua totalidade para todos os propósitos.
CAMPO DA TÉCNICA DA INVENÇÃO
[0002] Esta invenção refere-se, em geral, à geração de um mapa de rendimento para um campo agrícola, e mais especificamente ao uso de um modelo de rendimento que inclui medições atuais e observações anteriores como indicadores para o modelo de rendimento.
ANTECEDENTES
[0003] Avanços na tecnologia de dados que incluem conectividade onipresente, armazenamento barato, e poder de computação em nuvem criaram dados, incluindo dados agrícolas, acessível para análise. No entanto, embora a tecnologia para medir, observar, e armazenar dados agrícolas continue a se aprimorar, nem sempre é possível medir um conjunto de dados completamente, ou com precisão perfeita. Em particular, dados agrícolas relacionados ao rendimento de cultura geralmente incluem pontos de dados errôneos.
[0004] Em um ambiente ideal, uma função contínua que permite a determinação de rendimento de cultura de dados agrícolas geraria valores de rendimento altamente precisos. No entanto, devido ao fato de que funções contínuas usam dados agrícolas que incluem pontos de dados errôneos, determinação de rendimento de cultura com base nesses dados agrícolas é imprecisa. Consequentemente, um método para gerar uns valores de rendimento altamente precisos com uso de dados agrícolas que podem incluir pontos de dados errôneos seria útil.
SUMÁRIO DA INVENÇÃO
[0005] Um ambiente de sistema inclui um número de sistemas para facilitar um modelo de rendimento que gera um mapa de rendimento para um campo agrícola. O ambiente de sistema inclui um sistema de cliente, um sistema de rede, um sistema de medição, e um sistema de observação. Um sistema de cliente é operado por um operador que é uma pessoa responsável pelo gerenciamento do campo agrícola. O sistema de cliente executa um modelo de rendimento que gera um mapa de rendimento no ambiente de sistema.
[0006] O sistema de medição gera indicadores medidos. Indicadores medidos são uma medição ou quantificação de rendimento de cultura no campo agrícola. O sistema de observação gera indicadores observados. Indicadores observados são qualquer tipo de conjuntos de dados agrícolas espaciais ou observações que descrevem características observadas do campo agrícola. O sistema de rede acessa indicadores observados do sistema de observação e indicadores medidos do sistema de medição e fornece aos mesmos o sistema de cliente. O modelo de rendimento utiliza os indicadores medidos e indicadores observados para gerar um mapa de rendimento para o campo agrícola.
[0007] Para gerar o mapa de rendimento, o modelo de rendimento gera um arranjo de campo que representa o campo agrícola. O arranjo de campo inclui um número de células com cada célula que representa uma área do campo agrícola. O modelo de rendimento gera um arranjo de entrada mapeando-se os indicadores observados às células do arranjo de campo. O modelo de rendimento gera um arranjo de rendimento mapeando-se os indicadores medidos às células do arranjo de campo. O modelo de rendimento determina um valor de rendimento para cada célula do arranjo de rendimento que não inclui um indicador mapeado com uso de informações incluídas nas células correspondentes do arranjo de entrada. O modelo de rendimento gera um mapa de rendimento com uso dos valores de rendimento determinados e dos valores de rendimento no arranjo de rendimento. O modelo de rendimento gera uma visualização do mapa de rendimento e transmite a visualização ao operador do sistema de cliente.
BREVE DESCRIÇÃO DOS DESENHOS
[0008] A Figura 1 é uma ilustração de um ambiente de sistema para gerar um mapa de rendimento de um campo agrícola com uso de um modelo de rendimento, de acordo com uma modalidade exemplificativa.
[0009] A Figura 2 é um fluxograma que ilustra um método exemplificador para gerar um mapa de rendimento, de acordo com uma modalidade exemplificativa.
[0010] A Figura 3 ilustra um fluxograma de um método modelo de rendimento executes para gerar um mapa de rendimento com uso de indicadores observados e indicadores medidos, de acordo com uma modalidade exemplificativa.
[0011] A Figura 4A é uma ilustração de um arranjo de campo, de acordo com uma modalidade exemplificativa.
[0012] A Figura 4B é uma ilustração de uma entrada que é uma imagem de satélite, de acordo com uma modalidade exemplificativa.
[0013] A Figura 4C é uma ilustração de uma entrada mapeada, de acordo com uma modalidade exemplificativa.
[0014] A Figura 5A a 5B são ilustrações de entradas mapeadas, de acordo com algumas modalidades exemplificativas.
[0015] A Figura 6A é uma ilustração de pontos de rendimento localizados em suas células correspondentes de um arranjo de campo, de acordo com uma modalidade exemplificativa.
[0016] A Figura 6B é uma ilustração de um arranjo de rendimento mapeado, de acordo com uma modalidade exemplificativa.
[0017] A Figura 7 é uma ilustração de um mapa de rendimento, de acordo com uma modalidade exemplificativa.
[0018] A Figura 8 é uma visualização exemplificadora gerada a partir de um mapa de rendimento de acordo com uma modalidade exemplificativa.
[0019] As Figuras retratam várias modalidades para fins de ilustração somente. Um elemento versado na técnica reconhecerá prontamente a partir da discussão a seguir que modalidades alternativas das estruturas e métodos ilustrados no presente documento podem ser empregados sem se afastar dos princípios descritos no presente documento.
DESCRIÇÃO DA INVENÇÃO I. INTRODUÇÃO
[0020] Esse método busca gerar um mapa de rendimento para um campo agrícola com uso de um modelo de rendimento que levanta indicadores obtidos a partir de sistemas de medição e observação medidos. Um mapa de rendimento é uma representação visual de valores de rendimento para um número de áreas do campo agrícola. No presente documento, um valor de rendimento é uma quantificação de rendimento para uma área do campo, tais como, por exemplo, bushels colhidos por acre, ou dólares por acre. O modelo de rendimento gera um mapa de rendimento a partir de uma estrutura de dados que inclui um número de dados células em que cada célula de dados representa uma área do campo. O modelo de rendimento preenche cada célula de dados com um valor de rendimento com uso de algoritmos de aprendizado por máquina que utiliza os indicadores obtidos a partir dos sistemas de medição e observação. II. AMBIENTE DE SISTEMA
[0021] A Figura 1 ilustra um ambiente de sistema 100 para gerar um mapa de rendimento para um campo agrícola. Dentro do ambiente de sistema 100, um sistema de cliente 110 gera um mapa de rendimento com uso de um modelo de rendimento
112. Um sistema de rede 120 acessa indicadores medidos e indicadores observados a partir de um sistema de medição 130 e um sistema de observação 140 por meio de uma rede 150, respectivamente. Ao gerar um mapa de rendimento para um campo agrícola, um sistema de cliente 110 pode solicitar indicadores medidos e indicadores observados (“indicadores” em agregado) por meio da rede 150 e o sistema de rede 120 pode fornecer os indicadores em resposta. Os indicadores são dados usados pelo modelo de rendimento 112 para gerar um mapa de rendimento. Em várias modalidades, o ambiente de sistema 100 pode incluir sistemas adicionais ou menos sistemas. Além disso, as capacidades atribuídas a um sistema dentro do ambiente podem ser distribuídas a um ou mais outros sistemas dentro de o ambiente de sistema
100.
[0022] Um sistema de cliente 110 é qualquer sistema com capacidade de executar o modelo de rendimento 112 para gerar um mapa de rendimento para um campo agrícola. O sistema de cliente 110 pode ser um dispositivo de computação, tal como, por exemplo, um computador pessoal. O sistema de rede 120 também pode ser um dispositivo de computação, tal como, por exemplo, um conjunto de servidores que pode operar com ou como parte de outro sistema que implanta serviços de rede para facilitar a determinação de valores de rendimento. Em alguns exemplos, o modelo de rendimento 112 pode ser executado no sistema de rede 120 em vez do sistema de cliente 110. O sistema de rede 120 e sistema de cliente 110 compreende qualquer número de componentes de hardware e/ou lógica computacional para fornecer a funcionalidade especificada. Ou seja, os sistemas no presente documento podem ser implantados em hardware, firmware, e/ou software (por exemplo, um servidor de hardware que compreende lógica computacional), outras modalidades podem incluir funcionalidade adicional, podem distribuir funcionalidade entre sistemas, podem atribuir funcionalidade a mais ou menos sistemas, podem ser implantados como um programa independente ou como parte de uma rede de programas, e podem ser carregados em memória executável por processadores.
[0023] Em um exemplo, um sistema de cliente 110 é operado por um usuário responsável por gerenciar a produção de cultura em um campo agrícola. O usuário do sistema de cliente 110 entradas uma solicitação para um mapa de rendimento para um campo agrícola no modelo de rendimento 112 e o modelo de rendimento 112 gera um mapa de rendimento para o campo agrícola em resposta. Em geral, o campo agrícola é localizado em uma localização de campo e o campo agrícola tem um formato de campo e um tamanho de campo. O campo agrícola pode incluir qualquer número de subáreas que, em agregado, aproximam o tamanho de campo e formato de campo. Em muitos casos, o campo agrícola é gerenciado pelo usuário do sistema de cliente 110, mas poderia ser gerenciado por qualquer outra pessoa. Em alguns casos, o sistema de cliente 110 pode ser localizado dentro do campo agrícola ou aproximadamente adjacente do mesmo. Por exemplo, o sistema de cliente 110 pode residir em uma máquina de cultivo que opera no campo agrícola ou próximo do mesmo para o qual um mapa de rendimento está sendo gerado.
[0024] Um sistema de cliente 110 é conectado a um sistema de rede 120 por meio de uma rede 150. O sistema de rede 120 facilita o modelo de rendimento 112 que determina precisamente valores de rendimento para um mapa de rendimento. Em vários exemplos, o sistema de rede 120 pode acessar indicadores medidos a partir de um sistema de medição 130 e/ou acessar indicadores observados de um sistema de observação 140 (“indicadores” em agregado). O sistema de rede 120 pode fornecer os indicadores ao sistema de cliente 110 de modo que o modelo de rendimento 112 possa gerar um mapa de rendimento para um campo agrícola. Em alguns exemplos, o sistema de rede 120 (ou o sistema de cliente 110) pode armazenar qualquer um dos indicadores em um armazenamento de dados. Indicadores armazenados podem ser acessados pelo modelo de rendimento 112 para determinar valores de rendimento para um mapa de rendimento. Adicionalmente, mapas de rendimento gerados podem ser armazenados em um armazenamento de dados. Em alguns exemplos, o modelo de rendimento 112 é executado em um sistema de rede 120 e um sistema de cliente 110 acessa o modelo de rendimento por meio da rede 150.
[0025] Um sistema de medição 130 é qualquer sistema ou dispositivo que pode obter e fornecer indicadores medidos ao sistema de rede 120 e sistema de cliente 110 por meio da rede 150. Indicadores medidos são uma medição e/ou quantificação de produção de campo agrícola (por exemplo, rendimento de cultura). Em alguns exemplos, um sistema de medição é um sistema ou dispositivo com capacidade de determinar indicadores de medição em tempo real.
[0026] Um indicador medido exemplificador é rendimento de cultura. O rendimento de cultura pode ser indicado de várias maneiras, de valores de produção agregados (por exemplo, bushels/acre através de um campo), a variações espaciais (diferenças de campo relativas entre duas zonas). Dentro do ambiente de sistema 100, rendimento de cultura pode ser determinado por um sistema de medição 130 visto que o mesmo se desloca através de um campo agrícola que colhe culturas. Um sistema de medição 130 determina o rendimento de cultura para inúmeras localizações em um campo agrícola. Além disso, o sistema de medição 130 associa um indicador medido com a posição na qual a mesma foi determinada. Um sistema de medição 130 também pode determinar (por exemplo, derivar, interpolar, etc.) outros indicadores a partir de indicadores medidos, tais como, por exemplo, estatísticas de agregado, variações espaciais, etc.
[0027] Em um exemplo, um sistema de medição 130 é um conjunto de sensores em uma colheitadeira que mede o peso de grão que é coletado (por exemplo, em uma taxa de quilogramas por segundo). O sistema de medição 130, combina a taxa medida com outras informações (largura de faixa, tipo de cultura, umidade de grão, e velocidade) e determina uma estimativa de largura de ponto de produção de rendimento como uma função de área (por exemplo bushels por acre). O sistema de medição 130 determina os rendimentos em um intervalo particular (por exemplo, a cada segundo) e, assim, pode determinar rendimentos como um conjunto de medições distintas através de um campo.
[0028] Em alguns casos, indicadores medidos podem ser errôneos. Ou seja, um sistema de medição 130 pode medir e/ou quantificar imprecisamente a produção de campo agrícola (isto é, rendimento). Por exemplo, em um caso em que o sistema de medição 130 é uma colheitadeira, sensores de fluxo de grão responsáveis por medir o fluxo de grão na colheitadeira usada para determinar rendimento de campo estão gerando quantificações imprecisas de rendimento. Em particular, os sensores de fluxo de grão estão produzindo indicadores medidos errôneos no começo e no final de passagens de colheita no campo agrícola e, subsequentemente, qualquer mapa de rendimento gerado pelo modelo de rendimento incluiria valores de rendimento imprecisos.
[0029] Consequentemente, um sistema de medição 130 (ou sistema de rede 120, ou modelo de rendimento 112) pode filtrar (isto é, remover) os indicadores medidos errôneos antes do uso dos indicadores para gerar um mapa de rendimento. Vários critérios podem ser usados para filtrar indicadores de medição errôneos.
[0030] Em um exemplo, indicadores medidos pelo sistema de medição 130 durante tempos específicos podem ser filtrados. Por exemplo, indicadores medidos obtidos durante um período de tempo depois que um sistema de medição começa a medir rendimento podem ser filtrados (isto é, iniciar atraso de passagem). De modo similar, indicadores medidos obtidos durante um período de tempo antes de o sistema de medição parar a medição de rendimento podem ser filtrados (isto é, finalizar atraso de passagem). Os períodos de tempo podem ser predeterminados (por exemplo, 12s),
selecionados por um operador do sistema de cliente (por exemplo, como uma entrada), etc.
[0031] Em um exemplo, indicadores medidos que excedem o limite biológico para rendimento podem ser filtrados. Ou seja, para um dado tipo de solo e/ou zona climática, uma determinada cultura pode ter um limite biológico ao seu rendimento. Por exemplo, no Oeste do Canadá, o limite biológico para cevada forrageira é, aproximadamente, 196 bushels/acre. Sendo assim, indicadores medidos que excedem aqueles valores podem ser filtrados. Aqui, os limites biológicos podem ser acessados do sistema de rede 120 por meio da rede 150 ou podem ser armazenados de forma localizada no sistema de medição 130.
[0032] Em um exemplo, indicadores medidos que excedem limiares de diferença localizados podem ser filtrados. Ou seja, alguma variação de rendimento através de um campo é comum; variação abrupta é menos comum a menos que uma influência externa (por exemplo, inundação, desvio de produto químico, ou danos à vida selvagem) é apresentada. Desse modo, se um único indicador medido estiver fora de uma quantidade limítrofe a partir da distribuição de seus indicadores medidos vizinhos locais, o ponto de divergência pode ser filtrado. Os limiares podem ser predeterminados (por exemplo, 25% de variação), selecionados por um operador do sistema de cliente (por exemplo, como uma entrada), etc.
[0033] Em vários ambientes, indicadores medidos obtidos por um sistema de medição 130 podem incluir, por exemplo, até cinquenta por cento de indicadores medidos errôneos. Sendo assim, filtrar apropriadamente os indicadores medidos é importante para gerar precisamente um mapa de rendimento com uso de um modelo de rendimento.
[0034] Um sistema de observação 140 é qualquer sistema ou dispositivo que pode fornecer indicadores observados ao sistema de rede e sistema de cliente. Indicadores observados são qualquer tipo de conjuntos de dados agrícolas espaciais ou observações que descrevem características observadas do campo agrícola. Por exemplo, indicadores observados podem ser indicadores de conjuntos de imagens, indicadores de condições climáticas, ou indicadores de solo. Em alguns exemplos, um sistema de observação 140 é um sistema que observa algum aspecto do campo e armazena a observação para quantificação posterior. Por exemplo, um sistema de observação 140 pode ser um satélite de observação que captura imagens de um campo agrícola à medida que o satélite passa pelo campo. O sistema de medição pode ser muitos outros sistemas. Por exemplo, a imagem pode ser capturada por um drone ou uma aeronave em vez de um satélite.
[0035] Indicadores de conjuntos de imagens são obtidos como múltiplas bandas ou banda única e conjunto de imagens, tais como, por exemplo, imagens, mapas espectrais, etc. Indicadores de conjuntos de imagens podem ser obtidos a partir de sistemas de observação, tais como, por exemplo, satélites, drones, e aeroplanos. Indicadores de conjuntos de imagens podem desempenhar uma forte função em monitoramento de cultura e previsão. Adicionalmente, índices de vegetação podem ser determinados a partir de indicadores de conjuntos de imagens. Esses indicadores se correlacionam fortemente com biomassa em determinados tipos de cultura e, assim, pode ser um forte indicador de rendimento de cultura. Além disso, os indicadores também pode se correlacionar a teor de nitrogênio e outros parâmetros físicos (por exemplo, concentrações de pigmento).
[0036] Indicadores de condições climáticas são obtidos como variáveis pertinentes de clima, tais como, por exemplo, temperatura min/máx, umidade relativa, precipitação, velocidade/direção do vento, etc. Indicadores de condições climáticas podem ser baseados em evento (por exemplo, a temperatura máxima para o dia) ou agregado (por exemplo, a pluviosidade acumulada no mês de junho ou durante um estágio particular em o ciclo de vida de uma cultura). Indicadores de condições climáticas podem ser obtidos a partir de sistemas de observação, tais como, por exemplo, estações de medição de condições climáticas, bancos de dados de condições climáticas de histórico, etc. Indicadores de condições climáticas podem ser um forte indicador de rendimento de cultura.
[0037] Indicadores de solo são obtidos como características estáticas ou dinâmicas de solo e podem incluir, por exemplo, textura de solo, capacidade de retenção de água, topografia, e zona climática. Indicadores de solo também podem ter propriedades dinâmicas tais como, por exemplo, medição pré-estação e durante estação de macronutrientes (por exemplo, nitrogênio), micronutrientes (por exemplo, boro), e outras propriedades (por exemplo, pH, condutividade elétrica, etc.). Indicadores de solo podem ser obtidos a partir de sistemas de observação tais como, por exemplo, um sistema de amostragem e teste de solo. Indicadores de solo podem ser um forte indicador de rendimento.
[0038] Evidentemente, outros indicadores observados são possíveis. Qualquer variável que pode ser designada espacialmente pode ser considerada como um indicador observado. Outros indicadores observados podem incluir, por exemplo, tipos de equipamento, parâmetros de irrigação, variedades de cultura, genética, população de semeadura por acre, espaçamento de fileira, disponibilidade de nitrogênio, taxas de maturidade, aplicação de fertilizante/inseticida e datas de semeadura e aplicação. III. GERAÇÃO DE UM MAPA DE RENDIMENTO
[0039] Um sistema de cliente 110 usa um modelo de previsão de rendimento 112 para gerar um mapa de rendimento para um campo agrícola. O modelo de rendimento 112 recebe uma localização (ou algum outro identificador) do campo agrícola como entrada e fornece um mapa de rendimento como saída. Ao gerar um mapa de rendimento, o modelo de rendimento 112 pode solicitar, e receber indicadores do sistema de rede 120 para facilitar a geração do mapa de rendimento. O sistema de rede 120 pode acessar indicadores medidos de um sistema de medição 130 e indicadores observados de um sistema de observação 140, respectivamente, para gerar um mapa de rendimento para o campo agrícola.
[0040] A Figura 2 ilustra um fluxograma de um método 200 para gerar um mapa de rendimento. O método 200 pode ser executado por um modelo de rendimento 112 em execução no sistema de cliente 110. Em várias modalidades, o método 200 pode incluir etapas adicionais ou menos etapas e as etapas podem ocorrer em qualquer ordem.
[0041] Para começar, um modelo de rendimento 112 recebe 210 uma solicitação para gerar um mapa de rendimento para um campo agrícola. Nesse exemplo, um operador do sistema de cliente 110 entradas uma localização do campo agrícola (por exemplo, coordenadas) no modelo de rendimento 112 e inicializa a solicitação. O modelo de rendimento 112 acessa um mapa (ou alguma outra representação espacial) do campo agrícola com uso das coordenadas. Aqui, o operador gerencia o campo agrícola e é uma pessoa responsável pela produção de cultura no campo agrícola.
[0042] O modelo de produção de rendimento 112 recebe 220 indicadores de medição de um sistema de medição 130 que opera no campo. Nesse exemplo, o sistema de medição 130 é uma colheitadeira e os indicadores de medição são quantificações de um rendimento de cultura à medida que a colheitadeira se desloca através do campo.
[0043] O modelo de rendimento 112 recebe 230 indicadores observados de um sistema de observação 140 que foram anteriormente observados no campo. Nesse exemplo, o sistema de observação 140 é um satélite e o indicador observado é uma imagem de satélite do campo. Adicionalmente, o modelo de rendimento 112 recebe indicadores observados que são um conjunto de dados que indica os valores de nitrogênio no solo em pré-estação obtidos a partir de um sistema de observação 140 que é uma máquina de fertilização de solo. Em algumas configurações um indicador observado pode ser um indicador observado simultaneamente a um indicador medido. Por exemplo, uma colheitadeira pode capturar imagens do campo à medida que a mesma colhe plantas.
[0044] O modelo de rendimento 112 gera 240 um mapa de rendimento que usa os indicadores. Nesse exemplo, o mapa de rendimento é um rastreador de campo que indica um rendimento determinado e/ou um rendimento medido para áreas no campo com base na imagem de satélite, o conjunto de dados de nitrogênio, e os valores de rendimento medidos. O mapa de rendimento é configurado para exibição como um mapa de calor no sistema de cliente 110 de modo que o operador possa visualizar facilmente diferentes áreas e regiões de rendimento determinado.
[0045] O modelo de rendimento 112 transmite 250 o mapa de rendimento ao sistema de cliente 110. O operador do sistema de cliente pode ler o mapa de rendimento e toma ação no campo agrícola para intensificar o rendimento. Por exemplo, o operador pode mudar como a colheitadeira se deslocar através do campo para aumentar valores de rendimento. Em alguns exemplos, o mapa de rendimento é transmitido ao sistema de medição 130 à medida que o mesmo se desloca através desse campo. IV. APLICAR UM MODELO DE CAMPO
[0046] A Figura 3 ilustra um fluxograma de um método 300 que o modelo de rendimento 112 executa para gerar um mapa de rendimento com uso de indicadores observados e indicadores medidos. O método 300 pode ser executado por um modelo de rendimento 112 em execução em um sistema de cliente 110. O método 300 será descrito em referência às Figuras 4 a 8. Em várias modalidades, o método 300 pode incluir etapas adicionais ou menos etapas e as etapas podem ocorrer em qualquer ordem.
[0047] Para começar, modelo de rendimento 112 gera 310 um arranjo que representa o campo agrícola (“arranjo de campo”). Ou seja, o modelo de rendimento 112 gera uma estrutura de dados que representa uma disposição espacial do campo agrícola. Em um exemplo o arranjo de campo pode ser representado como: = , ,…, (1) em que G é o arranjo de campo e gi é uma célula no arranjo de campo G. Cada célula gi no arranjo de campo G representa uma área do mundo real no campo agrícola de modo que o arranjo de campo G, em agregado, represente o campo agrícola inteiro. Por exemplo, o modelo de rendimento 112 pode dividir um mapa de um campo agrícola (isto é, arranjo de campo G) em áreas de mapa menores (isto é, células g). Em vários exemplos, a configuração de um arranjo de campo G (por exemplo, tamanho de arranjo, tamanho de célula, formato de célula, etc.) pode ser predeterminada (por exemplo, cada célula é um quadrado de 1 m2), definido por um operador do sistema de cliente 110 (por exemplo, como uma entrada), ou qualquer outro método de definição do arranjo de campo G ou células g em um arranjo de campo G.
[0048] Modelo de estimativa de rendimento 112 gera 312 um arranjo a partir de qualquer número de indicadores observados (“arranjo de entrada”). Ou seja, o modelo de rendimento 112 gera 312 uma estrutura de dados que representa a disposição espacial de indicadores observados que descrevem o campo agrícola. O arranjo de entrada pode ser representado como: = , ,…, (2) em que X é o arranjo de entrada e xi é um valor, ou valores, de um indicador observado (“entrada”). Por exemplo, uma entrada xi pode ser uma imagem de satélite tirada de um campo antes da floração, a pluviosidade acumulada para a quantidade de junho, ou pode ser qualquer outra entrada que pode ser espacialmente resolvida. More geralmente, cada entrada xi no arranjo de entrada X corresponde a um indicador observado entrada no modelo de rendimento 122.
[0049] O modelo de rendimento 112 interpola espacialmente cada uma das entradas xi em um arranjo de entrada X através do arranjo de campo G que representa o campo agrícola. Ou seja, para cada célula gi no arranjo de campo G, isto é, gi ∈ G, modelo de rendimento 112 mapeia essa célula gi a uma entrada xi do arranjo de entrada X. Portanto, cada entrada x do arranjo de entrada X é espacialmente resolvida de acordo com as células g do arranjo de campo G.
[0050] O método para mapear uma célula gi a uma entrada xi em um arranjo de entrada X depende do tipo de informações codificadas na entrada xi. Por exemplo, se a entrada xi for um conjunto de pontos (por exemplo, núcleos de solo), o modelo de rendimento 112 pode aplicar um método de interpolação kriging para mapear as células de grade g à entrada xi. Outros métodos de interpolação similares podem ser apropriados. Em outro exemplo, se a entrada xi for um arranjo de valores (por exemplo, pixels em uma imagem de satélite), o modelo de rendimento 112 pode aplicar um conjunto de operadores morfológicos (por exemplo, arqueamento, subamostragem, superamostragem, etc.) para alinhar o arranjo da entrada xi às células g do arranjo de campo G.
[0051] Uma entrada xi mapeada às células g de um arranjo de campo G é uma entrada mapeada xi,m, e um arranjo de entrada X cujas entradas xi são todas as entradas mapeadas xm é um arranjo de entrada mapeada Xm. Em alguns casos, dependendo do método de interpolação, entradas mapeadas xm podem incluir valores em falta (“valores nulos”). Ou seja, ao mapear uma célula gi a uma entrada xi o modelo de rendimento 112 não retornou um valor interpolado para essa célula gi. Valores nulos em arranjos de entrada mapeada Xm permite a utilização de indicadores de observação com valores em falta ou incompletos. Por exemplo, uma entrada xi que é uma imagem de satélite que inclui nuvens, o que obstrui uma parte do campo agrícola, pode ter valores nulos quando mapeados ao arranjo de campo G.
[0052] As Figuras 4A a 4C ilustram o processo de modelo de rendimento 112 que mapeia células g de um arranjo de campo G a uma entrada xi em um arranjo de entrada X. A Figura 4A ilustra um arranjo de campo G 410 que inclui um número de células g 420. Cada célula gi 420 é ilustrada como um quadrado pequeno e o arranjo de campo G 410 é a combinação de todos os quadrados pequenos. As células g 420 do arranjo de campo G 410, em agregado, aproximam o tamanho e formato do campo agrícola para o qual o modelo de rendimento 112 está gerando um mapa de rendimento. A Figura 4B ilustra uma entrada xi 430 do arranjo de entrada X. Aqui, a entrada xi 430 é uma imagem de satélite 432 do campo agrícola que inclui um número de plantas 434. A delimitação do campo agrícola é ilustrada como uma linha negra e as plantas 434 são ilustradas como círculos padronizados. A Figura 4C ilustra uma entrada mapeada xi,m 440 de um arranjo de entrada mapeada Xm. Aqui, as células g 420 do arranjo de campo G 410 na Figura 4A foram mapeadas à entrada xi 430 da Figura 4B. A entrada mapeada xi,m 440 é ilustrada como a imagem de satélite 432 sobreposta com as células 420 do arranjo de campo G 410. Em Figuras subsequentes (por exemplo, as Figuras 5A a 7), por clareza, todas as células ilustradas correspondem às quatro células mais centralizadas 422 do arranjo de campo G 410 mostradas na Figura 4A. As quatro células mais centralizadas 422 são destacadas por uma linha pontilhada.
[0053] As Figuras 5A e 5B ilustram outros exemplos de entradas mapeadas xm a partir de um arranjo mapeado Xm. A Figura 5A ilustra uma entrada mapeada xi,m 540A que indica o valor de índice de vegetação de diferença normalizada (NDVI) 542 de cada célula 420. Ou seja, cada célula 420 representa o valor de NDVI 542 para uma área do campo agrícola. Aqui, a área é a área do mundo real associado com a célula correspondente g 420 no arranjo de campo G 410. Nesse exemplo, a entrada xi 430 foi uma imagem de satélite (por exemplo, imagem de satélite 432). O modelo de rendimento 112 calcula o valor de NDVI 542 de cada pixel (ou grupos de pixels) na imagem de satélite 432. O modelo de rendimento 112 então mapeia os valores de NDVI 542 às células 420 do arranjo de campo G 410 para gerar uma entrada mapeada xi,m 540A dos valores de NDVI 542. De forma notável, os valores de NDVI de grupos de pixels são combinados em uma célula única 420. A Figura 5B ilustra uma entrada mapeada xi,m 540B que indica os valores de nitrogênio pré-estação 544 (em lb/ac) para cada célula 420. Ou seja, cada célula 420 representa os valores de nitrogênio pré-estação 544 para o solo em uma área do campo agrícola. Nesse exemplo, a entrada xi 430 foi um arranjo de níveis de nitrogênio no solo observados no campo agrícola antes da estação agrícola atual. Cada nível de nitrogênio no arranjo corresponde a uma localização particular (ou área) no campo agrícola. O modelo de rendimento 112 mapeia os níveis de nitrogênio às células 420 do arranjo de campo G 410 para gerar uma entrada mapeada xi,m 440 de valores de nitrogênio pré-estação
544. Embora os exemplos na Figura 5A e 5B sejam valores de NDVI e nitrogênio pré- estação, qualquer outro indicador observado pode ser usado.
[0054] O modelo de rendimento 112 gera 314 um arranjo de indicadores medidos (“arranjo de rendimento”). Ou seja, o modelo de rendimento 112 gera uma estrutura de dados que representa a disposição espacial de indicadores medidos no campo agrícola. Em geral, os indicadores medidos são indicadores medidos de alta confiança devido ao fato de que os mesmos foram filtrados conforme descrito anteriormente. No entanto, o modelo de rendimento 112 pode receber indicadores medidos não filtrados e filtrar os indicadores antes de gerar um arranjo de rendimento. O arranjo de rendimento pode ser representado como: = , ,…, (3) em que Y é o arranjo de rendimento e yi é um valor, ou valores, de um indicador medido (“pontos de rendimento”). Cada ponto de rendimento yi é associado com a localização no campo ao qual o mesmo foi medido. Aqui, os pontos de rendimento y são uma quantificação de rendimento de cultura medidos por uma colheitadeira em uma localização no campo agrícola.
[0055] O modelo de rendimento 112 mapeia os pontos de rendimento y no arranjo de rendimento Y às células g do arranjo de campo G para gerar um arranjo de rendimento mapeado Ym. Ou seja, para cada célula gi no arranjo de campo G, isto é, gi ∈ G, o modelo de rendimento 112 mapeia essa célula gi aos pontos de rendimento y do arranjo de rendimento Y. Dessa maneira, cada célula em um arranjo de rendimento mapeado Ym pode indicar uma quantificação de rendimento de cultura na área do campo agrícola associada com essa célula gi.
[0056] O modelo de rendimento 112 gera um arranjo de rendimento mapeado Ym de acordo com uma função de mapeamento de rendimento F. A função de mapeamento de rendimento F é uma função que mapeia pontos de rendimento y como um valor de rendimento a uma célula gi do arranjo de campo G para gerar o arranjo de rendimento mapeado Ym. O mapeamento ocorre de acordo com um critério que define se uma célula g em um arranjo de campo G qualifica o mapeamento.
[0057] A título de ilustração, uma função de mapeamento de rendimento F tem um critério para mapear pontos de rendimento y a uma célula g do arranjo de campo G para gerar um arranjo de rendimento mapeado Ym. Os critérios definem que, para uma região do campo agrícola associado com uma célula particular gi de um arranjo de campo G, a célula correspondente no arranjo de rendimento mapeado Ym tem um valor de rendimento se essa célula incluir pelo menos um ponto de rendimento y. Ou seja, uma célula de um arranjo de rendimento mapeado Ym tem um valor de rendimento se a região do campo agrícola representada por essa célula inclui pelo menos um ponto de rendimento. Adicionalmente, aqui, para cada célula de um arranjo de rendimento mapeado Ym, a função de mapeamento de rendimento F cria um valor de rendimento para a célula que é o valor médio de todos os pontos de rendimento y dentro dessa célula. Ou seja, um valor de rendimento para uma célula em um arranjo de rendimento mapeado Ym é uma média de todos os pontos de rendimento medidos dentro da região correspondente do campo.
[0058] Outros critérios para uma função de mapeamento de rendimento F gerar um arranjo de rendimento mapeado são possíveis. Por exemplo, o modelo de rendimento 112 pode mapear valores às células do arranjo de rendimento cuja distância Euclidiana de um ponto medido está abaixo de um limiar definido. Além disso, outras funções para gerar um valor de rendimento para uma célula de um arranjo de rendimento mapeado são possíveis. Por exemplo, uma função de mapeamento de rendimento F pode determinar um valor de rendimento calculando- se um mediano em vez de uma média, ou interpolação de pontos de rendimento y dentro e fora da célula.
[0059] As Figuras 6A e 6B ilustram um exemplo de geração de um arranjo de rendimento mapeado de pontos de rendimento. A Figura 6A ilustra um número de pontos de rendimento 610, sendo que cada um dos quais corresponde a uma localização de medição no campo agrícola. Cada ponto de rendimento y 610 é ilustrado como um ponto e corresponde a um indicador medido do campo (por exemplo, uma medição de rendimento em bushels/acre). Por clareza, os pontos de rendimento 610 são ilustrados dentro de as células 420 de um arranjo de campo G 410 em localizações correspondentes às suas localizações de medição. Ou seja, todos os pontos de rendimento 610 dentro de uma célula particular 420 foram medidos em uma região do campo que corresponde à região do campo representada por essa célula 420. De forma notável, não há pontos de rendimento nas células direita superior e esquerda inferior.
[0060] A Figura 6B ilustra um arranjo de rendimento mapeado. Uma similar função de mapeamento de rendimento F, conforme descrito anteriormente, mapeia os pontos de rendimento y 610 às células 420 em um arranjo de rendimento mapeado Ym 620. Ou seja, aqui, a célula esquerda de topo e célula direita de fundo têm, cada uma, um valor de rendimento 630 devido ao fato de que essa célula inclui pelo menos um ponto de rendimento y 610. As células direitas de topo e esquerdas de fundo são valores nulos devido ao fato de que não há pontos de rendimento y localizados dentro daquelas células. O valor de rendimento 630 da célula esquerda de topo é a média dos dois pontos de rendimento 610 nessa célula. De forma correspondente, o valor de rendimento da célula direita de fundo é o valor do ponto de rendimento único nessa célula.
[0061] Conforme anteriormente descrito, indicadores medidos podem ser errôneos e, assim, a densidade de pontos de rendimento y em um arranjo de rendimento Y pode ser baixa. Dependendo da densidade dos pontos de rendimento y em um arranjo de rendimento Y, e a densidade de células g no arranjo de campo G, algumas células do arranjo de rendimento mapeado Ym podem incluir valores de rendimento enquanto outros incluem valores nulos (conforme observado na Figura 6B). Ou seja, um arranjo de rendimento mapeado Ym é um arranjo de células incluindo valores de rendimento (“arranjo de rendimento positivo” Y+) e um arranjo de células que incluem valores nulos (“arranjo de rendimento negativo” Y-). Consequentemente, o modelo de geração de rendimento 112 pode determinar 316 um arranjo de rendimento negativo Y- e um arranjo de rendimento positivo Y+. Em referência ao arranjo de rendimento mapeado Ym da Figura 6B, o arranjo de rendimento positivo Y+ inclui as células esquerdas de topo e direitas de fundo e o arranjo de rendimento negativo Y- inclui as células esquerdas de fundo e direitas de topo.
[0062] O modelo de rendimento 112 cria um arranjo de dados P (“arranjo previsor”) com uso do arranjo de entrada mapeada Xm e o arranjo de rendimento positivo Y+. Um arranjo previsor P é definido como: = , ,…, (4) em que P é o arranjo previsor e pi são os valores correspondentes a células espacialmente equivalentes no arranjo de entrada mapeada Xm e arranjo de rendimento positivo mapeado Y+ (“previsores”). More explicitamente, o valor de cada previsor pi são todos os valores na célula espacialmente equivalente de todas as entradas mapeadas xm no arranjo de entrada mapeada Xm e o valor de rendimento da mesma célula no arranjo de rendimento positivo Y+. O arranjo previsor P representa, em agregado, um conjunto de dados que pode ser usado para aprendizado supervisionado em que o arranjo previsor é uma entrada e valores de rendimento são uma saída.
[0063] Referindo-se novamente à Figura 6B, a célula esquerda de topo e a célula direita de fundo são incluídas no arranjo de rendimento positivo Y+. Desse modo, um arranjo previsor P tem um previsor pi correspondente à célula esquerda de topo e um previsor pi correspondente à célula direita de fundo. Também em referência às entradas mapeadas xm na Figura 5A e na Figura 5B, o previsor p para a célula de topo é pi = [0,80, 85, 75] e o previsor p para a célula direita de fundo é pi = [0,90, 105, 80].
[0064] De modo similar, o modelo de rendimento cria um arranjo de dados U (“arranjo desconhecido”) com uso do arranjo de entrada mapeada Xm e do arranjo de rendimento negativo Y-. Um arranjo desconhecido U é definido como: = , ,…, (5) em que U é o arranjo desconhecido e ui são os valores correspondente a células similares no arranjo de entrada mapeada Xm e o arranjo mapeado negativo Y-. Mais explicitamente, os valores de cada ui desconhecido são todos os valores na mesma célula de todas as entradas mapeadas xm no arranjo de entrada mapeada Xm e o valor nulo da mesma célula no arranjo de rendimento negativo.
[0065] Referindo-se novamente à Figura 6B, a célula esquerda de fundo e a célula direita de topo são incluídas no arranjo mapeado negativo Y-. Desse modo, um arranjo desconhecido U tem um u desconhecido correspondente à célula esquerda de topo e um u desconhecido correspondente à célula direita de topo. Também em referência às entradas mapeadas xm na Figura 5A e na Figura 5B, o u desconhecido para a célula esquerda de fundo é ui = [0,89, 110, nulo] e o u desconhecido para a célula direita de topo é ui = [0,92, 115, nulo].
[0066] O modelo de rendimento 112 determina valores de rendimento para cada valor nulo em cada u desconhecido no arranjo desconhecido U com uso do arranjo previsor P. More explicitamente, o modelo de rendimento 112 insere um arranjo previsor P e emite um valor de rendimento para cada célula de um arranjo desconhecido. Ou seja, o modelo de rendimento 112 determina valores de rendimento para células no arranjo de rendimento mapeado que não incluíram pontos de rendimento. Desse modo, o valor nulo para cada u desconhecido em um arranjo desconhecido U é designado um valor de rendimento previsto determinado pelo modelo de rendimento 112.
[0067] Em várias modalidades, o modelo de rendimento 112 pode usar qualquer classificação padrão e/ou métodos de regressão para determinar 318 valores de rendimento para o arranjo desconhecido U. Em alguns exemplos, sistema de cliente 110 gera e/ou atualiza continuamente funções usadas pelo modelo de rendimento 112 para determinar 318 valores de rendimento com uso dos arranjos de previsor P. O modelo de rendimento 112 pode incluir qualquer método ou métodos que mapeia um conjunto de previsores p (isto é, valores de entrada) em um arranjo previsor P a um valor de rendimento. Alguns modelos de exemplo que usam classificação e/ou métodos de regressão incluem seleção de recursos, controle de sobreajuste, validação através de treinamento, e conjuntos de testes seriam realizados. O modelo de rendimento 112 também pode emitir um conjunto de variáveis usadas pelo modelo de rendimento 112 ao determinar valores de rendimento. Adicionalmente, o modelo de rendimento também pode emitir uma lista de métrica de avaliação do treino do modelo de rendimento com uso de arranjos de previsor P. A métrica pode incluir exatidão, precisão, classificação F1, etc. A métrica pode ser usada para determinar se um modelo suficientemente usado foi gerado.
[0068] O modelo de rendimento 112 combina os valores de rendimento conhecidos incluídos no arranjo previsor P e os valores de rendimento determinados no arranjo desconhecido U para gerar 320 um mapa de rendimento. Cada célula do mapa de rendimento inclui tanto um valor de rendimento medido (do previsor p) como um valor de rendimento determinado (do u desconhecido).
[0069] A Figura 7 ilustra um mapa de rendimento que inclui tanto valores de rendimento medidos quanto/como valores de rendimento determinados. Aqui, o mapa de rendimento 710 inclui valores de rendimento medidos nas células esquerda de topo e direita de fundo. Os valores de rendimento medidos 712 são os valores de rendimento das células correspondentes no arranjo previsor P. Adicionalmente, o mapa de rendimento 710 inclui valores de rendimento determinados 714 nas células esquerdas de fundo e direitas de topo. Os valores de rendimento determinados 714 são os valores de rendimento determinados para um u desconhecido no arranjo desconhecido U pelo modelo de rendimento 112. Cada um dos valores de rendimento determinados 714 está em células correspondentes aos valores nulos para o qual os mesmos foram determinados.
[0070] O modelo de rendimento 112 pode gerar uma visualização do mapa de rendimento. Por exemplo, o modelo de rendimento pode gerar um mapa de calor com uso dos valores no mapa de rendimento. O modelo de rendimento 112 pode sobrepor o mapa de calor em uma imagem do campo agrícola para o qual o modelo de rendimento 112 está determinando valores de rendimento. Por exemplo, a Figura 9 é uma visualização de um mapa de rendimento. Aqui, a visualização 810 é um mapa de calor sobreposto em uma imagem de satélite do campo agrícola para o qual o modelo de rendimento valores de rendimento determinados. Cada color na visualização representa uma faixa de valores de rendimento. Adicionalmente, cada célula em um mapa de rendimento é associada com uma região do campo agrícola e, assim, a cor para cada pixel da visualização corresponde a um valor de rendimento. O mapa de rendimento apresenta dados incluídos em um mapa de rendimento de tal maneira que operadores podem realizar determinações mais facilmente acerca do gerenciamento de campo agrícola. V. FUNCIONALIDADE DE MODELO ADICIONAL
[0071] Adicionalmente, o modelo de rendimento pode gerar valores de rendimento com uso de dados temporariamente definidos. Por exemplo, um indicador pode ser obtido a partir de diferentes estações de cultivo. Sendo assim, previsores no arranjo previsor podem refletir temporariamente diferentes dados agrícolas. Nesse caso, o modelo de rendimento pode determinar valores de rendimento para desconhecidos no arranjo desconhecido levantando-se dados agrícolas de estações anteriores. De modo similar, modelo de rendimento 112 pode atualizar funções para determinar valores de rendimento que permitem mapear temporariamente diferentes dados a valores de rendimento.
[0072] O modelo de rendimento 112 pode gerar um mapa de rendimento com uso de somente indicadores observados. Nesse caso, o modelo de rendimento 112 pode acessar indicadores (medidos e/ou observados) de uma estação anterior e designar os mesmos como indicadores observados. O modelo de rendimento 112 insere indicadores de estações anteriores e um ou mais indicadores observados da estação atual. O modelo de rendimento gera um mapa de rendimento com uso somente dos indicadores da estação anterior e os indicadores observados da estação atual. Desse modo, modelo de rendimento 112 pode gerar um mapa de rendimento sem indicadores medidos da estação atual. VI. CONSIDERAÇÕES DE CONFIGURAÇÃO ADICIONAIS
[0073] De modo similar, conforme usados neste documento, os termos “compreende”, “que compreende”, “inclui”, “incluindo”, “tem”, “que tem” ou qualquer outra variação dos mesmos visam abranger uma inclusão não exclusiva. Por exemplo, um processo, método, artigo ou aparelho que compreenda uma lista de elementos não se limita necessariamente apenas a tais elementos, mas pode incluir outros elementos não listados de forma expressa ou inerente a tal processo, método, artigo ou aparelho.
[0074] Ademais, o uso de “um” [artigo indefinido] é empregado para descrever elementos e componentes das modalidades neste documento. Isso é feito meramente para fins de conveniência e para dar um senso geral da invenção. Essa descrição deve ser lida de modo a incluir um ou pelo menos um e o singular também inclui o plural, a menos que o contrário seja óbvio.
[0075] Finalmente, conforme usado neste documento, qualquer referência a “uma [numeral] modalidade” ou “uma [artigo indefinido] modalidade” significa que um elemento, recurso, estrutura ou característica particular descrita com relação à modalidade é incluído em pelo mesmo uma modalidade. As aparições da expressão “em uma modalidade” em várias partes do relatório descritivo não se referem necessariamente à mesma modalidade.
[0076] Mediante leitura desta revelação, os elementos versados na técnica verificarão ainda projetos estruturais e funcionais alternativas adicionais conforme revelado dos princípios no presente documento. Desse modo, embora modalidades e aplicações particulares tenham sido ilustradas e descritas, deve-se entender que as modalidades reveladas não são limitadas à interpretação e aos componentes revelados neste documento. Várias modificações, mudanças e variações, que serão aparentes àqueles versados na técnica, podem ser feitas no arranjo, na operação e nos detalhes do método e do aparelho revelados neste documento se se afastar do espírito e do escopo definidos nas reivindicações em anexo.

Claims (20)

REIVINDICAÇÕES
1. Método para gerar um mapa de rendimento para um campo agrícola, o método caracterizado por compreender: receber uma solicitação de um operador para gerar um mapa de rendimento para o campo agrícola; gerar um arranjo de campo que inclui uma pluralidade de células, sendo que cada célula corresponde a uma área no campo agrícola; gerar um arranjo de entrada que inclui uma pluralidade de entradas, sendo que cada entrada no arranjo descreve uma condição observada do campo agrícola, e cada entrada tem uma pluralidade de células correspondentes às células no arranjo de campo; gerar um arranjo de rendimento que inclui uma pluralidade de células, sendo que cada célula do arranjo de rendimento tem valor de rendimento medido em uma localização no campo agrícola, e cada célula no arranjo de rendimento correspondente a uma célula no arranjo de campo; gerar um mapa de rendimento que inclui uma pluralidade de células do arranjo de rendimento, sendo que o mapa de rendimento inclui um primeiro subconjunto e segundo subconjunto de células, sendo que cada célula no mapa de rendimento tem um valor de rendimento ou um valor nulo, valores de rendimento designados ao primeiro subconjunto de células, em que cada célula no subconjunto células corresponde a uma célula no arranjo de rendimento que inclui um valor de rendimento, o valor de rendimento no mapa de rendimento o valor de rendimento na célula correspondente do arranjo de rendimento, e valores nulos designados ao segundo subconjunto de células; para cada célula no mapa de rendimento que tem um valor nulo, gerar um valor de rendimento para a célula com uso de um modelo de rendimento, sendo que o modelo de rendimento determina um valor de rendimento para a célula com uso de condições do campo agrícola descrito nas entradas do arranjo de entrada para essa célula; e transmitir o mapa de rendimento ao operador.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que gerar o arranjo de campo compreende adicionalmente: particionar um mapa do campo agrícola em um arranjo de campo.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que gerar um arranjo de entrada compreende adicionalmente: mapear a pluralidade de células em um arranjo de campo para cada entrada do arranjo de entrada de modo que cada entrada do arranjo de entrada inclua uma pluralidade de células correspondentes a uma área no campo agrícola.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que gerar um arranjo de rendimento compreende adicionalmente: mapear a pluralidade de células em um arranjo de campo para o arranjo de rendimento de modo que o arranjo de rendimento inclua uma pluralidade de células correspondentes a uma área no campo agrícola.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o valor de rendimento de uma célula em um arranjo de rendimento é uma função dos valores de rendimento medida em localizações no campo correspondente àquela célula do arranjo de rendimento.
6. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: gerar uma visualização do mapa de rendimento.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que os valores de rendimento são medidos por um sistema de medição de rendimento que opera no campo agrícola.
8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que o sistema de medição de rendimento está em uma colheitadeira combinada que opera no campo agrícola.
9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que as entradas para o arranjo de entrada incluem qualquer um dentre uma imagem, dados de solo, ou dados de índice de vegetação.
10. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: filtrar valores de rendimento medidos em localizações no campo agrícola que são errôneos.
11. Sistema compreendendo um ou mais processadores e uma ou mais memórias que armazenam instruções de programa de computador para gerar um mapa de rendimento para um campo agrícola, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores para realizar as etapas, incluem: receber uma solicitação de um operador para gerar um mapa de rendimento para o campo agrícola; gerar um arranjo de campo que inclui uma pluralidade de células, sendo que cada célula corresponde a uma área no campo agrícola; gerar um arranjo de entrada que inclui uma pluralidade de entradas, sendo que cada entrada no arranjo descreve uma condição observada do campo agrícola, e cada entrada tem uma pluralidade de células correspondentes às células no arranjo de campo; gerar um arranjo de rendimento que inclui uma pluralidade de células, sendo que cada célula do arranjo de rendimento tem valor de rendimento medido em uma localização no campo agrícola, e cada célula no arranjo de rendimento correspondente a uma célula no arranjo de campo; gerar um mapa de rendimento que inclui uma pluralidade de células do arranjo de rendimento, sendo que o mapa de rendimento inclui um primeiro subconjunto e segundo subconjunto de células, sendo que cada célula no mapa de rendimento tem um valor de rendimento ou um valor nulo, valores de rendimento designados ao primeiro subconjunto de células, em que cada célula no subconjunto de células corresponde a uma célula no arranjo de rendimento que inclui um valor de rendimento, o valor de rendimento no mapa de rendimento o valor de rendimento na célula correspondente do arranjo de rendimento, e valores nulos designados ao segundo subconjunto de células; para cada célula no mapa de rendimento que tem um valor nulo, gerar um valor de rendimento para a célula com uso de um modelo de rendimento, sendo que o modelo de rendimento determina um valor de rendimento para a célula com uso de condições do campo agrícola descrito nas entradas do arranjo de entrada para aquela célula; e transmitir o mapa de rendimento ao operador.
12. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores, realizam adicionalmente etapas que incluem: particionar um mapa do campo agrícola em um arranjo de campo.
13. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores, realizam adicionalmente etapas que incluem: mapear a pluralidade de células em um arranjo de campo para cada entrada do arranjo de entrada de modo que cada entrada do arranjo de entrada inclua uma pluralidade de células correspondentes a uma área no campo agrícola.
14. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores, realizam adicionalmente etapas que incluem: mapear a pluralidade de células em um arranjo de campo para o arranjo de rendimento de modo que o arranjo de rendimento inclua uma pluralidade de células correspondentes a uma área no campo agrícola.
15. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que o valor de rendimento de uma célula em um arranjo de rendimento é uma função dos valores de rendimento medida em localizações no campo correspondente a essa célula do arranjo de rendimento.
16. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores: gerar uma visualização do mapa de rendimento.
17. Sistema, de acordo com a reivindicação 11, caracterizado pelo fato de que os valores de rendimento são medidos por uma colheitadeira combinada que opera no campo agrícola.
18. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que as entradas para o arranjo de entrada incluem qualquer um dentre uma imagem, dados de solo, ou dados de índice de vegetação.
19. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: filtrar valores de rendimento medidos em localizações no campo agrícola que são errôneos.
20. Método para gerar um mapa de rendimento para um campo agrícola, o método caracterizado por compreender: gerar um arranjo de entrada que inclui uma pluralidade de células, cada célula do arranjo de entrada correspondente a um indicador observado que descreve uma condição de um campo agrícola; gerar um arranjo de rendimento que inclui uma pluralidade de células, cada célula do arranjo de rendimento correspondente a um indicador medido que descreve um valor de rendimento medido em uma localização no campo agrícola; gerar um mapa de rendimento que inclui uma pluralidade de células, sendo que cada célula tem um valor de rendimento de sua célula correspondente no arranjo de rendimento ou um valor nulo quando não há valor de rendimento na célula correspondente no arranjo de rendimento; e para cada célula no mapa de rendimento que tem um valor nulo, gerar um valor de rendimento para a célula com uso de um modelo de rendimento, o modelo de rendimento determina um valor de rendimento para a célula com uso de condições do campo agrícola descrito no arranjo de entrada para aquela célula.
BR112020004630-2A 2017-09-11 2018-09-10 geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação BR112020004630A2 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762556975P 2017-09-11 2017-09-11
US62/556,975 2017-09-11
PCT/CA2018/051109 WO2019046967A1 (en) 2017-09-11 2018-09-10 GENERATING A YIELD CARD FOR AN AGRICULTURAL FIELD USING REGRESSION AND CLASSIFICATION PROCESSES

Publications (1)

Publication Number Publication Date
BR112020004630A2 true BR112020004630A2 (pt) 2020-09-24

Family

ID=65629946

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112020004630-2A BR112020004630A2 (pt) 2017-09-11 2018-09-10 geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação

Country Status (7)

Country Link
US (1) US11317562B2 (pt)
EP (1) EP3682410A4 (pt)
AR (1) AR113109A1 (pt)
AU (1) AU2018329244A1 (pt)
BR (1) BR112020004630A2 (pt)
CA (1) CA3073291C (pt)
WO (1) WO2019046967A1 (pt)

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10581952B1 (en) 2015-11-06 2020-03-03 Scruggs Equipment Company, Inc. Device and method for manufacturer-independent interface between mobile computers and remotely accessible data storage
BR112020021919A2 (pt) 2018-04-24 2021-05-11 Indigo Ag, Inc. gestão de interação em um sistema agrícola online
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US10872417B1 (en) * 2019-07-04 2020-12-22 FlyPard Analytics GmbH Automatic delineation agricultural field management zones using remote sensing and field data
AT16964U1 (de) * 2019-10-29 2021-01-15 Maschinenring Agrar Concept Gmbh Verfahren zur Analyse und/oder Kartierung einer landwirtschaftlich genutzten Fläche
EP3845050B1 (en) * 2019-12-30 2023-11-29 AGCO Corporation Methods and systems for measuring organic material throughput data of harvested crops
KR102308667B1 (ko) * 2020-01-08 2021-10-05 고려대학교 산학협력단 배열 데이터베이스에서의 점진적인 상위 k 질의 처리 장치 및 방법
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
CA3188599A1 (en) 2020-07-16 2022-01-20 Taylor AUNE Predicting horticultural yield for a field location using multi-band aerial imagery
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
WO2023034118A1 (en) 2021-08-30 2023-03-09 Indigo Ag, Inc. Systems for management of location-aware market data
US20230206430A1 (en) * 2021-12-27 2023-06-29 Deere & Company Crop yield component map
WO2024035410A1 (en) * 2022-08-11 2024-02-15 Deere & Company Systems and methods for predictive harvesting logistics

Family Cites Families (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001268182A1 (en) * 2000-06-05 2001-12-17 Ag-Chem Equipment Company, Inc. System and method for creating application maps for site-specific farming
AU2001275258A1 (en) * 2000-06-05 2001-12-17 Ag-Chem Equipment Company, Inc. System and method for creating crop input requirement maps for site specific farming
US6651005B2 (en) 2000-09-25 2003-11-18 O'neall Donald L. Method for establishing universal standards for yield measurement
US6549852B2 (en) 2001-07-13 2003-04-15 Mzb Technologies, Llc Methods and systems for managing farmland
US7400770B2 (en) 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
US7702597B2 (en) 2004-04-20 2010-04-20 George Mason Intellectual Properties, Inc. Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters
US9195891B2 (en) 2006-11-07 2015-11-24 The Curators Of The University Of Missouri Method of predicting crop yield loss due to n-deficiency
CN101101612B (zh) 2007-07-19 2010-08-04 中国水利水电科学研究院 一种模拟田面微地形空间分布状况的方法
US8134497B2 (en) 2008-09-30 2012-03-13 Trimble Navigation Limited Method and system for location-dependent time-specific correction data
CA2663917C (en) 2009-04-22 2014-12-30 Dynagra Corp. Variable zone crop-specific inputs prescription method and systems therefor
WO2010126783A2 (en) 2009-04-30 2010-11-04 Roman Gitlin Method and apparatus for streamlined implementation of interpolation in multiple dimensions
US8306750B2 (en) * 2009-08-18 2012-11-06 Plant Health Care, Inc. Computer-automated spatial analysis
US8412419B1 (en) 2009-09-17 2013-04-02 Helena Chemical Company System for mapping GIS layers
US8638342B2 (en) 2009-10-20 2014-01-28 Apple Inc. System and method for demosaicing image data using weighted gradients
WO2011091278A1 (en) 2010-01-22 2011-07-28 Monsanto Technology Llc Enhancing performance of crops within an area of interest
CA2697608A1 (en) 2010-03-23 2011-09-23 Dennis Bulani Method of predicting crop yield
US20110276336A1 (en) 2010-03-25 2011-11-10 Tracy Sweely Method and apparatus for managing production complexity of high yield, multiple crop gardening and sustainable farming operations
US10096073B2 (en) 2011-05-13 2018-10-09 The Climate Corporation Systems to prescribe and deliver fertilizer over agricultural fields and related methods
US20150206255A1 (en) 2011-05-13 2015-07-23 HydroBio, Inc Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data
US20130124239A1 (en) 2011-11-15 2013-05-16 Uriel Rosa Crop yield per location measurer
US8935057B2 (en) 2012-01-17 2015-01-13 LimnTech LLC Roadway mark data acquisition and analysis apparatus, systems, and methods
WO2013116253A1 (en) 2012-01-30 2013-08-08 Scanadu Incorporated Spatial resolution enhancement in hyperspectral imaging
US8872946B2 (en) 2012-05-31 2014-10-28 Apple Inc. Systems and methods for raw image processing
US9077943B2 (en) 2012-05-31 2015-07-07 Apple Inc. Local image statistics collection
US9743057B2 (en) 2012-05-31 2017-08-22 Apple Inc. Systems and methods for lens shading correction
US9105078B2 (en) 2012-05-31 2015-08-11 Apple Inc. Systems and methods for local tone mapping
US8953882B2 (en) 2012-05-31 2015-02-10 Apple Inc. Systems and methods for determining noise statistics of image data
US8917336B2 (en) 2012-05-31 2014-12-23 Apple Inc. Image signal processing involving geometric distortion correction
US20140032271A1 (en) 2012-07-20 2014-01-30 Environmental Systems Research Institute (ESRI) System and method for processing demographic data
US20150371161A1 (en) 2013-01-30 2015-12-24 The Board Of Trustees Of The University Of Illinois System and methods for identifying, evaluating and predicting land use and agricultural production
US9924629B2 (en) 2013-06-21 2018-03-27 Appareo Systems, Llc Method and system for optimizing planting operations
WO2015051339A1 (en) 2013-10-03 2015-04-09 Farmers Business Network, Llc Crop model and prediction analytics
US10373353B2 (en) 2013-10-31 2019-08-06 Trimble Inc. Crop yield data adjustments
WO2015092799A1 (en) 2013-12-19 2015-06-25 Phytech Ltd. Method and system for crop management
US9578808B2 (en) 2014-05-16 2017-02-28 Deere & Company Multi-sensor crop yield determination
EP3160220A4 (en) 2014-06-24 2017-12-20 360 Yield Center, LLC Agronomic system, methods and apparatuses
US9131644B2 (en) 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US20160055593A1 (en) 2014-08-21 2016-02-25 David P. Groeneveld System and Method to Predict Field Access and the Potential for Prevented Planting Claims for Use by Crop Insurers
CA3237917A1 (en) 2014-08-22 2016-02-25 Climate Llc Methods for agronomic and agricultural monitoring using unmanned aerial systems
US20160063639A1 (en) 2014-08-26 2016-03-03 David P. Groeneveld System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data
EP3185666B1 (en) * 2014-08-27 2019-11-13 Premier Crop Systems, LLC System and method for controlling machinery for randomizing and replicating predetermined agronomic input levels
US10109024B2 (en) 2014-09-05 2018-10-23 The Climate Corporation Collecting data to generate an agricultural prescription
WO2016040960A1 (en) 2014-09-12 2016-03-17 Appareo System, Llc Non-image-based grain quality sensor
US10564316B2 (en) 2014-09-12 2020-02-18 The Climate Corporation Forecasting national crop yield during the growing season
US11080798B2 (en) * 2014-09-12 2021-08-03 The Climate Corporation Methods and systems for managing crop harvesting activities
US10667456B2 (en) 2014-09-12 2020-06-02 The Climate Corporation Methods and systems for managing agricultural activities
WO2016164147A1 (en) 2015-04-08 2016-10-13 The Climate Corporation Improving weather forecasts through post-processing
US9916505B2 (en) 2014-09-22 2018-03-13 Deere & Company Method and system for collecting image data
US10126282B2 (en) 2014-09-23 2018-11-13 Deere & Company Yield estimation
US9903979B2 (en) 2014-09-23 2018-02-27 Deere & Company Yield estimation
US10217188B2 (en) 2014-11-12 2019-02-26 SlantRange, Inc. Systems and methods for aggregating and facilitating the display of spatially variable geographic data acquired by airborne vehicles
US9953241B2 (en) 2014-12-16 2018-04-24 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for satellite image processing to estimate crop yield
US9792557B2 (en) 2015-01-14 2017-10-17 Accenture Global Services Limited Precision agriculture system
US9037521B1 (en) * 2015-01-23 2015-05-19 Iteris, Inc. Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states
US20160232621A1 (en) 2015-02-06 2016-08-11 The Climate Corporation Methods and systems for recommending agricultural activities
US10677962B2 (en) 2015-03-06 2020-06-09 The Climate Corporation Estimating temperature values at field level based on less granular data
CA2981473C (en) 2015-04-01 2021-12-21 The Climate Corporation Forecasting national crop yield during the growing season
US10303677B2 (en) * 2015-10-14 2019-05-28 The Climate Corporation Computer-generated accurate yield map data using expert filters and spatial outlier detection
US10331931B2 (en) * 2016-02-05 2019-06-25 The Climate Corporation Modeling trends in crop yields
US9881214B1 (en) * 2016-07-13 2018-01-30 The Climate Corporation Generating pixel maps from non-image data and difference metrics for pixel maps
US10398096B2 (en) * 2016-11-16 2019-09-03 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
US20180146624A1 (en) * 2016-11-28 2018-05-31 The Climate Corporation Determining intra-field yield variation data based on soil characteristics data and satellite images

Also Published As

Publication number Publication date
EP3682410A1 (en) 2020-07-22
CA3073291A1 (en) 2019-03-14
AU2018329244A1 (en) 2020-03-12
US11317562B2 (en) 2022-05-03
EP3682410A4 (en) 2021-06-02
US20190075727A1 (en) 2019-03-14
WO2019046967A1 (en) 2019-03-14
CA3073291C (en) 2023-01-17
AR113109A1 (es) 2020-01-29

Similar Documents

Publication Publication Date Title
BR112020004630A2 (pt) geração de um mapa de rendimento para um campo agrícola com uso de métodos de regressão e classificação
US11022719B2 (en) Statistical blending of weather data sets
US10091925B2 (en) Accurately determining crop yield at a farm level
BR122021024397B1 (pt) Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola
Kayad et al. How many gigabytes per hectare are available in the digital agriculture era? A digitization footprint estimation
BR112021014914A2 (pt) Modelagem digital e rastreamento de campos agrícolas para implementar ensaios de campo agrícola
BR112019002436B1 (pt) Método e sistema para estimar conteúdo de nitrogênio utilizando imagens hiperespectrais e multiespectrais e um ou mais meios de armazenamento legíveis por computador não transitórios
BR112021001667A2 (pt) previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos
BR112018005893B1 (pt) Método implantado por computador e um ou mais meios de armazenamento não transitório
WO2018107245A1 (en) Detection of environmental conditions
BR112021010533A2 (pt) Geração de script preditivo para grãos de soja
Han et al. Fuzzy clustering of maize plant-height patterns using time series of UAV remote-sensing images and variety traits
WO2023108213A1 (en) Methods and systems for classifying and benchmarking irrigation performance
Cui et al. Predicting carbon and water vapor fluxes using machine learning and novel feature ranking algorithms
US20220132724A1 (en) Advanced crop manager for crops stress mitigation
JP2022082636A (ja) 情報処理装置
US20230082714A1 (en) Soil Property Model Using Measurements of Properties of Nearby Zones
Li et al. Analysis of influencing factors on winter wheat yield estimations based on a multisource remote sensing data fusion
Chen et al. Improving yield prediction based on spatio-temporal deep learning approaches for winter wheat: A case study in Jiangsu Province, China
Gunasekara et al. Expert prediction system for spice plants grown in Sri Lanka: An incentive for planters
Shelestov et al. Crop Yield Forecasting for Major Crops in Ukraine
Sengupta et al. Quad sensor-based soil-moisture prediction using machine learning
Sun et al. How can integrated Space–Air–Ground observation contribute in aboveground biomass of shrub plants estimation in shrub-encroached Grasslands?
Bao et al. A new automated approach for remote sensing recognition and yield estimation of cultivated alfalfa crop based on Sentinel-2 NDVI time-series data: A case study of Hexi Corridor, China
Sud et al. Synthesis of Literature and Framework under the project “Research on Improving Methods for Estimating Crop Area, Yield and Production under Mixed, Repeated and Continuous Cropping

Legal Events

Date Code Title Description
B350 Update of information on the portal [chapter 15.35 patent gazette]