BR112020025113A2 - designação automática de híbridos ou sementes a campos para plantio - Google Patents
designação automática de híbridos ou sementes a campos para plantio Download PDFInfo
- Publication number
- BR112020025113A2 BR112020025113A2 BR112020025113-5A BR112020025113A BR112020025113A2 BR 112020025113 A2 BR112020025113 A2 BR 112020025113A2 BR 112020025113 A BR112020025113 A BR 112020025113A BR 112020025113 A2 BR112020025113 A2 BR 112020025113A2
- Authority
- BR
- Brazil
- Prior art keywords
- fields
- field
- data
- farmer
- values
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000003860 storage Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 4
- 238000009331 sowing Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 135
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 100
- 229910052757 nitrogen Inorganic materials 0.000 description 50
- 239000002689 soil Substances 0.000 description 44
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000005457 optimization Methods 0.000 description 29
- 241000196324 Embryophyta Species 0.000 description 25
- 240000008042 Zea mays Species 0.000 description 24
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 24
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 24
- 235000005822 corn Nutrition 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000003306 harvesting Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 19
- 230000012010 growth Effects 0.000 description 19
- 238000013459 approach Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 13
- 238000013515 script Methods 0.000 description 13
- 239000003337 fertilizer Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000004883 computer application Methods 0.000 description 10
- 239000000203 mixture Substances 0.000 description 10
- 239000012615 aggregate Substances 0.000 description 9
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000003971 tillage Methods 0.000 description 9
- 235000015097 nutrients Nutrition 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 239000005416 organic matter Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 241001124569 Lycaenidae Species 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 239000000417 fungicide Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004162 soil erosion Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 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
- 241000607479 Yersinia pestis Species 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000013065 commercial product Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000012297 crystallization seed Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 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
- 239000004009 herbicide Substances 0.000 description 1
- 239000011796 hollow space material Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 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 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 125000000449 nitro group Chemical group [O-][N+](*)=O 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 239000002688 soil aggregate Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/20—Point-of-sale [POS] network systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
A presente invenção refere-se a técnicas para designação de produtos híbridos e produtos de semente para campos agrícolas com desempenho de rendimento ideal ? método e sistema em computador associados (produto de computador). Em uma modalidade, um método compreende o recebimento de bases de dados que especificam os campos agrícolas e inventários dos produtos híbridos ou produtos de semente; a obtenção de dados de entrada que compreendem os valores de maturidade relativa; o histórico de valores de rendimento e os valores de rendimento médio para as regiões; o cálculo das bases de dados de tuplas que consistem de permutas de designações de produto e designações inversas correspondentes dos produtos e campos; o registro das características especificadas dos bases de dados de tuplas em um modelo de aprendizado por máquina treinado para resultar em valores POS para cada uma das designações de produto e sua designação inversa correspondente; a mistura dos valores POS com os dados de classificação de campo utilizando um modelo de pesquisa de operações para resultar na criação e armazenamento de valores de marcação para cada uma das designações de produto e as designações inversas correspondentes; gerar e causar a exibição de pelo menos as designações de produto em uma exibição da interface de usuário gráfica de um dispositivo de computação de cliente.
Description
Relatório Descritivo da Patente de Invenção para "DESIG-
NAÇÃO AUTOMÁTICA DE HÍBRIDOS OU SEMENTES A CAMPOS PARA PLANTIO". Aviso de Direitos Autorais
[0001] Uma parte da descrição desse documento de patente con- tém material que está sujeito à proteção de direitos autorais. O proprie- tário dos direitos autorais não faz objeção à reprodução por fac-símile do documento de patente ou da descrição de patente por qualquer pessoa, como aparece no arquivo ou nos registros do Escritório de Marcas e Patentes, mas, de outra forma, reserva todos os direitos au- torais. O 2015-2019 The Climate Corporation. Campo da Descrição
[0002] Um campo técnico da presente descrição são sistemas de suporte de decisão implementados por computador para agricultura, particularmente com relação a campos de plantio. Outro campo técni- co são sistemas de computador que são programados para utilizar da- dos agrícolas relacionados a sementes híbridas e um ou mais campos alvo para fornecer um conjunto de sementes híbridas recomendadas identificadas para produzir valores de rendimento bem-sucedidos que excedem os valores de rendimento médio para um ou mais campos alvo, para recomendar a substituição de híbridos nos campos de plan- tio. Antecedentes
[0003] As abordagens descritas nessa seção são abordagens que podem ser seguidas, mas não necessariamente abordagens que fo- ram previamente concebidas ou seguidas. Portanto, a menos que indi- cado o contrário, não deve ser assumido que apenas as abordagens descritas nessa seção qualificam como técnica anterior meramente em virtude de sua inclusão nessa seção.
[0004] Uma colheita bem-sucedida depende de muitos fatores, in-
cluindo a seleção de híbridos, a fertilização do solo, irrigação e contro- le de pragas, que contribuem, cada um, para a taxa de crescimento dos pés de milho. Um dos fatores de gerenciamento agrícola mais im- portantes é a escolha de quais sementes híbridas plantar nos campos de plantio. Variedades de sementes híbridas variam de híbridas ade- quadas para estações de crescimento curtas a estações de crescimen- to mais longas, temperaturas mais altas ou mais baixas, climas mais secos ou mais úmidos, e híbridas diferentes adequadas para composi- ções de solo específicas. Alcançar um desempenho ideal para uma semente híbrida específica depende de se as condições do campo se alinham com as condições de crescimento ideal da semente híbrida específica. Por exemplo, uma híbrida de milho específica pode ser classificada para produzir uma quantidade específica de rendimento para um agricultor, no entanto, se as condições do campo não coinci- direm com as condições ideais utilizadas para classificar a híbrida de milho específica, é improvável que a híbrida de milho corresponda às expectativas de rendimento do agricultor.
[0005] Uma vez que um conjunto de sementes híbridas é escolhi- do para plantio, um agricultor deve, então, determinar uma estratégia de plantio. As estratégias de plantio incluem determinar a quantidade e localização de cada uma das sementes híbridas escolhidas. Estraté- gias para se determinar a quantidade e localização podem ditar se o rendimento da colheita corresponde às expectativas. Por exemplo, o plantio de sementes híbridas, que apresentam resistências e vulnera- bilidades similares, pode resultar em um bom rendimento se as condi- ções forem favoráveis. No entanto, se as condições flutuarem, tal a menor precipitação de chuva do que o esperado ou o aumento das temperaturas além do normal, então o rendimento para sementes hí- bridas similares pode ser reduzido. Uma estratégia de plantio diversifi- cada pode ser preferida para se superar flutuações ambientais inespe-
radas.
[0006] As técnicas descritas aqui ajudam a aliviar algumas dessas questões e ajudar os agricultores a determinarem quais sementes plantar em que campos.
[0007] Ainda , uma vez que os agricultores selecionaram o portifó- lio de híbridas para sua operação, incluindo a identificação do produto e o volume de cada produto, existe a necessidade de se utilizar técni- cas implementadas por computador para designar a localização de cada híbrida para os campos individuais. Os agricultores estão igual- mente interessados em que produto plantar em um campo e o que não plantar. Sumário
[0008] As reivindicações em anexo podem servir como um resumo da descrição. Breve Descrição dos Desenhos
[0009] Nos desenhos:
[0010] A figura 1 ilustra um sistema de computador ilustrativo que é configurado para realizar as funções descritas aqui, ilustradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[0011] A figura 2 ilustra duas vistas de uma organização lógica ilustrativa de conjuntos de instruções na memória principal quando um aplicativo móvel ilustrativo é carregado para execução.
[0012] A figura 3 ilustra um processo programado através do qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados agronômicos fornecidos por uma ou mais fontes de dados.
[0013] A figura 4 é um diagrama em bloco que ilustra um sistema de computador através do qual uma modalidade da invenção pode ser implementada.
[0014] A figura 5 ilustra uma modalidade ilustrativa de uma vista de linha de tempo para o registro de dados.
[0015] A figura 6 ilustra uma modalidade ilustrativa de uma vista de planilha para o registro de dados.
[0016] A figura 7 ilustra um fluxograma ilustrativo para gerar um grupo de rendimento bem-sucedido alvo de sementes híbridas identifi- cadas para o desempenho de rendimento ideal nos campos alvo, com base nos registros de dados agrícolas das sementes híbridas e dados de geolocalização associados aos campos alvo.
[0017] A figura 8 apresenta um exemplo de regiões diferentes den- tro de um estado que possuem maturidade relativa designada diferen- te com base nas durações da estação de crescimento.
[0018] A figura 9 apresenta um gráfico descrevendo a faixa de va- lores de rendimento normalizados para sementes híbridas dentro de uma maturidade relativa classificada.
[0019] A figura 10 apresenta um fluxograma ilustrativo para gerar um conjunto de sementes híbridas alvo identificadas por desempenho de rendimento ideal e risco gerenciado nos campos alvo com base nos registros de dados agrícolas das sementes híbridas e dados de geolo- calização associados aos campos alvo.
[0020] A figura 11 apresenta um gráfico ilustrativos de valores de rendimento X valores de risco para uma ou mais sementes híbridas.
[0021] A figura 12A ilustra um sistema de computador ilustrativo que é configurado para realizar as funções descritas aqui, ilustrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[0022] A figura 12B ilustra um processo de designação de geração automática de produtos híbridos ou sementes para os campos, em uma modalidade.
[0023] A figura 13 ilustra os princípios relacionados a um algoritmo de designação de campo ilustrativo da presente descrição.
[0024] A figura 14 ilustra aspectos da integração de permutas de designação em um algoritmo de aprendizado por máquina.
[0025] A figura 15 ilustra valores que podem ser calculados como parte de um exemplo totalmente trabalhado.
[0026] A figura 16 ilustra como as presentes técnicas combinam um modelo de previsão e um modelo de pesquisa de operações para resultar em designações de campo híbridas.
[0027] A figura 17 resume os registros de dados, transformações e resultados que podem ser utilizados em uma modalidade das instru- ções de designação de campo.
[0028] A figura 18 ilustra um uso ilustrativo das técnicas anteriores em uma abordagem de múltiplas etapas que pode acomodar essas várias exigências variáveis dos agricultores individuais.
[0029] A figura 19 ilustra as técnicas de cálculo para fornecer re- comendações que são úteis para os agricultores que trabalham os campos que estão localizados em regiões com diferentes valores de maturidade relativa.
[0030] A figura 20 é uma ilustração em três partes de múltiplas exibições visuais diferentes que as instruções de designação de cam- po podem gerar em várias modalidades, em cada caso, para os cam- pos individuais ou grupos de campos.
[0031] A figura 21 ilustra um dispositivo de computador móvel ilus- trativo possuindo um monitor de interface de usuário gráfica que apre- senta as recomendações de designação de campo.
[0032] A figura 22 ilustra um monitor de tela gráfica ilustrativo para exibir as recomendações de saída.
[0033] A figura 23 ilustra um fluxo de processamento que pode ser implementado por computador para enviar tabelas de dados ou gráfi- cos de barra como descrito previamente.
Descrição Detalhada
[0034] Na descrição a seguir, para fins de explicação, inúmeros detalhes específicos são apresentados a fim de fornecer uma compre- ensão profunda da presente descrição. Será aparente, no entanto, que as modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são ilus- trados na forma de diagrama em bloco a fim de evitar obscurecer des- necessariamente a presente descrição. As modalidades são descritas em seções de acordo com as linhas gerais a seguir:
1. VISÃO GERAL
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1 VISÃO GERAL ESTRUTURAL
2.2 VISÃO GERAL DO PROGRAMA DE APLICATIVO
2.3 REGISTRO DE DADOS NO SISTEMA DE COMPUTA-
2.4 VISÃO GERAL DO PROCESSO - TREINAMENTO DO
2.5 SUBSISTEMA DE CLASSIFICAÇÃO DE SEMENTE
2.6 SUBSISTEMA DE RECOMENDAÇÃO DE SEMENTE
3. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE HARDWA- RE, VISÃO GERAL FUNCIONAL — GERAÇÃO E EXIBIÇÃO DE GRU- PO DE RENDIMENTO BEM-SUCEDIDO ALVO DE SEMENTES HíÍ-
3.1 REGISTRO DE DADOS
3.2 PROCESSAMENTO DE DADOS AGRÍCOLAS
3.3 APRESENTAÇÃO DE GRUPO DE RENDIMENTO BEM-SUCEDIDO ALVO
4. VISÃO GERAL FUNCIONAL — GERAÇÃO E EXIBIÇÃO DE SE-
4.1 REGISTRO DE DADOS
4.2 SELEÇÃO DA SEMENTE HÍBRIDA
4.3 GERAÇÃO DE VALORES DE RISCO PARA SEMEN-
4.4 GERAÇÃO BASES DE DADOS DE SEMENTES HíÍ-
4.5 ANÁLISE DO PORTIFÓLIO DE SEMENTES
4.6 APRESENTAÇÃO DE CONJUNTO DE SEMENTES
5. DESIGNAÇÃO AUTOMÁTICA DE PRODUTOS DE SEMENTES HiíÍ-
1. Visão Geral
[0035] As técnicas são fornecidas para se designar automatica- mente os produtos híbridos ou produtos de sementes para campos agrícolas com desempenho de rendimento ideal. Em uma modalidade, um método implementado por computador compreende utilizar instru- ções de designação de campo no sistema de computador servidor, receber, através de uma rede de comunicação de dados digital em um sistema de computador servidor, bases de dados de agricultor especi- ficando os campos agrícolas dos agricultores e inventários de produtos híbridos ou produtos de sementes dos agricultores; utilizar as instru- ções de designação de campo no sistema de computador servidor, obter, através da rede de comunicação de dados digital no sistema de computador servidor, outros dados de entrada compreendendo valores de maturidade relativa, histórico de valores de rendimento para os campos dos agricultores, e valores de rendimento médio para regiões nas quais os campos dos agricultores estão localizados, utilizar as ins- truções de designação de campo no sistema de computador, obter,
através da rede de comunicação de dados digitais no sistema de com- putador servidor, outros dados de entrada que compreendem os valo- res de maturidade relativa, histórico de valores de rendimento para os campos dos agricultores, e valores de rendimento médio para as regi- ões nas quais os campos dos agricultores estão localizados; utilizar as instruções de designação de campo no sistema de computador servi- dor, calcular os bases de dados de tuplas consistindo de permutas das designações de produto de dois (2) produtos para dois (2) campos dentre os campos dos agricultores, e designações de conversão cor- respondentes dos mesmos produtos e campos; registrar característi- cas especificadas dos bases de dados de tuplas em um modelo de aprendizado por máquina treinado, para resultar em valores POS pre- vistos para cada uma das designações de produto e sua designação convertida correspondente; misturar os valores POS previstos para todos os campos com os dados de classificação de campo utilizando um modelo de pesquisa de operações de outros dados de campo, pa- ra resultar na criação e armazenamento de valores de marcação para cada uma das designações de produto e designações de conversão correspondentes; utilizar as instruções de designação de campo no sistema de computador servidor, gerar e exibir pelo menos as desig- nações de produto em um monitor de interface de usuário gráfica de um dispositivo de computação de cliente.
[0036] Determinadas seções ou modalidades aqui se referem a sementes híbridas, e ao milho, para fins de ilustração dos exemplos. No entanto, várias modalidades são igualmente aplicáveis a outras plantações ou produtos, tal como soja. O uso de híbridos de milho não é necessário. Ainda , para fins de ilustração de um exemplo, algumas modalidades aqui se referem ao uso de dados da Monsanto como uma fundação para determinados cálculos. No entanto, outras modalidades podem utilizar uma combinação de dados de semente de pesquisa e desenvolvimento, dados sobre híbridos, dados de crescimento ou ren- dimento e dados similares dos agricultores, e dados R & D específicos da Monsanto não são necessários em qualquer uma das modalidades. Os dados do agricultor podem ou não ser utilizados para treinar os modelos de aprendizado por máquina como descrito, mas os dados de agricultor têm utilidade na personalização da relevância das recomen- dações para operações ou campos específicos.
[0037] Um sistema de computador ou um método implementado por computador, que são descritos aqui para gerar um conjunto de grupos de rendimento bem-sucedido alvo de sementes híbridas, que apresentam uma alta probabilidade de um rendimento bem-sucedido em um ou mais campos alvo. Em uma modalidade, um grupo de ren- dimento bem-sucedido alvo de sementes híbridas pode ser gerado uti- lizando um sistema de computador servidor que é configurado para receber, através de uma rede de comunicação de dados digitais, um ou mais registros de dados agrícolas que representam os dados de semente de plantação descrevendo as propriedades de semente e rendimento de uma ou mais sementes híbridas, e primeiros dados de geolocalização de campo para um ou mais campos agrícolas, onde as uma ou mais sementes híbridas foram plantadas. O sistema de com- putador servidor, então, recebe os segundos dados de geolocalização para um ou mais campos alvo onde as sementes híbridas deverão ser plantadas.
[0038] O sistema de computador servidor inclui instruções de nor- malização de sementes híbridas configuradas para gerar um bases de dados de propriedades de semente híbrida que descrevem um valor de rendimento representativo e uma classificação ambiental para cada semente híbrida a partir de um ou mais registros de dados agrícolas. À probabilidade das instruções de geração bem-sucedida no sistema de computador servidor são configuradas para, então, gerar um bases de dados de marcações de probabilidade de sucesso, que descrevem a probabilidade de um rendimento bem-sucedido em um ou mais cam- pos alvos. Um rendimento bem-sucedido pode ser definido como um valor de rendimento estimado para uma semente híbrida específica para uma classificação ambiental que excede o rendimento médio, pa- ra a mesma classificação ambiental, por uma quantidade de rendimen- to específica. A probabilidade de valores de sucesso para cada se- mente híbrida é baseada no bases de dados das propriedades de sementes híbridas e nos segundos dados de geolocalização para os um ou mais campos alvo.
[0039] O sistema de computador servidor inclui instruções de clas- sificação de rendimento configuradas para gerar um grupo de rendi- mento alvo de sucesso criado a partir de um subconjunto de uma ou mais sementes híbridas, e da probabilidade de valores de sucesso as- sociada a cada um do subconjunto de uma ou mais sementes híbridas. A geração do grupo de rendimento bem-sucedido alvo é baseada no bases de dados de marcações de probabilidade de sucesso para ca- da semente híbrida e em um limite de rendimento bem-sucedido confi- gurado, onde as sementes híbridas são adicionadas ao grupo de ren- dimento alvo de sucesso se a probabilidade do valor de sucesso para uma semente híbrida exceder o limite de rendimento bem-sucedido.
[0040] O sistema de computador servidor é configurado para cau- sar a exibição, em um dispositivo de monitor acoplado de forma comu- nicativa ao sistema de computador servidor, do grupo de rendimento alvo de sucesso e valores de rendimento associados a cada semente híbrida no grupo de rendimento alvo de sucesso.
[0041] Em uma modalidade, o grupo de rendimento alvo de suces- so (ou outro conjunto de sementes e campos) pode ser utilizado para gerar um conjunto de sementes híbridas alvo selecionadas para plan- tio em um ou mais campos alvo. O sistema de computador servidor é configurado para receber o grupo de rendimento alvo de sucesso de sementes híbridas candidatas que podem ser candidatas ao plantio em um ou mais campos alvo. Incluídas no grupo de rendimento alvo de sucesso encontram-se uma ou mais sementes híbridas, a probabi- lidade dos valores de sucesso associados a cada uma das uma ou mais sementes híbridas que descrevem uma probabilidade de um ren- dimento bem-sucedido, e histórico de dados agrícolas associados a cada uma das uma ou mais sementes híbridas. O computador servi- dor, então, recebe a informação de propriedade relacionada com um ou mais campos alvo.
[0042] As instruções de filtragem de semente híbrida, dentro do sistema de computador servidor, são configuradas para selecionar um subconjunto de sementes híbridas que apresentam a probabilidade de valores de sucesso superiores a um limite de filtragem de probabilida- de alvo. O sistema de computador servidor inclui instruções de norma- lização de semente híbrida configuradas para gerar valores de rendi- mento representativos para sementes híbridas no subconjunto de uma ou mais sementes híbridas com base no histórico de dados agrícolas.
[0043] O sistema de computador servidor inclui instruções de ge- ração de risco configuradas para gerar um bases de dados de valores de risco para o subconjunto de uma ou mais sementes híbridas. O ba- ses de dados de valores de risco descreve o risco associado com ca- da semente híbrida com base no histórico de dados agrícola. O siste- ma de computador servidor inclui instruções de classificação de otimi- zação configuradas para gerar um bases de dados de sementes hí- bridas alvo para plantio no um ou mais campos alvo, com base no ba- ses de dados de valores de risco, nos valores de rendimento repre- sentativos para o subconjunto de uma ou mais sementes híbridas, e em uma ou mais propriedades para um ou mais campos alvo. O bases de dados das sementes híbridas alvo inclui sementes híbridas alvo que possuem valores de rendimento representativos que correspon- dem a um limite alvo específico para uma faixa de valores de risco a partir do bases de dados de valores de risco através de um ou mais campos alvo.
[0044] O sistema de computador servidor é configurado para exi- bir, no dispositivo de exibição acoplado de forma comunicativa ao sis- tema de computador servidor, o bases de dados de sementes híbridas alvo incluindo os valores de rendimento representativo e valores de risco a partir do bases de dados de valores de risco associado a cada semente híbrida alvo no bases de dados das sementes híbridas alvo e um ou mais campos alvo.
2. Sistema de Computador de Inteligência Agrícola Ilustrativo
2.1 Visão Geral Estrutural
[0045] A figura 1 ilustra um sistema de computador ilustrativo que é configurado para realizar as funções descritas aqui, ilustradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 detém, opera ou possui um dispositivo de computação de gerenciador de campo 104 em uma localização de campo ou associado a uma localização de campo, tal como um campo destinado a atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computador de gerenciador de campo 104 é programa- do ou configurado para fornecer dados de campo 106 para um sistema de computador de inteligência agrícola 130 através de uma ou mais redes 109.
[0046] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, medidas, nome do campo, identificadores de campo, identificadores geográficos, identificadores de limite, identi- ficadores de plantação, e quaisquer outros dados adequados que pos- sam ser utilizados para identificar terras de fazenda, tal como uma unidade de terra comum (CLU), lote e número de bloco, um número de parcela, coordenadas e limites geográficos.
O Número Serial de Fa- zenda (FSN), número de fazenda, número de trecho, número de cam- po, seção, cidade e/ou faixa), (b) dados de colheita (por exemplo, tipo de plantação, variedade de plantação, rotação de plantação, se a plan- tação é orgânica, data de colheita, Histórico de Produção Real (APH), rendimento esperado, rendimento, preço da plantação, receita da plan- tação, umidade do grão, prática de lavoura, e informação de estação de crescimento anterior), (c) dados de solo (por exemplo, tipo, compo- sição, pH, matéria orgânica (OM), capacidade de permuta de cátion (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo de se- mentes, maturidade relativa (RM) das sementes plantadas, população de sementes), (e) dados de fertilizante (por exemplo, tipo de nutriente (Nitrogênio, Fosforo, Potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de aplicação química (por exem- plo, pesticidas, herbicidas, fungicidas, outras substâncias ou misturas de substâncias destinadas ao uso como um regulador de planta, des- folhante, ou dissecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados climáticos (por exemplo, precipitação, taxa de chuva, chuva prevista, região de taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade de neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, in- formação sobre espectro de luz e imagens de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aeronaves, satélite), (|) observações de avaliação preliminar (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (atual e com o tempo), umidade do solo, estágio de crescimento da plantação, veloci-
dade do vento, umidade relativa, ponto de orvalho, “black layer”)) e (k) fenologia de solo, sementes e plantação, reporte de pragas e doenças, e fontes e bases de dados de previsões.
[0047] Um computador servidor de dados 108 é acoplado de forma comunicativa ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da rede
109. O computador servidor de dados externos 108 pode ser de pro- priedade de ou operado pela mesma pessoa ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por uma pes- soa ou entidade diferente, tal como uma agência governamental, or- ganização não governamental (ONG) e/ou um provedor de serviço de dados privado. Exemplos de dados externos incluem dados climáticos, dados de imagem, dados de solo, ou dados estatísticos referentes aos rendimentos de plantação, entre outros. Dados externos 110 podem consistir do mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externo 108 de propriedade da mesma entidade que detém e/ou opera o sistema de computador de inteligência agríco- la 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que pode, de outra forma, ser obtido a partir de fontes de terceiras partes, tal como dados climáticos. Em algumas modalida- des, um servidor de dados externo 108 pode, de fato, ser incorporado ao sistema 130.
[0048] Um aparelho agrícola 111 pode possuir um ou mais senso- res remotos 112 fixados ao mesmo, sensores esses que são acopla- dos de forma comunicativa, diretamente ou indiretamente, através do aparelho agrícola 111 ao sistema de computador de inteligência agrí- cola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos do aparelho agrícola 111 incluem tratores, colheitadeiras, plantadores, caminhões, equipamento de fertilizantes, veículos aéreos incluindo veículos aéreos não tripulados, e qualquer outro item de ma- quinário físico ou hardware, tipicamente maquinário móvel, e que pos- sa ser utilizado em tarefas associadas à agricultura. Em algumas mo- dalidades, 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 de controlador (CAN) é ilustrati- va de tal rede que pode ser instalada nas colheitadeiras, pulverizado- res e cultivadores. O controlador de aplicativo 114 é acoplado de for- ma comunicativa ao sistema de computador de inteligência agrícola 130 através da rede 109 e é programado ou configurado para receber um ou mais roteiros que são utilizados para controlar um parâmetro operacional de um veículo agrícola ou implementar a partir do sistema de computador de inteligência agrícola 130. Por exemplo, uma interfa- ce de barramento de rede de área de controlador (CAN) pode ser utili- zada para permitir as comunicações do sistema de computador de in- teligência agrícola 130 com o aparelho agrícola 111, tal como a forma na qual CLIMATE FIELD VIEW DRIVE, disponível na The Climate Corporation, San Francisco, Califórnia, é utilizado. Os dados de sensor podem consistir do mesmo tipo de informação que os dados de campo
106. Em algumas modalidades, os sensores remotos 112 podem não estar fixados a um aparelho agrícola 111, mas podem estar remota- mente localizados no campo e podem se comunicar com a rede 109.
[0049] O aparelho 111 pode compreender um computador de ca- bine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variação do aplicativo móvel para o dis- positivo 104 que é ainda descrito em outras seções aqui. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um computador do tamanho de um tablet ou smartphone, com um monitor de tela gráfica, tal como um monitor colorido, que é montado dentro da cabine do operador do aparelho
111. O computador de cabine 115 pode implementar parte das ou to- das as operações e funções que são descritas ainda aqui para o dis- positivo de computador móvel 104.
[0050] As redes 109 representam de forma ampla qualquer combi- nação de uma ou mais redes de comunicação de dados incluindo as redes de área local, redes de área ampla, redes Internet ou Internet, utilizando qualquer um dentre links com ou sem fio, incluindo links ter- restres ou via satélite. As redes podem ser implementadas por qual- quer meio ou mecanismo que forneça a permuta de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter links de comunicações diretas (com ou sem fio). Os senso- res 112, o controlador 114, o computador servidor de dados externos 108, e outros elementos do sistema compreendem, cada um, uma in- terface compatível com as redes 109 e são programados ou configu- rados para utilizar protocolos padronizados para comunicação através das redes, tal como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, tal como HTTP, TLS e similares.
[0051] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 do dis- positivo de computação de gerenciador de campo 104, dados externos 110 do computador servidor de dados externos 108, e dados de sen- sor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser ainda configurado para hospedar, utilizar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada, tal como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar a translação e ar- mazenamento de valores de dados, construção de modelos digitais de uma ou mais plantações em um ou mais campos, geração de reco- mendações e notificações, e geração e envio de roteiros para o contro- lador de aplicativo 114, da forma descrita ainda em outras seções dessa descrição.
[0052] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de ge- renciamento de dados 140, camada de hardware/virtualização 150, e depósito de dados de modelo e campo 160. "Camada", nesse contex- to, se refere a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware, tal como drivers e/ou pro- gramas de computador ou outros elementos de software.
[0053] A camada de comunicação 132 pode ser programada ou configurada para realizar as funções de interface de entrada/saída in- cluindo o envio de solicitações para o dispositivo de computação de gerenciador de campo 104, computador servidor de dados externos 108, e sensor remoto 112 para os dados de campo, dados externos e dados de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o depósito de dados de modelo e campo 160 a serem armazena- dos como dados de campo 106.
[0054] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface de usuário gráfica (GUI) a ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender contro- les para registrar dados a serem enviados para o sistema de computa- dor de inteligência agrícola 130, gerar solicitações de modelos e/ou recomendações e/ou outras recomendações de exibição, notificações, modelos e outros dados de campo.
[0055] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar operações de leitura e opera- ções de escrita envolvendo o depósito 160 e outros elementos funcio- nais do sistema, incluindo conjuntos de pesquisas e resultados comu- nicados entre os elementos funcionais do sistema e do depósito. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface de servidor SQL e/ou código de interface HA- DOORP, entre outros. O depósito 160 pode compreender uma base de dados. Como utilizado aqui, o termo "base de dados" pode se referir a um corpo de dados, um sistema de gerenciamento de base de dados relacional (RDBMS) ou ambos. Como utilizado aqui, uma base de da- dos pode compreender qualquer coleção de dados incluindo bases de dados hierárquicas, bases de dados relacionais, bases de dados de arquivo plano, bases de dados relativas a objetos, bases de dados ori- entadas por objeto, bases de dados distribuídas, e qualquer outra co- leção estruturada de registros ou dados que sejam armazenados em um sistema de computador. Exemplos de RDBMS incluem, mas não estão limitados a incluir, bases de dados ORACLEG, MYSQL, IBMO DB2, MICROSOFTE SQL SERVER, SYBASEG, e POSTGRESQL. No entanto, qualquer base de dados pode ser utilizada desde que permita os sistemas e métodos descritos aqui.
[0056] Quando os dados de campo 106 não são fornecidos dire- tamente para o sistema de computador de inteligência agrícola através de uma ou mais máquinas agrícolas ou dispositivos de máquina agrí- cola, que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser avisado através de uma ou mais interfa- ces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) a registrar tal informação. Em uma modalidade ilustrativa, o usuário pode especificar os dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando CLUs específicas que foram ilustradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e impondo limites do campo ao mapa. Tal seleção CLU ou desenhos de mapa representam identificadores geográficos. Nas modalidades alternati- vas, o usuário pode especificar dados de identificação acessando da- dos de identificação de campo (fornecidos como arquivos de formato ou em um formato similar) a partir do U.S. Department of Agriculture Farm Service Agency, ou outra fonte, através do dispositivo de usuário e fornecendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[0057] Em uma modalidade ilustrativa, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibi- ção de uma interface de usuário gráfica compreendendo um gerencia- dor de dados para o registro de dados. Depois que um ou mais cam- pos foram identificados utilizando-se os métodos descritos acima, o gerenciador de dados pode fornecer um ou mais widgets de interface de usuário gráfica que, quando selecionados, podem identificar as mudanças nas práticas de campo, solo, plantações, lavoura ou nutri- entes. O gerenciador de dados pode incluir uma vista de linha de tem- po, uma vista de planilha, e/ou um ou mais programas editáveis.
[0058] A figura 5 apresenta uma modalidade ilustrativa de uma vis- ta de linha de tempo para o registro de dados. Utilizando o monitor apresentado na figura 5, um computador de usuário pode registrar uma seleção de um campo particular e uma data particular para adição do evento. Os eventos apresentados no topo da linha de tempo podem incluir Nitrogênio, Plantio, Práticas e Solo. Para se adicionar um even- to de aplicação de nitrogênio, um computador de usuário pode forne-
cer o registro para selecionar a aba de nitrogênio. O computador de usuário pode, então, selecionar uma localização na linha de tempo pa- ra um campo particular a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma localização na linha de tempo para um campo em particular, o gerenciador de dados pode exibir uma sobreposição de registro de dados, permitindo que o computador de usuário registre os dados que pertencem às aplicações de nitrogênio, procedimentos de plantio, apli- cação de solo, procedimentos de lavoura, práticas de irrigação, ou ou- tra informação referente ao campo em particular. Por exemplo, se um computador de usuário selecionar uma parte da linha do tempo e indi- car uma aplicação de nitrogênio, então, a sobreposição de registro de dados pode incluir campos para o registro de uma quantidade de ni- trogênio aplicada, uma data de aplicação, um tipo de fertilizante utili- zado, e qualquer outra informação relacionada com a aplicação de ni- trogênio.
[0059] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. "Programa", nesse contex- to, se refere a um bases de dados que pertencem às aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação, ou outra informação que possa ser realizada com um ou mais campos, e que possa ser armazenada no armazenador de dados digital para reutilização como um conjunto de outras operações. Depois de um programa ser criado, o mesmo pode ser conceitualmente aplicado a um ou mais campos e referências ao programa podem ser armazenadas no armazenador digital em associ- ação com os dados que identificam os campos. Dessa forma, ao invés de registrar manualmente os dados idênticos referentes às mesmas aplicações de nitrogênio para múltiplos campos diferentes, um compu- tador de usuário pode criar um programa que indique uma aplicação particular de nitrogênio e, então, aplicar o programa a múltiplos cam- pos diferentes. Por exemplo, na visão de linha de tempo da figura 5, as duas linhas de tempo superiores possuem o programa "aplicado na Primavera" selecionado, que inclui uma aplicação de 150 Ibs N/ac no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa em particular é editado, cada campo que selecionou o programa em particular é editado. Por exemplo, na figura 5, se o programa "aplicado na Primavera" for editado para reduzir a aplicação de nitrogênio para 130 Ibs. N/ac, os dois campos superiores podem ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[0060] Em uma modalidade, em resposta ao recebimento de edi- ções de um campo que possui um programa selecionado, o gerencia- dor de dados remove a correspondência do campo com o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicio- nada ao campo superior na figura 5, a interface pode atualizar para indicar que o programa de "aplicado na Primavera" não está sendo mais aplicado ao campo superior. Enquanto a aplicação de nitrogênio no início de abril ainda permanece, as atualizações do programa "apli- cado na Primavera" não alterarão a aplicação de nitrogênio em abril.
[0061] A figura 6 apresenta uma modalidade ilustrativa de uma vi- são de planilha para o registro de dados. Utilizando o monitor apresen- tado na figura 6, um usuário pode criar e editar informação para um ou mais campos. O gerenciador de dados pode incluir planilhas para o registro de informações com relação a Nitrogênio. Plantio, Práticas e Solo, como apresentado na figura 6. Para editar um registro em parti- cular, um computador de usuário pode selecionar o registro particular na planilha e atualizar os valores. Por exemplo, a figura 6 apresenta uma atualização em andamento para um valor de rendimento alvo pa- ra o segundo campo. Ainda , um computador de usuário pode selecio-
nar um ou mais campos a fim de aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo em particular, o gerenciador de dados pode completar automa- ticamente os registros para o campo em particular com base no pro- grama selecionado. Como com a visão de linha de tempo, o gerencia- dor de dados pode atualizar os registros para cada campo associado a um programa em particular em resposta ao recebimento de uma atua- lização do programa. Ainda , o gerenciador de dados pode remover a correspondência do programa selecionado com o campo em resposta ao recebimento de uma edição de um dos registros para o campo.
[0062] Em uma modalidade, os dados de modelo e campo são armazenados no depósito de dados de modelo e campo 160. Os da- dos de modelo compreendem dados de modelo criados para um ou mais campos. Por exemplo, um modelo de plantação pode incluir um modelo construído digitalmente do desenvolvimento de uma plantação em um ou mais campos. "Modelo", nesse contexto, se refere a um conjunto eletrônico, armazenado digitalmente, de valores e de instru- ções e dados executáveis, associados um ao outro, que podem rece- ber e responder a uma chamada programática ou outra chamada digi- tal, invocação ou solicitação de resolução com base nos valores regis- trados especificados, para resultar em um ou mais valores de saída armazenados ou calculados que podem servir como base para reco- mendações implementadas por computador, exibições de dados de saída, ou controle de máquina entre outros. Os versados na técnica no campo acham conveniente se expressar modelos utilizando-se equa- ções matemáticas, mas essa forma de expressão não confina os mo- delos descritos aqui a conceitos abstratos; em vez disso, cada modelo apresentado aqui possui uma aplicação prática em um computador na forma de instruções executáveis e dados armazenados que implemen- tam o modelo utilizando o computador. O modelo pode incluir um mo-
delo de eventos passados nos um ou mais campos, um modelo da condição atual de um ou mais campos, e/ou um modelo de eventos previstos nos um ou mais campos. Os dados de modelo e campo po- dem ser armazenados nas estruturas de dados na memória, fileiras em uma tabela de base de dados, em arquivos planos ou planilhas, ou outras formas de dados digitais armazenados.
[0063] Em uma modalidade, um subsistema de classificação de sementes híbridas 170 contém lógica configurada especialmente, in- cluindo, mas não limitada a instruções de normalização de sementes híbridas 172, probabilidade de instruções de geração de sucesso 174, e instruções de classificação de rendimento 176 que compreendem um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130, dentro do qual as instruções executáveis foram carregadas e que, quando executadas, fazem com que o sistema de computador de inteligência agrícola realize as funções ou operações que são descritas aqui com referência a esses módulos. Em uma modalidade, um subsistema de recomendação de sementes híbridas 180 contém lógica configurada especialmente incluindo, mas não limitada a, instruções de filtragem de sementes híbridas 182, instruções de geração de risco 184, e ins- truções de classificação de otimização 186 que compreendem um con- junto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130, dentro do qual as instruções executáveis foram carregadas e que, quando executadas, fazem com que o sistema de computação de inteligência agrícola rea- lize as funções ou operações que são descritas aqui com referência a esses módulos. Por exemplo, as instruções de normalização de se- mentes híbridas 172 podem compreender um conjunto de páginas na RAM que contém instruções que, quando executadas, realizam as funções de identificação alvo que são descritas aqui. As instruções podem estar em código executável por máquina no conjunto de instru- ções de uma CPU e podem ter sido compiladas com base no código fonte escrito em JAVA, C, C++, OBJECTIVE-C, ou qualquer outra lin- guagem ou ambiente de programação legível por humanos, sozinho ou em combinação com roteiros em JAVASCRIPT, outras linguagens de roteiro e outro texto fonte de programação. O termo "páginas" deve se referir de forma ampla a qualquer região dentro da memória princi- pal e a terminologia específica utilizada em um sistema pode variar dependendo da arquitetura de memória ou arquitetura de processador. Em outra modalidade, cada uma das instruções de normalização de sementes híbridas 172, probabilidade de instruções de geração de su- cesso 174, instruções de classificação de rendimento 176, instruções de filtragem de sementes híbridas 182, instruções de geração de risco 184, e instruções de classificação de otimização 186, além disso, pode representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, tal como RAM não volátil ou armazenamento em disco, no sis- tema de computador de inteligência agrícola 130 ou um sistema de depósito separado, que, quando compilado ou interpretado, causam a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola realize as funções ou operações que são descritas aqui com referência a esses módulos. Em outras palavras, a figura dos desenhos pode representar a forma na qual os programadores ou projetistas de software organi- zam e dispõem o código fonte para compilação posterior em um ele- mento executável ou interpretação em código de byte ou equivalente, para execução pelo sistema de computador de inteligência agrícola
130.
[0064] 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 sis- tema de computador, tal como memória volátil ou não volátil, armaze- nador não volátil, tal como disquete, e dispositivos ou interfaces 1/O, como ilustrado e descrito, por exemplo, com relação à figura 4. A ca- mada 150 também pode compreender instruções programadas que são configuradas para suportar a virtualização, contentorização ou ou- tras tecnologias.
[0065] Para fins de ilustração de um exemplo claro, a figura 1 ilus- tra um número limitado de casos de determinados elementos funcio- nais. No entanto, em outras modalidades, pode haver qualquer núme- ro de tais elementos. Por exemplo, as modalidades podem utilizar mi- lhares ou milhões de dispositivos de computação móvel diferentes 104 associados a diferentes usuários. Ainda , o sistema 130 e/ou o compu- tador servidor de dados externos 108 pode ser implementado utilizan- do-se dois ou mais processadores, núcleos, agrupamentos ou casos de máquinas físicas ou máquinas virtuais, configuradas em um local discreto ou no mesmo local com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
2.2 Visão Geral do Programa de Aplicação
[0066] Em uma modalidade, a implementação das funções descri- tas aqui utilizando-se um ou mais programas de computador ou outros elementos de software, que são carregados e executados utilizando um ou mais computadores de finalidade geral, fará com que os compu- tadores de finalidade geral sejam configurados como uma máquina particular ou como um computador que é especialmente adaptado pa- ra realizar as funções descritas aqui. Ainda , cada um dos fluxogra- mas, que são descritos ainda aqui, pode servir, sozinho ou em combi- nação, com as descrições dos processos e funções apresentados aqui, como algoritmos, planos ou direções que podem ser utilizados para programar um computador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto apresentado aqui, e todas as figuras dos desenhos, juntos, devem fornecer descrição dos algoritmos, planos ou direções que são suficientes para permitir que os versados na técnica programem um computador para realizar as fun- ções que são descritas aqui, em combinação com a especialização e conhecimento de tal pessoa, de acordo com o nível de especialização adequado para as invenções e descrições desse tipo.
[0067] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 utilizando o dispositivo de computação de gerenciador de campo 104 configurado com um siste- ma operacional e um ou mais programas ou aplicativos; o dispositivo de computação de gerenciador de campo 104 também pode interope- rar com o sistema de computador de inteligência agrícola, de forma independente e automática, sob o controle de programa ou controle lógico e a interação direta de usuário nem sempre é necessária. O dispositivo de computação de gerenciador de campo 104 representa de forma ampla um ou mais dentre um smartphone, PDA, dispositivo de computação de tablet, computador laptop, computador desktop, es- tação de trabalho, ou qualquer outro dispositivo de computação capaz de transmitir e receber informação e realizar as funções descritas aqui. O dispositivo de computação de gerenciador de campo 104 pode co- municar através de uma rede utilizando um aplicativo móvel armaze- nado no dispositivo de computação de gerenciador de campo 104, e em algumas modalidades, o dispositivo pode ser acoplado utilizando- se um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário em particular 102 pode deter, operar ou processar e utilizar, com relação ao sistema 130, mais de um dispositivo de computação de gerenciador de campo 104 de cada vez.
[0068] O aplicativo móvel pode fornecer funcionalidade de lado de cliente, através da rede para um ou mais dispositivos de computação móvel. Em uma modalidade ilustrativa, o dispositivo de computação de gerenciador de campo 104 pode acessar o aplicativo móvel através de um navegador de rede ou um aplicativo de cliente local. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para, e receber dados de um ou mais servidores de extremidade dian- teira, utilizando protocolos ou formatos com base na rede, tal como HTTP, XML e/ou JSON, ou protocolos específicos de aplicativo. Em uma modalidade ilustrativa, os dados podem assumir a forma de solici- tações e registro de informação de usuário, tal como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com o hardware e software de rastreamento de localização no dispositivo de computação de gerenciamento de campo 104 que determina a localização do dispositivo de computação do gerenciador de campo 104 utilizando as técnicas de rastreamento padrão, tal como multilateração de sinais de rádio, sistema de posicio- namento global (GPS), sistemas de posicionamento Wi-Fi, ou outros métodos de posicionamento móvel. Em alguns casos, os dados de lo- calização ou outros dados associados ao dispositivo 104, usuário 102, e/ou contas de usuário podem ser obtidos por pesquisas de um siste- ma operacional do dispositivo ou pela solicitação de um aplicativo no dispositivo para obtenção de dados a partir do sistema operacional.
[0069] Em uma modalidade, o dispositivo de computação de ge- renciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não limitado a, valores de dados que representam um ou mais dentre: uma localização geográfica de um ou mais campos, informa- ção de lavoura para um ou mais campos, plantações cultivadas em um ou mais campos, e dados de solo extraídos de um ou mais campos. O dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 em resposta ao registro de usuário, do usuário 102, especificando os valores de dados para um ou mais campos. Ainda , o dispositivo de computação de gerenciador de campo 104 po- de enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados se tornam 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 de forma comunicativa ao sensor remoto 112 e/ou controlador de aplica- ção 114 que inclui um sensor de irrigação e/ou controlador de irriga- ção. Em resposta ao recebimento dos dados que indicam que o con- trolador de aplicação 114 liberou água para um ou mais campos, o dispositivo de computação de gerenciador de campo 104 pode enviar os dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando que a água foi liberada nos um ou mais cam- pos. Os dados de campo 106 identificados nessa descrição podem ser registrados e comunicados utilizando-se dados digitais eletrônicos que são comunicados entre os dispositivos de computação utilizando URLs parametrizados através de HTTP, ou qualquer protocolo de comunica- ção ou envio de mensagem adequado.
[0070] Um exemplo comercial do aplicativo móvel é CLIMATE FI- ELDVIEW, comercialmente disponível na The Climate Corporation, San Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou ou- tros aplicativos, podem ser modificados, estendidos ou adaptados para incluir características, funções e programação que não foram descritos antes da data de depósito desse pedido. Em uma modalidade, o apli- cativo móvel compreende uma plataforma de software integrado que permite que um agricultor tome decisões, com base em fatos, sobre sua operação visto que combina o histórico de dados sobre os campos do agricultor com quaisquer outros dados que o agricultor desejar comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem situ- ações potenciais para permitir que o agricultor tome decisões melho- res e mais informadas.
[0071] A figura 2 ilustra duas visões de uma organização lógica ilustrativa de conjuntos de instruções na memória principal quando um aplicativo móvel ilustrativo é carregado para execução. Na figura 2, cada elemento citado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armaze- namento em disco ou outro armazenamento não volátil, e as instru- ções programadas dentro dessas regiões. Em uma modalidade, na visão (a), um aplicativo de computador móvel 200 compreende instru- ções de compartilhamento de consumo de dados de campos de conta 202, visão geral e instruções de alerta 204, instruções de livro de ma- pas digitais 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções climáticas 212, instruções de saúde dos campos 214 e instruções de desempenho 216.
[0072] Em uma modalidade, um aplicativo de computador móvel 200 compreende instruções de conta, campos, consumo de dados, compartilhamento 202, que são programadas para receber, traduzir, e consumir dados de campo de sistemas de terceiras partes através de upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de rendimento, mapas da condição de plantio, resulta- dos de teste de solo, mapas de condição de aplicação e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir ar- quivos de formato, formatos de dados nativos de terceiras partes, e/ou exportações de sistema de informação de gerenciamento de fazenda (FMIS), entre outros. O recebimento dos dados pode ocorrer através de upload manual, e-mail com anexo, APIs externas que impulsionam os dados para o aplicativo móvel, ou instruções que chamam as APIs dos sistemas externos para puxar 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 mó- vel 200 pode exibir uma interface de usuário gráfica para carregar ma- nualmente os arquivos de dados e importar os arquivos carregados para um gerenciador de dados.
[0073] Em uma modalidade, as instruções do livro de mapas digi- tais 206 compreendem camadas de dados de mapa de campo arma- zenadas na memória do dispositivo e que são programadas com fer- ramentas de visualização de dados e notas de campo geoespaciais. Isso fornece aos agricultores informação conveniente disponível para referência, arquivamento e dicas visuais sobre o desempenho do campo. Em uma modalidade, instruções de visão geral e alerta 204 são programadas para fornecer uma visão ampla da operação sobre o que é importante para o agricultor, e recomendações temporais para se tomar decisões ou focar em questões particulares. Isso permite que o agricultor foque o tempo no que precisa de atenção, para economi- zar tempo e preservar o rendimento por toda a estação. Em uma mo- dalidade, instruções sobre sementes e plantio 208 são programadas para fornecer ferramentas para a seleção de sementes, localização das híbridas, e criação de um roteiro, incluindo criação de roteiro de taxa variável (VR), com base nos modelos científicos e dados empíri- cos. Isso permite que os agricultores maximizem o rendimento ou re- torno do investimento através da compra otimizada de sementes, loca- lização e população.
[0074] Em uma modalidade, as instruções de geração de roteiro 205 são programadas para fornecer uma interface para gerar roteiros, incluindo roteiros de fertilidade de taxa variável (VR). A interface per- mite que os agricultores criem roteiros para implementos de campo, tal como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de roteiro de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Depois de receber uma seleção dos tipos de sementes, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tal como camadas de dados de mapas de campo criadas como parte das instruções de livro de mapas digitais 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo com um painel que identificação de cada zona de solo e um nome de solo, textura, drenagem para cada zona, ou outros dados de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para edição ou criação, tal como ferramentas gráficas para projetar zonas de ge- renciamento, tal como zonas de solo, através de um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a to- das as zonas de gerenciamento ou procedimentos de plantio diferen- tes podem ser aplicados a diferentes subconjuntos das zonas de ge- renciamento. Quando um roteiro é criado, o aplicativo de computador móvel 200 pode disponibilizar o roteiro para download em um formato legível por um controlador de aplicativo, tal como um formato arquiva- do ou comprimido. Ainda , e/ou alternativamente, um roteiro pode ser enviado para o computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou atualizado para um ou mais servidores de dados e armazenados para uso futuro.
[0075] Em uma modalidade, instruções de nitrogênio 210 são pro- gramadas para fornecer ferramentas para informar sobre decisões re- lacionadas ao nitrogênio pela visualização da disponibilidade do nitro- gênio para as plantações. Isso permite que os agricultores maximizem o rendimento ou o retorno no investimento através da aplicação otimi- zada de nitrogênio durante a estação. Funções programadas ilustrati- vas incluem a exibição de imagens, tal como imagens SSURGO, para permitir que se projete as zonas de aplicação de fertilizante e/ou ima-
gens geradas a partir de dados de solo de subcampo, tal como os da- dos obtidos a partir dos sensores, com uma alta resolução espacial (tão detalhada quanto milímetros ou menor, dependendo da proximi- dade e resolução do sensor); carregamento de zonas existentes defi- nidas pelo agricultor; fornecimento de um gráfico de disponibilidade de nutriente para as plantas e/ou um mapa para permitir a sintonia das aplicações de nitrogênio através de múltiplas zonas, envio dos roteiros para acionar o maquinário; ferramentas para o registro e ajuste de da- dos em massa; e/ou mapas para a visualização dos dados, entre ou- tros. "Registro de dados em massa", nesse contexto, pode significar o registro de dados uma vez e, então, a aplicação dos mesmos dados a múltiplos campos e/ou zonas que foram definidos no sistema; dados ilustrativos podem incluir aplicação de nitrogênio igual para muitos campos e/ou zonas do mesmo agricultor, mas tal registro de dados em massa se aplica ao registro de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, instruções de nitro- gênio 210 podem ser programadas para aceitar definições de progra- mas de aplicação e práticas de nitrogênio e para aceitar o registro do usuário que especifica a aplicação desses programas através de múl- tiplos campos. "Programas de aplicação de nitrogênio", nesse contex- to, se refere a conjuntos armazenados e nomeados de dados que as- sociam: um nome, código de cor o outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação, tal como injetado ou difundido, e/ou quantidades ou taxas de aplicação para ca- da uma das datas, plantação ou híbrido que seja o sujeito da aplica- ção, entre outros. "Programas de práticas de nitrogênio", nesse con- texto, se refere a conjuntos armazenados e nomeados de dados que associam: um nome de prática; uma plantação anterior; um sistema de lavoura; uma data da primeira lavoura; um ou mais sistemas de lavou-
ra anteriores que foram utilizados; um ou mais indicadores do tipo de aplicação, tal como esterco, que foram utilizados. Instruções de nitro- gênio 210 também podem ser programados para gerar e causar a exi- bição de um gráfico de nitrogênio, que indica as projeções do uso nas plantas do nitrogênio especificado e se uma quantidade maior ou me- nor deve ser prevista; em algumas modalidades, diferentes indicado- res de cores podem sinalizar uma magnitude de adição ou magnitude de redução. Em uma modalidade, um gráfico de nitrogênio compreen- de um monitor gráfico em um dispositivo de monitor de computador que compreende uma pluralidade de fileiras, cada fileira associada a e identificando um campo; dados especificando que plantação é planta- da no campo, o tamanho do campo, a localização do campo, e uma representação gráfica do perímetro do campo; em cada fileira, uma linha de tempo, mês a mês, com os indicadores gráficos especificando cada aplicação de nitrogênio e a quantidade nos pontos correlaciona- dos aos nomes dos meses; e indicadores numéricos e/ou coloridos do aumento ou redução, onde a cor indica a magnitude.
[0076] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais acessórios de registro de usuário, tal como discos ou barras deslizantes, para mudar dinamicamente os programas de plantio e prática de nitrogênio de modo que um usuário possa otimizar seu grá- fico de nitrogênio. O usuário pode, então, utilizar seu gráfico de nitro- gênio otimizado e os programas de plantio e práticas de nitrogênio re- lacionados para implementar um ou mais roteiros, incluindo roteiros de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 tam- bém podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica as projeções de utilização na planta do nitrogênio especificado e se um aumento ou redução é previsto; em algumas modalidades, diferentes indicadores de cor podem sinalizar uma magnitude de aumento ou magnitude de redução. O mapa de ni-
trogênio pode exibir projeções de exibição do uso, na planta, do nitro- gênio especificado e se um aumento ou redução é previsto para dife- rentes momentos no passado e no futuro (tal como diariamente, se- manalmente, mensalmente ou anualmente) utilizando indicadores nu- méricos e/ou coloridos de aumento ou redução, onde a cor indica a magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais acessórios de registro de usuário, tal como discos 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, de modo a obter uma quantidade preferida de aumento para redução. O usuário pode, então, utilizar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais roteiros, incluindo os rotei- ros de fertilidade de taxa variável (VR). Em outras modalidades, instru- ções similares às instruções de nitrogênio 210 podem ser utilizadas para aplicação de outros nutrientes (tal como fosforo e potássio), apli- cação de pesticidas, e programas de irrigação.
[0077] Em uma modalidade, as instruções climáticas 212 são pro- gramadas para fornecer dados climáticos recentes específicos do campo e informação de clima prevista. Isso permite que os agricultores economizem tempo e tenham uma exibição integrada eficiente com relação às decisões operacionais diárias.
[0078] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de sensor temporalmente remoto, destacando a variação da plantação na estação e preocupa- ções potenciais. As funções programas ilustrativas incluem verificação de nuvem, para identificar possíveis nuvens ou sombras de nuvem; determinar índices de nitrogênio com base nas imagens de campo; visualização gráfica das camadas de verificação prévia, e/ou download de imagens de satélite a partir de múltiplas fontes e priorização das imagens para o agricultor, entre outros.
[0079] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análise e ferramentas de dicas utilizando dados da fazenda para avaliação, dicas e decisões. Isso permite que o agricultor busque resultados para o próximo ano através de conclusões baseadas em fatos sobre os motivos pelos quais o retorno do investimento esteve nos níveis anteriores, e dicas sobre fatores limitadores de rendimento. As instruções de desempe- nho 216 podem ser programadas para comunicar através das redes 109 com programas analíticos de retaguarda, executados no sistema de computador de inteligência agrícola 130, e/ou computador servidor de dados externos 108, e configuradas para analisar as métricas tal como rendimento, diferencial de rendimento, híbridos, população, zona SSURGO, propriedades de teste de solo, ou elevação, entre outros. Os relatórios e análise programados podem incluir análise de variação de rendimento, estimativa de efeito de tratamento, avaliação compara- tiva do rendimento e outras métricas com outros agricultores com base em dados anônimos coletados a partir de muitos agricultores, ou da- dos para sementes e plantio, entre outros.
[0080] Aplicativos possuindo instruções configuradas dessa forma podem ser implementados para diferentes plataformas de dispositivo de computação enquanto mantêm a mesma aparência de interface de usuário geral. Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, smartphones, ou computadores servidores que são acessados utilizando-se navegadores nos computadores de cliente. Ainda , o aplicativo móvel, como configurado para computado- res tablet ou smartphones, pode fornecer uma experiência completa de aplicativo ou uma experiência de aplicativo de cabine que é ade- quada para as capacidades de exibição e processamento do compu- tador de cabine 115. Por exemplo, com referência agora à vista (b) da figura 2, em uma modalidade um aplicativo de computador de cabine 220 pode compreender instruções de “maps-cab” 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de roteiro 230, e instruções de “scout-cab” 232. A base de código para as instruções da vista (b) pode ser igual para a vista (a) e elementos executáveis implementando o código podem ser programados para detectar o tipo de plataforma na qual estão sendo executados e para expor, através de uma interface de usuário gráfica, apenas essas fun- ções que são adequadas para uma plataforma de cabine ou uma pla- taforma total.
Essa abordagem permite que o sistema reconheça a ex- periência de usuário distintamente diferente que é adequada para um ambiente em cabine e o ambiente de tecnologia diferente da cabine.
As instruções “maps-cab” 222 podem ser programadas para fornecer visualizações de mapa dos campos, fazendas ou regiões que são úteis no direcionamento da operação da máquina.
As instruções de visuali- zação remota 224 podem ser programadas para ligar, gerenciar e for- necer visualizações da atividade da máquina em tempo real ou em tempo quase real para outros dispositivos de computação conectados ao sistema 130 através de redes sem fio, conectores com fio ou adap- tadores, e similares.
As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer a transfe- rência de dados coletados nos sensores e controladores para o siste- ma 130 através das redes sem fio, conectores com fio ou adaptadores, e similares.
As instruções de alertas de máquina 228 podem ser pro- gramadas para detectar questões com as operações da máquina ou ferramentas que são associadas à cabine e gerar alertas para o ope- rador.
As instruções de transferência de roteiro 230 podem ser confi- guradas para transferir em roteiros de instruções que são configuradas para direcionar as operações de máquina ou coleta de dados.
As ins-
truções scouting-cab 232 podem ser programadas para exibir alertas com base em localização e informação recebida do sistema 130 com base na localização do dispositivo de computação de gerenciador de campo 104, aparelho agrícola 111, ou sensores 112 no campo e con- sumir, gerenciar e fornecer transferência de observações de avaliação prévia com base em localização para o sistema 130 com base na loca- lização do aparelho agrícola 111 ou sensores 112 no campo.
2.3 Consumo de dados para o sistema de computador
[0081] Em uma modalidade, o computador servidor de dados ex- ternos 108 armazena dados externos 110, incluindo dados de solo que representam a composição de solo para um ou mais campos e dados climáticos que representam a temperatura e precipitação em um ou mais campos. Os dados climáticos podem incluir dados climáticos passados e presentes, além de previsões para dados climáticos futu- ros. Em uma modalidade, o computador servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por dife- rentes entidades. Por exemplo, um primeiro servidor pode conter da- dos de composição de solo enquanto um segundo servidor pode incluir dados climáticos. Ainda , os dados de composição de solo podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar os dados que representam o percentual de areia, sedimen- to e argila no solo, enquanto que um segundo servidor pode armaze- nar dados que representam o percentual de matéria orgânica (OM) no solo
[0082] 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, tal como satélites, sensores de veículo, sensores de equipa- mento de plantio, sensores de lavoura, sensores de aplicação de ferti- lizante ou inseticida, sensores de colheitadeiras, e qualquer outro im-
plemento capaz de receber dados de um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configu- rado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicativo 114 também pode ser pro- gramado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um pa- râmetro operacional de um veículo, tal como um trator, equipamento de plantio, equipamento de lavoura, equipamento de fertilizante ou in- seticida, equipamento de colheita, ou outros implementos de fazenda, tal como uma válvula de água. Outras modalidades podem utilizar qualquer combinação de sensores e controladores, dos quais os apre- sentados a seguir são meramente exemplos selecionados.
[0083] O sistema 130 pode obter ou consumir dados, em massa, sob o controle do usuário 102, a partir de um grande número de agri- cultores que contribuíram com dados para um sistema de base de da- dos compartilhado. Essa forma de obtenção de dados pode ser cha- mada de "consumo manual de dados " visto que uma ou mais opera- ções de computador controladas por usuário são necessárias ou acio- nadas para se obter dados a serem utilizados pelo sistema 130. Como um exemplo, o aplicativo CLIMATE FIELDVIEW, comercialmente dis- ponível na The Climate Corporation, San Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazena- mento no depósito 160.
[0084] Por exemplo, sistemas de monitoramento de sementes po- dem controlar os componentes do aparelho de plantio e obter dados de plantio, incluindo sinais de sensores de sementes através de uma conexão de sinal que compreende uma estrutura CAN e conexões, ponto a ponto, para registro e/ou diagnóstico. Os sistemas de monito- ramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população, e outra informação para o usuário através do computador de cabine 115, ou outros dispositi- vos, dentro do sistema 130. Exemplos são descritos na patente U.S. No. 8.738.243 e na publicação da patente U.S. No. 20150094916, e a presente descrição assume o conhecimento das outras descrições de patente.
[0085] Da mesma forma, os sistemas de monitoramento de rendi- mento podem conter sensores de rendimento para o aparelho de co- lheita, que envia os dados de medição de rendimento para o computa- dor de 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 grão em uma colheitadeira, ou outro aparelho de colheita, e transmitir essas medições para o usuário através do computador de cabine 115 ou ou- tros dispositivos dentro do sistema 130.
[0086] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com qualquer veículo móvel ou aparelho do tipo descrito em outro local aqui, incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, tal como radar ou sensores de veloci- dade de roda, acelerômetros ou”gyros”. Os sensores de posição po- dem compreender receptores ou transceptores GPS, ou aplicativos de mapeamento, ou de posição,, com base em Wi-Fi que são programa- dos para determinar a localização com base nos hotspots WiFi próxi- mos, entre outros.
[0087] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com tratores ou outros veículos móveis incluem sensores de velocidade de motor, sensores de consumo de combustí- vel, contadores de área, ou contadores de distância, que interagem com sinais GPS ou de radar, sensores de velocidade PTO (partida de energia), sensores hidráulicos de trator, configurados para detectar os parâmetros hidráulicos, tal como pressão ou fluxo, e/ou velocidade de bomba hidráulica, sensores de velocidade de roda ou sensores de deslizamento de roda. Em uma modalidade, exemplos de controlado- res 114, que podem ser utilizados com tratores, incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bomba hidráulica; controlado- res ou governadores de velocidade; controladores de posição de enga- te; ou controladores de posição de roda fornecem o direcionamento automático.
[0088] Em uma modalidade, exemplos de sensores 112, que po- dem ser utilizados com o equipamento de plantio de sementes, tal co- mo plantadores, perfuratrizes, ou semeadoras por ar, incluem senso- res de sementes, que podem ser sensores óticos, eletromagnéticos ou de impacto; sensores de força descendente, tal como pinos de carga, células de carga, sensores de pressão; sensores de propriedade de solo, tal como sensores de refletividade, sensores de umidade, senso- res de condutividade elétrica, sensores de resíduo ótico, ou sensores de temperatura; sensores de critérios de operação de componente, tal como sensores de profundidade de plantio, sensores de pressão de cilindro de força descendente, sensores de velocidade de disco de sementes, codificadores de motor de acionamento de sementes, sen- sores de velocidade de sistema transportador de sementes ou senso- res de nível de vácuo; ou sensores de aplicação de pesticidas, tal co- mo sensores óticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114, que podem ser utilizados com tal equipamento de plantio de sementes, in- cluem: controladores de dobra de barra de ferramentas, tal como con- troladores das válvulas associadas aos cilindros hidráulicos; controla- dores de força descendente, tal como controladores das válvulas as-
sociadas aos cilindros pneumáticos, airbags, ou cilindros hidráulicos programados para aplicar uma força descendente a unidades de fileira individual ou a toda uma estrutura do plantador; controladores de pro- fundidade de plantio, tal como acionadores lineares; controladores de medição, tal como motores elétricos de acionamento de medidor de sementes, motores hidráulicos de acionamento de medidor de semen- te, ou embreagens de controle de faixa; controladores de seleção de híbridos, tal como motores de acionamento de medidor de sementes, ou outros acionadores programados para permitir, ou evitar, seletiva- mente que uma semente ou uma mistura de ar e semente distribua sementes para, ou a partir dos, medidores de sementes ou tremonhas centrais; controladores de medição, tal como motores elétricos de aci- onamento de medidor de semente, ou motores hidráulicos de aciona- mento de medidor de sementes; controladores de sistema transporta- dor de sementes, tal como controladores de um motor transportador tipo correia de distribuição de sementes; controladores de marcador, tal como um controlador de um acionador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticida, tal como controlado- res de acionamento de medição, controladores de tamanho ou posição de orifício.
[0089] Em uma modalidade, exemplos de sensores 112, que po- dem ser utilizados com o equipamento de lavoura, incluem sensores de posição para as ferramentas, tal como haste ou discos; sensores de posição de ferramenta para tais ferramentas que são configurados para detectar a profundidade, ângulo de “gang”, ou espaçamento late- ral; sensores de força descendente; ou sensores de força de desvio. Em uma modalidade, exemplos de controladores 114, que podem ser utilizados com o equipamento de lavoura, incluem controladores de força descendente ou controladores de posição de ferramenta, tal co- mo controladores configurados para controlar a profundidade de fer-
ramenta, ângulo de “gang” ou espaçamento lateral.
[0090] Em uma modalidade, exemplos de sensores 112, que po- dem ser utilizados com relação ao aparelho para aplicação de fertili- zantes, inseticidas, fungicidas e similares, tal como sistemas fertilizan- tes iniciais de plantador, aplicadores de fertilizantes ao subsolo, ou pulverizadores de fertilizantes, incluem: sensores de critério de siste- ma fluido, tal como sensores de fluxo ou sensores de pressão; senso- res que indicam quais válvulas de cabeçote de pulverização ou válvu- las em linha de fluido estão abertas; sensores associados aos tan- ques, tal como sensores de nível de abastecimento; sensores em linha de suprimento seccional ou no sentido do sistema, ou sensores em linha de suprimento específico de fileira; ou sensores cinemáticos, tal como acelerômetros dispostos em braços pulverizadores. Em uma modalidade, exemplos de controladores 114, que podem ser utilizados com o aparelho, incluem controladores de velocidade de bomba; con- troladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou acionadores de posição, tal como para altura de braço, profundidade de subsolo, ou posição de braço.
[0091] Em uma modalidade, exemplos de sensores 112, que po- dem ser utilizados com as colheitadeiras, incluem monitores de rendi- mento, tal como calibradores de tensão de placa de impacto ou senso- res de posição, sensores de fluxo capacitivo, sensores de carga, sen- sores de peso, ou sensores de torque, associados aos elevadores ou verrumas, ou sensores óticos ou outros sensores eletromagnéticos de altura de grão; sensores de umidade de grão, tal como sensores capa- citivos; sensores de perda de grão, incluindo sensores de impacto, óti- cos ou capacitivos; sensores de critério de operação de cabeçote, tal como sensores de altura de cabeçote, tipo de cabeçote, espaço de placa de deck, velocidade de alimentador e de velocidade de carretel; sensores de critérios de operação de separador, tal como sensores de espaço côncavo, de velocidade de rotor, de espaço de sapata, ou de espaço de “chaffer”; ou sensores de posição, operação ou velocidade de verruma, ou sensores de velocidade de motor. Em uma modalida- de, exemplos de controladores 114 que podem ser utilizados com co- Iheitadeiras, incluem controladores de critérios de operação de cabe- çote para elementos tal como altura de cabeçote, tipo de cabeçote, espaço de placa de “deck”, velocidade de alimentador ou velocidade de carretel; controladores de critérios de operação de separador para características tal como espaço côncavo, velocidade de rotor, espaço de sapata, ou espaço de “chaffer”; ou controladores de posição, ope- ração ou velocidade de verruma.
[0092] Em uma modalidade, exemplos de sensores 112, que po- dem ser utilizados com carrinhos de grãos, incluem sensores de peso, ou sensores para posição, operação ou velocidade de verruma. Em uma modalidade, exemplos de controladores 114, que podem ser utili- zados com carrinhos de grãos, incluem controladores de posição, ope- ração ou velocidade de verruma.
[0093] Em uma modalidade, exemplos de sensores 112 e contro- ladores 114 podem ser instalados em um aparelho veículo aéreo não tripulado (UAV) ou "drones". Tais sensores podem incluir câmeras com detectores eficientes para qualquer faixa de espectro eletromagnético, incluindo luz visível, infravermelho, ultravioleta, quase infravermelho (NIR), e similares; acelerômetros; altímetros; sensores de temperatura, sensores de umidade; sensores de tubo de pitot, ou outros sensores de velocidade de ar ou vento; sensores de vida útil de bateria; ou emissores de radar, e aparelho de detecção de energia refletida de radar; outros emissores de radiação eletromagnética e aparelho de detecção de radiação eletromagnética refletida. Tais controladores po- dem incluir aparelho de orientação ou controle de motor, controladores de superfície de motor, controladores de câmera, ou controladores programados para ligar, operar, obter dados a partir de, gerenciar e configurar qualquer um dos sensores acima. Exemplos são descritos no pedido de patente U.S. No. 14/831.165 e a presente descrição as- sume o conhecimento dessa outra descrição de patente.
[0094] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados ao aparelho de amostragem e medição de solo que é configurado ou programado para amostrar o solo e realizar testes de química do solo, testes de umidade de solo, e outros testes relacionados ao solo. Por exemplo, o aparelho descrito na patente U.S. No. 8.767.194 e na patente U.S. No. 8.712.148 pode ser utilizado, e a presente descrição assume o conhecimento dessas descrições de patente.
[0095] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos climáticos para monitoramento das condições climáticas dos campos. Por exemplo, o aparelho des- crito no pedido provisório U.S. No. 62/154.207, depositado em 29 de abril de 2915, no pedido provisório U.S. No. 62/175.160, depositado em 12 de junho de 2015, no pedido provisório U.S. No. 62/198.060, depositado em 28 de julho de 2015, e no pedido provisório U.S. No. 62/220.852, depositado em 18 de setembro de 2015, podem ser utili- zados, e a presente descrição assume o conhecimento dessas descri- ções de patente.
2.4. Visão Geral do Processo — Treinamento do Modelo Agronômico
[0096] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado ou configurado para criar um mode- lo agronômico. Nesse contexto, um modelo agronômico é uma estrutu- ra de dados na memória do sistema de computador 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 mo- delo agronômico também pode compreender propriedades agronômi-
cas calculadas que descrevem condições que podem afetar o cresci- mento de uma ou mais plantações em um campo, ou propriedades de uma ou mais plantações, ou ambos. Ainda , um modelo agronômico pode compreender recomendações baseadas em fatores agronômi- cos, tal como recomendações de plantação, recomendações de irriga- ção, recomendações de plantio, recomendações de fertilizante, reco- mendações de fungicida, recomendações de pesticida, recomenda- ções de colheita e outras recomendações de gerenciamento de plan- tação. Os fatores agronômicos também podem ser utilizados para se estimar um ou mais resultados relacionados à plantação, tal como rendimento agronômico. O rendimento agronômico de uma plantação é uma estimativa da quantidade de plantação que é produzida, ou, em alguns casos, a receita ou lucro obtido com a plantação produzida.
[0097] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode utilizar um modelo agronômico pré-configu- rado para calcular as propriedades agronômicas relacionadas com a localização atual recebida e a informação de plantação para um ou mais campos. O modelo agronômico pré-configurado é baseado nos dados de campo processados anteriormente, incluindo, mas não limi- tado a, dados de identificação, dados de colheita, dados de fertilizante e dados climáticos. O modelo agronômico pré-configurado pode ter sido validado de forma cruzada para garantir a precisão do modelo. À validação cruzada pode incluir a comparação com a veracidade do so- lo que compara os resultados previstos com os resultados reais em um campo, tal como uma comparação da estimativa de precipitação com um calibrador ou sensor de chuva que fornece dados climáticos na mesma localização, ou em uma localização próxima, ou uma estimati- va de teor de nitrogênio com uma medição de amostra de solo.
[0098] A figura 3 ilustra um processo programado pelo qual o sis- tema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados de campo, fornecidos por uma ou mais fontes de dados. A figura 3 pode servir como um al- goritmo ou instruções para programação dos elementos funcionais do sistema de computador de inteligência agrícola 130 para realizar as operações que são descritas agora.
[0099] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar o proces- samento de dados agronômicos dos dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para fins de re- moção de ruído, efeitos de distorção, e fatores fontes de confusão dentro dos dados agronômicos, incluindo valores discrepantes que po- dem afetar de forma adversa os valores de dados de campo recebi- dos. As modalidades do pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remoção de valores de da- dos comumente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por enviesar des- necessariamente outros valores de dados, técnicas de suavização, agregação ou amostragem de dados utilizadas para remover ou redu- zir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de fil- tragem ou derivação de dados utilizadas para fornecer distinções cla- ras entre os registros de dados positivos e negativos.
[00100] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado, ou programado, para realizar a seleção de subbases de dados utilizando os dados de campo pré-processados a fim de identificar os bases de dados úteis para a geração de modelo agronômico inicial. O sistema de computador de inteligência agrícola 130 pode implementar as técnicas de seleção de subbases de dados incluindo, mas não limitado a, um método de algoritmo genético, um método de todos os modelos de subconjunto, um método de busca sequencial, um método de regressão de etapa, um método de otimiza- ção de enxame de partículas, e um método de otimização de colônias de formigas. Por exemplo, uma técnica de seleção de algoritmo gené- tico utiliza um algoritmo de busca heurística adaptativa, com base nos princípios evolutivos da seleção natural e na genética, para determinar e avaliar os bases de dados com base nos dados agronômicos pré- processados.
[00101] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avalia- ção de bases de dados de campo. Em uma modalidade, um bases de dados de campo específico é avaliado pela criação de um modelo agronômico e pela utilização de limites de qualidade específicos para o modelo agronômico criado. Modelos agronômicos podem ser compa- rados e/ou validados utilizando-se uma ou mais técnicas de compara- ção, tal como, mas não limitado a, erro médio de raiz quadrada com validação cruzada “leave-one-out" (RMSECV), erro absoluto médio, e erro percentual médio. Por exemplo, RMSECV pode validar de forma cruzada os modelos agronômicos pela comparação dos valores de propriedade agronômica previstos, criados pelo modelo agronômico com histórico dos valores de propriedade agronômica coletados e ana- lisados. Em uma modalidade, a lógica de avaliação de bases de dados agronômicos é utilizada como um circuito de retorno, no qual os bases de dados agronômicos que não correspondem aos limites de qualida- de configurados são utilizados durante as etapas de seleção de sub- bases de dados futuros (bloco 310).
[00102] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado, ou programado, para implementar a cria- ção de modelo agronômico com base nos bases de dados agronômi- cos de validação cruzada. Em uma modalidade, a criação de modelo agronômico pode implementar as técnicas de regressão de múltiplas variações para criar modelos de dados agronômicos pré-configurados.
[00103] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os mode- los de dados agronômicos pré-configurados para avaliação de dados de campo futuros.
2.5. Subsistema de Classificação de Sementes Híbridas
[00104] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui o subsistema de classificação de sementes híbridas 170. O subsistema de classificação de sementes híbridas 170 é configurado para gerar um grupo de ren- dimento alvo de sucesso, de sementes híbridas especificamente iden- tificadas, para o desempenho ideal nos campos alvo. Como utilizado aqui, o termo "ideal" e termos relacionados (por exemplo, "otimizando", "otimização", etc.) são termos amplos que se referem ao "melhor ou mais eficiente" com relação a qualquer resultado, sistema, dados, etc. ("otimização universal"), além de aperfeiçoamentos que são "melhores ou mais eficientes" ("otimização relativa"). O grupo de rendimento alvo de sucesso inclui um subconjunto de uma ou mais sementes híbridas, uma previsão de rendimento estimada para cada semente híbrida, uma probabilidade de sucesso a superação da previsão de rendimento médio estimada para sementes híbridas classificadas de forma similar.
[00105] Em uma modalidade, identificar sementes híbridas, que te- rão desempenho ideal nos campos alvo, tem por base o registro rece- bido pelo sistema de computador de inteligência agrícola 130 incluin- do, mas não limitado a, registros de dados agrícolas para múltiplas sementes híbridas diferentes e dados de geolocalização relacionados aos campos onde os registros de dados agrícolas foram coletados. Por exemplo, se registros de dados agrícolas forem recebidos para cem sementes híbridas, então, os registros de dados agrícolas incluiriam dados de crescimento e rendimento para as cem sementes híbridas e dados de geolocalização sobre os campos onde as cem sementes hí- bridas foram plantadas. Em uma modalidade, o sistema de computa- dor de inteligência agrícola 130 também recebe os dados de geolocali- zação e agrícolas para um segundo conjunto de campos. O segundo conjunto de campos são os campos alvo onde o agricultor pretende plantar sementes híbridas selecionadas. A informação sobre os cam- pos alvo é particularmente relevante para combinar as sementes híbri- das específicas com o ambiente dos campos alvo.
[00106] As instruções de normalização de sementes híbridas 172 fornecem instruções para gerar um bases de dados de propriedades de sementes híbridas que descrevem os valores de rendimento descri- tivos e classificações ambientais que as condições ambientais preferi- das, para cada sementes híbridas, receberam do sistema de computa- dor de inteligência agrícola 130. A probabilidade de instruções de ge- ração de sucesso 174 fornece instruções para gerar um bases de da- dos de marcações de probabilidade de sucesso associados a cada uma das sementes híbridas. As marcações de probabilidade de su- cesso descrevem a probabilidade de um rendimento bem-sucedido nos campos alvo. As instruções de classificação de rendimento 176 fornecem instruções para gerar um grupo de rendimento alvo de su- cesso, de sementes híbridas que foram identificadas para o desempe- nho ideal nos campos alvo, com base nas marcações de probabilidade de sucesso associadas a cada uma das sementes híbridas.
[00107] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é configurado para apresentar, através da camada de apresentação 134, o grupo de rendimento alvo de sucesso das se- mentes híbridas selecionadas e seus valores de rendimento normali- zados e marcações de probabilidade de sucesso.
[00108] O subsistema de classificação de sementes híbridas 170 e instruções relacionadas são descritos ainda em outro local aqui.
2.6. Subsistema de Recomendação de Sementes Híbridas
[00109] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui o subsistema de recomendação de sementes híbridas 180. O subsistema de recomen- dações de sementes híbridas 180 é configurado para gerar um conjun- to de sementes híbridas alvo especificamente selecionadas para o de- sempenho ideal nos campos alvo, com risco minimizado. O conjunto de sementes híbridas alvo inclui um subconjunto de uma ou mais se- mentes híbridas que possuem previsões de rendimento estimadas acima de um limite de rendimento específico, e possuem um valor de risco associado que está abaixo de um alvo de risco específico.
[00110] Em uma modalidade, identificar um conjunto de sementes híbridas alvo, que terão um desempenho ideal nos campos alvo, se baseia em um conjunto de registros de sementes híbridas que foram identificadas como possuindo uma probabilidade específica de produ- ção com um rendimento bem-sucedido nos campos alvo. O sistema de computador de inteligência agrícola 130 pode ser configurado para re- ceber um conjunto de sementes híbridas como parte de um grupo de rendimento alvo de sucesso gerado pelo subsistema de classificação de semente híbrida 170. O grupo de rendimento alvo de sucesso tam- bém pode incluir dados agrícolas especificando a probabilidade de su- cesso de cada semente híbrida e outros dados agrícolas, tal como va- lor de rendimento, maturidade relativa, e observações ambientais a partir das colheitas previamente observadas. Em uma modalidade, o sistema de computador de inteligência agrícola 130 também recebe dados de geolocalização e dados agrícolas para um conjunto de cam- pos alvo. Os "campos alvo" são campos onde o agricultor está consi- derando ou pretende plantar as sementes híbridas alvo.
[00111] As instruções de filtragem de sementes híbridas 182 forne- ce instruções para filtrar e identificar um subconjunto de sementes hí-
bridas que possuem um valor de probabilidade de sucesso que está acima de um limite de rendimento de sucesso especificado. As instru- ções de geração de risco 184 fornecem instruções para gerar um ba- ses de dados de valores de risco associados a cada uma das semen- tes híbridas. Os valores de risco descrevem a quantidade de risco as- sociada a cada semente híbrida com relação ao valor de rendimento estimado para cada semente híbrida. As instruções de classificação de otimização 186 fornecem instruções para gerar um bases de dados de sementes híbridas alvo que possuem valores de rendimento médio acima de um limite alvo, para uma faixa de valores de risco a partir do bases de dados de valores de risco.
[00112] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é configurado para apresentar, através da camada de apresentação 134, o conjunto de sementes híbridas alvo e incluindo valores de rendimento médio.
[00113] O subsistema de recomendação de sementes híbridas 180 e instruções relacionadas são ainda descritos em outro local aqui.
2.7. Exemplo de Implementação — Visão Geral de Hardware
[00114] De acordo com uma modalidade, as técnicas descritas aqui são implementadas por um ou mais dispositivos de computação de finalidade geral. Os dispositivos de computação de finalidade geral po- dem ser conectados para realizar as técnicas, ou podem incluir dispo- sitivos eletrônicos digitais, tal como um ou mais circuitos integrados específicos de aplicativo (ASICs) ou conjuntos de porta programáveis em campo (FPGAs), que são programados de forma persistente para realizar as técnicas, ou podem incluir um ou mais processadores de hardware de finalidade geral programados para realizar as técnicas relativas às instruções de programa em firmware, memória, outro ar- mazenador, ou uma combinação. Tais dispositivos de computação de finalidade especial também podem combinar lógica conectada por fio personalizada, ASICs, ou FPGAs com a programação personalizada para realizar as técnicas. Os dispositivos de computação de finalidade especial podem ser sistemas de computador desktop, sistema de computador portátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de programa e/ou co- nectada por fio para implementar as técnicas.
[00115] Por exemplo, a figura 4 é um diagrama em bloco que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um bar- ramento 402 ou outro mecanismo de comunicação para comunicar in- formação, e um processador de hardware 404 acoplado ao barramen- to 402 para processar informação. O processador de hardware 404 pode ser, por exemplo, um microprocessador de finalidade geral.
[00116] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso randômico (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramen- to 402 para armazenar informação e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser utili- zada para armazenar variáveis temporárias, ou outra informação in- termediária, durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas no meio de armazenamento não transitório, acessível ao processador 404, transformam o sistema de computador 400 em uma máquina de finali- dade especial que é personalizada para realizar as operações especi- ficadas nas instruções.
[00117] O sistema de computador 400 inclui, ainda , uma memória de leitura apenas (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informação está- tica e instruções para o processador 404. Um dispositivo de armaze- namento 410, tal como um disco magnético, disco ótico, ou acionador de estado sólido é fornecido e acoplado ao barramento 402 para ar- mazenar informação e instruções.
[00118] O sistema de computador 400 pode ser acoplado através do barramento 402 a um monitor 412, tal como um tubo de raio catodo (CRT) para exibir informação para um usuário do computador. Um dis- positivo de entrada 414, incluindo teclas alfanuméricas ou outras te- clas, é acoplado ao barramento 402 para comunicar seleções de in- formação e comando para o processador 404. Outro tipo de dispositivo de registro de usuário é o controle de cursor 416, tal como mouse, uma trackball, ou teclas de direcionamento de cursor para comunicar seleções de informação e comando de direção para o processador 404 e para controlar o movimento do cursor no monitor 412. Esse dispositi- vo de registro possui tipicamente dois graus de liberdade nos dois ei- xos geométricos, um primeiro eixo geométrico (por exemplo, x) e um segundo eixo geométrico (por exemplo, y), que permitem que o dispo- sitivo especifique as posições em um plano.
[00119] O sistema de computador 400 pode implementar as técni- cas descritas aqui utilizando lógica personalizada conectada por fios, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, faz ou programa o sis- tema de computador 400 para ser uma máquina de finalidade especial. De acordo com uma modalidade, as técnicas apresentadas aqui são realizadas pelo sistema de computador 400 em resposta ao processa- dor 404 que executa uma ou mais sequências de uma ou mais instru- ções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazena- mento, tal como o dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 realize as etapas de processo descritas aqui. Em modalidades alternativas, o circuito conectado por fio pode ser uti-
lizado no lugar de ou em combinação com as instruções de software.
[00120] O termo "meio de armazenamento", como utilizado aqui, se refere a qualquer meio não transitório que armazene dados e/ou ins- truções que façam com que uma máquina opere de uma forma especí- fica. Tal meio de armazenamento pode compreender meio não volátil e/ou meio volátil. O meio não volátil inclui, por exemplo, discos óticos, discos magnéticos ou acionadores de estado sólido, tal como o dispo- sitivo de armazenamento 410. O meio volátil inclui memória dinâmica, tal como a memória principal 406. As formas comuns de meio de ar- mazenamento incluem, por exemplo, um disquete, um disco flexível, um disco rígido, acionador de estado sólido, fita magnética, ou qual- quer outro meio de armazenamento de dados magnéticos, um CD- ROM, qualquer outro meio de armazenamento ótico de dados, qual- quer meio físico com padrões de furos, uma RAM, uma PROM, e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartu- cho de memória.
[00121] Meio de armazenamento é distinto de, mas pode ser utili- zado em conjunto com, o meio de transmissão. O meio de transmissão participa da transferência de informação entre os meios de armaze- namento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fio de cobre e fibras óticas, incluindo os fios que compreendem o bar- ramento 402. O meio de transmissão também pode assumir a forma de ondas acústicas ou de luz, tal como as geradas durante comunica- ções de dados de ondas de rádio e infravermelho.
[00122] Várias formas de meio podem estar envolvidas no transpor- te de uma ou mais sequências de uma ou mais instruções para o pro- cessador 404, para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou acionador de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instru-
ções através de uma linha telefônica utilizando um modem. Um mo- dem local do sistema de computador 400 pode receber os dados na linha telefônica e utilizar um transmissor de infravermelho para conver- ter os dados em um sinal de infravermelho. Um detector de infraver- melho pode receber os dados transportados no sinal de infravermelho e um conjunto de circuitos adequado pode colocar os dados no barra- mento 402. O barramento 402 transporta os dados para a memória principal 406, a partir de onde o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 po- dem, opcionalmente, ser armazenadas no dispositivo de armazena- mento 410 antes ou depois da execução por parte do processador
404.
[00123] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co- municação 418 fornece uma comunicação de dados de duas vias que acopla a um link de rede 420, que é conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser um cartão de rede digital de serviços integrados (ISDN), modem a cabo, modem via satélite, ou um modem para fornecer uma conexão de comunicação de dados com um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser um cartão da rede de área local (LAN) para fornecer uma conexão de comunicação de dados compatível para uma LAN. Os links sem fio também podem ser implementados. Em qualquer implementação dessas, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou óticos que portam as sequências de dados digitais que representam os vários tipos de informação.
[00124] O |link de rede 420 fornece, tipicamente, a comunicação de dados através de uma ou mais redes para outros dispositivos de da- dos. Por exemplo, o link de rede 420 pode fornecer uma conexão atra-
vés da rede local 422 para um computador hospedeiro 424, ou para o equipamento de dados operado por um Provedor de Serviços de Inter- net (ISP) 426. ISP 426, por sua vez, fornece serviços de comunicação de dados através da rede de comunicação de dados de pacote amplo mundial, agora comumente referida como a "Internet" 428. A rede local 422 e a Internet 428, ambas, utilizam sinais elétricos, eletromagnéticos ou óticos que portam as sequências de dados digitais. Os sinais atra- vés das várias redes, e os sinais no link de rede 420 e através da inter- face de comunicação 418, que portam os dados digitais para e do sis- tema de computador 400, são formas ilustrativas de meio de transmis- são.
[00125] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através das redes, link de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 deve transmitir um código solicitado para um progra- ma de aplicativo através da Internet 428, ISP 426, rede local 422 e in- terface de comunicação 418.
[00126] O código recebido pode ser executado pelo processador 404 como recebido, e/ou armazenado no dispositivo de armazenamen- to 410, ou outro armazenador não volátil para execução posterior.
3. Visão Geral Funcional — Geração e Exibição de Grupo de Rendi- mento Alvo de Sucesso de Sementes Híbridas
[00127] A figura 7 apresenta um exemplo detalhado de geração de um grupo de rendimento alvo de sucesso das sementes híbridas iden- tificadas por desempenho de rendimento ideal nos campos alvo, com base nos registros de dados agrícolas das sementes híbridas e dados de geolocalização associados aos campos alvo.
3.3 Registro de Dados
[00128] Na etapa 705, o sistema de computador de inteligência agrícola 130 recebe registros de dados agrícolas de um ou mais cam-
pos para múltiplas sementes híbridas diferentes. Em uma modalidade, os registros de dados agrícolas podem incluir dados de sementes de plantação para uma ou mais sementes híbridas. Os dados de semen- tes de plantação podem incluir o histórico de dados agrícolas relacio- nados ao plantio, crescimento e colheita das sementes híbridas espe- cíficas em um ou mais campos. Exemplos dos dados de semente de plantação podem incluir, mas não estão limitados a, histórico de valo- res de rendimento, informação de tempo de colheita, e maturidade re- lativa de uma semente híbrida, e qualquer outro dado de observação sobre o ciclo de vida da planta. Por exemplo, os registros de dados agrícolas podem incluir dados de sementes híbridas para duzentos (ou mais) tipos diferentes de híbrido de milho disponíveis. Os dados de sementes de plantação, associados a cada um dos híbridos de milho, incluiriam histórico de valores de rendimento associados às colheitas observadas, à informação de tempo de colheita relativa ao plantio, e maturidade relativa observada para cada um dos híbridos de milho em cada um dos campos observados. Por exemplo, o híbrido de milho 001 pode ter registros de dados agrícolas que incluem o histórico de dados de rendimento coletados a partir de vinte (ou mais) campos diferentes durante os últimos dez (ou mais) anos.
[00129] Em uma modalidade, os registros de dados agrícolas po- dem incluir dados específicos de campo relacionados aos campos on- de os dados de sementes de plantação foram observados. Por exem- plo, os dados específicos de campo podem incluir, mas não estão limi- tados a, informação de geolocalização, maturidade relativa observada com base na geolocalização do campo, histórico de dados de índice de clima, propriedades de solo observadas, umidade de solo observa- da e níveis de água, e quaisquer outras observações ambientais que possam ser específicas dos campos onde o histórico de dados de se- mentes de plantação foi coletado. Os dados específicos de campo po-
dem ser utilizados para quantificar e classificar, ainda , os dados de sementes de plantação, visto que se referem a cada uma das semen- tes híbridas. Por exemplo, os diferentes campos em diferentes geolo- calizações podem ser melhor adequados para sementes híbridas dife- rentes com base na maturidade relativa das sementes híbridas e na duração da estação de crescimento. Os campos dentro das regiões específicas e sub-regiões podem ter uma maturidade relativa designa- da para a estação de crescimento, que é baseada no clima associado à geolocalização específica e na quantidade de dias de grau de cres- cimento (GDDs), disponíveis durante a estação de crescimento.
[00130] A figura 8 apresenta um exemplo de diferentes regiões, dentro de um estado, que apresentam diferentes maturidades relativas designadas com base nas durações da estação de crescimento. O es- tado 805 é o estado de Illinois e é dividido em múltiplas regiões dife- rentes e sub-regiões. Exemplos de sub-regiões podem incluir áreas com base em condado, cidade, ou limites de cidade. Cada uma das regiões 810, 815, 820, 825 e 830 representa regiões específicas de geolocalização que apresentam durações de estação de crescimento diferentes. Por exemplo, a região 810 representa uma região de cam- pos que, com base em suas geolocalizações e clima associado, pos- suem uma estação de crescimento mais curta devido aos climas mais amenos. Como resultado disso, a região 810 pode ser classificada como campos que são adequados para sementes híbridas com uma maturidade relativa de 100 dias (ilustrado como uma legenda de som- bras e GDD respectivo na figura 8). A região 815 está localizada ao sul da região 100 e, como resultado disso, pode apresentar um clima em geral mais quente. Os campos na região 815 podem ser classificados como campos adequados para sementes híbridas com uma maturida- de relativa de 105 dias. De forma similar, as regiões 820, 825 e 830 são localizadas mais ao sul das regiões 810 e 815, e como resultado disso, são classificadas com classificações de maturidade relativa de 110, 115 e 120 dias, respectivamente. As classificações de maturidade relativa para diferentes regiões podem ser utilizadas com o histórico de dados de rendimento para sementes híbridas para acessar o nível de desempenho das sementes híbridas nos campos com base nas matu- ridades relativas classificadas.
[00131] Em uma modalidade, os dados de campo específico dentro dos registros de dados agrícolas podem incluir também dados de rota- ção de plantação. O gerenciamento de nutrientes do solo para os campos pode depender de fatores, tal como o estabelecimento de ro- tações de plantação diversas e o gerenciamento da quantidade de la- voura do solo. Por exemplo, algumas observações de histórico têm mostrado que um "efeito de rotação", da rotação entre diferentes plan- tações em um campo, pode aumentar o rendimento do campo de 5 a 15% com relação ao plantio da mesma plantação ano após ano. Como resultado disso, os dados de rotação de plantação dentro dos registros de dados agrícolas podem ser utilizados para ajudar a determinar uma estimativa de rendimento mais precisa.
[00132] Em uma modalidade, dados de campo específicos podem incluir dados de lavoura e práticas de gerenciamento utilizados durante a estação de plantação. Os dados de lavoura e as práticas de gerenci- amento se referem à forma e programação da lavoura realizada em um campo em particular. A qualidade do solo e a quantidade de nutri- entes úteis no solo variam com base na quantidade de solo arável. À erosão do solo se refere à remoção do solo arável, que é a camada mais rica de solo tanto em termos de matéria orgânica quanto em valor de nutrientes. Uma prática dessas que causa a erosão do solo é a la- voura. A lavoura quebra os agregados de solo e aumenta a aeração de solo, o que pode acelerar a decomposição da matéria orgânica. Portanto, o rastreamento das práticas de gerenciamento de lavoura pode ser responsável pela compreensão da quantidade de erosão de solo que ocorre, e pode afetar o rendimento geral da plantação seme- ada.
[00133] Em uma modalidade, os registros de dados agrícolas inclu- em o histórico de dados de sementes de plantação e dados especiífi- cos de campo, de um conjunto de campos de teste utilizados para de- terminar as propriedades de sementes híbridas pelos fabricantes. Por exemplo, a Monsanto Corporation produz várias sementes comerciais híbridas e testa o crescimento de sua plantação em múltiplos campos de teste. Os campos de teste da Monsanto Corp. podem servir como um exemplo de um conjunto de campos de teste onde registros de da- dos agrícolas são coletados e recebidos pelo sistema de computador de inteligência agrícola 130. Em outra modalidade, os registros de da- dos agrícolas podem incluir o histórico de dados de sementes de plan- tação e dados específicos de campo a partir de conjuntos de campos de propriedade de, e operados por, agricultores individuais. Esses con- juntos de campos onde registros de dados agrícolas são coletados também podem ser iguais aos campos designados como campos alvo para o plantio de plantações recém-selecionadas. Em outras modali- dades, os conjuntos de campos de propriedade de, e operados por, um agricultor podem fornecer registros de dados agrícolas utilizados por outros agricultores quando da determinação do grupo de rendi- mento alvo de sucesso de sementes híbridas.
[00134] Com referência novamente à figura 7, na etapa 710, o sis- tema de computador de inteligência agrícola 130 recebe informação de geolocalização para um ou mais campos alvo. Os campos alvo repre- sentam os campos onde o agricultor está considerando plantar ou pla- nejando plantar o conjunto de sementes híbridas selecionadas a partir do grupo de rendimento alvo de sucesso. Em uma modalidade, a in- formação de geolocalização para um ou mais campos alvo pode ser utilizada em conjunto com os registros de dados agrícolas de campos específicos para determinar quais sementes híbridas, com base na maturidade relativa e clima, são melhores para os campos alvo.
3.2. Processamento de Dados Agrícolas
[00135] Na etapa 715, as instruções de normalização de semente híbrida 172 fornecem instrução para gerar um bases de dados de propriedades de sementes híbridas que descreve os valores de rendi- mento representativo e classificações ambientais para cada semente híbrida recebida como parte dos registros de dados agrícolas. Em uma modalidade, os registros de dados agrícolas, associados às sementes híbridas, são utilizados para calcular um valor de rendimento represen- tativo e uma classificação ambiental para cada uma das sementes hí- bridas. O valor de rendimento representativo é um valor de rendimento esperado para uma semente híbrida específica se plantada em um campo com base no histórico de valores de rendimento e outros dados agrícolas observados a partir de colheitas anteriores.
[00136] Em uma modalidade, o valor de rendimento normalizado pode ser calculado pela normalização de múltiplas observações de rendimento diferentes, a partir de campos diferentes, durante diferen- tes anos de crescimento observado. Por exemplo, os campos onde uma semente híbrida específica foi primeiramente plantada pode ser utilizado para calcular um rendimento de ciclo de crescimento médio de primeiro ano para uma semente híbrida específica. O rendimento de ciclo de crescimento médio de primeiro ano para a semente híbrida específica pode incluir a combinação de valores de rendimento obser- vados a partir de campos diferentes através de anos diferentes. Por exemplo, a semente híbrida específica pode ter sido plantada nos campos testados durante o estágio de produto do ciclo comercial de produto da Monsanto (PS3, PS4, MD1 e MD2), durante um período de tempo de 2009 a 2015. No entanto, o primeiro ciclo da semente híbrida específica pode ter sido plantado em cada um dos campos em anos diferentes. A tabela a seguir ilustra um exemplo desses: [22 12 Tor ao Tan Tam Tente | [emo T Pss Pa mor fuma [emoz | ss Tosa TuDt foa emos | ess Tess nor una es | | ess Ps uor voz |
[00137] As colunas da tabela representam os anos de colheita e as fileiras da tabela representam os ciclos comerciais de desenvolvimento de produto da Monsanto, onde o ciclo 1 representa os 4 anos de se- mentes híbridas plantadas nos vários campos e o ciclo 2 representa o segundo ciclo de 4 anos para outro conjunto de sementes híbridas plantadas nos mesmos ambientes de campo e assim por diante.
[00138] Em uma modalidade, o cálculo dos valores de rendimento normalizados pode ser baseado em ciclos similares para as sementes híbridas plantadas em múltiplos campos. Por exemplo, o valor do ren- dimento normalizado para o ciclo 1 pode ser calculado como uma mé- dia dos valores de campo observados nos campos PS3 (2009), PS4 (2010), MD1 (2011), MD2 (2012). Em se fazendo isso, os valores de rendimento podem ter sua média realizada com base na característica comum de quantos ciclos de crescimento ocorreram nos campos em particular. Em outras modalidades, o cálculo dos valores de rendimen- to normalizados pode ser baseado em outras propriedades agrícolas a partir de registros de dados agrícolas, tal como o mesmo ano ou mes- ma região/campo.
[00139] Em uma modalidade, a classificação ambiental para cada uma das sementes híbridas pode ser calculada utilizando-se uma pro- priedade de campo de maturidade relativa associada aos registros de dados agrícolas das sementes híbridas. Por exemplo, a semente híbri- da específica pode ter sido plantada em vários campos dentro da regi-
ão 820. Cada um dos campos dentro da região 820 é classificado co- mo apresentando uma estação de crescimento observada que se ali- nha com a maturidade relativa de 110 dias. Portanto, com base nos campos associados à semente híbrida específica, a classificação am- biental para a semente híbrida específica pode receber uma maturida- de relativa que é igual à da região 820, que é de 110 dias. Em outras modalidades, se os campos associados às observações de histórico da semente híbrida específica incluírem os campos classificados den- tro de múltiplas regiões, então, a classificação ambiental pode ser cal- culada como uma média de diferentes valores designados de maturi- dade relativa.
[00140] Em uma modalidade, o bases de dados das propriedades de semente híbrida contém valores de campo normalizados para cada semente híbrida e uma classificação ambiental que descreve o valor de maturidade relativa associado ao valor de rendimento normalizado. Em outras modalidades, o bases de dados das propriedades de se- mente híbrida também pode incluir as propriedades relacionadas ao ciclo de crescimento de semente híbrida e as propriedades de campo, tal como rotações de plantação, lavoura, observações climáticas, composição de solo e quaisquer outras observações agrícolas.
[00141] Com referência novamente à figura 7, na etapa 720, as ins- truções de probabilidade de geração de sucesso 174 fornecem instru- ções para gerar um bases de dados de marcações de probabilidade de sucesso para cada uma das sementes híbridas, o que descreve uma probabilidade de um rendimento bem-sucedido como um valor de probabilidade de alcançar um rendimento bem-sucedido com relação aos rendimentos alvo de outras sementes híbridas com a mesma ma- turidade relativa. Em uma modalidade, as marcações de probabilidade de sucesso para as sementes híbridas são baseadas no bases de da- dos das propriedades de sementes híbridas com relação às geolocali-
zações associadas aos campos alvo. Por exemplo, os valores de ma- turidade relativa associados às geolocalizações dos campos alvo são utilizados, em parte, para determinar o conjunto de sementes híbridas a ser avaliado a fim de se calcular uma marcação de probabilidade de sucesso para uma semente híbrida em particular. Por exemplo, o hí- brido de milho 002 pode ser uma semente híbrida com um rendimento normalizado calculado como 7,5 alqueires por acre e uma maturidade relativa designada de 100 GDD. O híbrido de milho 002 é, então, com- parado com outras sementes híbridas que possuem maturidade relati- va similar a fim de se determinar se o milho hibrido 002 é um bom candidato para plantio com base no valor de rendimento normalizado do híbrido de milho 002 e outras sementes híbridas. As mesmas técni- cas podem ser utilizadas para soja e essa descrição não está limitada ao milho.
[00142] As técnicas de aprendizado de máquina são implementa- das para determinar a probabilidade de marcações de sucesso para as sementes híbridas nas geolocalizações associadas aos campos alvo. Em uma modalidade, os valores de rendimento normalizado e valores de maturidade relativa designados são utilizados como variáveis de previsão para modelos de aprendizado de máquina. Em outras moda- lidades, propriedades adicionais de sementes híbridas, tal como rota- ções de plantação, lavoura, observações climáticas, composição de solo, também podem ser utilizadas como variáveis de previsão adicio- nais para os modelos de aprendizado por máquina. A variável alvo dos modelos de aprendizado por máquina é um valor probabilístico que varia de O a 1, onde O é igual a 0% de probabilidade de um rendimento bem-sucedido e 1 é igual a 100% de probabilidade de um rendimento bem-sucedido. Em outras modalidades, a variável alvo pode ser um valor probabilístico que pode ser escalonado de O a 10, de 1 a 10, ou qualquer outra escala de medição. Um rendimento bem-sucedido é descrito como a probabilidade de o rendimento de uma semente híbri- da específica estar um valor determinado acima do rendimento médio para sementes híbridas de classificação similar. Por exemplo, um rendi- mento bem-sucedido pode ser definido como um rendimento que está a alqueires por acre acima do rendimento médio das sementes híbridas que possuem o mesmo valor de maturidade relativa designado.
[00143] A figura9 apresenta um gráfico de amostras descrevendo a faixa de valores de rendimento normalizado para sementes híbridas dentro de uma maturidade relativa classificada. O valor médio 905 re- presenta o valor de rendimento médio calculado para sementes híbri- das que possuem a mesma maturidade relativa, tal como 110 GDD. Em uma modalidade, a determinação de quais sementes híbridas pos- suem um campo normalizado significativo acima do valor médio 905 pode ser calculada pela implementação de um cálculo de diferença menos significativa. A diferença menos significativa é um valor em um nível particular de probabilidade estatística. Se o valor for excedido pela diferença entre duas médias, então, as duas médias são conside- radas distintas. Por exemplo, se a diferença entre os valores de rendi- mento de uma semente híbrida e o rendimento médio calculado exce- der o valor de diferença menos significativa, então, o rendimento da semente híbrida é considerado distinto. Em outras modalidades, a de- terminação das diferenças significativas entre os valores de rendimen- to e o valor médio 905 pode ser realizada utilizando-se qualquer outro algoritmo estatístico.
[00144] A faixa 910 representa uma faixa de valores de rendimento que são considerados incluídos no valor de diferença menos significa- tiva, e, portanto, não são significativamente distintos. O limite 915 re- presenta o limite superior da faixa 910. Os valores de rendimento nor- malizado acima do limite 915 são, então, considerados significativa- mente distintos do valor médio 905. Em uma modalidade, a faixa 910 e o limite 915 podem ser configurados para representar um limite para determinar quais rendimentos de semente híbrida são considerados significativamente superior ao valor médio 905 e, portanto, um valor de rendimento bem-sucedido. Por exemplo, o limite 915 pode ser configu- rado para igualar um valor, que é igual a 5 alqueires por acre acima do valor médio 905. Em uma modalidade, o limite 915 pode ser configurado como um valor de rendimento que depende do valor médio 905, da faixa 910 e da faixa geral dos valores de rendimento para as sementes hí- bridas específicas que possuem a mesma maturidade relativa.
[00145] A faixa 920 representa uma faixa de valores de rendimento para sementes híbridas que são considerados rendimentos bem- sucedidos. A semente híbrida 925 representa uma semente híbrida específica dentro da faixa 902 que possui um valor de rendimento normalizado acima do limite 915. Em uma modalidade, os modelos de aprendizado com máquina podem ser configurados para utilizar a faixa 910 e o limite 915 quando do cálculo da probabilidade de marcações bem-sucedidas entre O e 1. Os modelos de aprendizado por máquina podem incluir, mas não estão limitados a, regressão logística, mata randômica, modelagem de máquina de vetor, e modelagem de amplifi- cação de gradiente.
[00146] Em uma modalidade, a regressão logística pode ser imple- mentada como a técnica de aprendizado por máquina para determinar a probabilidade de marcações de sucesso para cada uma das semen- tes híbridas para os campos alvo. Para a regressão logística, os valo- res registrados para cada semente híbrida são o valor de rendimento normalizado e a classificação ambiental, que é especificada como ma- turidade relativa. A forma funcional da regressão logística é: eatbrx +0x2 P(y =1|x, =yld,, x, = RM;) = Trgatbntoxs onde P(y = 17 = yld,, x2 = RM;)
[00147] É a probabilidade de sucesso (y = 1) para o produto / com o valor de rendimento normalizado e no campo alvo j com uma maturi- dade relativa determinada; as constantes a, b e c são os coeficientes de regressão estimados através do histórico de dados. O resultado da regressão logística é um conjunto de marcações de probabilidade en- tre O e 1 para cada semente híbrida especificando o sucesso no cam- po alvo com base na maturidade relativa designada para a geolocali- zação associada aos campos alvo.
[00148] Em outramodalidade, um algoritmo de mata randômica po- de ser implementado como a técnica de aprendizado por máquina pa- ra determinar a probabilidade de marcações de sucesso para cada uma das sementes híbridas para os campos alvo. O algoritmo de mata randômica é um método de aprendizado por máquina combinado que opera pela construção de múltiplas árvores de decisão durante um pe- ríodo de treinamento e, então, resulta na classe que é a regressão média das árvores individuais. Os valores registrados para cada se- mente híbrida são o valor de rendimento normalizado e a classificação ambiental como maturidade relativa. O resultado é um conjunto de marcações de probabilidade para cada semente híbrida entre O e 1.
[00149] Em outra modalidade, a modelagem de máquina de vetor de suporte (SVM) pode ser implementada como a técnica de aprendi- zado por máquina para determinar a probabilidade de marcações de sucesso para cada uma das sementes híbridas para os campos alvo. A modelagem de máquina de vetor de suporte é um modelo de apren- dizado supervisionado utilizado para classificar se realiza o registro utilizando a classificação e análise de regressão. Os valores de entra- da para o modelo de máquina de vetor de suporte são valores de ren- dimento normalizados e os valores de maturidade relativa de classifi- cação ambiental para cada semente híbrida. A saída é um conjunto de marcações de probabilidade para cada semente híbrida entre O e 1.
Em outra modalidade, a modelagem de amplificação de gradiente (GBM) pode ser implementada como a técnica de aprendizado por máquina, onde os valores registrados são os valores de rendimento normalizado e os valores de maturidade relativa de classificação am- biental para cada semente híbrida. A amplificação de gradiente é uma técnica para problemas de regressão e classificação, que produz um modelo de previsão na forma de um conjunto de modelos de previsão fracos, tal como árvores de decisão.
[00150] Com referência à figura 7, na etapa 725, as instruções de classificação de rendimento 176 geram um grupo de rendimento alvo de sucesso criado a partir de um subconjunto de sementes híbridas que foram identificadas como possuindo uma alta probabilidade de re- duzir um rendimento, que é significativamente maior do que o rendi- mento alvo para outras sementes híbridas dentro da mesma classifica- ção de maturidade relativa para os campos alvo. Em uma modalidade, o grupo de rendimento alvo de sucesso contém sementes híbridas que apresentam probabilidade de valores de sucesso que estão acima de um limite de probabilidade de sucesso específico. O limite de probabi- lidade de sucesso pode ser o valor de probabilidade configurado que está associado aos rendimentos que são significativamente mais altos do que o rendimento médio de outras sementes híbridas. Por exemplo, se na etapa 7/20 o limite de rendimento para rendimentos bem- sucedidos for igual a cinco alqueires por acre acima do valor médio, então, o limite de probabilidade de sucesso pode ser associado a uma probabilidade de valor de sucesso igual ao limite de rendimento. Por exemplo, se o limite de rendimento for igual a cinco alqueires por acre acima do rendimento médio e possuir um valor de probabilidade de sucesso de 0,80, então, o limite de probabilidade de sucesso pode ser designado como 0,80. Nesse exemplo, o grupo de rendimento alvo de sucesso conterá sementes híbridas que possuem valores de probabili-
dade de sucesso iguais a ou superiores a 0,80.
[00151] Em outras modalidades, o limite de probabilidade de suces- so pode ser configurado para ser mais alto ou mais baixo dependendo de se o agricultor deseja um grupo de rendimento alvo de sucesso menor ou maior, respectivamente.
3.3 Apresentação do Grupo de Rendimento Alvo de Sucesso
[00152] Em uma modalidade, o grupo de rendimento alvo de suces- so contém sementes híbridas que possuem um valor de maturidade relativa designado que é igual à maturidade relativa associada aos campos alvo. Na etapa 730, a camada de apresentação 134 do siste- ma de computador de inteligência agrícola 130 é configurada para exi- bir ou causar a exibição, em um dispositivo de exibição no dispositivo de computação de gerenciador de campo 104, dos valores de rendi- mento normalizado e de grupo de rendimento alvo de sucesso para cada semente híbrida dentro do grupo de rendimento alvo de sucesso. Em outra modalidade, a camada de apresentação 134 pode comunicar a exibição do grupo de rendimento alvo de sucesso para qualquer ou- tro dispositivo de exibição que possa ser acoplado, de forma comuni- cativa, ao sistema de computador de inteligência agrícola 130, tal co- mo dispositivos de computador remoto, dispositivos de exibição dentro de uma cabine, ou quaisquer outros dispositivos móveis conectados. Em outra modalidade, a camada de apresentação 134 pode comunicar o grupo de rendimento alvo de sucesso a outros sistemas e subsiste- mas com o sistema de computador de inteligência agrícola 130 para processamento e apresentação posteriores.
[00153] Em uma modalidade, a camada de apresentação 134 pode exibir dados de propriedade de semente híbrida adicionais e outros dados agrícolas que podem ser relevantes para o agricultor. A camada de apresentação 134 também pode classificar a semente híbrida no grupo de rendimento alvo de sucesso com base na probabilidade dos valores de sucesso. Por exemplo, a exibição de sementes híbridas po- de ser classificada na ordem descendente de probabilidade de valores de sucesso, de modo que o agricultor possa visualizar as sementes híbridas mais bem-sucedidas para seus campos alvo em primeiro lu- gar.
[00154] Em algumas modalidades, depois de receber a informação exibida, um agricultor pode agir na informação e plantar as sementes híbridas sugeridas. Em algumas modalidades, os agricultores podem operar como parte da organização que determinar o grupo de rendi- mento alvo de sucesso e/ou pode ser independente da mesma. Por exemplo, os agricultores podem ser clientes da organização, determi- nando o grupo de rendimento alvo de sucesso e podem plantar as se- mentes com base no grupo de rendimento alvo de sucesso.
4. Visão Geral Funcional — Geração e Exibição das Sementes Híbridas Alvo para Plantio
[00155] A figura 10 apresenta um exemplo detalhado de geração de um conjunto de sementes híbridas alvo identificadas para o desempe- nho de rendimento ideal e risco gerenciado nos campos alvo, com ba- se nos registros de dados agrícolas das sementes híbridas e nos da- dos de geolocalização associados aos campos alvo.
4.1. Registro de Dados
[00156] Na etapa 1005, o sistema de computador de inteligência agrícola 130 recebe um bases de dados de sementes híbridas candi- datas, incluindo uma ou mais sementes híbridas adequadas para plan- tio em campos alvo, valores de probabilidade de sucesso associados a cada semente híbrida, e histórico de dados agrícolas associados a ca- da semente híbrida. Em uma modalidade, o bases de dados das se- mentes híbridas candidatas pode incluir um conjunto de uma ou mais sementes híbridas identificadas pelo subsistema de classificação de sementes híbridas 170 como possuindo uma alta probabilidade de produção de valores de rendimento bem-sucedido em campos alvo e histórico de dados agrícolas associados a cada semente híbrida no conjunto de sementes híbridas candidatas. O grupo de rendimento al- vo de sucesso gerado na etapa 725, na figura 7, pode representar o bases de dados de sementes híbridas candidatas.
[00157] Em uma modalidade, o histórico de dados agrícolas pode incluir dados agrícolas relacionados ao plantio, crescimento e colheita de sementes híbridas específicas em um ou mais campos. Exemplos de dados agrícolas podem incluir, mas não estão limitados a histórico de valores de rendimento, informação de tempo de colheita, e maturidade relativa de uma semente híbrida e qualquer outro dado de observação sobre o ciclo de vida útil da planta. Por exemplo, se o bases de dados das sementes híbridas candidatas for o grupo de rendimento alvo de su- cesso do subsistema de classificação de semente híbrida 170, então, os dados agrícolas podem incluir um valor médio de rendimento e uma maturidade relativa designada para cada semente híbrida.
[00158] Na etapa 1010, o sistema de computador de inteligência agrícola 130 recebe dados sobre os campos alvo onde o agricultor es- tá planejando plantar o conjunto de sementes híbridas alvo. Em uma modalidade, os dados sobre os campos alvo são informação de pro- priedade que inclui, mas não está limitada a, informação de geolocali- zação para os campos alvo e informação de dimensão e tamanho para cada um dos campos alvo. Em uma modalidade, a informação de geo- localização para os campos alvo pode ser utilizada em conjunto com o histórico de dados agrícolas para determinar o conjunto ideal de se- mentes híbridas alvo e a quantidade de cada uma das sementes híbri- das alvo para plantar em cada um dos campos alvo, com base na ma- turidade relativa e clima dos campos alvo.
4.2 Seleção de Semente Híbrida
[00159] Na etapa 1015, as instruções de filtragem de semente híi-
brida 182 fornecem instrução para selecionar um subconjunto de uma ou mais sementes híbridas a partir do conjunto candidato de sementes híbridas que possui um valor de probabilidade de sucesso superior a ou igual a um limite de filtragem de probabilidade alvo. Em uma moda- lidade, o limite de filtragem de probabilidade alvo é um limite configu- rado do valor de probabilidade de sucesso associado a cada uma das sementes híbridas no conjunto candidato de sementes híbridas. O limi- te de filtragem de probabilidade alvo pode ser utilizado para estreitar o conjunto de seleção de sementes híbridas com base apenas na sele- ção das sementes híbridas que apresentam uma determinada probabi- lidade de sucesso. Em uma modalidade, se o conjunto candidato de sementes híbridas representar o grupo de rendimento alvo de sucesso gerado na etapa 725, então, é provável que o conjunto de sementes híbridas já tenha sido filtrado para incluir apenas as sementes híbridas com um valor de alta probabilidade de sucesso. Em um exemplo, o limite de filtragem de probabilidade alvo pode apresentar o mesmo va- lor limite que o limite de rendimento bem-sucedido utilizado para gerar o grupo de rendimento alvo de sucesso. Se esse for o caso, então, o subconjunto de uma ou mais sementes híbridas pode incluir todo o conjunto de sementes híbridas. Em outro exemplo, o agricultor pode desejar estreitar ainda mais a lista de sementes híbridas, o que pode ser alcançado pela configuração de um valor de probabilidade de su- cesso mais alta para o limite de filtragem de probabilidade alvo para filtrar as sementes híbridas que apresentam valores de probabilidade de sucesso inferiores ao desejado.
[00160] Na etapa 1020, as instruções de normalização de semente 172 fornecem instrução para gerar um valor de rendimento representa- tivo para cada semente híbrida, no subconjunto de uma ou mais se- mentes híbridas, com base no histórico de valores de rendimento dos dados de agrícola para cada uma das sementes híbridas. Em uma modalidade, o valor de rendimento representativo é um valor de ren- dimento esperado para uma semente híbrida específica se plantada em um campo com base no histórico de valores de rendimento e ou- tros dados agrícolas observados a partir das últimas colheitas. Em uma modalidade, o valor de rendimento representativo é uma média calculada dos rendimentos de múltiplas estações de crescimento dife- rentes observadas em múltiplos campos. Por exemplo, o valor de ren- dimento representativo pode ser calculado como uma média de dife- rentes anos de ciclo de crescimento observados, onde um rendimento médio de ciclo de crescimento de primeiro ano para a semente híbrida específica pode incorporar combinar os valores de rendimento obser- vados de diferentes campos durante diferentes anos. Depois de se calcular os rendimentos médios de crescimento para diferentes anos de ciclo de crescimento, cada uma das médias pode ser combinada para gerar um rendimento médio representativo para cada semente híbrida específica. Em outra modalidade, o valor de rendimento repre- sentativo pode ser o valor de rendimento normalizado calculado na etapa 715.
4.3. Geração de Valores de Risco para Sementes Híbridas
[00161] Na etapa 1025, as instruções de geração de risco 184 for- necem instrução para gerar um bases de dados de valores de risco para cada semente híbrida no subconjunto de uma ou mais sementes híbridas, com base no histórico de dados agrícolas associados a cada uma das sementes híbridas. Os valores de risco descrevem a quanti- dade de risco, em termos de variabilidade de rendimento, para cada semente híbrida, com base no valor de rendimento representativo. Por exemplo, se para o híbrido de milho 002, o rendimento representativo é de 15 alqueires por acre no entanto, a variabilidade para o híbrido de milho 002 é alta, de modo que o rendimento pode variar de 5 alqueires por acre a 25 alqueires por acre, então, é provável que o rendimento representativo para o híbrido de milho 002 não seja uma boa represen- tação do rendimento real, visto que o rendimento pode variar entre 5 e alqueires por acre. Os valores de alto risco estão associados à alta variabilidade no retorno do rendimento, ao passo que os valores de baixo risco estão associados à baixa variabilidade no retorno do ren- dimento e os resultados de rendimento que estão alinhados mais pró- ximos com o rendimento representativo.
[00162] Em uma modalidade, os valores de risco para as sementes híbridas são baseados na variabilidade entre os retornos de rendimen- to a cada ano para uma semente híbrida específica durante dois ou mais anos. Por exemplo, calcular um valor de risco para o híbrido de milho 002 inclui calcular a variabilidade dos valores de rendimento de muitos anos de resultado de rendimento a partir do histórico de dados agrícolas. A variação no resultado de rendimento de 2015 e 2016 para híbrido de milho 002 pode ser utilizada para determinar um valor de risco que pode estar associado ao valor de rendimento representativo para o híbrido de milho 002. Determinar a variação do resultado de rendimento não está limitado a utilizar o resultado de rendimento dos dois anos anteriores, a variação pode ser calculada com os dados de resultado de rendimento de muitos anos. Em uma modalidade, os va- lores de risco calculados podem ser representados em termos de um desvio padrão de alqueire por acre, onde o desvio padrão é calculado como a raiz quadrada da variação de risco calculado.
[00163] Em uma modalidade, os valores de risco para as sementes híbridas podem ser baseados na variabilidade do resultado de rendi- mento das observações, de campo em campo, durante um ano espe- cífico. Por exemplo, calcular um valor de risco associado à variabilida- de de campo pode incluir determinar a variabilidade de rendimentos de cada campo observado, para uma semente híbrida específica, durante um ano especifico. Se para uma semente híbrida específica, o resulta-
do de rendimento observado através de vários campos varia de 5a 15 alqueires por acre, então, a semente híbrida específica pode ter uma alta variabilidade de campo. Como resultado disso, a semente híbrida específica pode receber um fator de alto risco com base na variabili- dade de campo, visto que o resultado esperado em qualquer campo determinado pode variar entre 5 e 50 alqueires por acre, em vez de estar mais próximo do valor de rendimento representativo.
[00164] Em outramodalidade, os valores de risco para as sementes híbridas podem ser baseados na variabilidade entre os retornos de rendimento, ano a ano, e a variabilidade entre as observações, campo a campo. Ambos os valores de risco, ano a ano, e os valores de risco, campo a campo, podem ser combinados para representar um valor de risco que incorpora a variabilidade do resultado de rendimento através de múltiplos campos observados e múltiplas estações observadas. Em outras modalidades, os valores de risco podem incorporar outros da- dos de sementes de plantações observados associados ao histórico de crescimento e rendimento da plantação.
4.4 Geração de Bases de dados de Sementes Híbridas Alvo
[00165] Na etapa 1030, as instruções de classificação de otimiza- ção 186 fornecem instrução para gerar um bases de dados de semen- tes híbridas alvo para plantio em campos alvo, com base no bases de dados de valores de risco, nos valores de rendimento representativos para as sementes híbridas, e em uma ou mais propriedades para os campos alvo. Em uma modalidade, as sementes híbridas alvo, no ba- ses de dados das sementes híbridas alvo, são selecionadas com base em seus valores de rendimento representativo e nos valores de risco associado do bases de dados de valores de risco.
[00166] Determinar qual combinação de sementes híbridas incluir no bases de dados das sementes híbridas alvo envolve determinar uma relação entre o rendimento representativo para uma semente hí-
brida específica e o valor de risco associado com a semente híbrida específica. Escolher as sementes híbridas que apresentam rendimen- tos representativos altos pode não resultar em um conjunto ideal de sementes híbridas, se as sementes híbridas de alto rendimento tam- bém apresentarem um alto nível de risco. Inversamente, escolher as sementes híbridas que apresentam baixos valores de risco pode não significar um retorno de rendimento alto o suficiente do investimento.
[00167] Em uma modalidade, as sementes híbridas, do subconjunto de uma ou mais sementes híbridas, podem ser representadas com ba- se em seus valores de rendimento representativo respectivo X seus valores de risco associados. A figura 11 apresenta um gráfico ilustrati- vo 1105 do rendimento X risco para o subconjunto de uma ou mais sementes híbridas. O eixo geométrico y 1110 representa o rendimento representativo, como o rendimento esperado, para as sementes híbri- das e o eixo geométrico x 1115 representa os valores de risco para as sementes híbridas expressas como desvio padrão. Pela representação dos valores de risco como desvio padrão, a unidade de valores de ris- co pode ser igual às unidades para o rendimento representativo, que é de alqueires por acre. Pontos no gráfico 1105, representados pelo grupo 1125 e o grupo 1130, representam cada uma das sementes hí- bridas do subconjunto de uma ou mais sementes híbridas. Por exem- plo, o gráfico 1105 ilustra que a semente híbrida 1135 possui um valor de rendimento representativo de duzentos alqueires por acre e um va- lor de risco possuindo um desvio padrão de cento e noventa e um al- queires por acre. Em outras modalidades, o gráfico 1105 pode ser ge- rado utilizando-se unidades diferentes, tal como lucro por acre, medi- dos em dólares, ou qualquer outra unidade derivada da medição.
[00168] Em uma modalidade, determinar quais sementes híbridas pertencem ao bases de dados de sementes híbridas alvo envolve de- terminar um retorno de rendimento esperado para uma quantidade de risco especificada. Para se gerar o conjunto de sementes híbridas alvo que provavelmente será resiliente a vários fatores ambientais e outros fatores, é preferível se gerar um conjunto diverso de sementes híbri- das que contém sementes híbridas com ambos os valores de risco menor e maior, além de moderado para alto resultado de rendimento. Com referência à figura 10, a etapa 1032 representa a geração de um limite alvo dos valores de rendimento representativo para uma faixa de valores de risco. Em uma modalidade, as instruções de classificação de otimização 186 fornecem instrução para se calcular uma curva fron- teiriça ideal que representa um limite do resultado de rendimento ideal com uma quantidade gerenciável de tolerância ao risco através da fai- xa de valores de risco. Uma curva fronteiriça é uma curva encaixada que representa o resultado ideal com relação aos valores de registro representados, considerando-se a eficiência ideal. Por exemplo, o grá- fico 1105 contém sementes híbridas baseadas no rendimento represen- tativo X o valor de risco, onde pode ser inferido que uma semente híbrida específica, que possui um rendimento mais alto, tem chances de também apresentar o maior risco. Inversamente, as sementes híbridas que pos- suem valores de risco mais baixos têm mais chances de apresentarem valores de rendimento representativo mais baixos. A curva fronteiriça 1120 representa uma curva ideal que rastreia a quantidade ideal de rendimento com base em uma faixa de valores de risco.
[00169] Na etapa 1034, as instruções de classificação de otimiza- ção 186 fornecem instruções para selecionar as sementes híbridas que criam o conjunto de sementes híbridas alvo pela seleção de se- mentes híbridas que possuem um rendimento representativo e valor de risco que correspondem ao limite definido pela curva fronteiriça
1120. As sementes híbridas que se encontram na ou perto da curva fronteiriça 1140 representam o conjunto ideal de sementes híbridas para o bases de dados de sementes híbridas alvo. As sementes híbri-
das que se encontram sob a curva fronteiriça 1120 possuem resultado de rendimento aquém do ideal para o nível de risco ou possuem um risco superior ao desejado para o nível de resultado de rendimento produzido. Por exemplo, a semente híbrida 1135 está sob a curva fron- teiriça 1120 e pode ser interpretada como possuindo um rendimento inferior ao ideal para sua quantidade de risco, como ilustrado pela co- locação da semente híbrida 1135 verticalmente abaixo da curva fron- teiriça 1120. Além disso, a semente híbrida 1135 pode ser interpretada como possuindo um risco maior do que o esperado para seu resultado de rendimento, como ilustrado pela colocação da semente híbrida 1135 horizontalmente para a direita da curva fronteiriça 1120 para es- sa quantidade de rendimento representativo. Sementes híbridas 1135 que não estão em ou perto da curva fronteiriça 1120 possuem rendi- mento representativo aquém do ideal para os seus valores de risco associados e, portanto, não estão incluídas no conjunto de sementes híbridas alvo. Ainda , as sementes híbridas 1135 representam as semen- tes híbridas que possuem um valor de risco superior ao desejado e, por- tanto, não estão incluídas no conjunto de sementes híbridas alvo.
[00170] Em uma modalidade, as instruções de classificação de oti- mização 186 fornecem instrução para gerar instruções de alocação para cada semente híbrida alvo no conjunto de sementes híbridas al- vo. Instruções de alocação descrevem uma quantidade de alocação de sementes para cada semente híbrida alvo no conjunto de sementes híbridas alvo que fornece uma estratégia de alocação ideal para um agricultor com base na quantidade e localização de campos alvo. Por exemplo, instruções de alocação para um conjunto de sementes híbri- das alvo que inclui sementes (CN-001, CN-002, SOY-006, CN-023) podem incluir uma alocação de 75% de CN-001, 10% de CN-002, 13% de SOY-005, e 2% de CN-023. As modalidades de instruções de alo- cação podem incluir, mas não estão limitadas a, número de sacos de sementes, um percentual de sementes totais a serem semeadas atra- vés dos campos alvo, ou um número de lote de acres para cada se- mente híbrida alvo a ser semeada. Em uma modalidade, a determina- ção das quantidades de alocação pode ser calculada utilizando-se um produto de solução de otimização de terceiras partes, tal como CPLEX Optimizer da IBM. CPLEX Optimizer é um solucionador de programa- ção matemática para programação linear, programação de inteiro mis- to, e programação quadrática. Os solucionadores de otimização, tal como CPLEX Optimizer, são configurados para avaliar os valores de rendimento representativo e valores de risco associados às sementes híbridas alvo e determinam um conjunto de instruções de alocação pa- ra alocação de quantidades de sementes para cada uma das semen- tes híbridas alvo no conjunto de sementes híbridas alvo. Em uma mo- dalidade, o solucionador de otimização pode utilizar a soma de valores de rendimento representativo das sementes híbridas alvo e uma soma calculada de valores de risco das sementes híbridas alvo para calcular um limite de risco total configurado, que pode ser utilizado para deter- minar os limites superiores de risco permitido e resultado de rendimen- to para o conjunto de sementes híbridas alvo.
[00171] Em outra modalidade, o solucionador de otimização tam- bém pode registrar dados de campo alvo descrevendo o tamanho, formato e geolocalização de cada um dos campos alvo, a fim de de- terminar as instruções de localização que incluem instruções de colo- cação para cada um dos lotes de sementes híbridas alvo. Por exem- plo, se um campo alvo em particular for formatado ou dimensionado de uma forma particular, o solucionador de otimização pode determinar que o lote de uma semente híbrida alvo é preferível no campo em par- ticular, em oposição ao plantio de múltiplas sementes híbridas alvo no campo em particular. O solucionador de otimização não está limitado ao Otimizador CPLEX, outras modalidades podem implementar outros solucionadores de otimização, ou outros algoritmos de otimização, pa- ra determinar conjuntos de instruções de alocação para o conjunto de sementes híbridas alvo.
4.5. Análise de Portifólio de Semente
[00172] A etapa 1030 descrita determina e gera o conjunto de se- mentes híbridas alvo para um agricultor com base nos campos alvo utilizando a curva fronteiriça para determinar o resultado de rendimen- to ideal para o nível desejado de risco. Em uma modalidade, as instru- ções de classificação de otimização 186 fornecem instrução para con- figurar a curva fronteiriça para determinar o desempenho ideal geral para um portifólio de sementes do agricultor com relação a outros agri- cultores dentro da mesma região ou sub-região. Por exemplo, o resul- tado de rendimento representativo e os valores de risco gerais podem ser calculados para cada agricultor dentro de uma região específica. Por exemplo, utilizando-se histórico de dados agrícolas para múltiplos agricultores, os valores de rendimento representativos e valores de risco associados para as sementes híbridas plantadas por cada agri- cultor podem ser agregados para gerar um valor de resultado de ren- dimento agregado, e valor de risco agregado, associado a cada agri- cultor. Então, os valores agregados para cada agricultor podem ser representados em um gráfico de portifólio de sementes, similar ao grá- fico 1105, onde os pontos individuais no gráfico podem representar o resultado do rendimento agregado de sementes híbridas do agricultor e o risco agregado. Em uma modalidade, a curva fronteiriça pode ser gerada para determinar um resultado de rendimento agregado ideal e valor de risco agregado para os agricultores na região específica. Os agricultores que estão em ou perto da curva fronteiriça podem represen- tar os agricultores cujo portifólio de sementes produz a quantidade ideal de rendimento com uma quantidade de risco gerenciada. Os agricultores que estão abaixo da curva fronteiriça representam os agricultores que não estão maximizando o resultado com base em seu risco.
[00173] Em uma modalidade, as instruções de classificação de oti- mização 186 fornecem instrução para gerar uma mensagem de alerta para um agricultor em particular se o resultado do rendimento agrega- do e o risco agregado para o portifólio de semente do agricultor não corresponderem ao limite ideal para o portifólio de semente, como descrito pela curva fronteiriça em um gráfico de portifólio de semente. A camada de apresentação 134 pode ser configurada para apresentar e enviar a mensagem de alerta para o dispositivo de computação do gerenciador de campo 104 para o agricultor. O agricultor pode, então, ter a opção de solicitar um conjunto de sementes híbridas alvo que pode fornecer um resultado de rendimento ideal para as estações de crescimento futuras.
4.6. Apresentação de Conjunto de Sementes Híbridas Alvo
[00174] Em uma modalidade, o bases de dados de sementes híbri- das alvo pode conter os valores de rendimento representativos e valo- res de risco, a partir do bases de dados de valores de risco, associa- dos a cada semente híbrida alvo no bases de dados das sementes híbridas alvo para os campos alvo. Com referência à figura 10, na eta- pa 1035, a camada de apresentação 134 do sistema de computador de inteligência agrícola 130 é configurado para comunicar um monitor, em um dispositivo de exibição no dispositivo de computação de geren- ciador de campo 104, do bases de dados das sementes híbridas alvo incluindo os valores de rendimento representativo e valores de risco associados a cada semente híbrida alvo. Em outra modalidade, a ca- mada de apresentação 134 pode comunicar a exibição do bases de dados das sementes híbridas alvo para qualquer outro dispositivo de exibição que pode ser acoplado, de forma comunicativa, ao sistema de computador de inteligência agrícola 130, tal como os dispositivos de computador remoto, dispositivos de exibição dentro de uma cabine, ou qualquer outro dispositivo móvel conectado. Em outra modalidade adi- cional, a camada de apresentação 134 pode comunicar o bases de dados das sementes híbridas alvo para outros sistemas e subsiste- mas com o sistema de computador de inteligência agrícola 130 para processamento e apresentação adicional.
[00175] Em uma modalidade, a camada de apresentação 134 pode exibir instruções de alocação, incluindo lotes de sementes e informa- ção de localização, para cada semente híbrida alvo. A camada de apresentação 134 também pode classificar as sementes híbridas alvo com base na quantidade de lotes ou pode apresentar as sementes hí- bridas alvo com base na estratégia de colocação nos campos alvo. Por exemplo, a exibição das sementes híbridas alvo e instruções de aloca- ção podem ser sobrepostas em um mapa de campos alvo, de modo que o agricultor possa visualizar a estratégia de plantio para a próxima estação.
[00176] Em algumas modalidades, os agricultores podem absorver a informação apresentada relacionada com as instruções de alocação e plantar as sementes com base nas instruções de alocação. Os agri- cultores podem operar como parte da organização que está determi- nando as instruções de alocação, e/ou pode ser independente da mesma. Por exemplo, os agricultores podem ser clientes da organiza- ção que determina as instruções de alocação e pode plantar as se- mentes com base nas instruções de alocação.
5. Designação Automática de Produtos Híbridos ou de Sementes para Campos Específicos de um Agricultor
[00177] Como notado acima, as modalidades são úteis na alocação de produtos de semente ou híbridos que os agricultores compraram e na alocação desses produtos em campos particulares de uma opera- ção. Essa seção detalha as técnicas de designação de produtos para os campos utilizando técnicas de inteligência artificial que levam em consideração uma grande massa de dados referente aos campos es- pecíficos do agricultor, histórico de rendimento, características de pro- duto e dados geográficos, tal como maturidade relativa das regiões ou zonas nas quais os campos estão localizados.
[00178] As modalidades fornecem técnicas implementadas por computador para designar combinações de cada híbrido com cada campo individual, enquanto maximiza os campos de maior potencial com os produtos de maior potencial para obter a oportunidade de ren- dimento máximo. As modalidades se aplicam a ambas as operações de pesquisa e aprendizado por máquina para explorar a variabilidade nos ambientes de rendimento de cada campo para o potencial que ca- da híbrido no portifólio do agricultor apresenta. Ainda , as modalidades são programadas para recomendar produtos a serem plantados nos campos e produtos que não devem ser plantados. Isso é, se evitar o plantio que tem chances de não ser bem-sucedido é igualmente impor- tante na realização de designações automatizadas, tanto quanto for- necer recomendações positivas. As modalidades são programadas com o objetivo de combinar os melhores produtos com os melhores campos e se evitar a designação dos piores produtos para os piores campos. Em algumas modalidades, as técnicas de visualização distin- ta são utilizadas em uma apresentação GUI para distinguir as reco- mendações positivas das recomendações negativas.
[00179] Em algumas modalidades, as instruções de designação de campo são programadas para receber dados de otimização de portifó- lio como um registro. As instruções de designação de campo coope- ram com outras instruções, que foram descritas, e que recomendam quais sementes ou híbridos comprar no primeiro caso. Esses dados também podem incluir a quantidade a ser comprada com base na me- todologia de avaliação de risco que foi previamente descrita.
[00180] Em uma modalidade, as instruções de designação de cam-
po híbrido são programadas para otimizar as trocas de designação de produto (A, B) no campo (1,2) X (2,1) utilizando os produtos e campos específicos que um agricultor em particular possui, ou com os quais trabalha como parte de uma operação. Em uma modalidade, os cam- pos de uma operação do agricultor são caracterizados como de alto rendimento ou baixo rendimento, o que permite que um algoritmo pro- gramado preveja os resultados de duas designações. Em uma modali- dade, os campos de alto desempenho são campos com os 50% mais altos de rendimento em uma região, e os campos de baixo rendimento são os com os 50% mais baixos de rendimento na região.
[00181] A figura 12A ilustra um sistema de computador ilustrativo que é configurado para realizar as funções descritas aqui, ilustradas em um ambiente de campo com outro aparelho, com o qual o sistema pode interoperar. Na figura 12A, em comparação com a figura 1, refe- rências numéricas similares ilustram elementos similares que foram previamente explicados com referência às figura 1, 12A, e que podem ser visualizados como uma alternativa ou complemento à figura 1. Em uma modalidade, as instruções de designação de campo 136 e as ins- truções de classificador 138 são programadas para obter dados sobre híbridos e sementes do agricultor a partir do depósito 160 e para for- necer os dados para as instruções de classificador 138, resultando em dados POS de tuplas 142 utilizando as técnicas que são ainda expli- cadas aqui com relação a outras figuras do desenho.
[00182] Em uma modalidade, as instruções de designação de cam- po 136 podem ser implementadas utilizando um processo implemen- tado por computador ou algoritmo como ilustrado na figura 12B. A figu- ra 12B ilustra um processo de geração automática de designações de produtos híbridos ou de semente para os campos, em uma modalida- de. Na etapa 1202, o processo obtém um ou mais bases de dados de agricultor especificando fazendas, campos e inventários de produtos híbridos e de semente, tipicamente incluindo identificadores de produto e contagens de sacos. Os bases de dados do agricultor identificam, para os agricultores em particular, as unidades de operação que ope- ram ou gerenciam tal como fazendas, os campos dentro das fazendas, e os produtos de semente ou híbridos específicos que possuem em inventário. A informação de campo pode incluir dados de geolocaliza- ção para limites de campo, áreas de campo, nomes de campo e outra informação de identificação.
[00183] Na etapa 1204, o processo calcula ou obtém outros dados de registro, tal como valores de maturidade relativa, histórico de dados de rendimento, e dados de rendimento médio. A maturidade relativa se refere a valores para regiões nas quais os campos da etapa 1202 es- tão localizados. O histórico de dados de rendimento compreende valo- res especificando o rendimento real nas estações passadas para os mesmos campos que os identificados na etapa 1202. O rendimento médio para um estado relevante ou região se refere aos rendimentos para as mesmas plantações semeadas por outros com o mesmo RM, ou localizações similares, com relação aos campos identificados na etapa 1202. Os dados na etapa 1204 podem ser obtidos a partir do depósito 160, ou a partir do armazenador de dados centralizado ou armazenador em nuvem, e/ou a partir de depósitos de dados em rede em linha pública através de chamadas API, solicitações URL parame- trizadas, etc.
[00184] Na etapa 1206, o processo classifica os campos de cada agricultor como de alto desempenho ou baixo desempenho com base na comparação do histórico de rendimento dos campos com outros dados de rendimento do agricultor. Por exemplo, a etapa 1206 pode compreender a determinação de um valor percentual que expressa como cada campo de um agricultor se compara com um valor de ren- dimento médio para a mesma plantação na mesma região. As aborda-
gens específicas para implementação da etapa 1206 são discutidas ainda abaixo.
[00185] Na etapa 1208, o processo calcula os bases de dados de tuplas de todas as possíveis permutas de designações de dois (2) produtos para dois (2) campos, e as designações inversas dos mes- mos produtos e campos, para todos os produtos no inventário de um agricultor e todos os campos do agricultor, utilizando as técnicas que são descritas ainda abaixo. Dessa forma, cada par de permutas espe- cifica quatro (4) designações consistindo da designação de um primei- ro produto para um primeiro campo, um segundo produto para um se- gundo campo, além de o inverso. As abordagens específicas para im- plementação da etapa 1208 são discutidas ainda abaixo.
[00186] Na etapa 1210, o processo registra características especifi- cadas dos bases de dados de tuplas em um modelo de aprendizado por máquina treinado, para resultar em valores POS previstos para cada designação de produto e sua designação inversa. Em uma mo- dalidade, o modelo ML é utilizado em dois estágios que classificam os bases de dados de tuplas separadamente para os campos de alto de- sempenho e campos de baixo desempenho. As técnicas para determi- nação dos valores POS, dessa forma, foram previamente descritas em outras seções acima e são descritas ainda em outras seções abaixo.
[00187] Na etapa 121,0 processo mistura os valores POS previstos para todos os campos com os dados de classificação de campo como parte de um modelo de pesquisa de operações dos dados de campo, para resultar na criação e armazenamento de valores de marcação para cada par de designações de produto. Em geral, essa etapa aper- feiçoa a precisão de estimativas POS pela fatoração no rendimento real de dados obtidos a partir dos campos de pesquisa e desenvolvi- mento de um fornecedor de produtos híbridos ou de sementes. Abor- dagens específicas para implementação da etapa 1212 são discutidas ainda abaixo.
[00188] Na etapa 1214, o processo se aplica, opcionalmente, a uma ou mais restrições específicas do agricultor e atualizações dos valores de marcação com base nas restrições. Essa etapa garante que as exi- gências específicas do agricultor sejam fatoradas nas designações propostas dos produtos para os campos. Por exemplo, se um produto em particular for recomendado para designação para um campo, mas oO agricultor não tiver a quantidade suficiente desse produto para plan- tar o mesmo, devido ao tamanho do campo e de uma densidade dese- jada de plantas, então, a designação tem pouca utilidade. Abordagens específicas para a implementação da etapa 1214 são discutidas ainda abaixo.
[00189] Na etapa 1215, o processo designa, opcionalmente, os produtos para os campos com base nos valores de marcação mais altos para as designações candidatas. Essa etapa reflete que os da- dos podem ser enviados em uma forma bruta ou não ordenada em uma modalidade, ou designações podem ser realizadas automatica- mente com base na classificação ou ordenação dos valores de marca- ção mais altos, e as designações finais dos produtos para os campos nessa base podem ser apresentadas para o agricultor e/ou armazena- das no armazenador digital. Abordagens específicas para implementa- ção da etapa 1215 são discutidas ainda abaixo.
[00190] Na etapa 1216, o processo, opcionalmente, gera e causa a exibição de uma ou mais visualizações dos valores de marcação ou dados POS nos monitores de recomendação de designação, monito- res de marcação gráfica ou outros monitores. A etapa 1216 pode en- volver gerar e exibir, utilizando dispositivos de exibição de computador e/ou aplicativos de dispositivo móvel, tabelas de dados, gráficos, ou outras formas de recomendações, designações ou marcações. Abor- dagens específicas para implementação da etapa 1216 são discutidas ainda abaixo.
[00191] A figura 13 ilustra os princípios relacionados com um algo- ritmo de designação de campo ilustrativo da presente descrição. No exemplo da figura 13, o produto A possui uma probabilidade conhecida de sucesso (POS) de 0,7, enquanto B possui uma POS de 0,9. A ope- ração de um agricultor inclui o Campo 1 e o Campo 2, ambos os quais possuem 100 acres de tamanho, mas o campo 1 possui um histórico de rendimento médio de 200 bu/Ac, enquanto o campo 2 possui um histórico de rendimento médio de 180 bu/AC. Ambos os produtos A, B podem ser plantados em 100 acres, mas apenas um produto pode ser designado para um campo.
[00192] Duas designações de produtos para os campos são possí- veis. Uma primeira designação possível é que o produto A seja desig- nado para o Campo 1 e o produto B seja designado para o Campo 2. Uma segunda possível designação é a inversa. De acordo com uma modalidade, as instruções de otimização programadas selecionam a segunda designação, que melhor combina o desempenho do híbrido e do campo um com o outro.
[00193] Em uma modalidade, um inventário de agricultor é acessa- do utilizando-se dois produtos de cada vez como na figura 13, mesmo se o inventário do agricultor incluir muitos produtos a mais. Por exem- plo, se um inventário do agricultor incluir seis produtos denotados A, B, C, D, E, F, as instruções de designação de campo 136 são programa- das para calcular os resultados de designação A para o Campo 1 e B para o Campo 2 e o inverso; designar A para o Campo 1 e C para o Campo 2 e o inverso; designar A para o Campo 1 e D para o Campo 2 e o inverso; e assim por diante para todas as permutas não duplicadas dos produtos e campos. Outras permutas ilustrativas incluiriam a de- signação do produto B para o Campo 1 e C para o Campo 2, a desig- nação de C para o Campo 1 e D para o Campo 2, e assim por diante.
[00194] A figura 14 ilustra aspectos de integração da designação de permutas para um algoritmo de aprendizado por máquina. No exemplo da figura 14, um classificador ML treinado 1400 é utilizado para calcu- lar o resultado de uma designação de um produto para um campo. Dois estágios de classificação são utilizados para se calcular os resul- tados de um produto quando designado para campos de alto desem- penho 1402 ou campos de baixo desempenho 1404. Em uma modali- dade, todos os campos da operação de um agricultor são divididos em campos de alto desempenho e campos de baixo desempenho com base no histórico de dados de rendimento e aplicação dos princípios BLUP. Em uma modalidade, os campos são categorizados como de alto desempenho, quando o histórico de seu rendimento é superior a 50% do histórico de rendimento de todos os campos em um estado ou região particular, e campos são categorizados como de baixo rendi- mento, quando seu histórico de rendimento é inferior ao mesmo per- centual. Isso efetivamente agrupa todos os campos da operação de um agricultor nos 50% superiores ou 50% inferiores de desempenho de uma região ou estado.
[00195] O classificador ML 1400 é programado para classificar o desempenho de um registro de campo A, B para o grupo de campos representado pelos campos de alto desempenho 1402 e campos de baixo desempenho 1404. Com base no resultado do classificador, que calcula a probabilidade de sucesso (POS) da primeira designação e da segunda designação, observadas na figura 14, um modelo de aprendi- zado por máquina 1406 é programado para determinar se a designa- ção é boa ou desaconselhável. Em uma modalidade, uma designação é boa quando a POS de um produto em um grupo de campo é + 5 bu/Ac ou mais do que o histórico de rendimento desse grupo de cam- pos com base em BLUP. Uma designação é desaconselhável ou cate- gorizada como "outra" quando a POS do produto em um grupo de pro-
dutos é -5 bu/Ac ou menos do que o histórico de rendimento desse grupo de campos com base em BLUP. O resultado entre +/- 5 bu/Ac é considerado estatisticamente indistinguível ou neutro como uma de- signação. As regiões 1408, 1410 do gráfico 1406 ilustram essa abor- dagem. Em uma modalidade, os valores de rendimento são determi- nados através de BLUP como: [BLUP(AQHigh) + BLUP(BQLow)/2- [BLUP(AQLow) + BLUP(BQHigh)/2
[00196] Os valores +/- 5 bu/Ac são utilizados para ilustrar um exemplo claro, mas outras modalidades podem utilizar outros limites.
[00197] Dessa forma, o aprendizado por máquina é combinado de forma programática com os dados derivados da pesquisa de opera- ções para resultar em dados de designação de campo que não esta- vam previamente disponíveis e/ou indisponíveis com a mesma confi- ança ou precisão. Dados por agricultor personalizados são combina- dos com dados operacionais generalizados para outros campos para se obter um resultado acionável que o agricultor em particular pode usar para semear os campos. Em várias modalidades, os dados de resultado que representam as designações recomendadas podem ser utilizados nas exibições analíticas dos novos tipos e/ou acionar dire- tamente o equipamento de plantio para distribuir o produto correto pa- ra um campo designado.
[00198] A figura 15 ilustra valores que podem ser calculados como parte de um exemplo totalmente trabalhado. Em uma modalidade, as instruções de designação de campo 136 são programadas para obter dados de produto para um agricultor e o cálculo das permutas do in- ventor resulta, em um caso, na comparação dos produtos 1502, 1504, que podem ser denotados como híbridos DKC57-75RIB e DKC60- 67RIB, por exemplo. Ambos os produtos podem ter uma maturidade relativa de "110", por exemplo. Os dados desses híbridos são classifi-
cados utilizando-se o modelo de designação 1506 e resultam em um valor POS de saída 1508 igual a 0,33.
[00199] O valorPOS, então, pode ser utilizado em qualquer um dos dois pares alternativos de designações. Em uma primeira designação, o produto 1502 (DKC57-75RIB) pode ser modelado com campos de alto desempenho e o produto 1504 (DKC60-67RIB) seria modelado com campos de baixo desempenho, como observado na caixa 1510. Em uma segunda designação, o produto 1502 (DKC57-75RIB) seria modelado com campos de baixo desempenho e o produto 1504 (DKC60-67RIB) seria modelado com campos de alto desempenho, como observado na caixa 1512. Em uma modalidade, o valor POS 1506 de 0,33 é utilizado como o registro para uma etapa de seleção binária que testa se o valor está mais próximo de O ou 1. Nesse caso, está mais próximo de 0. Portanto, o segundo par de designação é utili- zado nas etapas subsequentes.
[00200] O resultado do modelo de aprendizado por máquina para a designação da caixa 1512 resulta em um primeiro valor de rendimento 1514 de 237,78 bu/Ac e um segundo valor de rendimento 1516 de 242,66 bu/Ac. A diferença desses resultados é de 4,88 bu/Ac. Isso é, a designação do produto 1504 (DKC60-67RIB) para um campo de alto desempenho deve resultar em um rendimento cerca de 5 bu/Ac maior do que a designação do produto 1502 para um campo de baixo de- sempenho.
[00201] A figura 16 ilustra como as presentes técnicas combinam um modelo de previsão e um modelo de pesquisa de operações para resultar em designações de campo híbrido precisas. Em uma modali- dade, os dados de saída do modelo de previsão, que foram descritos acimam são alimentados para um modelo de pesquisa de operações para resultar em uma designação de campo híbrido. O exemplo da fi- gura 16 envolve três (3) produtos 1602 e três (3) campos 1604 além de várias considerações para suportar a ilustração de um exemplo cla- ro. Os valores POS para várias permutas de produtos A, B, C são con- siderados como sendo iguais a 0,8, 0,6 e 0,5, como observado para os produtos 1602. Três campos de agricultor 1604 denotados 1,2, e 3 são considerados como apresentando rendimentos de 35, 60 e 75 percentil em comparação com o rendimento médio regional ou estadu- al.
[00202] “Com esses dados, executar o modelo de previsão para to- das as permutas dos produtos e campos resulta nos dados observa- dos na tabela 1606, onde fileiras representam pares de produtos e co- lunas representam pares de campos. Cada célula da tabela 1606 re- presenta o resultado do tipo previamente ilustrado com a figura 15. Pa- ra a célula 1607, o valor pode ser calculado como: Fórmula: (A, B)O(1,2) = [POS(A, B)-0,5)*[Percentual(Campo 1)sacos (Campo 1) + (1-Percentual (Campo 2))sacos(Campo 2)] = (0,8-0,5)* (0,75*25+(1-0,60)*15) = 7,425
[00203] Essa fórmula pode ser aplicada de forma similar a outros campos e produtos com base em seus valores específicos. Uma alter- nativa é:
[00204] Os dados são independentes do tamanho de campo em acres e o número de sacos do produto no inventário do agricultor. No entanto, os dados na tabela divulgarão a designação ideal de um par de produtos para um par de campos; no exemplo da figura 16, a célula 1608 contém a diferença máxima em valores POS. Portanto, a desig- nação recomendada é se plantar o produto A no campo 1 e se plantar o produto B no campo 3. Por motivos de finalização, o produto C é de- signado para o campo 2 e, portanto, todos os campos possuem uma designação de produto.
[00205] Em uma modalidade, o modelo de pesquisa de operações pode considerar outros fatores. Exemplos podem incluir se o teste de equipamento está ocorrendo; o número mínimo de sacos para a fa- zenda; se o produto está em campos próximos; o número máximo de produtos para a fazenda; plantio dividido de cada campo. O modelo OR pode agrupar as operações do agricultor que estão geografica- mente próximas em múltiplas operações de fazenda. Em uma modali- dade, o modelo OR envia uma designação de híbrido para cada cam- po e um gráfico de barras para a classificação de híbrido em cada campo. A figura 22 ilustra um monitor de tela gráfica ilustrativo para exibir as recomendações de resultado. Em uma modalidade, uma in- terface de usuário gráfica ou monitor de tela 2200 compreende uma tabela de dados 2202, um gráfico de barras 2204 e o mapa gráfico
2208. A tabela 2202 ilustra as designações recomendadas de híbridos para o campo. Em uma modalidade, cada fileira da tabela representa uma designação recomendada discreta, e as colunas da tabela especi- ficam uma fazenda, campo, número de acres, produto, número de sa- cos e tipo de teste para cada designação. Em uma modalidade, um gráfico de barras 2204 compreende uma pluralidade de barras codifi- cadas como descrito para a figura 21 e especificando quais produtos são recomendados, ou não recomendados, para o campo ilustrado no mapa gráfico 2208. Uma ou mais barras de valor negativo 2206 indi- cam os produtos que não são recomendados.
[00206] Em todas as ditas modalidades, os valores POS podem ser calculados, como previamente descrito, em outras seções dessa des- crição. Em geral, os dados dos campos de crescimento de pesquisa para sementes ou híbridos com maturidade relativa similar através de um período de anos são obtidos. Em um exemplo, os dados de rendi- mento de Illinois para 2014-2017 com RM variando de 105 a 110 fo- ram utilizados. Os dados são agrupados em ciclos; por exemplo, da- dos até 2014 são utilizados para previsões para 2015, dados até 2015 são utilizados para previsões até 2016, etc. Os pares de produtos são definidos como descrito previamente; por exemplo, um par (A, B) é se- lecionado de modo que Yield(AQHigh) + Yield(BQLow) seja compa- rado com Yield(AQLow) + Yield(BOQHigh), onde High, Low se referem ao desempenho dos campos. Um modelo de aprendizado por máquina é treinado com as seguintes características extraídas dos dados; ren- dimento dos dois anos anteriores para os pares como definido, a partir de uma fonte de dados especificada; diferença de POS de produto, diferença de RM de produto.
[00207] Em algumas modalidades, os dados utilizados como uma base para a geração de designações de campo, tal como valores de rendimento e POS, podem ser validados em comparação com os da- dos de pesquisa de campo em produção e/ou dados da experiência real do agricultor.
[00208] A figura 17 resume os registros, transformações e resulta- dos de dados que podem ser utilizados em uma modalidade das ins- truções de designação de campo 136. Em uma modalidade, os regis- tros de dados 1702 podem incluir dados obtidos a partir de computa- dores de cliente utilizados pelos agricultores, tal como dados coletados através dos computadores de cliente 104 (figura 1) e/ou o software Fl- ELD VIEW que foi previamente descrito; tais dados podem especificar métricas de localização, tamanho, densidade e colheita do campo. Os registros de dados 1702 também podem incluir dados do agricultor ,tal como pedidos de sementes, tipos de equipamento e parâmetros de gerenciamento de operações. Diferentemente das abordagens anterio- res, as modalidades utilizam registros específicos de agricultor que auxiliam na personalização das designações de campo para agriculto- res em particular. Os registros de dados 1702 também podem incluir modelos programados para calcular os valores POS de colocação e valores POS de designação.
[00209] O bloco 1704 ilustra as transformações sob um modelo de otimização de designação de campo de híbrido no qual o objetivo de fornecer uma designação operacional possível do produto para o cam- po, enquanto se fornece ou mantém a elevação de rendimento do por- tifólio, é alcançada pelo cálculo do modelo com base nas variáveis de decisão especificadas e nas restrições. Em uma modalidade, as variá- veis de decisão podem, incluir como alocar o produto por sacos para todos os campos além de violações de restrição operacional.
[00210] As restrições podem incluir limites no número de sacos de um produto, práticas de gerenciamento, eficiência de plantio e exigên- cias de agricultor. Por exemplo, as instruções de designação de cam- po 136 podem ser programadas para exigir o uso de um número mí- nimo de sacos de um produto em particular por campo. Restrições po- dem compreender restrições universais, restrições de gerenciamento de fazenda, restrições de preferência de agricultor, e restrições de pre- ferência de fornecedor de semente. Em uma modalidade, as restrições universais podem compreender: todos os campos possuem uma de- signação; um limite de pedido de semente em sacos de produto; rota- ção de produto; um produto por campo sempre que possível; diferença de +/- 2 RM em um campo; densidade para se obter os sacos. Em uma modalidade, as restrições de gerenciamento de fazenda podem compreender: produto em campos próximos; número mínimo de cai- xas para a fazenda com base na capacidade de plantio e proposta; número máximo de produtos para a fazenda com base na capacidade de plantio ou proposta. Em uma modalidade, as restrições de prefe- rência de agricultor podem compreender: teste de equipamento com produtos RM; produto com tratamento fungicida perto da base resi- dencial. Em uma modalidade, as restrições de preferência de fornece- dor de sementes pode compreender testes experimentais de híbridos e/ou testes de acúmulo.
[00211] "Recomendações resultantes 1706 podem ser apresentadas em uma interface de usuário gráfica 1708 ilustrando as designações de híbridos para campo e/ou em uma tabela de dados de colocação de híbridos em fazendas 1710.
[00212] As abordagens acima são adaptáveis a especificações par- ticulares dos agricultores. Por exemplo, um agricultor pode precisar de dados ou recomendações para toda uma fazenda, com restrições es- pecificadas e também exigindo os mesmos híbridos em campos pró- ximos, ou designação para fins de experimentos lado a lado. A figura 18 ilustra um uso ilustrativo das técnicas anteriores em uma aborda- gem de múltiplas etapas que pode acomodar essas exigências variá- veis dos agricultores individuais.
[00213] Em uma modalidade, uma primeira etapa da designação em nível de fazenda 1802 de produtos para campos é realizada para agricultores grandes e pode ser pulada para fazendas pequenas. Os dados de entrada incluem campos agrupados como fazendas. O resul- tado inclui designações de produtos para as fazendas como um todo, isso é, fazenda, por produto, por saco. Em uma abordagem, as reco- mendações, campo a campo, podem ser agrupadas depois do fato em fazendas, visto que o plantio por toda a fazenda pode ser mais natural para que o agricultor avalie. Isso também permite a divisão do proble- ma de designação de toda a fazenda em problemas individuais por campo, que são mais gerenciáveis em termos de computação e fazem um uso mais eficiente dos recursos da CPU, memória e armazenador.
[00214] Em algumas modalidades, uma segunda etapa de designa- ção de nível de campo 1804 compreende considerar todas as restri- ções especificadas, mas calcula as recomendações para os mesmos campos híbridos que estão próximos, como observado pelo bloco
1808. Em uma modalidade, a designação de nível de campo 1804 aplica restrições de nível de fazenda, além de restrições de nível de campo, para fornecer o resultado na forma de campo, por produto, por sacos. Em algumas modalidades, a designação de nível de campo 1804 também compreende aplicar todas as restrições, como observa- do no bloco 1810. A designação de proposta de semente 1812 pode compreender uma terceira etapa ou estágio e pode incluir testes expe- rimentais, lado a lado. O resultado pode ser fazenda, por proposta, por produto, por caixas.
[00215] A figura 19 ilustra as técnicas de cálculo para fornecer re- comendações que são úteis para os agricultores que trabalham os campos que estão localizados em regiões com valores de maturidade relativa diferentes. Assume-se que um único agricultor trabalhe um ou mais primeiros campos totalizando 800 acres, que estão localizados em uma primeira zona, para a qual RM é de 115 dias como indicado pelo mapa 1901 na figura 19, e também trabalhe um ou mais segun- dos campos totalizando 400 acres em uma zona para a qual RM é de
110. Ainda , como observado na tabela de dados de entrada 1902, as- sume-se que o mesmo agricultor tenha a propriedade de, ou tenha em inventário, 200 sacos de Híbrido A que são capazes de plantar 471 acres no total, com uma densidade de 34.000 plantas, além de 400 sacos de Híbrido B que são capazes de semear 942 acres com a mesma densidade. A POS do produto A é calculada como 0,99 para RM 115 e 0,87 para RM 110; a POS do produto B é calculada como 0,76 para RM 115 e 0,70 para RM 110.
[00216] Em uma modalidade, as instruções de designação de cam- po 136 são programadas para encaixar os melhores valores de POS enquanto designa o produto com maior possibilidade para o maior nú- mero de acres dentro de cada região RM. A tabela de designação de resultado 1904 indica um resultado ilustrativo. Nesse exemplo, visto que o produto A tem a POS mais alta de 0,99, é designado para os 471 acres com RM 115 dentre os 800 acres nos quais RM é experi-
mentada, o que consome todo o produto A do inventário. O produto B é designado para 329 acres com RM 115. Visto que o produto A é gas- to pela primeira designação, apenas o produto B está disponível para designação para os 400 acres de campos com RM 110, como indicado pela última fileira da tabela 1904. Utilizando-se uma abordagem de en- caixe desse tipo, o inventário disponível do agricultor pode ser melhor combinado com os campos nos quais esse inventário tem maiores chances de produzir um rendimento bem-sucedido.
[00217] A figura 20 é uma ilustração em três partes de múltiplas exibições visuais diferentes que as instruções de designação de cam- po 136 podem gerar em várias modalidades, em cada caso para os campos individuais ou grupos de campos. A vista (A) é uma tabela de dados de entrada que ilustra os valores da POS de designação que foi calculada para um campo para um ano previsto, para diferentes per- mutas de híbridos, ordenados por identificadores de híbrido. Cada filei- ra na tabela na vista (A) compreende valores de coluna para um esta- do no qual um campo está localizado, RM da região, identificadores do primeiro e segundo híbridos, e valores de POS para essa combinação de híbridos. Utilizando-se a tabela da vista (A), que não estava dispo- nível anteriormente, um agricultor pode identificar de forma eficiente e rápida quais combinações de híbridos têm chances de produzir os me- lhores resultados se plantadas. As tabelas POS e de percentual de rendimento podem servir como registro para o modelo OR para fins de otimização.
[00218] A vista (B) ilustra o registro de dados especificando o per- centual no qual um campo se encontra em comparação com o históri- co de rendimento regional ou estadual, com base nos dados de rendi- mento reais para a colheita do último ano. Cada fileira da tabela na vista (B) identifica um campo, um valor RM para esse campo, um iden- tificador de plantação, um histórico de valor de rendimento, e um valor percentual indicando como o histórico de valor de rendimento se com- para com o rendimento regional ou estadual. Essa vista pode permitir a inspeção da produtividade relativa do campo de um agricultor.
[00219] A vista (C) ilustra uma interface de usuário gráfica ilustrativa que pode ser gerada em uma modalidade. No exemplo da vista (C), um mapa aéreo gráfico é gerado e exibido com base nos dados arma- zenados que descrevem os campos de um agricultor aos quais os produtos foram designados. Os rótulos textuais ou gráficos visuais identificam os produtos que foram designados para os campos especí- ficos utilizando os processos que foram previamente descritos. Em uma modalidade, cada produto diferente pode ser identificado por limi- tes de coloração de um campo designado utilizando-se uma cor distin- ta. Por exemplo, o campo 1, ao qual o produto A é designado, pode ser vermelho, o campo 2, com produto B, pode ser verde, e assim por diante.
[00220] A figura 21 ilustra um dispositivo de computador móvel ilus- trativo possuindo um monitor de interface de usuário gráfico que apre- senta as recomendações de designação de campo. Em uma modali- dade, o dispositivo de computação móvel 2102 gera um monitor de tela GUI 2104 que compreende uma área de cabeçalho 2106, mapa de campo gráfico 2018 e gráfico de designação de produto 2220. Em uma modalidade, a área de cabeçalho 2106 exibe informação de iden- tificação, tal como nome do agricultor, nome da operação ou da fazen- da, nome do campo, tamanho do campo e tipo de plantação. O mapa gráfico de campo 2018 compreende uma ilustração simplificada do formato e dos limites de um campo em particular, tipicamente criado em escala e ilustrando as características principais, tal como estradas ou corpos de água em forma gráfica. Em uma modalidade, o gráfico de designação de produto 2110 é um gráfico de barras no qual as barras gráficas correspondem aos produtos de semente e híbridos, e a di-
mensão linear de cada barra representa uma magnitude de um valor POS ou marcação de recomendação para o produto associado. Com- primentos das barras podem se aproximar da magnitude relativa dos valores ou marcações POS para produtos diferentes e uma correlação direta ou linear do valor ou marcação POS do comprimento visual de uma barra não é necessária.
[00221] As barras para os produtos podem refletir as recomenda- ções positivas como a barra 2112 ou recomendações negativas, tal como as barras 2114. As recomendações positivas podem correspon- der aos valores de dados positivos e as recomendações negativas po- dem correlacionar os valores negativos nos cálculos. As recomenda- ções negativas identificam produtos que não são recomendados para serem plantados no campo ilustrado no mapa de campos 2108 com base nos valores ou marcações POS. As barras 2112, 2114 e outras barras podem ser ordenadas de acordo com o valor ou marcação POS, como no exemplo da figura 21, ou podem não ser ordenados, em várias modalidades.
[00222] Ainda, em uma modalidade, cada barra 2112, 2114 pode ser exibida utilizando-se uma dentre uma pluralidade de cores diferen- tes que são associadas a um espectro de valores ao longo de uma es- cala de recomendação positiva para negativa. Por exemplo, recomen- dações altamente positivas podem ser indicadas pela cor verde, reco- mendações moderadas a médias podem ser verde claro, amarelo ou laranja, e recomendações negativas podem ser laranja-vermelho ou vermelho. Outros esquemas de cores podem ser utilizados em outras modalidades e um espectro de verde-amarelo-vermelho não é exigido. O gráfico 2110 pode ser rolado quando o número de produtos no in- ventário do agricultor for muito grande para exibir todas as barras do gráfico em uma única janela.
[00223] A figura 21 ilustra um exemplo para um único campo. Em uma modalidade, a exibição de tela GUI 2104 pode ser obtida depois de se selecionar uma função de designação de campo ou de reco- mendação de campo e selecionar um campo em particular a partir de uma lista, menu ou outra enumeração de campos para os quais o agri- cultor configurou os dados no sistema. Selecionar um identificador de campo diferente faz com que as instruções de designação de campo 136 calculem dinamicamente os valores POS para os produtos no in- ventário para o campo recém-identificado e atualização da exibição de tela GUI 2104, tão logo os dados resultantes estejam disponíveis. Dessa forma, um agricultor pode mover rapidamente entre diferentes campos em uma operação para determinar que produto é melhor de- signado para os campos em particular com base no inventário disponí- vel e outros valores.
[00224] O resultado gráfico do tipo ilustrado na figura 21 fornece vários benefícios técnicos e de utilização distintos. Dados desse tipo e forma não estiverem disponíveis previamente e ilustram de forma efi- ciente quais produtos de semente ou híbridos têm mais chances de menos chances de serem bem-sucedidos se plantados em um campo em particular. Importante, as recomendações negativas são ilustradas para quaisquer produtos no inventário de um agricultor que sejam cal- culados como improváveis de serem bem-sucedidos com base em um valor POS negativo para o campo. Ainda , POS relativa de uma plura- lidade de produtos diferentes pode ser exibida simultaneamente, facili- tando a comparação e seleção, por parte do agricultor, e também não exigindo o uso de múltiplas exibições ou consultas em áreas diferentes de um aplicativo de dispositivo móvel ou em tabelas de dados diferen- tes.
[00225] A figura 23 ilustra um fluxo de processamento que pode ser implementado por computador para enviar as tabelas de dados e grá- ficos de barras como previamente descrito. Em uma modalidade, um bases de dados de guia de campo é gerado para cada campo. O hí- brido superior é o híbrido de designação ideal, do segundo até o último dos híbridos positivos são classificados pelo cálculo da penalidade como uma combinação linear dos fatores que foram descritos previa- mente, considerando a localização dos mesmos em vez de no topo 1. Os negativos são para híbridos que os agricultores utilizaram no último ano ou o milho plantado no campo no último ano, mas o híbrido possui apenas um atributo VT2P, que não é adequado para um milho no campo de milho.
[00226] Como observado na figura 23, em uma modalidade, o pro- cessamento de dados começa pela obtenção do acesso aos bases de dados DSW, que podem incluir dados climáticos e de campo de pes- quisa. Os programas ou instruções que definem uma probabilidade de fluxo de trabalho bem-sucedido e fluxo de trabalho de designação conduzem as etapas subsequentes. Em uma etapa, os dados de pla- nejamento e portifólio de sementes ou híbridos para uma pluralidade de campos do agricultor são obtidos e preparados através de limpeza e/ou normalização. O histórico de dados do agricultor também é obti- do. Esses dados são fornecidos para um modelo de agrupamento, ou algoritmo de agrupamento, para formar agrupamentos de campos com características similares ou quase geográficas, seguidas pela classifi- cação de campo para determinar a maior probabilidade de sucesso.
[00227] Uma próxima etapa compreende aplicar os dados mencio- nados acima a um modelo AERM, seguido pela preparação de dados para processamento utilizando modelos de pesquisa de operação (OR). A otimização de nível de fazenda ou otimização de nível de campo são realizadas, seguidas pela modelagem de processo de guia de campo. A geração de relatório completa o fluxo de trabalho para produzir o resultado na forma de um guia de campo do tipo ilustrado na figura 21, figura 22.
Claims (20)
1. Método implementado por computador, caracterizado pe- lo fato de compreender: utilizar as instruções de designação de campo em um sis- tema de computador servidor, e receber, através de uma rede de co- municação de dados digitais, no sistema de computador servidor, ba- ses de dados de agricultor especificando os campos agrícolas dos agricultores e inventários dos produtos híbridos ou produtos de semen- tes dos agricultores; utilizar as instruções de designação de campo no sistema de computador servidor, e obter, através da rede de comunicação de dados digitais, no sistema de computador servidor, outros dados de entrada que compreendem valores de maturidade relativa, histórico de valores de rendimento para os campos dos agricultores, e valores de rendimento médio para as regiões nas quais os campos dos agriculto- res estão localizados; utilizar as instruções de designação de campo no sistema de computador servidor, e calcular os bases de dados de tuplas que consistem de permutas de designações de produto de dois (2) produ- tos para dois (2) campos dentre os campos dos agricultores, e desig- nações inversas correspondentes dos mesmos produtos e campos; registrar as características especificadas dos bases de dados de tu- plas em um modelo de aprendizado por máquina treinado, para forne- cer valores POS previstos para cada uma das designações de produto e sua designação inversa correspondente; misturar os valores POS previstos para todos os campos com os dados de classificação de campo utilizando um modelo de pesquisa de operações de outros da- dos de campo, para resultar na criação e armazenamento de valores de marcação para cada uma das designações de produto e designa- ções inversas correspondentes;
utilizaras instruções de designação de campo no sistema de computador servidor, e acarretar a exibição de pelo menos as de- signações de produto em uma exibição de interface de usuário gráfica de um dispositivo de computação de cliente.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e repetir o cálculo, re- gistro e mistura para todos os produtos no inventário de um agricultor e todos os campos desse agricultor.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e repetir o cálculo, re- gistro e mistura para todos os produtos no inventário de um agricultor e todos os campos desse agricultor, para todos os agricultores.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor: classificar os campos dos agricultores como de alto desem- penho ou de baixo desempenho; registrar as características especificadas dos bases de da- dos de tuplas no modelo de aprendizado por máquina treinado em dois estágios para causar a classificação separada com relação aos campos de alto desempenho e os campos de baixo desempenho.
5. Método, de acordo com a reivindicação 4, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e realizar a classifica- ção para um campo em particular com base no cálculo de se um histó- rico de valor de rendimento do campo em particular está entre os valo- res de rendimento mais altos que estão acima dos valores de rendi- mento médio para as regiões nas quais os campos dos agricultores estão localizados.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, para os valores POS previstos que estão associados a um agricultor em particular, aplicar uma ou mais restrições específicas de agricultor que são associadas com o mesmo agricultor em particular, para resultar na atualização dos valores POS previstos para os valores PS específicos do agricultor.
7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de as restrições específicas do agricultor compreenderem qualquer um ou mais dentre: número de sacos de produtos híbridos ou produtos de semente no inventário; tamanhos dos campos do agricul- tor em particular; valores de maturidade relativa para os campos do agricultor particular; tipos de equipamento do agricultor particular; valo- res de gerenciamento de operações do agricultor particular; valores de objetivo de densidade de semeadura do agricultor particular.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, para os valores POS previstos, que são associados a um agricultor particular, designar au- tomaticamente os produtos híbridos e produtos de semente do mesmo agricultor particular para campos específicos do mesmo agricultor par- ticular, com base na classificação dos valores POS previstos que são associados ao mesmo agricultor particular.
9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e atualizar a exibição da interface de usuário gráfica de um dispositivo de computação de cliente para causar a exibição de um gráfico ordenado de designações dos produtos híbridos ou produtos de semente do mesmo agricultor particular para os campos específicos do mesmo agricultor particular.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e gerar o gráfico orde- nado de designações dos produtos híbridos ou produtos de semente do mesmo agricultor particular, para campos específicos do mesmo agricultor particular, utilizando uma pluralidade de barras gráficas re- presentando as designações, cada uma das barras possuindo um comprimento com base em uma magnitude de um dos valores POS previstos que correspondem a um produto híbrido ou produto de se- mente particular.
11. Método, de acordo com a reivindicação 8, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e gerar o gráfico orde- nado de designações dos produto híbridos ou produtos de semente do mesmo agricultor particular, para campos específicos do mesmo agri- cultor particular, utilizando uma pluralidade de barras gráficas que re- presentam as designações, cada uma das barras compreendendo um atributo gráfico que indica uma recomendação positiva ou recomenda- ção negativa.
12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor: gerar, para um agricultor particular, e causar a exibição uti- lizando o dispositivo de computação de cliente, uma exibição de mapa gráfico compreendendo uma representação gráfica de um ou mais campos particulares do agricultor particular e designações de produto utilizando um ou mais dentre: identificadores de produto em texto; co- res distintas dos campos particulares.
13. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar instruções de designação de campo no sistema de computador de servidor: gerar, para um agricultor particular, e causar a exibição uti- lizando o dispositivo de computação de cliente, uma exibição de mapa gráfico compreendendo: uma representação gráfica de um ou mais campos particu- lares do agricultor particular e designações de produto utilizando um ou mais dentre: identificadores de produto no texto; cores distintas dos campos particulares; e uma tabela de dados que identifica um campo ou fazenda, um produto híbrido ou produto de semente particular que foi designado para esse campo, e um número de sacos do produto híbrido ou produ- to de semente particular que foi designado para esse campo.
14. Método, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender , utilizar as instruções de designação de campo no sistema de computador servidor, e gerar e causar a exi- bição de uma exibição de interface de usuário gráfica que apresenta as recomendações de designação de campo compreendendo: um mapa de campo gráfico de um campo particular; um gráfico de designação de produto compreendendo um gráfico de barras no qual as barras gráficas correspondem a produtos de semente ou produtos híbridos, e uma dimensão linear de cada bar- ra representa uma magnitude de um valor POS ou marcação de reco- mendação para o produto associado; as barras para os produtos refletindo as recomendações positivas ou recomendações negativas; as barras ordenadas de acordo com o valor ou marcação POS; as barras exibidas utilizando uma pluralidade de cores dife- rentes que são associadas a um espectro de valores ao longo de uma escala de recomendação positiva para negativa.
15. Método, de acordo com a reivindicação 14, caracteriza- do pelo fato de ainda compreender , utilizar as instruções de designa- ção de campo no sistema de computador servidor: receber o registro que seleciona um campo particular den- tre uma lista, menu ou outra enumeração de campos de um agricultor particular; calcular, em resposta ao registro, dinamicamente, os valo- res POS atualizados para os produtos no inventário para o campo re- cém-identificado e atualizar a exibição da interface de usuário gráfica tão logo os dados resultantes estejam disponíveis.
16. Sistema de computador, caracterizado pelo fato de compreender: um ou mais processadores; um ou mais meios de armazenamento legível por computa- dor não transitório armazenando instruções que, quando executadas utilizando um ou mais processadores, fazem com que um ou mais pro- cessadores realizarem: utilizar as instruções de designação de campo em um sis- tema de computador servidor, e receber, através de uma rede de co- municação de dados digitais, em um sistema de computador servidor, bases de dados de agricultor especificando os campos agrícolas dos agricultores e inventários dos produtos híbridos ou produtos de semen- tes dos agricultores; utilizar as instruções de designação de campo no sistema de computador servidor, e obter, através da rede de comunicação de dados digitais no sistema de computador servidor, outros dados de entrada que compreendem valores de maturidade relativa, histórico de valores de rendimento para os campos dos agricultores, e valores de rendimento médio para as regiões nas quais os campos dos agriculto-
res estão localizados; utilizar as instruções de designação de campo no sistema de computador servidor, e calcular os bases de dados de tuplas que consistem de permutas de designações de produto de dois (2) produ- tos para dois (2) campos dentre os campos dos agricultores, e desig- nações inversas correspondentes dos mesmos produtos e campos; registrar as características especificadas dos bases de dados de tu- plas para um modelo de aprendizado por máquina treinado, para re- sultar em valores POS previstos para cada uma das designações de produto e sua designação inversa correspondente; misturar os valores POS previstos para todos os campos com os dados de classificação de campo utilizando um modelo de pesquisa de operações de outros dados de campo, para resultar na criação e armazenamento de valo- res de marcação para cada uma das designações de produto e desig- nações inversas correspondentes; utilizar as instruções de designação de campo no sistema de computador servidor, e gerar e causar a exibição de pelo menos as designações de produto em uma exibição de interface de usuário grá- fica de um dispositivo de computação de cliente.
17. Sistema de computador, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender instruções que, quando executadas utilizando-se um ou mais processadores, fazem com que um ou mais processadores realizem, utilizando as instruções de designação de campo no sistema de computador servidor, a repeti- ção do cálculo, registro e mistura de todos os produtos no inventário de um agricultor e todos os campos desse agricultor.
18. Sistema de computador, de acordo com a reivindicação 1, caracterizado pelo fato de ainda compreender instruções que, quando executadas utilizando-se os um ou mais processadores, acar- retam um ou mais processadores realizarem utilizando as instruções de designação de campo no sistema de computador servidor, a repeti- ção do cálculo, registro e mistura de todos os produtos no inventário de um agricultor e todos os campos desse agricultor, para todos os agricultores.
19. Sistema de computador, de acordo com a reivindicação 1, caracterizado pelo fato de compreender instruções que, quando executadas utilizando os um ou mais processadores, acarretam os um ou mais processadores realizarem, utilizando as instruções de desig- nação de campo no sistema de computador servidor: a classificação dos campos dos agricultores como de alto desempenho ou baixo desempenho; o registro das características especificadas dos bases de dados de tuplas para o modelo de aprendizado por máquina treinado em dois estágios para causar a classificação separada com relação aos campos de alto desempenho e campos de baixo desempenho.
20. Sistema de computador, de acordo com a reivindicação 18, caracterizado pelo fato de compreender instruções que, quando executadas utilizando-se um ou mais processadores, acarretam os um ou mais processadores realizarem, utilizando as instruções de desig- nação de campo no sistema de computador servidor, a realização da classificação para um campo em particular com base no cálculo de se um histórico de valor de rendimento do campo particular está entre os valores mais altos de rendimento que estão acima dos valores de ren- dimento médio para as regiões nas quais os campos dos agricultores estão localizados.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862693245P | 2018-07-02 | 2018-07-02 | |
| US62/693,245 | 2018-07-02 | ||
| US16/042,015 | 2018-07-23 | ||
| US16/042,015 US20200005166A1 (en) | 2018-07-02 | 2018-07-23 | Automatically assigning hybrids or seeds to fields for planting |
| PCT/US2019/040073 WO2020009966A1 (en) | 2018-07-02 | 2019-07-01 | Automatically assigning hybrids or seeds to fields for planting |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112020025113A2 true BR112020025113A2 (pt) | 2021-03-23 |
Family
ID=69055305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020025113-5A BR112020025113A2 (pt) | 2018-07-02 | 2019-07-01 | designação automática de híbridos ou sementes a campos para plantio |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20200005166A1 (pt) |
| EP (1) | EP3818490A4 (pt) |
| CN (1) | CN112585643A (pt) |
| AR (1) | AR115686A1 (pt) |
| AU (1) | AU2019299229A1 (pt) |
| BR (1) | BR112020025113A2 (pt) |
| CA (1) | CA3103278A1 (pt) |
| MX (1) | MX2020014001A (pt) |
| WO (1) | WO2020009966A1 (pt) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| US20200202458A1 (en) * | 2018-12-24 | 2020-06-25 | The Climate Corporation | Predictive seed scripting for soybeans |
| JP7314825B2 (ja) * | 2020-02-07 | 2023-07-26 | 横河電機株式会社 | 予測装置、予測システム、及び予測方法 |
| BR112022019684A2 (pt) * | 2020-04-03 | 2022-11-22 | Basf Agro Trademarks Gmbh | Método implementado por computador para verificar e/ou corrigir dados geográficos do mapa, uso de um método para verificar e/ou corrigir dados geográficos do mapa, sistema para verificar e/ou corrigir dados geográficos do mapa e elemento de programa de computador |
| US11768945B2 (en) * | 2020-04-07 | 2023-09-26 | Allstate Insurance Company | Machine learning system for determining a security vulnerability in computer software |
| US20220076792A1 (en) * | 2020-09-08 | 2022-03-10 | Oms Investments, Inc. | Methods for treating growing media containing persistent herbicides |
| US11538076B1 (en) | 2020-11-23 | 2022-12-27 | Cigna Intellectual Property, Inc. | Machine learning systems for computer generation of automated recommendation outputs |
| WO2022200545A1 (en) * | 2021-03-26 | 2022-09-29 | Basf Agro Trademarks Gmbh | Method and system for generating a crop agronomy prediction |
| WO2022243350A1 (en) * | 2021-05-19 | 2022-11-24 | Basf Agro Trademarks Gmbh | Method for generating a zone specific application map for treating an agricultural field with products |
| US11899006B2 (en) * | 2022-02-22 | 2024-02-13 | Trace Genomics, Inc. | Precision farming system with scaled soil characteristics |
| US20230380329A1 (en) * | 2022-05-31 | 2023-11-30 | Climate Llc | Systems and methods for use in planting seeds in growing spaces |
| CN117054354B (zh) * | 2023-10-12 | 2024-03-05 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6691135B2 (en) * | 2002-03-20 | 2004-02-10 | Deere & Company | Method and system for automated tracing of an agricultural product |
| US20060282467A1 (en) * | 2005-06-10 | 2006-12-14 | Pioneer Hi-Bred International, Inc. | Field and crop information gathering system |
| US20060282228A1 (en) * | 2005-06-10 | 2006-12-14 | Pioneer Hi-Bred International, Inc. | Method and system for use of environmental classification in precision farming |
| CN103208048B (zh) * | 2013-04-22 | 2016-09-21 | 天津市农业技术推广站 | 一种用于农业信息服务平台的系统架构 |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| IL239702A (en) * | 2015-06-29 | 2016-09-29 | Equi-Nom Ltd | Produce hybrid seed collections using natural pollination |
| EP3276544A1 (en) * | 2016-07-29 | 2018-01-31 | Accenture Global Solutions Limited | Precision agriculture system |
| WO2016134341A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
| BR112017026437B1 (pt) * | 2015-06-08 | 2022-01-18 | The Climate Corporation | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos |
| 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 |
| US10263933B2 (en) * | 2016-05-17 | 2019-04-16 | Google Llc | Incorporating selectable application links into message exchange threads |
| US10028451B2 (en) * | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
| US10398096B2 (en) * | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
-
2018
- 2018-07-23 US US16/042,015 patent/US20200005166A1/en active Pending
-
2019
- 2019-07-01 EP EP19830162.4A patent/EP3818490A4/en active Pending
- 2019-07-01 WO PCT/US2019/040073 patent/WO2020009966A1/en unknown
- 2019-07-01 AU AU2019299229A patent/AU2019299229A1/en active Pending
- 2019-07-01 CA CA3103278A patent/CA3103278A1/en active Pending
- 2019-07-01 BR BR112020025113-5A patent/BR112020025113A2/pt unknown
- 2019-07-01 MX MX2020014001A patent/MX2020014001A/es unknown
- 2019-07-01 CN CN201980054722.6A patent/CN112585643A/zh active Pending
- 2019-07-02 AR ARP190101868A patent/AR115686A1/es active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| US20200005166A1 (en) | 2020-01-02 |
| MX2020014001A (es) | 2021-03-25 |
| AU2019299229A1 (en) | 2021-01-28 |
| EP3818490A1 (en) | 2021-05-12 |
| WO2020009966A1 (en) | 2020-01-09 |
| CA3103278A1 (en) | 2020-01-09 |
| EP3818490A4 (en) | 2022-03-16 |
| CN112585643A (zh) | 2021-03-30 |
| AR115686A1 (es) | 2021-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230169428A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20230177622A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| BR112020025113A2 (pt) | designação automática de híbridos ou sementes a campos para plantio | |
| 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 | |
| BR112020003688A2 (pt) | modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| US10993365B2 (en) | Risk-adjusted hybrid seed selection and crop yield optimization by field | |
| US20200005401A1 (en) | Optimal placement and portfolio opportunity targeting | |
| BR112021004651A2 (pt) | método e sistema para a execução de algoritmos de aprendizado de máquina | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| US11593674B2 (en) | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field | |
| US11568467B2 (en) | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field | |
| BR112019018015B1 (pt) | Método implementado por computador para selecionar locais de amostragem em um campo e melhorar crescimento no campo | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| US11864488B1 (en) | Computer-implemented recommendation of side-by-side planting in agricultural fields | |
| US11861737B1 (en) | Hybrid seed supply management based on prescription of hybrid seed placement | |
| BR112019010837B1 (pt) | Método e sistema de processamento de dados e um ou mais meios de armazenamento legíveis por computador não transitórios | |
| BR112019010837A2 (pt) | determinação de dados de variação de rendimento intracampo com base em dados de características de solo e imagens de satélite |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |