BR112021001667A2 - previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos - Google Patents

Abstract

A presente invenção refere-se a: método implementado por computador de prever rendimentos (produção) e recomendar taxas de semeadura para subcampos com riscos informados; e a mídia de armazenamento. O método compreende receber, por um processador, dados meteorológicos para um primeiro período que consistem em uma pluralidade de subperíodos para um ou mais subcampos de um campo; para cada um da pluralidade de subperíodos para um subcampo: calcular um indicador de estresse de umidade a partir dos dados meteorológicos; prever, para cada taxa de uma lista de taxas de semeadura, um rendimento a partir do indicador de estresse de umidade com o uso de um modelo treinado; e selecionar uma da lista de taxas de semeadura com base na lista de rendimentos previstos; identificar um dos rendimentos previstos correspondentes à taxa de semeadura selecionada; determinar, pelo processador, um perfil de risco associado a uma faixa de rendimentos para um subcampo com base nos rendimentos previstos identificados para a pluralidade de subperíodos; transmitir dados relacionados ao perfil de risco para um dispositivo associado a um subcampo.

Description

Relatório Descritivo da Patente de Invenção para “PREVI-

SÃO AUTOMÁTICA DE RENDIMENTOS E RECOMENDAÇÃO DE TAXAS DE SEMEADURA COM BASE EM DADOS METEOROLÓGI- COS”. AVISO DE DIREITOS AUTORAIS

[0001] Uma parte da descrição deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos autorais não tem objeções à reprodução fac-símile por nin- guém do documento de patente ou à descrição da patente, conforme aparece no arquivo ou registros de patente do Escritório de Marcas e Patentes, mas de outro modo reserva todos os direitos autorais ou di- reitos de qualquer natureza. © 2015 a 2019 The Climate Corporation.

CAMPO DA DESCRIÇÃO

[0002] A presente invenção refere-se a área técnica de gerencia- mento de dados agrícolas e, mais especificamente, à área técnica de previsão da umidade e rendimento (produção) do solo e da prescrição de taxas de semeadura com riscos informados.

ANTECEDENTES

[0003] As abordagens descritas nesta seção são abordagens que podem ser perseguidas, mas não necessariamente abordagens que fo- ram concebidas ou perseguidas anteriormente. Portanto, a menos que indicado de outra forma, não deve ser assumido que qualquer uma das abordagens descritas nesta seção se qualifica como técnica anterior meramente em virtude de sua inclusão nesta seção.

[0004] Muitos fatores podem afetar os rendimentos dos campos dos produtores. Convencionalmente, certos tipos de dados de solo são usa- dos na previsão de rendimentos, como dados de topologia do solo. Es- ses tipos de dados de solo geralmente não incluem variações significa- tivas em períodos relativamente curtos de tempo e, por si só, podem não ser bons indicadores de produtividade, que costumam flutuar signi- ficativamente. Seria útil considerar tipos adicionais de dados de solo na previsão de rendimentos, como dados de umidade do solo afetados por clima frequentemente imprevisível, especialmente em um nível de sub- campo granular.

[0005] Dado o número potencialmente grande de campos e sub- campos e o custo geral de instalação e manutenção de sondas de umi- dade do solo, seria ainda mais útil eliminar a necessidade de sondar a umidade em cada campo ou cada subcampo. Para atingir esse objetivo, seria útil estimar a umidade do solo para certos subcampos, dadas as medições por sondas de umidade do solo para outros subcampos ou outros dados que possam ser indicativos do teor de umidade do solo.

[0006] Além disso, as previsões de rendimentos seriam mais úteis quando os produtores sabem como eles podem atingir os rendimentos previstos com a especificidade. A taxa de semeadura tem um efeito ma- terial sobre a produtividade e, portanto, seria útil recomendar taxas de semeadura como parte de uma prescrição para atingir os rendimentos previstos.

[0007] Além disso, a imprevisibilidade do tempo significa risco ine- rente em qualquer previsão com base no tempo. Portanto, seria útil es- timar o risco associado a uma produção prevista e a taxa de semeadura correspondente.

SUMÁRIO

[0008] As reivindicações anexas podem servir como um resumo da descrição.

BREVE DESCRIÇÃO DOS DESENHOS

[0009] Nos desenhos:

[0010] A Figura 1 ilustra um exemplo de sistema de computador que é configurado para executar as funções descritas aqui, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode in- teroperar.

[0011] A Figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções na memória principal quando um exemplo de aplicativo móvel é carregado para execução.

[0012] 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 usando dados agronômicos fornecidos por uma ou mais fontes de dados.

[0013] A Figura 4 é um diagrama de bloco que ilustra um sistema de computador no qual uma modalidade da invenção pode ser imple- mentada.

[0014] A Figura 5 representa um exemplo de modalidade de uma visualização de linha do tempo para entrada de dados.

[0015] A Figura 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados.

[0016] A Figura 7 ilustra um exemplo de relação entre taxas de se- meadura e rendimentos previstos.

[0017] A Figura 8 ilustra um exemplo de distribuição de rendimentos formando quantis.

[0018] A Figura 9 ilustra um exemplo de exibição de tela gerada por computador de uma interface gráfica de usuário relacionada a um perfil de risco.

[0019] A Figura 10 ilustra um exemplo de método executado por um computador servidor que é programado para prever rendimentos e re- comendar taxas de semeadura para subcampos com riscos informados.

DESCRIÇÃO DETALHADA

[0020] Na descrição a seguir, para fins de explicação, inúmeros de- talhes específicos são apresentados a fim de fornecer uma compreen- são completa da presente descrição. Será evidente, no entanto, que as modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são mostrados na forma de diagrama de blocos, a fim de evitar obscurecer desneces- sariamente a presente descrição. As modalidades são divulgadas em seções de acordo com o seguinte esboço:

[0021] 1. VISÃO GERAL

[0022] 2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELI-

GÊNCIA AGRÍCOLA

[0023] 2.1. VISÃO GERAL ESTRUTURAL

[0024] 2.2. VISÃO GERAL DO PROGRAMA DE APLICATIVO

[0025] 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COM-

PUTADOR

[0026] 2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE

MODELO AGRONÔMICO

[0027] 2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO

HARDWARE

[0028] 3. DESCRIÇÕES FUNCIONAIS

[0029] 3.1 COLETA DE DADOS DE TREINAMENTO DE PROPRI-

EDADES E RENDIMENTOS DO SOLO

[0030] 3.2 ESTIMAR DADOS DE UMIDADE

[0031] 3.3 CONSTRUIR UM MODELO DE PREVISÃO DE RENDI-

MENTO

[0032] 3.4 COLETA DE PROPRIEDADES DE SOLO DE CAMPOS

ALVO

[0033] 3.5 DETERMINAR AS TAXAS DE SEMENTE IDEAIS E

RENDIMENTOS PREVISTOS CORRESPONDENTES

[0034] 3.6 DETERMINAR VALORES DE RISCO ASSOCIADOS

AOS RENDIMENTOS PREVISTOS

[0035] 3.7 GERAR PRESCRIÇÕES DE TAXA DE SEMEADURA

[0036] 3.8 EXEMPLO DE PROCESSOS

[0037] 4. EXTENSÕES E ALTERNATIVAS

1. VISÃO GERAL

[0038] Um processo de gerenciamento de dados agrícolas para pre- ver rendimentos e recomendar taxas de semeadura para subcampos com riscos informados é divulgado. Em uma modalidade, o processo pode ser implementado por computador usando um computador servi- dor em um sistema cliente-servidor distribuído. Em algumas modalida- des, para cada um de uma pluralidade de subcampos de um ou mais campos e cada um de uma pluralidade de subperíodos de um determi- nado período, o servidor é programado para receber diferentes tipos de dados digitais do solo, como dados químicos do solo, solo dados de topologia ou dados de imagens de campo. O servidor está programado para também receber dados de taxa de semeadura ou dados de umi- dade do solo, bem como dados de fertilizantes, dados de genética de sementes ou outros dados de campo, conforme discutido abaixo. Além disso, o servidor está programado para receber os dados de rendimento correspondentes. Com base nesses dados, o servidor é configurado para construir um modelo de previsão de rendimento. Um “modelo” neste contexto se refere a um conjunto armazenado digitalmente de ins- truções executáveis e valores de dados, associados uns aos outros, que são capazes de receber e responder a uma chamada programática ou outra digital, invocação ou solicitação de resolução com base em valo- res de entrada especificados, para produzir um ou mais valores de saída armazenados ou calculados que podem servir como base para reco- mendações implementadas por computador, exibições de dados de sa- ída ou controle de máquina, entre outras coisas.

[0039] Em algumas modalidades, o servidor é para derivar compu- tacionalmente os dados de umidade do solo para um determinado sub- campo com base nos dados de umidade do solo obtidos a partir de son- das de umidade para outros subcampos. O servidor está configurado para modelar um modelo de previsão de umidade que captura os rela- cionamentos na dimensão do tempo e na dimensão do espaço. Os da- dos de umidade do solo medidos e os dados de umidade do solo com- putacionalmente derivados são então usados para construir o modelo de previsão de rendimento.

[0040] Em algumas modalidades, o servidor é programado para re- ceber diferentes tipos de dados digitais do solo, como dados químicos do solo, dados de topologia do solo, dados de imagens de campo ou umidade do solo, para um subcampo específico diferente a partir da plu- ralidade de subcampos para um subperíodo recente. O servidor é pro- gramado para executar o modelo de previsão de rendimento nos dados do solo para o subcampo específico com cada uma de uma pluralidade de taxas de semeadura. A taxa de semeadura que produz o maior ren- dimento é então considerada como a taxa de semeadura ideal.

[0041] Em algumas modalidades, o servidor é programado para re- ceber ainda diferentes tipos de dados de solo digital para o subcampo específico para uma pluralidade de subperíodos de um período especí- fico antes do ponto de tempo recente. O servidor está programado para repetir o processo de obtenção da taxa de semeadura ideal e o rendi- mento mais alto correspondente para cada um da pluralidade de subpe- ríodos. O servidor é programado para obter ainda uma taxa de semea- dura ajustada a partir da taxa de semeadura ideal para cada um dos subperíodos, comparando a taxa de semeadura ideal com as taxas de semeadura ideais para pelo menos os subcampos vizinhos. Além disso, o servidor é programado para determinar o rendimento ajustado corres- pondente à taxa de semeadura ajustada.

[0042] Em algumas modalidades, o servidor é programado para de- terminar um perfil de risco que reflete com base nos rendimentos ajus- tados para a pluralidade de subperíodos. O servidor pode ser configu-

rado para calcular rendimentos ajustados agregados e taxas de seme- adura ajustadas correspondentes em todos os subcampos de um campo. O servidor pode ser configurado para construir quantis dos ren- dimentos ajustados agregados com os números de quantis indicando percentuais de risco. Além disso, o servidor está programado para iden- tificar as taxas de semeadura ajustadas correspondentes aos rendimen- tos ajustados que pertencem aos quantis, indicando os limites inferior e superior dados de risco e recomendar as taxas de semeadura ajustadas identificadas aos produtores do subcampo ou campo.

[0043] O servidor produz muitos benefícios técnicos. O servidor ofe- rece um modelo de previsão da umidade do solo que captura os relaci- onamentos complexos e multidimensionais presentes no sistema mete- orológico. O modelo de umidade do solo permite ainda previsões de rendimento precisas, apesar da falta de medições reais do solo. O ser- vidor oferece ainda um modelo de previsão de rendimento de muitos tipos diferentes de dados de solo, incluindo dados de umidade do solo. O modelo de previsão de rendimento, portanto, é responsável por mui- tos fatores que afetam os rendimentos dos campos, incluindo a umidade do solo que tende a flutuar devido à imprevisibilidade do tempo. Além disso, o servidor fornece prescrições de taxas de semeadura para pro- dutores com riscos informados, permitindo que os produtores tomem ações enquanto entendem quais podem ser os resultados prováveis.

[0044] Outros aspectos e características das modalidades se torna- rão evidentes em outras seções da descrição.

2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA

AGRÍCOLA

2.1 VISÃO GERAL ESTRUTURAL

[0045] A Figura 1 ilustra um exemplo de sistema de computador que é configurado para executar as funções descritas aqui, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode in- teroperar. Em uma modalidade, um usuário 102 tem, opera ou possui um dispositivo de computação gerenciador de campo 104 em um local de campo ou associado a um local de campo como um campo destinado para atividades agrícolas ou um local de gerenciamento para um ou mais campos agrícolas. O dispositivo de computador de gerenciador de campo 104 é programado ou configurado para fornecer dados de campo 106 para um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.

[0046] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome de campo, identifica- dores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura e quaisquer outros dados adequados que po- dem ser usados para identificar terras agrícolas, como uma unidade de terra comum (CLU), número de lote e bloco, um número de parcela, co- ordenadas geográficas e limites, Número de Série da Fazenda (FSN), número da fazenda, número do trato, número do campo, seção, muni- cípio e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cultivada organi- camente, data de colheita, histórico de produção real (APH), rendimento esperado, rendimento, preço de cultura, receita de cultura, umidade de grãos, prática de cultivo e informações da estação de cultivo anterior), (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo de semente (s), maturidade relativa (RM) de semente(s) plantada(s), população de sementes), (e) dados de ferti- lizante (por exemplo, tipo de nutriente (nitrogênio, fósforo, Potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de aplicação de produtos químicos (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas ao uso como um regulador vegetal, desfolhante ou dessecante, data de aplica- ção, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados meteorológi- cos (por exemplo, precipitação, taxa de precipitação, precipitação pre- vista, região da taxa de escoamento da água, temperatura, vento, pre- visão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações de es- pectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de exploração (fotos, vídeos, notas de forma livre, grava- ções de voz, transcrições de voz, condições meteorológicas (tempera- tura, precipitação (atual e ao longo do tempo), umidade do solo, estágio de crescimento da cultura, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)) e (k) solo, sementes, fenologia da cultura, relatórios de pragas e doenças e fontes e bancos de dados de previ- sões.

[0047] Um computador servidor de dados 108 é acoplado comuni- cativamente ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sis- tema de computador de inteligência agrícola 130 através da(s) rede(s)

109. O computador servidor de dados externo 108 pode ser de proprie- dade ou operado pela mesma pessoa jurídica ou entidade que o sistema de computação de inteligência agrícola 130, ou por uma pessoa ou en- tidade diferente, como uma agência governamental, organização não governamental (ONG) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados do solo ou dados estatísticos relativos à produtividade das culturas, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externo 108 de propriedade da mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exem- plo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que podem ser obtidos de fontes de terceiros, como dados meteorológicos. Em algumas modalidades, um servidor de dados externo 108 pode re- almente ser incorporado dentro do sistema 130.

[0048] Um aparelho agrícola 111 pode ter um ou mais sensores re- motos 112 fixados no mesmo, cujos sensores são comunicativamente acoplados tanto direta ou indiretamente através do aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são pro- gramados ou configurados para enviar dados de sensor para sistema de computador de inteligência agrícola 130. Exemplos de aparelho agrí- cola 111 incluem tratores, colheitadeiras, ceifeiras, plantadeiras, cami- nhões, equipamentos de fertilizantes, veículos aéreos incluindo veículos aéreos não tripulados e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel, e que pode ser usado em ta- refas associadas à agricultura. Em algumas modalidades, uma única unidade de aparelho 111 pode compreender uma pluralidade de senso- res 112 que são acoplados localmente em uma rede no aparelho; A rede de área do controlador (CAN) é um exemplo de rede que pode ser ins- talada em colheitadeiras, ceifeiras, aspersores, e cultivadores. O con- trolador de aplicativo 114 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts que são usados para controlar um parâmetro operacional de um veículo agrícola ou implemento a partir do sistema de computador de inteligência agrí- cola 130. Por exemplo, uma interface de barramento de rede de área do controlador (CAN) pode ser usada para permitir comunicações a partir do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, como o CLIMATE FIELD VIEW DRIVE, disponível a partir de The Climate Corporation, San Francisco, Califórnia, é usado. Os da- dos do sensor podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem estar remotamente localizados no campo e podem se comunicar com a rede 109.

[0049] O aparelho 111 pode compreender um computador da ca- bine 115 que é programado com um aplicativo de cabine, que pode com- preender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é ainda descrito em outras seções neste documento. Em uma modalidade, o computador da cabine 115 compreende um computador compacto, muitas vezes um computador do tamanho de um tablet ou smartphone, com uma tela gráfica, como uma tela colorida, que é mon- tada dentro de uma cabine do operador do aparelho 111. O computador da cabine 115 pode implementar algumas ou todas as operações e fun- ções que são descritas mais adiante neste documento para o dispositivo de computador móvel 104.

[0050] A(s) rede(s) 109 amplamente representam qualquer combi- nação de uma ou mais redes de comunicação de dados, incluindo redes de área local, redes de área ampla, internetworks ou internets, usando qualquer link com ou sem fio, incluindo enlaces terrestres ou de satélite. A(s) rede(s) podem ser implementadas por qualquer meio ou meca- nismo que proporcione a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 também pode ter enlaces de comunicação diretos (com ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema, cada um compreende uma interface compatível com a(s) rede(s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das redes, como TCP/IP, Blu- etooth, protocolo CAN e protocolos de camada superior, como HTTP, TLS e semelhantes.

[0051] O sistema de computador de inteligência agrícola 130 é pro- gramado ou configurado para receber dados de campo 106 a partir de dispositivo de computação gerenciador de campo 104, dados externos 110 a partir de computador servidor de dados externos 108, e dados do sensor a partir de sensor remoto 112. Sistema de computador de inteli- gência agrícola 130 pode ser ainda configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada, como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar tradução e armazena- mento de valores de dados, construção de modelos digitais de um ou mais colheitas em um ou mais campos, geração de recomendações e notificações e geração e envio de scripts para o controlador de aplicativo 114, da maneira descrita mais adiante em outras seções desta descri- ção.

[0052] Em uma modalidade, o sistema de computador de inteligên- cia agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerencia- mento de dados 140, camada de hardware/virtualização 150 e modelo e repositório de dados de campo 160. “Camada”, Neste contexto, refere- se a qualquer combinação de circuitos eletrônicos de interface digital, microcontroladores, firmware, como drivers e/ou programas de compu- tador ou outros elementos de software.

[0053] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, inclu- indo o envio de solicitações ao dispositivo de computação gerenciador de campo 104, computador servidor de dados externos 108, e sensor remoto 112 para dados de campo, dados externos, e dados do sensor respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o modelo e reposi- tório de dados de campo 160 para serem armazenados como dados de campo 106.

[0054] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exi- bida no dispositivo de computação gerenciador de campo 104, compu- tador da cabine 115 ou outros computadores que são acoplados ao sis- tema 130 através da rede 109. A GUI pode compreender controles para inserir dados a serem enviados ao sistema de computador de inteligên- cia agrícola 130, gerando solicitações de modelos e/ou recomendações e/ou exibindo recomendações, notificações, modelos e outros dados de campo.

[0055] A camada de gerenciamento de dados 140 pode ser progra- mada ou configurada para gerenciar operações de leitura e gravação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os ele- mentos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface de ser- vidor SQE e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme usado neste do- cumento, o termo “banco de dados” pode se referir a um corpo de da- dos, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado neste documento, um banco de dados pode compreender qualquer coleção de dados, incluindo bases de dados hierárquicas, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados relacionais a objetos, bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outra coleção estruturada de registros ou dados que armazenado em um sistema de computador. Exemplos de RDBMSs incluem, mas não estão limitados a incluir, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBA-SE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para permitir os sis- temas e métodos descritos neste documento.

[0056] Quando os dados de campo 106 não são fornecidos direta- mente para o sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquina agrícola que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser solicitado por meio de uma ou mais interfaces de usu- ário no usuário dispositivo (servido pelo sistema de computador de inte- ligência agrícola) para inserir essas informações. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação aces- sando um mapa no dispositivo do usuário (servido pelo sistema de com- putador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alterna- tiva, 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 traçando limites do campo sobre o mapa. Essa seleção CLU ou desenhos de mapa representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando dados de identificação de campo (for- necidos como arquivos de formato ou em um formato semelhante) a partir da Agência de Serviços Agrícolas do Departamento de Agricultura dos EUA ou outra fonte através do dispositivo do usuário e fornecendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.

[0057] Em um exemplo de modalidade, o sistema de computador de inteligência agrícola 130 é programado para gerar e exibir uma inter- face gráfica de usuário que compreende um gerenciador de dados para entrada de dados. Depois de um ou mais campos terem sido identifica- dos usando os métodos descritos acima, o gerenciador de dados pode fornecer um ou mais widgets de interface gráfica do usuário que, quando selecionados, podem identificar mudanças no campo, solo, culturas, cultivo ou práticas de nutrientes. O gerenciador de dados pode incluir uma visualização de linha do tempo, uma visualização de planilha e/ou um ou mais programas editáveis.

[0058] A Figura 5 representa um exemplo de modalidade de uma visualização de linha do tempo para entrada de dados. Usando a tela representada na Figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição do evento. Os eventos descritos no topo da linha do tempo podem incluir nitrogênio, plantio, práticas e solo. Para adicionar um evento de aplica- ção de nitrogênio, um computador do usuário pode fornecer entrada para selecionar a guia nitrogênio. O computador do usuário pode, então, selecionar um local na linha do tempo para um determinado campo, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de um local na linha do tempo para um determinado campo, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador do usuário insira dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de cultivo, práticas de irri- gação, ou outras informações relacionadas ao campo específico. Por exemplo, se um computador do usuário seleciona uma parte da linha do tempo e indica uma aplicação de nitrogênio, a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e qual- quer outro informações relacionadas à aplicação de nitrogênio.

[0059] Em uma modalidade, o gerenciador de dados fornece uma interface para a criação de um ou mais programas. “Programa”, neste contexto, refere-se a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de cultivo, práticas de irrigação ou outras informações que podem estar relacionadas a um ou mais campos e que podem ser armazenados em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após a criação de um programa, ele pode ser conceitualmente aplicado a um ou mais campos e as referências ao pro- grama podem ser armazenadas em armazenamento digital em associ- ação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relativos às mesmas aplicações de nitro- gênio para vários campos diferentes, um computador do usuário pode criar um programa que indica uma aplicação particular de nitrogênio e, em seguida, aplicar o programa a vários campos diferentes. Por exem- plo, na visualização de linha do tempo da Figura 5, os dois principais cronogramas têm o programa “Aplicado na primavera” selecionado, que inclui uma aplicação de 168,13 kg N/ha (150 lbs N/ac) no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é edi- tado, cada campo que selecionou o programa particular é editado. Por exemplo, na Figura 5, se o programa “aplicado na primavera” for editado para reduzir a aplicação de nitrogênio para 145,71 kg N/ha (130 lbs N/ac), os dois campos principais podem ser atualizados com uma apli- cação reduzida de nitrogênio com base no programa editado.

[0060] Em uma modalidade, em resposta ao recebimento de edi- ções para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa seleci- onado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na Figura 5, a interface pode ser atualizada para indicar que o programa “Aplicado na primavera” não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa “aplicado na prima- vera” não alterariam a aplicação de nitrogênio em abril.

[0061] A Figura 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados. Usando a tela repre- sentada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação ao nitrogênio, planejamento, práticas e solo, conforme ilustrado na Figura 6. Para editar uma entrada especí- fica, um computador do usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a Figura 6 representa uma atualização em andamento para um valor de rendimento alvo para o segundo campo. Além disso, um computador do usuário pode selecio- nar um ou mais campos para aplicar um ou mais programas. Em res- posta ao recebimento de uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as entradas para o campo particular com base no programa selecionado. Tal como acontece com a visualização da linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado a um programa particular em resposta ao recebimento de uma atualização do programa. Além disso, o gerenciador de dados pode remover a corres- pondência do programa selecionado para o campo em resposta ao re- cebimento de uma edição em uma das entradas para o campo.

[0062] Em uma modalidade, o modelo e os dados de campo são armazenados no modelo e no repositório de dados de campo 160. Os dados do modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um mo- delo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. “Modelo”, neste contexto, refere-se a um conjunto ele- trônico digitalmente armazenado de instruções executáveis e valores de dados, associados uns aos outros, que são capazes de receber e res- ponder a uma chamada programática ou outra digital, invocação ou so- licitação de resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazenados ou calculados que podem servir como base para recomendações implementadas por computador, exibições de dados de saída ou controle de máquina, entre outras coisas. Pessoas com experiência na área acham conveniente ex- pressar modelos usando equações matemáticas, mas essa forma de expressão não confina os modelos aqui divulgados a conceitos abstra- tos; em vez disso, cada modelo neste documento tem uma aplicação prática em um computador na forma de instruções e dados executáveis armazenados que implementam o modelo usando o computador. O mo- delo pode incluir um modelo de eventos anteriores em um ou mais cam- pos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos previstos em um ou mais campos. Os dados de modelo e campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos simples ou pla- nilhas ou outras formas de dados digitais armazenados.

[0063] Em uma modalidade, o sistema de computador de inteligên- cia agrícola 130 é programado para compreender um computador ser- vidor de gerenciamento de dados agrícolas (servidor) 170. O servidor 170 é ainda configurado para compreender instruções de coleta de da- dos de solo 172, módulo de instruções de estimativa de umidade do solo 174, previsão de rendimento e instruções de determinação de taxa de semeadura 176, instruções de determinação de risco de rendimento 178 e instruções de apresentação de risco de rendimento 180.

[0064] As instruções de coleta de dados de solo 172 oferecem ins- trução executável por computador para coletar diferentes tipos de dados de solo para uma pluralidade de subcampos de um ou mais campos para uma pluralidade de subperíodos de um período, tal como um perí- odo de 10 anos. Os dados do solo podem ser dados químicos do solo, dados de topologia do solo, dados de imagens de campo ou dados de umidade do solo. Os dados de umidade do solo podem estar disponíveis em uma frequência mais alta, como em uma base mensal. Para treinar o modelo de previsão de rendimento, os dados do solo geralmente tam- bém incluem as taxas de semeadura e os rendimentos corresponden- tes. Os diferentes tipos de dados do solo podem ser recebidos de dis- positivos de cultivo, fontes de dados públicas, sondas de campo ou câ- meras em dispositivos aéreos.

[0065] As instruções de estimativa de umidade do solo 174 ofere- cem instruções executáveis por computador para analisar os dados de umidade do solo para construir um modelo de previsão de umidade do solo. Os dados de umidade do solo geralmente incluem a umidade do solo observada para alguns da pluralidade de subcampos, que podem ser usados para estimar a umidade do solo para os outros subcampos com base em correlações espaciais. O modelo de previsão de umidade do solo pode ainda considerar correlações temporais nos dados de umi- dade do solo. As instruções de estimativa de umidade do solo 174 tam- bém oferecem instruções executáveis por computador para executar o modelo de previsão de umidade do solo e produzir dados adicionais de umidade do solo.

[0066] As instruções de predição de rendimento e determinação de taxa de semeadura 176 oferecem instruções executáveis por computa- dor para construir um modelo de predição de rendimento a partir dos dados de umidade do solo. A previsão de rendimento também pode ser treinada em dados adicionais, como os dados químicos do solo, os da- dos topológicos do solo, os dados de imagens de campo, os dados de taxa de semeadura, os dados de fertilizantes ou os dados de genética de sementes. As instruções de previsão de rendimento e de eliminação da taxa de semeadura 176 também oferecem instruções executáveis por computador para executar o modelo de previsão de rendimento. Certas taxas de semeadura podem ser alimentadas para o modelo de predição de rendimento para determinar a taxa de semeadura ideal que corresponde ao maior rendimento estimado.

[0067] As instruções de determinação de risco de rendimento 178 oferecem instruções executáveis por computador para determinar o risco associado a um rendimento estimado dado dados históricos de rendimento. As instruções de determinação de risco 178 podem funcio- nar em conjunto com as outras instruções dentro do servidor 170 para simular alguns dos dados históricos de rendimento.

[0068] As instruções de apresentação de risco de rendimento 180 oferecem instruções executáveis por computador para apresentar da- dos relacionados aos valores de risco produzidos pela execução de ou- tras instruções dentro do servidor 170. Tais dados podem incluir as quantidades estimadas de umidade do solo, rendimentos previstos, ta- xas de semeadura recomendadas para atingir os rendimentos previstos, ou riscos associados aos rendimentos previstos. Os resultados da aná- lise podem ser transmitidos diretamente para destinos apropriados, como dispositivos de cultivo, ou através de interfaces gráficas de usuá- rio. Especificamente, as instruções executáveis por computador causam a geração de uma interface gráfica do usuário que permite ao usuário ver como os riscos projetados variáveis podem resultar em rendimentos previstos diferentes.

[0069] Cada componente do servidor 170 compreende um conjunto de uma ou mais páginas de memória principal, como RAM, no sistema de computador de inteligência agrícola 130 no qual instruções executá- veis foram carregadas e que quando executadas fazem com o sistema de computador de inteligência agrícola execute as funções ou opera-

ções que são descritas neste documento com referência a esses módu- los. Por exemplo, o módulo de coleta de dados de solo 172 pode com- preender um conjunto de páginas em RAM que contém instruções que, quando executadas, fazem com que desempenhem as funções de se- leção de local que são aqui descritas. As instruções podem estar em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código-fonte escrito em JAVA, C, C ++, OBJECTIVE-C, ou qualquer outra linguagem de progra- mação ou ambiente legível por humanos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto- fonte de programação. O termo “páginas” se destina a se referir ampla- mente a qualquer região dentro da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou arquitetura do processador. Em outra modalidade, cada componente do servidor 170 também pode representar um ou mais ar- quivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligência agrícola 130 ou um sistema de repositório separado, que quando com- pilado ou interpretado causa a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inte- ligência agrícola execute as funções ou operações que são descritas neste documento com referência a esses módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual os programa- dores ou desenvolvedores de software organizam e organizam o có- digo-fonte para compilação posterior em um executável, ou interpreta- ção em bytecode ou equivalente, para execução pelo sistema de com- putador de inteligência agrícola 130.

[0070] Hardware/camada de virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de me- mória e outros dispositivos, componentes ou elementos de um sistema de computador, como memória volátil ou não volátil, armazenamento não volátil, como como disco e dispositivos de E/S ou interfaces con- forme ilustrado e descrito, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.

[0071] Para fins de ilustrar um exemplo claro, a Figura 1 mostra um número limitado de instâncias de certos elementos funcionais. No en- tanto, em outras modalidades, pode haver qualquer número de tais ele- mentos. Por exemplo, as modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 associados a dife- rentes usuários. Além disso, o sistema 130 e/ou o computador servidor de dados externo 108 podem ser implementados usando dois ou mais processadores, núcleos, clusters ou instâncias de máquinas físicas ou virtuais, configurados em um local discreto ou colocados com outros elementos em um datacenter, compartilhado instalação de computação ou instalação de computação em nuvem.

2.2. VISÃO GERAL DO PROGRAMA DE APLICATIVO

[0072] Em uma modalidade, a implementação das funções descri- tas neste documento usando um ou mais programas de computador ou outros elementos de software que são carregados e executados usando um ou mais computadores de uso geral fará com que os computadores de uso geral sejam configurados como uma máquina particular ou como um computador que é especialmente adaptado para executar as fun- ções aqui descritas. Além disso, cada um dos diagramas de fluxo que são descritos mais adiante neste documento pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa neste documento, como algoritmos, planos ou direções que podem ser usa- dos para programar um computador ou lógica para implementar as fun- ções que são descritas. Em outras palavras, todo o texto em prosa deste documento e todas as figuras dos desenhos, em conjunto, têm como objetivo fornecer a descrição de algoritmos, planos ou direções que são suficientes para permitir que um especialista programe um computador para executar as funções que são aqui descrito, em combinação com a habilidade e conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e divulgações deste tipo.

[0073] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas de aplicativos ou aplicativos; o dispositivo de computação gerenciador de campo 104 também pode in- teroperar com o sistema de computador de inteligência agrícola de forma independente e automática sob o controle do programa ou con- trole lógico e a interação direta do usuário nem sempre é necessária. O dispositivo de computação gerenciador de campo 104 representa am- plamente um ou mais dentre um smartphone, PDA, dispositivo de com- putação em tablet, computador tipo laptop, computador tipo desktop, es- tação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descri- tas. O dispositivo de computação gerenciador de campo 104 pode se comunicar por meio de uma rede usando um aplicativo móvel armaze- nado no dispositivo de computação gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado usando um cabo 113 ou conector para o sensor 112 e/ou controlador 114. Um determi- nado usuário 102 pode possuir, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campo 104 de cada vez.

[0074] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, através da rede para um ou mais dispositivos de computação móvel. Em uma modalidade de exemplo, o dispositivo de computação gerenciador de campo 104 pode acessar o aplicativo móvel através de um navegador da web ou um aplicativo ou aplicativo de cliente local. O dispositivo de computação gerenciador de campo 104 pode transmitir dados para e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos do aplicativo. Em um exemplo de modalidade, os dados podem assumir a forma de solicitações e entrada de informa- ções do usuário, como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento de localização no dispositivo de computação gerenciador de campo 104 que determina a localização do dispositivo de computação gerenciador de campo 104 usando técnicas de rastreamento padrão, como multilateração de sinais de rádio, o sis- tema de posicionamento global (GPS), Sistemas de posicionamento WiFi ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispositivo ou solicitando um aplicativo no dispositivo para obter dados a partir do sistema operacio- nal.

[0075] Em uma modalidade, o dispositivo de computação gerencia- dor de campo 104 envia dados de campo 106 para o sistema de com- putador de inteligência agrícola 130 compreendendo ou incluindo, mas não se limitando a, valores de dados que representam um ou mais de: uma localização geográfica de um ou mais campos, informações de pre- paro do solo para um ou mais campos, culturas plantadas em um ou mais campos e dados de solo extraídos de um ou mais campos. O dis- positivo de computação gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada do usuário do usuário 102 espe- cificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação gerenciador de campo 104 pode enviar au- tomaticamente dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação gerenci- ador de campo 104. Por exemplo, o dispositivo de computação gerenci- ador de campo 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou controlador de aplicativo 114 que inclui um sensor de irrigação e/ou controlador de irrigação. Em resposta ao recebimento de dados indicando que o controlador de aplicativo 114 liberou água para um ou mais campos, o dispositivo de computação gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de compu- tador de inteligência agrícola 130 indicando que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta des- crição podem ser inseridos e comunicados usando dados digitais ele- trônicos que são comunicados entre dispositivos de computação usando URLs parametrizados sobre HTTP ou outro protocolo de comu- nicação ou mensagem adequado.

[0076] Um exemplo comercial do aplicativo móvel é CLIMATE FI- ELD VIEW, disponível comercialmente a partir de The Climate Corpora- tion, San Francisco, Califórnia. O aplicativo CLIMATE FIELD VIEW, ou outros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não foram divulgados antes da data de descoberta desta descrição. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite a um produtor tomar decisões com base em fatos para sua ope- ração, porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseja comparar. As com- binações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o produtor tome decisões melhores e mais informadas.

[0077] A Figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções em memória principal quando um exemplo de aplicativo móvel é carregado para execução. Na Figura 2, cada elemento nomeado representa uma região de uma ou mais pági- nas de RAM ou outra memória principal, ou um ou mais blocos de ar- mazenamento em disco ou outro armazenamento não volátil e as ins- truções programadas dentro dessas regiões. Em uma modalidade, na visualização (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento de ingestão de dados de campos de conta 202, visão geral e instruções de alerta 204, instruções de livro de mapa digital 206, sementes e instruções de plantio 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.

[0078] Em uma modalidade, um aplicativo de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de com- partilhamento 202 que são programadas para receber, traduzir e ingerir dados de campo de sistemas de terceiros via upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produção, mapas plantados, resultados de testes de solo, mapas aplicados e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de formato, formatos de dados nativos de terceiros e/ou exportações de sistema de informações de gerenciamento de fazendas (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de upload manual, e-mail com anexo, APIs externas que enviam dados para o aplicativo móvel ou instruções que chamam APIs de sistemas externos para puxar dados para o aplicativo móvel. Em uma modali- dade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica do usuário para fazer upload manualmente de arquivos de dados e importar arquivos carregados para um gerenci- ador de dados.

[0079] Em uma modalidade, as instruções de livro de mapa digital 206 compreendem camadas de dados de mapa de campo armazena- das na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespacial. Isso fornece aos produtores informações convenientes à mão para referência, registro e insights visuais sobre o desempenho do campo. Em uma modalidade, a visão geral e as instruções de alerta 204 são programadas para fornecer uma visão ampla da operação do que é importante para o produtor e recomendações oportunas para agir ou focar em questões particulares. Isso permite que o produtor concentre seu tempo no que precisa de atenção, para economizar tempo e preservar a produção ao longo da temporada. Em uma modalidade, as sementes e as instruções de plan- tio 208 são programadas para fornecer ferramentas para seleção de se- mentes, colocação de híbridos e criação de script, incluindo criação de script de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem a produção ou o retorno sobre o investimento por meio da compra, colocação e popula- ção de sementes otimizadas.

[0080] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para geração de scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos de campo, como apli- cações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, como as camadas de dados do mapa de campo criadas como parte das instruções do livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compre- endem solo zonas junto com um painel identificando 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, tais como ferramentas gráficas para desenhar zonas de gerenciamento, tais como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de manejo ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de ma- nejo. Quando um script é criado, o aplicativo de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicativo, como um formato arquivado ou compactado. Além disso, e/ou alternativamente, um script pode ser enviado direta- mente para o computador da cabine 115 do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e ar- mazenado para uso posterior.

[0081] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar as decisões de nitrogênio, visualizando a disponibilidade de nitrogênio para as culturas. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da aplicação otimizada de nitrogênio durante a temporada. Funções programadas de exemplo incluem a exibição de imagens como imagens SSURGO para permitir o desenho de zonas de aplicação de fertilizantes e/ou imagens geradas a partir de dados de solo do subcampo, como dados obtidos de sensores, em uma alta reso- lução espacial (tão fina quanto milímetros ou menor, dependendo da proximidade do sensor e resolução); upload de zonas definidas pelo produtor existentes; fornecer um gráfico de disponibilidade de nutrientes para plantas e/ou um mapa para permitir o ajuste de aplicação(ões) de nitrogênio em várias zonas; saída de scripts para conduzir máquinas; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. “Entrada de dados em massa”, neste contexto, pode significar inserir dados uma vez e, em seguida, aplicar os mesmos dados a vários campos e/ou zonas que foram defini- das no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos e/ou zonas do mesmo produtor, mas essa entrada de dados de massa se aplica à en- trada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, instruções de nitrogênio 210 pode ser progra- mado para aceitar definições de programas de aplicação e práticas de nitrogênio e para aceitar a entrada do usuário especificando a aplicação desses programas em vários campos. “Programas de aplicação de ni- trogênio”, neste contexto, refere-se a conjuntos de dados nomeados ar- mazenados que associam: um nome, código de cor ou outro identifica- dor, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorpora- ção, tal como injetado ou radiodifundido, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é o objeto do pedido, entre outros. “Programas de práticas de nitrogênio”, neste con- texto, referem-se a conjuntos de dados armazenados e nomeados que associam: um nome de práticas; uma cultura anterior; um sistema de cultivo; uma data de cultivo principalmente; um ou mais sistemas de pre- paro anteriores que foram usados; um ou mais indicadores do tipo de aplicação, como estrume, que foram usados. As instruções de nitrogê- nio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica as projeções do uso da planta do nitrogênio especificado e se um excedente ou déficit é previsto; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modali- dade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador que compreende uma pluralidade de linhas, cada linha associada e identificando um campo; dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos especificando cada aplicação de nitrogênio e quantidade em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de excedente ou déficit, em que a cor indica a magnitude.

[0082] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e prá- ticas de nitrogênio de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio oti- mizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica as projeções do uso da planta do nitrogênio especificado e se um excedente ou déficit é previsto; em algumas modalidades, indica- dores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de nitrogênio pode exibir projeções de uso da planta do nitrogênio especificado e se um excedente ou déficit é previsto para diferentes momentos no passado e no futuro (como diário,

semanal, mensal ou anual) usando indicadores numéricos e/ou colori- dos de excedente ou déficit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alte- rar dinamicamente os programas de plantio e práticas de nitrogênio, de modo que um usuário pode otimizar seu mapa de nitrogênio, de modo a obter uma quantidade preferida de excedente ao déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas re- lacionados de plantio e práticas de nitrogênio para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para a aplicação de outros nutrientes (como fós- foro e potássio), aplicação de pesticida e programas de irrigação.

[0083] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos de campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham um monitor integrado eficiente com relação às decisões operacionais diárias.

[0084] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de sensoriamento remoto em tempo hábil, destacando a variação da cultura na estação e possíveis preocupações. Funções programadas de exemplo incluem verificação de nuvem, para identificar possíveis nuvens ou sombras de nuvens; de- terminação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de exploração, incluindo, por exemplo, aquelas relacionadas à saúde do campo e visualização e/ou comparti- lhamento de notas de exploração; e/ou download de imagens de satélite de fontes múltiplas e priorizando as imagens para o produtor, entre ou- tros.

[0085] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de insight usando dados na fazenda para avaliação, insights e decisões. Isso per- mite que o produtor busque melhores resultados para o próximo ano por meio de conclusões baseadas em fatos sobre por que o retorno sobre o investimento estava nos níveis anteriores e uma visão dos fatores de limitação da produção. As instruções de desempenho 216 podem ser programadas para se comunicar através da(s) rede(s) 109 para progra- mas analíticos de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas, como rendimento, diferencial de rendimento, híbrido, população, zona SSURGO, propriedades de teste de solo ou elevação, entre outros. Relatórios e análises programa- dos podem incluir análise de variabilidade de rendimento, estimativa de efeito de tratamento, benchmarking de rendimento e outras métricas contra outros produtores com base em dados anônimos coletados de muitos produtores, ou dados para sementes e plantio, entre outros.

[0086] Os aplicativos com instruções configuradas desta forma po- dem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuá- rio. Por exemplo, o aplicativo móvel pode ser programado para execu- ção em tablets, smartphones ou computadores servidores que são acessados usando navegadores em computadores clientes. Além disso, o aplicativo móvel conforme configurado para tablets ou smartphones pode fornecer uma experiência de aplicativo completa ou uma experi- ência de aplicativo de táxi que é adequada para as capacidades de exi- bição e processamento do computador da cabine 115. Por exemplo, re- ferindo-se agora à vista (b) da Figura 2, em uma modalidade um aplica- tivo de computador da cabine 220 pode compreender instruções de ma- pas de cabine 222, instruções de vista remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228,

instruções de transferência de script 230 e instruções de exploração de cabine 232. A base de código para o as instruções da visualização (b) podem ser as mesmas da visualização (a) e os executáveis que imple- mentam o código podem ser programados para detectar o tipo de pla- taforma na qual estão executando e para expor, por meio de uma inter- face gráfica de usuário, apenas as funções que são apropriado para uma plataforma de cabine ou plataforma completa.

Essa abordagem permite que o sistema reconheça a experiência do usuário distintamente diferente que é apropriada para um ambiente na cabine e o ambiente de tecnologia diferente da cabine.

As instruções de mapas de cabine 222 podem ser programadas para fornecer visualizações de mapas de campos, fazendas ou regiões que são úteis para direcionar a operação da máquina.

As instruções de vista remota 224 podem ser programadas para ligar, gerenciar e fornecer vistas da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de compu- tação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e semelhantes.

As instruções de coleta e trans- ferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores para o sistema 130 por meio de redes sem fio, conectores com fio ou adaptadores e semelhantes.

As instruções de alertas de máquina 228 podem ser programadas para detectar problemas com as operações da máquina ou ferramentas que estão associadas à cabine e gerar alertas do operador.

As instruções de transferência de script 230 podem ser configuradas para transferir em scripts de instruções que são configura- das para dirigir as operações da máquina ou a coleta de dados.

As ins- truções de exploração de cabine 232 podem ser programadas para exi- bir alertas baseados na localização e informações recebidas a partir do sistema 130 com base na localização do dispositivo de computação ge- renciador de campo 104, aparelho agrícola 111 ou sensores 112 no campo e ingerir, gerenciar e fornecer transferência de observações de exploração com base na localização para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.

2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COM-

PUTADOR

[0087] Em uma modalidade, o computador servidor de dados ex- terno 108 armazena dados externos 110, incluindo dados do solo que representam a composição do solo para um ou mais campos e dados meteorológicos que representam a temperatura e a precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteo- rológicos passados e presentes, bem como previsões para dados me- teorológicos futuros. Em uma modalidade, o computador servidor de da- dos externo 108 compreende uma pluralidade de servidores hospeda- dos por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição do solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composi- ção do solo podem ser armazenados em vários servidores. Por exem- plo, um servidor pode armazenar dados que representam a porcenta- gem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (OM) no solo.

[0088] 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 aé- reos, tais como satélites, sensores de veículos, sensores de equipamen- tos de plantio, sensores de cultivo, sensores de aplicação de fertilizantes ou inseticidas, sensores de ceifeira e qualquer outro implemento capaz de receber dados a partir de um ou mais campos. Em uma modalidade, o controlador de aplicativo 114 é programado ou configurado para rece- ber instruções do sistema de computador de inteligência agrícola 130.

O controlador de aplicativo 114 também pode ser programado ou confi- gurado para controlar um parâmetro operacional de um veículo ou im- plemento agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de cultivo, fertilizante ou equipamento de inseticida, equipamento de co- lheita ou outros implementos agrícolas, como uma válvula de água. Ou- tras modalidades podem usar qualquer combinação de sensores e con- troladores, dos quais os seguintes são apenas exemplos selecionados.

[0089] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em massa de um grande número de produtores que con- tribuíram com dados para um sistema de banco de dados comparti- lhado. Esta forma de obtenção de dados pode ser denominada “inges- tão manual de dados” quando uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como um exemplo, o aplicativo CLIMATE FIELD VIEW, comercialmente disponível a partir de The Climate Corpo- ration, San Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório 160.

[0090] Por exemplo, os sistemas de monitoramento de sementes podem controlar os componentes do aparelho da plantadeira e obter dados de plantio, incluindo sinais de sensores de sementes por meio de um chicote de sinais que compreende um backbone CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitora- mento de sementes podem ser programados ou configurados para exi- bir o espaçamento das sementes, população e outras informações para o usuário por meio do computador da cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são divulgados nas Patentes US Nº

8.738.243 e Pat. US Bar. 20150094916, e a presente descrição assume o conhecimento dessas outras divulgações de patentes.

[0091] Da mesma forma, os sistemas de monitor de rendimento po- dem conter sensores de rendimento para aparelhos de colheita que en- viam dados de medição de rendimento para o computador da cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de mo- nitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma colheitadeira ou outra ceifeira e transmite essas medições ao usuário por meio do com- putador da cabine 115 ou outros dispositivos dentro do sistema 130.

[0092] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo em movimento ou aparelho do tipo descrito aqui, onde aqui incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, como radar ou sensores de velocidade da roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores GPS ou aplicativos de mape- amento ou posição baseados em WiFi que são programados para de- terminar a localização com base em pontos de acesso WiFi próximos, entre outros.

[0093] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sen- sores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com GPS ou sinais de radar, PTO off) sensores de velocidade, sensores hidráuli- cos do trator configurados para detectar parâmetros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de ve- locidade das rodas ou sensores de patinagem das rodas. Em uma mo- dalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade da bomba hidráulica; controladores ou reguladores de velocidade; contro- ladores de posição de engate; ou controladores de posição de roda for- necem direção automática.

[0094] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, como plantadei- ras, semeadoras ou semeadoras de ar, incluem sensores de sementes, que podem ser ópticos, eletromagnéticos ou sensores de impacto; sen- sores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elé- trica, sensores ópticos de resíduos ou sensores de temperatura; senso- res de critérios operacionais de componentes, como sensores de pro- fundidade de plantio, sensores de pressão do cilindro força descen- dente, sensores de velocidade do disco de sementes, codificadores do motor de acionamento de sementes, sensores de velocidade do sistema de transporte de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores ópticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exem- plos de controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: controladores de dobra da barra de ferramentas, como controladores para válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de linha individuais ou a uma estrutura inteira da plantadeira; controla- dores de profundidade de plantio, como atuadores lineares; controlado- res de medição, como motores elétricos de acionamento do medidor de sementes, motores hidráulicos de acionamento do medidor de semen- tes ou embreagens de controle de faixa; controladores de seleção hí- brida, tais como motores de acionamento de medidores de sementes ou outros atuadores programados para permitir ou impedir seletivamente a semente ou uma mistura de ar-semente de distribuir sementes para ou de medidores de sementes ou tremonhas centrais a granel; controlado- res de medição, como motores elétricos de acionamento de medidor de sementes ou motores hidráulicos de acionamento de medidor de se- mentes; controladores de sistema de transporte de sementes, como controladores para um motor de esteira de distribuição de sementes; controladores de marcador, como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pes- ticidas, como controladores de unidade de medição, tamanho de orifício ou controladores de posição.

[0095] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas, como hastes ou discos; sensores de posição de fer- ramenta para tais ferramentas que são configuradas para detectar pro- fundidade, ângulo de gangue ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipa- mento de lavoura incluem controladores de força descendente ou con- troladores de posição de ferramenta, como controladores configurados para controlar a profundidade da ferramenta, ângulo de gangue ou es- paçamento lateral.

[0096] Em uma modalidade, exemplos de sensores 112 que podem ser usados em relação a aparelhos para aplicação de fertilizantes, inse- ticidas, fungicidas e semelhantes, tais como sistemas de fertilizantes ini- ciais na plantadeira, aplicadores de fertilizantes de subsolo ou pulveri- zadores de fertilizante, incluem: sensores de critérios de sistema de flu- ido, como sensores de fluxo ou sensores de pressão; sensores que in- dicam quais válvulas de aspersor ou válvulas de linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linha de alimentação seccionais ou de todo o sistema ou sensores de linha de alimentação específicos de linha; ou sensores cinemáticos, como acelerômetros dispostos nas barras do as- persor. Em uma modalidade, exemplos de controladores 114 que po- dem ser usados com tal aparelho incluem controladores de velocidade de bomba; controladores de válvula que são programados para contro- lar pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posi- ção, como para altura da lança, profundidade do subsolador ou posição da lança.

[0097] Em uma modalidade, exemplos de sensores 112 que podem ser usados com ceifeiras incluem monitores de rendimento, tais como medidores de tensão de placa de impacto ou sensores de posição, sen- sores de fluxo capacitivos, sensores de carga, sensores de peso ou sen- sores de torque associados a elevadores ou brocas, ou sensores ópti- cos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; senso- res de critérios de operação da plataforma, como altura da plataforma, tipo de plataforma, folga da placa do convés, velocidade do alimentador e sensores de velocidade do molinete; sensores de critérios de opera- ção do separador, tais como sensores de folga côncava, velocidade do rotor, folga da sapata ou folga do sulco; sensores da broca para posição, operação ou velocidade; ou sensores de rotação do motor. Em uma mo- dalidade, exemplos de controladores 114 que podem ser usados com ceifeiras incluem controladores de critérios operacionais da plataforma para elementos como altura da plataforma, tipo de plataforma, folga da placa do convés, velocidade do alimentador ou velocidade do molinete; controladores de critérios de operação de separadores para recursos como folga côncava, velocidade do rotor, folga da sapata ou folga do chanfro; ou controladores para posição, operação ou velocidade da broca.

[0098] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso ou sen- sores para posição, operação ou velocidade da broca. Em uma modali- dade, exemplos de controladores 114 que podem ser usados com car- rinhos de grãos incluem controladores para a posição, operação ou ve- locidade da broca.

[0099] Em uma modalidade, exemplos de sensores 112 e controla- dores 114 podem ser instalados em aparelhos de veículo aéreo não tri- pulado (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético, in- cluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e semelhantes; acelerômetros; altímetros; sensores de tempera- tura; sensores de umidade; sensores de tubo pitot ou outros sensores de velocidade do ar ou do vento; sensores de vida da bateria; ou emis- sores de radar e aparelhos de detecção de energia de radar refletida; outros emissores de radiação eletromagnética e aparelhos de detecção de radiação eletromagnética refletida. Tais controladores podem incluir orientação ou aparelho de controle de motor, controladores de superfí- cie de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados na Pat. US App. Nº 14/831.165 e a presente descrição pressupõe o conhecimento dessa outra descrição de patente.

[00100] Em uma modalidade, os sensores 112 e controladores 114 podem ser fixados ao aparelho de medição e amostragem de solo que é configurado ou programado para amostrar solo e realizar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Pat. US Nº 8.767.194 e Pat.

US Nº 8.712.148 pode ser usado, e a presente descrição assume o co- nhecimento dessas divulgações de patentes.

[00101] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divul- gado no Pedido Provisório US Nº 62/154.207, depositado em 29 de abril de 2015, Pedido Provisório US Nº 62/175.160, depositado em 12 de ju- nho de 2015, Pedido Provisório US Nº 62/198.060, depositado em 28 de julho de 2015 e o Pedido Provisório dos EUA Nº 62/220.852, depo- sitado em 18 de setembro de 2015, podem ser usados, e a presente descrição pressupõe o conhecimento dessas divulgações de patentes.

2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DO MODELO

AGRONÔMICO

[00102] Em uma modalidade, o sistema de computador de inteligên- cia agrícola 130 é programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, tais como dados de identi- ficação e dados de colheita para um ou mais campos. O modelo agronô- mico também pode compreender propriedades agronômicas calculadas que descrevem as condições que podem afetar o crescimento de uma ou mais culturas em um campo, ou propriedades de uma ou mais cultu- ras, ou ambas. Além disso, um modelo agronômico pode incluir reco- mendações com base em fatores agronômicos, como recomendações de cultivo, recomendações de irrigação, recomendações de plantio, re- comendações de fertilizantes, recomendações de fungicidas, recomen- dações de pesticidas, recomendações de colheita e outras recomenda- ções de manejo de culturas. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura,

como o rendimento agronômico. O rendimento agronômico de uma cul- tura é uma estimativa da quantidade da cultura que é produzida, ou em alguns exemplos a receita ou lucro obtido com a cultura produzida.

[00103] Em uma modalidade, o sistema de computador de inteligên- cia agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atual- mente recebida e às informações de cultura para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo previamente processados, incluindo, mas não se limitando a, dados de identificação, dados de colheita, dados de fertilizantes e dados meteo- rológicos. O modelo agronômico pré-configurado pode ter sido validado para garantir a precisão do modelo. A validação cruzada pode incluir comparação com a verificação do solo que compara os resultados pre- vistos com os resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor fornecendo dados meteorológicos no mesmo local ou próximo ou uma estimativa do teor de nitrogênio com um solo medição da amostra.

[00104] 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 usando dados de campo fornecidos por uma ou mais fontes de dados. A Figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para realizar as operações que agora são descritas.

[00105] No bloco 305, o sistema de computador de inteligência agrí- cola 130 é configurado ou programado para implementar o pré-proces- samento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados com a finalidade de remo- ver ruído, efeitos de distorção e fatores de confusão dentro dos dados agronômicos, incluindo outliers medidos que podem afetar adversa- mente os valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos podem incluir, mas não es- tão limitadas a, remoção de valores de dados comumente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por distorcer desnecessariamente outros valores de dados, suavização de dados, agregação ou técnicas de amostragem usadas para remover ou reduzir os efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre as entradas de dados positivas e nega- tivas.

[00106] No bloco 310, o sistema de computador de inteligência agrí- cola 130 é configurado ou programado para realizar a seleção de sub- conjunto de dados usando os dados de campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial do modelo agronômico. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, mas não se limitando a, um método de algoritmo genético, um método de todos os modelos de subconjunto, um método de pesquisa sequen- cial, um método de regressão passo a passo, um método de otimização de enxame de partículas e um método de otimização de colônia de for- migas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativa, com base em princípios evolutivos de seleção natural e genética, para determinar e avaliar con- juntos de dados dentro dos dados agronômicos pré-processados.

[00107] No bloco 315, o sistema de computador de inteligência agrí- cola 130 é configurado ou programado para implementar a avaliação do conjunto de dados de campo. Em uma modalidade, um conjunto de da- dos de campo específico é avaliado criando um modelo agronômico e usando limites de qualidade específicos para o modelo agronômico cri- ado. Os modelos agronômicos podem ser comparados e/ou validados usando uma ou mais técnicas de comparação, tais como, mas não se limitando a, erro quadrático médio com validação cruzada leave-one-out (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o RMSECV pode validar modelos agronômicos comparando os valores de propriedade agronômica previstos criados pelo modelo agronômico com os valores históricos de propriedade agronômica coletados e ana- lisados. Em uma modalidade, a lógica de avaliação do conjunto de da- dos agronômicos é usada como um ciclo de feedback, onde conjuntos de dados agronômicos que não atendem aos limites de qualidade con- figurados são usados durante as etapas futuras de seleção de subcon- junto de dados (bloco 310).

[00108] No bloco 320, o sistema de computador de inteligência agrí- cola 130 é configurado ou programado para implementar a criação do modelo agronômico com base nos conjuntos de dados agronômicos va- lidados de maneira cruzada. Em uma incorporação, a criação de modelo agronômico pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.

[00109] No bloco 325, o sistema de computador de inteligência agrí- cola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futura avaliação de dados de campo.

2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO

HARDWARE

[00110] De acordo com uma modalidade, as técnicas descritas neste documento são implementadas por um ou mais dispositivos de compu- tação para fins especiais. Os dispositivos de computação para fins es- peciais podem ser conectados para executar as técnicas ou podem in-

cluir dispositivos eletrônicos digitais, como um ou mais circuitos integra- dos específicos de aplicação (ASICs) ou matrizes de portas programá- veis em campo (FPGAs) que são persistentemente programadas para executar as técnicas, ou pode incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computa- ção para fins especiais também podem combinar lógica com fio perso- nalizado, ASICs ou FPGAs com programação personalizada para reali- zar as técnicas. Os dispositivos de computação para fins especiais po- dem ser sistemas de computador desktop, sistemas de computador por- tátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispo- sitivo que incorpore lógica de programa e/ou com fio para implementar as técnicas.

[00111] Por exemplo, a Figura 4 é um diagrama de bloco que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barra- mento 402 ou outro mecanismo de comunicação para comunicar infor- mações e um processador de hardware 404 acoplado ao barramento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.

[00112] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo pro- cessador 404. Memória principal 406 também pode ser usada para ar- mazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processa- dor 404. Tais instruções, quando armazenadas em mídia de armazena- mento não transitória acessível ao processador 404, tornam o sistema de computador 400 em um sistema de computador especial máquina de propósito que é personalizada para executar as operações especifica- das nas instruções.

[00113] O sistema de computador 400 inclui ainda uma memória so- mente leitura (ROM) 408 ou outro dispositivo de armazenamento está- tico acoplado ao barramento 402 para armazenar informações estáticas e instruções para o processador 404. Um dispositivo de armazenamento 410, como um disco magnético, disco óptico ou unidade de estado só- lido é fornecida e acoplada ao barramento 402 para armazenar informa- ções e instruções.

[00114] O sistema de computador 400 pode ser acoplado via barra- mento 402 a um visor 412, tal como um tubo de raios catódicos (CRT), para exibir informações a um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao bar- ramento 402 para comunicar informações e seleções de comando para o processador 404. Outro tipo de dispositivo de entrada do usuário é o controle do cursor 416, tal como um mouse, um trackball ou teclas de direção do cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar o movimento do cur- sor no visor 412. Este dispositivo de entrada normalmente tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especifi- car posições em um plano.

[00115] O sistema de computador 400 pode implementar as técnicas descritas neste documento usando lógica com fio personalizado, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em com- binação com o sistema de computador faz ou programa o sistema de computador 400 para ser um sistema de computador especial máquina de propósito. De acordo com uma modalidade, as técnicas aqui são re- alizadas pelo sistema de computador 400 em resposta ao processador

404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, tal como o dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o proces- sador 404 execute as etapas do processo aqui descritas. Em modalida- des alternativas, o conjunto de circuitos com fio pode ser usado no lugar ou em combinação com as instruções do software.

[00116] O termo “mídia de armazenamento”, conforme usado neste documento, refere-se a qualquer mídia não transitória que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Esses meios de armazenamento podem compreen- der meios não voláteis e/ou meios voláteis. A mídia não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado só- lido, como o dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, como a memória principal 406. Formas comuns de mídia de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qual- quer outro meio de armazenamento de dados magnéticos, um CD- ROM, qualquer outro meio de armazenamento de dados ópticos, qual- quer meio físico com padrões de orifícios, uma RAM, uma PROM, e EPROM, um FLASH-EPROM, NVRAM, qualquer outro chip de memória ou cartucho.

[00117] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com a mídia de transmissão. A mídia de transmissão par- ticipa da transferência de informações entre as mídias de armazena- mento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fio de cobre e fibra óptica, incluindo os fios que compõem o barramento

402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelho.

[00118] Várias formas de mídia podem estar envolvidas no trans- porte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser carregadas inicialmente em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter os dados em um sinal infra- vermelho. Um detector infravermelho pode receber os dados transpor- tados no sinal infravermelho e o conjunto de circuitos apropriado podem colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memó- ria principal 406 podem, opcionalmente, ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador

404.

[00119] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comu- nicação 418 fornece um acoplamento de comunicação de dados bidire- cional a um enlace de rede 420 que está conectado a uma rede local

422. Por exemplo, interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem via satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Enlaces sem fio também podem ser implementa-

dos. Em qualquer implementação, a interface de comunicação 418 en- via e recebe sinais elétricos, eletromagnéticos ou ópticos que transpor- tam fluxos de dados digitais que representam vários tipos de informa- ção.

[00120] O enlace de rede 420 normalmente fornece comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão através da rede local 422 a um computador hospedeiro 424 ou a equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados em todo o mundo rede de comunicação de pacote de dados agora comu- mente denominada como “Internet” 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de comunicação 418, que transportam os dados digitais de e para o sistema de computador 400, são formas de exemplo de meio de transmissão.

[00121] O sistema de computador 400 pode enviar mensagens e re- ceber dados, incluindo código de programa, através da (s) rede (s), en- lace de rede 420 e interface de comunicação 418. No exemplo da Inter- net, um servidor 430 pode transmitir um código solicitado para um pro- grama de aplicativo por meio Internet 428, ISP 426, rede local 422 e interface de comunicação 418.

[00122] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de armazena- mento 410, ou outro armazenamento não volátil para execução poste- rior.

3. DESCRIÇÕES FUNCIONAIS

3.1 COLETA DE DADOS DE TREINAMENTO DE PROPRIEDADES E

RENDIMENTOS DO SOLO

[00123] Em algumas modalidades, cada campo é dividido em sub- campos. Por exemplo, cada subcampo pode ter 10 metros por 10 me- tros. O servidor 170 está programado para receber ou obter diferentes tipos de dados sobre diferentes subcampos dentro de campos específi- cos em diferentes pontos dentro de um período para fins de treinamento de modelo. Os diferentes tipos de dados podem incluir dados químicos do solo, como dados relacionados à matéria orgânica, capacidade de troca catiônica ou escala de pH. Os diferentes tipos de dados podem incluir dados de topografia do solo, como elevação, declive, curvatura ou aspecto. Os diferentes tipos de dados podem incluir ainda dados de imagens, como imagens de satélite ou outras imagens aéreas, que po- dem indicar umidade, vegetação, estado de doença ou outras proprie- dades do solo dos campos específicos e, portanto, podem ser usados para derivar outros tipos de dados. Além disso, os diferentes tipos de dados podem incluir dados de fertilizantes, como tipo de nutriente ou dados de genética de sementes, como germoplasma (genética de base + característica), informações de linhagem, padrões de clusters genéti- cos ou relações de marcadores genômicos. O período pode ser de um ou mais anos. A frequência dos diferentes pontos pode ser horária, diá- ria, mensal, trimestral ou ainda menos frequente para os tipos de dados que não variam muito ao longo do tempo. Esses dados podem ser re- cebidos por meio de entrada manual pelo usuário 102. Esses dados também podem fazer parte dos dados de campo 106 ou dos dados ex- ternos 110. Além disso, esses dados também podem ser recuperados do repositório 160 se tiverem sido coletados anteriormente para fins de outras aplicações.

[00124] Em algumas modalidades, o servidor 170 é programado para receber dados relacionados ao clima sobre os diferentes subcampos em vários pontos dentro do período. A frequência dos vários pontos, neste caso, pode ser maior do que a frequência dos diferentes pontos em que os outros tipos de dados estão disponíveis. Os dados meteorológicos podem incluir dados de precipitação e dados de irrigação para água no solo ou dados de evapotranspiração, dados de drenagem, dados de es- coamento ou dados de saturação inicial ou mínima do solo para água do solo. Os dados meteorológicos podem ser obtidos, por exemplo, como parte dos dados externos 110 de um banco de dados ou servidor de informações meteorológicas on-line de terceiros, por meio de uma URL parametrizada, chamada API ou outro mecanismo programático.

[00125] O servidor 170 está programado para receber ainda dados de umidade medidos por sondas de umidade em relação a alguns dos diferentes subcampos em vários pontos dentro do período. Os dados de sonda de umidade podem fazer parte dos dados de campo 106 ou po- dem ser inseridos pelo usuário 102 usando uma interface de usuário programada. A disponibilidade de tais dados de umidade é normalmente limitada, pois o número de sondas de umidade que podem ser imple- mentadas é geralmente relativamente pequeno. O servidor 170 pode ser programado para estender o escopo das informações de umidade, prevendo a umidade para os subcampos onde as sondas de umidade não são implementadas com base nos dados de umidade que estão disponíveis, conforme discutido abaixo.

[00126] Em algumas modalidades, o servidor 170 é programado para receber ainda mais dados de densidade do solo, como taxas de seme- adura e dados de rendimento em relação aos diferentes subcampos em diferentes pontos dentro do período. Em outras modalidades, o servidor 170 é programado para preencher os valores ausentes de qualquer uma das propriedades do solo cobertas nos dados recebidos por interpola- ção, extrapolação, agrupamento ou outras técnicas ou contando com valores padrão fornecidos pelo usuário.

3.2 ESTIMAR DADOS DE UMIDADE

[00127] Em algumas modalidades, o servidor 170 é programado para prever o teor de umidade do solo para alguns subcampos em vários pontos dentro do período. Dado o dados de precipitação p e dados de irrigação irr, a dinâmica da água no solo pode ser definida através de um modelo espaço-temporal dinâmico (DSTM):

[00128] onde Yt(s) é observada a umidade do solo no tempo t para o subcampo s, tipicamente por uma sonda de umidade, wt(s) é a umidade real do solo no tempo t no subcampo s. et(s) é um erro de observação aleatório, α(s) é a taxa de absorção, θ(s) é a taxa de drenagem, p (ou p(s)) são os dados de saturação mínima, e ut(s) é um erro espacial- mente correlacionado da umidade real não observada do solo. Por um período específico dentro do período, dados os valores Yt(s) em pontos específicos dentro do período específico para selecionar subcampos onde as sondas de umidade do solo estavam disponíveis ou a umidade do solo poderia ser observada junto com os valores de p e irr nos pontos específicos para os subcampos selecionados, os valores de α(s), θ(s), e µ podem ser determinados. Dados os valores de p e irr nos pontos específicos para outro subcampo sem dados de umidade do solo obser- vados, a fórmula (2) pode então ser usada para prever a umidade real do solo e os dados de saturação mínima para esse subcampo nos pon- tos específicos dados um valor para wt(s) em pelo menos um ponto no tempo. Por exemplo, o período específico pode ser um ano ou uma es- tação de cultivo e os pontos específicos podem corresponder a dias, semanas ou meses individuais.

3.3 CONSTRUIR UM MODELO DE PREVISÃO DE RENDIMENTO

[00129] Em algumas modalidades, o servidor 170 é programado para construir um modelo de previsão de rendimento para um subcampo com base em dados coletados e estimados. Inicialmente, o servidor 170 pode ser programado para converter os dados de imagens em certos vetores de imagem que correspondem a imagens inteiras ou caracterís- ticas específicas das imagens, dependendo da natureza e resolução das imagens.

[00130] Em algumas modalidades, o servidor 170 é programado para calcular indicadores de estresse de umidade (MSI) para cada subcampo a partir dos dados de umidade do solo. Cada MSI pode ser definido como a porcentagem do período específico em que a umidade do solo está sob estresse úmido ou seco. O estresse úmido pode ser definido como o valor de umidade estando acima de um certo limite úmido. O estresse seco pode ser definido de forma semelhante como o valor de umidade estando abaixo de um certo limite seco. Por exemplo, o perí- odo específico pode ser um ano e o MSI pode ser a porcentagem do ano em termos de meses ou dias quando um subcampo está em es- tresse húmido ou estresse seco. O limite úmido ou limite seco pode ser específico para cada campo com vários subcampos, região de alcance com vários campos ou cada tipo de clima (por exemplo, em termos de precipitação anual ou radiação solar), ou podem ser invariáveis entre regiões ou tipos de clima.

[00131] O servidor 107 pode ser configurado para determinar o limite úmido ou limite seco a partir de dados históricos. Por exemplo, o limite úmido e o limite seco podem ser respectivamente o ponto de 90 % e o ponto de 10 % da faixa entre a quantidade de umidade diária ou mensal máxima e mínima durante os últimos 10 anos. Por exemplo, o limite úmido e o limite seco podem ser, respectivamente, os pontos onde os rendimentos se desviam de um rendimento agregado diário ou mensal por mais de uma certa quantidade.

[00132] Em algumas modalidades, o servidor 170 é programado para definir ou melhorar as previsões de zonas de lagoa e zonas de seca para cada subcampo a partir dos dados de umidade do solo. Por exem- plo, quando a umidade do solo de um subcampo atinge ou excede um limite alto na maioria dos dias durante a estação de cultivo, o subcampo pode ser considerado uma zona de lagoa. Da mesma forma, quando a umidade do solo de um subcampo está abaixo de um limite baixo na maioria dos dias durante a estação de cultivo, o subcampo pode ser considerado uma zona de seca. O servidor 170 pode ser programado para prever o rendimento e recomendar taxas de semeadura ideais com base no risco de lagoa ou seca, o que pode corresponder a uma pontu- ação de confiança associada a uma previsão de uma zona de lagoa ou zona de seca, por exemplo.

[00133] Em algumas modalidades, o servidor 170 pode ser configu- rado para calcular recursos adicionais para cada subcampo a partir dos dados de umidade do solo, como umidade média, aglomerados de umi- dade ou componentes principais de umidade.

[00134] Em algumas modalidades, o servidor 170 é programado para construir um modelo de previsão de rendimento com base em vários recursos, como valores dos dados químicos do solo, valores dos dados de topografia do solo, valores dos dados de imagens de campo, como a imagem vetores, valores de dados de fertilizantes, como “nitrogênio” ou “fósforo”, valores de dados de genética de sementes, valores ou ca- racterísticas dos dados de umidade do solo, como os MSIs ou riscos de empoçamento ou seca, e valores do solo dados de densidade, junto com os dados de rendimento como os resultados correspondentes, para os subcampos dentro dos campos específicos. O modelo de previsão de rendimento pode ser qualquer classificação discreta ou estatística ou modelo de regressão, como uma floresta aleatória, um algoritmo de agrupamento, uma rede neural ou um classificador de regressão logís- tica. Por exemplo, o aparelho divulgado no Pedido de Patente US Nº 14/968.728, depositado em 14 de dezembro de 2015, Pedido Provisório

US Nº 62/750.153, depositado em 24 de outubro de 2018, Pedido Pro- visório US Nº 62/750.156, depositado em 24 de outubro de 2018, o Pe- dido Provisório US Nº 62/784.276, depositado em 21 de dezembro de 2018, e o Pedido Provisório US Nº 62/832cl48, depositado em 10 de abril de 2019, podem ser usados para dados de fertilizantes incorpora- dos, dados de genética de sementes, dados de imagens de campo ou outros dados relacionados, e a presente descrição assume o conheci- mento dessas divulgações de patentes.

3.4 COLETA DE PROPRIEDADES DE SOLO DE CAMPOS ALVO

[00135] Em algumas modalidades, o servidor 170 é programado para receber diferentes tipos de dados de solo para subcampos de certos campos em certos pontos dentro de um determinado período. O deter- minado período é normalmente muito mais longo do que o período es- pecífico usado na aplicação do DSTM, conforme discutido acima, de modo que o DSTM e o modelo de previsão de rendimento podem ser aplicados repetidamente para um subcampo para diferentes subperío- dos do determinado período para estimar o risco associado com os ren- dimentos previstos para o subcampo, conforme discutido abaixo. Por exemplo, o determinado período pode ser de 10 ou 20 anos.

[00136] Em algumas modalidades, os diferentes tipos de dados do solo podem incluir os dados químicos do solo, dados de topografia do solo, dados de imagens de campo ou dados de umidade do solo, como discutido acima. Os dados de imagem podem ser convertidos em veto- res de imagem, conforme discutido acima. Os dados de umidade medi- dos para selecionar subcampos dentro de certos campos podem ser usados para estimar os dados de umidade para os outros subcampos dentro de certos campos, como discutido acima. Em certas modalida- des, o DTSM construído a partir dos dados de treinamento pode ser usado para estimar os dados de umidade para os outros subcampos dentro de certos campos. Os dados de umidade podem então ser con- vertidos em MSIs, conforme discutido acima. Em outras modalidades, os valores ausentes para subcampos dentro de certos campos podem ser estimados, como discutido acima.

3.5 DETERMINAR AS TAXAS DE SEMENTE IDEAIS E OS RENDI-

MENTOS PREDITOS CORRESPONDENTES

[00137] Em algumas modalidades, o servidor 170 é programado para selecionar uma lista de taxas de semeadura para um subcampo dentro de certos campos e executar o modelo de previsão de rendimento com base nos dados de solo mais recentes e cada uma da lista de taxas de semeadura para obter um rendimento previsto. Os dados de solo mais recentes correspondem a um intervalo fora de determinado período. A lista de taxas de semeadura pode ser idêntica em vários subcampos ou pode ser específica de subcampo com base na localização, a cultura a ser plantada, os padrões históricos de plantio ou outros fatores. O ser- vidor 170 é programado para identificar ainda mais uma da lista de taxas de semeadura, normalmente a taxa de semeadura ideal correspondente ao maior rendimento previsto, para o subcampo.

[00138] A Figura 7 ilustra um exemplo de relação entre as taxas de semeadura e os rendimentos previstos. O gráfico 700 tem um eixo X 702 para taxas de semeadura em unidades de sementes IK por acre e um eixo Y 704 para os rendimentos previstos correspondentes em uni- dades de alqueires por acre. A lista de taxas de semeadura neste exem- plo é de 28 mil sementes por acre a 40 mil sementes por acre em incre- mentos de IK. Os rendimentos previstos correspondentes atingem o pico no ponto 706 para uma taxa de semeadura de 37K sementes por acre e um rendimento previsto correspondente de aproximadamente 185 alqueires por acre. Portanto, com 185 alqueires por acre sendo o maior rendimento previsto, as sementes de 37K por acre são conside- radas como a taxa de semeadura ideal.

[00139] Em algumas modalidades, o servidor 170 é programado para ajustar ou suavizar as taxas de semeadura identificadas em subcampos, uma vez que é geralmente indesejável ou impossível implementar taxas de semeadura drasticamente diferentes em subcampos vizinhos. O ser- vidor 170 pode ser configurado para ajustar as taxas de semeadura identificadas alterando qualquer taxa de semeadura identificada para um subcampo que se desvia de uma ou mais das taxas de visualização identificadas para os subcampos mais próximos do subcampo por mais de um limite. Outras técnicas de suavização podem ser usadas, como agrupar as taxas de semeadura identificadas e alterar cada taxa de se- meadura identificada em seu próprio cluster (ou um cluster de um tama- nho abaixo de um certo limite) para uma taxa de semeadura agregada identificada de um cluster mais próximo. O servidor 170 está progra- mado para determinar ainda mais o rendimento previsto correspondente a qualquer taxa de semeadura ajustada. Tal rendimento previsto já está disponível quando a taxa de semeadura ajustada é outra da lista de ta- xas de semeadura, ou o modelo de previsão de rendimento pode ser reaplicado com a taxa de semeadura ajustada para obter o rendimento previsto ajustado.

3.6 DETERMINAR VALORES DE RISCO ASSOCIADOS AOS RENDI-

MENTOS PREVISTOS

[00140] Em algumas modalidades, o servidor 170 é programado para calcular um valor de risco que representa o risco associado ao rendi- mento previsto (ajustado se disponível ou original) com base em dados históricos. Rendimentos derivados de dados de umidade do solo e da- dos meteorológicos adicionais podem ser usados para estimar o risco de um rendimento previsto ou a probabilidade de que o rendimento pre- visto não ocorra devido ao clima imprevisível. Mais especificamente, o servidor 170 está programado para dividir o determinado período em subperíodos e executar o modelo de previsão de rendimento para cada um dos subperíodos. Por exemplo, o determinado período pode ser de 10 anos e cada subperíodo pode ser de um ano. Para cada subcampo, os dados de umidade para cada ano podem ser medidos por sondas de umidade ou estimados a partir das medições ou imagens de satélite para cada mês. Para cada um dos subperíodos, o servidor 170 pode ser configurado para repetir este procedimento para todos os subcampos de certos campos e ajustar as taxas de semeadura identificadas por meio de uma operação de alisamento e obter os rendimentos ajustados, como discutido acima.

[00141] Em algumas modalidades, para cada subcampo, o servidor 170 é programado para construir um conjunto de quantis em incremen- tos definidos para os rendimentos previstos (ajustados se disponíveis ou originais) ao longo de todos os subperíodos, que correspondem a um perfil de risco associados aos rendimentos previstos. Os rendimentos previstos ao longo dos subperíodos podem ser ponderados. Por exem- plo, os rendimentos previstos para subperíodos mais recentes podem ser ponderados mais, pois os dados de umidade para os subperíodos mais recentes podem ser mais semelhantes aos dados de umidade atu- ais. O servidor 170 está programado para identificar ainda em qual quantil o rendimento previsto para o intervalo mais recente está, com o intervalo mais recente ficando fora do determinado período, e tomar isso como o risco estimado associado a esse rendimento previsto. Por exem- plo, se o rendimento previsto para o intervalo mais recente estiver no quantil 30 %, isso significaria que nos últimos 10 anos, cerca de 30 % dos rendimentos previstos foram menores do que o rendimento previsto para o intervalo mais recente e, portanto, o risco associado a esse ren- dimento previsto seria estimado em 30 %.

[00142] A Figura 8 ilustra um de distribuição de rendimentos for- mando quantis. O gráfico 800 inclui um eixo X para rendimentos previs- tos em unidades de alqueires por acre, e um eixo Y para contagens. O gráfico 800 mostra assim, para rendimentos crescentes previstos, quan- tas vezes as previsões ocorrem durante determinado período. Pode ser visto ao longo da linha 806 que cerca de 10 % do tempo o rendimento previsto cai abaixo de aproximadamente 175 alqueires por acre, ao longo da linha 808 que cerca de 50 % do tempo o rendimento previsto cai abaixo de aproximadamente 192 alqueires por acre, e ao longo da linha 810 que cerca de 90 % do tempo o rendimento previsto cai abaixo de aproximadamente 206 alqueires por acre. Portanto, ao identificar a qual quantil um rendimento previsto pertence, o quantil pode ser consi- derado como um risco estimado associado ao rendimento previsto.

[00143] Em algumas modalidades, o servidor 170 é programado para apresentar os rendimentos previstos (ajustados se disponíveis ou origi- nais) com riscos associados, como por meio da transmissão ou exibição de tais dados para dispositivos remotos associados com o subcampos.

3.7 GERAR PRESCRIÇÕES DE TAXA DE SEMEADURA

[00144] Em algumas modalidades, o servidor 170 é programado para estimar o risco com base nos dados agregados ao longo dos subcam- pos para o nível de campo, assumindo que a condição meteorológica não varia substancialmente em um campo. Mais especificamente, o ser- vidor 170 está programado para agregar os rendimentos previstos (ajus- tados se disponíveis ou originais) e as taxas de semeadura correspon- dentes em todos os subcampos para cada subperíodo de determinado período. Portanto, os rendimentos agregados previstos para determi- nado período podem ser ponderados e computados nos subcampos para construir um perfil de risco atualizado.

[00145] Em algumas modalidades, o servidor 170 é programado para determinar uma prescrição de taxas de semeadura com base neste per- fil de risco atualizado. O servidor 170 pode ser configurado para pré- selecionar os limites superior e inferior do risco associado a um rendi- mento previsto ou obter tais limites como entrada. O servidor 170 pode ser configurado para, então, identificar os rendimentos agregados pre- vistos nos quantis nos perfis de risco atualizados correspondentes aos limites e ainda identificar as taxas de semeadura agregadas correspon- dentes, fornecendo assim uma faixa de taxas de semeadura como a prescrição para produtores ou cultivadores dispositivos associados aos subcampos. Os limites inferior e superior podem ser constantes ou de- pender do rendimento previsto com base nos dados mais recentes de umidade do solo para um subcampo. Por exemplo, o risco estimado para o rendimento previsto com base nos dados de umidade do solo mais recentes pode ser 30%. Os limites inferior e superior podem ser definidos para uma certa porcentagem abaixo e acima do risco esti- mado, como de 25% a 35%, ou de uma porcentagem específica até o risco estimado, como de 10% a 30%.

[00146] A Figura 9 ilustra um exemplo de exibição de tela gerada por computador de uma interface gráfica de usuário relacionada a um perfil de risco. Essa tela permite visualizar como a taxa de semeadura ideal muda conforme o risco estimado muda nos subcampos com base no perfil de risco construído a partir de dados históricos. A tela 900 inclui uma porção de campo 902, uma escala 904, um controle deslizante 906 e uma porção de estatística 908. O controle deslizante 906 é usado para especificar o risco estimado, de 1 correspondente a 10 %, 2 correspon- dendo a 25 %, 3 correspondendo a 50 %, 4 correspondendo a 75 % e 5 correspondendo a 90 %, por exemplo. A porção de campo 902 mostra a taxa de semeadura ideal correspondente ao rendimento previsto com o risco estimado especificado através do controle deslizante 906 com base no perfil de risco. Cada unidade ou pixel da porção 902 pode cor- responder a um subcampo ou um campo, como discutido acima. O valor do pixel é expresso em termos da escala 904 em unidades de alqueires IK por acre. A porção estatística 908 inclui métricas agregadas corres- pondentes ao risco estimado selecionado, como a taxa de semeadura ideal média, o rendimento médio previsto correspondente ou os custos médios correspondentes das sementes (dado o preço unitário das se- mentes) em todos os subcampos cobertos no campo porção 902.

3.8 EXEMPLO DE PROCESSOS

[00147] A Figura 10 ilustra um exemplo de método executado por um computador servidor que é programado para prever rendimentos e re- comendar taxas de semeadura para subcampos com riscos informados. A Figura 10 destina-se a divulgar um algoritmo, plano ou esboço que pode ser usado para implementar um ou mais programas de computa- dor ou outros elementos de software que, quando executados, causam a execução de melhorias funcionais e avanços técnicos que são descri- tos neste documento. Além disso, os diagramas de fluxo neste docu- mento são descritos com o mesmo nível de detalhe que pessoas ordi- nariamente versadas na técnica normalmente usam para se comunica- rem uns com os outros sobre algoritmos, planos ou especificações for- mando uma base de programas de software que planejam codificar ou implementar usando suas habilidades e conhecimentos acumulados.

[00148] Em algumas modalidades, na etapa 1002, o servidor é pro- gramado ou configurado para receber dados meteorológicos por um pri- meiro período que consiste em uma pluralidade de subperíodos para um ou mais subcampos de um campo, conforme descrito na seção 3.1. Os dados meteorológicos podem ser obtidos da maneira anteriormente descrita na seção 3.1, por exemplo. O subcampo pode ter 10 metros por 10 metros ou ter um tamanho semelhante. O primeiro período pode ser de 10 anos, enquanto cada subperíodo pode ser de um ano. Os dados meteorológicos podem incluir dados de umidade do solo de medições de sonda ou quantidades estimadas de umidade. Em outras modalida- des, o servidor é programado para receber dados adicionais do solo para o primeiro período para o subcampo, como dados químicos do solo, dados de topologia do solo ou dados de imagens de campo. Pelo menos alguns dos dados podem ser coletados de dispositivos de cultivo, fontes de dados públicas, sondas de campo ou câmeras em dispositivos aéreo.

[00149] Em algumas modalidades, na etapa 1004, o servidor é pro- gramado ou configurado para executar certas etapas para cada um da pluralidade de subperíodos para um subcampo, incluindo as etapas 1006, 1008, 1010 e 1012. Assim, a etapa 1004 representa a execução de iterações programáticas por meio das etapas 1006, 1008, 1010 e 1012, uma ou várias vezes, até que todos os subperíodos associados a um subcampo tenham sido processados.

[00150] Em algumas modalidades, na etapa 1006, o servidor é pro- gramado ou configurado para calcular um indicador de estresse hídrico a partir dos dados meteorológicos. Mais especificamente, o servidor é configurado para transformar alguns dos dados coletados em proprie- dades a serem usadas na previsão do rendimento para o subcampo, conforme descrito na seção 3.4. Uma transformação é calcular o indica- dor de estresse hídrico, que pode ser definido como a porcentagem do subperíodo em que a umidade do solo está em estresse úmido ou em estresse seco. Por exemplo, o subperíodo pode ser de um ano, en- quanto a porcentagem pode ser expressa como a porcentagem de me- ses ou dias em um ano em que a umidade do solo está em estresse húmido ou em estresse seco. Outra transformação é extrair caracterís- ticas dos dados de imagens de campo.

[00151] Em algumas modalidades, na etapa 1008, o servidor é pro- gramado ou configurado para prever, para cada uma de uma lista de taxas de semeadura, um rendimento do indicador de estresse hídrico usando um modelo treinado, conforme descrito posteriormente na se- ção 3.5. O modelo pode ter sido treinado em várias propriedades do solo, incluindo o indicador de estresse hídrico e a taxa de semeadura, para um campo distinto de IDs de subarquivo e um período distinto de subperíodos. O servidor é configurado para aplicar o modelo treinado ao indicador de estresse hídrico calculado para o subcampo e cada uma de uma lista de taxas de semeadura para obter uma lista de rendimentos previstos para o subcampo.

[00152] Em algumas modalidades, na etapa 1010, o servidor é pro- gramado ou configurado para selecionar uma da lista de taxas de se- meadura com base na lista de rendimentos previstos, conforme descrito na seção 3.5. Por exemplo, a taxa de semeadura correspondente ao maior rendimento previsto pode ser selecionada. Em outras modalida- des, o servidor é configurado para obter ainda uma taxa de semeadura ajustada, considerando as taxas de semeadura selecionadas para pelo menos subcampos vizinhos. Na etapa 1012, o servidor 170 é progra- mado ou configurado para identificar ainda um dos rendimentos previs- tos correspondentes à taxa de semeadura selecionada ou a taxa de se- meadura ajustada.

[00153] Em algumas modalidades, na etapa 1014, o servidor é pro- gramado ou configurado para determinar um perfil de risco associado a uma faixa de rendimentos para um subcampo com base nos rendimen- tos previstos identificados para a pluralidade de subperíodos ou qual- quer taxas de semeadura ajustadas, conforme descrito na seção 3.6. O servidor pode ser configurado para construir o perfil de risco usando apenas os rendimentos previstos para o subcampo. Alternativamente, o servidor pode ser configurado para construir o perfil de risco agregando os rendimentos previstos (ou rendimentos previstos ajustados quando disponíveis) em todos os subcampos de um campo e as taxas de seme- adura selecionadas correspondentes (ou taxas de semeadura selecio- nadas ajustadas quando disponíveis) sobre todos os subcampos do campo para cada um da pluralidade de subperíodos. Além disso, o ser- vidor pode ser programado para calcular quantis dos rendimentos pre- vistos (agregados) como o perfil de risco associado aos rendimentos previstos.

[00154] Em algumas modalidades, na etapa 1016, o servidor é pro- gramado ou configurado para transmitir dados relacionados ao perfil de risco para um dispositivo associado a um subcampo, conforme descrito nas seções 3.6 e 3.7. Os dados podem ser o próprio perfil de risco. Al- ternativamente, os dados podem ser as taxas de semeadura correspon- dentes aos rendimentos previstos que caem em certos quantis, de modo que o dispositivo receba itens acionáveis e informações sobre os resul- tados previstos e riscos associados.

4. EXTENSÕES E ALTERNATIVAS

[00155] No relatório descritivo anterior, modalidades da invenção fo- ram descritas com referência a numerosos detalhes específicos que po- dem variar de implementação para implementação. O relatório descri- tivo e os desenhos devem, portanto, ser considerados em um sentido ilustrativo e não restritivo. O único e exclusivo indicador do escopo da invenção, e o que os requerentes pretendem ser o escopo da invenção, é o escopo literal e equivalente do conjunto de reivindicações que resul- tam deste pedido, na forma específica em que tais reivindicações são emitidas, incluindo qualquer correção subsequente.

Claims (20)

REIVINDICAÇÕES

1. Método implementado por computador de prever rendi- mentos (produção) e recomendar taxas de semeadura para subcampos com riscos informados, caracterizado pelo fato de que compreende: receber, por um processador, dados meteorológicos para um primeiro período que consistem em uma pluralidade de subperíodos para um ou mais subcampos de um campo; para cada um da pluralidade de subperíodos para um sub- campo: calcular um indicador de estresse de umidade a partir dos dados meteorológicos; prever, para cada uma de uma lista de taxas de semeadura, um rendimento a partir do indicador de estresse de umidade com o uso de um modelo treinado; selecionar uma taxa da lista de taxas de semeadura com base na lista de rendimentos previstos; e identificar um dos rendimentos previstos correspondentes à taxa de semeadura selecionada; determinar, pelo processador, um perfil de risco associado a uma faixa de rendimentos para um subcampo com base nos rendimen- tos previstos identificados para a pluralidade de subperíodos; transmitir dados relacionados ao perfil de risco para um dis- positivo associado a um subcampo.

2. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que os dados meteorológicos incluem dados de umidade do solo observados para um certo subcampo dos um ou mais subcampos, o cálculo compreende estimar dados de umidade do solo para um subcampo específico dos um ou mais subcampos a partir dos dados meteorológicos com o uso de um modelo espaço-temporal dinâ- mico (DSTM).

3. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que a estimativa compreende resolver, mediante os dados de precipitação p, os dados de irrigação irr e os dados de umidade do solo observados para um subconjunto dos um ou mais subcampos, para α(s) e θ(s) e µ em: Yt(s) sendo observada a umidade do solo no tempo t para o subcampo s, wt(s) sendo uma umidade do solo real ou estimada no tempo t em um subcampo s, µ sendo dados de saturação mínima, et(s) sendo um erro de observação aleatório, e ut(s) sendo um erro correla- cionado espacialmente de uma umidade do solo não observada e real, α(s) sendo uma taxa de absorção e θ(s) sendo uma taxa de diluição, t correspondente a múltiplos pontos em um intervalo dentro do subperíodo.

4. Método implementado por computador, de acordo com a reivindicação 3, caracterizado pelo fato de que a estimativa ainda com- preende computar, mediante os dados de precipitação p, os dados de irrigação irr e wt(s) para pelo menos um t do subcampo específico, da- dos de umidade do solo para o subcampo específico a partir de:

5. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o cálculo ainda compre- ende: determinar umidade do solo para o subperíodo para o sub- campo específico a partir dos dados meteorológicos;

computar o indicador de estresse de umidade como uma por- centagem do subperíodo quando a umidade do solo para um subcampo está acima de um limite úmido ou abaixo de um limite seco dentro do subperíodo.

6. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende receber dados químicos do solo, dados de topologia do solo, ou dados de imagens de campo para o primeiro período para os um ou mais subcampos, a previsão sendo realizada ainda com base nos dados quí- micos do solo, nos dados de topologia do solo, ou nos dados de ima- gens de campo.

7. Método implementado por computador, de acordo com a reivindicação 6, caracterizado pelo fato de que os dados químicos do solo incluem dados relacionados a matéria orgânica, capacidade de troca catiônica, ou escala de pH, os dados de topologia do solo incluem dados relacionados a elevação, declive, curvatura, ou aspecto, os dados de imagens de campo incluem imagens de satélite ou outras imagens aéreas.

8. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende rece- ber dados de treinamento para construir o modelo treinado, os dados de treinamento incluindo, para cada um de um con- junto de subcampos para um determinado período, dados de umidade do solo, dados químicos do solo, dados de topologia do solo, dados de imagens de campo e dados de taxa de semeadura do solo em um ponto dentro de determinado período e um rendimento correspondente.

9. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo treinado é uma floresta aleatória, um algoritmo de agrupamento, uma rede neural ou um classificador de regressão logística.

10. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que uma taxa de semeadura é uma taxa de semeadura ideal entre a lista de taxas de semeadura correspondente a um rendimento previsto mais alto;

11. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: para cada um da pluralidade de subperíodos para um sub- campo: ajustar a taxa de semeadura selecionada para estar mais perto de uma taxa de semeadura selecionada ou ajustada para um sub- campo vizinho; e determinar um rendimento ajustado correspondente à taxa de semeadura ajustada, o perfil de risco sendo determinado com base nos rendimen- tos previstos ajustados para a pluralidade de subcampos.

12. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que a determinação ainda compreende: computar quantis da pluralidade de rendimentos previstos identificados para a pluralidade de subperíodos, o quantil a que pertence um rendimento previsto indicando um risco associado com o rendimento previsto no perfil de risco, o risco sendo uma chance percentual de que um rendimento real seja menor do que o rendimento previsto.

13. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que a determinação ainda compreende: para cada um da pluralidade de subperíodos:

agregar a pluralidade de rendimentos previstos identificados sobre os um ou mais subcampos; e agregar a pluralidade de taxas de semeadura selecionadas sobre os um ou mais subcampos; computar quantis da pluralidade de rendimentos previstos agregados para a pluralidade de subperíodos, o quantil a que pertence um rendimento previsto agregado indicando um risco associado com o rendimento previsto agregado em o perfil de risco.

14. Método implementado por computador, de acordo com a reivindicação 13, caracterizado pelo fato de que ainda compreende: selecionar um primeiro rendimento previsto agregado que pertence a um quantil inferior e um segundo rendimento previsto agre- gado que pertence a um quantil superior; identificar uma primeira taxa de semeadura agregada corres- pondente ao primeiro rendimento previsto agregado e uma segunda taxa de semeadura agregada correspondente ao segundo rendimento previsto agregado; transmitir a primeira taxa de semeadura com um risco inferior associado ao primeiro rendimento previsto agregado e a segunda taxa de semeadura com um risco superior associado ao segundo rendimento previsto agregado a um dispositivo associado ao campo.

15. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: calcular um indicador de estresse de umidade recente para um subperíodo recente posterior ao primeiro período; prever, para cada uma de uma lista recente de taxas de se- meadura, um rendimento a partir do indicador de estresse de umidade recente com o uso do modelo treinado; selecionar uma taxa de semeadura ideal correspondente ao rendimento previsto mais alto entre a lista de rendimentos previstos; identificar um risco associado ao rendimento previsto mais alto a partir do perfil de risco; a transmissão compreendendo enviar o risco identificado para o dispositivo associado a um subcampo.

16. Mídia de armazenamento não transitória que armazena instruções, que, quando executadas por um ou mais dispositivos de computação, causam o desempenho de um método para prever rendi- mentos e recomendar taxas de semeadura para subcampos com riscos informados, sendo que o método é caracterizado pelo fato de que com- preende: receber dados meteorológicos para um primeiro período que consistem em uma pluralidade de subperíodos para um ou mais sub- campos de um campo; para cada um da pluralidade de subperíodos para um sub- campo: calcular um indicador de estresse de umidade a partir dos dados meteorológicos; prever, para cada taxa de uma lista de taxas de semeadura, um rendimento a partir do indicador de estresse de umidade com o uso de um modelo treinado; e selecionar uma da lista de taxas de semeadura com base na lista de rendimentos previstos; identificar um dos rendimentos previstos correspondentes à taxa de semeadura selecionada; determinar um perfil de risco associado a uma faixa de ren- dimentos para um subcampo com base nos rendimentos previstos iden- tificados para a pluralidade de subperíodos; transmitir dados relacionados ao perfil de risco para um dis- positivo associado a um subcampo.

17. Mídia de armazenamento não transitória para registro e implementação do método, como definido na reivindicação 15, caracte- rizada pelo fato de que os dados meteorológicos incluem dados de umidade do solo observados para um certo subcampo dos um ou mais subcampos, o cálculo compreende estimar dados de umidade do solo para um subcampo específico dos um ou mais subcampos a partir dos dados meteorológicos com o uso de um modelo espaço-temporal dinâ- mico (DSTM).

18. Mídia de armazenamento não transitória para registro e implementação do método, como definido na reivindicação 15, caracte- rizada pelo fato de que o cálculo ainda compreende: determinar umidade do solo para o subperíodo para o sub- campo específico a partir dos dados meteorológicos; computar o indicador de estresse de umidade como uma por- centagem do subperíodo quando a umidade do solo para um subcampo está acima de um limite úmido ou abaixo de um limite seco dentro do subperíodo.

19. Mídia de armazenamento não transitória para registro e implementação do método, como definido na reivindicação 15, caracte- rizada pelo fato de que a determinação ainda compreende: para cada um da pluralidade de subperíodos: agregar a pluralidade de rendimentos previstos identificados sobre os um ou mais subcampos; e agregar a pluralidade de taxas de semeadura selecionadas sobre os um ou mais subcampos; computar quantis da pluralidade de rendimentos previstos agregados para a pluralidade de subperíodos, o quantil a que pertence um rendimento previsto agregado indicando um risco associado ao rendimento previsto agregado no perfil de risco.

20. Mídia de armazenamento não transitória, de acordo com a reivindicação 19, caracterizada pelo fato de que o método ainda com- preende: selecionar um primeiro rendimento previsto agregado que pertence a um quantil inferior e um segundo rendimento previsto agre- gado que pertence a um quantil superior; identificar uma primeira taxa de semeadura agregada corres- pondente ao primeiro rendimento previsto agregado e uma segunda taxa de semeadura agregada correspondente ao segundo rendimento previsto agregado; transmitir a primeira taxa de semeadura com um risco inferior associado ao primeiro rendimento previsto agregado e a segunda taxa de semeadura com um risco superior associado ao segundo rendimento previsto agregado a um dispositivo associado ao campo.