BR112021002525A2 - aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico - Google Patents
aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico Download PDFInfo
- Publication number
- BR112021002525A2 BR112021002525A2 BR112021002525-1A BR112021002525A BR112021002525A2 BR 112021002525 A2 BR112021002525 A2 BR 112021002525A2 BR 112021002525 A BR112021002525 A BR 112021002525A BR 112021002525 A2 BR112021002525 A2 BR 112021002525A2
- Authority
- BR
- Brazil
- Prior art keywords
- specific
- nutrient
- data
- field
- model
- Prior art date
Links
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 189
- 230000009418 agronomic effect Effects 0.000 title claims abstract description 158
- 238000012937 correction Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims description 61
- 239000002689 soil Substances 0.000 claims description 52
- 238000013515 script Methods 0.000 claims description 23
- 238000003306 harvesting Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 13
- 235000021048 nutrient requirements Nutrition 0.000 claims description 10
- 239000005416 organic matter Substances 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000005341 cation exchange Methods 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 126
- 229910052757 nitrogen Inorganic materials 0.000 description 63
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 14
- 238000013479 data entry Methods 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000012546 transfer Methods 0.000 description 9
- 238000004883 computer application Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006735 deficit Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000035558 fertility Effects 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000037406 food intake Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012786 cultivation procedure Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003971 tillage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000002091 cationic group Chemical group 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 235000021231 nutrient uptake Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- -1 silt Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/041—Function-oriented details
- G05B19/0415—Function-oriented details adapting phase duration according to measured parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Soil Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
APRIMORAMENTO DE MODELOS DE NUTRIENTES DIGITAIS USANDO VALORES ESPACIALMENTE DISTRIBUÍDOS EXCLUSIVOS PARA UM CAMPO AGRONÔMICO. A presente invenção refere-se a uma inteligência agrícola que recebe dados de campo agronômico para um campo agronômico, compreendendo um ou mais parâmetros de entrada, valores de aplicação de nutrientes, e valores de rendimento medidos. O sistema usa um modelo digital de crescimento da colheita para computar, para uma pluralidade de localizações no campo, um valor de nutriente necessário indicando uma quantidade exigida de nutriente para produzir os valores de rendimento medidos. O sistema identifica um subconjunto da pluralidade de localizações onde o valor de nutriente necessário computado é maior do que o valor de aplicação de nutriente e computa, para cada localização, um valor residual compreendendo uma diferença entre o valor de nutriente necessário e o valor de aplicação de nutriente. O sistema gera um mapa residual compreendendo os valores residuais. Usando o mapa residual e um ou mais parâmetros de entrada para cada da pluralidade de localizações, o sistema gera e armazena os dados de correção de modelo para o campo agronômico.
Description
Relatório Descritivo da Patente de Invenção para "APRI-
[001] Uma parte da divulgação deste documento de patente con- tém material que está sujeito à proteção de direitos autorais. O proprie- tário dos direitos autorais não tem objeções à reprodução fac-símile por ninguém do documento de patente ou à divulgação da patente, conforme aparece no arquivo ou registros de patente do Escritório de Marcas e Patentes, mas, de outra forma, reserva-se todos os direitos autorais ou quaisquer direitos. © 2017-2019 The Climate Corporation. Campo da divulgação
[002] A presente divulgação se refere à modelagem de computa- dor digital de nutrientes em um campo, como nitrogênio, fósforo e po- tássio. Além disso, a presente divulgação se refere a técnicas de pro- cessamento de computador para gerar adaptações espaciais para modelos de nutrientes digitais com base em dados específicos de campo agronômico. Antecedentes
[003] As abordagens descritas nesta seção são abordagens que podem ser buscadas, mas não necessariamente abordagens que fo- ram concebidas ou buscadas 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 ante- rior meramente em virtude de sua inclusão nesta seção.
[004] Os nutrientes são essenciais para o crescimento e desen- volvimento das colheitas. As plantações absorvem nutrientes como nitrogênio, fósforo e potássio no solo circundante para facilitar o cres- cimento da plantação. Diferentes tipos de colheitas têm diferentes re-
quisitos para cada nutriente. Quando uma colheita é incapaz de aten- der às suas necessidades de nutrientes, ela sofre. Por exemplo, a falta de nitrogênio pode levar à destruição das folhas de uma colheita. Além disso, uma vez que a concentração de nitrogênio em uma planta dimi- nui abaixo de um limite crítico, a fotossíntese e o acúmulo de matéria seca são impactados negativamente. O resultado final é que o rendi- mento de uma colheita que não recebe nutrientes suficientes diminui.
[005] Modelos preditivos de fertilidade de colheitas agrícolas im- plementados por computador podem ser úteis para calcular as taxas de aplicação de nutrientes ideais. Frequentemente, esses modelos preditivos são gerados usando uma grande quantidade de dados ex- perimentais ou dados históricos agregados de um grande número de campos. Esses modelos preditivos tendem a generalizar a modelagem do crescimento da colheita, tratando cada campo individual como uma soma de suas entradas. Por exemplo, se dois campos têm o mesmo tipo de solo, mesmo híbrido de colheita, mesma elevação e mesma estrutura de gerenciamento, um cálculo de uma quantidade necessária de nitrogênio para cada campo para atingir um rendimento ideal será equivalente entre os dois campos.
[006] Um grande problema com os modelos preditivos implemen- tados por computador é que sua capacidade de serem específicos do campo agronômico é inteiramente baseada nas entradas do ano cor- rente no modelo. Assim, qualquer característica subjacente do campo agronômico que não seja capturada pelo modelo fará com que o mo- delo superestime ou subestime consistentemente as necessidades de nutrientes para um campo.
[007] Para criar um modelo que leva em consideração as peculia- ridades de um campo específico, seriam necessárias grandes quanti- dades de dados de cada campo agronômico. Esses dados raramente estão disponíveis para campos agronômicos que não são uma locali-
zação para experimentos agronômicos. Assim, um modelo de nutriente individual para um campo específico muitas vezes é inviável e inefici- ente.
[008] Além disso, em alguns casos, um modelo de fertilidade digi- tal pode ser tendencioso para um determinado campo devido a propri- edades de campo não medidas, mal medidas ou desconhecidas nesse campo. Nesses casos, um modelo de nutriente individual para um campo específico não será confiável ou levará a resultados ineficien- tes.
[009] Assim, existe a necessidade de um sistema que possa cali- brar um modelo de nutrientes para um campo agronômico específico usando dados históricos disponíveis para o campo agronômico. Sumário
[0010] As reivindicações anexas podem servir como um sumário da divulgação. Breve descrição dos desenhos
[0011] Nos desenhos:
[0012] A Figura 1 ilustra um sistema de computador de exemplo que está configurado para executar as funções descritas neste docu- mento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[0013] A Figura 2 ilustra duas visualizações de um exemplo de or- ganização lógica de conjuntos de instruções na memória principal quando um exemplo de aplicativo móvel é carregado para execução.
[0014] A Figura 3 ilustra um processo programado pelo qual o sis- tema de computação de inteligência agrícola gera um ou mais mode- los agronômicos pré-configurados usando dados agronômicos forneci- dos por uma ou mais fontes de dados.
[0015] A Figura 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser imple-
mentada.
[0016] A Figura 5 representa um exemplo de modalidade de uma visualização de linha do tempo para a entrada de dados.
[0017] A Figura 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados.
[0018] A Figura 7 mostra um método de exemplo para corrigir os resultados de um modelo de nutrientes usando dados históricos. Descrição detalhada
[0019] Na descrição a seguir, para fins de explicação, vários deta- lhes específicos são apresentados a fim de fornecer uma compreen- são completa da presente divulgação. Será evidente, no entanto, que as modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são mos- trados na forma de diagrama de blocos, a fim de evitar obscurecer desnecessariamente a presente divulgação. As modalidades são di- vulgadas em seções de acordo com o seguinte esboço:
[0020] 1. VISÃO GERAL
[0021] 2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTE-
[0022] 2.1. VISÃO GERAL ESTRUTURAL
[0023] 2.2. VISÃO GERAL DO PROGRAMA DE APLICAÇÃO
[0024] 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COM-
[0025] 2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE
[0026] 2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL
[0027] 3. CORREÇÃO DO MODELO DE NUTRIENTES
[0028] 3.1. VISÃO GERAL FUNCIONAL
[0029] 3.2. CORRELAÇÕES E CORREÇÕES DE MODELO
[0030] 3.3. MODALIDADES DO MAPA RESIDUAL
[0031] 3.4. USOS DE CORREÇÃO DE MODELO ADICIONAIS
[0032] 4. BENEFÍCIOS DE CERTAS MODALIDADES
[0033] 5. EXTENSÕES E ALTERNATIVAS
[0034] *
1. VISÃO GERAL
[0035] Sistemas e métodos para calibrar um modelo de nutriente para um campo agronômico específico são descritos neste documen- to. Em uma modalidade, um sistema de computador de inteligência agrícola armazena um modelo digital de crescimento da colheita. O sistema de computador de inteligência agrícola usa dados de entrada históricos para um campo agronômico específico para computar um valor de aplicação de nutrientes necessário para uma pluralidade de localizações no campo agronômico, o valor de aplicação de nutrientes necessário indicando uma quantidade de um nutriente que deve ser adicionado ao campo agronômico gerar o rendimento agronômico que o campo agronômico recebeu no ano correspondente aos insumos. O sistema de computação de inteligência agrícola calcula os valores re- siduais para cada localização onde o valor do nutriente necessário é maior do que uma quantidade de nutriente que foi realmente aplicada ao campo agronômico. O sistema de computação de inteligência agrí- cola compara um mapeamento espacial dos valores residuais com mapeamentos espaciais de outras características espaciais do campo agronômico, a fim de criar dados de correção do modelo para calibrar o modelo de nutrientes para o campo agronômico específico.
[0036] Em uma modalidade, um método compreende o armaze- namento, no sistema de computação, de um modelo digital de cresci- mento de colheita, o modelo digital de crescimento de colheita sendo configurado para calcular os requisitos de nutrientes no solo para pro- duzir valores de rendimento específicos com base, pelo menos em parte, em dados únicos para um campo agrícola; receber dados de campo agronômico para um campo agronômico específico, os dados de campo agronômico compreendendo um ou mais parâmetros de en- trada para cada um de uma pluralidade de localizações no campo agronômico, valores de aplicação de nutrientes para cada um da plura- lidade de localizações e valores de rendimento medidos para cada um a pluralidade de localizações; usar o modelo digital de computação de crescimento da colheita, para cada localização da pluralidade de loca- lizações, um valor de nutriente necessário indicando uma quantidade necessária de nutriente para produzir os valores de rendimento medi- dos; identificar um subconjunto da pluralidade de localizações onde o valor de nutriente necessário calculado é maior do que o valor de apli- cação de nutriente; calcular, para cada uma do subconjunto da plurali- dade de localizações, um valor residual que compreende uma diferen- ça entre o valor de nutriente necessário e o valor de aplicação de nu- triente; gerar um mapa residual compreendendo os valores residuais no subconjunto da pluralidade de localizações; gerar, a partir do mapa residual e um ou mais parâmetros de entrada para cada um da plurali- dade de localizações, dados de correção de modelo específico para o campo agronômico específico; armazenar os dados de correção do modelo específico com um identificador do campo agronômico especí- fico.
2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA
2.1 VISÃO GERAL ESTRUTURAL
[0037] A Figura 1 ilustra um sistema de computador de exemplo que está configurado para executar as funções descritas neste docu- mento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 possui, opera ou possui um dispositivo de computação de geren-
ciador de campo 104 em uma localização de campo ou associado a uma localização de campo, como um campo destinado a atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computador 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.
[0038] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área, nome do campo, identificadores de campo, identificadores geográficos, identificadores de limite, identifica- dores de colheita e quaisquer outros dados adequados que podem ser usados para identificar terras agrícolas, como um comum unidade de terra (CLU), número de lote e bloco, um número de parcela, coordena- das geográficas e limites, Farm Serial Number (FSN), número da fa- zenda, número do trato, número do campo, seção, município e/ou in- tervalo), (b) dados de colheita (por exemplo, tipo de colheita, variedade de colheita, rotação de colheita, se a colheita é cultivada organicamen- te, data de colheita, histórico de produção real (APH), rendimento es- perado, rendimento, preço de colheita, receita de colheita, umidade de grãos, prática de cultivo e anterior informações da estação de cresci- mento), (c) dados do 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 fertilizante (por exemplo, tipo de nutriente (nitrogênio, fósfo- ro, 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 subs- tâncias destinadas ao uso como um regulador vegetal, desfolhante ou dessecante , data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, méto- do), (h) dados meteorológicos (por exemplo, precipitação, taxa de chu- va, precipitação prevista, taxa de escoamento de água região, tempe- ratura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações de espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de reconhecimento (fotos, vídeos, notas de forma livre, gravações de voz, voz transcrições, condições climáticas (temperatura, precipitação (atual e ao longo do tempo), umi- dade do solo, estágio de crescimento da colheita, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)) e (k) solo, semen- te, fenologia da colheita, pragas e doenças relatórios e fontes e ban- cos de dados de previsões.
[0039] Um computador servidor de dados 108 é comunicativamen- te acoplado ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) re- de(s) 109. O computador servidor de dados externo 108 pode ser de propriedade ou operado pela mesma pessoa jurídica ou entidade que o sistema informático de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como uma agência governamental, uma organi- zação não governamental (ONG) e/ou um fornecedor privado de servi- ços de dados. Exemplos de dados externos incluem dados meteoroló- gicos, dados de imagens, dados do solo ou dados estatísticos relacio- nados ao crescimento das colheitas, 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 for- necidos 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 exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado ex- clusivamente 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 realmente ser incorporado dentro do sistema 130.
[0040] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados no mesmo, os quais sensores são comunicativa- mente acoplados tanto direta ou indiretamente via aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são pro- gramados ou configurados para enviar dados de sensor ao sistema de computador de inteligência agrícola 130. Exemplos de aparelhos agrí- colas 111 incluem tratores, colheitadeiras, colheitadeiras, plantadeiras, caminhões, 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 tarefas associadas com agricultura. Em algumas modalida- des, uma única unidade do aparelho 111 pode compreender uma plu- ralidade de sensores 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 instalada em colheitadeiras, colheitadeiras, pulveri- zadores e cultivadores. O controlador de aplicativo 114 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 por meio da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts que são usados para controlar um parâme- tro operacional de um veículo agrícola ou implemento do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para permitir comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, como o CLIMATE FIELD VIEW DRIVE, disponível na The Climate Corporation, San Francisco , Califórnia, é usado. Os dados do sensor podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modali- dades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem ser localizados remotamente no campo e podem se comunicar com a rede 109. O aparelho 111 pode compreender um computador de cabine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é ainda descrito em outras seções deste documento. Em uma modali- dade, o computador de cabine 115 compreende um computador com- pacto, muitas vezes um computador do tamanho de um tablet ou smartphone, com uma tela gráfica, como uma tela colorida, que é montada dentro de uma cabine do operador do aparelho 111. O com- putador de cabine 115 pode implementar algumas ou todas as opera- ções e funções que são descritas mais adiante neste documento para o dispositivo de computador móvel 104.
[0041] A(s) rede(s) 109 representa(m) amplamente qualquer com- binação 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 fio ou sem fio, incluindo links terrestres ou de satélite. A(s) rede(s) pode(m) ser implementada(s) por qualquer meio ou mecanismo que forneça a troca de dados entre os vários ele- mentos da Figura 1. Os vários elementos da Figura 1 também podem ter links de comunicação diretos (com ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema compreendem, cada um, uma interface compa- tível com a(s) rede(s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das redes,
como TCP/IP , Bluetooth, protocolo CAN e protocolos de camada su- perior, como HTTP, TLS e semelhantes.
[0042] Sistema de computador de inteligência agrícola 130 é pro- gramado ou configurado para receber dados de campo 106 do disposi- tivo de computação de gerenciador de campo 104, dados externos 110 do computador servidor de dados externo 108 e dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser ainda configurado para hospedar , usar ou executar um ou mais programas de computador, outros elementos de software, ló- gica programada digitalmente, como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar tradução e armazenamento de valores de dados, construção de modelos digitais de uma ou mais co- lheitas em um ou mais campos, geração de recomendações e notifica- ções e geração e envio de scripts para o controlador de aplicativo 114, da maneira descrita mais adiante em outras seções desta divulgação.
[0043] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de ge- renciamento de dados 140, camada de hardware/virtualização 150 e modelo e repositório de dados de campo 160. "Camada", neste con- texto, refere-se a qualquer combinação de circuitos eletrônicos de in- terface digital, microcontroladores, firmware, como drivers e/ou pro- gramas de computador ou outros elementos de software.
[0044] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, in- cluindo o envio de solicitações ao dispositivo de computação de ge- renciador de campo 104, computador servidor de dados externo 108 e sensor remoto 112 para dados de campo, dados externos e dados do sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o modelo e repositório de dados de campo 160 para serem armazena- dos como dados de campo 106.
[0045] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender contro- les para inserir dados a serem enviados ao sistema de computador de inteligência agrícola 130, gerar solicitações de modelos e/ou recomen- dações e/ou exibir recomendações, notificações, modelos e outros da- dos de campo.
[0046] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar operações de leitura e grava- ção envolvendo o repositório 160 e outros elementos funcionais do sis- tema, incluindo consultas e conjuntos de resultados comunicados en- tre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de in- terface de servidor SQU e/ou código de interface HADOOP, entre ou- tros. O repositório 160 pode compreender um banco de dados. Con- forme usado neste documento, o termo "banco de dados" pode se re- ferir a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado neste docu- mento, um banco de dados pode compreender qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados rela- cionais, bancos de dados de arquivo simples, bancos de dados objeto- relacionais, bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outra coleção estruturada de registros ou da- dos armazenados em um computador sistema. Exemplos de RDBMSs incluem, mas não estão limitados a incluir, bancos de dados ORA- CLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para permitir os sistemas e métodos descritos neste documen- to.
[0047] Quando os dados de campo 106 não são fornecidos dire- tamente 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 inter- faces de usuário no dispositivo de usuário (servido pelo sistema de computação de inteligência agrícola) para inserir essas informações. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação acessando um mapa no dispositivo do usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e traçando limites do campo sobre o mapa. Essa seleção de CLU ou desenhos de mapa representam identificadores geográficos. Em modalidades alter- nativas, o usuário pode especificar dados de identificação acessando dados de identificação de campo (fornecidos como arquivos de forma- to ou em um formato semelhante) da Agência de Serviços Agrícolas do Departamento de Agricultura dos EUA ou outra fonte por meio do dispositivo do usuário e fornecendo tais dados de identificação de campo para o sistema informático de inteligência agrícola.
[0048] Em uma modalidade de exemplo, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibi- ção de uma interface de usuário gráfica que compreende um gerenci- ador de dados para entrada de dados. Depois de um ou mais campos terem sido identificados usando os métodos descritos acima, o geren-
ciador de dados pode fornecer um ou mais widgets de interface gráfica do usuário que, quando selecionados, podem identificar mudanças no campo, solo, colheitas, cultivo ou práticas de nutrientes. O gerenciador de dados pode incluir uma visão de linha do tempo, uma visão de pla- nilha e/ou um ou mais programas editáveis.
[0049] A Figura 5 representa um exemplo de modalidade de uma visualização de linha do tempo para a entrada de dados. Usando a tela representada na Figura 5, um computador do 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 in- cluir nitrogênio, plantio, práticas e solo. Para adicionar um evento de aplicação de nitrogênio, um computador do usuário pode fornecer en- trada para selecionar a guia nitrogênio. O computador do usuário po- de, então, selecionar uma localização na linha do tempo para um de- terminado campo, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma localização na linha do tempo para um determinado campo, o ge- renciador de dados pode exibir uma sobreposição de entrada de da- dos, permitindo que o computador do usuário insira dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de cultivo, práticas de irrigação, 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 cam- pos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.
[0050] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. "Programa", neste contex- to, refere-se a um conjunto de dados relativos a aplicações de nitrogê-
nio, 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 programa podem ser armazenadas em armazenamento digital em as- sociação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relativos às mesmas aplicações de nitrogênio para vários campos diferentes, um computador do usuá- rio pode criar um programa que indica uma aplicação específico de nitrogênio e, em seguida, aplicar o programa a vários campos diferen- tes. Por exemplo, na visualização da linha do tempo da Figura 5, as duas primeiras linhas do tempo têm o programa “Spring applied” sele- cionado, que inclui uma aplicação de 150 lbs N/ac no início de abril. O gerenciador de dados pode fornecer uma interface para editar um pro- grama. Em uma modalidade, quando um programa específico é edita- do, cada campo que selecionou o programa específico é editado. Por exemplo, na Figura 5, se o programa "Spring applied" for editado para reduzir a aplicação de nitrogênio para 130 lbs N/ac, os dois campos superiores podem ser atualizados com uma aplicação reduzida de ni- trogênio com base no programa editado.
[0051] Em uma modalidade, em resposta ao recebimento de edi- ções para um campo que tem um programa selecionado, o gerencia- dor de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicio- nada ao campo superior na Figura 5, a interface pode ser atualizada para indicar que o programa “Spring applied” não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no iní- cio de abril possa permanecer, as atualizações do programa “Spring applied” não alterariam a aplicação de nitrogênio em abril.
[0052] A Figura 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados. Usando a exibição re- presentada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir plani- lhas para inserir informações com relação ao nitrogênio, plantio, práti- cas e solo, conforme ilustrado na Figura 6. Para editar uma entrada específica, um computador do usuário pode selecionar a entrada es- pecífica na planilha e atualizar os valores. Por exemplo, a Figura 6 descreve uma atualização em andamento para um valor de rendimen- to alvo para o segundo campo. Além disso, um computador do usuário pode selecionar um ou mais campos para aplicar um ou mais progra- mas. Em resposta ao recebimento de uma seleção de um programa para um campo específico, o gerenciador de dados pode completar automaticamente as entradas para o campo específico com base no programa selecionado. Tal como acontece com a visualização da linha do tempo, o gerenciador de dados pode atualizar as entradas para ca- da campo associado a um programa específico em resposta ao rece- bimento de uma atualização do programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta ao recebimento de uma edição em uma das entradas para o campo.
[0053] Em uma modalidade, o modelo e os dados de campo são armazenados no modelo e no repositório de dados de campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de colheita pode incluir um modelo construído digitalmente do desenvolvimento de uma colheita em um ou mais campos. "Modelo", neste contexto, refere-se a um con- junto eletrônico digitalmente armazenado de instruções executáveis e valores de dados, associados uns aos outros, que são capazes de re-
ceber e responder a uma chamada programática ou outra digital, invo- cação ou solicitação de resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazena- dos ou calculados que podem servir como base para recomendações implementadas por computador, exibições de dados de saída ou con- trole de máquina, entre outras coisas. Técnicos no assunto acham conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não confina os modelos aqui divulgados a conceitos abstratos; 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 modelo pode incluir um modelo de eventos anteriores em um ou mais campos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos previstos em um ou mais campos. Os dados 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 planilhas ou outras formas de dados digitais ar- mazenados.
[0054] Em uma modalidade, cada uma das instruções de modela- gem de nutrientes 136, instruções de correlação de mapeamento 137 e instruções de calibração de modelo 138 compreendem um conjunto de uma ou mais páginas de memória principal, como RAM, no sistema de computador de inteligência agrícola 130 no qual as instruções exe- cutáveis foram carregado e que, quando executado, faz com que o sis- tema de computação de inteligência agrícola execute as funções ou operações que são descritas neste documento com referência a esses módulos. Por exemplo, as instruções de modelagem de nutrientes 136 podem compreender um conjunto de páginas em RAM que contêm instruções que, quando executadas, causam a execução das funções de modelagem de nutrientes 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 programação ou ambiente legível por humanos, sozinho ou em combi- nação com scripts em JAVASCRIPT, outras linguagens de script e ou- tro texto-fonte de programação. O termo "páginas" se destina a se re- ferir amplamente 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 uma das instruções de modelagem de nutrientes 136, instruções de correlação de mapeamento 137 e instruções de ca- libração de modelo 138 também podem representar um ou mais arqui- vos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou disco armazenamento, no sistema de computação de inteligência agrícola 130 ou um sistema de repositório separado, que quando compilado ou interpretado causa a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações que são descri- tas neste documento com referência a esses módulos. Em outras pa- lavras, a figura do desenho pode representar a maneira pela qual os programadores ou desenvolvedores de software organizam e organi- zam o código-fonte para compilação posterior em um executável, ou interpretação em bytecode ou equivalente, para execução pelo siste- ma de computador de inteligência agrícola 130.
[0055] As instruções de modelagem de nutrientes 136 compreen- dem instruções que, quando executadas por um ou mais processado- res, fazem com que um sistema de computação calcule os requisitos de nutriente com base em um ou mais valores de entrada para um campo agronômico e um ou mais algoritmos armazenados que mode-
lam o crescimento da colheita. Instruções de correlação de mapea- mento 137 compreendem instruções que, quando executadas por um ou mais processadores, fazem com que um sistema de computação calcule valores residuais para uma pluralidade de localizações em um campo agronômico, gere um mapa espacial dos valores residuais e correlacione o mapa espacial de resíduos valores para mapas espaci- ais de outros valores de entrada no campo agronômico. Instruções de calibração de modelo 138 compreendem instruções que, quando exe- cutadas por um ou mais processadores, fazem com que um sistema de computação gere dados de correção de modelo para um campo agronômico específico usando os mapas residuais e os mapas espa- ciais correlacionados de valores de entrada no campo agronômico.
[0056] Camada de hardware/virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sis- tema de computador, como memória volátil ou não volátil, armazena- mento não volátil, como disco e E/S dispositivos ou interfaces confor- me 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 ou- tras tecnologias.
[0057] Para fins de ilustrar um exemplo claro, a Figura 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, as modalidades podem usar milhares ou mi- lhões de diferentes dispositivos de computação móvel 104 associados a diferentes 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 máquinas virtuais, configurados em uma localização discreto ou colocalizados com outros elementos em um datacenter , instalação de computação compartilhada ou instalação de computação em nu- vem.
2.2. VISÃO GERAL DO PROGRAMA DE APLICAÇÃO
[0058] 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 farão com que os computadores de uso geral sejam configurados como uma máquina específico ou como um computador especialmente adaptado para executar as funções aqui descritas. Além disso, cada um dos diagra- mas 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 dire- ções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritos. Em outras palavras, todo o texto em prosa deste documento e todas as figuras dos dese- nhos, em conjunto, se destinam a fornecer a divulgação de algoritmos, planos ou direções que são suficientes para permitir que um especia- lista programe um computador para executar as funções que são des- critas neste documento, em combinação com a habilidade e o conhe- cimento de tal pessoa, dado o nível de habilidade apropriado para in- venções e divulgações desse tipo.
[0059] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação de gerenciador de campo 104 configurado com um siste- ma operacional e um ou mais programas aplicativos ou aplicativos; o dispositivo de computação de gerenciador de campo 104 também po- de interoperar com o sistema de computador de inteligência agrícola de forma independente e automática sob o controle do programa ou controle lógico e a interação direta do usuário nem sempre é necessá- ria. O dispositivo de computação de gerenciador de campo 104 repre- senta amplamente um ou mais dentre um smartphone, PDA, dispositi- vo de computação em tablet, computador laptop, computador desktop, estação de trabalho ou qualquer outro dispositivo de computação ca- paz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação de gerenciador de campo 104 pode se comunicar através de uma rede usando um aplicativo móvel armazenado no dispositivo de computação de 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 determinado o usuário 102 pode possuir, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositivo de com- putação de gerenciador de campo 104 de cada vez.
[0060] 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 de gerenciador de campo 104 pode acessar o aplicativo móvel através de um navegador da web ou um aplicativo de cliente localização ou aplicativo. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos do aplicativo. Em um exemplo de modalidade, os dados podem assumir a forma de soli- citações e entrada de informações 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 de gerenciador de campo 104, que determina a localização do dispositivo de computação de ge- renciador de campo 104 usando técnicas de rastreamento padrão,
como multilateração de sinais de rádio, sistema de posicionamento global (GPS), WiFi sistemas de posicionamento ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou ou- tros dados associados ao dispositivo 104, usuário 102 e/ou conta(s) de usuário pode(m) ser obtida(s) por meio de consultas a um sistema operacional do dispositivo ou solicitando um aplicativo no dispositivo para obter dados do sistema operacional.
[0061] Em uma modalidade, o dispositivo de computação de ge- renciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não se limitando a, valores de dados que representam um ou mais dentre: uma localização geográfica de um ou mais campos, in- formações de cultivo para o um ou mais campos, colheitas plantadas em um ou mais campos e dados de solo extraídos de um ou mais campos. O dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada do usuário do usuário 102 especificando os valores de dados para um ou mais cam- pos. Além disso, o dispositivo de computação de gerenciador de cam- po 104 pode enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o disposi- tivo de computação de gerenciador de campo 104 pode ser acoplado comunicativamente ao sensor remoto 112 e/ou controlador de aplicati- vo 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 de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta divulgação podem ser inseridos e comunicados usando dados digitais eletrônicos que são comunicados entre dispositivos de computação usando URLs parametrizados sobre HTTP ou outro protocolo de comunicação ou mensagem adequado.
[0062] Um exemplo comercial do aplicativo móvel é CLIMATE FI- ELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou ou- tros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não foram divulgados an- tes da data de apresentação desta divulgação. 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 operação, porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseja comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários poten- ciais para permitir que o produtor tome decisões melhores e mais in- formadas.
[0063] A Figura 2 ilustra duas visualizações de um exemplo de or- ganização lógica de conjuntos de instruções na 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 páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não vo- látil, e as instruções programadas dentro dessas regiões. Em uma mo- dalidade, 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, instru- ções de livro de mapa digital 206, sementes e instruções de plantio 208, instruções de nitrogênio 210, condições meteorológicas instru- ções 212, instruções de saúde de campo 214 e instruções de desem-
penho 216.
[0064] Em uma modalidade, um aplicativo de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de compartilhamento 202 que são programadas para receber, traduzir e ingerir dados de campo de sistemas de terceiros por meio de upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produção, mapas plantados, resultados de testes de solo, mapas aplicados e/ou zonas de gerenciamento, entre outros. Os for- matos 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 apli- cativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao re- cebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica de usuário para carregar manualmente os arquivos de dados e importar arquivos carregados para um gerenciador de dados.
[0065] 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 for- necer uma visão ampla da operação do que é importante para o pro- dutor e recomendações oportunas para agir ou se concentrar em questões específicos. Isso permite que o produtor concentre seu tem-
po 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 plantio 208 são programadas para fornecer ferramen- tas para seleção de sementes, 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 o rendimento ou o retorno do investimento por meio da compra, colocação e população de sementes otimizadas.
[0066] 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 aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para iden- tificar 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 ca- madas de dados do mapa de campo criadas como parte das instru- ções do livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compreendem solo zonas junto com um painel identifi- cando 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 editar ou criar tais, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os pro- cedimentos de plantio podem ser aplicados a todas as zonas de mane- jo ou diferentes procedimentos de plantio podem ser aplicados a dife- rentes subconjuntos de zonas de manejo. Quando um script é criado, o aplicativo de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicativo, co-
mo um formato arquivado ou compactado. Além disso, e/ou alternati- vamente, um script pode ser enviado diretamente para o computador de cabine 115 do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posteri- or.
[0067] 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 colhei- tas. Isso permite que os produtores maximizem o rendimento ou o re- torno 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 resolução espacial (tão fina quanto milímetros ou menor, de- pendendo da proximidade do sensor e resolução); upload de zonas definidas pelo produtor existentes; fornecer um gráfico de disponibili- dade 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 definidas no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para mui- tos campos e/ou zonas do mesmo produtor, mas essa entrada de da- dos de massa se aplica à entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, instruções de nitrogênio 210 pode ser programado para aceitar definições de pro- gramas 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 nitrogênio", neste contexto, refe- re-se a conjuntos de dados nomeados armazenados que associam: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação, como injetado ou radiodifundido, e/ou quantidades ou taxas de aplicação para cada uma das datas, colheita ou híbrido que é o objeto do pedido, entre outros. "Programas de práticas de nitrogênio", neste contexto, referem-se a conjuntos de dados nomeados e armazenados que associam: um no- me de práticas; uma colheita anterior; um sistema de cultivo; uma data de cultivo principalmente; um ou mais sistemas de preparo anteriores que foram usados; um ou mais indicadores do tipo de aplicação, como estrume, que foram usados. As instruções de nitrogênio 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 mo- dalidades, indicadores de cores diferentes podem sinalizar uma magni- tude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um disposi- tivo de exibição de computador que compreende uma pluralidade de linhas, cada linha associada e identificando um campo; dados que es- pecificam qual colheita 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 numéri- cos e/ou coloridos de excedente ou déficit, em que a cor indica magni- tude.
[0068] 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 práticas de nitrogênio de modo que um usuário possa otimizar seu grá- fico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacio- nados para implementar um ou mais scripts, incluindo scripts de fertili- dade 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 mo- dalidades, indicadores de cores diferentes podem sinalizar uma magni- tude 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 indicado- res numéricos e/ou coloridos de excedente ou déficit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar 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 nitrogê- nio otimizado e os programas relacionados de plantio e práticas de ni- trogênio para implementar um ou mais scripts, incluindo scripts de fer- tilidade de taxa variável (VR). Em outras modalidades, instruções se- melhantes às instruções de nitrogênio 210 podem ser usadas para a aplicação de outros nutrientes (como fósforo e potássio), aplicação de pesticida e programas de irrigação.
[0069] 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 eficien- te com relação às decisões operacionais diárias.
[0070] 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 colheita na temporada e poten- ciais preocupações. Funções programadas de exemplo incluem verifi- cação de nuvem, para identificar possíveis nuvens ou sombras de nu- vens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de aferição, incluindo, por exemplo, aquelas relacionadas à saúde do campo e visualização e/ou compartilhamento de notas de aferição; e/ou baixar imagens de satéli- te de múltiplas fontes e priorizar as imagens para o produtor, entre ou- tros.
[0071] 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 permite que o agricultor busque melhores resultados para o pró- ximo 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 limitantes da produção. As instruções de desempenho 216 podem ser programadas para se comunicar através da(s) rede(s) 109 para programas 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 rendi- mento, diferencial de rendimento, híbrido, população, zona SSURGO, propriedades de teste de solo ou elevação, entre outros. Os relatórios e análises programados podem incluir análise de variabilidade de ren- dimento, estimativa de efeito de tratamento, benchmarking de rendi- mento e outras métricas contra outros produtores com base em dados anônimos coletados de muitos produtores, ou dados de sementes e plantio, entre outros.
[0072] Os aplicativos com instruções configuradas desta forma podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário. Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, smartphones ou computadores servidores que são acessados usando navegadores em computadores clientes. Além disso, o aplicativo móvel configurado para tablets ou smartphones po- de fornecer uma experiência de aplicativo completa ou uma experiên- cia de aplicativo de táxi que é adequada para os recursos de exibição e processamento do computador de cabine 115. Por exemplo, referin- do-se agora à visualização (b) da Figura 2 , em uma modalidade, um aplicativo de computador de cabine 220 pode compreender instruções de cabine de mapas 222, instruções de vista remota 224, coleta de dados e instruções de transferência 226, instruções de alertas de má- quina 228, instruções de transferência de script 230 e instruções de cabine de reconhecimento 232. A base de código para as instruções da visualização (b) podem ser as mesmas da visualização (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual estão executando e para expor, por meio de uma interface gráfica de usuário, apenas as funções que são apropriados para uma plataforma de cabine ou plataforma comple- ta. 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 instru- ções de cabine de mapas 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 ou- tros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e semelhantes. As instruções de coleta e transferência de dados 226 podem ser pro- gramadas para ligar, gerenciar e fornecer transferência de dados cole- tados 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 scripts de instruções que são configuradas para direcionar as opera- ções da máquina ou a coleta de dados. As instruções de cabine de reconhecimento 232 podem ser programadas para exibir alertas base- ados em localização e informações recebidas do sistema 130 com ba- se na localização do dispositivo de computação de gerenciador de campo 104, aparelho agrícola 111 ou sensores 112 no campo e inge- rir, gerenciar e fornecer transferência de observações de patrulhamen- to com base em localização para o sistema 130 com base na localiza- ção do aparelho agrícola 111 ou sensores 112 no campo.
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[0073] Em uma modalidade, o computador servidor de dados ex- terno 108 armazena dados externos 110, incluindo dados de solo que representam a composição do solo para um ou mais campos e dados meteorológicos que representam temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteoro- lógicos passados e presentes, bem como previsões para dados mete- orológicos 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 po- de armazenar dados que representam a porcentagem de matéria or- gânica (OM) no solo.
[0074] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, como satélites, sensores de veículos, sensores de equipamen- tos de plantio, sensores de cultivo, sensores de aplicação de fertilizan- tes ou inseticidas, sensores de colheitadeira e qualquer outro imple- mento capaz de receber dados de um ou mais campos. Em uma mo- dalidade, o controlador de aplicativo 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicativo 114 também pode ser pro- gramado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um pa- râmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de cultivo, fertilizante ou equipamento de inseti- cida, equipamento de colheita ou outros implementos agrícolas, como uma válvula de água. Outras modalidades podem usar qualquer com- binação de sensores e controladores, dos quais os seguintes são ape- nas exemplos selecionados.
[0075] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em massa de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compar- tilhado. Esta forma de obtenção de dados pode ser denominada "in-
gestão manual de dados" quando uma ou mais operações de compu- tador 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 na The Climate Corporation, San Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório 160.
[0076] 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 cone- xões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir o espaçamento das sementes, população e outras informa- ções para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são divulgados nas Pa- tentes Norte-Americana 8.738.243 e Publicação de Patente Norte- Americana 20150094916, e a presente divulgação assume o conheci- mento dessas outras divulgações de patentes.
[0077] Da mesma forma, os sistemas de monitor de rendimento podem conter sensores de rendimento para aparelhos colhedores que enviam dados de medição de rendimento para o computador de cabi- ne 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma co- lheitadeira ou outra colheitadeira e transmitir essas medições ao usuá- rio por meio do computador de cabine 115 ou outros dispositivos den- tro do sistema 130.
[0078] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com qualquer veículo em movimento ou aparelho do tipo descrito em outro lugar neste documento incluem sensores cine-
máticos e sensores de posição. Os sensores cinemáticos podem com- preender 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 de GPS ou aplicativos de mapeamento ou posição baseados em WiFi que são programados para determinar a localização com base em pontos de acesso WiFi próximos, entre outros.
[0079] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com tratores ou outros veículos em movimento inclu- em sensores de velocidade do motor, sensores de consumo de com- bustível, contadores de área ou contadores de distância que interagem com GPS ou sinais de radar, sensores de velocidade PTO (tomada de força), sensores hidráulicos do trator configurados para detectar parâ- metros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de desliza- mento das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direci- onais hidráulicos, controladores de pressão e/ou controladores de flu- xo; controladores de velocidade da bomba hidráulica; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição de roda fornecem direção automática.
[0080] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com equipamentos de plantio de sementes, como plantadeiras, brocas ou semeadoras de ar incluem sensores de se- mentes, que podem ser ópticos, eletromagnéticos ou sensores de im- pacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, co- mo sensores de refletividade, sensores de umidade, sensores de con- dutividade elétrica, sensores ópticos de resíduos ou sensores de tem- peratura; sensores de critérios operacionais de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro downforce, sensores de velocidade do disco de sementes, codificado- res 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 modali- dade, exemplos 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 con- troladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos e programados para aplicar força descendente a unidades de linha individuais ou uma estrutura inteira da plantadeira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, como motores elétricos de acionamento do medidor de sementes, motores hidráulicos de acionamento do medidor de sementes ou embreagens de controle de faixa; controladores de seleção híbrida, como motores de acionamento de medidores de se- mentes ou outros atuadores programados para permitir ou impedir se- letivamente a semente ou uma mistura de ar-semente de distribuir se- mentes para ou de medidores de sementes ou tremonhas centrais a granel; controladores de medição, como motores elétricos de aciona- mento de medidor de sementes ou motores hidráulicos de acionamen- to de medidor de sementes; controladores de sistema de transporte de sementes, como controladores para um motor de esteira de distribui- ção de sementes; controladores de marcador, como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de unidade de medi- ção, tamanho de orifício ou controladores de posição.
[0081] Em uma modalidade, exemplos de sensores 112 que po-
dem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas, como hastes ou discos; sensores de posi- ção de ferramenta para tais ferramentas que são configuradas para detectar profundidade, ângulo de gangue ou espaçamento lateral; sensores de downforce; ou sensores de força de tração. Em uma mo- dalidade, exemplos de controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de força descendente ou controladores de posição de ferramenta, como controladores confi- gurados para controlar a profundidade da ferramenta, ângulo de gan- gue ou espaçamento lateral.
[0082] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados em relação a aparelhos para aplicação de fertilizan- tes, inseticidas, fungicidas e semelhantes, como sistemas de fertilizan- tes iniciais na plantadeira, aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizante, incluem: sensores de critérios de siste- ma de fluido, como sensores de fluxo ou sensores de pressão; senso- res que indicam quais válvulas de pulverizador 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 pulverizador. Em uma modalidade, exemplos de controlado- res 114 que podem ser usados com tal aparelho incluem controladores de velocidade de bomba; controladores de válvula que são programa- dos para controlar pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, como para altura da lança, profundidade do subsolador ou posição da lança.
[0083] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com colheitadeiras incluem monitores de rendimento, como medidores de tensão de placa de impacto ou sensores de posi-
ção, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou brocas, ou ópticos ou outros sensores eletromagnéticos de altura de grãos; sen- sores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação da plataforma, como altura da plata- forma, tipo de plataforma, folga da placa do convés, velocidade do ali- mentador e sensores de velocidade do molinete; sensores de critérios de operação do separador, como sensores de folga côncava, veloci- dade do rotor, folga da sapata ou folga do sulco; sensores do sem-fim para posição, operação ou velocidade; ou sensores de rotação do mo- tor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios de operação da plataforma para elementos como altura da plataforma, tipo de plataforma, folga da placa do convés, velocidade do alimenta- dor ou velocidade do molinete; controladores de critérios de operação do separador para recursos como folga côncava, velocidade do rotor, folga da sapata ou folga do chanfro; ou controladores para posição, operação ou velocidade do trado.
[0084] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com carrinhos de grãos incluem sensores de peso ou sensores para a posição do trado, operação ou velocidade. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para a posição, opera- ção ou velocidade do trado.
[0085] Em uma modalidade, exemplos de sensores 112 e contro- ladores 114 podem ser instalados em aparelhos de veículo aéreo não tripulado (UAV) ou "drones". Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético, incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo
(NIR) e 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 emissores de radar e aparelhos de detecção de energia de radar refle- tida; outros emissores de radiação eletromagnética e aparelhos de de- tecção de radiação eletromagnética refletida. Tais controladores po- dem incluir orientação ou aparelho de controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados no Pedido de Patente Norte-Americano 14/831, 165 e a presente divulga- ção pressupõe o conhecimento dessa outra divulgação de patente.
[0086] 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 no Pedido de Patente Norte- Americano 8.767.194 e Pedido de Patente Norte-Americano 8.712.148 pode ser usado, e a presente divulgação assume o conhecimento des- sas divulgações de patentes.
[0087] Em uma modalidade, os sensores 112 e controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divul- gado no Pedido Provisório Norte-Americano 62/154.207, depositado em 29 de abril de 2015, Pedido Provisório Norte-Americano 62/175.160, depositado em 12 de junho de 2015, Pedido Provisório Norte-Americano 62/198.060, depositado em 28 de julho de 2015, e o Pedido Provisório Norte-Americano 62/220.852, depositado em 18 de setembro de 2015, podem ser usados, e a presente divulgação assu- me o conhecimento dessas divulgações de patentes.
2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELO
[0088] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado ou configurado para criar um mode- lo agronômico. Neste contexto, um modelo agronômico é uma estrutu- ra de dados na memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem as condições que podem afetar o cresci- mento de uma ou mais colheitas em um campo, ou propriedades de uma ou mais colheitas, ou ambas. Além disso, um modelo agronômico pode incluir recomendações baseadas em fatores agronômicos, como recomendações de cultivo, recomendações de irrigação, recomenda- ções de plantio, recomendações de fertilizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações de manejo de colheitas. Os fatores agronô- micos também podem ser usados para estimar um ou mais resultados relacionados à colheita, como o rendimento agronômico. O rendimento agronômico de uma colheita é uma estimativa da quantidade da co- lheita que é produzida ou, em alguns exemplos, a receita ou lucro ob- tido com a colheita produzida.
[0089] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atualmente recebida e informações de colheita para um ou mais cam- pos. 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 da- dos meteorológicos. 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 previstos com os resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor fornecendo dados meteorológicos no mesmo localização ou próximo ou uma estimativa do teor de nitrogênio com uma medição da amostra de solo.
[0090] A Figura 3 ilustra um processo programado pelo qual o sis- tema de computação de inteligência agrícola gera um ou mais mode- los agronômicos pré-configurados usando dados de campo fornecidos por uma ou mais fontes de dados. A Figura 3 pode servir como um al- goritmo ou instruções para programar os elementos funcionais do sis- tema de computador de inteligência agrícola 130 para realizar as ope- rações que agora são descritas.
[0091] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados com a fina- lidade de remover ruído, efeitos de distorção e fatores de confusão dentro dos dados agronômicos, incluindo outliers medidos que podem afetar adversamente os valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos podem in- cluir, mas não estão limitadas a, remoção de valores de dados comu- mente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por distorcer desnecessari- amente 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 negativas.
[0092] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar a seleção de subconjunto de dados usando os dados de campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial 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 busca sequencial, um método de regressão passo a passo, um método de otimização de enxame de partículas e uma colônia de formigas méto- do de otimização. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de pesquisa heurística adaptativa, com ba- se em princípios evolutivos de seleção natural e genética, para deter- minar e avaliar conjuntos de dados dentro dos dados agronômicos pré- processados.
[0093] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avalia- ção do conjunto de dados de campo. Em uma modalidade, um conjun- to de dados de campo específico é avaliado criando um modelo agronômico e usando limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados e/ou validados usando uma ou mais técnicas de comparação, como, mas não se limitando a, erro quadrático médio com validação cruzada leave-one-out (RMSECV), erro absoluto médio e erro percentual mé- dio. Por exemplo, o RMSECV pode fazer a validação cruzada de mo- delos agronômicos comparando valores de propriedade agronômica previstos criados pelo modelo agronômico com valores históricos de propriedade agronômica coletados e analisados. Em uma modalidade, a lógica de avaliação do conjunto de dados agronômicos é usada co-
mo um ciclo de feedback, onde conjuntos de dados agronômicos que não atendem aos limites de qualidade configurados são usados duran- te as etapas futuras de seleção de subconjunto de dados (bloco 310).
[0094] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômi- cos validados de forma cruzada. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multiva- riada para criar modelos de dados agronômicos pré-configurados.
[0095] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os mode- los de dados agronômicos pré-configurados para futura avaliação de dados de campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO
[0096] De acordo com uma modalidade, as técnicas descritas nes- te documento são implementadas por um ou mais dispositivos de computação para fins especiais. Os dispositivos de computação de propósito especial podem ser conectados para executar as técnicas ou podem incluir dispositivos eletrônicos digitais, como um ou mais circui- tos integrados específicos de aplicação (ASICs) ou matrizes de portas programáveis de campo (FPGAs) que são persistentemente progra- madas para executar o técnicas ou podem incluir um ou mais proces- sadores de hardware de uso geral programados para executar as téc- nicas de acordo com as instruções de programa em firmware, memó- ria, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins especiais também podem combinar lógica com fio personalizado, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação para fins es- peciais podem ser sistemas de computador desktop, sistemas de computador portátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore com fio e/ou lógica de pro- grama para implementar as técnicas.
[0097] Por exemplo, a Figura 4 é um diagrama de blocos que ilus- tra um sistema de computador 400 no qual uma modalidade da inven- ção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comunicar informações e um processador de hardware 404 acoplado ao barra- mento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0098] 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 processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações interme- diárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não transitória acessível ao processador 404, trans- formam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para executar as operações especificado nas instruções.
[0099] O sistema de computador 400 inclui ainda uma memória somente leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações es- táticas e instruções para o processador 404. Um dispositivo de arma- zenamento 410, como um disco magnético, disco óptico ou estado só- lido drive é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.
[00100] O sistema de computador 400 pode ser acoplado por meio do barramento 402 a um monitor 412, como um tubo de raios catódi- cos (CRT), para exibir informações para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comando para o processador 404. Outro tipo de dispositivo de en- trada do usuário é o controle do cursor 416, 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 cursor no visor 412. Este dispositivo de en- trada normalmente tem dois graus de liberdade em dois eixos, um pri- meiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite que o dispositivo especifique posições em um plano.
[00101] O sistema de computador 400 pode implementar as técni- cas descritas neste documento usando lógica com fio personalizado, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador faz ou programa o sis- tema de computador 400 para ser uma máquina de propósito especial. De acordo com uma modalidade, as técnicas aqui são realizadas pelo sistema de computador 400 em resposta ao processador 404 execu- tando 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, como disposi- tivo de armazenamento 410. A execução das sequências de instru- ções contidas na memória principal 406 faz com que o processador 404 execute as etapas do processo aqui descritas. Em modalidades alternativas, os circuitos com fio podem ser usados no lugar ou em combinação com as instruções do software.
[00102] 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. Essa mídia de armazenamento pode com- preender mídias não voláteis e/ou mídias voláteis. A mídia não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. A mídia vo- látil inclui memória dinâmica, como a memória principal 406. Formas comuns de mídia de armazenamento incluem, por exemplo, um dis- quete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados mag- néticos, um CD-ROM, qualquer outro meio de armazenamento de da- dos ópticos, qualquer meio físico com padrões de orifícios, um RAM, um PROM e EPROM, um FLASH-EPROM, NVRAM, qualquer outro chip de memória ou cartucho.
[00103] A mídia de armazenamento é diferente, mas pode ser usa- da em conjunto com a mídia de transmissão. A mídia de transmissão participa da transferência de informações entre as mídias de armaze- namento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fio de cobre e fibra óptica, incluindo os fios que compreendem o bar- ramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as co- municações de dados de ondas de rádio e infravermelho.
[00104] 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 es- tado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instru- ções por uma linha telefônica usando um modem. Um modem locali- zação 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 infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal infravermelho e os circuitos apropriados podem colocar os dados no barramento 402. O barramen- to 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instru- ções recebidas pela memória principal 406 podem ser opcionalmente armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[00105] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co- municação 418 fornece um acoplamento de comunicação de dados bidirecional a um link de rede 420 que está conectado a uma rede lo- calização 422. Por exemplo, a interface de comunicação 418 pode ser um serviço integrado placa de rede digital (ISDN), modem a cabo, mo- dem via satélite ou um modem para fornecer uma conexão de comuni- cação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede localização (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Links sem fio também podem ser im- plementados. Em qualquer implementação, a interface de comunica- ção 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais que representam vários tipos de informações.
[00106] O link de rede 420 normalmente fornece comunicação de dados por meio de uma ou mais redes para outros dispositivos de da- dos. Por exemplo, o link de rede 420 pode fornecer uma conexão atra- vés da rede localização 422 a um computador host 424 ou a um equi- pamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados através da rede mundial de comunicação de pacotes de da- dos agora comumente referido como a "Internet" 428. A rede localiza-
ção 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e do siste- ma de computador 400, são exemplos de formas de mídia de trans- missão.
[00107] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), link de rede 420 e interface de comunicação 418. No exemplo da In- ternet, um servidor 430 pode transmitir um código solicitado para um programa de aplicativo através da Internet 428, ISP 426, rede localiza- ção 422 e interface de comunicação 418.
[00108] O código recebido pode ser executado pelo processador 404 conforme é recebido e/ou armazenado no dispositivo de armaze- namento 410 ou outro armazenamento não volátil para execução pos- terior.
3. CORREÇÃO DE MODELO DE NUTRIENTES
3.1. VISÃO GERAL FUNCIONAL
[00109] A Figura 7 mostra um método de exemplo para corrigir os resultados de um modelo de nutrientes usando dados históricos.
[00110] Na etapa 702, um modelo digital de crescimento da colheita é armazenado em um sistema de computação, o modelo digital de crescimento da colheita sendo configurado para calcular os requisitos de nutrientes no solo para produzir valores de rendimento específicos. O modelo digital de crescimento da colheita compreende um ou mais algoritmos treinados configurados para gerar requisitos de nutrientes para o solo com base em uma ou mais entradas. As uma ou mais en- tradas podem incluir dados meteorológicos, dados de solo, dados de gerenciamento, dados de plantio e/ou outros dados relacionados a uma colheita, campo ou elementos externos. Modelos de nutrientes exemplares são descritos na Patente Norte-Americana 9.519.861 e no Pedido de Patente Norte-Americano 14/968.728, os conteúdos de am- bos os quais são incorporados por referência como se estivessem to- talmente aqui estabelecidos. Outros modelos de nutrientes de exemplo podem incorporar técnicas de aprendizagem de máquina para calcular uma aplicação de nutrientes necessária treinada usando dados históri- cos com entradas de pelo menos a produção total e saídas de níveis de nutrientes no solo durante o desenvolvimento de uma colheita. Os nutrientes podem incluir qualquer nitrogênio, potássio ou fósforo.
[00111] Na etapa 704, os dados de campo agronômico para um campo agronômico específico são recebidos. Por exemplo, o sistema de computação de inteligência agrícola pode receber dados de campo agronômico para um campo agronômico específico compreendendo um ou mais parâmetros de entrada para cada um de uma pluralidade de localizações no campo agronômico, valores de aplicação de nutri- entes para cada um da pluralidade de localizações e rendimento me- dido valores para cada um da pluralidade de localizações. Os dados de campo agronômicos podem ser recebidos de um dispositivo de computação cliente, um ou mais computadores servidores externos e/ou um ou mais implementos agrícolas em um campo. Em uma mo- dalidade, os dados de campo agronômico são calculados no sistema de computação de inteligência agrícola.
[00112] Um ou mais parâmetros de entrada podem compreender parâmetros específicos para um campo agronômico. Por exemplo, um ou mais parâmetros de entrada podem incluir elevação da pluralidade de localizações, pH do solo para a pluralidade de localizações, capaci- dade de troca catiônica, umidade do solo ou outros valores espacial- mente distribuídos específicos para o campo agronômico. Um ou mais parâmetros de entrada podem ser usados para gerar um mapa espa- cial de parâmetros de entrada, o mapa espacial compreendendo os parâmetros de entrada para uma pluralidade de localizações em uma grade bidimensional.
[00113] Os dados de campo agronômicos compreendem valores de dados históricos para ciclos de crescimento anteriores, como valores de aplicação de nutrientes anteriores e medições de rendimento cor- respondentes para as localizações onde os nutrientes foram aplicados. Os valores de aplicação de nutrientes compreendem dados que indi- cam uma quantidade de nutriente que foi aplicada a um campo agronômico durante um ciclo de crescimento passado. Por exemplo, um dispositivo de computação de gerente de campo e/ou implemento agrícola pode identificar, para cada localização em um campo agronômico, a quantidade de um nutriente que foi aplicado ao campo agronômico. Os valores de produção medidos compreendem dados que indicam um total para o campo agronômico ao qual o nutriente foi aplicado.
[00114] Além dos valores de nutrientes aplicados e dos valores de rendimento medidos, o sistema de computação de inteligência agrícola pode receber valores de entrada de modelo para o campo agronômico para os ciclos de crescimento anteriores. Os valores de entrada do modelo podem incluir dados meteorológicos, dados de solo, dados de gerenciamento, dados de plantio e/ou outros dados relacionados a uma colheita, campo ou elementos externos durante o período de tempo ao qual os valores de aplicação de nutrientes e valores de ren- dimento medidos correspondem. Os valores de entrada do modelo po- dem incluir um ou mais parâmetros de entrada dos dados de campo agronômicos. Por exemplo, os dados de elevação podem compreen- der uma entrada para o modelo digital de crescimento da colheita, bem como uma entrada para a geração de dados de correção do modelo. Adicionalmente ou alternativamente, um ou mais parâmetros de entra- da podem incluir parâmetros que não fazem parte dos valores de en-
trada do modelo. Por exemplo, os dados de elevação podem não compreender uma entrada para o modelo digital de crescimento da colheita, mas compreender uma entrada para a geração de dados de correção do modelo.
[00115] Na etapa 706, um valor de nutriente necessário é calculado para cada localização da pluralidade de localizações usando o modelo digital de crescimento da colheita. O valor de nutriente necessário, conforme usado neste documento, refere-se a um valor que indica uma quantidade necessária de um nutriente a ser aplicado ao campo para produzir um determinado valor de rendimento. O sistema de computador de inteligência agrícola pode usar os parâmetros de en- trada do modelo, o crescimento da colheita medido para calcular e o modelo digital de crescimento da colheita para calcular, para os parâ- metros de entrada do modelo, a quantidade de um nutriente que deve ser aplicado ao campo agronômico para gerar os valores de rendimen- to medidos nos anos anteriores aos quais os valores de rendimento medidos e os valores de entrada do modelo correspondem.
[00116] Na etapa 708, um subconjunto da pluralidade de localiza- ções onde o valor de nutriente necessário calculado é maior do que o valor de aplicação de nutriente é identificado. Por exemplo, depois de calcular o valor de nutriente necessário para cada localização para produzir o rendimento medido, o sistema de computação de inteligên- cia agrícola pode comparar os valores de nutriente necessários com- putados com os valores de aplicação de nutriente, indicando uma quantidade de nutriente que foi realmente aplicada ao campo. Cada localização em que o valor de nutriente necessário calculado é maior do que o valor de aplicação de nutriente indica que o modelo digital de crescimento da colheita calculou incorretamente o valor de nutriente necessário, já que uma aplicação mais baixa de nutrientes era real- mente necessária para produzir o crescimento de colheita medido.
[00117] Na etapa 710, um valor residual para cada uma do subcon- junto da pluralidade de localizações é calculado. O valor residual, con- forme usado aqui, refere-se a uma diferença entre o valor de nutriente necessário e o valor de aplicação de nutriente. Por exemplo, o sistema de computador de inteligência agrícola pode subtrair o valor de aplica- ção de nutrientes para um ano e localização específicos do valor de nutrientes necessários computados para o ano e localização específi- cos para gerar um valor residual para o ano e local. O valor residual, portanto, encapsula o grau em que o modelo de rendimento digital su- perestimou os nutrientes necessários para aplicação no campo agronômico para gerar um crescimento de colheita específico. Em modalidades em que o modelo digital de crescimento da colheita gera estimativas probabilísticas das necessidades de nutrientes, o valor re- sidual pode ser calculado como uma diferença entre o valor de aplica- ção de nutrientes e uma média probabilística dos valores de nutrientes necessários para o localização e ano ou, valor que é um ou mais des- vios padrão acima da média probabilística, ou um pico da faixa de erro para o valor de nutriente necessário.
[00118] Na etapa 712, um mapa residual que compreende valores residuais no subconjunto da pluralidade de localizações é gerado. O mapa residual, como aqui utilizado, refere-se a uma composição espa- cial de valores residuais, de modo que cada valor residual corresponda a uma localização espacial no campo agronômico. O mapa residual pode ser armazenado como uma série de valores correspondentes em um registro de dados em que cada linha do registro compreende da- dos que identificam o valor residual e uma localização do valor residu- al. A localização pode ser armazenada como uma localização em uma grade, valores de latitude e longitude e/ou qualquer outro meio de identificar uma localização em duas dimensões.
[00119] Na etapa 714, dados de correção de modelo específico pa-
ra o campo agronômico específico são gerados. Por exemplo, o siste- ma de computação de inteligência agrícola pode gerar dados de corre- ção usando um ou mais parâmetros de entrada para a pluralidade de locais no campo agronômico e o mapa residual. Ao gerar os dados de correção para um campo agronômico específico usando parâmetros de entrada espaciais, o sistema de computação de inteligência agríco- la é capaz de levar em consideração efeitos desconhecidos de recur- sos específicos para um campo agronômico em combinação com pa- râmetros espacialmente distribuídos compreendidos. Por exemplo, di- ferenças de elevação podem ter efeitos menores na absorção ou per- da de nutrientes para um campo agronômico, mas ter efeitos maiores para um campo agronômico diferente.
3.2. CORRELAÇÕES E CORREÇÕES DE MODELO
[00120] Em uma modalidade, o sistema de computação de inteli- gência agrícola gera correlações entre um ou mais parâmetros de en- trada e o mapa residual. Por exemplo, o sistema de computação de inteligência agrícola pode normalizar os mapas residuais e os mapas de um ou mais parâmetros de entrada. Usando os mapas normaliza- dos, o sistema de computação de inteligência agrícola pode calcular correlações entre os valores residuais nos mapas residuais e um ou mais parâmetros de entrada para locais correspondentes. Os valores de correlação podem ser usados para identificar os parâmetros de en- trada que estão mais intimamente relacionados aos valores residuais. Por exemplo, o sistema de computação de inteligência agrícola pode selecionar parâmetros de entrada que têm valores de correlação aci- ma de um limite específico para uso na geração de dados de correção de modelo.
[00121] Em uma modalidade, o sistema de computação de inteli- gência agrícola gera dados de correção de modelo computando uma relação entre os valores residuais e um ou mais parâmetros de entra-
da. Por exemplo, o sistema de computação de inteligência agrícola pode usar técnicas de regressão linear para gerar valores de peso de acordo com: onde ai-an compreendem matrizes de valores de peso onde cada ele- mento de uma matriz corresponde a uma diferente localização, Xi-Xn compreendem matrizes de um ou mais parâmetros de entrada onde cada elemento de uma matriz corresponde a uma diferente localiza- ção, R é um mapa residual, n é o número de parâmetros de entrada, e m é um número de anos de dados disponíveis. As técnicas aqui des- critas podem ser empregadas com qualquer combinação de um ou mais parâmetros de entrada. Por exemplo, os mapas residuais podem ser correlacionados apenas com mapas de elevação ao longo de uma pluralidade de anos ou correlacionados com uma combinação de ma- pas de elevação e mapas de pH. Em uma modalidade, os parâmetros de entrada Xi-Xn na equação acima correspondem apenas aos parâ- metros de entrada identificados como tendo uma alta correlação com os valores residuais.
[00122] Em uma modalidade, o sistema de computação de inteli- gência agrícola gera dados de correção de modelo usando um sistema de aprendizado de máquina. Por exemplo, o sistema de computação de inteligência agrícola pode treinar uma rede neural convolucional usando mapas residuais de anos anteriores, mapas de rendimento de anos anteriores e mapas de parâmetros de anos anteriores. O sistema de aprendizado de máquina pode ser treinado usando matrizes de va- lores que representam o rendimento agronômico e matrizes de valores que representam parâmetros correspondentes para locais correspon- dentes como entradas e os valores residuais como saídas. Em uma modalidade, o sistema de aprendizado de máquina é treinado apenas usando dados em locais que compreendem valores residuais. Adicio-
nalmente ou alternativamente, locais sem valores residuais podem ser atribuídos a um valor residual de zero, permitindo assim que o sistema de aprendizado de máquina seja treinado para todo o mapa.
[00123] O sistema de computação de inteligência agrícola pode ge- rar dados de correção de modelo como dados usados para aumentar o modelo digital de crescimento da colheita. Por exemplo, se o modelo digital de crescimento da safra incorpora vários parâmetros para calcu- lar um rendimento agronômico necessário, o sistema de computação de inteligência agrícola pode gerar um parâmetro adicional que inclui um valor de peso baseado em localização e um valor de parâmetro correspondente. Vários termos adicionais podem ser usados se uma pluralidade de parâmetros de entrada foram usados para gerar os da- dos de correção do modelo, cada um dos termos adicionais incluindo um valor de peso baseado em localização e um valor de parâmetro correspondente. Como um exemplo, um valor de peso com base na localização pode compreender um elemento da matriz ai.
[00124] O sistema de computação de inteligência agrícola pode ge- rar dados de correção de modelo como dados de pós-processamento para aumentar uma saída do modelo digital de crescimento da colhei- ta. Por exemplo, os dados de correção do modelo podem compreen- der um sistema de aprendizado de máquina treinado que gera valores residuais com base em entradas de pelo menos rendimento e um ou mais parâmetros de entrada. Os dados de correção do modelo podem incluir instruções de pós-processamento que, quando executadas, fa- zem com que o sistema de computação de inteligência agrícola use o sistema de aprendizado de máquina treinado para calcular valores re- siduais para um ano atual usando valores de rendimento solicitados e um ou mais parâmetros de entrada para o sistema agronômico campo. As instruções de pós-processamento podem, então, fazer com que o sistema de computação de inteligência agrícola aumente os valores de nutrientes necessários para o campo agronômico, como subtraindo os valores residuais dos valores de nutrientes necessários para os locais correspondentes.
[00125] Na etapa 714, os dados de correção do modelo são arma- zenados com um identificador do campo agronômico específico. Por exemplo, o sistema de computação de inteligência agrícola pode ar- mazenar os dados de correção do modelo temporariamente antes de usar os dados de correção do modelo para aumentar o modelo digital de crescimento da colheita. O modelo digital aumentado de crescimen- to da colheita pode ser armazenado com dados que identificam o campo específico. Adicionalmente ou alternativamente, as instruções de pós-processamento podem ser armazenadas com dados que iden- tificam o campo agronômico específico. Os dados que identificam o campo agronômico específico podem incluir um ou mais identificado- res exclusivos usados para identificar o campo agronômico específico.
[00126] O sistema de computação de inteligência agrícola pode executar o processo descrito neste documento para uma pluralidade de campos agronômicos. Por exemplo, o sistema de computação de inteligência agrícola pode gerar dados de correção de modelo para cada um de uma pluralidade de campos agronômicos, cada um dos quais é então armazenado com dados que identificam o campo agronômico ao qual os dados de correção de modelo correspondem. Assim, quando o sistema de computação de inteligência agrícola rece- be uma solicitação para gerar dados de necessidade de nutrientes pa- ra o campo específico, o sistema de computação de inteligência agrí- cola identifica os dados de correção do modelo e/ou modelo digital aumentado de crescimento da colheita que corresponde ao campo agronômico específico e usa o dados de correção de modelo e/ou mo- delo aumentado de crescimento da colheita para computar as neces- sidades de nutrientes para o campo agronômico específico a fim de atingir um valor de rendimento específico.
3.3. MODALIDADES DO MAPA RESIDUAL
[00127] A Seção 3.1. descreve uma geração de mapas residuais com base em locais onde o valor calculado de nutrientes necessários é maior que o valor de aplicação de nutrientes. No exemplo da seção
3.1. e a Figura 7, o sistema identifica cada local onde o valor do nutri- ente necessário é maior do que o valor da aplicação do nutriente e calcula um resíduo desses dois valores. Em modalidades adicionais ou alternativas, o sistema calcula adicionalmente os valores residuais pa- ra locais onde o valor de aplicação de nutrientes é maior do que o va- lor de nutrientes necessário com base em dados de nutrientes adicio- nais para o local.
[00128] Em uma modalidade, o sistema de computador de inteli- gência agrícola recebe dados de nutrientes adicionais para um ou mais locais no campo agrícola. Os dados de nutrientes adicionais po- dem incluir níveis de nutrientes no solo e/ou evidência de estresse de nutrientes em uma colheita. Por exemplo, o computador servidor pode receber dados de um ou mais sensores no campo agrícola e/ou de um dispositivo de computação de gerenciador de campo identificando uma quantidade de nutriente no solo pouco antes ou depois de uma colhei- ta ter sido colhida. Como outro exemplo, o sistema de computação de inteligência agrícola pode receber imagens de uma colheita e, com ba- se nas imagens, determinar que a colheita está sofrendo de estresse nutricional.
[00129] Em uma modalidade, o sistema de computador de inteli- gência agrícola usa medições e/ou estimativas de nutrientes restantes no campo agrícola para calcular os valores residuais. Para locais onde o valor de aplicação de nutrientes é menor do que o valor de nutrientes necessário, o sistema de computação de inteligência agrícola pode identificar o valor residual com base na quantidade de nutriente restan-
te no solo pouco antes ou após a colheita da colheita e a diferença en- tre o valor de nutriente necessário e o valor de aplicação de nutriente.
[00130] Como um exemplo prático, o computador servidor pode cal- cular uma taxa de aplicação de nitrogênio necessária de 120 lb/acre para produzir um rendimento medido de 180 bu/acre. Se 150 lb/acre de nitrogênio foram aplicados ao campo, então a diferença entre o valor de aplicação de nutrientes e o valor de nutrientes necessário é 30 lb/acre. Se 20 lb/acre permanecer no solo após a colheita, o sistema de compu- tador de inteligência agrícola pode calcular um valor residual como 20 lb/acre (o valor de nutriente restante) menos 30 lb/acre (a diferença en- tre os valores de nutrientes necessários e aplicados). O valor residual de -10 lb/acre indica que o modelo digital de crescimento da colheita subestimou a quantidade de nutrientes que a colheita precisaria para atingir o rendimento medido em 10 lb/acre. Se 50 lb/acre permanecer no solo após a colheita, o sistema de computação de inteligência agrí- cola pode calcular o valor residual como 50 lb/acre - 30 lb/acre = 20 lb/acre. O valor residual de +20 lb/acre indica que o modelo digital de crescimento da colheita superestimou a quantidade de nutrientes que a colheita precisaria para atingir o rendimento medido em 20 lb/acre.
[00131] Em outra modalidade, o sistema de computador de inteli- gência agrícola usa evidências de estresse de nutrientes para deter- minar os valores residuais. Para locais onde o valor de aplicação de nutrientes é inferior ao valor de nutrientes necessário, o sistema de computação de inteligência agrícola pode identificar o valor residual como a quantidade restante de nutriente no solo se o sistema de com- putação de inteligência agrícola receber dados adicionais indicando que a colheita está sofrendo de estresse nutricional. Por exemplo, o computador servidor pode calcular uma taxa de aplicação de nitrogê- nio necessária de 120 lb/acre para produzir um rendimento medido de 180 bu/acre. Se 150 lb/acre de nitrogênio foram aplicados ao campo,
então a diferença entre o valor de aplicação de nutrientes e o valor de nutrientes necessário é 30 lb/acre. Se o sistema de computador de in- teligência agrícola receber evidências de estresse na colheita no local, como por meio de imagens ou dados que identificam diretamente o estresse de nutrientes no local, o sistema de computador de inteligên- cia agrícola pode calcular o valor residual como -30 lb/acre, indicando assim que o modelo digital de crescimento da colheita subestimou a quantidade de nutrientes que a colheita precisaria para atingir o rendi- mento medido em 10 lb/acre.
[00132] O computador servidor pode usar qualquer combinação das técnicas acima para gerar os mapas residuais. Por exemplo, o compu- tador servidor pode calcular os valores residuais como a diferença en- tre o valor de nutriente necessário e o valor de aplicação de nutriente para cada local onde o valor de nutriente necessário é maior do que o valor de aplicação de nutriente. Assim, se, em um primeiro local, o va- lor de aplicação de nutrientes necessário era 120 lb/acre e o valor de aplicação de nutrientes era 100 lb/acre, o valor residual pode ser cal- culado como +20 lb/acre. Se, em um segundo local, o valor do nutrien- te necessário era 120 lb/acre, o valor de aplicação do nutriente era 130 lb/acre e a colheita mostrava evidência de estresse nutricional, o valor residual pode ser calculado como -10 lb/acre.
3.4. USOS DE CORREÇÃO DE MODELO ADICIONAIS
[00133] Em uma modalidade, o sistema de computação de inteli- gência agrícola usa os métodos descritos neste documento para criar uma recomendação para uma aplicação de nutrientes para um campo agronômico específico. Por exemplo, o sistema de computação de in- teligência agrícola pode receber uma solicitação para gerar uma reco- mendação para a aplicação de um nutriente a um determinado campo agronômico a fim de gerar um determinado rendimento, maximizar o rendimento para o campo e/ou gerar uma recomendação de aplicação de nutrientes com base em um ou mais outros parâmetros, como mi- nimizar custos e/ou maximizar lucros. O sistema de computação de inteligência agrícola pode usar o modelo digital de crescimento da sa- fra e os dados de correção do modelo para gerar uma recomendação de quanto de um nutriente aplicar a um campo para criar o resultado pretendido. Por exemplo, o sistema de computação de inteligência agrícola pode usar um modo aumentado de crescimento da colheita correspondente ao campo específico para gerar a recomendação. Como outro exemplo, o sistema de computação de inteligência agríco- la pode gerar um valor de nutriente necessário para cada local no campo agronômico usando um modelo digital de crescimento de safra e aumentar a saída do modelo digital de crescimento de safra usando os dados de correção do modelo para gerar a recomendação de nutri- entes para cada local. O sistema de computação de inteligência agrí- cola pode, então, enviar a recomendação de nutrientes para um dispo- sitivo de computação de gerenciador de campo.
[00134] Em uma modalidade, o sistema de computação de inteli- gência agrícola usa a recomendação de nutrientes para gerar um script para um implemento agrícola. O roteiro pode conter um ou mais conjuntos de instruções que, quando executadas pelo implemento agrícola, fazem com que o implemento agrícola libere um nutriente no campo agronômico de acordo com a recomendação do nutriente. Por exemplo, o sistema de computação de inteligência agrícola pode usar a recomendação de nutrientes para criar parâmetros de aplicação para uma válvula de liberação de nutrientes que descreve uma quantidade de um nutriente a ser liberada em um ou mais campos. O sistema de computação de inteligência agrícola pode enviar os parâmetros de aplicativo para um controlador de aplicativo que implementa os parâ- metros de aplicativo usando um implemento agrícola, por exemplo, fazendo com que a válvula de liberação de nutriente libere a quantida-
de recomendada de nutriente no campo agronômico.
4. BENEFÍCIOS DE CERTAS MODALIDADES
[00135] Usando as técnicas aqui descritas, um computador pode fornecer recomendações de nutrientes com maior precisão e eficiência que de outra forma seria possível. Por exemplo, um modelo complexo que requer uma grande quantidade de entrada inicial seria necessário para capturar todos os aspectos de uma recomendação de nutrientes para cada campo. Ao usar um modelo de nutrientes generalizado e dados residuais relacionados a campos específicos, o computador é capaz de capturar as inerências latentes de um campo específico e usar esses dados para aumentar a saída do modelo de crescimento da colheita. Assim, as técnicas descritas neste documento melhoram as técnicas de modelagem de rendimento anteriores, reduzindo a quanti- dade de dados necessários para gerar uma recomendação precisa, aumentar a eficiência com a qual o modelo digital de crescimento da colheita é executado e aumentar a precisão da localização de um mo- delo digital de colheita crescimento. Além disso, as técnicas descritas neste documento podem ser usadas para criar parâmetros de aplicati- vo para o controlador de aplicativo, melhorando assim o desempenho de implementos agrícolas controlados pelo controlador de aplicativo.
5. EXTENSÕES E ALTERNATIVAS
[00136] No relatório descritivo anterior, modalidades foram descritas com referência a vários detalhes específicos que podem variar de im- plementação para implementação. O relatório descritivo e os desenhos devem, portanto, ser considerados em um sentido ilustrativo e não res- tritivo. O único e exclusivo indicador do escopo da divulgação, e o que os requerentes pretendem ser o escopo da divulgação, é o escopo lite- ral e equivalente do conjunto de reivindicações decorrentes deste pe- dido, na forma específica em que tal emissão de reivindicações, inclu- indo qualquer correção subsequente.
Claims (16)
1. Método para aumentar a precisão de modelos digitais de crescimento da colheita com base nos valores de nutriente em um sis- tema de computação, o método caracterizado pelo fato de que com- preende: armazenar, no sistema de computação, um modelo digital de crescimento da colheita, o modelo digital de crescimento da colhei- ta sendo configurado para computar exigências de nutriente no solo para produzir valores de rendimento específicos com base, pelo me- nos parcialmente, nos dados únicos em um campo agrícola; receber dados de campo agronômico para um campo agronômico específico, os dados de campo agronômico compreen- dendo um ou mais parâmetros de entrada para cada uma de uma plu- ralidade de localizações no campo agronômico, valores de aplicação de nutrientes para cada uma da pluralidade de localizações, e valores de rendimento medidos para cada uma da pluralidade de localizações; usar o modelo digital de computação de crescimento da co- lheita, para cada localização da pluralidade de localizações, um valor de nutriente necessário indicando uma quantidade exigida de nutriente para produzir os valores de rendimento medidos; identificar um subconjunto da pluralidade de localizações onde o valor de nutriente necessário computado é maior do que o va- lor de aplicação de nutriente; computar, para cada um do subconjunto da pluralidade de localizações, um valor residual compreendendo uma diferença entre o valor de nutriente necessário e o valor de aplicação de nutriente; gerar um mapa residual compreendendo os valores residu- ais no subconjunto da pluralidade de localizações; gerar, do mapa residual e um ou mais parâmetros de entra- da para cada da pluralidade de localizações, dados de correção de modelo específico para o campo agronômico específico; armazenar os dados de correção de modelo específico com um identificador do campo agronômico específico.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber dados de campo agronômico específicos para o campo agronômico; usar os dados de campo agronômico específicos para o campo agronômico e o modelo digital de crescimento da colheita, computar, para cada localização da pluralidade de localizações, um valor de nutriente específico indicando uma quantidade recomendada de nutriente para aplicar ao campo agronômico; gerar um mapa digital de valores de nutriente específicos, o mapa digital incluindo o valor de nutriente específico para cada locali- zação da pluralidade de localizações; usar os dados de correção de modelo específico, ajustar o mapa digital de valores de nutriente específicos, os dados de correção de modelo específico compreendendo instruções de pós- processamento para ajustar valores de nutriente para o campo agronômico específico.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: usar os dados de correção de modelo específico, ajustar o modelo digital de crescimento da colheita; receber dados de campo agronômico específicos para o campo agronômico; usar os dados de campo agronômico específicos para o campo agronômico e o modelo digital ajustado de crescimento da co- lheita, computar, para cada localização da pluralidade de localizações, um valor de nutriente específico indicando uma quantidade recomen-
dada de nutriente para aplicar o campo agronômico; gerar um mapa digital de valores de nutriente específicos, o mapa digital incluindo o valor de nutriente específico para cada locali- zação da pluralidade de localizações.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que um ou mais parâmetros de entrada para a pluralidade de locais compreendem dados que identificam um ou mais de eleva- ção, porcentagem de matéria orgânica no solo, pH do solo ou capaci- dade de troca catiônica do solo.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: usar um ou mais parâmetros de entrada, gerar uma plurali- dade de mapas de parâmetros espaciais, cada um da pluralidade de mapas de parâmetros espaciais compreendendo um parâmetro de en- trada diferente de um ou mais parâmetros de entrada; usar lógica digitalmente programada, correlacionando os mapas de parâmetros espaciais com o mapa de resíduos; gerar os dados de correção do modelo com base, pelo me- nos em parte, nas correlações dos mapas de parâmetros espaciais com o mapa residual.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: usar um ou mais parâmetros de entrada, gerar uma plurali- dade de mapas de parâmetros espaciais para uma pluralidade de anos, cada um da pluralidade de mapas de parâmetros espaciais compreendendo um parâmetro de entrada de um ou mais parâmetros de entrada para um ano diferente da pluralidade de anos; gerar uma pluralidade de mapas residuais para a pluralida- de de anos, a pluralidade de mapas residuais compreendendo o mapa residual;
usar lógica programada digitalmente, correlacionando a plu- ralidade de mapas de parâmetros espaciais com a pluralidade de ma- pas residuais; gerar os dados de correção do modelo com base, pelo me- nos em parte, nas correlações dos mapas de parâmetros espaciais com a pluralidade de mapas residuais.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: armazenar dados de correção de modelo para uma plurali- dade de diferentes campos agrícolas; receber dados de parâmetros de entrada específicos para o campo agrícola específico; identificar os dados de correção do modelo com o identifi- cador do campo agronômico específico e, em resposta, usar o modelo digital e os dados de correção do modelo armazenados com o identifi- cador do campo agronômico específico para calcular os valores de nu- trientes recomendados para o campo específico; enviar os valores de nutrientes recomendados para um dis- positivo de computação cliente.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: armazenar dados de correção de modelo para uma plurali- dade de diferentes campos agrícolas; receber dados de parâmetros de entrada específicos para o campo agrícola específico; identificar os dados de correção do modelo com o identifi- cador do campo agronômico específico e, em resposta, usar o modelo digital e os dados de correção do modelo armazenados com o identifi- cador do campo agronômico específico para calcular os valores de nu- trientes recomendados para o campo específico;
gerar um script que, quando executado por um ou mais processadores, faz com que um implemento agrícola libere o nutriente nos valores recomendados de nutrientes para o campo agronômico específico.
9. Sistema, caracterizado pelo fato de que compreende: um ou mais processadores; uma memória armazenando instruções que, quando execu- tadas por um ou mais processadores, causam desempenho de: armazenar um modelo digital de crescimento da colheita, o modelo digital de crescimento da colheita sendo configurado para computar exigências de nutriente no solo para produzir valores de ren- dimento específicos com base, pelo menos parcialmente, nos dados únicos a um campo agrícola; receber dados de campo agronômico para um campo agronômico específico, os dados de campo agronômico compreen- dendo um ou mais parâmetros de entrada para cada de uma pluralida- de de localizações no campo agronômico, valores de aplicação de nu- trientes para cada da pluralidade de localizações, e valores de rendi- mento medidos para cada da pluralidade de localizações; usar o modelo digital de computação de crescimento da co- lheita, para cada localização da pluralidade de localizações, um valor de nutriente necessário indicando uma quantidade exigida de nutriente para produzir o valores de rendimento medidos; identificar um subconjunto da pluralidade de localizações onde o valor de nutriente necessário computado é maior do que o va- lor de aplicação de nutriente; computar, para cada uma do subconjunto da pluralidade de localizações, um valor residual compreendendo uma diferença entre o valor de nutriente necessário e o valor de aplicação de nutriente; gerar um mapa residual compreendendo os valores residu-
ais no subconjunto da pluralidade de localizações; gerar, do mapa residual e um ou mais parâmetros de entra- da para cada da pluralidade de localizações, dados de correção de modelo específico para o campo agronômico específico; armazenar os dados de correção de modelo específico com um identificador do campo agronômico específico.
10. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de: receber dados de campo agronômico específicos para o campo agronômico; usar os dados de campo agronômico específicos para o campo agronômico e o modelo digital de crescimento da colheita, computar, para cada localização da pluralidade de localizações, um valor de nutriente específico indicando uma quantidade recomendada de nutriente para aplicar ao campo agronômico; gerar um mapa digital de valores de nutriente específicos, o mapa digital incluindo o valor de nutriente específico para cada locali- zação da pluralidade de localizações; usar os dados de correção de modelo específico, ajustar o mapa digital de valores de nutriente específicos, os dados de correção de modelo específico compreendendo instruções de pós- processamento para ajustar valores de nutriente para o campo agronômico específico.
11. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de: usar os dados de correção de modelo específico, ajustar o modelo digital de crescimento da colheita; receber dados de campo agronômico específicos para o campo agronômico; usar os dados de campo agronômico específicos para o campo agronômico e o modelo digital ajustado de crescimento da co- lheita, computar, para cada localização da pluralidade de localizações, um valor de nutriente específico indicando uma quantidade recomen- dada de nutriente para aplicar ao campo agronômico; gerar um mapa digital de valores de nutriente específicos, o mapa digital incluindo o valor de nutriente específico para cada locali- zação da pluralidade de localizações.
12. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que um ou mais parâmetros de entrada para a plurali- dade de locais compreendem dados que identificam um ou mais de elevação, porcentagem de matéria orgânica no solo, pH do solo ou capacidade de troca catiônica do solo.
13. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de: usar um ou mais parâmetros de entrada, gerar uma plurali- dade de mapas de parâmetros espaciais, cada um da pluralidade de mapas de parâmetros espaciais compreendendo um parâmetro de en- trada diferente de um ou mais parâmetros de entrada; usar lógica digitalmente programada, correlacionando os mapas de parâmetros espaciais com o mapa de resíduos; gerar os dados de correção do modelo com base, pelo me- nos em parte, nas correlações dos mapas de parâmetros espaciais com o mapa residual.
14. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de: usar um ou mais parâmetros de entrada, gerar uma plurali-
dade de mapas de parâmetros espaciais para uma pluralidade de anos, cada um da pluralidade de mapas de parâmetros espaciais compreendendo um parâmetro de entrada de um ou mais parâmetros de entrada para um ano diferente da pluralidade de anos; gerar uma pluralidade de mapas residuais para a pluralida- de de anos, a pluralidade de mapas residuais compreendendo o mapa residual; usar lógica programada digitalmente, correlacionando a plu- ralidade de mapas de parâmetros espaciais com a pluralidade de ma- pas residuais; gerar os dados de correção do modelo com base, pelo me- nos em parte, nas correlações dos mapas de parâmetros espaciais com a pluralidade de mapas residuais.
15. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de: armazenar dados de correção de modelo para uma plurali- dade de diferentes campos agrícolas; receber dados de parâmetros de entrada específicos para o campo agrícola específico; identificar os dados de correção do modelo com o identifi- cador do campo agronômico específico e, em resposta, usar o modelo digital e os dados de correção do modelo armazenados com o identifi- cador do campo agronômico específico para calcular os valores de nu- trientes recomendados para o campo específico; enviar os valores de nutrientes recomendados para um dis- positivo de computação cliente.
16. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que as instruções, quando executadas por um ou mais processadores, ainda causam desempenho de:
armazenar dados de correção de modelo para uma plurali- dade de diferentes campos agrícolas; receber dados de parâmetros de entrada específicos para o campo agrícola específico; identificar os dados de correção do modelo com o identifi- cador do campo agronômico específico e, em resposta, usar o modelo digital e os dados de correção do modelo armazenados com o identifi- cador do campo agronômico específico para calcular os valores de nu- trientes recomendados para o campo específico; gerar um script que, quando executado por um ou mais processadores, faz com que um implemento agrícola libere o nutriente nos valores recomendados de nutrientes para o campo agronômico específico.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/102,577 US11596119B2 (en) | 2018-08-13 | 2018-08-13 | Digital nutrient models using spatially distributed values unique to an agronomic field |
| US16/102,577 | 2018-08-13 | ||
| PCT/US2019/042835 WO2020036705A1 (en) | 2018-08-13 | 2019-07-22 | Improving digital nutrient models using spatially distributed values unique to an agronomic field |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021002525A2 true BR112021002525A2 (pt) | 2021-05-04 |
Family
ID=69404944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021002525-1A BR112021002525A2 (pt) | 2018-08-13 | 2019-07-22 | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US11596119B2 (pt) |
| EP (1) | EP3837589A4 (pt) |
| CN (1) | CN112889007A (pt) |
| AR (1) | AR115952A1 (pt) |
| AU (1) | AU2019322623A1 (pt) |
| BR (1) | BR112021002525A2 (pt) |
| CA (1) | CA3108712A1 (pt) |
| MX (1) | MX2021001699A (pt) |
| WO (1) | WO2020036705A1 (pt) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018085422A1 (en) | 2016-11-01 | 2018-05-11 | Kinze Manufacturing, Inc. | Control units, nodes, system, and method for transmitting and communicating data |
| US20200349656A1 (en) * | 2019-05-02 | 2020-11-05 | Sentek Systems Llc | Process for sensing-based crop nutrient management using limiting-rate estimation and yield response prediction |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| AR125623A1 (es) * | 2021-03-31 | 2023-08-02 | Basf Agro Trademarks Gmbh | Método implementado por computadora para proporcionar datos corregidos del índice relacionado con plantas |
| US20230206430A1 (en) * | 2021-12-27 | 2023-06-29 | Deere & Company | Crop yield component map |
| US20230341586A1 (en) * | 2022-04-20 | 2023-10-26 | Deere & Company | Method and system for mapping cut crop moisture in a field |
| CN115486247B (zh) * | 2022-08-30 | 2023-08-22 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| EP4338565A1 (en) * | 2022-09-14 | 2024-03-20 | Yara International ASA | Method and system for determining a measurement region |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6889620B2 (en) * | 2001-02-28 | 2005-05-10 | The Mosaic Company | Method for prescribing site-specific fertilizer application in agricultural fields |
| BRPI0806559B1 (pt) | 2007-01-08 | 2018-04-10 | Precision Planting, Inc. | Sistema de monitor para semeadeira de sementes agrícolas |
| US8411905B2 (en) | 2008-06-06 | 2013-04-02 | Monsanto Technology Llc | Generating agricultural information products using remote sensing |
| US8477295B2 (en) | 2009-05-07 | 2013-07-02 | Solum, Inc. | Automated soil measurement device |
| US10115158B2 (en) | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
| US10096073B2 (en) * | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
| ES2903049T3 (es) | 2012-07-25 | 2022-03-30 | Prec Planting Llc | Sistema y método para control y monitoreo de implementos agrícolas de hileras múltiples |
| CN103927685A (zh) * | 2014-04-23 | 2014-07-16 | 广西力源宝科技有限公司 | 农（林）业智能施肥系统 |
| US9519861B1 (en) * | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
| US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
| US20160309646A1 (en) * | 2015-04-24 | 2016-10-27 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
| PL3322279T3 (pl) * | 2015-07-15 | 2023-07-17 | Climate Llc | Generowanie modeli cyfrowych składników odżywczych dostępnych dla uprawy w trakcie rozwoju uprawy na podstawie danych pogodowych i glebowych |
| US10251347B2 (en) * | 2016-01-07 | 2019-04-09 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| US10275550B2 (en) | 2016-04-27 | 2019-04-30 | The Climate Corporation | Assimilating a soil sample into a digital nutrient model |
| CN206115670U (zh) * | 2016-08-10 | 2017-04-19 | 民政部国家减灾中心 | 一种自动化分析作物产量影响因素的系统 |
| WO2018049289A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| WO2018081043A1 (en) | 2016-10-24 | 2018-05-03 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2018
- 2018-08-13 US US16/102,577 patent/US11596119B2/en active Active
-
2019
- 2019-07-22 WO PCT/US2019/042835 patent/WO2020036705A1/en unknown
- 2019-07-22 CA CA3108712A patent/CA3108712A1/en active Pending
- 2019-07-22 EP EP19850333.6A patent/EP3837589A4/en active Pending
- 2019-07-22 BR BR112021002525-1A patent/BR112021002525A2/pt unknown
- 2019-07-22 MX MX2021001699A patent/MX2021001699A/es unknown
- 2019-07-22 CN CN201980067370.8A patent/CN112889007A/zh active Pending
- 2019-07-22 AU AU2019322623A patent/AU2019322623A1/en active Pending
- 2019-08-13 AR ARP190102308A patent/AR115952A1/es active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| AU2019322623A1 (en) | 2021-03-18 |
| EP3837589A1 (en) | 2021-06-23 |
| US20200045898A1 (en) | 2020-02-13 |
| US11596119B2 (en) | 2023-03-07 |
| MX2021001699A (es) | 2021-04-19 |
| CN112889007A (zh) | 2021-06-01 |
| CA3108712A1 (en) | 2020-02-20 |
| AR115952A1 (es) | 2021-03-17 |
| EP3837589A4 (en) | 2022-05-11 |
| WO2020036705A1 (en) | 2020-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769733B2 (en) | Forecasting national crop yield during the growing season using weather indices | |
| US20200034759A1 (en) | Generating agronomic yield maps from field health imagery | |
| BR112020010226B1 (pt) | Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos | |
| BR112021006133A2 (pt) | técnicas de aprendizado de máquina para identificar nuvens e sombras de nuvem em imagística por satélite | |
| BR112021007321A2 (pt) | detecção de infecção de doenças de plantas por meio da classificação de fotos de plantas | |
| BR112021007121A2 (pt) | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador | |
| BR112021004651A2 (pt) | método e sistema para a execução de algoritmos de aprendizado de máquina | |
| BR112021010122A2 (pt) | Previsão de produção a nível de campo durante estação | |
| BR122021024395B1 (pt) | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| BR112021007682A2 (pt) | detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| BR112019002436B1 (pt) | Método e sistema para estimar conteúdo de nitrogênio utilizando imagens hiperespectrais e multiespectrais e um ou mais meios de armazenamento legíveis por computador não transitórios | |
| BR112019000719B1 (pt) | Método para geração de mapas de pixel a partir de dados de não imagem e métricas de diferença para mapas de pixel | |
| BR112018007672B1 (pt) | Método implementado por computador para determinar e apresentar uma recomendação de taxa de semeadura melhorada e aparelho correlato | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| US11596119B2 (en) | Digital nutrient models using spatially distributed values unique to an agronomic field | |
| BR112019018015B1 (pt) | Método implementado por computador para selecionar locais de amostragem em um campo e melhorar crescimento no campo | |
| BR112019002763B1 (pt) | Detecção automática de valores de discrepância em dados coletados | |
| BR112020009205A2 (pt) | seleção de sementes híbridas e otimização de portfólio de sementes por campo | |
| BR112021006110A2 (pt) | sistemas e métodos para identificar e utilizar locais de teste em campos agrícolas | |
| BR112018070806B1 (pt) | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| US11796970B2 (en) | Utilizing spatial statistical models for implementing agronomic trials | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |