BR112021004772A2 - modelos ajustáveis para commodities distribuídas na agricultura - Google Patents
modelos ajustáveis para commodities distribuídas na agricultura Download PDFInfo
- Publication number
- BR112021004772A2 BR112021004772A2 BR112021004772-7A BR112021004772A BR112021004772A2 BR 112021004772 A2 BR112021004772 A2 BR 112021004772A2 BR 112021004772 A BR112021004772 A BR 112021004772A BR 112021004772 A2 BR112021004772 A2 BR 112021004772A2
- Authority
- BR
- Brazil
- Prior art keywords
- rate
- user
- specific
- model
- commodity
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 131
- 230000004044 response Effects 0.000 claims abstract description 28
- 230000012010 growth Effects 0.000 claims abstract description 27
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 152
- 238000009826 distribution Methods 0.000 claims description 101
- 229910052757 nitrogen Inorganic materials 0.000 claims description 76
- 230000008569 process Effects 0.000 claims description 44
- 238000003860 storage Methods 0.000 claims description 39
- 239000002689 soil Substances 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- 239000011591 potassium Substances 0.000 claims description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- 229910002651 NO3 Inorganic materials 0.000 claims description 4
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- -1 seeds Chemical compound 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 claims description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052796 boron Inorganic materials 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 239000011777 magnesium Substances 0.000 claims description 3
- 229910052749 magnesium Inorganic materials 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 239000011572 manganese Substances 0.000 claims description 3
- 229910052750 molybdenum Inorganic materials 0.000 claims description 3
- 239000011733 molybdenum Substances 0.000 claims description 3
- 239000011701 zinc Substances 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 230000009418 agronomic effect Effects 0.000 description 38
- 239000003337 fertilizer Substances 0.000 description 29
- 238000004891 communication Methods 0.000 description 26
- 238000013515 script Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 16
- 238000013479 data entry Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000003971 tillage Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 239000008186 active pharmaceutical agent Substances 0.000 description 8
- 238000004883 computer application Methods 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000013179 statistical model Methods 0.000 description 8
- 241000607479 Yersinia pestis Species 0.000 description 7
- 238000013459 approach Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000000575 pesticide Substances 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241001124569 Lycaenidae Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003466 anti-cipated effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013079 data visualisation Methods 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
- 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
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 101150013568 US16 gene Proteins 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
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009313 farming 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
- 239000000417 fungicide 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
- 239000003630 growth substance Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
MODELOS AJUSTÁVEIS PARA COMMODITIES
DISTRIBUÍDAS NA AGRICULTURA. A presente invenção refere-se a técnicas
aplicadas a modelos ajustáveis para commodities método e produto de
computador - que incluem receber uma solicitação de previsões de
crescimento para várias regiões no âmbito de uma operação de
crescimento. Em seguida, são recebidas taxas de tolerância específicas
do usuário para cada região e são determinadas taxas de prescrição
recomendadas, geradas cientificamente, para cada região dentre as várias
regiões. Estimativas de risco meteorológico são determinadas para cada
região e em cada taxa, e essas estimativas de risco meteorológico são
retornadas em resposta à solicitação de previsões de crescimento.
Description
Relatório Descritivo da Patente de Invenção para "MODE-
[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 faz objeção a nenhum fac-símile do do- cumento de patente ou de sua descrição por parte de qualquer pes- soa, tal como consta do arquivo ou dos registos de patentes do Escri- tório de Marcas e Patentes dos Estados Unidos, mas, fora isso, reser- va a si todos os direitos de autoria e de qualquer outra natureza. © 2017-2019, empresa The Climate Corporation.
[002] A presente invenção refere-se à estimativa de produtividade agrícola e a recomendações de plantio.
[003] Para fins de orçamentação e aquisição de produtos fertili- zantes, como o nitrogênio, muitos agricultores têm de selecionar as taxas desejadas de aplicação de fertilizantes com bastante antecedên- cia em relação à época de cultivo. Nesse momento, há pouca informa- ção disponível para refinar as previsões de necessidade de fertilizan- tes e estimativas de produtividade relacionadas. Como resultado, os agricultores podem comprar uma quantidade excessiva ou insuficiente de fertilizante e/ou distribuir uma quantidade excessiva ou insuficiente de fertilizante pelos vários campos dentro de sua operação. Além dis- so, pode ser difícil para um agricultor elaborar um orçamento ao longo de toda a operação (por exemplo, vários campos), avaliar o risco ao longo de toda a operação etc.
[004] As técnicas aqui descritas abordam esses problemas.
[005] Nesta seção são descritas abordagens que podem ser se- guidas, mas não necessariamente abordagens que tenham sido previ-
amente concebidas ou seguidas. Portanto, a menos que seja indicado o contrário, não se deve supor que qualquer uma das abordagens descritas nesta seção se qualifique como técnica anterior apenas por ter sido incluída nesta seção.
[006] As reivindicações anexadas podem servir como um sumário da descrição.
[007] Nos desenhos:
[008] as figuras dos desenhos em anexo, números de referência iguais referem-se a elementos similares
[009] A figura 1 ilustra um exemplo de sistema computacional configurado para executar as funções aqui descritas, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[0010] A figura 2 ilustra duas vistas de um exemplo de organiza- ção lógica de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificador é carregado para execução.
[0011] A figura 3 ilustra fluxo simplificado de método, em visão "top-down", programado, por meio do qual o sistema computacional de inteligência agrícola gera um ou mais modelos agronômicos pré- configurados usando dados do campo fornecidos por uma ou mais fon- tes de dados.
[0012] A figura 4 é um diagrama em bloco que ilustra um sistema computacional no qual uma modalidade da invenção pode ser imple- mentada.
[0013] A figura 5 ilustra uma modalidade exemplificadora de uma vista de cronograma para a entrada de dados.
[0014] A figura 6 ilustra uma modalidade exemplificadora de uma vista de planilha para a entrada de dados.
[0015] A figura 7 ilustra exemplos de processos para modelos ajustáveis a commodities distribuídas na agricultura.
[0016] A figura 8 ilustra exemplos de sistemas para modelos ajus- táveis a commodities distribuídas na agricultura.
[0017] A figura 9, a figura 10, a figura 11 e a figura 12 ilustram exemplos de interfaces para modelos ajustáveis a commodities distri- buídas na agricultura.
[0018] A figura 13 é um diagrama em bloco que ilustra um proces- so para recomendações melhoradas de gestão agrícola com base em modelos mistos.
[0019] Na descrição a seguir, para fins de explicação, em numero- sos detalhes específicos serão apresentados com o intuito de permitir um entendimento completo da presente descrição. No entanto, ficará evidente que as modalidades podem ser praticadas sem esses deta- lhes específicos. Em alguns casos, estruturas e dispositivos bem co- nhecidos são mostrados sob a forma de diagrama em bloco para não complicar sem necessidade a presente descrição. As modalidades são descritas em seções de acordo com o seguinte esboço:
1. VISÃO GERAL
2. EXEMPLO DE SISTEMA COMPUTACIONAL DE INTE-
2.1. VISÃO GERAL ESTRUTURAL
2.2. VISÃO GERAL DO PROGRAMA APLICATIVO
2.3. INGESTÃO DE DADOS NO SISTEMA COMPUTACI-
2.4. VISÃO GERAL DO PROCESSO – TREINAMENTO DE
2.5. EXEMPLO DE IMPLEMENTAÇÃO – VISÃO GERAL
3. VISÃO GERAL FUNCIONAL
3.1. EXEMPLO DE PROCESSOS PARA MODELOS
3.2. EXEMPLO DE SISTEMAS PARA MODELOS AJUS-
3.3. PROCESSOS PARA RECOMENDAÇÕES DE GES-
4. EXTENSÕES E ALTERNATIVAS *
1. Visão Geral
[0020] As técnicas descritas neste documento permitem que um agricultor, produtor ou outro usuário defina o risco, custo e/ou a produ- tividade desejados e disperse tal risco, custo ou produtividade em vá- rios campos ou regiões sob a operação do usuário. As técnicas descri- tas neste documento, em algumas modalidades, permitem que o usuá- rio defina alvos gerais e tenha esses alvos distribuídos por todas as regiões (por exemplo, campos ou subcampos) sob sua operação. O usuário pode ajustar os parâmetros para regiões individuais dentro da operação. As técnicas descritas neste documento fornecem aos usuá- rios uma maneira eficiente de gerar prescrições de fertilizante em vá- rias condições. Tal abordagem proporciona ao usuário poder e flexibi- lidade para equilibrar risco, custos e produtividades agrícolas espera- dos, mantendo a simplicidade e a facilidade de utilização.
[0021] Usando as técnicas aqui descritas, os usuários podem ge- rar prescrições de taxa a qualquer nível espacial que lhes seja mais adequadas e utilizar qualquer combinação da sua taxa de aplicação padrão, uma zona de tolerância em torno dessa taxa (por exemplo, a zona de tolerância pode ser um limite superior e inferior em torno da taxa) e recomendações baseadas na ciência, a fim de determinar quantas commodities distribuíveis ou fertilizantes usar. A capacidade de modificar ou ajustar regiões individuais permite que o usuário ajuste as taxas até que esteja satisfeito com o desempenho geral do modelo. Usando-se as técnicas descritas neste documento, é dada uma res- posta sobre as prescrições candidatas para a commodity distribuível que permitirá ao usuário tomar uma decisão mais consciente sobre como encomendar a commodity distribuível e distribuí-la nos campos. Essa resposta pode ser dada no nível operacional como um resumo, no nível do campo ou da região e/ou no nível de um subcampo. O de- sempenho das técnicas aqui divulgadas permitirá ao usuário saber quanto encomendar de fertilizante e quanto aplicar em seguida no campo, usando máquinas, tais como o aparelho agrícola 111 e/ou o sistema operacional 830.
[0022] Ao longo dos exemplos descritos neste documento, fertili- zante e, especificamente, nitrogênio, são usados como exemplo, po- rém, qualquer commodity distribuível em um campo pode ser usada com as técnicas descritas neste documento, por exemplo, potássio, fósforo, enxofre ou qualquer outro nutriente vegetal sozinho ou em combinação; diversas sementes; tratamentos de sementes para con- trole de uma determinada praga ou pragas; aplicações de um pesticida e/ou similares. Conforme usado aqui, o termo região pode indicar um subcampo, campo ou conjunto de campos e/ou subcampos sob a ope- ração de um único usuário.
2. EXEMPLO DE SISTEMA COMPUTACIONAL DE INTELIGÊNCIA
2.1 VISÃO GERAL ESTRUTURAL
[0023] A figura 1 ilustra um exemplo de sistema computacional configurado para executar as funções aqui descritas, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 é dono, opera ou dispõe de um dispositivo de computação gerenciador de campo 104 em um local de campo ou associado a um local de campo, tal como um campo destinado a atividades agrícolas ou um local de gerencia- mento de um ou mais campos agrícolas. O dispositivo de computação gerenciador de campo 104 é programado ou configurado para fornecer dados do campo 106 a um sistema computacional de inteligência agrí- cola 130 através de uma ou mais redes 109.
[0024] Exemplos de dados do campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome do campo, identifica- dores de campo, identificadores geográficos, identificadores de limites, identificadores de safra e quaisquer outros dados adequados que pos- sam ser usados para identificar terras agrícolas, tais como uma unida- de terrestre comum (CLU), um número de lote e bloco, número do pa- cote, coordenadas e limites geográficos, número de identificação da fazenda (FSN), número da fazenda, número do setor censitário, núme- ro, seção, município, e/ou extensão do campo), (b) dados de colheita (por exemplo, tipo de cultura, variedade de safras, rotatividade de sa- fras, se a cultura é cultivada organicamente, data da colheita, histórico de produção real (APH - "Atual Production History"), produtividade pre- vista, produtividade, preço da safra, produtividade da safra, umidade do grão, prática de lavoura e informações de épocas anteriores de cul- tivo), c) dados do solo (por exemplo, tipo, composição, pH, matéria or- gânica (OM), capacidade de troca catiônica (CEC)), d) dados de plan- tio (por exemplo, data do plantio, tipo de semente(s), maturidade rela- tiva (RM) da(s) 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 química (por exemplo, pesticida, outra substância ou mistura de substâncias destinadas a serem usadas co- mo reguladores de plantas, desfolhante ou dessecante, data de apli- cação, quantidade, fonte, método), g) dados de irrigação (por exemplo,
data de aplicação, quantidade, origem, método), h) dados meteoroló- gicos (por exemplo, precipitação, índice pluviométrico, previsão de chuva, taxa de escoamento de água por região, temperatura, vento, previsão meteorológica, 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 do espectro de luz de um sensor de aparelho agrícola, câmara, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), j) observações de aferição (fotografias, vídeos, no- tas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (atual e ao longo do tempo), umidade do solo, fase de crescimento da safra, velocidade do vento, umidade relativa, ponto de orvalho, camada negra)) e (k) solo, semen- te, fenologia da safra, relatórios sobre pragas e doenças, bem como fontes e banco de dados de previsões.
[0025] Um computador de servidor de dados 108 é acoplado co- municativamente ao sistema computacional de inteligência agrícola 130 e programado ou configurado para enviar dados externos 110 pa- ra o sistema computacional de inteligência agrícola 130 através da(s) rede(s) 109. O computador do servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal refe- rente ao sistema computacional de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como um órgão governamental, uma organização não governamental (ONG) e/ou um fornecedor pri- vado de serviços de dados. Exemplos de dados externos incluem da- dos meteorológicos, dados imagens, dados do solo, ou dados estatís- ticos relativos à produtividade das safras, entre outros. Os dados ex- ternos 110 podem consistir no mesmo tipo de informação dos dados do campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 de propriedade da mesma entidade que possui e/ou opera o sistema computacional de inteligência agrícola 130. Por exemplo, o sistema computacional de inteligência agrícola 130 pode incluir um servidor de dados focado ex- clusivamente em um tipo de dado que poderia ser obtido de outra for- ma a partir de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode ser incorporado ao sistema 130.
[0026] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados sobre ele, que são sensores acoplados comunica- tivamente, direta ou indiretamente, através do aparelho agrícola 111, ao sistema computacional de inteligência agrícola 130 e são progra- mados ou configurados para enviar dados de sensores ao sistema computacional de inteligência agrícola 130. Exemplos de aparelhos agrícolas 111 incluem tratores, ceifeiras-debulhadoras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos, incluindo veículos aéreos não tripulados e quaisquer outros equipamentos de maquinário físico ou hardware, normalmente maquinário móvel, e que possam ser usados em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode incluir uma pluralidade de sensores 112 acoplados localmente em uma rede no aparelho; a rede de área do controlador (CAN) é um exemplo de uma rede que pode ser instalada em ceifeiras-debulhadoras, pulverizadores e produtores. O controlador de aplicação 114 é acoplado comunicati- vamente ao sistema computacional de inteligência agrícola 130 atra- vés da(s) rede(s) 109 e programado ou configurado para receber um ou mais scripts que são usados para controlar um parâmetro operaci- onal de um veículo agrícola ou implemento do sistema computacional de inteligência agrícola 130. Por exemplo, uma interface de barramen- to da rede de área do controlador (CAN) pode ser usada para permitir comunicações do sistema computacional de inteligência agrícola 130 no aparelho agrícola 111, por exemplo, por exemplo, como é usado o Climate Fieldview Drive®, disponibilizado pela empresa Climate Corpo- ration, São Francisco, Califórnia. Os dados do sensor podem consistir no mesmo tipo de informação que os dados do campo 106. Em algu- mas modalidades, os sensores remotos 112 podem não estar fixados a um aparelho agrícola 111, mas sim localizados remotamente no campo e podem se comunicar com a rede 109.
[0027] O aparelho 111 pode incluir um computador de cabine 115 que esteja programado com um aplicativo de cabine, que pode incluir uma versão ou variante do aplicativo móvel para o dispositivo 104 que será descrita mais adiante em outras seções do presente documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, muitas vezes um computador do tamanho de um tablet ou smartphone, com uma tela gráfica, tal como uma tela co- lorida, que está montado na cabine de um operador do aparelho 111. O computador de cabine 115 pode implementar algumas ou todas as operações e funções descritas mais adiante para o dispositivo de computador móvel 104.
[0028] A(s) rede(s) 109 representa(m) em termos gerais qualquer combinação de uma ou mais redes de comunicação de dados, incluin- do redes locais, redes de longa distância, interconexão de redes ou Internet, usando-se quaisquer ligações de telefonia fixa ou sem fio, in- cluindo ligações terrestres ou via satélite. A(s) rede(s) pode(m) ser implementada(s) por qualquer meio ou mecanismo que forneça a troca de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter ligações de comunicações diretas (com ou sem fio). Cada um dentre os sensores 112, o controlador 114, computador do servidor de dados externos 108 e outros elementos do sistema inclui uma interface compatível com a(s) rede(s) 109 e é pro- gramado ou configurado para usar protocolos padronizados para co-
municação através das redes, tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, tais como HTTP, TLS e simila- res.
[0029] O sistema computacional de inteligência agrícola 130 é programado ou configurado para receber dados do campo 106 do dis- positivo de computação gerenciador de campo 104, dados externos 110 do computador do servidor de dados externos 108 e dados do sensor remoto 112. O sistema computacional de inteligência agrícola 130 pode ser configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica pro- gramada digitalmente, tais como FPGA ou ASICs, ou qualquer combi- nação dos mesmos para efetuar a tradução e o armazenamento de valores de dados, a construção de modelos digitais de uma ou mais safras em um ou mais campos, a geração de recomendações e notifi- cações, bem como a geração e o envio de scripts para o controlador de aplicativos 114, da maneira descrita mais adiante em outras seções desta descrição.
[0030] Em uma modalidade, o sistema de computação de inteli- gência agrícola 130 é programado com ou compreende uma camada de comunicação 132, uma camada de apresentação 134, uma camada de gerenciamento de dados 140, uma camada de hardwa- re/virtualização 150 e um modelo e repositório de dados de do campo
160. "Camada", neste contexto, refere-se a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware, tais como drivers e/ou programas de computador ou outros elementos de software.
[0031] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, in- cluindo o envio de solicitações para o dispositivo de computação do gerenciador de campo 104, o computador do servidor de dados exter-
nos 108 e o sensor remoto 112 para dados do 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 o repositório de dados do campo 160 a serem arma- zenados como dados do campo 106.
[0032] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser mostrada no dispositivo de computação do gerenciador de campo 104, no computador de cabine 115 ou em outros computadores que são acoplados ao sistema 130 pela rede 109. A GUI pode incluir controles para a entrada de dados a serem enviados ao sistema de inteligência agrícola 130 , gerando solicitações de modelos e/ou recomendações e/ou mostrando recomendações, notificações, modelos e outros dados do campo.
[0033] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar operações de leitura e modali- dade envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface do servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode incluir um banco de dados. Conforme usado aqui, o termo "banco de dados" pode se referir a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado aqui, um banco de dados po- de incluir qualquer coleção de dados, incluindo bancos de dados hie- rárquicos, bancos de dados relacionais, bancos de dados de arquivos planos, bancos de dados relacionados a objetos, bancos de dados ori- entados a objetos, bancos de dados distribuídos e qualquer outro con- junto estruturado de registos ou dados que seja armazenado em um sistema computacional. Exemplos de RDBMS incluem, mas não se limitam a incluir os bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No en- tanto, pode ser usado qualquer banco de dados que habilite os siste- mas e métodos descritos neste documento.
[0034] Quando os dados do campo 106 não são fornecidos dire- tamente ao sistema computacional de inteligência agrícola através de uma ou mais máquinas agrícolas ou dispositivos de máquinas agríco- las que interagem com o sistema computacional de inteligência agríco- la, o usuário pode ser solicitado através de uma ou mais interfaces de usuário no dispositivo do usuário (servido pelo sistema computacional de inteligência agrícola) a inserir essas informações. Em uma modali- dade exemplificadora, o usuário pode especificar dados de identifica- ção acessando um mapa no dispositivo do usuário (servido pelo sis- tema computacional de inteligência agrícola) e selecionando CLUs es- pecíficas que foram mostradas graficamente no mapa. Em uma moda- lidade alternativa, o usuário 102 pode especificar dados de identifica- ção acessando um mapa no dispositivo do usuário (servido pelo sis- tema computacional de inteligência agrícola 130) e desenhando os li- mites do campo no mapa. Tal seleção de CLU ou desenhos no mapa representam identificadores geográficos. Em modalidades alternati- vas, o usuário pode especificar dados de identificação acessando os dados de identificação do campo (fornecidos como shapefiles ou em um formato similar) da Agência de Serviços Agrícolas do Departamen- to de Agricultura dos EUA (" The U. S. Farm Service Agency") ou de outra fonte através do dispositivo de usuário e fornecendo esses da- dos de identificação do campo para o sistema computacional de inteli- gência agrícola.
[0035] Em uma modalidade exemplificadora, o sistema computaci- onal de inteligência agrícola 130 é programado para gerar e causar a exibição de uma interface gráfica de usuário que inclui um gerenciador de dados para a entrada de dados. Depois que um ou mais campos tiverem sido identificados por meio dos métodos descritos acima, o gerenciador de dados poderá fornecer um ou mais widgets da interfa- ce de usuário gráfica que, quando selecionados, podem identificar al- terações no campo, solo, nas safras, na lavoura ou nas práticas nutri- entes. O gerenciador de dados pode incluir uma vista de cronograma, uma vista de planilha e/ou um ou mais programas editáveis.
[0036] A figura 5 ilustra uma modalidade exemplificadora de uma vista de cronograma para a entrada de dados. Usando a tela ilustrada na figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de um acontecimento. Os acontecimentos descritos no topo do cronograma podem incluir Nitrogênio, Plantio, Práticas e Solo. Para adicionar um acontecimento de aplicação de nitrogênio, um computador de usuário pode fornecer dados para selecionar uma aba de nitrogênio. O compu- tador do usuário pode então selecionar uma localização no cronogra- ma de um determinado campo para indicar uma aplicação de nitrogê- nio no campo selecionado. Em resposta ao recebimento de uma sele- ção de uma localização no cronograma de um determinado campo, o gerenciador de dados pode mostrar uma sobreposição de entradas de dados, permitindo ao computador do usuário inserir dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação no solo, procedimentos de lavoura, práticas de irrigação, ou outras informações relativas ao campo específico. Por exemplo, se um computador de usuário selecionar uma parte do cronograma e indicar uma aplicação de nitrogênio, a sobreposição de entradas de dados poderá incluir campos para a inserção de uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e quaisquer ou- tras informações relacionadas com a aplicação de nitrogênio.
[0037] Em uma modalidade, o gerenciador de dados fornece uma interface para a criação de um ou mais programas. "Programa", neste contexto, refere-se a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação do solo, procedimentos de lavoura, práticas de irrigação, ou outras informações que podem estar relacionadas a um ou mais campos e que podem ser armazena- das no armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após sua criação, um programa pode ser aplicado conceitualmente a um ou mais campos e as referências ao programa podem ser armazenadas no armazenamento digital em associação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados com as mesmas aplicações de nitrogênio para vários campos diferentes, um computa- dor de usuário pode criar um programa que indique uma aplicação es- pecífica de nitrogênio e, em seguida, aplicar o programa a vários cam- pos diferentes. Por exemplo, na vista do cronograma da figura 5, os dois cronogramas do topo têm o programa "Spring Applied" seleciona- do, o 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 principais poderão ser atualizados com uma aplicação reduzida de ni- trogênio baseada no programa editado.
[0038] Em uma modalidade, em resposta ao recebimento de edi- ções em um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa sele- cionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 5, a interface poderá ser atualizada para indicar que o programa "Spring Applied" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa "Spring Applied" não alterariam a aplicação de nitrogênio em abril.
[0039] A figura 6 ilustra uma modalidade exemplificadora de uma vista de planilha para a entrada de dados. Usando a tela ilustrada na figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para a inserção de informações referentes a Nitrogênio, Plantio, Práticas e Solo, con- forme ilustrado na figura 6. Para editar uma entrada específica, um computador de usuário pode selecionar a entrada específica na plani- lha e atualizar os valores. Por exemplo, a figura 6 mostra uma atuali- zação em andamento de um valor de produtividade desejada para o segundo campo. Além disso, um computador de usuário pode seleci- onar um ou mais campos para aplicar um ou mais programas. Em res- posta ao recebimento de seleção de um programa para um campo es- pecífico, o gerenciador de dados pode completar automaticamente as entradas para o campo específico com base no programa selecionado. Tal como na vista do cronograma, o gerenciador de dados pode atuali- zar as entradas para cada campo associado a um programa específico em resposta ao recebimento de uma atualização do programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado com o campo em resposta ao recebimento de uma edição em uma das entradas do campo.
[0040] Em uma modalidade, os dados de modelo e de campo são armazenados no modelo e no repositório de dados do campo 160. Os dados de modelo incluem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente para o desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um conjunto eletrônico digitalmente armazenado de instruções executáveis e valo- res de dados, associados entre si, que são capazes de receber e res- ponder a uma chamada programática ou outra chamada digital, invo- cação ou solicitação de resolução com base em valores de entrada especificados, para gerar um ou mais valores de saída armazenados ou calculados que possam servir como base de recomendações im- plementadas por computador, exibições de dados de saída ou controle de máquina, entre outras coisas. Pessoas versadas na técnica acham conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo descrito neste docu- mento tem uma aplicação prática em um computador na forma de ins- truções e dados armazenados executáveis que implementam o mode- lo usando o computador. O modelo pode incluir um modelo de acon- tecimentos passados em um ou mais campos, um modelo do estado atual de um ou mais campos e/ou um modelo de acontecimentos pre- vistos em um ou mais campos. Os dados de modelo e de campo po- dem ser armazenados em estruturas de dados na memória, fileiras em uma tabela de banco de dados, em arquivos planos ou planilhas, ou em outras formas de dados digitais armazenados.
[0041] Em uma modalidade, cada componente do sistema 170 compreende um conjunto de uma ou mais páginas de memória princi- pal, tal como RAM, no sistema computacional de inteligência agrícola 130, no qual foram carregadas instruções executáveis que, ao serem executadas, fazem com que o sistema computacional de inteligência agrícola execute as funções ou operações descritas neste documento com referência a esses módulos. Por exemplo, o módulo de coleta de dados 172 pode incluir um conjunto de páginas na RAM contendo ins- truções que, quando executadas, causam o desempenho das funções de coleta de dados descritas neste documento, O módulo de análise de dados 174 pode incluir um conjunto de páginas na RAM que con- têm instruções que, quando executadas, causam a execução da de- terminação do modelo científico, da determinação da taxa de prescri- ção, da estimativa de custo e produtividade e de outros aspectos das técnicas descritas neste documento, e o módulo de apresentação de dados 176 pode incluir um conjunto de páginas na RAM contendo ins- truções que, a serem executadas, causam a execução das instruções de apresentação de dados descritas neste documento.
As instruções podem estar no código executável de máquina no conjunto de instru- ções de uma CPU e podem ter sido compiladas com base no código- fonte escrito em JAVA, C, C++, OBJECTIVE-C ou em qualquer outra linguagem ou ambiente de programação legível por seres humanos, sozinhas ou em combinação com scripts em JAVASCRIPT, outras lin- guagens de script e outro texto-fonte de programação.
O termo "pági- nas" se destina a se referir amplamente a qualquer região da memória principal, e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou da arquitetura do proces- sador.
Em outra modalidade, cada coleta de dados, análise de dados e as instruções de apresentação de dados também podem representar um ou mais arquivos ou projetos de código-fonte que são armazena- dos digitalmente em um dispositivo de armazenamento em massa, tal como RAM ou armazenamento em disco não volátil, no sistema com- putacional de inteligência agrícola 130 ou em um sistema de repositó- rio separado que, ao serem compilados ou interpretados, causam a geração de instruções executáveis que, ao serem executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações descritas neste documento com referência a esses módulos.
Em outras palavras, a figura no desenho pode repre- sentar a maneira como programadores ou desenvolvedores de softwa- re organizam e ordenam o código-fonte para compilação posterior em um executável ou interpretação em bytecode ou equivalente, para execução pelo sistema computacional de inteligência agrícola 130.
[0042] A camada de hardware/virtualização 150 compreende uma ou mais unidades centrais de processamento (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema computacional, tais como memória volátil ou não volátil, arma- zenamento não volátil, como disco, e dispositivos ou interfaces de en- trada/saída, conforme ilustrado e descrito, por exemplo, em conexão com a figura 4. A camada 150 também pode incluir instruções pro- gramadas que são configuradas para suportar virtualização, conteine- rização ou outras tecnologias.
[0043] Para fins de ilustração de um exemplo claro, a figura 1 mos- tra 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 milhões de dispositivos diferentes de computação móvel 104 associa- dos a usuários diferentes. Além disso, o sistema 130 e/ou o computa- dor do servidor de dados externos 108 podem ser implementados usando-se dois ou mais processadores, núcleos, clusters ou instâncias de máquinas físicas ou virtuais, configurados em um local discreto ou localizados em conjunto com outros elementos em um datacenter, em unidade de computação compartilhada ou em unidade de computação nuvem.
2.2. VISÃO GERAL DO PROGRAMA APLICATIVO
[0044] Em uma modalidade, a implementação das funções descri- tas neste documento usando-se um ou mais programas de computa- dor ou outros elementos de software, que são carregados e executa- dos por um ou mais computadores de propósito geral, fará com que os computadores de uso geral sejam configurados como uma máquina específica ou como um computador especialmente adaptado para executar as funções aqui descritas. Além disso, cada um dos diagra- mas de fluxo descritos mais adiante pode servir, sozinho ou em com- binação com as descrições de processos e funções contidas neste do- cumento, como algoritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implementar as funções descritas. Em outras palavras, todo o texto aqui apresentado e todas as figuras em anexo destinam-se a fornecer em conjunto a divulgação de algoritmos, planos ou direções suficientes para permitir que uma pessoa versada na técnica programe um computador para executar as funções descritas neste documento, em combinação com a habilidade e o conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e divulgações deste tipo.
[0045] Em uma modalidade, o usuário 102 interage com o sistema computacional de inteligência agrícola 130 usando o dispositivo de computação gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas ou aplicativos; o dispositivo de computação gerenciador de campo 104 também pode interoperar com o sistema computacional de inteligência agrícola de forma independen- te e automática sob controle de programas ou controle lógico, nem sempre sendo necessária a interação direta do usuário. O dispositivo de computação gerenciador de campo 104 representa de maneira am- pla um ou mais dentre um smartphone, PDA, dispositivo de computa- ção do tipo tablet, computador do tipo laptop, computador desktop, es- tação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções descritas neste documento. O dispositivo de computação gerenciador de campo 104 pode se comunicar através de uma rede usando um aplicativo móvel armazenado no dispositivo de computação gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser aco- plado por um cabo 113 ou conector ao sensor 112 e/ou controlador
114. Um usuário específico 102 pode ser dono, operar ou dispor e usar, em conexão com o sistema 130, mais de um dispositivo de com- putação gerenciador de campo 104 por vez.
[0046] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, através da rede, a um ou mais dispositivos de computação móvel. Em uma modalidade exemplificadora, o dispositivo de compu- tação gerenciador de campo 104 pode acessar o aplicativo móvel por meio de um navegador da Web ou um aplicativo ou aplicativo cliente local. O dispositivo de computação gerenciador de campo 104 pode transmitir 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 de aplicativos. Em uma modalidade exemplificadora, os dados podem assumir a forma de solicitações e entrada de informações de usuário, tais como dados do campo, no dispositivo de computação móvel. Em algumas modalidades, o aplica- tivo móvel interage com hardware e software de rastreamento no dis- positivo de computação gerenciador de campo 104, que determina a localização do dispositivo de computação gerenciador de campo 104 usando técnicas de rastreamento padrão, tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou à(s) conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispo- sitivo ou solicitando-se que um aplicativo no dispositivo obtenha os dados a partir do sistema operacional.
[0047] Em uma modalidade, o dispositivo de computação de ge- renciamento de campo 104 envia dados do campo 106 para o sistema computacional de inteligência agrícola 130, que compreendem ou in- cluem, mas não se limitam a: valores de dados que representam um ou mais dentre: a localização geográfica de um ou mais campos, in- formações sobre a lavoura para um ou mais campos, culturas planta- das em um ou mais campos e dados do solo extraídos de um ou mais campos. O dispositivo de computação do gerenciador de campo 104 pode enviar dados do campo 106 em resposta à entrada de dados do usuário 102 especificando os valores de dados para um ou mais cam- pos. Além disso, o dispositivo de computação do gerenciador de cam- po 104 pode enviar automaticamente dados do campo 106 quando um ou mais valores de dados estiverem disponíveis para o dispositivo de computação do gerenciador de campo 104. Por exemplo, o dispositivo de computação gerenciador de campo 104 pode ser acoplado de for- ma comunicativa ao sensor remoto 112 e/ou controlador de aplicativo 114 que inclui um sensor de irrigação e/ou controlador de irrigação. Em resposta ao recebimento de dados indicando que o controlador de aplicação 114 liberou água para um ou mais campos, o dispositivo de computação de gerenciamento de campo 104 pode enviar dados do campo 106 para o sistema computacional de inteligência agrícola 130 indicando que a água foi liberada em um ou mais campos. Os dados do campo 106 identificados nesta descrição podem ser inserido e co- municados por meio de dados digitais eletrônicos que são comunica- dos entre dispositivos de computação usando-se URLs parametriza- dos através de HTTP, ou outro protocolo adequado de comunicação ou mensagens.
[0048] Um exemplo comercial do aplicativo móvel é o CLIMATE FIELDVIEW, comercialmente disponibilizado pela empresa Climate Corporation, São Francisco, Califórnia. O aplicativo FIELDVIEW CLI- MATE, ou outros aplicativos, pode ser modificado, estendido ou adap- tado para incluir recursos, funções e programação que não tenham sido divulgadas antes da data de apresentação desta descrição. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite a um produtor tomar decisões para sua operação que são baseadas em fatos, pois o aplicativo combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor pretenda usar para comparação. As combinações e comparações podem ser realizadas em tempo real e baseiam-se em modelos científicos que fornecem cenários possíveis para permitir que o produtor tome decisões melhores e mais conscientes.
[0049] A figura 2 ilustra duas vistas de um exemplo de organiza- ção lógica de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificador 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 de outro armazenamento não volátil e as instruções programadas nessas regiões. Em uma modalidade, na vis- ta (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento e ingestão de dados, campos e contas 202, visão geral e instruções de alerta 204, instruções do livro de mapas digital 206, instruções de sementes e plantio 208, instruções sobre nitrogênio 210, instruções meteorológicas 212, instruções de saúde do campo 214 e instruções de desempenho 216.
[0050] Em uma modalidade, um aplicativo de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de compartilhamento 202 que são programados para receber, traduzir e carregar dados do campo de sistemas de terceiros por meio de carre- gamento manual ou de APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas conforme plantado, resul- tados de testes de solo, mapas conforme aplicado de acordo com a aplicação, e/ou zonas de gerenciamento, entre outras. Os formatos de dados podem incluir shapefiles, formatos de dados nativos de terceiros e/ou exportações do sistema de informações de gestão agrícola (FMIS
- "Farm Management Information System"), entre outros. O recebi- mento de dados pode ocorrer por meio de carregamento manual, e- mail com anexo, APIs externas que enviam dados para o aplicativo móvel ou instruções que solicitam que as APIs de sistemas externos puxem dados para o aplicativo móvel. Em uma modalidade, o aplicati- vo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de en- trada de dados, o aplicativo de computador móvel 200 pode mostrar uma interface gráfica de usuário para carregar manualmente arquivos de dados e importar arquivos carregados para um gerenciador de da- dos.
[0051] Em uma modalidade, as instruções do livro de mapas digital 206 compreendem camadas de dados do mapa de campo, armazena- das na memória do dispositivo e que são programadas com ferramen- tas de visualização de dados e observações geoespaciais do campo. Isso fornece aos produtores informações convenientes, disponíveis para referência, registro e informações visuais sobre o desempenho do campo. Em uma modalidade, a visão geral e as instruções de alerta 204 são programadas para fornecer uma visão operacional ampla do que é importante para o produtor e recomendações oportunas para tomada de decisões ou foco em questões específicas. Isso permite que o produtor concentre tempo no que precisa de atenção, para pou- par tempo e preservar a produtividade ao longo da estação. Em uma modalidade, as instruções de sementes e plantio 208 são programa- das para fornecer ferramentas para seleção de sementes, colocação híbrida e criação de scripts, incluindo a criação de script de taxa variá- vel (VR- "Variable Rate"), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem a produtividade ou o retorno do investimento por meio de compra, colocação e popula- ção otimizadas de sementes.
[0052] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permi- te que os produtores criem scripts para implementos de campo, tais 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. Após receber uma seleção do tipo semente, o aplicativo de computador móvel 200 pode mostrar um ou mais campos divididos em zonas de gerenciamento, como as ca- madas de dados de mapa de campo criadas como parte das instru- ções do livro de mapas digital 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo junto com um painel iden- tificando cada zona de solo e um nome de solo, textura, drenagem pa- ra cada zona, ou outros dados do campo. O aplicativo de computador móvel 200 também pode mostrar ferramentas para edição ou criação, tais como ferramentas gráficas para desenhar zonas de gerenciamen- to, como zonas de solo, em um mapa de um ou mais campos. Os pro- cedimentos de plantio podem ser aplicados a todas as zonas de ge- renciamento ou podem ser aplicados diferentes procedimentos de plantio a diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, o aplicativo de computador móvel 200 pode dispo- nibilizar o script para download em um formato legível por um contro- lador de aplicativo, como um formato arquivado ou compactado. De maneira adicional e/ou alternativa, um script pode ser enviado direta- mente para o computador de cabine 115 a partir do aplicativo de com- putador móvel 200 e/ou carregado em um ou mais servidores de da- dos e armazenado para uso futuro.
[0053] Em uma modalidade, as instruções sobre nitrogênio 210 são programadas para fornecer ferramentas que informam as decisões referentes ao nitrogênio por meio de visualização da disponibilidade de nitrogênio para as culturas.
Isso permite que os produtores maximi- zem a produtividade ou o retorno do investimento por meio da aplica- ção otimizada de nitrogênio durante a estação.
Exemplos de funções programadas incluem a exibição de imagens, como imagens SSUR- GO, para permitir o desenho de zonas de aplicação de fertilizante e/ou imagens geradas a partir de dados de solo de subcampo, tais como dados obtidos a partir de sensores, a uma resolução espacial elevada (tão fina quanto alguns milímetros ou menor, dependendo da proximi- dade e resolução do sensor); carregamento de zonas existentes defi- nidas pelo produtor; fornecimento de um gráfico de disponibilidade de nutrientes de plantas e/ou de um mapa para permitir o ajuste da(s) aplicação(ões) de nitrogênio em várias zonas; envio de scripts para acionar maquinários; ferramentas para inserção e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. "Inser- ção 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 tenham sido definidos no sistema; exemplos de dados podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos e/ou zonas do mesmo produtor, porém, essa en- trada de dados de massa aplica-se à introdução de qualquer tipo de dados do campo no aplicativo de computador móvel 200. Por exem- plo, as instruções sobre nitrogênio 210 podem ser programadas para aceitar definições de programas de aplicação e práticas de nitrogênio e para aceitar entradas de usuário que especifiquem a aplicação des- ses programas em vários campos. "Programas de aplicação de nitro- gênio", neste contexto, referem-se a conjuntos de dados armazenados e nomeados que associam: um nome, código de cor ou outro identifi- cador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou in- corporação, tal como injetada ou transmitida, e/ou quantidades ou ta-
xas de aplicação para cada uma das datas, culturas ou elementos hí- bridos que são o assunto da solicitação de patente, entre outros. "Programas de práticas de nitrogênio", neste contexto, referem-se a conjuntos de dados armazenados e nomeados que associam: um nome de práticas; uma safra anterior; um sistema de lavoura; uma da- ta de lavoura primária; um ou mais sistemas de lavoura anteriores que foram usados; um ou mais indicadores do tipo de aplicação, como es- terco, que foram usados. As instruções sobre nitrogênio 210 também podem ser programadas para gerar e mostrar um gráfico de nitrogênio, que indica projeções de uso em plantas do nitrogênio especificado e se está previsto um excesso ou uma falta; em algumas modalidades, diferentes indicadores de cor podem sinalizar uma magnitude de ex- cesso ou uma magnitude de falta. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exi- bição de computador com uma pluralidade de fileiras, cada fileira es- tando associada e identificando um campo; dados que especificam qual cultura está plantada no campo, o tamanho do campo, a localiza- ção do campo e uma representação gráfica do perímetro do campo; em cada fileira, um cronograma mensal com indicadores gráficos es- pecificando cada aplicação e quantidade de nitrogênio em pontos cor- relacionados com o nome dos meses; e indicadores numéricos e/ou coloridos de excesso ou de falta, em que a cor indica a magnitude.
[0054] 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 para que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas relacionados com o plantio e práticas de ni- trogênio para implementar um ou mais scripts, incluindo scripts de fer- tilidade de taxa variável (VR). As instruções sobre nitrogênio 210 tam-
bém podem ser programadas para gerar e exibir um mapa de nitrogê- nio, que indica projeções de uso em plantas do nitrogênio especificado e se está previsto um excesso ou uma falta; em algumas modalidades, diferentes indicadores de cor podem sinalizar uma magnitude de ex- cesso ou uma magnitude de falta. O mapa de nitrogênio pode exibir projeções de uso em plantas do nitrogênio especificado e se está pre- visto um excesso ou uma falta para tempos diferentes no passado e no futuro (como diariamente, semanalmente, mensalmente ou anual- mente), usando indicadores numéricos e/ou coloridos de excesso ou falta, 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 possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de excedente para ocasiões de falta. O usuário pode então usar o seu mapa de nitrogênio otimizado e os programas relacionados com o plantio e as práticas de nitrogênio para implemen- tar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções similares às instruções so- bre nitrogênio 210 podem ser usadas para a aplicação de outros nutri- entes (como fósforo e potássio), aplicação de pesticidas e programas de irrigação.
[0055] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores poupem tempo e tenham uma exibição eficiente e inte- grada no que diz respeito às decisões operacionais diárias.
[0056] Em uma modalidade, as instruções de saúde do campo 214 são programadas para fornecer imagens de detecção remota em tem- po hábil, destacando a variação da colheita na estação e possíveis preocupações. Exemplos de funções programadas incluem a verifica- ção de nuvens, para identificar possíveis nuvens ou sombras de nu- vens; determinação de índices de nitrogênio com base em imagens do campo; visualização gráfica de camadas de aferição, incluindo, por exemplo, as relacionadas com a saúde do campo e visualização e/ou compartilhamento de observações de aferição; e/ou download de ima- gens de satélite de várias fontes e priorização das imagens do produ- tor, entre outras.
[0057] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de insight usando dados da fazenda para avaliação, insights e tomada de decisões. Isso permite que o produtor busque melhores resultados para o próximo ano através de conclusões baseadas em fatos sobre a razão pela qual o retorno do investimento se encontrava em níveis an- teriores e a percepção dos fatores limitantes da produtividade. As ins- truções de desempenho 216 podem ser programadas para comunica- rem-se através da(s) rede(s) 109 com os programas analíticos back- end executados no sistema computacional de inteligência agrícola 130 e/ou computador do servidor de dados externos 108 e configurados para analisar métricas como a produtividade, o diferencial de produti- vidade, colocação híbrida, população, zona SSURGO, propriedades para teste de solo, ou elevação, entre outros. Os relatórios e análises programados podem incluir análise da variabilidade da produtividade, estimativa do efeito do tratamento, benchmarking da produtividade e outras métricas em comparação com outros produtores, com base em dados anônimos coletados de muitos produtores, ou dados sobre se- mentes e plantio, entre outros.
[0058] Os aplicativos com instruções configuradas dessa maneira podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário.
Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, smartphones ou computadores servidores que são acessados através de navegadores em computadores clientes.
Além disso, o aplicativo móvel, conforme configurado para tablets ou smartphones, pode proporcionar uma experiência de aplicativo com- pleta ou uma experiência de aplicativo de cabine adequada para as capacidades de visualização e o processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da figura 2, em uma modalidade, um aplicativo de computador de cabine 220 pode incluir instruções de mapas em cabine 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instru- ções de alerta de máquina 228, instruções de transferência de script 230 e instruções de aferição em cabine 232. A base de código para as instruções de visualização (b) pode ser a mesma usada para a visuali- zação (a) e os executáveis que implementam o código podem ser pro- gramados para detectar o tipo de plataforma na qual eles estão sendo executados e para expor, através de uma interface gráfica de usuário, apenas as funções que são adequadas para uma plataforma de cabine ou uma plataforma completa.
Essa abordagem permite que o sistema reconheça a experiência de usuário claramente diferente que é ade- quada para um ambiente em cabine e para o ambiente de tecnologia diferente da cabine.
As instruções de mapas em cabine 222 podem ser programadas para fornecer vistas de mapas de campos, fazendas ou regiões que são úteis para orientar a operação da máquina.
As ins- truções de visualização remota 224 podem ser programadas para ati- var, gerenciar e fornecer visualizações de atividade da máquina em tempo real ou quase real para outros dispositivos de computação co- nectados ao sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares.
As instruções de coleta e transferên- cia de dados 226 podem ser programadas para ativar, gerenciar e permitir a transferência de dados coletados em sensores e controlado- res para o sistema 130 através de redes sem fio, conectores ou adap- tadores com fio e similares. As instruções de alerta de máquina 228 podem ser programadas para detectar problemas de operação da má- quina ou ferramentas associadas à cabine e gerar alertas para o ope- rador. As instruções de transferência de script 230 podem ser configu- radas para a transferência em scripts de instruções configuradas para direcionar operações da máquina ou a coleta de dados. As instruções de aferição em cabine 232 podem ser programadas para mostrar aler- tas baseados na localização e em informações recebidas do sistema 130 com base na localização do dispositivo de computação gerencia- dor de campo 104, do aparelho agrícola 111 ou dos sensores 112 no campo, bem como para carregar, gerir e permitir a transferência de observações de aferição baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo.
2.3. INGESTÃO DE DADOS NO SISTEMA COMPUTACIONAL
[0059] Em uma modalidade, o servidor de dados externos 108 ar- mazena dados externos 110, incluindo dados do solo que representam a composição do solo de um ou mais campos e dados meteorológicos que representam temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos antigos e atuais, bem como previsões de dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 com- preende uma pluralidade de servidores hospedados por entidades di- ferentes. Por exemplo, um primeiro servidor pode conter dados de composição do solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor po- de armazenar dados que representam a porcentagem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (MO) no solo.
[0060] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plantio, sensores de lavoura, sensores de aplicação de fertilizante ou inseticida, sensores de ceifeira e qualquer outro implemento capaz de receber dados de um ou mais campos. Em uma modalidade, o contro- lador de aplicativo 114 é programado ou configurado para receber ins- truções do sistema computacional de inteligência agrícola 130. O con- trolador de aplicação 114 também pode ser programado ou configura- do para controlar um parâmetro de funcionamento de um veículo agrí- cola ou implemento. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de funci- onamento de um veículo, como um trator, equipamento de plantio, equipamento de lavoura, equipamento de fertilizante ou inseticida, equipamento de colheita ou outros implementos agrícolas, como uma válvula de água. Outras modalidades podem usar qualquer combina- ção de sensores e controladores, dos quais os seguintes são apenas exemplos selecionados.
[0061] O sistema 130 pode obter ou coletar, em massa, dados sob o controle do usuário 102 de diversos produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Essa forma de obtenção de dados pode ser denominada " ingestão manual de dados", ou seja, uma ou mais operações computacionais controla- das pelo usuário são solicitadas ou ativadas para a obtenção de dados a serem usados pelo sistema 130. Como um exemplo, o aplicativo FIELDVIEW CLIMATE, disponibilizado comercialmente pela empresa Climate Corporation, São Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório
160.
[0062] Por exemplo, os sistemas de monitoramento de sementes podem controlar tanto os componentes do aparelho da plantadeira quanto obter dados sobre o plantio, incluindo sinais dos sensores de sementes através de um chicote de sinal que inclui um backbone CAN e conexões ponto a ponto para registo e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configura- dos para mostrar o espaçamento entre as sementes, a população e outras informações para o usuário através do computador da cabine 115 ou de outros dispositivos dentro do sistema 130. Exemplos são divulgados na Patente dos EUA. Nº 8.738.243 e na Patente dos EUA Pub. 20150094916, e a presente divulgação assume conhecimento dessas outras divulgações de patentes.
[0063] Da mesma forma, os sistemas de monitoramento de produ- tividade podem conter sensores de produtividade para aparelhos de ceifeira que enviam dados de medição de produtividade para o compu- tador da cabine 115 ou para outros dispositivos dentro do sistema 130. Os sistemas do monitoramento de produtividade podem usar um ou mais sensores remotos 112 para obter medições de umidade de grão em uma ceifeira-debulhadora ou em outra máquina de colheita e transmitir essas medições para o usuário através do computador da cabine 115 ou de outros dispositivos no sistema 130.
[0064] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito aqui incluem sensores cinemáticos e sensores de posi- ção. Os sensores cinemáticos podem incluir qualquer um dos senso- res de velocidade, tais como radares ou sensores de velocidade de rodas, acelerômetros ou giroscópios. Os sensores de posição podem incluir receptores ou transmissores de GPS, aplicativos de posiciona-
mento ou mapeamento baseados em Wi-Fi programados para deter- minar a localização com base em hotspots de Wi-Fi próximos, entre outros.
[0065] 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 sinais de GPS ou de radar, sensores de velocidade TDF (tomada de força), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de derrapagem das rodas. Em uma modalidade, exemplos de controlado- res 114 que podem ser usados com tratores incluem controladores di- recionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade da bomba hidráulica; controladores de velocidade ou reguladores de velocidade; controladores de posição do engate; ou controladores de posição da roda fornecem direção au- tomática.
[0066] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com equipamentos de plantio de sementes, como plantadeiras, semeadoras ou semeadoras a ar, incluem sensores de sementes, que podem ser sensores ópticos, eletromagnéticos ou de impacto; sensores de força descendente, como pinos de carga, células de carga e sensores de pressão; sensores das propriedades do solo, tais como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduos ópticos ou sensores de temperatura; sensores de critérios operacionais de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade do disco de sementes, codificadores de motor de acionamento de sementes, sen-
sores de velocidade do sistema de transporte de sementes ou senso- res de nível de vácuo, ou sensores de aplicação de pesticidas, como sensores ópticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tais equipamentos de plantio de sementes in- cluem: controladores de dobramento da barra de ferramentas, como controladores para válvulas associadas a cilindros hidráulicos; contro- ladores de força descendente, tais como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fileiras in- dividuais ou a uma estrutura de plantadeira completa; controladores de profundidade de plantio, tais como atuadores lineares; controladores de medição, tais como motores elétricos de acionamento do medidor de sementes, motores hidráulicos de acionamento do medidor de se- mentes ou embraiagens de controle do cordão; controladores de sele- ção híbridos, tais como motores de acionamento do medidor de se- mentes, ou outros atuadores programados para permitir ou impedir seletivamente que sementes ou uma mistura de ar/sementes de ser entregue para ou a partir de contadores de sementes ou tremonhas centrais a granel; controladores de medição, tais como motores elétri- cos de acionamento do medidor de sementes ou motores hidráulicos de acionamento do medidor de sementes; controladores do sistema de transporte de sementes, como controladores para um motor de esteira de distribuição de sementes; controladores de marcadores, como um controlador para um atuador pneumático ou hidráulico; ou controlado- res de taxa de aplicação de pesticidas, como controladores de acio- namento de medição, controladores de tamanho de orifício ou de posi- ção.
[0067] 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 configurados para detectar profundidade, ângulo de ataque ou espaçamento lateral; sen- sores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamentos de lavoura incluem controladores de força descen- dente ou controladores de posição de ferramentas, como controlado- res configurados para controlar a profundidade da ferramenta, o ângu- lo de ataque ou o espaçamento lateral.
[0068] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados em relação a aparelhos para aplicação de fertilizan- tes, inseticidas, fungicidas e similares, como sistemas acionadores de fertilizante na plantadeira, aplicadores de fertilizante no subsolo ou pulverizadores de fertilizante, incluem: sensores de critérios do siste- ma de fluido, como sensores de fluxo ou sensores de pressão; senso- res que indicam quais válvulas do cabeçote de pulverização ou válvu- las da linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores seccionais ou de todo o sistema de linha de alimentação ou sensores de linha de ali- mentação específicos de fileira; ou sensores cinemáticos, como acele- rômetros dispostos nas lanças do pulverizador. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tais apare- lhos incluem controladores de velocidade de bomba; controladores de válvulas que são programados para controlar a pressão, o fluxo, a di- reção, a modulação de duração de impulso (PWM) e atuadores de po- sição, como a altura da lança, a profundidade do subsolo ou a posição da lança.
[0069] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com ceifeiras incluem monitores de produtividade, como extensômetros da placa de impacto ou sensores de posição,
sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou brocas espirais sem- fim, ou sensores ópticos ou outros sensores eletromagnéticos de altu- ra de grãos; sensores de umidade de grão, tais como sensores capaci- tivos; sensores de perda de grão, incluindo sensores ópticos ou capa- citivos de impacto; sensores de critérios de operação de barra de cor- te, como altura da barra de corte, tipo de barra de corte, folga da placa defletora, sensores de velocidade do alimentador e de velocidade da bobina; sensores de critérios de operação do separador, como folga do côncavo, velocidade do rotor, folga da sapata ou sensores de folga da peneira superior; sensores da broca espiral sem-fim para posição, operação ou velocidade; ou sensores de rotação do motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com ceifeiras incluem controladores de critérios de operação da barra de corte para elementos, como altura da barra de corte, tipo da barra de corte, folga da placa defletora, velocidade do alimentador ou veloci- dade da boina; controladores de critérios de operação do separador para características, como folga do côncavo, velocidade do rotor, folga da sapata ou folga da peneira superior; ou controladores para posição, operação ou velocidade do sem-fim.
[0070] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com carrinhos de grãos incluem sensores de peso ou sensores para posição, operação ou velocidade do sem-fim. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do sem-fim.
[0071] Em uma modalidade, podem ser instalados exemplos de sensores 112 e controladores 114 em aparelhos de veículos aéreos não tripulados (VANT) ou "drones". Tais sensores podem incluir câ- maras com detectores eficazes para qualquer faixa de espectro ele-
tromagnético, incluindo luz visível, infravermelho, ultravioleta, infra- vermelho próximo (NIR) e similares; acelerômetros; altímetros; senso- res de temperatura; sensores de umidade; sensores de tubos pitot ou outros sensores de velocidade do ar ou velocidade do vento; sensores de vida útil da bateria; ou emissores de radar e aparelhos de detecção de energia refletida de radar; outros emissores de radiação eletromag- nética e aparelhos de detecção de radiação eletromagnética refletida. Esses controladores podem incluir aparelhos de orientação ou de con- trole de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ativar, operar, obter dados, gerenciar e configurar qualquer um dos sensores acima. Exemplos são divulgados no Pedido de Patente U.S., nº 14/831.165, e a presente divulgação assume conhecimento dessa divulgação de pa- tentes.
[0072] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados em aparelhos de amostragem e medição do solo que estejam configurados ou programados para amostrar o solo e realizar testes químicos no solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente dos EUA. nº 8.767.194 e na Patente dos EUA nº 8.712.148 pode ser usado, e a presente divulgação assume conhecimento dessas divulga- ções de patentes.
[0073] Em uma modalidade, os sensores 112 e os controladores 114 podem incluir dispositivos meteorológicos para monitorar as con- dições meteorológicas dos campos. Por exemplo, o aparelho divulga- do na solicitação de patente dos EUA 15/551.582 e na solicitação in- ternacional PCT/US16/29609, ambos depositados em 27 de abril de 2016, e seus uma solicitação de prioridade 62/154,207, apresentados em 29 de abril de 2015, 62/175,160, depositados em 12 de junho de 2015, 62/198,060, depositado em 28 de julho de 2015 e 62/220.852,
depositado em 18 de setembro de 2015, podem ser usados, e a pre- sente divulgação assume conhecimento dessas divulgações de paten- tes.
2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELO
[0074] Em uma modalidade, o sistema computacional de inteligên- cia agrícola 130 é programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema computacional de inteligência agríco- la 130 que compreende dados do campo 106, como dados de identifi- cação e dados de colheita de um ou mais campos. O modelo agronômico também pode incluir propriedades agronômicas calcula- das que descrevam quer condições que possam afetar o crescimento de uma ou mais culturas em um campo, quer propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode incluir recomendações baseadas em fatores agronômicos, como re- comendações de culturas, recomendações de irrigação, recomenda- ções de plantio, recomendações de fertilizantes, recomendações de pesticidas, recomendações de colheita e outras recomendações de gerenciamento de cultura. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, como a produtividade agronômica. A produtividade agronômica de uma cultura é uma estimativa da quantidade de cultura que é produzi- da ou, em alguns exemplos, da receita ou lucro obtido com a cultura produzida.
[0075] Em uma modalidade, o sistema computacional de inteligên- cia agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atualmente recebida e a informações de cultura de um ou mais cam- pos. O modelo agronômico pré-configurado baseia-se em dados do campo previamente processados, que incluem, mas não se limitando a: dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter passado por validação cruzada para garantir a precisão do modelo. A validação cruzada pode incluir uma situação fática, ou seja, a com- paração dos resultados previstos com os resultados reais em um cam- po, tal como uma comparação da estimativa de precipitação com um pluviômetro ou sensor de chuva que fornece dados meteorológicos no mesmo local ou nas proximidades, ou uma estimativa do teor de nitro- gênio com uma medição da amostra do solo.
[0076] A figura 3 ilustra um processo programado por meio do qual o sistema computacional de inteligência agrícola gera um ou mais mo- delos agronômicos pré-configurados usando dados do campo forneci- dos por uma ou mais fontes de dados. A figura 3 pode servir como um algoritmo ou instruções para a programação dos elementos funcionais do sistema de inteligência agrícola 130 para executar as operações que serão agora descritas.
[0077] No bloco 305, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos dos dados do campo recebidos de uma ou mais fontes de dados. Os dados do campo recebidos de uma ou mais fontes de dados podem ser pré-processados com o intui- to de remoção de ruído, distorção de efeitos e fatores de confusão nos dados agronômicos, incluindo valores medidos atípicos que possam afetar negativamente os valores de dados do campo recebidos. As modalidades do pré-processamento de dados agronômicos podem in- cluir, mas não se limitam a: a remoção de valores de dados geralmen- te associados a valores de dados mais elevados, pontos de dados medidos específicos que são conhecidos por apresentar desnecessa- riamente 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 en- tradas de dados positivas e negativas.
[0078] No bloco 310, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para efetuar a seleção de sub- conjuntos de dados usando os dados do campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial de modelos agronômicos. O sistema computacional de inteligência agrí- cola 130 pode implementar técnicas de seleção de subconjuntos de dados, que incluem, mas não se limitando a: um método de algoritmo genético, um método com todos os modelos de subconjuntos, um mé- todo de pesquisa sequencial, um método de regressão gradual, um método de otimização de partículas de enxame e um método de otimi- zação de colônias de formigas. Por exemplo, uma técnica de seleção de algoritmos genéticos usa um algoritmo de busca heurística adaptá- vel, baseado em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.
[0079] No bloco 315, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar a avaliação do conjunto de dados do campo. Em uma modalidade, um conjunto de dados do campo específico é avaliado, criando-se um modelo agronômico e usando-se limites de qualidade específicos para o mo- delo agronômico criado. Os modelos agronômicos podem ser compa- rados e/ou validados por meio de uma ou mais técnicas de compara- ção, tais como, mas não se limitando a: erro quadrático médio da raiz com validação "leave one out" (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, a RMSECV pode validar modelos agronômicos comparando os valores previstos da propriedade agro-
nômica, criados pelo modelo agronômico com os valores históricos da propriedade agronômica, coletados e analisados. Em uma modalida- de, a lógica de avaliação do conjunto de dados agronômicos é usada como um loop de feedbacks onde conjuntos de dados agronômicos que não atendem aos limiares de qualidade configurados são usados durante as etapas futuras de seleção do subconjunto de dados (bloco 310).
[0080] No bloco 320, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar a criação de modelos agronômicos com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, a criação de mode- los agronômicos pode implementar técnicas de regressão multivariada para criar modelos pré-configurados de dados agronômicos.
[0081] No bloco 325, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para avaliação futura dos dados do campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO
[0082] De acordo com uma modalidade, as técnicas aqui descritas são implementadas por um ou mais dispositivos de computação de uso específico. Os dispositivos de computação de uso específico po- dem ser permanentemente conectados por cabos para execução das técnicas ou podem incluir dispositivos eletrônicos digitais, tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou arranjo de portas programáveis em campo (FPGA) que são persisten- temente programados para execução das técnicas, ou podem incluir um ou mais processadores de hardware de propósito geral programa- dos para executar as técnicas de acordo com as instruções do pro- grama em firmware, memória, outro armazenamento ou uma combina-
ção dos mesmos. Esses dispositivos de computação de uso específi- co também podem combinar lógica com fio, ASICs ou FPGAs persona- lizados com programação personalizada para executar as técnicas. Os dispositivos de computação de uso específico podem ser sistemas de computador desktop, sistemas de computador do tipo laptop, dis- positivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica fixa e/ou de programa para implementar as técni- cas.
[0083] Por exemplo, a figura 4 é um diagrama em bloco que ilustra um sistema computacional 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um bar- ramento 402 ou outro mecanismo de comunicação para comunicar in- formações, e um processador 404 acoplado ao barramento 402 para processar as informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0084] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramen- to 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução das instruções a serem executadas pelo processador 404. Taus instruções, quando armazenadas em meios de armazenamento não transitório, acessíveis ao processador 404, transformam o sistema computacional 400 em uma máquina de uso específico que é personalizada para executar as operações espe- cificadas nas instruções.
[0085] O sistema de computador 400 também inclui uma memória apenas de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações e instruções estáticas para o processador 404. Um dispositivo de arma- zenamento 410, tal como um disco magnético, um disco óptico ou uma unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.
[0086] O sistema computacional 400 pode ser acoplado através do barramento 402 a uma tela 412, como um tubo de raios catódicos (CRT), para mostrar informações a um usuário de computador. Um dispositivo de entrada 414, que inclui teclas alfanuméricas e de outros tipos, é acoplado ao barramento 402 para comunicar informações e seleções de comandos ao processador 404. Outro tipo de dispositivo de entrada de usuário é um controle de cursor 416, tal como, um mou- se, uma trackball, ou teclas de direção de cursor para comunicar in- formações de direção e seleções de comandos ao processador 404 e para controlar o movimento do cursor na tela 412. Normalmente, esse dispositivo de entrada tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permitem ao dispositivo especificar posições em um plano.
[0087] O sistema computacional 400 pode implementar as técni- cas aqui descritas usando lógica fixa personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combi- nação com o sistema computacional, faz com que ou programa o sis- tema computacional 400 seja uma máquina de uso específico. De acordo com uma modalidade, as técnicas aqui descritas são executa- das pelo sistema computacional 400 em resposta ao processador 404 executando-se uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Essas instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, como o dispositivo de armazenamento 410. A execução das sequên- cias de instruções contidas na memória principal 406 faz com que o processador 404 execute as etapas do processo descritas neste do-
cumento. Em modalidades alternativas, um circuito permanentemente conectado pode ser usado no lugar de ou em combinação com instru- ções de software.
[0088] O termo "meio de armazenamento" conforme usado neste documento refere-se a qualquer meio não transitório que armazene dados e/ou instruções que fazem uma máquina operar de um modo específico. Exemplos de meios não transitórios incluem meios não voláteis e/ou meios voláteis. Os suportes não voláteis incluem, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. Os suportes voláteis incluem memória dinâmica, como a memória principal 406. As formas comuns de meios de armazenamento incluem, por exemplo, uma disquete, um disco flexível, um disco rígido, uma unidade de es- tado sólido, uma fita magnética ou qualquer outro meio magnético de armazenamento de dados, um CD-ROM, qualquer outro meio óptico de armazenamento de dados, qualquer meio físico com padrões de orifícios, uma RAM, uma PROM e uma EPROM, uma FLASH-EPROM, uma NVRAM, qualquer outro chip ou cartucho de memória.
[0089] Um meio de armazenamento é distinto, mas pode ser usa- do em conjunto com meios de transmissão. O suporte de transmissão participa da transferência de informações entre meios de armazena- mento. Por exemplo, os meios de transmissão incluem cabos coaxi- ais, fios de cobre e fibra óptica, incluindo os fios que compõem o bar- ramento 402. Os meios de transmissão também podem assumir a forma de ondas acústicas ou de luz, como as geradas durante comu- nicações de dados de ondas de rádio e infravermelho.
[0090] Várias formas de meios podem ser envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o proces- sador 404 executar. Por exemplo, as instruções podem ser inicialmen- te transportadas em um disco magnético ou em uma unidade de esta-
do sólido de um computador remoto. O computador remoto pode car- regar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema computacional 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelho para converter os dados em um sinal de infravermelho. Um detector de infravermelho pode rece- ber os dados transportados no sinal de infravermelho e os circuitos adequados podem colocar os dados no barramento 402. O barramen- to 402 transporta os dados para a memória principal 406, de onde o processador 404 recupera e executa as instruções. As instruções re- cebidas pela memória principal 406 podem ser opcionalmente arma- zenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[0091] O sistema computacional 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co- municação 418 fornece uma comunicação bidirecional de dados que se acopla a uma conexão de rede 420 ligada a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser um cartão de rede digital de serviços integrados (ISDN - "Integrated Services Digital Network") ou um modem para fornecer uma conexão de comunicação de dados com um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser um cartão de rede local (LAN) para fornecer uma conexão de comunicação de dados com uma LAN compatível. Conexões sem fio também podem ser imple- mentadas. Em qualquer implementação desse tipo, a interface de co- municação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que conduzem fluxos de dados digitais representando vários tipos de informações.
[0092] A conexão de rede 420 tipicamente provê comunicação de dados através de uma ou mais redes com outros dispositivos de da-
dos. Por exemplo, a conexão de rede 420 pode fornecer uma conexão através da rede local 422 com um computador host 424 ou com um equipamento de dados operado por um provedor de serviço de Inter- net 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados através da rede mundial de comunicações de pacotes de da- dos, agora comumente chamada de "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais que passam através das várias redes e os sinais na conexão de rede 420 e através da in- terface de comunicação 418, que conduzem os dados digitais para e a partir do sistema de computador 400, são formas exemplificadoras de meios de transmissão.
[0093] O sistema computacional 400 pode enviar e receber dados, o que inclui código de programa, através da(s) rede(s), da conexão de rede 420 e da interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um progra- ma de aplicativo através da Internet 428, ISP 426, rede local 422 e in- terface de comunicação 418.
[0094] O código recebido pode ser executado pelo processador 404 conforme recebido e/ou armazenado no dispositivo de armazena- mento 410, ou em outro armazenamento não volátil para execução posterior.
3.0. VISÃO GERAL FUNCIONAL
3.1. EXEMPLO DE PROCESSOS PARA MODELOS AJUSTÁVEIS A
[0095] A figura 7 ilustra um processo de modelos ajustáveis para commodities distribuíveis. O processo 700 começa com o recebimento 710 de uma solicitação de previsões de crescimento para várias regi- ões no âmbito de uma operação de crescimento, as previsões de crescimento incluindo previsões relativas ao crescimento de uma cultu-
ra em várias regiões, tais como fenologia das culturas, previsões de produtividade, previsões de valores nutricionais, previsões de risco meteorológico, previsões de risco de doença, previsões de risco de pragas, previsões de umidade do solo, e/ou quaisquer outras previ- sões relacionadas à saúde da cultura enquanto ela cresce ou a um valor da cultura já colhida.
Em algumas modalidades, o sistema de ajuste 810 da figura 8 pode executar um ou mais aspectos do proces- so 700, incluindo o recebimento 710. A solicitação de previsões de crescimento pode ser recebida 710 a partir de um dispositivo de usuá- rio 820-822 da figura 8. Cada região pode ser um campo, um sub- campo, um conjunto de campos e/ou subcampos etc.
A operação de crescimento pode ser um conjunto de vários campos, independente- mente de esses campos serem ou não adjacentes ou próximos uns dos outros.
O processo 700 recebe então 720 taxas de tolerância es- pecíficas do usuário para uma ou mais commodities distribuíveis pelas várias regiões.
Em algumas modalidades, o sistema de ajuste 810 da figura 8 pode receber as taxas de tolerância específicas do usuário de um dispositivo de usuário 820-822. As várias formas de commodities distribuíveis são discutidas ao longo deste documento, incluindo nitro- gênio, fósforo, várias sementes etc.
As taxas de tolerância podem indi- car um limite inferior e um limite superior para a taxa na qual o usuário normalmente distribuiria a commodity para a operação como um todo ou para cada região, o limite inferior e o limite superior juntos podem ser chamados de "zona de tolerância". As taxas de tolerância também podem incluir o valor esperado do usuário para a distribuição da com- modity.
O processo 700 avança determinando 730 recomendações baseadas na ciência e determinando 735 taxas de prescrição para a commodity distribuível para cada uma das várias regiões dentro da operação.
Vários exemplos de recomendações geradas cientificamen- te são descritos neste documento.
As taxas de prescrição podem ser determinadas 735 com base em uma combinação das tolerâncias do usuário e das taxas sugeridas geradas cientificamente. Com base em simulações meteorológicas, as estimativas de risco meteorológico são determinadas 740 para cada região das várias regiões para cada taxa de prescrição e para cada taxa de tolerância específica do usuário. As estimativas de risco meteorológico para cada região nas várias regiões são então retornadas em resposta à solicitação original de previsões de crescimento. Em algumas modalidades, a devolução das estimati- vas de risco meteorológico inclui o fornecimento de estimativas de ris- co meteorológico em uma interface de usuário, como as mostradas nas figuras 9, 10, 11 e 12. Cada um dos recursos 730-740, bem como os recursos 750-770 (discutidos abaixo) do processo 700 podem ser executados pelo sistema de ajuste 810 da figura 8. Em algumas mo- dalidades, o recurso opcional 780 pode ser executado por um disposi- tivo de usuário 820 da figura 8.
[0096] Embora as modalidades discutam a geração e o envio de dados relacionados com o risco meteorológico, outras modalidades podem usar riscos que são parcialmente consequências dos riscos meteorológicos determinados. Por exemplo, o risco de doença ou de praga pode ser calculado em função de pelo menos valores ou interva- los meteorológicos específicos. O sistema pode determinar o risco de doença ou o risco de praga e devolver o risco de doença ou de praga em resposta à solicitação de previsões de crescimento, em adição a ou como alternativa ao risco meteorológico.
[0097] Retornando ao início do processo 700, é recebida uma soli- citação 710 de previsões de crescimento para várias regiões no âmbito de uma operação de crescimento. Como já observado neste documen- to, uma operação de crescimento pode envolver, por exemplo, todos os campos sob o controle de um único usuário. O único usuário pode ser uma empresa, uma pessoa, um único agricultor etc. As regiões podem ser adjacentes uma à outra, ou não adjacentes uma à outra, e podem estar na mesma região geográfica ou distribuídas por uma grande área geográfica. A solicitação recebida em 710 pode ter qual- quer forma adequada, incluindo uma solicitação de uma tabela ou grá- fico que mostre as previsões de crescimento resultantes. A solicitação pode ser recebida 710 por meio de qualquer mecanismo adequado, incluindo uma solicitação HTTP ou HTTPS, uma solicitação FTP, uma chamada de API etc.
[0098] Após o recebimento 710 de uma solicitação de previsões de crescimento para várias regiões no âmbito de uma operação de crescimento, as técnicas descritas neste documento recebem 720 ta- xas de tolerância específicas do usuário para uma commodity distribu- ível para cada região das várias regiões. Em algumas modalidades, as taxas de tolerância e do produtor incluem uma taxa máxima e uma ta- xa mínima para a commodity distribuível. Em outras modalidades, as taxas de tolerância incluem uma taxa máxima, uma taxa mínima, bem como uma taxa esperada, às vezes chamada de "taxa do produtor". Por exemplo, se um usuário estiver examinando o risco associado às taxas de distribuição de nitrogênio para regiões dentro da operação, ele poderá especificar limites inferiores e limites superiores para a quantidade de nitrogênio que está disposto a aplicar em cada região ou campo. Por exemplo, como ilustrado na figura 9, um usuário pode inserir na seção 980 um "limite inferior do produtor" de 200 lbs. /acre para a distribuição de nitrogênio e um "limite superior do produtor" de 280 lbs. /acre para o campo B. Em algumas modalidades, o usuário também pode inserir uma taxa do produtor que indica a expectativa do usuário de quanto nitrogênio deve ser usado na região (240 lbs /acre na seção 980). Exemplos adicionais são mostrados nas figuras 10, 11 e 12.
[0099] As tolerâncias podem ser especificadas para a totalidade da operação, em cujo caso as taxas máximas e mínimas são aplicadas uniformemente em todas as sub-regiões. Se a taxa do produtor for especificada para toda a operação, cada região receberá uma parte da taxa do produtor total (por exemplo, distribuída de forma ponderada com base no número de acres). Em algumas modalidades, depois que um usuário fornece as taxas de tolerância e/ou do produtor para toda a operação (não ilustrado nas figuras 9, 10, 11 ou 12), ele pode modificar as taxas de tolerância e do produtor para regiões individuais dentro da operação. O usuário pode indicar essa modificação, em al- gumas modalidades, inserindo uma nova taxa de tolerância e/ou do produtor em uma interface de usuário em um dispositivo de usuário, tal como o dispositivo de usuário 820-822 na figura 8. Essa indicação pode ser recebida pelo sistema de ajuste 810. Em algumas modalida- des, se um usuário aumentar a taxa de uma região, então a taxa das outras regiões irá diminuir de modo a cumprir as tolerâncias globais superior e inferior e as taxas do produtor para toda a operação. Em outras modalidades, as taxas de tolerância global e do produtor para a operação podem preencher as taxas de tolerância e do produtor para regiões individuais dentro da operação, sem que as modificações nes- sas taxas para regiões individuais afetem as taxas de tolerância e do produtor para outras regiões.
[00100] Após o recebimento 720 das taxas de tolerância específicas do usuário, as recomendações geradas cientificamente são determi- nadas 730 para a commodity distribuível para cada uma das regiões. Em algumas modalidades, um modelo de processo é usado para de- terminar a recomendação gerada cientificamente. O modelo de pro- cesso pode incluir uma análise dos aspectos agrícolas conhecidos da região e da produção esperada para essa região, baseada em aspec- tos agrícolas precisos. Os aspectos agrícolas podem incluir a umidade esperada no solo durante o período relevante, a luz solar esperada,
outras condições climáticas etc. O modelo de processo pode então gerar uma taxa de prescrição para a commodity distribuível para cada uma das regiões com base nesses fatores. O modelo científico pode usar como entrada a produtividade desejada, bem como os princípios agronômicos. Com base nesses fatores, a recomendação científica pode ser determinada 730 para cada uma das regiões várias. Por exemplo, a exibição 730 das taxas cientificamente determinadas é re- presentada na figura 9 como taxa(s) 940.
[00101] Em algumas modalidades, a recomendação cientificamente baseada para uma região ou um campo específico pode ser determi- nada 730 pelo menos em parte com base no que está acontecendo em uma região ou um campo vizinho. Por exemplo, a taxa pode ser aumentada porque um campo vizinho também escolheu uma taxa mais elevada. Essa escolha pode ser feita para utilizar as informações desse campo vizinho. Em outras modalidades, uma taxa pode ser di- minuída porque um campo vizinho era superior no que se refere à commodity distribuível. Isso pode ser útil para quando a commodity distribuível também for acidentalmente distribuída no campo vizinho.
[00102] As taxas de prescrição são determinadas 735 com base em uma combinação ou mistura de estimativas científicas e de tolerâncias do usuário. Por exemplo, uma recomendação científica, como aquelas descritas neste documento, pode ser usada em combinação com as tolerâncias do usuário para determinar a taxa de prescrição. Por exemplo, seguindo para a figura 9 e a figura 10, uma taxa científica, como a taxa 940 na figura 9, pode ser combinada com as tolerâncias do usuário para determinar as taxas de prescrição 941, 942 e 943. Além disso, um mecanismo de entrada, como os controles deslizantes 981 da figura 9 e o controle deslizante 1081 (na seção 1080) da figura 10, pode ser usado para modificar a ponderação relativa da taxa cien- tífica 940 e as tolerâncias do usuário. Por exemplo, como mostra a figura 10, quando o peso relativo da taxa científica 940 é reduzido, as taxas de prescrição 941, 942 e 943 são recalculadas. Em algumas modalidades, a taxa de prescrição pode ser determinada com base em qualquer mecanismo ou técnica apropriada. Por exemplo, a taxa de prescrição pode ser determinada 735 executando-se a atualização ba- yesiana, com o modelo de tolerância do usuário sendo tratado como uma distribuição anterior e as distribuições para a distribuição cientifi- camente gerada sendo tratadas como a entrada na atualização baye- siana. Em algumas modalidades, a tolerância do usuário é redimensi- onada como uma distribuição beta e o modelo de taxa sugerido é zero fora das tolerâncias do usuário. Em algumas modalidades, uma única distribuição cientificamente gerada é combinada com as tolerâncias do usuário para determinar 735 a taxa de prescrição. Em outras modali- dades, vários modelos de processo, modelos estatísticos e outros mo- delos são usados junto com as tolerâncias do usuário para gerar dis- tribuições e todos são combinados para determinar 735 a taxa de prescrição.
[00103] A taxa de prescrição sugerida, em algumas modalidades, será o modo da distribuição sugerida. O modo é o valor mais provável na distribuição. Outras técnicas também podem ser usadas para de- terminar 735 a taxa de prescrição, tais como a determinação da média da distribuição e o fornecimento, como taxa sugerida, das informações sobre a distribuição, fornecendo o limite inferior da distribuição, o limite superior da distribuição, e o modo ou a média, e similares.
[00104] As estimativas de risco meteorológico são determinadas 740 com base em simulações meteorológicas para cada região das várias regiões, para cada taxa de prescrição e para cada taxa de tole- rância específica do usuário. As estimativas de risco meteorológico podem basear-se em dados meteorológicos históricos e no efeito pro- vável das várias taxas de prescrição nessas condições meteorológicas históricas. Por exemplo, 5, 10, 30, 50, 100 anos de dados meteorológi- cos podem ser usados para cada região das várias regiões da opera- ção. Os dados meteorológicos históricos podem ser usados para de- terminar se a produtividade desejada foi atingida nessas condições meteorológicas históricas com base em cada taxa. A verificação para determinar se a taxa específica satisfaria a produtividade desejada po- de ser efetuada pelo uso de qualquer técnica apropriada, incluindo o uso de um processo ou modelo de processo baseado fisicamente, um modelo estatístico ou observacional, um modelo de retorno máximo para o nitrogênio do estado de Iowa e um teste de nitrato no solo em pré-cobertura, e/ou qualquer outra técnica apropriada, incluindo uma combinação dentre quaisquer técnicas supracitadas.
[00105] Em algumas modalidades, os usuários podem indicar tole- râncias de risco meteorológico para a operação geral ou para cada subcampo (não representado na figura 7). Os riscos meteorológicos podem ser, por exemplo, o número de anos que eles estariam dispos- tos a tolerar a falha do campo em termos de produtividade durante a simulação. Por exemplo, uma tolerância de risco meteorológico pode ser de 10, quatro em 30 etc. A tolerância de risco meteorológico tam- bém pode ser especificada como percentagem. Uma vez executada a simulação do risco meteorológico, o número de anos resultantes com uma produtividade suficiente em relação ao número de anos que não têm uma produtividade suficiente pode ser comparado com a tolerân- cia de risco meteorológico para determinar se a taxa em questão (por exemplo, conforme discutido acima, o risco meteorológico pode ser determinado 740 para cada taxa de prescrição e cada taxa de tolerân- cia específica do usuário) é suficiente em termos de tolerância de risco meteorológico.
[00106] Em algumas modalidades, se uma determinada taxa não cumprir uma tolerância de risco meteorológico, o usuário poderá modi-
ficar a taxa de modo a ajustá-la para que a tolerância de risco meteo- rológico seja satisfeita. Por exemplo, se a tolerância de risco meteoro- lógico for de 4 em 30 e a taxa em questão tiver sido bem-sucedida apenas 23 em 30 vezes, o que significa que falhou 7 em cada 30 ve- zes, o usuário poderá aumentar a taxa de usuário ou de produtor para verificar se a simulação meteorológica cumprirá então a taxa de tole- rância de 4 ou menos falhas em 30. Em algumas modalidades, não descritas na figura 7, as técnicas incluem aumentar a taxa de forma automatizada até que o risco meteorológico seja atingido. A figura 9 ilustra uma modalidade exemplificadora na qual o risco meteorológico é posteriormente apresentado como risco 930 para a taxa do produtor e risco 944 para a taxa de prescrição.
[00107] Opcionalmente, as estimativas de custos podem ser deter- minadas 750 para cada região das várias regiões. Determinar 750 es- timativas de custo de cada região das várias regiões para cada taxa de prescrição e cada taxa de tolerância específica do usuário pode incluir determinar quanto a commodity distribuível custará. Esse custo pode ser fatorado em um cálculo junto com a quantidade de commodity dis- tribuível que se espera usar para cada uma dessas taxas e para o ta- manho da região (por exemplo, o custo da commodity pode ser multi- plicado pela taxa de distribuição e pelo tamanho da região), e os resul- tados podem ser o custo de usar a commodity distribuível nessa taxa específica para essa região específica. Em algumas modalidades, o custo por acre é calculado multiplicando-se o custo da commodity e a taxa de distribuição, e ele pode ser apresentado como custos 945 e 950 como mostra a figura 9. Em algumas modalidades, uma estimati- va de custo total para toda a operação também pode ser determinada somando-se, para cada taxa, as estimativas de custo para cada região das várias regiões. O resultado é uma estimativa de custo de toda a operação para cada uma das taxas de prescrição e cada uma das ta-
xas de tolerância específicas do usuário. Em algumas modalidades, um custo por acre para toda a operação é calculado usando-se uma média ponderada dos custos individuais por acre (por exemplo, ponde- rada no número de acres). Esses custos totais por acre são mostra- dos como custos 945 e 950.
[00108] Em algumas modalidades, pode ser calculado um diferen- cial de custo entre a taxa de tolerância específica do usuário e a taxa de prescrição (por exemplo, comparando-se o custo associado a cada região para as taxas), o que é mostrado como diferencial de custo 970. Isso pode incluir somar o cálculo da diferença entre o custo para a ta- xa de prescrição e o custo para a taxa de tolerância específica do usu- ário e mostrá-lo como diferencial de custo 970.
[00109] Em algumas modalidades, as estimativas de produtividade podem ser determinadas 760 com base nas simulações meteorológi- cas para cada região dentre as várias regiões para cada taxa de pres- crição e para cada taxa de tolerância específica do usuário. As estima- tivas de produtividade podem ser determinadas 760 com base na exe- cução de uma simulação meteorológica histórica para a região com a taxa específica. Conforme discutido anteriormente, as estimativas do risco de tempo podem ser baseadas nos dados meteorológicos históri- cos e no efeito provável das várias taxas de prescrição nessas condi- ções meteorológicas históricas. Por exemplo, 5, 10, 30, 50, 100 anos de dados meteorológicos podem ser usados para cada região das vá- rias regiões da operação. A produtividade será então determinada 760 com base nas condições meteorológicas e na taxa de distribuição para a commodity distribuível. Em algumas modalidades, estimativas de produtividade podem ser determinadas 760 com base em padrões his- tóricos de produtividade dos campos ou em imagens de satélite de anos anteriores. Em algumas modalidades, a produtividade determi- nada 760 pode ser mostrada como produtividade 960.
[00110] Uma vez determinadas as estimativas de risco meteorológi- co e, opcionalmente, as estimativas de custo e as estimativas de pro- dutividade, essas estimativas são retornadas 770 para cada região das várias regiões, em resposta à solicitação original recebida em 710. A devolução 770 das estimativas para as regiões pode incluir responder via HTTP ou HTTPS, por meio de uma resposta a uma chamada de API etc.
[00111] Opcionalmente, em algumas modalidades, as estimativas podem ser mostradas em uma tabela, como a tabela mostrada na figu- ra 9 e na figura 10. As estimativas podem ser apresentadas para cada região dentre as várias regiões e podem ter elementos de interface selecionáveis ou modificáveis que permitem ao usuário modificar as tolerâncias e as taxas de distribuição para verificar como essas modifi- cações afetariam as taxas prescritas e os riscos meteorológicos. Op- cionalmente, em algumas modalidades, as taxas de prescrição são mostradas em formato de gráfico, como o representado na figura 11 e na figura 12. Nas figuras 11 e 12, as regiões na operação com taxas de prescrição mais elevadas são apresentadas em cores mais claras e as regiões com taxas de prescrição mais baixas são apresentadas com cores mais escuras. Em algumas modalidades, vários mapas de operação 1110, 1120 e 1130 são mostrados, com cada um correspon- dendo a um conjunto diferente de taxas. Por exemplo, o mapa 1110 corresponde a uma taxa de tolerância do usuário, o mapa 1120 cor- responde a uma taxa científica e o mapa 1130 corresponde a uma ta- xa de prescrição. Em algumas modalidades, a taxa média para o campo é escrita acima do campo como "Taxa_produtor" (mapa 1110), "taxa (científica) TCC", (mapa 1120), "Taxa em script" (mapa 1130) junto com o risco meteorológico global (número de anos em que essa prescrição teria sido suficiente para atingir o objetivo de produtividade desejada). A figura 12 e os mapas 1210, 1220 e 1230 são similares àqueles descritos para a figura 11 e os mapas 1110, 1120 e 1130, po- rém, com a taxa de prescrição sendo determinada com uma pondera- ção diferente para as taxas cientificamente geradas, conforme discuti- do anteriormente.
[00112] Em algumas modalidades, não descritas na figura 7, uma indicação pode ser recebida para separar uma região específica em várias sub-regiões. As várias sub-regiões podem ser usadas para cal- cular e apresentar taxas de prescrição baseadas em dados científicos, taxas de tolerância específicas do usuário, estimativas de risco meteo- rológico, custos etc., conforme descrito neste documento. A divisão de uma região em várias sub-regiões pode incluir a divisão da região com base em grades geográficas ou outras formas. Em algumas modalida- des, as sub-regiões geográficas também podem ser determinadas de forma automatizada com base em imagens de satélite, propriedades do solo, padrões históricos de produtividade etc. Em algumas modali- dades, um usuário pode desenhar ou selecionar uma ou mais sub- regiões dentro de uma região. Por exemplo, se uma região ou um campo tiver uma lagoa, um usuário pode desenhar uma sub-região, incluindo a lagoa. Tal sub-região pode então ser tratada de forma dife- rente de outras regiões. Em algumas modalidades, a indicação recebi- da para dividir uma região em várias sub-regiões pode incluir um cli- que de botão, uma seleção de menu, um gesto em uma tela sensível ao toque ou algo semelhante. Em algumas modalidades, o usuário pode desenhar as sub-regiões em uma tela sensível ao toque, arras- tando um dedo ou usando uma caneta Stylus na tela de toque para desenhar a sub-região. Em algumas modalidades, o usuário pode de- senhar a sub-região usando um mouse ou outro dispositivo apontador.
[00113] Em algumas modalidades, não descritas na figura 7, uma estimativa de receita também pode ser determinada. Uma estimativa de receita pode ser baseada na estimativa de custo, conforme discuti-
do anteriormente, e na receita esperada com a venda a produtividade. A determinação de receitas esperadas pode ser importante para que produtores e outros usuários possam verificar se essa taxa ou aborda- gem específica é adequada.
[00114] Em algumas modalidades, os resultados retornados serão usados para ordenar a commodity e/ou para distribuir a commodity. Por exemplo, um agricultor pode, ao ver os resultados retornados, de- terminar uma taxa de encomenda que represente uma quantidade da commodity distribuível a ser encomendada para a região em questão (por exemplo, a taxa de encomenda pode ser igual à quantidade total necessária para uma região dividida pelo tamanho da região). A quan- tidade de encomenda pode ser inserida em um website, aplicativo ou outro sistema de encomendas, o que fará com que a quantidade de encomenda da commodity distribuível seja solicitada. Em outro exem- plo, os resultados retornados podem ser usados para comprar a com- modity e distribuí-la com o aparelho agrícola 111 e/ou sistema opera- dor 830. Por exemplo, considere um sistema operacional 830 que in- clui um espalhador de fertilizante. O espalhador de fertilizante pode ser programável para espalhar fertilizante a uma taxa específica (por exemplo, determinada por um operador do sistema operacional 830 com base nos resultados retornados). O espalhador de fertilizante, uma vez programado com a taxa de distribuição de fertilizante deseja- da para um campo, distribuirá fertilizante por essa região na taxa de distribuição de fertilizante desejada.
3.2. EXEMPLO DE SISTEMAS PARA MODELOS AJUSTÁVEIS A
[00115] A figura 8 mostra um sistema 800 para modelos ajustáveis a commodities distribuídas na agricultura. Vários sistemas e dispositi- vos são conectados a uma rede 890. A rede 890 pode ser qualquer rede apropriada, incluindo a Internet, uma LAN, WLAN, uma intranet etc. Vários dispositivos de usuário 820-822 estão conectados à rede
890. Os dispositivos de usuário 820-822 podem incluir computadores do tipo laptop, smartphones pessoais etc. Esses dispositivos 820-822 podem ser conectados à rede 890 através de qualquer meio adequa- do, incluindo WiFi, Ethernet etc. Em algumas modalidades, as interfa- ces ilustradas nas figuras 9, 10, 11 e 12 podem ser mostradas nos dispositivos do usuário 820-822.
[00116] Um sistema de ajuste 810 está conectado à rede 890. O sistema de ajuste 810 pode executar um ou mais aspectos do proces- so 700. Um sistema operacional 830 também pode ser conectado à rede 890. O sistema operacional 830 pode controlar a distribuição da commodity distribuível e/ou executar vários aspectos do processo 700. Em algumas modalidades, o armazenamento conectado à rede 840 e/ou 841 também pode ser conectado à rede 890.
[00117] O armazenamento ligado à rede 840 e/ou 841 pode arma- zenar dados, como os dados meteorológicos históricos, o modelo do processo etc. Cada um dos sistemas, dispositivos e o armazenamento 810-841 pode ser ligado à rede 890 através de qualquer meio adequa- do, incluindo uma conexão WiFi, uma conexão física direta com uma Ethernet etc.
[00118] Os elementos do sistema 800 podem fazer parte de um ou mais sistemas ou dispositivos na figura 1 e/ou vice-versa. Por exem- plo, em algumas modalidades, o sistema de ajuste 810 pode funcionar como parte do sistema de ajuste 170 (ou vice-versa).
3.3 PROCESSOS PARA RECOMENDAÇÕES MELHORADAS DE GESTÃO AGRÍCOLA COM BASE EM MODELOS MISTOS.
[00119] A figura 13 ilustra um processo para recomendações me- lhoradas de gestão agrícola com base em modelos mistos. O processo 1300 avança ao receber 1310 uma solicitação de taxa de distribuição para uma commodity distribuída em campo. A solicitação da taxa de distribuição recomendada pode ser recebida por qualquer mecanismo apropriado, como uma solicitação HTTP ou HTTPS, uma chamada de API ou similares. A solicitação pode ser recebida de um usuário ou produtor e/ou de um programa que opere em nome de um usuário. A commodity distribuída pode ser nitrogênio, potássio, fósforo, várias sementes, fertilizante, pesticida, regulador de crescimento, enxofre, cálcio, magnésio, cobre, zinco, boro, molibdênio, ferro, manganês e/ou similares. Em algumas modalidades, as commodities podem ser dis- tribuídas por componentes do sistema 100 da figura 1, como o apare- lho agrícola 111. Em algumas modalidades, não descritas na figura 13, o processo 1300 pode avançar gerando ativamente taxas reco- mendadas sem antes receber 1310 uma solicitação de uma taxa para uma commodity distribuível. Além disso, em algumas modalidades, um sistema de combinação de modelos pode iniciar programaticamen- te o processo 1300, gerando e recebendo de fato 1310 a solicitação de uma taxa de distribuição para uma commodity distribuível. Por exem- plo, o recebimento 1310 da solicitação de uma taxa de distribuição po- de ocorrer através de uma chamada de procedimento efetuada por outra parte do sistema de combinação de modelos, ou por algo seme- lhante.
[00120] Em algumas modalidades, a solicitação de uma única commodity distribuída é recebida em 1310 (ou o processo 1300 pode ser iniciado para uma única commodity distribuível). Em outras moda- lidades, várias solicitações podem ser recebidas 1310 (ou o processo 1300 pode ser iniciado para várias commodities distribuíveis), cada uma para uma commodity distribuída diferente e/ou uma única solicita- ção de recomendações para várias commodities distribuídas pode ser recebida 1310. A maioria dos exemplos aqui usados refere-se à solici- tação de uma única commodity distribuída. Em algumas modalidades, quando uma única ou várias solicitações para várias commodities dis-
tribuídas são recebidas 1310, uma taxa de distribuição recomendada para cada commodity distribuída pode ser determinada usando-se as técnicas descritas neste documento.
[00121] Após o recebimento1310 da solicitação da taxa de distribui- ção para uma commodity distribuída em campo ou o início do proces- so 1300, é feita uma determinação 1320 de um modelo de tolerância do usuário para a commodity distribuída em campo. A determinação do modelo de tolerância do usuário pode ser feita de muitas formas. Por exemplo, um usuário pode fornecer uma taxa de tolerância mais baixa, uma taxa de tolerância mais alta e uma taxa esperada. Esses três números podem ser reformulados como uma distribuição beta re- dimensionada e usados com as técnicas descritas neste documento, de modo que qualquer taxa fora da faixa preferida tenha uma massa de probabilidade zero. Outras distribuições também podem ser usa- das, como gaussiana, gama e/ou similares. Em algumas modalidades, um usuário pode inserir tolerâncias em uma página da Web, não ilus- trada na figura 13. Em outras modalidades, as tolerâncias do usuário podem ser fornecidas através de uma API, uma chamada de procedi- mento remoto, um fluxo de comunicações, como SSL, TCP-IP, https, http ou similares.
[00122] Retornando à figura 1, um usuário 102 pode inserir tolerân- cias de distribuição em um dispositivo de usuário 104, que serão em seguida enviadas para o sistema de inteligência agrícola 130. Em um exemplo específico, um usuário pode fornecer uma estimativa, como 200 lbs. de nitrogênio por acre como a estimativa, com uma tolerância inferior de 180 lbs. por acre de nitrogênio e uma tolerância superior de 230 lbs. por acre de nitrogênio.
[00123] O uso de tolerâncias do usuário pode ser benéfico para cir- cunstâncias em que um usuário não se sente confortável com as re- comendações feitas pelos modelos quando elas se encontram fora das tolerâncias do usuário. Por exemplo, se as tolerâncias do usuário não forem levadas em consideração, o usuário pode entender que os mo- delos e as recomendações dos modelos são inadequados e, portanto, não usar esses modelos.
[00124] Antes, durante ou após a determinação das tolerâncias do usuário 1320, são desenvolvidos um ou mais modelos numéricos para distribuição da commodity distribuída em campo 1330. Em algumas modalidades, o modelo desenvolvido 1330 pode ser executado poste- riormente. Qualquer modelo numérico apropriado pode ser usado, tal como um modelo estatístico, um modelo de processo, um modelo de aprendizado de automática e similares. Por exemplo, um modelo de processo físico pode ser usado. Um modelo de processo físico pode ser desenvolvido com base em conhecimento agronômico que pode ser usado para prever resultados do uso de várias quantidades da commodity distribuída em campo. Em algumas modalidades, uma quantidade de produtividade é fornecida e o modelo pode indicar se o nitrogênio (e/ou outra commodity distribuível) é suficiente para satisfa- zer essa produtividade. Em seguida, uma quantidade diferente de ni- trogênio (e/ou outra commodity distribuível) pode ser usada como en- trada, e a determinação pode ser feita novamente para indicar se a produtividade foi atingida. Como exemplo, um procedimento de usuá- rio ou automatizado pode continuar executando iterações até que a produtividade seja atingida e/ou até que a quantidade mínima de commodity distribuível necessária para atingir a produtividade seja de- terminada. Em algumas modalidades, várias iterações do modelo ba- seado em processo podem ser analisadas quanto à produção possível e aquela com a maior produtividade ou a melhor relação entre produti- vidade e custo pode ser recomendada. Por exemplo, um modelo ba- seado em processo físico de monitoramento de nitrogênio pode usar conhecimentos sobre o efeito do nitrogênio nas produtividades para fazer uma recomendação de quantidade do nitrogênio a ser usado.
[00125] Em algumas modalidades, modelos estatísticos podem ser usados para desenvolver 1330 o modelo em adição ou no lugar dos modelos de processo. Um modelo estatístico pode ser treinado sobre a produtividade histórica produzida por quantidades específicas da commodity distribuída em campo que está sendo usada. Esse modelo estatístico pode não usar necessariamente algum ou tanto conheci- mento agronômico, mas sim depender do conhecimento estatístico de dados previamente observados. Qualquer outra abordagem ou modelo também pode ser usado, tal como o modelo de retorno máximo para o nitrogênio do estado de Iowa. Outro modelo que pode ser usado é o teste de nitrato em pré-cobertura, que é um algoritmo de recomenda- ção para commodities distribuídas em campo com base em amostras de solo durante uma estação.
[00126] Em algumas modalidades, cada modelo numérico está asso- ciado a uma distribuição de probabilidade. Por exemplo, um modelo estatístico pode estar associado a uma distribuição de probabilidade que represente a confiança no resultado. Em geral, uma distribuição mais ampla está associada a uma menor confiança, e uma distribuição mais estreita está associada a uma maior confiança. Em modelos nu- méricos que não têm por padrão uma distribuição de probabilidade as- sociada, o resultado desses modelos em dados e produtividades co- nhecidos pode ser usado para determinar a distribuição desses mode- los numéricos. Por exemplo, se um modelo numérico produzir frequen- temente estimativas muito próximas da verdade ao usar dados de dis- tribuição e produtividades de produção conhecidos, sua distribuição será estreita. Se o modelo errar muitas vezes, a sua distribuição será mais ampla.
[00127] Após a determinação dos modelos 1320 e o desenvolvimento do modelo 1330, é determinado um modelo de taxa de distribuição su-
gerida 1340 com base nesses modelos. Em algumas modalidades, o modelo sugerido de distribuição é determinado pela execução da atua- lização bayesiana, na qual o modelo de tolerância do usuário é tratado como uma distribuição anterior e as distribuições de probabilidade pa- ra cada um dos modelos de taxa para a distribuição da commodity es- pecífica distribuída em campo são tratadas como a entrada na atuali- zação bayesiana. Em algumas modalidades, como discutido anterior- mente, a tolerância do usuário é uma distribuição beta redimensionada e o modelo de taxa sugerido é zero fora das tolerâncias do usuário. Por exemplo, se as tolerâncias do usuário incluírem um limite inferior de 130 lbs. por acre e um limite superior de 230 lbs. por acre, o mode- lo de taxa sugerido terá valores zero fora desses dois limites. Em al- gumas modalidades, um único modelo é misturado com a tolerância do usuário para determinar 1340 uma taxa de distribuição sugerida usando as técnicas aqui descritas. Em outras modalidades, vários mo- delos de processo, modelos estatísticos e outros modelos são usados em combinação para produzir a sugestão.
[00128] Conforme discutido aqui, em algumas modalidades, a distri- buição sugerida é determinada 1340 usando-se a atualização bayesi- ana. A taxa sugerida, em algumas modalidades, será o modo da distri- buição de probabilidade associada. O modo é o valor mais provável na distribuição. Outras técnicas também podem ser usadas, tais como a determinação da média da distribuição de probabilidade e a disponibi- lização, como taxa sugerida, das informações sobre a distribuição, o limite inferior da distribuição, o limite superior da distribuição, os per- centis específicos da distribuição, o modo ou a média e similares.
[00129] Conforme discutido aqui em algumas modalidades, se, por exemplo, os resultados dos modelos numéricos forem distribuições normais ou algo similar e os parâmetros de confiança que controlam a distribuição das distribuições forem representados com parâmetros na distribuição normal, as distribuições de probabilidade poderão ser combinadas através da atualização bayesiana, na qual as tolerâncias do usuário são tratadas como distribuição anterior e os modelos de taxa são tratados como os dados.
[00130] Em algumas modalidades, se a taxa de distribuição sugerida estiver fora das tolerâncias do usuário, a taxa sugerida poderá ser limi- tada nas tolerâncias inferiores e superiores do usuário (por exemplo, um intervalo de tolerância ou zona de tolerância). Em algumas modali- dades, tanto a taxa sugerida com restrição quanto a taxa sugerida sem restrição podem ser fornecidas ao usuário. Por exemplo, se a tolerân- cia inferior do usuário for de 130 lbs. por acre e a taxa sugerida for de 160 lbs. por acre, então os 130 lbs. por acre poderão ser retornados em resposta à solicitação original. Além disso, a taxa sem restrição (neste exemplo, 160 lbs.) também poderá ser enviada em resposta à solicitação original com uma indicação de que ela não representa a sugestão verdadeira, mas sim a combinação dos modelos.
[00131] Após a determinação 1340 do modelo sugerido de distribui- ção e da taxa sugerida com base na mistura das tolerâncias do usuá- rio com os outros modelos, a taxa sugerida é fornecida 1350 em res- posta à solicitação original recebida em 1310. Em algumas modalida- des, o modelo de taxa de distribuição sugerido também pode ser for- necido 1350 em resposta à solicitação original. Por exemplo, a respos- ta pode incluir apenas a taxa sugerida (por exemplo, 130 lbs. /acre) ou pode incluir a taxa sugerida e um resumo do modelo sugerido de dis- tribuição junto com essa taxa. A sugestão pode ser enviada em qual- quer forma apropriada, como uma resposta a uma chamada de API, um fluxo HTTP ou HTTPS, um fluxo SSL ou TCPIP e/ou similares. Se- guindo para a figura 1, a sugestão pode ser enviada do sistema de combinação de modelos 1130 para o usuário 102.
[00132] Em algumas modalidades, a commodity distribuída em cam-
po pode ser distribuída 1360 com base pelo menos em parte na taxa sugerida. Por exemplo, a taxa sugerida pode ser usada por um meca- nismo (tal como o aparelho agrícola 111 ou um dispositivo fixado a ele) para controlar a distribuição da commodity distribuída em campo no campo específico. Por exemplo, equipamentos agrícolas, como um trator, que distribuem nitrogênio podem ser controlados, pelo menos em parte, com base na taxa sugerida da commodity distribuída em campo. Em algumas modalidades, conforme discutido aqui, um usuá- rio pode primeiramente rever a taxa sugerida antes de controlar o equipamento agrícola a fim de distribuir a commodity distribuída em campo.
[00133] Em algumas modalidades, não descritas na figura 13, o mo- delo de taxa sugerido pode ser redimensionado modo que ele fique completamente dentro da faixa de tolerância do usuário. Por exemplo, um modelo de taxa pode ser determinado por dois ou mais modelos estatísticos, modelos de processo etc. usando as técnicas aqui descri- tas. O modelo de taxa sugerido pode então ser determinado redimen- sionando-se o modelo de taxa combinado, determinado com base nas tolerâncias do usuário para produzir um modelo de taxa sugerido.
4.0. EXTENSÕES E ALTERNATIVAS
[00134] Na especificação anterior, foram descritas as modalidade da invenção com referência a inúmeros detalhes específicos que podem variar de implementação para implementação. Desse modo, as espe- cificações e os desenhos devem ser considerados de forma ilustrativa, e não restritiva. O único indicador do escopo da invenção, e do que os requerentes pretendem que seja o escopo da invenção, é a abrangên- cia literal e equivalente do conjunto de reivindicações derivadas deste pedido de patente, em sua forma específica e incluindo qualquer cor- reção subsequente.
Claims (33)
1. Método implantado em computador, caracterizado pelo fato de que compreende: receber uma solicitação de previsões de crescimento para uma ou mais regiões no âmbito de uma operação em crescimento; receber taxas de tolerância específicas do usuário para uma commodity distribuível para cada região dentre uma ou mais regi- ões; determinar taxas recomendadas para a commodity distribu- ível, geradas cientificamente, para cada região em uma ou mais regi- ões; determinar taxas de prescrição para a commodity distribuí- vel para cada região dentre uma ou mais regiões, com base pelo me- nos em parte nas taxas de tolerância específicas do usuário e nas ta- xas recomendadas cientificamente geradas; determinar, com base em simulações meteorológicas, esti- mativas de risco meteorológico para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuário; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de risco meteorológico para cada região em uma ou mais regiões.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: causar a exibição, em uma interface de usuário de um dis- positivo de usuário, de uma tabela que inclui as estimativas de risco meteorológico para cada região em uma ou mais regiões.
3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: causar a exibição, em uma interface de usuário de um dis-
positivo de usuário, de uma representação gráfica das estimativas de risco meteorológico para cada região em uma ou mais regiões.
4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: determinar estimativas de custos para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuário; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de custos para cada região em uma ou mais re- giões.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: determinar, com base em simulações meteorológicas, esti- mativas de produtividade para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuá- rio; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de produtividade para cada região em uma ou mais regiões.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber uma taxa de encomenda para encomendar a com- modity distribuível, sendo a taxa de encomenda para encomendar a commodity distribuível determinada com base pelo menos em parte nas estimativas de risco meteorológico, nas taxas de tolerância espe- cíficas do usuário e nas taxas de prescrição; encomendar a commodity distribuível com base na taxa de encomenda para a commodity distribuível.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende:
determinar um diferencial de custo para cada região dentre uma ou mais regiões, com base pelo menos em parte em uma estima- tiva de custo para a taxa de tolerância específica do usuário para a região e em uma estimativa de custo para a taxa de prescrição reco- mendada gerada cientificamente; retornar, em resposta à solicitação de previsões de cresci- mento, o diferencial de custo para cada região dentre uma ou mais re- giões.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber uma indicação para separar uma determinada regi- ão em várias sub-regiões; determinar as várias sub-regiões com base na indicação para separar a região específica em várias sub-regiões.
9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: receber uma zona de tolerância global específica do usuá- rio para a commodity distribuível para a operação em crescimento; determinar a zona de tolerância específica do usuário para cada região dentre uma ou mais regiões com base pelo menos em parte na zona de tolerância global específica do usuário para a com- modity distribuível para a operação em crescimento.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que ainda compreende: receber uma indicação para alterar a taxa de tolerância es- pecífica do usuário para uma determinada região dentre uma ou mais regiões; modificar a taxa de tolerância específica do usuário para a região específica com base na indicação.
11. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: determinar, para cada região dentre uma ou mais regiões, uma prescrição de taxa mínima e uma prescrição de taxa máxima para a commodity distribuível, com base pelo menos em parte na taxa de tolerância específica do usuário correspondente e na taxa recomenda- da cientificamente gerada correspondente.
12. Meio de armazenamento não transitório, que contém instruções de programa, caracterizado pelo fato de que ao ser execu- tado por um ou mais dispositivos de computação, acarreta execução de método que compreende as etapas para: receber uma solicitação de previsões de crescimento para uma ou mais regiões no âmbito de uma operação em crescimento; receber taxas de tolerância específicas do usuário para uma commodity distribuível para cada região dentre uma ou mais regi- ões; determinar taxas recomendadas para a commodity distribu- ível, geradas cientificamente, para cada região em uma ou mais regi- ões; determinar taxas de prescrição para a commodity distribuí- vel para cada região dentre uma ou mais regiões, com base pelo me- nos em parte nas taxas de tolerância específicas do usuário e nas ta- xas recomendadas cientificamente geradas; determinar, com base em simulações meteorológicas, esti- mativas de risco meteorológico para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuário; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de risco meteorológico para cada região na uma ou mais regiões.
13. Meio de armazenamento não transitório, de acordo com a reivindicação 12, caracterizado pelo fato de que o método ainda compreende: causar a exibição, em uma interface de usuário de um dis- positivo de usuário, de uma tabela que inclui as estimativas de risco meteorológico para cada região em uma ou mais regiões.
14. Meio de armazenamento não transitório, de acordo com a reivindicação 12, caracterizado pelo fato de que o método ainda compreende: causar a exibição, em uma interface de usuário de um dis- positivo de usuário, de uma representação gráfica das estimativas de risco meteorológico para cada região na uma ou mais regiões.
15. Meio de armazenamento não transitório, de acordo com a reivindicação 12, caracterizado pelo fato de que o método ainda compreende: determinar estimativas de custos para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuário; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de custos para cada região em uma ou mais re- giões.
16. Meio de armazenamento não transitório, de acordo com a reivindicação 12, caracterizado pelo fato de que o método ainda compreende: determinar, com base em simulações meteorológicas, esti- mativas de produtividade para cada região dentre uma ou mais regiões para cada taxa de prescrição e taxa de tolerância específica do usuá- rio; retornar, em resposta à solicitação de previsões de cresci- mento, as estimativas de produtividade para cada região na uma ou mais regiões.
17. Meio de armazenamento não transitório, de acordo com a reivindicação 12, caracterizado pelo fato de que o método ainda compreende: receber uma taxa de encomenda para encomendar a com- modity distribuível, sendo a taxa de encomenda para encomendar a commodity distribuível determinada com base pelo menos em parte nas estimativas de risco meteorológico, nas taxas de tolerância espe- cíficas do usuário e nas taxas de prescrição; encomendar a commodity distribuível com base na taxa de encomenda para a commodity distribuível.
18. Método implantado em computador, caracterizado pelo fato de que compreende: receber, usando um ou mais dispositivos de computação, uma solicitação de uma taxa de distribuição sugerida para uma com- modity distribuída em campo de uma determinada área geográfica; determinar, usando um ou mais dispositivos de computa- ção, dois ou mais modelos de taxas para a distribuição da commodity distribuída no campo em determinada área geográfica, cada modelo de taxa incluindo uma distribuição numérica, em que um modelo de taxa dos dois ou mais modelos de taxa é um modelo de tolerância do usuário para a aplicação da commodity específica distribuída no cam- po da área geográfica específica que inclui um limite inferior e um limi- te superior e uma distribuição entre o limite inferior e o limite superior; determinar, usando um ou mais dispositivos de computa- ção, a taxa de distribuição sugerida para a commodity específica dis- tribuída no campo da área geográfica executando a atualização baye- siana, em que o modelo de tolerância do usuário é tratado como uma distribuição anterior e as distribuições para cada um dos outros mode- los de taxa dos dois ou mais modelos de taxa para a distribuição da commodity específica distribuída no campo da área geográfica são tra-
tadas como dados de entrada na atualização bayesiana; fornecer, usando um ou mais dispositivos de computação, a taxa de distribuição sugerida para a commodity específica distribuída no campo da área geográfica específica em resposta à solicitação re- cebido.
19. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que ainda compreende: a distribuição da commodity específica distribuída no campo da área geográfica específica, com base na taxa de distribuição sugerida para a commodity específica distribuída no campo da área geográfica espe- cífica.
20. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que ainda compreende: determinar a distribuição numérica de cada modelo nos dois ou mais modelos de taxa com base na confiança no modelo de taxa, sendo uma distribuição mais ampla associada a uma menor con- fiança e uma distribuição mais estreita associada a uma maior confi- ança.
21. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que receber a solicitação da taxa de distribuição suge- rida para a commodity distribuída em campo particular na área geográ- fica específica compreende o recebimento da solicitação da taxa suge- rida para uma commodity distribuída no campo da área geográfica es- pecífica, selecionada a partir de uma lista de commodities distribuídas em campo que compreende: nitrogênio, potássio, fósforo, sementes, enxofre, cálcio, magnésio, cobre, zinco, boro, molibdénio, ferro e man- ganês.
22. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que determinar, usando o um ou mais dispositivos de computação, a taxa de distribuição sugerida para a commodity especí-
fica distribuída no campo da área geográfica específica, executando a atualização bayesiana compreende a determinação de um modelo de distribuição de taxa sugerido para a distribuição da commodity especí- fica distribuída no campo da área geográfica específica que é zero abaixo do limite inferior do modelo de tolerância do usuário e zero acima do limite superior do modelo de tolerância do usuário.
23. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que um modelo de taxa nos dois ou mais modelos de taxa para distribuição da commodity específica distribuída no campo da área geográfica específica é selecionado a partir da lista que con- siste em um modelo de processo, um modelo observacional, um mo- delo de retorno máximo para o nitrogênio do estado de Iowa e um tes- te de nitrato de solo em pré-cobertura.
24. Método, de acordo com a reivindicação 18, caracteriza- do pelo fato de que ainda compreende a determinação do modelo de tolerância do usuário com base no limite inferior do modelo de tolerân- cia do usuário, no limite superior do modelo de tolerância do usuário e em um valor esperado do modelo de tolerância do usuário.
25. Método, de acordo com a reivindicação 24, caracteriza- do pelo fato de que determinar o modelo de tolerância do usuário compreende a determinação de uma distribuição beta redimensionada com base no limite inferior do modelo de tolerância do usuário, no limi- te superior do modelo de tolerância do usuário e no valor esperado do modelo de tolerância do usuário.
26. Meio de armazenamento não transitório, que contém instruções de programa, caracterizado pelo fato de que ao ser execu- tado por um ou mais dispositivos de computação, acarreta execução de método que compreende as etapas para: receber, usando um ou mais dispositivos de computação, uma solicitação de uma taxa de distribuição sugerida para uma com-
modity distribuída no campo de uma área geográfica específica; determinar, usando o um ou mais dispositivos de computa- ção, dois ou mais modelos de taxas para a distribuição da commodity distribuída no campo em determinada área geográfica, cada modelo de taxa incluindo uma distribuição numérica, em que um modelo de taxa dos dois ou mais modelos de taxa é um modelo de tolerância do usuário para a aplicação da commodity específica distribuída no cam- po da área geográfica específica que inclui um limite inferior e um limi- te superior e uma distribuição entre o limite inferior e o limite superior; determinar, usando o um ou mais dispositivos de computa- ção, a taxa de distribuição sugerida para a commodity distribuída no campo da área geográfica específica executando a atualização baye- siana, com o modelo de tolerância do usuário sendo tratado como dis- tribuição anterior e as distribuições para cada um dos outros modelos de taxa dos dois ou mais modelos de taxa para distribuição da com- modity específica distribuída no campo da área geográfica específica são tratadas como dados de entrada na atualização bayesiana; fornecer, usando um ou mais dispositivos de computação, a taxa de distribuição sugerida para a commodity específica distribuída no campo da área geográfica específica em resposta à solicitação re- cebido.
27. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que ainda compreende: a distribuição da commodity específica distribuída no cam- po da área geográfica específica, com base na taxa de distribuição su- gerida para a commodity específica distribuída no campo da área geo- gráfica específica.
28. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que ainda compreende: determinar a distribuição numérica de cada modelo nos dois ou mais modelos de taxa com base na confiança no modelo de taxa, sendo uma distribuição mais ampla associada a uma menor con- fiança e uma distribuição mais estreita associada a uma maior confi- ança.
29. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que o recebimento da solicitação da taxa de distribuição sugerida para a commodity específi- ca distribuída no campo da área geográfica específica compreende o recebimento da solicitação da taxa sugerida para a área geográfica específica de uma commodity distribuída em campo, selecionada a partir de uma lista de commodities distribuídas em campo que com- preende: nitrogênio, potássio, fósforo, sementes, enxofre, cálcio, mag- nésio, cobre, zinco, boro, molibdénio, ferro e manganês.
30. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que determinar, usando um ou mais dispositivos de computação, a taxa de distribuição sugeri- da para a commodity específica distribuída no campo da área geográ- fica específica por meio da atualização bayesiana inclui a determina- ção de um modelo de distribuição de taxa sugerido para a distribuição da commodity específica distribuída no campo da área geográfica es- pecífica que é zero abaixo do limite inferior do modelo de tolerância do usuário e zero acima do limite superior do modelo de tolerância do usuário.
31. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que um modelo de taxa nos dois ou mais modelos de taxa para a distribuição da commodity distribuída no campo específico na área geográfica específica é sele- cionado a partir da lista que consiste em um modelo de processo, um modelo observacional, um modelo de retorno máximo para o nitrogê- nio do estado de Iowa e um teste de nitrato de solo em pré-cobertura.
32. Meio de armazenamento não transitório, de acordo com a reivindicação 26, caracterizado pelo fato de que ainda compreende: determinar o modelo de tolerância do usuário com base no limite inferior do modelo de tolerância do usuário, no limite superior do modelo de tolerância do usuário e em um valor esperado do modelo de tolerância do usuário.
33. Meio de armazenamento não transitório, de acordo com a reivindicação 32, caracterizado pelo fato de que determinar o modelo de tolerância ao usuário compreende a determinação de uma distribui- ção beta redimensionada com base no limite inferior do modelo de to- lerância ao usuário, no limite superior do modelo de tolerância ao usu- ário e no valor esperado do modelo de tolerância ao usuário.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862734843P | 2018-09-21 | 2018-09-21 | |
| US62/734,843 | 2018-09-21 | ||
| PCT/US2019/051843 WO2020061263A1 (en) | 2018-09-21 | 2019-09-19 | Tunable models for distributed commodities in agriculture |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021004772A2 true BR112021004772A2 (pt) | 2021-08-03 |
Family
ID=69887839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021004772-7A BR112021004772A2 (pt) | 2018-09-21 | 2019-09-19 | modelos ajustáveis para commodities distribuídas na agricultura |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP3853687A4 (pt) |
| AR (1) | AR116477A1 (pt) |
| BR (1) | BR112021004772A2 (pt) |
| CA (1) | CA3112930A1 (pt) |
| WO (1) | WO2020061263A1 (pt) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7047133B1 (en) * | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
| US20060282294A1 (en) * | 2005-06-09 | 2006-12-14 | Mccomb Shawn J | Supplemental crop insurance and method for providing risk protection to a grower |
| US11080798B2 (en) * | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
| WO2016127094A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US11062223B2 (en) * | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
| US10529036B2 (en) * | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
| US10719638B2 (en) * | 2016-08-11 | 2020-07-21 | The Climate Corporation | Delineating management zones based on historical yield maps |
| US10398096B2 (en) * | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
-
2019
- 2019-09-19 EP EP19862814.1A patent/EP3853687A4/en not_active Withdrawn
- 2019-09-19 WO PCT/US2019/051843 patent/WO2020061263A1/en unknown
- 2019-09-19 BR BR112021004772-7A patent/BR112021004772A2/pt unknown
- 2019-09-19 CA CA3112930A patent/CA3112930A1/en active Pending
- 2019-09-20 AR ARP190102688A patent/AR116477A1/es unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP3853687A4 (en) | 2022-11-09 |
| EP3853687A1 (en) | 2021-07-28 |
| CA3112930A1 (en) | 2020-03-26 |
| WO2020061263A1 (en) | 2020-03-26 |
| AR116477A1 (es) | 2021-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11797901B2 (en) | Digital modeling of disease on crops on agronomics fields | |
| US11557116B2 (en) | Generating pixel maps from non-image data and difference metrics for pixel maps | |
| CA3099552C (en) | Analysis and presentation of agricultural data | |
| 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 | |
| BR112021007682A2 (pt) | detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas | |
| US10684612B2 (en) | Agricultural management recommendations based on blended model | |
| BR112020009205A2 (pt) | seleção de sementes híbridas e otimização de portfólio de sementes por campo | |
| US11596119B2 (en) | Digital nutrient models using spatially distributed values unique to an agronomic field | |
| US11796970B2 (en) | Utilizing spatial statistical models for implementing agronomic trials | |
| CN114846431A (zh) | 基于条件数据文件生成来生成用于农业数据分析的田地区域的方法 | |
| US20220301080A1 (en) | Determining uncertainty of agronomic predictions | |
| BR112021004772A2 (pt) | modelos ajustáveis para commodities distribuídas na agricultura | |
| US20200097987A1 (en) | Tunable models for distributed commodities in agriculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |