BR112021007121A2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- BR112021007121A2 BR112021007121A2 BR112021007121-0A BR112021007121A BR112021007121A2 BR 112021007121 A2 BR112021007121 A2 BR 112021007121A2 BR 112021007121 A BR112021007121 A BR 112021007121A BR 112021007121 A2 BR112021007121 A2 BR 112021007121A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- field
- digital
- product
- date
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000009313 farming Methods 0.000 title claims abstract description 7
- 238000003306 harvesting Methods 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims abstract description 107
- 238000003860 storage Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 31
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 110
- 229910052757 nitrogen Inorganic materials 0.000 claims description 55
- 238000004891 communication Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 21
- 238000013515 script Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004883 computer application Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000037406 food intake Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 45
- 239000002689 soil Substances 0.000 description 44
- 230000035882 stress Effects 0.000 description 43
- 230000009418 agronomic effect Effects 0.000 description 37
- 230000008569 process Effects 0.000 description 36
- 238000005457 optimization Methods 0.000 description 28
- 230000003068 static effect Effects 0.000 description 28
- 238000012549 training Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 18
- 235000013339 cereals Nutrition 0.000 description 16
- 238000005259 measurement Methods 0.000 description 14
- 238000001556 precipitation Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000013479 data entry Methods 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 12
- 238000013459 approach Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 240000008042 Zea mays Species 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000035558 fertility Effects 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 238000013439 planning Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000006735 deficit Effects 0.000 description 6
- 230000008646 thermal stress Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003971 tillage Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008642 heat stress Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008641 drought stress Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000013340 harvest operation Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000012794 pre-harvesting Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101100069231 Caenorhabditis elegans gkow-1 gene Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003221 ear drop Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000855 fungicidal effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Environmental Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
Abstract
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.
A presente invenção refere a se a modalidades que geram planos digitais
para aplicação em campos agrícolas. Refere-se a método, sistema, e
dispositivos (de meio de armazenamento) em computador. Em uma
modalidade, um modelo recebe entradas digitais, incluindo dados de risco
de estresse, dados de maturidade do produto, dados de localização de
campo, dados de data de plantio e/ou dados de data de colheita. O modelo
correlaciona matematicamente conjuntos de entradas digitais com dados
de limiar associados aos dados de risco de estresse. O modelo é usado
para gerar dados de predição de risco de estresse para um conjunto de
combinações de maturidade de produto e localização de campo. Em um plano
digital, dados de maturidade do produto ou dados de data de plantio ou
dados de data de colheita ou dados de localização de campo podem ser
ajustados com base nos dados de predição de risco de estresse. Um plano
digital pode ser transmitido para um dispositivo de computação de
gerenciamento de campo. Um aparelho agrícola pode ser movido em resposta
a um plano digital.
Description
Relatório Descritivo da Patente de Invenção para "USO
[0001] Uma parte da divulgação deste documento de patente con- tém material que está sujeito à proteção de direitos autorais. O proprie- tário dos direitos autorais não tem objeções à reprodução por fac- símile do documento de patente ou à divulgação da patente, conforme aparece no arquivo ou registros de patente do Patent and Trademark Office, mas, de outra forma, reserva-se todos os direitos autorais ou quaisquer direitos. O 2015-2019 The Climate Corporation.
[0002] A presente divulgação se refere a sistemas de inteligência agrícola e, mais particularmente, a tecnologias para gerar planos digi- tais para operações agrícolas.
[0003] Os produtores agrícolas frequentemente se referem a pa- drões históricos espaciais-temporais de operações de plantio e colhei- ta na determinação de planos para as safras subsequentes. Por exemplo, os planos de plantio podem incluir alocações de produtos agrícolas aos campos de uma operação agrícola do produtor e um programa correspondente de épocas de plantio e colheita . Planos de plantio são frequentemente concebidos para maximizar o rendimento, garantindo que os produtos são plantados e colhidos dentro de uma janela de tempo específica. Um plano de plantio pode incluir uma pro- gramação de produtos a serem plantados após uma data de geada na primavera e colhidos antes de uma data de geada de outono, por exemplo.
[0004] Planos digitais de plantio foram gerados e exibidos por apli- cativos móveis, como CLIMATE FIELDVIEW, que se tornou disponível comercialmente da The Climate Corporation, San Francisco, Califór- nia.
[0005] As abordagens descritas nesta seção são abordagens que poderiam ser perseguidas, mas não necessariamente abordagens que foram concebidas ou perseguidas anteriormente. Portanto, a menos que indicado de outra forma, não deveria ser presumido que qualquer uma das abordagens descritas nesta seção se qualifica como técnica anterior meramente em virtude de sua inclusão nesta seção.
[0006] As reivindicações anexas podem servir como um sumário da divulgação.
BREVE DESCRIÇÃO DOS DESENHOS Nos desenhos:
[0007] A FIG. 1 ilustra um exemplo de sistema de computador que está configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.
[0008] A FIG. 2 ilustra duas visualizações de um exemplo de orga- nização lógica de conjuntos de instruções na memória principal quan- do um exemplo de aplicativo móvel é carregado para execução.
[0009] A FIG. 3 ilustra um processo programado pelo qual o siste- ma de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados agronômicos fornecidos por uma ou mais fontes de dados.
[0010] A FIG. 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser imple- mentada.
[0011] A FIG. 5 representa um exemplo de modalidade de uma visualização de linha do tempo para entrada de dados.
[0012] A FIG. 6 representa um exemplo de modalidade de uma visualização de planilha para entrada de dados.
[0013] A FIG. 7A ilustra um fluxo de dados em um sistema de computador distribuído, que pode ser usado como uma base para pro- gramação de um processo de predição do teor de umidade da colhei- ta.
[0014] A FIG. 7B ilustra um fluxo de realimentação de dados que pode ser usado em algumas modalidades para melhorar a saída da FIG. 7A durante uma estação de cultivo.
[0015] FIG. 7C ilustra fluxos de dados em modalidades implemen- tadas por computador que usam um modelo de fertilidade como uma ferramenta para obter certos dados para treinar o modelo de aprendi- zado por máquina da FIG. 7A.
[0016] A FIG. 7D ilustra um processo de geração de um conjunto de valores de dados para os quais a colheita é recomendada, de acor- do com uma modalidade.
[0017] A FIG. 8 ilustra a importância relativa das características no treinamento do modelo de aprendizado por máquina da FIG. 7A, com base em um estudo de um modelo real de aprendizado por máquina após o treinamento em milhares de pontos de dados dos tipos que fo- ram especificados.
[0018] A FIG. 9 ilustra um exemplo de gráfico de predição de da- dos de saída que podem ser gerados em uma modalidade.
[0019] A FIG. 10 ilustra exemplos de modelos matemáticos que podem ser implementados em implementações de programas de com- putador, como o modelo de aprendizado por máquina da FIG. 7A.
[0020] A FIG. 11 (a) ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um plano digital de plantio.
[0021] A FIG. 11 (b) ilustra um exemplo de modelo preditivo.
[0022] As FIG. 12 (a) e FIG. 12 (b) delineiam duas vistas de um exemplo de plano digital de plantio.
[0023] As FIG. 13 (a), FIG. 13 (b) e FIG. 13 (c) delineiam várias vistas de outro exemplo de plano digital de plantio.
[0024] As FIG. 14 (a), FIG. 14 (b), FIG. 14 (c), FIG. 14 (d), FIG. 14 (e) delineiam vários outros exemplos de vistas de planos digitais de plantio.
[0025] Na descrição a seguir, para fins de explicação, inúmeros detalhes específicos são apresentados para fornecer um entendimento completo da presente divulgação. Será evidente, no entanto, que mo- dalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são mostrados na forma de diagrama de blocos, a fim de evitar obscurecer desneces- sariamente a presente divulgação. As modalidades são divulgadas em seções de acordo com o seguinte esboço:
1. VISÃO GERAL
2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA
2.1. VISÃO GERAL ESTRUTURAL
2.2. VISÃO GERAL DO PROGRAMA DE APLICATIVO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELO
AGRONÔMICO 2,5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE
3. EXEMPLOS DE PREDIÇÃO DE UMIDADE DA COLHEITA
3.1. EXEMPLO DE MODELOS HOW
4. EXEMPLO DE GERAÇÃO DE PLANO DIGITAL
4.1 VISÃO GERAL DO PROCESSO
4.2 VISÃO GERAL DE CLASSIFICAÇÃO DO MODELO
4.3 USO DE CASO - CRIAÇÃO E AJUSTE DE PLANOS DIGITAIS
4.4 EXEMPLO DE MODELOS POW 5 . EXEMPLOS ADICIONAIS
6. BENEFÍCIOS, EXTENSÕES E ALTERNATIVAS
1. VISÃO GERAL
[0026] Incertezas climáticas, ambientais e operacionais podem afetar o rendimento real colhido que resulta de um plano de outra for- ma adequadamente projetado e executado. Pesquisas recentes mos- traram que, como resultado dessas incertezas, perdas de rendimento são comuns na época da colheita, mesmo quando um produto foi plan- tado dentro de uma janela de tempo desejada e evitou com sucesso os riscos de estresse durante os estágios de cultivo pré-colheita. À pesquisa mostrou que aproximadamente 80% dos produtores que usam softwares de planejamento agrícola de última geração perdem uma quantidade significativa de rendimento ao colher em condições mais secas (abaixo da umidade ideal para grãos).
[0027] Esta divulgação descreve tecnologias para abordar as defi- ciências do software de planejamento agrícola de última geração ge- rando computacionalmente planos digitais de plantio para melhorar e proteger o rendimento da colheita, melhorando a umidade do produto na colheita . Em uma modalidade, os planos digitais de plantio são cri- ados ou modificados para melhorar a probabilidade de que , quando um aparelho agrícola é feito para seguir o plano de plantio, um rendi- mento de colheita desejado venha resultar.
[0028] A umidade do produto no momento da colheita, ou umidade da colheita, é um determinante do volume de produção. A umidade do produto, conforme usada aqui, pode se referir à quantidade de umida- de medida contida em um item do produto que foi plantado em um campo; por exemplo , como uma porcentagem de umidade em peso de uma semente, um núcleo (núcleo) ou um grão, em um determinado estágio de desenvolvimento após o plantio e antes ou na época da co- lheita . Em uma modalidade, as tecnologias divulgadas criam ou modi- ficam um ou mais parâmetros de planos digitais de plantio com base em janelas de umidade de colheita previstas . Uma janela, conforme usado neste documento, pode se referir a um intervalo de tempo, co- mo um intervalo de datas, ou um número de dias ou meses, ou horá- rios de início e término . Por exemplo, uma janela de plantio pode se referir a uma faixa de dias durante a qual é recomendado que um pro- duto seja plantado em um campo particular ; uma janela de umidade de colheita pode se referir a uma faixa de datas durante a qual a umi- dade de um produto plantado é considerada desejável para a colheita, e uma janela de colheita pode se referir a uma faixa de datas durante a qual é recomendado que as operações de colheita sejam conduzidas para um produto específico e campo.
[0029] Modalidades das tecnologias divulgadas usam as janelas de umidade de colheita previstas para determinar uma probabilidade de que um produto plantado em um campo específico será colhido sob condições de umidade de colheita que são susceptíveis de produzir um rendimento desejado. Por outro lado , as tecnologias divulgadas podem usar as janelas de umidade da colheita previstas para determi- nar o risco de que o produto seja colhido em condições de umidade de colheita que provavelmente produzirão um rendimento inferior ao ideal.
[0030] Exemplos de parâmetros de planos digitais de plantio que podem ser ajustados usando predições geradas pelas tecnologias di- vulgadas incluem alocações de maturidades relativas aos campos ou distribuições de maturidade relativa , datas/horas de plantio e da- tas/horas de colheita .
[0031] As janelas de umidade da colheita são determinadas com-
putacionalmente. Em uma modalidade, tecnologias baseadas em aprendizado por máquina são aplicadas a combinações de dados ope- racionais históricos e/ou atualmente observados, dados meteorológi- cos, dados ambientais e dados de produto para gerar as janelas de umidade de colheita preditas para várias combinações de campo e produto.
[0032] Em uma modalidade, um plano de plantio é específico para um determinado campo agrícola de um determinado produtor. Em al- gumas modalidades, o plano de plantio inclui especificações de plantio e/ou colheita para vários campos, ou todos os campos, das operações agrícolas de um produtor. Modalidades de planos de plantio podem incluir carteira de produtos, por exemplo híbrido ou misturas de matu- ridade relativa, planos de plantio, e/ou planos de colheita; como tal, o termo " plano de plantio ", conforme usado neste documento, não está estritamente limitado a datas de plantio, mas pode incluir maturidades relativas, datas de colheita e outras informações associadas às opera- ções agrícolas.
[0033] Campo, conforme usado neste documento, pode se referir a uma extensão de terra delimitada, que pode ser definida por um con- junto de acres . Produto, conforme usado neste documento, pode se referir a um produto semente, como um híbrido. Operação agrícola, tal como aqui utilizado, pode se referir a vários campos, que podem ou não ser contíguos, nos quais produtos podem ser plantados e colhi- dos.
[0034] Em uma modalidade, vários produtos diferentes ou maturi- dades relativas podem ser cultivados e colhidos através de uma ope- ração agrícola e um subconjunto desses produtos ou maturidades rela- tivas podem ser cultivados em um determinado campo. Maturidade relativa, conforme usado neste documento, pode se referir a um valor de dados que indica um período de tempo após o qual um produto agrícola é considerado pronto para colheita. A maturidade relativa po- de ser medida em dias, por exemplo 105, 110, 115 ou 120 dias. Híbri- dos de sementes podem ser classificados por maturidade relativa, de modo que muitos híbridos, incluindo produtos concorrentes, podem estar associados a uma maturidade relativa particular. Assim, dados de maturidade relativa podem ser um critério que é usado para seleci- onar híbridos de sementes para incluir em um plano de plantio.
[0035] Em uma modalidade, as tecnologias divulgadas são usadas para gerar um plano estático de plantio com base em dados coletados antes do início do plantio , por exemplo, histórico do campo, safra e dados meteorológicos. Modalidades de plantio estático geradas pelas técnicas divulgadas incluem atribuição de maturidades relativas (RMs) a campos de uma operação agrícola, em que as atribuições de RMs a campos são concebidas para atingir uma umidade de colheita deseja- da. Outras modalidades de planos estáticos de plantio gerados pelas tecnologias divulgadas incluem atribuições de tempos de plantio a campos e combinações de produto para uma operação agrícola, em que a atribuição de tempos de plantio a campos é concebida para atingir umidades de colheita desejadas para os produtos a serem plan- tados.
[0036] Em uma modalidade, planos estáticos de plantio são atuali- zados de forma dinâmica, usando dados observados capturados du- rante a estação de cultivo, para considerar estresses devido a mudan- ças no clima, no meio ambiente, e/ou dados operacionais, que podem não ter sido considerados nos dados usados para gerar os planos es- táticos. Datas/horas de plantio, datas/horas de colheita e/ou atribui- ções de maturidade relativa de campo são exemplos de parâmetros de um plano digital de plantio que podem ser ajustados dinamicamente após a criação do plano estático.
2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA
2.1 VISÃO GERAL ESTRUTURAL
[0037] A FIG. 1 ilustra um exemplo de sistema de computador que está configurado para executar as funções descritas neste documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 detém, opera ou possui um dispositivo de computação de gerenciamento de campo 104 em um local de campo ou associado a um local de campo, como um campo destinado a atividades agrícolas ou um local de geren- ciamento para um ou mais campos agrícolas. O dispositivo de computa- dor de gerenciamento de campo 104 é programado ou configurado para fornecer dados de campo 106 para um sistema de computador de inte- ligência agrícola 130 por meio de uma ou mais redes 109.
[0038] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome de campo, identifica- dores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura e quaisquer outros dados adequados que podem ser usados para identificar terras agrícolas, como uma unidade de terra comum (CLU), número do lote e do bloco, um número da por- ção, coordenadas geográficas e limites, número de série da fazenda (FSN), número da fazenda, número do trato, número do campo, seção, município e/ou intervalo), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cultiva- da organicamente, data de colheita, histórico de produção real (APH), rendimento esperado, rendimento, preço de colheita, receita de colhei- ta, umidade de grãos, prática de cultivo, e informações da estação de cultivo anterior), (c) dados do solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC), (d) da- dos de plantio (por exemplo, data de plantio, tipo de semente (s) ), ma- turidade relativa (RM) de semente(s) plantada(s), população de se-
mentes), (e) dados de fertilizantes (por ex amplo, tipo de nutriente (ni- trogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quan- tidade, fonte, método), (f) dados de aplicação química (por exemplo, pesticidas, microbianos, outras substâncias ou misturas de substân- cias destinadas ao uso como um regulador de planta, desfolhante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, méto- do), (h) dados meteorológicos (por exemplo, precipitação, taxa de pre- cipitação, precipitação prevista, taxa de escoamento da água da regi- ão, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações de espectro de luz de um sensor de aparelho agrícola, câmera, computador, telefone inteligente, tablet, veículo aé- reo não tripulado, aviões ou satélite), (|) observações de patrulha (fo- tos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (atual e ao longo do tempo), umidade do solo, estágio de cultivo da cultura, velo- cidade do vento, umidade relativa, ponto de orvalho, camada preta)) e (k) solo, semente, fenologia da cultura, relatórios de pragas e doenças e fontes e bancos de dados de predições.
[0039] Um computador servidor de dados 108 é comunicativamen- te acoplado ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da (s) rede (s) 109. O computador servidor de dados externo 108 pode ser de propriedade ou operado pela mesma pessoa jurídica ou entidade que o sistema de computação de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como uma agência governamental, or- ganização não governamental (ONG) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteoro- lógicos, dados de imagens, dados do solo ou dados estatísticos relaci- onados à produtividade de culturas, entre outros. Dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo
106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externo 108 de propriedade da mesma enti- dade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que poderiam ser obtidos de outra forma de fon- tes de terceiros, como dados meteorológicos. Em algumas modalida- des, um servidor de dados externo 108 pode realmente ser incorpora- do dentro do sistema 130.
[0040] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados no mesmo, cujos sensores são comunicativamen- te acoplados direta ou indiretamente através do aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são progra- mados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos de aparelhos agrí- colas 111 incluem tratores, colheitadeiras-plantadeiras, colheitadeiras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aé- reos, incluindo veículos aéreos não tripulados, e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel, e que pode ser usado em tarefas associados à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados localmente em uma rede no aparelho; uma rede de área de controlador (CAN) é um exemplo de rede que pode ser instalada em colheitadeiras-plantadeiras colheita- deiras, pulverizadores e cultivadores. O controlador de aplicativo 114 é comunicativamente acoplado ao sistema de computador de inteligên-
cia agrícola 130 através da (s) rede (s) 109 e é programado ou confi- gurado para receber um ou mais scripts que são usados para controlar um parâmetro operacional de um veículo agrícola ou implemento do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para habilitar comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o CLIMATE FIELDVIEW DRIVE, disponível da The Climate Corporation, San Francisco, Califórnia, é usado. Os dados de sensor podem consis- tir no mesmo tipo de informação que os dados de campo 106. Em al- gumas modalidades, sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem estar localizados remotamente no campo e podem se comunicar com a rede 109.
[0041] O aparelho 111 pode compreender um computador de ca- bine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variante do aplicativo móvel para o dis- positivo 104 que é ainda descrito em outras seções neste documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, muitas vezes um computador do tamanho de um tablet ou telefone inteligente, com um mostrador de tela gráfica, como um mostrador colorido, que é montado dentro de uma cabine de operador do aparelho 111. O computador de cabine 115 pode imple- mentar algumas ou todas as operações e funções que são descritas mais adiante neste documento para o dispositivo de computador móvel 104
[0042] A(s) rede(s) 109 amplamente representam qualquer combi- nação de uma ou mais redes de comunicação de dados, incluindo re- des de área local, redes de área ampla, redes internetworks ou inter- nets, usando qualquer enlace com ou sem fio, incluindo enlaces terres- tres ou de satélite. A(s) rede(s) podem ser implementadas por qual-
quer mídia ou mecanismo que proporcione a troca de dados entre os vários elementos da FIG.1. Os vários elementos da FIG. 1 também podem ter enlaces de comunicação diretos (com ou sem fio). Os sen- sores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema, cada um compreende uma interface compatível com a (s) rede (s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das re- des, como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, como HTTP TLS e semelhantes.
[0043] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 do dis- positivo de computação de gerenciamento de campo 104, dados ex- ternos 110 do computador servidor de dados externo 108 e dados de sensor do sensor remoto 112. O sistema de computador de inteligên- cia agrícola 130 pode ainda ser configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada, tal como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar a tradução e ar- mazenamento de valores de dados, construção de modelos digitais de uma ou mais culturas em um ou mais campos, geração de recomen- dações e notificações e geração e envio de scripts para o controlador de aplicativo 114, na maneira descrita mais adiante em outras seções desta divulgação.
[0044] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado com, ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de ge- renciamento de dados 140, camada de hardware/virtualização 150 e modelo e repositório de dados de campo 160. "Camada", neste con- texto, se refere a qualquer combinação de circuitos eletrônicos de in- terface digital, microcontroladores, firmware, como drivers e/ou pro-
gramas de computador ou outros elementos de software.
[0045] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, in- cluindo o envio de solicitações ao dispositivo de computação de ge- renciamento de campo 104, computador servidor de dados externo 108 e sensor remoto 112 para dados de campo, dados externos e da- dos de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o modelo e repositório de dados de campo 160 para serem armazena- dos como dados de campo 106.
[0046] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exibida no dispositivo de computação de gerenciamento de campo 104, computador de cabine 115 ou outros computadores que estão acoplados ao sistema 130 através da rede 109. A GUI pode compre- ender controles para inserir dados a serem enviados ao sistema de computador de inteligência agrícola 130, gerando solicitações de mo- delos e/ou recomendações e/ou exibindo recomendações, notificações , modelos e outros dados de campo.
[0047] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar operações de leitura e grava- ção envolvendo o repositório 160 e outros elementos funcionais do sis- tema, incluindo consultas e conjuntos de resultados comunicados en- tre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem código de interface do servidor JDBC SQL e/ou código de interface HADOOP, entre ou- tros. O repositório 160 pode compreender um banco de dados. Con- forme usado neste documento, o termo "banco de dados" pode se re- ferir a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado neste docu-
mento, um banco de dados pode compreender qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados rela- cionais, bancos de dados de arquivo simples, bancos de dados relaci- onais de objetos, bancos de dados orientados para objetos, bancos de dados distribuídos e qualquer outra coleção estruturada de registros ou dados armazenados em um sistema de computador. Exemplos de RDBMSs incluem, mas não estão limitados a incluir, ORACLE Q MYSQL, IBM & DB2, MICROSOFTO SQL SERVER, SYBASEO e ban- cos de dados POSTGRESQL. No entanto, pode ser usado qualquer banco de dados que permita os sistemas e métodos descritos neste documento.
[0048] Quando dados de campo 106 não são fornecidos direta- mente para o sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquina agrí- cola que interagem com o sistema de computador de inteligência agrí- cola, o usuário pode ser solicitado por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de compu- tador de inteligência agrícola) para inserir essas informações. Em um exemplo de modalidade, o usuário pode especificar dados de identifi- cação acessando um mapa no dispositivo de usuário (servido pelo sis- tema de computador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma mo- dalidade alternativa, o usuário 102 pode especificar os dados de identi- ficação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e traçando limites do campo sobre o mapa. Essa seleção de CLU ou desenhos de ma- pas representam identificadores geográficos. Em modalidades alterna- tivas, o usuário pode especificar dados de identificação acessando da- dos de identificação de campo (fornecidos como arquivos de formato ou em um formato semelhante) da Agência de Serviços Agrícolas do
Departamento de Agricultura dos EUA, ou outra fonte, por meio do dispositivo de usuário e fornecendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[0049] Em um exemplo de modalidade, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibi- ção de uma interface gráfica de usuário que compreende um gerenci- ador de dados para entrada de dados. Após um ou mais campos te- rem sido identificados usando os métodos descritos acima, o gerenci- ador de dados pode fornecer um ou mais widgets de interface gráfica do usuário que, quando selecionados, podem identificar mudanças no campo, solo, safras, culturas ou práticas de nutrientes. O gerenciador de dados pode incluir uma visão de linha do tempo, uma visão de pla- nilha e/ou um ou mais programas editáveis.
[0050] A FIG. 5 delineia um exemplo de modalidade de uma visua- lização de linha de tempo para entrada de dados. Usando o mostrador delineado na FIG. 5, um computador de usuário pode inserir uma sele- ção de um campo específico e uma data específica para a adição de evento. Os eventos delineados no topo da linha do tempo podem inclu- ir nitrogênio, plantio, práticas e solo. Para adicionar um evento de apli- cação de nitrogênio, um computador de usuário pode fornecer entrada para selecionar a aba de nitrogênio. O computador de usuário pode, então, selecionar um local na linha de tempo para um campo especiífi- co, a fim de indicar uma aplicação de nitrogênio no campo seleciona- do. Em resposta ao recebimento de uma seleção de um local na linha de tempo para um campo específico, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o com- putador de usuário insira dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavou- ra, práticas de irrigação, ou outras informações relacionadas ao campo específico. Por exemplo, se um computador de usuário seleciona uma parte da linha de tempo e indica uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e qualquer outra informação relacionada à aplicação de nitrogênio.
[0051] Em uma modalidade, o gerenciador de dados fornece uma interface para a criação de um ou mais programas. "Programa", neste contexto, se refere a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações que podem es- tar relacionadas a um ou mais campos e que podem ser armazenadas em armazenamento de dados digitais para reutilização como um con- junto em outras operações. Após um programa ter sido criado, ele po- de ser conceitualmente aplicado a um ou mais campos, e referências ao programa podem ser armazenadas em armazenamento digital em associação com dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relativos às mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuá- rio pode criar um programa que indica uma aplicação particular de ni- trogênio e, em seguida, aplicar o programa a vários campos diferentes. Por exemplo, na vista de linha de tempo da FIG. 5, as duas linhas de tempo de topo têm o programa "Primavera aplicada" selecionado, que inclui uma aplicação de 150 libras N/ac no início de abril. O gerencia- dor de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é editado, cada campo que selecionou o programa particular é editado. Por exemplo, na FIG. 5, se o programa "Primavera aplicada" for editado para reduzir a aplicação de nitrogênio para 130 lIbs N/ac, os dois campos superio- res podem ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[0052] Em uma modalidade, em resposta ao recebimento de edi- ções para um campo que tem um programa selecionado, o gerencia- dor de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicio- nada ao campo superior na FIG. 5, a interface pode ser atualizada pa- ra indicar que o programa "Primavera aplicada" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no iní- cio de abril possa permanecer, as atualizações para o programa "Pri- mavera aplicada" não alterariam a aplicação de nitrogênio em abril.
[0053] A FIG. 6 delineia um exemplo de modalidade de uma visua- lização de planilha para entrada de dados. Usando o mostrador deli- neado na FIG. 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação ao nitrogênio, plantio, práticas e solo, conforme delineado na FIG. 6. Para editar uma entrada específica, um computador do usuário pode selecionar a entrada específica na plani- lha e atualizar os valores. Por exemplo, a FIG. 6 delineia uma atualiza- ção em andamento para um valor de rendimento alvo para o segundo campo. Além disso, um computador do usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao re- cebimento de uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as entradas para o campo particular com base no programa selecionado. Tal como acontece com a visualização da linha do tempo, o gerenciador de da- dos pode atualizar as entradas para cada campo associado a um pro- grama específico em resposta ao recebimento de uma atualização do programa. Além disso, o gerenciador de dados pode remover a cor- respondência do programa selecionado com o campo em resposta ao recebimento de uma edição em uma das entradas para o campo.
[0054] Em uma modalidade, os dados de modelo e de campo são armazenados no modelo e no repositório de dados de campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. " Modelo " , neste contexto, refere-se a um conjunto eletrônico digitalmente armazenado de instruções executá- veis e valores de dados, associados uns aos outros, que são capazes de receber e responder a uma chamada programática ou outra digital, invocação ou solicitação para resolução com base em valores de en- trada especificados, para produzir um ou mais valores de saída arma- zenados ou calculados que podem servir como base para recomenda- ções implementadas por computador, exibições de dados de saída ou controle de máquina, entre outras coisas. Pessoas com experiência na área acham conveniente expressar modelos usando equações mate- máticas, mas essa forma de expressão não confina os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo neste documento tem uma aplicação prática em um computador na forma de instruções e dados executáveis armazenados que implementam o mo- delo usando o computador. O modelo pode incluir um modelo de even- tos anteriores em um ou mais campos, um modelo do estado atual de um ou mais campos e/ou um modelo de eventos preditos em um ou mais campos. Dados de modelo e de campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos planos ou planilhas ou outras formas de dados digitais armazenados.
[0055] Em uma modalidade, instruções do plano de plantio 136 compreendem um conjunto de uma ou mais páginas da memória prin- cipal, como RAM, no sistema de computação de inteligência agrícola 130 ao qual instruções executáveis foram carregadas e que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações que são descritas neste do- cumento com referência a essas instruções . Por exemplo, as instru- ções do plano de plantio 136 podem compreender um conjunto de pá- ginas na RAM que contêm instruções que, quando executadas, fazem com que as funções do plano de plantio aqui descritas sejam executa- das. As instruções podem estar em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código-fonte escrito em JAVA, C, C ++, OBJECTIVE-C ou qualquer outra linguagem de programação ou ambiente legível por humanos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto-fonte de programação. O ter- mo " páginas " se destina a se referir amplamente a qualquer região dentro da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou arqui- tetura do processador. Em outra modalidade, as instruções do plano de plantio 136 também podem representar um ou mais arquivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou armazenamento em disco, no sistema de compução de inteligência agrícola 130 ou um sistema de repositório separado, que quando compilado ou interpretado causa a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações que são descri- tas neste documento com referência a esses módulos. Em outras pa- lavras, a figura do desenho pode representar a maneira pela qual os programadores ou desenvolvedores de software organizam e dispõe o código-fonte para posterior compilação em um executável, ou interpre- tação em bytecode ou equivalente, para execução pelo sistema de computação de inteligência agrícola 130.
[0056] Uma modalidade de instruções de plano de plantio 136 e sua operação são descritas em detalhes abaixo com referência às FIGS. 11-14.
[0057] Hardware/camada de virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sis- tema de computador, como memória volátil ou não volátil, armazena- mento não volátil, como disco, e dispositivos de 1/O ou interfaces con- forme ilustrado e descrito, por exemplo, em conexão com a FIG. 4. À camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou ou- tras tecnologias.
[0058] Para fins de ilustração de um exemplo claro, a FIG. 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 diferentes dispositivos de computação móvel 104 associa- dos a diferentes usuários. Além disso, o sistema 130 e /ou o computa- dor servidor de dados externo 108 podem ser implementados usando dois ou mais processadores, núcleos, clusters ou instâncias de máqui- nas físicas ou virtuais, configurados em um local discreto ou co- localizados com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nu- vem.
2.2. VISÃO GERAL DO PROGRAMA DE APLICATIVO
[0059] Em uma modalidade, a implementação das funções descri- tas neste documento usando um ou mais programas de computador ou outros elementos de software que são carregados e executados usando um ou mais computadores de uso geral, fará com que os com- putadores de uso geral sejam configurados como um máquina particu- lar ou como um computador que é especialmente adaptado para exe-
cutar as funções aqui descritas. Além disso, cada um dos fluxogramas que são descritos mais adiante neste documento pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa neste documento, como algoritmos, planos ou direções que po- dem ser usados para programar um computador, ou lógica para im- plementar as funções que são descritas. Em outras palavras, todo o texto em prosa deste documento e todas as figuras dos desenhos, em conjunto, se destinam a fornecer divulgação de algoritmos, planos ou direções que são suficientes para permitir que um especialista pro- grame um computador para executar as funções que são descritas neste documento, em combinação com a habilidade e conhecimento de tal pessoa, dado o nível de habilidade apropriado para invenções e divulgações deste tipo.
[0060] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação de gerenciamento de campo 104 configurado com um sis- tema operacional e um ou mais programas de aplicativos ou aplicati- vos; o dispositivo de computação de gerenciamento de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola de forma independente e automática, sob o controle do pro- grama ou controle lógico e a interação direta do usuário nem sempre é necessária. O dispositivo de computação de gerenciamento de campo 104 representa amplamente um ou mais de um smartphone, PDA, dis- positivo de computação tablet, computador laptop, computador desktop, estação de trabalho ou qualquer outro dispositivo de compu- tação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação de gerenciamento de campo 104 pode se comunicar através de uma rede usando um aplica- tivo móvel armazenado no dispositivo de computação de gerenciamen- to de campo 104, e em algumas modalidades, o dispositivo pode ser acoplado usando um cabo 113 ou conector para o sensor 112 e/ou controlador 114. Um particular o usuário 102 pode possuir, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositi- vo de computação de gerenciamento de campo 104 por vez.
[0061] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, através da rede para um ou mais dispositivos de computação móvel. Em uma modalidade de exemplo, o dispositivo de computação de gerenciamento de campo 104 pode acessar o aplicativo móvel através de um navegador da web ou um aplicativo ou aplicativo cliente local. O dispositivo de computação de gerenciamento de campo 104 pode transmitir dados para, e receber dados de, um ou mais servido- res front-end, usando protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos do aplicativo. Em um exemplo de modalidade, os dados podem assumir a forma de soli- citações e entrada de informações do usuário, como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento de localização no dispositivo de computação de gerenciamento de campo 104 que determina a localização do dispositivo de computação de ge- renciamento de campo 104 usando técnicas de rastreamento padrão, como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento Wi-Fi ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou ou- tros dados associados ao dispositivo 104, usuário 102 e/ou contas de usuário podem ser obtidos por meio de consultas a um sistema opera- cional do dispositivo, ou solicitando um aplicativo no dispositivo para obter dados do sistema operacional.
[0062] Em uma modalidade, o dispositivo de computação de ge- renciamento de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou inclu-
indo, mas não se limitando a, valores de dados que representam um ou mais de: uma localização geográfica de um ou mais campos, infor- mações de lavoura para um ou mais campos, safras plantadas em um ou mais campos e dados de solo extraídos de um ou mais campos. O dispositivo de computação de gerenciamento de campo 104 pode en- viar dados de campo 106 em resposta à entrada de usuário do usuário 102 especificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação de gerenciamento de campo 104 pode enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação de gerenciamento de campo 104. Por exemplo, o disposi- tivo de computação de gerenciamento de campo 104 pode ser comu- nicativamente acoplado ao sensor remoto 112 e/ou aplicativo controla- dor 114 que inclui um sensor de irrigação e/ou controlador de irriga- ção. Em resposta ao recebimento de dados indicando que o controla- dor de aplicativo 114 liberou água para um ou mais campos, o disposi- tivo de computação de gerenciamento de campo 104 pode enviar da- dos de campo 106 para o sistema de computador de inteligência agrí- cola 130 indicando que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta divulgação podem ser inseri- dos e comunicados usando dados digitais eletrônicos que são comuni- cados entre dispositivos de computação usando URLs parametrizados sobre HTTP ou outro protocolo de comunicação ou mensagem ade- quado.
[0063] Um exemplo comercial do aplicativo móvel é CLIMATE FI- ELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou ou- tros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não foram divulgados an- tes da data de apresentação desta divulgação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada, que permite a um produtor tomar decisões baseadas em fatos para sua operação, uma vez que combina dados históricos sobre os cam- pos do produtor com quaisquer outros dados que o produtor deseja comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem ce- nários potenciais para permitir que o produtor tome decisões melhores e mais informadas.
[0064] A FIG. 2 ilustra duas visualizações de um exemplo de orga- nização lógica de conjuntos de instruções na memória principal quan- do um exemplo de aplicativo móvel é carregado para execução. Na FIG. 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blo- cos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas dentro dessas regiões. Em uma modali- dade, na visualização (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento de ingestão de dados de contabilidade de campos 202, visão geral e instruções de alerta 204, instruções de livro de mapa digital 206, sementes e instruções de plan- tio 208, instruções de nitrogênio 210, instruções de condições meteo- rológicas 212, instruções de saúde de campo 214 e instruções de de- sempenho 216.
[0065] Em uma modalidade, um aplicativo de computador móvel 200 compreende contabilidade, ingestão de dados de campos, instru- ções de compartilhamento 202 que são programadas para receber, traduzir e ingerir dados de campo de sistemas de terceiros por meio de carregamento manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de rendimento, mapas como plantados, resultados de testes de solo, mapas como aplicados e/ou zonas de gerenciamen- to, entre outros. Os formatos de dados podem incluir arquivos de for-
ma, formatos de dados nativos de terceiros e/ou exportações de sis- tema de informação de gestão agrícola (FMIS), entre outros. O rece- bimento de dados pode ocorrer via carregamento manual, e-mail com anexo, APIs externos que enviam dados para o aplicativo móvel ou instruções que chamam APIs de sistemas externos para puxar dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computa- dor móvel 200 compreende uma caixa de entrada de dados. Em res- posta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica de usuário para carregar manualmente os arquivos de dados e impor- tar arquivos carregados para um gerenciador de dados.
[0066] Em uma modalidade, as instruções do livro de mapa digital 206 compreendem camadas de dados de mapa de campo armazena- das na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isso fornece aos produtores informações convenientes à mão para referência, re- gistro e insights visuais sobre o desempenho do campo. Em uma mo- dalidade, a visão geral e as instruções de alerta 204 são programadas para fornecer uma visão ampla da operação, do que é importante para o produtor, e recomendações oportunas para agir ou se concentrar em questões particulares. Isso permite que o produtor concentre seu tem- po no que precisa de atenção, economize tempo e preserve a produ- ção ao longo da temporada. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação de híbridos e criação de script, incluindo criação de script de taxa variável (VR), com base em mode- los científicos e dados empíricos. Isso permite que os produtores ma- ximizem o rendimento ou o retorno do investimento por meio da com- pra, colocação e população otimizadas de sementes.
[0067] Em uma modalidade, as instruções de geração de script
205 são programadas para fornecer uma interface para geração de scripts, incluindo scripts de taxa variável de fertilidade (VR). A interface permite que os produtores criem scripts para implementos de campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para iden- tificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, como as ca- madas de dados de mapa de campo criadas como parte das instru- ções do livro de mapa 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 de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para edição ou criação, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os pro- cedimentos de plantio podem ser aplicados a todas as zonas de ge- renciamento ou diferentes procedimentos de plantio podem ser aplica- dos a diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, o aplicativo de computador móvel 200 pode dispo- nibilizar o script para descarregamento em um formato legível por um controlador de aplicativo, como um formato arquivado ou compactado. Além disso, e/ou alternativamente, um script pode ser enviado direta- mente para o computador de cabine 115 do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e ar- mazenado para uso posterior.
[0068] Em uma modalidade, instruções de nitrogênio 210 são pro- gramadas para fornecer ferramentas para informar as decisões de ni- trogênio, visualizando a disponibilidade de nitrogênio para as culturas. Isso permite que os produtores maximizem a produção ou o retorno do investimento por meio da aplicação otimizada de nitrogênio durante a temporada.
Exemplo de funções programadas incluem a exibição de imagens como imagens SSURGO para permitir o desenho de zonas de aplicação de fertilizantes e/ou imagens geradas a partir de dados de solo do subcampo, como dados obtidos de sensores, em uma alta resolução espacial (tão fina quanto milímetros ou menor, dependendo da proximidade do sensor e resolução); carregamento de zonas defini- das pelo produtor existentes; fornecer um gráfico de disponibilidade de nutrientes para plantas e/ou um mapa para permitir o ajuste de aplica- ções de nitrogênio em várias zonas; saída de scripts para conduzir maquinaria; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. "Entrada de da- dos em massa", neste contexto, pode significar inserir dados uma vez e, em seguida, aplicar os mesmos dados a vários campos e/ou zonas que foram definidas no sistema, exemplos de dados podem incluir da- dos de aplicação de nitrogênio que são os mesmos para muitos cam- pos e/ou zonas do mesmo produtor, mas tal entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de apli- cação de nitrogênio e programas de práticas, e para aceitar a entrada de usuário especificando a aplicação desses programas em vários campos. "Programas de aplicação de nitrogênio", neste contexto, se refere a conjuntos de dados nomeados armazenados que associam: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas, e quantidades, método de aplicação ou incorporação, como injetado ou difundido, e/ou quantidades ou taxas de aplicação para cada uma das datas, safra ou híbrido que é o objeto do pedido, entre outros. "Pro- gramas de práticas de nitrogênio", neste contexto, se referem a con-
juntos de dados nomeados e armazenados que associam: um nome de práticas; uma safra anterior; um sistema de cultivo; uma data de cultivo principalmente; um ou mais sistemas de preparo anteriores que foram usados; um ou mais indicadores do tipo de aplicação, como es- trume, que foram usados. As instruções de nitrogênio 210 também po- dem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica as projeções do uso de plantio com nitrogênio especificado e se um excedente ou déficit é previsto; em algumas mo- dalidades, indicadores de cores diferentes podem sinalizar uma magni- tude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um disposi- tivo de exibição de computador que compreende uma pluralidade de linhas, cada linha associada e identificando um campo; dados especi- ficando qual cultura é plantada no campo, o tamanho do campo, a lo- calização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha de tempo por mês, com indicadores gráficos especificando cada aplicação de nitrogênio e quantidade em pontos correlacionados aos nomes dos meses; e indicadores numéri- cos e/ou coloridos de excedente ou déficit, em que a cor indica magni- tude.
[0069] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada de 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 gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitro- gênio otimizado e os programas de plantio e práticas de nitrogênio re- lacionadas , para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 tam- bém podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica as projeções do uso de plantio com ni-
trogênio especificado e se um excedente ou déficit é previsto; em al- gumas modalidades, diferentes indicadores de cores podem sinalizar uma magnitude do excedente ou magnitude do déficit. O mapa de ni- trogênio pode exibir projeções de uso de plantio com nitrogênio espe- cificado e se um excedente ou déficit é previsto para diferentes mo- mentos no passado e no futuro (como diário, semanal, mensal ou anu- al) usando indicadores numéricos e/ou coloridos de excedente ou défi- cit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada de 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, de modo a obter uma quantidade preferida de excedente a déficit O usuário pode então usar seu mapa de nitrogênio otimizado e o plantio com nitrogênio relacio- nado e programas de práticas para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras moda- lidades, instruções semelhantes às instruções de nitrogênio 210 po- dem ser usadas para a aplicação de outros nutrientes (como fósforo e potássio), aplicação de pesticida e programas de irrigação.
[0070] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos de campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham um mostrador integrado efi- ciente com relação às decisões operacionais diárias.
[0071] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de sensoriamento remoto em tempo oportuno, destacando a variação da safra na estação e poten- ciais preocupações. Exemplo de funções programadas incluem verifi- cação de nuvem, para identificar possíveis nuvens ou sombras de nu- vens; determinar índices de nitrogênio com base em imagens de cam-
po; visualização gráfica de camadas de aferição, incluindo, por exem- plo, aquelas relacionadas à saúde do campo e visualização e/ou com- partilhamento de notas de aferição; e/ou baixar imagens de satélite de fontes múltiplas e priorizar as imagens para o produtor, entre outros.
[0072] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de insight usando dados na fazenda para avaliação, insights e decisões. Isso permite que o produtor busque melhores resultados para o próxi- mo ano por meio de conclusões baseadas em fatos sobre por que o retorno sobre o investimento estava nos níveis anteriores e uma visão dos fatores de limitação de rendimento. As instruções de desempenho 216 podem ser programadas para se comunicar através da(s) rede(s) 109 para programas analíticos de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas, como rendi- mento, diferencial de rendimento, híbridos, zona SSURGO de popula- ção, propriedades de teste de solo ou elevação, entre outros. Relató- rios e análises programados podem incluir análise de variabilidade de rendimento, estimativa de efeito de tratamento, benchmarking de ren- dimento e outras métricas contra outros produtores, com base em da- dos anônimos coletados de muitos produtores, ou dados para semen- tes e plantio, entre outros.
[0073] Aplicativos com instruções configuradas desta forma podem ser implementados para diferentes plataformas de dispositivos de computação, embora mantendo a mesma aparência geral da interface de usuário. Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, telefones inteligentes, ou servidores que são acessados usando navegadores em computadores clientes. Além dis- so, o aplicativo móvel conforme configurado para tablets ou telefones inteligentes, pode fornecer uma experiência de aplicativo completa ou uma experiência de aplicativo de cabine, que é adequada para as ca- pacidades de exibição e processamento do computador de cabine
115. Por exemplo, fazendo referência agora à vista (b) da FIG. 2, em uma modalidade, um aplicativo de computador de cabine 220 pode compreender instruções de cabine de mapas 222, instruções de visão remota 224, coleta de dados e instruções de transferência 226, instru- ções de alertas de máquina 228, instruções de transferência de script 230 e instruções de cabine de reconhecimento 232. A base de código para as instruções da visualização (b) podem ser as mesmas da visua- lização (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual estão execu- tando e para expor, por meio de uma interface gráfica de usuário, ape- nas as funções que são apropriadas para uma plataforma de cabine ou plataforma completa. Essa abordagem permite que o sistema reco- nheça a experiência de usuário distintamente diferente que é apropria- da para um ambiente na cabine e o ambiente de tecnologia diferente da cabine. As instruções de cabine de mapas 222 podem ser progra- madas para fornecer visualizações de mapas de campos, fazendas ou regiões que são úteis para direcionar a operação da máquina. As ins- truções de visão remota 224 podem ser programadas para ligar, ge- renciar e fornecer vistas da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de computação conec- tados ao sistema 130 por meio de redes sem fio, conectores ou adap- tadores com fio e semelhantes. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores para o sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e semelhantes. As instruções de alertas de máquina 228 po- dem ser programadas para detectar problemas com as operações da máquina ou ferramentas que estão associadas à cabine, e gerar aler-
tas de operador. As instruções de transferência de script 230 podem ser configuradas para transferir em scripts instruções que são configu- radas para direcionar as operações da máquina ou a coleta de dados. As instruções de cabine de reconhecimento 232 podem ser programa- das para exibir alertas baseados em localização e informações recebi- das do sistema 130 com base na localização do dispositivo de compu- tação de gerenciamento de campo 104, aparelho agrícola 111 ou sen- sores 112 no campo, e ingerir, gerenciar e fornecer transferência de observações de patrulhamento com base em localização para o siste- ma 130 com base na localização do aparelho agrícola 111 ou senso- res 112 no campo.
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[0074] Em uma modalidade, o computador servidor de dados ex- terno 108 armazena dados externos 110 incluindo dados de solo que representam a composição do solo para um ou mais campos e dados meteorológicos que representam temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteoro- lógicos passados e presentes, bem como previsões para dados mete- orológicos futuros. Em uma modalidade, o computador servidor de da- dos externo 108 compreende uma pluralidade de servidores hospeda- dos por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição do solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composi- ção do solo podem ser armazenados em vários servidores. Por exem- plo, um servidor pode armazenar dados que representam a porcenta- gem de areia, silte e argila no solo, enquanto um segundo servidor po- de armazenar dados que representam a porcentagem de matéria or- gânica (OM) no solo.
[0075] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, como satélites, sensores de veículos, sensores de equipamen- tos de plantio, sensores de cultivo, sensores de aplicação de fertilizan- tes ou inseticidas, sensores de colheitadeira e qualquer outro imple- mento capaz de receber dados de um ou mais campos. Em uma mo- dalidade, o aplicativo de controlador 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O aplicativo de controlador 114 também pode ser pro- gramado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um aplicativo de controlador pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de preparo do solo, fertilizante ou equipamento de inseticida, equipamento de colheita ou outros implementos agríco- las, como uma válvula de água. Outras modalidades podem usar qual- quer combinação de sensores e controladores, dos quais os seguintes são apenas exemplos selecionados.
[0076] O sistema 130 pode obter ou ingerir dados sob o controle de usuário 102 em massa de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compar- tilhado. Esta forma de obtenção de dados pode ser denominada "in- gestão manual de dados" quando uma ou mais operações de compu- tador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como exemplo, o aplicativo CLIMA- TE FIELDVIEW, disponível comercialmente na The Climate Corpora- tion, San Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório 160.
[0077] Por exemplo, os sistemas de monitoramento de sementes podem controlar os componentes do aparelho da plantadeira e obter dados de plantio, incluindo sinais de sensores de sementes por meio de um chicote de sinais que compreende uma espinha dorsal (back- bone) CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são divul- gados na Patente US No. 8.738.243 e Publ. Pat. US. 20150094916, e a presente divulgação pressupõe o conhecimento dessas outras divul- gações de patentes.
[0078] Da mesma forma, os sistemas de monitoramento de rendi- mento podem conter sensores de rendimento para aparelhos de co- lheita que enviam dados de medição de rendimento para o computa- dor de cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma plantadeira-colheitadeira ou outra colheitadeira, e transmitir essas medições ao usuário por meio do computador de cabine 115 ou outros dispositivos dentro do sistema 130.
[0079] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito em outro lugar neste documento, incluem sensores cine- máticos e sensores de posição. Os sensores cinemáticos podem com- preender qualquer um dos sensores de velocidade, como radar ou sensores de velocidade de roda, acelerômetros ou giroscópios. Senso- res de posição podem compreender receptores ou transceptores de GPS ou aplicativos de mapeamento ou posição baseados em Wi-Fi que são programados para determinar a localização com base em pontos de acesso Wi-Fi próximos, entre outros.
[0080] 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, medidores de área ou medidores de distância que interagem com GPS ou sinais de radar, sensores de velocidade de PTO (tomada de força), sensores hidráulicos do trator, configurados para detectar parâmetros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de patinagem 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 de bomba hidráulica; controladores ou reguladores de velocidade, controladores de posição de engate ou controladores de posição de roda fornecem direção automática.
[0081] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com equipamentos de plantio de sementes, como plantadeiras, semeadoras ou semeadoras de ar, incluem sensores de sementes, que podem ser eletromagnéticos, ópticos ou sensores de impacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, co- mo sensores de refletividade, sensores de umidade, sensores de con- dutividade elétrica, sensores ópticos de resíduos ou sensores de tem- peratura; sensores de critérios de operação de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade do disco de sementes, codificadores do motor de acionamento de sementes, sensores de ve- locidade do sistema de transporte de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores óp- ticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: contro- ladores de dobra da barra de ferramentas, tais como controladores pa-
ra válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos e programados para apli- car força descendente a unidades de linha individuais ou uma estrutu- ra inteira da plantadeira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, como motores elétricos de acionamento do medidor de sementes, motores hidráuli- cos de acionamento do medidor de sementes ou embreagens de con- trole de faixa; controladores de seleção híbridos, tais como motores de acionamento de medidores de sementes ou outros atuadores progra- mados para permitir ou impedir seletivamente a semente ou uma mis- tura de ar-semente de distribuir sementes para ou de medidores de sementes ou tremonhas centrais a granel; controladores de medição, como motores elétricos de acionamento do medidor de sementes ou motores hidráulicos de acionamento do medidor de sementes; contro- ladores de sistema de transporte de sementes, como controladores para um motor de esteira de distribuição de sementes por correia; con- troladores de marcador, como um controlador para um atuador pneu- mático ou hidráulico; ou controladores de taxa de aplicação de pestici- das, como controladores de unidade de medição, tamanho de orifício ou controladores de posição.
[0082] 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 ganga 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 equipamento de lavoura incluem controladores de força descen- dente ou controladores de posição de ferramenta, como controladores configurados para controlar a profundidade da ferramenta, ângulo de ganga ou espaçamento lateral.
[0083] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados em relação a aparelhos para aplicação de fertilizan- tes, inseticidas, fungicidas e semelhantes, como sistemas de fertilizan- tes iniciais na plantadeira, aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de siste- ma de fluido, como sensores de fluxo ou sensores de pressão; senso- res que indicam quais válvulas de pulverizador ou válvulas de linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento seccionais ou sensores de linha de abasteci- mento em todo o sistema, ou sensores de linha de abastecimento es- pecíficos de linha; ou sensores cinemáticos, como acelerômetros dis- postos nas barras do pulverizador. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidade de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e seme- lIhantes; ou atuadores de posição, como para altura da lança, profundi- dade do subsolador ou posição da lança.
[0084] Em uma modalidade, exemplos de sensores 112 que po- dem ser usados com colheitadeiras incluem monitores de rendimento, tais como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou brocas, ou sensores ópticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação da plataforma, como altura da plataforma, tipo de plataforma, folga da placa do convés, ve- locidade do alimentador e sensores de velocidade do molinete; senso-
res de critérios de operação do separador, tais como sensores de folga côncava, velocidade do rotor, folga da sapata ou folga do sulco; senso- res para posição de sem-fim, operação ou velocidade; ou sensores de rotação do motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios operacionais da plataforma para elementos como altura da plataforma, tipo de plataforma, folga da placa do convés, velocidade do alimentador ou velocidade do molinete; controladores de critérios operacionais de separadores para recursos como folga côncava, velo- cidade do rotor, folga da sapata ou folga do chanfro; ou controladores para posição, operação ou velocidade do trado.
[0085] 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 trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do trado.
[0086] Em uma modalidade, exemplos de sensores 112 e contro- ladores 114 que podem ser instalados em aparelhos de veículos aé- reos não tripulados (UAV) ou "drones". Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro ele- tromagnético, incluindo luz visível, infravermelho, ultravioleta, infra- vermelho próximo (NIR) e semelhantes; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo pi- tot ou outros sensores de velocidade do ar ou do vento; sensores de vida da bateria; ou emissores de radar e aparelhos de detecção de energia de radar refletida; outros emissores de radiação eletromagné- tica e aparelhos de detecção de radiação eletromagnética refletida. Tais controladores podem incluir orientação ou aparelho de controle de motor, controladores de superfície de controle, controladores de câme-
ra ou controladores programados para ligar, operar, obter dados, ge- renciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados no Pedido de Patente US No. 14/831.165 e a presente divulgação pressupõe o conhecimento dessa outra divulgação de pa- tente.
[0087] Em uma modalidade, os sensores 112 e controladores 114 podem ser fixados ao aparelho de medição e amostragem de solo que é configurado ou programado para amostrar solo e realizar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente US No. 8.767.194 e Patente US No. 8.712.148 pode ser usado, e a presente divulgação pressupõe o conhecimento dessas divulgações de patentes.
[0088] Em uma modalidade, os sensores 112 e controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divul- gado no Pedido Provisório U.S. No. 62/154.207, depositado em 29 de abril de 2015, Pedido Provisório US No. 62/175.160, depositado em 12 de junho de 2015, Pedido Provisório US No.62/198.060, depositado em 28 de julho de 2015, e o Pedido Provisório U.S. No. 62/220.852, depositado em 18 de setembro de 2015, pode ser usado, e a presente divulgação pressupõe o conhecimento dessas divulgações de paten- tes.
2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELO
[0089] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado ou configurado para criar um mode- lo agronômico. Neste contexto, um modelo agronômico é uma estrutu- ra de dados na memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, tais como dados de identificação e dados de colheita para um ou mais campos. O mo-
delo agronômico também pode compreender propriedades agronômi- cas calculadas que descrevem as condições que podem afetar o culti- vo de uma ou mais culturas em um campo, ou propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode incluir recomendações com base em fatores agronômicos, como re- comendações de cultura, recomendações de irrigação, recomenda- ções de plantio, recomendações de fertilizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações de gerenciamento de culturas. Os fatores agronômicos também podem ser usados para estimar um ou mais re- sultados relacionados à cultura, como o rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantida- de da cultura que é produzida ou, em alguns exemplos, a receita ou lucro obtido com a cultura produzida.
[0090] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atualmente recebida e informações de cultura para um ou mais cam- pos. O modelo agronômico pré-configurado é baseado em dados de campo previamente processados, incluindo, mas não se limitando a dados de identificação, dados de colheita, dados de fertilizantes e da- dos meteorológicos. O modelo agronômico pré-configurado pode ter sido validado para garantir a precisão do modelo. A validação cruzada pode incluir a comparação com a verificação do solo, que compara os resultados preditos com os resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor fornecendo dados meteorológicos no mesmo local ou próximo, ou uma estimativa do teor de nitrogênio com uma medição da amostra do solo.
[0091] A FIG. 3 ilustra um processo programado pelo qual o siste-
ma de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados de campo fornecidos por uma ou mais fontes de dados. A FIG. 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para realizar as operações que agora são descritas.
[0092] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados com a fina- lidade de remover ruído, efeitos de distorção e fatores de confusão dentro dos dados agronômicos, incluindo anexos medidos que podem afetar adversamente os valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos podem in- cluir, mas não estão limitadas a, remover valores de dados comumen- te associados a valores de dados discrepantes, pontos de dados me- didos específicos que são conhecidos por distorcer desnecessaria- mente outros valores de dados, suavização de dados, agregação ou técnicas de amostragem usadas para remover ou reduzir os efeitos aditivos ou multiplicativos de ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre en- tradas de dados positivas e negativas.
[0093] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar a seleção de subconjuntos de dados usando os dados de campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial do modelo agronômico. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjuntos de dados incluindo, mas não se limitando a, um método de algoritmo genético,
um método de todos os modelos de subconjunto, um método de pes- quisa sequencial, um método de regressão passo a passo, um método de otimização de enxame de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algorit- mo genético usa um algoritmo de pesquisa heurística adaptativa, com base em princípios evolutivos de seleção natural e genética, para de- terminar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.
[0094] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avalia- ção do conjunto de dados de campo. Em uma modalidade, um conjun- to de dados de campo específico é avaliado criando um modelo agronômico e usando limites de qualidade específicos para o modelo agronômico criado. Modelos agronômicos podem ser comparados e/ou validados usando uma ou mais técnicas de comparação, tais como, mas não se limitando a, erro de raiz média quadrática com validação cruzada leave-one-out (RMSECV), erro absoluto médio e erro percen- tual médio. Por exemplo, o RMSECV pode validar modelos agronômi- cos combinando valores preditos de propriedades agronômicas cria- dos pelo modelo agronômico com valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de avaliação do conjunto de dados agronômicos é usada como um ciclo de realimentação, onde conjuntos de dados agronômicos que não atendem aos limites de qualidade configurados são usados durante as etapas futuras de seleção de subconjuntos de dados (bloco 310).
[0095] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômi- cos validados de modo cruzado. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multiva-
riada para criar modelos de dados agronômicos pré-configurados.
[0096] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os mode- los de dados agronômicos pré-configurados para futura avaliação de dados de campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE HARDWARE
[0097] De acordo com uma modalidade, as técnicas aqui descritas são implementadas por um ou mais dispositivos de computação para fins especiais. Os dispositivos de computação de propósito especial podem ser conectados para executar as técnicas ou podem incluir dis- positivos eletrônicos digitais, como um ou mais circuitos integrados de aplicação específica (ASICs) ou matrizes de portas de campo progra- máveis (FPGAs) que são persistentemente programadas para execu- tar técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins es- peciais também podem combinar lógica personalizada com fio, ASICsS ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação para fins especiais podem ser siste- mas de computador desktop, sistemas de computador portátil, disposi- tivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de programa e/ou com fio para implementar as técni- cas.
[0098] Por exemplo, a FIG. 4 é um diagrama de blocos que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um bar- ramento 402 ou outro mecanismo de comunicação para comunicar in- formações e um processador de hardware 404 acoplado ao barramen- to 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0099] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações interme- diárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não transitória acessível ao processador 404, trans- formam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para realizar as operações especificadas nas instruções.
[00100] O sistema de computador 400 inclui ainda uma memória de somente leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações es- táticas e instruções para o processador 404. Um dispositivo de arma- zenamento 410, como um disco magnético, disco óptico ou unidade de estado sólido é fornecido e acoplado ao barramento 402 para armaze- nar informações e instruções.
[00101] O sistema de computador 400 pode ser acoplado via bar- ramento 402 a um monitor 412, como um tubo de raios catódicos (CRT), para exibir informações para um usuário de computador. Um dispositivo de entrada 414 incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comando para o processador 404. Outro tipo de dispositivo de en- trada de usuário é o controle do cursor 416, como um mouse, um trackball ou teclas de direção do cursor para comunicação de informa- ções de direção e seleções de comando para o processador 404 e pa- ra controlar o movimento do cursor no mostrador 412. Este dispositivo de entrada normalmente tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especificar posições em um plano.
[00102] O sistema de computador 400 pode implementar as técni- cas descritas neste documento usando lógica personalizada com fio, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador faz ou programa o sis- tema de computador 400 para ser uma máquina de propósito especial. De acordo com uma modalidade, as técnicas aqui são realizadas pelo sistema de computador 400 em resposta ao processador 404 execu- tando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, tal como dis- positivo de armazenamento 410. A execução das sequências de ins- truções contidas na memória principal 406 faz com que o processador 404 execute as etapas do processo aqui descritas. Em modalidades alternativas, os circuitos com fio podem ser usados no lugar de ou em combinação com as instruções do software.
[00103] O termo "mídia de armazenamento", conforme usado neste documento, se refere a qualquer mídia não transitória que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Esses meios de armazenamento podem compreender meios não voláteis e/ou meios voláteis. A mídia não vo- látil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, como a memória principal 406. Formas comuns de mídia de armazenamento incluem, por exemplo, um dis- quete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados mag- néticos, um CD-ROM, qualquer outro meio de armazenamento de da-
dos ópticos, qualquer meio físico com padrões de orifícios, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip de memória ou cartucho.
[00104] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com a mídia de transmissão. A mídia de transmissão par- ticipa da transferência de informações entre as mídias de armazena- mento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fio de cobre e fibra óptica, incluindo os fios que compõem o barramento
402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelho.
[00105] Várias formas de mídia podem estar envolvidas no trans- porte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente carregadas em um disco magnético ou unidade de es- tado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviá-las por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal infravermelho e os circuitos apropriados podem colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem, opcionalmente, ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[00106] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co-
municação 418 fornece um acoplamento de comunicação de dados bidirecional a um enlace de rede 420 que está conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem via satélite ou um modem para fornecer uma conexão de co- municação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer implementação, a interface de comuni- cação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos, que transportam fluxos de dados digitais que representam vários tipos de informações.
[00107] O enlace de rede 420 normalmente fornece comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão através da rede local 422 a um computador hospedeiro 424 ou a um equipamento de dados operado por um Provedor de Serviços de Inter- net (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunica- ção de dados através da rede mundial de comunicação de pacotes de dados, agora comumente referida como a "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de co- municação 418, que transportam os dados digitais para e do sistema de computador 400, são exemplos de formas de mídia de transmissão.
[00108] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da (s) rede (s), enlace de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicativo por meio da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[00109] O código recebido pode ser executado pelo processador 404 conforme é recebido e/ou armazenado no dispositivo de armaze- namento 410 ou outro armazenamento não volátil, para execução pos- terior.
3. EXEMPLOS DE PREDIÇÃO DA JANELA DE UMIDADE DA CO-
[00110] Atítulo de exemplo, produtores determinaram por experiên- cia que o momento ideal para a colheita do milho (milho) é quando o teor de umidade do núcleo está entre 20% a 25% em peso. Em valo- res de umidade maiores ou menores do que a faixa de 20% a 25%, ocorrerão perdas que afetarão o rendimento geral e, portanto, o lucro. Exemplos de efeitos de perda que ocorrem em umidade inferior a 20% incluem aumento de acamamento e queda de orelha , bem como pro- blemas mecânicos em colheitadeiras ou colheitadeiras. A perda fan- tasma de rendimento ocorre quando as plantas perdem matéria seca na forma de compostos evaporados e voláteis, gastando o excesso de energia para continuar vivendo mais do que o necessário. Com umi- dade acima de 25%, o enchimento incompleto da orelha ocorre abaixo do estágio de cultivo R6, no qual as orelhas não atingem o potencial total e os custos de secagem são mais elevados. No entanto, no esta- do da arte, a avaliação da prontidão de uma cultura ou campo para a colheita é baseada em grande parte no instinto informado pelos valo- res de umidade obtidos de um punhado de amostras de núcleo que representam uma pequena fração de um campo.
[00111] Em modalidades, um modelo analítico de dados é progra- mado para prever quando determinados híbridos plantados em cam- pos específicos em locais específicos atingirão um teor de umidade de 20% -25% com um alto grau de precisão e confiança. Embora 20% -
25% seja um intervalo comum de valores, outras modalidades podem treinar modelos de aprendizado por máquina para predizer a umidade em outros valores ou intervalos. Além disso, o modelo pode ser au- mentado com técnicas preditivas que identificam intervalos específicos de datas de calendário em que a colheita é ideal e perdas são mitiga- dos.
[00112] A saída do modelo pode ser transmitida como entrada para um modelo de pesquisa operacional que pode otimizar ainda mais to- das as operações de colheita em todos os campos na operação de um produtor.
[00113] Consequentemente, as modalidades fornecem ferramentas implementadas por computador que podem gerar um plano personali- zado para um produtor específico para otimizar as operações de co- lheita. As modalidades podem ser usadas para direcionar o movimento e a colocação de colheitadeiras-plantadeiras ou colheitadeiras em campos específicos.
[00114] Em uma modalidade, um modelo de maturidade relativa conforme experimentado (AERM) usa dados meteorológicos durante a temporada, dados de híbridos ou de produto e dados de plantio anteri- ores reais para gerar saída, especificando uma janela de tempo duran- te a qual se espera que a colheita seja ideal e as perdas sejam mitiga- das.
[00115] A FIG.7A ilustra um fluxo de dados em um sistema de computador distribuído que pode ser usado como uma base de pro- gramação de um processo para predizer o teir de umidade de culturas.
[00116] Em uma modalidade, os dados de treinamento 702 são transmitidos como entrada para treinar um modelo de aprendizado por máquina implementado por computador 708. Após o treinamento, em uma fase de avaliação, o modelo de aprendizado por máquina é pro- gramado para receber outros dados de entrada 710 e gerar uma saída de conjunto de dados de probabilidade 712.
[00117] Em uma modalidade, os dados de treinamento 702 com- preendem dados de desenvolvimento de mercado 704 e dados do produtor 706. Os dados de produtor 706 podem compreender dados históricos sobre as datas reais de plantio, datas de colheita e teor de umidade do núcleo ou da semente em datas de colheita especificadas, bem como dados de geo-localização de campo. Por exemplo, os da- dos de produtor 706 podem especificar que um híbrido de milho espe- cificado foi plantado em uma determinada data, colhido em uma de- terminada data, produziu grãos com teor de umidade médio de 22% e ocorreu em um campo com um centróide de valores de latitude- longitude especificados. Assim, os dados de treinamento 702 podem incluir valores reais de umidade do núcleo que são experimentados na colheita em datas específicas para campos especificados em locais especificados. Esses dados podem ser correlacionados com dados meteorológicos para um maior enriquecimento do treinamento. Esses dados podem ser coletados de dezenas ou centenas de campos para produzir milhares de pontos de dados para treinamento.
[00118] Os dados de desenvolvimento de mercado 704 podem con- ter os mesmos tipos de valores, mas podem vir de campos que são usados por um fabricante ou fornecedor de sementes ou híbridos co- mo parte das atividades de pesquisa e desenvolvimento de mercado, por exemplo. Os dados de desenvolvimento de mercado 704 podem compreender dados sobre sementes ou híbridos, como dias típicos para a maturidade ou estágios de cultivo. Normalmente, os dados de desenvolvimento de mercado 704 são para menos híbridos do que os dados de produtores 706, mas é um grande conjunto de valores de dados para esses menos híbridos. O uso de tais dados de desenvol- vimento de mercado 704 é opcional e não requer o uso por partes que não tenham tais operações de desenvolvimento. Em algumas modali-
dades, os valores dos dados representam dados de verdade de terre- no do estágio de cultivo R6 na temporada coletados pouco antes da colheita.
[00119] Além disso, em algumas modalidades, os dados de treina- mento 702 podem compreender dados científicos sobre a data em que os estágios de cultivo especificados de um híbrido são atingidos. Por exemplo, para milho (milho), o cultivo da cultura é comumente classifi- cado em estágios fenológicos denotados VE, V1, V3, V7, V10, VT, R1 e R6. Para qualquer híbrido, o número médio de dias, desde a germi- nação até cada estágio, normalmente é conhecido por pesquisa e ex- perimentação. Estes valores de dados, correlacionados a ou incluindo intervalos de janela de colheita, podem fazer parte dos dados de trei- namento 702. Os dados de fenologia nos dados de treinamento 702 também podem especificar, para cada híbrido de uma pluralidade de híbridos, uma data de camada preta, data de estágio R6 e número de dias do R6 até a colheita, sendo este último recomendado ou ideal com base na experiência de pesquisa.
[00120] Em algumas modalidades, o modelo de aprendizado por máquina 708 compreende uma rede neural treinada, classificador ou modelo de regressão linear, que é implementado usando o Google TensorFlow como fundamento com dados de configuração específicos do aplicativo. O treinamento pode usar abordagens de árvore aleatória ou aumento de gradiente usando a biblioteca de código aberto XGbo- ost, por exemplo.
[00121] Para a fase de avaliação, os outros dados de entrada 710 podem compreender dados meteorológicos históricos ou recentes, da- dos genéticos para os híbridos representados nos dados de produtor 706 ou para um campo prospectivo, dados de operações de campo para os campos representados nos dados de produtor 706 ou outros campos e assim por diante. Os dados meteorológicos podem especifi-
car valores de AERM, valores de evapotranspiração, valores de teor de umidade de equilíbrio e/ou valores de precipitação, correlacionados a valores de geolocalização e/ou valores de localização de centroide de campo. Dados das operações de campo podem incluir a data de plantio real ou projetada e a data de colheita. Os dados genéticos po- dem compreender valores de maturidade relativa em termos de dias após a germinação. Os outros dados de entrada 710 podem represen- tar as condições atuais ou valores propostos que um produtor planeja usar. Os dados meteorológicos podem incluir dados meteorológicos projetados com base nas últimas datas de observação e datas de pre- dição e podem ser obtidos de um serviço disponível comercialmente ou publicamente que fornece dados meteorológicos digitais.
[00122] O conjunto de dados de saída 712 fornece uma probabili- dade de teor de umidade em uma cultura igual a um intervalo alvo em uma data de colheita específica. Por exemplo, o conjunto de dados de saída 712 pode especificar que em “ 105 ” dias a partir do plantio, co- mo uma data de colheita, o teor de umidade do núcleo de milho tem uma probabilidade de 80% de ser 22%. O conjunto de dados de saída 712 pode compreender uma pluralidade de valores para diferentes va- lores de teor de umidade previsto de 1% a 99% ou para alguma outra faixa prática, como 12% a 32%.
[00123] AFIG.7B ilustra um fluxo de dados de realimentação que pode ser usado em algumas modalidades para melhorar a saída da FIG. 7A durante uma estação de cultivo . Em algumas modalidades, outros dados 710 podem ser recebidos no momento em que um pro- dutor particular iniciou as atividades de colheita e o modelo de apren- dizado por máquina 708 pode ser executado naquele momento para fornecer um conjunto atualizado de dados de saída 712. Assim, em algumas modalidades, o fluxo de dados da FIG. 7A pode ser repeti- damente executado ao mesmo tempo que a colheita está a ocorrer para um ou mais produtores e, portanto, pode proporcionar “ em tempo real ” resultados para os produtores permitindo a modificação ou atua- lização da circulação de máquinas ou o início ou o fim da colheita por campos específicos. Em outras modalidades, o modelo de aprendiza- do por máquina 708 pode ser executado uma vez por produtor durante a temporada, para fornecer uma recomendação única para datas de colheita para todos os campos desse produtor. Por exemplo, o modelo de aprendizado por máquina 708 pode ser executado em um ponto final da temporada, como na primeira semana de agosto, para gerar recomendações de quando começar a colheita em um momento que é aproximadamente um mês antes da primeira semana típica de primei- ra colheita para uma determinada geografia. Um mês é especificado aqui como um exemplo, e outras modalidades podem usar o tempo anterior ou posterior.
[00124] Em uma modalidade, a saída do modelo 712 (FIG. 7A) é ainda transformada para render as predições do modelo inicial 714 (FIG. 7B) como um conjunto de datas durante as quais a colheita está prevista para ocorrer no teor de umidade do núcleo de 20% a 25 % em volume. As predições do modelo inicial 714 são usadas para determi- nar quais campos amostrar para o conteúdo real de umidade do nú- cleo. As medições de campo na estação 716 são obtidas desses cam- pos e podem incluir valores reais de umidade e valores de estágio de cultura, indicando o estágio de culturas para as quais as amostras fo- ram obtidas. As medições de campo na estação 716 podem ser rece- bidas em qualquer estágio de uma estação de cultivo, incluindo após o início da colheita. Em alguns casos, as medições de campo na esta- ção 716 podem indicar que a cultura atingiu o estágio de cultivo R6. Portanto, em uma modalidade, um computador implementando aspec- tos da FIG. 7A, FIG. 7B, pode ser programado para comparar os valo- res preditos e a data R6 observada real, a partir das medições na tem-
porada 716, no bloco 718 para produzir novas predições de janela 720 para após a data R6. Esses dados podem ser realimentados no mode- lo de aprendizado de máquina 708 como um componente adicional de treinamento.
[00125] O uso de dados de geolocalização em treinamento e avali- ação permite que as técnicas presentes levem em conta a variabilida- de geográfica na data de colheita.
[00126] As modalidades são úteis, por exemplo, em grandes ope- rações agrícolas nas quais a colocação e o movimento do equipamen- to agrícola são questões significativas. Um exemplo de operação de colheita poderia incluir 60 dias úteis de colheita, 3 colheitadeiras no mesmo campo, 100 acres cobertos por colheitadeira por dia, 3 tratores com placas de grãos e 16 plataformas de trator-reboque de dezesseis rodas movendo sementes para um secador ou casa de armazenamen- to. Em operações desse porte, prever a correta janela de colheita agrega valor significativo às operações. Em algumas modalidades, as técnicas implementadas por computador neste documento podem ser usadas para prever janelas de tempo de colheita para uma pluralidade de campos diferentes, cada um com um valor de geolocalização dife- rente. Em seguida, os valores de geolocalização de diferentes campos podem ser fornecidos como entrada para um algoritmo de predição de movimento para gerar recomendações de uma ordem de colheita que otimiza as datas ideais de colheita preditas e a localização dos cam- pos para fornecer caminhos eficientes para o movimento de equipa- mentos de um campo para outro. Em alguns casos, equilibrar o teor de umidade e a janela de tempo de colheita ideal em relação ao local, po- de sugerir a divisão de estoques de equipamentos para uma determi- nada semana ou dia e mover uma primeira parte do equipamento para um campo mais próximo que tem menor teor de umidade ideal e uma segunda parte do equipamento para um outro campo que tem um teor de umidade mais ideal.
[00127] Em algumas modalidades, outros valores de parâmetro po- dem ser usados em treinamento e avaliação, incluindo elevação de campo; textura do solo, como classe de textura, porcentagem de areia, porcentagem de argila; características da água do solo; distância e orientação angular da fonte de água natural mais próxima; frequência regional de precipitação normal, seca severa e precipitação severa; taxa de secagem do produto; e/ou declive ou topografia do campo .
[00128] A FIG.7C ilustra fluxos de dados em modalidades imple- mentadas por computador que usam um modelo de fertilidade como uma ferramenta para obter certos dados para treinar o modelo de aprendizado por máquina da FIG. 7A. Em algumas modalidades, da- dos e recursos preditivos para treinar o modelo de aprendizado por máquina 708 podem ser obtidos acessando uma instância de execu- ção do Nitrogen Advisor, comercialmente disponível na The Climate Corporation, usando chamadas API emitidas de um computador que foi programado com os elementos funcionais da FIG. 7A. Por exemplo, o Nitrogen Advisor pode ser chamado para executar um modelo de fertilidade para produzir como saídas dados meteorológicos e dados do estágio de cultivo de milho. Dados de operações, dados de produ- to/genética, dados de fenologia do milho, incluindo a data R6, que é a chave para a colheita, e dados meteorológicos, todos podem ser obti- dos como saída de tais chamadas de API. Essa abordagem pode ser usada como uma alternativa para a transmissão de chamadas pro- gramáticas para um serviço de dados meteorológicos digitais direta- mente, pois ele produz dados de fenologia do milho, incluindo datas R6, que indicam a maturidade. O cultivo após R6 normalmente é con- finado à seca, o que é menos relevante para determinar a data de co- lheita. Portanto, qualquer data após a data R6 é uma data de colheita potencial.
[00129] AFIG.7D ilustra um processo de geração de um conjunto de valores de data para os quais a colheita é recomendada, de acordo com uma modalidade.
[00130] No bloco 750, o processo recebe dados de treinamento de campos de cultivo e/ou campos de pesquisa e desenvolvimento, inclu- indo valores de teor de umidade do núcleo que são armazenados digi- talmente em associação com valores de data em que os valores de teor de umidade foram obtidos e campo valores de geo- localização para campos dos quais os valores de teor de umidade foram obtidos. Todos esses dados podem ser armazenados digitalmente em um ban- co de dados, como o banco de dados da FIG. 1. No bloco 752, um modelo de aprendizado por máquina do classificador de árvore aleató- rio é treinado usando os dados de treinamento.
[00131] No bloco 754, o processo recebe dados de entrada especí- ficos do produtor, incluindo clima, genética e valores de operações de campo do tipo descrito anteriormente nesta seção. Opcionalmente, no bloco 755, o processo programaticamente chama um processo de mo- delo de fertilidade para obter uma data prevista na qual a cultura re- presentada nos valores genéticos atingirá o estágio de cultivo R6 com base nos valores climáticos e valores de operações de campo.
[00132] No bloco 756, o processo avalia o modelo de aprendizado por máquina treinado com base nos dados de entrada específicos do produtor, para emitir um valor de umidade predito do núcleo na data R6, que foi obtido através do bloco 755.
[00133] No bloco 758, a avaliação do bloco 756 é repetida para uma pluralidade de outras datas antes e depois da data R6 predita, até que os valores de saída de umidade preditos sejam menores que 20% ou maiores que 25%, para uma modalidade. O resultado é um interva- lo de datas durante o qual se prevê que o teor de umidade do núcleo caia na faixa de 20% a 25%. Outras faixas e/ou tolerâncias fora da fai-
xa de 20% a 25% podem ser usadas.
[00134] No bloco 759, opcionalmente, o processo calcula um me- lhor caminho ou caminho mais curto para um conjunto de equipamento agrícola para atravessar um conjunto de campos em diferentes datas recomendadas de atividade de colheita, equilibrando a data de colheita e a distância de viagem. O bloco 759 pode usar o intervalo de datas obtido por meio do bloco 758 e pode usar o algoritmo de caixeiro via- jante aplicado estritamente para produzir um caminho mais curto entre os campos representados nos valores de data, mesmo se o equipa- mento em um campo nessas datas estiver colhendo safras com umi- dade do núcleo fora da faixa de 20% a 25%. Ou, o bloco 759 pode usar uma função de otimização para equilibrar a distância percorrida em relação às datas em que a umidade está predita para estar dentro da faixa de 20% a 25%.
[00135] No bloco 760, o processo produz o intervalo de datas que foram obtidas por meio do bloco 758, que representam datas de ativi- dades de colheita recomendadas para campos e híbridos especifica- dos. A saída no bloco 760 pode compreender um relatório impresso, texto em uma unidade de exibição de computador, gráficos de barras ou gráficos em uma interface gráfica de usuário do tipo descrito para a FIG. 1, ou saída para os computadores de cabine em equipamentos agrícolas.
[00136] No bloco 762, após o bloco 758 ou bloco 759, o processo pode transmitir instruções para uma colheitadeira-plantadeira ou co- Iheitadeira para fazer com que o equipamento seja reposicionado em um campo especificado em uma data especificada para iniciar a co- lheita naquele campo naquela data. As instruções transmitidas no blo- co 762 podem ocorrer sem fio através de enlaces de rede para um computador de cabine do equipamento que é capaz de conduzir o equipamento para um campo. Ou, as instruções podem causar a exi-
bição de instruções de movimento em uma unidade de exibição digital na cabine que é acionada por um computador de cabine que recebe as instruções de movimento.
[00137] AFIG.8 ilustra a importância relativa dos recursos no trei- namento do modelo de aprendizado por máquina da FIG. 7A, com ba- se no estudo de um modelo real de aprendizado por máquina após o treinamento em milhares de pontos de dados dos tipos que foram es- pecificados.
[00138] No exemplo da FIG. 8, um gráfico de barras 802 mostra uma pluralidade de características 804, que são identificadas no eixo Y, em relação à importância relativa para um modelo de aprendizado por máquina no eixo X usando valores de índice de Gini 806. Cada uma das características mostradas na FIG. 8 pode ser representada nos dados de treinamento 702 no momento do treinamento, a partir de qualquer uma das fontes de dados que foram previamente especifica- das. Em uma modalidade, os valores de evapotranspiração por campo para híbridos da data do estágio R6 até a data de colheita foram identi- ficados como uma característica predominante de importância na pro- dução de conjuntos de dados de saída precisos 712 a partir de um modelo de aprendizado por máquina 708 que é treinado conforme descrito para a FIG. 7A. Outras características significativas incluem dias de R6 até a colheita; AERM; precipitação de R6 até a colheita; teor de umidade de equilíbrio; precipitação durante a estação de culti- vo; data de colheita; data de plantio; maturidade relativa do produto; data R6 para um híbrido; se o ano atual representa uma anomalia de temperatura em comparação com os registros históricos de temperatu- ra; e se o ano atual representa uma anomalia de precipitação em comparação com os registros históricos de precipitação. Os itens ante- riores foram listados em ordem decrescente como realmente experi- mentados na avaliação de um modelo treinado.de aprendizado por máquina. Os valores de anomalia não precisam ser obtidos por cam- po, mas podem ser obtidos para divisões climáticas (por exemplo, “ Leste de Illinois ” ) ou por condado, região ou estado.
[00139] AFIG.9 ilustra um exemplo de gráfico de dados de saída de predição que podem ser gerados em uma modalidade. Os dados da FIG. 9 são particulares para um campo, o produto ou híbrido 209- 53STXRIB que tem um valor de RM de 109, para uma data de plantio especificada. No exemplo da FIG. 9, o gráfico 902 compreende as |li- nhas de limite 904, 906 que correspondem aos valores de umidade estimados de 20% a 25%, como visto no eixo 908. Os valores de umi- dade preditos são representados como pontos, cada ponto correspon- dendo a uma data de calendário diferente ao longo de um eixo de data
910. Uma janela de colheita alvo 912 compreende uma caixa delimita- dora em torno de todos os valores de umidade estimados de cerca de 20% a cerca de 25% e, portanto, uma largura lateral da janela se cor- relaciona com as datas de colheita alvo para aproximadamente 25 de agosto a 8 de setembro neste exemplo. Com base nesses dados, as interfaces de computador podem instruir o equipamento de colheita específico a se mover para um campo especificado para iniciar as ope- rações de colheita nas datas especificadas.
[00140] A FIG. 10 ilustra exemplos de modelos matemáticos que podem ser implementados em implementações de programas de com- putador como o modelo de aprendizado por máquina da FIG. 7A. Co- mo visto na FIG. 10, o modelo de aprendizado por máquina 708 (FIG. 7A) pode ser programado como um modelo de regressão linear ou vá- rios modelos diferentes com base em equações diferenciais. Em uma modalidade, a abordagem de regressão linear descrita na Publicação de Patente USA No. 20170124463 (JR Chen e outros) pode ser usado. Todo o conteúdo da Publicação de Patente USA No. 20170124463 são incorporados neste documento para referência para todos os fins,
como se estivessem totalmente definidos neste documento. Cada equação mostrada na FIG. 10 pode ser programado em instruções de programa de computador que fazem parte do modelo de aprendizado por máquina 708.
3.1. EXEMPLO DE MODELO HOW Modelo HOW intervalo curto
[00141] Em um exemplo, as técnicas acima descritas são usadas para gerar um modelo de janela de otimização de colheita na tempo- rada (HOW) que procura otimizar uma colheita de produtor, fazendo predições de intervalo curto de janelas ideais de umidade de colheita. O modelo HOW na temporada produz predições de janela de umidade da colheita de intervalo curto (por exemplo, diariamente) com base em dados observados recentemente que são coletados enquanto a esta- ção da safra está em andamento e antes da colheita real . Por exem- plo, as entradas para o HOW na temporada incluem híbrido conhecido, maturidade relativa conhecida (RM) , data de plantação observada, dados meteorológicos observados (até o dia de predição) , dados me- teorológicos preditos (por exemplo, 2 semanas à frente) e outras ca- racterísticas de cultura e meio ambiente.
[00142] Em resposta a essas entradas, o modelo HOW na tempo- rada produz predições da janela de colheita em execução, ou seja, o nível de umidade do grão para um determinado híbrido em um deter- minado campo em uma data definida. O modelo HOW na temporada pode ingerir entradas e gerar predições em uma forma periódica (por exemplo, diariamente) até que o sistema determina que todos os cam- pos dentro de uma operação de produtor foram colhidos. Para deter- minar quais campos foram ou não colhidos, o sistema pode consultar o campo da data de colheita de um banco de dados que armazena os dados da operação agrícola, por exemplo .
Modelo HOW de intervalo longo
[00143] Em outro exemplo, as técnicas descritas acima são usadas para gerar um modelo de janela de otimização de colheita pré- temporada (HOW) que visa otimizar uma colheita de produtor fazendo predições de intervalo longo de janelas de umidade ideal de colheita; isto é, predições do nível de umidade do grão para um determinado híbrido em um determinado campo em uma data definida, para uma próxima estação de cultivo, mas antes do início da estação de cultivo. O modelo HOW da pré-temporada produz predições de janela de umi- dade da colheita de intervalo longo (por exemplo, 8 a 10 meses de an- tecedência) que são baseadas em dados históricos que foram coleta- dos durante as estações de cultivo anteriores .
[00144] A saída do modelo HOW de pré-temporada pode ser usada como entrada para um modelo de janela de otimização de plantio (POW), por exemplo, como um fator usado para predizer a otimização da maturidade relativa ou otimização da data de plantio. Por exemplo, uma função RM de otimização de pré-temporada de um quadro POW pode usar dados históricos para um campo de produtor (por exemplo, dados de x anos anteriores) para identificar datas medianas de plantio e datas medianas de colheita para um campo, utilizando um cenário de clima dominante que foi predito com base nos dados históricos, jun- tamente com as possíveis opções de RM de híbridos, que também fo- ram derivadas de dados históricos para um campo particular.
[00145] A saída do modelo HOW da pré-temporada é uma umidade de grãos de colheita predita para uma gama de híbridos por campo para todas as combinações de híbrido-campo em uma operação de cultivo. Esta saída pode ser alimentada para um modelo de carteira de híbrido que otimiza os RMs de híbridos de produtor na carteira com base na capacidade de colheita do produtor para aumentar o rendi- mento e otimizar a colheita para cada campo, de modo que cada híbri-
do tenha uma probabilidade maior de ser colhido em uma janela ideal de umidade de colheita.
[00146] Exemplos de modelos de POW são descritos em mais deta- lhes na Seção 4 abaixo.
[00147] Tanto os modelos HOW de intervalo curto e de intervalo longo usam entradas semelhantes, que podem incluir, mas não estão necessariamente limitadas a: * Data de plantio * Data de colheita * Temperatura máxima * Temperatura mínima * Dias de graus de cultivo * Evapotranspiração * Precipitação * Vento * Radiação solar * Maturidade relativa conforme experimentada (AERM) * Umidade Relativa Média * Maturidade relativa (RM) * Distribuição de RM * Classe de textura do solo * Ponto de murcha * Capacidade de campo * Percentagem de areia * Água disponível da planta * Distância do riacho * Ângulo do fluxo * Elevação * Classe de risco de seca.
[00148] Após a implementação para campos de cultivo, os modelos e algoritmos HOW podem continuar a ser ajustados-fino com base nos resultados do conjunto anterior de predições.
4. EXEMPLO DE GERAÇÃO DE PLANO DIGITAL
4.1 VISÃO GERAL DO PROCESSO
[00149] A FIG. 11(a) ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola implementa instruções de plano de plantio 136 para usar um ou mais modelos preditivos para gerar e/ou modificar planos digitais de plantio usando dados de campo fornecidos por uma ou mais fontes de dados . Planos digitais de plan- tio gerados utilizando as tecnologias divulgadas incluem maturidades relativas de produtos otimizadas e/ou tempos de plantio do produto otimizados, em que os tempos de maturidade de produto e/ou tempos de plantio são configurados com um objetivo de maximizar o rendi- mento e/ou minimizar estresse, em que a umidade da colheita é utili- zada como um indicador de estresse.
[00150] A FIG. 11(a) pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para realizar as operações que são descritas agora. Aspectos do processo da FIG. 11(a), tal como geração de da- dos, pré-processamento e criação de modelo podem incorporar uma ou mais das abordagens descritas acima com referência à FIG. 3, em algumas modalidades.
[00151] Na operação 1105, o sistema de computador de inteligência agrícola 130 é configurado ou programado para receber ou extrair da- dos de campo de uma ou mais fontes de dados, como modelo e repo- sitório de dados de campo 160 usando comunicação eletrônica, e pré- processar os dados de campo como necessário usando, por exemplo, uma ou mais técnicas de pré-processamento descritas acima com re- ferência à FIG. 3. Os dados de campo recebidos ou extraídos de uma ou mais fontes de dados na operação 1105 incluem dados de campo e de produto 1102 e dados de risco de estresse 1104. Em uma modali- dade, dados de campo e de produto 1102 indicam atribuições de pro- dutos a campos que foram feitas historicamente durante um período recente anterior de anos, ou estações de cultivo de uma operação agrícola de produtor. Um exemplo de especificação de registro de da- dos que inclui dados de campo e de produto 1102 é mostrado na Ta- bela 1 abaixo . O campo ID é um identificador único para um campo de uma operação agrícola de produtor, enquanto área cultivada, limites, e maturidade relativa do produto são os dados que estão associados com o campo identificado ID de campo | Area em acres | Limites Maturidade relativa do us goma Tabela 1. Exemplo de registro de dados de campo e de produto.
[00152] Os dados de campo recebidos na operação 1105 também incluem dados de risco de estresse 1104. Em uma modalidade, dados de risco de estresse 1104 indicam medições de certas condições cli- máticas, ambientais e/ou operacionais que ocorreram historicamente ao longo de um período anterior recente de anos ou estações de culti- vo, para campos específicos de uma operação agrícola de produtor. Em uma modalidade, os dados de risco de estresse 1104 incluem da- dos coletados durante vários estágios diferentes de uma operação agrícola de produtor com relação a combinações particulares de pro- duto e campo.
Os estágios de uma operação agrícolas incluem, por exemplo: pré- plantio, pós-plantio, temporada inicial, floração, pré-colheita, e colheita. Em uma modalidade, as tecnologias divulgadas geram planos estáti- cos de plantio e atualizam de forma dinâmica os planos estáticos du- rante vários estágios da estação de cultivo. Alternativamente ou além disso, os dados de risco de estresse 1104 são classificados de acordo com o estágio de planejamento, em que os dados de risco de estresse específicos são usados para influenciar o plano de plantio, por exem- plo: estático, dinâmico, ou estático ou dinâmico, ou ambos, estático e dinâmico. Um exemplo de dados de risco de estresse classificados por estágio de operação agrícola e por estágio de planejamento é mostrado na Tabela 2 abaixo. Pré-plantio Pós-plantio Temporada inicial Planejamento estático | Temperatura do solo Data da geada tardia Corte de seguro da primavera Correspondência RM-AERM do produto Planejamento dinâmi- | Prontidão do campo Represamento Emergência co Represamento Planejamento estático e dinâmico -continuação- Planejamento estático Estresse térmico Data da primeira | Umidade da geada de outono | colheita Planejamento estático e | Estresse de seca Sustentabilidade dinâmico Risco de doença/pestes Tabela 2. Exemplo de classificações de dados de risco de estresse .
[00153] A classificação dos dados de risco de estresse 1104 por estágio operacional permite que pesos sejam atribuídos aos diferentes riscos de estresse e ajustados durante a estação de cultivo. Por exemplo, quando a estação de cultivo entra no estágio de floração, um peso atribuído a stress térmico pode ser aumentado enquanto um pe- so atribuído para a data de geada de primavera pode ser diminuído.
[00154] A classificação dos dados de risco de estresse 1104 por estágio de planejamento permite que pesos sejam atribuídos aos dife- rentes riscos de estresse e ajustados com base no estágio de geração ou modificação do plano de plantio. Por exemplo, durante a geração de um plano estático de plantio, um peso zero pode ser atribuído aos riscos de estresse que tendem a ser altamente variáveis ou menos preditíveis durante a estação de cultivo, como represamento. Da mesma forma, durante o ajuste dinâmico de um plano de plantio, o pe- so atribuído a represamento pode ser aumentado, enquanto um peso zero pode ser atribuído aos riscos de estresse que são estáticos ou que são relevantes apenas na fase de pré-plantio.
[00155] Um exemplo de especificação de registro de dados que in- clui dados de risco de estresse 1104 é mostrado na Tabela 3 abaixo. À ID do campo é um identificador exclusivo para um campo de uma ope- ração agrícola de produtor, enquanto a RM do produto, a data de plan- tio, a temperatura do solo, o estresse térmico e a umidade da colheita são dados de risco de estresse associados ao campo identificado campo produto solo térmico da colheita Tabela 3. Exemplo de registro de dados de risco de estresse.
[00156] Dados de campo e de produto 1102 e dados de risco de estresse 1104 podem ser recebidos ou extraídos da mesma fonte de dados ou de fontes de dados diferentes. A operação 1105 processa os registros de dados recebidos ou extraídos e gera e produz um conjun- to de cenários de campo-produto 1108. Em uma modalidade, um ce- nário de campo-produto 1108 é um registro de dados que indica dados longitudinais para uma estação de cultivo específica de um campo par- ticular no qual um produto de determinada RM foi plantado. Como tal, um cenário de campo-produto 1108 inclui uma combinação de dados de campo e produto 1102 e dados de risco de estresse 1104, bem como dados de colheita, como rendimento real medido na colheita e RM do produto como experimentado (AERM) na colheita. Um exem- plo de especificação de registro de dados para um cenário de campo- produto 1108 é mostrado na Tabela 4 abaixo. A combinação de ID do campo e RM de produto identifica de forma exclusiva o cenário de campo-produto 1108. Data de plantio, temperatura do solo, estresse térmico, e dados de colheita incluindo data da colheita, umidade da colheita, AERM e rendimento, são dados associados com a combina- ção específica ID de campo e RM do produto. ID do campo | RM do | Data de | Temperatura | Estresse | Data da | Umidade — da produto | plantio do solo térmico colheita | colheita Tabela 4. Exemplo de cenário de campo-produto .
[00157] Na operação 1110, os cenários de campo-produto 1108 gerados pela operação 1105 são classificados utilizando limiar(es) preditivo(s) 1106. Limiar(es) preditivo(s) 1106. indicam um ou mais cri- térios tais como valores ou intervalos mínimo e/ou máximo de valores, que estão associados a resultados de colheita desejáveis. Limiar(es) preditivo(s) 1106 são determinados com base em pesquisas empíri- cas, por exemplo. Exemplos de limiares preditivos e pesos de variá- veis de estágio associados aos limiares preditivos são mostrados na Tabela 5 abaixo. RISCO DE ESTRESSE | LIMIAR w1 Ww2 (representa impac- | (representa im- to no plano de plan- | pact no plano tio) de colheita Temperatura de plantio | Maior que 6 graus | 2 1 Celsius Precipitação nos últi-|<0,6 polegadas 3 1 mos 2 dias Evento de geada de | Menos que 50% 2 1 primavera Umidade do solo Menos que 0% da | 3 capacidade do campo
Tabela 5. Exemplo de limiares preditivos .
[00158] Em uma modalidade, os limiares preditivos 1106 são in- corporados em um processo de aprendizagem baseado em árvore pa- ra classificar cenários de campo-produto 1108. Um exemplo de tal processo de classificação baseado em árvore é mostrado na FIG. 11(b) e descrito em mais detalhes abaixo. Exemplos de algoritmos que podem ser usados para implementar o processo de aprendizagem in- cluem algoritmos de árvore aleatória e de reforço.
[00159] A saída dos processos de classificação descritos é usada pela operação 1110 para selecionar cenário(s) candidato(s) de campo- produto 1116 para análise posterior e potencial otimização. Cenário(s) de campo-produto candidato(s) 1116 é um subconjunto de cenários de campo-produto 1108 que contém cenários de campo-produto que são candidatos para análise posterior. Por exemplo, os cenários de campo- produto 1108 que resultaram em um rendimento desejado em uma umidade de colheita desejada, provavelmente seriam excluídos do(s) cenário(s) candidatos 1116, enquanto cenários de campo- produto 1108 que resultaram em menos do que o rendimento ou a umidade da colheita desejados, provavelmente seriam incluídos no(s) cenário(s) candidato(s) de campo-produto 1116.
[00160] Limiares preditivos 1106 também são usados pela opera- ção de computação de pontuação de risco 1120 para gerar uma ou mais pontuações de risco específicas do cenário. Em uma modalidade, a operação 1120 computa várias pontuações de risco diferentes, em que cada pontuação de risco corresponde a um parâmetro de otimiza- ção específico. Nas modalidades divulgadas, os parâmetros de otimi- zação incluem rendimento, umidade de colheita e prontidão de campo para plantio, com rendimento e umidade de colheita sendo os parâme- tros de otimização para o plano estático de plantio, e prontidão de campo sendo o parâmetro de otimização para o plano dinâmico de plantio.
[00161] A operação 1120 computa uma pontuação de risco de ren- dimento comparando a RM do produto à AERM para um cenário de campo-produto candidato específico, onde o RM do produto é a matu- ridade relativa do produto no momento do plantio, conforme especifi- cado por um fabricante do produto, por exemplo. Se AERM for maior que a RM do produto, pode-se inferir que o ambiente de campo espe- cífico pode suportar RMs de produto mais longas. Se um produto de RM mais longa for usado em um campo que pode suportar uma matu- ridade relativa mais longa, a probabilidade de um rendimento mais alto é aumentada. Assim, a operação 1120 produz uma pontuação de risco de rendimento que reflete a oportunidade de ajustar a maturidade do produto que é atribuída ao campo, a fim de aumentar o rendimento.
[00162] A operação 1120 computa uma pontuação de risco de umi- dade de colheita para um cenário de campo-produto candidato especií- fico usando a abordagem baseada em aprendizado por máquina des- crita na Parte 3 acima. Dado um determinado cenário campo-produto candidato 1116, a saída da pontuação de risco de umidade de colheita pela operação 1120 indica uma probabilidade que a maturidade do produto atribuída ao cenário de campo-produto será colhida quando sua umidade está dentro de um intervalo de umidade desejado. Se a pontuação de risco de umidade da colheita indicar uma alta probabili- dade de que um produto com a maturidade de produto atribuída não seja colhido quando sua umidade estiver dentro de uma faixa de umi- dade desejada, a probabilidade de o rendimento ser reduzido devido à umidade de colheita não ideal é maior. Assim, a operação 1120 produz uma pontuação de risco de umidade da colheita que reflete a oportuni- dade de ajustar a maturidade do produto que é atribuída ao campo, a fim de proteger a produção. A pontuação de risco de prontidão em campo é computada pela operação 1130, adaptação dinâmica, descri-
ta abaixo. A operação 1120 produz a pontuação de cenário de risco(s) de 1122, os quais estão associados com os correspondentes cenários de campo-produto candidatos 1116. A operação 1120 coopera com a operação 1110 para computar iterativamente as pontuações de risco para cenários campo- produto candidatos individuais 1116.
[00163] A operação 1125 recebe a(s) pontuação(ões) de risco de cenário 1122 para os cenários de campo-produto candidatos 1116 e ajusta o plano de plantio com base nessa(s) pontuação(ões) de risco. Se uma pontuação de risco de cenário 1122 exceder um limiar de risco para um determinado cenário de campo-produto candidato, a opera- ção 1125 usa um algoritmo de otimização para ajustar um parâmetro do cenário de campo-produto candidato específico para melhorar a pontuação de risco. Em uma modalidade, a operação 1125 altera a RM de produto atribuído ao campo se a pontuação de risco de rendi- mento indicar que AERM>RM do produto e/ou se a pontuação de risco de umidade da colheita indicar que a umidade predita do produto me- dida na colheita provavelmente está fora do intervalo desejado. Por exemplo, a operação 1125 aumenta iterativamente a RM de produto até que uma combinação ótima de AERM e umidade predita para a colheita seja alcançada. Em uma modalidade, um método de otimiza- ção de programação linear, por exemplo, o método Simplex, é usado para chegar aos ajustes ideais de RM de produto.
[00164] Os ajustes de RM de produto feitas pela operação 1125 podem ser feitos em um nível macro, por exemplo, a alocação de RMs de produtos em todas as áreas de atuação do produtor pode ser ajus- tada alterando o número de acres ou a percentagem de acres totais atribuídos às RMs de produtos específicos. Alternativamente, ou em adição, a RM de produto atribuído a um determinado campo é ajusta- da. Por exemplo, uma RM de produto de 110 pode substituir uma RM de produto de 105 para um campo específico.
[00165] A operação 1125 incorpora o(s) ajuste(s) de RM de produto no plano de plantio e dá saída ao plano digital de plantio 1126. O plano digital de plantio 1126 inclui uma ou mais visualizações digitais de alo- cações de maturidade do produto para um determinado campo ou pa- ra uma série de campos de uma operação agrícola de produtor. As visualizações digitais podem incluir alocações de RMs de produtos es- pecíficos do campo e/ou distribuições de RMs de produtos em uma série de campos ou uma operação agrícola inteira. Os planos de plan- tio são melhorados pela operação 1125 porque são feitos ajustes de RM de produto que são matematicamente determinados como suscep- tíveis de melhorar o rendimento e/ou a umidade da colheita. O proces- so acima descrito para melhorar um plano de plantio é ilustrado pelas FIG . 12 (a), FIG. 12 (b) e FIG. 13, descritas abaixo.
[00166] Na operação 1130, o plano digital de plantio 1126 é reavali- ado dinamicamente com base nos dados atuais de predição meteoro- lógica 1128. Em uma modalidade, os dados de risco de estresse que indicam prontidão de campo, tais como dados de viabilidade de cam- po, são atualizados após um plano estático de plantio ser criado e an- tes de uma data de plantio programada. Por exemplo, a operação 1130 pode reavaliar a prontidão do campo diariamente ou conforme necessário, conforme a data de plantio se aproxima, com base nas mudanças em uma previsão do tempo para as próximas duas sema- nas, 10 dias ou 24 horas .
[00167] Os dados meteorológicos que são medidos e rastreados para fins de determinação da capacidade de trabalho em campo inclu- em precipitação real, água do solo, temperatura do solo e represamen- to. Ao observar a variação diária ou periódica desses fatores em com- paração com os dados meteorológicos históricos para o campo, a ope- ração 1130 calcula uma pontuação de risco de prontidão de campo. Em uma modalidade, a pontuação de risco de prontidão de campo é um valor binário em que zero indica que o campo não é trabalhável ou pronto para o plantio, e um indica que o campo é trabalhável.
[00168] “Quando a operação 1130 conclui que um campo não é tra- balhável, a operação 1130 usa os dados meteorológicos históricos e atuais para mover a data de plantio programada para uma data na qual está predito que o campo estará pronto para o plantio. A opera- ção 1130 pode repetir este processo de reavaliar a prontidão do cam- po e ajustar a data de plantio conforme novos dados de previsão do tempo 1128 são recebidos. O processo acima descrito, de adaptar di- namicamente um plano de plantio com base na prontidão de campo, é ilustrado pelas FIG. 14 (b) até a FIG. 14 (e), descritas abaixo.
4.2 VISÃO GERAL DO MODELO DE CLASSIFICAÇÃO
[00169] A FIG. 11(b) ilustra um exemplo de modelo 1140 que pode ser usado para gerar previsões de risco de estresse. O modelo da FIG. 11(b) usa uma estrutura de gráfico baseada em árvore na qual os nós indicam conjuntos de dados e as bordas indicam diferentes limites preditivos para diferentes riscos de estresse. A estrutura do gráfico é dividida em várias sub-árvores, onde cada sub-árvore corresponde a um estágio da estação de cultivo (estágio 1, estágio 2, estágio 3). Os limites preditivos atribuídos às bordas de um estágio correspondem aos riscos de estresse associados a esse estágio específico.
[00170] O nó 1142 representa um conjunto de dados, por exemplo, um conjunto de cenários de campo-produto. O estágio 1 corresponde a uma etapa de plantio em que o risco de estresse relevante é a tem- peratura do solo. Como tal, as bordas do estágio 1 representam limites preditivos para a temperatura do solo. Assim, o conjunto de dados 1144 representa um subconjunto do conjunto de dados 1142, onde os cenários de campo-produto corresponderam ao limite preditivo da temperatura do solo na faixa de 8-12 graus Celsius. Da mesma forma, o conjunto de dados 1146 representa um subconjunto do conjunto de dados 1142 em que os cenários de campo-produto correspondem ao limite preditivo da temperatura do solo a menos de 8 graus Celsius ou superior a 12 graus Celsius. Os limites preditivos são selecionados de modo que o conjunto de dados 1142 possa ser dividido em subconjun- tos sem perda de dados. Ou seja, todos os cenários de campo-produto no conjunto de dados 1142 têm temperatura do solo dentro da faixa de 8-12 graus Celsius ou fora dessa faixa.
[00171] Do mesmo modo, a fase 2 corresponde a uma fase de flo- ração, em que o risco de stress relevante é o stress térmico. Os con- juntos de dados 1144, 1146 são divididos em subconjuntos 1148, 1150, 1152, 1154, de acordo com se o estresse térmico registrado pa- ra um cenário de campo-produto particular é baixo ou alto. Assim, ca- da um dos conjuntos de dados 1148, 1150, 1152, 1154 contém um subconjunto do conjunto de dados 1142 que satisfaz uma combinação particular de limiares preditivos para temperatura do solo e estresse térmico.
[00172] O estágio 3 corresponde a um estágio de colheita, no qual O risco de estresse relevante é a umidade da colheita. Os conjuntos de dados 1148, 1150, 1152, 1154 são divididos em subconjuntos 1156, 1158, 1160, 1162, 1164, 1166, 1168, 1170, de acordo com a umidade da colheita registrada para um determinado cenário de campo-produto estar na faixa de umidade desejada ou abaixo dela. Assim, cada um dos conjuntos de dados 1156, 1158, 1160, 1162, 1164, 1166, 1168, 1170 contém um subconjunto do conjunto de dados 1142 que satisfaz uma combinação particular de limiares preditivos para temperatura do solo e estresse térmico e umidade da colheita .
[00173] As colunas 1172 e 1174 representam pontuações de risco que foram computadas para dois conjuntos de dados diferentes 1142, para cada uma das várias combinações de limiares preditivos. A colu- na 1176 indica a quantidade e a porcentagem da área plantada atribu-
ída aos vários cenários de campo-produto nos conjuntos de dados. Modelar conjuntos de dados 1142 desta forma permite a identificação de cenários de campo-produto, que são candidatos para melhorar o rendimento, e também identifica combinação de limites preditivos que estão associados com resultados de rendimento ótimo e sub-ótimo. O modelo 1140 pode, portanto, ser usado para identificar cenários de campo-produto candidatos 1116 a partir de um conjunto maior de ce- nários de campo-produto 1108.
4.3 CASO DE USO - CRIAÇÃO E AJUSTE DE PLANOS DIGITAIS
[00174] Exemplos de implementações das tecnologias descritas acima para criar ou modificar planos digitais de plantio são mostrados nas FIG. 12 (a), FIG. 12 (b) , FIG. 13, FIG. 14.
[00175] As FIG.12 (a), FIG. 12 (b) representam duas vistas de um exemplo de plano digital de plantio antes da aplicação das tecnologias aqui descritas. Na FIG. 12(a), um exemplo de gráfico mostra uma dis- tribuição inicial de RMs de produto para a área no momento do plantio. A FIG . 12(b) é um exemplo de gráfico que mostra os níveis de umida- de medidos na colheita para as RMs de produto da FIG. 12(a). Como pode ser visto a partir da FIG. 12(b), a umidade na colheita estava abaixo da faixa de umidade desejada para uma grande parte dos campos plantados de acordo com o plano de plantio da FIG. 12(a).
[00176] As FIG. 13 (a), FIG. 13(b), FIG. 13(c) representam várias vistas de outro exemplo de plano digital de plantio. A FIG. 13(a) é um exemplo de gráfico que mostra a maturidade relativa experimentada no momento da colheita, para os campos plantados de acordo com a distribuição de RM do produto da FIG. 12(a), por porcentagem da área total. A FIG. 13(a) sugere que os campos plantados de acordo com a distribuição de RM da FIG. 12(a) realmente poderiam suportar uma distribuição diferente de RM na qual RMs de produto mais longas são usadas em porcentagens maiores dos campos.
[00177] AFIG.13a(b)é um exemplo de plotagem que mostra umi- dade de colheita predita se os campos devessem ser plantados com uma distribuição de RM de acordo com a FIG. 13(a) em vez de usar a distribuição de RM da FIG. 12(a). A FIG. 13(c) ilustra o gráfico da FIG. 13(a) sobreposto em um gráfico de uma distribuição de AERM que é semelhante à distribuição da FIG. 13(b), mas utilizando a mesma es- cala de eixo-y da Fig. 13(a) . A distância entre as medianas destas du- as distribuições representa uma oportunidade de otimização. Confor- me mostrado pela FIG. 13(c), prevê-se que o ajuste da distribuição de RM em direção à distribuição de AERM provavelmente melhorará o número de campos colhidos com o produto que está na faixa de umi- dade desejada.
[00178] A FIG. 14(a) mostra um exemplo de gráfico de uma distri- buição de RM em toda uma operação agrícola de produtor, de modo que cada porção do gráfico em pizza representa uma porcentagem do número total de campos na operação que devem ser plantados com uma RM de produto específico. O gráfico de pizza da FIG. 14(a) é um tipo de saída que pode ser produzida pela operação 1125 da FIG. 11(a). Em uma modalidade, um gráfico como a FIG. 14(a) é enviado para o dispositivo de computação do produtor e o produtor usa o gráfi- co para tomar decisões de compra do produto antes do início da esta- ção de cultivo.
[00179] A FIG. 14(b) mostra exemplo de um mapa de campo que inclui a distribuição de RM da FIG. 14(a) sobreposto em imagens digi- tais dos campos correspondentes nos quais as MRs devem ser plan- tadas. A sobreposição da distribuição de RM é gerada usando uma técnica de realidade aumentada, em uma modalidade. Um mapa de campo, como a FIG. 14(b) é outro tipo de saída que pode ser produzi- da pela operação 1125 da FIG. 11(a). Em uma modalidade, um mapa como a FIG. 14(b) é enviado para um dispositivo móvel de gerencia-
mento de campo e o gerente de campo usa o mapa para determinar quais RMs de produto carregar em uma plantadeira, por exemplo.
[00180] Na FlG.14(b), as sobreposições de realidade aumentada são codificadas por cores de acordo com a prontidão de campo con- forme determinado dinamicamente pela operação 1130 da FIG. 11(a). Os campos marcados em verde estão prontos para serem plantados, enquanto os campos marcados em vermelho não estão prontos para serem plantados, e os campos marcados em amarelo podem ser plan- tados com cuidado. Os códigos de cores mostrados na FIG. 14(b) são atualizados dinamicamente conforme a operação de adaptação dinâ- mica 1130 recebe novos dados de previsão do tempo 1128. Em uma modalidade, um mapa codificado por cores, como a FIG. 14(b) é envi- ado para um dispositivo móvel de gerenciamento de campo e o geren- te de campo usa o mapa para determinar uma ordem em que campos específicos são plantados, por exemplo.
[00181] As FIG. 14(c), FIG. 14(d) e FIG. 14(e) mostram saída adici- onal que pode ser gerada pela operação de otimização do plano de plantio 1125 em cooperação com a operação de ajuste dinâmico 1130 da FIG. 11(a). A FIG. 14(c) mostra um exemplo de gráfico de indicado- res de prontidão de campo alinhados com as localizações geográficas correspondentes em toda a operação de cultivo de um produtor. Os indicadores de prontidão de campo são codificados, por exemplo, codi- ficados por cores, e são sobrepostos em um mapa geográfico da regi- ão de cultivo usando, por exemplo, uma técnica de realidade aumen- tada.
[00182] AFIG.14(d) mostra um exemplo de planilha ou saída tabu- lar da operação de otimização do plano de plantio 1125 gerada em co- operação com a operação de ajuste dinâmico 1130, que inclui infor- mações detalhadas sobre as pontuações de risco calculadas para uma série de diferentes riscos de estresse. Selecionar, por exemplo, clican-
do ou tocando no mostrador da interface do usuário, o ícone na quinta coluna da FIG. 14 (d) causa a exibição das previsões detalhadas de risco de prontidão de campo que são mostradas na FIG. 14(e), que são computadas pela operação de adaptação dinâmica 1130. Na mo- dalidade ilustrada, a pontuação de risco de prontidão de campo é cal- culada como um composto de início da temporada, floração e riscos de estresse de colheita, conforme discutido acima. Uma pontuação de risco mais baixa indica um maior grau de prontidão do campo para o plantio. A FIG . 14(e) mostra um exemplo de uma visualização basea- da em calendário, em que as mudanças na prontidão do campo são mapeadas para dias da estação de cultivo para os quais os dados de previsão do tempo atuais foram recebidos.
4.4 EXEMPLO DE MODELOS DE POW
[00183] “Modelos de janela de otimização de plantio (POW) usam as tecnologias descritas acima para buscar otimizar a colheita por meio de dois mecanismos: maturidade relativa (RM) e tempo de plantio. Otimização de RM
[00184] O modelo de otimização de RM busca otimizar a propaga- ção da maturidade relativa (RM) de todos os híbridos em um portfólio de produtor. O modelo de otimização de RM usa dados de intervalo longo, ou seja, dados históricos e gera predições antes do início da estação de cultivo (por exemplo, 8 a 10 meses de antecedência). As predições geradas pelo modelo de otimização de RM são usadas para selecionar híbridos para a próxima estação de cultivo e atribuir os hí- bridos aos campos da operação de cultivo. Otimização do Tempo de Plantio
[00185] Os modelos de otimização do tempo de plantio buscam otimizar o tempo de plantio para todos os híbridos selecionados usan- do a otimização de RM em todos os campos da operação de um pro- dutor. A otimização do tempo de plantio inclui um modelo estático (sa-
ídas de intervalo longo, recomendações de pré-plantio ou um 'plano estático de plantio' ) e um modelo dinâmico (saídas de ajustes de in- tervalo curto/curto prazo com base no tempo observado e previsto).
[00186] As entradas para a RM e modelos POW de tempo de plan- tio incluem cenários meteorológicos preditos e outros fatores de cultu- ra, meio ambiente e gerenciamento, incluindo os dados históricos de plantio do produtor e operações de colheita. Planos Estáticos de Plantio
[00187] Uma saída de plano estático de plantio pelos modelos POW incluem datas de plantio recomendadas para várias combinações de campo-RM de produto. O modelo POW pode gerar as recomenda- ções da data de plantio com base nas predições da janela de umidade da colheita produzidas por um modelo HOW. Um exemplo de uma re- comendação produzida pelo modelo POW é para um produtor plantar um híbrido de RM específica em um campo específico em um mo- mento específico que está predito para permitir a colheita em uma ja- nela ideal de umidade do grão, mas também antes de um risco de queda de geada para esse campo. As principais entradas para o mo- delo estático de POW podem incluir, mas não estão necessariamente limitadas a: * Data limite estimada de seguro para uma área * Correspondência RM-AERM de híbrido * Data predita de geada final da primavera * Estresse térmico predito durante a floração * Estresse de seca predito durante a floração * Risco previsto de doenças/pragas durante a floração * Data predita de geada para o primeiro outono * Umidade de grãos de colheita predita para uma combina- ção de híbrido-campo
Planos dinâmicos de plantio
[00188] “Um modelo POW dinâmico produz um plano de plantio que inclui uma predição — na temporada de intervalo curto ( por exemplo, em tempo real ou diariamente) de prontidão de plantio para uma com- binação campo-RM de híbrido. Um objetivo para este modelo é ajudar o produtor a permanecer dentro de seu plano estático de plantio ideal para sua operação, conforme produzido pelo modelo de POW estático. Uma vez que clima é a maior variável durante o período de plantio, o modelo POW dinâmico toma como entradas de intervalo curto (por exemplo, diariamente) dados de tempo observados e dados de tempo previstos de curto alcance. A saída do modelo POW dinâmico inclui predições das condições de prontidão do campo. A saída do modelo POW dinâmico pode ser usada para, por exemplo, mover ou encami- nhar máquinas agrícolas, tais como plantadeiras, ou para fazer ajustes às atribuições de híbrido-campo se a prontidão de campo predita ex- ceder um limiar indicando que a prontidão de campo é adiada por um certa quantidade. A saída do modelo dinâmico de POW pode ser ali- mentada para uma ferramenta de apoio à decisão para otimizar a ope- ração de plantio. As entradas para o modelo dinâmico de POW podem incluir, mas não estão necessariamente limitadas a: * Índice de prontidão de campo * Risco de represamento pré-plantio * Risco de represamento pós-plantio * Risco de não uniformidade de emergência
[00189] Após a implementação para campos de cultivo, os modelos e algoritmos POW podem continuar a ser ajustados-fino com base nos resultados do conjunto anterior de predições.
5. EXEMPLOS ADICIONAIS
[00190] “Exemplos ilustrativos das tecnologias divulgadas neste do- cumento são fornecidos abaixo. Uma modalidade das tecnologias po-
de incluir qualquer um dos exemplos ou uma combinação dos descri- tos abaixo.
[00191] Emum exemplo 1, um método implementado por computa- dor para gerar um plano digital melhorado para campos agrícolas as- sociados a uma operação de produtor durante uma estação de cultivo, o método incluindo o recebimento, por um modelo preditivo, de um conjunto de entradas digitais relacionadas a um plano digital; onde o conjunto de entradas digitais inclui, para produtos a serem plantados em campos agrícolas, dados de risco de estresse e pelo menos um de dados de maturidade de produto, dados de localização de campo, da- dos de data de plantio, dados de data de colheita; onde o modelo pre- ditivo foi treinado para correlacionar matematicamente conjuntos de entradas digitais com dados de limiar preditivo que estão associados aos dados de risco de estresse; usando o modelo preditivo, gerar, co- mo saída digital em resposta ao conjunto de entradas digitais, dados de predição de risco de estresse para um conjunto de maturidade de produto e combinações de localização de campo; onde os dados de predição de risco de estresse indicam uma probabilidade matemática de dados de colheita reais coincidirem com os dados de colheita dese- jados em uma data específica durante a estação de cultivo; onde os dados da colheita reais incluem a umidade do produto medida na co- lheita resultante do plantio de um produto de acordo com o plano digi- tal; onde os dados de colheita desejados indicam umidade associada a um rendimento de produto desejado; criar e armazenar digitalmente um plano digital aprimorado ajustando os dados de maturidade do produto ou os dados da data de plantio ou os dados da data de colhei- ta ou os dados de localização de campo com base nos dados de pre- visão de risco de estresse; transmitir o plano digital melhorado para um dispositivo de computação de gerenciamento de campo associado à operação do produtor e causar a exibição do plano digital melhorado em um mostrador do dispositivo de computação de gerenciamento de campo ou causar o movimento de um aparelho agrícola em resposta ao plano digital melhorado.
[00192] Um exemplo 2 inclui o tema do exemplo 1, onde os dados de previsão de risco de estresse indicam uma previsão de qualquer um ou mais de rendimento, umidade de colheita, prontidão do campo para o plantio. Um exemplo 3 inclui o tema do exemplo 1 ou do exem- plo 2, onde o plano digital identifica uma distribuição de maturidades de produto entre os campos agrícolas e o plano digital aprimorado é criado alterando a distribuição de maturidades de produto entre os campos agrícolas com base nos dados de previsão de risco de estres- se. Um exemplo 4 inclui o tema de qualquer um dos exemplos 1-3, on- de o plano digital indica uma atribuição de maturidade de um produto para um campo agrícola e o plano digital aprimorado é criado alteran- do a atribuição da maturidade do produto para o campo agrícola com base nos dados de previsão de risco de estresse. Um exemplo 5 inclui o tema de qualquer um dos exemplos 1-4, onde o plano digital indica uma atribuição de uma data de plantio ou uma data de colheita para um campo agrícola e o plano digital aprimorado é criado alterando a atribuição da data de plantio ou da data de colheita para o campo agrí- cola com base nos dados de previsão de risco de estresse. Um exem- plo 6 inclui o tema de qualquer um dos exemplos 1-5, incluindo ainda, usar o modelo preditivo, onde os dados de risco de estresse estão as- sociados a pelo menos dois estágios diferentes de uma operação de cultivo para um campo agrícola específico. Um exemplo 7 inclui o tema de qualquer um dos exemplos 1-6, incluindo ainda ajustar o plano digi- tal melhorado em resposta às mudanças nos dados de previsão do tempo obtidos após o plano digital ter sido criado. Um exemplo 8 inclui o tema de qualquer um dos exemplos 1-7, onde pelo menos parte do conjunto de entradas digitais é recebida usando comunicação eletrôni-
ca com um aparelho agrícola. Um exemplo 9 inclui o tema de qualquer um dos exemplos 1-8, onde o plano digital aprimorado inclui uma visu- alização digital de alocações de maturidade do produto para campos agrícolas. Um exemplo 10 inclui o tema de qualquer um dos exemplos 1-9, onde o modelo preditivo é treinado usando um algoritmo de aprendizado por máquina supervisionado, implementado por computa- dor, incluindo um algoritmo de árvore aleatória ou um algoritmo de aumento de gradiente. Um exemplo 11 inclui uma ou mais instruções de armazenamento de mídia de armazenamento não transitório que, quando executadas por um ou mais dispositivos de computação, cau- sam a execução das operações citadas em qualquer um dos exemplos 1-10. Um exemplo 12 inclui um sistema de computador configurado para causar a execução das operações descritas em qualquer um dos exemplos 1-10.
[00193] Em um exemplo 13, um método implementado por compu- tador para gerar um plano digital melhorado para um campo agrícola associado a uma operação de cultivo e um produto plantado no campo agrícola durante uma estação de cultivo, inclui o recebimento, por um modelo preditivo, de um conjunto de entradas digitais relativas a um plano digital e uma data de previsão posterior ao plantio do produto no campo agrícola durante o período de cultivo; onde o conjunto de en- tradas digitais inclui, para o campo agrícola, dados meteorológicos ob- servados coletados durante a estação de cultivo até a data de predi- ção e dados meteorológicos preditos computados para um intervalo de datas futuras após a data de predição durante a estação de cultivo, e para o produto plantado no campo agrícola, dados de data de plantio e dados de maturidade do produto; onde o modelo preditivo foi treinado para correlacionar matematicamente conjuntos de entradas digitais com dados de limiar associados à umidade da colheita; utilizar o mo- delo preditivo, gerando, como saída digital em resposta ao conjunto de entradas digitais, dados de predição de umidade da colheita para o intervalo de datas futuras para o produto plantado na área agrícola; onde os dados de predição de umidade da colheita indicam uma pro- babilidade matemática de os dados reais de umidade da colheita cor- responderem aos dados de umidade da colheita desejados durante o intervalo de datas futuro; onde os dados reais da colheita incluem a umidade do produto medida na colheita resultante do plantio do produ- to de acordo com o plano digital; onde os dados de umidade de colhei- ta desejados indicam umidade associada com um rendimento de pro- duto desejado; criar e armazenar digitalmente um plano de plantio digi- tal aprimorado, incluindo uma data de colheita recomendada com base nos dados de predição de umidade da colheita; transmitir o plano digi- tal melhorado para um dispositivo de computação do gerenciamento de campo associado à operação do produtor e causar a exibição do plano digital melhorado em um mostrador do dispositivo de computa- ção de gerenciamento de campo ou causar o movimento de um apare- lho agrícola em resposta ao plano digital melhorado.
[00194] Um exemplo 14 inclui o tema do exemplo 13 e inclui ainda, em resposta a uma nova data de predição após a data de predição, receber, por um modelo preditivo, um novo conjunto de entradas digi- tais relacionadas ao plano digital e à nova data de predição; utilizar o modelo preditivo, gerando, como saída digital em resposta ao novo conjunto de entradas digitais, novos dados de predição de umidade da colheita para um novo intervalo de datas futuras para o produto plan- tado na área agrícola; criar e armazenar digitalmente um novo plano digital aprimorado, ajustando a data de colheita com base nos novos dados de predição de umidade da colheita; transmitir o novo plano di- gital melhorado para um dispositivo de computação de gerenciamento de campo associado à operação do produtor e causar a exibição do novo plano digital melhorado em um mostrador do dispositivo de com-
putação de gerenciamento de campo. Um exemplo 15 inclui o tema do exemplo 14, incluindo ainda a repetição do recebimento, geração, cri- ação e transmissão em uma base periódica ou diária.
[00195] Um exemplo 16 inclui o tema de qualquer um dos exemplos 13-15, incluindo ainda: inserir os dados de previsão de umidade da colheita em um segundo modelo preditivo; usando o segundo modelo preditivo, gerar, para uma combinação de produto e campo agrícola, dados de recomendação incluindo pelo menos um de uma recomen- dação de maturidade relativa, uma recomendação de data de plantio e uma recomendação de data de colheita; transmitir os dados de reco- mendação para um dispositivo de computação associado à operação do produtor e causar a exibição dos dados de recomendação em um mostrador do dispositivo de computação ou causar o movimento de um aparelho agrícola em resposta aos dados de recomendação. Um exemplo 17 inclui uma ou mais instruções de armazenamento de mídia de armazenamento não transitório que, quando executadas por um ou mais dispositivos de computação, causam a execução das operações citadas em qualquer um dos exemplos 13-16. Um exemplo 18 inclui um sistema de computador configurado para causar a execução das operações descritas em qualquer um dos exemplos 13-16.
[00196] Em um exemplo 19, um método implementado por compu- tador para gerar um plano digital melhorado para um campo agrícola associado a uma operação de cultivo e um produto a ser plantado no campo agrícola durante uma estação de cultivo, o método incluindo: receber, por um modelo preditivo, um conjunto de entradas digitais re- lacionadas a um plano digital e uma data de previsão que ocorre du- rante o período de cultivo e antes do plantio do produto; onde o con- junto de entradas digitais inclui, para o campo agrícola, dados meteo- rológicos observados coletados durante a estação de cultivo até a data de predição e dados meteorológicos preditos calculados para um in-
tervalo de datas futuras após a data de previsão durante a estação de cultivo, e para o produto a ser plantado no campo agrícola, dados de maturidade do produto; onde o modelo preditivo foi treinado para cor- relacionar matematicamente conjuntos de entradas digitais com dados de limiar associados com prontidão de campo; utilizar o modelo predi- tivo, gerando, como saída digital em resposta ao conjunto de entradas digitais, dados de predição de prontidão de campo para o intervalo de datas futuras para o produto a ser plantado no campo agrícola; onde os dados de predição de prontidão de campo indicam uma probabili- dade matemática de dados de prontidão de campo reais corresponde- rem aos dados de prontidão de campo desejados; criar e armazenar digitalmente um plano digital melhorado ajustando uma data de plantio com base nos dados de predição de prontidão de campo; transmitir o plano digital melhorado para um dispositivo de computação de geren- ciamento de campo associado à operação do produtor e causar a exi- bição do plano digital melhorado em um mostrador do dispositivo de computação de gerenciamento de campo ou causar o movimento de um aparelho agrícola em resposta ao plano digital melhorado.
[00197] Um exemplo 20 inclui o tema do exemplo 19, incluindo ain- da a repetição do recebimento, geração, criação e transmissão em uma base periódica ou diária. Um exemplo 21 inclui uma ou mais ins- truções de armazenamento de mídia de armazenamento não transitó- rio que, quando executadas por um ou mais dispositivos de computa- ção, causam a execução das operações citadas em qualquer um dos exemplos 19-20. Um exemplo 22 inclui um sistema de computador configurado para causar a execução das operações descritas em qualquer um dos exemplos 19-20.
[00198] Em um exemplo 23, um método implementado por compu- tador inclui um ou mais aspectos de qualquer um dos exemplos 1-22 e inclui o recebimento de dados de treinamento de campos de cultivo e/ou campos de pesquisa e desenvolvimento, incluindo valores de teor de umidade de núcleo (kernel) que são armazenados digitalmente em associação com valores de data em que os valores de teor de umida- de foram obtidos e valores de geolocalização de campo para campos a partir dos quais os valores de teor de umidade foram obtidos; rece- ber dados de entrada específicos do produtor, incluindo clima, genéti- ca e valores de operações de campo; opcionalmente, chamar progra- maticamente um processo de modelo de fertilidade para obter uma data predita na qual a cultura representada nos valores genéticos atin- girá o estágio de cultivo R6 com base nos valores do clima e nos valo- res das operações de campo; avaliar o modelo de aprendizado por máquina treinado com base em dados de entrada específicos do pro- dutor para gerar um valor de umidade previsto do núcleo na data R6; repetir a avaliação para uma pluralidade de outras datas antes e de- pois da data R6 predita até que os valores de umidade de saída predi- tos estejam fora de um intervalo especificado, resultando na criação e armazenamento de um intervalo de datas durante o qual o teor de umidade do núcleo está predito para cair dentro do intervalo especifi- cado; opcionalmente, calcular um melhor caminho ou caminho mais curto para um conjunto de equipamentos agrícolas atravessarem um conjunto de campos em diferentes datas de atividades de colheita re- comendadas, equilibrando a data de colheita e a distância de viagem; produzir o intervalo de datas, que representam datas de atividades de colheita recomendadas para campos e híbridos especificados; opcio- nalmente, transmitir instruções para uma colheitadeira-plantadeira ou colheitadeira para fazer com que o equipamento seja reposicionado em um campo especificado em uma data especificada para iniciar a colheita naquele campo naquela data.
6. BENEFÍCIOS, EXTENSÕES E ALTERNATIVAS
[00199] As técnicas desta divulgação oferecem vários benefícios e melhorias práticas. Por exemplo, as predições geradas por modalida- des podem ser usadas para melhorar o posicionamento de máquinas agrícolas na época de plantio e/ou na época da colheita. Exibições gráficas, de dados de campo, tais como mapas de campo que podem ser exibidos em um computador de cabine, também podem ser melho- radas com base em predições que são geradas por modalidades. Des- ta forma, a divulgação integra os processos que são descritos na apli- cação prática, incluindo, mas não se limitando a, melhorar as opera- ções de máquina associada ao plantio e colheita agrícola . Além disso, a divulgação fornece melhorias claras para as tecnologias de agricultu- ra, agrociência, gerenciamento de safra e gerenciamento de campo, bem como interfaces gráficas de usuário e mostradores de informa- ções gráficas.
[00200] “Todos os processos aqui descritos se destinam a ser im- plementados usando computadores programados para alcançar os benefícios e as melhorias que são descritas acima, por via de proces- sos específicos que são divulgados. A divulgação é direcionada a es- ses processos, não a conceitos. Nada na divulgação se destina ou de- ve ser interpretado como divulgação ou reivindicação de uma idéia abstrata, produto da natureza, lei da natureza ou fenômeno natural. Nada na divulgação se destina ou deve ser interpretado como divulga- ção ou reivindicação apenas de conceitos matemáticos, certos méto- dos de organização da atividade humana ou processos mentais, e qualquer interpretação das reivindicações para cobrir qualquer um dos anteriores não pode ser razoável em vista da divulgação e este pará- grafo.
[00201] Na especificação anterior, modalidades da invenção foram descritas com referência a vários detalhes específicos que podem va- riar de implementação para implementação. O relatório descritivo e os desenhos devem, portanto, ser considerados em um sentido ilustrativo e não restritivo.
O único e exclusivo indicador do escopo da invenção, e o que os requerentes pretendem seja o escopo da invenção, é o es- copo literal e equivalente do conjunto de reivindicações que emanam deste pedido, na forma específica em que tal emissão de reivindica- ções, incluindo qualquer correção subsequente.
Claims (22)
1. Método implementado por computador para gerar um plano digital melhorado para campos agrícolas associados a uma ope- ração de produtor durante uma estação de cultivo, caracterizado pelo fato de compreender: receber, por um modelo preditivo, um conjunto de entra- das digitais relacionadas a um plano digital; em que o conjunto de entradas digitais compreende, para produtos a serem plantados nos campos agrícolas, dados de risco de estresse e pelo menos um de dados de maturidade de produto, dados de localização de campo, dados de data de plantio, dados de data de colheita; em que o modelo preditivo foi treinado para correlacionar matematicamente conjuntos de entradas digitais com dados de limiar preditivo que estão associados aos dados de risco de estresse; usar o modelo preditivo, gerando, como saída digital em resposta ao conjunto de entradas digitais, dados de predição de risco de estresse para um conjunto de combinações de maturidade de pro- duto e localização de campo; em que os dados de predição de risco de estresse indi- cam uma probabilidade matemática de dados reais de colheita cor- responderem aos dados de colheita desejados em uma data particular durante a estação de cultivo; em que os dados reais da colheita incluem a umidade do produto medida na colheita resultante do plantio de um produto de acordo com o plano digital; em que os dados de colheita desejados indicam umidade associada a um rendimento de produto desejado; criar e armazenar digitalmente um plano digital aprimora- do ajustando os dados de maturidade do produto ou os dados da data de plantio ou os dados da data de colheita ou os dados de localização de campo com base nos dados de predição de risco de estresse; transmitir o plano digital melhorado para um dispositivo de computação de gerenciamento de campo associado à operação do produtor e causar a exibição do plano digital melhorado em um mos- trador do dispositivo de computação de gerenciamento de campo ou causar movimento de um aparelho agrícola em resposta ao plano digi- tal melhorado.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de os dados de predição de risco de estresse indicarem uma predição de qualquer um ou mais de rendimento, umidade da colheita, prontidão do campo para o plantio.
3. Método, de acordo com a reivindicação 1 ou 2 , caracte- rizado pelo fato de o plano digital identificar uma distribuição de matu- ridades de produto através dos campos agrícolas e o plano digital me- lhorado ser criado alterando a distribuição de maturidades de produto através dos campos agrícolas com base nos dados de previsão de ris- co de estresse.
4. Método, de acordo com qualquer uma das reivindica- ções 1a3, caracterizado pelo fato de o plano digital indicar uma atri- buição de uma maturidade de produto para um campo agrícola e o plano digital melhorado ser criado pela alteração da atribuição da ma- turidade do produto para o campo agrícola com base no dados de pre- dição de risco de estresse.
5. Método, de acordo com qualquer uma das reivindica- ções 1 a 4, caracterizado pelo fato de o plano digital indicar uma atri- buição de uma data de plantio ou uma data de colheita para um campo agrícola e o plano digital melhorado ser criado pela alteração da atri- buição da data de plantio ou da data de colheita para o campo agrícola com base nos dados de predição de risco de estresse .
6. Método, de acordo com qualquer uma das reivindica- ções 1 a 5, caracterizado pelo fato de ainda compreender usar o mo- delo preditivo, em que os dados de risco de estresse estão associados com pelo menos dois estágios diferentes de uma operação de produtor para um campo agrícola em particular.
7. Método, de acordo com qualquer uma das reivindica- ções 1 a 6, caracterizado pelo fato de ainda compreender ajustar o plano digital melhorado em resposta a alterações em dados de previ- são meteorológica obtidos após o plano digitais ter sido criado.
8. Método, de acordo com qualquer uma das reivindica- ções 1 a 7, caracterizado pelo fato de pelo menos alguns dos conjun- tos de entradas digitais serem recebidos através de comunicação ele- trônica com um aparelho agrícola.
9. Método, de acordo com qualquer uma das reivindica- ções 1 a 8, caracterizado pelo fato de a melhoria do plano digital com- preender uma visualização digital de alocações de maturidade do pro- duto para campos agrícolas.
10. Método, de acordo com qualquer uma das reivindica- ções 1 a 9, caracterizado pelo fato de o modelo preditivo ser treinado usando um algoritmo de aprendizagem por máquina implementado e supervisionado por computador compreendendo algoritmo árvore alea- tória ou um algoritmo de aumento de gradiente
11. Meio de armazenamento não transitório, caracterizado pelo fato de armazenar instruções, que quando executadas por um ou mais dispositivos de computação, acarreta a execução de operações, como definidas em qualquer uma das reivindicações 1 a 10.
12. Sistema de computador, caracterizado pelo fato de ser configurado para causar a execução de operações, como definidas em qualquer uma das reivindicações 1 a 11.
13. Método implementado por computador para gerar um plano digital melhorado para um campo agrícola associado com uma operação de cultivador e um produto plantado no campo agrícola du- rante uma estação de cultivo, caracterizado pelo fato de compreender:
receber, por um modelo preditivo, um conjunto de entra- das digitais relativas a um plano digital e uma data de predição que é posterior ao produto ter sido plantado no campo agrícola durante a es- tação de cultivo;
em que o conjunto de entradas digitais compreende, para o campo agrícola, dados meteorológicos observados coletados duran- te a estação de cultivo até a data de predição, e dados meteorológicos previstos computados para um intervalo futuro de datas após a data de predição durante a estação de cultivo, e para o produto plantado no campo agrícola, dados de data de plantio e dados de maturidade do produto;
em que o modelo preditivo foi treinado para correlacionar matematicamente conjuntos de entradas digitais com dados de limiar associados à umidade da colheita;
utilizando o modelo preditivo, gerar, como saída digital em resposta ao conjunto de entradas digitais, dados de predição de umi- dade da colheita para o intervalo de datas futuras para o produto plan- tado no campo agrícola;
em que os dados de predição de umidade da colheita in- dicam uma probabilidade matemática de os dados reais de umidade da colheita corresponderem aos dados de umidade da colheita dese- jados durante o intervalo de datas futuras;
em que os dados reais de colheita incluem a umidade do produto medida no momento da colheita resultante do plantio do pro- duto de acordo com o plano digital;
em que os dados de umidade de colheita desejada indi- cam umidade associada a um rendimento de produto desejado;
criar e armazenar digitalmente um plano de plantio digital aprimorado, incluindo uma data recomendada de colheita com base nos dados de predição de umidade da colheita; transmitir o plano digital melhorado para um dispositivo de computação de gerenciamento de campo associado à operação de produtor e causar a exibição do plano digital melhorado em um mos- trador do dispositivo de computação de gerenciamento de campo ou causar o movimento de um aparelho agrícola em resposta ao plano digital melhorado.
14 . Método implementado por computador, de acordo com a reivindicação 13, caracterizado pelo fato de compreender ainda: em resposta a uma nova data de predição a contar da da- ta de predição, receber, por um modelo preditivo, um novo conjunto de entradas digitais, em relação ao plano digital e à nova data de predi- ção; utilizando o modelo preditivo, gerar, como saída digital em resposta ao novo conjunto de entradas digitais, novos dados de predi- ção de umidade da colheita para um novo intervalo de datas futuras para o produto plantado no campo agrícola; criar e armazenar digitalmente um novo plano digital apri- morado, ajustando a data de colheita com base nos novos dados de predição de umidade da colheita; transmitir o novo plano digital melhorado para um disposi- tivo de computação de gerenciamento de campo associado à opera- ção do produtor e causar a exibição do novo plano digital melhorado em um mostrador do dispositivo de computação de gerenciamento de campo.
15. Método implementado por computador, de acordo com a reivindicação 14, caracterizado pelo fato de compreender ainda re- petir o recebimento, geração, criação e transmissão em uma base pe-
riódica ou diária.
16. Método implementado por computador, de acordo com qualquer uma das reivindicações 13 a 15, caracterizado pelo fato de compreender ainda: inserir os dados de predição de umidade da colheita em um segundo modelo preditivo; usando o segundo modelo preditivo, gerar , para uma combinação de produto e campo agrícola, recomendação de dados que compreende pelo menos um de uma recomendação de maturida- de relativa, uma recomendação de data de plantio, e uma recomenda- ção de data de colheita; transmitir os dados de recomendação para um dispositivo de computação associado com a operação de produtor e causar a exi- bição dos dados de recomendação em um mostrador do dispositivo de computação ou provocar o movimento de um aparelho agrícola, em resposta aos dados de recomendação.
17. Meio de armazenamento não transitório, caracterizado pelo fato de armazenar instruções que, quando executadas por um ou mais dispositivos de computação, acarretam a execução de opera- ções, como definidas em qualquer uma das reivindicações 13 a 16.
18. Sistema de computador, caracterizado pelo fato de ser configurado para o desempenho de operações, como definidas em qualquer uma das reivindicações 13 a 16.
19. Método implementado por computador para gerar um plano digital melhorado para um campo agrícola associado a uma ope- ração de cultivo e um produto a ser plantado no campo agrícola duran- te uma estação de cultivo, caracterizado pelo fato de compreender: receber, por um modelo preditivo, um conjunto de entra- das digitais relativas a um plano digital e uma data de predição que ocorre durante a estação de cultivo e antes de o produto ser plantado;
em que o conjunto de entradas digitais compreende, para o campo agrícola, dados meteorológicos observados coletados duran- te a estação de cultivo até a data de predição, e dados meteorológicos previstos calculados para um intervalo de datas futuras após a data de predição durante a estação de cultivo, e para o produto plantado no campo agrícola, dados de maturidade do produto; em que o modelo preditivo foi treinado para correlacionar matematicamente conjuntos de entradas digitais com dados de limiar associados com prontidão de campo; utilizando o modelo preditivo, gerar, como saída digital em resposta ao conjunto de entradas digitais, dados de predição de pron- tidão de campo para o intervalo de datas futuras para o produto a ser plantado no campo agrícola; em que os dados de predição de prontidão de campo indi- cam uma probabilidade matemática de dados de prontidão de campo reais corresponderem aos dados de prontidão de campo desejados; criar e armazenar digitalmente um plano digital aprimora- do ajustando uma data de plantio com base nos dados de predição de prontidão de campo; transmitir o plano digital melhorado para um dispositivo de computação de gerenciamento de campo associado à operação de produtor e causar a exibição do plano digital melhorado em um mos- trador do dispositivo de computação de gerenciamento de campo ou causar o movimento de um aparelho agrícola em resposta ao plano digital melhorado.
20. Método implementado por computador, de acordo com a reivindicação 19, caracterizado pelo fato de compreender ainda re- petir o recebimento, geração, criação e transmissão em uma base pe- riódica ou diária.
21. Meio de armazenamento não transitório, caracterizado pelo fato de armazenar instruções, que quando executadas por um ou mais dispositivos de computação, acarretam a execução das opera- ções, como definidas na reivindicação 19.
22. Sistema de computador, caracterizado pelo fato de ser configurado para causar a execução das operações, como definidas na reivindicação 19.
104 108 e / O ; = 106 110 DADOS DE DADOS = 0) CAMPO EXTERNOS — 115 Mm APARELHO 113
COMPUTADOR AGRÍCOLA
DE CABINE 112 — SENSOR 114º — CONTROLADOR + REMOTO 2 DEAPLICATIVO 109 . REDE(S) 132 CAMADA DE COMUNICAÇÃO 160 s REPOSITÓRIO 136 — INSTRUÇÕE DE PLANO DE PLANTIO DE MODELO E DADOS
DE CAMPO 134 CAMADADE 140 CAMADA DE GERENCIAMENTO 22 APRESENTAÇÃO = DE DADOS 150 CAMADA DE — HARDWAREWNISUALIZAÇÃO 130 SISTEMA DE COMPUTADOR DE — — INTELIGÊNCIA AGRÍCOLA
1200 — APLICATIVO DE COMPUTADOR MÓVEL 208 210 212 214 216 INSTRUÇÕES | | INSTRUÇÕES INSTRUÇÕES ó INSTRUÇÕES DE INSTRUÇÕES ç! DE SEMENTES DE METEORO- DE SAÚDE DESEMPENHO
E PLANTIO NITROGÊNIO LÓGICAS DO CAMPO
INSTRUÇÕES DE 206 LIVRO DE MAPA DIGITAL 205 GERAÇÃO DE SCRIPT 204 VISÃO GERAL E INSTRUÇÕES DE ALERTA 202 CONTABILIDADE, CAMPOS INGESTÃO DE DADOS, Ez INSTRUÇÕES DE COMPARTILHAMENTO 1220 APLICAÇÃO DE COMPUTADOR DE CABINE 226 228 222 224 COLETAMENTO 230 E ALERTAS DE . MAPAS DE VISÃO TRANSFERÊNCIA MÁQUINA eee
CABINE REMOTA DE DADOS
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862749863P | 2018-10-24 | 2018-10-24 | |
| US201862749882P | 2018-10-24 | 2018-10-24 | |
| US62/749,863 | 2018-10-24 | ||
| US62/749,882 | 2018-10-24 | ||
| PCT/US2019/057712 WO2020086750A1 (en) | 2018-10-24 | 2019-10-23 | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021007121A2 true BR112021007121A2 (pt) | 2021-07-20 |
Family
ID=70325310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021007121-0A BR112021007121A2 (pt) | 2018-10-24 | 2019-10-23 | 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 |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US11017306B2 (pt) |
| EP (1) | EP3869934A4 (pt) |
| CN (1) | CN112955000B (pt) |
| AU (1) | AU2019365214B2 (pt) |
| BR (1) | BR112021007121A2 (pt) |
| CA (1) | CA3117211A1 (pt) |
| MX (1) | MX2021004569A (pt) |
| WO (1) | WO2020086750A1 (pt) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2019365214B2 (en) * | 2018-10-24 | 2023-06-01 | Climate Llc | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation |
| BR112021007032A2 (pt) * | 2018-10-24 | 2021-07-20 | The Climate Corporation | alavancando a genética e a engenharia de recursos para impulsionar a previsibilidade de colocação para seleção e recomendação de produtos de sementes por campo |
| EP3897100A4 (en) * | 2018-12-19 | 2022-09-21 | The Board Of Trustees Of The University Of Illinois | CROP YIELD PREDICTION APPARATUS AND METHOD |
| US11120552B2 (en) * | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
| RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
| US11620477B2 (en) | 2019-06-03 | 2023-04-04 | Cerebri AI Inc. | Decoupled scalable data engineering architecture |
| US11823296B2 (en) | 2020-02-14 | 2023-11-21 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel productivity attributes for land parcel valuation |
| US11682090B2 (en) | 2020-02-14 | 2023-06-20 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel production stability attributes for land parcel valuation |
| US11727170B2 (en) | 2020-02-14 | 2023-08-15 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation based on supplemented parcel productivity attributes |
| US11798043B2 (en) | 2020-02-14 | 2023-10-24 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of agro-economic metrics for land parcel valuation |
| US11720723B2 (en) * | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation and employment of parcel sustainability attributes for land parcel valuation |
| US11720724B2 (en) * | 2020-02-14 | 2023-08-08 | Cibo Technologies, Inc. | Method and apparatus for generation of land parcel valuation tailored for use |
| US20210337717A1 (en) * | 2020-05-01 | 2021-11-04 | Kinze Manufacturing, Inc. | Shared planter data |
| US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| US11295331B2 (en) * | 2020-07-01 | 2022-04-05 | X Development Llc | Analyzing crop fields based on agricultural management practices |
| WO2022097053A1 (en) * | 2020-11-04 | 2022-05-12 | Reid And Verwey Cc | Methods and systems for agricultural substance application |
| BR112023019612A2 (pt) * | 2021-03-26 | 2023-11-14 | Basf Agro Trademarks Gmbh | Método para gerar uma previsão de fenologia de cultura, sistema para gerar uma previsão de fenologia de cultura, elemento de programa de computador e usos |
| US20220350307A1 (en) * | 2021-04-30 | 2022-11-03 | Farmers Edge Inc. | Method and System for Validating Execution of a Planned Agricultural Operation |
| CN113469831A (zh) * | 2021-07-01 | 2021-10-01 | 浙江数秦科技有限公司 | 基于区块链技术的农时导航系统 |
| US20230035413A1 (en) * | 2021-07-16 | 2023-02-02 | Climate Llc | Systems and methods for use in application of treatments to crops in fields |
| CA3231095A1 (en) * | 2021-09-07 | 2023-03-16 | Mike QUASHIE | Systems and methods for load forecasting for improved forecast results based on tuned weather data |
| WO2024017728A1 (en) * | 2022-07-22 | 2024-01-25 | Basf Agro Trademarks Gmbh | Variable pesticide application data |
| WO2024025905A1 (en) * | 2022-07-29 | 2024-02-01 | Climate Llc | Methods and systems for use in mapping tillage based on remote data |
| WO2024030401A1 (en) * | 2022-08-01 | 2024-02-08 | Indigo Ag, Inc. | Field-scale harvest date estimation based on satellite imagery |
| CN115561415B (zh) * | 2022-09-15 | 2023-12-22 | 西安御风云想网络科技有限公司 | 一种基于大数据的水环境污染监控分析系统及方法 |
| CN117054354B (zh) * | 2023-10-12 | 2024-03-05 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6236907B1 (en) * | 1995-05-30 | 2001-05-22 | Ag-Chem Equipment Co., Inc. | System and method for creating agricultural decision and application maps for automated agricultural machines |
| US6141614A (en) * | 1998-07-16 | 2000-10-31 | Caterpillar Inc. | Computer-aided farming system and method |
| AU2007311159B2 (en) | 2006-10-16 | 2012-08-16 | Monsanto Technology Llc | Methods and compositions for improving plant health |
| US9113590B2 (en) * | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
| WO2016127094A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| AU2016341574A1 (en) * | 2015-10-23 | 2018-04-26 | Nec Corporation | Information processing system, farming support method, information processing device, control method therefor, and recording medium |
| EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
| AU2019365214B2 (en) * | 2018-10-24 | 2023-06-01 | Climate Llc | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation |
-
2019
- 2019-10-23 AU AU2019365214A patent/AU2019365214B2/en active Active
- 2019-10-23 BR BR112021007121-0A patent/BR112021007121A2/pt unknown
- 2019-10-23 US US16/661,860 patent/US11017306B2/en active Active
- 2019-10-23 CA CA3117211A patent/CA3117211A1/en active Pending
- 2019-10-23 CN CN201980070343.6A patent/CN112955000B/zh active Active
- 2019-10-23 MX MX2021004569A patent/MX2021004569A/es unknown
- 2019-10-23 EP EP19874865.9A patent/EP3869934A4/en not_active Withdrawn
- 2019-10-23 WO PCT/US2019/057712 patent/WO2020086750A1/en unknown
-
2021
- 2021-05-06 US US17/313,504 patent/US20210342719A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CA3117211A1 (en) | 2020-04-30 |
| US20200134485A1 (en) | 2020-04-30 |
| MX2021004569A (es) | 2022-11-30 |
| CN112955000A (zh) | 2021-06-11 |
| EP3869934A1 (en) | 2021-09-01 |
| US20210342719A1 (en) | 2021-11-04 |
| CN112955000B (zh) | 2022-07-19 |
| US11017306B2 (en) | 2021-05-25 |
| EP3869934A4 (en) | 2022-09-14 |
| AU2019365214B2 (en) | 2023-06-01 |
| WO2020086750A1 (en) | 2020-04-30 |
| AU2019365214A1 (en) | 2021-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11017306B2 (en) | Using machine learning-based seed harvest moisture predictions to improve a computer-assisted agricultural farm operation | |
| US11930743B2 (en) | Generating digital models of crop yield based on crop planting dates and relative maturity values | |
| US11797901B2 (en) | Digital modeling of disease on crops on agronomics fields | |
| US20230169428A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20210097632A1 (en) | Forecasting national crop yield during the growing season using weather indices | |
| US20230177622A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| BR122021024395B1 (pt) | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| BR112021000429A2 (pt) | Geração de mapas de produtividade agronômica a partir de imagens de saúde de campo | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| BR112019003795B1 (pt) | Método para uso em cronograma de aplicações de fertilizantes em campos agrícolas, sistema de processamento de dados e mídia de armazenamento de dados não transitórios | |
| BR122021014810B1 (pt) | Método implementado por computador para selecionar localizações em um campo para amostragem de tratamento | |
| BR112020010224A2 (pt) | cálculo de risco de fator de dano à cultura para cultura em campo agronômico | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112021004345A2 (pt) | seleção de sementes híbridas ajustada por risco e otimização de rendimento de cultura por campo | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| BR112021002525A2 (pt) | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico | |
| US20220301080A1 (en) | Determining uncertainty of agronomic predictions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |