BR112021010179A2 - controle de qualidade de estimativa de precipitação quantitativa - Google Patents
controle de qualidade de estimativa de precipitação quantitativa Download PDFInfo
- Publication number
- BR112021010179A2 BR112021010179A2 BR112021010179-9A BR112021010179A BR112021010179A2 BR 112021010179 A2 BR112021010179 A2 BR 112021010179A2 BR 112021010179 A BR112021010179 A BR 112021010179A BR 112021010179 A2 BR112021010179 A2 BR 112021010179A2
- Authority
- BR
- Brazil
- Prior art keywords
- precipitation
- locations
- probability
- various
- forecast
- Prior art date
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 247
- 238000003908 quality control method Methods 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000004044 response Effects 0.000 claims abstract description 19
- 230000009418 agronomic effect Effects 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 32
- 238000003973 irrigation Methods 0.000 claims description 25
- 230000002262 irrigation Effects 0.000 claims description 25
- 230000002085 persistent effect Effects 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 16
- 230000006872 improvement Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 104
- 229910052757 nitrogen Inorganic materials 0.000 description 52
- 239000002689 soil Substances 0.000 description 28
- 238000004891 communication Methods 0.000 description 25
- 238000013515 script Methods 0.000 description 25
- 238000003860 storage Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 17
- 238000013479 data entry Methods 0.000 description 12
- 238000002310 reflectometry Methods 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000004883 computer application Methods 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 7
- 238000012546 transfer Methods 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
- 239000000203 mixture Substances 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000035558 fertility Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000003971 tillage Methods 0.000 description 3
- 241001124569 Lycaenidae Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012786 cultivation procedure Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 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
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 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
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 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
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- -1 silt Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/951—Radar or analogous systems specially adapted for specific applications for meteorological use ground based
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/958—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2625—Sprinkler, irrigation, watering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Hydrology & Water Resources (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Soil Sciences (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
CONTROLE DE QUALIDADE DE ESTIMATIVA DE PRECIPITAÇÃO QUANTITATIVA.
Neste documento são descritos sistemas e métodos para aprimorar o uso de sensores de precipitação. Em uma modalidade, um sistema de computador de inteligência agrícola recebe um ou mais registros digitais de precipitação compreendendo vários valores de dados digitais representando quantidade de precipitação em várias localizações. O sistema recebe registros digitais de previsão compreendendo vários valores de dados digitais representando previsões de precipitação compreendendo predições de precipitação em vários intervalos de tempo. O sistema identifica vários valores de previsão para várias localizações em um horário particular correspondendo a um intervalo de tempo diferente. O sistema utiliza os vários valores de previsão para gerar uma probabilidade de precipitação em cada uma das várias localizações. O sistema determina que a probabilidade de precipitação em uma localização particular é menor do que um valor limite armazenado e, em resposta, armazena dados identificando a localização particular como não tendo recebido precipitação.
Description
Relatório Descritivo da Patente de Invenção para "CONTRO- LE DE QUALIDADE DE ESTIMATIVA DE PRECIPITAÇÃO QUANTI- TATIVA".
[0001] Uma parte da revelação deste documento de patente con- tém material que está sujeito à proteção de direitos autorais. O proprie- tário dos direitos autorais não tem objeção quanto à reprodução fac- símile por qualquer pessoa do documento de patente ou da divulgação de patente, como ela aparece no arquivo de patentes ou nos registros do Patente and Trademark Office, mas, de outro modo, reserva todos os direitos autorais ou direitos, quaisquer que sejam. O 2015-2018 The Climate Corporation.
[0002] Um campo técnico da presente divulgação é monitoramento de precipitação baseado em radar. O campo técnico da presente di- vulgação ainda se relaciona com criar recomendações e roteiros agrí- colas para controlar implementos agrícolas para aplicar as recomen- dações.
[0003] As abordagens descritas nesta seção são abordagens que poderiam ser seguidas, mas não necessariamente abordagens que foram anteriormente concebidas ou seguidas. Portanto, a não se que de outro modo indicado, não deve ser assumido que qualquer uma das abordagens descritas nesta seção seja qualificada como técnica ante- rior meramente em virtude de sua inclusão nesta seção.
[0004] As medições de precipitação podem ser extremamente im- portantes para a agricultura. Embora a precisão nas medições de pre- cipitação possa ser útil para a vida diária, os campos agronômicos po- dem ser fortemente afetados pela existência ou carência de precipita- ção. Por exemplo, as plantações requerem água para desenvolverem-
se de forma saudável. Se um sensor determinar que um campo rece- beu precipitação quando ela não realmente recebeu, a plantação pode ser irrigada de forma insuficiente, por um gerenciador do campo ou por uma máquina agrícola que executa atividades baseada em roteiros programados.
[0005] Onde sistemas de radar são avançados e altamente ali- mentados, a tendência é ter menos erros de medição. Inversamente, localizações com redes mais esparsas de sistemas de radar menos avançados frequentemente irá produzir erros, mesmo quando utilizan- do medidores do ambiente ao redor. Este efeito pode ser mais pronun- ciado se existir uma densidade mais baixa de medidores que proporci- onem verificação de precipitação em nível de campo.
[0006] Os sistemas de radar são capazes de gerar dois tipos de erros que são exacerbados com sistemas menos avançados, redes de radares esparsos, ou com menor densidade de medidores. O primeiro tipo de erro é a falsa identificação de precipitação. A falsa identificação de precipitação pode ocorrer devido a um número pequeno de medido- res em localizações onde a precipitação é recebida estando próxima de uma área onde a precipitação não foi recebida. O segundo tipo de erro é a identificação em excesso de precipitação causada por ecos de radar artificialmente acentuados.
[0007] Ambos os tipos de erros podem ser catastróficos quando utilizados como base para as decisões agrícolas, ações de máquina agrícola, e/ou modelagem em nível de campo. Por exemplo, se a pre- cipitação for identificada em um campo onde nenhuma precipitação ocorreu, ou uma densidade muito mais alta de precipitação for identifi- cada em um campo do que realmente ocorreu, uma menor quantidade de água pode ser adicionada para o campo por um gerente de campo e/ou por uma máquina agrícola. Isto pode levar a uma plantação so- frendo de tensão hídrica que por sua vez por danificar a plantação ou diminuir o rendimento agronômico.
[0008] Assim, existe uma necessidade por um sistema que corrija erros nas medições de precipitação baseadas em sensor em campos agrícolas.
[0009] As reivindicações anexas podem servir como um sumário da divulgação.
[0010] Nos desenhos:
[0011] A FIG. 1 ilustra um sistema de computador ilustrativo que é configurado para executar as funções descritas neste documento, apresentado em um ambiente de campo com outros aparelhos com os quais o sistema pode interoperar.
[0012] A FIG. 2 ilustra duas vistas de uma organização lógica ilus- trativa de conjuntos de instruções na memória principal quando um aplicativo móvel ilustrativo é carregado para execução.
[0013] 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 utilizando dados agronômicos proporci- onados por uma ou mais fontes de dados.
[0014] A FIG. 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser imple- mentada.
[0015] A FIG. 5 representa uma modalidade ilustrativa de uma vis- ta de linha de tempo para entrada de dados.
[0016] A FIG. 6 representa uma modalidade ilustrativa de uma vis- ta de planilha eletrônica para entrada de dados.
[0017] A FIG. 7 representa um método ilustrativo para aprimorar medições de sensor de precipitação.
[0018] A FIG. 8 representa um exemplo para selecionar previsões a partir de vários conjuntos de previsões e gerar uma estimativa pon- derada.
[0019] Na descrição seguinte, para o propósito de explicação, vá- rios detalhes específicos são expostos de modo a proporcionar um en- tendimento completo da presente divulgação. Entretanto, será aparen- te que modalidades podem ser praticadas sem estes detalhes especií- ficos. Em outras instâncias, estruturas e dispositivos bem conhecidos são apresentados em forma de diagrama de blocos de modo a evitar desnecessariamente obscurecer a presente divulgação. Modalidades são divulgadas em seções de acordo com o seguinte esquema de tó- picos:
1. VISTA GERAL
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA
2.1. VISTA GERAL ESTRUTURAL
2.2. VISTA GERAL DE PROGRAMA APLICATIVO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE
2.4. VISTA GERAL DE PROCESSO - TREINAMENTO
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISTA GERAL
3. CORREÇÃO DE MEDIÇÃO DE PRECIPITAÇÃO BASE-
3.1. DADOS RECEBIDOS
3.2. PROBABILIDADE DE PRECIPITAÇÃO
3.3. REMOVENDO VALORES DE PRECIPITAÇÃO
3.4. IDENTIFICANDO GRUPAMENTOS PERSISTEN-
3.5. REDUZINDO VALORES DE PRECIPITAÇÃO
4. APLICAÇÕES PRÁTICAS
5. BENEFÍCIOS DE ALGUMAS MODALIDADES
6. EXTENSÕES E ALTERNATIVAS
1. VISTA GERAL
[0020] Sistemas e métodos para aprimorar estimativas de precipi- tação quantitativa colocadas em grade derivadas a partir de sensores, tais como pluviômetros e radar, são descritos neste documento. Em uma modalidade, um sistema de computador de inteligência agrícola recebe um campo colocado em grade de quantidades de precipitação para um período de 1 hora e cobrindo uma grande região contínua como compilado a partir de dados de sensor combinados. O sistema ainda recebe vários conjuntos de previsões cobrindo a mesma região, cada conjunto compreendendo várias previsões por hora, de modo que os conjuntos de previsão compreendam previsões sobrepostas com diferentes tempos de espera. O sistema identifica vários valores de previsão para cada localização na grade e horário válido na data com diferentes tempos de espera e utiliza os valores de previsão para gerar uma probabilidade de precipitação bem como uma precipitação máxima para a localização e horário. Utilizando a probabilidade de precipitação, o sistema está apto a identificar localizações onde as medições apresentaram precipitação, mas onde a probabilidade de precipitação é menor do que um valor limite e armazena um valor indi- cando que a localização não recebe precipitação na localização e ho- rário. Utilizando os valores máximos de precipitação, o sistema está apto a reduzir altos valores de precipitação em localizações de confu- são persistente identificadas para os valores máximos de precipitação quando as medições incluem valores mais altos do que valores máxi- mos de precipitação.
[0021] Em uma modalidade, o método compreende receber um ou mais registros digitais de precipitação compreendendo vários valores de dados digitais representando quantidade de precipitação em várias localizações para uma hora particular; receber um ou mais registros digitais de previsão compreendendo vários valores de dados digitais representando previsões de precipitação, cada um dos quais compre- endendo precipitação prevista em vários intervalos de tempo; identifi- car vários valores de previsão para várias localizações em um horário particular, cada um dos vários valores de previsão correspondendo a um intervalo de tempo diferente; utilizando os vários valores de previ- são, gerar uma probabilidade de precipitação em cada uma das várias localizações, determinando que a probabilidade de precipitação em uma localização particular é menor do que um valor limite armazenado e, em resposta, armazenar dados identificando a localização particular como não tendo recebido precipitação.
[0022] Em uma modalidade, um método compreende receber um ou mais registros digitais de precipitação compreendendo vários valo- res de dados digitais representando quantidade de precipitação em várias localizações; receber um ou mais registros digitais de previsão compreendendo vários valores de dados digitais representando previ- sões de precipitação, cada um dos quais compreendendo estimativas de precipitação em vários intervalos de tempo; identificar vários valo- res de previsão para várias localizações em um horário particular, ca- da um dos vários valores de previsão correspondendo a um intervalo de tempo diferente; determinar que uma localização particular das vá- rias localizações foi identificada como uma localização de confusão persistente; utilizando os vários valores de previsão, gerar um valor máximo de precipitação para a localização particular; determinar que um valor de dados digitais particular representando intensidade de precipitação para a localização particular é maior do que o valor máxi- mo de precipitação e, em resposta, substituir o valor de dados digitais particular pelo valor máximo de precipitação.
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1 VISTA GERAL ESTRUTURAL
[0023] A FIG. 1 ilustra um sistema de computador ilustrativo que é configurado para executar as funções descritas neste documento, apresentado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Numa modalidade, um usuário 102 possui, opera ou controla um dispositivo de computação gerenciador de campo 104 em uma localização de campo ou associado a uma lo- calização de campo, tal como um campo destinado a atividades agrí- colas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação gerenciador de campo 104 é programado ou configurado para proporcionar dados de campo 106 para um sistema de computador de inteligência agrícola 130 via uma ou mais redes 109.
[0024] 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 frontei- ra, identificadores de plantação e quaisquer outros dados adequados que podem ser utilizados para identificar terras agrícolas, tal como uma unidade de terra comum (CLU), um número de lote e de bloco, um número de terreno, coordenadas e fronteiras geográficas, Número Serial de Propriedade Agrícola (FSN), número da propriedade agríco- la, número do trato, número do campo, seção, município e/ou distân- cia), (b) dados de colheita (por exemplo, tipo de plantação, variedade de plantação, rotação de plantação, se a plantação é cultivada organi- camente, data de colheita, Histórico de Produção Real (APH), rendi- mento esperado, rendimento, preço da plantação, receita da planta- ção, umidade do grão, prática de cultivo e informação da estação de crescimento anterior), (c) dados do solo (por exemplo, tipo, composi- ção, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo de semente (s), maturidade relativa (RM) de semente(s) plantada, população de se- mentes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (Ni- trogênio, Fósforo, Potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de aplicação química (por exem- plo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias pretendidas para utilização como um regulador vegetal, desfolhante ou dessecante, data de aplicação, quantidade, fonte, mé- todo), (g) dados de irrigação (por exemplo, data de aplicação, quanti- dade, fonte, método), (h) dados meteorológicos (por exemplo, precipi- tação, taxa de precipitação pluviométrica, precipitação pluviométrica prevista, região da taxa de escoamento da água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orva- lho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagística (por exemplo, imagística e informa- ções do espectro de luz a partir de um veículo ou de um sensor de um aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), ()) observações de reconheci- mento (fotos, vídeos, notas irregulares, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (atual e ao longo do tempo), umidade do solo, estágio de crescimento da planta- ção, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)) e (k) solo, sementes, fenologia de plantação, relatórios de pra- gas e de doenças e fontes e bancos de dados de previsões.
[0025] Um computador servidor de dados 108 está acoplado co- municativamente 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 via a re-
de(s) 109. O computador servidor de dados externo 108 pode ser pos- suído ou operado pela mesma pessoa jurídica ou entidade que o sis- tema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, tal como uma agência governamental, organiza- ção não governamental (ONG) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagística, dados do solo ou dados estatísticos relativos à produtividade das plantações, dentre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo
106. Em algumas modalidades, os dados externos 110 são proporcio- nados por um servidor de dados externo 108 possuído pela mesma entidade que possui e/ou opera o sistema de computador de inteligên- cia agrícola 130. Por exemplo, o sistema de computador de inteligên- cia agrícola 130 pode incluir um servidor de dados focado exclusiva- mente em um tipo de dados que, de outra forma, poderia ser obtido a partir de fontes de terceiros, tal como dados meteorológicos. Em al- gumas modalidades, um servidor de dados externo 108 pode realmen- te ser incorporado dentro do sistema 130.
[0026] Um aparelho agrícola 111 pode possuir um ou mais senso- res remotos 112 fixados no mesmo, sensores estes que são acoplados comunicativamente diretamente ou indiretamente via o aparelho agrí- cola 111 ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sis- tema de computador de inteligência agrícola 130. Exemplos de apare- lhos agrícolas 111 incluem tratores, ceifeiro-debulhadora, colheitadei- ras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos, incluindo veículos aéreos não tripulados e qualquer outro item de maquinário ou hardware físico, tipicamente maquinário móvel, o qual que pode ser utilizado em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode com-
preender vários sensores 112 que são acoplados localmente em uma rede no aparelho; a rede de área do controlador (CAN) é um exemplo de tal rede que pode ser instalada em ceifeira-debulhadoras, colheita- deiras, pulverizadores e cultivadores. O controlador de aplicativo 114 é acoplado comunicativamente ao sistema de computador de inteligên- cia agrícola 130 via a rede(s) 109 e é programado ou configurado para receber um ou mais scripts que são utilizados para controlar um parâ- metro operacional de um veículo ou máquina agrícola a partir do sis- tema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser utilizada para permitir comunicações a partir do sistema de compu- tador de inteligência agrícola 130 para o aparelho agrícola 111, tal co- mo o CLIMATE FIELD VIEW DRIVE, disponível a partir da The Clima- te Corporation, São Francisco, Califórnia, é utilizado. Os dados do sensor podem consistir no mesmo tipo de informação do que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem estar localizados remotamente no campo e podem se comunicar com a rede
109.
[0027] O aparelho 111 pode compreender um computador de ca- bina 115 que é programado com um aplicativo da cabine, o qual pode compreender uma versão ou variante do aplicativo móvel para o dis- positivo 104 que ainda é descrito em outras seções neste documento. Em uma modalidade, o computador da cabine 115 compreende um computador compacto, muitas vezes um computador do tamanho de um tablet ou smartphone, com um vídeo com tela gráfica, tal como um vídeo colorido, que é montado dentro da cabine de um operador do aparelho 111. O computador da cabine 115 pode implementar algu- mas ou todas as operações e funções que são descritas mais adiante neste documento para o dispositivo de computador móvel 104.
[0028] A rede(s) 109 representa amplamente qualquer combina- ção de uma ou mais redes de comunicação de dados, incluindo redes locais, redes de longa distância, internetworks ou internets, utilizando qualquer link com ou sem uso de fios, incluindo links terrestres ou links via satélite. A rede(s) pode ser implementada por qualquer meio ou mecanismo que proporcione a troca de dados entre os vários elemen- tos da FIG. 1. Os vários elementos da FIG. 1 também podem possuir links de comunicação diretos (com ou sem uso de fios). Cada um den- tre os sensores 112, o controlador 114, o computador servidor de da- dos externo 108 e outros elementos do sistema compreende uma in- terface compatível com a rede(s) 109 e são programados ou configu- rados para utilizar protocolos padronizados para comunicação através das redes, tais como TCP / IP, Bluetooth, protocolo CAN e protocolos de camada superior, tais como HTTP, TLS e similares.
[0029] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 a partir do dispositivo de computação gerenciador de campo 104, dados ex- ternos 110 a partir do computador servidor de dados externos 108 e dados de sensor a partir do sensor remoto 112. O sistema de compu- tador de inteligência agrícola 130 ainda pode ser configurado para hospedar, utilizar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada, tal co- mo FPGAs ou ASICs, ou qualquer combinação dos mesmos para exe- cutar tradução e armazenamento de valores de dados, construção de modelos digitais de uma ou mais plantações em um ou mais campos, geração de recomendações e de notificações e geração e envio de scripts para o controlador de aplicativo 114, da maneira descrita adici- onalmente em outras seções desta divulgação.
[0030] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado com ou compreende uma camada de comunicação 132, a camada de apresentação 134, a camada de gerenciamento de dados 140, a camada de hardware / virtualização 150 e o repositório de dados de modelos e de campos 160. A "Cama- da", neste contexto, refere-se a qualquer combinação de circuitos ele- trônicos de interface digital, microcontroladores, firmware, tais como controladores e/ou programas de computador ou outros elementos de software.
[0031] A camada de comunicação 132 pode ser programada ou configurada para executar funções realizando interface de entrada / saída, incluindo enviar solicitações para o dispositivo de computação gerenciador de campo 104, para o computador servidor de dados ex- ternos 108 e para o sensor remoto 112 para dados de campo, dados externos e dados do sensor, respectivamente. A camada de comuni- cação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados de modelo e de campo 160 para serem armazenados como dados de campo 106.
[0032] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica com o usuário (GUI) para ser exibida no dispositivo de computação gerenciador de campo 104, no computador da cabine 115 ou em 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, gerar solicitações para mode- los e/ou recomendações e/ou exibir recomendações, notificações, mo- delos e outros dados de campo.
[0033] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar operações de leitura e de gra- vação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e o repositório. Exemplos da camada de gerenciamento de dados 140 incluem JDBC, código de in- terface com o servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Con- forme utilizado neste documento, o termo "banco de dados" pode se referir a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme utilizado neste documento, um banco de dados pode compreender qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados orientados a objeto - relacionais, bancos de dados orientados a obje- tos, 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, Bancos de dados ORACLEGO, MYSQL, IBMO DB2, MICROSOFTOE SQL SERVER, SYBASEO e POSTGRESQL. Entretanto, qualquer banco de dados pode ser utilizado para permitir os sistemas e méto- dos descritos neste documento.
[0034] Quando os dados de campo 106 não são proporcionados diretamente ao sistema de computador de inteligência agrícola via uma ou mais máquinas agrícolas ou dispositivos de máquina agrícola que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser solicitado via uma ou mais interfaces com o usuário no dispositivo do usuário (servido pelo sistema de computação de inte- ligência agrícola) a inserir tais informações. Em uma modalidade ilus- trativa, o usuário pode especificar dados de identificação por acessar um mapa no dispositivo do usuário (servido pelo sistema de computa- dor de inteligência agrícola) e selecionar CLUs específicas que foram apresentadas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação por acessar um mapa no dispositivo do usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhar os limites do campo sobre o mapa. Tal seleção CLU ou desenhos de mapa representam identifica- dores geográficos. Em modalidades alternativas, o usuário pode espe- cificar dados de identificação por acessar dados de identificação de campo (proporcionados como arquivos de formato ou em um formato similar) da Agência de Serviços Agrícolas do Departamento de Agricul- tura dos EUA ou outra fonte via o dispositivo do usuário e proporcio- nando tais dados de identificação de campo para o sistema de compu- tador de inteligência agrícola.
[0035] Em uma modalidade ilustrativa, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibi- ção de uma interface gráfica com o usuário compreendendo um ge- renciador de dados para entrada de dados. Depois de um ou mais campos terem sido identificados utilizando os métodos descritos aci- ma, o gerenciador de dados pode proporcionar uma ou mais unidades de produto da interface gráfica com o usuário que, quando seleciona- das, podem identificar alterações no campo, solo, plantações, lavoura ou prática de nutrientes. O gerenciador de dados pode incluir uma vis- ta de linha do tempo, uma vista de planilha e/ou um ou mais progra- mas editáveis.
[0036] A FIG. 5 representa uma modalidade ilustrativa de uma vis- ta de linha de tempo para entrada de dados. Utilizando a exibição re- presentada na FIG. 5, um computador do usuário pode informar uma seleção de um campo particular e uma data particular para a adição de evento. Eventos representados na parte de cima da linha de tempo podem incluir Nitrogen, Planting, Práctices e Soil. Para adicionar um evento de aplicação de nitrogênio, um usuário pode proporcionar in- formação para selecionar a aba de nitrogênio. O computador pode en- tão selecionar uma localização na linha de tempo para um campo par- ticular de modo a indicar uma aplicação de nitrogênio no campo sele-
cionado. Em resposta a receber uma seleção de uma localização na linha de tempo para um campo particular, o gerenciador de dados po- de exibir uma sobreposição de entrada de dados, permitindo ao com- putador do usuário informar dados pertencendo às aplicações de ni- trogênio, procedimentos de plantio, aplicação no solo, procedimentos de cultivo, práticas de irrigação, ou outras informações se relacionando com o campo particular. Por exemplo, se um computador do usuário selecionar uma parte da linha de tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para informar uma quantidade aplicada de nitrogênio, uma data de aplicação, um tipo de fertilizante utilizado, e quaisquer outras informações relacionadas com a aplicação de nitrogênio.
[0037] Em uma modalidade, o gerenciador de dados proporciona uma interface para criar um ou mais programas. “Programa”, neste contexto, se refere a um conjunto de dados pertencendo às aplicações de nitrogênio, procedimentos de plantio, aplicações no solo, procedi- mentos de cultivo, práticas de irrigação, ou outras informações que podem estar relacionadas com um ou mais campos e que podem ser armazenadas no armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após um programa ter sido criado, ele pode ser conceitualmente aplicado para um ou mais cam- pos e referências ao programa podem ser armazenadas no armaze- namento digital em associação com dados identificando o campo. As- sim, ao invés de manualmente informar dados idênticos se relacionan- do com as mesmas aplicações de nitrogênio para vários campos dife- rentes, um computador do usuário pode criar um programa que indica uma aplicação de nitrogênio particular e então aplica o programa para vários diferentes campos. Por exemplo, na vista da linha de tempo da FIG. 5, as duas linhas de tempo de cima possuem o programa “Spring applied” selecionado, o qual inclui uma aplicação de 150 lbs N/ac em abril passado. O gerenciador de dados pode proporcionar uma interfa- ce para editar um programa. Em uma modalidade, quando um pro- grama particular é editado, cada campo que selecionou o programa particular é editado. Por exemplo, na FIG. 5, se o programa “Spring applied” for editado para reduzir a aplicação de nitrogênio para 130 Ibs N/ac, os dois campos de cima podem ser atualizados com uma aplica- ção reduzida de nitrogênio baseada no programa editado.
[0038] Em uma modalidade, em resposta a receber edições para um campo que possui um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa selecio- nado. Por exemplo, se uma aplicação de nitrogênio for adicionada pa- ra o campo de cima na FIG. 5, a interface pode atualizar para indicar que o programa “Spring applied” não está sendo mais aplicado para o campo de cima. Embora a aplicação de nitrogênio em abril último pos- sa permanecer, atualizações para o programa “Spring applied” não alterariam a aplicação de Abril de nitrogênio.
[0039] A FIG. 6 representa uma modalidade ilustrativa de uma vis- ta de planilha para entrada de dados. Utilizando a exibição represen- tada na FIG. 6, um usuário pode criar e editar informação para um ou mais campos. O gerenciador de dados pode incluir planilhas eletrôni- cas para entrar com informação com respeito a Nitrogen, Planting, Practices, e Soil como representado na FIG. 6. Para editar uma entra- da particular, um computador do usuário pode selecionar a entrada particular na planilha eletrônica e atualizar os valores. Por exemplo, a FIG. 6 representa uma atualização em progresso de um valor de pro- dução almejado para o segundo campo. Adicionalmente, um computa- dor do usuário pode selecionar um ou mais campos de modo a aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo particular, o gerenciador de ados pode au- tomaticamente completar as entradas para o campo particular basea-
do no programa selecionado. Como com a vista de linha de tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa particular em resposta a receber uma atualização para o programa. Além disso, o gerenciador de dados po- de remover a correspondência do programa selecionado com o campo em resposta a receber uma edição para uma ou mais entradas para o campo.
[0040] Em uma modalidade, dados de modelo e de campo são armazenados no repositório de dados de modelo e de campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de plantação pode incluir um modelo digitalmente construído do desenvolvimento de uma plan- tação em um ou mais campos. “Modelo”, neste contexto, se refere a um conjunto eletrônico digitalmente armazenado de instruções execu- táveis e de valores de dados associados uns com os outros, os quais são capazes de receber e responder a uma chamada, invocação, ou solicitação programática ou outra chamada digital, para resolução ba- seada em valores de entrada especificados, para produzir um ou mais valores de saída armazenados ou calculados que podem servir como a base de recomendações implementadas por computador, exibições de dados de saída, ou controle de máquina, entre outras coisas. Os versados no campo acham conveniente expressar modelos utilizando equações matemáticas, mas esta forma de expressão não confina os modelos divulgados neste documento aos conceitos abstratos; ao in- vés disso, cada modelo neste documento possui uma aplicação prática em um computador na forma de instruções executáveis e dados arma- zenados que implementam o modelo utilizando o computador. O mo- delo pode incluir um modelo de eventos passados em relação a um ou mais campos, um modelo de condição atual do um ou mais campos, e/ou um modelo de eventos preditos em relação ao um ou mais cam-
pos. Os dados de modelo e de campo podem ser armazenados em estruturas de dados na memória, fileiras em tabelas de banco de da- dos, em arquivos simples ou planilhas eletrônicas, ou em outras for- mas de dados digitais armazenados.
[0041] Em uma modalidade, cada uma dentre as instruções de ge- ração de grupo de previsões 136, instruções de remoção de precipita- ção 137, e instruções de redução de precipitação 138 compreende um conjunto de uma ou mais páginas da memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 dentro das quais instruções executáveis foram carregadas e as quais quando executadas causam que o sistema de computação de inteligência agrícola execute as funções ou operações que são descritas neste do- cumento com referência a estes módulos. Por exemplo, as instruções de geração de grupo de previsões 136 podem compreender um con- junto de páginas na RAM que contêm instruções que quando executa- das causam a execução das funções de geração de grupo que são descritas neste documento. As instruções podem estar em código executável por máquina no conjunto de instruções de uma CPU e po- dem ter sido compiladas baseado no código fonte escrito em JAVA, C, C++, OBJECTIVE-C, ou qualquer outra linguagem ou ambiente de programação legível por humanos, sozinha ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto fon- te de programação. O termo “páginas” é pretendido para se referir am- plamente a qualquer região dentro da memória principal e a terminolo- gia específica utilizada em um sistema pode variar dependendo da ar- quitetura de memória ou da arquitetura do processador. Em outra mo- dalidade, cada uma dentre as instruções de geração de grupo de pre- visões 136, instruções de remoção de precipitação 137, e instruções de redução de precipitação 138 também pode representar um ou mais arquivos ou projetos de código fonte que são digitalmente armazena-
dos em um dispositivo de armazenamento em massa tal como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligência agrícola 130 ou em um sistema de repositório separado, o qual, quando compilado ou interpretado causa a geração de instruções executáveis que quando executadas causam que o sistema de compu- tação de inteligência agrícola execute as funções ou operações que são descritas neste documento com referência a estes módulos. Em outras palavras, a figura do desenho pode representar a maneira na qual programadores ou desenvolvedores de software organizam e dis- põem código fonte para compilação posterior em um executável, ou interpretação em código de bytes ou equivalente, para execução pelo sistema de computação de inteligência agrícola 130.
[0042] Em uma modalidade, as instruções de geração de grupo de previsões 136 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, causam que o sis- tema de computador de inteligência agrícola gere um grupo de previ- sões para uma localização e horário particulares baseado em previ- sões com diferentes intervalos de tempo a partir de vários conjuntos de previsões. Em uma modalidade, as instruções de remoção de pre- cipitação 137 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, causam que o sis- tema de computador de inteligência agrícola identifique localizações com uma baixa probabilidade de precipitação e remova valores de precipitação medidos para as localizações identificadas. Em uma mo- dalidade, as instruções de redução de precipitação 138 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, causam que o sistema de computador de inteli- gência agrícola identifique valores máximos de precipitação esperada para várias localizações e reduza os valores de precipitação medidos para localizações onde os valores de precipitação medidos excedam aos valores máximos de precipitação esperada.
[0043] A camada de hardware / virtualização 150 compreende uma ou mais unidades centrais de processamento (CPUs), controlado- res de memória, e outros dispositivos, componentes, ou elementos de um sistema de computador tal como memória volátil e não volátil, ar- mazenamento não volátil tal como disco, e dispositivos ou interfaces de E/S como ilustrado e descrito, por exemplo, em conexão com a FIG. 4. A camada 150 também pode compreender instruções progra- madas que são configuradas para suportar virtualização, armazena- mento em containers, ou outras tecnologias.
[0044] Para propósitos de ilustrar um exemplo claro, a FIG. 1 apresenta um número limitado de instâncias de alguns elementos fun- cionais. Entretanto, em outras modalidades, pode existir qualquer nú- mero de tais elementos. Por exemplo, modalidades podem utilizar mi- lhares ou milhões de diferentes dispositivos de computação móvel 104 associados com diferentes usuários. Além disso, o sistema 130 e/ou o computador servidor de dados externos 108 podem ser implementa- dos utilizando dois ou mais processadores, núcleos, grupamentos, ou instâncias de máquinas físicas ou de máquinas virtuais, configuradas em uma localização separada ou co-localizadas com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
[0045] 2.2. VISTA GERAL DO PROGRAMA APLICATIVO
[0046] Em uma modalidade, a implementação das funções descri- tas neste documento utilizando um ou mais programas de computador ou outros elementos de software que são carregados e executados utilizando um ou mais computadores de propósito geral causarão que os computadores de propósito geral sejam configurados como um má- quina particular ou como um computador que é especialmente adapta- do para executar as funções descritas neste documento. Além disso,
cada um dos fluxogramas que são descritos mais adiante neste docu- mento pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa neste documento, tal como algoritmos, planos ou direções que podem ser utilizados para programar um com- putador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto em prosa neste documento e todas as figuras de desenho, em conjunto, são pretendidos para proporcionar a divulgação de algoritmos, planos ou direções que são o suficiente para permitir que os versados na técnica programem um computador para executar as funções que são descritas neste documento, em combina- ção com a técnica e conhecimento de tal pessoa dado o nível de habi- lidade que é apropriado para invenções e divulgações deste tipo.
[0047] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 utilizando o dispositivo de computação gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas aplicativos ou apps; o dispositivo de computação gerenciador de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola de forma inde- pendente e automática sob o controle de programa ou controle lógico e a interação direta do usuário nem sempre é necessária. O dispositivo de computação gerenciador de campo 104 representa amplamente um ou mais dentre um smartphone, PDA, dispositivo de computação ta- blet, computador laptop, computador de mesa, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e rece- ber informações e executar as funções descritas neste documento. O dispositivo de computação gerenciador de campo 104 pode se comu- nicar via uma rede utilizando um aplicativo móvel armazenado no dis- positivo de computação gerenciador de campo 104, e em algumas modalidades, o dispositivo pode ser acoplado utilizando um cabo 113 ou conector ao sensor 112 e/ou ao controlador 114. Um usuário parti-
cular 102 pode possuir, operar ou controlar e utilizar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campo 104 de uma vez.
[0048] O aplicativo móvel pode proporcionar funcionalidade do la- do do cliente, via a rede para um ou mais dispositivos de computação móvel. Em uma modalidade ilustrativa, o dispositivo de computação gerenciador de campo 104 pode acessar o aplicativo móvel via um na- vegador da web ou um aplicativo ou app de cliente local. O dispositivo de computação gerenciador de campo 104 pode transmitir dados para, e receber dados a partir de, um ou mais servidores front-end, utilizan- do protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos de aplicativo. Em uma modalidade ilustrativa, os dados podem assumir a forma de solicitações e de en- trada de informações do usuário, tais como dados de campo, no dis- positivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento de localiza- ção no dispositivo de computação gerenciador de campo 104 que de- termina a localização do dispositivo de computação gerenciador de campo 104 utilizando técnicas de rastreamento padrão, tal como multi- lateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento Wi-Fi, ou outros métodos de posi- cionamento móvel. Em alguns casos, os dados de localização ou ou- tros dados associados com o dispositivo 104, com o usuário 102 e/ou com a conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispositivo ou por solicitar um app no dis- positivo para obter dados a partir do sistema operacional.
[0049] Em uma modalidade, o dispositivo de computação gerenci- ador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não se limitando a, valores de dados representando um ou mais dentre: uma localização geográfica do um ou mais campos, informa- ção de lavoura para o um ou mais campos, plantações plantadas no um ou mais campos e dados de solo extraídos a partir do um ou mais campos. O dispositivo de computação gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada do usuário a partir do usuário 102 especificando os valores de dados para o um ou mais campos. Além disso, o dispositivo de computação gerenciador de campo 104 pode enviar automaticamente dados de campo 106 quan- do um ou mais dos valores de dados se tornam disponíveis para o dis- positivo de computação gerenciador de campo 104. Por exemplo, o dispositivo de computação gerenciador de campo 104 pode ser aco- plado comunicativamente ao sensor remoto 112 e/ou ao controlador de aplicativo 114 os quais incluem um sensor de irrigação e/ou contro- lador de irrigação. Em resposta a receber dados indicando que o con- trolador de aplicativo 114 liberou água no um ou mais campos, o dis- positivo de computação gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando que a água foi liberada em um ou mais campos. Os da- dos de campo 106 identificados nesta divulgação podem ser inseridos e comunicados utilizando dados digitais eletrônicos que são comuni- cados entre dispositivos de computação utilizando URLs parametriza- dos através de HTTP ou outro protocolo de comunicação ou de troca de mensagem adequado.
[0050] Um exemplo comercial do aplicativo móvel é CLIMATE FI- ELDVIEW, disponível comercialmente a partir da The Climate Corpora- tion, São Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou outros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não foram divulga- das antes da data de depósito 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, porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseja comparar. As combinações e comparações podem ser executadas em tempo real e são baseadas em modelos científicos que proporcionam cenários potenciais para permitir que o produtor tome decisões melhores e mais informadas.
[0051] A FIG. 2 ilustra duas vistas de uma organização lógica ilus- trativa de conjuntos de instruções na memória principal quando um aplicativo móvel ilustrativo é carregado para execução. Na FIG. 2, ca- da elemento denominado representa uma região de uma ou mais pá- ginas de RAM ou de outra memória principal, ou um ou mais blocos de armazenamento em disco ou de outro armazenamento não volátil, e as instruções programadas dentro destas regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende ins- truções de conta, campos, ingestão de dados, compartilhamento 202, instruções de vista geral e alerta 204, instruções de livros de mapas digitais 206, instruções de sementes e plantio 208, instruções de nitro- gênio 210, instruções meteorológicas 212, instruções de saúde de campo 214, e instruções de desempenho 216.
[0052] Em uma modalidade, o aplicativo de computador móvel 200 compreende as instruções de conta, campos, ingestão de dados, compartilhamento 202 que são programadas para receber, traduzir, e ingerir dados de campo a partir de sistemas terceirizados via carrega- mento manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produção, mapas de como plantado, resultados de teste de solo, mapas de como aplicado, e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de formato, formatos de dados nativos de terceiros, e/ou exportações do sistema de informação de gerenciamento de fazenda (FMIS), entre outros. O recebimento dos dados pode ocorrer via carregamento manual, e-mail com anexo, APIs externas que enviam dados para o aplicativo móvel, ou instruções que chamam APIs de sistemas externos para enviar da- dos para o aplicativo móvel. Em uma modalidade, o aplicativo de com- putador móvel 200 compreende uma caixa de entrada de dados. Em resposta a receber uma seleção da caixa de entrada de dados, o apli- cativo de computador móvel 200 pode exibir uma interface gráfica com o usuário para manualmente carregar arquivos de dados e importar arquivos carregados para um gerenciador de dados.
[0053] Em uma modalidade, as instruções de livro de mapas digi- tais 206 compreende camadas de dados de mapa de campo armaze- nadas na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespacial. Isto propor- ciona aos produtores informação conveniente de forma rápida para referência, registro de ocorrência e observação visual do desempenho do campo. Em uma modalidade, as instruções de vista geral e de aler- ta 204 são programadas para proporcionar uma vista geral da opera- ção do que é importante para o produtor, e recomendações oportunas para executar ação ou focar em problemas particulares. Isto permite ao produtor focar tempo no que precisa de atenção, economizar tempo e preservar a produção por toda a estação. Em uma modalidade, as instruções de semente e plantio 208 são programadas para proporcio- nar ferramentas para seleção de semente, colocação híbrida, e criação de script, incluindo criação de script de taxa variável (VR), baseado em modelos científicos e dados empíricos. Isto permite aos produtores maximizar a produção ou o retorno em relação ao investimento através de compra, colocação e população otimizadas de semente.
[0054] Em uma modalidade, instruções de geração de script 205 são programadas para proporcionar uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permi-
te aos produtores criarem scripts para máquinas agrícolas do campo, tais como de aplicações de nutriente, de plantio, e de irrigação. Por exemplo, uma interface de script de plantio pode compreender ferra- mentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerencia- mento, tais como as camadas de dados de mapa de campo criadas como parte das instruções de livro de mapas digitais 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo juntas com um painel identificando cada zona de solo, e um nome do solo, textura, drenagem para cada zona, ou outros dados de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para editar ou criar, tais como ferramentas gráficas para desenhar zo- nas de gerenciamento, tais como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplica- dos para todas as zonas de gerenciamento ou procedimentos de plan- tio diferentes podem ser aplicados para diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, o aplicativo de computador móvel 200 pode tornar o script disponível para transferên- cia em um formato legível por um controlador de aplicativo, tal como um formato arquivado ou compactado. Além disso, e/ou alternativa- mente, um script pode ser enviado diretamente para o computador da cabine 115 a partir do aplicativo de computador móvel 200 e/ou carre- gado para um ou mais servidores de dados e armazenado para uso adicional.
[0055] Em uma modalidade, as instruções de nitrogênio 210 são programadas para proporcionar ferramentas para informar decisões de nitrogênio pela visualização da disponibilidade de nitrogênio para plan- tações. Isto permite aos produtores maximizarem a produção ou o re- torno em relação ao investimento através de aplicação otimizada de nitrogênio durante a estação.
Funções programadas ilustrativas inclu- em exibir imagens tais como imagens SSURGO para permitir o dese- nho de zonas de aplicação de fertilizante e/ou imagens geradas a par- tir dos dados de solo de subcampo, tais como dados obtidos a partir de sensores em uma alta resolução espacial (tão detalhada quanto milímetros ou menor dependendo da proximidade e da resolução do sensor); carregamento de zonas existentes definidas pelo produtor; proporcionar um gráfico de disponibilidade de nutrientes da plantação e/ou um mapa para permitir ajustar aplicação (aplicações) de nitrogê- nio através de várias zonas; emissão de scripts para acionar maquiná- rio; ferramentas para entrada e ajuste de dados em massa; e/ou ma- pas para visualização de dados, entre outros. “Entrada de dados em massa”, neste contexto, pode significar entrar dados uma vez e então aplicar os mesmos dados para vários campos e/ou zonas que foram definidas no sistema; dados ilustrativos podem incluir dados de aplica- ção de nitrogênio que são os mesmos para vários campos e/ou zonas do mesmo produtor, mas tal entrada de dados em massa se aplica pa- ra a entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, instruções de nitrogênio 210 po- dem ser programadas para aceitar definições de aplicação de nitrogê- nio e programas de prática e aceitar entrada do usuário especificando aplicar estes programas através de vários campos. “Programas de aplicação de nitrogênio”, neste contexto, se referem aos conjuntos de- nominados armazenados de dados 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 tal como injetado ou espalhado, e/ou quantidades ou taxas de aplicação para cada uma das datas, planta- ção ou híbrido que é o sujeito da aplicação, entre outros. “Programas de práticas de nitrogênio”, neste contexto, se referem aos conjuntos nomeados armazenados de dados que associam: um nome da prática; uma plantação anterior; um sistema de cultivo; uma data do cultivo principal; um ou mais sistemas de cultivo anteriores que foram utiliza- dos; um ou mais indicadores de tipo de aplicação, tal como adubo, que foram utilizados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogê- nio, o qual indica projeções de uso da plantação do nitrogênio especi- ficado e se um excedente ou falta é predito; em algumas modalidades, diferentes indicadores por cor podem sinalizar uma magnitude de ex- cesso ou magnitude de falta. Em uma modalidade, um gráfico de ni- trogênio compreende uma exibição gráfica em um dispositivo de vídeo do computador compreendendo várias fileiras, cada fileira associada com e identificando um campo; dados especificando qual plantação é plantada no campo, o tamanho do campo, a localização do campo, e uma representação gráfica do perímetro do campo; em cada fileira, uma linha de tempo por mês com indicadores gráficos especificando cada aplicação de nitrogênio e a quantidade nos pontos correlaciona- dos com os nomes de mês; e indicadores numéricos e/ou coloridos de excesso ou falta, nos quais a cor indica a magnitude.
[0056] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como botões ou barras deslizantes, para dinamicamente alterar o plantio de nitrogênio e os programas de práticas de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário então pode utilizar seu gráfico de ni- trogênio otimizado e o plantio de nitrogênio e programas de práticas relacionados 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, o qual indica projeções de uso de plantas do ni- trogênio especificado e se um excesso ou falta é predito; em algumas modalidades, diferentes indicadores por cor podem sinalizar uma magnitude do excesso ou a magnitude de falta. O mapa de nitrogênio pode exibir projeções de uso especificado de nitrogênio na plantação e se um excesso ou falta é predito para diferentes momentos no passa- do e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) utilizando indicadores numéricos e/ou coloridos de ex- cesso ou falta, nos quais a cor indica a magnitude. Em uma modalida- de, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, tais como botões ou barras corrediças, para dinamicamen- te alterar o plantio de nitrogênio e os programas de prática de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como para obter uma quantidade preferida de excesso para a falta. O usuário en- tão pode utilizar este mapa de nitrogênio otimizado e o plantio de ni- trogênio relacionado e os programas de prática para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções similares para as instruções de ni- trogênio 210 poderiam ser utilizadas para aplicação de outros nutrien- tes (tais como fósforo e potássio), aplicação de pesticida, e programas de irrigação.
[0057] Em uma modalidade, instruções meteorológicas 212 são programadas para proporcionar dados climáticos recentes específicos do campo e informação de clima previsto. Isto permite aos produtores economizar tempo e possui uma exibição integrada eficiente com res- peito às decisões operacionais diárias.
[0058] Em uma modalidade, instruções de saúde do campo 214 são programadas para proporcionar imagens de leitura remota oportu- nas realçando variação da plantação na estação e potenciais proble- mas. Funções programadas ilustrativas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvem; determinar índices de nitrogênio baseado nas imagens do campo; visualização gráfica de camadas de exploração, incluindo, por exemplo, estas rela- cionadas com saúde do campo, e visualizar e/ou compartilhar informa- ções de exploração; e/ou transferir imagens de satélite a partir de vá- rias fontes e priorizar as imagens para o produtor, entre outros.
[0059] Em uma modalidade, as instruções de desempenho 216 são programadas para proporcionar ferramentas de relatório, análise e observação utilizando dados na fazenda para avaliação, observações e decisões. Isto permite ao produtor buscar resultados aprimorados para o próximo ano através de conclusões baseadas em fatos sobre porque o retorno em relação ao investimento estava nos níveis anterio- res, e observação de fatores de limitação de produção. As instruções de desempenho 216 podem ser programadas para comunicação via a rede(s) 109 para programas analíticos back-end executados no siste- ma de computador de inteligência agrícola 130 e/ou para o computa- dor servidor de dados externos 108 e configurados para analisar mé- tricas tais como produção, diferencial de produção, híbridos, popula- ção, zona SSURGO, propriedades de teste de solo, ou elevação, entre outros. Os relatórios e análise programados podem incluir análise de variabilidade de produção, estimativa de efeito de tratamento, parâme- tros comparativos de produção e outras métricas em relação a outros produtores baseado em dados colocados de forma anônima coletados a partir de vários produtores, ou dados para sementes e plantio, entre outros.
[0060] Aplicativos possuindo instruções configuradas deste modo podem ser implementados para diferentes plataformas de dispositivo de computação enquanto retendo a mesma aparência geral de interfa- ce com o usuário. Por exemplo, o aplicativo móvel pode ser programa- do para execução em tablets, smartphones, ou computadores servido- res que são acessados utilizando navegadores nos computadores cli- entes. Além disso, o aplicativo móvel como configurado para os com-
putadores tablete ou smartphones podem proporcionar uma experiên- cia completa do app ou uma experiência do app da cabine que é ade- quada para a capacidade de exibição e de processamento do compu- tador da cabine 115. Por exemplo, referindo-se agora à vista (b) da FIG. 2, em uma modalidade, um aplicativo de computador da cabine 220 pode compreender instruções de mapas da cabine 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instruções de alerta da máquina 228, instruções de transfe- rência de script 230, e instruções de patrulhamento da cabine 232. À base de código para as instruções da vista (b) pode ser a mesma que para a vista (a) e executáveis implementando o código podem ser pro- gramados para detectar o tipo de plataforma na qual eles estão execu- tando e expor, através de uma interface gráfica com o usuário, somen- te as funções que são apropriadas para uma plataforma da cabine ou plataforma completa.
Esta abordagem permite ao sistema reconhecer a experiência do usuário distintamente diferente que é apropriada para um ambiente dentro da cabine e o diferente ambiente de tecnologia da cabine.
As instruções de mapas da cabine 222 podem ser programa- das para proporcionar vistas de mapa de campos, fazendas ou regiões que são úteis ao direcionar a operação da máquina.
As instruções de visualização remota 224 podem ser programadas para ligar, gerenciar, e proporcionar vistas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados com o sistema 130 via as redes sem uso de fios, conectores ou adap- tadores com uso de fios, e similares.
As instruções de coleta e de transferência de dados 226 podem ser programadas para ligar, geren- ciar, e proporcionar transferência de dados coletados em sensores e controladores para o sistema 130 via redes sem uso de fios, conecto- res ou adaptadores com uso de fios, e similares.
As instruções de alertas da máquina 228 podem ser programadas para detectar pro-
blemas com as operações da máquina ou ferramentas que estão as- sociadas com a cabine e gerar alertas para o operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configuradas para direcionar as opera- ções da máquina ou a coleta de dados. As instruções de patrulhamen- to da cabine 232 podem ser programadas para exibir alertas baseados em localização e informações recebidas a partir do sistema 130 base- ado na localização do dispositivo de computação gerenciador de cam- po 104, do aparelho agrícola 111, ou dos sensores 112 no campo e ingerir, gerenciar, e proporcionar transferência de observações de ex- ploração baseada em localização para o sistema 130 baseado na loca- lização do aparelho agrícola 111 ou dos sensores 112 no campo.
[0061] 2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COM-
[0062] Em uma modalidade, o computador servidor de dados ex- ternos 108 armazena dados externos 110, incluindo dados do solo re- presentando a composição do solo para um ou mais campos e dados meteorológicos representando a temperatura e a precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados mete- orológicos passados e presentes, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 compreende vários servidores hospedados 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 composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar dados representando a porcentagem de areia, limo e argila no solo, enquanto um segundo servidor pode arma- zenar dados representando a porcentagem de matéria orgânica (MO) no solo.
[0063] 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, tais como satélites, sensores de veículos, sensores de equi- pamentos de plantio, sensores de preparo do solo, sensores de apli- cação de fertilizantes ou de inseticidas, sensores de colheitadeira e qualquer outra máquina agrícola capaz de receber dados a partir de um ou mais campos. Em uma modalidade, o controlador de aplicativo 114 é programado ou configurado para receber instruções a partir do sistema de computador de inteligência agrícola 130. O controlador de aplicativo 114 também pode ser programado ou configurado para con- trolar um parâmetro operacional de um veículo ou máquina agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, tal como um trator, equipamento de plantio, equipamento de cultivo, equipamento de fertilizante ou inseticida, equipamento de colheitadeira ou outras máquinas agrícolas, tal como uma válvula de água. Outras modalidades podem utilizar qualquer combinação de sensores e de controladores, dos quais os seguintes são meramente exemplos sele- cionados.
[0064] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em massa, a partir de um grande número de produto- res que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obter dados pode ser denominada "in- gestão manual de dados", uma vez que uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas pa- ra obter dados para utilização pelo sistema 130. Como um exemplo, o aplicativo CLIMATE FIELDVIEW, comercialmente disponível a partir da Climate Corporation, São Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no re-
positório 160.
[0065] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar os componentes do aparelho plantadeira como obter dados de plantio, incluindo sinais a partir de sensores de semen- tes via um cabo de sinais que compreende uma espinha dorsal CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir o espaçamento das sementes, a população de sementes e outras informações para o usuário via o computador da cabine 115 ou por outros dispositivos dentro do sistema 130. Exemplos são divulga- dos na Patente US No. 8.738.243 e na Publicação de Patente US. 20150094916, e a presente divulgação assume o conhecimento des- sas outras divulgações de patentes.
[0066] Da mesma forma, os sistemas monitores de rendimento podem conter sensores de rendimento para aparelhos colheitadeiras que enviam dados de medição de rendimento para o computador da cabina 115 ou para outros dispositivos dentro do sistema 130. Os sis- temas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma ceifeira-debulhadora ou outra colheitadeira e transmitir estas me- dições para o usuário via o computador da cabina 115 ou outros dis- positivos dentro do sistema 130.
[0067] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com qualquer veículo em movimento ou aparelho do tipo descrito em outro lugar neste documento incluem sensores ci- nemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, tal como radar ou sensores de velocidade da roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou aplicativos de posicionamento ou mapeamento baseados em Wi-Fi que são programados para determinar a localização baseado em pontos de acesso Wi-Fi próximos, dentre outros.
[0068] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com tratores ou outros veículos móveis incluem sensores de velocidade do motor, sensores de consumo de combustí- vel, contadores de área ou contadores de distância que interagem com GPS ou sinais de radar, sensores de velocidade PTO (tomada de for- ça), sensores de hidráulica do trator configurados para detectar parâà- metros hidráulicos, tal como pressão ou fluxo e/ou velocidade da bom- ba hidráulica, sensores de velocidade das rodas ou sensores de pati- nagem das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tratores incluem controladores dire- cionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade da bomba hidráulica; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição de roda proporcionam direção automática.
[0069] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamentos de plantio de sementes, tais como plantadeiras, semeadoras ou semeadoras aéreas, incluem sen- sores de sementes, os quais podem ser ópticos, eletromagnéticos ou sensores de impacto; sensores de força descendente, tais como pinos de carga, células de carga, sensores de pressão; sensores de proprie- dade do solo, tais como sensores de refletividade, sensores de umida- de, sensores de condutividade elétrica, sensores ópticos de resíduos ou sensores de temperatura; sensores de critérios operacionais de componentes, tais como sensores de profundidade de plantio, senso- res de pressão do cilindro de força descendente, sensores de veloci- dade de disco de sementes, codificadores do motor elétrico de semen- tes, sensores de velocidade do sistema de transporte de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas,
tais como sensores ópticos ou outros sensores eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tal equipamento de plantio de se- mentes incluem: controladores de dobra da barra de ferramentas, tais como controladores para válvulas associadas com cilindros hidráuli- cos; controladores de força descendente, tais como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hi- dráulicos e programados para aplicar força descendente a unidades de linha individuais ou a toda uma estrutura da plantadeira; controladores de profundidade de plantio, tais como atuadores lineares; controlado- res de medição, tais como motores elétricos de acionamento do medi- dor de sementes, motores elétricos do medidor de sementes hidráuli- co, ou embreagens de controle de faixa; controladores de seleção de híbrido, tais como motores elétricos de acionamento de medidores de sementes ou outros atuadores programados para permitir ou impedir seletivamente a semente ou uma mistura de ar-semente de distribuir sementes para ou a partir de medidores de sementes ou tremonhas centrais a granel; controladores de medição, tais como motores elétri- cos de acionamento de medidor de sementes ou motores elétricos hi- dráulicos de medidor de sementes; controladores de sistema de trans- porte de sementes, tais como controladores para um motor elétrico por correia do transportador de distribuição de sementes; controladores de marcador, tais como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, tais como controladores de unidade de medição, e controladores de tama- nho ou posição de orifício.
[0070] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamento de lavoura incluem sensores de posição para ferramentas, tais como hastes ou discos; sensores de posição de ferramenta para tais ferramentas que são configuradas pa-
ra detectar profundidade, ângulo de ataque ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser utili- zados com equipamento de lavoura incluem controladores de força descendente ou controladores de posição de ferramenta, tais como controladores configurados para controlar a profundidade da ferramen- ta, ângulo de ataque ou espaçamento lateral.
[0071] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados em relação a aparelhos para aplicar fertilizantes, inseticidas, fungicidas e similares, tais como sistemas de fertilizantes iniciais na plantadeira, aplicadores de fertilizantes de subsolo ou pulve- rizadores de fertilizantes, incluem: sensores de critérios do sistema de fluído, tais como sensores de fluxo ou sensores de pressão; sensores indicando quais válvulas de pulverizador ou válvulas de linha de fluido estão abertas; sensores associados a tanques, tais como sensores de nível de enchimento; sensores de linha de alimentação de seção ou de todo o sistema ou sensores de linha de alimentação específicos de fileira; ou sensores cinemáticos, tais como acelerômetros dispostos nas lanças do pulverizador. Em uma modalidade, exemplos de contro- ladores 114 que podem ser utilizados com tal aparelho incluem contro- ladores de velocidade de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou atuadores de posição, tais como para altura da lança, profundidade do subsolador ou posição da lança.
[0072] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com colheitadeiras incluem monitores de rendimen- to, tais como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, senso- res de peso ou sensores de torque associados a elevadores ou trados, ou sensores ópticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, tais como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação do descabeçador de cereais, tais como altura do descabeçador de cereais, tipo de desca- beçador de cereais, abertura da placa de piso, velocidade do alimen- tador e sensores de velocidade de bobina; sensores de critérios de operação do separador, tais como sensores de folga axial côncava, velocidade do rotor, folga axial da sapata ou folga axial do cortador de palha; sensores de trado para posição, operação ou velocidade; ou sensores de velocidade do motor. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com colheitadeiras inclu- em controladores de critérios operacionais do descabeçador de cere- ais para elementos tais como a altura do descabeçador de cereais, o tipo de descabeçador de cereais, abertura da placa do piso, velocida- de do alimentador ou velocidade da bobina; controladores de critérios de operação de separadores para recursos tais como folga axial côn- cava, velocidade do rotor, folga axial da sapata ou folga axial do corta- dor de palha; ou controladores para posição, operação ou velocidade do trado.
[0073] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com carrinhos de grãos incluem sensores de peso Ou sensores para posição, operação ou velocidade do trado. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com carrinhos de grãos incluem controladores para a posição, opera- ção ou velocidade do trado.
[0074] Em uma modalidade, exemplos de sensores 112 e contro- ladores 114 podem ser instalados em aparelhos de veículos aéreos não tripulados (UAV) ou "drones". Tais sensores podem incluir câme- ras com detectores eficazes para qualquer variação do espectro ele- tromagnético, incluindo luz visível, infravermelho, ultravioleta, infra-
vermelho próximo (NIR) e similares; acelerômetros; altímetros; senso- res de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade do ar ou do vento; sensores de vida útil de 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 aparelho de controle de motor ou de orientação, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados no Pedido de Patente U.S. No. 14/831.165 e a presen- te divulgação assume o conhecimento dessa outra divulgação de pa- tente.
[0075] Em uma modalidade, os sensores 112 e os controladores 114 podem ser fixados ao aparelho de medição e amostragem de solo que é configurado ou programado para amostrar solo e executar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente U.S. No.
8.767.194 e na Patente U.S. No. 8.712.148 pode ser utilizado, e a pre- sente divulgação assume o conhecimento dessas divulgações de pa- tentes.
[0076] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divulgado no Pedido Provisório US 62/154.207, depositado em 29 de abril de 2015, no Pedido Provisório US 62/175.160, depositado em 12 de junho de 2015, no Pedido Provisório US 62/198.060, depositado em 28 de julho de 2015, e no Pedido Provisório US 62/220.852, deposita- do em 18 de setembro de 2015, pode ser utilizado, e a presente divul- gação assume o conhecimento dessas divulgações de patentes.
[0077] 2.4. VISTA GERAL DE PROCESSO —- TREINAMENTO DE
[0078] 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 do 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 quaisquer condições que possam afe- tar o desenvolvimento de uma ou mais plantações em um campo, ou propriedades da uma ou mais plantações, ou ambas. Adicionalmente, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos tais como recomendações de plantação, re- comendações de irrigação, recomendações de plantio, recomenda- ções de fertilizante, recomendações de fungicida, recomendações de pesticida, recomendações de colheita e outras recomendações de ge- renciamento da plantação. Os fatores agronômicos também podem ser utilizados para estimar um ou mais resultados relacionados com a plantação, tal como rendimento agronômico. O rendimento agronômico de uma plantação é uma estimativa de quantidade da plantação que é produzida, ou em alguns exemplos, a receita ou lucro obtido a partir da plantação produzida.
[0079] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode utilizar um modelo agronômico pré-configu- rado para calcular propriedades agronômicas relacionadas com infor- mação de localização e plantação atualmente recebida para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo anteriormente processados, incluindo, mas não limi- tado aos dados de identificação, dados de colheita, dados de fertiliza-
dor, dados meteorológicos. O modelo agronômico pré-configurado po- de ter sido validado de forma cruzada para garantir precisão do mode- lo. A validação cruzada pode incluir comparação com validação de ter- reno que compara resultados preditos com resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um medidor ou sensor de chuva proporcionando dados meteorológicos na mesma localização ou localização próxima ou uma estimativa de conteúdo de nitrogênio com uma medição de amostra do solo.
[0080] 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 utilizando dados do campo proporcio- nados 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 executar as operações que são agora descritas.
[0081] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar pré- processamento de dados agronômicos de dados de campo recebidos a partir de uma ou mais fontes de dados. Os dados do campo recebi- dos a partir de uma ou mais fontes de dados podem ser pré-processa- dos para o propósito de remover ruído, efeitos de distorção, e fatores de confusão dentro dos dados agronômico incluindo discrepâncias medidas que poderiam adversamente afetar os valores de dados de campo recebidos. Modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a remover valores de dados normalmente associados com valores de dados discrepan- tes, pontos de dados medidos específicos que são conhecidos como desnecessariamente distorcendo outros valores de dados, aproxima- ção de dados, agregação, ou técnicas de amostragem utilizadas para remover ou reduzir efeitos aditivos ou multiplicativos a partir de ruído,
e outras técnicas de filtragem ou de derivação de dados utilizadas para proporcionar distinção clara entre entradas de dados positivas e nega- tivas.
[0082] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para executar seleção de subconjunto de dados utilizando os dados de campo pré-processados de modo a identificar conjuntos de dados úteis para a geração do mo- delo agronômico inicial. O sistema de computador de inteligência agrí- cola 130 pode implementar técnicas de seleção de subconjunto de da- dos incluindo, mas não limitadas a um método de algoritmo genético, um método de modelos de todos os subconjuntos, 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 algo- ritmo genético utiliza um algoritmo de pesquisa heurístico adaptável, baseado nos princípios evolucionários de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.
[0083] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado pela criação de um modelo agronômico e pela utilização de limites específicos de qualidade para o modelo agronômico criado. Os modelos agronômicos podem ser com- parados e/ou validados utilizando uma ou mais técnicas de compara- ção, tais como, mas não limitadas a erro quadrático médio com valida- ção cruzada resta um (RMSECV), erro médio absoluto, e erro percen- tual médio. Por exemplo, RMSECV pode validar de forma cruzada modelos agronômicos por comparar valores de propriedade agronômi- ca preditos criados pelo modelo agronômico com valores de proprie-
dade agronômica históricos coletados e analisados. Em uma modali- dade, a lógica de avaliação de conjunto de dados agronômicos é utili- zada como uma repetição de realimentação onde conjuntos de dados agronômicos que não atendem aos limites configurados de qualidade são utilizados durante etapas futuras de seleção de subconjunto de dados (bloco 310).
[0084] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação do modelo agronômico baseado nos conjuntos de dados agronômicos que tiveram validação cruzada. Em uma modalidade, a criação do mo- delo agronômico pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.
[0085] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os mode- los de dados agronômicos pré-configurados para avaliação futura dos dados de campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO — VISTA GERAL DO HARDWARE
[0086] De acordo com uma modalidade, as técnicas descritas nes- te documento são implementadas por um ou mais dispositivos de computação de propósito especial. Os dispositivos de computação de propósito especial podem estar fisicamente conectados para executar as técnicas ou podem incluir dispositivos eletrônicos digitais, tais como um ou mais circuitos integrados específicos de aplicação (ASICs) ou arranjos de portas programáveis em campo (FPGAs) que são persis- tentemente programados para executar as técnicas ou podem incluir um ou mais processadores de hardware de propósito geral programa- dos para executar as técnicas de acordo com as instruções de pro- grama em firmware, memória, outro armazenamento ou uma combina- ção. Tais dispositivos de computação para propósito especial também podem combinar lógica fisicamente gravadas customizada, ASICs ou
FPGAs com programação customizada para realizar as técnicas. Os dispositivos de computação de propósito especial podem ser sistemas de computador de mesa, sistemas de computador portátil, dispositivos de mão, dispositivos de rede ou qualquer outro dispositivo que incor- pore lógica fisicamente gravada e/ou de programa para implementar técnicas.
[0087] 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- formação e um processador de hardware 404 acoplado ao barramento 402 para processar informação. O processador de hardware 404 pode ser, por exemplo, um microprocessador de propósito geral.
[0088] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramen- to 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser utili- zada para armazenar variáveis temporárias ou outras informações in- termediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não temporária acessível ao processador 404, transformam o sistema de computador 400 em uma máquina de pro- pósito especial que é customizada para executar as operações especi- ficadas nas instruções.
[0089] O sistema de computador 400 inclui ainda uma memória somente para leitura (ROM) 408 ou outro dispositivo de armazena- mento estático acoplado ao barramento 402 para armazenar informa- ção estática e instruções para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco óptico ou unidade de estado sólido é proporcionado e acoplado ao barramento 402 para armazenar informação e instruções.
[0090] O sistema de computador 400 pode ser acoplado via bar- ramento 402 a um vídeo 412, tal como um tubo de raios catódicos (CRT), para exibir informação para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informação e seleções de comando ao processador 404. Outro tipo de dispositivo de entrada do usuário é o controle de cursor 416, tal como um mouse, um track- ball ou teclas de direção do cursor para comunicar informações de di- reção e seleções de comando para o processador 404 e para controlar o movimento do cursor no vídeo 412. Este dispositivo de entrada nor- malmente possui dois graus de liberdade em dois eixos geométricos, um primeiro eixo geométrico (por exemplo, x) e um segundo eixo ge- ométrico (por exemplo, y), que permite que o dispositivo especifique posições em um plano.
[0091] O sistema de computador 400 pode implementar as técni- cas descritas neste documento utilizando lógica gravada fisicamente customizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador causa ou programa o sistema de computador 400 para ser uma máquina de propósito especial. De acordo com uma modalidade, as técnicas neste documento são executadas pelo sistema de computador 400 em res- posta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais ins- truções podem ser lidas para a memória principal 406 a partir de outro meio de armazenamento, tal como dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória princi- pal 406 causa que o processador 404 execute as etapas do processo descritas neste documento. Em modalidades alternativas, os circuitos gravados fisicamente podem ser utilizados no lugar ou em combinação com as instruções do software.
[0092] O termo "mídia de armazenamento", conforme utilizado neste documento, refere-se a qualquer mídia não temporária que ar- mazena dados e/ou instruções que causam que uma máquina opere de uma maneira específica. Tal mídia de armazenamento pode com- preender mídia não volátil e/ou mídia volátil. A mídia não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, tal como a memória principal 406. Formas comuns de mídia de armazenamento incluem, por exemplo, um disquete, um disco flexível, um disco rígido, uma unidade de estado sólido, uma fita magnética ou qualquer outro meio de armazenamento de dados magné- ticos, um CD-ROM, qualquer outro meio de armazenamento de dados ópticos, qualquer meio físico com padrões de furos, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, uma NVRAM, qualquer outro chip de memória ou cartucho.
[0093] A mídia de armazenamento é diferente, mas pode ser utili- zada em conjunto com a mídia de transmissão. A mídia de transmis- são participa em transferir informação entre a mídia de armazenamen- to. 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 acús- ticas ou de luz, tais como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelho.
[0094] Várias formas de mídia podem estar envolvidas em trans- portar uma ou mais sequências de uma ou mais instruções para o pro- cessador 404 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou em uma unida- de de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as ins- truções através de uma linha telefônica utilizando um modem. Um mo- dem local ao sistema de computador 400 pode receber os dados na linha telefônica e utilizar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector de infravermelhos pode receber os dados transportados no sinal infravermelho e o siste- ma de circuitos apropriados pode 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 instru- ções. As instruções recebidas a partir da memória principal 406 podem ser opcionalmente armazenadas no dispositivo de armazenamento 410 tanto antes como após a execução pelo processador 404.
[0095] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co- municação 418 proporciona um acoplamento de comunicação de da- dos bidirecional para um link 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 ca- bo, modem via satélite ou um modem para proporcionar uma conexão de comunicação de dados para um tipo correspondente de linha tele- fônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área local (LAN) para proporcionar uma cone- xão de comunicação de dados para uma LAN compatível. Links sem uso de fios também podem ser implementados. Em qualquer imple- mentação, a interface de comunicação 418 envia e recebe sinais elé- tricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando vários tipos de informações.
[0096] O link de rede 420 normalmente proporciona comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o link de rede 420 pode proporcionar uma cone-
xão através da rede local 422 para um computador hospedeiro 424 ou para um equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426, por sua vez, proporciona serviços de comunicação de dados através da rede mundial de comunicação de pacote de dados agora comumente referida como "Internet" 428. Tanto a rede local 422 como a Internet 428 utilizam sinais elétricos, eletro- magnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e atra- vés da interface de comunicação 418, os quais transportam os dados digitais de e para o sistema de computador 400, são formas ilustrativas de mídia de transmissão.
[0097] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da rede(s), do link de rede 420 e da interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa aplicativo por meio da Internet 428, do ISP 426, da rede lo- cal 422 e da interface de comunicação 418.
[0098] O código recebido pode ser executado pelo processador 404 conforme é recebido e/ou armazenado no dispositivo de armaze- namento 410 ou em outro armazenamento não volátil para execução posterior.
3. CORREÇÃO DE MEDIÇÃO DE PRECIPITAÇÃO BASEADA EM
[0099] A FIG. 7 representa um método ilustrativo para aprimorar medições de sensor de precipitação. Em uma modalidade, o processo da FIG. 7 pode ser implementado em instruções executáveis pelo sis- tema de computador de inteligência agrícola.
3.1. DADOS RECEBIDOS
[00100] Na etapa 702, um ou mais registros digitais de precipitação compreendendo vários valores de dados digitais representando quan-
tidade de precipitação em várias localizações são recebidos. O siste- ma de computador de inteligência agrícola 130 pode obter as estimati- vas de precipitação baseadas em radar por inicialmente receber esti- mativas de precipitação por radar a partir do computador servidor de dados externos 108. Adicionalmente e/ou alternativamente, o sistema de computador de inteligência agrícola 130 pode inicialmente receber medições de refletividade do radar a partir computador servidor de da- dos externos 108 e calcular as estimativas de precipitação baseadas em radar a partir das medições de refletividade do radar. Em uma mo- dalidade, o computador servidor de dados externos 108 compreende vários computadores servidores possuídos ou operados por diferentes entidades. Por exemplo, o sistema de computador de inteligência agrí- cola 130 pode estar comunicativamente acoplado com um ou mais computadores servidores de radar operados por uma primeira entida- de e com um ou mais computadores servidores de radar operados por uma segunda entidade.
[00101] O um ou mais computadores servidores de radar podem estar comunicativamente acoplados com um dispositivo de radar que emite um sinal polarizado em direção às várias localizações e recebe energia dispersa. Em algumas modalidades, o sistema de computador de inteligência agrícola 130 recebe dados de refletividade, compreen- dendo uma localização do dispositivo de radar, uma quantidade de energia emitida a partir do dispositivo de radar, uma direção da emis- são de energia, uma quantidade de tempo entre a emissão e a recep- ção da energia dispersa, e uma quantidade de energia dispersa rece- bida. A partir dos dados de refletividade, o sistema de computador de inteligência agrícola 130 pode calcular a localização da precipitação e a magnitude da precipitação.
[00102] Em outras modalidades, um ou mais cálculos iniciais po- dem ser executados antecipadamente, tal como por um ou mais com-
putadores servidores de radar, e o sistema de computador de inteli- gência agrícola 130 pode receber a localização e/ou estimativas de magnitude de precipitação a partir do um ou mais computadores servi- dores de radar. Por exemplo, o sistema de computador de inteligência agrícola 130 pode enviar uma solicitação digital ou mensagem para o um ou mais computadores servidores de radar para recuperar medi- ções por radar ou estimativas de precipitação para várias localizações através de uma região particular. A solicitação ou mensagem pode es- pecificar as localizações de interesse por valores de latitude / longitude ou por outros valores de identificação.
[00103] Em resposta, o um ou mais computadores servidores de radar podem calcular a localização de precipitação para cada medição de refletividade e podem identificar medições de energia que estão associadas com várias localizações baseado na natureza de dados de refletividade ou na emissão de energia e nos métodos de recepção especificados acima. O um ou mais computadores servidores de radar podem enviar as medições de refletividade associadas com as várias localizações para o sistema de computador de inteligência agrícola 130 em uma ou mais mensagens de resposta. Adicionalmente e/ou alternativamente, o um ou mais computadores servidores de radar po- dem calcular estimativas para a quantidade de precipitação nas várias localizações e enviar as estimativas calculadas para o sistema de computador de inteligência agrícola 130.
[00104] O sistema de computador de inteligência agrícola 130 pode ser programado ou configurado para receber dados de radar a partir de várias diferentes fontes. O sistema de computador de inteligência agrícola 130 pode utilizar os dados de radar recebidos a partir das di- ferentes fontes para reforçar o cálculo de intensidades de precipitação e a determinação de erros nas intensidades de precipitação. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber dados de estimativa quantidade de precipitação do sistema Multiradar Multisensor funcionando nos National Centers for Environ- mental Prediction (NCEP). Em uma modalidade, o sistema de compu- tador de inteligência agrícola 130 recebe dados de precipitação que foram gerados utilizando medições de radar e pluviômetros. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber estimativas MRMS corrigidas por pluviômetro a partir do NCEP.
[00105] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 recebe medições de refletividade de radar e/ou estimativas de precipitação baseadas em radar em vários momentos separados (“instantâneos”) através de várias localizações. Por exem- plo, para várias localizações, o sistema de computador de inteligência agrícola 130 pode receber várias primeiras medições de refletividade de radar e/ou estimativas de precipitação baseadas em radar corres- pondendo a um primeiro tempo e várias segundas medições de refleti- vidade de radar e/ou estimativas de precipitação baseadas em radar correspondendo a um segundo tempo. Assim, cada uma das várias medições de precipitação corresponde a um tempo diferente. Os dife- rentes tempos podem ser igualmente espaçados. Por exemplo, siste- mas de radar podem fazer medições de refletividade de radar em in- tervalos, tais como intervalos de quatro minutos, por todo um dado dia. Os intervalos podem ser regulares ou irregulares.
[00106] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 gera mapas de estimativa de taxa de precipitação para cada tempo dos vários tempos. Por exemplo, o sistema de com- putador de inteligência agrícola 130 pode armazenar cada estimativa de precipitação com dados identificando um tempo e localização parti- culares, tais como latitude e longitude. O sistema de computador de inteligência agrícola 130 pode identificar cada estimativa de precipita-
ção associada com um primeiro tempo e gerar um primeiro mapa de estimativas de precipitação para o primeiro tempo. O sistema de com- putador de inteligência agrícola 130 então pode identificar cada esti- mativa de precipitação associada com um segundo tempo e gerar um segundo mapa de estimativas de precipitação para o segundo tempo. Adicionalmente ou alternativamente, o sistema de computador de inte- ligência agrícola pode receber mapas de estimativas de precipitação a partir de uma fonte de dados externa. Um “mapa” neste contexto se refere a dados digitalmente armazenados que podem ser interpretados ou utilizados como base para gerar uma imagem gráfica de uma área geográfica em um vídeo de computador.
[00107] Na etapa 704, um ou mais registros de previsão digital compreendendo vários valores de dados digitais representando previ- sões de precipitação são recebidos, cada um dos quais compreende estimativas de precipitação em vários intervalos de tempo. Por exem- plo, o sistema de computador de inteligência agrícola pode gerar pre- visão baseado, pelo menos em parte, em dados meteorológicos ante- riores e/ou solicitar ou receber previsões a partir de uma fonte de da- dos externa. Cada conjunto de previsões pode incluir várias previsões para diferentes intervalos de tempo. Por exemplo, um conjunto de pre- visões de precipitação de cinco horas com um horário de 9:00 da ma- nhã pode incluir previsões de precipitação as às 10:00, 11:00, 12:00, 13:00 e 14:00. O intervalo de tempo, como utilizado neste documento, se refere a uma diferença de tempo entre o horário do conjunto de previsões e o horário válido de uma previsão individual no conjunto. Por exemplo, no conjunto acima, o intervalo de tempo para a previsão de 10:00 pode ser uma hora enquanto o intervalo de tempo para a previsão de 14:00 pode ser cinco horas.
[00108] Vários conjuntos de previsões a partir da mesma fonte de dados podem incluir horários sobrepostos. Por exemplo, se uma fonte produz uma previsão de cinco horas a cada hora, uma previsão para 10:00 pode estar disponível na partir da previsão de 9:00 com um in- tervalo de tempo de uma hora, a previsão de 8:00 com um intervalo de tempo de duas horas, e assim por diante. O sistema de computador de inteligência agrícola pode receber vários conjuntos previsões compre- endendo várias previsões sobrepostas para o mesmo horário e locali- zação, mas em intervalos de tempo diferentes.
[00109] Em uma modalidade, o sistema de computador de inteli- gência agrícola recebe conjuntos de previsões a partir de várias fon- tes, tais como o modelo de Renovação Rápida em Alta Resolução de 3 KM (HRRR) e o modelo de Renovação Rápida de 13 KM (RAP) pre- parados pelo NCEP. O sistema pode mapear previsões a partir de di- ferentes fontes para uma grade comum, tal como através da interpola- ção bilinear dos valores de precipitação previstos para diferentes loca- lizações da grade.
[00110] 3.2. PROBABILIDADE DE PRECIPITAÇÃO
[00111] Na etapa 706, o sistema identifica vários valores de previ- são para várias localizações em um horário particular, cada um dos vários valores de previsão correspondendo a um intervalo de tempo diferente. Por exemplo, o sistema pode identificar previsões a partir de conjuntos de previsões diferentes que correspondem à mesma locali- zação e horário. Assim, previsões para 10:00 podem ser extraídas a partir de vários conjuntos de previsões que incluem previsões para 10:00. Como um exemplo, o sistema pode utilizar dados a partir de uma fonte que incluir dados de previsão em incrementos de 1 hora através de um período de previsão estendido e extrair previsões para um horário específico utilizando conjuntos de previsões onde a previ- são para o horário específico possui um intervalo de tempo de duas horas até onze horas, desse modo criando um conjunto de dez previ- sões para um único conjunto.
[00112] Na etapa 708, uma probabilidade de precipitação em cada uma das várias localizações é calculada. A probabilidade de precipita- ção pode ser calculada a partir de previsões ponderadas pelo intervalo de tempo. A FIG. 8 representa um exemplo para selecionar previsões a partir de vários conjuntos de previsões e gerar uma estimativa pon- derada. Na FIG. 8, as previsões 800 são previsões de 10 horas gera- das a cada hora. Por exemplo, a primeira previsão F1 foi gerada às 8:00 e inclui previsões desde as 6:00. Para gerar uma previsão para 3:00, a previsão para 3:00 é selecionada a partir de cada conjunto de previsões 800. Cada uma das previsões 800 possui um intervalo de tempo diferente para a previsão.
[00113] A estimativa ponderada 820 compreende uma probabilida- de de precipitação e é gerada utilizando o número de previsões seleci- onadas ponderadas por seu intervalo de tempo com o maior peso sendo dado para o menor intervalo de tempo. Neste exemplo, a previ- são F4 com um intervalo de tempo de quatro horas é ponderada com maior peso do que a previsão F3 com um intervalo de tempo de cinco horas. Como um exemplo, a probabilidade de precipitação pode ser calculada como a estimativa ponderada 820 utilizando a seguinte equação: P= Ewi(F>O) EWi(F>2O0) onde (F > 0) é 1,0 para todos os valores onde a prescrição para a pre- visão é maior do que zero, (F > 0) é 1,0 onde a prescrição para a pre- visão não está ausente, e o peso w; para cada previsão é calculado como uma função linear do intervalo de tempo que pode ser ajustado e otimizado de acordo com as características de erro das previsões. À probabilidade do valor de precipitação pode ser calculada utilizando previsões com intervalos de tempo de duas até onze horas.
[00114] Em uma modalidade, a probabilidade de precipitação é cal-
culada utilizando previsões a partir de duas fontes diferentes. Por exemplo, o sistema pode utilizar o modelo HRRR e o modelo RAP preparados pelo NCEP para gerar a probabilidade de precipitação. O sistema pode ainda ponderar as previsões baseado na fonte da previ- são. Por exemplo, à medida que o modelo RAP compreende uma pre- visão de 13 km enquanto o modelo HRRR compreende uma de 3 km. Assim, de modo a capturar a maior precisão do modelo HRRR, o sis- tema pode ponderar o modelo HRRR com maior peso do que o mode- lo RAP. Como um exemplo, a probabilidade de precipitação utilizando duas fontes de precisões pode ser calculada como: EWwi(F, > O) + wi(F; > O)k ETWE 20 + Wwidh > 0)k onde F, e F, são previsões a partir dos dois modelos, Wiéum peso para cada previsão calculada como descrito acima, e k é um peso re- lativo para o tipo de previsão. O valor de k pode alterar ou ser ajusta- do baseado em um peso ou precisão relativa de um modelo particular em relação ao outro modelo. Por exemplo, k pode ser inicialmente de- finido como 0,2 para refletir um menor conhecimento do segundo mo- delo. O peso relativo pode ser determinado empiricamente baseado nos dois modelos utilizados.
[00115] Em uma modalidade, o sistema de computador de inteli- gência agrícola gera probabilidades de precipitação para cada locali- zação de várias localizações, tal como cada ponto da grade em uma grade com espaçamento de 1 km entre os pontos da grade. Assim, o sistema de computador de inteligência agrícola pode gerar um mapa de pontos de grade para um horário particular onde cada ponto da grade compreende uma probabilidade de precipitação no horário parti- cular.
[00116] Em uma modalidade, de modo a preencher intervalos e/ou erros, o sistema de computador de inteligência agrícola ainda executa uma etapa de ajuste para aumentar a probabilidade de precipitação em localizações onde a probabilidade de precipitação é baixa inde- pendente de serem localizações próximas onde a probabilidade de precipitação é alta. Como um exemplo, o sistema de computador de inteligência agrícola pode utilizar um método de ajuste de média sim- ples com um rádio de 15 pontos da grade para gerar pontos da grade ajustados para cada uma das localizações da grade. O método de ajuste por média simples pode ser qualquer técnica de ajuste espacial que utilize dados a partir de localizações circundantes para calcular um valor para uma localização particular.
[00117] Em uma modalidade, após executar a etapa de ajuste, o sistema de computador de inteligência agrícola pode identificar cada localização onde a etapa de ajuste reduziu a probabilidade de precipi- tação. Para cada localização identificada, o sistema de computador de inteligência agrícola pode substituir a probabilidade de precipitação ajustada pela probabilidade de precipitação original. Assim, o sistema de computador de inteligência agrícola está apto a utilizar as técnicas de ajuste espacial para aumentar as probabilidades de precipitação em localizações que estão próximas de localizações com alta probabi- lidade sem reduzir as probabilidades calculadas em qualquer uma das localizações ajustadas.
3.3. REMOVENDO VALORES DE PRECIPITAÇÃO
[00118] Na etapa710,o sistema determina que a probabilidade de precipitação em uma localização particular é menor do que um limite armazenado, e, em resposta, armazena dados identificando a localiza- ção particular como não tendo recebido precipitação. Por exemplo, o sistema de computador de inteligência agrícola pode determinar que localizações com menos do que uma probabilidade limite de ter rece- bido precipitação provavelmente não recebem precipitação. Assim, o sistema de computador de inteligência agrícola pode estabelecer as estimativas de precipitação medidas para zero onde um cálculo das probabilidades de precipitação foram menores do que um valor limite predeterminado para reduzir casos de identificação excessiva de pre- cipitação onde na verdade não ocorreu baseado em erros nas medi- ções de precipitação baseadas em radar.
[00119] Em uma modalidade, o valor limite pode ser predetermina- do de forma geral. Por exemplo, o limite de probabilidade de precipita- ção pode ser estabelecido para 10% de modo que qualquer localiza- ção com uma probabilidade de precipitação menor do que 10% seja assumida como não tendo recebido precipitação. Adicionalmente ou alternativamente, o valor limite pode ser calculado para um período de tempo específico. Por exemplo, um limite de probabilidade de precipi- tação pode ser calculado para dados de acordo com um mês a partir de um mês anterior. Como outro exemplo, o limite de probabilidade de precipitação pode ser calculado a cada dia baseado em dados a partir dos últimos 30 dias.
[00120] O sistema de computador de inteligência agrícola pode uti- lizar técnicas de modelagem estatística para selecionar o limite de probabilidade de precipitação baseado no estado de um modelo esta- tístico particular. Por exemplo, o sistema de computador de inteligên- cia agrícola pode receber dados de verificação indicando para cada uma das várias localizações se a localização recebeu precipitação bem como a intensidade de precipitação. O sistema de computador de inteligência agrícola pode calcular um valor limite de modo que maxi- mizaria o número de casos de remoção de falsos positivos de precipi- tação enquanto minimizando o número de casos de remoções de posi- tivos corretos.
[00121] Como utilizado neste documento, o falso positivo se refere a um caso onde a quantidade de precipitação estimada foi maior do que zero, mas nenhuma precipitação ocorreu na localização como identificado através dos dados de verificação. Um positivo correto é assim um caso onde a quantidade de precipitação estimada foi maior do que zero e a precipitação ocorreu na localização como identificado através dos dados de verificação. O valor limite pode, assim, ser sele- cionado para minimizar o número de remoções de positivos corretos enquanto maximizando remoções de falsos positivos através de 30 dias anteriores. Uma equação ilustrativa é como a seguir: Ew(k>=T) EP; <T) onde Pr é a probabilidade de precipitação para cada localização onde a precipitação realmente ocorreu, Pr é a probabilidade de precipitação para cada localização onde a precipitação não realmente ocorre, T é o valor limite, e W é um valor de peso que é selecionado para aumen- tar ou diminuir o valor de reais positivos identificados de forma incorre- ta como falsos positivos.
[00122] — Por calcular um novo valor limite para um período de tem- po, o sistema está apto a levar em consideração variações sazonais em erros a partir de sensores de precipitação. Por exemplo, os senso- res podem gerar falsos positivos em uma taxa superior de Queda D'água. Assim, o sistema pode utilizar a equação acima para de forma adaptável aumentar o valor limite de modo que os falsos positivos se- jam removidos.
3.4. IDENTIFICANDO CONFUSÃO PERSISTENTE
[00123] Em uma modalidade, o sistema de computador de inteli- gência agrícola utilizar medições e estimativas anteriores para identifi- car localizações como localizações de confusão persistente. O sistema de computador de inteligência agrícola pode identificar localizações de confusão persistente como parte de um método para reduzir a quanti-
dade de precipitação estimada em localizações onde a frequência de ocorrência de precipitação estimada tende a ser maior do que a fre- quência real de ocorrência de precipitação. Como utilizado neste do- cumento, uma localização de confusão persistente é uma localização que foi identificada pelo sistema de computador de inteligência agríco- la como frequentemente compreendendo uma quantidade de precipi- tação maior do que zero recebida a partir de sensores que é comple- tamente falsa, assim resultando em uma frequência de precipitação mais alta do que uma frequência de precipitação esperada, e quando não completamente falsa, pode provavelmente ser além de uma quan- tidade esperada.
[00124] Referindo-se novamente à FIG. 7, o sistema determina que uma localização particular das várias localizações foi identificada como uma localização de confusão persistente. Para identificar localizações de confusão persistente, o sistema de computador de inteligência agrí- cola pode primeiro calcular uma frequência de precipitação esperada para cada uma das várias localizações baseado nas previsões a partir de vários intervalos de tempo únicos pegos a partir de uma longa série de conjuntos históricos de previsões. A frequência de precipitação es- perada de precipitação para uma localização particular pode ser calcu- lada como uma ocorrência média de precipitação maior do que zero com o passar de todo o período coberto pela sequência de previsões.
[00125] Em uma modalidade, vários modelos podem ser utilizados para calcular o valor de frequência de precipitação esperado de modo a garantir a cobertura espacial completa de resultados. Por exemplo, o sistema de computador de inteligência agrícola pode calcular o valor de frequência de precipitação esperado utilizando valores de previsão a partir tanto do modelo HRRR como do modelo RAP. Se um modelo tende a exibir maiores valores de frequência do que o outro, os mode- los podem ser diminuídos ou aumentados. Por exemplo, se o modelo
RAP geralmente compreender valores de frequência maiores, os valo- res podem ser diminuídos por um valor estabelecido, tal como 0,7. O valor pode ser determinado por comparar valores de frequência de precipitação dos dois modelos para determinar o dimensionamento médio entre os dois modelos.
[00126] O sistema de computador de inteligência agrícola pode cal- cular a frequência de precipitação esperada através de um período longo de previsões históricas, tal como o intervalo de tempo de 5 horas a partir de cada provisão produzida de hora em hora através de um período de trinta dias. O sistema de computador de inteligência agríco- la pode então identificar localizações onde a frequência de precipita- ção esperada excedeu a frequência de precipitação recebida. Como um exemplo, o sistema de computador de inteligência agrícola pode identificar cada localização onde a diferença entre a frequência de precipitação esperada e a frequência de precipitação recebida é maior do que 0,05, ou 5%. Cada localização identificada pode ser marcada como uma localização de confusão persistente.
[00127] Em uma modalidade, as localizações de confusão persis- tente são identificadas, e/ou atualizadas periodicamente. Por exemplo, cada mês, o sistema de computador de inteligência agrícola pode identificar as localizações de confusão persistente baseado nos dados do mês anterior. Como outro exemplo, cada dia, as localizações de confusão persistente pode ser identificas baseado nos últimos 30 dias de dados. Por identificar as localizações de confusão persistente peri- odicamente, o sistema de computador de inteligência agrícola está ap- to a capturar variação sazonal na confusão persistente.
3.5. REDUZINDO VALORES DE PRECIPITAÇÃO
[00128] Na etapa 714, um valor máximo de precipitação para a lo- calização particular é gerado utilizando os vários valores de previsão. Por exemplo, o sistema de computador de inteligência agrícola pode identificar a precipitação máxima para cada localização e o horário como o máximo dos valores de previsão para esta localização e horá- rio a partir de vários conjuntos de previsões em diferentes intervalos de tempo. Assim, se uma previsão para 8:00 com um intervalo de tempo de 3 horas identifica uma intensidade de precipitação de 2 mm e uma previsão para 8:00 com um intervalo de tempo de 5 horas iden- tifica uma intensidade de precipitação de 3 mm, o sistema de compu- tador de inteligência agrícola pode selecionar 3 mm como o valor má- ximo de precipitação. Assim, o sistema de computador de inteligência agrícola identifica o maior valor algumas vez previsto para uma locali- zação específica.
[00129] Em uma modalidade, o sistema de computador de inteli- gência agrícola adicionalmente executa uma etapa de ajuste espacial com os valores de precipitação máxima de uma maneira similar a que foi executada para a probabilidade de precipitação. Por exemplo, o sis- tema de computador de inteligência agrícola pode inicialmente utilizar um método de ajuste de média simples com um raio de 5 pontos da grade para ajustar os valores de precipitação máxima através de uma grade durante um horário particular. O sistema de computador de inte- ligência agrícola pode então identificar cada localização onde a etapa de ajuste causou uma redução no valor de precipitação máxima e substituir o valore reduzido pelo valor de precipitação máxima original para esta localização.
[00130] Na etapa 716, o sistema determina que um valor de dados digitais particular representando o valor de precipitação para a locali- zação particular é maior do que o valor de precipitação máxima e, em resposta, substituir o valor de dados digitais particular pelo valor de pre- cipitação máxima. Por exemplo, o sistema de computador de inteligência agrícola pode identificar cada localização para um horário particular que foi identificada como uma localização de confusão persistente e que possui uma quantidade de precipitação recebida que é maior do que o valor de precipitação máxima calculado. Para cada localização identifi- cada, o sistema de computador de inteligência agrícola pode reduzir o valor de precipitação para o valor de precipitação máxima calculado.
4. APLICAÇÕES PRÁTICAS
[00131] Em uma modalidade, as correções para a precipitação es- timada são utilizadas como parte de uma aplicação prática para geren- ciar um campo agronômico. Por exemplo, o sistema de computador de inteligência agrícola pode utilizar os valores de precipitação corrigidos como entrada para os modelos digitais, tal como um modelo de nutriente, como descrito na Patente US 9.519.861 ou um modelo de produção co- mo descrito na publicação de patente US 2017-0169523A1, e a presen- te divulgação é direcionada para pessoas que possuem conhecimento e entendimento destas patentes. Os modelos podem ser utilizados pa- ra gerar recomendações para atividades de gerenciamento agrícola, tais como alterações no plantio, fertilidade, controle de ervas daninhas, irrigação, e/ou colheita de uma plantação.
[00132] Em uma modalidade, o computador de inteligência agrícola utiliza os valores de prescrição corrigidos para aprimorar a utilização de máquinas agrícolas no campo agronômico. Por exemplo, o sistema de computador de inteligência agrícola pode gerar uma ou mais pres- crições agrícolas baseado nos valores de precipitação e/ou nas saídas de modelos digitais. Uma prescrição, como utilizada neste documento, utiliza um conjunto de instruções para executar atividades agrícolas em várias localizações em um campo agronômico. Por exemplo, uma prescrição de plantio pode identificar uma plantação a ser plantada, um tempo de híbrido, uma população de semeio, e/ou uma ou mais localizações a se plantar a plantação.
[00133] Em uma modalidade, o sistema de computador de inteli- gência agrícola adicionalmente causa a implementação da prescrição em um campo agronômico por gerar um ou mais scripts. Os scripts compreendem instruções legíveis por computador que, quando execu- tadas por um controlador de aplicativo, causam que o controlador de aplicativo controle um parâmetro operacional de uma máquina agrícola no campo agronômico para aplicar um tratamento para a parte de tes- te do campo agronômico. Os scripts podem ser configurados para cor- responder ao mapa de prescrição gerado de modo que os scripts, quando executados, causam que uma ou mais máquinas agrícolas executem as prescrições no mapa de prescrição. O sistema de compu- tador de inteligência agrícola pode enviar os scripts para um dispositi- vo de computação gerenciador de campo e/ou para o controlador de aplicativo através de uma rede.
[00134] Em uma modalidade, o sistema de computador de inteli- gência agrícola gera uma exibição aprimorada por incluir, na exibição, as estimativas de precipitação corrigidas para mais precisamente mos- trar o histórico de precipitação de um campo. A exibição pode compre- ender uma exibição de mapa que utiliza valores de pixel para indicar valores de precipitação para várias localizações. A exibição do mapa pode adicionalmente indicar se um ou mais campos agronômicos ge- renciados pelo dispositivo de computação gerenciador de campo rece- beu precipitação e, se recebeu, em qual intensidade.
[00135] Em uma modalidade, instruções podem ser adicionadas para o sistema de computador de inteligência agrícola 130 para utilizar as taxas de precipitação histórica ou ajustada para modificar o modo no qual a irrigação é aplicada em um campo. Por exemplo, instruções po- dem ser enviadas para o sistema de computador de inteligência agríco- la 130 compreendendo dados se relacionando com dados de precipita- ção modificados para alterar o modo no qual o sistema opera as má- quinas agrícolas de irrigação de campo ou as práticas de tratamento de campo recomendadas para irrigação baseado nas instruções.
5. BENEFÍCIOS DE ALGUMAS MODALIDADES
[00136] Quando considerada de acordo com o relatório descritivo neste documento, e de acordo com sua característica como um todo, esta divulgação é direcionada para aprimoramentos no uso de senso- res de radar para medir precipitação bem como aprimoramentos no controle de operações de máquinas agrícolas e de equipamento na agricultura, baseado em aprimoramentos nas medições de sensor de radar. A divulgação não está limitada a cobrir ou reivindicar o modelo abstrato de previsão meteorológica, mas ao invés disso, diz respeito à aplicação prática do uso de computadores para corrigir equipamento sensor e para controlar maquinário agrícola.
[00137] Por corrigir as medições de sensor, o sistema está adicio- nalmente apto a aprimorar a precisão, confiabilidade, e capacidade de uso de modelos de nutriente e modelos de produção que são utiliza- dos para determinar atividades agrícolas. Assim, a implementação da invenção descrita neste documento pode ter benefícios tangíveis na produção agronômica aumentada de uma plantação, redução no gasto de recursos enquanto gerenciando uma plantação, e/ou aprimoramen- tos na própria plantação.
6. EXTENSÕES E ALTERNATIVAS
[00138] No relatório descritivo precedente, foram descritas modali- dades com referência aos vários detalhes específicos que podem vari- ar de implementação para implementação. O relatório descritivo e os desenhos são, por consequência, para ser considerados em um senso ilustrativo ao invés do que de restrição. O único e exclusivo indicador do escopo da divulgação, e o que é pretendido pelos requerentes co- mo sendo o escopo da divulgação é o escopo literal e equivalente do conjunto de reivindicações que resultam a partir deste pedido, na for- ma específica na qual tais reivindicações resultam, incluindo qualquer correção subsequente.
Claims (20)
1. Método implementado por computador proporcionando aprimoramentos na ciência agrícola por aprimorar medições de preci- pitação de sensor, caracterizado pelo fato de que compreende: receber um ou mais registros digitais de precipitação com- preendendo vários valores de dados digitais representando quantida- des de precipitação em várias localizações; receber um ou mais registros digitais de previsão compre- endendo vários valores de dados digitais representando previsões de precipitação nas várias localizações; identificar, utilizando o um ou mais registros digitais de pre- cipitação e o um ou mais registros digitais de previsão, vários valores de precisão para as várias localizações; calcular, baseado nos vários valores de previsão, uma pro- babilidade de precipitação em cada uma das várias localizações; determinar que a probabilidade de precipitação em uma lo- calização particular é menor do que uma probabilidade limite; e em resposta a determinar que a probabilidade de precipita- ção em uma localização particular é menor do que a probabilidade |li- mite, armazenar de forma digital dados identificando a localização par- ticular como tendo recebido menos precipitação do que esperada.
2. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: informar os dados armazenados de forma digital identifi- cando a localização particular como tendo recebido menos precipita- ção do que esperada em um modelo agrícola digital; utilizando o modelo agrícola digital, gerar uma ou mais re- comendações para atividades de gerenciamento agrícola nas várias localizações.
3. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: utilizando os dados armazenados de forma digital identifi- cando a localização particular como tendo recebido menos precipita- ção do que esperada, gerar um conjunto de instruções para executar atividades agrícolas por uma ou mais máquinas agrícolas nas várias localizações; executar, pela uma ou mais máquinas agrícolas, baseado no conjunto de instruções, um tratamento para uma parte de um cam- po agronômico.
4. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que: as várias localizações representam várias localizações na grade, as várias localizações na grade sendo parte de um campo agronômico representado por uma grade; calcular uma probabilidade de precipitação em cada uma das várias localizações compreende calcular uma probabilidade de precipitação em cada uma das várias localizações da grade na grade; determinar que a probabilidade de precipitação em uma lo- calização particular é menor do que uma probabilidade limite compre- ende determinar que a probabilidade de precipitação em uma localiza- ção particular da grade é menor do que uma probabilidade limite; armazenar de forma digital dados identificando a localiza- ção particular como tendo recebido menos precipitação do que espe- rada compreende armazenar de forma digital dados identificando a localização particular da grade como tendo recebido menos precipita- ção do que esperada.
5. Método implementado por computador, de acordo com a reivindicação 4, caracterizado pelo fato de que ainda compreende: determinar uma ou mais localizações errôneas da grade possuindo uma probabilidade de precipitação que é menor do que a probabilidade de precipitação nas localizações adjacentes da grade; modificar a probabilidade de precipitação na uma ou mais localizações errôneas da grade por tirar a média da probabilidade de precipitação das localizações adjacentes da grade para cada uma das uma ou mais localizações errôneas da grade.
6. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que: cada valor de dados digitais dos vários valores de dados digitais representando previsões de precipitação nas várias localiza- ções compreende estimativas de precipitação na várias localizações em vários intervalos de tempo; cada valor de previsão dos vários valores de previsão cor- responde a um intervalo de tempo diferente; calcular uma probabilidade de precipitação em cada uma das várias localizações compreende calcular uma probabilidade de precipitação em cada uma das várias localizações utilizando uma es- timativa ponderada, a estimativa ponderada baseada em vários inter- valos de tempo e nos vários valores de previsão.
7. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que: receber um ou mais registros digitais de previsão compre- endendo vários valores de dados digitais representando previsões de precipitação nas várias localizações compreende receber registros di- gitais de previsão a partir de uma primeira fonte de previsão e de uma segunda fonte de previsão, a primeira fonte de previsão sendo diferen- te da segunda fonte de previsão; identificar vários valores de previsão para as várias locali- zações compreende identificar vários primeiros valores de previsão para as várias localizações baseado na primeira fonte de previsão e identificar vários segundos valores de previsão para as várias localiza-
ções baseado na segunda fonte de previsão; calcular uma probabilidade de precipitação em cada uma das várias localizações compreende calcular uma probabilidade de precipitação combinada baseado na combinação de um primeiro valor ponderado e os vários primeiros valores de previsão com um segundo valor ponderado e os vários segundos valores de previsão.
8. Método implementado por computador proporcionando aprimoramentos na ciência agrícola por aprimorar medições de preci- pitação de sensor, caracterizado pelo fato de que compreende: receber um ou mais registros digitais de precipitação com- preendendo vários valores de dados digitais representando quantida- des de precipitação em várias localizações; receber um ou mais registros digitais de previsão compre- endendo vários valores de dados digitais representando previsões de precipitação nas várias localizações; identificar, utilizando o um ou mais registros digitais de pre- cipitação e o um ou mais registros digitais de previsão, vários valores de previsão para as várias localizações; determinar que uma localização particular das várias locali- zações é uma localização de confusão persistente, em que a localiza- ção de confusão persistente é uma localização associada com leituras frenquêntes de falsa precipitação; baseado na determinação de que a localização particular é uma localização de confusão persistente, gerar um valor de precipita- ção máxima para a localização particular utilizando os vários valores de previsão; determinar que um valor de dados digitais particular repre- sentando um valor de precipitação para a localização particular é mai- or do que o valor de precipitação máxima; e em resposta a determinar que um valor de dados digitais particular é maior do que o valor de precipitação máxima, substituir o valor de dados digitais particular pelo valor de precipitação máxima.
9. Método implementado por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que ainda compreende: informar um ou mais valores de dados digitais particulares em um modelo agrícola digital, o um ou mais valores de dados digitais particulares compreendendo valores de dados digitais que foram subs- tituídos por um valor de precipitação máxima; utilizando o modelo agrícola digital, gerar uma ou mais re- comendações para atividades de gerenciamento agrícola nas várias localizações.
10. Método implementado por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que ainda compreende: utilizando os valores de dados digitais particulares, gerar um conjunto de instruções para executar atividades agrícolas por uma ou mais máquinas agrícolas nas várias localizações, o um ou mais va- lores de dados digitais particulares compreendendo valores de dados digitais que foram substituídos por um valor de precipitação máxima; executar, pela uma ou mais máquinas agrícolas, baseado no conjunto de instruções, um tratamento para uma parte de um cam- po agronômico.
11. Método implementado por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que: as várias localizações representam várias localizações da grade, as várias localizações da grade sendo parte de um campo agronômico representado por uma grade; determinar que uma localização particular das várias locali- zações é uma localização de confusão persistente compreende deter- minar que uma localização particular da grade é uma localização de localização de confusão persistente;
gerar um valor de precipitação máxima para a localização particular utilizando os vários valores de previsão compreende gerar um valor de precipitação máxima para a localização particular da gra- de; determinar que um valor de dados digitais particular repre- sentando um valor de precipitação para a localização particular é mai- or do que o valor de precipitação máxima compreende determinar que um valor de dados digitais particular representando um valor de preci- pitação para a localização particular da grade é maior do que o valor de precipitação máxima.
12, Método implementado por computador, de acordo com a reivindicação 11, caracterizado pelo fato de que determinar que um valor de dados digitais particular representando um valor de precipita- ção para a localização particular é maior do que o valor de precipita- ção máxima ainda compreende determinar que a localização particular da grade é uma localização errônea da grade possuindo uma probabi- lidade de precipitação que é maior do que a probabilidade de precipi- tação em localizações adjacentes da grade.
13. Método implementado por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que: cada valor de dados digitais dos vários valores de dados digitais representando previsão de precipitação nas várias localizações compreende estimativas de precipitação nas várias localizações em vários intervalos de tempo; cada valor de previsão dos vários valores de previsão cor- responde a um intervalo de tempo diferente; determinar que uma localização particular das várias locali- zações é uma localização de confusão persistente compreende utilizar uma estimativa ponderada, a estimativa ponderada baseada nos vá- rios intervalos de tempo e nos vários valores de previsão.
14. Método implementado por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que: receber um ou mais registros digitais de previsão compre- endendo vários valores de dados digitais representando previsões de precipitação nas várias localizações compreende receber registros di- gitais de previsão a partir de uma primeira fonte de previsão e de uma segunda fonte de previsão, a primeira fonte de previsão sendo diferen- te da segunda fonte de previsão; identificar vários valores de previsão para as várias locali- zações compreende identificar vários primeiros valores de previsão para as várias localizações baseado na primeira fonte de previsão e identificar vários segundos valores de previsão para as várias localiza- ções baseado na segunda fonte de previsão; determinar que uma localização particular das várias locali- zações é uma localização de confusão persistente é ainda baseado na combinação de um primeiro valor ponderado e das vários primeiros valores de previsão com um segundo valor ponderado e os vários se- gundos valores de previsão.
15. Sistema de tratamento por irrigação para proporcionar aprimoramentos na ciência agrícola por otimizar localizações de trata- mento por irrigação para teste em um campo caracterizado pelo fato de que compreende instruções, que quando executadas, causam: a recepção de um ou mais registros digitais de precipitação compreendendo vários valores de dados digitais representando quan- tidades de precipitação em várias localizações; a recepção de um ou mais registros digitais de previsão compreendendo vários valores de dados digitais representando previ- sões de precipitação nas várias localizações; a identificação, utilizando o um ou mais registros digitais de precipitação e o um ou mais registros digitais de previsão, de vários valores de previsão para as várias localizações; o cálculo, baseado nos vários valores de previsão, de uma probabilidade de precipitação em cada uma das várias localizações; a determinação de que a probabilidade de precipitação em uma localização particular é menor do que uma probabilidade limite; e que em resposta a determinar que a probabilidade de pre- cipitação em uma localização particular é menor do que a probabilida- de limite, armazene de forma digital dados identificando a localização particular como tendo recebido menos precipitação do que esperada.
16. Sistema de tratamento por irrigação, de acordo com a reivindicação 15, caracterizado pelo fato de que a memória principal ainda compreende instruções que, quando executadas, causam: a entrada de dados armazenados de forma digital identifi- cando a localização particular como tendo recebido menos precipita- ção do que esperada em um modelo agrícola digital; que utilizando o modelo agrícola digital, a geração de uma ou mais recomendações para atividades de gerenciamento agrícola nas várias localizações, a uma ou mais recomendações compreen- dendo recomendações de irrigação para as várias localizações.
17. Sistema de tratamento por irrigação, de acordo com a reivindicação 15, caracterizado pelo fato de que ainda compreende uma ou mais máquinas agrícolas operando nas várias localizações e a memória principal ainda compreende instruções que, quando executa- das, causam: que utilizando dados armazenados de forma digital identifi- cando a localização particular como tendo recebido menos precipita- ção do que esperada, a geração de um conjunto de instruções para executar atividades agrícolas de irrigação pela uma ou mais máquinas agrícolas de irrigação nas várias localizações;
a execução, pela uma ou mais máquinas agrícolas de irri- gação, baseado no conjunto de instruções, de um tratamento por irri- gação para uma parte de um campo agronômico.
18. Sistema de tratamento por irrigação, de acordo com a reivindicação 15, caracterizado pelo fato de que: as várias localizações representam várias localizações de grade, as várias localizações na grade sendo parte de um campo agronômico representado por uma grade; calcular uma probabilidade de precipitação em cada uma das várias localizações compreende calcular uma probabilidade de precipitação em cada uma das várias localizações da grade na grade; determinar que a probabilidade de precipitação em uma lo- calização particular é menor do que uma probabilidade limite compre- ende determinar que a probabilidade de precipitação em uma localiza- ção particular da grade é menor do que uma probabilidade limite; armazenar de forma digital dados identificando a localiza- ção particular como tendo recebido menos precipitação do que espe- rada compreende armazenar de forma digital dados identificando a localização particular da grade como tendo recebido menos precipita- ção do que esperada.
19. Sistema de tratamento por irrigação, de acordo com a reivindicação 18, caracterizado pelo fato de que a memória principal ainda compreende instruções que, quando executadas, causam: a determinação de uma ou mais localizações errôneas da grade possuindo uma probabilidade de precipitação que é menor do que a probabilidade de precipitação nas localizações adjacentes da grade; a modificação da probabilidade de precipitação na uma ou mais localizações errôneas da grade por tirar a média da probabilidade de precipitação das localizações adjacentes da grade para cada uma das uma ou mais localizações errôneas da grade.
20. Método de tratamento por irrigação, de acordo com a reivindicação 15, caracterizado pelo fato de que: cada valor de dados digitais dos vários valores de dados digitais representando previsões de precipitação nas várias localiza- ções compreende estimativas de precipitação na várias localizações em vários intervalos de tempo; cada valor de previsão dos vários valores de previsão cor- responde a um intervalo de tempo diferente; calcular uma probabilidade de precipitação em cada uma das várias localizações compreende calcular uma probabilidade de precipitação em cada uma das várias localizações utilizando uma es- timativa ponderada, a estimativa ponderada baseada em vários inter- valos de tempo e nos vários valores de previsão.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862784309P | 2018-12-21 | 2018-12-21 | |
| US62/784,309 | 2018-12-21 | ||
| US16/720,375 | 2019-12-19 | ||
| US16/720,375 US11906621B2 (en) | 2018-12-21 | 2019-12-19 | Quantitative precipitation estimate quality control |
| PCT/US2019/067854 WO2020132444A1 (en) | 2018-12-21 | 2019-12-20 | Quantitative precipitation estimate quality control |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021010179A2 true BR112021010179A2 (pt) | 2021-08-17 |
Family
ID=71098436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021010179-9A BR112021010179A2 (pt) | 2018-12-21 | 2019-12-20 | controle de qualidade de estimativa de precipitação quantitativa |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11906621B2 (pt) |
| EP (1) | EP3897102A1 (pt) |
| AR (1) | AR117492A1 (pt) |
| AU (1) | AU2019403383A1 (pt) |
| BR (1) | BR112021010179A2 (pt) |
| CA (1) | CA3121527A1 (pt) |
| WO (1) | WO2020132444A1 (pt) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11009625B2 (en) | 2019-03-27 | 2021-05-18 | The Climate Corporation | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making |
| CN112965146B (zh) * | 2021-04-14 | 2021-09-21 | 中国水利水电科学研究院 | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 |
| KR102618240B1 (ko) * | 2021-09-28 | 2023-12-27 | 울산대학교 산학협력단 | 기후 내적 변동성에 기초하여 극한 강우를 예측하기 위한 장치의 동작 방법 및 그 장치 |
| CN117574096B (zh) * | 2024-01-15 | 2024-04-05 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007005328A2 (en) * | 2005-06-30 | 2007-01-11 | Massachusetts Institute Of Technology | Weather radar echo tops forecast generation |
| ES2627181T5 (es) | 2007-01-08 | 2021-01-11 | Climate Corp | Sistema y método de monitorización de plantadora |
| BRPI0915598B1 (pt) | 2008-06-06 | 2019-11-26 | Monsanto Technology Llc | geração de produtos de informação agrícola usando sensoreamento remoto |
| US8477295B2 (en) | 2009-05-07 | 2013-07-02 | Solum, Inc. | Automated soil measurement device |
| WO2014018717A1 (en) | 2012-07-25 | 2014-01-30 | Precision Planting Llc | Systems, methods and apparatus for multi-row agricultural implement control and monitoring |
| US10564316B2 (en) * | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
| US9519861B1 (en) | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
| US10545263B2 (en) * | 2015-07-13 | 2020-01-28 | The Climate Corporation | Systems and methods for generating computer-based representations of probabilities of precipitation occurrences and intensities |
| US10359514B2 (en) | 2015-12-10 | 2019-07-23 | The Climate Corporation | Generating estimates of uncertainty for radar based precipitation estimates |
| US10628895B2 (en) | 2015-12-14 | 2020-04-21 | The Climate Corporation | Generating digital models of relative yield of a crop based on nitrate values in the soil |
| EP3455658A4 (en) * | 2016-05-13 | 2020-01-01 | Weatherflow, Inc. | HAPTIC RAIN SENSOR |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| AU2017245290B1 (en) | 2016-11-02 | 2018-05-10 | The Yield Technology Solutions Pty Ltd | Controlling Agricultural Production Areas |
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2019
- 2019-12-19 US US16/720,375 patent/US11906621B2/en active Active
- 2019-12-20 BR BR112021010179-9A patent/BR112021010179A2/pt unknown
- 2019-12-20 AU AU2019403383A patent/AU2019403383A1/en not_active Abandoned
- 2019-12-20 WO PCT/US2019/067854 patent/WO2020132444A1/en unknown
- 2019-12-20 EP EP19842506.8A patent/EP3897102A1/en not_active Withdrawn
- 2019-12-20 AR ARP190103831A patent/AR117492A1/es active IP Right Grant
- 2019-12-20 CA CA3121527A patent/CA3121527A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| AR117492A1 (es) | 2021-08-11 |
| WO2020132444A1 (en) | 2020-06-25 |
| EP3897102A1 (en) | 2021-10-27 |
| CA3121527A1 (en) | 2020-06-25 |
| US11906621B2 (en) | 2024-02-20 |
| US20200200897A1 (en) | 2020-06-25 |
| AU2019403383A1 (en) | 2021-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11797901B2 (en) | Digital modeling of disease on crops on agronomics fields | |
| US10859732B2 (en) | Long-range temperature forecasting | |
| BR112021006133A2 (pt) | técnicas de aprendizado de máquina para identificar nuvens e sombras de nuvem em imagística por satélite | |
| BR112020003688B1 (pt) | Método e sistema para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| US20210157029A1 (en) | Radar based precipitation estimates using spatiotemporal interpolation | |
| BR112021000429A2 (pt) | Geração de mapas de produtividade agronômica a partir de imagens de saúde de campo | |
| BR112018007672B1 (pt) | Método implementado por computador para determinar e apresentar uma recomendação de taxa de semeadura melhorada e aparelho correlato | |
| US10359514B2 (en) | Generating estimates of uncertainty for radar based precipitation estimates | |
| BR112018011989B1 (pt) | Método para geração de modelos digitais de rendimento relativo de uma cultura e um ou mais meios legíveis por computador não transitórios | |
| BR112019002763A2 (pt) | detecção automática de valores de discrepância em dados coletados | |
| BR112017026437B1 (pt) | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos | |
| US11596119B2 (en) | Digital nutrient models using spatially distributed values unique to an agronomic field | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112018070806B1 (pt) | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control | |
| BR112021010533A2 (pt) | Geração de script preditivo para grãos de soja | |
| BR112021010115A2 (pt) | Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos |
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) |