BR112021010533A2 - Geração de script preditivo para grãos de soja - Google Patents
Geração de script preditivo para grãos de soja Download PDFInfo
- Publication number
- BR112021010533A2 BR112021010533A2 BR112021010533-6A BR112021010533A BR112021010533A2 BR 112021010533 A2 BR112021010533 A2 BR 112021010533A2 BR 112021010533 A BR112021010533 A BR 112021010533A BR 112021010533 A2 BR112021010533 A2 BR 112021010533A2
- Authority
- BR
- Brazil
- Prior art keywords
- subfield
- field
- target
- fields
- zone
- Prior art date
Links
- 238000013515 script Methods 0.000 title claims abstract description 29
- 244000068988 Glycine max Species 0.000 title description 13
- 235000010469 Glycine max Nutrition 0.000 title description 12
- 238000010899 nucleation Methods 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004891 communication Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 32
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000009331 sowing Methods 0.000 claims description 4
- 210000000582 semen Anatomy 0.000 claims 3
- 239000004016 soil organic matter Substances 0.000 claims 2
- 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 43
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000012549 training Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 17
- 235000013339 cereals Nutrition 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 238000013479 data entry Methods 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 12
- 238000001556 precipitation Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000004883 computer application Methods 0.000 description 9
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000005416 organic matter Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 7
- 238000003306 harvesting Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000037406 food intake Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 238000005341 cation exchange Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 235000005822 corn Nutrition 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
- 230000035558 fertility Effects 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008520 organization 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
- 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
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 208000006278 hypochromic anemia Diseases 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
- 230000007935 neutral effect Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 206010060891 General symptom Diseases 0.000 description 1
- 206010022971 Iron Deficiencies Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 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
- 238000003066 decision tree Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 230000001419 dependent effect Effects 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
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003292 glue Substances 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
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- -1 silt Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012876 topography 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
- 239000013598 vector Substances 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
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C7/00—Sowing
- A01C7/08—Broadcast seeders; Seeders depositing seeds in rows
- A01C7/10—Devices for adjusting the seed-box ; Regulation of machines for depositing quantities at intervals
- A01C7/102—Regulating or controlling the seed rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Soil Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
GERAÇÃO DE SCRIPT PREDITIVO PARA
GRÃOS DE SOJA. São proporcionados um método e aparelho para ajustar
taxas de semeadura em nível de um subcampo. O método compreende:
identificar, utilizando um computador servidor, um conjunto de campos
agrícolas alvo com variabilidade de plantação dentro do campo baseado
nos dados agrícolas históricos compreendendo dados históricos de
rendimento e dados agrícolas históricos observados para vários campos;
receber várias imagens digitais do conjunto de campos agrícolas alvo;
determinar valores de índice vegetativo para geolocalizações dentro de
cada campo do conjunto de campos agrícolas alvo, pontuações de
produtividade de índice vegetativo para cada zona de subcampo de cada
campo alvo no conjunto de campos agrícolas alvo; receber taxas de
semeadura atuais para cada uma das zonas de subcampo, determinando,
taxas de semeadura ajustadas utilizando as pontuações de produtividade
de índice vegetativo correspondendo a cada uma das zonas de subcampos.
Description
Relatório Descritivo da Patente de Invenção para "GERA- ÇÃO DE SCRIPT PREDITIVO PARA GRÃOS DE SOJA".
[001] Uma parte da revelação deste documento de patente con- tém material que está sujeito à proteção de direitos autorais. O propri- etário 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. © 2015-2019 The Climate Corporation.
[002] Um campo técnico da presente divulgação é o gerencia- mento de dados agrícolas implementado por computador. Outro cam- po técnico são sistemas de computador programados para selecionar campos alvo com variabilidade de plantação dentro do campo e pres- crever taxas de semeadura ajustadas para subcampos dentro dos campos alvo. Outro campo técnico é a semeadura automática de campos agrícolas.
[003] 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.
[004] Vários fatores podem afetar o rendimentos de campos dos produtores. Convencionalmente, alguns tipos de dados agrícolas são utilizados ao predizer rendimentos para os campos. Estes tipos de dados agrícolas geralmente não incluem variações de observações de medição através de diferentes geolocalizações dentro de um campo. Assim, predizer rendimentos para campos que possuem variações de rendimento dentro de um campo pode ser difícil. Pode ser útil consi- derar tipos adicionais de observações agrícolas que descrevem e pro- porcionam predição de rendimento em um nível de subcampo granu- lar.
[005] Dado o número potencialmente grande de campos e de subcampos e o custo geral de instalar e manter sondas de solo em um nível de subcampo, seria útil eliminar a necessidade de sondar o solo em cada campo ou em cada subcampo. Para alcançar esta meta, se- ria útil estimar a produtividade da plantação em um nível de subcam- po. Além disso, a taxa de semeadura possui um efeito material sobre o rendimento. Taxas de semeadura variáveis em nível de um sub- campo podem ser úteis ao aprimorar o rendimento como um todo de um campo. De modo a variar a taxa de semeadura em nível de um subcampo, os produtores devem entender quais subcampos, dentro de um campo, têm melhor ou pior desempenho do que outros sub- campos. Entender o desempenho do rendimento em nível de um sub- campo pode permitir aos produtores precisamente variar suas taxas de semeadura de modo a otimizar rendimentos de subcampo baseado na produtividade da plantação.
[006] As reivindicações anexas podem servir como um sumário da divulgação.
[007] Nos desenhos:
[008] 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.
[009] 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.
[0010] 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.
[0011] A FIG. 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser imple- mentada.
[0012] A FIG. 5 representa uma modalidade ilustrativa de uma vis- ta de linha de tempo para entrada de dados.
[0013] A FIG. 6 representa uma modalidade ilustrativa de uma vis- ta de planilha eletrônica para entrada de dados.
[0014] A FIG. 7 ilustra um processo programado para gerar um modelo de variabilidade de campo utilizando um conjunto de caracte- rísticas agrícolas e determinar um conjunto de campos alvo que pos- suem um nível desejado de variabilidade de rendimento de plantação dentro do campo.
[0015] A FIG. 8 ilustra uma modalidade ilustrativa de um conjunto de características de dados agrícolas classificadas baseado em sua redução média Gini.
[0016] A FIG. 9 ilustra uma modalidade ilustrativa de um gráfico de sensibilidade por especificidade dos campos agrícolas modelados utili- zando o conjunto selecionado de características de dados agrícolas.
[0017] A FIG. 10 ilustra gráficos ilustrativos de sensibilidade por especificidade para campos agrícolas a partir de diferentes Estados que são modelados utilizando o conjunto de características de dados agrícolas.
[0018] A FIG. 11 ilustra agrupar campo agrícolas baseado em seu nível de variabilidade.
[0019] A FIG. 12 ilustra um processo programado para determinar taxas de semeadura ajustadas para zonas de subcampo de campos alvo baseado em valores de índice vegetativo que descrevem produti- vidade de plantação dentro de zonas de subcampo.
[0020] A FIG. 13 ilustra uma modalidade ilustrativa de uma ima- gem digital transformada indicando valores de índice vegetativo esti- mado correspondendo a um campo alvo particular.
[0021] A FIG. 14 ilustra uma modalidade ilustrativa para determi- nar zonas de subcampo dentro de campos e determinar uma pontua- ção de produtividade vegetativa para cada uma das zonas de sub- campo.
[0022] A FIG. 15 ilustra o rendimento de grãos de soja observado para o conjunto de campos alvo em resposta a aplicar taxas de seme- adura ajustadas.
[0023] 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 especí- 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 AGRÍCOLA
2.1. VISTA GERAL ESTRUTURAL
2.2. VISTA GERAL DE PROGRAMA APLICATIVO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COM-
2.4. VISTA GERAL DE PROCESSO – TREINAMENTO DE
2.5. SUBSISTEMA DE IDENTIFICAÇÃO DE CAMPO
2.6. SUBSISTEMA DE AJUSTE DE TAXA DE SEMEADU-
2.7. EXEMPLO DE IMPLEMENTAÇÃO – VISTA GERAL
3. VISTA GERAL FUNCIONAL – DETERMINA CAMPO ALVO
3.1. COLETANDO DADOS AGRÍCOLAS E DADOS DE
3.2. SELECIONANDO CARACTERÍSTICAS DE DADOS
3.3. CONSTRUINDO MODELO DE VARIABILIDADE DE
3.4. DETERMINANDO NÍVEIS DE VARIABILIDADE DE
3.5. IDENTIFICANDO UM CONJUNTO DE CAMPOS ALVO
4. VISTA GERAL FUNCIONAL – DETERMINA TAXAS DE SEMEA-
4.1. COLETANDO IMAGENS DIGITAIS DE CAMPOS AL-
4.2. DETERMINANDO VALORES DE ÍNDICE VEGETATI-
4.3. DETERMINANDO ZONAS DE SUBCAMPO DENTRO
4.4. DETERMINANDO PONTUAÇÕES DE PRODUTIVI-
4.5. GERANDO PRESCRIÇÕES DE TAXA DE SEMEA-
4.6. APLICANDO PRESCRIÇÕES DE TAXA DE SEMEA-
5. EXTENSÕES E ALTERNATIVAS
1. VISTA GERAL
[0024] São revelados neste documento um sistema de computador e método implementado por computador para recomendar taxas de semeadura ajustadas dentro do campo para um ou mais campos alvo. Em uma modalidade, um conjunto de campos agrícolas com variabili- dade de plantação dentro do campo pode ser identificado baseado em dados agrícolas históricos. Os dados agrícolas históricos podem inclu- ir dados históricos de rendimento e dados agrícolas históricos obser- vados para vários campos agrícolas. O sistema de computador servi- dor pode receber, através de uma rede de comunicação de dados digi- tais, várias imagens digitais do conjunto de campos alvo. O computa- dor servidor pode determinar valores de índice vegetativo para geolo- calizações dentro de cada campo do conjunto de campos agrícolas alvo utilizando subconjuntos das várias imagens digitais, em que cada subconjunto entre os subconjuntos das várias imagens de pixel cor- responde a um campo agrícola alvo específico no conjunto de campos agrícolas alvo.
[0025] Para cada campo agrícola alvo, o computador servidor po- de determinar várias zonas de subcampo utilizando valores de índice vegetativo para geolocalizações dentro de cada campo agrícola alvo. As geolocalizações dentro de cada zona de subcampo podem possuir valores de índice vegetativo similares. O computador servidor pode determinar pontuações de produtividade de índice vegetativo para ca- da zona de subcampo de cada campo agrícola alvo. As pontuações de produtividade de índice vegetativo podem representar uma produti-
vidade relativa da plantação para um tipo específico de semente plan- tada dentro de zonas de subcampo correspondentes.
[0026] O computador servidor pode receber, através de uma rede de comunicação de dados digitais, taxas atuais de semeadura para cada uma das zonas de subcampo do conjunto de campos agrícolas alvo. O sistema do computador servidor pode determinar taxas de semeadura ajustadas para cada uma das zonas de subcampo do con- junto de campos agrícolas alvo por ajustar as taxas de semeadura atuais utilizando as pontuações de produtividade de índice vegetativo. O sistema de computador servidor pode enviar as taxas de semeadura ajustadas para cada uma das zonas de subcampo para um dispositivo de computador gerenciador de campo.
[0027] Em uma modalidade, o sistema de computador servidor pode operar uma máquina de plantio de acordo com uma ou mais das taxas de semeadura ajustadas para plantar semente em uma ou mais zonas de subcampo do um ou mais campos agrícolas alvo. Especifi- camente, o sistema de computador servidor pode gerar um ou mais scripts que contêm instruções especificando taxas de semeadura ajus- tadas para cada uma das uma ou mais zonas de subcampo em um ou mais campos alvo. O um ou mais scripts podem representar instru- ções de plantio programadas para uma máquina de plantio automática que especificam parâmetros de operação, tais como taxas de semea- dura específicas para geolocalizações específicas representadas pela uma ou mais zonas de subcampo.
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1 VISTA GERAL ESTRUTURAL
[0028] 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.
[0029] 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), (j) 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.
[0030] 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 possuído ou operado pela mesma pessoa jurídica ou entidade que o sistema de computador de inteligência agrícola 130, ou por uma pes- soa ou entidade diferente, tal como uma agência governamental, or- ganização não governamental (ONG) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteoro- lógicos, dados de imagística, dados do solo ou dados estatísticos rela-
tivos à produtividade das plantações, dentre outros. Os dados exter- nos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são proporcionados por um servidor de dados externo 108 possuído pela mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado ex- clusivamente em um tipo de dados que, de outra forma, poderia ser obtido a partir de fontes de terceiros, tal como dados meteorológicos. Em algumas modalidades, um servidor de dados externo 108 pode realmente ser incorporado dentro do sistema 130.
[0031] 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 inteli- gência agrícola 130 via a rede(s) 109 e é programado ou configurado para receber um ou mais scripts que são utilizados para controlar um parâmetro operacional de um veículo ou máquina agrícola a partir do sistema 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 computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o CLIMATE FIELD VIEW DRIVE, disponível a partir da The Climate 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.
[0032] 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.
[0033] 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.
[0034] 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.
[0035] 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.
[0036] 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.
[0037] 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.
[0038] 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 interface com o servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme utilizado neste documento, o termo "banco de dados" pode se referir a um corpo de dados, um sistema de gerenciamento de ban- co de dados relacional (RDBMS) ou a ambos. Conforme utilizado nes- te documento, um banco de dados pode compreender qualquer cole-
ção de dados, incluindo bancos de dados hierárquicos, bancos de da- dos relacionais, bancos de dados de arquivo simples, bancos de da- dos orientados a objeto - relacionais, bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outra coleção estru- turada de registros ou dados armazenados em um sistema de compu- tador. Exemplos de RDBMSs incluem, mas não estão limitados a in- cluir, Bancos de dados ORACLE®, MYSQL, IBM® DB2, MICRO- SOFT® SQL SERVER, SYBASE® e POSTGRESQL. Entretanto, qualquer banco de dados pode ser utilizado para permitir os sistemas e métodos descritos neste documento.
[0039] 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 es- pecificar 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.
[0040] 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.
[0041] 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 então selecionar uma localização na linha de tempo para um campo particular de modo a indicar uma aplicação de nitrogênio no campo selecionado. Em resposta a receber uma seleção de uma localização na linha de tempo para um campo particular, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo ao computador do usuário informar dados pertencendo às aplicações de nitrogênio, 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.
[0042] 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 inter- face 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 lbs N/ac, os dois campos de cima podem ser atualizados com uma aplica- ção reduzida de nitrogênio baseada no programa editado.
[0043] 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 possa permanecer, atualizações para o programa "Spring applied" não alterariam a aplicação de Abril de nitrogênio.
[0044] 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 compu- tador do usuário pode selecionar um ou mais campos de modo a apli- car um ou mais programas. Em resposta a receber uma seleção de um programa para um campo particular, o gerenciador de ados pode automaticamente completar as entradas para o campo particular ba- seado no programa selecionado. Como com a vista de linha de tem- po, 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 da- dos pode remover a correspondência do programa selecionado com o campo em resposta a receber uma edição para uma ou mais entradas para o campo.
[0045] 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.
[0046] Em uma modalidade, cada um dentre o subsistema de identificação de campo alvo 170 e o subsistema de ajuste de taxa de semeadura 180 compreende um conjunto de uma ou mais páginas da memória principal, tal como RAM, no sistema de computador de inteli- gência 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 documento com referência a estes módulos.
Por exemplo, as instruções de identificação de característica de dados agrícolas 172 podem compreender um conjunto de páginas na RAM que contêm instruções que quando executadas causam a execução das funções de seleção de localização são descritas neste documento.
As instruções podem estar em código executável por máquina no con- junto de instruções de uma CPU e podem 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 lin- guagens de script e outro texto fonte de programação.
O termo "pági- nas" é pretendido para se referir amplamente a qualquer região dentro da memória principal e a terminologia específica utilizada em um sis- tema pode variar dependendo da arquitetura de memória ou da arqui- tetura do processador.
Em outra modalidade, cada componente de um subsistema de identificação de campo alvo e de um subsistema de ajuste de taxa de semeadura 180 também pode representar um ou mais arquivos ou projetos de código fonte que são digitalmente arma- zenados em um dispositivo de armazenamento em massa tal como RAM não volátil ou armazenamento em disco, no sistema de compu- tador de inteligência agrícola 130 ou em um sistema de repositório se- parado, o qual, quando compilado ou interpretado causa a geração de instruções executáveis que quando executadas causam que o sistema de computação de inteligência agrícola execute as funções ou opera- ções que são descritas neste documento com referência a estes mó- dulos.
Em outras palavras, a figura do desenho pode representar a maneira na qual programadores ou desenvolvedores de software or- ganizam e dispõem 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.
[0047] 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.
[0048] 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-localizada com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
2.2. VISTA GERAL DO PROGRAMA APLICATIVO
[0049] 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 uma máquina particular ou como um computador que é especialmente adaptado para executar as funções descritas neste documento. Além disso, cada um dos fluxogramas que são descritos mais adiante neste documento pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa neste documento, tal como algorit- mos, planos ou direções que podem ser utilizados para programar um computador 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 proporcio- nar a divulgação de algoritmos, planos ou direções que são o suficien- te para permitir que os versados na técnica programem um computa- dor para executar as funções que são descritas neste documento, em combinação com a técnica e conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e divulgações deste tipo.
[0050] 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 dispositi- vo de computação gerenciador de campo 104 representa amplamente um ou mais dentre um smartphone, PDA, dispositivo de computação tablet, computador laptop, computador de mesa, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e re- ceber informações e executar as funções descritas neste documento. O dispositivo de computação gerenciador de campo 104 pode se co-
municar via uma rede utilizando um aplicativo móvel armazenado no dispositivo 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.
[0051] 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.
[0052] 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 po- de 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 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo 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 dados de campo 106 identificados nesta divulgação podem ser inseri- dos e comunicados utilizando dados digitais eletrônicos que são co- municados entre dispositivos de computação utilizando URLs parame- trizados através de HTTP ou outro protocolo de comunicação ou de troca de mensagem adequado.
[0053] 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.
[0054] 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.
[0055] 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 forma- to, formatos de dados nativos de terceiros, e/ou exportações do siste- ma 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 en- viar dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de da- dos. Em resposta a receber uma seleção da caixa de entrada de da- dos, o aplicativo 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.
[0056] 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.
[0057] 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 ferramen- tas para editar ou criar, tais como ferramentas gráficas para desenhar zonas de gerenciamento, tais como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser 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.
[0058] 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 podem ser programadas para aceitar definições de aplicação de nitro- gênio e programas de prática e aceitar entrada do usuário especifican- do aplicar estes programas através de vários campos. "Programas de aplicação de nitrogênio", neste contexto, se refere 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 refere aos conjuntos no- meados 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.
[0059] 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 modali- dade, o mapa de nitrogênio pode incluir um ou mais recursos de en- trada do usuário, tais como botões ou barras corrediças, para dinami- camente 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 usuá- rio então pode utilizar este mapa de nitrogênio otimizado e o plantio de nitrogênio 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.
[0060] 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.
[0061] 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 nu- vens, para identificar possíveis nuvens ou sombras de nuvem; deter- minar índices de nitrogênio baseado nas imagens do campo; visuali- zação gráfica de camadas de exploração, incluindo, por exemplo, es- tas relacionadas com saúde do campo, e visualizar e/ou compartilhar informações de exploração; e/ou transferir imagens de satélite a partir de várias fontes e priorizar as imagens para o produtor, entre outros.
[0062] 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.
[0063] 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 progra- mado para execução em tablets, smartphones, ou computadores ser- vidores que são acessados utilizando navegadores nos computadores clientes.
Além disso, o aplicativo móvel como configurado para os computadores tablet ou smartphones podem proporcionar uma experi- ência completa do app ou uma experiência do app da cabine que é adequada para a capacidade de exibição e de processamento do computador 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 transfe- rência de dados 226, instruções de alerta da máquina 228, instruções de transferência de script 230, e instruções de patrulhamento da cabi- ne 232. A 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 programados para detectar o tipo de plataforma na qual eles estão executando e expor, através de uma interface gráfica com o usuário, somente as funções que são apropriadas para uma platafor- ma 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 programadas 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 dispo- sitivos de computação conectados com o sistema 130 via as redes sem uso de fios, conectores ou adaptadores com uso de fios, e simila- res.
As instruções de coleta e de transferência de dados 226 podem ser programadas para ligar, gerenciar, e proporcionar transferência de dados coletados em sensores e controladores para o sistema 130 via redes sem uso de fios, conectores ou adaptadores com uso de fios, e similares. As instruções de alertas da máquina 228 podem ser pro- gramadas para detectar problemas com as operações da máquina ou ferramentas que estão associadas com a cabine e gerar alertas para o operador. As instruções de transferência de script 230 podem ser con- figuradas para transferir scripts de instruções que são configuradas para direcionar as operações da máquina ou a coleta de dados. As instruções de patrulhamento da cabine 232 podem ser programadas para exibir alertas baseados em localização e informações recebidas a partir do sistema 130 baseado na localização do dispositivo de compu- tação gerenciador de campo 104, do aparelho agrícola 111, ou dos sensores 112 no campo e ingerir, gerenciar, e proporcionar transferên- cia de observações de exploração baseada em localização para o sis- tema 130 baseado na localização do aparelho agrícola 111 ou dos sensores 112 no campo.
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[0064] 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 me- teorológicos 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.
[0065] 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.
[0066] 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.
[0067] 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 configura- dos para exibir o espaçamento das sementes, a população de semen- tes e outras informações para o usuário via o computador da cabine 115 ou por outros dispositivos dentro do sistema 130. Exemplos são divulgados na Patente US No. 8.738.243 e na Publicação de Patente US. 20150094916, e a presente divulgação assume o conhecimento dessas outras divulgações de patentes.
[0068] 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.
[0069] 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.
[0070] 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 parâ- 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.
[0071] 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 controlado- res 114 que podem ser utilizados com tal equipamento de plantio de sementes incluem: controladores de dobra da barra de ferramentas, tais como controladores para válvulas associadas com cilindros hidráu- licos; controladores de força descendente, tais como controladores pa- ra válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos e programados para aplicar força descendente a unidades de linha individuais ou a toda uma estrutura da plantadeira; controlado- res de profundidade de plantio, tais como atuadores lineares; controla- dores de medição, tais como motores elétricos de acionamento do medidor de sementes, motores elétricos do medidor de sementes hi- dráulico, ou embreagens de controle de faixa; controladores de sele- ção de híbrido, tais como motores elétricos de acionamento de medi- dores 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 tre- monhas centrais a granel; controladores de medição, tais como moto- res elétricos de acionamento de medidor de sementes ou motores elé- tricos hidráulicos de medidor de sementes; controladores de sistema de transporte de sementes, tais como controladores para um motor elétrico por correia do transportador de distribuição de sementes; con- troladores 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 contro- ladores de tamanho ou posição de orifício.
[0072] 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.
[0073] 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.
[0074] 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.
[0075] 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.
[0076] 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. Exem- plos são divulgados no Pedido de Patente U.S. No. 14/831.165 e a presente divulgação assume o conhecimento dessa outra divulgação de patente.
[0077] 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.
[0078] 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.
2.4. VISTA GERAL DE PROCESSO – TREINAMENTO DE MODELO
[0079] 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 agronômi- co 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.
[0080] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode utilizar um modelo agronômico pré- configurado para calcular propriedades agronômicas relacionadas com informação 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 limitado aos dados de identificação, dados de colheita, dados de fertili- zador, dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de forma cruzada para garantir precisão do mo- delo. A validação cruzada pode incluir comparação com validação de terreno 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.
[0081] 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.
[0082] 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- processados para o propósito de remover ruído, efeitos de distorção, e fatores de confusão dentro dos dados agronômico incluindo discre- pâncias medidas que poderiam adversamente afetar os valores de da- dos de campo recebidos. Modalidades de pré-processamento de da- dos agronômicos podem incluir, mas não estão limitadas a remover valores de dados normalmente associados com valores de dados dis-
crepantes, pontos de dados medidos específicos que são conhecidos como desnecessariamente distorcendo outros valores de dados, ajuste de dados, agregação, ou técnicas de amostragem utilizadas para re- mover 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.
[0083] 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 agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, mas não limitadas a um método de algoritmo genéti- co, um método de modelos de todos os subconjuntos, um método de pesquisa sequencial, um método de regressão passo a passo, um mé- todo de otimização de enxame de partículas, e um método de otimiza- ção de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético utiliza um algoritmo de pesquisa heurístico adaptá- vel, baseado nos princípios evolucionários de seleção natural e genéti- ca, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.
[0084] 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 comparados e/ou validados utilizando uma ou mais técnicas de com- paração, tais como, mas não limitadas a erro quadrático médio com validação cruzada resta um (RMSECV), erro médio absoluto, e erro percentual médio. Por exemplo, RMSECV pode validar de forma cru- zada modelos agronômicos por comparar valores de propriedade agronômica preditos criados pelo modelo agronômico com valores de propriedade agronômica históricos coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é utilizada como uma repetição de realimentação onde conjuntos de dados agronômicos que não atendem aos limites configurados de qua- lidade são utilizados durante etapas futuras de seleção de subconjunto de dados (bloco 310).
[0085] 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 modelo agronômico pode implementar técnicas de regressão multiva- riada para criar modelos de dados agronômicos pré-configurados.
[0086] 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. SUBSISTEMA DE IDENTIFICAÇÃO DE CAMPO AGRÍCOLA AL-
[0087] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui o subsistema de identificação de campo alvo 170. O subsistema de identificação de campo alvo 170 é programado ou configurado para identificar um con- junto de campos agrícolas alvo a partir de vários campos agrícolas que possuem um nível ideal de variabilidade de rendimento de plantação dentro do campo. Como utilizado neste documento, o termo "ideal" e termos relacionados (por exemplo, "otimizar", "otimização", etc.) são termos amplos que se referem ao "melhor ou mais eficaz" com respei- to a qualquer resultado, sistema, dados, etc. ("otimização universal") bem como aprimoramentos que são "melhores ou mais eficazes" ("otimização relativa"). O conjunto de campos agrícolas alvo pode ser um subconjunto dos vários campos que representam os campos agrí- colas que possuem um nível de variabilidade de rendimento de planta- ção dentro do campo que está acima de um limite desejado.
[0088] Em uma modalidade, identificar o conjunto de campos agrí- colas alvo é baseado em entrada recebida pelo sistema de computa- dor de inteligência agrícola 130 incluindo, mas não limitado aos regis- tros históricos de dados de rendimento de plantação para os vários campos agrícolas e dados agrícolas históricos observados para os vá- rios campos agrícolas. Por exemplo, os dados agrícolas históricos ob- servados podem incluir temperaturas médias mensalmente observa- das, condições de inclinação do campo, precipitação mensalmente ob- servada, matéria orgânica observada, faixas de rendimento da planta- ção, rendimentos histórico observado da planta, e taxas históricas de semeadura. Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode receber dados agrícolas históricos a partir de várias fontes incluindo, mas não limitado aos bancos de dados agríco- las publicamente disponíveis, observações coletadas pelos produtores dos vários campos, e qualquer outra fonte pública ou privada.
[0089] Em uma modalidade, o subsistema de identificação de campo alvo 170 pode compreender ou ser programado com instruções de identificação de característica de dados agrícolas 172, instruções de estimativa de variabilidade de campo 174, e instruções de identifi- cação de campo alvo 176. As instruções de identificação de caracte- rística de dados agrícolas 172 proporcionam instruções para determi- nar um conjunto de características de dados agrícolas a serem utiliza- das para avaliar a variabilidade de rendimento de plantação dentro do campo para os vários campos agrícolas. O conjunto de características de dados agrícolas pode representar um subconjunto selecionado de condições observadas do campo e de rendimentos observados da plantação de vários momentos de observação. As instruções de esti- mativa de variabilidade de campo 174 proporcionam instruções para gerar um modelo de variabilidade de campo que determina um nível de variabilidade de rendimento da plantação dentro do campo para cada campo dos vários campos agrícolas utilizando o conjunto de ca- racterísticas de dados agrícolas. O modelo de variabilidade de campo pode ser configurado para receber como entrada dados agrícolas para um campo agrícola específico e produzir uma pontuação de saída de variabilidade de campo. As instruções de identificação de campo alvo 176 podem ser configuradas para classificar cada campo agrícola dos vários campos agrícolas e identificar o conjunto de campos alvo que possuem nível de variabilidade de rendimento de plantação dentro do campo que está acima de um limite de variabilidade especificado. Por exemplo, cada um dos campos agrícolas pode ser classificado basea- do na variabilidade de rendimento da plantação e os 20% dos campos mais bem classificados com a variabilidade de rendimento de planta- ção mais elevada podem ser identificados como o conjunto de campos agrícolas alvo.
2.6. SUBSISTEMA DE AJUSTE DE TAXA DE SEMEADURA
[0090] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui o subsistema de ajuste de taxa de semeadura 180. O subsistema de ajuste de taxa de semeadura 180 é programado ou configurado para identificar taxas de semeadura para zonas de subcampo dentro dos campos agrícolas al- vo e recomendar taxas de semeadura ajustadas de modo a otimizar o rendimento da plantação dentro das zonas de subcampo. As zonas de subcampo podem se referir a subáreas dentro de um campo agrícola.
Cada zona de subcampo pode ter plantada plantação que foi identifi- cada como possuindo uma saída de rendimento de plantação similar.
[0091] Em uma modalidade, o subsistema de ajuste de taxa de semeadura 180 pode compreende instruções de cálculo de índice ve- getativo 182, instruções de determinação de zona de subcampo 184, instruções de ajuste de taxa de semeadura 186. As instruções de cál- culo de índice vegetativo 182 proporcionam instruções para determinar valores de índice vegetativo para geolocalizações dentro de cada campo alvo do conjunto de campos alvo utilizando um subconjunto de imagens digitais dos campos alvo. O subconjunto de imagens digitais pode corresponder a um campo alvo específico do conjunto de cam- pos alvo. Por exemplo, o subconjunto de imagens digitais pode se re- ferir aos dados de imagística do campo, tais como imagens de satélite, capturadas em vários pontos no tempo através de um ou mais anos. As imagens digitais podem proporcionar, através da análise de sinal digital, estimativas de desenvolvimento da plantação que podem ser utilizadas para determinar a maturidade da plantação e as estimativas de rendimento da plantação.
[0092] As instruções de determinação de zona de subcampo 184 podem proporcionar instruções para determinar várias zonas de sub- campo dentro de um campo alvo utilizando os valores de índice vege- tativo para geolocalizações dentro do campo alvo. Cada zona de sub- campo pode incluir geolocalizações identificadas que possuem valores similares de índice vegetativo. As geolocalizações com valores simila- res de índice vegetativo podem ser agrupadas para formar uma zona de subcampo. Por exemplo, as imagens digitais para um campo alvo podem indicar um grupo de geolocalizações dentro de uma proximida- de próxima que possui valores de índice vegetativo que são idênticos ou similares. O grupo de geolocalizações pode então ser agrupado para formar uma zona de subcampo. As instruções de determinação de zona de subcampo 184 podem calcular pontuações de produtivida- de vegetativa para cada zona de subcampo baseado nos valores de índice vegetativo e na semente específica plantada dentro de cada zo- na de subcampo. Por exemplo, as instruções de determinação de zo- na de subcampo 184 podem analisar propriedades de semente de sementes a serem plantadas e calcular pontuações de produtividade de índice vegetativo baseado na pontuação de índice vegetativo e nas propriedades da semente a ser plantada.
[0093] As instruções de ajuste de taxa de semeadura 186 podem proporcionar instruções para ajustar taxas de semeadura de sementes a serem plantadas nas zonas de subcampo baseado em taxas de se- meadura atualmente prescritas para as zonas de subcampo e nas pontuações de produtividade de índice vegetativo. Por exemplo, se a pontuação de produtividade de índice vegetativo para uma zona de subcampo particular indicar que a zona de subcampo possui uma mai- or produtividade de rendimento da plantação potencial, então a taxa de semeadura atualmente prescrita pode ser ajustada para otimizar o rendimento da plantação utilizando uma taxa de semeadura ajustada para futuras estratégias de plantio.
2.7. EXEMPLO DE IMPLEMENTAÇÃO – VISTA GERAL DO
[0094] 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.
[0095] 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.
[0096] 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 mí- dia 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.
[0097] 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.
[0098] 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 normalmente possui dois graus de liberdade em dois eixos geométri- cos, um primeiro eixo geométrico (por exemplo, x) e um segundo eixo geométrico (por exemplo, y), que permite que o dispositivo especifique posições em um plano.
[0099] 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 nes- te documento são executadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais 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.
[00100] 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 dis- quete, um disco flexível, um disco rígido, uma unidade de estado sóli- do, uma fita magnética ou qualquer outro meio de armazenamento de dados magnéticos, um CD-ROM, qualquer outro meio de armazena- mento 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.
[00101] 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.
[00102] 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 modem 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 po- dem ser opcionalmente armazenadas no dispositivo de armazenamen- to 410 tanto antes como após a execução pelo processador 404.
[00103] 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 cabo, modem via satélite ou um modem para proporcionar uma cone- xão de comunicação de dados para um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 po- de ser uma placa de rede de área local (LAN) para proporcionar uma conexão de comunicação de dados para uma LAN compatível. Links sem uso de fios também podem ser implementados. Em qualquer im- plementação, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando vários tipos de informações.
[00104] 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, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e através da interface de comunicação 418, os quais transportam os da- dos digitais de e para o sistema de computador 400, são formas ilus- trativas de mídia de transmissão.
[00105] 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.
[00106] 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. VISTA GERAL FUNCIONAL – DETERMINA CAMPOS ALVO
[00107] A FIG. 7 ilustra uma modalidade ilustrativa para gerar um modelo de variabilidade de campo utilizando um conjunto de caracte- rísticas agrícolas e determinar um conjunto de campos alvo que pos- suem um nível desejado de variabilidade de rendimento de plantação dentro do campo. A FIG. 7 pode ser programada em instruções de programa como parte dos conjuntos de instruções que foram anterior- mente descritos nas seções 2.5, 2.6.
3.1. COLETANDO DADOS AGRÍCOLAS E DADOS DE RENDIMENTO
[00108] No bloco 705, o sistema de computador 130 é programado para receber dados agrícolas históricos para vários campos. Em uma modalidade, os dados agrícolas históricos recebidos pelo sistema 130 podem incluir dados agrícolas e dados de rendimento de plantação coletados para um conjunto de campos para o propósito de construir e treinar o modelo de variabilidade de campo. As fontes de dados po- dem incluir observações de dados agrícolas publicamente disponíveis, dados agrícolas proporcionados por parceiros de pesquisa que cole- tam dados a partir de vários campos de produtores diferentes e de produtores independentes. Os dados podem ser recebidos via entrada manual pelo usuário 102, tal como um produtor. Os dados também podem ser parte dos dados de campo 106 ou dos dados externos 110. Em adição, os dados também podem ser recuperados a partir do re- positório 160 se tiverem sido anteriormente coletados para propósito de outras aplicações.
[00109] Em algumas modalidades, os campos podem ser divididos em subcampos. Por exemplo, cada subcampo pode ter 10 metros por 10 metros. O servidor 130 pode ser programado para receber ou obter diferentes tipos de dados com respeito a diferentes subcampos dentro de campos específicos em diferentes pontos dentro de um período pa- ra propósito de treinamento de modelo. Os diferentes tipos de dados podem incluir dados de química do solo, tais como dados relacionados com matéria orgânica, cátion, capacidade de troca de cátion, ou escala de pH. Os diferentes tipos de dados podem incluir dados de topografia do solo, tais como elevação, inclinação, curvatura, ou aspecto. Os di- ferentes tipos de dados podem ainda incluir dados de imagística, tais como imagens de satélite ou outras imagens aéreas, as quais podem indicar umidade, vegetação, estado de doença, ou outras propriedades do solo dos campos específicos e assim, podem ser utilizados para derivar outros tipos de dados. O período pode ser um ou mais anos. A frequência dos diferentes pontos pode ser por hora, diariamente, mensalmente, trimestralmente, ou mesmo menos frequentemente para estes tipos de dados que não variam muito com o passar do tempo.
[00110] Em uma modalidade, o servidor 130 pode ser programado para receber dados relacionados com o clima com respeito aos dife- rentes subcampos em vários pontos dentro do período. A frequência dos vários pontos neste caso pode ser maior do que a frequência dos diferentes pontos nos quais os outros tipos de dados estão disponí- veis. Os dados meteorológicos poderiam incluir dados de precipitação e dados de irrigação para água dentro do solo ou dados de evapo- transpiração, dados de drenagem, dados de escoamento, ou dados de saturação inicial ou mínima do solo para água a partir do solo. Os da- dos meteorológicos podem ser obtidos, por exemplo, como parte de dados externos 110 a partir de um banco de dados ou servidor de in- formações meteorológicas online de terceiros via um URL parametri- zado, chamada de API ou outros mecanismos programáticos.
[00111] Em uma modalidade, o servidor 130 pode ser programado para receber dados de densidade do solo, tais como taxas de semea- dura, e dados de rendimento com respeito aos diferentes subcampos em diferentes pontos dentro do período.
3.2. SELECIONANDO CARACTERÍSTICAS DE DADOS AGRÍCOLAS
[00112] No bloco 710, as instruções de identificação de característi- ca de dados agrícolas 172 determina um conjunto de características de dados agrícolas que representam condições observadas do campo e rendimentos de plantação observados através de vários tempos de observação para vários campos. Em uma modalidade, os dados agrí-
colas para o conjunto de campos podem ser utilizados para determinar um conjunto de características de dados agrícolas para gerar e treinar o modelo de variabilidade de campo. As características de dados agrícolas podem ser identificadas por categorizar os dados agrícolas em diferentes tipos de observações e então selecionar as característi- cas específicas baseado na categorização. Os dados agrícolas po- dem incluir vários diferentes tipos de observações que podem ser ca- tegorizadas baseado no tipo de observação. Por exemplo, os tipos de observações podem ser categorizados em observações do tipo de rendimento de plantação, observações de tipo de constituição de solo, observações de tipo de temperatura, observações de tipo de precipita- ção, e observações de tipo de plantio. Cada tipo de observação cate- gorizada pode ainda ser categorizada em subtipos baseado nos dife- rentes tipos de observações. Por exemplo, a observação de tipo de rendimento de plantação pode incluir um rendimento médio de planta- ção para um campo, uma faixa interquartil de rendimento de plantação para um campo, e taxa de semeadura observada para um campo.
[00113] A categoria de tipo de constituição de solo pode incluir ca- racterísticas de dados agrícolas recebidas a partir de conjuntos obser- vados de campos e/ou a partir do Banco de Dados Geográfico de Ins- peção de Solo (SSURGO). As características de dados de constitui- ção de solo podem incluir composição, pH, matéria orgânica (OM), e capacidade de troca de cátion (CEC). A categoria de tipo de tempera- tura observada pode incluir valores normalizados de temperatura mé- dia para meses específicos a partir de diferentes campos através de diferentes anos de desenvolvimento observados. Por exemplo, tempe- raturas médias mínimas e médias máximas para meses de desenvol- vimento específicos podem ser identificadas, tal como a temperatura mínima média para Maio, Junho, Julho, Setembro, e qualquer outro mês desejado pode ser determinado e utilizado como uma caracterís-
tica de dados agrícolas. A categoria de tipo de precipitação observada pode incluir valores normalizados de precipitação acumulada para me- ses específicos bem como desvios padrão de valores normalizados de precipitação observada para meses específicos.
[00114] Cada um dos tipos de observação agrícola pode ser avalia- do para determinar um conjunto ideal de características de dados agrí- colas a serem utilizadas para treinar o modelo de variabilidade de campo. Em uma modalidade, um algoritmo de previsão aleatório pode ser implementado como a técnica de aprendizado de máquina para determinar e classificar diferentes características agrícolas baseado em sua diminuição média Gini. O algoritmo de previsão aleatório é um método de aprendizado de máquina de grupo que opera por construir várias árvores de decisão durante um período de treinamento e então emite a classe que é a regressão média das árvores individuais. O coeficiente de diminuição média Gini é uma medida de como cada va- riável contribui para a homogeneidade dos nós e folhas na floresta aleatória resultante. Em uma modalidade, seleção recursiva de carac- terística pode ser implementada para eliminar características agrícolas após cada rodada baseado em sua importância relativa para determi- nar a variabilidade de campo. Em outras modalidades, outras técnicas de aprendizado de máquina comercialmente disponíveis podem ser utilizadas para determinar o conjunto de características de dados agrí- colas.
[00115] A FIG. 8 ilustra uma modalidade ilustrativa de um conjunto de características de dados agrícolas classificado baseado em sua di- minuição média Gini. As variáveis 805 representam o conjunto de ca- racterísticas de dados agrícolas para campos de teste incluindo: ren- dimento médio de plantação interquartil, rendimento médio de planta- ção, taxa de semeadura do produtor, material orgânico do solo, CEC do solo, temperatura média mínima normalizada para Setembro, tem-
peratura de desvio padrão mínimo normalizado para Setembro, tempe- ratura de desvio padrão máximo normalizado para Setembro, tempera- tura máxima média normalizada para Maio, desvio padrão máximo normalizado para Maio, desvio padrão máximo normalizado para Ju- nho, desvio padrão máximo normalizado para Agosto, precipitação acumulada normalizada para Junho, precipitação acumulada normali- zada para Julho, desvio padrão normalizado de precipitação para Maio, desvio padrão normalizado de precipitação para Julho, precipita- ção média normalizada para Agosto, precipitação média normalizada para Setembro, e grau de inclinação observado para campos. As bar- ras para cada uma das características de dados agrícolas representam sua diminuição média Gini.
[00116] A FIG. 9 ilustra uma modalidade ilustrativa de um gráfico de sensibilidade por especificidade dos campos agrícolas modelados utili- zando o conjunto selecionado de características de dados agrícolas. Um gráfico de sensibilidade por especificidade pode ser utilizado para representar graficamente uma curva de característica de operação do receptor (ROC), a qual é uma representação gráfica que ilustra a habi- lidade de diagnóstico de um sistema classificador binário à medida que seu limite de diferenciação é variado. Os resultados do gráfico podem ser utilizados para identificar se as características de dados agrícolas selecionadas proporcionam uma representação precisa dos subcam- pos alvo quando comparado com um ou mais campos de treinamento. O eixo geométrico y representa a sensibilidade 905 das características agrícolas e o eixo geométrico x representa um nível de especificidade 910 para classificar a saída. A especificidade 910 varia de 1,0 a 0,0, de modo que os pontos superiores mais à direita representam o nível mais sensível de características agrícolas, mas menos específicas em termos de classificar a saída. A curva ROC 915 é criada por represen- tar graficamente a taxa de verdadeiro positivo em relação à taxa de falso positivo em várias configurações de limite. A área sob a curva (AUC) representa a probabilidade de que o classificador irá classificar aleatoriamente instâncias positivas escolhidas com maior classificação do que as instancias negativas aleatoriamente escolhidas. Por exem- plo, o AUC para este gráfico é 0,6804, o que significa que o modelo irá selecionar aleatoriamente instâncias positivas 68,04% do tempo em relação às instâncias negativas aleatoriamente selecionadas.
[00117] Em outras modalidades, o conjunto de características de dados agrícolas pode variar dependendo de qual área geográfica de campos foi utilizada para reunir o conjunto de treinamento de dados agrícolas históricos.
3.3. CONSTRUINDO O MODELO DE VARIABILIDADE DE CAMPO
[00118] No bloco 715, as instruções de estimativa de variabilidade de campo 174 geram o modelo de variabilidade de campo, o qual é configurado para determinar um nível de variabilidade dentro de um campo. Em uma modalidade, o modelo de variabilidade de campo po- de ser gerado utilizando dados agrícolas históricos correspondendo ao conjunto de características de dados agrícolas determinado a partir do bloco 710. Os dados agrícolas históricos para o conjunto de caracte- rísticas de dados agrícolas podem se referir a um conjunto de treina- mento de dados reunidos a partir de campos de treinamento através de um ou mais estados e/ou países.
[00119] Em uma modalidade, as instruções de estimativa de varia- bilidade de campo 174 podem ser configuradas para utilizar um con- junto de treinamento de dados reunidos a partir de campos de treina- mento que são similares em termos de geografia e clima para o con- junto de entrada de campos agrícolas para o modelo de variabilidade de campo. O conjunto de características de dados agrícolas selecio- nado a partir dos campos de treinamento pode ser dependente das propriedades de campo e do clima associados com os campos de trei-
namento. Se o conjunto de entrada de campos agrícolas representar campos a partir de uma diferente localização geográfica dos campos de treinamento, então o modelo de variabilidade de campo pode não determinar precisamente campos alvos que possuem um nível deseja- do de variabilidade. Por exemplo, se o modelo de variabilidade de campo for treinado com dados a partir da América do Sul e o conjunto de entrada de campos agrícolas forem campos no Canadá, então o modelo de variabilidade de campo pode não produzir estimativas pre- cisas.
[00120] A FIG. 10 ilustra gráficos ilustrativos de sensibilidade por especificidade para campos agrícolas a partir de diferentes Estados que são modelados utilizando o conjunto de características de dados agrícolas. Para este exemplo, os campos de treinamento utilizados para determinar o conjunto de características de dados agrícolas fo- ram campos a partir de Indiana e Illinois. O gráfico 1005 representa um gráfico de sensibilidade / especificidade para campos de entrada em Iowa. O gráfico 1015 representa um gráfico de sensibilidade / es- pecificidade para campos de entrada em Illinois. O gráfico 1020 re- presenta um gráfico de sensibilidade / especificidade para campos de entrada em Minnesota. Os valores AUC para os gráficos 1005, 1010, e 1015 são 0,74, 0,71 e 0,7, respectivamente. Cada um dos Estados de Indiana, Illinois e Iowa possui condições geográficas e climáticas similares para os campos de treinamento a partir de Indiana e Illinois e assim, possuem um alto valor AUC. O gráfico 1020, representando campos a partir de Minnesota, possui um valor AUC de 0,57, o que é indicativo do modelo de variabilidade de campo produzindo menos previsões precisas de campos com variabilidade baseada no conjunto de características de dados agrícolas. Para campos de entrada a par- tir de áreas que possuem diferentes condições geográficas e climáti- cas dos dados de treinamento, o modelo de variabilidade de campo deve ser treinado utilizando campos de treinamento similares aos campos de entrada.
3.4. DETERMINANDO NÍVEIS DE VARIABILIDADE DE CAMPO PA-
[00121] Referindo-se à FIG. 7, no bloco 720, as instruções de esti- mativa de variabilidade de campo 174 determinam o nível de variabili- dade de campo para os vários campos utilizando o modelo de variabi- lidade de campo. Em uma modalidade, as instruções de estimativa de variabilidade de campo 174 podem utilizar, como entrada para o mo- delo de variabilidade de campo, os vários campos para determinar a variabilidade de campo para cada um dos vários campos. O modelo de variabilidade de campo pode designar como saída um nível de va- riabilidade que descreve uma probabilidade de que um campo possua rendimento de plantação variável. Como descrito, rendimento de plan- tação variável se refere a um campo possuindo diferentes níveis de rendimento de plantação dentro de um campo particular. Por exemplo, o campo particular que tem a variabilidade de campo prevista pode possuir uma primeira subárea que produz 130 bushels/acre, uma se- gunda subárea que produz 200 bushels/acre, e uma terceira subárea que produz 100 bushels/acre. Ao passo que outro campo, o qual é previsto como possuindo rendimento de plantação estático, pode pos- suir várias subáreas, todas as quais produzem ao redor do mesmo rendimento de plantação, tal como 150 bushels/acre.
[00122] No bloco 725, as instruções de estimativa de variabilidade de campo 174 podem classificar cada um dos vários campos baseado no nível de variabilidade. Em uma modalidade, as instruções de esti- mativa de variabilidade de campo 174 podem agrupar campos agríco- las baseado no nível de variabilidade de campo. Por exemplo, as ins- truções de estimativa de variabilidade de campo 174 podem agrupar campos baseado nos valores de probabilidade. A FIG. 11 ilustra agru-
par campos agrícolas baseado em seu nível de variabilidade. O eixo geométrico y 1105 representa a proporção de número de campos e o eixo geométrico x 1110 representa a probabilidade de campos varia- dos. Cada uma das barras representa um grupo de campos que foram agrupados baseado em seu nível de variabilidade. Por exemplo, a barra 1115 representa um grupo de campos com variabilidade de 0% a 20%, a barra 1120 representa um grupo de campos com variabilidade de 20% a 40%, a barra 1125 representa um grupo com campos com variabilidade de 40% a 60%, a barra 1130 representa um grupo de campos com variabilidade de 60% a 80%, a barra 1135 representa um grupo de campos com variabilidade de 80% a 100%. Dentro de cada barra, a proporção dos campos que representam taxas variáveis, taxas estáticas, e taxas neutras (ou não classificados) são rotulados. Por exemplo, dentro da barra 1135, a parte 1140 representa o número de campo identificados como possuindo taxas variáveis. A parte 1145 representa o número de campos identificados como possuindo taxas neutras ou não classificadas. A parte 1150 representa o número de campos identificados como possuindo taxas estáticas.
3.5. IDENTIFICANDO UM CONJUNTO DE CAMPOS ALVO
[00123] No bloco 730, as instruções de identificação de campo alvo 176 podem identificar um conjunto de campos alvo a partir dos vários campos que possuem nível de variabilidade acima de um limite de va- riabilidade de campo. Em uma modalidade, as instruções de identifi- cação de campo alvo 176 podem utilizar os campos agrícolas classifi- cados para determinar um subconjunto de campos que representa o conjunto de campos alvo utilizando o nível de variabilidade. O conjun- to de campos alvo pode ser identificado utilizando o limite de variabili- dade de campo onde o limite de variabilidade de campo pode repre- sentar um nível de corte de variabilidade ou um corte de uma porcen- tagem de campos agrícolas. Por exemplo, as instruções de identifica-
ção de campo alvo 176 podem selecionar os 20% dos campos mais bem classificados para representar o conjunto de campos alvo. Em outros exemplos, porcentagens diferentes podem ser utilizadas tais como os 10% mais bem classificados ou os 30% mais bem classifica- dos dependendo dos níveis gerais de variabilidade de campo. Por exemplo, se o número geral de campos agrícolas possuir um alto nível de variabilidade, então as instruções de identificação de campo alvo 176 podem selecionar um subconjunto maior de campos como os campos alvos, tal como os 30% ou 40% dos campos mais bem classi- ficados. Por implementar um limite de variabilidade de campo para determinar o conjunto de campos alvo que possuem um nível deseja- do de variabilidade de rendimento de plantação dentro do campo, o subsistema de identificação de campo alvo 170 pode estar apto a mi- nimizar a quantidade de risco para o rendimento de plantação que po- de estar associado com taxas de semeadura variáveis em campos que possuem um rendimento de plantação estático.
4. VISTA GERAL FUNCIONAL – DETERMINA TAXAS DE SEMEA-
[00124] A FIG. 12 ilustra uma modalidade ilustrativa para determi- nar taxas de semeadura ajustadas para zonas de subcampo de cam- pos alvo baseado em valores de índice vegetativo que descrevem pro- dutividade da plantação dentro de zonas de subcampo. No bloco 1205, o subsistema de identificação de campo alvo 170 pode identifi- car um conjunto de campos alvo com variabilidade de rendimento de plantação dentro do campo baseado nos dados agrícolas históricos coletados a partir de várias fontes. Em uma modalidade, o subsistema de identificação de campo alvo 170 identifica um conjunto de campos alvo, a partir de vários campos, que possuem variabilidade de rendi- mento de plantação dentro do campo utilizando o modelo de variabili- dade de campo descrito na seção 3.
4.1. COLETANDO IMAGENS DIGITAIS DE CAMPOS ALVO
[00125] No bloco 1210, o sistema 130 pode receber várias imagens digitais do conjunto de campos agrícolas alvo. Em uma modalidade, o sistema 130 pode receber várias imagens digitais correspondendo a cada campo alvo do conjunto de campos agrícolas alvo. Por exemplo, imagens digitais por leitura remota podem ser utilizadas para previsão de campo de plantação antes da colheita. Em alguns exemplos, as imagens digitais representam grandes áreas cobrindo uma região ou um estado. Em outros exemplos, imagens digitais de leitura remota podem ser capturadas em uma resolução em nível de campo onde a variação de rendimento dentro do campo pode ser modelada.
[00126] Em uma modalidade, as várias imagens digitais recebidas correspondem às observações dos campos alvo através de vários anos. Durante este período, os campos alvo podem possuir planta- ções variadas, tal como rotação entre milho e soja. Por exemplo, vá- rias imagens digitais representando um campo alvo podem observar a plantação de milho mesmo que, no entanto, o ajuste de taxa de seme- adura recomendado seja específico para soja.
[00127] Em uma modalidade, o sistema 130 pode ser configurado para técnicas de processamento de imagem digital para as imagens digitais recebidas de modo a reduzir ou remover ruído ou outros efei- tos de distorção, tais como nuvens e outras obstruções.
4.2. DETERMINANDO VALORES DE ÍNDICE VEGETATIVO
[00128] No bloco 1215, as instruções de cálculo de índice vegetati- vo 182 podem determinar valores de índice vegetativo para geolocali- zações dentro de cada campo do conjunto de campos alvo. Em uma modalidade, as instruções de cálculo de índice vegetativo 182 pode selecionar um subconjunto de imagens digitais que corresponde a um campo alvo específico. As instruções de cálculo de índice vegetativo 182 podem ser programadas para converter as imagens digitais em vetores de imagem que correspondem a todas as imagens ou às ca- racterísticas específicas das imagens digitais dependendo da natureza e da resolução das imagens. Os valores de índice vegetativo podem ser calculados para geolocalizações específicas dentro de um campo alvo. Exemplos de índices vegetativos podem incluir o Índice Vegeta- tivo de Diferença Normalizado (NDVI), o Índice Vegetativo Ajustado de Solo Transformado (TSAVI), o Índice Vegetativo Aprimorado (EVI), ou quaisquer outras técnicas ou abordagens que processem imagens pa- ra avaliar diferentes propriedades espectrais de modo a determinar se uma área particular contém vegetação verde viva e determinar a quan- tidade de biomassa presente.
[00129] Em uma modalidade, dependendo da resolução das ima- gens digitais, valores de índice vegetativo podem ser atribuídos para pixels de imagens digitais correspondendo a uma geolocalização parti- cular dentro do campo alvo. A FIG. 13 ilustra uma modalidade ilustra- tiva de uma imagem digital transformada indicando valores de índice vegetativo estimados correspondendo a um campo alvo particular. A imagem digital 1305 representa valores de índice vegetativo corres- pondendo às localizações físicas através do campo alvo particular. Por exemplo, cada pixel pode representar uma região de dez metros por dez metros. Localizações correspondendo a cada pixel podem ser identificadas através de latitude e longitude e então traduzidas em va- lores de localização de pixel onde cada valor de localização de pixel representa um número de pixels entre a localização de pixel e tanto a borda lateral como a borda de baixo do mapa de pixels. Assim, um pixel com um valor de localização de (6:3) podem ser seis pixels a par- tir do lado esquerdo do mapa de pixels e três pixels a partir da parte de baixo do mapa de pixels. Em um exemplo onde cada pixel representa uma região de dez metros por dez metros, o pixel com um valor de lo- calização de (6:3) pode corresponder a uma localização física que tem
50 a 60 metros a partir da coordenada longitudinal mais baixa da regi- ão representada pelo mapa de pixel e 20 a 30 metros a partir da coor- denada latitudinal mais baixa.
[00130] A intensidade de cada pixel da imagem digital 1305 corres- ponde a um valor de índice vegetativo calculado na localização do pixel. A intensidade vegetativa para cada localização correspondendo a um pixel pode então ser convertida para uma cor ou sombra para o pixel. Enquanto a FIG. 13 representa uma imagem digital de um mapa de pixels gerado a partir de valores de índice vegetativo, os mapas de pixels também podem ser gerados a partir de outros valores, tais como valores de rendimento, valor de pH, conteúdo de umidade, conteúdo de nutriente no solo, temperatura, e/ou comprimentos de onda de luz refratada a partir de imagens digitais. Além disso, mapas de pixels podem ser gerados a partir de diferentes valores, tais como valores absolutos de diferenças entre temperatura medida e uma temperatura ideal predeterminada. Assim, um mapa de pixels pode representar desvios a partir de valores ideias ao invés da faixa de valores.
4.3. DETERMINANDO ZONAS DE SUBCAMPO DENTRO DOS CAM-
[00131] No bloco 1220, as instruções de determinação de zona de subcampo 184 podem determinar várias zonas de subcampo utilizan- do os valores de índice vegetativo atribuídos para geolocalizações dentro de um campo alvo particular. Em uma modalidade, as instru- ções de determinação de zona de subcampo 184 podem, para cada campo alvo dentro do conjunto de campos alvo, determinar zonas de subcampo dentro dos campos alvo. Por exemplo, as instruções de determinação de zona de subcampo 184 podem analisar cada um dos valores de índice vegetativo atribuído para geolocalizações dentro de um campo alvo e podem gerar uma subárea contendo uma ou mais geolocalizações que possuem valores de índice vegetativo similares.
Valores de índice vegetativo similares pode indicar que a uma ou mais geolocalizações possuem propriedades de solo e meteorológicas simi- lares que podem resultar em rendimentos de plantação similares. Após determinar várias subáreas, as instruções de determinação de zona de subcampo 184 podem combinar subáreas adjacentes que possuem valores de índice vegetativo similares para gerar uma subzo- na. Uma ou mais subzonas então podem ser geradas para um campo alvo.
[00132] A FIG. 14 ilustra uma modalidade ilustrativa para determi- nar zonas de subcampo dentro de campos e determinar pontuação de produtividade vegetativa para cada uma das zonas de subcampo. A vista 1410 ilustra zonas de subcampo identificadas dentro do campo alvo 1405. Por exemplo, a zona de subcampo 1412 pode representar uma primeira subzona identificada contendo localizações físicas que possuem valores de índice vegetativo similares. Cada uma dentre a zona de subcampo 1414 e a zona de subcampo 1416 representa zo- nas de subcampo adicionais dentro do campo alvo 1405, cada zona de subcampo possuindo valores de índice vegetativo distintos para o campo alvo 1405.
4.4. DETERMINANDO PONTUAÇÕES DE PRODUTIVIDADE VEGE-
[00133] Referindo-se à FIG. 12, no bloco 1225, as instruções de cálculo de índice vegetativo 182 podem determinar pontuações de produtividade de índice vegetativo para cada zona de subcampo de cada campo alvo. Pontuações de produtividade de índice vegetativo representam uma produtividade relativa da plantação para uma zona de subcampo em relação a outras zonas dentro do campo alvo. Em uma modalidade, as instruções de cálculo de índice vegetativo 182 podem calcular um valor de índice vegetativo médio para cada zona de subcampo dentro de cada campo alvo. O valor de índice vegetativo médio pode representar um valor médio dos valores de índice vegeta- tivo calculados para geolocalizações dentro de uma zona particular. Referindo-se à FIG. 14, a vista 1420 representa os valores de índice vegetativo médios calculados para as subzonas identificadas para o campo alvo 1405. A zona de subcampo 1412 tem um valor de índice vegetativo médio calculado de 0,5, a zona de subcampo 1414 tem um valor de índice vegetativo médio calculado de 0,4, e a zona de sub- campo 1416 tem um valor de índice vegetativo médio calculado de 0,3.
[00134] Em uma modalidade, de modo a calcular as pontuações de produtividade de índice vegetativo, um valor de índice vegetativo mé- dio do campo alvo para todo o campo alvo irá precisar ser calculado. As instruções de cálculo de índice vegetativo 182 podem calcular o valor de índice vegetativo médio do campo alvo para geolocalizações dentro de todo o campo alvo. Por exemplo, o valor de índice vegetati- vo médio do campo alvo para o campo alvo 1405 é igual a 0,4.
[00135] A pontuação de produtividade de índice vegetativo pode considerar o tipo de plantação plantada por fatorar propriedades de desenvolvimento da planta da plantação. Por exemplo, o milho tipica- mente se desenvolve com um único broto e não é negativamente afe- tado por alta população de sementes. Inversamente, as plantas de soja possuem várias ramificações e vagens e podem ser negativamen- te afetadas se a população de sementes for muito aumentada. Portan- to, as propriedades da planta podem ser consideradas quando deter- minando pontuações de produtividade de índice vegetativo que podem então ser utilizadas para ajustar a população de sementes.
[00136] Em uma modalidade, as instruções de cálculo de índice ve- getativo 182 podem calcular pontuações de produtividade de índice vegetativo para sementes de soja como: Pontuação de Produtividade da Zona = 1 / (índice vegetativo médio da zona / índice vegetativo médio do campo alvo)
onde a pontuação de produtividade do índice vegetativo da zona de subcampo é igual ao inverso da produtividade relativa de uma zona de subcampo. Por exemplo, a zona de subcampo 1412 possui um valor de índice vegetativo de 0,5 e o calor de índice vegetativo médio do campo alvo é 0,4. O valor de índice vegetativo relativo seria então igual a 0,5 / 0,4 = 1,25. A pontuação de produtividade de índice vege- tativo para soja seria igual ao inverso do valor de índice vegetativo re- lativo, 1 / (1,25) = 0,8. Observações históricas têm apresentado para soja que reduzir as taxas de semeadura em áreas onde existem valo- res de índice vegetativo relativo alvo resulta em produtividade aumen- tada. Similarmente, aumentar as taxas de semeadura em áreas onde existem valores de índice vegetativo relativo mais baixos resulta em produtividade aumentada. Por esta razão, o valor de índice vegetativo relativo é invertido para produzir a pontuação de produtividade de índi- ce vegetativo para soja.
[00137] Em outra modalidade, as instruções de cálculo de índice vegetativo 182 podem calcular pontuações de produtividade de índice vegetativo para sementes de milho como: Pontuação de Produtividade da Zona = (índice vegetativo médio da zona / índice vegetativo médio de campo alvo) onde a pontuação de produtividade de índice vegetativo da zona de subcampo é igual à produtividade relativa de uma zona de subcampo. Observações históricas têm apresentado para plantas de milho que aumentar as taxas de semeadura em áreas onde existem valores de relativos altos resulta e produtividade aumentada.
[00138] Referindo-se à FIG. 14, a vista 1430 ilustra pontuações de produtividade de índice vegetativo calculadas para as zonas de sub- campo 1412, 1414 e 1416. A pontuação de produtividade de índice vegetativo para a zona de subcampo 1412 é calculada como 0,8. A pontuação de produtividade de índice vegetativo para a zona de sub-
campo 1414 é calculada como 1,0. A pontuação de produtividade de índice vegetativo para a zona de subcampo 1416 é calculada como 1,2.
4.5. GERANDO PRESCRIÇÕES DE TAXA DE SEMEADURA
[00139] Em uma modalidade, taxas de semeadura ajustadas podem ser calculadas utilizando as pontuações de produtividade de índice ve- getativo de zona de subcampo e as taxas de semeadura atuais pro- porcionadas pelo produtor. Referindo-se à FIG. 12, no bloco 1230, o sistema 130 pode receber as taxas de semeadura atuais para cada uma das zonas de subcampo de cada campo alvo. Se o produtor não variar a taxa de semeadura para o campo alvo, então a taxa de seme- adura para o campo como um todo pode ser utilizada para cada zona. Por exemplo, referindo-se à vista 1440, o sistema 130 pode receber taxas de semeadura para o campo alvo 1405 como 140 lbs/acre para a zona de subcampo 1412, 140 lbs/acre para a zona de subcampo 1412, 140 lbs/acre para a zona de subcampo 1412.
[00140] No bloco 1235, as instruções de ajuste de taxa de semea- dura 186 podem determinar as taxas de semeadura ajustadas para cada uma das zonas de subcampo de cada um dos campos alvo por ajustar as taxas de semeadura atuais utilizando as pontuações de pro- dutividade de índice vegetativo correspondendo a cada zona de sub- campo. Em uma modalidade, as instruções de ajuste de taxa de se- meadura 186 podem multiplicar a taxa de semeadura atual pelas pon- tuações de produtividade de índice vegetativo para calcular a taxa de semeadura ajustada. Por exemplo, a vista 1450 exibe as taxas de semeadura ajustadas para as zonas de subcampo 1412, 1414, e 1416. A zona de subcampo 1412 possui uma taxa de semeadura ajustada de 100 lbs/acre (140 lbs/acre * 0,8). A zona de subcampo 1414 possui uma taxa de semeadura ajustada de 140 lbs/acre (140 lbs/acre * 1,0). A zona de subcampo 1416 possui uma taxa de semeadura ajustada de
180 lbs/acre (140 lbs/acre * 1,3).
[00141] Em uma modalidade, as instruções de ajuste de taxa de semeadura 186 podem ser configuradas para identificar zonas de sub- campo específicas onde o ajuste de taxa de semeadura apresenta uma diminuição dramática. Grandes alterações na taxa de semeadura podem ser causadas por fatores ambientais tais como acúmulo de água, seca, clorose de deficiência de ferro (IDC) da soja, ou qualquer outro fator. A IDC é uma deficiência de nutriente com sintomas gerais de clorose (amarelamento) da folhagem da soja e subdesenvolvimento da planta. A IDC pode causar limitação de rendimento em vários campos alvo. Fatores causais tais como estes podem negativamente impactar a plantação dentro de uma zona de subcampo específica de modo que a aplicação de taxa de semeadura ajustada ode não au- mentar a produtividade devido aos fatores ambientais.
[00142] As instruções de cálculo de índice vegetativo 182 podem ser configuradas para ainda analisar observações de campo alvo de modo a determinar se fatores ambientais extremos tais como acúmulo de água, seca, IDC, ou qualquer outro fato podem estar causando as limitações de rendimento. Se uma condição ambiental extrema for identificada, então as instruções de cálculo de índice vegetativo 182 podem comunicar as condições identificadas para as instruções de ajuste de taxa de semeadura 186 que podem ainda ajustar as taxas de semeadura para zonas de subcampo. Por exemplo, se IDC for identi- ficada na zona de subcampo 1412, então as instruções de ajuste de taxa de semeadura 186 podem causar ajuste adicional da taxa de se- meadura e podem programar o equipamento agrícola para aplicar pul- verização de tratamento de IDC. Em outro exemplo, se acúmulo de água for identificado pelas instruções de cálculo de índice vegetativo 182 para a zona de subcampo 1412, então as instruções de ajuste de taxa de semeadura 186 podem ajustar a taxa de semeadura para zero.
4.6. APLICANDO PRESCRIÇÕES DE TAXA DE SEMEADURA
[00143] Referindo-se à FIG. 12, no bloco 1240, o sistema 130 pode enviar as taxas de semeadura ajustadas para cada uma das zonas de subcampo para cada um dos campos alvo para o dispositivo de com- putação gerenciador de campo. Em uma modalidade, o sistema 130 pode gerar instruções de aplicação de semeadura e pode enviar as instruções de aplicação de semeadura para uma plantadeira para apli- cação de sementes para o conjunto de campos alvo. Por exemplo, o sistema 130 pode enviar instruções de aplicação que especificam as taxas de semeadura ajustadas para cada zona de subcampo em cada campo alvo para uma ou mais plantadeiras que são programadas para automaticamente aplicar uma quantidade de sementes para áreas ba- seado nas taxas de semeadura recebidas. As instruções de aplicação podem representar um ou mais scripts de programação que podem ser utilizados pela máquina agrícola, tal como a plantadeira, para plantar sementes em cada uma das zonas de subcampo em cada um dos campos alvo. O um ou mais scripts de programação podem especifi- car valores para os parâmetros de operação, tais como taxas de se- meadura específicas para áreas especificadas por coordenadas GPS. As áreas podem representar as zonas de subcampo. Por exemplo, as instruções de aplicação podem especificar uma primeira taxa de se- meadura para uma primeira zona de subcampo e uma segunda taxa de semeadura para uma segunda zona de subcampo. Durante o plan- tio, a plantadeira pode ajustar as taxas de semeadura a partir da pri- meira taxa de semeadura para a segunda taxa de semeadura quando a plantadeira detecta que ela está se movendo a partir da primeira zo- na de subcampo para a segunda zona de subcampo.
[00144] Em uma modalidade, observações do campo alvo podem ser coletadas após a aplicação das taxas de semeadura ajustadas. As observações de campo alvo podem então ser utilizadas para gerar um ou mais relatórios de rendimento de plantação para um produtor e/ou podem ser utilizadas como dados de treinamento para previsões futu- ras de ajuste de taxa de semeadura. Por exemplo, a camada de apre- sentação 134 no sistema 130 pode gerar um relatório de resultado de campo alvo para o um ou mais campos alvo e enviar o relatório para o dispositivo de computação gerenciador de campo 104 para o produtor visualizar. O relatório pode conter uma vista gráfica do um ou mais campos alvo, incluindo a uma ou mais zonas de subcampo. Cada uma das zonas de subcampo pode incluir uma sobreposição das ob- servações do campo alvo. O relatório também pode conter observa- ções agregadas descrevendo o efeito das taxas ajustadas, tais como se um campo experimentou um ganho de rendimento, uma perda de rendimento, ou se não existiu efeito. A FIG. 15 ilustra rendimento de soja observado para o conjunto de campos alvo em um gráfico de tor- ta. O gráfico de torta ilustra que 34,5% do campo alvo produziu um aumento de rendimento de 2,01 bushel/acre quando comparado com as taxas de semeadura originais, 16% de campos alvo produziram um aumento de rendimento de 1,08 bushel/acre, 47,8% dos campos alvo produziram uma diminuição de -1,3 bushel/acre, e 1,8% de campos alvo produziram uma diminuição de rendimento de -1,26 bushel/acre. Os aumentos de rendimento de 2 bushel por acre pode ser considera- do um aumento significativo no rendimento, assim, ajustar as taxas de semeadura, como descrito, produziu aumento de rendimento significa- tivo em 34.5% de campos alvo.
[00145] Em uma modalidade, as observações de campo alvo po- dem ser utilizadas como dados de treinamento adicionais para treinar o modelo de variabilidade de campo. Por exemplo, as taxas de seme- adura ajustadas para cada zona de subcampo podem ser utilizadas como um conjunto de dados de treinamento com as observações de campo alvo representando dados de rótulo especificando se os resul-
tados observados resultaram em ganho de rendimento, perda de ren- dimento, ou nenhum efeito. Estes dados de treinamento podem ser utilizados em conjunto com o conjunto de dados de treinamento a par- tir de campos de treinamento para ainda ajustar melhor o modelo de variabilidade de campo.
5. EXTENSÕES E ALTERNATIVAS
[00146] 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, caracterizado pelo fato de que compreende: identificar, utilizando um computador servidor, um conjunto de campos agrícolas alvo com variabilidade de plantação dentro do campo baseado nos dados agrícolas históricos compreendendo dados históricos de rendimento e dados agrícolas históricos observados para vários campos; receber, através de uma rede de comunicação de dados digitais no computador servidor, várias imagens digitais do conjunto de campos agrícolas alvo; determinar, utilizando o computador servidor, valores de índice vegetativo para geolocalizações dentro de cada campo do con- junto de campos agrícolas alvo utilizando subconjuntos das várias imagens digitais, em que cada subconjunto dentre os subconjuntos das várias imagens digitais corresponde a um campo alvo específico no conjunto de campos agrícolas alvo; para cada campo alvo no conjunto de campos agrícolas al- vo, determinar, utilizando o computador servidor, várias zonas de sub- campo baseado nos valores de índice vegetativo para geolocalizações dentro de cada campo alvo, em que cada zona de subcampo das vá- rias zonas de subcampo contém valores de índice vegetativo similares; determinar, utilizando o computador servidor, pontuações de produtividade de índice vegetativo para cada zona de subcampo de cada campo alvo no conjunto de campos agrícolas alvo, em que as pontuações de produtividade de índice vegetativo representam uma produtividade de plantação relativa específica para um tipo de semen- te plantada dentro das zonas de subcampo correspondentes; receber, através de uma rede de comunicação de dados digitais no computador servidor, taxas de semeadura atuais para cada uma das zonas de subcampo do conjunto de campos agrícolas alvo; determinar, utilizando o computador servidor, taxas de se- meadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo por ajustar as taxas de semeadura atuais utili- zando as pontuações de produtividade de índice vegetativo corres- pondendo a cada uma das zonas de subcampos; enviar as taxas de semeadura ajustadas para cada uma das zonas de subcampo de cada um dos campos agrícolas alvo para um dispositivo de computação gerenciador de campo.
2. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que identificar o conjunto de campos agrícolas alvo com variabilidade de plantação dentro do cam- po compreende: receber, através da rede de comunicação de dados digitais no computador servidor, os dados agrícolas históricos para os vários campos; determinar, utilizando o computador servidor, um conjunto de características de dados agrícolas representando condições obser- vadas do campo e rendimentos de plantação observados através de vários tempos de observação para os vários campos; gerar um modelo de variabilidade de campo que determina um nível de variabilidade para um campo utilizando o conjunto de ca- racterísticas de dados agrícolas; determinar o nível de variabilidade para cada um dos vários campos utilizando o modelo de variabilidade de campo, em que a en- trada para o modelo de variabilidade de campo é um campo específico e dados agrícolas correspondentes para o campo específico; classificar cada um dos vários campos baseado no nível de variabilidade determinado a partir do modelo de variabilidade de cam- po;
identificar um conjunto de campos agrícolas alvo a partir dos vários campos que possuem níveis de variabilidade acima de um limite de variabilidade de campo.
3. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que o conjunto de caracte- rísticas de dados agrícolas compreende pelo menos um dentre: uma faixa de quartil interna para rendimento, temperatura média mensal- mente observada, inclinação do campo, precipitação mensalmente ob- servada, matéria orgânica do solo observada, rendimento observado da plantação, e taxa de semeadura.
4. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que determinar as pontua- ções de produtividade de índice vegetativo para cada zona de sub- campo de cada campo alvo no conjunto de campos agrícolas alvo compreende: para cada campo alvo, gerar um valor de índice vegetativo médio do campo alvo para um campo alvo baseado nos valores de índice vegetativo para geolocalizações dentro do campo alvo; para cada zona de subcampo de cada campo alvo no con- junto de campos agrícolas alvo: gerar um valor de índice vegetativo médio da zona de sub- campo para a zona de subcampo baseado nos valores de índice vege- tativo para geolocalizações dentro da zona de subcampo; calcular uma razão de índice vegetativo entre o valor de índice vegetativo médio da zona de subcampo e o valor de índice ve- getativo médio do campo alvo por dividir o valor de índice vegetativo médio da zona de subcampo pelo valor de índice vegetativo médio do campo alvo; calcular a pontuação de produtividade de índice vegetativo para a zona de subcampo como um inverso da razão de índice vegeta-
tivo.
5. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que determinar as taxas de semeadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo compreende, para cada zona de subcampo de cada um dos campos agrícolas alvo, determinar a taxa de semeadura ajustada para a zona de subcampo por multiplicar a taxa de semeadu- ra atual da zona de subcampo pela pontuação de produtividade vege- tativa da zona de subcampo.
6. Método implementado por computador, de acordo com a reivindicação 5, caracterizado pelo fato de que determinar as taxas de semeadura ajustadas ainda compreende: identificar uma primeira zona de subcampo possuindo a ta- xa de semeadura ajustada que está abaixo de um limite de taxa de semeadura prescrito; identificar um subconjunto de imagens digitais e um sub- conjunto de dados agrícolas históricos correspondendo à primeira zo- na de subcampo; determinar, a partir do subconjunto de imagens digitais e do subconjunto de dados agrícolas históricos, uma ou mais característi- cas causais que consideram a primeira zona de subcampo que possui a taxa de semeadura ajustada abaixo do limite de taxa de semeadura prescrito; aplicar um segundo ajuste para a taxa de semeadura ajus- tada da primeira zona de subcampo.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende modificar um parâmetro de opera- ção definido em um ou mais scripts utilizados por uma plantadeira para plantar semente em uma ou mais zonas de subcampo de um ou mais campos agrícolas alvo de acordo com uma ou das taxas de semeadu-
ra ajustadas.
8. Meio de armazenamento não temporário legível por computador, caracterizado pelo fato de que armazena instruções que, quando executadas por um ou mais processadores, fazem com que um ou mais processadores: identifiquem, utilizando um computador servidor, um con- junto de campos agrícolas alvo com variabilidade de plantação dentro do campo baseado nos dados agrícolas históricos compreendendo dados históricos de rendimento e dados agrícolas históricos observa- dos para vários campos; recebam, através de uma rede de comunicação de dados digitais no computador servidor, várias imagens digitais do conjunto de campos agrícolas alvo; determinem, utilizando o computador servidor, valores de índice vegetativo para geolocalizações dentro de cada campo do con- junto de campos agrícolas alvo utilizando subconjuntos das várias imagens digitais, em que cada subconjunto dentre os subconjuntos das várias imagens digitais corresponde a um campo alvo específico no conjunto de campos agrícolas alvo; para cada campo alvo no conjunto de campos agrícolas al- vo, determinem, utilizando o computador servidor, várias zonas de subcampo baseado nos valores de índice vegetativo para geolocaliza- ções dentro de cada campo alvo, em que cada zona de subcampo das várias zonas de subcampo contém valores de índice vegetativo simila- res; determinem, utilizando o computador servidor, pontuações de produtividade de índice vegetativo para cada zona de subcampo de cada campo alvo no conjunto de campos agrícolas alvo, em que as pontuações de produtividade de índice vegetativo representam uma produtividade de plantação relativa específica para um tipo de semen-
te plantada dentro das zonas de subcampo correspondentes; recebam, através de uma rede de comunicação de dados digitais no computador servidor, taxas de semeadura atuais para cada uma das zonas de subcampo do conjunto de campos agrícolas alvo; determinem, utilizando o computador servidor, taxas de semeadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo por ajustar as taxas de semeadura atuais utili- zando as pontuações de produtividade de índice vegetativo corres- pondendo a cada uma das zonas de subcampos; enviem as taxas de semeadura ajustadas para cada uma das zonas de subcampo de cada um dos campos agrícolas alvo para um dispositivo de computação gerenciador de campo.
9. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que identificar o conjunto de campos agrícolas alvo com variabili- dade de plantação dentro do campo compreende: receber, através da rede de comunicação de dados digitais no computador servidor, os dados agrícolas históricos para os vários campos; determinar, utilizando o computador servidor, um conjunto de características de dados agrícolas representando condições obser- vadas do campo e rendimentos de plantação observados através de vários tempos de observação para os vários campos; gerar um modelo de variabilidade de campo que determina um nível de variabilidade para um campo utilizando o conjunto de ca- racterísticas de dados agrícolas; determinar o nível de variabilidade para cada um dos vários campos utilizando o modelo de variabilidade de campo, em que a en- trada para o modelo de variabilidade de campo é um campo específico e dados agrícolas correspondentes para o campo específico;
classificar cada um dos vários campos baseado no nível de variabilidade determinado a partir do modelo de variabilidade de cam- po; identificar um conjunto de campos agrícolas alvo a partir dos vários campos que possuem níveis de variabilidade acima de um limite de variabilidade de campo.
10. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 9, caracterizado pelo fato de que o conjunto de características de dados agrícolas compreende pelo menos um dentre: uma faixa de quartil interna para rendimento, temperatura média mensalmente observada, inclinação do campo, precipitação mensalmente observada, matéria orgânica do solo obser- vada, rendimento observado da plantação, e taxa de semeadura.
11. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que determinar as pontuações de produtividade de índice vegetati- vo para cada zona de subcampo de cada campo alvo no conjunto de campos agrícolas alvo compreende: para cada campo alvo, gerar um valor de índice vegetativo médio do campo alvo para um campo alvo baseado nos valores de índice vegetativo para geolocalizações dentro do campo alvo; para cada zona de subcampo de cada campo alvo no con- junto de campos agrícolas alvo: gerar um valor de índice vegetativo médio da zona de sub- campo para a zona de subcampo baseado nos valores de índice vege- tativo para geolocalizações dentro da zona de subcampo; calcular uma razão de índice vegetativo entre o valor de índice vegetativo médio da zona de subcampo e o valor de índice ve- getativo médio do campo alvo por dividir o valor de índice vegetativo médio da zona de subcampo pelo valor de índice vegetativo médio do campo alvo; calcular a pontuação de produtividade de índice vegetativo para a zona de subcampo como um inverso da razão de índice vegeta- tivo.
12. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que determinar as taxas de semeadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo compreende, para cada zona de subcampo de cada um dos campos agrícolas alvo, determinar a taxa de semeadura ajustada para a zona de subcampo por multiplicar a taxa de semeadura atual da zona de subcampo pela pontuação de produtividade vegetativa da zona de subcampo.
13. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 12, caracterizado pelo fato de que determinar as taxas de semeadura ajustadas ainda compreen- de: identificar uma primeira zona de subcampo possuindo a ta- xa de semeadura ajustada que está abaixo de um limite de taxa de semeadura prescrito; identificar um subconjunto de imagens digitais e um sub- conjunto de dados agrícolas históricos correspondendo à primeira zo- na de subcampo; determinar, a partir do subconjunto de imagens digitais e do subconjunto de dados agrícolas históricos, uma ou mais característi- cas causais que consideram a primeira zona de subcampo que possui a taxa de semeadura ajustada abaixo do limite de taxa de semeadura prescrito; aplicar um segundo ajuste para a taxa de semeadura ajus- tada da primeira zona de subcampo.
14. Meio de armazenamento não temporário legível por computador, de acordo com a reivindicação 8, caracterizado pelo fato de que as instruções ainda fazem com que um ou mais processadores modifiquem um parâmetro de operação definido em um ou mais scripts utilizados por uma plantadeira para plantar semente em uma ou mais zonas de subcampo de um ou mais campos agrícolas alvo de acordo com uma ou das taxas de semeadura ajustadas.
15. Sistema, caracterizado pelo fato de que compreende: um ou mais processadores; uma ou mais mídias não temporárias legíveis por computa- dor armazenando uma ou mais instruções que, quando executadas utilizando o um ou mais processadores, fazem com que um ou mais processadores: identifiquem, utilizando um computador servidor, um con- junto de campos agrícolas alvo com variabilidade de plantação dentro do campo baseado nos dados agrícolas históricos compreendendo dados históricos de rendimento e dados agrícolas históricos observa- dos para vários campos; recebam, através de uma rede de comunicação de dados digitais no computador servidor, várias imagens digitais do conjunto de campos agrícolas alvo; determinem, utilizando o computador servidor, valores de índice vegetativo para geolocalizações dentro de cada campo do con- junto de campos agrícolas alvo utilizando subconjuntos das várias imagens digitais, em que cada subconjunto dentre os subconjuntos das várias imagens digitais corresponde a um campo alvo específico no conjunto de campos agrícolas alvo; para cada campo alvo no conjunto de campos agrícolas al- vo, determinem, utilizando o computador servidor, várias zonas de subcampo baseado nos valores de índice vegetativo para geolocaliza- ções dentro de cada campo alvo, em que cada zona de subcampo das várias zonas de subcampo contém valores de índice vegetativo simila- res; determinem, utilizando o computador servidor, pontuações de produtividade de índice vegetativo para cada zona de subcampo de cada campo alvo no conjunto de campos agrícolas alvo, em que as pontuações de produtividade de índice vegetativo representam uma produtividade de plantação relativa específica para um tipo de semen- te plantada dentro das zonas de subcampo correspondentes; recebam, através de uma rede de comunicação de dados digitais no computador servidor, taxas de semeadura atuais para cada uma das zonas de subcampo do conjunto de campos agrícolas alvo; determinem, utilizando o computador servidor, taxas de semeadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo por ajustar as taxas de semeadura atuais utili- zando as pontuações de produtividade de índice vegetativo corres- pondendo a cada uma das zonas de subcampos; enviem as taxas de semeadura ajustadas para cada uma das zonas de subcampo de cada um dos campos agrícolas alvo para um dispositivo de computação gerenciador de campo.
16. Sistema, de acordo com a reivindicação 15, caracteri- zado pelo fato de que identificar o conjunto de campos agrícolas alvo com variabilidade de plantação dentro do campo compreende: receber, através da rede de comunicação de dados digitais no computador servidor, os dados agrícolas históricos para os vários campos; determinar, utilizando o computador servidor, um conjunto de características de dados agrícolas representando condições obser- vadas do campo e rendimentos de plantação observados através de vários tempos de observação para os vários campos; gerar um modelo de variabilidade de campo que determina um nível de variabilidade para um campo utilizando o conjunto de ca- racterísticas de dados agrícolas; determinar o nível de variabilidade para cada um dos vários campos utilizando o modelo de variabilidade de campo, em que a en- trada para o modelo de variabilidade de campo é um campo específico e dados agrícolas correspondentes para o campo específico; classificar cada um dos vários campos baseado no nível de variabilidade determinado a partir do modelo de variabilidade de cam- po; identificar um conjunto de campos agrícolas alvo a partir dos vários campos que possuem níveis de variabilidade acima de um limite de variabilidade de campo.
17. Sistema, de acordo com a reivindicação 16, caracteri- zado pelo fato de que determinar as pontuações de produtividade de índice vegetativo para cada zona de subcampo de cada campo alvo no conjunto de campos agrícolas alvo compreende: para cada campo alvo, gerar um valor de índice vegetativo médio do campo alvo para um campo alvo baseado nos valores de índice vegetativo para geolocalizações dentro do campo alvo; para cada zona de subcampo de cada campo alvo no con- junto de campos agrícolas alvo: gerar um valor de índice vegetativo médio da zona de sub- campo para a zona de subcampo baseado nos valores de índice vege- tativo para geolocalizações dentro da zona de subcampo; calcular uma razão de índice vegetativo entre o valor de índice vegetativo médio da zona de subcampo e o valor de índice ve- getativo médio do campo alvo por dividir o valor de índice vegetativo médio da zona de subcampo pelo valor de índice vegetativo médio do campo alvo; calcular a pontuação de produtividade de índice vegetativo para a zona de subcampo como um inverso da razão de índice vegeta- tivo.
18. Sistema, de acordo com a reivindicação 15, caracteri- zado pelo fato de que determinar as taxas de semeadura ajustadas para cada um dos subcampos do conjunto de campos agrícolas alvo compreende, para cada zona de subcampo de cada um dos campos agrícolas alvo, determinar a taxa de semeadura ajustada para a zona de subcampo por multiplicar a taxa de semeadura atual da zona de subcampo pela pontuação de produtividade vegetativa da zona de subcampo.
19. Sistema, de acordo com a reivindicação 15, caracteri- zado pelo fato de que determinar as taxas de semeadura ajustadas ainda compreende: identificar uma primeira zona de subcampo possuindo a ta- xa de semeadura ajustada que está abaixo de um limite de taxa de semeadura prescrito; identificar um subconjunto de imagens digitais e um sub- conjunto de dados agrícolas históricos correspondendo à primeira zo- na de subcampo; determinar, a partir do subconjunto de imagens digitais e do subconjunto de dados agrícolas históricos, uma ou mais característi- cas causais que consideram a primeira zona de subcampo que possui a taxa de semeadura ajustada abaixo do limite de taxa de semeadura prescrito; aplicar um segundo ajuste para a taxa de semeadura ajus- tada da primeira zona de subcampo.
20. Sistema, de acordo com a reivindicação 15, caracteri- zado pelo fato de que as instruções ainda fazem com que um ou mais processadores modifiquem um parâmetro de operação definido em um ou mais scripts utilizados por uma plantadeira para plantar semente em uma ou mais zonas de subcampo de um ou mais campos agrícolas alvo de acordo com uma ou das taxas de semeadura ajustadas.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862784625P | 2018-12-24 | 2018-12-24 | |
| US62/784,625 | 2018-12-24 | ||
| PCT/US2019/068064 WO2020139781A1 (en) | 2018-12-24 | 2019-12-20 | Predictive seed scripting for soybeans |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021010533A2 true BR112021010533A2 (pt) | 2021-08-24 |
Family
ID=71098956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021010533-6A BR112021010533A2 (pt) | 2018-12-24 | 2019-12-20 | Geração de script preditivo para grãos de soja |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20200202458A1 (pt) |
| EP (1) | EP3902386A4 (pt) |
| CN (1) | CN113226009B (pt) |
| AR (1) | AR117512A1 (pt) |
| AU (1) | AU2019417596A1 (pt) |
| BR (1) | BR112021010533A2 (pt) |
| CA (1) | CA3121647A1 (pt) |
| MX (1) | MX2021007642A (pt) |
| WO (1) | WO2020139781A1 (pt) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10878967B1 (en) * | 2020-02-21 | 2020-12-29 | Advanced Agrilytics Holdings, Llc | Methods and systems for environmental matching |
| US11874669B2 (en) * | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US11845449B2 (en) * | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| CN113378793A (zh) * | 2021-07-09 | 2021-09-10 | 北京京东乾石科技有限公司 | 一种农作物产量预测方法和装置 |
| CN114332461B (zh) * | 2021-12-29 | 2023-03-24 | 江苏业派生物科技有限公司 | 智慧农业用虫害远程检测系统及方法 |
| CN116584316A (zh) * | 2023-06-19 | 2023-08-15 | 广东省农业科学院农业生物基因研究中心 | 一种用于筛选地区农作物种质资源的方法 |
| CN117726194B (zh) * | 2024-02-07 | 2024-05-07 | 安徽农业大学 | 一种基于大数据的林业环境分析系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4009441B2 (ja) * | 2001-08-08 | 2007-11-14 | 株式会社日立製作所 | 作物育成評価システム |
| US20140277959A1 (en) * | 2013-03-15 | 2014-09-18 | Jesse L. Wagers | Multi-seed planter control system and method for the same |
| SE537880C2 (sv) * | 2013-11-04 | 2015-11-10 | Väderstad Verken Ab | Ett system och metod hos en jordbruksmaskin för att optimeraarbetskapacitet |
| US11113649B2 (en) * | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| US10564316B2 (en) * | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
| US10028426B2 (en) * | 2015-04-17 | 2018-07-24 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
| US10251347B2 (en) * | 2016-01-07 | 2019-04-09 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| CN205373764U (zh) * | 2016-01-07 | 2016-07-06 | 陕西国际商贸学院 | 一种农产品信息系统 |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| US10028451B2 (en) * | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
| US10398096B2 (en) * | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CN107733321B (zh) * | 2017-10-26 | 2020-09-25 | 江苏大学 | 一种播种机监控系统和监控方法 |
| US20200005166A1 (en) * | 2018-07-02 | 2020-01-02 | The Climate Corporation | Automatically assigning hybrids or seeds to fields for planting |
-
2019
- 2019-12-20 AU AU2019417596A patent/AU2019417596A1/en active Pending
- 2019-12-20 BR BR112021010533-6A patent/BR112021010533A2/pt unknown
- 2019-12-20 US US16/723,728 patent/US20200202458A1/en active Pending
- 2019-12-20 WO PCT/US2019/068064 patent/WO2020139781A1/en unknown
- 2019-12-20 MX MX2021007642A patent/MX2021007642A/es unknown
- 2019-12-20 CN CN201980085486.4A patent/CN113226009B/zh active Active
- 2019-12-20 EP EP19902717.8A patent/EP3902386A4/en not_active Withdrawn
- 2019-12-20 CA CA3121647A patent/CA3121647A1/en active Pending
- 2019-12-23 AR ARP190103861A patent/AR117512A1/es active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| MX2021007642A (es) | 2021-08-11 |
| US20200202458A1 (en) | 2020-06-25 |
| EP3902386A1 (en) | 2021-11-03 |
| CN113226009B (zh) | 2023-06-23 |
| CN113226009A (zh) | 2021-08-06 |
| EP3902386A4 (en) | 2022-09-28 |
| AR117512A1 (es) | 2021-08-11 |
| WO2020139781A1 (en) | 2020-07-02 |
| AU2019417596A1 (en) | 2021-07-15 |
| CA3121647A1 (en) | 2020-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210097632A1 (en) | Forecasting national crop yield during the growing season using weather indices | |
| US11216702B2 (en) | Detection of plant diseases with multi-stage, multi-scale deep learning | |
| AU2016338648B2 (en) | A method for recommending seeding rate for corn seed using seed type and sowing row width | |
| BR112021006133A2 (pt) | técnicas de aprendizado de máquina para identificar nuvens e sombras de nuvem em imagística por satélite | |
| BR122021024397B1 (pt) | Método para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| US20200042890A1 (en) | Automatic prediction of yields and recommendation of seeding rates based on weather data | |
| BR112017026437B1 (pt) | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos | |
| BR112021010533A2 (pt) | Geração de script preditivo para grãos de soja | |
| CA3162476A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| BR112021002525A2 (pt) | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico | |
| CN113226010B (zh) | 利用空间统计模型实现农艺试验 | |
| US20200200897A1 (en) | Quantitative precipitation estimate quality control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |