BR112021014914A2 - Modelagem digital e rastreamento de campos agrícolas para implementar ensaios de campo agrícola - Google Patents
Modelagem digital e rastreamento de campos agrícolas para implementar ensaios de campo agrícola Download PDFInfo
- Publication number
- BR112021014914A2 BR112021014914A2 BR112021014914-7A BR112021014914A BR112021014914A2 BR 112021014914 A2 BR112021014914 A2 BR 112021014914A2 BR 112021014914 A BR112021014914 A BR 112021014914A BR 112021014914 A2 BR112021014914 A2 BR 112021014914A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- field
- computer system
- productivity
- value
- Prior art date
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 claims abstract description 123
- 230000008901 benefit Effects 0.000 claims abstract description 80
- 238000003556 assay Methods 0.000 claims description 83
- 230000004044 response Effects 0.000 claims description 68
- 238000011282 treatment Methods 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims 2
- 238000010899 nucleation Methods 0.000 description 174
- 238000007726 management method Methods 0.000 description 142
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 140
- 238000002474 experimental method Methods 0.000 description 92
- 239000002689 soil Substances 0.000 description 91
- 230000009418 agronomic effect Effects 0.000 description 84
- 229910052757 nitrogen Inorganic materials 0.000 description 70
- 230000008859 change Effects 0.000 description 37
- 239000000417 fungicide Substances 0.000 description 35
- 230000006870 function Effects 0.000 description 34
- 230000000855 fungicidal effect Effects 0.000 description 32
- 238000013515 script Methods 0.000 description 32
- 230000006854 communication Effects 0.000 description 31
- 238000004891 communication Methods 0.000 description 30
- 230000000694 effects Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 27
- 239000003337 fertilizer Substances 0.000 description 26
- 241000196324 Embryophyta Species 0.000 description 24
- 238000003860 storage Methods 0.000 description 24
- 238000003306 harvesting Methods 0.000 description 22
- 230000004043 responsiveness Effects 0.000 description 21
- 238000003973 irrigation Methods 0.000 description 20
- 230000002262 irrigation Effects 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 14
- 230000001965 increasing effect Effects 0.000 description 14
- 235000015097 nutrients Nutrition 0.000 description 14
- 239000000575 pesticide Substances 0.000 description 14
- 230000009471 action Effects 0.000 description 13
- 238000002360 preparation method Methods 0.000 description 13
- 239000000126 substance Substances 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 238000013479 data entry Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 241000607479 Yersinia pestis Species 0.000 description 9
- 239000000203 mixture Substances 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 230000035558 fertility Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000003967 crop rotation Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000003971 tillage Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000003416 augmentation Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 239000002917 insecticide Substances 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 239000005416 organic matter Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- -1 type Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 238000007792 addition Methods 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 241000251169 Alopias vulpinus Species 0.000 description 3
- 241000233866 Fungi Species 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004790 biotic stress Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 150000001768 cations Chemical class 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002363 herbicidal effect Effects 0.000 description 2
- 239000004009 herbicide Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241000714197 Avian myeloblastosis-associated virus Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101150037717 Mavs gene Proteins 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 235000002245 Penicillium camembertii Nutrition 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 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
- 238000013481 data capture Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000026058 directional locomotion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing 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
- 239000010903 husk Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000003112 inhibitor Substances 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
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- 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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
modelagem digital e rastreamento de campos agrícolas para implementar ensaios de campo agrícola. a presente invenção refere-se a sistema e método para a implementar um ensaio em um ou mais campos. em uma modalidade, um sistema de computador de inteligência agrícola recebe dados de campo para uma pluralidade de campos agrícolas. com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas, o sistema de computador de inteligência agrícola identifica um ou mais campos agrícolas alvo. o sistema de computador de inteligência agrícola determina ser os um ou mais campos agrícolas alvo estão em conformidade com o ensaio. o sistema de computador de inteligência agrícola então recebe dados de resultado para o ensaio e, com base nos dados de resultado computa um valor de benefício para o ensaio.
Description
Relatório Descritivo da Patente de Invenção para "MODE-
[001] Uma porção da descrição deste documento de patente con- tém material o qual está sujeito à proteção de direitos autorais. O pro- prietário de direitos autorais não tem objeções à reprodução de fac- símile por qualquer um do documento de patente ou da descrição de patente, como esta aparece no arquivo ou registros de patente do Pa- tent e Trademark Office, mas de outro modo reserva todos os direitos autorais ou direitos quaisquer que sejam. © 2020 The Climate Corpo- ration.
[002] A presente descrição refere-se a modelagem por computa- dor digital e rastreamento de campos agrícolas. Especificamente, a presente descrição refere-se a benefícios de modelagem para um campo agrícola de executar práticas específicas, identificar localiza- ções para a implementar ensaios das práticas específicas e rastrear o desempenho das práticas específicas.
[003] As propostas descritas nesta seção são propostas que po- deriam ser seguidas, mas não necessariamente propostas que foram anteriormente concebidas ou seguidas. Portanto, a menos que de ou- tro modo indicado, não se deve assumido que qualquer uma das pro- postas descritas nesta seção se qualifica como técnica anterior mera- mente em virtude de sua inclusão nesta seção.
[004] Os gerenciadores de campo se deparam com uma ampla variedade de decisões para tomar com relação ao gerenciamento de campos agrícolas. Estas decisões variam de determinar qual cultura plantar, qual tipo de semente plantar para a cultura, quando colher uma cultura, se executar o preparo do solo, irrigação, aplicação de pesticidas, aplicação de fungicidas e aplicação de fertilizante e quais tipos de pesticidas, fungicidas, e fertilizantes aplicar.
[005] Frequentemente, aperfeiçoamentos podem ser feitas às práticas de administração de um campo utilizando diferentes sementes híbridas, aplicando diferentes produtos no campo ou executando dife- rentes atividades de administração no campo. Estes aperfeiçoamentos podem não ser prontamente identificáveis para um gerenciador de campo que trabalha com somente informações sobre seu próprio campo. Assim, é benéfico para um sistema de computador o qual ob- tém informações referentes a uma pluralidade de campos identificar aperfeiçoamentos de práticas de plantio, prática de administração, ou práticas de aplicação.
[006] Apesar de aperfeiçoamentos recomendados poderem ser úteis para campos agrícolas, estes podem ser arriscados de imple- mentar. Quando um gerenciador de campo pode se sentir seguro que as práticas do gerenciador de campo produzirão um resultado especí- fico, o gerenciador de campo pode não se sentir seguro que seguindo a recomendação levaria a um benefício.
[007] Mesmo se um gerenciador de campo concorda em seguir uma recomendação, o gerenciador de campo não seria capaz de quantificar se os benefícios conseguidos são devido às diferentes prá- ticas de plantio, aplicação, ou gerenciamento ou devido a um ou mais fatores externos tais como clima favorável. Assim, sem ser capaz de quantificar os benefícios de novas práticas específicas, um gerencia- dor de campo é incapaz de determinar se as práticas devem ser utili- zadas em anos futuros.
[008] Assim, existe uma necessidade para um método de identifi- car campos que poderiam se beneficiar de mudanças em práticas agrícolas e desenvolver ensaios que possam demonstrar o valor nas mudanças nas práticas agrícolas.
[009] As reivindicações anexas podem servir como um sumário da descrição.
[0010] Nos desenhos:
[0011] Figura 1 ilustra um sistema de computador exemplar que está configurado para executar as funções aqui descritas, mostrado em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar.
[0012] Figura 2 ilustra duas vistas de uma organização lógica exemplar de conjuntos de instruções na memória principal quando uma aplicação móvel exemplar é carregada para execução.
[0013] Figura 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 providos por uma ou mais fontes de dados.
[0014] Figura 4 é um diagrama de blocos que ilustra um sistema de computador sobre o qual uma modalidade da invenção pode ser implementada.
[0015] Figura 5 apresenta uma modalidade exemplar de uma vista de linha de tempo para entrada de dados.
[0016] Figura 6 apresenta uma modalidade exemplar de uma vista de planilha para entrada de dados.
[0017] Figura 7 apresenta um método exemplar de implementar um ensaio. Na etapa 702, dados de campo para uma pluralidade de campos agrícolas são recebidos.
[0018] Figura 8 apresenta um exemplo de implementar localiza- ções de ensaio em um campo.
[0019] Figura 9 apresenta uma interface gráfica de usuário para selecionar localizações para colocar localizações de ensaio.
[0020] Figura 10 apresenta uma interface gráfica de usuário exemplar para definir localizações selecionadas.
[0021] Figura 11 apresenta uma interface gráfica de usuário exemplar para exibir informações que pertencem a uma região seleci- onada.
[0022] Figura 12 apresenta uma interface gráfica de usuário exemplar para apresentar resultados de um ensaio.
[0023] Figura 13 ilustra um processo exemplar executado pelo servidor de estudos de campo de direcionamento de campo para dis- tribuição de informações através de sistemas de produtor.
[0024] Figura 14 ilustra uma relação exemplar entre a densidade de cultura e a produtividade de cultura para um dado híbrido.
[0025] Figura 15 ilustra tipos exemplares de prática de gerencia- mento.
[0026] Figura 16 ilustra um processo exemplar executado pelo servidor de estudos de campo para determinar um híbrido de cultura para um campo do produtor ou as suas zonas.
[0027] Figura 17 ilustra um processo exemplar executado pelo servidor de estudos de campo de direcionar campos de produtor para aumento de produtividade de cultura.
[0028] Figura 18 apresenta um fluxo de dados exemplar para pro- duzir um ou mais valores baseados em resultados para uma recomen- dação.
[0029] Figura 19 apresenta um display baseado em resultado exemplar.
[0030] Na descrição seguinte, para os propósitos de explicação, numerosos detalhes específicos são apresentados de modo a prover uma compreensão completa da presente descrição. Será aparente, no entanto, que modalidades podem ser praticadas sem estes detalhes específicos. Em outros casos, estruturas e dispositivos bem conheci- dos estão mostrados em forma de diagrama de blocos, de modo a evi- tar desnecessariamente obscurecer a presente descrição. As modali- dades estão descritas em seções de acordo com o seguinte esboço:
1. VISÃO GERAL
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1. VISÃO GERAL ESTRUTURAL
2.2. VISÃO GERAL DE PROGRAMA DE APLICAÇÃO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE
2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GE-
3. VISÃO GERAL FUNCIONAL
4. DADOS DE CAMPO PROVIDOS
5. IDENTIFICAÇÃO DE ALVO
6. PROJETO DE ENSAIO
7. COMUNICAÇÃO DE DISPOSITIVO DE COMPUTAÇÃO DE GE-
8. ASSOCIAÇÃO DE VALOR
9. IMPLEMENTAÇÃO BASEADA EM RESULTADOS
9.1. TIPOS DE VALOR
9.2. FLUXO DE DADOS
9.3. MODELAGEM DE PRODUTIVIDADE PARA GE-
9.4. DISPLAY BASEADO EM RESULTADO EXEM-
9.5. GERAÇÃO DE ENSAIO BASEADO EM RESUL-
9.6. IMPLEMENTAÇÃO DE VARIAÇÃO DE RECO-
9.7 PROCESSO DE COMUNICAÇÃO DE RESULTA-
10. BENEFÍCIOS DE CERTAS MODALIDADES
11. EXTENSÕES E ALTERNATIVAS *
1. VISÃO GERAL
[0031] Sistemas e métodos para implementar ensaios em um ou mais campos estão aqui descritos. Em uma modalidade, um sistema de computador de inteligência agrícola está comunicativamente aco- plado a uma pluralidade de dispositivos de computação de gerenciador de campo. O sistema de computador de inteligência agrícola recebe dados de campo para uma pluralidade de campos agrícolas e utiliza os dados de campo para identificar os campos os quais se beneficiariam de executar um ensaio específico. O sistema de computador de inteli- gência agrícola envia uma solicitação de participação de ensaio para um dispositivo de computação de gerenciador de campo associado com um campo identificado o qual garante um benefício específico pa- ra participar no ensaio. Se o dispositivo de computação de gerenciador de campo concordar em participar no ensaio, o sistema de computador de inteligência agrícola identifica localizações no campo identificado para implementar o ensaio e envia os dados para o dispositivo de computação de gerenciador de campo. O sistema de computador de inteligência agrícola pode rastrear as práticas no campo identificado para determinar se o campo identificado está em conformidade com o ensaio. O sistema de computador de inteligência agrícola pode além disso receber dados que identificam os resultados do ensaio e utilizar os dados para computar um ou mais benefícios do ensaio.
[0032] Em uma modalidade, um método compreende receber, em um sistema de computador de inteligência agrícola, dados de campo para uma pluralidade de campos agrícolas; com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas, identificar um ou mais campos agrícolas alvo; enviar, para um disposi- tivo de computação de gerenciador campo associado com os um ou mais campos agrícolas alvo, uma solicitação de participação de en- saio; receber, do dispositivo de computação de gerenciador de campo, dados que indicam a aceitação da solicitação de participação de en- saio; determinar uma ou mais localizações nos um ou mais campos agrícolas alvo para implementar um ensaio; enviar dados que identifi- cam as uma ou mais localizações para o dispositivo de computação de gerenciador de campo; receber dados de aplicação para os um ou mais campos agrícolas alvo; com base nos dados da aplicação, de- terminar se os um ou mais campos agrícolas alvo estão em conformi- dade com o ensaio; receber dados de resultados para o ensaio; com base nos dados de resultados, computar um valor de benefício para o ensaio.
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1. VISÃO GERAL ESTRUTURAL
[0033] A Figura 1 ilustra um sistema de computador exemplar que está configurado para executar as funções aqui descritas, mostradas em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar. Em uma modalidade, um usuário 102 tem, ope- ra ou possui um dispositivo de computação de gerenciador de campo 104 em uma localização de campo ou associado com uma localização de campo tal como um campo destinado a atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação de gerenciador de campo 104 está progra- mado ou configurado para prover dados de campo 106 para um siste- ma de computador de inteligência agrícola 130 através de uma ou mais redes 109.
[0034] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome de campo, identifica- dores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura, e quaisquer outros dados adequados que possam ser utilizados para identificar uma terra agrícola, tal como uma unidade de terra comum (CLU), número do lote e do bloco, número de parcela, coordenadas geográficas e limites, Número de Série de Fa- zenda (FSN), número de fazenda, número de trato, número de campo, seção, município, e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cul- tivada organicamente, data de colheita, Histórico de Produção Real (APH), produtividade esperada, produtividade, preço de cultura, receita de cultura, umidade de grãos, prática de preparo do solo, e informa- ções da estação de crescimento anterior), (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca de cátions (CEC)), (d) dados de plantio (por exemplo, data de plantio , tipo de semente(s), maturidade relativa (RM) de semente(s) plantada(s), população de sementes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (Nitrogênio, Fósforo, Potássio), tipo de apli- cação, data de aplicação, quantidade, fonte, método), (f) dados de aplicação química (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas para utilização como um regulador de planta, desfolhante, ou dessecante, data de aplica- ção, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados de clima (por exemplo, precipitação, taxa de chuva, chuva predita, região de taxa de escoamento de água, temperatura, vento, previsão, pressão, visibili- dade, nuvens, índice de calor, ponto de orvalho, umidade, profundida- de de neve, qualidade de ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações de espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de reconhecimento (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições de clima (temperatura, precipita- ção (corrente e ao longo do tempo), umidade do solo, estágio de cres- cimento de cultura, velocidade de vento, umidade relativa, ponto de orvalho, camada preta)), e (k) solo, semente, fenologia de cultura, rela- tório de pragas e doenças, e fontes de predições e bancos de dados.
[0035] Um computador servidor de dados 108 está comunicativa- mente acoplado no sistema de computador de inteligência agrícola 130 e está programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109. O computador servidor de dados externos 108 pode ser possuído ou operado pela mesma pessoa ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por uma dife- rente pessoa ou entidade tal como uma agência governamental, orga- nização não governamental (NGO), e/ou um provedor de serviços de dados privados. Exemplos de dados externos incluem dados de clima, dados de imagens, dados de solo, ou dados estatísticos relativos às produtividades de cultura, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, os dados externos 110 são providos por um servidor de dados externos 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 focalizado exclusivamente em um tipo de dados que poderia de outro modo ser obtido de fontes de terceiros, tal como dados de clima. Em algumas modalidades, um ser- vidor de dados externo 108 pode na realidade ser incorporado dentro do sistema 130.
[0036] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixos neste, cujos sensores estão comunicativamente acoplados ou diretamente ou indiretamente através do aparelho agrí- cola 111 no 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, colheitadeiras, debulhadoras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aé- reos, incluindo veículos aéreos não tripulados, e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel, e os quais podem ser utilizados em tarefas associadas com agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode com- preender uma pluralidade de sensores 112 que estão acoplados lo- calmente em uma rede no aparelho; uma rede de área de controlador (CAN) é um exemplo de tal rede que pode ser instalada em colheita- deiras, debulhadoras, pulverizadores, e cultivadores. O controlador de aplicação 114 está comunicativamente acoplado no sistema de com- putador de inteligência agrícola 130 através da(s) rede(s) 109 e está programado ou configurado para receber um ou mais scripts que são utilizados para controlar um parâmetro de operação de um veículo ou implemento agrícola 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 as comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o CLIMATE FIELDVIEW DRIVE, disponível na The Climate Corporation, San Francisco, Califórnia é utilizado. Os da-
dos de sensor podem consistir no mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, sensores remotos 112 podem não ser fixos em um aparelho agrícola 111, mas podem estar remotamente localizados no campo e podem comunicar com a rede 109.
[0037] O aparelho 111 pode compreender um computador de ca- bine 115 que está programado com uma aplicação de cabine, a qual pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que está adicionalmente aqui descrito em outras se- ções. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, frequentemente um computador do tama- nho de um tablet ou smartphone, com um display de tela gráfica, tal como um display colorido, que está montado dentro de uma cabine de operador do aparelho 111. O computador de cabine 115 pode imple- mentar algumas ou todas as operações e funções que estão adicio- nalmente aqui descritas para o dispositivo de computador móvel 104.
[0038] A(s) rede(s) 109 amplamente representam qualquer combi- nação de uma ou mais redes de comunicação de dados que incluem redes de área localização, redes de área ampla, redes de internet ou internets, utilizando qualquer uma de conexões com fio ou sem fio, in- cluindo conexões terrestres ou de satélite. A(s) rede(s) podem ser im- plementadas por qualquer meio ou mecanismo que provenha a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 podem também ter conexões de comunicações diretas (com ou sem fio). Os sensores 112, controlador 114, computador ser- vidor de dados externo 108, e outros elementos do sistema cada um compreende uma interface compatível com a(s) rede(s) 109 e são pro- gramados ou configurados para utilizar protocolos padronizados para comunicação através das redes tais como TCP/IP, Bluetooth, protoco- lo CAN e protocolos de camada mais alta tal como HTTP, TLS e simi-
lares.
[0039] O sistema de computador de inteligência agrícola 130 está programado ou configurado para receber dados de campo 106 do dis- positivo de computação de gerenciador de campo 104, dados externos 110 do computador servidor de dados externo 108 e dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrí- cola 130 pode estar ainda configurado para hospedar, utilizar ou exe- cutar um ou mais programas de computador, outros elementos de sof- tware, lógica digitalmente programada tal como FPGAs ou ASICs ou qualquer sua combinação para executar a tradução e armazenamento de valores de dados, construção de modelos digitais de uma ou mais culturas em um ou mais campos, geração de recomendações e notifi- cações, e geração e envio de scripts para o controlador de aplicação 114, no modo adicionalmente descrito em outras seções desta descri- ção.
[0040] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está programado com ou compreende uma cama- da de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware / virtualização 150, e repositório de dados de modelo e campo 160. "Camada", neste con- texto, refere-se a qualquer combinação de circuitos de interface digital eletrônicos, microcontroladores, firmware tais como drivers, e/ou pro- gramas de computador ou outros elementos de software.
[0041] A camada de comunicação 132 pode estar programada ou configurada para executar funções de interface de entrada / saída, que incluem enviar solicitações para o dispositivo de computação de ge- renciador de campo 104, computador servidor de dados externo 108, e sensor remoto 112 para dados de campo, dados externos, e dados de sensor respectivamente. A camada de comunicação 132 pode estar programada ou configurada para enviar os dados recebidos para o re-
positório de modelo e dados de campo 160 para serem armazenados como dados de campo 106.
[0042] A camada de apresentação 134 pode estar programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que estão acopla- dos no sistema 130 através da rede 109. A GUI pode compreender controles para inserir dados a serem enviados para o sistema de com- putador de inteligência agrícola 130, gerando solicitações de modelos e/ou recomendações, e/ou exibindo recomendações, notificações, mo- delos, e outros dados de campo.
[0043] A camada de gerenciamento de dados 140 pode estar pro- gramada ou configurada para gerenciar operações de leitura e opera- ções de escrita que envolvem o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface de servidor SQL, e/ou código de interface HA- DOOP, entre outros. O repositório 160 pode compreender um banco de dados. Como aqui utilizado, o termo "banco de dados" pode referir a ou um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Como aqui utilizado, um ban- co de dados pode compreender qualquer coleção de dados incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados relacionais de objetos, bancos de dados orientados em objetos, bancos de dados distribuídos, e qualquer outra coleção estruturada de registros ou dados que são armazenados em um sistema de computador. Exemplos de RDBMSs incluem, mas não estão limitados a incluir, bancos de dados ORA- CLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser utili- zado que permita os sistemas e métodos aqui descritos.
[0044] Quando os dados de campo 106 não são providos direta- mente para o sistema de computador de inteligência agrícola através de uma ou mais máquinas agrícolas ou dispositivos de máquina agrí- cola que interagem com o sistema de computador de inteligência agrí- cola, o usuário pode ser avisado através de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) para inserir tais informações. Em uma modali- dade exemplar, o usuário pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionar CLUs específicas que foram graficamente mostradas no mapa. Em uma modalidade al- ternativa, o usuário 102 pode especificar dados de identificação aces- sando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e traçar limites do campo so- bre o mapa. Tal seleção CLU ou desenhos de mapas representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando dados de identifi- cação de campo (providos como arquivos de forma ou em um formato similar) do U.S. Department of Agriculture Farm Service Agency ou outra fonte através do dispositivo de usuário e provendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[0045] Em uma modalidade exemplar, o sistema de computador de inteligência agrícola 130 está programado para gerar e causar a exibição de uma interface gráfica de usuário que compreende um ge- renciador de dados para entrada de dados. Após um ou mais campos terem sido identificados utilizando os métodos acima descritos, o ge- renciador de dados pode prover um ou mais widgets de interface gráfi-
ca de usuário os quais quando selecionados podem identificar mudan- ças no campo, solo, culturas, preparo do solo, ou práticas de nutrien- tes. O gerenciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha e/ou um ou mais programas editáveis.
[0046] A Figura 5 apresenta uma modalidade exemplar de uma vista de linha de tempo para entrada de dados. Utilizando o display apresentada na Figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de evento. Eventos apresentados no topo da linha de tempo podem incluir Nitrogênio, Plantio, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode prover uma entrada para selecionar a aba de nitrogênio. O computador de usuário pode então selecionar uma localização na linha de tempo para um campo específico 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 específico, o gerencia- dor de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário insira dados que pertencem a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de preparo do solo, práticas de irrigação, ou outras in- formações relativas ao campo específico. Por exemplo, se um compu- tador de usuário selecionar uma porção da linha do tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de da- dos pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante utilizado, e quaisquer outras informações relativas à aplicação de nitrogênio.
[0047] Em uma modalidade, o gerenciador de dados provê uma interface para criar um ou mais programas. "Programa", neste contex- to, refere-se a um conjunto de dados que pertence às aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de preparo do solo, práticas de irrigação, ou outras informações que podem estar relacionadas com um ou mais campos, e que podem ser armazenados em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após um programa ter sido criado, este pode ser conceitualmente aplicado a um ou mais campos e referências ao programa podem ser armazenadas em armazena- mento digital em associação com os dados que identificam os campos. Assim, ao invés de inserir manualmente dados idênticos relativos às mesmas aplicações de nitrogênio para múltiplos diferentes campos, um computador de usuário pode criar um programa que indica uma aplicação de nitrogênio específica e então aplicar o programa a múlti- plos diferentes campos. Por exemplo, na vista de linha de tempo da Figura 5, as duas linhas de tempo superiores têm o programa "Aplica- do na primavera" selecionado, o que inclui uma aplicação de 67,9 kg (150 libras) N/ac no início de Abril. O gerenciador de dados pode pro- ver uma interface para editar um programa. Em uma modalidade, quando um programa específico é editado, cada campo que selecio- nou o programa específico é editado. Por exemplo, na Figura 5, se o programa "Aplicado na primavera" for editado para reduzir a aplicação de nitrogênio para 58,8 kg (130 libras)) N/ac, os dois campos superio- res podem ser atualizados com uma aplicação de nitrogênio reduzida com base no programa editado.
[0048] Em uma modalidade, em resposta a receber edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na Figura 5, a interface pode atualizar para indicar que o pro- grama "Aplicado na primavera" não está mais sendo aplicado no cam- po superior. Apesar da aplicação de nitrogênio no início de Abril poder permanecer, atualizações para o programa "Aplicado na primavera"
não alterariam a aplicação de nitrogênio em Abril.
[0049] A Figura 6 apresenta uma modalidade exemplar de uma vista de planilha para entrada de dados. Utilizando o display apresen- tado na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação a Nitrogênio, Plantio, Práticas e Solo, como apresentado na Figura 6. Para editar uma entrada específica, um computador de usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a Figura 6 apresenta uma atualização em progresso em um valor de produtividade alvo para o segundo campo. Além disso, um computador de usuário pode selecio- nar um ou mais campos de modo a aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo es- pecífico, o gerenciador de dados pode automaticamente completar as entradas para o campo específico com base no programa selecionado. Como com a vista de linha de tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa específico em resposta a receber uma atualização para o programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta a receber uma edição para uma das entradas para o campo.
[0050] Em uma modalidade, os dados de modelo e campo são armazenados em um repositório de dados de modelo e campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo digitalmente construído do desenvolvimento de uma cultura nos um ou mais campos. "Modelo", neste contexto, refere-se a um conjunto armazenado digitalmente eletrônico de instruções executá- veis e valores de dados, associados uns com os outros, os quais são capazes de receber e responder a uma chamada programática ou ou-
tra digital, invocação, ou solicitação para resolução com base em valo- res de entrada especificados, para gerar um ou mais valores de saída armazenados ou computados que podem servir como a base de re- comendações implementadas por computador, exibições de dados de saída, ou controle de máquina, entre outras coisas. As pessoas versa- das na técnica acham conveniente expressar os modelos utilizando equações matemáticas, mas esta forma de expressão não confina os modelos aqui discutidos para conceitos abstratos; ao invés, cada mo- delo aqui tem uma aplicação prática em um computador na forma de instruções e dados executáveis armazenados que implementam o mo- delo utilizando o computador. O modelo pode incluir um modelo de eventos passados nos um ou mais campos, um modelo do status cor- rente dos um ou mais campos, e/ou um modelo de eventos preditos nos um ou mais campos. Os dados de modelo e campo podem ser armazenados em estruturas de dados na memória, linhas em uma ta- bela de banco de dados, em arquivos simples ou planilhas, ou outras formas de dados digitais armazenados.
[0051] Em uma modalidade, cada uma das instruções de identifi- cação alvo 135, instruções de projeto de ensaio 136, instruções de rastreamento de ensaio 137, e instruções de associação de valor 138 compreende um conjunto de uma ou mais páginas de memória princi- pal, tal como RAM, no sistema de computador de inteligência agrícola 130 no qual as instruções executáveis foram carregadas e as quais quando executadas, fazem com que o sistema de computador de inte- ligência agrícola execute as funções ou operações que estão aqui descritas com referência a estes módulos. Por exemplo, as instruções de identificação alvo 135 podem compreender um conjunto de páginas em RAM que contêm instruções as quais quando executadas causam a execução das funções de identificação alvo que estão aqui descritas. As instruções podem estar em código executável por máquina no con-
junto de instruções de uma CPU e podem ter sido compiladas com ba- se em código de fonte escrito em JAVA, C, C ++, OBJECTIVE-C, ou qualquer outra linguagem ou ambiente de programação legível por humanos, sozinhas ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto de fonte de programação. O termo "páginas" pretende 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 arquitetu- ra de processador. Em outra modalidade, cada uma das instruções de identificação alvo 135, instruções de projeto de ensaio 136, instruções de rastreamento de ensaio 137, e instruções de associação de valor 138 também podem representar um ou mais arquivos ou projetos de código de fonte que são digitalmente armazenados em um dispositivo de armazenamento em massa, tal como RAM não volátil ou armaze- namento em disco, no sistema de computador de inteligência agrícola 130 ou um sistema de repositório separado, o qual quando compilado ou interpretado causa a geração de instruções executáveis as quais quando executadas fazem com que o sistema de computador de inte- ligência agrícola execute as funções ou operações que estão aqui descritas com referência a esses módulos. Em outras palavras, a figu- ra de desenho pode representar o modo no qual os programadores ou desenvolvedores de software organizam e dispõem o código de fonte para posterior compilação em um executável, ou interpretação em có- digo de byte ou equivalente, para execução pelo sistema de computa- dor de inteligência agrícola 130.
[0052] As instruções de identificação alvo 135 compreendem ins- truções legíveis por computador as quais, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 execute a identificação de um ou mais cam- pos alvo que se beneficiariam de implementar um ensaio e/ou um ou mais dispositivos de computação de gerenciador de campo e/ou con- tas de gerenciador de campo associadas com um campo que se bene- ficiaria de implementar um ensaio. As instruções de projeto de ensaio 136 compreendem instruções legíveis por computador as quais, quan- do executadas por um ou mais processadores, fazem com que o sis- tema de computador de inteligência agrícola 130 execute a identifica- ção de uma ou mais localizações em um campo agrícola para a im- plementar um ensaio. As instruções de rastreamento de ensaio 137 compreendem instruções legíveis por computador as quais, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 execute o recebimento de dados de campo e determinando, com base nos dados de campo, se um campo agrícola está em conformidade com um ou mais requisitos de um ensaio. As instruções de associação de valor 138 compreen- dem instruções legíveis por computador as quais, quando executadas por um ou mais processadores, fazem com que o sistema de compu- tador de inteligência agrícola 130 execute a associação de um valor com os resultados de um ou mais ensaios.
[0053] A camada de hardware / virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controlado- res de memória, e outros dispositivos, componentes, ou elementos de um sistema de computador tal como memória volátil ou não volátil, ar- mazenamento não volátil tal como disco, e dispositivos ou interfaces de I/O como ilustrados e descritos, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções pro- gramadas que estão configuradas para suportar virtualização, contei- nerização, ou outras tecnologias.
[0054] Para propósitos de ilustração de um exemplo claro, a Figu- ra 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode existir qualquer número de tais elementos. Por exemplo, as modalidades podem utili- zar milhares ou milhões de diferentes dispositivos de computação mó- vel 104 associados com diferentes usuários. Ainda, o sistema 130 e/ou computador servidor de dados externo 108 podem ser implementados utilizando dois ou mais processadores, núcleos, grupamentos, ou ins- tâncias de máquinas físicas ou máquinas virtuais, configuradas em uma localização discreta ou co-localizadas com outros elementos em um centro de dados, instalação de computação compartilhada ou ins- talação de computação em nuvem.
2.2. VISÃO GERAL DE PROGRAMA DE APLICAÇÃO
[0055] Em uma modalidade, a implementação das funções aqui descritas utilizando um ou mais programas de computador ou outros elementos de software que são carregados e executados utilizando um ou mais computadores de utilização geral fará com que os computado- res de utilização geral sejam configurados como uma máquina especí- fica ou como um computador que está especialmente adaptado para executar as funções aqui descritas. Ainda, cada um dos fluxogramas que estão adicionalmente aqui descritos pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa aqui, como algoritmos, planos ou direções que podem ser utilizados para programar um computador ou lógica para implementar as funções que estão descritos. Em outras palavras, todo o texto em prosa aqui, e todas as figuras de desenho, juntos pretendem prover a descrição de algoritmos, planos ou direções que são suficientes para permitir que uma pessoa versada na técnica programe um computador para execu- tar as funções que estão aqui descritas, em combinação com a habili- dade e conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e descrições deste tipo.
[0056] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 utilizando o dispositivo de computação de gerenciador de campo 104 configurado com um siste- ma de operação e um ou mais programas de aplicações ou apps; o dispositivo de computação de gerenciador de campo 104 também po- de interoperar com o sistema de computador de inteligência agrícola independentemente e automaticamente sob o controle de programa ou controle lógico e a interação de usuário direta não é sempre requerida. O dispositivo de computação de gerenciador de campo 104 ampla- mente representa um ou mais smartphones, PDA, dispositivo de com- putação tablet, computador laptop, computador desktop, estação de trabalho, ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação de gerenciador de campo 104 pode co- municar através de uma rede utilizando uma aplicação móvel armaze- nada no dispositivo de computação de gerenciador de campo 104, e em algumas modalidades, o dispositivo pode ser acoplado utilizando um cabo 113 ou conector no sensor 112 e/ou controlador 114. Um usuário específico 102 pode ter, operar ou possuir e utilizar, em cone- xão com o sistema 130, mais do que um dispositivo de computação de gerenciador de campo 104 de cada vez.
[0057] A aplicação móvel pode prover uma funcionalidade do lado de cliente, através da rede para um ou mais dispositivos de computa- ção móvel. Em uma modalidade exemplar, o dispositivo de computa- ção de gerenciador de campo 104 pode acessar a aplicação móvel através de um navegador da web ou uma aplicação ou app de cliente localização. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para, e receber dados de, um ou mais ser- vidores de interface inicial, utilizando protocolos ou formatos baseados na web tal como HTTP, XML e/ou JSON, ou protocolos específicos de app. Em uma modalidade exemplar, os dados podem assumir a forma de solicitações e entrada de informações de usuário, tal como dados de campo, no dispositivo de computação móvel. Em algumas modali- dades, a aplicação móvel interage com um hardware e software de rastreamento de localização no dispositivo de computação de gerenci- ador de campo 104 o qual determina a localização do dispositivo de computação de gerenciador de campo 104 utilizando técnicas de ras- treamento padrão tal como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento Wi-Fi, ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados com o dispositivo 104, usuário 102, e/ou conta(s) de usuário podem ser obtidos por con- sultas a um sistema de operação do dispositivo ou solicitando um app no dispositivo para obter dados do sistema de operação.
[0058] Em uma modalidade, o dispositivo de computação de ge- renciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 que compreendem ou inclu- em, mas não limitados a, valores de dados que representam um ou mais de: uma localização geográfica dos um ou mais campos, infor- mações de preparo do solo para os um ou mais campos, culturas plan- tadas nos um ou mais campos, e dados de solo extraídos dos um ou mais campos. O dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada de usuá- rio do usuário 102 especificando os valores de dados para os um ou mais campos. Além disso, o dispositivo de computação de gerenciador de campo 104 pode automaticamente enviar dados de campo 106 quando um ou mais dos valores de dados tornam-se disponíveis para o dispositivo de computação de gerenciador de campo 104. Por exem- plo, o dispositivo de computação de gerenciador de campo 104 pode estar comunicativamente acoplado no sensor remoto 112 e/ou contro- lador de aplicação 114 o qual inclui um sensor de irrigação e/ou con- trolador de irrigação. Em resposta a receber dados que indicam que o controlador de aplicação 114 liberou água sobre os um ou mais cam- pos, o dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteli- gência agrícola 130 indicando que a água foi liberada sobre os um ou mais campos. Os dados de campo 106 identificados nesta descrição podem ser inseridos e comunicados utilizando dados digitais eletrôni- cos que são comunicados entre dispositivos de computação utilizando URLs parametrizados sobre HTTP, ou qualquer outro protocolo de comunicação ou mensagem adequado.
[0059] Um exemplo comercial da aplicação móvel é CLIMATE FI- ELDVIEW, comercialmente disponível da The Climate Corporation, San Francisco, Califórnia. A aplicação CLIMATE FIELDVIEW, ou ou- tras aplicações, pode ser modificada, estendida ou adaptada para in- cluir características, funções, e programação que não foram descritos antes da data de depósito desta descrição. Em uma modalidade, a aplicação móvel compreende uma plataforma de software integrada que permite um produtor tomar decisões baseadas em fatos para sua operação, porque esta 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 estão baseadas em modelos científicos que proveem cenários po- tenciais para permitir o produtor tomar decisões melhores, mais infor- madas.
[0060] A Figura 2 ilustra duas vistas de uma organização lógica exemplar de conjuntos de instruções na memória principal quando uma aplicação móvel exemplar e carregada para execução. Na Figura 2, cada elemento denominado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento de disco ou outro armazenamento não volátil, e as instruções programadas dentro destas regiões. Em uma modalidade,
na vista (a), uma aplicação de computador móvel 200 compreende ins- truções de compartilhamento de ingestão de dados de campos de con- ta 202, visão geral e instruções de alerta 204, instruções de livro de mapa digital 206, sementes e instruções de plantio 208, instruções de nitrogênio 210, instruções de clima 212, instruções de saúde de campo 214, e instruções de desempenho 216.
[0061] Em uma modalidade, uma aplicação de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de compartilhamento 202 que são programadas para receber, traduzir e ingerir dados de campo de sistemas de terceiros através de upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas de plantio, resultados de ensaio de solo, mapas de aplicação, e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de forma, formatos de dados nativos de terceiros, e/ou exportações de sistema de informa- ções de gerenciamento de fazenda (FMIS), entre outros. O recebimen- to de dados pode ocorrer através de upload manual, e-mail com ane- xo, APIs externas que empurram dados para a aplicação móvel ou ins- truções que chamam APIs de sistemas externos para puxar dados pa- ra a aplicação móvel. Em uma modalidade, a aplicação de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta a receber uma seleção da caixa de entrada de dados, a aplicação de computador móvel 200 pode exibir uma interface gráfica de usuário para manualmente carregar arquivos de dados e importar arquivos carregados para um gerenciador de dados.
[0062] Em uma modalidade, as instruções de livro de mapas digi- tais 206 compreendem camadas de dados de mapas de campo arma- zenadas na memória de dispositivo e são programadas com ferramen- tas de visualização de dados e notas de campo geoespaciais. Isto pro- vê os produtores com informações convenientes à mão para referên-
cia, registro e percepções visuais sobre o desempenho de campo. Em uma modalidade, uma visão geral e instruções de alerta 204 são pro- gramadas para prover uma vista de toda a operação do que é impor- tante para o produtor, e recomendações oportunas para agir ou focali- zar sobre problemas específicos. Isto permite que o produtor focalize tempo no que precisa de atenção, para economizar tempo e preservar a produtividade ao longo da estação. Em uma modalidade, sementes e instruções de plantio 208 são programadas para prover ferramentas para seleção de sementes, colocação de híbridos, e criação de script, incluindo criação de script de taxa variável (VR), com base em mode- los científicos e dados empíricos. Isto permite que os produtores ma- ximizem a produtividade ou retorno do investimento através de com- pra, colocação e população de sementes otimizadas.
[0063] Em uma modalidade, as instruções de geração de script 205 são programadas para prover uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permi- te que os produtores criem scripts para implementos de campo, tais como aplicações de nutrientes, plantio, e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para iden- tificar um tipo de semente para plantio. Quando recebendo uma sele- ção do tipo de semente, a aplicação de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tal como as camadas de dados de mapa de campo criadas como parte de instruções de livro de mapas digitais 206. Em uma modalidade, as zo- nas de gerenciamento compreendem zonas de solo juntamente com um painel que identifica cada zona de solo e um nome de solo, textura, drenagem para cada zona, ou outros dados de campo. A aplicação de computador móvel 200 pode também exibir ferramentas para editar ou criar tais, tal como ferramentas gráficas para desenhar zonas de ge- renciamento, tal como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou diferentes procedimentos de plantio po- dem ser aplicados a diferentes subconjuntos de zonas de gerencia- mento. Quando um script é criado, a aplicação de computador móvel 200 pode tornar o script disponível para download em um formato legí- vel por um controlador de aplicação, tal como um formato arquivado ou comprimido. Além disso, e/ou alternativamente, um script pode ser en- viado diretamente para o computador de cabine 115 da aplicação de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para utilização adicional.
[0064] Em uma modalidade, as instruções de nitrogênio 210 são programadas para prover ferramentas para informar decisões de nitro- gênio visualizando a disponibilidade de nitrogênio para as culturas. Isto permite que os produtores maximizem a produtividade ou o retorno sobre investimento através de aplicação de nitrogênio otimizada du- rante a estação. Funções programadas exemplares incluem a exibição de imagens tais como imagens SSURGO que permite o desenho de zonas de aplicação de fertilizantes e/ou imagens geradas de dados de solo de subcampo, tal como dados obtidos de sensores, em uma alta resolução espacial (tão fina quanto milímetros ou menor dependendo da proximidade e resolução de sensor); carregamento de zonas defini- das pelo produtor existentes; prover um gráfico de disponibilidade de nutrientes de plantas e/ou um mapa para permitir aplicação(ões) de ajuste de nitrogênio através de múltiplas zonas; saída de scripts para acionar maquinário; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. "Entrada de dados em massa", neste contexto, pode significar inserir dados uma vez e então aplicar os mesmos dados a múltiplos campos e/ou zonas que foram definidos no sistema; dados exemplares podem inclu- ir dados de aplicação de nitrogênio que são os mesmos para muitos campos e/ou zonas do mesmo produtor, mas tal entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo na aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de pro- gramas de aplicação e práticas de nitrogênio e para aceitar a entrada do usuário especificando a aplicação destes programas através de múltiplos campos. "Programas de aplicação de nitrogênio", neste con- texto, refere-se a conjuntos de dados nomeados armazenados que associam: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação tal como injetado ou transmitido, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é objeto da aplicação, en- tre outros. "Programas de práticas de nitrogênio", neste contexto, refe- rem-se a conjuntos de dados nomeados, armazenados que associam: um nome de práticas; uma cultura anterior; um sistema de preparo do solo; uma data de preparo do solo primário; um ou mais sistemas de preparo do solo anteriores que foram utilizados; um ou mais indicado- res de tipo de aplicação, tal como estrume, que foram utilizados.
As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, o qual indica projeções de utilização de plantas do nitrogênio especificado e se um excesso ou escassez está predito; em algumas modalidades, diferen- tes indicadores de cores podem sinalizar uma magnitude de excesso ou magnitude de escassez.
Em uma modalidade, um gráfico de nitro- gênio compreende uma display gráfico em um dispositivo de display de computador que compreende uma pluralidade de linhas, cada linha associada com e identificando um campo; dados que especificam qual cultura está plantada no campo, o tamanho de campo, a localização de campo e uma representação gráfica do perímetro de campo; em cada linha, uma linha de tempo por mês com indicadores gráficos que especificam cada aplicação e quantidade de nitrogênio em pontos cor- relacionados com nomes dos meses; e indicadores numéricos e/ou coloridos de excesso ou escassez, em que a cor indica magnitude.
[0065] Em uma modalidade, o gráfico de nitrogênio pode incluir uma ou mais características de entrada do usuário, tal como dials ou barras deslizantes, para dinamicamente mudar os programas de plan- tio e práticas de nitrogênio de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então utilizar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relativos para implementar um ou mais scripts, incluindo scripts de fer- tilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, o que indica projeções de utilização de plantas do nitro- gênio especificado e se um excesso ou escassez está predito; em al- gumas modalidades, diferentes indicadores de cores podem sinalizar uma magnitude de excesso ou magnitude de escassez. O mapa de nitrogênio pode exibir projeções de utilização de plantas do nitrogênio especificado e se um excesso ou escassez está predito para diferen- tes tempos no passado e no futuro (tal como diariamente, semanal- mente, mensalmente ou anualmente) utilizando indicadores numéricos e/ou coloridos de excesso ou escassez, no qual a cor indica a magni- tude. Em uma modalidade, o mapa de nitrogênio pode incluir uma ou mais características de entrada de usuário, tal como dials ou barras deslizantes, para dinamicamente mudar os programas de plantio e práticas de nitrogênio de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de ex- cesso ou escassez. O usuário pode então utilizar seu mapa de nitro- gênio otimizado e os programas de plantio e práticas de nitrogênio re- lativos para implementar um ou mais scripts, incluindo scripts de fertili-
dade de taxa variável (VR). Em outras modalidades, instruções simila- res às instruções de nitrogênio 210 poderiam ser utilizadas para a apli- cação de outros nutrientes (tal como fósforo e potássio), aplicação de pesticidas, e programas de irrigação.
[0066] Em uma modalidade, as instruções de clima 212 são pro- gramadas para prover dados de clima recentes específicos de campo e informações de clima previstas. Isto permite os produtores economi- zar tempo e terem uma exibição integrada eficiente com relação a de- cisões operacionais diárias.
[0067] Em uma modalidade, as instruções de saúde de campo 214 são programadas para prover variação de cultura e preocupações po- tenciais em estação destacando imagens de detecção remotas opor- tunas. Funções programadas exemplares incluem verificação de nu- vens, para identificar possíveis nuvens ou sombras de nuvens; deter- minar índices de nitrogênio com base em imagens de campo; visuali- zação gráfica de camadas de patrulhamento, incluindo, por exemplo, aquelas relativas à saúde do campo, e visualização e/ou compartilha- mento de notas de patrulhamento; e/ou baixar imagens de satélite de múltiplas fontes e priorizar as imagens para o produtor, entre outros.
[0068] Em uma modalidade, as instruções de desempenho 216 são programadas para prover relatórios, análises, ferramentas de per- cepção utilizando dados de fazenda para avaliação, percepções e de- cisões. Isto permite o produtor buscar resultados aperfeiçoados para o próximo ano através de conclusões baseadas em fatos sobre porque o retorno sobre investimento estava em níveis anteriores, e percepção em fatores de limitação de produtividade. As instruções de desempe- nho 216 podem ser programadas para se comunicar através da(s) re- de(s) 109 para programas analíticos de rede auxiliar executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externos 108 e configurados para analisar métricas tal coma produtividade, diferencial de produtividade, híbrido, popula- ção, zona de SSURGO, propriedades de ensaio de solo, ou aumento, entre outros. Relatórios e análises programados podem incluir análise de variabilidade de produtividade, estimativa de efeito de tratamento, avaliação de produtividade e outras métricas contra outros produtores com base em dados anônimos coletados de muitos produtores, ou da- dos para sementes e plantio, entre outros.
[0069] As aplicações que têm instruções configuradas neste modo podem ser implementadas para diferentes plataformas de dispositivos de computação enquanto retendo a mesma aparência de interface de usuário geral. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, smartphones, ou computadores servidores que são acessados utilizando navegadores nos computadores de cli- entes. Ainda, a aplicação móvel como configurada para computadores tablets ou smartphones pode prover uma experiência de app total ou uma experiência de app de cabine que é adequada para as capacida- des de exibição e processamento do computador de cabine 115. Por exemplo, referindo agora à vista (b) da Figura 2, em uma modalidade uma aplicação de computador de cabine 220 pode compreender ma- pas de instruções de cabine 222, instruções de visão remota 224, ins- truções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230, e instru- ções de patrulhamento de cabine 232. A base de código para as ins- truções da vista (b) pode ser a mesma que para a vista (a) e os execu- táveis que implementam o código podem ser programados para detec- tar o tipo de plataforma na qual estes estão executando e expor, atra- vés de uma interface gráfica de usuário, somente aquelas funções que são apropriadas para uma plataforma de cabine ou plataforma total. Esta proposta permite que o sistema reconheça a experiência de usu- ário distintamente diferente que é apropriada para um ambiente em cabine e o diferente ambiente de tecnologia da cabine. As instruções de mapas de cabine 222 podem ser programadas para prover vistas de mapas de campos, fazendas ou regiões que são úteis em direcio- nar a operação de máquina. As instruções de vista remota 224 podem ser programadas para ligar, gerenciar e prover visões de atividade da máquina em tempo real ou quase em tempo real para outros dispositi- vos de computação conectados no sistema 130 através de redes sem fio, conectores com fio ou adaptadores, e similares. As instruções de coletamento e transferência de dados 226 podem ser programadas para ligar, gerenciar, e prover transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores com fio ou adaptadores, e similares. As instruções de aler- tas de máquina 228 podem ser programadas para detectar problemas com operações da máquina ou ferramentas que estão associadas com a cabine e gerar alertas de operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configuradas para direcionar operações da máquina ou o co- letamento de dados. As instruções de patrulhamento de cabine 232 podem ser programadas para exibir alertas baseados em localização e informações recebidas do sistema 130 com base na localização do dispositivo de computação de gerenciador de campo 104, aparelho agrícola 111, ou sensores 112 no campo e ingerir, gerenciar, e prover transferência de observações de patrulhamento baseadas em localiza- ção para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[0070] Em uma modalidade, o computador servidor de dados ex- ternos 108 armazena dados externos 110, incluindo dados de solo que representam composição do solo para os um ou mais campos e dados de clima que representam temperatura e precipitação nos um ou mais campos. Os dados de clima podem incluir dados de clima passados e presentes assim como predições para dados de clima futuros. Em uma modalidade, o computador servidor de dados externo 108 compreende uma pluralidade de servidores hospedados pelas diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição de solo, enquanto que um segundo servidor pode incluir dados de cli- ma. Além disso, dados de composição de solo podem ser armazena- dos em múltiplos servidores. Por exemplo, um servidor pode armaze- nar dados que representam percentagem de areia, lodo e argila no so- lo, enquanto que um segundo servidor pode armazenar dados que re- presentam percentagem de matéria orgânica (OM) no solo.
[0071] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que estão programados ou configurados para pro- duzir uma ou mais observações. O sensor remoto 112 pode ser senso- res aéreos, tal como satélites, sensores em veículos, sensores de equipamentos de plantio, sensores de preparo do solo, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeira e qualquer outro implemento capaz de receber dados de um ou mais campos. Em uma modalidade, o controlador de aplicação 114 está programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode estar programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou confi- gurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantio, equipamento de preparo do solo, equipamento de fertilizante ou inseticida, equipamento de colhei- tadeira ou outros implementos agrícolas, tal como uma válvula de água. Outras modalidades podem utilizar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[0072] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em uma base em massa de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obter dados pode ser denominada "ingestão de dados manual", já que uma ou mais operações de com- putador controladas pelo usuário são solicitadas ou acionadas para obter dados para utilização pelo sistema 130. Como um exemplo, a aplicação CLIMATE FIELDVIEW, comercialmente disponível da The Climate Corporation, San Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório
160.
[0073] Por exemplo, sistemas de monitoramento de sementes po- dem tanto controlar componentes de aparelho de plantio quanto obter dados de plantio, incluindo sinais de sensores de sementes através de um chicote de sinais que compreende uma rede principal CAN e cone- xões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informa- ções para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Os exemplos estão descritos na Patente US Número 8.738.243 e Publicação de Patente US 20150094916, e a presente descrição assume conhecimento destas outras descrições de patentes.
[0074] Do mesmo modo, sistemas de monitoramento de produtivi- dade podem conter sensores de produtividade para aparelhos colhei- tadores que enviam dados de medição de produtividade para o com- putador de cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de produtividade podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma debulhadora ou outra colheitadeira e transmitir essas medi- ções para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130.
[0075] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com qualquer veículo ou aparelho móvel do tipo aqui descrito em outro lugar incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um de sensores de velocidade tal como radar ou sensores de veloci- dade de roda, acelerômetros, ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou apps de posicionamento ou mapeamento baseados em Wi-Fi que são progra- mados para determinar a localização com base em hotspots de Wi-Fi nas proximidades, entre outros.
[0076] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com tratores ou outros veículos móveis incluem sensores de velocidade de motor, sensores de consumo de combustí- vel, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade de PTO (potência de decolagem), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos tais como pressão ou fluxo, e/ou velocidade de bomba hidráulica, sensores de velocidade de rodas ou sensores de deslizamento de rodas. Em uma modalidade, exemplos de controlado- res 114 que podem ser utilizados com tratores incluem controladores direcionais hidráulicos, controladores de pressão, e/ou controladores de fluxo; controladores de velocidade de bomba hidráulica; controlado- res ou governadores de velocidade; controladores de posição de enga- te; ou controladores de posição de roda proveem direção automática.
[0077] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamentos de plantio de sementes tais co- mo plantadeiras, perfuradoras ou semeadoras de ar incluem sensores de sementes, os quais podem ser óticos, eletromagnéticos, ou senso- res de impacto; sensores de força descendente tal como pinos de car- ga, células de carga, sensores de pressão; sensores de propriedade de solo tais como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores de resíduos óticos, ou sensores de temperatura; sensores de critérios de operação de com- ponentes tais como sensores de profundidade de plantio, sensores de pressão de cilindro de força descendente, sensores de velocidade de disco de sementes, codificadores de motor de acionamento de semen- tes, sensores de velocidade de sistema de transportador de sementes, ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas tais como sensores óticos ou outros sensores eletromagnéticos, ou sensores de impacto.
Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tal equipamento de plantio de se- mentes incluem: controladores de dobra da barra de ferramentas, tal como controladores para válvulas associadas com cilindros hidráuli- cos; controladores de força descendente, tal como controladores para válvulas associadas com cilindros pneumáticos, airbags, ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fila individuais ou uma estrutura do plantador inteira; controladores de profundidade de plantio, tal como atuadores lineares; controladores de medição, tal como motores de acionamento de medidor de semen- tes elétricos, motores de acionamento de medidor de sementes hidráu- licos ou embreagens de controle de fileira; controladores de seleção híbrida, tal como motores de acionamento de medidores de sementes, ou outros atuadores programados para seletivamente permitir ou im- pedir que sementes ou uma mistura de ar-sementes de fornecer se- mentes para ou de medidores de sementes ou funis centrais a granel; controladores de medição, tal como motores de acionamento de medi- dor de sementes elétricos ou motores de acionamento de medidor de sementes hidráulicos; controladores de sistema de transportador de sementes, tal como controladores para um motor de transportador de fornecimento de sementes de correia; controladores de marcadores, tal como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, tal como controlado- res de acionamento de medição, controladores de tamanho ou posição de orifício.
[0078] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamento de preparo do solo incluem sen- sores de posição para ferramentas tais como hastes ou discos; senso- res de posição de ferramenta para tais ferramentas que estão configu- rados para detectar profundidade, ângulo de gangue ou espaçamento lateral; sensores de força descendente; ou sensores de força de arras- te. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com equipamento de preparo do solo incluem controla- dores de força descendente ou controladores de posição de ferramen- tas, tal como controladores configurados para controlar profundidade de ferramenta, ângulo de gangue ou espaçamento lateral.
[0079] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com relação a aparelhos para aplicar fertilizantes, inseticidas, fungicidas e similares, tal como sistemas de fertilizantes iniciais na plantador, aplicadores de fertilizantes de subsolo, ou pulve- rizadores de fertilizante, incluem: sensores de critérios de sistema de fluidos, tal como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de cabeçote de pulverização ou válvulas de linha de fluido estão abertas; sensores associados com tanques, tal como sensores de nível de enchimento; sensores de linha de supri- mento seccionais ou de todo o sistema, ou sensores de linha de su- primento específicos de linha; ou sensores cinemáticos tais como ace- lerômetros dispostos sobre lanças de pulverizador. Em uma modalida-
de, exemplos de controladores 114 que podem ser utilizados com tais aparelhos incluem controladores de velocidade de bomba; controlado- res de válvula que são programados para controlar pressão, fluxo, di- reção, PWM e similares; ou atuadores de posição, tal como para a al- tura de lança, profundidade do subsolador, ou posição de lança.
[0080] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com colheitadeiras incluem monitores de produtivi- dade, tal como sensores de tensão ou de posição de placa de impacto, sensores de fluxo capacitivos, sensores de carga, sensores de peso, ou sensores de torque associados a elevadores ou brocas, ou senso- res óticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, tais como sensores capacitivos; sen- sores de perda de grãos, incluindo sensores de impacto, óticos ou ca- pacitivos; sensores de critérios de operação de cabeçotes tal como altura de cabeçote, tipo de cabeçote, espaço de placa de plataforma, velocidade de alimentador, e sensores de velocidade de bobina; sen- sores de critérios de operação de separador, tal como sensores de fol- ga côncava, velocidade de rotor, folga de sapata, ou folga de atrito; sensores de broca para posição, operação ou velocidade; ou sensores de velocidade de motor. Em uma modalidade, exemplos de controla- dores 114 que podem ser utilizados com colheitadeiras incluem contro- ladores de critérios de operação de cabeçote para elementos tais co- mo altura de cabeçote, tipo de cabeçote, espaço de placa de platafor- ma, velocidade de alimentador, ou velocidade de bobina; controlado- res de critérios de operação de separadores para características tais como folga côncava, velocidade de rotor, folga de sapata ou folga de atrito; ou controladores para posição, operação, ou velocidade de bro- ca.
[0081] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com carrinhos de grãos incluem sensores de peso,
ou sensores para a posição, operação ou velocidade de broca. Em uma modalidade, exemplos de controladores 114 que podem ser utili- zados com carrinhos de grãos incluem controladores para a posição, operação ou velocidade de broca.
[0082] 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 efetivos para qualquer faixa do espectro eletro- magnético, incluindo luz visível, infravermelho, ultravioleta, próximo de infravermelho (NIR), e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo pitot ou ou- tros sensores de velocidade do ar ou velocidade do vento; sensores de vida 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 orientação ou controle de motor, controladores de superfície de controle, controladores de câme- ras ou controladores programados para ligar, operar, obter dados, ge- renciar e configurar qualquer um dos sensores acima. Exemplos estão descritos no Pedido de Patente US Número 14/831.165 e a presente descrição assume conhecimento desta outra descrição de patente.
[0083] Em uma modalidade, os sensores 112 e controladores 114 podem ser afixados ao aparelho de amostragem e medição de solo que está configurado ou programado para amostrar solo e executar ensaios de química de solo, ensaios de umidade de solo e outros en- saios referentes ao solo. Por exemplo, o aparelho descrito na Patente US Número 8.767.194 e Patente US Número 8.712.148 pode ser utili- zado, e a presente descrição assume o conhecimento destas descri- ções de patentes.
[0084] Em uma modalidade, os sensores 112 e os controladores
114 podem compreender dispositivos de clima para monitorar condi- ções de clima de campos. Por exemplo, o aparelho descrito no Pedido Internacional Publicado WO2016/176355A1, pode ser utilizado, e a presente descrição assume o conhecimento desta descrição de paten- te.
2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO
[0085] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema de computador de inteli- gência agrícola 130 que compreende dados de campo 106, tal como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico pode também compreender propriedades agro- nômicas calculadas as quais descrevem ou condições as quais podem afetar o crescimento de uma ou mais culturas em um campo, ou pro- priedades das uma ou mais culturas, ou ambas. Além disso, um mode- lo agronômico pode compreender recomendações baseadas em fato- res agronômicos tais como recomendações de cultura, recomenda- ções de irrigação, recomendações de plantio, recomendações de ferti- lizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações de gerenciamen- to de culturas. Os fatores agronômicos podem também ser utilizados para estimar um ou mais resultados relativos à cultura, tal como a pro- dutividade agronômica. A produtividade agronômica de uma cultura é uma estimativa de quantidade da cultura que é produzida, ou em al- guns exemplos a receita ou lucro obtido da cultura produzida.
[0086] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode utilizar um modelo agronômico pré- configurado para computar propriedades agronômicas relativas às in-
formações de localização e cultura correntemente recebidas para um ou mais campos. O modelo agronômico pré-configurado está baseado em dados de campo anteriormente processados, incluindo mas não limitado a, dados de identificação, dados de colheita, dados de fertili- zantes e dados de clima. O modelo agronômico pré-configurado pode ter sido validado cruzado para assegurar a precisão do modelo. A vali- dação cruzada pode incluir comparação com a verificação do solo que compara resultados preditos com os resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um me- didor ou sensor de chuva que provê dados de clima na mesma ou lo- calização próxima ou uma estimativa de conteúdo de nitrogênio com uma medição de amostra de solo.
[0087] A Figura 3 ilustra um processo programado pelo qual o sis- tema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados de campo providos por uma ou mais fontes de dados. A Figura 3 pode servir como um algo- ritmo ou instruções para programar os elementos funcionais do siste- ma de computador de inteligência agrícola 130 para executar as ope- rações que são agora descritas.
[0088] No bloco 305, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para propó- sito de remover ruído, efeitos de distorção, e fatores de confusão den- tro dos dados agronômicos, incluindo valores discrepantes medidos que podem adversamente afetar os valores de dados de campo rece- bidos. As modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados com valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos desnecessariamente distorcer outros valores de dados, suavização de dados, agregação, ou técnicas de amostragem utilizadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtragem ou derivação de dados utilizadas para prover claras distinções entre en- tradas de dados positivas e negativas.
[0089] No bloco 310, o sistema de computador de inteligência agrícola 130 está 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 ge- ração de modelo agronômico inicial. O sistema de computador de inte- ligência agrícola 130 pode implementar técnicas de seleção de sub- conjunto de dados, incluindo, mas não limitado a, um método de algo- ritmo genético, um método de todos os modelos de subconjunto, um método de pesquisa sequencial, um método de regressão passo a passo, um método de otimização de dispersão de partículas, e um mé- todo de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético utiliza um algoritmo de pesquisa heu- rística adaptável, com base em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos dados agronômicos pré-processados.
[0090] No bloco 315, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar avali- ação de conjunto de dados de campo. Em uma modalidade, um con- junto de dados de campo específico é avaliado criando um modelo agronômico e utilizando limites de qualidade específicos para o mode- lo agronômico criado. Os modelos agronômicos podem ser compara- dos e/ou validados utilizando uma ou mais técnicas de comparação, tal como, mas não limitado a, erro quadrático médio com validação cru- zada de deixar um fora (RMSECV), erro absoluto médio, e erro per-
centual médio. Por exemplo, a RMSECV pode validar cruzado mode- los agronômicos comparando valores de propriedade agronômica pre- ditos 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 co- mo um loop de retorno, onde conjunto de dados agronômicos que não atendem limites de qualidade configurados são utilizados durante as etapas de seleção de subconjunto de dados futuras (bloco 310).
[0091] No bloco 320, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar cria- ção de modelo agronômico com base em conjuntos de dados agronô- micos validados cruzados. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multivariadas para criar modelos de dados agronômicos pré-configurados.
[0092] No bloco 325, o sistema de computador de inteligência agrícola 130 está configurado ou programado para armazenar os mo- delos de dados agronômicos pré-configurados para futura avaliação de dados de campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE
[0093] De acordo com uma modalidade, as técnicas aqui descritas são implementadas por um ou mais dispositivos de computação de uso especial. Os dispositivos de computação de uso especial podem ser ligados com fio para executar as técnicas, ou podem incluir dispo- sitivos eletrônicos digitais tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou redes de portas programáveis no campo (FPGAs) que são persistentemente programados para executar as técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com instruções de programa em firmware, memória, outro armazenamento,
ou uma combinação. Tais dispositivos de computação de uso especial podem também combinar lógica com fio customizada, ASICs ou FPGAs com programação customizada para executar as técnicas. Os dispositivos de computação de uso especial podem ser sistemas de computador desktop, sistemas de computador portáteis, dispositivos manuais, dispositivos de rede ou qualquer outro dispositivo que incor- pore lógica com fio e/ou de programa para implementar as técnicas.
[0094] Por exemplo, a Figura 4 é um diagrama de blocos que ilus- tra um sistema de computador 400 sobre o qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comu- nicar informações, e um processador de hardware 404 acoplado com barramento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0095] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso randômico (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado no barramen- to 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 pode também 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 um meio de armazenamento não transitório acessível ao processador 404, tornam o sistema de computador 400 uma máquina de uso especial que é customizada para executar as operações especificadas nas ins- truções.
[0096] O sistema de computador 400 ainda inclui uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado no barramento 402 para armazenar informações es-
táticas e instruções para o processador 404. Um dispositivo de arma- zenamento 410, tal como um disco magnético, disco ótico ou unidade de estado sólido está provido e acoplado no barramento 402 para ar- mazenar informações e instruções.
[0097] O sistema de computador 400 pode estar acoplado através do barramento 402 a um display 412, tal como um tubo de raios cató- dicos (CRT), para exibir informações para um usuário de computador. Um dispositivo de entrada 414, que inclui teclas alfanuméricas e ou- tras, está acoplado no barramento 402 para comunicar informações e seleções de comando para o processador 404. Outro tipo de dispositi- vo de entrada de usuário é o controle de cursor 416, tal como um mouse, uma trackball ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para processador 404 e para controlar o movimento do cursor no display 412. Este dispositi- vo de entrada tipicamente tem dois graus de liberdade em dois eixos geométricos, um primeiro eixo geométrico (por exemplo, x) e um se- gundo eixo geométrico (por exemplo, y), que permite o dispositivo es- pecificar posições em um plano.
[0098] O sistema de computador 400 pode implementar as técni- cas aqui descritas utilizando lógica com fio customizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa os quais em com- binação com o sistema de computador fazem ou programam o sistema de computador 400 para ser uma máquina de uso especial. De acordo com uma modalidade, as técnicas aqui 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 instruções podem ser lidas na memória principal 406 de outro meio de armazenamento, tal como o dispositivo de arma- zenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 execute as eta-
pas de processo aqui descritas. Em modalidades alternativas, um cir- cuito com fio pode ser utilizado no lugar de ou em combinação com instruções de software.
[0099] O termo "meio de armazenamento", como aqui utilizado re- fere-se a qualquer meio não transitório que armazena dados e/ou ins- truções que fazem com que uma máquina opere em um modo especí- fico. Tal meio de armazenamento pode compreender um meio não vo- látil e/ou meio volátil. O meio não volátil inclui, por exemplo, discos óti- cos, discos magnéticos ou unidades de estado sólido, tal como o dis- positivo de armazenamento 410. O meio volátil inclui uma memória dinâmica, tal como a memória principal 406. Formas comuns de meio de armazenamento incluem, por exemplo, um disquete, um disco flexí- vel, disco rígido, unidade de estado sólido, fita magnética, ou qualquer outro meio de armazenamento de dados magnéticos, um CD-ROM, qualquer outro meio de armazenamento de dados óticos, qualquer meio físico com padrões de furos, uma RAM, uma PROM, uma EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartu- cho de memória.
[00100] O meio de armazenamento é distinto de mas pode ser utili- zado em conjunto com um meio de transmissão. O meio de transmis- são participa em transferir informações entre meios de armazenamen- to. Por exemplo, o meio de transmissão inclui cabos coaxiais, fios de cobre e fibras óticas, incluindo os fios que compreende o barramento
402. O meio de transmissão pode também tomar a forma de ondas acústicas ou de luz, tal como aquelas geradas durante as comunica- ções de dados de ondas de rádio e infravermelho.
[00101] Várias formas de meio podem estar envolvidas em carregar uma ou mais sequências de uma ou mais instruções para o processa- dor 404 para execução. Por exemplo, as instruções podem ser inicial- mente carregadas em um disco magnético ou unidade de estado sóli-
do de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções sobre uma linha telefônica utilizando um modem. Um modem localização ao sis- tema 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 infravermelho pode receber os da- dos carregados no sinal infravermelho e um circuito apropriado pode colocar os dados no barramento 402. O barramento 402 carrega os dados para a memória principal 406, da qual o processador 404 recu- pera e executa as instruções. As instruções recebidas pela memória principal 406 podem opcionalmente ser armazenadas no dispositivo de armazenamento 410 ou antes ou após a execução pelo processador
404.
[00102] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada no barramento 402. A interface de co- municação 418 provê um acoplamento de comunicação de dados bidi- recional a uma conexão de rede 420 que está conectada a uma rede localização 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem de cabo, modem de satélite, ou um modem para prover uma conexão de comunicação de dados para um tipo correspondente de linha tele- fônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área localização (LAN) para prover uma cone- xão de comunicação de dados para uma LAN compatível. Conexões sem fio podem também ser implementadas. Em qualquer tal imple- mentação, a interface de comunicação 418 envia e recebe sinais elé- tricos, eletromagnéticos ou óticos que carregam fluxos de dados digi- tais que representam vários tipos de informações.
[00103] A conexão de rede 420 tipicamente provê comunicação de dados através de uma ou mais redes para outros dispositivos de da-
dos. Por exemplo, a conexão de rede 420 pode prover uma conexão através da rede localização 422 para um computador hospedeiro 424 ou para um equipamento de dados operado por um Provedor de Ser- viços de Internet (ISP) 426. O ISP 426, por sua vez, provê serviços de comunicação de dados através da rede de comunicação de dados de pacote mundial comumente referida como "Internet" 428. A rede locali- zação 422 e a Internet 428 ambas utilizam sinais elétricos, eletromag- néticos ou óticos para carregar fluxos de dados digitais. Os sinais atra- vés das várias redes e os sinais na conexão de rede 420 e através da interface de comunicação 418, os quais carregam os dados digitais para o e do sistema de computador 400, são formas exemplares de meios de transmissão.
[00104] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), conexão de rede 420 e interface de comunicação 418. No exemplo de Internet, um servidor 430 poderia transmitir um código solicitado para um programa de aplicação através da Internet 428, ISP 426, rede loca- lização 422 e interface de comunicação 418.
[00105] O código recebido pode ser executado pelo processador 404 como este é recebido, e/ou armazenado no dispositivo de arma- zenamento 410, ou outro armazenamento não volátil para execução posterior.
3. VISÃO GERAL FUNCIONAL
[00106] Sistemas e métodos para implementar ensaios em um ou mais campos estão aqui descritos. Como aqui utilizado, um ensaio re- fere-se a executar uma ou mais diferentes atividades agrícolas em uma porção de um campo agrícola, de modo a identificar um benefício ou prejuízo de executar as uma ou mais diferentes atividades agríco- las. Como um exemplo, uma área de subcampo pode ser selecionada em um campo agrícola para implementar um ensaio de fungicida. Den-
tro da área de subcampo, as culturas podem receber uma aplicação de fungicida enquanto que o restante do campo e/ou uma diferente área de subcampo no campo não recebe uma aplicação de fungicida. Alternativamente, o restante do campo pode receber a aplicação de fungicida enquanto que as culturas dentro da área de subcampo não. As áreas de subcampo do campo onde as uma ou mais diferentes ati- vidades agrícolas são executadas são aqui referidas como localiza- ções de ensaio. Em algumas modalidades, as áreas de subcampo que não incluem as diferentes atividades agrícolas podem também ser de- signadas e referidas como localizações de ensaio.
[00107] Em uma modalidade, a porção do campo agrícola compre- ende um campo inteiro de modo que o ensaio compreende uma reco- mendação para uma ou mais diferentes práticas sendo executadas no campo agrícola. As implementações as quais utilizam parte ou todo o campo agrícola estão aqui descritas mais adiante.
[00108] Os ensaios podem ser executados para testar a eficácia de novos produtos, diferentes práticas de gerenciamento, diferentes cultu- ras, ou qualquer sua combinação. Por exemplo, se um campo usual- mente não recebe fungicida, um ensaio pode ser designado em que as culturas dentro de uma porção selecionada do campo recebem fungi- cida em uma ou mais vezes durante o desenvolvimento da cultura. Como outro exemplo, se um campo usualmente tem convencional- mente o solo preparado, um ensaio pode ser designado em que uma porção selecionada do campo não tem o solo preparado. Assim, en- saios podem ser implementados para determinar se seguir as reco- mendações de prática de gerenciamento ao invés de ser constrito a testar a eficácia de um produto específico. Além disso, ou alternativa- mente, os ensaios podem ser designados para comparar dois diferen- tes tipos de produtos, taxas de plantio, equipamentos, e/ou outras prá- ticas de gerenciamento.
[00109] Os ensaios podem ser constritos por uma ou mais regras. Um ensaio pode requerer que uma ou mais localizações de ensaio se- jam de um tamanho específico e/ou colocadas em uma localização específica. Por exemplo, o ensaio pode requerer que uma ou mais lo- calizações de ensaio sejam colocadas em uma área do campo com condições comparáveis ao restante do campo. Uma localização de en- saio, como aqui utilizado, refere-se a uma área de um campo agronô- mico que recebe um ou mais diferentes tratamentos de áreas circun- dantes. Assim, uma localização de ensaio pode referir a qualquer for- ma de terra em um campo agronômico. Além disso, ou alternativamen- te, o ensaio pode requerer que uma ou mais localizações de ensaio sejam colocadas em uma área do campo com condições diferentes do restante do campo e/ou áreas do campo que abrangem diferentes ti- pos de condições. O ensaio pode requerer que uma ou mais diferentes práticas de gerenciamento sejam executadas em uma ou mais locali- zações de ensaio. Por exemplo, um ensaio pode requerer uma taxa de semeadura específica como parte de um ensaio para plantar um dife- rente tipo de semente híbrida.
[00110] A Figura 7 apresenta um método exemplar de implementar um ensaio. Na etapa 702, dados de campo para uma pluralidade de campos agrícolas são recebidos no sistema de computador de inteli- gência agrícola. Por exemplo, o sistema de computador de inteligência agrícola pode rastrear desenvolvimentos nos campos associados com uma pluralidade de diferentes gerenciadores de campo. O servidor po- de receber dados para a pluralidade de campos por uma rede de dis- positivos de computação de gerenciador de campo, sensores remotos, e/ou sistemas de computação externos. Tipos de dados de campo e métodos de obter os dados de campo são aqui descritos mais adiante.
[00111] Na etapa 704, um ou mais campos agrícolas alvo são iden- tificados com base, pelo menos em parte, nos dados de campo para a pluralidade de campos agrícolas. O sistema de computador de inteli- gência agrícola pode ser programado ou configurado para diretamente identificar campos e/ou para identificar contas de gerenciador de cam- po como contas alvo para enviar uma mensagem de solicitação de en- saio. Geralmente, o sistema de computador de inteligência agrícola pode selecionar campos agrícolas alvos com base na probabilidade de aceitação do ensaio, benefícios prováveis para o campo de executar o ensaio, probabilidade de detectar os benefícios para o campo de exe- cutar o ensaio, e aplicabilidade geral do ensaio. Métodos de identificar campos são aqui descritos mais adiante.
[00112] Na etapa 706, uma solicitação de participação de ensaio é enviada pelo sistema de computador de inteligência agrícola para um dispositivo de computação de gerenciador de campo associado com os um ou mais campos agrícolas alvo. A solicitação de participação de ensaio pode identificar um produto e/ou uma ou mais práticas de ge- renciamento a serem executadas como parte do ensaio. A solicitação de participação de ensaio pode além disso incluir custos ou benefícios para participar no ensaio. As solicitações de participação de ensaio estão aqui descritas mais adiante.
[00113] Na etapa 708, dados que indicam a aceitação da solicitação de participação de ensaio são recebidos de um dispositivo de compu- tação de gerenciador de campo. Por exemplo, o sistema de computa- dor de inteligência agrícola pode receber, através de uma interface gráfica de usuário que executa no dispositivo de computação de ge- renciador de campo, uma seleção de uma opção que indica aceitação da solicitação de participação no ensaio.
[00114] Na etapa 710, uma ou mais localizações no um ou mais campos agrícolas alvo são determinadas para a implementar o ensaio. O sistema de computador de inteligência agrícola pode identificar loca- lizações no campo para implementar uma localização de ensaio com base em áreas no campo capazes de executar o ensaio, eficiência de executar o ensaio em cada localização, aplicabilidade do ensaio a ou- tras localizações, e/ou benefício para o campo de executar o ensaio. Métodos de determinar de localizações para implementar a localização de ensaio estão aqui descritos mais adiante.
[00115] Na etapa 712, dados que identificam as uma ou mais locali- zações são enviados para um dispositivo de computação de gerencia- dor de campo. Por exemplo, o sistema de computador de inteligência agrícola pode causar a exibição de um mapa em um display de um dispositivo de computação cliente onde o mapa identifica uma ou mais localizações de ensaio juntamente com dados que indicam o produto e/ou práticas de gerenciamento a serem aplicados na localização de ensaio. Além ou alternativamente, o sistema de computador de inteli- gência agrícola pode gerar um ou mais scripts para um implemento de campo nos um ou mais campos que faz com que o implemento de campo aplique o produto e/ou práticas de gerenciamento nas uma ou mais localizações. Os dados podem ser acompanhados com instru- ções para implementar o ensaio. Métodos para identificar as uma ou mais localizações de ensaio para o dispositivo de computação de ge- renciador de campo estão aqui descritos mais adiante.
[00116] Na etapa 714, dados de aplicação para os um ou mais campos agrícolas alvo são recebidos pelo sistema de computador de inteligência agrícola. Por exemplo, um implemento de campo e/ou sensor remoto pode medir uma taxa de população como plantada, uma aplicação de pesticida, fungicidas, e/ou fertilizantes, irrigação, preparo do solo, ou quaisquer outras aplicações de produtos, métodos de gerenciamento, ou valor associado com o crescimento de uma ou mais culturas. Além disso ou alternativamente, um gerenciador de campo pode identificar práticas de gerenciamento, plantio e/ou aplica- ção para o sistema de computador de inteligência agrícola através de uma interface gráfica de usuário que executa no dispositivo de compu- tação de gerenciador de campo.
[00117] Na etapa 716, com base nos dados de aplicação, é deter- minado se os um ou mais campos agrícolas alvo estão em conformi- dade com o ensaio. Por exemplo, o sistema de computador de inteli- gência agrícola pode determinar se uma localização de ensaio de um tamanho apropriado foi implementada em uma posição apropriada e com o plantio, produto, e/ou regras de gerenciamento apropriados. Se os um ou mais campos agrícolas alvo não estiverem em conformidade com o ensaio, o sistema de computador de inteligência agrícola pode- rá determinar um modo de atualizar o ensaio para permitir ao gerenci- ador de campo uma chance para estar em conformidade com o en- saio. Por exemplo, se o gerenciador de campo plantou uma taxa de população incorreta em uma localização selecionada para o ensaio, o sistema de computador de inteligência agrícola pode identificar uma nova localização para implementar parte ou todo o ensaio e enviar da- dos que identificam a nova localização para o dispositivo de computa- ção de gerenciador de campo.
[00118] Na etapa 718, um sistema de computador recebe dados de resultados para o ensaio. Por exemplo, se o campo estiver ou em con- formidade com o ensaio inicial ou ensaio atualizado, o sistema de computador de inteligência agrícola pode receber dados de produtivi- dade e/ou dados de lucro para tanto as uma ou mais localizações de ensaio quanto as uma ou mais outras porções do campo. Além disso, ou alternativamente, um ou mais dispositivos de computação separa- dos podem executar as etapas de computar dados de produtividade e computar valores de benefício antes de enviar os valores de benefício para o sistema de computador de inteligência agrícola. Os dados de resultados podem ser enviados pelo dispositivo de computação de ge- renciador de campo e/ou por um ou mais implementos ou sensores.
Por exemplo, uma imagem de satélite dos um ou mais campos pode ser utilizada para computar a produtividade total e/ou inferir status de cultura para tanto os um ou mais campos quanto a localização das lo- calizações de ensaio.
[00119] Na etapa 720, com base nos dados de resultados, um valor de benefício para o ensaio é computado. Por exemplo, o sistema de computador de inteligência agrícola pode computar um valor de bene- fício como uma função dos dados de resultados. O valor de benefício pode incluir um valor que identifica um aumento em produtividade, um aumento no lucro, e economias em custo ou tempo inseridos, e/ou um aumento em qualidade da cultura. Com base no valor de benefício, o sistema de computador de inteligência agrícola pode determinar se emitir um desconto para o ensaio, solicitar fundos adicionais, ou de outro modo trocar valor com o gerenciador de campo associado com o dispositivo de computação de gerenciador de campo.
[00120] A Figura 7 apresenta um método exemplar de implementar um ensaio. Outros exemplos podem incluir menos ou mais etapas. Por exemplo, um sistema de computador de inteligência agrícola pode executar as etapas da Figura 7 sem as etapas 706 e 708, por meio disto provendo os benefícios de identificação de alvo, a identificação de localização e o rastreamento do ensaio sem as interações com o dispositivo de computação de gerenciador de campo. Como outra al- ternativa, o sistema de computador de inteligência agrícola pode envi- ar múltiplos possíveis tipos de ensaio para um dispositivo de computa- ção de gerenciador de campo com uma opção para selecionar um ou mais dos tipos de ensaio para implementar no campo.
[00121] Um dispositivo de computação de gerenciador de campo, como aqui utilizado, pode atuar como um dispositivo de comunicação entre um gerenciador de campo e o sistema de computador de inteli- gência agrícola e/ou como um controlador para um implemento de campo. Assim, o sistema de computador de inteligência agrícola pode enviar instruções para o dispositivo de computação de gerenciador de campo as quais, quando executadas pelo dispositivo de computação de gerenciador de campo, fazem com que implementos de controle em um campo implementem um ensaio e/ou coletem dados de campo. A comunicação direta com o implemento de campo pode ser utilizada para contornar a comunicação com o gerenciador de campo. Por exemplo, na etapa 712, os dados que identificam as localizações para implementar o ensaio podem ser enviados para um dispositivo de computação de gerenciador de campo o qual atua como um controla- dor para um implemento de campo, tal como um plantador ou pulveri- zador, por meio disto fazendo com que o implemento de campo execu- te o ensaio nas localizações identificadas, tal como plantando semen- tes ou pulverizando um tratamento de acordo com uma prescrição de ensaio. O dispositivo de computação de gerenciador de campo pode incluir um único dispositivo de computação que comunica com o sis- tema de computador de inteligência agrícola ou uma pluralidade de dispositivos de computação que comunicam com o sistema de compu- tador de inteligência agrícola em diferentes etapas do processo. Por exemplo, um primeiro dispositivo de computação pode receber a solici- tação de participação de ensaio na etapa 706 enquanto um segundo dispositivo de computação recebe os dados de localização na etapa
712.
4. DADOS DE CAMPO PROVIDOS
[00122] Em uma modalidade, um sistema de computador de inteli- gência agrícola comunica com uma pluralidade de dispositivos de computação de gerenciador de campo por uma rede. Cada dispositivo de computação de gerenciador de campo da pluralidade de dispositi- vos de computação de gerenciador de campo pode estar associado com um ou mais campos. Por exemplo, o sistema de computador de inteligência agrícola pode armazenar informações de conta para uma pluralidade de diferentes contas de usuário. Um dispositivo de compu- tação de gerenciador de campo pode entrar em uma conta de usuário específica para comunicar com o sistema de computador de inteligên- cia agrícola. A conta de usuário pode compreender dados que identifi- cam um ou mais campos associados com a conta de usuário.
[00123] O sistema de computador de inteligência agrícola pode re- ceber dados dos dispositivos de computação de gerenciador de campo referentes aos um ou mais campos. Além disso, ou alternativamente, o sistema de computador de inteligência agrícola pode receber informa- ções referentes aos um ou mais campos associados com os dispositi- vos de computação de gerenciador de campo de um ou mais sensores remotos em ou sobre os um ou mais campos, um ou mais satélites, um ou mais veículos aéreos tripulados ou não tripulados (MAVs ou UAVs), um ou mais sensores em movimento, e/ou um ou mais servido- res de dados externos. Os dados podem incluir descrições de campo, dados de solo, dados de plantio, dados de fertilidade, dados de colhei- ta e produtividade, dados de proteção de cultura, dados de pragas e doenças, dados de irrigação, dados de preparo do solo, imagens, da- dos de clima e dados de gerenciamento adicionais.
[00124] As descrições de campo podem referir a uma localização de campo, uma área total do campo, uma forma e limites do campo, aumento e variabilidade topográfica do campo, histórico de preparo do solo do campo, histórico de rotação de cultura do campo, histórico de doenças do campo, proteção de cultura do campo, histórico de utiliza- ção de equipamentos agrícolas do campo, e dados referentes a um operador de campo. A localização de campo pode ser identificada utili- zando coordenadas GPS ou quaisquer outros dados que identificam uma localização do campo. A variabilidade topográfica pode incluir di- ferenças em aumento assim como inclinação, curvatura, e um ou mais índices topográficos compostos de áreas do campo. O histórico de preparo do solo pode incluir tipo de preparo do solo, profundidade, e/ou tempo. O histórico de rotação da cultura pode incluir identificação de culturas passadas plantadas em cada ponto em um campo e/ou dados que identificam se a rotação de cultura é regular ou irregular. O histórico de utilização de equipamentos de fazenda pode incluir identi- ficação do equipamento de preparo do solo, plantio, aplicação, e co- lheita. Os dados de operador de campo podem identificar uma ou mais pessoas, operações, ou provedores de serviços os quais executam atividades no campo.
[00125] Os dados de solo podem incluir umidade de solo de sub- campo espacial e/ou temporalmente variável, temperatura de solo de subcampo contínua, co-variância de turbilhão contínua de água no campo, textura de solo de subcampo incluindo classe de solo e/ou percentagem de areia, lodo, e/ou argila, pH de solo do subcampo, ma- téria orgânica de solo de subcampo, capacidade de troca de cátions de solo de subcampo, dados de ensaio de solo que incluem localiza- ção de coletamento de solo, data de coletamento de solo, procedimen- to de amostragem, data de processamento, identificação de instalação de processamento, e/ou identificação de uma ou mais pessoas pro- cessando e/ou coletando o solo, dados de química do solo adicionais, densidade bruta do solo, e/ou capacidade de reserva. Os dados de solo podem ser recebidos através de entrada de um dispositivo de computação de gerenciador de campo, um ou mais servidores associ- ados com uma instalação de ensaio, um ou mais sensores conectados remotos ou próximos, um ou mais modelos de umidade de solo, tem- peratura de solo, e/ou outros parâmetros químicos ou físicos de solo, e/ou de um ou mais bancos de dados de informações de solo tal como o banco de dados de solo SSURGO.
[00126] Os dados de plantio podem incluir tipo de cultura, informa-
ções de produto de semente tal como dados híbridos, variedade, tra- tamentos de sementes, maturidade relativa, dias de grau de cresci- mento para maturidade, taxas de resistência a doenças, e/ou suporta- bilidade, profundidade e espaçamento de fila, população de sementes como plantada, população de sementes como esperada, hora e data de plantio, taxa de semente indexada espacial, produtividade alvo, da- dos de equipamento de plantio tal como tipo, capacidades, e dimen- sões, utilização ou não utilização de um firmador de sementes, dados de início de fertilizante, dados de replantio, existência de ensaios e/ou outros experimentos, e forma e limites de plantio.
[00127] Os dados de fertilidade podem incluir datas de aplicação de fertilizante, tipo de mistura aplicado, localização de aplicação, quanti- dade de aplicação e taxa alvo, composição de estrume, métodos de aplicação, dados de equipamento de aplicação de fertilizante tais co- mo tipo, capacidades, e dimensões, e/ou custo de aplicação.
[00128] Os dados de colheita e produtividade podem incluir datas e horas de colheita, quantidade de produtividade por localização e/ou campo, peso da casca para produtos tais como milho, peso de ensaio, número de colheitadeiras utilizadas no campo, dados de monitoramen- to de produtividade tais como parâmetros de calibração, velocidade, e altura do coletor, valores medidos de elevador tais como massa úmida de carga e umidade, integridade do caule, perda de produtividade quantificada devido a problemas de integridade do caule, dados de equipamento tais como tipo, capacidades, e dimensões, dados de ge- renciamento de resíduos tais como dados de enfardamento, contagem permanecente inicial, dados de alojamento incluindo alojamento de raiz e falha de caule, dados de greensnap, dados de mofo branco, da- dos de flash amarelo, e/ou forma e limites de colheita.
[00129] Os dados de proteção de cultura podem incluir data e hora de aplicação de produtos químicos de proteção de cultura, tipo de apli-
cação, composição química de produtos químicos de proteção de cul- tura e/ou adjuvantes, volume de transportador, taxa de aplicação de produtos químicos, taxa de solução de transportador, localização de aplicação no campo, método de aplicação, usuário de fertilizante em sulco e/ou inseticida, dados do equipamento tais como tipo, capacida- des, e dimensões, e/ou custo de aplicação.
[00130] Os dados de pragas e doenças podem incluir a presença de patógenos de subcampo em tecido vegetal, resíduos, e solo, tipo de danos e extensão de estresse biótico causado por insetos, e/ou tipo de danos e extensão de estresse biótico causado por patógenos. A extensão de danos pode ser identificada como baixa, média, ou alta ou como uma ou mais classificações numéricas. O estresse biótico e a presença de patógenos podem ser medidos e/ou modelados.
[00131] Os dados de irrigação podem incluir presença de irrigação, tipos de sistema de irrigação, tempos de irrigação, quantidade de irri- gação, utilização de fertirrigação, tipo e/ou quantidade de fertirrigação.
[00132] Os dados de pavimentação podem incluir a presença de pavimentação, tipos de sistema de pavimentação, mapas de sistema de pavimentação, condutâncias de fluxo de sistema de pavimentação, e/ou taxas de fluxo ou níveis de fluido em linhas de pavimentação.
[00133] As imagens podem incluir fotografias de nível de folha de doenças e estresse foliar, fotografias no nível de folha e no nível de campo de plantas estressadas, imagens de satélite de um campo atra- vés de uma ou mais bandas visuais, e/ou quaisquer outras imagens de uma localização no campo. As imagens do campo podem além disso incluir quantificações de danos atribuídos a porções das imagens. As imagens podem ser baseadas em luz visível e/ou bandas de luz fora do espectro visual.
[00134] Os dados de clima podem incluir dados históricos, corren- tes, e/ou dados de chuva preditos tais como quantidade de chuva e localização de chuva, temperaturas históricas, correntes, e/ou preditas incluindo temperatura horária, temperatura máxima e mínima, tempe- raturas de dia, e temperaturas de noite, ponto de orvalho, umidade, velocidade de vento, direção de vento, radiação solar e cobertura do céu durante as horas de dia e durante as horas de noite, impactos do clima sobre a produtividade, existência de granizo, ventos em linha reta, tornados, e/ou precipitação intensa, e/ou profundidade de conge- lamento durante o inverno.
[00135] Os dados de gerenciamento adicionais podem incluir quaisquer dados adicionais relativos ao gerenciamento e cuidado da cultura, tais como aplicações, tratamentos, e observações. As obser- vações podem incluir secas observadas, alagamento observado, dre- nagem observada, cobertura de cultura observada, e/ou danos obser- vados às culturas.
5. IDENTIFICAÇÃO DE ALVO
[00136] Com base, pelo menos em parte, em dados referentes a uma pluralidade de campos associados com uma pluralidade de dis- positivos de computação de gerenciador de campo, o sistema de com- putador de inteligência agrícola pode selecionar um ou mais campos específicos para executar ensaios experimentais. O sistema de com- putador de inteligência agrícola pode considerar fatores tais como um benefício modelado para um campo de implementar os ensaios expe- rimentais, uma tolerância de risco histórica associada com um campo, uma utilidade de utilizar um campo para implementar os ensaios expe- rimentais, uma probabilidade de detectar um benefício para um campo de implementar os ensaios experimentais, capacidades operacionais associadas com um campo, a utilização de um equipamento ou ma- quinário específico com um campo, e/ou experimentos existentes ou anteriores identificados em um campo. Cada um destes fatores está aqui descrito mais adiante. Métodos adicionais para identificar campos alvo estão descritos na Seção 5.1. do presente pedido e na Publicação de Patente U.S. Número 2019-0357425A1.
[00137] Em uma modalidade, o sistema de computador de inteli- gência agrícola modela um benefício para um campo de implementar um ensaio experimental. Por exemplo, o sistema de computador de inteligência agrícola pode identificar um ou mais campos para executar um ensaio de aplicação de fungicida. O sistema de computador de in- teligência agrícola pode identificar um ou mais campos os quais foram danificados por fungos no passado e/ou são prováveis de serem dani- ficados por fungos no futuro. O sistema de computador de inteligência agrícola pode além disso determinar que uma produtividade do campo e/ou lucro total para o campo resultaria ou seria beneficiado pela apli- cação de um fungicida específico. O sistema de computador de inteli- gência agrícola pode além disso determinar que uma produtividade e/ou benefício de lucro para o campo pela aplicação de um fungicida específico provavelmente seria detectável com base no tamanho da produtividade e/ou benefício de lucro, na variabilidade da produtivida- de e/ou benefício de lucro através do campo, e/ou no tamanho do campo e no tamanho das regiões de ensaio ou ensaio. Com base nas determinações, o sistema de computador de inteligência agrícola pode identificar os um ou mais campos como bons candidatos para o ensaio de aplicação de fungicida.
[00138] O sistema de computador de inteligência agrícola pode mo- delar o benefício para o campo com base na capacidade de resposta do campo e uma análise do desempenho do produto. Por exemplo, através de diferentes ensaios do produto, o sistema de computador de inteligência agrícola pode determinar que o produto, na média, aumen- ta a produtividade para campos responsivos por uma primeira quanti- dade e aumenta a produtividade para campos não responsivos por uma segunda quantidade. A capacidade de resposta de campos pode ser determinada com base em práticas e mudanças anteriores em produtividade. Por exemplo, um campo mais responsivo teria uma mu- dança mais alta em produtividade quando as práticas de gerenciamen- to mudam enquanto um campo menos responsivo teria uma variação mais baixa em produtividade quando as práticas de gerenciamento mudam. Um sistema de computador de inteligência agrícola pode de- terminar a capacidade de resposta de diferentes áreas para um campo específico com base em práticas anteriores, dados de produtividade anteriores, e outros dados de campo de um ou muitos campos. O sis- tema de computador de inteligência agrícola pode então determinar a efetividade de aplicar o produto nas porções responsivas e nas por- ções não responsivas do campo.
[00139] O sistema de computador de inteligência agrícola pode identificar um ou mais campos que estão sob risco de um ou mais eventos que podem afetar a produtividade de cultura. Por exemplo, o risco de doença pode ser baseado em umidade de solo modelada ou medida, existência de alagamento no campo, temperaturas ambientes medidas ou modeladas, umidade ambiente medida ou modelada, ge- nética de cultura registrada ou modelada, data de plantio registrada ou modelada, imagens de satélite do campo, e/ou imagens térmicas do campo. Exemplos de identificar campos que estão sob risco de um ou mais eventos estão descritos nas Publicações de Patentes Números 2019-0156437A1 e 2019-0156255A1.
[00140] Além disso, o sistema de computador de inteligência agrí- cola pode identificar práticas de gerenciamento que aumentem ou di- minuem o risco dos um ou mais eventos. Exemplos para controle de doenças incluem a utilização de irrigação, rotação de cultura, métodos de preparo do solo, genética de plantas, e taxa de plantio. Além disso, o sistema de computador de inteligência agrícola pode identificar fato- res ambientais que aumentem ou diminuam o risco dos um ou mais eventos. Exemplos para controle de doenças incluem percentagem de matéria orgânica do solo, pH do solo, e outras concentrações de nutri- entes do solo. O sistema de computador de inteligência agrícola pode utilizar os fatores ambientais para determinar quais campos estão sob risco e selecionar os campos com base na percentagem de risco ou uma severidade computada de danos arriscados.
[00141] Apesar das modalidades serem descritas com relação à aplicação de produtos específicos, os campos podem além disso ser identificados com base em outros benefícios possíveis para o campo das uma ou mais recomendações. Por exemplo, se o sistema de com- putador de inteligência agrícola determinar que uma taxa de semeadu- ra mais alta em uma área específica de um campo é provável aumen- tar a produtividade da cultura, o sistema de computador de inteligência agrícola pode selecionar o campo para executar um ensaio de aumen- to de taxa de sementes.
[00142] Os campos podem além disso ser identificados com base em uniformidade, variabilidade e previsibilidade de seus dados de pro- dutividade. Por exemplo, se o sistema de computador de inteligência agrícola determinar que um campo tem uma baixa variabilidade de produtividade em uma escala de curto comprimento e/ou em zonas, e variabilidade de produtividade mais alta em escalas de comprimento mais longo e/ou entre zonas, o sistema de computador de inteligência agrícola pode selecionar o campo e/ou zonas específicas para execu- tar um ensaio.
[00143] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina uma tolerância ao risco histórica associada com um campo. Por exemplo, práticas anteriores para um campo po- dem indicar que um gerenciador de campo tem uma tolerância mais alta para atividades carregadas de risco que podem aumentar a produ- tividade média para a terra. Exemplos de práticas que indicam a tole-
rância de risco mais alta incluem o plantio de menos híbridos ou varie- dades de sementes, plantio de híbridos ou variedades designadas pa- ra produzir produtividades mais altas sob condições ótimas mas pro- duzir produtividades mais baixas sob condições não ótimas, uma ten- dência histórica de subaplicação de medidas de controle de pragas comparada com a melhor prática de gerenciamento, uma percentagem do campo onde um novo produto é plantado pela primeira vez, um número de experimentos no campo, uma população de semeadura mais alta utilizada do que as médias para um município ou área cir- cundante, seleção de sementes amplamente diferentes ou pacote de características de sementes do que o típico para um município ou área circundante, tipos de equipamentos relativamente avançados e/ou po- tencialmente não provados, por exemplo, capacidades de taxa variá- veis, equipamento de aplicação capaz de nitrogênio no final de esta- ção, e/ou sistemas de gerenciamento de força descendente ativa no plantador, e referências a atividades mais arriscadas no meio social. Além disso, o sistema de computador de inteligência agrícola pode re- ceber dados de pesquisa de dispositivos de computação de gerencia- dor de campo que indicam uma tolerância ao risco com relação a um ou mais campos.
[00144] A tolerância ao risco pode também ser indicada por um ge- renciador de campo optando por um ou mais ensaios anteriores. Por exemplo, se um gerenciador de campo concordou em executar um en- saio durante uma estação anterior, o sistema de computador de inteli- gência agrícola pode identificar o campo como um bom candidato para um ensaio corrente. Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode armazenar uma lista de con- tas, campos, e/ou gerenciadores de campo que indicaram um interes- se em participar em ensaios futuros. Por exemplo, o sistema de com- putador de inteligência agrícola pode causar a exibição de uma inter-
face em um dispositivo de computação de gerenciador de campo que solicita uma indicação quando a se o gerenciador de campo estaria desejando participar em ensaios futuros. Se o sistema de computador de inteligência agrícola receber uma indicação positiva, o sistema de computador de inteligência agrícola pode atualizar a lista para indicar que o gerenciador de campo indicou um desejo de participar em en- saios futuros.
[00145] O sistema de computador de inteligência agrícola pode ser programado ou configurado para considerar estes fatores individual- mente e/ou em combinação. Por exemplo, o sistema de computador de inteligência agrícola pode ser programado para identificar campos com uma percentagem mais alta do campo dedicada para um novo produto. Além disso, ou alternativamente, o sistema de computador de inteligência agrícola pode ser programado ou configurado para seleci- onar campos que incluem mais do que um número limite de experi- mentos e estão associados com uma ou mais outras atividades arris- cadas. Em uma modalidade, o sistema de computador de inteligência agrícola computa um valor de tolerância ao risco. O valor de tolerância ao risco pode ser computado como uma função de qualquer um dos fatores acima. Como um simples exemplo, uma equação de tolerância ao risco pode compreender: onde é a tolerância ao risco, S é um valor o qual aumenta com base na existência de características específicas nas sementes, N é um va- lor o qual aumenta com base na percentagem do campo com um novo produto, é um valor o qual aumenta com um número de experimen- tos identificados no campo, D é um valor o qual aumenta conforme a diferença em população de semeadura entre o campo e a média para o município aumenta, Y é um valor o qual aumenta com base na previ- sibilidade da variabilidade de produtividade, é um valor o qual au-
menta com base na existência de tipos específicos de equipamentos, e M é um valor o qual aumenta com referências a atividades arrisca- das em mídia social. Estes fatores podem ser ponderados de modo que certos fatores são considerados mais pesadamente do que outros. Apesar do exemplo mostrado acima ser aditivo, outras modalidades podem incluir outros métodos de estimativa de risco, tal como uma equação de tolerância ao risco multiplicativa, tal como: onde é a taxa de risco básica.
[00146] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina uma utilidade de utilizar um campo para im- plementar os ensaios experimentais. A utilidade de utilizar o campo refere-se a uma aplicabilidade do ensaio a uma ou mais outras locali- zações. Por exemplo, os ensaios podem ser menos úteis quando exe- cutados em um campo com características únicas de modo que os be- nefícios da ação testada não são aplicáveis a uma ampla rede de loca- lizações. Assim, o sistema de computador de inteligência agrícola po- de ser programado para identificar campos com características simila- res a outros campos para o propósito de ensaios específicos. Por exemplo, para um ensaio de fungicida, o sistema de computador de inteligência agrícola pode identificar campos com condições de alaga- mento similares, temperaturas médias, umidade de solo e chuvas co- mo outros campos. Como outro exemplo, um campo para um ensaio de fertilizante pode ser selecionado com base nas condições de solo tal como percentagem de areia, lodo, e argila, sendo similares às con- dições de solo de outros campos na área.
[00147] O sistema de computador de inteligência agrícola pode além disso determinar a utilidade com base em dados que indicam práticas planejadas. Os dados que indicam práticas planejadas podem ser recebidos diretamente de um dispositivo de computação de geren-
ciador de campo e/ou inferidos de práticas anteriores. Por exemplo, o sistema de computador de inteligência agrícola pode armazenar dados de plantio anteriores para um campo que indica que um híbrido espe- cífico de uma cultura foi plantado em um campo específico pelos últi- mos três anos. Com base nos dados de plantio anteriores armazena- dos, o sistema de computador de inteligência agrícola pode determinar que o híbrido específico foi plantado no campo específico pelos últi- mos três anos. O sistema de computador de inteligência agrícola pode então determinar que um híbrido diferente pode aumentar a produtivi- dade de cultura, custar menos, aumentar a qualidade de cultura, e/ou de outro modo beneficiar o campo específico sobre o híbrido específi- co.
[00148] A aplicabilidade do ensaio a uma ou mais outras localiza- ções pode ser baseada em eventos passados para o campo. Por exemplo, o sistema de computador de inteligência agrícola pode identi- ficar uma pluralidade de campos que tiveram uma baixa produtividade devido a uma praga específica. O sistema de computador de inteligên- cia agrícola pode identificar um ou mais campos da pluralidade de campos como candidatos para o ensaio com base nos um ou mais campos tendo sofrido uma perda de produtividade aproximadamente média devido à praga específica.
[00149] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina as capacidades operacionais associadas com um campo. Por exemplo, um dispositivo de computação de ge- renciador de campo pode enviar dados para o sistema de computador de inteligência agrícola referentes a dispositivos no campo. Os dados podem indicar tipos de dispositivos, capacidades de dispositivos, e número de dispositivos. Se o sistema de computador de inteligência agrícola determinar que os dispositivos em um campo não atendem aos requisitos de dispositivo para um ensaio, o sistema de computador de inteligência agrícola pode não selecionar o campo. Por exemplo, um dispositivo de computação de gerenciador de campo pode deter- minar que duas colheitadeiras são utilizadas em um campo de um ta- manho específico. Se um ensaio requerer um máximo de uma colhei- tadeira para um campo do tamanho específico, o sistema de computa- dor de inteligência agrícola pode não selecionar o campo como um candidato para participação no ensaio.
[00150] Em uma modalidade, o sistema de computador de inteli- gência agrícola identifica uma evidência de experimentos existentes ou anteriores em um campo. Com base na evidência de experimentos existentes ou anteriores no campo, o sistema de computador de inteli- gência agrícola pode selecionar o campo como um candidato para executar um ensaio. O sistema de computador de inteligência agrícola pode identificar uma evidência de experimentos com base em seções de um campo que são tratadas diferentemente do restante do campo. Por exemplo, o sistema de computador de inteligência agrícola pode identificar localizações no campo que receberam diferentes tipos de sementes, populações de semeadura, e/ou aplicações de produtos tais como fertilizantes e pesticidas. Se uma determinação for feita que um campo contém um ou mais experimentos, o sistema de computador de inteligência agrícola pode selecionar o campo como um candidato para participação no ensaio.
[00151] Os fatores acima podem ser determinações binárias e/ou computações quantitativas. As determinações binárias para os fatores acima descritos podem ser definidas pela satisfação de uma ou mais condições. Por exemplo, o sistema de computador de inteligência agrícola pode determinar se ou não existem experimentos correntes no campo, se ou não os dispositivos no campo são capazes de execu- tar um ensaio, se ou não as características de um campo estão dentro de uma faixa específica, se um benefício modelado para o campo é maior do que um valor limite, se uma probabilidade modelada de de- tectar um benefício para o campo é maior do que um valor limite, e/ou se ou não um valor de risco para um campo excede um valor limite específico. Em resposta à satisfação de uma ou mais condições, o sis- tema de computador de inteligência agrícola pode identificar o campo para execução de um ensaio. Por exemplo, se o único requisito for um valor de risco acima de um valor limite, então o sistema de computador de inteligência agrícola pode selecionar o campo agrícola se o valor de risco estiver acima do valor limite. Se o sistema de computador de in- teligência agrícola utilizar dois requisitos, o sistema de computador de inteligência agrícola pode selecionar o campo agrícola se ambos os requisitos forem atendidos.
[00152] Como outro exemplo, o sistema de computador de inteli- gência agrícola pode computar um valor como uma função de um valor de tolerância ao risco, um valor que descreve a similaridade do campo para outros campos, e um valor que descreve o benefício de participar no ensaio. O valor do benefício pode ser computado como um ganho modelado em produtividade e/ou lucro de participar no ensaio. O valor de similaridade pode ser computado como uma função de diferenças em um ou mais atributos do solo, clima, ou outros valores de campo entre o campo e valores médios para outros campos. O sistema de computador de inteligência agrícola pode determinar se o valor compu- tado está acima de um valor limite armazenado e, em resposta a de- terminar que o valor computado está acima do valor limite armazena- do, selecionar o campo agrícola para executar o ensaio.
[00153] Apesar dos exemplos acima descreverem a seleção de campos agrícolas com base em absolutos, tal como um ou mais valo- res que excedem um valor limite, em algumas modalidades os campos agrícolas são selecionados com base em uma comparação de valores com outros campos agrícolas. Por exemplo, o sistema de computador de inteligência agrícola pode selecionar um ou mais campos agrícolas que têm os mais altos valores de benefício comparados com o restan- te dos campos agrícolas para os quais os valores de benefício foram computados. Os valores comparativos podem ser combinados com determinações binárias. Por exemplo, o sistema de computador de in- teligência agrícola pode identificar um grupo de todos os campos agrí- colas com um valor de risco acima de um valor limite específico e se- lecionar do grupo um ou mais campos agrícolas com os mais altos va- lores de benefício comparados com o restante dos campos agrícolas do grupo. Como outro exemplo, o sistema de computador de inteligên- cia agrícola pode identificar um grupo de todos os campos agrícolas com um valor de benefício predito acima de um valor limite específico e selecionar do grupo um ou mais campos agrícolas com a probabili- dade mais alta de detectar um benefício comparado com o restante dos campos agrícolas do grupo.
[00154] Em algumas modalidades, um campo pode ser selecionado para executar um ensaio com base, pelo menos em parte, em uma solicitação de um dispositivo de computação de gerenciador de cam- po. Por exemplo, o sistema de computador de inteligência agrícola po- de prover uma interface gráfica de usuário para um dispositivo de computação de gerenciador de campo com opções para solicitar a co- locação em um ensaio. Em resposta a receber uma entrada do dispo- sitivo de computação de gerenciador de campo selecionando a opção, o sistema de computador de inteligência agrícola pode utilizar os mé- todos aqui descritos para identificar um ou mais ensaios para um cam- po agronômico que corresponde a uma conta do dispositivo de compu- tação de gerenciador de campo.
5.1. IMPLEMENTAÇÃO DE IDENTIFICAÇÃO ALVO EXEMPLAR
5.1.1. ESTUDO DE CAMPO DE PRODUTOR CRUZADO
[00155] A Figura 13 ilustra um processo executado pelo sistema de computador de inteligência agrícola de direcionamento de campo para distribuição de informações através de sistemas de produtor. Em al- gumas modalidades, o sistema 130 está programado para executar uma análise de produtor cruzada automatizada, a qual pode compre- ender direcionar computacionalmente os campos de produtor, pres- crever experimentos para os campos de produtor, coletar dados de experimentos prescritos, validar a execução dos experimentos prescri- tos, analisar os dados coletados e distribuir resultados analíticos atra- vés dos sistemas de produção.
[00156] Na etapa 1302, o sistema 130 prepara modelos preditivos baseados em conceito de produção utilizados para predizer aumento de produtividade. Em algumas modalidades, dado os dados relevantes referentes a uma lista de campos de produtor, o sistema 130 está pro- gramado para designar experimentos específicos para campos de produtor específicos. O objetivo de um experimento é tipicamente au- mentar a produtividade de um ou mais campos por um certo nível, apesar de que este pode também ser relativo a reduzir as entradas ou um aperfeiçoamento de qualquer outro aspecto dos campos. O projeto de um experimento ou especificamente um ensaio direcionado (a ser distinguido de um ensaio controlado, como discutido mais adiante) in- clui determinar quais atributos de um campo poderiam ser relaciona- dos a um objetivo experimental e como uma mudança nos valores de alguns destes atributos poderia ajudar a atingir o objetivo experimen- tal. Um experimento exemplar é aumentar a taxa de semeadura de um campo por uma quantidade de modo a aumentar ou levantar uma pro- dutividade de cultura por uma certa quantidade. Outro experimento exemplar é aumentar a utilização de fungicida de um campo por uma quantidade de modo a conseguir uma redução na disseminação de doenças por uma certa quantidade.
[00157] Em algumas modalidades, o sistema 130 está programado para gerenciar a lista de campos de produtor em um nível granular. O sistema 130 está portanto configurado para identificar certos limites ou outras áreas problemáticas dos campos que não participarão nos ex- perimentos prescritos, e ainda determinar faixas ou quadrados especí- ficos, com áreas de reserva entre estes, que participarão nos experi- mentos prescritos.
[00158] Como um exemplo, para determinar para quais porções de quais campos aumentar a taxa de semeadura por uma certa quantida- de ou por qual quantidade aumentar a taxa de semeadura para cam- pos específicos, o sistema 130 pode estar configurado para avaliar, para cada campo, o híbrido ou variedade de tipos de cultura, a taxa de semeadura corrente, a produtividade anual histórica, como uma mu- dança em taxa de semeadura afetou a produtividade no passado, co- mo a taxa de semeadura foi afetada pelo clima ou outras variáveis, ou outros fatores que afetam o campo. Apesar de ser denominado um experimento, o sistema 130 está configurado para predizer o resultado do experimento e determinar se aplicar o experimento com base no resultado predito. Por exemplo, o sistema 130 pode estar configurado para aplicar somente aqueles experimentos com aumentos de produti- vidade preditos mais altos no estudo. Portanto, cada experimento es- sencialmente inclui uma recomendação, tal como aumentar a taxa de semeadura por uma certa quantidade, que deve ser validada.
[00159] Em algumas modalidades, direcionar campos de produtor também envolve o projeto de múltiplos experimentos a serem aplica- dos nos campos de um ou mais produtores em um modo coordenado. Por exemplo, um único campo pode ser dividido em múltiplas localiza- ções para o plantio de múltiplos híbridos ou variedades de uma cultu- ra. Apesar de diferentes campos poderem especificamente se benefi- ciar de diferentes experimentos em um certo tempo, o coletamento de todos os campos pode se beneficiar de experimentos coordenados de modo que tanto quanto possível a previsão analítica pode ser compar- tilhada através de campos de produtor para benefícios de longo prazo. Por exemplo, alguns produtores poderiam ter um número limitado de campos onde somente um número limitado de experimentos que en- volvem um pequeno número de atributos ou um pequeno número de valores para um certo atributo pode ser aplicado neste ano. Estes campos podem então se beneficiar da aplicação de experimentos adi- cionais a outros campos de produtores que envolvem diferentes atribu- tos ou diferentes valores para os mesmos atributos.
[00160] Em algumas modalidades, o sistema 130 está programado para começar a projetar, selecionar, ou aplicar experimentos em res- posta a gatilhos específicos. Tais gatilhos podem incluir quando um campo está com baixo desempenho (por exemplo, baixa biomassa de cultura ou baixa produtividade de cultura predita dentro de um certo período de tempo), quando um campo está em uma condição inco- mum (por exemplo, baixa umidade do solo ou nitrato), quando ocorre uma mudança no ambiente (por exemplo, onda de calor extremo), ou quando um experimento prescrito para um campo similar produziu um certo resultado. Estes gatilhos podem ser detectados dos dados cole- tados durante a implementação dos experimentos prescritos, como discutido mais adiante. Cada gatilho geralmente representa uma opor- tunidade para aperfeiçoar o desempenho de um campo ou obter uma previsão específica sobre certos fenômenos ou relações agrícolas.
[00161] Na etapa 1304, o sistema 130 é programado para prescre- ver experimentos para campos de produtor. Em algumas modalidades, o projeto ou seleção de experimentos pode ser executado automati- camente de acordo com uma programação predeterminada, tal como no início de cada ano ou cada estação de cultivo. A prescrição de ex- perimentos pode também ser executada automaticamente. O sistema 130 pode estar configurado para gerar a prescrição, plano, ou esque-
ma para um experimento que deve ser compreendido por um humano, uma máquina, ou uma combinação de ambos. Por exemplo, um expe- rimento pode ser plantar certas sementes em certas taxas em certos campos do produtor. O plano para o experimento pode incluir uma va- riedade de detalhes, tal como o tipo de sementes, o destino das se- mentes dentro dos campos, o volume de sementes para plantar cada dia ou o tempo para plantar as sementes cada dia.
[00162] Em algumas modalidades, a prescrição ou esquema tam- bém inclui detalhes para a implementar um ensaio de controle em oposição ao ensaio direcionado (o experimento original, pretendido), para permitir um produtor melhor compreender o efeito do ensaio dire- cionado. Geralmente, o ensaio de controle envolve um valor contras- tante para o atributo relevante, o qual poderia ser baseado o que foi implementado no campo no presente ou no passado. Por exemplo, quando o ensaio direcionado é aumentar a taxa de semeadura por uma primeira quantidade para aumentar a produtividade por um certo nível, o ensaio de controle pode ser não aumentar a taxa de semeadu- ra (mantendo a taxa de semeadura presente) ou aumentar por uma segunda quantidade que é mais alta ou mais baixa do que a primeira quantidade. A prescrição pode incluir informações adicionais, tal como quando e onde o ensaio direcionado e o ensaio de controle devem ser implementados nos campos do produtor. Por exemplo, em um esque- ma, um campo do produtor pode ser dividido em localizações, e a prescrição pode indicar que a primeira localização deve ser utilizada para o ensaio direcionado, a segunda localização deve ser utilizada para o ensaio de controle, e este padrão deve ser repetido três vezes geograficamente (a segunda vez na 3ª e na quarta localizações, e as 3 vezes na 5ª e na sexta localizações). A prescrição pode geralmente incorporar pelo menos algum nível de randomização em gerenciar o ensaio direcionado e o ensaio de controle, tal como randomicamente designar certas localizações para cada ensaio, e minimizar qualquer tendência que poderia existir entre os dois ensaios.
[00163] Em algumas modalidades, o sistema 130 é programado pa- ra transmitir o plano diretamente para os implementos agrícolas dos campos relevantes, tal como um distribuidor de sementes ou outro plantador registrado sob o produtor dos campos ou associado com os campos específicos. Dependendo de quão inteligente o plantador é, o plantador pode automaticamente implementar pelo menos alguns dos experimentos de acordo com o plano ou pelo menos exibir o plano pa- ra o produtor enquanto o produtor opera manualmente o plantador. Por exemplo, o plano pode ser traduzido em sinais eletrônicos para contro- lar o tempo de despertar do plantador, a velocidade de movimento ou rotacional do plantador, ou a rota assumida pelo plantador. Alternati- vamente, o sistema 130 pode ser programado para transmitir os pla- nos ou esquemas para o experimento para outros dispositivos inteli- gentes registrados sob o produtor, tal como um dispositivo móvel, no grau em que parte do plano precisa ser implementada manualmente ou simplesmente para propósitos informativos.
[00164] Em algumas modalidades, ao invés de transmitir o esque- ma inteiro para um experimento para um dispositivo inteligente, se es- te é um implemento agrícola ou um assistente digital pessoal, o siste- ma 130 é programado para transmitir o esquema incrementalmente e oportunamente. Por exemplo, quando o esquema envolve o desempe- nho de tarefas diárias, o sistema 130 pode estar configurado para en- viar uma porção do esquema que corresponde ao trabalho de cada dia todos os dias. O sistema 130 pode também estar configurado para for- necer lembretes para os dispositivos móveis do produtor, por exemplo, para o desempenho de certas tarefas de acordo com o esquema.
[00165] Na etapa 1306, o sistema 130 é programado para coletar dados de experimentos prescritos. Em algumas modalidades, o siste-
ma 130 é programado para receber dados dos mesmos implementos agrícolas para os quais os esquemas ou planos de experimento foram transmitidos, ou do mesmo dispositivo de computação de gerenciador de campo, incluindo dispositivos móveis, registrados sob os produto- res. Os implementos agrícolas podem ser equipados com sensores que podem capturar muitos tipos de dados. Além de dados relaciona- dos às variáveis envolvidas no experimento, tal como o volume de se- mentes realmente plantado, o tempo de plantio real, a velocidade de movimento ou rotacional real do implemento agrícola, a rota realmente assumida pelo implemento agrícola, ou a produtividade de cultura re- almente atingida, um implemento agrícola pode capturar dados adicio- nais relativos ao clima, tal como a quantidade de luz solar, umidade, pólen, vento, etc. O implemento agrícola pode também registrar dados adicionais relativos ao seu estado interno, incluindo se diferentes com- ponentes estão funcionando apropriadamente, quando o implemento agrícola é limpo ou mantido, com frequentemente o implemento agrí- cola é utilizado, ou se o implemento agrícola é utilizado em qualquer modo incomum. Alguns destes tipos de dados podem ser observados por sensores integrados com dispositivos de computação pessoal ou diretamente por produtores e subsequentemente reportados através dos dispositivos de computação pessoal para o sistema 130. Em geral, os dados podem ser transmitidos por um implemento agrícola ou um dispositivo de computação pessoal para o sistema 130 uma vez que os dados tornem-se disponíveis, sob solicitação do sistema 130, ou de acordo com uma programação predeterminada.
[00166] Na etapa 1308, o sistema 130 é programado para validar a execução dos experimentos prescritos. Em algumas modalidades, o sistema 130 é programado para determinar se o experimento prescrito é apropriadamente executado de acordo com o plano ou esquema pa- ra o experimento. O objetivo é permitir uma implementação apropriada dos experimentos prescritos de modo a atingir os resultados preditos. Para as variáveis envolvidas no esquema, o sistema 130 é programa- do para comparar o valor real, tal como o volume de sementes real- mente plantado em uma localização específica dentro de um período de tempo específico, tal como uma hora, e o valor prescrito. O sistema 130 é configurado para reportar qualquer discrepância detectada. Por exemplo, pelo menos um aviso pode ser enviado para o dispositivo de computação pessoal do produtor que se o plano não for estritamente seguido, o benefício esperado do experimento prescrito não será con- seguido. Um aviso pode aparecer em qualquer forma conhecida na técnica, tal como um pop-up, mensagem instantânea, e-mail ou outra mensagem de texto. O aviso poderia alternativamente ser apresentado como um visual estático ou móvel ou piscando ou um gráfico tal como um visual codificado por cores tal como uma luz verde indicando que o experimento está em conformidade ou uma luz vermelha que mostra não conformidade. A conformidade (ou não conformidade) poderia também ser baseada em se um valor cai dentro de uma tolerância ou faixa predeterminada. Por exemplo, o sistema de computador de inte- ligência agrícola pode determinar se um nível de conformidade está abaixo de um valor limite. Por exemplo, se o nível de conformidade refere-se a uma percentagem de uma localização que está em con- formidade, o sistema pode determinar se a percentagem da localiza- ção em conformidade está abaixo de 90%.
[00167] Em algumas modalidades, o sistema 130 é programado pa- ra avaliar outros dados coletados e recomendar etapas corretivas. Es- pecificamente, o sistema 130 pode ser configurado para transmitir uma série de etapas para diagnosticar se um componente do implemento agrícola está funcionando apropriadamente. Por exemplo, quando o volume de sementes realmente plantado em uma localização específi- ca dentro de um espaço de uma hora é maior do que o valor prescrito,
o recipiente que contém as sementes a serem plantadas ou a balança para pesar as sementes a serem plantadas pode estar fora de defeitu- oso. Portanto, o sistema 130 pode ser programado para solicitar uma inspeção do recipiente ou da balança. Quando o mau funcionamento do implemento agrícola é detectado diretamente por sensores ou atra- vés de certo diagnóstico, o sistema 130 pode ser programado para transmitir uma recomendação similar para recalibrar ou reparar o im- plemento agrícola. Por outro lado, quando de uma determinação que certas etapas são totalmente puladas, o sistema 130 pode ser progra- mado para transmitir uma instrução para seguir estas etapas, ou uma sugestão para reajustar alarmes de lembretes ou para inspecionar os implementos agrícolas.
[00168] Em algumas modalidades, o sistema 130 pode ser progra- mado para validar a execução de cada experimento prescrito de acor- do com uma programação predeterminada, tal como cada mês, ou lo- go que os sinais de erro ou dados de aplicação são recebidos. O sis- tema 130 pode também ser programado para validar a execução de todos os experimentos prescritos de acordo com um paradigma espe- cífico, tal como um baseado em amostragem randômica, de modo a conservar recursos.
[00169] Na etapa 1310, o sistema 130 é programado para analisar os dados coletados. Em algumas modalidades, o sistema 130 é pro- gramado para adicionalmente analisar os dados, para ajustar as predi- ções ou os planos para os experimentos prescritos, ou para colher uma visão específica que pode ser utilizada no projeto de futuros ex- perimentos. Tal análise pode ser executada periodicamente, no final de uma estação ou um ano, ou quando solicitado por um produtor.
[00170] Em algumas modalidades, quando um experimento pres- crito não foi apropriadamente executado, o resultado predito pode não ser obtido, e o sistema 130 pode ser programado para ajustar a predi-
ção com base em como o plano para o experimento prescrito foi se- guido. Por exemplo, o sistema 130 pode ser configurado para conside- rar que a taxa de semeadura real foi somente 80% da taxa de semea- dura prescrita total, devido a uma calibração errônea do implemento agrícola, o pulo de certas etapas de plantio, ou outras razões, na de- terminação que a produtividade de cultura predita pode ser somente 80% de outro modo menor do que a produtividade de cultura predita ou recomendada. O sistema 130 pode também ser programado para gerar uma série de etapas corretivas de modo a realizar a predição original. Por exemplo, quando a taxa de semeadura real foi somente 80% da taxa de semeadura prescrita total, o sistema 130 pode ser configurado para compensar por isto prescrevendo uma taxa de se- meadura que era 20% ou de outro modo mais alta do que originalmen- te prescrita para o restante do experimento.
[00171] Em algumas modalidades, o sistema 130 pode ser progra- mado para determinar por que mesmo quando o experimento prescrito foi apropriadamente executado, o resultado predito não foi atingido. A comparação dos dados respectivamente coletados de um ensaio dire- cionado e o ensaio de controle pode frequentemente ser utilizada para eliminar certos fatores de consideração. O sistema 130 pode também ser configurado para detectar correlações entre o objetivo do experi- mento e outros atributos de campo ou variáveis externas. O sistema 130 pode também ser configurado para detectar padrões dos resulta- dos de experimentos similares, o que pode ajudar a identificar discre- pâncias e apontar para problemas específicos de campo. As razões trás das discrepâncias entre os resultados preditos e os resultados re- ais podem ser utilizadas para projetar futuros experimentos ou gerar predições para futuros experimentos. Por exemplo, quando detectando uma correlação significativa entre o tipo de cultura e a taxa de semea- dura com relação à produtividade de cultura, o sistema 130 pode ser configurado para visar campos específicos nos quais certos tipos de culturas são tipicamente cultivados para um experimento que relaciona a taxa de semeadura com a produtividade de cultura. Similarmente, o sistema 130 pode ser programado para predizer diferentes níveis de produtividade de cultura dependendo dos tipos de culturas cultivadas no campo específico.
[00172] Em algumas modalidades, o sistema 130 é programado pa- ra projetar experimentos incrementais. Para testar uma hipótese relati- vamente nova, o sistema 130 pode ser configurado para prescrever experimentos conservadores introduzindo uma mudança relativamente pequena em um dos atributos ou variáveis. Quando o resultado real do último experimento prescrito concorda com o resultado predito, o sis- tema 130 pode ser programado para então introduzir uma mudança adicional no atributo ou variável. Em outras modalidades, o sistema 130 é programado para considerar os resultados de dois experimentos prescritos que foram aplicados em dois campos similares e determinar se combinar os dois experimentos poderia ser permissível e benéfico. Por exemplo, quando a relação entre a taxa de semeadura e a produ- tividade e entre a umidade do solo e a produtividade foram claramente e separadamente demonstradas em dois campos similares, um futuro experimento poderia ser aumentar a taxa de semeadura e a umidade do solo no mesmo experimento aplicado ao mesmo campo.
[00173] Na etapa 1312, o sistema 130 é opcionalmente programado para distribuir previsões analíticas através de sistemas de produtor. Em algumas modalidades, o sistema 130 é programado para apresen- tar sumários, palpites ou recomendações adicionais geradas da análi- se dos dados obtidos da multiplicidade de experimentos prescritos através de campos de produto. O sistema 130 pode ser configurado para transmitir um relatório para cada sistema de produtor, tal como o dispositivo móvel do produtor, que mostra estatísticas agregadas so-
bre todos os experimentos prescritos ou certos grupos de experimen- tos prescritos. O relatório pode também indicar como os campos do produtor desempenharam comparado com os campos dos outros pro- dutores e indicar possíveis razões com base em uma análise da dife- rença de desempenho entre os campos do produtor e os campos dos outros produtores. O relatório pode destacar outros experimentos prescritos que são similares àqueles prescritos para os campos do produtor. O relatório pode também delinear possíveis experimentos a serem aplicados aos campos do produtor no futuro e solicitar um re- torno do produtor.
[00174] Em algumas modalidades, algumas ou todas estas etapas 1302 a 1312 podem ser executadas repetidamente, iterativamente, ou fora de ordem. Por exemplo, a captura de dados e validação de exe- cução podem acontecer periodicamente durante uma estação.
5.1.2. DIRECIONAMENTO DE CAMPO
[00175] Em algumas modalidades, o sistema 130 é programado pa- ra construir um modelo que compreende instruções executáveis por computador para predizer a capacidade de resposta de produto (pro- dutividade de cultura) de um campo a uma mudança na taxa de seme- adura. O sistema 130 está programado para inicialmente estabelecer certas linhas de base de dados históricos que abrangem um número de anos de um número de campos através de diferentes produtores associados com diferentes dispositivos de produtor. Os dados históri- cos podem ser obtidos de ensaios e experimentos internos ou de fon- tes de dados externas. O número de campos pode ter valores comuns em certas características, tal como o híbrido de cultura cultivado em um campo, a localização de um campo ou a prática de gerenciamento de aumento de produtividade para um campo, como discutido mais adiante. Uma relação média entre a densidade de cultura e a produti- vidade de cultura para um dado híbrido pode ser computada dos da-
dos históricos para prover uma referência. Tal relação é tipicamente refletida em uma curva quadrática. A Figura 14 ilustra uma relação exemplar entre a densidade de cultura e a produtividade de cultura pa- ra um dado híbrido. O eixo geométrico X 1402 corresponde à densida- de de cultura ou taxa de semeadura em plantas por acre (ppa), e o ei- xo geométrico Y 1404 corresponde à produtividade de cultura em al- queires por acre. Neste exemplo, os dados de taxa de semeadura e os dados de produtividade de cultura correspondentes são ajustados em uma curva quadrática 1408. A forma e tamanho da curva quadrática 1408 pode ser caracterizado pela linha inclinada 1410 do ponto de da- dos 1412 que corresponde à taxa de semeadura mais baixa até o pon- to de dados 1406 que corresponde à taxa de semeadura ótima e a produtividade de cultura mais alta. O sistema 130 pode ser programa- do para selecionar um limite para a capacidade de resposta do produto com base na relação média entre a densidade de cultura e a produtivi- dade de cultura. Por exemplo, como a inclinação da linha inclinada 1410 aqui é aproximadamente 2,8, o limite pode ser ajustado para 1,5, de modo que um campo que produz um aumento de produtividade de 1,5 alqueires para cada aumento de 1.000 sementes seria considerado responsivo, como discutido mais adiante.
[00176] Em algumas modalidades, ao invés de focalizar em alcan- çar a taxa de semeadura ótima, o sistema 130 é programado para permitir flexibilidade em aumento de taxa de semeadura. Especifica- mente, ao invés de focalizar na relação entre a taxa de semeadura corrente e a taxa de semeadura ótima, o sistema 130 está configurado para considerar outros fatores, tal como uma taxa de semeadura alvo menor do que a taxa de semeadura ótima ou um aumento de produti- vidade de cultura que corresponde a uma mudança na taxa de seme- adura alvo. Por exemplo, o sistema 130 pode ser configurado para agrupar certos campos por híbrido e por localização, e computar a ta-
xa de semeadura média dentro de um agrupamento como a taxa de semeadura alvo. O mesmo limite determinado da linha inclinada acima notada poderia ainda aplicar em avaliar a capacidade de resposta de produto com relação à taxa de semeadura alvo.
[00177] Em algumas modalidades, o sistema 130 é configurado pa- ra adotar uma proposta mais complexa tal como construir uma árvore de decisão que classifica dados campos com dados de taxa de seme- adura e dados de produtividade de cultura em diferentes classes que correspondem a diferentes quantidades de aumento de produtividade de cultura com base na taxa de semeadura inicial (corrente), na taxa de semeadura alvo, na diferença entre a taxa de semeadura inicial e a taxa de semeadura alvo, ou outros atributos relativos aos campos. Exemplos de outros atributos poderiam variar de atributos inerentes, tal como nível de umidade de solo, para atributos ambientais, tal como prática de gerenciamento de solo. Outros métodos de aprendizado de máquina conhecidos de alguém versado na técnica para capturar vá- rias relações entre a taxa de semeadura (em conjunto com outros atri- butos) e o aumento de produtividade de cultura, tal como redes neu- rais ou técnicas de regressão, podem também ser utilizados. A propos- ta mais complexa pode produzir informações mais granulares além de se um aumento é possível e na direção de quanto aumento poderia ser possível.
[00178] Em algumas modalidades, o sistema 130 é programado pa- ra a seguir determinar a capacidade de resposta de produto específico de produtor. Para um campo do produtor, o sistema 130 é programado para similarmente revisar os dados de produtividade de cultura históri- cos ao longo de um número de anos para uma zona específica dentro do campo ou do campo na média e identificar o híbrido e a taxa de semeadura corrente para o campo ou zona. Referindo de volta à Figu- ra 14 que ilustra a relação entre densidade de cultura e produtividade de cultura para um híbrido apropriado, o limite de inclinação acima dis- cutido, tal como 1,5 com base na inclinação para a primeira linha incli- nada 1410, pode ser utilizado para determinar se o campo do produtor é provável ser responsivo a um certo aumento de taxa de semeadura. Por exemplo, uma segunda linha inclinada 1414 pode ser formada do ponto de dados 1416 que corresponde à taxa de semeadura corrente e o ponto de dados 1406 que corresponde à taxa de semeadura ótima e a produtividade de cultura mais alta. Quando a taxa de semeadura corrente é menor do que a taxa de semeadura ótima, a inclinação da segunda linha inclinada será positiva mas poderia estar acima ou abaixo do limite acima notado. O sistema 130 pode ser configurado para considerar o campo responsivo a um aumento de taxa de seme- adura para a taxa de semeadura ótima quando a inclinação da segun- da linha inclinada está no ou acima do limite. Quando a taxa de seme- adura corrente é maior do que a taxa de semeadura ótima, a inclina- ção da segunda linha inclinada será negativa. O sistema 130 pode en- tão ser configurado para avaliar a capacidade de resposta de produto do campo a uma diminuição de taxa de semeadura. O sistema 130 pode ser configurado para similarmente avaliar a capacidade de res- posta do produto do campo para um aumento de taxa de semeadura para uma taxa de semeadura alvo menor do que a taxa de semeadura ótima.
[00179] Em algumas modalidades, o sistema 130 é programado pa- ra aplicar uma das propostas mais complexas tal como a árvore de decisão acima discutida, para avaliar a capacidade de resposta de produto específica do produtor. Pelo menos a taxa de semeadura cor- rente de um campo do produtor e uma taxa de semeadura pretendida ou alvo para o campo do produtor poderia ser alimentada na árvore de decisão, e uma faixa de valores de aumento de produtividade de cultu- ra pode ser estimada pela árvore de decisão, a qual pode ser ainda categorizada em responsiva ou não responsiva ou outras classes gra- nulares ou diferentes.
[00180] Em algumas modalidades, o sistema 130 é programado pa- ra avaliar a prática de gerenciamento de campo do produtor em termos de aumentar a produtividade de cultura ao longo do tempo. A Figura 15 ilustra tipos exemplares de prática de gerenciamento. O eixo geo- métrico X 1502 corresponde ao ano, o eixo geométrico Y 1504 corres- ponde à produtividade de cultura alvo ou real. O tipo de prática de ge- renciamento em termos de aumento de produtividade de cultura pode ser refletido em várias curvas. A curva 1506 indica um tipo agressivo, onde existe um aumento constante e significativo em produtividade de cultura um ano após o outro. A curva 1508 indica um tipo conservador ou pragmático, onde não existe um aumento significativo em produtivi- dade de cultura de um ano para o seguinte. A curva 1510 indica um tipo irreal, onde não existe mudança em produtividade de cultura por alguns anos mas então existe um aumento acentuado. Identificar o tipo de prática de gerenciamento ou outros aspectos externos ao solo pode ser útil em prescrever experimentos reais para os campos dos produtores visados. Em outras modalidades, o tipo de prática de ge- renciamento pode também ser um atributo de entrada para um método de aprendizado de máquina acima discutido.
[00181] Em algumas modalidades, o sistema 130 é programado pa- ra também avaliar o grau de variabilidade dentro do campo do produ- tor. Os dados de densidade reais poderiam ser disponíveis para dife- rentes zonas dentro do campo, ou imagens aéreas do campo podem ser analisadas através de técnicas de análise de imagem conhecidas por alguém versado na técnica. Com base em tais dados, o sistema 130 pode ser programado para determinar se as densidades de cultura ou taxas de semeadura são mais ou menos constantes através do campo ou variam substancialmente entre diferentes zonas. Tal deter-
minação pode também ser útil em prescrever experimentos reais para campos dos produtores visados.
[00182] Em algumas modalidades, o sistema 130 é programado pa- ra visar estes campos dos produtores que são responsivos a aumentar as taxas de semeadura e projetar experimentos para estes campos. Cada projeto pode ter vários parâmetros, tal como o híbrido de cultura, a variabilidade de zona ou o aumento da taxa de semeadura. A Figura 16 ilustra um processo exemplar executado pelo sistema de computa- dor de inteligência agrícola para determinar o híbrido de cultura para um campo do produtor ou as suas zonas. Em algumas modalidades, na etapa 1602, o sistema 130 é programado para comunicar com um dispositivo de produtor associado com um campo alvo. Especificamen- te, o sistema 130 é configurado para receber uma densidade ou taxa de semeadura pretendida para o campo do dispositivo de produtor. A densidade pretendida é tipicamente maior do que a densidade de agregado corrente no campo. O sistema 130 é programado para então determinar como a densidade pretendida compara com uma densida- de alvo para o campo. A densidade alvo pode ser predeterminada para o campo com base em uma combinação de propostas, tal como uma comparação com uma média computada ou taxa de semeadura ótima, uma classificação através de uma árvore de decisão de taxa de seme- adura estabelecida, ou uma avaliação do tipo de prática de gerencia- mento em termos de aumentar a produtividade de cultura, como acima discutido. A densidade alvo é também tipicamente maior do que a densidade de agregado corrente no campo. Quando a densidade pre- tendida está abaixo da densidade alvo, na etapa 1604, o sistema 130 é configurado para então receber uma decisão referente a se aumen- tar a densidade pretendida para a densidade alvo do dispositivo de produtor. Quando a decisão é não aumentar a densidade pretendida, na etapa 1606, o sistema 130 é configurado para computar a diferença entre a densidade pretendida e a densidade alvo. Quando a diferença está acima de um certo limite de modo que a densidade pretendida permanece suficientemente baixa, o sistema 130 é configurado para recomendar um híbrido flexível ou semiflexível para o campo. Por exemplo, o certo limite pode ser 80% da densidade alvo. Em algumas modalidades, quando a densidade pretendida está na ou acima da densidade alvo alcançando um valor substancialmente grande, na eta- pa 1608, o sistema 130 é configurado para recomendar um híbrido fixo ou semiflexível para o campo.
[00183] Em algumas modalidades, o sistema 130 é programado pa- ra a seguir responder à variabilidade de zona dentro do campo alvo. Especificamente, na etapa 1610, o sistema 130 é configurado para de- terminar se existe uma variabilidade significativa em taxas de semea- dura entre diferentes zonas dentro do campo e se a densidade de agregado corrente considerada até agora é meramente um agregado através do campo. O sistema 130 pode ser configurado para ainda de- terminar se uma certa zona pode se beneficiar de taxas de semeadura mais altas da taxa de semeadura pretendida, com base na diferença entre a taxa de semeadura corrente da certa zona com relação à den- sidade de agregado corrente, a taxa de semeadura pretendida, e a ta- xa de semeadura alvo. Por exemplo, quando a diferença entre a taxa de semeadura corrente de certa zona e a densidade de agregado cor- rente está acima de um limite específico, tal como 30% da densidade de agregado corrente, e quando a densidade pretendida é menor do que a densidade alvo, a taxa de semeadura corrente de certa zona pode ser aumentada para ser além da densidade pretendida. Em tais casos, onde uma oportunidade de produtividade existe para uma taxa de semeadura que é mais alta do que a taxa de semeadura pretendi- da, na etapa 1612, o sistema 130 é configurado para recomendar um híbrido fixo ou semiflexível devido à limitação de densidade relativa-
mente grande. Em outros casos, onde nenhuma oportunidade de pro- dutividade existe para uma taxa de semeadura que é mais alta do que a taxa de semeadura pretendida, na etapa 1614, o sistema 130 é con- figurado para recomendar nenhuma mudança de híbrido para o campo de taxa estática. Além disso, o sistema 130 pode ser configurado para ainda determinar se uma certa zona pode se beneficiar de taxas de semeadura mais baixas da taxa de semeadura pretendida. Tal zona pode ser uma zona de risco que sofre de seca ou outro ataque natural ou ambiental. Portanto, na etapa 1616, o sistema 130 pode ser confi- gurado para recomendar um híbrido flexível para tal zona que corres- ponde a uma taxa de semeadura corrente relativamente baixa ou taxa de semeadura pretendida para facilitar a retenção de água ou encora- jar um crescimento de cultura adicional.
[00184] A Figura 17 ilustra um processo exemplar executado pelo sistema de computador de inteligência agrícola de visar os campos de produtor para aumento de produtividade de cultura.
[00185] Em algumas modalidades, na etapa 1702, o sistema 130 é programado para receber dados de taxa de semeadura de cultura e dados de produtividade de cultura correspondentes ao longo de um período de tempo referente a um grupo de campos associados com uma pluralidade de dispositivos de produtor. Tais dados são utilizados para estabelecer referências para determinar a capacidade de respos- ta de produto a um aumento de taxa de semeadura para um campo do produtor. O grupo de campos pode ser selecionado daqueles campos que compartilham valores com o campo do produtor em certas carac- terísticas, tal como o híbrido de cultura cultivado em um campo, o au- mento de produtividade predito para uma mudança em prática de ge- renciamento para um campo, ou a localização de um campo. A cober- tura de tempo dos dados permite o efeito de aumentos de taxa de se- meadura sobre o aumento de produtividade de cultura ser revelado.
Como acima discutido, pelo menos uma taxa de semeadura ótima e um limite correspondente sobre o efeito de um aumento de taxa de semeadura sobre o aumento de produtividade de cultura podem ser determinados, e propostas mais complexas podem ser desenvolvidas para caracterizar ou determinar o impacto potencial de uma mudança de taxa de semeadura sobre a produtividade de cultura em um campo do produtor e finalmente se o campo do produtor deve ser visado para experimentos específicos para aumentar a produtividade de cultura. Na etapa 1704, o sistema 130 é programado para receber uma taxa de semeadura corrente para um campo do produtor associado com um de uma pluralidade de dispositivos de produtor. A taxa de semeadura cor- rente pode ser um agregado através de diferentes zonas dentro do campo.
[00186] Na etapa 1706, o sistema 130 é programado para ainda determinar se o campo do produtor será responsivo ao aumento de uma taxa de semeadura de cultura para o campo do produtor da taxa de semeadura corrente para uma taxa de semeadura alvo com base nos dados de taxa de semeadura de cultura e nos dados de produtivi- dade de cultura correspondentes. A taxa de semeadura alvo pode ser ajustada como a taxa de semeadura ótima ou um valor que é mais consistente com a prática de gerenciamento de aumento de produtivi- dade para o campo ou outra intenção do produtor. Essencialmente, da relação entre a taxa de semeadura e a produtividade de cultura de- monstrada pelo grupo de campos, a qual pode ser derivada dos dados de taxa de semeadura de cultura e dos dados de produtividade de cul- tura correspondentes, o sistema 130 é configurado ou programado pa- ra estimar um impacto de uma mudança de taxa de semeadura da ta- xa de semeadura corrente para a taxa de semeadura alvo no campo do produtor e por sua vez determinar se o campo do produtor efetiva- mente responderá à mudança de taxa de semeadura produzindo o aumento de produtividade de cultura desejado.
[00187] Na etapa 1708, em resposta a determinar que o campo do produtor será responsivo, o sistema 130 é programado para visar o campo do produtor para um experimento para aumentar a produtivida- de de cultura e preparar uma prescrição para o experimento, incluindo uma nova taxa de semeadura de cultura e um híbrido de cultura espe- cífico a serem implantados no campo do produtor. A nova taxa de se- meadura de cultura pode ser a taxa de semeadura alvo a menos que esta seja superada por uma taxa de semeadura pretendida provida pelo dispositivo de produtor. Qualquer mudança recomendada no hí- brido de cultura é geralmente consistente com a mudança na taxa de semeadura, e esta pode ser implementada incrementalmente dentro do campo ou gradualmente ao longo do tempo para ser capaz de atin- gir tanto do aumento de produtividade de cultura estimado quanto pos- sível. Mais ainda, o sistema 130 pode ser configurado para avaliar a variabilidade em produtividade de cultura dentro do campo do produtor e preparar uma prescrição mais granular. Tal avaliação pode ser ba- seada em amostras físicas do campo ou imagens aéreas do campo. Uma taxa de semeadura mais alta do que a nova taxa de semeadura pode frequentemente ser além disso prescrita para uma zona que tem uma taxa de semeadura mais alta do que a taxa de semeadura corren- te. Similarmente, uma taxa de semeadura mais baixa do que a nova taxa de semeadura pode ser além disso prescrita para uma zona que tem uma taxa de semeadura mais baixa do a taxa de semeadura cor- rente.
[00188] Como ilustrado na Figura 13, o sistema 130 pode ser pro- gramado para ainda coletar resultados de implementar os experimen- tos prescritos do dispositivo de produtor ou diretamente de implemen- tos agrícolas para os experimentos prescritos. Especificamente, o au- mento de produtividade de cultura predito pode ser validado contra o aumento de produtividade de cultura real. O sistema 130 pode ser con- figurado para então distribuir os dados relativos ao experimento e os resultados validados para os outros dispositivos de produtor associa- dos com o grupo de campos. Os dados de taxa de semeadura e os dados de produtividade de cultura podem também ser atualizados com o resultado validado para permitir uma modelagem mais precisa da relação entre as taxas de semeadura de cultura e a produtividade de cultura.
6. PROJETO DE ENSAIO
[00189] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina onde colocar as localizações de ensaio com base em uma ou mais zonas de gerenciamento. As zonas de gerenci- amento referem-se a regiões dentro de um campo agrícola ou uma pluralidade de campos agrícolas que são esperados terem fatores limi- tantes similares que influenciam as produtividades colhidas de cultu- ras. Apesar das zonas de gerenciamento serem geralmente descritas com relação a porções de um único campo, as zonas de gerenciamen- to podem ser projetadas para abranger localizações em uma pluralida- de de campos abrangendo uma pluralidade de produtores. Os méto- dos para identificar as zonas de gerenciamento estão adicionalmente descritos na Publicação de Patente U.S. 2018-0046735A1. O sistema de computador de inteligência agrícola pode identificar benefícios de utilizar um novo produto, diferentes sementes, e/ou práticas de geren- ciamento para uma zona de gerenciamento. O sistema de computador de inteligência agrícola pode identificar localizações de ensaio dentro da zona de gerenciamento de modo que os efeitos de executar o en- saio podem ser comparados com o restante da zona de gerenciamen- to.
[00190] Em uma modalidade, o sistema de computador de inteli- gência agrícola identifica as zonas de gerenciamento com base em um tipo de ensaio sendo executado. Por exemplo, duas localizações em um campo podem compreender diferentes tipos de solo, mas têm uma produtividade similar e um problema de pragas similar. Para propósitos de implementar um ensaio de pesticida, as duas localizações podem ser tratadas como uma única zona de gerenciamento. Em contraste, para propósitos de implementar um ensaio de fertilizante o qual é de- pendente do tipo de solo, as duas localizações podem ser tratadas como zonas diferentes.
[00191] Em uma modalidade, as zonas de gerenciamento são iden- tificadas com base em tanto a capacidade de resposta quanto a produ- tividade total. O sistema de computador de inteligência agrícola pode determinar a capacidade de resposta de áreas em um campo a aplica- ções de produtos e/ou diferentes práticas de gerenciamento com base em dados de produtividade anteriores, dados de solo, imagens, outros dados de cultura, e práticas de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola pode identificar dois locais equivalentes onde o fertilizante foi aplicado em um e não aplicado no outro. Com base nas diferenças na produtividade entre as duas taxas de fertilizante em locais equivalentes, o sistema de computador de in- teligência agrícola pode determinar uma capacidade de resposta ao fertilizante para estas e outras localizações equivalentes no campo.
[00192] A capacidade de resposta pode ser um valor computado e/ou uma determinação binária. Por exemplo, o sistema de computa- dor de inteligência agrícola pode determinar que uma localização com mais do que um limite absoluto ou mudança percentual em produtivi- dade é considerado ter uma capacidade de resposta alta enquanto áreas com menos do que o limite absoluto ou mudança percentual em produtividade é considerado ter baixa capacidade de resposta. O sis- tema de computador de inteligência agrícola pode gerar zonas as quais têm capacidade de resposta similares e produtividades similares.
Por exemplo, o sistema de computador de inteligência agrícola pode gerar zonas que têm alta capacidade de resposta e alta produtividade e separar zonas que têm alta capacidade de resposta e baixa produti- vidade, com base em dados de produtividade, dados de planta, dados de solo, dados de clima, e/ou dados de prática de gerenciamento. As- sim, o sistema de computador de inteligência agrícola pode gerar tanto zonas de alta resposta quanto zonas de baixa resposta que são res- tringidas pela produtividade total.
[00193] Dentro das zonas, o sistema de computador de inteligência agrícola pode identificar localizações possíveis para localizações de ensaio. O tamanho e forma de localizações de ensaio podem ser de- terminados com base na variabilidade em um campo ou zona específi- co. A variabilidade, como aqui utilizada, refere-se à quantidade que a produtividade total tende a variar dentro de um campo e/ou zona de gerenciamento. A quantidade de variância pode incluir tanto magnitude de variância quanto um componente espacial da variância. Por exem- plo, se a produtividade flutuar rapidamente dentro de uma pequena região de uma zona de gerenciamento, o sistema de computador de inteligência agrícola pode determinar que uma maior localização de ensaio deve ser implementada. Em contraste, se a produtividade tiver tendências de escala de longo comprimento em produtividade, uma menor localização de ensaio pode ser implementada. O tamanho, for- ma, e número ótimos de localizações de ensaio podem ser determina- dos diretamente de dados de variabilidade de produtividade históricos. Em uma modalidade, os dados de produtividade históricos são dividi- dos em grades uniformes de potenciais localizações de ensaio de ta- manhos diferentes; a área de ensaio total requerida, incluindo as áreas de reserva ao redor das localizações de ensaio, é calculada para cada tamanho de localização de ensaio dada uma significância estatística aceitável para a resposta; e a configuração ótima é aquela que minimi-
za a área de ensaio total. O tamanho, forma e número ótimos de loca- lizações de ensaio podem também ser determinados de dados de va- riabilidade de produtividade modelados de imagens históricas, ou da- dos de variabilidade de produtividade modelados com base em predi- tores para um modelo treinado em dados de variabilidade de produtivi- dade históricos. Ainda, com base no tamanho de localização de en- saio, o sistema de computador de inteligência agrícola pode identificar uma forma da localização de ensaio de modo a maximizar um número de localizações de ensaio que podem caber em uma única zona. Por exemplo, se uma zona for especificamente estreita, o sistema de com- putador de inteligência agrícola pode selecionar um retângulo estreito como a forma da localização de ensaio.
[00194] Utilizando o tamanho e forma identificados das localizações de ensaio, o sistema de computador de inteligência agrícola pode de- terminar uma pluralidade de possíveis localizações para colocar as localizações de ensaio no campo. O sistema de computador de inteli- gência agrícola pode então selecionar um subconjunto da pluralidade de possíveis localizações para colocar as localizações de ensaio. Em uma modalidade, o sistema de computador de inteligência agrícola de- termina um número de localizações de ensaio para implementar com base em requisitos do ensaio e/ou seleção de usuário. Por exemplo, uma restrição de um ensaio pode ser que pelo menos duas localiza- ções de ensaio sejam plantadas em cada zona de gerenciamento. Como outro exemplo, um gerenciador de campo pode indicar, através de uma interface gráfica de usuário que executa no dispositivo de computação de gerenciador de campo, que o gerenciador de campo está desejando dedicar cinco por cento do campo para o ensaio. O sistema de computador de inteligência agrícola pode assim computar o número de localizações de ensaio como:
onde N é o número de localizações de ensaio, é a área do campo, D é a percentagem do campo dedicada a ensaios, e é a área das localizações de ensaio. Como outro exemplo, um gerenciador de cam- po pode indicar, através de uma interface gráfica de usuário que exe- cuta no dispositivo de computação de gerenciador de campo, que o gerenciador de campo deseja detectar um efeito de tratamento mínimo de um certo número de alqueires por acre com uma dada razão de si- nal para ruído. O sistema de computador de inteligência agrícola pode, assim, computar o número de localizações de ensaio como: onde N é o número de localizações de ensaio, SNR é a razão de sinal para ruído, é o desvio padrão da diferença de produtividade média entre localizações de ensaio potenciais, e T é o efeito de tratamento detectável mínimo desejado.
[00195] Em uma modalidade, o sistema de computador de inteli- gência agrícola randomicamente seleciona localizações da pluralidade de localizações potenciais até que o número determinado de localiza- ções de ensaio tenha sido identificado. O sistema de computador de inteligência agrícola pode restringir a seleção randômica selecionando pelo menos duas localizações para uma zona onde uma primeira loca- lização é selecionada, por meio disto permitindo ambos um grupo de ensaio e um grupo de controle. O sistema de computador de inteligên- cia agrícola pode também restringir a seleção randômica para assegu- rar que as localizações de ensaio sejam colocadas em um número máximo de zonas. Além disso ou alternativamente, o sistema de com- putador de inteligência agrícola pode apresentar, através de uma inter- face gráfica de usuário no dispositivo de computação de gerenciador de campo, uma pluralidade de possíveis localizações para localiza-
ções de ensaio. O gerenciador de campo pode selecionar localizações específicas da pluralidade de possíveis localizações e enviar as sele- ções para o sistema de computador de inteligência agrícola.
[00196] Em uma modalidade, o sistema de computador de inteli- gência agrícola seleciona localizações para as localizações de ensaio, de modo a minimizar o efeito sobre a produtividade total de executar o ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode priorizar áreas do campo que tiveram produtividades historica- mente mais baixas, por meio disto reduzindo quaisquer possíveis im- pactos negativos sobre a produtividade do campo. Além disso ou al- ternativamente, o sistema de computador de inteligência agrícola pode priorizar a localização para as localizações de ensaio em um modo que maximiza o benefício de executar os ensaios. Por exemplo, para um ensaio de pesticida, o sistema de computador de inteligência agrí- cola pode selecionar regiões do campo que historicamente receberam o impacto negativo mais alto sobre a produtividade devido a pragas.
[00197] As priorizações com base em minimizar o efeito sobre a produtividade ou maximizar os benefícios de executar os ensaios po- dem ser implementadas juntamente com outras restrições. Por exem- plo, o sistema de computador de inteligência agrícola pode inicialmen- te tentar colocar pelo menos duas localizações de ensaio em cada zo- na de gerenciamento. O sistema de computador de inteligência agríco- la pode então pseudorrandomicamente selecionar localizações de en- saio adicionais enquanto atribuindo pesos mais altos a localizações com baixas produtividades ou alta capacidade de resposta. Como ou- tro exemplo, o sistema de computador de inteligência agrícola pode tentar colocar localizações de ensaio em um mínimo de uma localiza- ção de alta capacidade de resposta e alta produtividade, uma localiza- ção de alta capacidade de resposta e baixa produtividade, uma locali- zação de baixa capacidade de resposta e alta produtividade, e uma localização de baixa capacidade de resposta e baixa produtividade.
[00198] A Figura 8 apresenta um exemplo de implementar localiza- ções de ensaio em um campo. O campo da Figura 8 está dividido em diferentes zonas de gerenciamento, cada uma marcada por uma cor. Polígonos marrons escuros apresentam possíveis localizações de en- saio. Em modalidades, estes estão colocados para abranger as zonas de gerenciamento. Em modalidades, polígonos adjacentes com o mesmo gerenciamento podem ser mesclados. Em modalidades, das possíveis localizações de ensaio, o sistema de computador de inteli- gência agrícola randomicamente seleciona as localizações para im- plementar as localizações de ensaio. Em modalidades, o sistema de computador de inteligência agrícola seleciona localizações de acordo com uma ou mais restrições. Por exemplo, na Figura 8, uma possível restrição é uma largura de localização mínima de 36 metros (120 pés) para ser compatível com o equipamento de gerenciador de campo. Outra é que pelo menos 40 localizações de ensaio são implementadas neste campo para atingir um efeito de tratamento detectável significati- vo mínimo predito. Além disso, na Figura 8 as localizações de ensaio são implementadas de modo que cada uma tenha uma localização de controle não marcada atribuída para a área equivalentemente dimen- sionada em um ou no outro de seus dois lados longos.
7. IDENTIFICAÇÃO DE ALVO E PROJETO DE ENSAIO COM BASE
[00199] Em uma modalidade, o sistema de computador de inteli- gência agrícola computa uma variabilidade de campo de curto com- primento para propósitos de executar um ensaio em um campo agríco- la. A variabilidade de campo de curto comprimento indica a extensão na qual o campo varia através de pequenas distâncias. A Figura 20 apresenta um método para modelar variabilidade de curto comprimen- to dentro de um campo.
[00200] Na etapa 2002, um mapa de um campo agrícola é recebido. Por exemplo, o sistema de computador de inteligência agrícola pode receber imagens aéreas de um campo agrícola. Além disso ou alterna- tivamente, o sistema de computador de inteligência agrícola pode re- ceber uma entrada que delineia limites de um campo agrícola, tal co- mo através de um mapa exibido em um dispositivo de computação de cliente e/ou uma entrada que especifica a latitude e longitude dos limi- tes de campo. O mapa pode também ser gerado de um ou mais im- plementos agrícolas no campo agrícola. Por exemplo, um plantador pode gerar dados como aplicados que indicam um tipo de semeadura e/ou população de semeadura juntamente com as coordenadas geo- gráficas que correspondem ao tipo de semeadura e/ou população de semeadura. O plantador pode enviar os dados como aplicados para o sistema de computador de inteligência agrícola.
[00201] Em uma modalidade, o sistema além disso recebe dados de produtividade agrícola para o campo agrícola. Por exemplo, um im- plemento agrícola, tal como uma colheitadeira, pode gerar dados que indicam uma produtividade de uma porção do campo agrícola e enviar os dados de produtividade para o sistema de computador de inteligên- cia agrícola. O sistema de computador de inteligência agrícola pode gerar um mapa de produtividade que indica, para cada localização no campo agrícola, uma produtividade agrícola.
[00202] Na etapa 2004, uma sobreposição de grade é gerada para o mapa do campo agrícola. Por exemplo, o sistema de computador de inteligência agrícola pode gerar uma grade com uma pluralidade de células para sobrepor sobre o mapa do campo agrícola. Gerar a grade pode compreender identificar um limite de campo, determinar uma lar- gura e comprimento para as células de grade, gerar um primeiro con- junto de linhas paralelas separadas por uma distância igual à largura das células de grade e gerar um segundo conjunto de linhas paralelas que são perpendiculares ao primeiro conjunto de linhas paralelas e são separadas por uma distância igual à largura das células de grade. A largura das células da grade pode ser determinada com base na lar- gura de um cabeçote de uma colheitadeira, a largura do equipamento de aplicação, a largura do equipamento de gerenciamento ou a largura de um plantador para o campo agrícola. Por exemplo, um múltiplo de uma largura de equipamento pode ser utilizado. Especificamente, se o cabeçote da colheitadeira tiver 9 metros (30 pés) de largura, a largura das células de grade pode ser um múltiplo, 9 metros (30 pés), 18 me- tros (60 pés), 27 metros (90 pés), 36 metros (120 pés), e assim por diante.
[00203] Para outro exemplo, um múltiplo comum pode ser utilizado. Especificamente, se a colheitadeira tiver 6 metros (20 pés) de largura e o plantador tiver 12 metros (40 pés) de largura e as diferentes práti- cas de gerenciamento são relativas ao plantio, como duas densidades de população de semeadura, a largura das células de grade pode ser um múltiplo comum de ambas as larguras, 12 metros (40 pés), 24 me- tros (80 pés), 36 metros (120 pés), e assim por diante. A largura das células de grade pode também ser aumentada para permitir obter da- dos de produtividade de cada tratamento mesmo se a colheitadeira estiver desalinhada com o outro equipamento de gerenciamento. Por exemplo, se a colheitadeira tiver 6 metros (20 pés) de largura e o equipamento de aplicação de fungicida tiver 9 metros (30 pés) de lar- gura e as diferentes práticas de gerenciamento são aplicar fungicida ou não, a largura das células de grade pode ser 18 metros (60 pés), 27 metros (90 pés), 36 metros (120 pés), e assim por diante, com a co- lheitadeira capaz de colher uma ou mais passagens inteiramente den- tro de cada tratamento, mesmo se a colheitadeira não estiver alinhada com o equipamento de aplicação de fungicida. A largura das células da grade pode também incluir uma reserva para permitir uma mistura local entre práticas de gerenciamento. Por exemplo, se a colheitadeira tiver 6 metros (20 pés) de largura e o equipamento de aplicação de fungicida tiver 18 metros (60 pés) de largura e as diferentes práticas de gerenciamento são aplicar fungos ou não, a largura das células de grade pode ser 18 metros (60 pés), 27 metros (90 pés), 36 metros (120 pés), e assim por diante, com a colheitadeira capaz de colher uma ou mais passagens inteiramente dentro de um tratamento mesmo se 6 metros (20 pés) de cada lado de cada limite de tratamento for descartado como uma área de reserva para permitir qualquer flutuação no fungicida. O comprimento das células da grade pode ser determi- nado utilizando os métodos aqui descritos. Por exemplo, cada célula da grade pode ter 36 metros (120 pés) x 90 metros (300 pés).
[00204] A Figura 21 apresenta um exemplo de sobreposição de grade em um mapa utilizado para computar variabilidade de produtivi- dade de curto comprimento. O mapa 2102 compreende uma grade que sobrepõe um mapa de um campo agrícola. Como mostrado no mapa 2102, a primeira linha vertical é gerada em uma largura de célu- la de grade afastada do limite mais à esquerda do mapa enquanto que a primeira linha horizontal é gerada em um comprimento de célula de grade afastado do limite mais inferior do mapa. Em uma modalidade, o campo agrícola além disso inclui, zonas de gerenciamento. Por exem- plo, o mapa 2104 apresenta uma sobreposição de grade sobre um mapa de um campo agrícola o qual contém três zonas de gerencia- mento que são diferenciadas por cor. As zonas de gerenciamento refe- rem-se a seções do campo agrícola as quais recebem um tratamento de gerenciamento similar ou foram previamente agrupadas com base em características compartilhadas.
[00205] Com referência novamente à Figura 20, na etapa 2006, uma pluralidade de células de grade adjacentes é selecionada. Por exemplo, o sistema de computador de inteligência agrícola pode ran-
domicamente ou pseudorrandomicamente selecionar, das células de grade da sobreposição de grade, uma primeira célula de grade. O sis- tema de computador de inteligência agrícola pode, então randomica- mente ou pseudorrandomicamente selecionar, de células de grade ad- jacentes da primeira célula de grade, uma segunda célula de grade. Além disso ou alternativamente, o sistema de computador de inteli- gência agrícola pode utilizar uma regra específica para selecionar a célula adjacente, tal como inicialmente tentando selecionar uma célula da direita da primeira célula seguida pela célula à esquerda da primei- ra célula e assim por diante. Se não existirem células de grade adja- centes à primeira célula de grade, o sistema de computador de inteli- gência agrícola pode descartar a primeira célula de grade selecionada e randomicamente ou pseudorrandomicamente selecionar uma dife- rente célula de grade. Além disso, o sistema de computador de inteli- gência agrícola pode randomicamente ou pseudorrandomicamente selecionar conjuntos de células adjacentes, uma para cada diferente prática de gerenciamento.
[00206] Em uma modalidade, o sistema de computador de inteli- gência agrícola identifica células de grade completas das quais seleci- onar a primeira célula de grade e/ou a segunda célula de grade. Por exemplo, o mapa 2102 na Figura 21 inclui células de grade incomple- tas, tais como as células que topam no limite do campo agrícola. O sistema de computador de inteligência agrícola pode remover as célu- las de grade incompletas e selecionar a primeira célula da grade e a segunda célula de grade das células de grade restantes. Para o pro- pósito de seleção, o sistema de computador de inteligência agrícola pode tratar as células de grade incompletas como não existentes.
[00207] Em uma modalidade, o sistema de computador de inteli- gência agrícola também identifica células de grade que estão comple- tamente dentro de uma única zona de gerenciamento da qual selecio-
nar a primeira célula de grade e/ou a segunda célula de grade. Por exemplo, o mapa 2104 inclui células de grade que compreendem múl- tiplas zonas de gerenciamento devido à borda para as zonas de ge- renciamento correndo através da célula de grade. O sistema de com- putador de inteligência agrícola pode remover as células de grade que compreendem múltiplas zonas de gerenciamento e selecionar a pri- meira célula de grade e a segunda célula de grade das células de gra- de restantes. Para o propósito de seleção, o sistema de computador de inteligência agrícola pode tratar as células de grade que compreen- dem múltiplas zonas de gerenciamento como não existentes.
[00208] Em uma modalidade, células adjacentes são selecionadas para estarem dentro da mesma zona de gerenciamento. O mapa 2106 na Figura 21 apresenta uma seleção de uma pluralidade de conjuntos de células adjacentes. Cada conjunto de células adjacentes no mapa 2106 compreende duas células na mesma zona de gerenciamento, apesar dos conjuntos de células adjacentes abrangerem zonas de ge- renciamento.
[00209] Na etapa 2008, para cada conjunto de células de grade ad- jacentes, uma diferença em produtividade média entre as células adja- centes é computada. Por exemplo, o sistema de computador de inteli- gência agrícola pode armazenar dados que identificam a produtividade média para cada grade. Os dados que identificam a produtividade mé- dia podem ser baseados em dados de colheita que indicam a produti- vidade para uma porção do campo agrícola coberta pela célula e/ou modelados com base em dados ou imagens recebidos. O sistema de computador de inteligência agrícola pode computar um valor absoluto da diferença entre células adjacentes em cada conjunto. Assim, se uma célula tem uma produtividade média de 170,8 alqueires por acre e a célula adjacente tem uma produtividade média de 171,2 alqueires por acre, o sistema pode computar a diferença em produtividade mé-
dia entre as células adjacentes como 0,4 alqueires por acre.
[00210] Na etapa 2010, uma variabilidade de curto comprimento para o campo agrícola é determinada com base, pelo menos em parte, na diferença em produtividade média para cada conjunto de células adjacentes. Por exemplo, o sistema de computador de inteligência agrícola pode identificar uma mediana das diferenças através da plura- lidade de conjuntos de células adjacentes e selecionar o valor mediano como a variabilidade de curto comprimento para o campo agrícola.
[00211] Na etapa 2012, com base na variabilidade de curto com- primento, um ou mais localizações são selecionadas para executar ensaios. Os métodos para selecionar campos e/ou localizações em campos para executar ensaios são aqui descritos mais adiante.
[00212] Na etapa 2014, o sistema gera um mapa de prescrição que compreende uma ou mais práticas de gerenciamento nas localizações selecionadas. Por exemplo, o sistema pode começar a implementação do ensaio gerando um mapa de prescrição onde as localizações sele- cionadas incluem uma diferente população de plantio, aplicação de nutrientes, aplicação de produtos químicos, irrigação, e/ou outra práti- ca de gerenciamento que seja diferente de uma ou mais localizações circundantes. Os métodos de gerar um mapa de prescrição estão des- critos na Seção 7.6.
7.1. VARIABILIDADE DE MODELAGEM
[00213] Em uma modalidade, a variabilidade de curto comprimento é modelada com base em uma pluralidade de fatores. Por exemplo, o sistema pode modelar a produtividade média para cada célula como uma função de uma ou mais de elevação, matéria orgânica, níveis de nutrientes, tipo ou propriedade de solo, e/ou outras variáveis de nível de campo. Além disso ou alternativamente, o sistema pode modelar a variabilidade entre células adjacentes como uma função de uma plura- lidade de fatores. Cada função, equação e cálculo descritos nesta se-
ção podem ser programados como parte das instruções que foram descritas para a Figura 1 para receber valores de dados para os pa- râmetros especificados e calcular por computador as transformações que estão mostradas matematicamente para gerar os resultados que são descritos.
[00214] Como um exemplo, o sistema pode modelar a variabilidade de curto comprimento de acordo com a seguinte função: onde é a diferença no enésimo atributo entre a célula a e célula b para i-th conjunto de pares adjacentes e é um peso para o enésimo atributo. Por exemplo, se a variabilidade de curto comprimen- to foi modelada com base em elevação, valor de pH, e matéria orgâni- ca, a equação de variabilidade de curto comprimento tomaria a forma de: onde E é a elevação média, pH é o valor de pH médio, e O é a matéria orgânica média para cada célula de grade.
[00215] Apesar da equação acima computar a variabilidade de curto comprimento para o campo como uma média de variabilidades em lo- calizações individuais, em uma modalidade o valor de diferença é computado para cada localização de acordo com: e a variabilidade de curto comprimento é determinada como um valor de diferença mediano dentre a pluralidade de localizações.
[00216] Em uma modalidade, os pesos para as equações acima são empiricamente escolhidos. Além disso ou alternativamente, o sis- tema de computador de inteligência agrícola pode computar os pesos com base em dados de variação de produtividade de outros campos.
Por exemplo, o sistema de computador de inteligência agrícola pode receber, para uma pluralidade de pares de localizações adjacentes, dados que identificam a produtividade para cada localização do par e dados que identificam uma pluralidade de valores de atributo para ca- da localização e par. O sistema pode então computar os pesos para a equação acima, selecionando pesos que minimizem a equação se- guinte: onde é a diferença entre as produtividades médias para o i-th conjunto de pares adjacentes a e b. O sistema pode utilizar qualquer técnica de minimização conhecida para computar os pesos que minimizam a equação acima. A equação de variabilidade de curto comprimento pode então ser utilizada para identificar a variabilidade de curto comprimento onde dados de produtividade anteriores não es- tão disponíveis, mas os dados de solo estão disponíveis para cada cé- lula.
[00217] Em uma modalidade, o sistema modela a variabilidade de curto comprimento como uma função de valores de pixel em imagens de satélite do campo. Por exemplo, o sistema pode receber as ima- gens de satélite do campo agrícola. Utilizando as imagens de satélite, o sistema pode computar um valor, tal como um valor de índice de ve- getação de diferença normalizada média (NDVI), para cada célula de grade. O sistema pode então determinar a variabilidade de curto com- primento como a mediana das diferenças entre os valores de NDVI entre células adjacentes de uma pluralidade de conjuntos de células adjacentes. Além disso ou alternativamente, os valores de pixel e/ou valores computados com base em valores de pixels podem ser utiliza- dos como um parâmetro adicional nas equações de modelagem acima descritas.
7.2. SELEÇÃO DE CAMPOS COM BASE NA VARIABILIDADE DE
[00218] Em uma modalidade, o computador de inteligência agrícola seleciona campos para executar ensaios com base em variabilidade de curto comprimento computada. Por exemplo, o sistema de compu- tador de inteligência agrícola pode receber uma solicitação para gerar mapas de prescrição para uma pluralidade de campos agrícolas que implementam um ou mais ensaios. O sistema de computador de inteli- gência agrícola pode utilizar os métodos aqui descritos para computar a variabilidade de curto comprimento para cada campo agrícola. O sis- tema de computador de inteligência agrícola pode então selecionar um campo agrícola para executar um ensaio com base na variabilidade de curto comprimento. Por exemplo, o sistema de computador de inteli- gência agrícola pode selecionar o campo agrícola com a mais baixa variabilidade de curto comprimento da pluralidade de campos agríco- las.
[00219] Em uma modalidade, o sistema de computador de inteli- gência agrícola além disso computa um valor de variabilidade de longo comprimento. Por exemplo, para cada uma de uma pluralidade de cé- lulas de grade, o sistema de computador de inteligência agrícola pode computar uma diferença entre a produtividade média para a célula de grade e uma produtividade médio do campo agrícola que contém a célula de grade. Além disso ou alternativamente, o sistema de compu- tador de inteligência agrícola pode modelar a variabilidade de longo comprimento como uma função de valores de campo ou valores de pixel de imagem utilizando qualquer um dos métodos descritos na Se- ção 7.1, mas substituindo a pluralidade de pares de células de grade adjacentes por uma pluralidade de pares que compreendem uma célu- la de grade e médias para o campo agrícola.
[00220] O sistema pode selecionar campos agrícolas com uma bai-
xa pontuação de variabilidade de curto comprimento e alta pontuação de variabilidade de longo comprimento para executar o ensaio. Por exemplo, o sistema pode identificar uma pluralidade de campos onde a pontuação de variabilidade de curto comprimento está abaixo de um valor limite e selecionar da pluralidade de campos identificada o cam- po agrícola com a mais alta pontuação de variabilidade de longo com- primento. Além disso ou alternativamente, o sistema pode identificar uma pluralidade de campos onde a pontuação de variabilidade de lon- go comprimento está abaixo de um valor limite e selecionar da plurali- dade de campos identificada o campo agrícola com o valor de variabi- lidade de curto comprimento mais baixo. Como outro exemplo, o sis- tema pode selecionar o campo agrícola com o valor de diferença de variabilidade mais alto, onde o valor de diferença de variabilidade é computado como: onde é o valor de diferença de variabilidade, é o valor de variabi- lidade de longo comprimento, é o valor de variabilidade de curto comprimento, e e são pesos selecionados com base em se é mais importante para o ensaio que a variabilidade de longo comprimento seja alta ou que a variabilidade de curto comprimento seja baixa.
7.3. SELEÇÃO E DIMENSIONAMENTO DE LOCALIZAÇÕES DE
[00221] Em uma modalidade, o sistema utiliza as diferenças entre localizações adjacentes para selecionar um ou mais pares como loca- lizações de ensaio para executar um ou mais ensaios. Por exemplo, o sistema pode computar uma diferença em produtividade média para uma pluralidade de pares de células de grade adjacentes ou modelar um valor de diferença entre pares de células de grade adjacentes utili- zando qualquer um dos métodos aqui descritos. O sistema pode então selecionar N pares de conjuntos de células de grade adjacentes com as diferenças mais baixas computadas ou modeladas para executar um ensaio no campo agrícola.
[00222] O número N de ensaios pode ser predeterminado e/ou computado. Por exemplo, o sistema de computador de inteligência agrícola pode receber uma solicitação para gerar um mapa de prescri- ção com um número específico de ensaios. O sistema de computador de inteligência agrícola pode então utilizar os métodos aqui descritos para identificar um ou mais campos e/ou localizações de ensaio para executar os ensaios. Como outro exemplo, o sistema de computador de inteligência agrícola pode computar o número de localizações de ensaio como: onde SNR é a razão de sinal para ruído definida como uma razão en- tre a produtividade média para cada localização e a variação de produ- tividade de curto comprimento, é o desvio padrão da diferença de produtividade média entre as localizações de ensaios potenciais, e T é o efeito de tratamento detectável esperado. Assim, se um experimento for esperado aumentar a produtividade por 5 alqueires por acre, T seria
5.
[00223] Em uma modalidade, o sistema determina uma área para executar os ensaios em um modo que aumente a significância estatís- tica do ensaio enquanto reduzindo a quantidade de área requerida pa- ra executar os ensaios. Por exemplo, o sistema pode computar um tamanho de ensaio como: onde w é a largura e b é um tamanho de reserva para o tipo de ensaio. O tamanho de reserva refere-se a uma distância espacial requerida para um implemento agrícola mudar de um tipo de tratamento para o seguinte. Por exemplo, o tamanho de reserva para um plantador pode ser de 0,9 metros (3 pés) para indicar que o plantador leva 0,9 metros
(3 pés) para mudar de uma população de semeadura para uma popu- lação de semeadura diferente enquanto o tamanho de reserva para aplicação de nutrientes pode ser de 15 metros (50 pés) para indicar que o implemento leva 15 metros (50 pés) para mudar de uma quanti- dade de aplicação de um nutriente para uma segunda quantidade de aplicação.
[00224] Em uma modalidade, a equação acima é também utilizada para computar um tamanho de sobreposição de grade. Por exemplo, uma primeira sobreposição de grade pode ser utilizada para determi- nar a variabilidade de curto comprimento para um campo. O sistema pode então utilizar a equação acima para determinar um tamanho óti- mo para as localizações de ensaio utilizando a equação acima. O sis- tema pode então gerar uma nova sobreposição de grade com base no tamanho de ensaio computado. Em uma modalidade, o sistema pré- seleciona uma largura das células de grade com base em uma largura de um ou mais implementos agrícolas e utiliza a largura e área pré- selecionadas para computar o comprimento de cada célula de grade.
7.4. DETERMINAÇÃO DE ORIENTAÇÃO DE LOCALIZAÇÃO DE
[00225] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina uma orientação da sobreposição de grade e/ou localizações de ensaio com base em informação de direção de um ou mais implementos agrícolas no campo agrícola. Por exemplo, um implemento agrícola pode continuamente capturar dados que iden- tificam uma direção de movimento do implemento agrícola durante uma ou mais atividades agrícolas, tal como o plantio de um campo, e enviar os dados capturados para o sistema de computador de inteli- gência agrícola. Os dados direcionais recebidos podem incluir dados direcionais relativos a curvas nos finais de passagens e dados direcio- nais quando o plantador está movendo tanto para cima quanto para baixo do campo.
[00226] De modo a remover erros causados pelo plantador moven- do tanto para cima quanto para baixo do campo, o sistema pode identi- ficar dados direcionais dentro de um arco de 180º e ajustar cada dire- ção dentro do arco de 180º para ser o inverso daquela direção. Assim, se 45% dos valores de direção para um plantador indicarem que o plantador está movendo para o norte e 45% dos valores de direção para o plantador indicarem que o plantador está se movendo para o sul, o sistema de computador de inteligência agrícola pode inverter os valores de sul de modo que 90% dos valores de direção para o planta- dor indicam que o plantador está movendo para o norte. De modo a remover os dados direcionais relativos a curvas no final das passa- gens, o sistema de computador de inteligência agrícola pode selecio- nar a direção mediana dos dados direcionais, por meio disto removen- do as discrepâncias numéricas causadas pela curva do equipamento agrícola e movimento ao redor de árvores e outros obstáculos.
[00227] Em uma modalidade, o sistema de computador de inteli- gência agrícola identifica as localizações onde o plantador mudou de direção. Por exemplo, para uma primeira porção do campo, o planta- dor pode plantar em um primeiro ângulo e, para uma segunda porção do campo, o plantador pode plantar em um segundo ângulo. De modo a identificar as localizações onde o plantador começou a plantar em uma direção diferente, o sistema de computador de inteligência agríco- la pode utilizar um algoritmo de grupamento para identificar localiza- ções onde os valores que indicam a direção do plantador mudaram.
[00228] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina que uma mudança de direção ocorreu quando maior do que um número limite de valores direcionais sequen- ciais identificam uma mesma direção que é maior do que um número limite de graus diferentes do que uma direção anterior. Por exemplo,
se o plantador gerar um novo valor direcional a cada 5 segundos, o sistema pode determinar que o plantador começou a plantar em uma nova direção se mais do que 20 valores direcionais sequenciais forem maiores do que 5º diferentes de uma direção determinada anterior.
[00229] Em uma modalidade, o sistema de computador de inteli- gência agrícola utiliza imagens para determinar uma direção de plan- tador. Por exemplo, o sistema de computador de inteligência agrícola pode identificar linhas retas em uma imagem aérea do campo agrícola, tal como nos limites do campo agrícola. O sistema de computador de inteligência agrícola pode determinar que as linhas retas nas imagens correspondem a uma direção do plantio do campo agrícola e ajustar a grade para alinhar com a direção identificada.
7.5. SELEÇÃO DE LOCALIZAÇÕES DE GRADE
[00230] Em uma modalidade, o sistema de computador de inteli- gência agrícola varia as localizações das células dentro de uma grade para maximizar um número de localizações de ensaio que podem ser plantadas em um campo agrícola. A Figura 22 apresenta um método exemplar de variar as localizações de ensaio dentro de uma grade pré- ajustada para maximizar um número de localizações de ensaio.
[00231] O mapa 2202 apresenta um primeiro mapa de um campo com uma sobreposição de grade. Nos exemplos da Figura 22, as li- nhas verticais da grade são fixas como correspondendo a um movi- mento direcional do plantador. A área 2204 apresenta uma localização com o mapa 2202 a qual inclui uma célula de grade completa e duas células de grade incompletas. Em uma modalidade, o sistema de computador de inteligência agrícola identifica as localizações que in- cluem as células de grade incompletas. O sistema de computador de inteligência agrícola pode deslocar as células na localização identifica- da em uma única direção, tal como a direção do plantador, para caber mais células completas. Por exemplo, no mapa 2206, as células na localização 2208 foram deslocadas para cima. Enquanto que no mapa 2202, somente uma célula completa cabe na localização, no mapa 2206 duas células foram capazes de caber na mesma localização
2208. Assim, no mapa 2210, ambas as células são capazes de serem utilizadas em diferentes ensaios.
[00232] Em uma modalidade, o sistema de computador de inteli- gência agrícola identifica uma ou mais células incompletas na grade. O sistema de computador de inteligência agrícola então determina qual metade da célula compreende a maior área completa contígua do limi- te. Por exemplo, se um canto estiver faltando do topo da célula, mas o fundo da célula estiver intacto, o sistema pode identificar a porção infe- rior da célula como a mais completa. O sistema de computador de in- teligência agrícola pode então deslocar a célula e todas as células afe- tadas pelo deslocamento na direção da porção mais intacta da célula até que uma célula completa seja feita. O sistema de computador de inteligência agrícola pode então determinar se a coluna que contém a célula tem um maior número de células completas do que antes. Se a coluna contiver um maior número de células, o sistema pode continuar o processo com a próxima célula incompleta na coluna. Se não, o sis- tema pode reverter a coluna para o seu estado pré-deslocado e conti- nuar o processo com a próxima célula incompleta na coluna. Uma vez que o processo foi executado com cada célula incompleta na coluna, o sistema pode continuar o processo com a próxima coluna.
[00233] Apesar dos métodos acima serem descritos em termos de limite de campo, estes podem também ser utilizados com relação a zonas de gerenciamento. Por exemplo, uma célula pode ser conside- rada incompleta se esta compreender mais do que uma zona de ge- renciamento. Assim, o sistema pode deslocar as células para cima ou para baixo de modo a maximizar um número de células completas em uma zona de gerenciamento. Em uma modalidade, o sistema primeiro seleciona uma menor zona de gerenciamento e executa o método aqui descrito para aumentar um número de células na menor zona de ge- renciamento. O sistema pode então executar o método na próxima menor zona de gerenciamento. Após deslocar as células em uma zona de gerenciamento, o sistema pode além disso determinar se o deslo- camento reduziu um número de células completas em uma zona de gerenciamento anterior. Se assim, o sistema reverte a coluna para o seu estado pré-deslocado e continua o processo com a próxima célula incompleta na coluna.
[00234] Em uma modalidade, o sistema é capaz de deslocar células de modo que duas células sequenciais não estão topando. Por exem- plo, quando uma primeira célula é deslocada para baixo, a célula aci- ma da primeira célula pode não ser deslocada. Assim, o sistema é ca- paz de deslocar células ao redor de obstáculos no meio dos campos, tal como pequenos corpos de água e grandes árvores, enquanto ma- ximizando o número de células na sobreposição de grade.
[00235] Apesar das modalidades terem sido descritas utilizando du- as células adjacentes, alguns ensaios requerem a utilização de mais do que duas localizações. Para tais localizações, o sistema pode iden- tificar grupamentos dentro de uma zona de gerenciamento para execu- tar o ensaio. O sistema pode primeiro selecionar a menor zona de ge- renciamento, por meio disto maximizando o número de ensaios feitos nas menores zonas. O sistema pode então selecionar randomicamen- te ou pseudorrandomicamente selecionar uma primeira localização. O sistema pode então pseudorrandomicamente selecionar segundas lo- calizações que tocam a primeira localização até que todos as localiza- ções tenham sido colocadas ou mais nenhuma localização circundante esteja disponível. Se mais localizações precisarem ser colocadas, o sistema pode randomicamente ou pseudorrandomicamente selecionar terceiras localizações que tocam as segundas localizações. O sistema pode continuar o processo até que todas as localizações tenham sido colocadas ou nenhuma outra localização possa ser colocada. Se mais localizações não puderem ser colocadas, o sistema pode remover to- das as localizações colocados anteriormente e randomicamente ou pseudorrandomicamente colocar uma nova primeira localização na zona de gerenciamento para continuar o processo. Se mais do que um número limite de tentativas de colocar um grupamento de localização terminou em falha, o sistema pode então mover para a próxima zona de gerenciamento.
7.6. MAPAS DE PRESCRIÇÃO E SCRIPTS
[00236] Os métodos aqui descritos aperfeiçoam o processo da ge- ração do computador de mapas de prescrição para executar uma ou mais tarefas agrícolas em um campo agrícola. Por exemplo, o sistema de computador de inteligência agrícola pode receber uma solicitação para gerar um mapa de prescrição para um campo agrícola com um ou mais ensaios específicos. O sistema de computador de inteligência agrícola pode utilizar os métodos acima descritos para identificar os campos e localizações de ensaio, orientações das localizações de en- saio, e tamanhos das localizações de ensaio. O sistema de computa- dor de inteligência agrícola pode então gerar um mapa de prescrição o qual inclui o ensaio sendo executado nas localizações de ensaio. Por exemplo, se o ensaio for dobrar a população de semeadura, o sistema de computador de inteligência agrícola pode gerar o mapa de prescri- ção de modo que a população de semeadura para as localizações de ensaio seja o dobro da população das localizações restantes.
[00237] Em uma modalidade, o sistema de computador de inteli- gência agrícola utiliza o mapa de prescrição para gerar um ou mais scripts que são utilizados para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, o script pode com- preender instruções as quais, quando executadas pelo controlador de aplicação, fazem com que o controlador de aplicação faça com que um implemento agrícola aplique uma prescrição no campo. O script pode incluir um script de plantio, script de aplicação de nutrientes, script de aplicação de produtos químicos, script de irrigação e/ou qualquer outro conjunto de instruções utilizado para controlar um implemento agríco- la.
8. COMUNICAÇÃO DE DISPOSITIVO DE COMPUTAÇÃO DE GE-
[00238] O sistema de computador de inteligência agrícola pode en- viar a solicitação de participação de ensaio para uma interface gráfica de usuário no dispositivo de computação de gerenciador de campo. A solicitação de participação de ensaio pode identificar as restrições do ensaio e um ou mais valores associados com o ensaio. A associação de valor está aqui descrita mais adiante. A interface gráfica de usuário pode incluir opções para concordar em participar no ensaio, selecionar uma quantidade específica de um campo para dedicar ao ensaio, se- lecionar o grau de mudança em práticas de gerenciamento, e/ou sele- cionar o nível de confiança desejado dos resultados. O sistema de computador de inteligência agrícola pode identificar possíveis localiza- ções no campo para a implementar as localizações de ensaio para o ensaio. Além disso ou alternativamente, a interface gráfica de usuário pode incluir opções para selecionar a colocação das localizações de ensaio.
[00239] Em uma modalidade, a solicitação de participação de en- saio não identifica diretamente um produto ou prática de gerenciamen- to para o dispositivo de computação de gerenciador de campo. Por exemplo, a solicitação de participação de ensaio pode identificar que diferentes sementes híbridas devem ser utilizadas em uma localização de ensaio, mas não identifica o tipo de sementes híbridas. As semen- tes híbridas podem ser fisicamente enviadas para o campo para im-
plementação do ensaio. Assim, o gerenciador de campo pode executar o ensaio sem conhecimento do tipo de semente sendo plantada, um tipo de produto sendo aplicado, ou uma ou mais práticas de gerencia- mento sendo aplicadas como parte do ensaio.
[00240] A Figura 9 apresenta uma interface gráfica de usuário para selecionar localizações para colocar localizações de ensaio. Na ima- gem mais à esquerda da Figura 9, o campo está separado em múlti- plas zonas com base no tipo de solo. A imagem mais à direita mostra taxas de aplicação de nitrogênio por localização. Uma localização foi selecionada para a implementar uma localização de ensaio onde o ni- trogênio foi aplicado, enquanto que uma segunda localização foi sele- cionada para implementar uma localização de ensaio onde o nitrogê- nio não foi aplicado, por meio disto atuando como um grupo de contro- le. Ambas as localizações estão dentro da mesma zona de gerencia- mento.
[00241] A interface gráfica de usuário que executa no dispositivo de computação de gerenciador de campo pode incluir opções para nome- ar, descrever, e identificar localizações selecionadas. A Figura 10 apresenta uma interface gráfica de usuário exemplar para definir as localizações selecionadas. O display da Figura 10 inclui uma caixa de texto para nomear a localização selecionada, uma caixa de texto para adicionar uma descrição da localização selecionada e uma opção para selecionar um ou mais identificadores para a localização selecionada. Os identificadores podem ser utilizados posteriormente para pesquisar através de localizações selecionadas anteriores. Por exemplo, se o gerenciador de campo implementar uma pluralidade de diferentes tipos de ensaios, o gerenciador de campo pode utilizar os identificadores para identificar as localizações que foram identificadas para um tipo específico de ensaio. Apesar da Figura 10 ser descrita em termos de uma interface de usuário, identificadores similares podem ser utiliza-
dos pelo sistema de computador de inteligência agrícola para rastrear regiões do campo com ensaios específicos.
[00242] Uma vez que uma região foi selecionada, o sistema de computador de inteligência agrícola pode rastrear e causar a exibição de informações pertencentes à região selecionada. A Figura 11 apre- senta uma interface gráfica de usuário exemplar para exibir informa- ções que pertencem a uma região selecionada. Na Figura 11, a região "18,1 kg (40 Lbs) de Controle" foi selecionada. O relatório apresenta uma produtividade para a localização, uma umidade de solo da locali- zação, assim como estatísticas relativas a subrregiões da região sele- cionada. Por exemplo, a produtividade média para a subrregião de "População> 38,0k sementes por acre" é apresentada sob a produtivi- dade média para a localização selecionada. Em outra modalidade, o relatório poderia apresentar a produtividade para outras localizações, por exemplo, a produtividade média para "População> 38,0k sementes por acre" na região de ensaio, ou no restante do campo fora da região de "18,1 kg (40 Lbs) de Controle".
[00243] O servidor pode além disso exibir comparações entre os dados de ensaio, dados de controle, e outros dados de campo. A Figu- ra 12 apresenta uma interface gráfica de usuário exemplar para apre- sentar os resultados de um ensaio. A Figura 12 identifica produtivida- des médias para cada tipo de ensaio se comparada com a produtivi- dade média para o campo. A interface da Figura 12 apresenta produti- vidades exemplares para o controle de nitrogênio, ensaio de nitrogê- nio, e um ensaio de aplicação de nitrogênio no final de estação. A in- terface provê uma fácil verificação visual dos efeitos sobre a imple- mentação do ensaio. Uma linha vertical pode também apresentar a produtividade média para o campo inteiro.
[00244] Em uma modalidade, o sistema de computador de inteli- gência agrícola inicialmente rastreia o progresso de implementar as localizações ensaio dentro do campo. Por exemplo, um sensor de campo pode indicar onde um implemento de campo esteve plantando culturas ou aplicando produtos. Como o implemento de campo planta sementes dentro de uma área selecionada como uma localização de ensaio, o sistema de computador de inteligência agrícola pode monito- rar o plantio e/ou aplicações de modo a determinar se a localização de ensaio está em conformidade com os requisitos do ensaio. Por exem- plo, um ensaio pode requerer que uma localização de ensaio inclua um requisito para uma população de plantio de 35.000 sementes por acre. Se o sistema de computador de inteligência agrícola receber uma indicação de dados que o implemento plantou 35.000 sementes por acre em uma localização de ensaio específica, o sistema de com- putador de inteligência agrícola pode indicar para o gerenciador de campo que a localização de ensaio foi corretamente implementada. Como exemplo, uma cor da localização de ensaio em um mapa exibi- do no dispositivo de computação de gerenciador de campo pode mu- dar em resposta ao servidor determinando que a localização de ensaio atende aos requisitos do ensaio.
[00245] Como o servidor rastreia o plantio e/ou aplicação de um im- plemento de campo, o sistema de computador de inteligência agrícola pode enviar avisos para um dispositivo de computação de gerenciador de campo que indicam que o implemento de campo está para começar o plantio ou aplicação em uma localização de ensaio. Por exemplo, o servidor pode rastrear o plantio de uma primeira semente híbrida por um implemento de plantio em um campo específico. Se a localização de ensaio requer o plantio de uma segunda semente híbrida, o sistema de computador de inteligência agrícola pode enviar um aviso para o dispositivo de computação de gerenciador de campo conforme o im- plemento de plantio se aproxima da localização de ensaio. O aviso permite que o gerenciador de campo pare o implemento de plantio an-
tes que o implemento de plantio invalide a localização de ensaio para o ensaio. O aviso pode ser qualquer sinal enviado para o dispositivo de computação de gerenciador de campo, tal como uma notificação pop-up, e-mail, mensagem SMS/MMS ou um sinal que faz com que uma luz pisque no dispositivo de computação de gerenciador de cam- po.
[00246] Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode enviar instruções que, se executadas, fazem com que um implemento de campo corrija o plantio ou aplica- ções na localização de ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode enviar um script que pode ser utilizado para controlar um implemento de campo para fazer com que o imple- mento de campo implemente o ensaio. O sistema de computador de inteligência agrícola pode enviar o script diretamente para um disposi- tivo de computação de gerenciador de campo que controla o imple- mento, por meio disto automaticamente compensando um plantio ou aplicações incorretos. Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode enviar o script para um dis- positivo de computação de gerenciador de campo que é então utiliza- do por um gerenciador de campo para compensar o plantio ou aplica- ções.
[00247] Em uma modalidade, o sistema de computador de inteli- gência agrícola oferece alternativas se o sistema de computador de inteligência agrícola determinar que uma localização de ensaio foi in- validada. Quando uma localização de ensaio foi invalidada, o sistema de computador de inteligência agrícola pode identificar uma ou mais localizações adicionais para implementar a localização de ensaio. O sistema de computador de inteligência agrícola pode causar a exibi- ção, através da interface gráfica de usuário que executa no dispositivo de computação de gerenciador de campo, uma identificação de uma ou mais localizações alternativas para implementar a localização de ensaio. Em uma modalidade, a interface gráfica de usuário pode incluir opções para o gerenciador de campo para selecionar uma das locali- zações alternativas para implementar a localização de ensaio. Em ou- tra modalidade, o sistema de computador de inteligência agrícola pode fazer com que, através do controlador de aplicação, o aparelho agríco- la automaticamente implemente a localização de ensaio em uma loca- lização alternativa sem requerer uma ação do gerenciador de campo.
[00248] Como um exemplo, uma primeira localização de ensaio po- de ser definida em uma primeira localização como um grupo de contro- le o qual não recebe uma aplicação de nitrogênio. Se o sistema de computador de inteligência agrícola determinar que o nitrogênio foi aplicado na primeira localização, o sistema de computador de inteli- gência agrícola pode identificar uma ou mais segundas localizações onde o nitrogênio não foi aplicado. O sistema de computador de inteli- gência agrícola pode causar a exibição das uma ou mais segundas localizações no dispositivo de computação de gerenciador de campo. Em resposta a receber uma seleção de uma localização específica, o sistema de computador de inteligência agrícola pode atualizar o mapa para indicar que a localização específica é uma segunda localização de ensaio que é definida como um grupo de controle o qual não rece- be uma aplicação de nitrogênio. O sistema de computador de inteli- gência agrícola pode então enviar avisos para o dispositivo de compu- tação de gerenciador de campo para não aplicar nitrogênio na locali- zação específica.
[00249] Como outro exemplo, uma primeira localização de ensaio pode ser definida em uma primeira localização como um grupo de con- trole o qual não recebe uma aplicação de nitrogênio. Se o sistema de computador de inteligência agrícola determinar que o nitrogênio foi aplicado na primeira localização, o sistema de computador de inteli-
gência agrícola pode identificar uma ou mais segundas localizações onde o nitrogênio não foi aplicado. O sistema de computador de inteli- gência agrícola pode fazer com que, diretamente através do controla- dor de aplicação, o aparelho agrícola automaticamente implemente a localização de ensaio em uma localização alternativa sem requerer uma ação do gerenciador de campo. O aparelho agrícola pode então não aplicar nitrogênio na localização específica.
[00250] Em uma modalidade, o sistema de computador de inteli- gência agrícola pode ser programado ou configurado para alterar um ou mais ensaios em resposta a determinar que uma localização de en- saio não está em conformidade com um ensaio. Em uma modalidade, o sistema de computador de inteligência agrícola sugere alterações para uma ou mais práticas para outras localizações para compensar erros na localização de ensaio. Por exemplo, se uma localização de controle foi plantada com uma taxa de semeadura que é dez por cento mais alta do que requerida pelo ensaio, o sistema de computador de inteligência agrícola pode modificar a taxa de semeadura para as ou- tras localizações de ensaio para ser dez por cento mais alta.
[00251] O sistema de computador de inteligência agrícola pode além disso alterar os resultados preditos do ensaio com base em mo- dificações identificadas nas localizações de ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode predizer um au- mento em produtividade de 30 alqueires/acre para uma aplicação de 18,1 kg (40 libras)/acre de nitrogênio. Se o sistema de computador de inteligência agrícola detectar que somente 13,6 kg (30 libras)/acre de nitrogênio foram aplicadas em um campo, o sistema de computador de inteligência agrícola pode diminuir o aumento predito em produtividade de 30 alqueires/acre.
[00252] O sistema de computador de inteligência agrícola pode além disso utilizar dados de campo observados para determinar se um campo está em conformidade com um ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode comparar os resultados do ensaio com os resultados de ensaios equivalentes em outros cam- pos e/ou resultados médios para uma região geográfica, tal como um município. Se os resultados do ensaio variarem amplamente dos resul- tados do outro campo ou região geográfica, o sistema de computador de inteligência agrícola pode determinar que o ensaio foi incorretamen- te implementado no campo.
8. ASSOCIAÇÃO DE VALOR
[00253] Em uma modalidade, o sistema de computador de inteli- gência agrícola associa um valor de resultado com o desempenho do ensaio. O valor do resultado associado pode ser um custo reduzido para obter de produtos, um custo para o gerenciador de campo se o ensaio tiver sucesso, um desconto se o ensaio não tiver sucesso, cré- ditos de carbono, créditos de utilização de água, e/ou qualquer forma de moeda digital.
[00254] Em uma modalidade, a solicitação de participação de en- saio inclui um compromisso com um resultado específico, tal como uma produtividade absoluta, um lucro, um aumento percentual de re- ceita ou lucro com base na produtividade, e/ou uma qualidade da cul- tura. Por exemplo, a solicitação de participação do ensaio pode incluir uma garantia que a produtividade total de um campo aumentará em 20 alqueires/acre se um pesticida específico for utilizado no campo. Se o gerenciador de campo concordar em participar no ensaio, o gerencia- dor de campo é requerido a utilizar o pesticida em uma ou mais locali- zações de ensaio e não utilizar o pesticida em uma ou mais localiza- ções de controle. Se a localização de ensaio superar a localização de controle em pelo menos 20 alqueires/acre, o sistema de computador de inteligência agrícola determinará que o resultado garantido ocorreu. Se a localização de ensaio não superar a localização de controle em pelo menos 20 alqueires/acre, o sistema de computador de inteligência agrícola pode determinar que o resultado garantido não ocorreu.
[00255] Em uma modalidade, a solicitação de participação de en- saio pode oferecer um produto ou semente com um desconto ou grátis em troca pela participação no ensaio e uma porção de lucro se o resul- tado garantido ocorrer. Por exemplo, uma oferta de participação de ensaio pode incluir sementes grátis de um híbrido específico para um fazendeiro, mas uma promessa que se o aumento de produtividade para as localizações de ensaio exceder 20 alqueires/acre, o gerencia- dor de campo deve pagar dez por cento do aumento na receita e/ou retorno do investimento da venda da cultura. A porção do lucro pode ser uma porção de lucro real ou um lucro modelado com base em pre- ços médios para a cultura colhida.
[00256] Apesar das modalidades terem sido descritas geralmente com relação ao plantio de sementes ou aplicação de um produto, uma solicitação de participação de ensaio similar pode ser baseada em di- ferentes práticas de gerenciamento. Por exemplo, o sistema de com- putador de inteligência agrícola pode receber dados de um dispositivo de computação de gerenciador de campo que indicam práticas de ge- renciamento históricas e produtividade histórica. O sistema de compu- tador de inteligência agrícola pode computar um benefício de mudar uma ou mais práticas de gerenciamento. O sistema de computador de inteligência agrícola pode enviar uma solicitação de participação de ensaio que indica que o sistema de computador de inteligência agríco- la identificou uma ou mais práticas de gerenciamento as quais, se alte- rada, garantiriam um benefício específico. Se o dispositivo de compu- tação de gerenciador de campo concordar em participar no ensaio, o sistema de computador de inteligência agrícola pode enviar as uma ou mais práticas de gerenciamento mudadas para o dispositivo de com- putação de gerenciador de campo. Se as localizações de ensaio que implementam as práticas de gerenciamento mudadas se beneficiarem pela quantidade garantida, o sistema de computador de inteligência agrícola pode solicitar uma porção de lucro e/ou retorno no investimen- to. Por exemplo, o sistema de computador de inteligência agrícola po- de computar um benefício de mudar de aplicação de fertilizante de ni- trogênio no outono para aplicação de fertilizante de nitrogênio na pri- mavera. Se as localizações de ensaio que implementam a aplicação de fertilizante de nitrogênio na primavera se beneficiarem pela quanti- dade garantida, o sistema de computador de inteligência agrícola pode solicitar uma porção de lucro aumento e/ou retorno no investimento.
[00257] Apesar de modalidades terem sido descritas geralmente com relação ao plantio de sementes ou aplicação de um produto ou diferentes práticas de gerenciamento, uma solicitação de participação de ensaio similar pode ser baseada em diferentes equipamentos agrí- colas. Por exemplo, o sistema de computador de inteligência agrícola pode receber dados de um dispositivo de computação de gerenciador de campo que indicam práticas de gerenciamento históricas, equipa- mentos agrícolas históricos e produtividades históricas. O sistema de computador de inteligência agrícola pode computar um benefício de mudar uma ou mais peças de equipamento agrícola. O sistema de computador de inteligência agrícola pode enviar uma solicitação de participação de ensaio que indica que o sistema de computador de in- teligência agrícola identificou uma ou mais peças de equipamento agrícola as quais, se alteradas, garantiriam um benefício específico. Se o dispositivo de computação de gerenciador de campo concordar participar no ensaio e o revendedor de equipamentos agrícolas con- cordar em participar no ensaio, o sistema de computador de inteligên- cia agrícola pode enviar uma ou mais práticas de gerenciamento mu- dadas para o dispositivo de computação de gerenciador de campo e para o revendedor de equipamentos agrícolas. Se as localizações de ensaio que implementam o benefício de equipamento agrícola mudado pela quantidade garantida, o sistema de computador de inteligência agrícola pode solicitar uma porção de lucro e/ou retorno sobre o inves- timento do gerenciador de fazenda ou do revendedor de equipamentos agrícolas. Por exemplo, o sistema de computador de inteligência agrí- cola pode computar um benefício de mudar para um novo equipamen- to de plantio. Se as localizações de ensaio que implementam o novo equipamento de plantio se beneficiarem pela quantidade garantida, o sistema de computador de inteligência agrícola poderá solicitar uma porção do lucro aumentado, retorno sobre o investimento ou preço de venda de equipamentos.
[00258] Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode oferecer um desconto se o aumento ga- rantido em produtividade não ocorrer. Por exemplo, o sistema de com- putador de inteligência agrícola pode cobrar por um produto específico ou prover conselhos de prática de gerenciamento. O sistema de com- putador de inteligência agrícola pode garantir um aumento específico em produtividade com base na utilização do dispositivo de prática de gerenciamento ou produto específico provido. O sistema de computa- dor de inteligência agrícola pode, além disso oferecer um desconto se o aumento específico garantido em produtividade não ocorrer. Assim, um gerenciador de campo pode ser assegurado que ou o gerenciador de campo receberá um benefício substancial por participar do ensaio ou pelo menos uma porção dos custos de participar no ensaio será recuperável.
[00259] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina a associação de valor resultante com base em dados capturados para o campo. Por exemplo, o sistema de com- putador de inteligência agrícola pode receber dados de campo que in- cluem descrições de campo, dados de solo, dados de plantio, dados de fertilidade, dados de colheita e produtividade, dados de proteção de cultura, dados de pragas e doenças, dados de irrigação, dados de pa- vimentação, imagens, dados de clima, e dados de gerenciamento adi- cionais. Com base nos dados de campo, o sistema de computador de inteligência agrícola pode computar benefícios para o campo de utilizar um ou mais produtos, práticas de gerenciamento, equipamentos agrí- colas, ou sementes. O sistema de computador de inteligência agrícola pode gerar uma solicitação de participação de ensaio com base nos benefícios computados para o campo. Por exemplo, o sistema de computador de inteligência agrícola pode ser programado ou configu- rado para oferecer os um ou mais produtos, práticas de gerenciamen- to, equipamentos agrícolas, ou sementes em uma percentagem espe- cífica de aumento computado em lucros para o campo.
[00260] Como exemplo, um sistema de computador de inteligência agrícola pode determinar que aplicado uma prática de gerenciamento específica aumentaria a produtividade de um campo em 20 alquei- res/acre. O sistema de computador de inteligência agrícola pode tam- bém determinar que o preço da cultura é aproximadamente $ 4 por alqueire. Assim, o aumento esperado em lucro para implementar a prática de gerenciamento seria $ 80/acre. Se o sistema de computador de inteligência agrícola estiver programado ou configurado para solici- tar 10% de lucros esperados, o sistema de computador de inteligência agrícola pode enviar uma solicitação de participação de ensaio que garante um aumento em produtividade de 15 alqueires/acre a um cus- to de $ 8 por acre aplicado.
[00261] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina a associação de valor resultante com base em uma tolerância de risco associada com o dispositivo de computa- ção de gerenciador de campo. A tolerância de risco pode ser determi- nada utilizando qualquer um dos métodos aqui descritos. Se a tolerân-
cia de risco associada com o dispositivo de computação de gerencia- dor de campo for mais alta do que um valor específico, o sistema de computador de inteligência agrícola pode oferecer um preço inicial re- lativamente alto com um desconto relativamente alto por falha em atender a condição. Se a tolerância de risco associada com o disposi- tivo de computação de gerenciador de campo for mais baixa do que um valor específico, o sistema de computador de inteligência agrícola pode oferecer um preço inicial relativamente baixo com um desconto relativamente baixo por falha em atender a condição.
[00262] Em uma modalidade, o sistema de computador de inteli- gência agrícola ajusta uma pluralidade de valores resultantes a ser as- sociada com a solicitação de participação de ensaio. Por exemplo, a solicitação de participação de ensaio pode incluir um sistema de des- conto em níveis onde um primeiro desconto é pago se o ensaio bene- ficiou a produtividade, mas não na extensão garantida pela solicitação de participação de ensaio e um segundo desconto é pago se o ensaio não beneficiou a produtividade. Outros níveis em camadas podem ser ajustados com base no nível de benefício do ensaio. Por exemplo, um sistema em camadas pode ajustar diferentes valores de desconto para cada 5 alqueires/acre abaixo da produtividade garantida.
[00263] A associação de valor resultante pode ser baseada em lo- calizações de ensaio individuais ou em uma combinação de localiza- ções de ensaio. Por exemplo, a solicitação de participação de ensaio pode incluir uma oferta baseada em um desempenho médio de todas as localizações de ensaio que participam no ensaio. Assim, uma das localizações de ensaio produzindo uma produtividade mais baixa do que a produtividade garantida pode não indicar uma falha do ensaio desde que a produtividade média para as localizações de ensaio este- ja acima da produtividade garantida. Como outro exemplo, a solicita- ção de participação de ensaio pode incluir uma oferta baseada em um desempenho médio de todas as localizações de ensaio de múltiplas operações participam no ensaio em uma região geográfica, como um município.
[00264] Em uma modalidade, a região de oferta de solicitação de participação de ensaio de desempenho médio utilizada para determi- nar os benefícios do ensaio pode ser determinada com base em uma tolerância de risco associada com o dispositivo de computação de ge- renciador de campo. Se a tolerância de risco associada com o disposi- tivo de computação de gerenciador de campo for mais alta do que um valor específico, o sistema de computador de inteligência agrícola po- de oferecer uma região relativamente pequena de desempenho médio, potencialmente um subcampo que inclui o nível de localização de en- saio individual. Se a tolerância de risco associada com o dispositivo de computação de gerenciador de campo for mais baixa do que um valor específico, o sistema de computador de inteligência agrícola pode ofe- recer uma região relativamente grande de desempenho médio, poten- cialmente incluindo localizações de ensaio em campos que abrangem múltiplos gerenciadores de campo e mesmo operações agrícolas atra- vés de uma área geográfica, como um município.
[00265] Em ema modalidade, a associação de valor resultante inclui uma margem garantida para o gerenciador de campo. Por exemplo, o sistema de computador de inteligência agrícola pode modelar uma produtividade provável e/ou um lucro provável de utilizar uma ou mais sementes, um ou mais produtos, e/ou uma ou mais práticas de geren- ciamento. O sistema de computador de inteligência agrícola pode ga- rantir um lucro para o gerenciador de campo com base na produtivida- de modelada e/ou lucro provável. Se o dispositivo de computação de gerenciador de campo concordar com o ensaio, o gerenciador de campo pode ser provido com as uma ou mais sementes, um ou mais produtos, e/ou uma ou mais práticas de gerenciamento. Quando do completamento do ensaio, o sistema de computador de inteligência agrícola pode computar um valor resultante que compreende uma dife- rença entre um lucro predito e/ou real e o lucro garantido. O valor re- sultante computado pode representar uma quantia devida para o ge- renciador de campo. Se o valor resultante computado for negativo, en- tão o valor resultante computado indica uma quantia devida para o ge- renciador de campo. Assim, a solicitação de participação de ensaio é capaz de assegurar um lucro específico para o gerenciador de campo enquanto ainda sendo benéfico para o solicitante de ensaio.
[00266] Em uma modalidade, o valor resultante associado pode ser baseado em uma porção do campo designada para o ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode gerar diferentes níveis de descontos com base na percentagem ou área do campo que o gerenciador de campo concorda em utilizar para o en- saio. Um primeiro valor de desconto pode ser ajustado para uma pri- meira percentagem ou quantidade do campo designada para o ensaio e um segundo valor de desconto mais alto pode ser ajustado para uma segunda percentagem ou quantidade mais alta do campo designado para o ensaio. Assim, o gerenciador de campo é incentivado a aumen- tar a quantidade de campo dedicada para o ensaio de modo a ser ca- paz de reivindicar os benefícios e/ou descontos mais altos.
9. IMPLEMENTAÇÃO BASEADA EM RESULTADOS
[00267] Em uma modalidade, o sistema de computador de inteli- gência agrícola é programado para gerar uma ou mais associações de valor para uma recomendação de ensaio específica. Uma recomenda- ção de ensaio pode compreender uma ou mais diferentes práticas pa- ra um estrito subconjunto de um campo agronômico ou para um cam- po agronômico inteiro. Por exemplo, o sistema de computador de inte- ligência agrícola pode ser programado para recomendar uma diferente semente, uma diferente população de sementes, uma diferente aplica-
ção e/ou taxa de aplicação de fungicida, uma diferente prática de pro- teção de cultura, uma diferente aplicação e/ou taxa de aplicação de herbicida, uma diferente prática de fertilidade e/ou taxa de fertilidade e/ou outras diferentes práticas de gerenciamento para um campo agrí- cola. O sistema de computador de inteligência agrícola pode ser pro- gramado para utilizar um benefício modelado de implementar uma di- ferente semente e/ou uma diferente população de sementes para ge- rar um ou mais valores baseados em resultados, tal como um custo para sementes utilizadas para executar o ensaio o qual é dependente do resultado esperado.
[00268] Em uma modalidade, o sistema de computador de inteli- gência agrícola é programado para receber dados de campo para um campo agronômico, os dados de campo identificando uma produtivi- dade agronômica passada para um ou mais campos e uma ou mais práticas de gerenciamento previamente utilizadas. O sistema de com- putador de inteligência agrícola é programado para identificar uma ou mais diferentes práticas de gerenciamento que correspondem a um ou mais produtos, tal como a colocação de diferentes sementes em dife- rentes densidades de sementes. Utilizando as uma ou mais diferentes práticas de gerenciamento, o sistema de computador de inteligência agrícola é programado para criar e armazenar um modelo digital que compreende instruções executáveis que representem um aperfeiçoa- mento para o campo agronômico de implementar a prática de gerenci- amento. O sistema de computador de inteligência agrícola é progra- mado para utilizar os aperfeiçoamentos modelados para gerar um ou mais valores de custo para os um ou mais produtos e exibir os um ou mais valores de custo em um dispositivo de computação de cliente.
[00269] Se um dos ou mais valores de custo for selecionado, o sis- tema de computador de inteligência agrícola pode ser programado pa- ra facilitar a implementação da recomendação, tal como através de um ou mais scripts agrícolas que fazem com que uma máquina agronômi- ca semeie um campo em uma taxa de semeadura recomendada, e/ou monitore um campo agronômico para determinar que o campo está em conformidade com a recomendação. Para os valores de custo que in- cluem um desconto baseado em produtividade garantida, o sistema de computador de inteligência agrícola pode ser configurado para somen- te prover o desconto se o campo agronômico estiver em conformidade com a recomendação.
9.1. TIPOS DE VALOR
[00270] Em uma modalidade, o sistema de computador de inteli- gência agrícola computa uma pluralidade de valores baseados em re- sultados com base, pelo menos em parte, nas uma ou mais recomen- dações. Por exemplo, o sistema de computador de inteligência agríco- la pode computar um custo para sementes por acre sem gerenciamen- to de risco, um valor de garantia de desempenho, um valor de corres- pondência de desempenho e/ou um valor de correspondência de lucro. Apesar dos exemplos serem descritos com relação a mudanças em tipo de semente e taxas de semeadura, os métodos aqui descritos po- dem ser utilizados com mudanças em aplicação de fungicida, aplica- ção de inseticida, aplicação de nutriente / inibidor de nutriente e/ou ou- tras mudanças em prática de gerenciamento. Assim, apesar dos exemplos abaixo descritos utilizarem aumento de posicionamento e densidade, outras implementações podem incluir aumento de fungici- da, aumento de inseticida, aumento da fertilidade, e/ou aumento devi- do a qualquer outra prática de gerenciamento.
[00271] Em uma modalidade, o valor de custo por acre é computa- do como uma função de um benefício modelado de executar uma ou mais diferentes práticas de gerenciamento. Por exemplo, o preço por acre baseado em um tipo de semente e população de sementes reco- mendado pode ser computado como segue:
onde B é um valor computado por alqueire da cultura plantada, I é um valor de percentagem selecionado, é o aumento de densidade, isto é, o aumento modelado em produtividade devido a implementar a diferente população de semeadura, é o aumento de posicionamen- to, isto é, o aumento modelado em produtividade devido ao plantio da semente recomendada, e é um valor de base para a semente. O valor de base pode ser depender da produtividade modelado do cam- po agronômico com a semente plantada, tal como uma produtividade modelado por acre multiplicada pelo custo de semente, tal como 60 centavos.
[00272] O preço de garantia de desempenho pode ser computado em um modo forma similar com um valor de risco adicionado para co- brir a garantia. A garantia pode especificar uma produtividade garanti- da específica. O sistema de computador de inteligência agrícola pode armazenar um valor de reembolso, que indica um valor de reembolso se o campo agrícola não receber a produtividade garantida.
[00273] O valor de correspondência de desempenho pode ser com- putado em um modo similar com um valor de risco mais baixo para cobrir a garantia. A garantia pode especificar uma produtividade garan- tida específica. O sistema de computador de inteligência agrícola pode além disso armazenar um valor de reembolso e percentagem de de- sempenho excedente. A percentagem de desempenho excedente po- de compreender uma percentagem de produtividade acima da produti- vidade garantida a qual é computada utilizando os métodos aqui des- critos.
[00274] O valor de correspondência de lucro pode ser computado como uma percentagem da produtividade modelada com um valor de risco adicional. Por exemplo, o valor de correspondência de lucro pode ser computado como:
onde o valor do risco é um valor ajustado adicional. Os valores de ris- co podem ser computados com base em informações modeladas, de modo a fazer com que os valores de pagamento e os valores de bene- fício sejam em média zero. Além disso ou alternativamente, o valor de risco pode ser valores ajustado para cada uma das computações ba- seadas em resultados, independentemente da produtividade esperada para o campo agrícola.
9.2. FLUXO DE DADOS
[00275] A Figura 18 apresenta um fluxo de dados exemplar para a produzir um ou mais valores baseados em resultados para uma reco- mendação. O fluxo de dados da Figura 18 amplamente descreve um processo exemplar por meio de que dados de entrada de campo são utilizados para computar recomendações, ofertas, e garantias. Outros processos exemplares podem utilizar mais ou menos dados do que descrito na Figura 18 para computar um ou mais dos valores baseados em resultados aqui descritos. Todos os valores referenciados na Figu- ra 18 e nesta descrição são valores digitalmente armazenados capa- zes de leitura, escrita e transformação por computador sob controle do programa. Os dados podem ser preparados pelo sistema de computa- dor de inteligência agrícola e/ou recebidos dos um ou mais computa- dores servidores e/ou fontes de dados externos, tal como os dados providos descritos na Seção 4.
[00276] Dados de produtor brutos 1804 compreendem dados brutos relativos a um único produtor. Os dados de produtor brutos 1804 po- dem compreende um identificador de usuário para o produtor, um identificador de um ou mais campos gerenciados pelo produtor, um nome de um produto recomendado, região geográfica dos campos do produtor, tal como estado, município, latitude, longitude, e/ou zona predefinida, produtividade esperada mediana com base em modelo de produtividade, aumento de densidade, densidade de semeadura histó- rica, densidade recomendada, número de acres aos quais aplicar a densidade recomendada, produtividade histórica para os campos do produtor, aumento de posicionamento, variância do aumento de posi- cionamento, probabilidades de produtividade, nome de fazenda, identi- ficador de fazenda, nome de campo, e/ou identificador de campo.
[00277] As probabilidades de produtividade podem compreender um valor de probabilidade para cada um de uma pluralidade de valores de produtividade. Por exemplo, o sistema de computador de inteligên- cia agrícola pode computar uma produtividade esperada e variância de produtividade para um tratamento agrícola específico. Com base na produtividade e variância de produtividade esperada, o sistema de computador de inteligência agrícola pode determinar as probabilidades para cada um de uma pluralidade de valores de produtividade, tal co- mo uma probabilidade para cada valor de produtividade inteiro entre 1 e 500 alqueires por acre.
[00278] O sistema de computador de inteligência agrícola agrega dados de produtor brutos 1804 nos dados de produtor agregados
1808. O sistema de computador de inteligência agrícola pode inicial- mente agregar dados para campos individuais para um produtor espe- cífico em dados de produtor para o produtor específico, gerando valo- res tai como aumento de densidade agregada, aumento de posiciona- mento agregado, e probabilidades de produtividade agregadas. Os dados de produtor agregados 1808 podem compreender agregações através de uma pluralidade de produtores de histórico de produção real, aumento de densidade, aumento de posicionamento, produtivida- de predita, percentagens de diferentes tipos de sementes utilizados e probabilidades de produtividade agregadas.
[00279] Os dados de zona de município 1806 compreendem infor- mações de município e zona gerais, tais como localizações de zona,
localizações de município, estados, e/ou outros dados gerais. As in- formações de zona podem ser baseadas em áreas predefinidas aqui referidas como "zonas" geradas pelo sistema de computador de inteli- gência agrícola e/ou providas para o sistema de computador de inteli- gência agrícola. Os dados de valor incremental de alqueire 1814 po- dem compreender dados que identificam um valor relativo de um al- queire da cultura. Por exemplo, o sistema de computador de inteligên- cia agrícola pode receber informações de preços anteriores para uma cultura específica em uma região específica. O sistema de computador de inteligência agrícola pode utilizar as informações de preços anterio- res para computar um valor incremental de alqueire que indica um preço esperado por alqueire da cultura para a próxima estação na re- gião específica.
[00280] Os dados de zona de município 1806 e os dados de valor incremental de alqueire 1814 podem ser utilizados para gerar os dados de zona 1812. Os dados de zona 1812 podem compreender definições de uma ou mais zonas, produtividade agronômica média dentro da zo- na, custo médio de sementes na zona, preço básico de alqueire médio na zona, preço de venda médio de sementes recomendadas na zona, assim como quaisquer outros valores agregados para uma ou mais localizações.
[00281] Os dados de produtor agregados e dados de zona 1812 podem ser utilizados para gerar dados de associação de valor 1820. Por exemplo, o sistema de computador de inteligência agrícola pode determinar valores tais como a produtividade provável máxima para um campo específico com base no histórico de produtividade real de campos assim como informações referentes à produtividade média para a zona. Os dados de associação de valor podem incluir um au- mento de densidade esperado, aumento de posicionamento, preço bá- sico de alqueire, garantia de produtividade, valor de alqueire, valor in-
cremental, e quaisquer outras informações utilizadas para gerar um preço básico para uma ou mais recomendações de semeadura.
[00282] O sistema de computador de inteligência agrícola também pode ser programado para gerar dados de risco agregados 1810. Os dados de risco geralmente referem-se ao risco de perda devido à falha de um campo em atender a produtividade predita. Os dados de risco agregados 1810 podem compreender identificadores de produtor, identificadores de operação, dados de localização para vários campos, produtividades esperadas, produtividades reais, e probabilidades de produtividade.
[00283] O sistema de computador de inteligência agrícola pode ser programado para utilizar os dados de risco agregados 1810 e os da- dos de associação de valor 1820 para gerar dados de cobertura de risco 1816. Os dados de cobertura de risco 1816 podem compreender um identificador de produtor, informações de produto, dados que iden- tificam um retorno devido ao superdesempenho, um valor de garantia, um valor de ajuste de risco, um valor de pagamento máximo, um valor de compartilhamento de lucros e/ou valor de piso de preço. O valor de superdesempenho pode ser computado como uma percentagem da produtividade maior do que a garantia de modo que as probabilidades de cada valor de produtividade multiplicadas pelo pagamento ou retor- no esperado e ajustados pelo valor de ajuste de risco sejam em média zero. Como um exemplo, o sistema de computador de inteligência agrícola pode utilizar a seguinte equação para gerar valores de garan- tia de risco para cada campo e/ou produtor: de modo que o pagamento esperado, computado como o valor de pa- gamento multiplicado pela probabilidade daquela produtividade, menos o valor de ajuste de risco é igual a zero.
[00284] O sistema de computador de inteligência agrícola pode uti- lizar os dados de cobertura de risco 1816 para gerar ajustes de risco 1818 os quais compreendem mudanças nos dados de associação de valor 1820 para levar em conta vários riscos. Os ajustes de risco po- dem incluir valores de ajuste de risco, taxas de superdesempenho, va- lores de descontos, pisos de preços e tetos de preços.
[00285] O sistema de computador de inteligência agrícola sintetiza os dados de associação de valor 1820 e os ajustes de risco 1818 para gerar um resultado final 1822. O resultado final 1822 pode compreen- der um arquivo, tal como um arquivo JSON, o qual compreende valo- res para cada um dos tipos de valor. Por exemplo, o resultado final 1822 pode compreender um id de produtor, nome de produtor, dados de campo, tais como área de campo, produtividade esperada, e preço básico da cultura, um preço de semente para o valor por acre, uma produtividade esperada para o valor por acre , um preço de semente para a garantia de desempenho, uma produtividade garantida para a garantia de desempenho, um desconto por alqueire abaixo da produti- vidade garantida para a garantia de desempenho, um preço mínimo para a garantia de desempenho, um preço para o valor de correspon- dência de desempenho, uma produtividade garantida para o valor de correspondência de desempenho, um desconto por alqueire abaixo da produtividade garantida para o valor de correspondência de desempe- nho, um preço de superdesempenho por alqueire acima da produtivi- dade garantida para o valor de correspondência de desempenho, um preço mínimo para o valor de correspondência de desempenho, um preço máximo para o valor de correspondência de desempenho, um percentagem de compartilhamento de lucro para o valor de comparti- lhamento de lucro, um preço mínimo para o valor de compartilhamento de lucro, e/ou um preço máximo para o valor de compartilhamento de lucro.
[00286] Em uma modalidade, o sistema de computador de inteli- gência agrícola exibe um ou mais valores baseados em resultados em um dispositivo de computação de cliente. Por exemplo, o sistema de computador de inteligência agrícola pode selecionar uma oferta para enviar para o dispositivo de computação de cliente. A oferta seleciona- da pode ser baseada em um valor de tolerância de risco, tal como aquele descrito na Seção 5, por meio de que o valor por acre é seleci- onado para alta tolerância de risco e o valor de correspondência de desempenho é selecionado para baixa tolerância de risco. Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode exibir uma pluralidade de valores baseados em resultados no dispositivo de computação de cliente e receber uma entrada selecio- nando um valor baseado em resultado específico.
9.3. MODELAGEM DE PRODUTIVIDADE PARA GERAR VALORES
[00287] Em uma modalidade, o sistema de computador de inteli- gência agrícola utiliza uma função de densidade de probabilidade para computar as probabilidades de diferentes produtividades de um campo agrícola. Uma distribuição probabilística indica não somente os valores de produtividade prováveis, mas as probabilidades de valores de pro- dutividade estarem acima ou abaixo de um valor de produtividade es- pecífico. O sistema de computador da inteligência agrícola pode utili- zar as funções de densidade de probabilidade para computar um valor de produtividade garantido. Por exemplo, o sistema de computador de inteligência agrícola pode gerar uma função de densidade de probabi- lidade para um campo específico com base em um ou mais valores de dados que correspondem ao campo. O sistema de computador de in- teligência agrícola pode selecionar um valor de produtividade específi- co da função probabilística de modo que a probabilidade da produtivi- dade sendo mais baixa do que o valor de produtividade com base na distribuição probabilística é uma percentagem específica, tal como 10%. Além disso ou alternativamente, o sistema de computador de in- teligência agrícola pode computar probabilidades da produtividade es- tar dentro de uma faixa específica, tal como entre 150-175 bu/ac. O sistema de computador de inteligência agrícola pode selecionar uma faixa com uma probabilidade de produtividade de 90% e computar o valor de produtividade garantido como o valor inferior da faixa.
[00288] Para utilizar a distribuição de probabilidade para gerar o valor de produtividade garantido, o sistema de computador de inteli- gência agrícola pode gerar as funções de densidade de probabilidade com muita antecedência do campo ou condições de clima, tal como um ano antes do plantio do campo agrícola. Assim, o sistema de com- putador de inteligência agrícola pode gerar um modelo que é treinado em características de entrada as quais podem ser determinadas com antecedência do plantio de uma cultura. Por exemplo, o sistema de computador de inteligência agrícola pode receber dados de produtivi- dade anteriores para um ou mais campos, os dados de produtividade anteriores compreendendo uma produtividade agronômica de um campo plantado com uma semente híbrida específica, dados de carac- terísticas de solo, tal como propriedades físicas e/ou químicas do solo, dados de topologia de campo, área de campo, práticas de gerencia- mento, tais como taxa de semeadura e ocorrência ou não ocorrência de rotação de cultura, e dados de semente, tais como características da semente híbrida específica. O sistema de computador de inteligên- cia agrícola pode treinar o modelo digital utilizando os dados de carac- terísticas de solo, dados de topologia de campo, práticas de gerencia- mento, e dados de sementes como entrada e a produtividade como saídas.
[00289] O modelo pode ser um modelo de regressão, tal como um modelo aditivo generalizado (GAM), um modelo baseado em árvore,
um modelo de aprendizado de máquina, e/ou um modelo de rede neu- ral. O modelo pode estar configurado para estimar uma distribuição, tal como uma distribuição sinh-arcsinh (SHASH). Alternativamente, o sis- tema de computador de inteligência agrícola pode utilizar métodos al- ternativos de quantificar incerteza, tal como amostragem de Monte Carlo. Como um exemplo, uma distribuição sinh-arcsinh de quatro pa- râmetros pode ser treinada com um ou mais da área do campo, rota- ção de cultura, densidade de semeadura, e características de semente híbrida como parâmetros de entrada para um ou mais do parâmetro de cauda, parâmetro de forma, parâmetro de inclinação, e/ou parâmetro de centro.
[00290] As distribuições de probabilidade aqui descritas podem ser utilizadas para gerar um valor garantido para um campo agronômico específico plantar um híbrido de semente específico. Em um método exemplar, um sistema de computador de inteligência agrícola recebe dados de produtividade anteriores para um ou mais campos, incluindo produtividades anteriores e uma ou mais características de entrada anteriores. O sistema de computador de inteligência agrícola treina um modelo digital de produtividade de cultura tal como um GAM, para predizer parâmetros para uma distribuição de probabilidade de produ- tividade, como uma distribuição SHASH. O sistema de computador de inteligência agrícola pode então utilizar dados relativos a um campo agronômico específico e um híbrido de cultura específico para compu- tar parâmetros para uma distribuição SHASH para o campo e híbrido de cultura específicos. Utilizando a distribuição SHASH, o sistema de computador de inteligência agrícola pode selecionar um valor específi- co como um valor de produtividade garantido.
[00291] A computação de uma distribuição probabilística de produ- tividade como aqui utilizada beneficia o sistema de computador de in- teligência agrícola dando ao sistema de computador de inteligência agrícola acesso a dados específicos de campo e híbrido os quais seri- am de outro modo indisponíveis. Por exemplo, as distribuições proba- bilísticas geradas utilizando os modelos aqui descritos permitem que o sistema de computador de inteligência agrícola selecione um valor de produtividade garantida com base em uma probabilidade de produtivi- dade sendo abaixo ou acima do valor selecionado, por meio disto as- segurando que as garantias de produtividade enviadas para os dispo- sitivos de computação de gerenciador sejam altas o bastante para re- presentar um aumento em produtividade para os campos agronômicos enquanto sendo baixas o bastante que poucos campos funcionem sob as garantias. Provendo os ditos valores de garantia para os dispositi- vos de computação de gerenciador de campo, o sistema de computa- dor de inteligência agrícola utiliza dados de entrada para gerar interfa- ces aperfeiçoadas que permitem os gerenciadores de campo tomem melhores decisões para o plantio dos campos agronômicos.
9.4. DISPLAY BASEADO EM RESULTADO EXEMPLAR
[00292] A Figura 19 apresenta um display baseado em resultado exemplar. O display baseado em resultado da Figura 19 compreende quatro valores baseados em resultados, um valor de sementes pelo acre, um valor de garantia de desempenho, um valor de parceiro de desempenho, e um valor de parceiro de lucro. Cada valor compreende um diferente preço de semente básico o qual pode ser computado co- mo aqui descrito e uma projeção de produtividade estimada com base em um modelo agronômico. Os valores cada um também inclui preços pisos de preço e tetos de preço os quais indicam preços de sementes mínimo e máximo.
[00293] O display da Figura 19 permite um usuário facilmente ajus- tar os valores de modo a tomar uma decisão informada quanto a qual valor selecionar. Por exemplo, o display compreende um preço de mi- lho planejado no canto esquerdo superior o qual pode ser ajustado através da interface gráfica de usuário. Além disso, o display compre- ende um controle deslizante de alqueire por acre final que pode ser ajustado através da interface gráfica de usuário. Em resposta a rece- ber um ajuste através da opção de preço de cultura ou do controle deslizante de alqueire por acre final, o sistema pode atualizar os valo- res no display. Por exemplo, o lucro de cultura e o custo de semente total o qual inclui um desconto por alqueire, podem ser computados com base no preço de cultura e no número de alqueires por acre. Co- mo exibido na Figura 19, o valor de alqueire por acre final selecionado de 200 está abaixo da projeção de produtividade de 240. Assim, o cus- to de semente total para os valores de garantia de desempenho, par- ceiro de desempenho, e parceiro de lucro é ajustado para incluir os descontos.
[00294] A capacidade do display da Figura 19 de atualizar em res- posta a mudanças em valores de resultados finais para uma fácil com- paração entre diferentes tipos de valores. Como a interface atualiza recalculando o lucro de cultural, o custo de semente total e o lucro de menor custo de semente, um usuário é capaz de identificar benefícios e riscos selecionando diferentes recomendações. Assim, o display adaptável a Figura 19 utiliza o sistema de computação para exibir grandes quantidades de informações que de outro modo seriam difí- ceis de comparar, por meio disto permitindo que uma decisão mais informada seja tomada.
9.5. GERAÇÃO DE ENSAIO BASEADO EM RESULTADO EXEM-
[00295] A Figura 23 apresenta um método exemplar de implemen- tar um ensaio em um campo agrícola. Por exemplo, o sistema de computador de inteligência agrícola pode identificar uma ou mais re- comendações de ensaio para um campo agrícola e enviar as uma ou mais recomendações de ensaio para um dispositivo de computação de gerenciador de campo. Se o sistema de computador de inteligência agrícola receber uma aceitação do ensaio, o sistema de computador de inteligência agrícola pode executar o método da Figura 23 para de- terminar as localizações de ensaio e analisar os resultados de ensaio. Outros exemplos de selecionar localizações para ensaios descritos nas Seções 5 e 6 podem ser utilizados em conjunto com ou alternati- vamente ao método descrito na Figura 23.
[00296] Na etapa 2302, uma localização para avaliar o ensaio é identificada. Por exemplo, se o testado compreender um ensaio de fungicida, o sistema de computador de inteligência agrícola pode iden- tificar uma localização para avaliar o ensaio a qual inclui uma localiza- ção de controle e uma localização de tratamento. Em uma modalidade, uma localização é identificada no campo para colocar três faixas de largura equivalente, tal como 72 metros (240 pés) de largura. As duas faixas externas podem compreender localizações de tratamento, en- quanto a faixa interna compreende a localização de controle. O siste- ma de computador de inteligência agrícola pode armazenar dados de localização para uma pluralidade de localizações no campo agrícola. O sistema de computador de inteligência agrícola pode além disso identi- ficar as localizações dentro das duas faixas externas como localiza- ções de tratamento e localizações dentro da faixa interna como uma localização de controle.
[00297] Em uma modalidade, as localizações de tratamento e/ou localizações de controle podem ser determinadas com base em dados recebidos do dispositivo de computação gerenciador de campo. Por exemplo, o sistema de computador de inteligência agrícola pode rece- ber dados de plantio de um dispositivo de computação de gerenciador de campo os quais incluem dados de passagem de veículo que identi- ficam onde um veículo moveu no campo agrícola, dados de densidade de plantio que identificam uma densidade de plantio para cada locali-
zação, e/ou outro dados recebidos de um plantador ou manualmente inseridos através de um dispositivo de computação de gerenciador de campo. Outros exemplos de dados utilizados podem incluir dados de solo, dados de produtividade anteriores, dados de aplicação, ou outros dados relativos ao campo agrícola. Com base nos dados recebidos, o sistema de computador de inteligência agrícola pode identificar locali- zações onde um ensaio pode ser executado.
[00298] O sistema de computador de inteligência agrícola pode ser configurado para tentar colocar faixas em uma ou mais localizações ótimas com base nas uma ou mais regras armazenadas. Por exemplo, uma regra armazenada pode eliminar áreas não uniformes, tais como áreas que foram plantadas em passagens separadas ou áreas as quais têm grandes obstruções. Outra regra armazenada pode eliminar áreas abaixo de um tamanho limite. Se o sistema de computador de inteligência agrícola for incapaz de selecionar o centro do campo, o sistema de computador de inteligência agrícola pode ser configurado para selecionar uma localização tão próxima quanto possível do centro do campo sem violar quaisquer regras de colocação.
[00299] Na etapa 2304, o ensaio é executado no campo agrícola. Por exemplo, o sistema de computador de inteligência agrícola pode enviar dados para um dispositivo de computação de gerenciador de campo que identificam a faixa de controle, um tratamento a ser aplica- do no restante do campo, e um tratamento ou sua falta a ser aplicado na faixa de controle. Como um exemplo, para um ensaio de fungicida, o sistema de computador de inteligência agrícola pode identificar a fungicida para utilizar no campo agrícola e uma localização do campo agrícola que não deve receber o fungicida como grupo de controle. O dispositivo de computação de gerenciador de campo pode enviar da- dos para o sistema de computador de inteligência agrícola quando uma aplicação foi aplicada no campo agrícola. Por exemplo, um im-
plemento agrícola pode registrar dados de localização quando este pulveriza o campo e enviar os dados de localização para o sistema de computador de inteligência agrícola. O sistema de computador de inte- ligência agrícola pode, então, identificar os dados de localização ar- mazenados para cada localização com dados que indicam se o trata- mento foi aplicado na localização.
[00300] Na etapa 2306, uma reserva é aplicada nas localizações de ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode gerar uma reserva entre a localização de controle e cada locali- zação de tratamento. O tamanho de reserva pode ser dependendo de um tipo de tratamento e/ou aplicação de tratamento. Por exemplo, um ensaio de semeadura pode não ter reserva, um ensaio de fungicida que utiliza um pulverizador de solo pode ter um reserva de 6 metros (20 pés), e um ensaio de fungicida que utiliza um pulverizador aéreo pode ter um reserva de 15 metros (50 pés). O sistema de computador de inteligência agrícola pode identificar dados de localização armaze- nados para cada localização dentro da reserva gerada com dados que indicam que a localização é uma localização de reserva.
[00301] Na etapa 2308, regras de controle de qualidade são aplica- das às localizações de ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode determinar, com base em dados de im- plementação de ensaio recebidos, quais localizações de ensaio excluir da análise. O sistema de computador de inteligência agrícola pode de- terminar que localizações de ensaio específicas devem ser excluídas da análise com base em dados de máquina recebidos de um imple- mento agrícola o qual executou o tratamento do ensaio. O sistema de computador de inteligência agrícola pode além disso ou alternativa- mente aplicar regras com base em dados de colheita e/ou dados de máquina para determinar quais localizações excluir da análise. Exem- plos incluem passagens de borda, filas finais, filas de pontos, anorma-
lidades operacionais, e/ou discrepâncias de produtividade. O sistema de computador de inteligência agrícola pode armazenar dados que in- dicam se uma localização é uma passagem de borda, fila final, fila de pontos, anormalidade operacional ou discrepância de produtividade.
[00302] As passagens de borda podem ser identificadas como as bordas do campo agrícola. Por exemplo, uma passagem de borda po- de compreender uma única passagem de máquina ao redor da borda de um campo. As passagens de borda podem ser removidas da avali- ação, já que as filas externas têm uma vantagem devido a ter acesso a maiores recursos.
[00303] As passagens finais podem ser identificadas como localiza- ções no campo onde um implemento agrícola precisa virar para uma próxima passagem. As passagens finais podem ser removidas da ava- liação devido às desvantagens causadas pela compactação quando a máquina gira e devido a variações causadas pela máquina acelerando e desacelerando nas passagens finais.
[00304] As filas de pontos podem ser identificadas como localiza- ções no campo onde, com base em dados da máquina, o sistema de computador de inteligência agrícola determina que a máquina não es- tava funcionando em capacidade total. Por exemplo, os dados da má- quina recebidos pelo sistema de computador de inteligência agrícola podem indicar, em cada localização, parâmetros operacionais da má- quina, tais como, como quantas filas estão sendo plantadas, colhidas ou de outro modo tratadas. Cada localização onde os dados de má- quina indicam que a máquina estava operando abaixo do que a capa- cidade total, tal como plantando somente 12 de 24 filas ou colhendo 6 de 8 filas, pode ser removida da avaliação, devido à compactação causada por passagens aumentadas.
[00305] As anormalidades operacionais podem ser identificadas como localizações onde uma máquina precisou desviar de uma pas-
sagem para passar ao redor de um objeto, tal como postes de telefo- ne, drenos acima do solo, linhas de energia, sensores ou rochas. As localizações de anormalidades operacionais podem ser removidas da avaliação já que áreas com grandes objetos tendem a receber um ge- renciamento menos efetivo devido à falta de acessibilidade.
[00306] As discrepâncias de produtividade podem ser identificadas como localizações onde o valor de produtividade é inconsistente com outros valores do campo. Como um exemplo, o sistema de computa- dor de inteligência agrícola pode identificar todas as localizações com uma produtividade abaixo de um primeiro valor limite, tal como 0 al- queires por acre, ou com uma produtividade acima de um segundo va- lor limite, tal como 500 alqueires por acre. Como outro exemplo, o sis- tema de computador de inteligência agrícola pode determinar uma dis- tribuição de valores de produtividade em cada faixa e remover os valo- res de produtividade acima de três desvios padrão ou abaixo de três desvios padrão dos valores de produtividade médios.
[00307] Em uma modalidade, as discrepâncias de produtividade são identificadas com base em considerações espaciais. Por exemplo, o sistema de computador de inteligência agrícola pode gerar um mo- delo espacial da produtividade agrícola utilizando uma suavização es- pacial subjacente dos valores de produtividade no campo. Para cada localização, o sistema de computador de inteligência agrícola pode computar uma produtividade esperada na localização com base no modelo espacial. Se a diferença entre a produtividade real e a produti- vidade esperada for maior do que um valor limite e/ou se a produtivi- dade real for mais do que três desvios padrão da produtividade espe- rada, o sistema de computador de inteligência agrícola pode identificar a localização como uma discrepância de produtividade.
[00308] Na etapa 2310, o desempenho de ensaio é analisado. Por exemplo, o sistema de computador de inteligência agrícola pode de-
terminar uma produtividade média para as localizações de tratamento e uma produtividade média para a localização de controle e comparar os as duas de modo a computar um aumento médio utilizando o trata- mento. Durante a análise, o sistema de computador de inteligência agrícola pode remover da análise quaisquer localizações que foram identificadas como reservas na etapa 2306 ou que foram identificadas para serem removidas na etapa 2308. Por exemplo, o sistema de computador de inteligência agrícola pode armazenar identificadores de dados para uma ou mais localizações, tal como um identificador de tratamento para cada localização em uma faixa de tratamento, um identificador de controle para cada localização na faixa de controle, um identificador de reserva para cada localização na reserva, e assim por diante. Quando computando a produtividade média nas localizações de tratamento, o sistema de computador de inteligência agrícola pode somente agregar valores de localizações que estão armazenadas com o identificador de tratamento, mas não um identificador de reserva, identificador de passagem de borda, identificador de passagem final, identificador de fila de pontos, identificador de anormalidade, ou identi- ficador de discrepância.
[00309] Em uma modalidade, o sistema de computador de inteli- gência agrícola armazena uma pluralidade de camadas de dados para o campo agrícola, cada uma das camadas de dados compreendendo dados espaciais para o campo. A Figura 24 é um exemplo de camadas de dados que podem ser armazenadas para um campo agrícola. A camada de produtividade 2402 compreende dados espaciais que iden- tificam produtividades de localizações no campo agrícola. As produti- vidades podem ser identificadas de dados da máquina de um imple- mento de colheitadeira. A camada de reserva 2404 compreende dados espaciais que identificam onde uma localização é uma localização de reserva ou não. As) camada(s) de tratamento 2406 compreendem uma ou mais camadas espaciais, cada uma identificando se um tratamento foi aplicado a cada localização. A(s) camada(s) de tratamento podem ser identificadas de dados da máquina de um pulverizador ou outra máquina a qual aplicou os tratamentos. A camada de experimento 2408 compreende dados espaciais que identificam se uma localização foi selecionada como cada uma localização de tratamento ou localiza- ção de controle para o experimento. A camada de controle de qualida- de 2410 compreende dados espaciais que identificam se uma localiza- ção foi selecionada para ser removida da análise, tal como devido a fazer parte de uma passagem de borda, passagem de extremidade, fila de pontos, anormalidade ou discrepância. A camada de dados de plantio 2412 compreende dados espaciais que identificam um tipo de híbrido e/ou densidade de sementes que foram plantados para cada localização.
[00310] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina, com base na pluralidade de camadas de dados, quais valores utilizar na análise. Por exemplo, para o cálculo de tratamento, o sistema de computador de inteligência agrícola pode somente selecionar localizações que foram:
1. não identificadas como um reserva na camada de reser- va 2404;
2. identificadas como uma localização de tratamento na(s) camada(s) de tratamento 2406;
3. identificadas como uma localização de experimento na camada de experimento 2408;
4. não identificadas como uma localização a ser removida na camada de controle de qualidade 2410; e/ou
5. identificadas como compreendendo os dados de plantio corretos, tal como uma densidade de semeadura prescrita ou híbrido na camada de dados de plantio 2412.
[00311] Similarmente, para o cálculo de controle, o sistema de computador de inteligência agrícola pode selecionar localizações que seguem os mesmos critérios como acima exceto que estas não são identificadas como uma localização de tratamento na(s) camada(s) de tratamento 2406. Utilizando as camadas de dados, o sistema de com- putador de inteligência agrícola pode separadamente mapear o campo agrícola com base em diferentes critérios e utilizar estes mapas para determinar quais localizações podem ser utilizadas na avaliação do ensaio. O computador de inteligência agrícola pode além disso causar a exibição, em um dispositivo de computação de gerenciador de cam- po, de uma interface a qual apresenta a produtividade média e/ou total das localizações de tratamento, a produtividade média e/ou total das localizações de controle, e/ou um aumento de produtividade médio e/ou total de utilizar o tratamento.
9.6. IMPLEMENTAÇÃO DE VARIAÇÃO DE RECOMENDAÇÃO DE
[00312] Em uma modalidade, o sistema de computador de inteli- gência agrícola provê uma recomendação de ensaio variável para um dispositivo de computação cliente. A recomendação de ensaio variável pode compreender um ou mais parâmetros definidos, tal como uma semente específica para utilizar ou um fungicida específico para pulve- rizar, e um ou mais parâmetros variáveis. Um parâmetro variável, co- mo aqui utilizado, compreende um parâmetro que pode ser alterado no dispositivo de computação de cliente. O sistema de computador de inteligência agrícola pode prover limites para as alterações do parâme- tro variável para assegurar que um aumento de produtividade seja ob- tido. Por exemplo, o sistema de computador de inteligência agrícola pode prover uma interface gráfica de usuário que compreende uma ou mais opções para uma taxa de semeadura para uma semente híbrida específica.
[00313] Para determinar qual de uma pluralidade de opções para um parâmetro variável tornar disponível, o sistema de computador de inteligência agrícola pode nivelar as informações históricas relativas a um campo do produtor e informações históricas relativas à recomen- dação de ensaio, tal como informações de ensaio anteriores relativas a uma semente específica. A implementação exemplar descrita nesta seção refere-se à densidade de semeadura, mas outras implementa- ções podem referir a quantidades de aplicação de fungicida, quantida- des de aplicação de nutrientes ou outros parâmetros variáveis.
[00314] As informações históricas referentes a uma recomendação de ensaio podem incluir resultados de ensaio para diferentes valores do parâmetro da variável enquanto mantendo os parâmetros definidos constantes. Por exemplo, o sistema de computador de inteligência agrícola pode receber dados de ensaio de resposta de densidade de múltiplos anos para uma pluralidade de sementes híbridas e uma plu- ralidade de regiões. Os dados de ensaio de resposta de densidade de múltiplos anos podem incluir, para cada campo, densidades de plantio de uma semente híbrida da pluralidade de sementes híbridas, e valo- res de produtividade correspondentes. Como um exemplo, para uma semente híbrida específica, os dados de ensaio do primeiro ano po- dem incluir uma densidade de plantio de 200.000 sementes por acre com uma produtividade de milho média de 176 alqueires por acre, en- quanto que os dados de ensaio do segundo ano podem incluir uma densidade de plantio de 220.000 sementes por acre com uma produti- vidade de milho média de 184 alqueires por acre.
[00315] Utilizando as informações históricas relativas à recomenda- ção de ensaio, o sistema de computador de inteligência agrícola pode gerar uma pluralidade de gráficos que apresenta uma relação entre o parâmetro variável e um valor de produtividade. O sistema de compu- tador de inteligência agrícola pode fazer um gráfico diferente para ca-
da ambiente de produtividade plantando uma semente híbrida especí- fica. Um ambiente de produtividade, como aqui utilizado, refere-se às diferenças em produtividade através de diferentes campos com os mesmos parâmetros de plantio. Assim, um ambiente de produtividade pode ser um campo específico, um grupo específico de localizações em um campo, e/ou um agrupamento de campos e/ou localizações com base em similaridades em resposta de produtividade ao parâme- tro. Por exemplo, se múltiplos campos forem identificados como sendo parte do mesmo ambiente de produtividade, o sistema de computador de inteligência agrícola pode utilizar dados de cada um dos múltiplos campos para fazer um único gráfico. Os gráficos podem compreender uma ou mais curvas criadas utilizando os parâmetros variáveis para uma localização de produtividade e suas produtividades corresponden- tes, tal como através de regressão polinomial. Como um exemplo, a curva de densidade pode ser gerada de uma pluralidade de pontos de dados, cada um dos quais compreendendo uma densidade de semea- dura e uma produtividade correspondente.
[00316] O sistema de computador de inteligência agrícola pode uti- lizar a pluralidade de gráficos que apresentam uma relação entre o pa- râmetro variável e o valor de produtividade para gerar uma pluralidade de posições de elemento de interface para uma interface gráfica de usuário, tal como com baseado em inclinações dos gráficos e/ou inter- seções dos gráficos. Além disso ou alternativamente, as posições de elementos de interface podem ser recebidas através de entrada do usuário. As posições de elemento de interface, com aqui utilizado, re- ferem-se a uma pluralidade de valores para o parâmetro variável, cada um da pluralidade de valores correspondendo a uma diferente posição em um elemento de interface, tal como uma barra deslizante ou um menu suspenso. Por exemplo, cinco taxas de semeadura podem ser selecionadas para corresponder a cinco posições de barra deslizante para uma interface gráfica de usuário. As posições de elemento de in- terface podem ser geradas geralmente para todos os campos e/ou es- pecificamente para um grupo de campos, tal como uma região geográ- fica ou ambiente de produtividade, ou para cada campo agrícola.
[00317] Em uma modalidade, o sistema de computador de inteli- gência agrícola determina qual da pluralidade de posições de elemen- to de interface tornar disponível para um dispositivo de computação de gerenciador de campo específico com base em dados de resposta de produtividade anteriores para um ou mais campos. A Figura 25 apre- senta um método exemplar para aumentar uma interface gráfica de usuário com base em dados de resposta de produtividade anteriores para um campo agrícola.
[00318] Na etapa 2502, os dados de resposta de produtividade an- teriores são recebidos para um campo agrícola. Os dados de resposta de produtividade anteriores podem compreender, para cada um de um ou mais anos, um ou mais valores de gerenciamento de cultura e um valor de produtividade. Os um ou mais valores de gerenciamento de cultura podem incluir um tipo de semente híbrida, uma densidade de semeadura, aplicações de fungicidas, aplicações de nutrientes e/ou outras informações relativas ao gerenciamento de uma cultura e/ou campo. Em uma modalidade, um ou mais valores de gerenciamento de cultura incluem o parâmetro variável e o parâmetro definido. Como um exemplo, os dados de resposta de produtividade anteriores para um ano específico podem incluir um tipo de semente híbrida, uma densidade de semeadura, e uma produtividade agronômica para aque- le ano.
[00319] Na etapa 2504, um ambiente de produtividade provável é determinado para o campo agrícola. Determinar o ambiente de produ- tividade provável pode compreender comparar os dados de resposta de produtividade anteriores para o campo agrícola com dados de res-
posta de produtividade anteriores para um ou mais outros campos agrícolas. Por exemplo, o sistema de computador de inteligência agrí- cola pode inicialmente receber dados de resposta de produtividade anteriores para uma pluralidade de diferentes campos agronômicos, os dados de resposta de produtividade anteriores compreendendo res- postas de produtividade para uma semente híbrida específica com di- ferentes taxas de semeadura. Utilizando as respostas de produtividade anteriores, o sistema de computador de inteligência agrícola pode identificar uma pluralidade de diferentes ambientes de produtividade, cada um dos quais compreendendo uma relação computada entre a taxa de semeadura e a produtividade agronômica, tal como as curvas de densidade acima descritas. O sistema de computador de inteligên- cia agrícola pode comparar os dados de resposta de produtividade an- teriores para o campo agrícola com a pluralidade de diferentes ambi- entes de produtividade, tal como computando um desvio de valores de semeadura e produtividade das curvas de densidade. Por exemplo, o sistema de computador de inteligência agrícola pode computar o valor de desvio para uma curva de densidade específica como: onde D é o valor de desvio, é a produtividade da curva de densi- dade na taxa de semeadura e é a produtividade dos dados de resposta de produtividade anteriores para o campo agrícola na taxa de semeadura. O sistema de computador de inteligência agrícola pode selecionar o ambiente de produtividade com a taxa de semeadura mais baixa.
[00320] Em uma modalidade, cada ambiente de produtividade pode referir a uma pluralidade de diferentes valores de parâmetros defini- dos, tal como uma pluralidade de tipos de sementes híbridas. Por exemplo, o sistema de computador de inteligência agrícola pode inici-
almente receber dados de resposta de produtividade anteriores para uma pluralidade de diferentes campos agronômicos, as respostas de produtividade anteriores compreendendo respostas de produtividade com diferentes sementes híbridas e diferentes densidades de plantio. Utilizando as respostas de produtividade anteriores, o sistema de computador de inteligência agrícola pode identificar uma pluralidade de diferentes ambientes de produtividade, cada um dos quais compre- endendo uma relação computada entre a taxa de semeadura e a pro- dutividade agronômica para uma pluralidade de diferentes parâmetros definidos, tal como as curvas de densidade acima descritas. Assim, o sistema de computador de inteligência agrícola pode selecionar um ambiente de produtividade para o campo agrícola com base em seu desempenho anterior com um primeiro tipo de semente híbrida e, com base no ambiente de produtividade identificado, identificar uma curva de densidade para um segundo tipo de semente híbrida.
[00321] Na etapa 2506, uma faixa de variância é computada para o ambiente de produtividade provável. A faixa de variância, como aqui utilizado, refere-se a uma faixa de valores de produtividade ao redor do ambiente de produtividade provável para valores específicos do pa- râmetro variável. Por exemplo, se o ambiente de produtividade prová- vel compreender uma curva de densidade para um híbrido de semente específico, então a faixa de variância pode compreender uma faixa de valores acima e abaixo da curva de densidade em pontos específicos da curva de densidade, tal como na posição do produtor sobre a curva de densidade. A faixa de variância pode ser um valor ajustado, tal co- mo +/- 2 alqueires por acre, ou uma percentagem da produtividade, tal como +/- 1%.
[00322] Na etapa 2508, cada possível ambiente de produtividade dentro da faixa de variância é identificado. Por exemplo, o sistema de computador de inteligência agrícola pode identificar cada ambiente de produtividade com uma curva de densidade que passa através da fai- xa de variância como um possível ambiente de produtividade. Assim, se a faixa de variância for ajustada em +/- 2 alqueires por acre na po- sição dos produtores de 32.000 sementes por acre e uma produtivida- de de 176 alqueires por acre, então o sistema de computador de inteli- gência agrícola pode selecionar cada curva de densidade a qual, em
32.000 sementes por acre, passa através de um valor de produtividade entre 174-176 alqueires por acre.
[00323] Na etapa 2510, posições de elemento de interface válidas são determinadas, com base nos possíveis ambientes de produtivida- de. Por exemplo, o sistema de computador de inteligência agrícola po- de armazenar valores de limite superior e inferior para cada curva de densidade. O sistema de computador de inteligência agrícola pode en- tão selecionar posições dos elementos de interface as quais estão dentro dos limites superior e inferior de cada curva de densidade. Por exemplo, se as posições 1, 2, e 3 dos elementos de interface corres- ponderem a taxas de semeadura de 32.000 sementes por acre, 34.000 sementes por acre, e 36.000 sementes por acre respectivamente, e os limites superiores de duas curvas de densidade forem 33.000 semen- tes por acre e 35.000 sementes por acre, o sistema de computador de inteligência agrícola pode excluir as posições 2 e 3 dos elementos de interface das posições de elementos de interface válidas, já que as taxas de semeadura que correspondem às posições 2 e 3 são maiores do que um limite superior de pelo menos um das curvas de densidade.
[00324] A Figura 26 apresenta um exemplo de gerar limites superior e inferior para uma curva de densidade. A curva de densidade 2602 compreende uma curva de densidade para um ambiente de produtivi- dade que corresponde a um campo agrícola específico. A curva de densidade apresenta uma relação entre as taxas de semeadura e as produtividades agronômicos para o ambiente de produtividade. Uma posição de produtor 2604 está apresentada sobre a curva de densida- de com base nas taxas de semeadura históricas do campo agrícola. Em algumas modalidades, a posição de produtor 2604 pode não cor- responder a taxas de produtividade anteriores para o campo agrícola, tal como quando as taxas de semeadura históricas correspondem a um diferente tipo de híbrido do que a curva de densidade. O ponto ótimo 2610 compreende um pico da curva de densidade e pode ser calculado como o ponto sobre a curva com uma inclinação zero.
[00325] O limite inferior 2606 pode ser computado com base, pelo menos em parte, na posição de produtor 2604. Por exemplo, o limite inferior 2606 pode ser selecionado para superar imprecisões em um monitor de produtividade. Exemplos de computações para limite inferi- or 2606 podem incluir uma adição fixa à posição de produtor 2604, tal como 5.000 sementes por acre maior do que a densidade de plantio anterior do produtor, ou uma adição percentual à posição de produtor 2604, tal como 2% de aumento em taxa de semeadura da densidade de plantio anterior do produtor.
[00326] O limite superior 2608 pode ser computado com base no ponto ótimo 2610 ou posição de produtor 2604. Por exemplo, o limite superior pode ser computado como uma percentagem fixa ou variável de taxa de semeadura do ponto ótimo 2610 ou da posição de produtor
2604. Como um exemplo, o limite superior 2608 pode ser computado como 90% da taxa de semeadura do ponto ótimo 2610. Assim, se o ponto ótimo 2610 para um gráfico de densidade específico existir em uma taxa de semeadura de 38.000 sementes por acre, o limite superi- or pode ser ajustado em 34.200 sementes por acre (38.000 x 0,9). Como outro exemplo, o limite superior 2608 pode ser computado como uma percentagem da taxa de semeadura da posição de produtor 2604, tal como 120%. Um limite superior variável pode ser ajustado com ba- se na densidade de produtor, tal como aplicando uma diferente per-
centagem de limite superior para diferentes faixas de densidades de produtor. Por exemplo, um limite superior de 120% da taxa de semea- dura do produtor pode ser ajustado para taxas de semeadura de
34.000-36.000 sementes por acre, enquanto que um limite superior de 115% da taxa de semeadura do produtor pode ser ajustado para taxas de semeadura de 36.000- 38.000 sementes por acre.
[00327] Em uma modalidade, o sistema de computador de inteli- gência agrícola além disso aplica uma ou mais regras para desqualifi- car uma ou mais posições de elementos de interface. Por exemplo, uma regra pode desqualificar aumentos da taxa de semeadura extre- mos, tal como removendo quaisquer posições de interface acima de um aumento de taxa de semeadura fixo da posição de produtor 2604, tal como um aumento de 5.000 sementes por acre ou maior. Como outro exemplo, as posições de interface podem ser desqualificadas se um aumento de taxa de semeadura para atingir a taxa de semeadura das posições de interface exceder uma faixa de resposta armazenada para uma semente híbrida específica.
[00328] Na etapa 2512, um elemento de interface em uma interface gráfica de usuário é aumentado para limitar a seleção a uma ou mais das posições de elementos de interface válidas. Aumentar a interface gráfica de usuário pode compreender remover uma ou mais opções do elemento de interface. Por exemplo, se uma barra deslizante original- mente tem cinco posições, mas somente duas posições foram identifi- cadas como válidas na etapa 2510, o sistema de computador de inteli- gência agrícola pode aumentar o elemento de interface para somente incluir duas posições. Além disso ou alternativamente, o sistema de computador de inteligência agrícola pode continuar a exibir todas as cinco posições, mas fazer com que somente as duas posições válidas sejam selecionáveis. As outras três posições podem ser graficamente modificadas, tal como esmaecidas, de modo a visualmente indicar que estas não são selecionáveis.
[00329] Na etapa 2514, o sistema de computador de inteligência agrícola causa a exibição da interface gráfica do usuário com o ele- mento de interface com uma opção de selecionar uma das posições de elementos de interface válidas. A interface gráfica de usuário pode ser exibida como uma parte de uma recomendação de ensaio. Por exemplo, o sistema de computador de inteligência agrícola pode enviar dados para um dispositivo de computação de gerenciador de campo que compreendem uma recomendação para plantar um híbrido espe- cífico em um ou mais campos. Se o sistema de computador de inteli- gência agrícola receber dados que indicam a aceitação da recomen- dação do ensaio, o sistema de computador de inteligência agrícola po- de causar a exibição de uma ou mais interface gráfica de usuários pa- ra modificar o ensaio dentro de limites especificados. Uma das modifi- cações pode incluir uma taxa de semeadura modificada selecionada através do elemento de interface de uma interface gráfica de usuário exibida.
[00330] A Figura 27 apresenta uma interface gráfica de usuário exemplar para modificar um ensaio. A interface 2700 compreende uma interface de ajuste de ensaio, que inclui opções para ajustar um ou mais valores relativos ao ensaio. As informações de ensaio 2702 com- preendem dados de implementação para o ensaio. Na Figura 27, as informações de ensaio 2702 incluem uma pluralidade de diferentes zonas de gerenciamento que corresponde ao campo mapeado 2704. Para cada zona de gerenciamento, uma taxa de população, produtivi- dade média, e área de zona de gerenciamento é apresentada com ba- se nos parâmetros correntes da recomendação de ensaio. Além disso, as informações de ensaio 2702 incluem estatísticas totais, tal coma produtividade estimada, custo de semente por acre, e um lucro bruto estimado com base na produtividade estimada e um preço estimado da cultura.
[00331] A interface 2700 ainda inclui uma barra deslizante 2706. A barra deslizante 2706 inclui posições determinadas através dos méto- dos aqui descritos. Assim, apesar da interface 2700 na Figura 27 inclu- ir cinco posições para a barra deslizante 2706, outras interfaces provi- das para outros dispositivos de computação de gerenciador de campo podem ter menos ou mais posições para a barra deslizante 2706. Em uma modalidade, o sistema de computador de inteligência agrícola es- tá configurado para atualizar as informações de ensaio 2702 em res- posta a uma seleção de uma opção na barra deslizante 2706. Por exemplo, o sistema de computador de inteligência agrícola pode com- putar um ou mais dos valores nas informações de ensaio 2702, tal como a produtividade estimada, o número de sacos utilizados, ou lucro bruto estimado, utilizando uma densidade de semeadura determinada pela barra deslizante. O sistema de computador de inteligência agríco- la pode atualizar as informações de ensaio 2702 exibidas através da interface 2700 quando uma diferente posição de barra deslizante é se- lecionada.
[00332] As técnicas de variação de recomendação de ensaio exemplares aqui descritas aperfeiçoam o sistema de computador de inteligência agrícola permitindo o sistema dinamicamente gerar interfa- ces gráficas de usuário para diferentes dispositivos de computação de gerenciador de campo com base em campos específicos e ajustar as interfaces gráficas de usuário com base em seleções feitas através do dispositivo de computação de gerenciador de campo. Especificamente, dinamicamente alterando as posições de barra deslizante na interface gráfica de usuário com base em seleções do dispositivo de computa- ção de gerenciador de campo, o sistema de computador de inteligên- cia agrícola é capaz de prover uma interface a qual provê opções com base em campos individuais, ao invés de prover as mesmas opções para cada dispositivo de computação de gerenciador de campo o que poderia permitir a seleção de taxas de semeadura menos úteis.
9.7. PROCESSO DE COMUNICAÇÃO DE RESULTADOS BASEADO
[00333] Em uma modalidade, o sistema de computador de inteli- gência agrícola comunica com o dispositivo de computação de geren- ciador de campo através de uma interface gráfica de usuário dinâmica a qual atualiza com base nas seleções do dispositivo de computação de gerenciador de campo assim como ações rastreadas tomadas por um ou mais implementos agrícolas. A Figura 28 compreende um mé- todo exemplar para comunicar com um dispositivo de computação de gerenciador de campo referente à implementação de um ensaio sujeito a uma ou mais regras.
[00334] Na etapa 2802, os dados de campo são armazenados para um campo agronômico. Os dados de campo podem incluir a identifica- ção de um ou mais campos gerenciados por um usuário do dispositivo de computação de gerenciador de campo, valores de área para cada um dos um ou mais campos, informações de localização, tais como coordenadas de GPS, para os um ou mais campos, dados de plantio anterior para os um ou mais campos incluindo tipos de sementes ante- riores, densidades, e localizações de plantio, e/ou outros dados relati- vos a propriedades físicas de um campo agrícola e/ou práticas agro- nômicas anteriores no campo agrícola.
[00335] Na etapa 2804, uma recomendação de ensaio é gerada. A recomendação de ensaio pode ser gerada utilizando qualquer um dos métodos acima descritos. Em uma modalidade, a recomendação de ensaio compreende uma recomendação para uma ou mais sementes híbridas a serem plantadas nos um ou mais campos agrícolas. Por exemplo, a recomendação de ensaio pode incluir diferentes sementes a serem plantadas em diferentes campos. A recomendação de ensaio pode além disso incluir parâmetros requeridos, tal como um número de hectares do campo a ser plantado de acordo com o ensaio, localiza- ções para plantar de acordo com o ensaio, tal como dentro de limites específicos, um número de acres e/ou localizações específicas para plantar um grupo de controle, valores ou faixas de densidade de se- meadura, e/ou outros parâmetros requeridos para o ensaio.
[00336] Na etapa 2806, a recomendação de ensaio é exibida atra- vés de uma interface gráfica de usuário (GUI) em um dispositivo de computação de gerenciador de campo. Por exemplo, o computador de inteligência agrícola pode suprir uma GUI para o dispositivo de compu- tação de gerenciador de campo a qual pode ser utilizada para revisar as recomendações de ensaio, concordar com as recomendações de ensaio, e/ou revisar o status de um ensaio. O sistema de computador de inteligência agrícola pode prover uma ou mais recomendações de ensaio através da GUI para seleção por um dispositivo de computação de gerenciador de campo.
[00337] A Figura 29 apresenta uma GUI exemplar que exibe uma pluralidade de recomendações de ensaio. A interface 2900 compreen- de uma pluralidade de recomendações de ensaio, referida na Figura 29 como "Ofertas" para visualização por um dispositivo de computação de gerenciador de campo. Cada uma da pluralidade de ofertas com- preende um nome de oferta 2902, status de oferta 2904, e ação de oferta 2906. As ofertas podem ser enviadas para o dispositivo de com- putação de gerenciador de campo através da interface 2900 em res- posta a uma solicitação para uma oferta para um ou mais campos. As- sim, o nome de oferta pode ser especificado pelo dispositivo de com- putação de gerenciador de campo como parte da solicitação ou pelo sistema de computador de inteligência agrícola. O nome de oferta 2902 ainda inclui algumas informações de campo, tal como o número de campos na oferta e o número de acres incluídos nos ditos campos.
[00338] O status de oferta 2904 compreende um status corrente de uma oferta. O status pode ser dependente de ações tomadas pelo dis- positivo de computação de gerenciador de campo e/ou do sistema de computador de inteligência agrícola. Por exemplo, o status de "Inscre- ver Campos" pode ser exibido após os campos terem sido seleciona- dos mas antes de uma recomendação de ensaio ter sido solicitada, o status "Processar Recomendação" pode ser exibido após uma reco- mendação de ensaio ter sido solicitada mas antes desta ter sido envi- ada para o dispositivo de computação de gerenciador de campo, o sta- tus de "Portfólio Pronto" pode ser exibido após uma recomendação de ensaio ter sido enviada para o dispositivo de computador do gerencia- dor de campo, mas antes de uma aceitação da recomendação de en- saio, e o status de "Preços Prontos" pode ser exibido após a aceitação da recomendação de ensaio, mas antes da seleção do tipo de valor baseado em resultado.
[00339] As ações 2906 compreendem links selecionáveis os quais, quando selecionados, causam o desempenho de uma ação relativa a uma recomendação de ensaio correspondente. Por exemplo, a ação de "Solicitar Recomendação" pode fazer com que o dispositivo de computação de gerenciador de campo envie uma solicitação para uma recomendação de ensaio para o sistema de computador de inteligên- cia agrícola, a ação de "Cancelar" pode cancelar uma solicitação para uma recomendação de ensaio, a ação de "Aceitar / Editar Portfólio" pode fazer com que a GUI mude para exibir uma interface para revisar ou aceitar uma recomendação de ensaio, e a ação de "Selecionar Pre- ço" pode fazer com que a GUI mude para exibir uma interface para selecionar um tipo de valor baseado em resultado específico.
[00340] A Figura 30 apresenta uma GUI exemplar que exibe uma recomendação de ensaio específica. A Interface 3000 compreende uma pluralidade de sementes recomendadas como parte da recomen-
dação de ensaio específica. Na interface 3000, cada uma da pluralida- de de sementes recomendadas é exibida com informações correspon- dentes relativas às características da semente, maturidade relativa, e cobertura requerida do campo. A Interface 3000 ainda inclui opções de editar 3002 e opção de aceitar 3004. As opções de editar 3002 com- preende opções para editar uma recomendação de ensaio, tal como removendo um tipo de semente recomendado. Outras opções de edi- tar a recomendação de ensaio podem ser além disso exibidas na inter- face 3000 ou em uma ou mais outras interfaces. As outras opções po- dem incluir opções para editar a densidade de sementes, opções para adicionar ou remover um ou mais campos, ou outras opções para au- mentar uma recomendação de ensaio. As opções de editar 3002, quando selecionadas, podem fazer com que o dispositivo computacio- nal gerenciador de campo envie uma ou mais modificações da reco- mendação de ensaio para o sistema de computador de inteligência agrícola. A opção de aceitar 3004, quando selecionada, pode fazer com que o dispositivo de computação de gerenciador de campo envie dados para o sistema de computador de inteligência agrícola indicando a aceitação da recomendação de ensaio como exibida.
[00341] Na etapa 2808, modificações da recomendação de ensaio são recebidas. Por exemplo, o dispositivo de computação de gerenci- ador de campo pode enviar uma ou mais modificações para o sistema de computador de inteligência agrícola através da GUI exibida no dis- positivo de computação de gerenciador de campo. As modificações podem incluir mudanças nos parâmetros requeridos para a recomen- dação de ensaio, tal como uma remoção de sementes híbridas especí- ficas, remoções ou adições de campos específicos, mudanças em densidade de semeadura ou outros aumentos à recomendação de en- saio.
[00342] Na etapa 2810, a recomendação de ensaio é atualizada e o sistema causa a exibição da recomendação de ensaio atualizada atra- vés da interface gráfica de usuário. Por exemplo, o sistema de compu- tador de inteligência agrícola pode gerar uma nova recomendação de ensaio para os um ou mais campos utilizando as modificações das re- comendações do ensaio, tal como uma recomendação de ensaio sem um híbrido de semente removido ou com um campo agrícola adiciona- do. O sistema de computador de inteligência agrícola pode gerar uma nova recomendação de ensaio utilizando os sistemas e métodos aqui descritos e/ou com base em entrada de usuário que especifica mu- danças aceitáveis à recomendação de ensaio com base nas modifica- ções. A nova recomendação de ensaio pode ser exibida através da GUI das Figuras 29 e 30 como acima descrito. As etapas 2808 e 2810 podem não ocorrer em alguns casos, tal como quando um ensaio é aceito por um dispositivo de computação de gerenciador de campo sem modificação.
[00343] Na etapa 2812, o sistema recebe uma seleção do acordo de ensaio e um valor baseado em resultado. Por exemplo, o dispositi- vo de computação de gerenciador de campo pode receber uma sele- ção da opção de aceitar 3004 da Figura 30. Em resposta, a GUI pode exibir uma ou mais interfaces de valor baseadas em resultados com opções para seleção de um valor baseado em resultado para a reco- mendação de ensaio. O sistema de computador de inteligência agríco- la pode receber a seleção do valor baseado em resultado através da interface gráfica do usuário.
[00344] A Figura 31 apresenta uma GUI exemplar que exibe uma comparação de valores baseados em resultados. A interface 3100 compreende guias baseadas em resultados selecionáveis 3102, infor- mações de comparação 3104, opção de preço de venda 3106, e barra de produtividade 3108. As guias baseadas em resultados 3102 com- preendem guias selecionáveis relativas a diferentes valores baseados em resultados. A guia correntemente selecionada é a guia de compa- ração de produto, por meio disto fazendo com que a interface 3100 exiba as informações de comparação 3104. As informações de compa- ração 3104 compreendem uma pluralidade de valores que correspon- dem a cada um dos tipos de valor baseado em resultado, tal como o valor de sementes por acre e o valor de garantia de desempenho. As informações de comparação 3104 podem ser computadas utilizando os métodos aqui descritos. Por exemplo, os valores de projeção de produtividade e os valores de garantia de produtividade podem ser computados com base em uma produtividade modelada e um valor de garantia modelado como acima descrito.
[00345] O preço de venda esperado 3106 compreende um valor esperado para vender a cultura plantada nos um ou mais campos. O valor esperado pode ser computado pelo sistema de computador de inteligência agrícola com base nos preços de vendas de anos anterio- res para a cultura. Além disso ou alternativamente, o preço de venda esperado pode ser um valor selecionado através da interface gráfica de usuário, tal como através de um menu suspenso ou caixa de texto editável. Em uma modalidade, o sistema de computador de inteligên- cia agrícola atualiza as informações de comparação 3104 em resposta a detectar uma mudança no preço de venda esperado 3106. Por exemplo, um valor de lucro de cultura pode ser computado como uma função de um valor de produtividade e o preço de venda esperado
3106. Em resposta a uma alteração no preço de venda esperado 3106, o sistema de computador de inteligência agrícola pode recompu- tar o valor de lucro de cultura e atualizar a interface gráfica de usuário para exibir o valor de lucro de cultura atualizado.
[00346] A barra de produtividade 3108 compreende um elemento de interface para selecionar um valor de produtividade para os um ou mais campos agronômicos. Apesar da barra de produtividade 3108 se apresentada como uma barra deslizante na Figura 31, em outras mo- dalidades a barra de produtividade 3108 pode ser outros elementos de interface, tal como uma caixa de texto editável ou um menu suspenso. Em resposta à barra de produtividade 3108 sendo utilizada para sele- cionar um valor de produtividade para os um ou mais campos agronô- micos, o sistema de computador de inteligência agrícola pode atualizar as informações de comparação 3104. Por exemplo, os valores de cus- to de sementes podem ser dependentes da produtividade, tal como com os valores de garantia de desempenho, parceiro de desempenho, e produtividade de parceiro de lucro. Em resposta a detectar uma mu- dança no valor de produtividade, o sistema de computador de inteli- gência agrícola pode atualizar os valores de custo de semente e/ou quaisquer outros valores dependentes da produtividade, tal como lucro de cultura, e atualizar a interface gráfica de usuário para exibir os valo- res atualizados.
[00347] A interface da Figura 31 provê um aperfeiçoamento em in- terfaces para comparar valores baseados em resultados. As informa- ções de comparação para cada tipo de valor baseado em resultado podem ser atualizadas com diferentes preços de venda e produtivida- de de cultura. Atualizando as informações através de múltiplas catego- rias em resposta as mudanças no preço de venda esperado e na pro- dutividade através de elementos de interface, o sistema de computa- dor de inteligência agrícola provê controles dinâmicos para comparar diferentes tipos de valores baseados em resultados com total conhe- cimento de como estes valores baseados em resultados seriam afeta- dos por mudanças no preço de venda ou mudanças em produtividade agronômica. Assim, a interface da Figura 31 aperfeiçoa a exibição de mudar informações relativas a diferentes tipos de ensaio com base na incerteza em valores futuros.
[00348] Em resposta a receber uma seleção de uma das guias ba-
seadas em resultados selecionáveis 3102, a interface pode exibir uma interface especializada para a dita guia baseada em resultados seleci- onada. Por exemplo, em resposta a receber uma seleção da guia de "Sementes por Acre", "Garantia de Desempenho", "Parceiro de De- sempenho" ou "Parceiro de Lucro", o sistema de computador de inteli- gência agrícola pode causar a exibição de uma interface relativa ao dito valor com base em resultado selecionado, tal como as interfaces das Figuras 32, 33, 34, e 35, respectivamente.
[00349] A Figura 32 apresenta uma GUI exemplar que exibe infor- mações relativas ao valor baseado em resultado de "Sementes por Acre". A interface 3200 inclui termos de ensaio 3202, calculador de valor 3204, preço de venda esperado 3206, barra de produtividade 3208, e opção de seleção de oferta 3210. Os termos de ensaio 3202 compreendem os termos do valor baseado em resultado de "Sementes por Acre", tal como o preço para sementes e a produtividade projeta- da. O calculador de valor 3204 compreende valores totais para o cam- po agronômico dados os termos de ensaio 3202, um preço de venda esperado inserido no preço de venda esperado 3206, e/ou um valor de produtividade inserido na barra de produtividade 3208. Para o valor de "Sementes por Acre", lucro de cultura e lucro menos custo de semente podem ser afetados por valores selecionados no preço de venda espe- rado 3206 e/ou barra de produtividade 3208. Em resposta a receber uma seleção da opção de seleção de oferta 3210, o sistema de com- putador de inteligência agrícola pode determinar que este recebeu uma seleção de valor baseado em resultado de "Sementes do Acre" para a recomendação de ensaio.
[00350] A Figura 33 apresenta uma GUI exemplar que exibe infor- mações relativas ao valor baseado em resultado "Garantia de Desem- penho". A interface 3300 inclui termos de ensaio 3302, calculador de valor 3304, preço de venda esperado 3306, barra de produtividade
3308, e opção de seleção de oferta 3310. Os termos de ensaio 3302 compreendem os termos do valor baseado em resultado "Garantia de Desempenho", tal como o preço para sementes e produtividade proje- tada. Calculador de valor 3304 compreende valores totais para o cam- po agronômico dados os termos de ensaio 3302, um preço de venda esperado inserido no preço de venda esperado 3306, e/ou um valor de produtividade inserido na barra de produtividade 3308. Para o valor de "Garantia de Desempenho", o lucro cultura e lucro menos custo de semente podem ser afetados por valores selecionados no preço de venda esperado 3306 e/ou barra de produtividade 3308. Além disso, o valor de reembolso nos termos de ensaio 3302 pode também mudar se um valor de produtividade for ajustado abaixo do valor de garantia de produtividade apresentado na barra de produtividade 3308. Em resposta a receber uma seleção da opção de seleção de oferta 3310, o sistema de computador de inteligência agrícola pode determinar que este recebeu uma seleção do valor baseado no resultado de "Garantia de Desempenho" para a recomendação de ensaio.
[00351] A Figura 34 apresenta uma GUI exemplar que exibe infor- mações relativas ao valor baseado em resultado de "Parceiro de De- sempenho". A interface 3400 inclui os termos de ensaio 3402, calcula- dor de valor 3404, preço de venda esperado 3406, barra de produtivi- dade 3408 e opção de seleção de oferta 3410. Os termos de ensaio 3402 compreendem os termos do valor baseado em resultado de "Parceiro de Desempenho", tal como o preço para as sementes e pro- dutividade projetada. O calculador de valor 3404 compreende valores totais para o campo agronômico dados os termos de ensaio 3402, um preço de venda esperado inserido no preço de venda esperado 3406, e/ou um valor de produtividade inserido na barra de produtividade
3408. Para o valor de "Parceiro de Desempenho", lucro de cultura, custo de semente total, e lucro menos custo de semente podem ser afetados por valores selecionados no preço de venda esperado 3406 e/ou barra de produtividade 3408. Além disso, o valor de reembolso e valor de taxa de compartilhamento nos termos de ensaio 3402 podem também mudar dependendo de um valor de produtividade selecionado na barra de produtividade 3408. Em resposta a receber uma seleção da opção de seleção de oferta 3410, o sistema de computador de inte- ligência agrícola pode determinar que este recebeu uma seleção do valor baseado em resultado de "Parceiro de Desempenho" para a re- comendação de ensaio.
[00352] A Figura 35 apresenta uma GUI exemplar que exibe infor- mações relativas ao valor baseado em resultado de "Parceiro de lu- cro". A interface 3500 inclui termos de ensaio 3502, calculador de valor 3504, preço de venda esperado 3506, barra de produtividade 3508 e opção de seleção de oferta 3510. Os termos de ensaio 3502 compre- endem os termos do valor baseado em resultado de "Parceiro de lu- cro", tal como o preço para sementes e produtividade projetada. O cal- culador de valor 3504 compreende valores totais para o campo agronômico dados os termos de ensaio 3502, um preço de venda es- perado inserido no preço de venda esperado 3506, e/ou um valor de produtividade inserido na barra de produtividade 3508. Para o valor de "Parceiro de Lucro", o lucro de cultura e lucro menos custo de semente podem ser afetados por valores selecionados no preço de venda espe- rado 3506 e/ou barra de produtividade 3508. Em resposta a receber uma seleção da opção de seleção de oferta 3510, o sistema de com- putador de inteligência agrícola pode determinar que este recebeu uma seleção do valor baseado em resultado "Parceiro de Lucro" para a recomendação do ensaio.
[00353] Referindo novamente à Figura 28, na etapa 2814, os dados de acordo de ensaio são armazenados. Os dados de acordo de ensaio podem incluir dados que identificam localizações no campo sujeito ao acordo de ensaio, dados que identificam um produto a ser plantado no campo, dados que identificam um ou mais produtos substitutos que podem ser plantados no campo, dados que identificam uma ou mais taxas de semeadura para o campo, dados que identifiquem um valor baseado em resultado selecionado, e quaisquer termos adicionais do acordo de ensaio, tal como valores de produtividade garantidos, valo- res de piso ou teto de preço, ou compartilhamento de percentagem.
[00354] Na etapa 2816, os dados de plantio são recebidos. Por exemplo, um implemento agrícola pode monitorar o plantio de uma cul- tura, monitorando incluindo identificar e armazenar dados de localiza- ção com dados de plantio correspondentes, tal como um tipo de se- mente plantada e densidade de plantio. O implemento agrícola pode enviar os dados de plantio para um sistema de computador de inteli- gência agrícola. Os dados de plantio podem compreender dados geo- espaciais que indicam tipos de sementes e/ou densidades de plantio para cada localização no campo agronômico.
[00355] Na etapa 2818, uma reconciliação de plantio é executada. A reconciliação de plantio, como aqui utilizada, refere-se a um proces- so pelo qual o sistema de computador de inteligência agrícola determi- na quanto do campo agronômico foi plantado de acordo com a reco- mendação de ensaio. A reconciliação de plantio pode ser executada avaliando uma ou mais regras com relação aos dados de plantio, tais como regras de data, regras de limite, regras de produto, regras de replantio, e/ou regras de densidade.
[00356] Em uma modalidade, o sistema de computador de inteli- gência agrícola avalia as uma ou mais regras sequencialmente, com os resultados de cada avaliação de regra compreendendo pelo menos identificadores de localizações que foram identificadas como reconcili- áveis. Assim, se uma localização for identificada como irreconciliável com base em uma primeira regra, a localização pode não ser avaliada para qualquer das regras futuras. Como um exemplo, o sistema de computador de inteligência agrícola pode avaliar todos os dados de plantio com relação às regras de data, avaliar acres reconciliáveis das regras de data com relação às regras de limite, avaliar acres reconcili- áveis das regras de limite com relação às regras de produto, avaliar acres reconciliáveis das regras de produto com relação às regras de replantio, e avaliar acres reconciliáveis das regras de replantio com relação às regras de densidade.
[00357] Além disso, certas regras podem ser avaliadas entre as re- gras baseadas nos resultados destas regras. Por exemplo, uma regra pode determinar se um número limite de acres e/ou percentagem do campo agronômico é reconciliável do resultado da regra específica. Se o número de acres e/ou percentagem do campo agronômico que é re- conciliável não for maior do que o limite, o sistema de computador de inteligência agrícola pode determinar que o campo agronômico não é reconciliável e pode não processar regras futuras.
[00358] As regras de data, como aqui utilizadas, referem-se a re- gras relativas a uma data de plantio e/ou a uma data de upload de da- dos de plantio. Por exemplo, o sistema de computador de inteligência agrícola pode armazenar um valor de data de plantio mais antigo e um valor de data de plantio tardio específico do campo. Todas as localiza- ções plantadas antes do valor de data de plantio antigo ou após o va- lor de data de plantio específico do campo podem ser identificadas como acres irreconciliáveis. Como outro exemplo, o sistema de com- putador de inteligência agrícola pode armazenar um valor de data de upload de dados de plantio. Quaisquer localizações que correspondem aos dados de plantio que não foram carregados antes do valor de data de upload de dados de plantio podem ser identificadas como acres ir- reconciliáveis.
[00359] As regras de limite, como aqui utilizadas, referem-se a re-
gras relativas a limites do campo agronômico, como identificadas nos dados do acordo de ensaio armazenados. Por exemplo, o sistema de computador de inteligência agrícola pode excluir as localizações plan- tadas identificadas nos dados de plantio de localizações reconciliáveis se estas estiverem fora dos limites do campo agronômico ou campos definidos pelos dados do acordo de ensaio. Em uma modalidade, o sistema de computador de inteligência agrícola provê uma margem de erro, tal como 9,6 metros (trinta e dois pés), do limite de modo que as localizações ligeiramente fora do limite podem ser consideradas re- conciliáveis de modo a superar os desvios no plantio. O sistema de computador de inteligência agrícola pode aplicar a margem de erro somente até um ponto que as localizações plantadas reconciliáveis não excedam uma área total de localizações plantadas identificadas nos dados de acordo de ensaio. O sistema de computador de inteli- gência agrícola pode reduzir as localizações reconciliáveis para um máximo da quantidade contratada ou enquanto inicialmente implemen- tando as regras de limite ou quando todas as outras regras foram im- plementadas. Assim, um resultado das regras de limite pode incluir uma área que excede o tamanho da área identificada pelo acordo de ensaio no caso em que quaisquer regras futuras reduziram ainda mais a área reconciliável. O sistema de computador de inteligência agrícola pode gerar um resultado de aplicar as regras de limite que compreen- dem uma área total de localizações reconciliáveis, identificadores de localizações reconciliáveis, e dados que identificam quaisquer limites expandidos gerados enquanto implementando as regras de limite.
[00360] As regras de produto, como aqui utilizadas, referem-se a regras relativas a um produto plantado no campo. As regras de produ- to podem incluir regras de localização individuais, tal como uma regra que especifica que uma localização é reconciliável se plantada com o produto identificado no acordo de ensaio e irreconciliável se não plan-
tada, plantada com tipo de cultura errado, ou plantada sem o produto identificado ou um produto substituto identificado. Além disso ou alter- nativamente, as regras de produto podem compreender regras relati- vas a múltiplas localizações em um campo. Por exemplo, uma regra pode estabelecer que localizações plantadas com produtos substitutos identificados nos dados de acordo de ensaio não podem exceder o menor de um tamanho específico, tal como 20 acres, ou uma percen- tagem específica dos um ou mais campos, tal como 20 % produto - reconciliável se híbrido primário ou alternativa aceitável não reconciliá- vel se não plantada, plantada com cultura errada, ou plantada com semente concorrente. Em uma modalidade se a quantidade do campo plantado com o produto substituto for maior do que ou o tamanho es- pecífico ou a percentagem específica, o sistema de computador de inteligência agrícola pode identificar todos os acres plantados com o produto substituto como irreconciliáveis. Alternativamente, o sistema de computador de inteligência agrícola pode somente identificar o me- nos de 20 acres ou 20% do campo que é plantado com o produto substituto como reconciliável e identificar o restante como irreconciliá- vel. Em uma modalidade, o sistema de computador de inteligência agrícola somente identifica localizações plantadas com o produto substituto como reconciliáveis se o produto identificado para o campo foi plantado em pelo menos uma porção do campo.
[00361] As regras de replantio, como aqui utilizadas, referem-se a regras relativas a localizações no campo que são replantadas, tal co- mo em resposta a erros de plantio ou desastres naturais. Por exemplo, uma regra de replantio pode especificar que uma localização é recon- ciliável se a localização contivesse um produto reconciliável antes do replantio e um produto reconciliável após o replantio.
[00362] As regras de densidade, como aqui utilizadas, referem-se a regras relativas a uma densidade de semeadura no campo agrícola.
As regras de densidade de semeadura podem estabelecer que as lo- calizações são reconciliáveis desde que a densidade de semeadura média das localizações esteja dentro de uma faixa específica ao redor da densidade de semeadura identificada nos dados de acordo de en- saio. Por exemplo, um número máximo de localizações no campo po- de ser selecionado com a limitação que a densidade de semeadura média está dentro de uma faixa de -3% a + 6% da densidade identifi- cada nos dados de acordo de ensaio. A faixa pode ser dependente do tipo de produto plantado. Assim, se múltiplos produtos forem plantados no campo, a faixa pode ser avaliada com relação a uma média ponde- rada em acre para cada produto ou instância de plantio.
[00363] Na etapa 2820, dados de colheita são recebidos. Por exemplo, um implemento agrícola pode monitorar a colheita de uma cultura, monitorando incluindo identificar e armazenar dados de locali- zação com dados de colheita correspondentes, tal como valores de produtividade que correspondem a localizações de colheita. O imple- mento agrícola pode enviar os dados de colheita para um sistema de computador de inteligência agrícola. Os dados de colheita podem compreender dados geoespaciais que indicam valores de produtivida- de para cada localização no campo agronômico.
[00364] Na etapa 2822, uma reconciliação de colheita é executada. A reconciliação de colheita, como aqui utilizada, refere-se a um pro- cesso pelo qual o sistema de computador de inteligência agrícola de- termina quanto das porções reconciliáveis do campo agronômico fo- ram colhidas. Assim, o sistema de computador de inteligência agrícola pode referenciar cruzado as localizações que foram identificadas como reconciliáveis na etapa 2818 com as localizações identificadas como colhidas nos dados de colheita para determinar quanto do campo é reconciliável.
[00365] Com base em dados de reconciliação identificados na eta-
pa 2822 ou 2818, o sistema de computador agrícola pode determinar se o valor baseado em resultado é ainda viável para o campo agronô- mico. Por exemplo, o sistema de computador de inteligência agrícola pode armazenar valores limite para um ou mais dos valores baseados em resultados que indicam um número mínimo de acres e/ou percen- tagem mínima do campo agronômico que deve ser reconciliável para o valor baseado em resultado ser viável. Se o número de acres ou per- centagem do campo agronômico que é reconciliável for menor do que o valor limite, o sistema de computador de inteligência agrícola pode mudar o valor baseado em resultado, tal como para o valor de Semen- tes por Acre. O sistema de computador de inteligência agrícola pode ser configurado para enviar uma notificação para um dispositivo de computação de gerenciador de campo em resposta a determinar que o número de acres ou percentagem do campo que é reconciliável é me- nor do que o valor limite.
[00366] Em uma modalidade, o sistema de computador de inteli- gência agrícola exibe uma interface de reconciliação de colheita que identifica percentagens do campo agrícola que são reconciliáveis, irre- conciliáveis, ou não plantadas. A interface pode além disso identificar fontes de localizações irreconciliáveis, tal como localizações fora de um limite sobre um mapa ou localizações plantadas após a data de plantio. Em uma modalidade, após a reconciliação de colheita, o sis- tema de computador de inteligência agrícola computa um valor basea- do em resultado final para o campo agronômico com base nas locali- zações reconciliáveis, na produtividade das localizações reconciliáveis e no tipo de valor baseado em resultado selecionado para o campo agronômico.
10. BENEFÍCIOS DE CERTAS MODALIDADES
[00367] Utilizando as técnicas aqui descritas, um computador pode rastrear as práticas através de uma pluralidade de campos, identificar campos que se beneficiariam de executar um ensaio, identificar locali- zações para executar ensaios, e incentivar participação nos ensaios. As técnicas aqui descritas podem além disso ser utilizadas para auto- matizar o maquinário em um campo específico. Por exemplo, quando determinando uma localização de ensaio em um campo e recebendo do dispositivo de computação de gerenciador de campo um acordo para participar no ensaio, o sistema de computador de inteligência agrícola pode gerar um ou mais scripts para implementos de campo que fazem com que os implementos de campo plantem sementes, apliquem produtos, ou executem práticas de gerenciamento específi- cas de acordo com o ensaio. Além disso, monitorando os implementos de campo em tempo real, um sistema de computador de inteligência agrícola pode ser capaz de identificar aplicações incorretas antes que estas ocorram e/ou identificar alternativas em resposta a uma aplica- ção incorreta. Assim, os métodos aqui descritos podem aperfeiçoar a capacidade do sistema de computador de inteligência agrícola interagir com o dispositivo de computação de gerenciador de campo sobre uma rede e prover soluções em tempo real.
11. EXTENSÕES E ALTERNATIVAS
[00368] Na especificação acima, modalidades foram descritas com referência a numerosos detalhes específicos que podem variar de im- plementação para implementação. A especificação e desenhos de- vem, consequentemente, ser considerados em um sentido ilustrativo ao invés de restritivo. O único e exclusivo indicador do escopo da des- crição, e o que é pretendido pelos requerentes para ser o escopo da descrição, é o escopo literal e equivalente do conjunto de reivindica- ções emanadas deste pedido, na forma específica na qual tal reivindi- cações emanam, incluindo qualquer correção subsequente.
Claims (20)
1. Sistema de computador caracterizado pelo fato de com- preender: um ou mais processadores; uma memória eletrônica digital acoplada nos um ou mais processadores e armazenando instruções as quais, quando executa- das pelos um ou mais processadores, causam o desempenho de: receber dados de campo para um campo agrícola específi- co; gerar uma recomendação de ensaio para o campo agrícola específico, a recomendação de ensaio compreendendo uma ou mais práticas de gerenciamento para o campo agrícola específico; utilizar os dados de campo para o campo agrícola específi- co, computando uma pluralidade de probabilidades de produtividade para o campo agrícola específico, cada uma das probabilidades de produtividade compreendendo uma probabilidade do campo agrícola específico produzir um diferente valor de probabilidade quando imple- mentando a recomendação de ensaio; utilizar a pluralidade de probabilidades de produtividade ge- rar uma pluralidade de valores baseados em resultados para o campo agrícola específico; gerar e causar a exibição de uma interface gráfica de usuá- rio em um dispositivo de display de computador, a interface gráfica de usuário visualmente exibindo cada um da pluralidade de valores base- ados em resultados para o campo agrícola específico, a interface grá- fica de usuário também visualmente exibindo um widget de deslizante de alqueire por acre final que é programado para gerar diferentes valo- res em resposta ao deslizamento interativo do widget; receber uma entrada de usuário que seleciona um valor es- pecífico através do widget de deslizante de alqueire por acre final e,
em resposta, computar um valor de lucro de cultura para cada um dos valores baseados em resultados e baseados no valor específico; causar a exibição do valor de lucro de cultura para cada um dos valores baseados em resultados na interface gráfica de usuário.
2. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que a pluralidade de valores baseados em resultados compreende um valor de garantia de desempenho, o valor de garantia de desempenho compreendendo um custo de implementação, um va- lor de probabilidade garantido, e um valor de reembolso indicando um valor de reembolso se o campo agrícola específico não produzir uma produtividade do valor de probabilidade garantido.
3. Sistema de acordo com a preferência 1, caracterizado pelo fato de que a pluralidade de valores baseados em resultados compreende um valor de correspondência de desempenho, o valor de correspondência de desempenho compreendendo um custo de imple- mentação, um valor de produtividade garantido, um valor de reembol- so que indica um valor de reembolso quando o campo agrícola especí- fico não produz uma produtividade do valor garantido, e uma percen- tagem de superdesempenho que compreende uma percentagem de qualquer produtividade produzida pelo campo agrícola específico.
4. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que as instruções, quando executadas pelos um ou mais processadores, ainda causam o desempenho de: receber uma seleção de um valor baseado em resultado específico da pluralidade de valores baseados em resultados; receber dados de aplicação para o campo agrícola especí- fico; com base, pelo menos em parte, nos dados de aplicação, determinar que o campo agrícola específico está em conformidade com o ensaio específico;
receber valores de produtividade para o campo agrícola es- pecífico; com base, pelo menos em parte, no valor baseado em re- sultado específico e nos valores de produtividade, computar um valor de benefício para o ensaio específico.
5. Sistema de acordo com a especialidade 4, caracterizado pelo fato de que as instruções, quando executadas pelos um ou mais processadores, ainda causam o desempenho de: gerar, com base nos dados de aplicação para o campo agrícola específico, uma pluralidade de camadas de dados para o campo agrícola que compreende uma camada de reserva, uma cama- da de tratamento, uma camada de controle de qualidade e uma cama- da de dados de plantio; determinar que o campo agrícola específico está em con- formidade com o ensaio avaliando os dados de aplicação com relação à pluralidade de camadas de dados para o campo agrícola.
6. Sistema de acordo com a reivindicação 5, caracterizado pelo fato de que a camada de controle de qualidade identifica uma ou mais passagens de borda, passagens finais, filas de pontos ou anor- malidades operacionais.
7. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que gerar a recomendação de ensaio para os um ou mais campos compreende computar uma variabilidade de curto comprimen- to para o campo agrícola e a identificar localizações para implementar o ensaio com base, pelo menos em parte, a variabilidade de curto comprimento para o campo agrícola.
8. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que as instruções, quando executadas pelos um ou mais processadores, ainda causam o desempenho de: utilizar dados de produtividade anteriores para uma plurali-
dade de campos agrícolas, treinar um modelo digital de produtividade de cultura para predizer parâmetros para uma distribuição de probabi- lidade de produtividade; utilizar dados de produtividade anteriores para o campo agrícola específico, computando parâmetros para a distribuição de probabilidade de produtividade para o campo agrícola do modelo digi- tal treinado de produtividade de cultura; computar uma pluralidade de probabilidades de produtivi- dade da distribuição de probabilidade de produtividade para o campo agrícola.
9. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que as instruções, quando executadas pelos um ou mais processadores, ainda causam o desempenho de: receber dados de resposta de produtividade anteriores para o campo agrícola específico; determinar um ambiente de produtividade provável para o campo agrícola específico; computar uma faixa de variância para o ambiente de produ- tividade provável; identificar cada possível ambiente de produtividade dentro da faixa de variância; com base em cada possível ambiente de produtividade, de- terminar uma ou mais posições de elemento de interface válidas para um elemento de interface na interface gráfica de usuário; aumentar a interface gráfica de usuário para limitar a sele- ção de posições no elemento de interface para uma das uma ou mais posições de interface válidas; causar a exibição do elemento de interface na interface grá- fica de usuário com uma opção de selecionar uma das uma ou mais posições de interface válidas.
10. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que as uma ou mais práticas de gerenciamento para o campo agrícola específico diferem das uma ou mais práticas de ge- renciamento anteriores para o campo agrícola específico.
11. Método implementado por computador, caracterizado pelo fato de compreender: receber, em um sistema de computador de inteligência agrícola, dados de campo para um campo agrícola específico; gerar uma recomendação de ensaio para o campo agrícola específico, a recomendação de ensaio compreendendo uma ou mais práticas de gerenciamento para o campo agrícola específico; utilizar os dados de campo para o campo agrícola específi- co, computando uma pluralidade de probabilidades de produtividade para o campo agrícola específico, cada uma das quais as probabilida- des de produtividade compreendendo uma probabilidade do campo agrícola específico produzir um diferente valor de produtividade quan- do implementar a recomendação de ensaio; utilizar uma pluralidade de probabilidades de produtividade, gerando uma pluralidade de valores baseados em resultados para o campo agrícola específico; gerar e causar a exibição de uma interface gráfica de usuá- rio em um dispositivo de display de computador, a interface gráfica de usuário compreendendo visualmente exibir cada um da pluralidade de valores baseados em resultados para o campo agrícola específico, a interface gráfica de usuário compreendendo também visualmente exi- bir um widget de deslizante de alqueire por acre final que é programa- do para gerar diferentes valores em resposta ao deslizamento interati- vo do widget; receber uma entrada de usuário que seleciona um valor es- pecífico através do widget de deslizante de alqueire por acre final e,
em resposta, computar um valor de lucro de cultura para cada um dos valores baseados em resultados, um valor de lucro de cultura e com base no valor específico; causar a exibição do valor de lucro de cultura para cada um dos valores baseados em resultados através da interface gráfica do usuário.
12. Método de acordo com a reivindicação 11, caracteriza- do pelo fato de que a pluralidade de valores baseados em resultados compreende um valor de garantia de desempenho, o valor de garantia de desempenho compreendendo um custo de implementação, um va- lor de produtividade garantido, e um valor de reembolso que indica um valor de reembolso se o campo agrícola específico não produzir uma produtividade do valor de produtividade garantido.
13. Método de acordo com a reivindicação 11, caracteriza- do pelo fato de que a pluralidade de valores baseados em resultados compreende um valor de correspondência de desempenho, o valor de correspondência de desempenho compreendendo um custo de imple- mentação, um valor de produtividade garantido, um valor de reembol- so que indica um valor de reembolso quando o campo agrícola especí- fico não produz uma produtividade do valor garantido, e uma percen- tagem de superdesempenho que compreende uma percentagem de qualquer produtividade que foi produzida pelo campo agrícola especí- fico.
14. Método de acordo com a reivindicação 11, caracteriza- do pelo fato de ainda compreender: receber uma seleção de um valor baseado em resultado específico da pluralidade de valores baseados em resultados; receber dados de aplicação para o campo agrícola especí- fico; com base, pelo menos em parte, nos dados de aplicação,
determinar que o campo agrícola específico está em conformidade com o ensaio específico; receber valores de produtividade para o campo agrícola es- pecífico; com base, pelo menos em parte, no valor baseado em re- sultado específico e nos valores de produtividade, computar um valor de benefício para o ensaio específico.
15. Método de acordo com a reivindicação 14, caracteriza- do pelo fato de ainda compreender: gerar, com base nos dados de aplicação para o campo agrícola específico, uma pluralidade de camadas de dados para o campo agrícola que compreende uma camada de reserva, uma cama- da de tratamento, uma camada de controle de qualidade e uma cama- da de dados de plantio; determinar que o campo agrícola específico está em con- formidade com o ensaio avaliando os dados de aplicação com relação à pluralidade de camadas de dados para o campo agrícola.
16. Método de acordo com a reivindicação 15, caracteriza- do pelo fato de que a camada de controle de qualidade identifica uma ou mais das passagens de borda, passagens finais, filas de pontos, ou anormalidades operacionais.
17. Método de acordo com a reivindicação 11, caracteriza- do pelo fato de que gerar as recomendações de ensaio para os um ou mais campos compreende computar uma variabilidade de curto com- primento para o campo agrícola e identificar localizações para imple- mentar o ensaio com base, pelo menos em parte, na variabilidade de curto comprimento para o campo agrícola.
18. Método, de acordo com a reivindicação 11, caracteriza- do pelo fato de ainda compreender: utilizar dados de produtividade anteriores para uma plurali-
dade de campos agrícolas, treinando um modelo digital de produtivi- dade de cultura para predizer parâmetros para uma distribuição de probabilidade de produtividade; utilizar dados de produtividade anteriores para o campo agrícola específico, computando parâmetros para a distribuição de probabilidade de produtividade para o campo agrícola do modelo digi- tal treinado de produtividade de cultura; computar uma pluralidade de probabilidades de produtivi- dade da distribuição de probabilidade de produtividade para o campo agrícola.
19. Método, de acordo com a reivindicação 11, caracteriza- do pelo fato de ainda compreender: receber dados de resposta de produtividade anteriores para o campo agrícola específico; determinar um ambiente de produtividade provável para o campo agrícola específico; computar uma taxa de variância para o ambiente de produ- tividade provável; identificar cada possível ambiente de produtividade dentro da faixa de variância; com base em cada possível ambiente de produtividade, de- terminar uma ou mais posições de elemento de interface válidas para um elemento de interface na interface gráfica de usuário; aumentar a interface gráfica de usuário para limitar a sele- ção de posições no elemento de interface para uma das uma ou mais posições de interface válidas; causar a exibição do elemento de interface na interface grá- fica de usuário com uma opção de selecionar uma das uma ou mais posições de interface válidas.
20. Método de acordo com a reivindicação 11, caracteriza-
do pelo fato de que as uma ou mais práticas de gerenciamento para o campo agrícola específico diferem das uma ou mais práticas de ge- renciamento anteriores para o campo agrícola específico.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962808807P | 2019-02-21 | 2019-02-21 | |
| US62/808,807 | 2019-02-21 | ||
| PCT/US2020/019327 WO2020172603A1 (en) | 2019-02-21 | 2020-02-21 | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021014914A2 true BR112021014914A2 (pt) | 2021-09-28 |
Family
ID=72140575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021014914-7A BR112021014914A2 (pt) | 2019-02-21 | 2020-02-21 | Modelagem digital e rastreamento de campos agrícolas para implementar ensaios de campo agrícola |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US11631040B2 (pt) |
| EP (1) | EP3927137A4 (pt) |
| CN (1) | CN113473840B (pt) |
| AR (1) | AR118178A1 (pt) |
| AU (1) | AU2020226907A1 (pt) |
| BR (1) | BR112021014914A2 (pt) |
| CA (1) | CA3130503A1 (pt) |
| MX (1) | MX2021010120A (pt) |
| WO (1) | WO2020172603A1 (pt) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11037343B2 (en) * | 2018-05-11 | 2021-06-15 | The Climate Corporation | Digital visualization of periodically updated in-season agricultural fertility prescriptions |
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| CA199221S (en) * | 2018-09-28 | 2021-02-18 | Rockwool Int | Display screen with graphical interface |
| CN110531039B (zh) * | 2019-09-03 | 2022-04-29 | 河南工业大学 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
| US11625793B1 (en) * | 2020-03-05 | 2023-04-11 | Meyer Colpien Hesse | Process for estimating crop yield |
| US11379865B2 (en) * | 2020-07-17 | 2022-07-05 | Sap Se | Machine learned models for item price planning |
| US20220043735A1 (en) * | 2020-08-07 | 2022-02-10 | International Business Machines Corporation | Dynamic risk based analysis model |
| US20220067845A1 (en) * | 2020-08-25 | 2022-03-03 | Kyndryl, Inc. | Agricultural product handling and storage optimization |
| AU2021344973A1 (en) * | 2020-09-20 | 2023-03-30 | Dirtsat, Inc. | Systems and methods of urban rooftop agriculture with smart city data integration |
| WO2022070232A1 (ja) * | 2020-09-29 | 2022-04-07 | 株式会社サタケ | 穀物のタンパク質含有量の取得方法 |
| WO2022200601A1 (en) * | 2021-03-25 | 2022-09-29 | Basf Se | Computer-implemented method for determining a treatment schedule based on a soil-related sustainability score as technical indicator for carbon farming potential of an agricultural field or a sub-field zone |
| US11514350B1 (en) * | 2021-05-04 | 2022-11-29 | NotCo Delaware, LLC | Machine learning driven experimental design for food technology |
| BR112023026568A2 (pt) * | 2021-06-16 | 2024-03-05 | Advanced Agrilytics Holdings Llc | Métodos e sistemas para gerar e visualizar a colocação ideal de híbridos e variedades |
| EP4116897A1 (en) | 2021-07-06 | 2023-01-11 | Enrique Menotti Pescarmona | Process and system of management and analysis for agricultural production |
| US11816582B2 (en) * | 2021-10-21 | 2023-11-14 | Snowflake Inc. | Heuristic search for k-anonymization |
| WO2023118554A1 (en) * | 2021-12-23 | 2023-06-29 | Basf Agro Trademarks Gmbh | Method for determining a treatment schedule for treating an agricultural field based on the matching with the field potential |
| TWI807611B (zh) * | 2022-01-24 | 2023-07-01 | 悠由數據應用股份有限公司 | 農業操作動態調整系統 |
| CN114793852A (zh) * | 2022-04-01 | 2022-07-29 | 江苏叁拾叁信息技术有限公司 | 一种智能施肥给水方法及其系统 |
| US20230385957A1 (en) * | 2022-05-26 | 2023-11-30 | Climate Llc | Systems and methods for use in identifying trials in fields |
| CN115222305B (zh) * | 2022-09-21 | 2022-12-09 | 山东亿云信息技术有限公司 | 一种基于小麦产量数据管理预警方法 |
| CN115983468A (zh) * | 2022-12-30 | 2023-04-18 | 慕学星凡(成都)科技有限公司 | 一种基于大数据的信息预测分析方法及系统 |
| CN115796558B (zh) * | 2023-02-03 | 2023-05-05 | 光泽县宏翔智能科技有限公司 | 基于深度神经网络的烟草种植面积智能管理系统 |
| CN117217372B (zh) * | 2023-09-08 | 2024-03-08 | 湖北泰跃卫星技术发展股份有限公司 | 一种农产品产量预测及量化农事活动对产量的影响的方法 |
| CN117574096B (zh) * | 2024-01-15 | 2024-04-05 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
Family Cites Families (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5961573A (en) | 1996-11-22 | 1999-10-05 | Case Corporation | Height control of an agricultural tool in a site-specific farming system |
| US6058351A (en) | 1998-09-10 | 2000-05-02 | Case Corporation | Management zones for precision farming |
| US8019636B2 (en) | 2004-09-28 | 2011-09-13 | International Business Machines Corporation | Method, system and program product for planning and managing a call center study |
| CA2770216C (en) | 2012-03-02 | 2016-10-18 | Phantom Ag Ltd. | Method and system for identifying management zones for variable-rate crop inputs |
| US20130332205A1 (en) * | 2012-06-06 | 2013-12-12 | David Friedberg | System and method for establishing an insurance policy based on various farming risks |
| US20140067745A1 (en) | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
| US20140089045A1 (en) | 2012-09-27 | 2014-03-27 | Superior Edge, Inc. | Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users |
| WO2015089088A1 (en) | 2013-12-09 | 2015-06-18 | Trinetx, Inc. | Identification of candidates for clinical trials |
| WO2015100023A1 (en) | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
| US10104836B2 (en) | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
| CN104285574B (zh) * | 2014-09-02 | 2016-06-08 | 云南省农业科学院农业环境资源研究所 | 一种农田氮素投入阈值的计算方法 |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| US11069005B2 (en) * | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
| US20160085943A1 (en) | 2014-09-22 | 2016-03-24 | Medidata Solutions, Inc. | System and Method for Monitoring Clinical Trial Progress |
| US20170161560A1 (en) | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| US9792557B2 (en) | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| WO2016127094A1 (en) * | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US9813512B2 (en) | 2015-04-20 | 2017-11-07 | Agverdict, Inc. | Systems and methods for efficiently generating a geospatial data map for use in agricultural operations |
| CA2988972C (en) | 2015-06-08 | 2023-04-18 | Precision Planting Llc | Agricultural data analysis |
| US10342174B2 (en) * | 2015-10-16 | 2019-07-09 | The Climate Corporation | Method for recommending seeding rate for corn seed using seed type and sowing row width |
| US11062223B2 (en) | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
| 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 |
| US10529036B2 (en) | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
| US10509872B2 (en) * | 2017-03-08 | 2019-12-17 | The Climate Corporation | Location selection for treatment sampling |
| US11257172B2 (en) | 2017-04-26 | 2022-02-22 | International Business Machines Corporation | Cognitive based decision support system for agriculture |
| US10580093B2 (en) | 2017-06-17 | 2020-03-03 | Institute Of Agricultural Resources And Regional Planning Chinese Academy Of Agricultural Sciences | Estimating the prior for a stochastic allocation model |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| WO2019040538A1 (en) | 2017-08-21 | 2019-02-28 | The Climate Corporation | DIGITAL MODELING AND TRACKING OF AGRICULTURAL FIELDS FOR THE IMPLEMENTATION OF AGRICULTURAL FIELD TRIALS |
| US20200265527A1 (en) * | 2019-02-15 | 2020-08-20 | Growers Edge Financial, Inc. | Agronomic prescription product |
| US11645308B2 (en) | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| EP3923231A1 (en) | 2020-06-11 | 2021-12-15 | KWS SAAT SE & Co. KGaA | Method and system for managing agricultural processes |
-
2020
- 2020-02-21 CN CN202080015994.8A patent/CN113473840B/zh active Active
- 2020-02-21 AU AU2020226907A patent/AU2020226907A1/en active Pending
- 2020-02-21 CA CA3130503A patent/CA3130503A1/en active Pending
- 2020-02-21 WO PCT/US2020/019327 patent/WO2020172603A1/en unknown
- 2020-02-21 MX MX2021010120A patent/MX2021010120A/es unknown
- 2020-02-21 US US16/798,002 patent/US11631040B2/en active Active
- 2020-02-21 EP EP20759399.7A patent/EP3927137A4/en active Pending
- 2020-02-21 BR BR112021014914-7A patent/BR112021014914A2/pt unknown
- 2020-02-21 AR ARP200100504A patent/AR118178A1/es unknown
-
2023
- 2023-04-13 US US18/134,523 patent/US20230368112A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3927137A1 (en) | 2021-12-29 |
| CN113473840B (zh) | 2023-09-05 |
| US20230368112A1 (en) | 2023-11-16 |
| US11631040B2 (en) | 2023-04-18 |
| AU2020226907A1 (en) | 2021-09-30 |
| WO2020172603A1 (en) | 2020-08-27 |
| MX2021010120A (es) | 2021-09-23 |
| CA3130503A1 (en) | 2020-08-27 |
| CN113473840A (zh) | 2021-10-01 |
| EP3927137A4 (en) | 2022-11-09 |
| AR118178A1 (es) | 2021-09-22 |
| US20200272971A1 (en) | 2020-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11587186B2 (en) | Digital modeling and tracking of agricultural fields for implementing agricultural field trials | |
| US11631040B2 (en) | Digital modeling and tracking of agricultural fields for implementing agricultural field trials | |
| US20230169428A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20200226374A1 (en) | Generating pixel maps from non-image data and difference metrics for pixel maps | |
| US20230177622A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20200005401A1 (en) | Optimal placement and portfolio opportunity targeting | |
| US11707016B2 (en) | Cross-grower study and field targeting | |
| BR112019002763A2 (pt) | detecção automática de valores de discrepância em dados coletados | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112021004345A2 (pt) | seleção de sementes híbridas ajustada por risco e otimização de rendimento de cultura por campo | |
| US11864488B1 (en) | Computer-implemented recommendation of side-by-side planting in agricultural fields | |
| US11861737B1 (en) | Hybrid seed supply management based on prescription of hybrid seed placement |
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) |