BR112018007534B1 - METHOD FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS AND DATA PROCESSING SYSTEM FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS - Google Patents
METHOD FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS AND DATA PROCESSING SYSTEM FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS Download PDFInfo
- Publication number
- BR112018007534B1 BR112018007534B1 BR112018007534-5A BR112018007534A BR112018007534B1 BR 112018007534 B1 BR112018007534 B1 BR 112018007534B1 BR 112018007534 A BR112018007534 A BR 112018007534A BR 112018007534 B1 BR112018007534 B1 BR 112018007534B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- divergence
- yield
- filtered
- filtered data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 title claims description 20
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000003306 harvesting Methods 0.000 claims description 56
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 description 67
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 42
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000013459 approach Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 229910052757 nitrogen Inorganic materials 0.000 description 21
- 230000008569 process Effects 0.000 description 21
- 238000003860 storage Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 239000002689 soil Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 241001124569 Lycaenidae Species 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000005202 decontamination Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 239000003337 fertilizer Substances 0.000 description 9
- 238000011109 contamination Methods 0.000 description 8
- 238000013515 script Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000003588 decontaminative effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004883 computer application Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013095 identification testing Methods 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003971 tillage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 239000000417 fungicide 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
- 238000009828 non-uniform distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001416181 Axis axis Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000035558 fertility Effects 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
- 238000012248 genetic selection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- -1 silt Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Abstract
DADOS DE MAPA DE RENDIMENTO DE PRECISÃO GERADOS POR COMPUTADOR COM O USO DE FILTROS ESPECIALIZADOS E DETECÇÃO DE EXCEÇÃO ESPACIAL. São fornecidos um método e um sistema para descontaminar mapas de rendimento bruto combinando-se filtros com detectores de divergência espacial. Em uma modalidade, o método compreende receber, através de uma rede de computador, dados digitais eletrônicos que compreendem primeiros dados de rendimento que representam rendimentos de cultura colhidos a partir de um campo agrícola; aplicar um ou mais filtros aos primeiros dados de rendimento para identificar, a partir dos primeiros dados de rendimento, primeiros dados de divergência; gerar primeiros dados filtrados a partir dos primeiros dados de rendimento removendo-se os primeiros dados de divergência dos primeiros dados de rendimento; identificar, nos primeiros dados filtrados, os segundos dados de divergência que representam valores de divergência com base em uma ou mais características de divergência; gerar segundos dados de divergência a partir dos primeiros dados filtrados removendo-se os segundos dados de divergência dos primeiros dados filtrados; gerar e ocasionar a exibição em um dispositivo de computação móvel de uma representação gráfica dos rendimentos de cultura colhidos a partir do campo agrícola com o uso apenas dos segundos dados (...).PRECISION YIELD MAP DATA GENERATED BY COMPUTER USING SPECIALIZED FILTERS AND SPATIAL EXCEPTION DETECTION. A method and system for decontaminating raw yield maps by combining filters with spatial divergence detectors are provided. In one embodiment, the method comprises receiving, via a computer network, electronic digital data comprising first yield data representing crop yields harvested from an agricultural field; applying one or more filters to the first yield data to identify, from the first yield data, first divergence data; generating first filtered data from the first yield data by removing the first divergence data from the first yield data; identifying, in the first filtered data, second divergence data that represent divergence values based on one or more divergence characteristics; generating second divergence data from the first filtered data by removing the second divergence data from the first filtered data; generate and cause the display on a mobile computing device of a graphical representation of crop yields harvested from the agricultural field using only the second data (...).
Description
[001] Uma porção da revelação desse documento de patente contém material que é sujeito à proteção de direitos autorais. O proprietário de direitos autorais não tem nenhuma objeção para a reprodução em fac-símile por qualquer um do documento de patente ou da revelação de patente, conforme a mesma aparece no arquivo ou em registros do Escritório de Patentes e Marcas Registradas, mas, caso contrário, reserva todos os direitos autorais ou quaisquer direitos. © 2015 The Climate Corporation.[001] A portion of the disclosure of this patent document contains material that is subject to copyright protection. The copyright owner has no objection to facsimile reproduction by anyone of the patent document or patent disclosure as it appears on file or in records of the Patent and Trademark Office, but otherwise , reserves all copyright or any rights. © 2015 The Climate Corporation.
[002] A presente revelação geralmente se refere a sistemas de computador úteis em agricultura. A revelação se refere mais especificamente aos sistemas de computador que são programados ou configurados para gerar dados de mapa de rendimento de precisão com o uso de filtros especializados e abordagens de detecção de divergência espacial.[002] The present disclosure generally relates to computer systems useful in agriculture. The disclosure more specifically refers to computer systems that are programmed or configured to generate precision yield map data using specialized filters and spatial divergence detection approaches.
[003] As abordagens descritas nessa seção são abordagens que poderiam ser visadas, contudo, não necessariamente abordagens que foram concebidas ou visadas anteriormente. Portanto, a menos que indicado de outro modo, não deve ser pressuposto que qualquer uma das abordagens descritas nessa seção se qualifique como técnica anterior meramente em virtude da sua inclusão nessa seção.[003] The approaches described in this section are approaches that could be targeted, however, not necessarily approaches that have been previously conceived or targeted. Therefore, unless otherwise indicated, it should not be assumed that any of the approaches described in this section qualify as prior art merely by virtue of their inclusion in this section.
[004] Determinar distribuições de rendimento de culturas de campos agrícolas é essencial para planejar e avaliar estratégias de gerenciamento agrícola. No entanto, dados brutos que representam rendimento de culturas e obtidos a partir de equipamento de campo são conhecidos por sofrer de contaminação como erros. Alguns dos erros podem ocorrer devido aos erros ou deficiências dos mecanismos usados no campo para coletar dados sobre o rendimento de culturas. Por exemplo, alguns dos sensores de coleção de dados em peças de colheita ou outro equipamento agrícola podem estar calibrados incorretamente e, assim, introduzem alguns desvios no rendimento medido. Outros erros podem ser inerentes ao ambiente e condições de colheita, incluindo atrasos operacionais ao registrar culturas colhidas, equipamento de colheita inapropriadamente calibrado incluindo uma barra colheitadeira, leituras de velocidade incorretamente registradas com as quais uma colheitadeira colhe as culturas, acabamentos estreitos da ceifeira debulhadora de colheita e erros causados por voltas da colheitadeira e sobreposições de colheita.[004] Determining crop yield distributions from agricultural fields is essential for planning and evaluating agricultural management strategies. However, raw data representing crop yields and obtained from field equipment are known to suffer from contamination such as errors. Some of the errors may occur due to errors or deficiencies in the mechanisms used in the field to collect crop yield data. For example, some of the data collection sensors on harvesting pieces or other agricultural equipment may be incorrectly calibrated and thus introduce some deviations in the measured yield. Other errors may be inherent to the harvesting environment and conditions, including operational delays when recording harvested crops, improperly calibrated harvesting equipment including a harvester bar, incorrectly recorded speed readings with which a combine harvests crops, tight grain combine finishes, harvesting and errors caused by combine turns and harvest overlaps.
[005] A descontaminação desses dados que representam rendimento de culturas é normalmente realizada por pessoas que inspecionam visualmente os dados. As pessoas podem ser especialistas treinadas em aplicar vários filtros e limiares para determinar se os dados que representam os rendimentos estão descontaminados. Com base na inspeção visual e análise de relações entre os dados coletados e os limiares, os especialistas podem tentar determinar fontes que causaram a contaminação. Infelizmente, os métodos para selecionar os filtros e limiares são tipicamente aleatórios e não estruturados, e assim não oferecem uma abordagem coerente e robusta para descontaminar os dados. Adicionalmente, é frequentemente difícil avaliar a eficácia dos filtros e limiares com relação a sua aplicabilidade aos dados colhidos de campos diferentes, com o uso de equipamento de colheita diferente e colhidos com o uso de técnicas de colheita de cultura diferentes.[005] Decontamination of these data representing crop yields is typically performed by people who visually inspect the data. People can be trained experts in applying various filters and thresholds to determine whether the data representing income is uncontaminated. Based on visual inspection and analysis of relationships between collected data and thresholds, experts can attempt to determine sources that caused the contamination. Unfortunately, the methods for selecting filters and thresholds are typically random and unstructured, and thus do not offer a coherent and robust approach to decontaminating data. Additionally, it is often difficult to evaluate the effectiveness of filters and thresholds with respect to their applicability to data collected from different fields, using different harvesting equipment, and collected using different crop harvesting techniques.
[006] O documento EP2902984, como estado da técnica mais próximo, refere-se a uma técnica segundo a qual informações de exibição, incluindo informações relacionadas ao trabalho de solo, são exibidas ao motorista. Em geral, o documento EP2902984 refere-se a um dispositivo de trabalho que executa trabalho utilizando uma unidade de trabalho durante a viagem, ou um sistema de gerenciamento no qual o dispositivo de trabalho está incorporado inclui: uma unidade de geração de informações de viagem que, ao longo do tempo, gera informações de viagem indicando um estado de viagem; uma unidade de geração de informações de trabalho que, ao longo do tempo, gera informações de trabalho indicando um estado de trabalho para a unidade de trabalho; uma unidade de avaliação de viagem que, com base nas informações de viagem e nas informações de trabalho, divide a viagem do dispositivo de trabalho em viagem não relacionada ao trabalho e viagem de trabalho real; e uma unidade de visualização de dados que gera dados visuais de acordo com os quais é tornado visível o resultado da divisão realizada pela unidade de avaliação de viagens.[006] Document EP2902984, as the closest prior art, refers to a technique according to which display information, including information related to ground work, is displayed to the driver. In general, EP2902984 refers to a work device that performs work using a work unit during travel, or a management system in which the work device is incorporated includes: a travel information generation unit that , over time, generates travel information indicating a travel state; a work information generating unit that, over time, generates work information indicating a work state for the work unit; a travel assessment unit that, based on travel information and work information, divides work device travel into non-work travel and actual work travel; and a data visualization unit that generates visual data according to which the result of the division performed by the travel evaluation unit is made visible.
[007] As reivindicações anexas podem servir como um sumário da revelação.[007] The attached claims may serve as a summary of the disclosure.
[008] A Figura 1 ilustra um sistema de computador exemplificativo que é configurado para realizar as funções descritas no presente documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.[008] Figure 1 illustrates an exemplary computer system that is configured to perform the functions described in this document, shown in a field environment with another device with which the system can interoperate.
[009] A Figura 2 ilustra duas vistas de uma organização lógica exemplificativa de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificativo é carregado para a execução.[009] Figure 2 illustrates two views of an exemplary logical organization of instruction sets in main memory when an exemplary mobile application is loaded for execution.
[010] A Figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados com o uso de dados agronômicos fornecidos por uma ou mais fontes de dados.[010] Figure 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using agronomic data provided by one or more data sources.
[011] A Figura 4 é um diagrama de bloco que ilustra um sistema de computador sob o qual uma modalidade da invenção pode ser implantada.[011] Figure 4 is a block diagram illustrating a computer system upon which an embodiment of the invention can be implemented.
[012] A Figura 5 é um diagrama de fluxo que representa um método ou algoritmo exemplificativo para descontaminar dados de rendimento de culturas combinando-se filtros especializados com detectores de divergência espacial.[012] Figure 5 is a flow diagram representing an exemplary method or algorithm for decontaminating crop yield data by combining specialized filters with spatial divergence detectors.
[013] A Figura 6 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de identificação de passagem em dados de rendimentos de culturas.[013] Figure 6 is a flow diagram depicting an exemplary method or algorithm for performing a passage identification test on crop yield data.
[014] A Figura 7 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de passagem curta em dados de rendimentos de culturas.[014] Figure 7 is a flow diagram depicting an exemplary method or algorithm for performing a short pass filter test on crop yield data.
[015] A Figura 8 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de atraso de passagem inicial em dados de rendimentos de culturas.[015] Figure 8 is a flow diagram depicting an exemplary method or algorithm for performing an initial pass delay filter test on crop yield data.
[016] A Figura 9 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de atraso de passagem final em dados de rendimentos de culturas.[016] Figure 9 is a flow diagram depicting an exemplary method or algorithm for performing a final pass delay filter test on crop yield data.
[017] A Figura 10 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de faixa de plantio baixa em dados de rendimentos de culturas.[017] Figure 10 is a flow diagram depicting an exemplary method or algorithm for performing a low planting range filter test on crop yield data.
[018] A Figura 11 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar uma detecção de divergência espacial com base em um valor médio agregado computado dos itens de dados.[018] Figure 11 is a flow diagram depicting an exemplary method or algorithm for performing spatial divergence detection based on an aggregated average value computed from data items.
[019] A Figura 12 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar uma detecção de divergência espacial com base em um valor médio agregado ponderado computado dos itens de dados.[019] Figure 12 is a flow diagram depicting an exemplary method or algorithm for performing spatial divergence detection based on a weighted aggregate average value computed from data items.
[020] As modalidades são reveladas em seções de acordo com o esboço a seguir: 1. VISÃO GERAL 2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA EXEMPLIFICATIVO 2.1. VISÃO GERAL ESTRUTURAL 2.2. VISÃO GERAL DE PROGRAMA APLICATIVO 2.3. INGESTÃO DE DADOS NO SISTEMA DE COMPUTADOR 2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO 2.5. EXEMPLO DE IMPLANTAÇÃO — VISÃO GERAL DE HARDWARE 3. DADOS DE MEDIÇÃO DE COLETA 4. DISTRIBUIÇÃO NÃO UNIFORME DE DADOS DE RENDIMENTO BRUTO 5. FONTES EXEMPLIFICATIVAS DE CONTAMINAÇÃO 6. GERAÇÃO DE DADOS DE MAPA DE RENDIMENTO DESCONTAMINADO COM O USO DE DETECTORES DE EXCEÇÃO ESPACIAIS E FILTROS ESPECIALIZADOS 7. FILTRAR EXEMPLOS 7.1. FILTRO DE IDENTIFICAÇÃO DE PASSO 7.2. FILTRO DE PASSO CURTO 7.3. FILTRO DE RETARDO DE FLUXO 7.4. FILTRO DE ALTERAÇÃO DE VELOCIDADE ABRUPTA 7.5. FILTRO DE ATRASO DE PASSO INICIAL 7.6. FILTRO DE ATRASO DE PASSO FINAL 7.7. FILTRO DE FAIXA DE PLANTIO CURTA 8. EXEMPLOS DE DETECÇÃO DE EXCEÇÃO ESPACIAL 8.1. TESTE DE VALOR MÉDIO DE MÉDIA 8.2. TESTE DE VALOR MÉDIO POR MÉDIA PONDERADA 9. BENEFÍCIOS DE DETERMINADAS MODALIDADES 10. EXTENSÕES E ALTERNATIVAS[020] Embodiments are disclosed in sections according to the following outline: 1. OVERVIEW 2. EXEMPLIFICATIVE AGRICULTURAL INTELLIGENCE COMPUTER SYSTEM 2.1. STRUCTURAL OVERVIEW 2.2. APPLICATION PROGRAM OVERVIEW 2.3. DATA INGESTION INTO THE COMPUTER SYSTEM 2.4. PROCESS OVERVIEW - AGRONOMIC MODEL TRAINING 2.5. DEPLOYMENT EXAMPLE — HARDWARE OVERVIEW 3. COLLECTION MEASUREMENT DATA 4. NON-UNIFORM DISTRIBUTION OF GROSS YIELD DATA 5. EXAMPLE SOURCES OF CONTAMINATION 6. GENERATION OF DECONTAMINATED YIELD MAP DATA USING SPATIAL AND EXCEPTION DETECTORS SPECIALIZED FILTERS 7. FILTER EXAMPLES 7.1. STEP IDENTIFICATION FILTER 7.2. SHORT PEP FILTER 7.3. FLOW DELAY FILTER 7.4. ABRUPT SPEED CHANGE FILTER 7.5. INITIAL STEP DELAY FILTER 7.6. END STEP DELAY FILTER 7.7. SHORT PLANTING RANGE FILTER 8. EXAMPLES OF SPATIAL EXCEPTION DETECTION 8.1. AVERAGE VALUE TEST 8.2. AVERAGE VALUE TEST BY WEIGHTED AVERAGE 9. BENEFITS OF CERTAIN MODALITIES 10. EXTENSIONS AND ALTERNATIVES
[021] Aspectos da revelação se referem, de modo geral, às técnicas implantadas por computador para descontaminar dados que representam rendimento de culturas colhidas a partir de campos agrícolas, e com base em dados que foram coletados com o uso de sensores afixados ao aparelho agrícola no campo. Dados contaminados podem incluir dados que são considerados incorretos ou potencialmente incorretos por qualquer uma dentre diversas razões. Tais dados podem incluir, por exemplo, dados que foram capturados por sensores com defeito ou dados que foram incorretamente capturados por aparelho de colheita desalinhado ou outro aparelho agrícola. Por exemplo, dados contaminados podem incluir dados que foram incorretamente registrados devido aos sensores inapropriadamente calibrados instalados em ceifeiras debulhadoras no campo. Dados contaminados também podem incluir dados que contêm erros introduzidos através de uma largura não resolvida da barra de colheitadeira da ceifeira debulhadora de colheita, velocidade de colheitadeira variante com a qual a ceifeira debulhadora colhe as culturas, acabamentos estreitos dos passos de colheita, e voltas e sobreposições de ceifeiras debulhadoras ou outro equipamento.[021] Aspects of disclosure refer, in general, to techniques implemented by a computer to decontaminate data representing crop yields harvested from agricultural fields, and based on data that were collected using sensors affixed to the agricultural apparatus in the field. Contaminated data may include data that is considered incorrect or potentially incorrect for any of a number of reasons. Such data may include, for example, data that was captured by faulty sensors or data that was incorrectly captured by misaligned harvesting apparatus or other agricultural apparatus. For example, contaminated data may include data that was incorrectly recorded due to inappropriately calibrated sensors installed on combine harvesters in the field. Contaminated data may also include data that contains errors introduced through an unresolved width of the harvester's combine bar, varying combine speed at which the combine harvesters harvests crops, narrow harvest pass finishes, and turns and overlays on combine harvesters or other equipment.
[022] Em uma modalidade, um processo de descontaminação ou correção de dados pode incluir um ou mais estágios ou fases. Durante cada estágio, dados de um determinado tipo ou que têm determinadas características são removidos. Por exemplo, um estágio pode ser direcionado a filtrar dados que parecem estar incorretos por que os mesmos contêm erros introduzidos por sensores com defeito instalados em uma ceifeira debulhadora. Outro estágio pode ser direcionado a remover dados que parecem estar incorretos por que os mesmos contêm erros introduzidos por voltas da ceifeira debulhadora.[022] In one embodiment, a data decontamination or correction process may include one or more stages or phases. During each stage, data of a certain type or that has certain characteristics is removed. For example, a stage may be directed to filtering data that appears to be incorrect because it contains errors introduced by faulty sensors installed on a combine harvester. Another stage may be aimed at removing data that appears to be incorrect because it contains errors introduced by combine turns.
[023] Em uma modalidade, um processo de descontaminar dados que representam rendimento de culturas começa com o recebimento de dados digitais eletrônicos que representam rendimentos de cultura que foram colhidos a partir de um ou mais campos agrícolas, e originalmente coletados no campo com o uso de sensores fixados ao equipamento agrícola. Os dados eletrônicos também são denominados, no presente documento, primeiros dados de rendimento e podem ser recebidos a partir de uma variedade de fontes, como bancos de dados de computador, repositórios de dados, diretamente dos sensores e/ou do equipamento agrícola, ou quaisquer outros armazenamentos de dados configurados para armazenar as informações sobre as culturas.[023] In one embodiment, a process of decontaminating data representing crop yield begins with receiving electronic digital data representing crop yields that were harvested from one or more agricultural fields, and originally collected in the field using of sensors attached to agricultural equipment. Electronic data is also referred to herein as first yield data and can be received from a variety of sources, such as computer databases, data repositories, directly from sensors and/or agricultural equipment, or any other data stores configured to store crop information.
[024] Um estágio do processo pode usar uma abordagem à base de filtro que inclui aplicar um ou mais filtros implantados por software nos primeiros dados de rendimento recebidos. Os filtros podem ser aplicados aos primeiros dados de rendimento para identificar os itens de dados que podem conter erros. Dados de divergência podem ser sinalizados ou filtrados a partir dos primeiros dados de rendimento para produzir primeiros dados filtrados, que podem ser processados adicionalmente por outro estágio.[024] A stage of the process may use a filter-based approach that includes applying one or more software-implemented filters to the first yield data received. Filters can be applied to the first yield data to identify data items that may contain errors. Divergence data can be flagged or filtered from the first yield data to produce first filtered data, which can be further processed by another stage.
[025] Por vezes dados de divergência não são removidos do conjunto de dados de rendimento, porém, em vez disso, são sinalizados como potencialmente contendo erros que podem ser submetidos ao processamento adicional. O processamento adicional pode ser realizado com o uso de outros tipos de processamento de dados, com o uso de filtros diferentes ou com o uso de outro estágio do processo de descontaminação de dados.[025] Sometimes divergence data is not removed from the yield data set, but instead is flagged as potentially containing errors that can be subjected to additional processing. Additional processing may be carried out using other types of data processing, using different filters, or using another stage of the data decontamination process.
[026] Em uma modalidade, outro estágio utiliza análise espacial dos dados com o uso de uma detecção de divergência espacial. O estágio de detecção de divergência espacial pode ser executado após o estágio baseado em filtro anteriormente descrito ter terminado. No entanto, esse estágio também pode ser executado antes do estágio baseado em filtro, ou pode ser executado como um estágio independente não relacionado a nenhum outro estágio.[026] In one embodiment, another stage uses spatial analysis of the data using spatial divergence detection. The spatial divergence detection stage can be performed after the previously described filter-based stage has finished. However, this stage can also run before the filter-based stage, or it can run as an independent stage unrelated to any other stage.
[027] O estágio de detecção de divergência espacial pode envolver executar análise de dados computacionalmente complexos e processamento computacionalmente intensivo dos dados analisados, incluindo, porém, sem limitação a identificar e determinar relações espaciais entre itens de dados dentro de grupos de itens de dados, ou determinar um impacto relativo que alguns itens de dados em um grupo têm entre si ou em outros itens de dados no grupo, e semelhantes.[027] The spatial divergence detection stage may involve performing computationally complex data analysis and computationally intensive processing of the analyzed data, including, but not limited to, identifying and determining spatial relationships between data items within groups of data items, or determining a relative impact that some data items in a group have on each other or on other data items in the group, and the like.
[028] Devido à complexidade computacional do estágio de detecção de divergência espacial, que executa aquele estágio em grandes conjuntos de dados poder ser demorada e demandar recursos. Portanto, é frequentemente econômico e mais rápido executar o estágio baseado em filtro no primeiro conjunto de dados de rendimento, que é normalmente grande e, então, executar o estágio de detecção de divergência espacial na saída do estágio baseado em filtro, que é normalmente menor que o primeiro conjunto de dados de rendimento bruto. Executar o estágio de detecção de divergência espacial após o estágio baseado em filtro é tipicamente mais eficiente que o oposto.[028] Due to the computational complexity of the spatial divergence detection stage, executing that stage on large data sets can be time-consuming and resource-demanding. Therefore, it is often economical and faster to run the filter-based stage on the first set of throughput data, which is typically large, and then run the spatial divergence detection stage on the output of the filter-based stage, which is typically smaller. than the first set of gross income data. Running the spatial divergence detection stage after the filter-based stage is typically more efficient than vice versa.
[029] Executar o estágio de divergência espacial pode incluir identificar, no primeiro conjunto de dados filtrados, segundos dados de divergência que contêm um ou mais valores de divergência que parecem estar incorretos. Os segundos itens de dados de divergência são sinalizados ou removidos do primeiro conjunto de dados filtrados.[029] Performing the spatial divergence stage may include identifying, in the first set of filtered data, second divergence data that contain one or more divergence values that appear to be incorrect. The second divergence data items are flagged or removed from the first set of filtered data.
[030] Um item de dados pode ser identificado como um segundo item de dados de divergência se o item de dados contiver uma ou mais características de divergência. Tais características podem incluir características espaciais dos itens de dados em um grupo de itens de dados vizinhos, características com base em peso dos itens de dados em um grupo de itens de dados vizinhos, e semelhantes.[030] A data item may be identified as a second divergence data item if the data item contains one or more divergence characteristics. Such characteristics may include spatial characteristics of the data items in a group of neighboring data items, weight-based characteristics of the data items in a group of neighboring data items, and the like.
[031] Em uma modalidade, executar um estágio de divergência espacial envolve determinar, para um item de dados particular a partir de um primeiro conjunto de dados filtrados, um grupo de primeiros dados filtrados vizinhos, computar um valor médio agregado com base nos itens de dados dentro do grupo e comparar o valor médio agregado a um valor limiar ou uma faixa limiar para determinar se o item de dados particular contém, ou pode conter, erros.[031] In one embodiment, performing a spatial divergence stage involves determining, for a particular data item from a first set of filtered data, a group of neighboring first filtered data, computing an aggregated average value based on the data items data within the group and compare the aggregate mean value to a threshold value or a threshold range to determine whether the particular data item contains, or may contain, errors.
[032] Uma faixa limiar pode indicar uma faixa aceitável de valores para valores de média agregados. Se um valor médio agregado não está dentro da faixa limiar, então, o primeiro item de dados filtrados particular é sinalizado ou excluído do primeiro conjunto de dados filtrados. Sinalizar ou excluir um item de dados particular significa que o item de dados particular representa valor de cultura de rendimento que está incorreto, ou está muito provavelmente incorreto.[032] A threshold range may indicate an acceptable range of values for aggregated average values. If an aggregated average value is not within the threshold range, then the first particular filtered data item is flagged or deleted from the first filtered data set. Flagging or deleting a particular data item means that the particular data item represents a yield crop value that is incorrect, or is most likely incorrect.
[033] Um processo para determinar segundos dados de divergência pode ser repetido para todo primeiro item de dados filtrados individual, grupos de primeiros itens de dados filtrados e grupos de grupos de primeiros itens de dados filtrados.[033] A process for determining second divergence data can be repeated for every individual first filtered data item, groups of first filtered data items, and groups of groups of first filtered data items.
[034] Segundos dados de divergência também podem ser determinados com base em características espaciais ponderadas de dados. Essa abordagem inclui realizar as etapas similares àquelas realizadas na abordagem descrita acima exceto pelo fato de que, em vez de computar um valor médio agregado, um valor médio agregado ponderado é computado. Nessa abordagem, um conjunto de primeiros dados filtrados vizinhos é determinado para um primeiro item de dados filtrados particular nos primeiros dados filtrados. Então, para cada item no conjunto de dados filtrados, um valor de peso é determinado, e o valor médio agregado ponderado é computado e usado para determinar se o primeiro item de dados filtrados particular deve ser excluído dos primeiros dados filtrados.[034] Second divergence data can also be determined based on weighted spatial characteristics of data. This approach includes performing steps similar to those performed in the approach described above except that instead of computing an aggregate average value, a weighted aggregate average value is computed. In this approach, a set of neighboring first filtered data is determined for a particular first filtered data item in the first filtered data. Then, for each item in the filtered data set, a weight value is determined, and the weighted average aggregate value is computed and used to determine whether the first particular filtered data item should be excluded from the first filtered data.
[035] Valores de peso podem representar características e critérios diferentes, e podem ser determinados de diversas maneiras. Por exemplo, os valores de peso podem ser determinados com base em características relacionadas à distância dos itens em um grupo. Por exemplo, os valores de peso podem ser inversamente proporcionais a uma distância entre um item de dados e um primeiro item de dados filtrados particular. Os valores de item de dados e os respectivos pesos são usados para computar um valor médio agregado ponderado, e o valor médio agregado ponderado é usado para determinar se o primeiro item de dados filtrados particular deve ser excluído dos primeiros dados filtrados.[035] Weight values can represent different characteristics and criteria, and can be determined in different ways. For example, weight values can be determined based on characteristics related to the distance of items in a group. For example, weight values may be inversely proportional to a distance between a data item and a particular first filtered data item. The data item values and their respective weights are used to compute a weighted aggregate average value, and the weighted aggregate average value is used to determine whether the first particular filtered data item should be excluded from the first filtered data.
[036] Os valores de peso também podem ser determinados com base em características relacionadas ao tempo de itens de dados. Por exemplo, os itens de dados em um grupo de itens coletados dentro do mesmo intervalo de tempo que um item de dados particular pode ter valores de peso maiores que os itens de dados no grupo que foi coletado em outros intervalos de tempo. Com o uso dessa abordagem, o valor médio agregado ponderado é influenciado principalmente pelos itens de dados que foram coletados dentro do mesmo intervalo de tempo que o item de dados particular, e não tanto pelos outros itens de dados no grupo.[036] Weight values can also be determined based on time-related characteristics of data items. For example, data items in an item group collected within the same time interval as a particular data item may have greater weight values than data items in the group that were collected in other time intervals. Using this approach, the weighted aggregate mean value is influenced primarily by the data items that were collected within the same time interval as the particular data item, and not so much by the other data items in the group.
[037] Pesos também podem ser determinados com base em características baseadas em local de itens de dados. Nessa abordagem, valores de peso para os itens de dados em um grupo de itens são determinados com base em proximidade dos campos dos quais os dados de rendimento foram coletados. Por exemplo, se um item de dados particular foi coletado a partir de um campo particular que é adjacente a um primeiro campo, porém, não é adjacente a um segundo campo, então, um peso associado a um primeiro item de dados coletado a partir do primeiro campo será maior que um peso associado a um segundo item de dados coletado a partir do segundo campo. Com o uso dessa abordagem, o valor médio agregado ponderado será influenciado principalmente pelos itens de dados que foram coletados a partir dos locais de campo adjacentes ao campo particular, e menos pelos valores de dados coletados a partir de outros campos de dados.[037] Weights can also be determined based on location-based characteristics of data items. In this approach, weight values for the data items in an item group are determined based on proximity to the fields from which the yield data was collected. For example, if a particular data item was collected from a particular field that is adjacent to a first field but is not adjacent to a second field, then a weight associated with a first data item collected from the first field will be greater than a weight associated with a second data item collected from the second field. Using this approach, the weighted average aggregate value will be influenced primarily by data items that were collected from field locations adjacent to the particular field, and less by data values collected from other data fields.
[038] Execução de um estágio de detecção de divergência espacial do processo de descontaminação de dados pode concluir com a determinação de um ou mais segundos itens de dados de divergência que contêm, ou potencialmente contêm, erros. Os segundos itens de dados de divergência podem ser sinalizados como contendo erros ou sinalizados como potencialmente contendo erros.[038] Execution of a spatial divergence detection stage of the data decontamination process may conclude with the determination of one or more second divergence data items that contain, or potentially contain, errors. The second divergence data items can be flagged as containing errors or flagged as potentially containing errors.
[039] A identificação de itens de dados como contendo erros pode envolver associar um indicador de identificação com os itens de dados ou marcar de outro modo os itens de dados como recomendados para processamento adicional.[039] Identifying data items as containing errors may involve associating an identifying indicator with the data items or otherwise marking the data items as recommended for further processing.
[040] Em vez de atribuir identificações a itens de dados identificados como contendo erros, os itens de dados podem ser removidos de um primeiro conjunto de dados filtrados. Por exemplo, uma vez que um ou mais segundos itens de dados de divergência são identificados, segundas instruções de filtração de estágio implantadas no sistema de computador podem ser executadas para gerar um segundo conjunto de dados filtrados a partir dos primeiros dados filtrados removendo-se os segundos dados de divergência do primeiro conjunto de dados filtrados.[040] Instead of assigning identifications to data items identified as containing errors, the data items can be removed from a first set of filtered data. For example, once one or more second divergence data items are identified, second stage filtering instructions implemented in the computer system may be executed to generate a second set of filtered data from the first filtered data by removing the second divergence data from the first filtered data set.
[041] Os itens de dados que são determinados para não conter erros, ou potencialmente não conter erros, podem ser fornecidos a um usuário e exibidos, por exemplo, em uma interface de usuário gráfica. Uma representação gráfica dos itens de dados pode ser gerada com o uso de uma camada de apresentação do sistema de computador. A representação gráfica dos itens de dados pode ser exibida na interface de usuário de um dispositivo móvel, um computador do tipo laptop, um computador do tipo tablet e semelhantes.[041] Data items that are determined to be error-free, or potentially error-free, may be provided to a user and displayed, for example, in a graphical user interface. A graphical representation of data items can be generated using a presentation layer of the computer system. The graphical representation of the data items may be displayed on the user interface of a mobile device, a laptop-type computer, a tablet-type computer, and the like.
[042] Os itens de dados que foram identificados como contendo potencialmente erros também podem ser exibidos. Uma representação gráfica dos itens de dados que foram identificados como contendo potencialmente erros pode ser graficamente distinta da representação dos itens de dados que são determinados para não conter erros. Por exemplo, esses itens de dados podem ser exibidos em um agrupamento separado, com o uso de cabeçalhos separados, com o uso de uma codificação de cor diferente e semelhantes.[042] Data items that have been identified as potentially containing errors may also be displayed. A graphical representation of data items that have been identified as potentially containing errors may be graphically distinct from the representation of data items that are determined to not contain errors. For example, these data items may be displayed in a separate grouping, using separate headers, using a different color coding, and the like.
[043] A capacidade para exibir representações gráficas dos itens de dados que não contêm erros, representações gráficas dos itens de dados que contêm erros e/ou representações gráficas dos dados que são identificados como contendo potencialmente erros fornecem uma percepção valiosa sobre o rendimento de culturas colhidas de campos agrícolas. Por exemplo, a representação gráfica pode fornecer informações importantes sobre os rendimentos colhidos de campos diferentes, com o uso de maquinário diferente ou com o uso de um método de colheita diferente.[043] The ability to display graphical representations of data items that do not contain errors, graphical representations of data items that contain errors, and/or graphical representations of data that are identified as potentially containing errors provides valuable insight into crop yield harvested from agricultural fields. For example, graphical representation can provide important information about yields harvested from different fields, using different machinery, or using a different harvesting method.
[044] As representações gráficas podem ser exibidas em um visor gráfico de qualquer dispositivo portátil e, dessa forma, as informações podem ser facilmente acessíveis a usuários localizados em um campo. Por exemplo, um usuário pode exibir as informações em um computador do tipo tablet ou um telefone inteligente como uma colheitadeira combinada colhe as culturas. Isso pode permitir que o usuário receba um resumo quase em tempo real das culturas colhidas.[044] Graphical representations can be displayed on a graphical display of any portable device and, in this way, the information can be easily accessible to users located in a field. For example, a user can display information on a tablet-type computer or a smart phone as a combine harvester harvests crops. This can allow the user to receive a near real-time summary of harvested crops.
[045] Uma vez que as informações podem ser geradas e exibidas de modo quase contemporâneo com colheita das culturas, o usuário pode tomar decisões conforme a colheita é coletada. Por exemplo, com base nas informações exibidas, o usuário pode recomendar ajustar um mecanismo de colheita, ajustar os sensores instalados em uma colheitadeira combinada e semelhantes para aperfeiçoar as quantidades das culturas colhidas. Além disso, com base nas informações exibidas, o usuário pode fornecer instruções a um operador da colheitadeira para ajustar os passes de colheita e semelhantes.[045] Since information can be generated and displayed almost contemporaneously with crop harvesting, the user can make decisions as the harvest is collected. For example, based on the displayed information, the user may recommend adjusting a harvesting mechanism, adjusting sensors installed in a combine harvester, and the like to optimize the quantities of harvested crops. Additionally, based on the displayed information, the user can provide instructions to a combine operator to adjust harvest passes and the like.
[046] A Figura 1 ilustra um sistema de computador exemplificativo que é configurado para realizar as funções descritas no presente documento, mostrado em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 tem, opera ou possui um dispositivo de computação de gerenciador de campo 104 em uma localização de campo ou associada a 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 é programado ou configurado para fornecer dados de campo 106 para um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.[046] Figure 1 illustrates an exemplary computer system that is configured to perform the functions described in this document, shown in a field environment with another device with which the system can interoperate. In one embodiment, a user 102 has, operates, or possesses a field manager computing device 104 at a field location or associated with a field location, such as a field intended for agricultural activities or a management location for one or more agricultural fields. The field manager computing device 104 is programmed or configured to provide field data 106 to an agricultural intelligence computer system 130 via one or more networks 109.
[047] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, extensão em acres, nome de campo, identificadores de campo, identificadores geográficos, identificadores de delimitação, identificadores de cultura, e quaisquer outros dados adequados que possam ser usados para identificar o terreno de fazenda, tais como uma unidade de terreno comum (CLU), número de lote e bloco, um número de lote, coordenadas e delimitações geográficas, Número de Série de Fazenda (FSN), número de fazenda, número de trato, número de campo, seção, cidade e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura foi cultivada organicamente, dados de colheita, Histórico de Produção Real (APH), rendimento esperado, rendimento, preço de cultura, receita de cultura, umidade de grãos, prática de lavragem e informações de estação de cultivo 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, dados de plantação, tipo de semente (ou sementes), maturidade relativa (RM) de semente (ou sementes) plantada, população de sementes), (e) dados de fertilizante (por exemplo, tipo de nutriente (Nitrogênio, Fósforo, Potássio), tipo de aplicação, dados de aplicação, quantidade, fonte), (f) dados de pesticida (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas ao uso como um regulador de planta, desfoliante ou dessecante), (g) dados de irrigação (por exemplo, dados de aplicação, quantidade, fonte), (h) dados meteorológicos (por exemplo, precipitação, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de condensação, umidade, profundidade de neve, qualidade de ar, nascer do sol, pôr-do-sol), (i) dados de imagem (por exemplo, informações de espectro de imagem e luz de um sensor de aparelho agrícola, câmera, computador, telefone inteligente, computador do tipo computador do tipo tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de aferição (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (tempo atual e passado), umidade de solo, estágio de cultivo de cultura, velocidade de vento, umidade relativa, ponto de condensação, camada escura)), e (k) solo, semente, fenologia de cultura, relato de pragas e doenças, e predições de fontes e bancos de dados.[047] Examples of field data 106 include (a) identification data (e.g., acreage, field name, field identifiers, geographic identifiers, boundary identifiers, crop identifiers, and any other suitable data that may be used to identify farm land, such as a common land unit (CLU), lot and block number, a lot number, geographic coordinates and delimitations, Farm Serial Number (FSN), farm number, number tract number, field number, section, city and/or range), (b) harvest data (e.g. crop type, crop variety, crop rotation, whether the crop was grown organically, harvest data, history Actual Production Rate (APH), expected yield, yield, crop price, crop revenue, grain moisture, plowing practice, and previous growing season information), (c) soil data (e.g., type, composition, pH, organic matter (OM), cation exchange capacity (CEC)), (d) planting data (e.g. planting data, type of seed (or seeds), relative maturity (RM) of seed (or seeds ) planted, seed population), (e) fertilizer data (e.g. nutrient type (Nitrogen, Phosphorus, Potassium), application type, application data, quantity, source), (f) pesticide data (e.g. example, pesticide, herbicide, fungicide, other substance or mixture of substances intended for use as a plant regulator, defoliant or desiccant), (g) irrigation data (e.g. application data, quantity, source), (h) weather data (e.g. precipitation, temperature, wind, forecast, pressure, visibility, clouds, heat index, dew point, humidity, snow depth, air quality, sunrise, sunset), ( i) image data (e.g., image and light spectrum information from an agricultural appliance sensor, camera, computer, smart phone, tablet computer, unmanned aerial vehicle, aircraft or satellite), (j ) scouting observations (photos, videos, free-form notes, voice recordings, voice transcriptions, weather conditions (temperature, precipitation (current and past time), soil moisture, crop growing stage, wind speed, humidity relative, dew point, dark layer)), and (k) soil, seed, crop phenology, pest and disease reports, and predictions from sources and databases.
[048] Um computador servidor de dados 108 é acoplado de modo comunicativo ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 ao sistema de computador de inteligência agrícola 130 por meio da rede (ou redes) 109. O computador servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, tal como agência governamental, organização não governamental (ONG) e/ou um provedor de serviços de dados privados. Os exemplos de dados externos incluem dados meteorológicos, dados de imagem, dados de solo ou dados estatísticos relacionados a rendimentos de cultura, entre outros. Os dados externos 110 podem consistir em mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 que pertence à mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo que pode ser, de outra forma, obtido a partir de fontes de terceiros, tais como dados climáticos.[048] A data server computer 108 is communicatively coupled to the agricultural intelligence computer system 130 and is programmed or configured to send external data 110 to the agricultural intelligence computer system 130 via the network (or networks) 109. The external data server computer 108 may be owned or operated by the same person or legal entity as the agricultural intelligence computer system 130, or by a different person or entity, such as a government agency, non-governmental organization (NGO), and/or a private data service provider. Examples of external data include meteorological data, image data, soil data, or statistical data related to crop yields, among others. External data 110 may consist of the same type of information as field data 106. In some embodiments, external data 110 is provided by an external data server 108 that is owned by the same entity that owns and/or operates the computer system. of agricultural intelligence 130. For example, the agricultural intelligence computer system 130 may include a data server focused exclusively on a type that may otherwise be obtained from third-party sources, such as weather data.
[049] Um aparelho agrícola 111 tem um ou mais sensores remotos 112 fixados no mesmo, em que os sensores são acoplados de modo comunicativo, direta ou indiretamente, por meio do aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos de aparelho agrícola 111 incluem tratores, colheitadeiras combinadas, colheitadeiras, plantadeiras, caminhões, equipamento fertilizante, veículos aéreos não tripulados, e qualquer outro item de maquinário ou hardware físico, maquinário tipicamente móvel, e que podem ser usados em tarefas associadas à agricultura. Em algumas modalidades, uma unidade única de aparelho 111 pode compreender uma pluralidade de sensores 112 que são localmente acoplados em uma rede no aparelho; a rede de área de controlador (CAN) é um exemplo de tal rede que pode ser instalada em colheitadeiras combinadas ou colheitadeiras. O controlador de aplicação 114 é acoplado de modo comunicativo ao sistema de computador de inteligência agrícola 130 por meio da rede (ou redes) 109 e é programado ou configurado para receber um ou mais roteiros 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 usada para habilitar comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o CLIMATE FIELD VIEW DRIVE, disponível junto à The Climate Corporation, San Francisco, Califórnia, é usado. Os dados de sensor podem consistir em mesmo tipo de informações que os dados de campo 106.[049] An agricultural apparatus 111 has one or more remote sensors 112 affixed thereto, wherein the sensors are communicatively coupled, directly or indirectly, via the agricultural apparatus 111 to the agricultural intelligence computer system 130 and are programmed or configured to send sensor data to the agricultural intelligence computer system 130. Examples of agricultural apparatus 111 include tractors, combine harvesters, harvesters, planters, trucks, fertilizer equipment, unmanned aerial vehicles, and any other item of machinery or physical hardware , typically mobile machinery, which can be used in tasks associated with agriculture. In some embodiments, a single apparatus unit 111 may comprise a plurality of sensors 112 that are locally coupled into a network on the apparatus; The controller area network (CAN) is an example of such a network that can be installed on combine harvesters or harvesters. The application controller 114 is communicatively coupled to the agricultural intelligence computer system 130 via the network (or networks) 109 and is programmed or configured to receive one or more scripts for controlling an operating parameter of an agricultural vehicle or implement. of the agricultural intelligence computer system 130. For example, a controller area network (CAN) bus interface may be used to enable communications from the agricultural intelligence computer system 130 to the agricultural apparatus 111, such as the CLIMATE FIELD VIEW DRIVE, available from The Climate Corporation, San Francisco, California, is used. The sensor data may consist of the same type of information as the field data 106.
[050] O aparelho 111 pode compreender um computador de cabine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é descrito adicionalmente em outras seções no presente documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, normalmente um computador ou telefone inteligente em tamanho de computador do tipo tablet, com um visor de tela gráfico colorido que é montado dentro de uma cabine de operador do aparelho 111. O computador de cabine 115 pode implantar parte ou todas as operações e funções que são descritas adicionalmente no presente documento para o dispositivo de computador móvel 104.[050] The apparatus 111 may comprise a cabin computer 115 that is programmed with a cabin application, which may comprise a version or variant of the mobile application for the device 104 that is further described in other sections herein. In one embodiment, the in-cab computer 115 comprises a compact computer, typically a tablet-sized computer or smart phone, with a color graphical screen display that is mounted within an operator's cab of the apparatus 111. The computer of cabin 115 may implement part or all of the operations and functions that are further described herein for the mobile computing device 104.
[051] A rede (ou redes) 109 representam amplamente qualquer combinação de uma ou mais redes de comunicação de dados que incluem redes de área local, redes de área ampla, ligação entre redes ou internets, com o uso de qualquer um dentre enlaces de conexão com fio e sem fio, que incluem enlaces terrestres ou de satélite. A rede (ou redes) pode ser implantada por qualquer mídia ou mecanismo que fornece a troca de dados entre os vários elementos da Figura 1. Os diversos elementos da Figura 1 também pode ter enlaces de comunicações diretos (com fio ou sem fio). Os sensores 112, o controlador 114, o computador servidor de dados externos 108 e outros elementos do sistema compreendem, cada um, uma interface compatível com a rede (ou redes) 109 e são programados ou configurados para usar protocolos padronizados para a comunicação através das redes, tais como protocolo TCP/IP, CAN e protocolos de camada superior, tais como HTTP, TLS e similares.[051] The network (or networks) 109 broadly represent any combination of one or more data communication networks that include local area networks, wide area networks, link between networks or internets, with the use of any of wired and wireless connections, which include terrestrial or satellite links. The network (or networks) can be implemented by any media or mechanism that provides data exchange between the various elements of Figure 1. The various elements of Figure 1 can also have direct communications links (wired or wireless). The sensors 112, controller 114, external data server computer 108, and other system elements each comprise a compatible interface to the network (or networks) 109 and are programmed or configured to use standardized protocols for communicating over the networks, such as TCP/IP protocol, CAN and higher layer protocols, such as HTTP, TLS and similar.
[052] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados de campo 106 a partir do dispositivo de computação de gerenciador de campo 104, dados externos 110 a partir de computador servidor de dados externos 108, e dados de sensor a partir do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser configurado adicionalmente para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente, tal como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar 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 notificações, e geração e envio de roteiros para o controlador de aplicação 114, da maneira descrita adicionalmente em outras seções desta revelação.[052] Agricultural intelligence computer system 130 is programmed or configured to receive field data 106 from field manager computing device 104, external data 110 from external data server computer 108, and sensor data from the remote sensor 112. The agricultural intelligence computer system 130 may be further configured to host, use, or execute one or more computer programs, other software elements, digitally programmed logic, such as FPGAs or ASICs, or any combination thereof to perform translation and storage of data values, construction of digital models of one or more crops in one or more fields, generation of recommendations and notifications, and generation and sending of scripts to the application controller 114, in the manner further described in other sections of this revelation.
[053] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende uma camada 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”, nesse contexto, se refere a qualquer combinação de circuitos de interface digital eletrônica, microcontroladores, firmware, tais como drivers, e/ou programas de computador ou outros elementos de software.[053] In one embodiment, the agricultural intelligence computer system 130 is programmed with or comprises a communications layer 132, presentation layer 134, data management layer 140, hardware/virtualization layer 150, and data repository. model and field 160. “Layer” in this context refers to any combination of electronic digital interface circuits, microcontrollers, firmware such as drivers, and/or computer programs or other software elements.
[054] A camada de comunicação 132 pode ser programada ou configurada para realizar funções de realização de interface de admissão/emissão que inclui enviar solicitações para o dispositivo de computação de gerenciador de campo 104, o computador de servidor de dados externos 108 e o sensor remoto 112 para dados de campo, dados externos e dados de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados de modelo e campo 160 para serem armazenados como dados de campo 106. Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende instruções de código 180. As instruções de código 180 podem incluir um ou mais conjuntos de instruções de código de programação. Por exemplo, as instruções de código 180 podem incluir instruções de recebimento de dados 182 que, quando executadas por um ou mais processadores, fazem com que os processadores realizem recebimento, através de uma rede de computador, de dados digitais eletrônicos que compreendem primeiros dados de rendimento que representam rendimentos de cultura colhida de um campo agrícola. As instruções de código 180 também podem incluir instruções de identificação de passo 187 que, quando executadas, causam a identificação de uma pluralidade de identificadores de passo e uma pluralidade de tempos de sistema de posicionamento global nos primeiros dados de rendimento; instruções de detecção de divergência de filtro 183 que, quando executadas pelos processadores, causam a aplicação de um ou mais filtros aos primeiros dados de rendimento para identificar, a partir dos primeiros dados de rendimento, primeiros dados de divergência. Além disso, as instruções de código 180 podem incluir primeiras instruções de filtração de estágio 184 que, quando executadas pelos processadores, causam a geração de primeiros dados filtrados a partir dos primeiros dados de rendimento removendo-se os primeiros dados de divergência dos primeiros dados de rendimento; instruções de detecção de divergência espacial 185 que, quando executadas, causam a identificação, nos primeiros dados filtrados, segundos dados de divergência que representam valores de divergência com base em uma ou mais características de divergência; segundas instruções de filtração de estágio 186 que, quando executadas, causam a geração de segundos dados de divergência a partir dos primeiros dados filtrados removendo-se os segundos dados de divergência dos primeiros dados filtrados; e quaisquer outras instruções de detecção 188.[054] Communication layer 132 may be programmed or configured to perform admit/issue interface functions that include sending requests to the field manager computing device 104, the external data server computer 108, and the sensor remote 112 for field data, external data and sensor data respectively. The communication layer 132 may be programmed or configured to send the received data to the model and field data repository 160 to be stored as field data 106. In one embodiment, the agricultural intelligence computer system 130 is programmed with or comprises code instructions 180. Code instructions 180 may include one or more sets of programming code instructions. For example, code instructions 180 may include receive data instructions 182 that, when executed by one or more processors, cause the processors to perform receipt, via a computer network, of electronic digital data comprising first data yield representing crop yields harvested from an agricultural field. Code instructions 180 may also include step identification instructions 187 which, when executed, cause identification of a plurality of step identifiers and a plurality of global positioning system times in the first yield data; filter divergence detection instructions 183 which, when executed by the processors, cause one or more filters to be applied to the first yield data to identify, from the first yield data, first divergence data. Additionally, code instructions 180 may include first stage filtering instructions 184 which, when executed by the processors, cause the generation of first filtered data from the first yield data by removing the first divergence data from the first yield data. performance; spatial divergence detection instructions 185 which, when executed, cause the identification, in the first filtered data, of second divergence data representing divergence values based on one or more divergence characteristics; second stage filtering instructions 186 which, when executed, cause the generation of second divergence data from the first filtered data by removing the second divergence data from the first filtered data; and any other detection instructions 188.
[055] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface de usuário gráfica (GUI) a ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para insertar dados a serem enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações por modelos e/ou recomendações, e/ou exibir recomendações, notificações, modelos e outros dados de campo.[055] The presentation layer 134 may be programmed or configured to generate a graphical user interface (GUI) to be displayed on the field manager computing device 104, cabin computer 115, or other computers that are coupled to the system 130 through of network 109. The GUI may comprise controls for inputting data to be sent to the agricultural intelligence computer system 130, generating requests for models and/or recommendations, and/or displaying recommendations, notifications, models, and other field data.
[056] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de leitura 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 de SQL, e/ou código de interface de HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme usado no presente documento, o termo “banco de dados” pode se referir a um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou ambos. Conforme usado no presente documento, um banco de dados pode compreender qualquer coleção de dados que inclui bancos de dados hierárquico, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados de objeto-relacional, objeto direcionado a bancos de dados, e qualquer outra coleção estruturada de registros ou dados que é armazenada em um sistema de computador. Exemplos de RDBMSs incluem, porém, sem limitação, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado contanto que permita os sistemas e métodos descritos no presente documento.[056] The data management layer 140 may be programmed or configured to manage read operations and read operations involving the repository 160 and other functional elements of the system, including queries and result sets communicated between the functional elements of the system and the repository. Examples of data management layer 140 include JDBC, SQL server interface code, and/or HADOOP interface code, among others. Repository 160 may comprise a database. As used herein, the term “database” may refer to a body of data, a relational database management system (RDBMS), or both. As used herein, a database may comprise any collection of data that includes hierarchical databases, relational databases, flat file databases, object-relational databases, object-directed databases, and any other structured collection of records or data that is stored in a computer system. Examples of RDBMSs include, but are not limited to, ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE®, and POSTGRESQL databases. However, any database may be used as long as it allows the systems and methods described in this document.
[057] Quando os dados de campo 106 não são fornecidos diretamente ao sistema de computador de inteligência agrícola por meio de um ou mais dispositivos de máquina agrícola ou máquinas agrícolas que interagem com o sistema de computador de inteligência agrícola, o usuário 102 pode ser solicitado, por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola), a inserir tais informações. Em uma modalidade exemplificativa, o usuário pode especificar dados de identificação através do acesso a um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e seleção de CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação através do acesso a um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e do desenho de delimitações do campo sobre o mapa. Tal seleção de CLU ou os desenhos de mapa representam identificadores geográficos. Nas modalidades alternativas, o usuário pode especificar dados de identificação através do acesso a dados de identificação de campo (fornecidos como arquivos de formato ou em um formato semelhante) do Departamento de Agência de Serviços de Fazenda Agrícola dos EUA ou outra fonte por meio do dispositivo de usuário e fornecer tais dados de identificação de campo para o sistema de computador de inteligência agrícola.[057] When field data 106 is not provided directly to the agricultural intelligence computer system through one or more agricultural machine devices or agricultural machines that interact with the agricultural intelligence computer system, the user 102 may be requested , through one or more user interfaces on the user device (served by the agricultural intelligence computer system), to enter such information. In an exemplary embodiment, the user may specify identification data by accessing a map on the user device (served by the agricultural intelligence computer system) and selecting specific CLUs that were graphically displayed on the map. In an alternative embodiment, the user 102 may specify identification data by accessing a map on the user device (served by the agricultural intelligence computer system 130) and drawing field boundaries on the map. Such CLU selection or map drawings represent geographic identifiers. In alternative embodiments, the user may specify identification data by accessing field identification data (provided as format files or in a similar format) from the U.S. Department of Farm Service Agency or other source through the device. username and provide such field identification data to the agricultural intelligence computer system.
[058] Em uma modalidade, os dados de modelo e campo são armazenados no 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 safra pode incluir um modelo construído digitalmente do desenvolvimento de uma safra no um ou mais campos. “Modelo”, nesse contexto, se refere a um conjunto eletrônico armazenado digitalmente de instruções executáveis e valores de dados, associados entre si, que têm a capacidade para receber e responder a uma chamada, invocação ou solicitação programática ou outra chamada, invocação ou solicitação digital por resolução com base em valores de admissão específicos, para render um ou mais valores de emissão armazenados que podem servir como a base de recomendações implantadas em computador, exibições de dados de emissão ou controle de máquina, entre outras coisas. As pessoas versadas no campo constataram que é conveniente expressar modelos com o uso de equações matemáticas, mas que a forma de expressão não confina os modelos revelados no presente documento para abstrair conceitos; em vez disso, cada modelo no presente documento tem uma aplicação prática em um computador na forma de instruções executáveis e dados armazenados que implantam o modelo com o uso do computador. Os dados de modelo podem incluir um modelo de eventos passados no um ou mais campos, um modelo do estado atual do um ou mais campos, e/ou um modelo de eventos preditos no um ou mais campos. Os dados de modelo e campo podem ser armazenados em estruturas de dados na memória, fileiras em uma tabela de banco de dados, em arquivos simples ou planilhas, ou outras formas de dados digitais armazenados.[058] In one embodiment, model and field data are stored in model and field data repository 160. Model data comprises data models created for one or more fields. For example, a crop model may include a digitally constructed model of the development of a crop in one or more fields. “Template” in this context refers to a digitally stored electronic set of executable instructions and data values, associated with each other, that has the capacity to receive and respond to a programmatic call, invocation or request or other call, invocation or request digital by resolution based on specific input values, to yield one or more stored emission values that can serve as the basis of computer-implemented recommendations, emission data displays, or machine control, among other things. Persons skilled in the field have found that it is convenient to express models using mathematical equations, but that the form of expression does not confine the models disclosed in this document to abstract concepts; rather, each model in this document has a practical application on a computer in the form of executable instructions and stored data that implement the model using the computer. The model data may include a model of past events in the one or more fields, a model of the current state of the one or more fields, and/or a model of predicted events in the one or more fields. Model and field data can be stored in in-memory data structures, rows in a database table, in flat files or spreadsheets, or other forms of stored digital data.
[059] A camada de hardware/virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória, e outros dispositivos, componentes, ou elementos de um sistema de computador, tais como memória volátil ou não volátil, armazenamento não volátil, tal como disco, e dispositivos ou interfaces de I/O, conforme ilustrados e descritos, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, contentorização ou outras tecnologias.[059] The hardware/virtualization layer 150 comprises one or more central processing units (CPUs), memory controllers, and other devices, components, or elements of a computer system, such as volatile or non-volatile memory, non-volatile storage volatile, such as disk, and I/O devices or interfaces, as illustrated and described, for example, in connection with Figure 4. Layer 150 may also comprise programmed instructions that are configured to support virtualization, containerization, or other technologies.
[060] Para fins de ilustração de um exemplo claro, a Figura 1 mostra um número limitado de exemplos de determinados elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, as modalidades podem usar milhares ou milhões de dispositivos de computação móveis diferentes 104 associados a usuários diferentes. Ademais, o sistema 130 e/ou o computador de servidor de dados externos 108 pode ser implantado com o uso de dois ou mais processadores, núcleos, agrupamentos ou exemplos de máquinas físicas ou máquinas virtuais, configurados em uma localização distinta ou colocalizados com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.[060] For the purpose of illustrating a clear example, Figure 1 shows a limited number of examples of certain functional elements. However, in other embodiments, there may be any number of such elements. For example, embodiments may use thousands or millions of different mobile computing devices associated with different users. Furthermore, system 130 and/or external data server computer 108 may be deployed using two or more processors, cores, clusters, or examples of physical machines or virtual machines, configured in a distinct location or co-located with other elements. in a data center, shared computing facility, or cloud computing facility.
[061] Em uma modalidade, a implantação das funções descritas no presente documento com o uso de um ou mais programas de computador ou outros elementos de software que são carregados em e executados com o uso de um ou mais computadores de propósito geral fará com que os computadores de propósito geral sejam configurados como uma máquina particular ou como um computador que é especialmente adaptado para realizar as funções descritas no presente documento. Ademais, cada um dentre os fluxogramas que são descritos adicionalmente no presente documento pode servir, por si só ou em combinação com as descrições de processos e funções em prosa no presente documento, como algoritmos, planos ou direções que podem ser usadas para programar um computador ou lógica para implantar as funções que são descritas. Em outras palavras, todo o texto em prosa no presente documento, e todas as figuras de desenhos, se destinam, em conjunto, a fornecer revelação de algoritmos, planos ou direções que seja suficiente para permitir que uma pessoa versada na técnica programe um computador para realizar as funções que são descritas no presente documento, em combinação com a habilidade e conhecimento de tal pessoa dado o nível de habilidade que é adequado para invenções e revelações desse tipo.[061] In one embodiment, implementing the functions described herein with the use of one or more computer programs or other software elements that are loaded into and executed with the use of one or more general purpose computers will cause general purpose computers are configured as a private machine or as a computer that is specially adapted to perform the functions described in this document. Furthermore, each of the flowcharts that are further described herein can serve, by itself or in combination with the prose descriptions of processes and functions herein, as algorithms, plans, or directions that can be used to program a computer. or logic to implement the functions that are described. In other words, all prose text in this document, and all drawing figures, are intended, taken together, to provide disclosure of algorithms, plans or directions that is sufficient to enable a person skilled in the art to program a computer to perform the functions that are described herein, in combination with the skill and knowledge of such person given the level of skill that is suitable for inventions and disclosures of this type.
[062] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 com o uso do dispositivo de computação de gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas aplicativos ou apps; o dispositivo de computação de gerenciador de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola 130 independente e automaticamente sob o controle de programa ou controle lógico e interação de usuário direta nem sempre é exigida. O dispositivo de computação de gerenciador de campo 104 representa amplamente um ou mais dentre um telefone inteligente, PDA, dispositivo de computação do tipo computador do tipo tablet, computador do tipo laptop, computador do tipo desktop, estação de trabalho, ou qualquer outro dispositivo de computação com capacidade para transmitir e receber informações e realizar as funções descritas no presente documento. O dispositivo de computação de gerenciador de campo 104 pode se comunicar por meio de uma rede com o uso de um aplicativo móvel armazenado no dispositivo de computação de gerenciador de campo 104, e em algumas modalidades, o dispositivo pode ser acoplado com o uso de um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário particular 102 pode ter, operar ou possuir e usar, em conexão ao sistema 130, mais que um dispositivo de computação de gerenciador de campo 104 de uma vez.[062] In one embodiment, the user 102 interacts with the agricultural intelligence computer system 130 using the field manager computing device 104 configured with an operating system and one or more application programs or apps; The field manager computing device 104 may also interoperate with the agricultural intelligence computer system 130 independently and automatically under program control or logic control and direct user interaction is not always required. Field manager computing device 104 broadly represents one or more of a smart phone, PDA, tablet computer-type computing device, laptop-type computer, desktop-type computer, workstation, or any other computing device. computing with the capacity to transmit and receive information and perform the functions described in this document. The field manager computing device 104 may communicate via a network using a mobile application stored on the field manager computing device 104, and in some embodiments, the device may be coupled using a cable 113 or connector to sensor 112 and/or controller 114. A particular user 102 may have, operate, or possess and use, in connection with system 130, more than one field manager computing device 104 at a time.
[063] O aplicativo móvel pode fornecer funcionalidade no lado do cliente, por meio da rede 109, a um ou mais dispositivos de computação móveis. Em uma modalidade exemplificativa, o dispositivo de computação de gerenciador de campo 104 pode acessar o aplicativo móvel por meio de um navegador de web ou um aplicativo de cliente local ou app. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para, e receber dados de, um ou mais servidores de front-end, com o uso de protocolos ou formatos com base em web, tais como HTTP, XML e/ou JSON, ou protocolos específicos de app. Em uma modalidade exemplificativa, os dados podem assumir a forma de solicitações e entradas de informações de usuário, tais como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento de localização no dispositivo de computação de gerenciador de campo 104 que determina a localização do dispositivo de computação de gerenciador de campo 104 com o uso de técnicas de rastreamento padrões, tais como multilateralização de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento por Wi-Fi ou outros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados ao dispositivo 104, ao usuário 102 e/ou à conta de usuário (ou contas de usuário) podem ser obtidos por consultas a um sistema operacional do dispositivo ou solicitando-se que um app no dispositivo obtenha dados do sistema operacional.[063] The mobile application may provide client-side functionality, via network 109, to one or more mobile computing devices. In an exemplary embodiment, the field manager computing device 104 may access the mobile application via a web browser or a local client application or app. Field manager computing device 104 may transmit data to, and receive data from, one or more front-end servers, using web-based protocols or formats, such as HTTP, XML and/or JSON, or app-specific protocols. In an exemplary embodiment, the data may take the form of user information requests and inputs, such as field data, on the mobile computing device. In some embodiments, the mobile application interacts with location tracking hardware and software on the field manager computing device 104 that determines the location of the field manager computing device 104 using standard tracking techniques, such as multilateralization. radio signals, global positioning system (GPS), Wi-Fi positioning systems, or other mobile positioning methods. In some cases, location data or other data associated with device 104, user 102, and/or user account (or user accounts) may be obtained by querying a device's operating system or requesting that an app on the device get data from the operating system.
[064] Em uma modalidade, o dispositivo de computação de gerenciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 que compreendem ou incluem, porém, sem limitação, valores de dados que representam um ou mais dentre: uma localização geográfica do um ou mais campos, informações de lavragem para o um ou mais campos, culturas plantadas no um ou mais campos, e dados de solo extraídos do um ou mais campos. O dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 em resposta a uma entrada de usuário do usuário 102 que especifica os valores de dados para o um ou mais campos. Além disso, o dispositivo de computação de gerenciador de campo 104 pode enviar automaticamente dados de campo 106 quando um ou mais dentre os valores de dados se tornam disponíveis para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o dispositivo de computação de gerenciador de campo 104 pode ser acoplado de modo comunicativo ao sensor remoto 112 e/ou controlador de aplicação 114. Em resposta a receber dados que indicam que o controlador de aplicativo 114 liberou água no um ou mais campos, o dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130 que indica que a água foi liberada no um ou mais campos. Os dados de campo 106 identificados nessa revelação podem ser admitidos e comunicados com o uso de dados digitais eletrônicos que são comunicados entre dispositivos de computação com o uso de URLs parametrizados através de HTTP, ou outro protocolo de comunicação ou mensagem adequado.[064] In one embodiment, the field manager computing device 104 sends field data 106 to the agricultural intelligence computer system 130 that comprises or includes, but is not limited to, data values representing one or more of: a geographic location of the one or more fields, plowing information for the one or more fields, crops planted in the one or more fields, and soil data extracted from the one or more fields. The field manager computing device 104 may send field data 106 in response to a user input from user 102 that specifies data values for the one or more fields. Additionally, the field manager computing device 104 may automatically send field data 106 when one or more of the data values become available to the field manager computing device 104. For example, the field manager computing device 104. field manager 104 may be communicatively coupled to remote sensor 112 and/or application controller 114. In response to receiving data indicating that application controller 114 has released water into the one or more fields, the field manager computing device 114 field 104 may send field data 106 to the agricultural intelligence computer system 130 that indicates that water has been released into the one or more fields. The field data 106 identified in this disclosure may be input and communicated using electronic digital data that is communicated between computing devices using parameterized URLs via HTTP, or other suitable communication or messaging protocol.
[065] Um exemplo comercial do aplicativo móvel é CLIMATE FIELD VIEW, disponibilizado comercialmente pela The Climate Corporation, São Francisco, Califórnia, EUA. O aplicativo The CLIMATE FIELD VIEW, ou outros aplicativos, podem ser modificados, estendidos ou adaptados para incluir recursos, funções e programação que não foi revelada anteriormente a dados de depósito desta revelação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite que um produtor realize decisões com base em fatos para suas operações devido ao fato de combinar dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor desejar comparar. As combinações e comparações podem ser realizadas em tempo real e têm como base modelos científicos que fornecem cenários potenciais para permitir que o produtor realiza decisões melhores e mais bem informadas.[065] A commercial example of the mobile application is CLIMATE FIELD VIEW, commercially available from The Climate Corporation, San Francisco, California, USA. The CLIMATE FIELD VIEW application, or other applications, may be modified, extended or adapted to include features, functions and programming that have not been disclosed prior to this disclosure. In one embodiment, the mobile application comprises an integrated software platform that allows a producer to make fact-based decisions for its operations by combining historical data about the producer's fields with any other data that the producer wishes to compare. Combinations and comparisons can be carried out in real time and are based on scientific models that provide potential scenarios to allow the producer to make better and more informed decisions.
[066] A Figura 2 ilustra duas vistas de uma organização lógica exemplificativa de conjuntos de instruções na memória principal quando um aplicativo móvel exemplificativo é carregado para a execução. Na Figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento de disco ou outro armazenamento não volátil, e as instruções programadas dentro de tais regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento de assimilação de dados de campo de conta 202, instruções de visão geral e alerta 204, instruções de livro de mapa digital 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.[066] Figure 2 illustrates two views of an exemplary logical organization of instruction sets in main memory when an exemplary mobile application is loaded for execution. In Figure 2, each named element represents a region of one or more pages of RAM or other main memory, or one or more blocks of disk storage or other non-volatile storage, and the instructions programmed within such regions. In one embodiment, in view (a), a mobile computer application 200 comprises account field data assimilation sharing instructions 202, overview and alert instructions 204, digital map book instructions 206, seed instructions, and planting 208, nitrogen instructions 210, meteorological instructions 212, field health instructions 214, and performance instructions 216.
[067] Em uma modalidade, um aplicativo de computador móvel 200 que compreende instruções de compartilhamento de ingestão de conta-campos-dados 202 são programados para receber, traduzir e ingerir dados de campo a partir de sistemas de terceira parte por meio de transferência por upload manual ou APIs. Os tipos de dados podem incluir delimitações de campo, mapas de rendimento, mapas de plantação, resultados de teste 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 informações de gerenciamento de fazenda (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de transferência por upload, APIs externas que mover dados para o aplicativo móvel, ou instruções que chamam APIs de sistemas externos para extrair dados do aplicativo móvel.[067] In one embodiment, a mobile computer application 200 comprising account-field-data ingestion sharing instructions 202 is programmed to receive, translate, and ingest field data from third-party systems via wire transfer. manual upload or APIs. Data types may include field boundaries, yield maps, planting maps, soil test results, application maps, and/or management zones, among others. Data formats may include shape files, third-party native data formats, and/or farm management information system (FMIS) exports, among others. Receiving data can occur through upload transfer, external APIs that move data into the mobile application, or instructions that call APIs from external systems to extract data from the mobile application.
[068] Em uma modalidade, as instruções de livro de mapa digital 206 compreendem camadas de dados de mapa de campo armazenadas na memória de dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespacial. Isso dota os produtores de informações convenientes à mão para referência, registro em log e percepções visuais no desempenho de campo. Em uma modalidade, as instruções de visão geral e alerta 204 são programadas para fornecer uma vista de operação ampla do que é importante para o produtor, e recomendações oportunas para agir ou focar em problemas particulares. Isso permite que o produtor foque o tempo no que precisa de atenção, para poupar tempo e preservar o rendimento ao longo da estação. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de semente, colocação híbrida e criação de roteiro, que inclui criação de roteiro de taxa variável (VR), com base nos modelos científicos e dados empíricos. Isso permite que produtores maximizem o rendimento ou o retorno em investimento por meio de compra, colocação e população de sementes otimizadas.[068] In one embodiment, digital map book instructions 206 comprise layers of field map data stored in device memory and are programmed with data visualization tools and geospatial field notes. This equips producers with convenient information at hand for reference, logging and visual insights into field performance. In one embodiment, overview and alert instructions 204 are programmed to provide an operating-wide view of what is important to the producer, and timely recommendations for taking action or focusing on particular problems. This allows the producer to focus their time on what needs attention, to save time and preserve yield throughout the season. In one embodiment, seed and planting instructions 208 are programmed to provide tools for seed selection, hybrid placement, and script creation, which includes variable rate (VR) script creation, based on scientific models and empirical data. This allows growers to maximize yield or return on investment through optimized seed purchasing, placement and population.
[069] Em uma modalidade, instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar decisões de nitrogênio visualizando-se a disponibilidade de nitrogênio para culturas e para criar roteiros de fertilidade de taxa variável (VR). Isso permite que os produtores maximizem o rendimento ou retorno do investimento através de aplicação de nitrogênio aprimorada durante a estação. Funções programadas exemplificativas incluem exibir imagens tais como imagens de SSURGO para permitir o desenho de zona de aplicação; transferência por upload de zonas definidas pelo produtor existentes; fornecer um gráfico de aplicação para permitir o ajuste fino de aplicações de nitrogênio por todas as múltiplas zonas; emissão de roteiros para dirigir o maquinário; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outras. A “entrada de dados em massa”, nesse contexto, pode significar inserir dados uma vez e, então, aplicar os mesmos dados para multiplicar campos que foram definidos no sistema; dados exemplificativos podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo cultivador. Por exemplo, instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e práticas com nitrogênio e aceitar a admissão de usuário que especifica aplicar tais programas ao longo de múltiplos campos. “Programas de plantio com nitrogênio”, nesse contexto, se refere a um conjunto de dados nomeado armazenado que associa: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma dentre as datas e as quantidades, método para aplicação ou incorporação, tal como injetado ou afluir, e/ou quantidades ou faixas de aplicação para cada uma dentre as datas, a safra ou o híbrido que é matéria da aplicação, entre outros. Os “programas de práticas de nitrogênio”, nesse contexto, se referem a um conjunto nomeado e armazenado de dados que associa: um nome de práticas; uma cultura anterior; um sistema de lavoura; uma data principalmente de lavoura; um ou mais sistemas de lavoura anterior que foram usadas; um ou mais indicadores de aplicação de estrume que foram usados. As instruções de nitrogênio 210 também podem ser programadas para gerar e provocar a exibição de um gráfico de nitrogênio, uma vez que um programa é aplicado a um campo, que indica projeções de uso da planta do nitrogênio especificado e, se um excedente ou déficit é previsto; em algumas modalidades, indicadores de cor diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador que compreende uma pluralidade de fileiras, sendo que cada fileira é associada a e identifica um campo; dados que especificam qual cultura é plantada no campo, o tamanho de campo, a localização de campo, e uma representação gráfica do perímetro de campo; em cada fileira, uma linha de tempo por mês com indicadores gráficos que especificam cada aplicação de nitrogênio e quantidade nos pontos correlacionados aos nomes de mês; e indicadores numéricos e/ou coloridos de excesso ou déficit, em que a cor indica a magnitude.[069] In one embodiment, nitrogen instructions 210 are programmed to provide tools to inform nitrogen decisions by visualizing nitrogen availability for crops and to create variable rate (VR) fertility roadmaps. This allows growers to maximize yield or return on investment through enhanced nitrogen application throughout the season. Exemplary programmed functions include displaying images such as SSURGO images to enable application zone drawing; upload transfer of existing producer-defined zones; provide an application chart to allow fine-tuning of nitrogen applications across multiple zones; issuance of itineraries to drive the machinery; tools for bulk data entry and tuning; and/or maps for data visualization, among others. “Bulk data entry” in this context can mean entering data once and then applying the same data to multiply fields that have been defined in the system; Exemplary data may include nitrogen application data that is the same for many fields from the same grower. For example, nitrogen instructions 210 can be programmed to accept definitions of nitrogen planting programs and practices and accept user input that specifies applying such programs across multiple fields. “Nitrogen planting programs” in this context refers to a stored named data set that associates: a name, color code or other identifier, one or more application dates, material or product types for each of the dates and quantities, method for application or incorporation, such as injected or flowing, and/or quantities or application ranges for each of the dates, the harvest or hybrid that is the subject of application, among others. “Nitrogen practice programs” in this context refer to a named and stored set of data that associates: a practice name; a previous culture; a farming system; a date mainly of plowing; one or more previous cropping systems that were used; one or more manure application indicators that were used. The nitrogen instructions 210 can also be programmed to generate and cause the display of a nitrogen graph, once a program is applied to a field, which indicates projections of plant use of the specified nitrogen and whether a surplus or deficit is foreseen; In some embodiments, different color indicators may signal a magnitude of surplus or magnitude of deficit. In one embodiment, a nitrogen chart comprises a graphical display on a computer display device comprising a plurality of rows, each row being associated with and identifying a field; data specifying which crop is planted in the field, the field size, the field location, and a graphical representation of the field perimeter; in each row, a timeline per month with graphic indicators that specify each nitrogen application and quantity at points correlated to the month names; and numerical and/or colored indicators of excess or deficit, where the color indicates the magnitude.
[070] Em uma modalidade, instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos ao campo e informações meteorológicas previstas. Isso permite que os produtores poupem tempo e tenham uma exibição integrada eficiente em relação a decisões operacionais diárias.[070] In one embodiment, weather instructions 212 are programmed to provide field-specific recent weather data and forecast weather information. This allows producers to save time and have an efficient integrated view of daily operational decisions.
[071] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de detecção remota oportunas que destacam a variação de cultura na estação e problemas potenciais. As funções programadas exemplificativas incluem verificação de nuvem, para identificar possíveis nuvens ou sombras de nuvem; determinar índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de aferição, que incluem, por exemplo, aquelas relacionadas à saúde de campo, e visualizar e/ou compartilhar observações de aferição; e/ou transferir por download imagens de satélite a partir de múltiplas fontes e priorizar as imagens para o produtor, entre outros.[071] In one embodiment, field health instructions 214 are programmed to provide timely remote sensing images that highlight in-station crop variation and potential problems. Exemplary programmed functions include cloud check, to identify possible clouds or cloud shadows; determine nitrogen indices based on field images; graphical visualization of measurement layers, which include, for example, those related to field health, and viewing and/or sharing measurement observations; and/or download satellite images from multiple sources and prioritize images for the producer, among others.
[072] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de percepção com uso de dados em fazenda para avaliação, percepções e decisões. Isso permite que o produtor busque aprimorar resultados para o próximo ano através de conclusões com base em fato sobre o motivo de o retorno no investimento ter estado em níveis anteriores, e observe os fatores de limitação de rendimento. As instruções de desempenho 216 podem ser programadas para comunicar por meio da rede (ou redes) 109 para programas analíticos de retaguarda executados no computador servidor de dados externos 108 e configuradas para analisar métricas tais como rendimento, híbrido, população, SURGO, testes de solo, ou elevação, entre outros. Os relatórios e análises programados podem incluir análises de variabilidade de rendimento, avaliação comparativa de rendimento e outras métricas em comparação a outros produtores com base em dados anônimos coletados a partir de muitos produtores, ou dados para sementes e plantio, entre outros.[072] In one embodiment, performance instructions 216 are programmed to provide reporting, analysis, and insight tools using on-farm data for assessment, insights, and decisions. This allows the producer to seek to improve results for the next year through fact-based conclusions about why return on investment was at previous levels, and look at yield limiting factors. The performance instructions 216 may be programmed to communicate via the network (or networks) 109 to back-end analytical programs running on the external data server computer 108 and configured to analyze metrics such as yield, hybrid, population, SURGO, soil testing , or elevation, among others. Scheduled reports and analyzes may include yield variability analysis, yield benchmarking, and other metrics compared to other growers based on anonymous data collected from many growers, or seed and planting data, among others.
[073] Aplicativos que têm instruções configuradas dessa forma podem ser implantados para plataformas de dispositivo de computação diferentes ao mesmo tempo em que retêm a mesma aparência geral de interface de usuário. Por exemplo, o aplicativo móvel pode ser programado para a execução em tablets, telefones inteligentes ou computadores servidores que são acessados com o uso de navegadores em computadores clientes. Ademais, o aplicativo móvel, conforme configurado para computadores do tipo tablet ou telefones inteligentes, pode fornecer uma experiência de app completa ou uma experiência de app de cabine que é adequada para as capacidades de exibição e processamento do computador de cabine 115. Por exemplo, agora em referência à vista (b) da Figura 2, em uma modalidade, um aplicativo de computador de cabine 220 pode compreender instruções de cabine de mapas 222, instruções de vista remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de roteiro 230, e instruções de cabine de aferição 232. A base de código para as instruções de vista (b) pode ser a mesma que para a vista (a) e executáveis que implantam o código podem ser programados para detectar o tipo de plataforma na qual os mesmos são executados e para expor, através de uma interface de usuário gráfica, apenas aquelas funções que são adequadas para uma plataforma de cabine ou plataforma completa. Essa abordagem permite que o sistema reconheça a experiência de usuário distintamente diferente que é apropriada para um ambiente em cabine e o ambiente de tecnologia diferente da cabine. As instruções de cabine de mapas 222 podem ser programadas para fornecer vistas de mapa de campos, fazendas ou regiões que são úteis no direcionamento de operação de máquina. As instruções de vista remota 224 podem ser programadas para ligar, gerenciar e fornecer vistas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio, e similares As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer transferência de dados coletados em sensores e controladores de máquina para o sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio, e similares. As instruções de alertas de máquina 228 podem ser programadas para detectar problemas com operações da máquina ou das ferramentas que são associadas à cabine e gerar alertas de operador. As instruções de transferência de roteiro 230 podem ser configuradas para transferir em roteiros de instruções que são configurados para direcionar as operações de máquina ou a coleta de dados. As instruções de cabine de aferição 232 podem ser programadas para exibir alertas com base em localização e informações recebidas a partir do sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo e assimilar, gerenciar e fornecer transferência de observações de aferição com base em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou nos sensores 112 no campo.[073] Applications that have instructions configured in this way can be deployed to different computing device platforms while retaining the same general user interface appearance. For example, the mobile application may be programmed to run on tablets, smart phones, or server computers that are accessed using browsers on client computers. Furthermore, the mobile application, as configured for tablet-type computers or smart phones, may provide a full app experience or a cabin app experience that is suitable for the display and processing capabilities of the cabin computer 115. For example, Now referring to view (b) of Figure 2, in one embodiment, a cockpit computer application 220 may comprise map cab instructions 222, remote view instructions 224, data collection and transfer instructions 226, alert instructions machine instructions 228, script transfer instructions 230, and scouting booth instructions 232. The code base for view instructions (b) may be the same as for view (a) and executables that deploy the code may be programmed to detect the type of platform on which they are run and to display, through a graphical user interface, only those functions that are suitable for a cabin platform or full platform. This approach allows the system to recognize the distinctly different user experience that is appropriate for an in-cab environment and the different in-cab technology environment. Map booth instructions 222 can be programmed to provide map views of fields, farms, or regions that are useful in directing machine operation. Remote view instructions 224 may be programmed to power up, manage, and provide views of real-time or near-real-time machine activity to other computing devices connected to system 130 via wireless networks, wired connectors or adapters, and the like. Data collection and transfer instructions 226 may be programmed to connect, manage, and provide transfer of data collected from sensors and machine controllers to system 130 via wireless networks, wired connectors or adapters, and the like. Machine alert instructions 228 may be programmed to detect problems with operations of the machine or tools that are associated with the cab and generate operator alerts. The script transfer instructions 230 may be configured to transfer into instruction scripts that are configured to direct machine operations or data collection. Scouting booth instructions 232 may be programmed to display location-based alerts and information received from system 130 based on the location of agricultural apparatus 111 or sensors 112 in the field and assimilate, manage, and provide transfer of scouting observations location-based for system 130 based on the location of the agricultural apparatus 111 or sensors 112 in the field.
[074] Em uma modalidade, o computador de servidor de dados externos 108 armazena dados externos 110, incluindo dados do solo que representam a composição do solo para o um ou mais campos e dados climáticos que representam temperatura e precipitação no um ou mais campos. Os dados climáticos podem incluir dados climáticos passados e presentes assim como previsões para futuros dados climáticos. Em uma modalidade, o computador de servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição do solo enquanto um segundo servidor pode incluir dados climáticos. Adicionalmente, os dados de composição do solo podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados que representam a porcentagem de areia, lodo e barro no solo enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (OM) no solo.[074] In one embodiment, the external data server computer 108 stores external data 110, including soil data representing soil composition for the one or more fields and climate data representing temperature and precipitation in the one or more fields. Climate data may include past and present climate data as well as predictions for future climate data. In one embodiment, the external data server computer 108 comprises a plurality of servers hosted by different entities. For example, a first server may contain soil composition data while a second server may include climate data. Additionally, soil composition data can be stored on multiple servers. For example, one server may store data representing the percentage of sand, silt, and clay in the soil while a second server may store data representing the percentage of organic matter (OM) in the soil.
[075] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plantio, sensores de lavragem, sensores de aplicação de fertilizante ou inseticida, sensores de colheitadeira, e qualquer outro implemento capaz de receber dados a partir do um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantio, equipamento de lavragem, equipamento de fertilizante ou inseticida, equipamento de colheitadeira, ou outros implementos de fazenda, tais como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são exemplos meramente selecionados.[075] In one embodiment, the remote sensor 112 comprises one or more sensors that are programmed or configured to produce one or more observations. The remote sensor 112 may be aerial sensors, such as satellites, vehicle sensors, planting equipment sensors, tillage sensors, fertilizer or insecticide application sensors, combine sensors, and any other implement capable of receiving data from the one or more fields. In one embodiment, the application controller 114 is programmed or configured to receive instructions from the agricultural intelligence computer system 130. The application controller 114 may also be programmed or configured to control an operating parameter of an agricultural vehicle or implement. For example, an application controller may be programmed or configured to control an operating parameter of a vehicle, such as a tractor, planting equipment, tillage equipment, fertilizer or insecticide equipment, harvester equipment, or other farm implements. , such as a water valve. Other embodiments may use any combination of sensors and controllers, of which the following are merely selected examples.
[076] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em uma base de massa de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Essa forma de obter dados pode ser chamada de “assimilação de dados manuais”, visto que uma ou mais operações de computador controladas por usuário são solicitadas ou disparadas para obter dados para o uso pelo sistema 130. Como um exemplo, o NITROGEN ADVISOR, disponibilizado comercialmente pela The Climate Corporation, São Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenar no repositório 160.[076] System 130 may obtain or ingest data under the control of user 102, on a mass basis from a large number of producers who have contributed data to a shared database system. This way of obtaining data may be called “manual data assimilation” as one or more user-controlled computer operations are requested or triggered to obtain data for use by system 130. As an example, NITROGEN ADVISOR, available commercially by The Climate Corporation, San Francisco, California, may be operated to export data to system 130 for storage in repository 160.
[077] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar componentes de aparelho de plantadeira quanto obter dados de plantio, que incluem sinais dos sensores de semente por meio de um cabeamento de sinal que compreende uma rede central de CAN e conexões ponto-a-ponto para registro e/ou diagnósticos. Os sistemas de monitoramento de semente podem ser programados ou configurados para exibir espaçamento, população e outras informações de semente para o usuário por meio do computador de cabine 115 ou de outros dispositivos no sistema 130. Os exemplos revelados na Patente No U.S. 8.738.243 e Publicação de Patente No U.S. 2015/0094916, e a presente revelação presumem o conhecimento de tais outras revelações de patente.[077] For example, seed monitoring systems can both control planter apparatus components and obtain planting data, which includes signals from seed sensors through signal cabling comprising a central CAN network and point connections. -to-point for registration and/or diagnostics. Seed monitoring systems can be programmed or configured to display spacing, population, and other seed information to the user through the cabin computer 115 or other devices in the system 130. Examples disclosed in U.S. Patent No. 8,738,243 and U.S. Patent Publication No. 2015/0094916, and the present disclosure presume knowledge of such other patent disclosures.
[078] De modo semelhante, os sistemas de monitoramento de rendimento podem conter sensores de rendimento para aparelho de colheitadeira que envia dados de medição de rendimento para o computador de cabine 115 ou outros dispositivos no sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grão em uma ceifeira debulhadora ou outra colheitadeira e pode transmitir essas medições para o usuário por meio do computador de cabine 115 ou outros dispositivos dentro do sistema 130.[078] Similarly, yield monitoring systems may contain yield sensors for combine equipment that send yield measurement data to cabin computer 115 or other devices in system 130. Yield monitoring systems may utilize one or more remote sensors 112 to obtain grain moisture measurements on a combine harvester or other harvester and may transmit these measurements to the user via the cabin computer 115 or other devices within the system 130.
[079] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito em outra parte no presente documento incluem sensores de cinemática e sensores de posição. Os sensores de cinemática podem compreender quaisquer sensores de velocidade escalar, tais como radar ou sensores de velocidade escalar de roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou aplicativos de posição ou mapeamento baseados em Wi-Fi que são programados para determinar o local com base em pontos críticos de Wi-Fi próximos, dentre outros.[079] In one embodiment, examples of sensors 112 that can be used with any moving vehicle or apparatus of the type described elsewhere herein include kinematic sensors and position sensors. The kinematic sensors may comprise any speed sensors, such as radar or wheel speed sensors, accelerometers or gyroscopes. Position sensors may comprise GPS receivers or transceivers, or Wi-Fi-based positioning or mapping applications that are programmed to determine location based on nearby Wi-Fi hotspots, among others.
[080] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade escalar de motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade escalar de PTO (potência para partida), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos, tais como pressão ou fluxo, e/ou e velocidade escalar de bomba hidráulica, sensores de velocidade escalar de roda ou sensores de deslizamento de roda. Em uma modalidade, os exemplos de controladores 114 que podem ser usados como tratores incluem controladores direcionais, controladores de pressão e/ou controladores de fluxo; controladores de velocidade escalar de bomba hidráulica; controladores ou reguladores de velocidade escalar; controladores de posição de engate; ou controladores de posição de roda fornece direcionamento automático.[080] In one embodiment, examples of sensors 112 that can be used with tractors or other moving vehicles include engine speed sensors, fuel consumption sensors, area counters or distance counters that interact with GPS signals or radar, PTO (power to start) speed sensors, tractor hydraulic sensors configured to detect hydraulic parameters such as pressure or flow, and/or hydraulic pump speed, wheel speed sensors or wheel slip. In one embodiment, examples of controllers 114 that can be used as tractors include directional controllers, pressure controllers, and/or flow controllers; hydraulic pump speed controllers; scalar speed controllers or regulators; engagement position controllers; or wheel position controllers provide automatic steering.
[081] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de plantio de semente, tais como plantadeiras, brocas, ou semeadores pneumáticos incluem sensores de semente, que podem ser ópticos, eletromagnéticos ou sensores de impacto; sensores de força descendente, tais como pinos de carga, células de carga, sensores de pressão; sensores de propriedades de solo, tais como sensores de refletividade, sensores de umidificação, sensores de condutividade elétrica, sensores de resíduo óptico, ou sensores de temperatura; sensores de critérios de operação de componente, tais como sensores de profundidade de plantio, sensores de pressão de cilindro de força descendente, sensores de velocidade escalar de disco de semente, codificadores e motor de acionamento de semente, sensores de velocidade escalar de sistema transportador de semente, ou sensores de nível de vácuo; ou sensores de aplicação de pesticida, tais como sensores ópticos ou outros sensores eletromagnéticos ou sensores de impacto. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tal equipamento de plantio de semente incluem: controladores de dobra de barra de ferramenta, tais como controladores para válvulas associados a cilindros hidráulicos; controladores de força descendente, tais como controladores para válvulas associadas a cilindros pneumáticos, almofadas de ar, ou cilindros hidráulicos, e programadas para aplicar força descendente a unidades de fileira individuais ou um quadro de plantadeira inteiro; controladores de profundidade de plantio, tais como atuadores lineares; controladores de medição, tais como motores de acionamento de medidor de semente elétrico, motores de acionamento de medidor de semente hidráulico, ou embreagens de controle de faixa de plantio; controladores de seleção híbrida, tais como motores de acionamento de medidor de semente, ou outros atuadores programados para permitir ou impedir seletivamente que a semente ou uma mistura de ar e semente distribua semente para ou a partir de medidores de semente ou tremonhas a granel central; controladores de medição, tais como motores de acionamento de medidor de semente elétrico, ou motores de acionamento de medidor de semente hidráulico; controladores de sistema transportador de semente, tais como controladores para um motor de esteira transportadora de distribuição de semente; controladores de marcador, tais como um controlador para um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticida, tais como controladores de acionamento de medição, controladores de tamanho ou posição de orifício.[081] In one embodiment, examples of sensors 112 that can be used with seed planting equipment, such as planters, drills, or pneumatic seeders include seed sensors, which can be optical, electromagnetic or impact sensors; downward force sensors such as load pins, load cells, pressure sensors; soil property sensors, such as reflectivity sensors, humidification sensors, electrical conductivity sensors, optical residue sensors, or temperature sensors; component operation criteria sensors, such as planting depth sensors, downforce cylinder pressure sensors, seed disc speed sensors, encoders and seed drive motor, seed conveyor system speed sensors seed, or vacuum level sensors; or pesticide application sensors, such as optical or other electromagnetic sensors or impact sensors. In one embodiment, examples of controllers 114 that may be used with such seed planting equipment include: tool bar bending controllers, such as controllers for valves associated with hydraulic cylinders; downforce controllers, such as controllers for valves associated with pneumatic cylinders, air cushions, or hydraulic cylinders, and programmed to apply downforce to individual row units or an entire planter frame; planting depth controllers, such as linear actuators; metering controllers, such as electric seed meter drive motors, hydraulic seed meter drive motors, or planting strip control clutches; hybrid selection controllers, such as seed meter drive motors, or other actuators programmed to selectively allow or prevent seed or a mixture of air and seed from distributing seed to or from seed meters or central bulk hoppers; measurement controllers, such as electric seed meter drive motors, or hydraulic seed meter drive motors; seed conveyor system controllers, such as controllers for a seed distribution conveyor belt motor; marker controllers, such as a controller for a pneumatic or hydraulic actuator; or pesticide application rate controllers, such as metering drive controllers, orifice size or position controllers.
[082] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com o equipamento de lavragem incluem sensores de posição para ferramentas, tais como hastes ou discos; sensores de posição de ferramenta para tais ferramentas que são configuradas para detectar profundidade, ângulo de série ou espaçamento lateral de ferramenta; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com o equipamento de lavragem incluem controladores de força descendente ou controladores de posição de ferramenta, tais como controladores configurados para controlar profundidade, ângulo de série ou espaçamento lateral de ferramenta.[082] In one embodiment, examples of sensors 112 that can be used with tillage equipment include position sensors for tools, such as rods or discs; tool position sensors for such tools that are configured to detect tool depth, series angle, or lateral spacing; downforce sensors; or traction force sensors. In one embodiment, examples of controllers 114 that can be used with the tilling equipment include downward force controllers or tool position controllers, such as controllers configured to control depth, series angle, or tool lateral spacing.
[083] Em uma modalidade, exemplos de sensores 112 que podem ser usados em relação ao aparelho para aplicar fertilizante, inseticida, fungicida e semelhantes, como sistemas fertilizantes iniciadores em plantadeira, aplicadores de fertilizante em subsolo, aspersores de fertilizante ou sistemas de irrigação, incluem: sensores de critérios de sistema de fluido, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de cabeça de aspersão ou válvulas de duto de fluido estão abertas; sensores associados aos tanques, como sensores de nível de enchimento; sensores de linha de fornecimento seccionais ou no sentido do sistema, ou sensores de linha de fornecimento específicos a fileira; ou sensores cinemáticos como acelerômetros dispostos em lanças de aspersor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tal aparelho incluem controladores de velocidade escalar de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, tais como para altura de viga, profundidade de subcultivadores ou posição de viga.[083] In one embodiment, examples of sensors 112 that can be used in connection with apparatus for applying fertilizer, insecticide, fungicide and the like, such as planter starter fertilizer systems, underground fertilizer applicators, fertilizer sprinklers or irrigation systems, include: fluid system criteria sensors, such as flow sensors or pressure sensors; sensors that indicate which sprinkler head valves or fluid duct valves are open; sensors associated with tanks, such as fill level sensors; sectional or system-wise supply line sensors, or row-specific supply line sensors; or kinematic sensors such as accelerometers arranged on sprinkler lances. In one embodiment, examples of controllers 114 that can be used with such an apparatus include pump speed controllers; valve controllers that are programmed to control pressure, flow, direction, PWM and the like; or position actuators, such as for beam height, subcultivator depth or beam position.
[084] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimento, tais como extensômetros de placa de impacto ou sensores de posição, sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou sensores de altura de grão ópticos ou outros eletromagnéticos; sensores de umidificação de grãos, tais como sensores capacitivos; sensores de perda de grão, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação de conduto principal, tais como altura de conduto principal, tipo de conduto principal, lacuna de placa de convés, velocidade escalar de alimentador, e sensores de velocidade escalar de bobina; separador que opera sensores de critérios, tais como sensores de folga côncava, velocidade escalar de rotor, folga de sapata, ou folga de chanfro; sensores de trado para posição, operação ou velocidade escalar; ou sensores de velocidade escalar de motor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios de operação de conduto principal para elementos, tais como altura de conduto principal, tipo de conduto principal, lacuna de placa de convés, velocidade escalar de alimentador, ou velocidade escalar de bobina; controladores de critérios de operação de separador para recursos, tais como folga côncava, velocidade escalar de rotor, folga de sapata, ou folga de chanfro; ou controladores para posição, operação ou velocidade escalar de trado.[084] In one embodiment, examples of sensors 112 that can be used with harvesters include yield monitors, such as impact plate strain gauges or position sensors, capacitive flow sensors, load sensors, weight sensors, or flow sensors. torque associated with elevators or augers, or optical or other electromagnetic grain height sensors; grain humidification sensors, such as capacitive sensors; grain loss sensors, including impact, optical or capacitive sensors; main conduit operating criteria sensors, such as main conduit height, main conduit type, deck plate gap, feeder speed, and coil speed sensors; separator that operates criteria sensors, such as concave clearance, rotor speed, shoe clearance, or chamfer clearance sensors; auger sensors for position, operation or speed; or engine speed sensors. In one embodiment, examples of controllers 114 that can be used with combines include main conduit operation criteria controllers for elements such as main conduit height, main conduit type, deck plate gap, feeder speed, or speed of coil; separator operating criteria controllers for features such as concave clearance, rotor speed, shoe clearance, or chamfer clearance; or controllers for auger position, operation, or speed.
[085] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com caçambas de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade escalar de trado. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com caçambas de grãos incluem controladores para posição, operação ou velocidade escalar de trado.[085] In one embodiment, examples of sensors 112 that can be used with grain buckets include weight sensors, or sensors for auger position, operation or speed. In one embodiment, examples of controllers 114 that can be used with grain buckets include controllers for auger position, operation, or speed.
[086] Em uma modalidade, os exemplos de sensores 112 e controladores 114 podem ser instalados em aparelho de veículo aéreo não tripulado (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético que inclui luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR), e semelhantes; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade escalar de ar ou velocidade vetorial de vento; sensores de vida de bateria; ou emissores de radar e aparelho de detecção de energia de radar refletida. Tais controladores podem incluir aparelho de controle de orientação ou motor, controladores de superfície de controle, controladores de câmera, ou controladores programados para ligar, operar, obter dados de, gerenciar e configurar qualquer um dentre os sensores de previsão. Os exemplos revelados no Pedido Patente No U.S. 14/831.165 e a presente revelação presumem o conhecimento de tal outra revelação de patente.[086] In one embodiment, examples of sensors 112 and controllers 114 can be installed on unmanned aerial vehicle (UAV) apparatus or “drones”. Such sensors may include cameras with detectors effective for any range of the electromagnetic spectrum that includes visible light, infrared, ultraviolet, near infrared (NIR), and the like; accelerometers; altimeters; temperature sensors; humidity sensors; Pitot tube sensors or other scalar air speed or vector wind speed sensors; battery life sensors; or radar emitters and reflected radar energy detection apparatus. Such controllers may include orientation or motor control apparatus, control surface controllers, camera controllers, or controllers programmed to turn on, operate, obtain data from, manage, and configure any of the predictive sensors. The examples disclosed in U.S. Patent Application No. 14/831,165 and the present disclosure presume knowledge of such other patent disclosure.
[087] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados a amostragem de solo e aparelho de medição que é configurado ou programado para amostrar solo e realizar testes químicos no solo, testes de umidificação de solo, e outros testes pertencentes a solo. Por exemplo, o aparelho revelado na Patente No U.S. 8.767.194 e Patente No U.S. 8.712.148 pode ser usado, e a presente revelação assume o conhecimento de tais outras revelações de patente.[087] In one embodiment, sensors 112 and controllers 114 may be affixed to soil sampling and measuring apparatus that is configured or programmed to sample soil and perform soil chemical tests, soil moistening tests, and other tests pertaining to solo. For example, the apparatus disclosed in U.S. Patent No. 8,767,194 and U.S. Patent No. 8,712,148 may be used, and the present disclosure assumes knowledge of such other patent disclosures.
[088] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Nesse contexto, um modelo agronômico é uma estrutura de dados na memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, tais como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem condições que podem afetar o cultivo de uma ou mais safras em um campo, ou propriedades da uma ou mais safras, ou ambos. Adicionalmente, um modelo agronômico pode compreender recomendações com base em fatores agronômicos, tais como recomendações de safra, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados a cultura, como rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa de quantidade da cultura que é produzida ou, em alguns exemplos, a receita ou o lucro obtido da cultura produzida.[088] In one embodiment, the agricultural intelligence computer system 130 is programmed or configured to create an agronomic model. In this context, an agronomic model is a data structure in the memory of the agricultural intelligence computer system 130 that comprises field data 106, such as identification data and harvest data for one or more fields. The agronomic model may also comprise calculated agronomic properties that describe conditions that may affect the cultivation of one or more crops in a field, or properties of the one or more crops, or both. Additionally, an agronomic model can comprise recommendations based on agronomic factors, such as yield recommendations, irrigation recommendations, planting recommendations, and harvest recommendations. Agronomic factors can also be used to estimate one or more crop-related outcomes, such as agronomic yield. The agronomic yield of a crop is an estimate of the quantity of the crop that is produced or, in some examples, the revenue or profit obtained from the crop produced.
[089] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré- configurado para calcular propriedades agronômicas relacionadas às informações de local e de cultura recebidas atualmente para um ou mais campos. O modelo agronômico pré-configurado se baseia em dados de campo anteriormente processados, incluindo, mas sem limitação, dados de identificação, dados de colheitadeira, dados de fertilizante e dados climáticos. O modelo agronômico pré-configurado pode ter sido validado de modo cruzado para garantir a precisão do modelo. A validação cruzada pode incluir comparação a levantamento de dados em campo que compara resultados previstos com resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um pluviômetro na mesma localização ou uma estimativa de teor de nitrogênio com uma medição de amostra de solo.[089] In one embodiment, the agricultural intelligence computer system 130 may use a preconfigured agronomic model to calculate agronomic properties related to currently received location and crop information for one or more fields. The preconfigured agronomic model is based on previously processed field data, including but not limited to identification data, combine data, fertilizer data, and weather data. The preconfigured agronomic model may have been cross-validated to ensure model accuracy. Cross-validation may include comparison to field survey data that compares predicted results with actual results in a field, such as a comparison of a precipitation estimate with a rain gauge at the same location or a nitrogen content estimate with a sample measurement of nitrogen. ground.
[090] A Figura 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados com o uso de dados de campo fornecidos por uma ou mais fontes de dados. A Figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para realizar as operações que são descritas agora.[090] Figure 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using field data provided by one or more data sources. Figure 3 may serve as an algorithm or instructions for programming the functional elements of the agricultural intelligence computer system 130 to perform the operations that are now described.
[091] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar 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 fins de remoção de efeitos de ruído e distorção nos dados agronômicos que incluem valores de divergência medidos que desviariam valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos podem incluir, porém, sem limitação, remover valores de dados comumente associados a valores de dados de divergência, pontos de dados medidos específicos que são conhecidos por desviar desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas. Várias modalidades dessas técnicas incluem, mas sem limitação, aquelas descritas no presente documento.[091] In block 305, the agricultural intelligence computer system 130 is configured or programmed to implement agronomic data preprocessing of field data received from one or more data sources. Field data received from one or more data sources may be preprocessed for the purpose of removing noise and distortion effects in agronomic data that include measured divergence values that would bias received field data values. Agronomic data preprocessing modalities may include, but are not limited to, removing data values commonly associated with divergence data values, specific measured data points that are known to unnecessarily bias other data values, data smoothing techniques, data used to remove or reduce additive or multiplicative effects of noise, and other data filtering or derivation techniques used to provide clear distinctions between positive and negative data inputs. Various embodiments of these techniques include, but are not limited to, those described herein.
[092] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar a seleção de subconjunto de dados com o uso dos dados de campo pré-processados a fim de identificar conjuntos de dados úteis para geração de modelo agronômico inicial. O sistema de computador de inteligência agrícola 130 pode implantar técnicas de seleção de subconjunto de dados que incluem, porém, sem limitação, um método de algoritmo genético, em todo método de modelos de subconjunto, um método de busca sequencial, um método de regressão gradual, um método de otimização por enxame de partículas, e um método de otimização e colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativo, com base em princípios evolucionários de seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.[092] In block 310, the agricultural intelligence computer system 130 is configured or programmed to perform data subset selection using the pre-processed field data in order to identify useful data sets for agronomic model generation. initial. The agricultural intelligence computer system 130 may deploy data subset selection techniques that include, but are not limited to, a genetic algorithm method, a whole subset model method, a sequential search method, a stepwise regression method , a particle swarm optimization method, and an ant colony optimization method. For example, a genetic algorithm selection technique uses an adaptive heuristic search algorithm, based on evolutionary principles of natural and genetic selection, to determine and evaluate data sets in preprocessed agronomic data.
[093] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado criando-se um modelo agronômico e usando-se limiares de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados com o uso de técnicas de validação cruzada que incluem, porém, sem limitação, erro quadrático médio de validação cruzada “leave-one-out” (RMSECV), erro absoluto médio e erro porcentagem média. Por exemplo, RMSECV pode validar de modo cruzado modelos agronômicos comparando-se valores de propriedade agronômica preditos criados pelo modelo agronômico contra valores de propriedade agronômica históricos coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é usada como um laço de retroalimentação em que conjuntos de dados agronômicos que não satisfazem limiares de qualidade configurados são usados durante etapas de seleção de subconjunto de dados futuras (bloco 310).[093] In block 315, the agricultural intelligence computer system 130 is configured or programmed to implement field data set evaluation. In one embodiment, a specific field data set is evaluated by creating an agronomic model and using quality thresholds specific to the created agronomic model. Agronomic models can be compared using cross-validation techniques that include, but are not limited to, leave-one-out cross-validation mean squared error (RMSECV), mean absolute error, and mean percentage error. For example, RMSECV can cross-validate agronomic models by comparing predicted agronomic property values created by the agronomic model against historical agronomic property values collected and analyzed. In one embodiment, the agronomic data set evaluation logic is used as a feedback loop in which agronomic data sets that do not satisfy configured quality thresholds are used during future data subset selection steps (block 310).
[094] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implantar criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de modo cruzado. Em uma modalidade, a criação de modelo agronômico pode implantar técnicas de regressão multivariadas para criar modelos de dados agronômicos pré-configurados.[094] In block 320, the agricultural intelligence computer system 130 is configured or programmed to implement agronomic model creation based on the cross-validated agronomic data sets. In one embodiment, agronomic model creation may deploy multivariate regression techniques to create preconfigured agronomic data models.
[095] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para avaliação de dados de campo futura.[095] In block 325, the agricultural intelligence computer system 130 is configured or programmed to store the preconfigured agronomic data models for future field data evaluation.
[096] De acordo com uma modalidade, as técnicas descritas no presente documento são implantadas por um ou mais dispositivos de computação de propósito especial. Os dispositivos de computação de propósitos específicos podem ser ligados fisicamente para realizar as técnicas, ou podem incluir dispositivos eletrônicos digitais como um ou mais circuitos integrados de aplicação específica (ASICs) ou arranjos de porta programável em campo (FPGAs) que são persistentemente programados para realizar as técnicas, ou podem incluir um ou mais processadores de hardware para propósitos gerais programados para realizar as técnicas de acordo com instruções de programa em firmware, memória, outro armazenamento ou uma combinação. Tais dispositivos de computação de propósitos específicos também podem combinar lógica ligada fisicamente customizada, ASICs ou FPGAs com programação customizada para obter as técnicas. Os dispositivos de computação de propósitos específicos podem ser sistemas de computador do tipo desktop, sistemas de computador portátil, dispositivos de mão, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica ligada fisicamente e/ou de programa para implantar as técnicas.[096] According to one embodiment, the techniques described herein are implemented by one or more special purpose computing devices. Special-purpose computing devices may be physically wired to perform the techniques, or may include digital electronic devices such as one or more application-specific integrated circuits (ASICs) or field-programmable gate arrays (FPGAs) that are persistently programmed to perform the techniques, or may include one or more general purpose hardware processors programmed to perform the techniques in accordance with program instructions in firmware, memory, other storage, or a combination. Such special-purpose computing devices can also combine custom hard-wired logic, ASICs, or FPGAs with custom programming to achieve the techniques. Special purpose computing devices may be desktop computer systems, portable computer systems, handheld devices, network devices, or any other device that incorporates hard-wired and/or program logic to implement the techniques.
[097] Por exemplo, a Figura 4 é um diagrama de blocos que ilustra um sistema de computador 400 mediante o qual uma modalidade da invenção pode ser implantada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comunicar informações e um processador de hardware 404 acoplado ao barramento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de propósito geral.[097] For example, Figure 4 is a block diagram illustrating a computer system 400 through which an embodiment of the invention can be implemented. The computer system 400 includes a bus 402 or other communication mechanism for communicating information and a hardware processor 404 coupled to the bus 402 for processing information. The hardware processor 404 may be, for example, a general purpose microprocessor.
[098] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar informações variáveis temporárias ou outras informações intermediárias durante a execução das instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em meio de armazenamento não transitório acessível ao processador 404, renderizam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para realizar as operações especificadas nas instruções.[098] The computer system 400 also includes a main memory 406, such as a random access memory (RAM) or other dynamic storage device, coupled to the bus 402 to store information and instructions to be executed by the processor 404. The main memory 406 may also be used to store temporary variable information or other intermediate information during the execution of instructions to be executed by processor 404. Such instructions, when stored on a non-transitory storage medium accessible to processor 404, render computer system 400 into a special purpose machine that is customized to perform operations specified in instructions.
[099] O sistema de computador 400 inclui adicionalmente uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações estáticas e instruções para processador 404. Um dispositivo de armazenamento 410, como um disco magnético, disco óptico ou unidade de estado sólido é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.[099] Computer system 400 additionally includes a read-only memory (ROM) 408 or other static storage device coupled to bus 402 to store static information and instructions for processor 404. A storage device 410, such as a magnetic disk, Optical disk or solid state drive is provided and coupled to the 402 bus to store information and instructions.
[100] O sistema de computador 400 pode ser acoplado por meio do barramento 402 a um visor 412, como um tubo de raio de catodo (CRT), para exibir informações para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras teclas, é acoplado ao barramento 402 para comunicar informações e seleções de comando para o processador 404. Um outro tipo de dispositivo de entrada de usuário é o controle de cursor 416, como um mouse, uma trackball ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar o movimento do cursor no visor 412. Esse dispositivo de entrada tem tipicamente dois graus de liberdade em dois eixos geométricos, um primeiro eixo geométrico (por exemplo, x) e um segundo eixo geométrico (por exemplo, y), que permitem que o dispositivo especifique posições em um plano.[100] Computer system 400 may be coupled via bus 402 to a display 412, such as a cathode ray tube (CRT), to display information to a computer user. An input device 414, including alphanumeric keys and other keys, is coupled to bus 402 to communicate information and command selections to processor 404. Another type of user input device is cursor control 416, such as a mouse. a trackball or cursor direction keys to communicate direction information and command selections to processor 404 and to control cursor movement on display 412. This input device typically has two degrees of freedom in two geometric axes, a first axis axis (e.g., x) and a second geometric axis (e.g., y), which allow the device to specify positions in a plane.
[101] O sistema de computador 400 pode implantar as técnicas descritas no presente documento com o uso de lógica ligada fisicamente customizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, causa ou programa o sistema de computador 400 para ser uma máquina de propósito específico. De acordo com uma modalidade, as técnicas no presente documento são realizadas pelo sistema de computador 400 em resposta ao processador 404 que executa uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de um outro meio de armazenamento, como dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 realize as etapas do processo descritas no presente documento. Em modalidades alternativas, o conjunto de circuitos ligados fisicamente pode ser usado no lugar de instruções de software ou em combinação com as mesmas.[101] The computer system 400 may implement the techniques described herein with the use of custom hard-wired logic, one or more ASICs or FPGAs, firmware and/or program logic that, in combination with the computer system, causes or programs the computer system 400 to be a special purpose machine. According to one embodiment, the techniques herein are performed by computer system 400 in response to processor 404 executing one or more sequences of one or more instructions contained in main memory 406. Such instructions may be read from main memory 406 at from another storage medium, such as storage device 410. The execution of the instruction sequences contained in main memory 406 causes the processor 404 to carry out the process steps described in this document. In alternative embodiments, the physically linked circuitry may be used in place of or in combination with software instructions.
[102] O termo “mídia de armazenamento” conforme usado no presente documento se refere a qualquer mídia não transitória que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Tal mídia de armazenamento pode compreender mídia não volátil e/ou mídia volátil. A mídia não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como dispositivo de armazenamento 410. A mídia volátil inclui memória dinâmica, como memória principal 406. As formas comuns de mídia de armazenamento incluem, por exemplo, um disquete, um disco flexível, 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 ópticos, qualquer meio físico com padrões de furos, um RAM, um PROM e EPROM, um FLASH-EPROM, NVRAM, qualquer outro chip de memória ou cartucho.[102] The term “storage media” as used herein refers to any non-transitory media that stores data and/or instructions that cause a machine to operate in a specific manner. Such storage media may comprise non-volatile media and/or volatile media. Non-volatile media includes, for example, optical disks, magnetic disks, or solid-state drives, such as storage device 410. Volatile media includes dynamic memory, such as main memory 406. Common forms of storage media include, e.g. a floppy disk, floppy disk, hard disk, solid state drive, magnetic tape or any other magnetic data storage medium, a CD-ROM, any other optical data storage medium, any physical medium with hole patterns, a RAM, a PROM and EPROM, a FLASH-EPROM, NVRAM, any other memory chip or cartridge.
[103] A mídia de armazenamento é distinta, mas pode ser usado em combinação com mídia de transmissão. A mídia de transmissão participa na transferência de informações entre mídia de armazenamento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fio de cobre e fibra óptica, incluindo os fios que compreendem o barramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, como aquelas geradas durante as comunicações de dados por onda de rádio e infravermelho.[103] Storage media is distinct, but can be used in combination with transmission media. Transmission media participate in the transfer of information between storage media. For example, transmission media includes coaxial cables, copper wire, and optical fiber, including the wires comprising bus 402. Transmission media may also take the form of acoustic or light waves, such as those generated during communications. data by radio wave and infrared.
[104] Várias formas de mídia podem estar envolvidas na condução de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente realizadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções para sua memória dinâmica e enviar as instruções por meio de uma linha telefônica com o uso de um modem. Um local de modem para sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter dados em um sinal de infravermelho. Um detector de infravermelho pode receber os dados carregados no sinal de infravermelho e conjunto de circuitos adequados pode colocar os dados no barramento 402. O barramento 402 conduz os dados para a memória principal 406, da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem ser opcionalmente armazenadas no dispositivo de armazenamento 410 seja antes ou depois da execução pelo processador 404.[104] Various forms of media may be involved in conveying one or more sequences of one or more instructions to the processor 404 for execution. For example, instructions may initially be carried out on a magnetic disk or solid-state drive of a remote computer. The remote computer can load the instructions into its dynamic memory and send the instructions over a telephone line using a modem. A modem location for computer system 400 may receive the data on the telephone line and use an infrared transmitter to convert data into an infrared signal. An infrared detector can receive the data carried in the infrared signal and suitable circuitry can place the data on bus 402. Bus 402 conducts the data to main memory 406, from which processor 404 retrieves and executes instructions. Instructions received by main memory 406 may optionally be stored in storage device 410 either before or after execution by processor 404.
[105] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento de comunicação de dados bidirecional para um enlace de rede 420 que é conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser um cartão de rede digital de serviços integrados (ISDN), modem a cabo, modem por satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como um outro exemplo, a interface de comunicação 418 pode ser um cartão de rede local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Os enlaces sem fio também podem ser implantados. Em qualquer tal implantação, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam os fluxos dados digitais que representam diversos tipos de informações.[105] The computer system 400 also includes a communication interface 418 coupled to the bus 402. The communication interface 418 provides bidirectional data communication coupling to a network link 420 that is connected to a local area network 422. For example , the communications interface 418 may be an integrated services digital network (ISDN) card, cable modem, satellite modem, or a modem for providing a data communications connection to a corresponding type of telephone line. As another example, communications interface 418 may be a local area network (LAN) card for providing a data communications connection to a compatible LAN. Wireless links can also be deployed. In any such implementation, communication interface 418 sends and receives electrical, electromagnetic, or optical signals that carry digital data streams representing various types of information.
[106] O enlace de rede 420 fornece tipicamente comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão através de rede local 422 para um computador hospedeiro 424 ou para equipamento de dados operado por um Provedor de Serviço de Internet (ISP) 426. ISP 426, por sua vez, fornece serviços de comunicação de dados através da rede de comunicação de pacote de dados em todo o mundo agora comumente chamado de "Internet" 428. A rede local 422 e a Internet 428, ambos, usam sinais elétricos, eletromagnéticos ou ópticos que conduzem os fluxos de dados digitais. Os sinais através das várias redes e dos sinais no enlace de rede 420 e através da interface de comunicação 418, que conduzem os dados digitais para e a partir do sistema de computador 400, são formas exemplificativas de mídia de transmissão.[106] Network link 420 typically provides data communication over one or more networks to other data devices. For example, network link 420 may provide a connection via local area network 422 to a host computer 424 or to data equipment operated by an Internet Service Provider (ISP) 426. ISP 426, in turn, provides data communication over the worldwide packet data communication network now commonly called the "Internet" 428. The local area network 422 and the Internet 428 both use electrical, electromagnetic, or optical signals that drive digital data streams . The signals across the various networks and the signals on the network link 420 and through the communications interface 418, which carry digital data to and from the computer system 400, are exemplary forms of transmission media.
[107] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da rede (ou redes), enlace de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicação através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.[107] Computer system 400 can send messages and receive data, including program code, over the network (or networks), network link 420 and communication interface 418. In the Internet example, a server 430 can transmit a code requested for an application program via the Internet 428, ISP 426, local network 422, and communication interface 418.
[108] O código recebido pode ser executado pelo processador 404 conforme é recebido e/ou armazenado no dispositivo de armazenamento 410 ou outro armazenamento não volátil para execução posterior.[108] The received code may be executed by the processor 404 as it is received and/or stored in the storage device 410 or other non-volatile storage for later execution.
[109] Coletar informações sobre rendimentos de culturas colhidas de campos agrícolas normalmente envolve coletar grandes quantidades de itens de dados de medição. Os conjuntos de dados coletados podem ser especialmente grandes se os campos forem grandes e as informações são coletadas frequentemente e durante longos períodos de tempo. Por exemplo, se as medições de dados que representam os rendimentos colhidos são gravadas em um ou dois intervalos de segundo como colheitadeiras combinadas de colheita de culturas de milhares de acres de campos, então, o conjunto de dados coletado pode incluir uma grande quantidade de itens de dados. Mas mesmo se as culturas forem colhidas a partir de pequenos campos agrícolas em curtos intervalos de tempo, a coleta das medições de rendimento pode causar a geração de grandes conjuntos de dados, que, em alguns casos, podem incluir de dezenas a centenas de milhares de itens de dados.[109] Collecting information about crop yields harvested from agricultural fields typically involves collecting large quantities of measurement data items. Collected data sets can be especially large if the fields are large and the information is collected frequently and over long periods of time. For example, if data measurements representing harvested yields are recorded at one or two second intervals as combine harvesters harvest crops from thousands of acres of fields, then the collected data set may include a large number of items of data. But even if crops are harvested from small agricultural fields in short time intervals, collecting yield measurements can cause the generation of large data sets, which in some cases can include tens to hundreds of thousands of data items.
[110] Os dados empíricos mostram que histogramas derivados de dados que representam medições de rendimento não são normalmente distribuídos. Muitas vezes, as distribuições de rendimento bruto não são normais e, às vezes, podem ser negativamente distorcidas, por exemplo, ao longo de caudas de baixo rendimento. Em algumas situações, as distribuições brutas de rendimentos podem ser negativamente distorcidas se assemelhando à distribuição normal truncada para a direita, como uma distorção predominantemente negativa e um valor de curtose quase zero. Em outras situações, alguma distribuição de dados de rendimento indica propriedade de distorção negativa. Algumas das razões para a distribuição não normal dos dados de rendimento bruto incluem imprecisões do equipamento de medição instalado em uma ceifeira debulhadora de colheita. Uma vez que os dados contendo erros são eliminados, os histogramas derivados dos dados descontaminados perdem, com maior probabilidade, sua propriedade de distribuição não normal. Por exemplo, pode haver alguma variabilidade espacial no campo ou um fazendeiro pode cultivar tiras de diferentes híbridos no mesmo campo. Em pelo menos aqueles dois casos, os histogramas correspondentes podem não ter uma distribuição normal.[110] Empirical data shows that histograms derived from data representing yield measurements are not normally distributed. Gross income distributions are often not normal and can sometimes be negatively skewed, for example along low-income tails. In some situations, gross income distributions may be negatively skewed, resembling the normal distribution truncated to the right, with a predominantly negative skew and a near-zero kurtosis value. In other situations, some distribution of yield data indicates negative skew property. Some of the reasons for non-normal distribution of gross yield data include inaccuracies of measuring equipment installed on a harvest combine. Once the data containing errors are eliminated, the histograms derived from the decontaminated data most likely lose their non-normal distribution property. For example, there may be some spatial variability in the field or a farmer may grow strips of different hybrids in the same field. In at least those two cases, the corresponding histograms may not have a normal distribution.
[111] A contaminação de divergência em mapas de rendimento bruto pode ser atribuída a um número de irregularidades que ocorrem à medida que a cultura é colhida. Algumas das irregularidades incluem atrasos de tempo causados pela dinâmica de colheita assim como condições de colheita. Por exemplo, as medições dos campos também podem ser contaminadas quando os sensores e aparelho de medição estiverem calibrados incorretamente. Para registrar corretamente as quantidades de cultura colhida, o aparelho de coleta de dados instalado em uma colheitadeira combinada precisa ser ajustado e definido corretamente. Por exemplo, para coletar dados precisos, os operadores de equipamento precisam calibrar um intervalo de toragem de colheitadeira, uma distância de atraso de passo inicial, registro de começo e fim de passos, etc. se as definições forem registradas erroneamente, então, os dados coletados sobre o rendimento coletado pode estar incorreto.[111] Divergence contamination in gross yield maps can be attributed to a number of irregularities that occur as the crop is harvested. Some of the irregularities include time delays caused by harvesting dynamics as well as harvesting conditions. For example, field measurements can also be contaminated when sensors and measuring devices are incorrectly calibrated. To correctly record crop quantities harvested, the data collection apparatus installed on a combine harvester needs to be adjusted and set correctly. For example, to collect accurate data, equipment operators need to calibrate a combine harvesting interval, initial pitch delay distance, start and end stride recording, etc. If the definitions are recorded incorrectly, then the data collected on the yield collected may be incorrect.
[112] As medições também podem estar contaminadas devido ao atraso entre o momento quando a cultura é, de fato, cortada e o momento quando o grão é, de fato, medido por um sensor instalado em uma colheitadeira combinada. O atraso pode ser medido como uma defasagem de fluxo, e pode corresponder a uma diferença de tempo entre o tempo quando a cultura é cortada e o tempo quando o grão chega a um sensor de fluxo de massa montado no topo da colheitadeira. O erro pode resultar em mudança das medições de tal modo que a medição indica o local do fluxo de massa de grão atual que não corresponde ao local atual do qual o fluxo de grão foi coletado. Por exemplo, no momento em que o sensor de fluxo detectar o fluxo de massa específico, um local de GPS da colheitadeira combinada pode mudar e o atraso medido frequentemente em segundos pode não corresponder às leituras do GPS.[112] Measurements may also be contaminated due to the delay between the time when the crop is actually cut and the time when the grain is actually measured by a sensor installed in a combine harvester. The delay can be measured as a flow lag, and can correspond to a time difference between the time when the crop is cut and the time when the grain reaches a mass flow sensor mounted on the top of the combine. The error may result in the measurements changing such that the measurement indicates the location of the current grain mass flow that does not correspond to the current location from which the grain flow was collected. For example, the moment the flow sensor detects the specific mass flow, a combine harvester's GPS location may change and the delay often measured in seconds may not match the GPS readings.
[113] Os dados que representam o rendimento das culturas colhidas também podem ser contaminados devido a um atraso introduzido por uma transportadora de grãos de uma colheitadeira combinada. Isso é frequentemente denominado como um atraso de modo de fluxo de colheitadeira ou um atraso de passo inicial. O atraso de passo inicial pode ser medido como um atraso entre uma partida do passo indicado por um sensor de GPS e o momento quando uma transportadora de grãos se encher no começo de um passo da colheita. Também pode haver um atraso de modo de fluxo de colheitadeira, também denominado como um atraso de passo final. O atraso de passo final pode ser medido como um atraso entre o momento quando um sensor de GPS indicou um fim do passo da colheitadeira e o momento quando uma transportadora de grãos for esvaziada no fim do passo de colheitadeira.[113] Data representing the yield of harvested crops can also be contaminated due to a delay introduced by a grain conveyor of a combine harvester. This is often referred to as a combine flow mode delay or an initial step delay. The initial step delay can be measured as a delay between a departure from the step indicated by a GPS sensor and the moment when a grain conveyor fills at the beginning of a harvest step. There may also be a combine flow mode delay, also referred to as an end step delay. End step delay can be measured as a delay between the time when a GPS sensor indicated an end of the combine pass and the time when a grain conveyor is emptied at the end of the combine pass.
[114] Ademais, as medições de rendimento das culturas colhidas podem ser contaminadas devido às alterações abruptas na velocidade com a qual uma colheitadeira combinada atravessa um campo. As alterações abruptas na velocidade podem resultar na obtenção de medições de rendimento não realísticas. Dependendo do quão abruptas as alterações na velocidade são, as medições podem ser muito altas ou muito baixas. Se a colheitadeira combinada acelerar abruptamente, então, as medições de rendimento podem parecer ser erroneamente baixas. No entanto, se a colheitadeira combinada desacelerar abruptamente, então, as medições de rendimento podem ser erroneamente altas.[114] Furthermore, yield measurements of harvested crops can be contaminated due to abrupt changes in the speed at which a combine harvester traverses a field. Abrupt changes in speed may result in unrealistic performance measurements being obtained. Depending on how abrupt the changes in speed are, measurements may be too high or too low. If the combine harvester accelerates abruptly, then yield measurements may appear to be erroneously low. However, if the combine harvester slows down abruptly, then yield measurements may be erroneously high.
[115] As medições dos rendimentos também podem estar contaminadas quando forem coletadas no momento em que a colheitadeira combinada fizer curvas acentuadas. Também, as medições podem ser contaminadas no momento em que uma colheitadeira combinada mudar os comprimentos de segmento de barra (faixa de plantio), que pode acontecer quando a colheitadeira fizer curvas acentuadas. As medições também podem estar contaminadas quando informações de GPS precisas não estiverem disponíveis ou não puderem ser associadas às medições. A falta de informações de GPS precisas pode resultar em um mapa de rendimento que é deslocado por todo o campo, que é denominado como um erro sistemático, ou é deslocado para algum local incorreto, que é denominado como um erro localizado. Um erro sistemático pode afetar todo o conjunto de dados de medição, e pode ser identificado visualmente uma vez que o mapa de campo resultante não será alinhado com as delimitações atuais do campo. Um erro localizado pode afetar um pequeno número de medições, como as medições identificadas conforme coletadas do mesmo local no campo.[115] Yield measurements may also be contaminated when collected at a time when the combine harvester makes sharp turns. Also, measurements can be contaminated when a combine harvester changes boom segment (planting strip) lengths, which can happen when the combine makes sharp turns. Measurements can also be contaminated when accurate GPS information is not available or cannot be linked to the measurements. Lack of accurate GPS information can result in a yield map that is shifted across the entire field, which is termed as a systematic error, or is shifted to some incorrect location, which is termed as a localized error. A systematic error can affect the entire measurement data set, and can be identified visually as the resulting field map will not align with the current field boundaries. A localized error may affect a small number of measurements, such as measurements identified as collected from the same location in the field.
[116] A contaminação de dados também pode ser causada pelas circunstâncias locais que envolvem o processo de colheita. As circunstâncias podem incluir condições secas, úmidas ou poeirentas presentes durante a colheita que podem afetar indevidamente as medições da umidade do grão. Uma vez que o rendimento calculado depende da umidade do grão, as medições de umidade errôneas podem levar às medições de rendimento errôneas. Por exemplo, as condições secas podem causar baixa umidade de grão e, então, as medições coletadas nas condições secas podem ser menores que os rendimentos atuais de cultura. Por outro lado, as condições úmidas podem causar alta umidade de grão e, então, as medições coletadas nas condições úmidas podem ser maiores do que os rendimentos atuais.[116] Data contamination can also be caused by local circumstances surrounding the harvesting process. Circumstances may include dry, wet or dusty conditions present during harvest that may unduly affect grain moisture measurements. Since the calculated yield depends on grain moisture, erroneous moisture measurements can lead to erroneous yield measurements. For example, dry conditions can cause low grain moisture and therefore measurements collected in dry conditions may be lower than current crop yields. On the other hand, wet conditions can cause high grain moisture and so measurements collected in wet conditions may be higher than current yields.
[117] Em uma modalidade, as técnicas implantadas em computador apresentadas são direcionadas a uma abordagem para descontaminar dados que representam rendimentos de culturas colhidas dos campos agrícolas. O processo pode incluir um ou mais estágios, e cada estágio pode ser direcionado à filtragem dos dados descontaminados de um determinado tipo ou que tem determinadas características. Por exemplo, embora um estágio possa ser direcionado à filtragem de dados contaminados que podem ter sido coletados por meio de sensores com mau funcionamento instalados em colheitadeiras combinadas, um outro estágio pode ser direcionado para remover os dados que parecem ser duplicados, e semelhantes.[117] In one embodiment, the presented computer-implemented techniques are directed toward an approach for decontaminating data representing crop yields harvested from agricultural fields. The process may include one or more stages, and each stage may be directed to filtering decontaminated data of a certain type or having certain characteristics. For example, while one stage may be directed at filtering contaminated data that may have been collected through malfunctioning sensors installed in combine harvesters, another stage may be directed at removing data that appears to be duplicates, and the like.
[118] A Figura 5 é um diagrama de fluxo que representa um método ou algoritmo exemplificativo para descontaminar dados de rendimento de culturas combinando-se filtros especializados com detectores de divergência espacial. Em uma modalidade, um processo de descontaminação de dados que representa rendimentos de culturas começa na etapa 502, em que os dados digitais eletrônicos que representam rendimentos de cultura colhidos de um ou mais campos agrícolas são recebidos. Os dados digitais eletrônicos também são denominados no presente documento como primeiros dados de rendimento e podem ser recebidos de uma variedade de fontes. No contexto de descontaminação dos dados de rendimento, os primeiros dados de rendimento podem ser recebidos de bancos de dados de computador, repositórios de dados ou quaisquer outros armazenamentos de dados configurados para armazenar as informações sobre as culturas. Os primeiros dados de rendimento podem ser recebidos na uma ou mais redes de computador que conectam o banco de dados do computador ou os repositórios ao sistema de computador configurado para implantar a abordagem de descontaminação de dados.[118] Figure 5 is a flow diagram representing an exemplary method or algorithm for decontaminating crop yield data by combining specialized filters with spatial divergence detectors. In one embodiment, a process of decontaminating data representing crop yields begins at step 502, in which electronic digital data representing crop yields harvested from one or more agricultural fields is received. Electronic digital data is also referred to herein as first yield data and can be received from a variety of sources. In the context of yield data decontamination, the first yield data may be received from computer databases, data repositories, or any other data stores configured to store crop information. The first performance data may be received on the one or more computer networks that connect the computer database or repositories to the computer system configured to implement the data decontamination approach.
[119] Na etapa 504, um ou mais filtros implantados em software são selecionados para serem aplicados aos primeiros dados de rendimento recebidos. Exemplos dos filtros são descritos nas Figuras 6 a 10.[119] In step 504, one or more software-implemented filters are selected to be applied to the first received yield data. Examples of the filters are described in Figures 6 to 10.
[120] Na etapa 506, os primeiros dados de rendimento que representam rendimentos de cultura colhidos dos campos agrícolas são processados com o uso de instruções de detecção de divergência de filtro no sistema de computador. O processamento pode incluir aplicar um ou mais filtros selecionados para os primeiros dados de rendimento para identificar primeiros dados de divergência nos primeiros dados de rendimento. Exemplos desse tipo de processamento são descritos na Figura 6 a 10. Os primeiros dados de divergência podem incluir dados que são considerados contaminados. Tais itens de dados também podem ser filtrados a partir dos primeiros dados de rendimento. Opcionalmente, um usuário pode escolher gerar e exibir uma representação gráfica dos primeiros dados de rendimento com os locais dos primeiros dados de divergência identificados em um mapa de rendimento.[120] In step 506, the first yield data representing crop yields harvested from agricultural fields is processed using filter divergence detection instructions in the computer system. Processing may include applying one or more selected filters to the first yield data to identify first divergence data in the first yield data. Examples of this type of processing are described in Figure 6-10. The first divergence data may include data that is considered tainted. Such data items can also be filtered from the first yield data. Optionally, a user may choose to generate and display a graphical representation of the first yield data with the locations of the first divergence data identified on a yield map.
[121] Os dados contaminados podem incluir os dados que são considerados errôneos ou potencialmente errôneos. Tais dados podem incluir os dados que foram capturados por sensores defeituosos ou os dados incorretamente capturados por engrenagem desalinhada usada para rendimentos de colheitas de culturas de campos agrícolas. Por exemplo, os dados contaminados podem incluir os dados que foram incorretamente registrados devido aos sensores calibrados inadequadamente instalados em ceifeiras debulhadoras que colhem as culturas. Tais dados também podem incluir os dados que contêm erros introduzidos por largura de barra de colheitadeira não solucionada de uma ceifeira debulhadora de colheita, velocidade de colheitadeira variante com a qual uma ceifeira debulhadora colhe as culturas, acabamentos estreitos dos passos de colheita, e voltas e sobreposições de colheitadeira. As várias fontes de contaminação de dados são descritas nas seções anteriores.[121] Contaminated data may include data that is considered erroneous or potentially erroneous. Such data may include data that was captured by faulty sensors or data incorrectly captured by misaligned gear used to harvest crop yields from agricultural fields. For example, contaminated data may include data that was incorrectly recorded due to improperly calibrated sensors installed on combine harvesters that harvest crops. Such data may also include data that contains errors introduced by unresolved combine bar width of a harvesting combine, varying combine speed with which a combine harvester harvests crops, close finishes of harvesting steps, and turns and combine overlays. The various sources of data contamination are described in the previous sections.
[122] Na etapa 508, é realizado um teste para determinar se todos os filtros foram sido aplicados aos primeiros dados de rendimento. Se todos os filtros terem sido aplicados aos primeiros dados de rendimento, então, a etapa 510 é realizada. De outro modo, outro filtro é selecionado, e o filtro recentemente selecionado é aplicado aos primeiros dados de rendimento na etapa 506.[122] In step 508, a test is performed to determine whether all filters have been applied to the first yield data. If all filters have been applied to the first yield data, then step 510 is performed. Otherwise, another filter is selected, and the newly selected filter is applied to the first yield data in step 506.
[123] Na etapa 510, os primeiros dados filtrados são gerados a partir dos primeiros dados de rendimento. Os dados contaminados são chamados primeiros dados de divergência. Os primeiros dados de divergência incluem um ou mais itens do primeiro rendimento dos dados que incluem dados incorretos, ou os dados que são potencialmente incorretos. Na etapa 510, os primeiros itens de dados de divergência são removidos do primeiro conjunto de dados de rendimento. O subconjunto resultante dos primeiros dados de rendimento contém os itens de dados denominados primeiros dados filtrados, ou um primeiro conjunto de dados filtrados. O primeiro conjunto de dados filtrados pode ser submetido a processamento e análise adicionais.[123] In step 510, the first filtered data is generated from the first yield data. The contaminated data is called first divergence data. The first divergence data includes one or more items from the first data yield that include incorrect data, or data that is potentially incorrect. In step 510, the first divergence data items are removed from the first yield data set. The resulting subset of the first yield data contains the data items called first filtered data, or a first set of filtered data. The first set of filtered data can be subjected to further processing and analysis.
[124] Em uma modalidade, os primeiros dados de divergência não são removidos dos primeiros dados de rendimento, mas, em vez disso, são sinalizados como potencialmente contendo erros. Sinalizar um item de dados pode incluir atribuir uma sinalização ou um indicador para o item de dados para indicar que o item potencialmente contém informações contaminadas.[124] In one embodiment, the first divergence data is not removed from the first yield data, but instead is flagged as potentially containing errors. Flagging a data item may include assigning a flag or indicator to the data item to indicate that the item potentially contains tainted information.
[125] Os primeiros dados filtrados podem ser fornecidos a um usuário, ou podem exigir processamento adicional. O processamento adicional pode ser realizado com o uso de abordagens diferentes, com o uso de filtros diferentes ou com o uso de outro estágio do processo de descontaminação de dados descritos abaixo.[125] The first filtered data may be provided to a user, or may require additional processing. Additional processing may be performed using different approaches, using different filters, or using another stage of the data decontamination process described below.
[126] Na etapa 512, é executado um estágio de detecção de divergência espacial do processo de descontaminação de dados. Nessa etapa, são selecionados um ou mais detectores de divergência espacial. Vários tipos dos detectores de divergência espacial são descritos na Figura 11 e na Figura 12.[126] In step 512, a spatial divergence detection stage of the data decontamination process is performed. In this step, one or more spatial divergence detectors are selected. Various types of spatial divergence detectors are described in Figure 11 and Figure 12.
[127] Na etapa 514, um processo de detecção de divergência espacial é executado nos primeiros dados filtrados. Executar o processo de detecção de divergência espacial pode envolver executar, nos primeiros dados filtrados, instruções de detecção de divergência espacial implantadas no sistema de computador. Esse tipo de processamento pode incluir identificar, nos primeiros dados filtrados, os segundos dados de divergência que representam um ou mais valores de divergência que são determinados como incorretos, ou potencialmente incorretos. Exemplos desse tipo de processamento são descritos na Figura 11 e na Figura 12.[127] In step 514, a spatial divergence detection process is performed on the first filtered data. Performing the spatial divergence detection process may involve executing, on the first filtered data, spatial divergence detection instructions implanted in the computer system. This type of processing may include identifying, in the first filtered data, second divergence data that represents one or more divergence values that are determined to be incorrect, or potentially incorrect. Examples of this type of processing are described in Figure 11 and Figure 12.
[128] Na etapa 516, um teste é realizado para determinar se todos os detectores de divergência espacial foram aplicados aos primeiros dados filtrados para identificar os segundos dados de divergência. Se todos os filtros terem sido aplicados aos primeiros dados de rendimento, então, a etapa 518 é realizada. De outro modo, outro detector de divergência espacial é selecionado, e o detector de divergência espacial recentemente selecionado é aplicado aos primeiros dados filtrados na etapa 514.[128] In step 516, a test is performed to determine whether all spatial divergence detectors have been applied to the first filtered data to identify the second divergence data. If all filters have been applied to the first yield data, then step 518 is performed. Otherwise, another spatial divergence detector is selected, and the newly selected spatial divergence detector is applied to the first filtered data in step 514.
[129] Na etapa 518, são gerados os segundos dados de divergência. Um item de dados pode ser identificado como um segundo item de dados de divergência se o item de dados contiver uma ou mais características de divergência. Tais características podem incluir características espaciais dos itens de dados em um grupo de itens de dados vizinhos, características com base em peso dos itens de dados em um grupo de itens de dados vizinhos, e semelhantes.[129] In step 518, the second divergence data is generated. A data item can be identified as a second divergence data item if the data item contains one or more divergence characteristics. Such characteristics may include spatial characteristics of the data items in a group of neighboring data items, weight-based characteristics of the data items in a group of neighboring data items, and the like.
[130] Características de divergência são frequentemente determinadas para um grupo de itens de dados. O processo de determinar as características de divergência pode ser implantado em uma variedade de formas, e a implantação do processo não é limitada a qualquer abordagem particular. Uma forma de implantar o processo de determinação das características de divergência envolve determinar um grupo de conjuntos de dados vizinhos, determinar um valor mediano médio para o grupo, e com base no valor médio agregado, determinar se um item de dados particular no grupo contém dados errôneos. Uma implantação particular do processo pode envolver determinar, para um item de dados particulares dos primeiros itens de dados filtrados, um grupo de primeiros dados filtrados vizinhos, computar um valor médio agregado para os itens de dados no grupo dos primeiros dados filtrados vizinhos, e comparar o valor médio agregado com um valor limiar ou uma faixa limiar para determinar se o item de dados particular contém um erro. Uma faixa limiar pode indicar uma faixa aceitável de valores para os primeiros dados filtrados. Se o valor médio agregado não estiver na faixa limiar, então, o primeiro item de dados filtrados particular pode ser incluído em um segundo conjunto de dados de divergência, e subsequentemente sinalizados ou excluídos dos primeiros dados filtrados.[130] Divergence characteristics are often determined for a group of data items. The process of determining divergence characteristics can be implemented in a variety of ways, and implementation of the process is not limited to any particular approach. One way to implement the process of determining divergence characteristics involves determining a group of neighboring data sets, determining an average median value for the group, and based on the aggregate mean value, determining whether a particular data item in the group contains data erroneous. A particular implementation of the process may involve determining, for a particular data item from the first filtered data items, a group of neighboring first filtered data items, computing an aggregate mean value for the data items in the group of neighboring first filtered data items, and comparing the average value aggregated with a threshold value or a threshold range to determine whether the particular data item contains an error. A threshold range may indicate an acceptable range of values for the first filtered data. If the aggregate mean value is not in the threshold range, then the first particular filtered data item may be included in a second divergence data set, and subsequently flagged or excluded from the first filtered data.
[131] Um item de dados particular é sinalizado ou excluído do primeiro conjunto de dados filtrados se o item de dados particular representar o valor de cultura de rendimento está provavelmente errado. Por exemplo, se o item de dados particular representar um valor de cultura de rendimento que está muito distante do valor mediano médio computado para os itens de dados vizinhos, então, o item de dados particular provavelmente inclui dados de cultura de rendimento imprecisos. Tais itens de dados podem ser usados para gerar segundos dados de divergência.[131] A particular data item is flagged or excluded from the first filtered data set if the particular data item representing the yield crop value is likely to be wrong. For example, if the particular data item represents a yield crop value that is far removed from the mean median value computed for neighboring data items, then the particular data item likely includes inaccurate yield crop data. Such data items can be used to generate second divergence data.
[132] O processo de determinação de segundos dados de divergência pode ser repetido para cada e todos os primeiros itens de dados filtrados individuais, grupos de primeiros itens de dados filtrados e grupos de grupos de primeiros itens de dados filtrados. O processo também pode ser repetido apenas para os itens de dados que foram sinalizados pelo estágio com base em filtro como potencialmente contendo erros.[132] The process of determining second divergence data may be repeated for each and all individual first filtered data items, groups of first filtered data items, and groups of groups of first filtered data items. The process can also be repeated only for those data items that have been flagged by the filter-based stage as potentially containing errors.
[133] Na etapa 520, uma representação gráfica de segundos dados filtrados é gerada e exibida para um usuário.[133] In step 520, a graphical representation of second filtered data is generated and displayed to a user.
[134] Itens de dados que são determinados como não contendo erros, ou potencialmente não contendo erros, podem ser fornecidos para um usuário, e apresentados para o usuário em uma representação gráfica em uma interface gráfica de usuário. A representação gráfica dos itens de dados pode ser gerada com o uso de uma camada de apresentação do sistema de computador. A mesma camada de apresentação, ou uma camada semelhante, pode ocasionar a exibição da representação gráfica dos itens de dados em um dispositivo de usuário, tal como um dispositivo móvel, um computador do tipo laptop, um computador do tipo tablet e semelhantes.[134] Data items that are determined to be error-free, or potentially error-free, may be provided to a user, and presented to the user in a graphical representation in a graphical user interface. Graphical representation of data items can be generated using a presentation layer of the computer system. The same presentation layer, or a similar layer, may cause display of the graphical representation of the data items on a user device, such as a mobile device, a laptop-type computer, a tablet-type computer, and the like.
[135] Em uma modalidade, além de, ou em vez de fornecer os itens de dados determinados para não conter erros, ou potencialmente não conter erros, o sistema pode fornecer ao usuário os itens de dados que foram sinalizados como contendo erros ou potencialmente contendo erros. Esses itens de dados podem ser graficamente representados em uma forma que distinga tais itens dos itens de dados que são determinados para não conter erros. Por exemplo, esses itens de dados podem ser exibidos em um agrupamento separado, com títulos separados e semelhantes.[135] In one embodiment, in addition to, or instead of, providing the data items determined to be error-free, or potentially error-free, the system may provide the user with data items that have been flagged as containing errors or potentially containing errors. errors. Such data items may be graphically represented in a form that distinguishes such items from data items that are determined not to contain errors. For example, these data items can be displayed in a separate grouping, with separate and similar titles.
[136] Em uma modalidade, um estágio de filtragem do processo de descontaminação de dados que representam rendimentos de culturas utiliza uma abordagem com base em filtro de aplicação de um ou mais filtros aos primeiros dados de rendimento. Os filtros são aplicados para identificar os itens de dados que contém, ou podem conter, erros. Os itens de dados que contém erros ou podem conter erros são denominados como primeiros dados de divergência e podem ser sinalizados ou filtrados a partir do primeiro conjunto de dados de rendimento. Os itens de dados resultantes são denominados primeiros dados filtrados, e incluem os itens de dados que estão isentos dos erros detectados com o uso da abordagem com base em filtro. Qualquer um ou mais dentre os filtros descritos nas seguintes seções podem ser usados, sozinhos ou em qualquer combinação de dois ou mais filtros, em várias modalidades. Desse modo, a enumeração e descrição de uma pluralidade de filtros nas seguintes seções não exige que todas as modalidades usem todos os filtros.[136] In one embodiment, a filtering stage of the process of decontaminating data representing crop yields utilizes a filter-based approach of applying one or more filters to the first yield data. Filters are applied to identify data items that contain, or may contain, errors. Data items that contain errors or may contain errors are referred to as first divergence data and can be flagged or filtered from the first set of yield data. The resulting data items are called first filtered data, and include data items that are free from the errors detected using the filter-based approach. Any one or more of the filters described in the following sections can be used, alone or in any combination of two or more filters, in various embodiments. Thus, the enumeration and description of a plurality of filters in the following sections does not require that all embodiments use all filters.
[137] No contexto de colheita de cultura, um passo é um ciclo de colheita durante o qual a cultura é colhida por uma ceifeira debulhadora. A cultura pode ser colhida com o uso, por exemplo, de um método de um passo, ou um método de duas passos. Em um método de um passo, a biomassa e madeira arredondada ou troncos de serra são colhidos e são recuperados simultaneamente. Em um método de duas passos, a colheita e a recuperação de madeira arredondada e material de biomassa são realizadas em passos separadas. Tipicamente, cada passo é identificado por um identificador de passo, e informações sobre identificadores de passo são incluídas em dados de medição.[137] In the context of crop harvesting, a step is a harvest cycle during which the crop is harvested by a combine harvester. The crop can be harvested using, for example, a one-step method, or a two-step method. In a one-step method, biomass and roundwood or saw logs are harvested and recovered simultaneously. In a two-step method, harvesting and recovery of roundwood and biomass material are carried out in separate steps. Typically, each step is identified by a step identifier, and information about step identifiers is included in measurement data.
[138] As gravações sobre os passos de colheita são frequentemente precisas, e, portanto, as informações sobre o início e o fim de cada passo estão frequentemente disponíveis. No entanto, em algumas situações, as informações sobre os passos podem estar indisponíveis ou podem ter sido incorretamente gravadas.[138] Recordings of harvesting steps are often accurate, and therefore information about the start and end of each step is often available. However, in some situations, step information may be unavailable or may have been incorrectly recorded.
[139] Um filtro de identificação de passagem permite identificar instâncias em que identificadores de passagem são incorretamente gravados ou estão ausentes. A abordagem depende de duas quantidades-chave: (1) os tempos de GPS gravados entre observações consecutivas, e (2) os ângulos calculados entre a observação atual, a observação anterior, e a observação seguinte.[139] A pass ID filter allows you to identify instances where pass IDs are incorrectly recorded or missing. The approach depends on two key quantities: (1) the recorded GPS times between consecutive observations, and (2) the calculated angles between the current observation, the previous observation, and the next observation.
[140] Em uma modalidade, a abordagem identifica um conjunto de observações de acordo com a ordem de tempo na qual as observações foram gravadas, e verifica: (1) se o tempo entre a observação atual e a observação seguinte é maior que o intervalo de toragem médio, e (2) se o ângulo entre a observação anterior, a observação atual e a observação seguinte é significativamente menor que π. Se ambas as condições forem satisfeitas, então, a observação atual é considerada como o início de uma nova passagem. Um intervalo de toragem é o tempo entre duas medições consecutivas. Tipicamente, um intervalo de toragem é estabelecido no início da colheita. Por exemplo, um intervalo de toragem pode ser estabelecido para um 1 segundo intervalo, ou um 2 segundo intervalo, e semelhantes.[140] In one embodiment, the approach identifies a set of observations according to the time order in which the observations were recorded, and checks: (1) whether the time between the current observation and the next observation is greater than the interval of average torsion, and (2) whether the angle between the previous observation, the current observation and the next observation is significantly less than π. If both conditions are satisfied, then the current observation is considered as the beginning of a new passage. A torque interval is the time between two consecutive measurements. Typically, a harvesting interval is established at the beginning of the harvest. For example, a torque interval may be set to a 1 second interval, or a 2 second interval, and the like.
[141] A Figura 6 é um fluxograma que representa um método exemplificativo ou algoritmo para realizar um teste de identificação de passo em dados de rendimento de culturas.[141] Figure 6 is a flowchart representing an exemplary method or algorithm for performing a step identification test on crop yield data.
[142] Na etapa 602, uma pluralidade de identificadores de passagem associados aos primeiros dados de rendimento é identificada. Uma pluralidade de identificadores de passagem identifica passagens reais durante as quais os primeiros dados de rendimento foram gravados conforme uma ceifeira debulhadora atravessava o campo agrícola.[142] In step 602, a plurality of pass identifiers associated with the first yield data are identified. A plurality of pass identifiers identify actual passes during which the first yield data was recorded as a combine harvester traversed the agricultural field.
[143] Na etapa 604, uma pluralidade de tempos de sistema de posicionamento global (GPS) nos primeiros dados de rendimento é identificada. Um tempo de GPS da pluralidade de tempos de GPS identifica um período de tempo real que decorre entre a gravação de dois valores de primeiros dados de rendimento consecutivos.[143] In step 604, a plurality of global positioning system (GPS) times in the first yield data are identified. A GPS time of the plurality of GPS times identifies a real time period that elapses between the recording of two first consecutive yield data values.
[144] Na etapa 606, com base pelo menos em parte na pluralidade de tempos de GPS, uma pluralidade de passagens reais para a qual os primeiros dados de rendimento foram gravados conforme uma ceifeira debulhadora atravessou o campo agrícola é identificada.[144] In step 606, based at least in part on the plurality of GPS times, a plurality of actual passes for which the first yield data was recorded as a combine harvester traversed the agricultural field are identified.
[145] Na etapa 608, com base pelo menos em parte na pluralidade de identificadores de passagem e na pluralidade de passagens reais, é feita uma determinação quanto à pluralidade de identificadores de passagem ser incorretamente atribuída aos primeiros dados de rendimento. Se a determinação for positiva, então, na etapa 610, uma maneira na qual pluralidade de identificadores de passagem é atribuída aos primeiros dados de rendimento está corrigida.[145] In step 608, based at least in part on the plurality of passage identifiers and the plurality of actual passages, a determination is made as to whether the plurality of passage identifiers is incorrectly assigned to the first yield data. If the determination is positive, then, in step 610, a manner in which plurality of passage identifiers are assigned to the first yield data is fixed.
[146] Na etapa 612, o processo para realizar um teste de identificação de passagem dos primeiros dados de rendimento para. Nesse ponto, a atribuição dos identificadores de passagem aos primeiros dados de rendimento está correta.[146] In step 612, the process for performing a pass identification test of the first yield data stops. At this point, the assignment of the pass identifiers to the first yield data is correct.
[147] Em uma modalidade, um filtro de passagem curta é projetado para identificar os primeiros dados de rendimento parecem corresponder a passos anormalmente curtas. Os passos curtos, também denominadas segmentos curtos, são conhecidas por produzir medições de rendimento não confiáveis, e, desse modo, as medições correspondentes aos passos curtos são frequentemente sinalizadas ou eliminadas dos primeiros dados de rendimento.[147] In one embodiment, a short pass filter is designed to identify the first yield data that appears to correspond to abnormally short steps. Short steps, also called short segments, are known to produce unreliable yield measurements, and therefore measurements corresponding to short steps are often flagged or eliminated from the first yield data.
[148] As medições de sinalização ou eliminação associadas a passos curtas podem incluir definir um limite inferior no número de observações esperado em uma passagem, e determinar o período de tempo durante o qual uma ceifeira debulhadora está ociosa ou está fora de um estado de fluxo constante. Os atrasos são frequentemente 10 a 40 segundos de comprimento, e, desse modo, o limite inferior é tipicamente definido como o número de observações gravadas nos intervalos de 10 a 40 segundos de comprimento. Por exemplo, se as medições forem gravadas a cada segundo, então, os passos que contêm menos que 30 observações podem ser considerados muito baixas para serem livres de contaminação.[148] Signaling or elimination measurements associated with short passes may include setting a lower limit on the number of observations expected in one pass, and determining the period of time during which a combine is idle or is out of a flow state constant. The delays are often 10 to 40 seconds long, and thus the lower limit is typically defined as the number of observations recorded in the 10 to 40 second long intervals. For example, if measurements are recorded every second, then steps that contain fewer than 30 observations may be considered too low to be contamination-free.
[149] A Figura 7 é um fluxograma que representa um método exemplificativo ou algoritmo para realizar um teste de filtro de passo curto em dados de rendimento de culturas.[149] Figure 7 is a flowchart representing an exemplary method or algorithm for performing a short step filter test on crop yield data.
[150] Na etapa 702, uma ou mais passagens a partir de uma pluralidade de passagens reais que têm uma duração que não excede um limiar de duração de passagem são identificadas. Esses passos podem ser considerados como muito curtas para serem livres de contaminação.[150] In step 702, one or more passages from a plurality of actual passages that have a duration that does not exceed a passage duration threshold are identified. These steps may be considered too short to be contamination-free.
[151] Na etapa 704, um ou mais primeiros itens de dados de rendimento particulares dos primeiros dados de rendimento que correspondem a uma ou mais passagens são identificados. Esses primeiros itens de dados de rendimento podem corresponder aos passos que foram identificadas como muito curtas para serem livres de contaminação.[151] In step 704, one or more particular first yield data items of the first yield data corresponding to one or more passes are identified. These first yield data items may correspond to steps that were identified as too short to be contamination-free.
[152] Na etapa 706, o um ou mais primeiros itens de dados de rendimento particulares nos primeiros dados de divergência são incluídos. Os itens incluídos nos primeiros dados de divergência são os itens que foram identificados como muito curtos para serem livres de contaminação. Esses itens podem ser sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados de rendimento.[152] In step 706, the one or more first particular yield data items in the first divergence data are included. The items included in the first divergence data are the items that were identified as too short to be free from contamination. These items may be flagged as tainted data or may be excluded from the first yield data.
[153] Uma defasagem de fluxo corresponde ao tempo do momento em que a cultura é cortada por uma ceifeira debulhadora para o momento em que o grão de cultura chega ao sensor de fluxo de massa montado no topo da colheitadeira. A defasagem de fluxo é um erro e resulta na comutação das medições de cultura de modo que a medição de fluxo de grão atual não corresponda à localização de GPS gravada pelo sensor para a medição de grão atual. Quando uma defasagem de fluxo estiver presente, a medição de fluxo de massa de grão atual pode ser associada à localização de GPS de medições subsequentes gravadas alguns segundos após a massa de grão atual ter sido realmente coletada.[153] A flow lag corresponds to the time from the moment the crop is cut by a combine harvester to the moment the crop grain reaches the mass flow sensor mounted on the top of the combine. Flow lag is an error and results in crop measurements being switched so that the current grain flow measurement does not match the GPS location recorded by the sensor for the current grain measurement. When a flow lag is present, the current grain mass flow measurement can be linked to the GPS location of subsequent measurements recorded a few seconds after the current grain mass was actually collected.
[154] A estimativa de uma defasagem de fluxo pode ser realizada por uma inspeção visual dos primeiros dados de rendimento. Em algumas situações, as medições da cultura de rendimento podem ser comutadas em uma quantidade específica, e, então, visualmente inspecionadas pelo usuário. A inspeção visual pode permitir determinar se a comutação tem resultado em aprimoramento do alinhamento dos passos, e, desse modo, pelo menos parcialmente, tem diminuído o “efeito de fechamento” das medições.[154] Estimation of a flow lag can be accomplished by a visual inspection of the first yield data. In some situations, crop yield measurements can be switched by a specific amount, and then visually inspected by the user. Visual inspection can make it possible to determine whether the switching has resulted in an improvement in the alignment of the steps, and thus, at least partially, has reduced the “closing effect” of the measurements.
[155] As comutações podem ser selecionadas manualmente ou automaticamente com o uso de um computador. As comutações diferentes podem ser investigadas, e uma dentre essas pode ser selecionada para realizar um alinhamento dos passos e corrigir a defasagem de fluxo.[155] Switches can be selected manually or automatically using a computer. Different commutations can be investigated, and one of these can be selected to perform step alignment and correct the flow mismatch.
[156] As alterações abruptas em uma velocidade com a qual uma ceifeira debulhadora colhe culturas pode resultar em medições de rendimento não realísticas. Dependendo da velocidade, as medições podem ser muito altas ou muito baixas. Por exemplo, se a velocidade for muito rápida, então, as medições de rendimento podem ser erroneamente muito baixas. Por corolário, se a velocidade for muito baixa, então, as medições de rendimento podem ser erroneamente muito altas.[156] Abrupt changes in the speed at which a combine harvester harvests crops can result in unrealistic yield measurements. Depending on the speed, measurements can be very high or very low. For example, if the speed is too fast, then throughput measurements may be erroneously too low. By corollary, if the speed is too low, then throughput measurements may be erroneously too high.
[157] Um filtro de alteração de velocidade abrupta pode ser projetado para calcular uma velocidade em cada observação com o uso dos tempos de GPS gravados por um sensor, e computar distâncias entre cada uma das duas observações consecutivas. As observações com as velocidades calculadas que são maiores que, por exemplo, 11,26 km/h (7 mph), e as observações com as velocidades calculadas que são menores que, por exemplo, 3,21 km/h (2 mph), podem ser identificadas como contaminadas, e, desse modo, sinalizadas ou removidas dos primeiros dados de rendimento, além disso, as observações para as quais a velocidade calculada se altera, por exemplo, em 20% da localização observada anterior pode ser identificada como contaminada, e, desse modo, sinalizada ou removida dos primeiros dados de rendimento.[157] An abrupt velocity change filter can be designed to calculate a velocity at each observation using GPS times recorded by a sensor, and compute distances between each of two consecutive observations. Observations with calculated speeds that are greater than, for example, 11.26 km/h (7 mph), and observations with calculated speeds that are less than, for example, 3.21 km/h (2 mph) , can be identified as contaminated, and thus flagged or removed from the first performance data, furthermore, observations for which the calculated velocity changes, for example, by 20% from the previous observed location can be identified as contaminated , and thus flagged or removed from the first yield data.
[158] Um atraso de passagem inicial, também denominado um atraso de modo de preenchimento de colheitadeira, é um atraso de tempo durante o qual um transportadora de grão preenche no início de uma passagem de colheita. O atraso de passagem de início pode ter alguns minutos de duração. Um atrasado de passagem de início se inicia quando uma passagem começa e termina quando uma ceifeira debulhadora alcança um estado estacionário. As medições coletadas durante o atraso de passagem de início podem ser sinalizadas como contaminadas ou podem ser removidas dos primeiros dados de rendimento como contaminadas[158] An initial pass delay, also called a combine fill mode delay, is a time delay during which a grain carrier fills at the beginning of a harvest pass. The start handover delay may be a few minutes long. A start pass delay begins when a pass begins and ends when a combine reaches a steady state. Measurements collected during the start pass delay may be flagged as tainted or may be removed from the first throughput data as tainted
[159] Em uma modalidade, um filtro de atraso de passagem inicial opera em cada passagem e remove as primeiras algumas observações que estão em um tempo de atraso de início. Um atraso de passagem de início pode ser determinado com base em dados que indicam passos suficientemente longas e observando-se quanto tempo demora para o fluxo de massa (normalizado por uma velocidade com a qual uma ceifeira debulhadora se move) para alcançar um estado estacionário. Por exemplo, se as primeiras 15 observações parecerem serem coletadas conforme uma ceifeira debulhadora alcança um estado estacionário, então, os dados de rendimento das 15 observações podem ser usados para computar um valor mediano, e pode ser usado para determinar um atraso de passagem de início.[159] In one embodiment, an initial pass delay filter operates on each pass and removes the first few observations that are at a start delay time. A start pass delay can be determined based on data indicating sufficiently long steps and by observing how long it takes for the mass flow (normalized by a speed at which a combine harvester moves) to reach a steady state. For example, if the first 15 observations appear to be collected as a combine harvester reaches a steady state, then the yield data from the 15 observations can be used to compute a median value, and can be used to determine a start-over delay. .
[160] A Figura 8 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de atraso de passo inicial em dados de rendimentos de culturas.[160] Figure 8 is a flow diagram depicting an exemplary method or algorithm for performing an initial step delay filter test on crop yield data.
[161] Na etapa 802, uma pluralidade de passos é identificada.[161] In step 802, a plurality of steps are identified.
[162] Na etapa 804, para cada passagem da pluralidade de passagens reais, é determinado um intervalo de tempo de atraso de início para a ceifeira debulhadora alcançar um estado estacionário de colheita de cultura.[162] In step 804, for each pass of the plurality of actual passes, a start delay time interval for the combine to reach a steady state of crop harvesting is determined.
[163] Na etapa 806, um ou mais primeiros itens de dados de rendimento particulares dos primeiros dados de rendimento que foram coletados durante o intervalo de tempo de atraso de início são identificados e incluídos nos primeiros dados de divergência.[163] In step 806, one or more particular first yield data items from the first yield data that were collected during the start delay time interval are identified and included in the first divergence data.
[164] Na etapa 808, um teste é realizado independentemente de todos os passos terem sido verificadas. Se não, então, outra passagem é verificada na etapa 806.[164] In step 808, a test is performed regardless of whether all steps have been verified. If not, then another pass is checked in step 806.
[165] Na etapa 810, os primeiros itens de dados de divergência são sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados de rendimento. Os primeiros dados de divergência incluem os itens que foram identificados como coletados durante um atraso de passagem curta.[165] In step 810, the first divergence data items are flagged as tainted data or may be excluded from the first yield data. The first divergence data includes items that were identified as collected during a short pass delay.
[166] Um atraso de passagem final, também denominado atraso de modo de finalização de colheitadeira, é um atraso de tempo durante o qual um transportadora de grão é esvaziado no fim de uma passagem de colheita. Um atraso de passagem final pode ser determinado pela inspeção visual dos dados de rendimento coletados, ou aplicando-se filtros implantados por computador.[166] A final pass delay, also called a combine finish mode delay, is a time delay during which a grain conveyor is emptied at the end of a harvest pass. A final pass delay can be determined by visual inspection of the collected yield data, or by applying computer-implemented filters.
[167] Em uma modalidade, um filtro de atraso de passagem final opera em cada passagem e causa a remoção das últimas algumas observações que estão em um tempo de atraso final. Essa abordagem é uma implantação contrária de um filtro de atraso de passagem inicial. Embora o filtro de atraso de passagem inicial remova as primeiras algumas observações que estão em um tempo de atraso inicial, o filtro de atraso de passagem final remove as últimas algumas observações que estão no tempo de atraso final.[167] In one embodiment, an end-pass delay filter operates on each pass and causes the removal of the last few observations that are at an end-delay time. This approach is a counter implementation of an early pass delay filter. Although the early pass delay filter removes the first few observations that are at an early lag time, the late pass delay filter removes the last few observations that are at the final lag time.
[168] Um filtro de atraso de passagem final pode determinar quando o fluxo de massa (normalizado por uma velocidade com a qual uma ceifeira debulhadora se move) deixa um estado estacionário. A partir de tal ponto no tempo até o fim da passagem corresponde a um atraso de tempo final. Os primeiros itens de dados de rendimento, que foram coletados durante tal período de tempo, podem ser identificados como contaminados e, desse modo, sinalizados ou removidos do primeiro conjunto de dados de rendimento.[168] An end-pass delay filter can determine when the mass flow (normalized by a speed at which a combine harvester moves) leaves a steady state. From such a point in time to the end of the passage corresponds to a final time delay. The first yield data items, which were collected during such a period of time, may be identified as contaminated and thereby flagged or removed from the first yield data set.
[169] A Figura 9 é um fluxograma que representa um método exemplificativo ou algoritmo para realizar um teste de filtro de atraso de passo final em dados de rendimento de culturas.[169] Figure 9 is a flowchart representing an exemplary method or algorithm for performing a final step delay filter test on crop yield data.
[170] Na etapa 902, uma pluralidade de passos é identificada.[170] In step 902, a plurality of steps are identified.
[171] Na etapa 904, para cada passagem da pluralidade de passagens reais, é identificado um intervalo de tempo de atraso de término para a ceifeira debulhadora deixar um estado estacionário de colheita de cultura.[171] In step 904, for each pass of the plurality of actual passes, a termination delay time interval for the combine to leave a steady state of crop harvesting is identified.
[172] Na etapa 906, um ou mais primeiros itens de dados de rendimento particulares são identificados nos primeiros dados de rendimento que foram coletados durante o intervalo de tempo de atraso de término e incluídos nos primeiros dados de divergência.[172] In step 906, one or more particular first yield data items are identified in the first yield data that was collected during the termination delay time interval and included in the first divergence data.
[173] Na etapa 908, um teste é realizado independentemente de todos os passos terem sido verificadas. Se não, então, outro passo é verificado na etapa 906.[173] In step 908, a test is performed regardless of whether all steps have been verified. If not, then another step is checked in step 906.
[174] Na etapa 910, os primeiros itens de dados de divergência são sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados de rendimento. Os primeiros dados de divergência incluem os itens que foram identificados como coletados durante um atraso de passagem final.[174] In step 910, the first divergence data items are flagged as tainted data or may be excluded from the first yield data. The first divergence data includes items that were identified as collected during a final pass delay.
[175] Uma faixa de plantio se um comprimento de segmento em barra determinado para um componente de colheita de uma ceifeira debulhadora. O comprimento do segmento de barra pode se alterar conforme a ceifeira debulhadora gira. Medições de faixa de plantio curtas podem causar acabamentos e sobreposições estreitas, e as medições de rendimento coletadas em tais tempos podem ser contaminadas.[175] A planting strip is a bar segment length determined for a harvesting component of a combine harvester. The length of the bar segment may change as the combine rotates. Short planting strip measurements can cause narrow finishes and overlaps, and yield measurements collected at such times can be contaminated.
[176] Um filtro de faixa de plantio baixa pode ser projetado para verificar a faixa de plantio gravada para cada observação. Se a faixa de plantio gravada estiver abaixo de uma largura de barra completa, então, as medições de rendimento associadas podem ser consideradas como contaminadas.[176] A low planting range filter can be designed to check the recorded planting range for each observation. If the recorded planting strip is less than a full bar width, then the associated yield measurements may be considered to be contaminated.
[177] A Figura 10 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar um teste de filtro de faixa de plantio baixa em dados de rendimentos de culturas.[177] Figure 10 is a flow diagram depicting an exemplary method or algorithm for performing a low planting range filter test on crop yield data.
[178] Na etapa 1002, os primeiros dados de rendimento são recuperados.[178] In step 1002, the first yield data is retrieved.
[179] Na etapa 1004, para cada primeiro item de dados de rendimento dos primeiros dados de rendimento, é determinado um valor de faixa de plantio gravado.[179] In step 1004, for each first yield data item of the first yield data, a recorded planting range value is determined.
[180] Na etapa 1006, determina-se se o valor de faixa de plantio gravado não excede um limiar de faixa de plantio. Se o valor de faixa de plantio gravado não exceder um limiar de faixa de plantio, então, o primeiro item de dados de rendimento é incluído nos primeiros dados de divergência.[180] In step 1006, it is determined whether the recorded planting range value does not exceed a planting range threshold. If the recorded planting range value does not exceed a planting range threshold, then the first yield data item is included in the first divergence data.
[181] Na etapa 1008, é realizado um teste quanto todos primeiros itens de dados de rendimento terem sido verificados. Se não, então, outro primeiro item de dados de rendimento é verificado na etapa 1006.[181] In step 1008, a test is performed when all first items of yield data have been verified. If not, then another first yield data item is checked in step 1006.
[182] Na etapa 1010, os primeiros itens de dados de divergência são sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados de rendimento. Os primeiros dados de divergência incluem os itens que foram identificados como colhidos com uma faixa de plantio curta, e, desse modo, contaminados.[182] In step 1010, the first divergence data items are flagged as contaminated data or may be excluded from the first yield data. The first discrepancy data includes items that were identified as harvested with a short planting strip and thus contaminated.
[183] Um estágio de detecção de divergência espacial pode ser executado após a execução de um estágio de filtro-base ou antes do estágio com base em filtro. Alternativamente, um estágio de detecção de divergência espacial pode ser executado como um estágio independente não relacionado a quaisquer outros estágios.[183] A spatial divergence detection stage may be executed after execution of a filter-based stage or before the filter-based stage. Alternatively, a spatial divergence detection stage can be performed as an independent stage unrelated to any other stages.
[184] A execução de um estágio de detecção de divergência espacial do processo de descontaminação de dados inclui determinar um ou mais itens de dados que contêm, ou potencialmente contêm, erros. O um ou mais itens de dados podem sempre ser sinalizados como contendo, ou potencialmente contendo, erros, ou simplesmente removidos do conjunto de dados. Sinalizar o um ou mais itens de dados como contendo, ou potencialmente contendo, erros pode envolver associar um indicador de sinalização aos itens de dados ou, de outro modo, marcar os itens de dados, conforme recomendado para o processamento adicional.[184] Performing a spatial divergence detection stage of the data decontamination process includes determining one or more data items that contain, or potentially contain, errors. The one or more data items can always be flagged as containing, or potentially containing, errors, or simply removed from the data set. Flagging the one or more data items as containing, or potentially containing, errors may involve associating a flag indicator with the data items or otherwise marking the data items as recommended for further processing.
[185] Uma detecção de divergência espacial pode incluir aplicar um ou mais detectores de divergência espacial aos primeiros dados filtrados ou a qualquer tipo de dados fornecidos para os detectores. Os detectores computam pontuações para os primeiros itens de dados filtrados e os itens de dados com pontuações extremas são sinalizados como excepcionais. Os itens de dados com pontuações extremas podem ser denominados segundos itens de dados filtrados ou S- divergências.[185] A spatial divergence detection may include applying one or more spatial divergence detectors to the first filtered data or to any type of data provided to the detectors. Detectors compute scores for the first filtered data items, and data items with extreme scores are flagged as exceptional. Data items with extreme scores can be called second filtered data items or S- divergences.
[186] Um detector de divergência espacial frequentemente computa uma função agregada para cada medição computando-se a função agregada dos k vizinhos mais próximos da medição. A função agregada pode ser computada como um valor médio dos k vizinhos mais próximos ou um valor médio ponderado dos k vizinhos mais próximos. A função agregada também pode ser computada como um valor mediano, ou qualquer outro método que permita capturar a autorrelação espacial entre as medições na vizinhança. A autorrelação espacial entre as medições na vizinhança pode ser determinada em um tempo-espaço, em uma localização-espaço, e com base em qualquer tipo de características das medições.[186] A spatial divergence detector often computes an aggregate function for each measurement by computing the aggregate function of the measurement's k nearest neighbors. The aggregate function can be computed as an average value of the k nearest neighbors or a weighted average value of the k nearest neighbors. The aggregate function can also be computed as a median value, or any other method that allows capturing the spatial self-relationship between measurements in the neighborhood. The spatial self-relationship between measurements in the neighborhood can be determined in a time-space, in a location-space, and based on any type of characteristics of the measurements.
[187] A Figura 11 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar uma detecção de divergência espacial com base em um valor médio agregado computado dos itens de dados.[187] Figure 11 is a flow diagram depicting an exemplary method or algorithm for performing spatial divergence detection based on an aggregated average value computed from data items.
[188] Na etapa 1102, os primeiros dados filtrados são recuperados.[188] In step 1102, the first filtered data is recovered.
[189] Na etapa 1104, um ou mais detectores de divergência espacial são aplicados aos primeiros dados filtrados para determinar, para cada primeiro item de dados filtrados dos primeiros dados filtrados, um conjunto de primeiros itens de dados filtrados vizinhos que foram coletados pouco antes ou pouco depois de o primeiro item de dados filtrados ter sido coletado. Para o conjunto de primeiros itens de dados filtrados vizinhos, as respectivas medições são recuperadas e usadas para computar um valor médio agregado do conjunto de primeiros itens de dados filtrados vizinhos.[189] In step 1104, one or more spatial divergence detectors are applied to the first filtered data to determine, for each first filtered data item of the first filtered data, a set of neighboring first filtered data items that were collected shortly before or shortly after the first filtered data item was collected. For the set of first neighboring filtered data items, the respective measurements are retrieved and used to compute an aggregated mean value of the set of first neighboring filtered data items.
[190] Na etapa 1106, com base pelo menos em parte no valor médio agregado, é feita uma determinação quanto a incluir o primeiro item de dados filtrados nos segundos dados de divergência.[190] In step 1106, based at least in part on the aggregate average value, a determination is made whether to include the first filtered data item in the second divergence data.
[191] Um primeiro item de dados filtrados é incluído nos segundos dados de divergência se os dados de medição para o primeiro item de dados filtrados exceder significativamente o valor médio agregado ou for significativamente menor que o valor médio agregado. Tal um primeiro item de dados filtrados é considerado como uma divergência, e, desse modo, provavelmente contém informações contaminadas. Por exemplo, se um valor médio agregado computado para k vizinhos em um conjunto de vizinhos determinados para um primeiro item de dados filtrados particular for “AMV”, e o primeiro item de dados filtrados particular exceder o AMV em mais que um valor limiar, então, o primeiro item de dados filtrados particular pode ser considerado como uma divergência visto que seu valor significativamente excede o valor médio computado para os k vizinhos.[191] A first filtered data item is included in the second divergence data if the measurement data for the first filtered data item significantly exceeds the aggregate average value or is significantly less than the aggregate average value. Such a first filtered data item is considered a mismatch, and thus likely contains contaminated information. For example, if an aggregate mean value computed for k neighbors in a set of neighbors determined for a particular first filtered data item is “AMV”, and the particular first filtered data item exceeds the AMV by more than a threshold value, then , the first particular filtered data item can be considered as a divergence since its value significantly exceeds the mean value computed for the k neighbors.
[192] Na etapa 1108, é realizado um teste quanto a todos os primeiros itens de dados filtrados terem sido verificados. Se não, então, outro primeiro item de dados filtrados é verificado na etapa 1106.[192] In step 1108, a test is performed whether all the first filtered data items have been checked. If not, then another first filtered data item is checked in step 1106.
[193] Na etapa 1110, os segundos dados de divergência itens são sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados filtrados. Os segundos dados de divergência incluem os itens que foram identificados como exceções espaciais, e, desse modo, contaminados.[193] In step 1110, the second divergence data items are flagged as contaminated data or may be excluded from the first filtered data. The second divergence data includes items that were identified as spatial outliers, and thus contaminated.
[194] Um detector de divergência espacial também pode computar uma função agregada ponderada para cada medição determinando-se os respectivos valores de peso e computar a função agregada ponderada dos k vizinhos mais próximos da medição. Uma função agregada ponderada pode ser computada como um valor médio ponderado dos k vizinhos mais próximos, e pode ser usada para determinar segundos dados de divergência.[194] A spatial divergence detector can also compute a weighted aggregate function for each measurement by determining the respective weight values and computing the weighted aggregate function of the measurement's k nearest neighbors. A weighted aggregate function can be computed as a weighted average value of the k nearest neighbors, and can be used to determine second divergence data.
[195] Os segundos dados de divergência podem ser determinados com base em características espaciais ponderadas. Essa abordagem pode incluir computar um valor médio ponderado. Nessa abordagem, um conjunto de primeiros dados filtrados vizinhos pode ser determinado para um primeiro item de dados filtrados particular nos primeiros dados filtrados. Então, um respectivo valor de peso pode ser determinado para cada item nos primeiros dados filtrados. Um valor de peso determinado para a item de dados pode ser inversamente proporcional à distância entre o item de dados e o primeiro item de dados filtrados particular. O item de dados valores e os respectivos pesos são usados para computar um valor médio agregado ponderado, e o valor médio agregado ponderado é usado para determinar se o primeiro item de dados filtrados particular deve ser excluído dos primeiros dados filtrados.[195] The second divergence data can be determined based on weighted spatial characteristics. This approach may include computing a weighted average value. In this approach, a set of neighboring first filtered data can be determined for a particular first filtered data item in the first filtered data. Then, a respective weight value can be determined for each item in the first filtered data. A weight value determined for the data item may be inversely proportional to the distance between the data item and the first particular filtered data item. The data item values and respective weights are used to compute a weighted aggregate average value, and the weighted aggregate average value is used to determine whether the first particular filtered data item should be excluded from the first filtered data.
[196] Os pesos podem representar características e critérios diferentes. Por exemplo, os itens de dados em um grupo de itens que foram coletados no mesmo intervalo de tempo como um item de dados particular podem ter valores de peso maiores que os itens de dados no grupo que foram coletados em outros intervalos de tempo. Visto que os itens de dados que foram no mesmo intervalo de tempo que os dados particulares terão valores de peso associados maiores que os pesos de outros itens de dados no grupo, o valor médio agregado ponderado será principalmente influenciado pelos itens de dados que foram coletados no mesmo intervalo de tempo que os dados particulares, não pelos outros itens de dados. Portanto, essa abordagem gera um tratamento preferencial aos agrupamentos de itens de dados coletados aproximadamente no mesmo intervalo de tempo, e tratamento menor aos outros itens de dados no grupo de itens de dados.[196] Weights can represent different characteristics and criteria. For example, data items in an item group that were collected in the same time interval as a particular data item may have greater weight values than data items in the group that were collected in other time intervals. Since data items that were in the same time interval as the particular data will have associated weight values greater than the weights of other data items in the group, the weighted average aggregate value will be primarily influenced by the data items that were collected in the same time interval as the particular data, not the other data items. Therefore, this approach generates preferential treatment to groupings of data items collected in approximately the same time interval, and lesser treatment to other data items in the group of data items.
[197] Outros pesos podem representar uma proximidade com base em distância entre itens de dados em um grupo de itens de dados. Por exemplo, os itens de dados em um grupo de itens que foram coletados a partir de localizações de campo semelhantes a uma localização de campo particular a partir das quais um item de dados particular foi localizado podem ter valores de peso maiores que os itens de dados no grupo que foram coletados a partir de outras localizações de campo. Visto que os itens de dados que foram coletados a partir das localizações de campo são semelhantes à localização de campo particular, o valor médio agregado ponderado será principalmente influenciado pelos itens que foram coletados a partir das localizações de campo semelhantes à localização de campo particular, e menos pelos outros valores de dados no grupo. Portanto, essa abordagem gera um tratamento preferencial para os agrupamentos de itens de dados coletados a partir dos campos vizinhos, e tratamento menor para os outros itens no grupo de itens de dados.[197] Other weights may represent distance-based proximity between data items in a group of data items. For example, data items in an item group that were collected from field locations similar to a particular field location from which a particular data item was located may have greater weight values than data items in the group that were collected from other field locations. Since the data items that were collected from the field locations are similar to the particular field location, the weighted aggregate mean value will be primarily influenced by the items that were collected from the field locations similar to the particular field location, and least by the other data values in the group. Therefore, this approach generates preferential treatment for the groupings of data items collected from neighboring fields, and lesser treatment for the other items in the data item group.
[198] A Figura 12 é um diagrama de fluxo que retrata um método ou algoritmo exemplificativo para realizar uma detecção de divergência espacial com base em um valor médio agregado ponderado computado dos itens de dados.[198] Figure 12 is a flow diagram depicting an exemplary method or algorithm for performing spatial divergence detection based on a weighted aggregate mean value computed from data items.
[199] Na etapa 1202, os primeiros dados filtrados são recuperados.[199] In step 1202, the first filtered data is recovered.
[200] Na etapa 1204, um ou mais detectores de divergência espacial são aplicados aos primeiros dados filtrados para determinar, para cada primeiro item de dados filtrados dos primeiros dados filtrados, um conjunto de primeiros itens de dados filtrados vizinhos que foram coletados pouco antes ou pouco depois de o primeiro item de dados filtrados ter sido coletado. Para o conjunto de primeiros itens de dados filtrados vizinhos, as respectivas medições são recuperadas e usados para computar um valor médio agregado ponderado do conjunto de primeiros itens de dados filtrados vizinhos.[200] In step 1204, one or more spatial divergence detectors are applied to the first filtered data to determine, for each first filtered data item of the first filtered data, a set of neighboring first filtered data items that were collected shortly before or shortly after the first filtered data item was collected. For the set of first neighboring filtered data items, the respective measurements are retrieved and used to compute a weighted aggregate mean value of the set of first neighboring filtered data items.
[201] Na etapa 1206, com base pelo menos em parte no valor médio agregado ponderado, é feita uma determinação quanto a incluir o primeiro item de dados filtrados nos segundos dados de divergência.[201] In step 1206, based at least in part on the weighted aggregate average value, a determination is made whether to include the first filtered data item in the second divergence data.
[202] Um primeiro item de dados filtrados é incluído nos segundos dados de divergência se os dados de medição para o primeiro item de dados filtrados excederem significativamente o valor médio agregado ponderado ou forem significativamente menores que o valor médio agregado ponderado. Tal um primeiro item de dados filtrados é considerado como uma divergência, e, desse modo, provavelmente contém informações contaminadas.[202] A first filtered data item is included in the second divergence data if the measurement data for the first filtered data item significantly exceeds the weighted aggregate average value or is significantly less than the weighted aggregate average value. Such a first filtered data item is considered a mismatch, and thus likely contains contaminated information.
[203] Na etapa 1208, é realizado um teste quanto a todos os primeiros itens de dados filtrados terem sido verificados. Se não, então, outro primeiro item de dados filtrados é verificado na etapa 1206.[203] In step 1208, a test is performed whether all the first filtered data items have been checked. If not, then another first filtered data item is checked in step 1206.
[204] Na etapa 1210, os segundos dados de divergência itens são sinalizados como dados contaminados ou podem ser excluídos dos primeiros dados filtrados. Os segundos dados de divergência incluem os itens que foram identificados como exceções espaciais, e, desse modo, contaminados.[204] In step 1210, the second divergence data items are flagged as contaminated data or may be excluded from the first filtered data. The second divergence data includes items that were identified as spatial outliers, and thus contaminated.
[205] Em uma modalidade, com base em a pluralidade de valores médios agregados ou com base em uma pluralidade de valores médios agregados ponderados, um ou mais pontuações de divergência são computadas para cada primeiro item de dados filtrados dos primeiros dados filtrados, e com base nas pontuações de divergência é feita uma determinação quanto a incluir o primeiro item de dados filtrados nos segundos dados de divergência.[205] In one embodiment, based on the plurality of aggregate mean values or based on a plurality of weighted aggregate mean values, one or more divergence scores are computed for each first filtered data item of the first filtered data, and with Based on the divergence scores, a determination is made whether to include the first filtered data item in the second divergence data.
[206] Em uma modalidade, um valor de peso particular determinado para dados vizinhos particulares é inversamente proporcional a um valor de distância de tempo entre um tempo em que o primeiro item de dados filtrados foi coletado e um tempo em que o item de dados vizinhos particular foi coletado.[206] In one embodiment, a particular weight value determined for particular neighboring data is inversely proportional to a time distance value between a time at which the first filtered data item was collected and a time at which the neighboring data item was collected. particular was collected.
[207] As técnicas descritas no presente documento oferecem uma abordagem coerente e robusta para descontaminar dados. Em particular, as técnicas permitem identificar, e desconsiderar, se necessário, as medições de cultura de rendimento que são contaminadas. Por exemplo, a abordagem permite identificar os erros que podem se dar devido a insuficiências dos mecanismos usados para coletar dados dos rendimentos de culturas, e os erros inerentes para o ambiente e condições de colheita.[207] The techniques described in this document offer a coherent and robust approach to decontaminating data. In particular, the techniques allow identifying, and disregarding, if necessary, cash crop measurements that are contaminated. For example, the approach makes it possible to identify errors that may occur due to insufficiencies in the mechanisms used to collect crop yield data, and errors inherent to the environment and harvesting conditions.
[208] A abordagem apresentada também permite exibir representações gráficas dos itens de dados que não contém erros, representações gráficas dos itens de dados que são sinalizadas como potencialmente contendo erros, ou ambos. A respectiva exibição fornece informações valiosas sobre os rendimentos de culturas colhidas dos campos agrícolas. Por exemplo, as informações podem indicar que valores de rendimento descontaminados foram coletados, e, desse modo, fornecem um sumário mais preciso das informações de rendimento colhidas que um sumário gerado a partir dos dados de rendimento brutos.[208] The presented approach also allows displaying graphical representations of data items that do not contain errors, graphical representations of data items that are flagged as potentially containing errors, or both. The respective display provides valuable information about the yields of crops harvested from agricultural fields. For example, the information may indicate that decontaminated yield values were collected, and thus provide a more accurate summary of the collected yield information than a summary generated from the raw yield data.
[209] As informações sobre dados descontaminados podem ser exibidas em um dispositivo móvel conforme uma ceifeira debulhadora colhe as culturas, e, desse modo, fornece um sumário quase em tempo real das culturas realmente colhidas. Se o usuário observar leituras incomuns dos dados descontaminados, então, o usuário pode ter a capacidade para solicitar que o mecanismo de colheita, sensores e semelhantes sejam ajustados, ou fornecer instruções a um operador da ceifeira debulhadora para ajustar os passos de colheita e semelhantes.[209] Information about decontaminated data can be displayed on a mobile device as a combine harvester harvests crops, and thereby provides a near real-time summary of the crops actually harvested. If the user observes unusual readings of the decontaminated data, then the user may have the ability to request that the harvesting mechanism, sensors and the like be adjusted, or provide instructions to a combine operator to adjust the harvesting steps and the like.
[210] No relatório descritivo anteriormente mencionando, as modalidades foram descritas com referência a diversos detalhes específicos que podem variar de implantação para implantação. O relatório descritivo e os desenhos devem, consequentemente, ser considerados em um sentido ilustrativo em vez de restritivo. O único e exclusivo indicador do escopo da revelação, e o que é desejado pelos requerentes como o escopo da revelação, é o escopo literal e equivalente do conjunto de reivindicações que é emitido a partir deste pedido, na forma específica na qual as reivindicações são emitidas, incluindo qualquer correção subsequente.[210] In the aforementioned descriptive report, the modalities were described with reference to several specific details that may vary from implementation to implementation. The specification and drawings should therefore be considered in an illustrative rather than a restrictive sense. The sole and exclusive indicator of the scope of the disclosure, and what is desired by applicants as the scope of the disclosure, is the literal and equivalent scope of the set of claims that is issued from this application, in the specific form in which the claims are issued. , including any subsequent corrections.
Claims (8)
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/883,517 US10303677B2 (en) | 2015-10-14 | 2015-10-14 | Computer-generated accurate yield map data using expert filters and spatial outlier detection |
| US14/883,517 | 2015-10-14 | ||
| PCT/US2016/055121 WO2017066021A1 (en) | 2015-10-14 | 2016-10-03 | Computer-generated accurate yield map data using expert filters and spatial outlier detection |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112018007534A2 BR112018007534A2 (en) | 2018-10-23 |
| BR112018007534B1 true BR112018007534B1 (en) | 2024-04-16 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11940977B2 (en) | Computer-generated accurate yield map data using expert filters and spatial outlier detection | |
| US11818981B2 (en) | Automatically detecting outlier values in harvested data | |
| BR112021014914A2 (en) | DIGITAL MODELING AND TRACKING OF AGRICULTURAL FIELDS TO IMPLEMENT AGRICULTURAL FIELD TESTS | |
| BR112019000719B1 (en) | METHOD FOR GENERATING PIXEL MAPS FROM NON-IMAGE DATA AND DIFFERENCE METRICS FOR PIXEL MAPS | |
| BR112017026437B1 (en) | COMPUTER SYSTEM AND COMPUTER DEPLOYED METHOD FOR MONITORING ONE OR MORE FIELDS OPERATIONS | |
| BR112019002436B1 (en) | METHOD AND SYSTEM FOR ESTIMATING NITROGEN CONTENT USING HYPERSPECTRAL AND MULTIESPECTRATIVE IMAGES AND ONE OR MORE NON-TRANSITORY COMPUTER READABLE STORAGE MEDIA | |
| BR112018005893B1 (en) | METHOD IMPLEMENTED BY COMPUTER AND ONE OR MORE MEDIA OF NON-TRANSIENT STORAGE | |
| BR112018011989B1 (en) | Method for generating digital models of the relative yield of a crop and one or more non-transient computer-readable media | |
| BR112018008750B1 (en) | COMPUTER-IMPLEMENTED METHOD OF CORN HARVEST RECOMMENDATIONS AND NON-TRANSITIONAL STORAGE MEDIA | |
| BR112021001667A2 (en) | automatic yield forecast and sowing rate recommendation based on weather data | |
| BR112021010533A2 (en) | Predictive script generation for soybeans | |
| BR112021010115A2 (en) | Using spatial statistical models to implement agronomic trials | |
| BR112018007534B1 (en) | METHOD FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS AND DATA PROCESSING SYSTEM FOR IMPROVING THE ACCURACY OF YIELD MAP DATA USING SPECIALIZED FILTERS AND SPATIAL DIVERGENCE DETECTORS | |
| US11793101B2 (en) | Flagging operational differences in agricultural implements | |
| BR112019010837B1 (en) | METHOD AND SYSTEM OF PROCESSING DATA AND ONE OR MORE NON-TRAINER COMPUTER READABLE STORAGE MEDIA |