BR112018071870B1 - Método e sistema de processamento de dados - Google Patents
Método e sistema de processamento de dados Download PDFInfo
- Publication number
- BR112018071870B1 BR112018071870B1 BR112018071870-0A BR112018071870A BR112018071870B1 BR 112018071870 B1 BR112018071870 B1 BR 112018071870B1 BR 112018071870 A BR112018071870 A BR 112018071870A BR 112018071870 B1 BR112018071870 B1 BR 112018071870B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- nutrient content
- field
- soil
- digital
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
Em uma modalidade, o sistema de computador de inteligência agrícola armazena um modelo digital de teor de nutriente no solo que inclui uma pluralidade de valores e expressões que definem as transformações de ou as relações entre os valores e produzem estimativas de valores de teor de nutriente no solo. O computador de inteligência agrícola recebe os valores de medição de teor de nutriente para um campo particular em um tempo particular. O sistema de computador de inteligência agrícola usa o modelo digital de teor de nutriente para computar um valor de teor de nutriente para o campo particular no tempo particular. O sistema de computador de inteligência agrícola identifica uma incerteza de modelagem correspondente ao valor de teor de nutriente computado e uma incerteza de medição correspondente aos valores de medição recebidos. Com base nas incertezas identificadas, no valor de teor de nutriente modelado e nos valores de medição recebidos, o sistema de computador de inteligência agrícola computa um valor de teor de nutriente assimilado.
Description
[001] Uma porção da revelação deste documento de patente contém material que é sujeito à proteção de direitos autorais. O proprietário de direitos autorais não tem nenhuma objeção quanto à reprodução em fac-símile por qualquer um do documento de patente ou da revelação de patente, visto que a mesma aparece no arquivo ou registros do Escritório de Patentes e Marcas Registradas, mas caso contrário reserva todos os direitos autorais ou quaisquer direitos. © 2015 The Climate Corporation.
[002] A presente revelação refere-se à modelagem de computador digital de nutrientes em um campo, como nitrogênio, fósforo e potássio. Adicionalmente, a presente revelação se refere a técnicas para aprimorar uma estimativa do teor de nutriente através da assimilação de dados a partir de uma amostra de solo.
[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.
[004] Nutrientes são essenciais no crescimento e desenvolvimento de culturas. As culturas absorvem nutrientes tais como nitrogênio, fósforo e potássio no solo circundante para facilitar o crescimento da cultura. Tipos diferentes de culturas têm exigências diferentes para cada nutriente. Quando uma cultura é incapaz de atender suas necessidades de nutriente, a cultura sofre. Por exemplo, uma falta de nitrogênio pode levar a destruição de folhas da cultura. Além disso, uma vez que a concentração de nitrogênio em uma planta diminui abaixo um de limiar crítico, fotossíntese e acúmulo de matéria seca são impactados negativamente. Um resultado final é que o rendimento de uma cultura que não recebe nutrientes suficientes é diminuído.
[005] Embora nutrientes no solo sejam importantes para o crescimento de planta, é difícil determinar quando o solo carece de um ou mais nutrientes sem realizar testes de nutriente. Além disso, o impacto de uma aplicação de nutriente específica não é prontamente aparente. Por exemplo, uma aplicação de 44,48 kg por hectare (quarenta libras por acre) de nitrogênio de uma vez pode resultar em um aumento líquido de 11,12 kg por hectare (dez libras por acre) de nitrogênio disponível para uma cultura devido à perda de nitrogênio através de uma variedade de fatores e baixas taxas de transmissão para a cultura. A mesma aplicação de 44,48 kg por hectare (quarenta libras por acre) de nitrogênio em outra vez pode resultar na maior parte do nitrogênio aplicado ficar disponível para uma cultura. Sem uma compreensão de todos os fatores que afetam se uma cultura receberá o nitrogênio adicionado a um campo, a aplicação de nitrogênio tende a ser relativamente cega. Um agricultor pode aplicar nitrogênio a um campo em estágios específicos em um desenvolvimento da cultura ou quando a cultura parece estar sofrendo de uma falta de nitrogênio. Tais aplicações de nitrogênio são ineficientes uma vez que as mesmas envolvem perder nitrogênio ou não adicionar nitrogênio suficiente para satisfazer as necessidades de uma planta. Além disso, o nitrogênio perdido para o campo através de lixiviação pode criar problemas ambientais quando o nitrogênio se junta à bacia hidrográfica.
[006] Para identificar os valores de teor de nutriente no solo, um sistema de computador pode executar um modelo de teor de nutriente que admite valores de entrada específicos, como temperatura, tipo de solo, tipo de cultura e precipitação, e transforma os valores para identificar um teor de nutriente no solo em vários pontos diferentes. Embora um modelo de teor de nutriente seja útil para identificar, em geral, quanto de um nutriente particular há no solo, os modelos de teor de nutriente não são infalíveis. Os modelos de teor de nutriente estão sujeitos a várias fontes de erros, como erros nos dados de entrada, erros nos parâmetros universais e erros com base em processos físicos que não estão sendo modelados.
[007] Um segundo método para identificar valores de teor de nutriente no solo é medir o teor de nutriente no solo com o uso de técnicas como espectroscopia de refletância quase infravermelho em amostras de núcleo removidas do campo. As medições de teor de nutriente no solo podem ser extremamente precisas para a fonte da amostra de solo. Um problema com basear práticas agrícolas em medições de práticas nutrientes é que um agricultor precisaria medir constantemente os teores de nutriente em um grande número de localizações.
[008] Frequentemente, as medições de solo são tomadas a partir de um campo em pontos no tempo limitados. Por exemplo, os agricultores frequentemente tomam uma medição de teor de nutriente antes da adubação de cobertura em várias localizações através do campo. Assim, visto que frequentemente há limitações no número de valores de medição de teor de nutriente recebidos por um campo particular, há uma necessidade de um sistema que aumenta a precisão na estimativa do teor de nutriente no solo com o uso de apenas um número limitado de amostras de teor de nutriente no solo.
[009] As reivindicações anexas podem servir como um sumário da revelação.
[010] Nos desenhos:
[011] 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.
[012] 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.
[013] 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.
[014] A Figura 4 é um diagrama de blocos que ilustra um sistema de computador mediante o qual uma modalidade da invenção pode ser implantada.
[015] A Figura 5 retrata uma modalidade exemplificativa de uma vista de linha de tempo para introdução de dados.
[016] A Figura 6 retrata uma modalidade exemplificativa de uma vista de planilha para a introdução de dados.
[017] A Figura 7 retrata um método exemplificativo para assimilar um único ponto de dados em um modelo de teor de nutriente no solo.
[018] A Figura 8 retrata um método exemplificativo para identificar a incerteza no modelo de teor de nutriente através da perturbação de parâmetros diferentes.
[019] Na descrição a seguir, para os propósitos de explicação, diversos detalhes específicos são apresentados a fim de fornecer um entendimento completo da presente revelação. No entanto, ficará evidente que a presente invenção pode ser praticada sem esses detalhes específicos. Em outros exemplos, estruturas e dispositivos bem conhecidos são mostrados em forma de diagrama de blocos a fim de evitar obscurecer desnecessariamente a presente revelação. 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. ASSIMILAÇÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO 2.5. VISÃO GERAL DE HARDWARE EXEMPLIFICATIVO DE IMPLEMENTAÇÃO 3. ASSIMILAÇÃO DE MEDIÇÃO DE NUTRIENTE 3.1. MODELO DE TEOR NUTRIENTE 3.2. MEDIÇÕES DE TEOR DE NUTRIENTE 3.3. MODELAGEM DE INCERTEZA 3.4. IDENTIFICAÇÃO DE PARÂMETROS PARA PERTURBAR 3.5. IDENTIFICAÇÃO DE INCERTEZA DE MEDIÇÃO 3.6. ASSIMILAÇÃO DE PONTOS DE DADOS 3.7. CALIBRAÇÃO DE MODELO 4. USO DE DADOS 4.1. MODELOS AGRONÔMICOS 4.2. RECOMENDAÇÕES 5. BENEFÍCIOS DE CERTAS MODALIDADES 6. EXTENSÕES E ALTERNATIVAS
[020] Os aspectos da revelação geralmente se referem a técnicas implantadas por computador para aprimorar um modelo de teor de nutriente com o uso de uma ou mais amostras de solo em um campo particular. Em uma modalidade, um sistema de computador de inteligência agrícola é programado para computar um valor de teor de nutriente para um campo particular com o uso de valores de entrada recebidos e um modelo de teor de nutriente. O computador de inteligência agrícola também recebe um valor de medição de amostra de solo para o campo particular correspondente ao valor de teor de nutriente computado. O sistema de computador de inteligência agrícola computa uma incerteza no modelo de teor de nutriente e uma incerteza no valor de medição de amostra de solo recebido. Com base nas incertezas computadas, no valor de teor de nutriente computado e no valor de medição de amostra de solo, o sistema de computador de inteligência agrícola computa um valor de teor de nutriente assimilado para o campo particular.
[021] Em uma modalidade, um método compreende armazenar, na memória digital de um sistema de computador, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular, em que o modelo digital compreende uma pluralidade de valores e expressões que são armazenadas na memória digital e definem transformações de ou relações entre os valores e produzem estimativas de valores de teor de nutriente que descrevem as quantidades de vários produtos químicos no solo; receber, no sistema de computador, através de uma ou mais redes, a partir de um dispositivo de computação de cliente, um ou mais valores de medição digital que especificam as medições de teor de nutriente no solo em um campo particular dentre o um ou mais campos em um tempo particular dentro do período de tempo particular; identificar um valor de teor de nutriente modelado que representa uma estimativa do teor de nutriente no solo no campo particular no tempo particular; identificar um valor de incerteza de modelação para o modelo digital do teor de nutriente, em que o valor de incerteza de modelação representa uma magnitude de erro no modelo digital; identificar um ou mais valores de incerteza de medição para cada um dentre o um ou mais valores de medição digital que especifica as medições do teor de nutriente, respectivamente, em que cada um dentre os valores de incerteza de modelagem representa uma magnitude de erro em um valor digital de medição correspondente; gerar e exibir, com base, pelo menos em parte, no valor de incerteza de modelação e um ou mais valores de incerteza de medição, um valor de teor de nutriente assimilado que representa uma estimativa aprimorada do teor de nutriente no solo no campo particular no tempo particular.
[022] 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 de computador de gerenciador de campo 104 é programado ou configurado para fornecer dados de campo 106 a um sistema de computador de inteligência agrícola 130 por meio de uma ou mais redes 109.
[023] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, extensão em acres, nome de campo, identificadores de campo, identificadores de 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 trava, um número de encomenda, coordenadas e delimitações geográficos, Número de Série de Fazenda (FSN), número de fazenda, número de trator, número de campo, seção, cidade e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, a possibilidade de a cultura ter sido organicamente cultivada, data de colheita, Histórico de Produção Real (APH), rendimento esperado, rendimento, preço de cultura, receita de cultura, hidratação 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 para trocar cátions (CEC)), (d) dados de plantação (por exemplo, data de plantação, tipo de semente (ou tipo de sementes), maturidade relativa (RM) de semente plantada (ou sementes plantadas), população de sementes), (e) dados de fertilizante (por exemplo, tipo de nutriente (Nitrogênio, Fósforo, Potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de pesticida (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinados ao uso como um regulador de planta, desfoliante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, taxa de pluviosidade, pluviosidade predita, região de taxa de escoamento de água, 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 tablet, veículo aéreo não tripulado, aviões ou satélite), (]) observações de aferição (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (tempo atual e passado), hidratação de solo, estágio de cultivo de cultura, velocidade vetorial 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.
[024] Um computador de 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 no 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 de dados que podem ser, de outra forma, obtidos a partir de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode realmente ser incorporado no sistema 130.
[025] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados no mesmo, sendo que tais 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 o exemplo de tal rede que pode ser instalada em colheitadeiras combinadas ou colheitadeiras. O controlador de aplicativo 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 permitir comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, tal como o modo que é usado o CLIMATE FIELDVIEW DRIVE, disponível de The Climate Corporation, São Francisco, Califórnia. Os dados de sensor podem consistir no mesmo tipo de informações que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem ser localizados remotamente no campo e podem se comunicar com a rede 109.
[026] 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, frequentemente um computador com tamanho de computador do tipo tablet ou telefone inteligente, com um visor de tela gráfica, como um visor colorido, que é montado em uma cabine do 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 computador móvel 104.
[027] A rede (ou redes) 109 representa 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 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 proporcione a troca de dados entre os vários elementos da Figura 1 . Os diversos elementos da Figura 1 também podem ter enlaces de comunicações diretos (com fio ou sem fio). Os sensores 112, o controlador 114, o computador de 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 de TCP/IP, Bluetooth, CAN e protocolos de camada superior, tais como HTTP, TLS e semelhantes.
[028] 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.
[029] 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, tal como drivers, e/ou programas de computador ou outros elementos de software.
[030] A camada de comunicação 132 pode ser programada ou configurada para realizar funções de realização de interface de entrada/saída que incluem enviar solicitações para o dispositivo de computação de gerenciador de campo 104, o computador 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.
[031] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para inserir 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.
[032] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de gravação 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 hierárquicos, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados de objeto- relacional, bancos de dados orientados a objetos, e qualquer outra coleção estruturada de registros ou dados que seja armazenada em um sistema de computador. Exemplos de RDBMSs incluem, porém, sem limitação, os bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, pode ser usado qualquer banco de dados que permita os sistemas e métodos descritos no presente documento.
[033] Quando os dados de campo 106 não forem 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, pode ser exigido que o usuário por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) insertar tais informações. Em uma modalidade exemplificativa, o usuário pode especificar dados de identificação acessando-se um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando-se CLUs que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando-se um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e que estabelece delimitações do campo ao longo do mapa. Tal seleção de CLU ou os desenhos de mapa representam identificadores de geográficos. Nas modalidades alternativas, o usuário pode especificar dados de identificação acessando-se dados de identificação de campo (fornecidos como arquivos de forma ou em um formato semelhante) do Departamento do EUA de Agência de Serviços de Rural e Agrícola ou outra fonte por meio do dispositivo de usuário e fornecendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[034] Em uma modalidade exemplificativa, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibição de uma interface de usuário gráfica que compreende um gerenciador de dados para admissão de dados. Após um ou mais campos terem sido identificados com o uso dos métodos descritos acima, o gerenciador de dados pode fornecer um ou mais acessórios de interface de usuário gráfica que, quando selecionados, podem identificar alterações no campo, no solo, nas culturas, na lavragem ou práticas de nutriente. O gerenciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha e/ou um ou mais programas editáveis.
[035] As Figuras 5 retrata uma modalidade exemplificativa de uma vista de linha de tempo para introdução de dados. Com o uso da exibição retratada na Figura 5, um computador de usuário pode insertar uma seleção de um campo particular e uma data particular para a adição de evento. Os eventos retratados no topo da linha de tempo incluem Nitrogênio, Plantação, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer admissão para selecionar a aba de nitrogênio. O computador de usuário pode, então, selecionar uma localização na linha de tempo para um campo particular a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma localização na linha de tempo por um campo particular, o gerenciador de dados pode exibir uma sobreposição de introdução de dados, que permite que o computador de usuário inserte dados que pertencem a aplicações de nitrogênio, procedimentos de plantação, aplicação de solo, procedimentos de lavragem, práticas de irrigação ou outras informações relacionadas ao campo particular. Por exemplo, se um computador de usuário selecionar uma porção da linha de tempo e indicar uma aplicação de nitrogênio, então, a sobreposição de introdução de dados pode incluir campos para insertar uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.
[036] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. “Programa”, no presente contexto, se refere a um conjunto de dados que pertencem a aplicações de nitrogênio, procedimentos de plantação, aplicação de solo, procedimentos de lavragem, práticas de irrigação ou outras informações que podem ser relacionadas a um ou mais campos e que podem ser armazenadas em armazenamento de dados digital para a reutilização como um conjunto em outras operações. Após um programa ter sido criado, o mesmo pode ser conceitualmente aplicado a um ou mais campos e as referências ao programa podem ser armazenadas em armazenamento digital em associação aos dados que identificam os campos. Desse modo, em vez de introduzir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio por múltiplos campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação particular de nitrogênio e, então, aplicar o programa a múltiplos campos diferentes. Por exemplo, na vista de linha de tempo da Figura 5, as duas linhas de tempo superiores têm o programa "aplicado no outono" selecionado, que inclui uma aplicação de 168 kg N/ha (150 lbs N/ac) no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa particular é editado, cada campo que selecionou o programa particular é editado. Por exemplo, na Figura 5, se o programa "aplicado no outono" for editado para reduzir a aplicação de nitrogênio a 145,71 N/ha (130 lbs N/ac), os dois campos de topo podem ser atualizados com uma aplicação de nitrogênio reduzida com base no programa editado.
[037] Em uma modalidade, em resposta ao recebimento de edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo de topo na Figura 5, a interface pode se atualizar para indicar que o programa "aplicado no outono" não é mais aplicado ao campo de topo. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações ao programa "aplicado no outono" não alterariam a aplicação de nitrogênio de abril.
[038] A Figura 6 retrata uma modalidade exemplificativa de uma vista de planilha para a introdução de dados. Com o uso da exibição retratada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para insertar informações com relação a Nitrogênio, Plantação, Práticas e Solo, conforme retratado na Figura 6. Para editar uma introdução particular, um computador de usuário pode selecionar a introdução particular na planilha e atualizar os valores. Por exemplo, a Figura 6 retrata uma atualização em progresso para um valor de rendimento alvo para o segundo campo. Adicionalmente, um computador de usuário pode selecionar um ou mais campos a fim de aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo particular, o gerenciador de dados pode completar automaticamente as introduções para o campo particular com base no programa selecionado. Como ocorre com a vista de linha de tempo, o gerenciador de dados pode atualizar as introduções para cada campo associado a um programa particular em resposta ao recebimento de uma atualização para o programa. Adicionalmente, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta ao recebimento de uma edição para uma dentre as introduções para o campo.
[039] 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 cultivo pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura 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 entrada especificados, para produzir um ou mais valores de saída armazenados que podem servir como a base de recomendações implantadas em computador, exibições de dados de saída ou controle de máquina, entre outras coisas. As pessoas versadas no campo consideram conveniente expressar modelos com o uso de equações matemáticas, mas que a forma de expressão não confine os modelos revelados no presente documento a conceitos abstratos; em vez disso, cada modelo no presente documento tem uma aplicação prática em um computador na forma de instruções executáveis e dados armazenados que implementam o modelo com o uso do computador. O modelo pode incluir um modelo de eventos anteriores no um ou mais campos, um modelo da situação atual do um ou mais campos e/ou um modelo de eventos previstos 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.
[040] Em uma modalidade, cada uma dentre as instruções de modelagem de nutriente 135, instruções de modelagem de incerteza 136, instruções de assimilação 137 e instruções de calibração de modelo 138 compreende um conjunto de uma ou mais páginas de memória principal, como RAM, no sistema de computador de inteligência agrícola 130 em que as instruções executáveis foram carregadas e que, quando executadas fazem com que o sistema de computação de inteligência agrícola para realizar as funções ou operações que são descritas no presente documento com referência a tais módulos. Por exemplo, as instruções de modelagem de nutriente 135 pode compreender um conjunto de páginas em RAM que contêm instruções que, quando executadas, causam a realização das funções de modelagem de nutriente que são descritas no presente documento. As instruções podem ser em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código fonte escrito em JAVA, C, C++, OBJECTIVE-C, ou qualquer outra linguagem de programação legível por ser humano ou ambiente, isoladamente ou em combinação com roteiros em JAVASCRIPT, outras linguagens de elaboração de roteiros e outro texto de fonte de programação. O termo "páginas" se destina a referenciar amplamente a qualquer região dentro da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura de memória ou arquitetura de processador. Em outra modalidade, cada uma dentre as instruções de modelagem de nutriente 135, as instruções de modelagem de incerteza 136, as instruções de assimilação 137 e as instruções de calibração de modelo 138 também pode representar um ou mais arquivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligência agrícola 130 ou um sistema de repositório separado, que, quando compilados ou interpretados, causam a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola realize as funções ou operações que são descritas no presente documento com referência a tais módulos. Em outras palavras, a figura do desenho pode representar a maneira em que programadores ou desenvolvedores de software organizam e dispõem código fonte para compilação posterior em um executável, ou interpretação em código de bytes ou o equivalente, para execução pelo sistema de computador de inteligência agrícola 130.
[041] As instruções de modelagem de nutriente 135 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a computação de valores de nutriente no solo com o uso de dados de solo, dados de cultura e dados meteorológicos. As instruções de modelagem de incerteza 136 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130, realize a estimativa de valores de incerteza correspondentes aos valores de medição de teor de nutriente e valores modelados de teor de nutriente. As instruções de assimilação 137 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a computação de valores de nutriente no solo com base em computações anteriores de valores de nutriente no solo e valores medidos de teor de nutriente no solo. As instruções de calibração de modelo 138 compreendem instruções legíveis por computador que, quando executadas por um ou mais processadores, fazem com que o sistema de computador de inteligência agrícola 130 realize a calibração de instruções de modelagem de nutriente 135 com base, pelo menos em parte, em valores de nutriente computados.
[042] 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.
[043] 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 servidor de dados externos 108 podem ser implantados com o uso de dois ou mais processadores, núcleos, agrupamentos ou instâncias de máquinas físicas ou máquinas virtuais, configurados em uma localização distinta ou colocalizados com outros elementos em um centro de processamento de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
[044] Em uma modalidade, a implementação 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 usados 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 apropriado para invenções e revelações desse tipo.
[045] 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 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 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 com o sistema 130, mais do que um dispositivo de computação de gerenciador de campo 104 de uma vez.
[046] O aplicativo móvel pode fornecer funcionalidade de lado do cliente, por meio da rede para 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 padrão, tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, 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 (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.
[047] 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 compreende ou inclui, porém, sem limitações, 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 admissão de usuário do usuário 102 que especifica os valores de dados para o um ou mais campos. Adicionalmente, o dispositivo de computação de gerenciador de campo 104 pode automaticamente enviar dados de campo 106 quando um ou mais dentre os valores de dados se torna disponível 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 ao recebimento de dados que indicam que o controlador de aplicação 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 indicam 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.
[048] 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, pode ser modificado, estendido ou adaptado para incluir recursos, funções e programação que não foram revelados antes da data 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 deseje 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 realize decisões melhores e mais bem informadas.
[049] As Figuras 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 plantação 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214 e instruções de desempenho 216.
[050] Em uma modalidade, um aplicativo de computador móvel 200 compreende instruções de compartilhamento de assimilação de dados de campo de conta 202 que são programadas para receber, traduzir e assimilar dados de campo de sistemas de terceiros 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 manual, e-mail com anexo, APIs externos que enviam dados para o aplicativo móvel, ou instruções que chamam APIs de sistemas externos para retirar dados do aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface de usuário gráfica para transferir por upload manualmente arquivos de dados e importar arquivos transferidos por upload para um gerenciador de dados.
[051] 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 do 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 pontuais 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 plantação 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.
[052] Em uma modalidade, as instruções de geração de roteiro 205 são programadas para fornecer uma interface para gerar roteiros, incluindo roteiros de fertilidade de taxa variável (VR). A interface permite que os produtores criem roteiros para implementos de campo, tais como aplicações de nutriente, plantação e irrigação. Por exemplo, uma interface de roteiro de plantação pode compreender ferramentas para identificar um tipo de semente para a plantação. Mediante o recebimento de uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos separados em zonas de gerenciamento, como as camadas de dados de mapa de campo criadas como parte de as instruções de livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo juntamente com um painel que identifica cada zona de solo e um nome de solo, textura, drenagem para cada zona ou outros dados de campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para editar ou criar as mesmas, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantação podem ser aplicados a todas as zonas de gerenciamento ou procedimentos de plantação diferentes podem ser aplicados a diferentes subconjuntos de zonas de gerenciamento. Quando um roteiro é criado, o aplicativo de computador móvel 200 pode tornar o roteiro disponível para transferência por download em um formato legível por um controlador de aplicativo, tal como um formato arquivado ou comprimido. Adicional e/ou alternativamente, um roteiro pode ser enviado diretamente ao computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou transferido por download para um ou mais servidores de dados e armazenado para o uso adicional.
[053] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar decisões de nitrogênio visualizando-se a disponibilidade de nitrogênio para culturas. Isso permite que os produtores maximizem o rendimento ou retorno no investimento por mio de aplicação de nitrogênio aprimorada durante a estação. As funções programadas exemplificativas incluem exibir imagens, como imagens de SSURGO para possibilitar o desenho das zonas e/ou imagens de aplicação geradas a partir de dados de solo de subcampo, como os dados obtidos a partir de sensores, em uma alta resolução espacial (bem como 10 metros ou menor devido à sua proximidade do solo); transferir por upload zonas existentes definidas pelo produtor; fornecer um gráfico de aplicativo e/ou um mapa para permitir o ajuste da aplicação (ou aplicações) de nitrogênio ao longo de múltiplas zonas; emissão de roteiros para acionar maquinário; ferramentas para introdução e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. “Introdução de dados em massa”, nesse contexto, pode significar introduzir dados uma vez e, então, aplicar os mesmos dados a múltiplos campos que foram definidos no sistema; os dados exemplificativos podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas tal introdução de dados em massa se aplica à introdução de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantação e práticas com nitrogênio e aceitar a entrada de usuário que especifica aplicar tais programas ao longo de múltiplos campos. “Programas de plantação com nitrogênio”, nesse contexto, se refere a um conjunto nomeado de dados 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 de aplicação ou incorporação, tal como injetado ou cortado, e/ou quantidades ou taxas de aplicação para cada uma dentre as datas, a cultura ou o híbrido que é o objeto da aplicação, entre outros. “Programas de práticas com nitrogênio”, nesse contexto, se refere a um conjunto de dados nomeado armazenado que associa: um nome de práticas; uma cultura anterior; um sistema de lavragem; uma data de lavragem primária; um ou mais sistemas de lavragem anteriores que foram usados; um ou mais indicadores de tipo de aplicação, tal como adubo, que foram usados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica projeções de uso em planta do nitrogênio especificado e a possibilidade de um excesso ou uma escassez serem preditos; em algumas modalidades, indicadores de cor diferentes podem sinalar uma magnitude de excesso ou magnitude de escassez. 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 escassez, nos quais a cor indica a magnitude.
[054] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de admissão de usuário, tais como mostradores ou barras deslizadoras, para alterar dinamicamente os programas de plantação e práticas com nitrogênio de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode, então, usar seu gráfico de nitrogênio otimizado e os programas de plantação e práticas com nitrogênio relacionados para implantar um ou mais roteiros, incluindo roteiros de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica projeções de uso de planta do nitrogênio especificado e a possibilidade um excesso ou uma escassez serem preditos; em algumas modalidades, indicadores de cor diferentes podem sinalizar uma magnitude de excesso ou magnitude de escassez. O mapa de nitrogênio pode exibir projeções de uso de planta do nitrogênio especificado e a possibilidade de um excesso ou uma escassez ser predita para tempos diferentes no passado e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) com o uso de indicadores numéricos e/ou coloridos de excesso ou escassez, em que a cor indica a magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de admissão de usuário, tais como mostradores ou barras deslizadoras, para alterar dinamicamente os programas de plantação e práticas com nitrogênio de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de excesso a escassez. O usuário pode, então, usar seu mapa de nitrogênio otimizado e os programas de plantação e práticas com nitrogênio relacionados para implantar um ou mais roteiros, incluindo roteiros de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (tais como fósforo e potássio) aplicação de pesticida e programas de irrigação.
[055] 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.
[056] 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.
[057] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de percepção com uso de dados na 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 do retorno do investimento ter estado em níveis anteriores, e percepção dos fatores de limitação de rendimento. As instruções de desempenho 216 podem ser programadas para se comunicarem por meio da rede (ou redes) 109 com programas analíticos de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador de servidor de dados externos 108 e configurados para analisar medições, tais como rendimento, híbrido, população, SSURGO, testes de solo ou elevação, entre outros. Relatórios e análises programados podem incluir análises de variabilidade de rendimento, nível de referência de rendimento e outras medições contra outros produtores com base em dados anônimos coletados a partir de muitos produtores, ou dados para sementes e plantação, entre outros.
[058] Aplicativos que têm instruções configuradas dessa forma podem ser implantados para plataformas de dispositivo de computação diferentes enquanto retêm a mesma aparência de interface de usuário. Por exemplo, o aplicativo móvel pode ser programado para a execução em computadores do tipo tablet, telefones inteligentes ou computadores de servidor que são acessados com o uso de navegadores em computadores de cliente. 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 para exibir e processar do computador de cabine 115. Por exemplo, referindo-se agora 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 os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual os mesmos são executados e expor, através de uma interface gráfica de usuário, apenas aquelas funções que são apropriadas a 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 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 transferência em roteiros de instruções que são configurados para direcionar as operações de máquina ou a coleta de dados. As instruções de cabine de aferição 230 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.
[059] Em uma modalidade, o computador servidor de dados externos 108 armazena dados externos 110, que incluem dados de solo que representam a composição de solo para o um ou mais campos e dados meteorológicos que representam a temperatura e precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos do passado e do presente, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por entidades diferentes. Por exemplo, um primeiro servidor pode conter dados de composição de solo enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição de solo podem ser armazenados em múltiplos servidores. Por exemplo, um servidor pode armazenar dados que representam a porcentagem de areia, lodo e argila no solo enquanto um segundo servidor pode armazenar dados que representam a porcentagem de matéria orgânica (OM) no solo.
[060] 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 plantação, 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 aplicação pode ser programado ou configurado para controlar um parâmetro de operação de um veículo, tal como um trator, equipamento de plantação, 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 meramente exemplos selecionados.
[061] O sistema 130 pode obter ou assimilar dados sob controle do usuário 102, em massa de um número grande 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 acionadas para obter dados para o uso pelo sistema 130. Como exemplo, o aplicativo CLIMATE FIELD VIEW, disponibilizado comercialmente pela Climate Corporation, São Francisco, Califórnia, EUA, pode ser operado para exportar dados para o sistema 130 para o armazenamento no repositório 160.
[062] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar componentes de aparelho de plantadeira quanto obter dados de plantação, que incluem sinais dos sensores de semente por meio de um arreio de sinal que compreende um suporte principal 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 são revelados na Patente no U.S. 8.738.243 e na Publicação de Patente no U.S. 20150094916, e a presente revelação presume o conhecimento dessas outras revelações de patente.
[063] 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 grãos em uma colheitadeira combinada ou outra colheitadeira e transmitir essas medições para o usuário por meio do computador de cabine 115 ou outros dispositivos no sistema 130.
[064] 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 apps de posicionamento ou mapeamento com base em WiFi que são programados para determinar localização com base em pontos de acesso WiFi próximos, entre outros.
[065] 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 com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bomba hidráulica; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição de roda que fornecem direcionamento automático.
[066] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de plantação 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 hidratação, 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 plantação, 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 plantação 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 plantação, 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 plantação; 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.
[067] 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.
[068] Em uma modalidade, os exemplos de sensores 112 que podem ser usados em relação ao aparelho para aplicar fertilizante, inseticida, fungicida e semelhantes, tais como sistemas fertilizantes iniciantes em plantadeira, aplicadores de fertilizante de subsolo, ou aspersores de fertilizante, incluem: sensores de critérios de sistema fluido, tais como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de cabeça de aspersão ou válvulas de linha de fluido estão abertas; sensores associados a tanques, tais como sensores de nível de preenchimento; sensores de linha de abastecimento transversal ou de sistema amplo, ou sensores de linha de abastecimento específicos de fileira; ou sensores de cinemática, tais como acelerômetros dispostos em vigas 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.
[069] 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 hidratação 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.
[070] 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.
[071] 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, quase infravermelho (NIR), e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade de ar ou velocidade 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. Exemplos são revelados no Pedido de Patente no U.S. 14/831.165 e a presente revelação presume o conhecimento dessa outra revelação de patente.
[072] 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 hidratação 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 presume o conhecimento de tais outras revelações de patente.
[073] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas de campos. Por exemplo, o aparelho revelado no Pedido Provisório de Patente no 62/154.207, depositado em 29 de abril de 2015, o Pedido Provisório de Patente no 62/175.160, depositado em 12 de junho de 2015, o Pedido Provisório de Patente no 62/198.060, depositado em 28 de julho de 2015 e o Pedido Provisório de Patente no 62/220.852, depositado em 18 de setembro de 2015, podem ser usados, e a presente revelação presume o conhecimento de tais revelações de patente.
[074] 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 culturas em um campo, ou propriedades da uma ou mais culturas, ou ambos. Adicionalmente, um modelo agronômico pode compreender recomendações com base em fatores agronômicos, tais como recomendações de cultura, recomendações de irrigação, recomendações de plantação e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, tais 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 lucro obtido a partir da cultura produzida.
[075] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular as propriedades agronômicas relacionadas a informações de localização e cultura recebidas atualmente para um ou mais campos. O modelo agronômico pré-configurado tem como base dados de campo processados anteriormente, que incluem, porém, sem limitação, dados de identificação, dados de colheita, dados de fertilizante e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de modo cruzado para garantir a precisão do modelo. A validação cruzada pode incluir a comparação com o levantamento em campo que compara resultados previstos com os resultados reais em um campo, tal como uma comparação de estimativa de precipitação com um pluviômetro ou sensor que fornece dados meteorológicos na mesma localização, ou próximo à mesma, ou uma estimativa de teor de nitrogênio com uma medição de amostra de solo.
[076] As Figuras 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. As Figuras 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.
[077] 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 atípicos medidos que desviariam valores de dados de campo recebidos. As modalidades de pré-processamento de dados agronômicos pode incluir, porém, sem limitação, remover valores de dados comumente associados a valores de dados atípicos, pontos de dados medidos específicos que são conhecidos por enviesar 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 admissão de dados positivos e negativos.
[078] 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.
[079] 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 médio quadrático de validação cruzada “leave-one-out” (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o 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).
[080] 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.
[081] 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.
[082] 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 propósito especial podem ser conectados por cabo para realizar as técnicas ou podem incluir dispositivos eletrônicos digitais tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou matrizes de portas programáveis em campo (FPGAs) que são programados de modo persistente para realizar as técnicas ou podem incluir um ou mais processadores de hardware de propósito geral programados para realizar as técnicas de acordo com as instruções de programa em firmware, memória, outro armazenamento ou uma combinação dos mesmos. Tais dispositivos de computação de propósito especial também podem combinar lógica ligada por fiação personalizada, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação de propósito especial podem ser sistemas de computador do tipo desktop, sistemas de computador portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de programa e/ou ligada por fiação para implantar as técnicas.
[083] 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.
[084] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução das instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não transitória acessível ao processador 404, transformam o sistema de computador 400 em uma máquina de propósito especial que é personalizada para realizar as operações especificadas nas instruções.
[085] O sistema de computador 400 inclui adicionalmente uma memória apenas de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações e instruções estáticas para o processador 404. Um dispositivo de armazenamento 410, tal como um disco magnético, disco óptico ou unidade de estado sólido é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.
[086] O sistema de computador 400 pode ser acoplado por meio do barramento 402 a um visor 412, tal como um tubo de raios catódicos (CRT), para exibir informações a um usuário de computador. Um dispositivo de entrada 414, que inclui teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e comandar seleções para o processador 404. Outro tipo de dispositivo de admissão de usuário é o controle de cursor 416, tal como um mouse, uma bola de rastreamento ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar movimento de cursor no visor 412. Esse dispositivo de admissão 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 permite que o dispositivo especifique posições em um plano.
[087] O sistema de computador 400 pode implantar as técnicas descritas no presente documento com o uso de lógica ligada por fiação personalizada, um ou mais ASICs ou FPGAs, lógica de firmware e/ou de programa que, em combinação com o sistema de computador faz com que o sistema de computador 400 seja, ou programa o mesmo para ser, uma máquina de propósito especial. De acordo com uma modalidade, as técnicas no presente documento são realizadas pelo sistema de computador 400 em resposta à execução pelo processador 404 de 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 outra mídia de armazenamento, tal como o 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 por fiação pode ser usado no lugar de ou em combinação com instruções de software.
[088] O termo "mídias de armazenamento", conforme usado no presente documento, se refere a quaisquer mídias não transitórias que armazenam dados e/ou instruções que fazem com que uma máquina opere em um modo específico. Tal mídia de armazenamento pode compreender mídia não volátil e/ou mídia volátil. As mídias não voláteis incluem, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. As mídias voláteis incluem memória dinâmica, tal como a 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 outra mídia de armazenamento de dados magnéticos, um CD-ROM, qualquer outra mídia de armazenamento de dados ópticos, qualquer mídia física com padrões de orifícios, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[089] A mídia de armazenamento é distinta, mas pode ser usada em conjunto com as mídias de transmissão. As mídias de transmissão participam em transferência de informações entre mídias de armazenamento. Por exemplo, a mídia de transmissão inclui cabos coaxiais, fios de cobre e fibras ópticas, que incluem os fios que compreendem o barramento 402. A mídia de transmissão também pode assumir a forma de ondas acústicas ou de luz, tais como aquelas geradas durante comunicações de dados de onda de rádio e infravermelhas.
[090] Diversas formas de mídias podem estar envolvidas na realização de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções através de uma linha de telefone com uso de um modem. Um modem local para um sistema de computador 400 pode receber os dados na linha de telefone e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector infravermelho pode receber os dados transportados no sinal infravermelho e o conjunto de circuitos apropriados pode colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem ser opcionalmente armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.
[091] 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 a 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 de cabo, modem de satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha de telefone. Como outro exemplo, a interface de comunicação 418 pode ser um cartão de rede de área local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Os enlaces sem fio também podem ser implantados. Em qualquer uma dessas implementações, 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.
[092] 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 da rede local 422 a um computador hospedeiro 424 ou a equipamento de dados operado por um Provedor de Serviço de Internet (ISP) 426. O 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. Tanto a rede local 422 como a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam os fluxos de dados digitais. Os sinais através das diversas redes e dos sinais no enlace de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e a partir do sistema de computador 400, são formas exemplificativas de mídias de transmissão.
[093] O sistema de computador 400 pode enviar mensagens e receber dados, que incluem código do programa, através da rede (ou redes), do enlace de rede 420 e da interface de comunicação 418. No exemplo de Internet, um servidor 430 pode transmitir um código solicitado por um programa aplicativo através da Internet 428, do ISP 426, da rede local 422 e da interface de comunicação 418.
[094] O código recebido pode ser executado pelo processador 404 conforme o mesmo é recebido e/ou armazenado no dispositivo de armazenamento 410 ou outro armazenamento não volátil para execução posterior.
[095] A Figura 7 retrata um método exemplificativo para assimilar um único ponto de dados em um modelo de teor de nutriente no solo.
[096] Na etapa 702, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular é armazenado. Um modelo digital de teor de nutriente no solo geralmente compreende uma pluralidade de valores que definem as quantidades de nutriente no solo em um campo particular ao longo de um período de tempo particular. Por exemplo, um modelo digital de teor de nitrogênio no solo pode identificar inúmeros quilos por hectare de nitrogênio em um campo particular ou seção particular de um campo em vários pontos no tempo durante o desenvolvimento de uma cultura no campo. Os vários pontos no tempo podem incluir estimativas diárias do teor de nutriente ou estimativas relacionadas a um ciclo de vida de uma cultura. Por exemplo, um modelo digital de teor de nutriente no solo pode identificar concentrações de nutriente em vários estágios de crescimento vegetativo, como o estágio de emergência de crescimento, o estágio de borla completamente visível e/ou quaisquer estágios intermediários, e em vários estágios reprodutivos. O modelo digital do teor de nutriente também pode compreender uma pluralidade de valores que definem outras características do solo no campo particular ao longo do período de tempo particular como teor de hidratação e temperatura do solo.
[097] O modelo digital de teor de nutriente no solo pode identificar uma ou mais propriedades do solo, como o teor de nutriente, a temperatura e o teor de hidratação com base em uma ou mais entradas de dados, um ou mais parâmetros e um ou mais relações estruturais. As entradas de dados se referem a valores de dados específicos a um campo. Os exemplos de entradas de dados incluem pH do solo, porcentagem de matéria orgânica no solo, porcentagem de areia, lodo e argila no solo, porcentagem de vários nutrientes no solo, tipo e quantidade de fertilizante adicionado a um campo particular, tipos de lavragem, práticas agrícolas, irrigação, temperatura, precipitação e tipo de cultura. Os parâmetros são valores que parametrizam uma família de modelos e frequentemente não podem ser medidos diretamente. Os exemplos de parâmetros incluem taxa de nitrificação, taxa de decomposição de nitrogênio orgânico solúvel, desvio de chuva através de resíduo, coeficiente de lixiviação para nitrato, amônio e ureia, taxa de desnitrificação, taxa de hidrólise de ureia, fator de absorção de amônio de argila e fator de difusão de nitrogênio Darciano. Os parâmetros podem variar de campo para campo. Por exemplo, as taxas de nitrificação e de lixiviação podem ser afetadas pela temperatura e o tipo de solo. As relações estruturais se referem às relações estimadas ou conhecidas entre vários fatores. Os exemplos de relações estruturais incluem as instruções de computação para estimar a lixiviação com base no tipo de solo, estimar a taxa de desnitrificação com base na hidratação de solo e para definir outras relações físicas.
[098] O sistema de computador de inteligência agrícola 130 pode armazenar um modelo digital de teor de nutriente para um campo particular para um período de tempo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber uma solicitação do dispositivo de computação de gerenciamento de campo 104 para modelar valores de nutriente em um campo associado ao dispositivo de computação de gerenciamento de campo 104 durante o desenvolvimento de uma cultura particular no campo. O sistema de computador de inteligência agrícola 130 também pode receber dados de campo 106 a partir do dispositivo de computação de gerenciador de campo 104 e/ou dados externos 110 a partir do computador servidor de dados externos 108. Os dados de campo 106 podem incluir informações relacionadas ao próprio campo, tal como nomes e identificadores de campo, tipos ou classificações de solo, situação de aragem, situação de irrigação, composição de solo, dados de aplicação de nutriente, práticas agrícolas, e dados de irrigação. Como usado no presente documento, um 'campo' se refere a uma área limitada geograficamente que compreende um campo superior que também pode compreender um ou mais subcampos. Os dados de campo 106 também podem incluir informações relacionadas a uma ou mais culturas atuais, tal como dados de plantação, tipo ou tipos de semente, níveis de maturidade relativos de semente ou sementes plantadas e população de semente. Adicionalmente, os dados de campo 106 podem incluir informações relacionadas aos dados de colheita de histórico que incluem o tipo ou a classificação de cultura, data de colheita, histórico de produção real, rendimento, hidratação de grão, práticas de lavragem e histórico de aplicação de adubo.
[099] Os dados externos 110 podem incluir quaisquer dados adicionais sobre o campo, a uma ou mais culturas, clima, precipitação, meteorologia, e/ou solo e fenologia da cultura. Clima, precipitação e meteorologia podem ser recebidos como dados de temperatura/precipitação atuais e dados de previsão futura para o um ou mais campos. Os dados atuais de temperatura/precipitação podem incluir as medições de temperatura. Adicional e/ou alternativamente, os dados de temperatura/precipitação atuais e os dados de previsão podem incluir dados em postos de observação específicos que são interpolados para as localizações entre os postes de observação, tal como no Pedido Não Provisório no 14/640.900 cujos teores são incorporados ao presente documento a título de referência como se apresentados integralmente. Os dados externos 110 também podem incluir dados de solo para o um ou mais campos. Por exemplo, o solo Banco de Dados Geográfico de Pesquisa de Solo (SSURGO) contém dados de solo por camada no nível de subcampo para áreas nos Estados Unidos da América, que incluem percentual de areia, lodo e argila para cada camada de solo. Em uma modalidade, os dados externos 110 incluem dados recebidos do SSURGO ou outras fontes de dados de solo. Em uma modalidade, os dados externos são complementados com dados de produtor e/ou dados de laboratório. Por exemplo, o solo retirado do um ou mais campos pode ser usado para ajustar os dados externos recebidos do SSURGO onde os dados externos foram imprecisos.
[100] O sistema de computador de inteligência agrícola 130 pode usar dados de campo 106 e dados externos 110 para criar um modelo digital do teor de nutriente no solo na localização particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode armazenar entradas iniciais para o campo particular. O sistema de computador de inteligência agrícola 130 também pode estimar os parâmetros para o campo particular e armazenar os parâmetros para o campo particular. O sistema de computador de inteligência agrícola 130 pode computar adicionalmente parâmetros baseados em dados externos recebidos 110. Por exemplo, se um parâmetro particular for baseado na temperatura, o sistema de computador de inteligência agrícola 130 pode usar os dados de previsão de temperatura e/ou medições de temperatura para computar o parâmetro particular.
[101] Na etapa 704, um ou mais valores de medição que especificam as medições de uma ou mais propriedades de solo em um campo particular dentre o um ou mais campos em um tempo particular dentro do período de tempo são recebidos. Por exemplo, as medições de valores de nutriente de solo, valores de hidratação de solo e/ou temperatura podem ser tomadas antes da plantação, antes da adubação de cobertura e antes da colheita de uma cultura. O sistema de computador de inteligência agrícola 130 pode receber dados de medição a partir do dispositivo de computação de gerenciamento de campo 104 que identificam uma ou mais medições da uma ou mais propriedades dentro do solo em uma ou mais localizações através do campo. As medições da uma ou mais propriedades podem corresponder às amostras de núcleo tomadas em várias localizações através do campo. Os resultados de medições podem ser enviados para o sistema de computador de inteligência agrícola 130 através de uma interface gráfica de usuário que é executada no dispositivo de computação de gerenciamento de campo 104.
[102] O tempo particular pode corresponder a um estágio de crescimento específico do desenvolvimento de cultura. Por exemplo, as amostras de solo tendem a ser tomadas nos estágios de V6 a V8 do desenvolvimento de cultura. As amostras de solo podem incluir análise por camada de valores de nutriente. Por exemplo, uma primeira medição de NO3- pode corresponder ao solo em 0 a 30 cm a partir da superfície em uma localização particular, enquanto uma segunda medição de NO3- pode corresponder ao solo em 30 a 60 cm a partir da superfície na localização particular. O sistema de computador de inteligência agrícola 130 pode receber dados que identificam o tempo particular juntamente com a medição do teor de nutriente. Por exemplo, o sistema de computador de inteligência agrícola 130 pode causar a exibição de uma interface gráfica de usuário em um dispositivo de computação de cliente com opções para identificar um teor de nutriente do solo, uma temperatura de solo e/ou um teor de hidratação do solo, uma localização da medição e uma data e hora de medição.
[103] Na etapa 706, um valor de propriedade de solo modelado que representa uma estimativa da uma ou mais propriedades do solo no campo particular no tempo particular é identificado. Por exemplo, o computador de inteligência agrícola 130 pode usar o modelo digital do teor de nutriente no solo do um ou mais campos ao longo do período de tempo particular para estimar o teor de nutriente em um tempo específico em várias localizações físicas do campo particular. As estimativas de teor de nutriente podem incluir as estimativas de níveis de potássio, fósforo e nitrogênio no solo nas várias localizações físicas. Em uma modalidade, o tempo particular corresponde a um tempo em que uma medição do teor de nutriente foi tomada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber valores de medição de solo a partir de um dispositivo de computação de gerenciamento de campo com uma indicação de uma localização da medição de solo e uma data e/ou hora da medição de solo. Em resposta, o sistema de computador de inteligência agrícola 130 pode computar os teores de nutriente no solo para a localização indicada e a data e/ou hora indicada.
[104] Na etapa 708, um valor de incerteza de modelação para o modelo digital do teor de nutriente é identificado. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar uma incerteza nas estimativas de teor de nutriente, hidratação de solo e/ou temperatura de solo com base no modelo digital do teor de nutriente. A incerteza de modelagem pode compreender três tipos de incerteza: incerteza de entrada, incerteza de parâmetro e incerteza estrutural. Os diferentes tipos de incerteza podem ser computados como uma incerteza total para o modelo. Adicional e/ou alternativamente, os diferentes tipos de incerteza podem ser computados separadamente para identificar três incertezas diferentes na estimativa de uma propriedade de solo particular no tempo particular. As três incertezas podem ser, então, combinadas para identificar uma incerteza geral para o valor de propriedade de solo modelado. Embora, geralmente, as três fontes de incerteza existam no modelo de teor de nutriente, em uma modalidade, menos do que todos os tipos de incerteza são identificados na etapa 708. Por exemplo, a incerteza estrutural pode ser ignorada devido às dificuldades na determinação das incertezas que existem devido às interações físicas que não são modeladas. O sistema de computador de inteligência agrícola 130 pode identificar a incerteza no valor modelado de teor de nutriente com base na incerteza em vários parâmetros e entradas sem considerar a incerteza estrutural.
[105] A incerteza estrutural geralmente se refere à incerteza no modelo do teor de nutriente que é criada por uma falha em considerar reações físicas particulares. Por exemplo, uma grande quantidade de elementos diferentes, da temperatura ao teor de hidratação, pode ter um impacto sobre o teor de nutriente no solo. Independentemente de quão completo o modelo do teor de nutriente for, pode haver uma ou mais interações físicas que afetam o teor de nutriente no solo, que não estão sendo consideradas no modelo. Adicionalmente, os efeitos da temperatura, da hidratação de solo, do teor de nutriente e outras propriedades físicas de localizações circundantes podem ser computacionalmente dispendiosas para modelar. Essas interações físicas podem fazer com que o valor de nutriente modelado difira do valor de nutriente real. Um método para estimar os erros com base na incerteza estrutural é executar o modelo contra uma pluralidade de medições em uma única localização ou uma pluralidade de localizações. Com base nas diferenças entre os valores modelados e os valores medidos, o sistema de computador de inteligência agrícola 130 pode identificar uma incerteza estrutural no modelo. A incerteza estrutural também pode ser estimada com base em diferentes modelos de nutriente que computam valores de nutriente para uma localização particular. Essa incerteza estrutural pode ser computada para localizações e/ou épocas do ano específicas. Por exemplo, se o modelo de teor de nutriente tende a ser menos preciso em altas temperaturas, as localizações que experimentam altas temperaturas podem ser associadas a uma incerteza estrutural superior do que a localização que experimenta baixas temperaturas.
[106] A incerteza de entrada geralmente se refere à incerteza em um ou mais valores recebidos que são usados para gerar o modelo. Por exemplo, a incerteza de entrada pode se referir à incerteza nas medições de nutriente de solo iniciais para o campo. Adicional e/ou alternativamente, a incerteza de entrada pode se referir a uma incerteza nas previsões/medições de temperatura e/ou precipitação. Por exemplo, várias técnicas de modelagem podem ser usadas para criar estimativas probabilísticas de precipitação e/ou temperatura em localizações e tempos particulares com base nas medições anteriores de precipitação e temperatura. Várias técnicas de modelagem também podem ser usadas para identificar incertezas nas medições de temperatura e precipitação em localizações particulares. Por exemplo, as medições de precipitação com base em radar em localizações particulares incluem incerteza devido a vários tamanhos de queda e densidade de chuva levando a medições de reflexividade similares. Uma quantificação da incerteza nas medições de precipitação com base em radar pode ser identificada como a incerteza nas entradas particulares.
[107] A incerteza de parâmetro geralmente se refere à incerteza em um ou mais valores computados ou estimados que não são medidos diretamente. Por exemplo, a taxa em que a matéria orgânica é convertida em amônio pode ser estimada com base em uma pluralidade de testes em campo e/ou experimentos. A taxa de conversão de matéria orgânica pode ser computada a partir de medições em várias temperaturas, níveis de hidratação e níveis de nutriente de solo para identificar uma dependência da taxa de conversão em vários fatores. Mesmo com experimentação substancial e testes em campo, uma incerteza na taxa de conversão de matéria orgânica irá existir devido aos fatores não identificados que afetam a taxa de conversão de matéria orgânica. A incerteza pode ser quantificada através de testes em campo e/ou experimentos e armazenada com o modelo de teor de nutriente. Onde as incertezas são identificadas como dependentes de uma ou mais outras entradas ou parâmetros, as entradas e parâmetros que afetam os valores de incerteza podem ser armazenados juntamente com as incertezas diferentes e identificação do parâmetro afetado.
[108] As incertezas nos parâmetros e entradas podem ser usadas para identificar uma incerteza no modelo do teor de nutriente. Um método para identificar uma incerteza no modelo geral do teor de nutriente com base em uma pluralidade de incertezas nos parâmetros e entradas é identificar valores de cada parâmetro e entrada que levam a um valor de teor de nutriente mínimo e valores de cada parâmetro e entrada que levam a um teor de nutriente máximo. Com base nos parâmetros/entradas mínimas e nos parâmetros/entradas máximas, o sistema de computador de inteligência agrícola 130 pode computar um valor de teor de nutriente mínimo e um valor de teor de nutriente máximo. Os valores mínimo e máximo podem ser usados para identificar uma faixa de teor de nutriente no campo no tempo particular.
[109] Em uma modalidade, o sistema de computador de inteligência agrícola 130 considera os efeitos de entradas e parâmetros sobre outras entradas e parâmetros ao computar a incerteza no modelo do teor de nutriente. Por exemplo, as interações entre os parâmetros e as entradas particulares podem resultar em um valor de entrada que resulta em um teor de nutriente mínimo para um conjunto de entradas e parâmetros, porém, que não resulta em um teor de nutriente mínimo para um segundo conjunto de entradas e parâmetros. Adicionalmente, para um tipo de entrada particular, como a temperatura, valores de entrada diferentes podem afetar o valor de um parâmetro particular e/ou a incerteza para um parâmetro particular. Assim, embora alterar a entrada sozinha possa levar a um valor de teor de nutriente particular, alterar, também, os parâmetros afetados pela entrada pode levar a um valor de teor de nutriente diferente.
[110] Em uma modalidade, o sistema de computador de inteligência agrícola 130 estima a incerteza no modelo de teor de nutriente através da combinação de diferentes perturbações de várias entradas e parâmetros para computar um nível diferente de teor de nutriente no solo. A Figura 8 retrata um método exemplificativo para identificar a incerteza no modelo de teor de nutriente através da perturbação de parâmetros diferentes. A Figura 8 inclui a distribuição de entrada ou parâmetro 802, a distribuição de entrada ou parâmetro 804 e a distribuição de entrada ou parâmetro 806. Cada uma das distribuições 802, 804 e 806 corresponde à valores particulares de entrada ou parâmetro e uma incerteza em cada um dentre os valores de entrada ou parâmetro. Por exemplo, distribuição 802 pode se referir à precipitação em um dia particular que é estimado em 5,33 cm (2,1 pol) com uma incerteza de 0,50 cm (0,2 pol). As distribuições 804 e 806 podem se referir a outros parâmetros ou entradas com incertezas diferentes. Por exemplo, a distribuição 804 pode se referir a uma estimativa e incerteza na taxa de conversão de matéria orgânica em amônio. Embora a Figura 8 retrate três distribuições, em uma modalidade, uma estimativa e incerteza para cada entrada e parâmetro com uma incerteza conhecida ou estimada é usada. Adicional e/ou alternativamente, as incertezas de parâmetros e entradas específicos que causam alterações maiores no modelo de teor de nutriente são utilizadas enquanto os parâmetros e entradas que não têm um efeito significativo sobre o modelo não são usados.
[111] Em uma modalidade, cada entrada e parâmetro utilizado é perturbado para gerar uma pluralidade de perturbações para cada entrada e parâmetro. Em uma modalidade, perturbar um parâmetro ou entrada compreende gerar um número particular de valores espaçados para o parâmetro ou entrada entre um limite inferior para o parâmetro e o limite superior do parâmetro. Os valores podem ser uniformemente espaçados e/ou espalhados com base em análises de sensibilidade anteriores. Por exemplo, no exemplo de precipitação acima, cem valores espaçados uniformemente podem ser gerados entre 4,82 cm e 5,84 cm (1,9 pol e 2,3 pol). Assim, as perturbações para o exemplo de precipitação podem incluir valores de 4,82 cm, 4,83 cm e 4,84 cm (1,9 pol, 1,904 pol e 1,908 pol). Em algumas modalidades, perturbar o parâmetro ou entrada compreende gerar um número particular de valores uniformemente espaçados para o parâmetro ou entrada entre um limite inferior e o valor padrão e gerar um número particular de valores uniformemente espaçados para o parâmetro ou entrada entre o valor padrão e o limite superior. Gerando-se um número igual de valores entre o limite inferior e o valor padrão e entre o valor padrão e o limite superior, o sistema de computador de inteligência agrícola 130 pode considerar as distribuições não uniformes na incerteza de um parâmetro ou entrada particular. Por exemplo, se a precipitação estimada em um dia particular for de 5,33 cm (2,1 pol), porém, a faixa de valores de precipitação for de 4,57 cm a 5,58 cm (1,8 pol a 2,2 pol), o número de valores gerados entre 4,57 cm e 5,33 cm (1,8 pol e 2,1 pol) seria igual ao número de valores entre 5,33 cm e 5,58 cm (2,1 pol e 2,2 pol).
[112] Em uma modalidade, perturbar as entradas e/ou parâmetros compreende amostrar a partir das distribuições associadas a cada um dentre as entradas e/ou os parâmetros. Por exemplo, uma distribuição Gaussiana para um parâmetro e/ou entrada particular pode ser identificada por um valor médio para o parâmetro e/ou entrada e um desvio padrão para o parâmetro e/ou entrada. O sistema de computador de inteligência agrícola 130 pode executar instruções de amostragem para amostrar um número particular de valores não repetidos da distribuição. Através da amostragem de uma distribuição de valores para a entrada e/ou parâmetro, o sistema de computador de inteligência agrícola 130 preserva o formato da distribuição, propagando, assim, o erro da entrada e dos parâmetros para a incerteza para o modelo digital de teor de nutriente.
[113] Em uma modalidade, um número igual de perturbações é gerado para cada parâmetro ou entrada. Por exemplo, na Figura 8, as perturbações 812, 822 e 832 são geradas a partir da distribuição de entrada ou parâmetro 802, as perturbações 814, 824 e 834 são geradas a partir da distribuição de entrada ou parâmetro 804 e as perturbações 816, 826 e 836 são geradas a partir da distribuição de entrada ou parâmetro 806. Embora a Figura 8 retrate três entradas e/ou parâmetros e três perturbações por entrada e/ou parâmetro, uma modalidade pode incluir qualquer número de entradas e/ou parâmetros e centenas de perturbações para cada entrada e/ou parâmetro. Adicionalmente, o sistema de computador de inteligência agrícola 130 pode gerar múltiplos conjuntos de perturbações para cada entrada ou parâmetro. Por exemplo, embora cada conjunto de perturbações para uma entrada particular possa compreender cem valores, o sistema de computador de inteligência agrícola 130 pode gerar trinta conjuntos de valores para a entrada particular, gerando, assim, três mil perturbações do parâmetro particular.
[114] Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona aleatoriamente as perturbações de cada entrada ou parâmetro e usa os valores de perturbação selecionados aleatoriamente para executar o modelo de teor de nutriente. Por exemplo, o modelo de nutriente 850 é executado com a perturbação 812, a perturbação 824 e a perturbação 836. Em uma modalidade, os valores de nutriente selecionados aleatoriamente são tomados a partir de um único conjunto de valores para cada entrada ou parâmetro sem substituição. Por exemplo, se trinta conjuntos de cem perturbações são criados para cada entrada ou parâmetro, o sistema de computador de inteligência agrícola 130 pode selecionar aleatoriamente a partir do primeiro conjunto de cem perturbações para cada entrada ou parâmetro sem substituição até que todos os valores dentre os cem valores tenham sido usados. O sistema de computador de inteligência agrícola 130, então, pode selecionar aleatoriamente a partir do segundo conjunto de cem perturbações para cada entrada ou parâmetro sem substituição até que todos os valores dentre os segundos cem valores tenham sido usados. Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona apenas combinações de perturbações que ainda não foram utilizadas. Por exemplo, se, em um décimo conjunto de cem perturbações, o sistema de computador de inteligência agrícola 130 selecionar uma combinação de entradas e parâmetros que são igual a uma seleção de um conjunto anterior de cem perturbações, o sistema de computador de inteligência agrícola 130 pode resselecionar uma ou todas as perturbações.
[115] Em uma modalidade, o sistema de computador de inteligência agrícola 130 primeiro computa as perturbações em valores independentes antes de computar as perturbações em valores dependentes. Os valores independentes, como usado no presente documento, se referem aos valores de entradas ou parâmetros que são independentes dos valores de outras entradas ou parâmetros. Por exemplo, a temperatura em uma localização particular pode ser diretamente medida e, portanto, pode ser inafetada por alterações em outras entradas, enquanto a hidratação de solo pode ser alterada dependendo de valores de temperatura, precipitação e teor de nutriente de solo. Como outro exemplo, certos parâmetros podem ser considerados parâmetros globais, no sentido de que não variam de campo para campo, ao passo que outros parâmetros podem ser dependentes da hidratação de solo ou da temperatura. O sistema de computador de inteligência agrícola 130 pode perturbar inicialmente as entradas e parâmetros independentes para gerar uma combinação particular de perturbações. Com base na combinação de perturbações, o sistema de computador de inteligência agrícola 130 pode computar parâmetro ou entradas adicionais e, então, perturbar os valores do parâmetro ou entradas adicionais.
[116] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica as combinações de perturbações que não rendem saídas sensíveis e resultam em uma execução de modelo falha. Por exemplo, alguns parâmetros podem ser relacionados a outros, de modo que uma alta perturbação de um parâmetro resulte em uma alta perturbação em um segundo parâmetro. Isso pode ocorrer se a variabilidade dos parâmetros tiver a mesma fonte e/ou se a variabilidade de um primeiro parâmetro for dependente da variabilidade de um segundo parâmetro. Se um ou mais dentre os parâmetros ou valores selecionados for inconsistente com um ou mais outros parâmetros ou valores, o sistema de computador de inteligência agrícola 130 pode descartar os resultados da execução do modelo de teor de nutriente para tal conjunto de parâmetros e/ou valores. Adicional e/ou alternativamente, se os resultados da execução do modelo de teor de nutriente não forem saídas fisicamente sensíveis, o sistema de computador de inteligência agrícola 130 pode determinar que o conjunto particular de parâmetros e/ou entradas resultou em uma execução de modelo falha e descartar os resultados. Por exemplo, se o sistema de computador de inteligência agrícola 130 modelar uma camada de topo de uma camada de fundo do solo como tendo um alto teor de hidratação, porém, uma camada intermediária do solo como tendo um teor de hidratação desprezível, o sistema de computador de inteligência agrícola 130 pode determinar que os resultados do modelo de teor de nutriente não são sensíveis e podem, portanto, ser descartados.
[117] Em uma modalidade, o sistema de computador de inteligência agrícola 130 gera um modelo de nutriente incerteza a partir dos resultados viáveis de cada modelo de teor de nutriente. Por exemplo, o modelo de nutriente 850, o modelo de nutriente 860 e o modelo de nutriente 870 podem, cada um, produzir diferentes resultados para medições de teor de nutriente com base nas perturbações de parâmetros e/ou entradas. Os resultados para o teor de nutriente podem incluir resultados para vários tipos de nutrientes em várias localizações e níveis de solo. Um modelo de incerteza de nutriente pode ser gerado para os resultados de cada modelo de nutriente em um nível de solo, localização, tipo de nutriente e tempo particular. Assim, o modelo de incerteza de nutriente 880 pode descrever a incerteza em um tipo particular de nutriente em uma localização e nível de solo particulares. As mesmas perturbações de parâmetros e/ou entradas podem ser usadas para gerar modelos de incerteza para outras localizações. Adicional e/ou alternativamente, o método para perturbar os parâmetros e/ou entradas pode ser executado independentemente para cada localização, cada camada de solo e/ou cada tipo de nutriente. Assim, diferentes combinações de perturbações podem ser usadas para várias localizações através de um campo, várias camadas de solo e/ou vários tipos de nutriente. Dessa maneira, a incerteza de modelagem pode ser localizada para uma localização, um nível de solo e/ou tipo de nutriente particular.
[118] Em uma modalidade, os valores de incerteza de modelo de nutriente são identificados para uma pluralidade de localizações através de um campo. Por exemplo, as entradas podem ser recebidas em localizações particulares de um campo. Uma incerteza de modelagem pode ser identificada para cada uma dentre as localizações particulares do campo. O dispositivo de computador de inteligência agrícola 130 pode utilizar uma ou mais técnicas de modelagem para estimar incertezas no modelo de teor de nutriente e/ou em um ou mais parâmetros e/ou entradas em diferentes localizações do campo em um tempo particular com o uso das incertezas nas localizações particulares. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que os valores de incerteza em cada localização consistem no produto de uma curva de incerteza subjacente suave através do um ou mais campos. O sistema de computador de inteligência agrícola 130 pode determinar o formato da curva subjacente com o uso de técnicas de modelagem estatística, como Krigagem (kriging) e amostra da curva subjacente em cada localização diferente para obter um valor de incerteza para a localização. O sistema de computador de inteligência agrícola 130 pode utilizar técnicas similares para modelar valores de incerteza através de um espaço de parâmetro. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que tais valores de incerteza em cada parâmetro consistem no produto de uma curva subjacente suave através do espaço de parâmetro e amostrar cada valor de incerteza através dos parâmetros.
[119] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica parâmetros sensíveis para perturbar, a fim de diminuir a potência de computação usada na identificação da incerteza de modelagem para uma localização particular. Computar um teor de nutriente modelado com o uso de incertezas em cada entrada e parâmetro pode ser dispendioso considerando-se um modelo complexo de teor de nutriente. Assim, para diminuir a potência de computação usada para identificar a incerteza de modelagem, o sistema de computador de inteligência agrícola 130 pode identificar um subconjunto de parâmetros e incertezas que têm o maior efeito sobre o modelo de teor de nutriente quando perturbado.
[120] Em uma modalidade, o sistema de computador de inteligência agrícola 130 identifica parâmetros e/ou entradas sensíveis computando-se valores de teor de nutriente com perturbações de um único parâmetro e/ou entrada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode selecionar um parâmetro e/ou entrada particular para perturbar para uma pluralidade de medições de teor de nutriente enquanto mantém constantes os parâmetros e/ou entradas restantes. O sistema de computador de inteligência agrícola 130 pode executar o modelo com a pluralidade de perturbações do parâmetro e/ou entrada selecionada para cada um dentre uma pluralidade de anos, localizações e/ou práticas de gerenciamento. Com base nos teores de nutriente para cada uma dentre as perturbações, o sistema de computador de inteligência agrícola 130 pode identificar uma faixa e/ou incerteza no modelo considerando-se as perturbações do parâmetro e/ou entrada selecionada. Identificando-se as incertezas de modelagem para um parâmetro e/ou entrada selecionada através do tempo, espaço e práticas de gerenciamento, o sistema de computador de inteligência agrícola 130 pode determinar uma incerteza que não é restringida pela localização, o ano ou a prática de gerenciamento.
[121] O sistema de computador de inteligência agrícola 130 pode computar as incertezas de modelo de nutriente para cada parâmetro e/ou entrada enquanto mantém o resto constante. O sistema de computador de inteligência agrícola 130, então, pode selecionar os parâmetros e/ou entradas que, quando perturbados, criam a maior alteração no modelo. Os parâmetros e/ou entradas selecionadas podem ser usadas para computar a incerteza de modelagem em uma localização e tempo particulares. Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar dados específicos a uma localização, um ano e/ou uma prática de gerenciamento particular para identificar os parâmetros e/ou entradas sensíveis com base na localização, no ano e/ou na prática de gerenciamento. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar parâmetros e/ou entradas sensíveis para uma aplicação inicial de 22,67 kg (50 lbs) de nitrogênio através de uma pluralidade de localizações e anos e para uma aplicação inicial de 45,35 kg (100 lbs) de nitrogênio através de uma pluralidade de localizações e anos. Se os parâmetros e/ou entradas selecionadas diferem entre os testes de aplicação de 22,67 kg (50 lbs) e a aplicação de 45,3 kg (100 lbs), então, quando o sistema de computador de inteligência agrícola 130 identifica a incerteza de modelagem para um campo particular, o sistema de computador de inteligência agrícola 130 pode selecionar um ou mais parâmetros e/ou entradas com base na aplicação de nutriente ao campo particular.
[122] Na etapa 710, um valor de incerteza de medição para cada um dentre o um ou mais valores de medição digital que especificam as medições da uma ou mais propriedades do solo é identificado.
[123] Identificar um valor de incerteza de medição para uma localização e tempo particular pode compreender identificar uma variabilidade dentro do campo em um tempo particular. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber uma pluralidade de medições em pontos diferentes de um campo. O sistema de computador de inteligência agrícola 130 pode identificar medições relacionadas a uma região particular do campo que foi submetida às práticas de gerenciamento uniformes. Por exemplo, as medições de uma porção do campo que recebeu uma aplicação inicial de 22,67 kg (50 lbs) de nitrogênio podem não ser agrupadas com as medições de uma porção do campo que recebeu uma aplicação inicial de 45,35 kg (100 lbs) de nitrogênio. Com o uso das medições recebidas, o sistema de computador de inteligência agrícola 130 pode identificar uma variabilidade no campo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode presumir que os valores de nutriente dentro do campo são uniformes através das localizações. Assim, o sistema de computador de inteligência agrícola 130 pode colapsar a pluralidade de medições a uma localização e identificar a variância da pluralidade de medições.
[124] Em uma modalidade, o sistema de computador de inteligência agrícola 130 insere a incerteza em uma medição com base no valor de medição. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber apenas uma medição a partir de um campo particular em vez de receber uma pluralidade de medições através do campo que podem ser colapsadas a uma única localização para identificar a variabilidade de campo. O sistema de computador de inteligência agrícola 130 pode consultar uma tabela de consulta de incerteza que inclui valores de incerteza estimados para cada valor de medição de um nutriente particular. A tabela de consulta de incerteza pode ser populada através de uma pluralidade de testes em campo em que a incerteza de medição é computada, como através do uso da variabilidade de campo. Cada valor de incerteza pode ser associado a um valor de medição particular. À medida que mais testes são realizados, uma confiança no valor de incerteza para cada valor de medição aumenta. Com o uso de uma pluralidade de testes em campo para identificar valores de incerteza prováveis para cada valor de medição, o sistema de computador de inteligência agrícola 130 cria um método para identificar a incerteza que exige apenas que um dispositivo de computação de cliente forneça uma única medição do teor de nutriente em um único ponto no solo.
[125] Na etapa 712, um segundo modelo digital do teor de nutriente no solo é gerado e exibido com base, pelo menos em parte, no valor de incerteza de modelação e no valor de incerteza de medição. Por exemplo, o sistema de computador de inteligência agrícola 130 pode ponderar inversamente o valor de propriedade modelado pela incerteza de modelagem para gerar um valor de propriedade modelado ponderado. O sistema de computador de inteligência agrícola 130 também pode ponderar inversamente o valor de propriedade medido pela incerteza de medição para gerar um valor de propriedade medido ponderado. Os dois valores ponderados, então, podem ser combinados e multiplicados por uma função de covariância para gerar uma saída de modelo assimilado.
[126] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado para computar o valor de saída de modelo assimilado com o uso da seguinte relação: em que é o valor esperado do teor de nutriente assimilado, em um tempo particular considerando-se os dados de medição recebidos A equação para o valor esperado da propriedade assimilada compreende um termo de valor de medição ponderado, em que n é o número de medições recebidas, é um operador linear que mapeia a saída de modelo em múltiplas camadas y em camadas de medição correspondentes, é o erro de medição estimado e é a média dos valores de medição para um nível de solo, uma localização e um tipo de nutriente particulares. Cada um dentre os valores ou operadores supracitados é representado em dados digitais ou instruções de programa armazenadas. O operador linear pode ser usado para mapear os valores modelados para valores medidos quando os valores correspondem a diferentes camadas de solo. Por exemplo, se o modelo de teor de nutriente identifica o teor de nutriente no solo nas camadas de 0 a 3 cm, 3 a 6 cm, 6 a 9 cm e 9 a 12 cm, porém, as medições são tomadas para o solo nas camadas de 0 a 6 cm e 6 a 12 cm, o operador linear pode transformar os valores das medições de modo que correspondam aos valores dos valores modelados.
[127] A equação para o valor esperado do teor de nutriente assimilado compreende adicionalmente um termo de valor de modelagem ponderado em que é o erro de modelagem estimado e é o valor de nutriente modelado considerando-se os parâmetros e entradas padrão. Os parâmetros e entradas padrão são os valores esperados dos parâmetros e entradas sem perturbação. A equação para o valor esperado compreende adicionalmente um termo de covariância, que toma a combinação de valores ponderados e transforma a combinação em valores não ponderados.
[128] Em uma modalidade, cada um dentre os termos de incerteza compreende matrizes de covariância. pode ser uma matriz de covariância gerada a partir dos parâmetros perturbados e valores modelados através de uma ou mais profundidades e/ou tipos de nutriente. Por exemplo, se as medições forem recebidas para dois nutrientes, nas profundidades que correspondem a seis profundidades modeladas diferentes, o sistema de computador de inteligência agrícola 130 pode construir uma matriz de covariância de 12 x 12 para a incerteza no teor de nutriente modelado. " pode ser uma matriz de covariância para a incerteza de medição com base nos valores de medição recebidos. Por exemplo, uma estrutura de correlação pode ser gerada com base em medições em todas as localizações e tratamentos para um campo particular. Com o uso de valores em todas as localizações e tratamentos para criar a estrutura de correlação, o sistema de computador de inteligência agrícola 130 pode gerar uma estrutura de correlação com o uso de um número baixo de medições em cada localização e tratamento. Por exemplo, se um agricultor tomar apenas um conjunto de medições em várias localizações no campo, uma estrutura de correlação que não presume a uniformidade através das localizações limita o número de amostras que podem ser usadas para assimilação em um dado ponto para uma única amostra. A matriz de covariância, então, pode ser escalonada de acordo com variâncias marginais específicas de tratamento e localização. Por exemplo, a estrutura de correlação pode ser multiplicada por uma matriz diagonal que compreende desvios da média em cada localização e tratamento, para criar uma matriz de covariância com termos dependentes de localização e tratamento. Assim, embora a estrutura de correlação geral possa ser presumida como universal, a matriz de covariância pode presumir que os valores medidos são dependentes da localização e do tratamento.
[129] O valor de teor de nutriente assimilado pode ser identificado como um teor provável de nutriente no solo. Em uma modalidade em que o teor de hidratação e/ou medições de temperatura são assimiladas no modelo de teor de nutriente, o valor de teor de nutriente assimilado pode ser computado com base em um valor assimilado de teor de hidratação e/ou temperatura. Em uma modalidade, os valores assimilados de dados compreendem uma distribuição de valores assimilados. Por exemplo, as incertezas no valor modelado e as incertezas no valor medido podem ser usadas para computar uma incerteza geral para o valor assimilado. Com o uso da incerteza no valor assimilado, o sistema de computador de inteligência agrícola 130 pode identificar uma faixa de valores para o teor de nutriente com probabilidades correspondentes. A faixa de valores pode ser propagada em computações futuras e/ou exibida no dispositivo de computação de gerenciamento de campo 104.
[130] Em uma modalidade, o valor de propriedade assimilada é usado para calibrar o modelo de teor de nutriente para uma propriedade particular. Identificar o valor de propriedade assimilada permite que o sistema de computador de inteligência agrícola 130 execute o modelo de teor de nutriente para um ponto no tempo particular com o novo valor, aumentando, assim, a precisão do modelo de teor de nutriente para as previsões futuras. O sistema de computador de inteligência agrícola 130 pode aumentar adicionalmente a precisão do modelo de teor de nutriente para previsões futuras avaliando-se os parâmetros e entradas que entraram no modelo de teor de nutriente para reduzir erros.
[131] Para calibrar o modelo de teor de nutriente, o sistema de computador de inteligência agrícola 130 pode, primeiro, identificar os parâmetros e entradas que levam a cada valor do modelo de teor de nutriente. Por exemplo, ao identificar a incerteza de modelagem, o sistema de computador de inteligência agrícola 130 pode perturbar uma pluralidade de parâmetros e/ou entradas e computar um valor de teor de nutriente através do modelo de teor de nutriente com o uso de cada conjunto de parâmetros perturbados e/ou entradas. O sistema de computador de inteligência agrícola 130 pode armazenar cada conjunto de parâmetros perturbados com o resultado da execução do modelo de teor de nutriente com o uso de tal conjunto de parâmetros. Os parâmetros perturbados armazenados podem ser ordenados pelos resultados produzidos, de modo que os conjuntos de parâmetro que levam a teores de nutriente similares sejam facilmente identificáveis.
[132] Após um valor de propriedade assimilada ser identificado, o sistema de computador de inteligência agrícola 130 pode buscar através dos conjuntos de parâmetros perturbados armazenados por um ou mais conjuntos de parâmetros e/ou entradas perturbados que levaram ao mesmo valor de propriedade que o valor de propriedade de nutriente assimilado. Adicional e/ou alternativamente o sistema de computador de inteligência agrícola 130 pode identificar perturbações de parâmetros e/ou entradas que produziram resultados que foram os mais próximos do valor de propriedade assimilada. Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona um melhor conjunto de perturbações dos parâmetros e/ou entradas que levaram ao valor de propriedade mais próximo ao valor de teor de nutriente assimilado e usa o conjunto de perturbações para executar o modelo de teor de nutriente. Com o uso do conjunto de perturbação que levou ao valor de propriedade assimilada, o sistema de computador de inteligência agrícola 130 remove uma fonte de erro que levou ao valor modelado diferente do valor de medição. Assim, embora usar o valor de propriedade assimilada para executar o modelo de teor de nutriente reduza os erros nos resultados através da minimização das diferenças entre os valores de teor modelados e os valores de teor medidos em um tempo particular, calibrar o modelo de teor de nutriente para um conjunto de perturbações particular de parâmetros e/ou entradas reduz os erros nos resultados removendo-se a fonte de erros nas estimativas de perturbações e/ou entradas.
[133] Em uma modalidade, o sistema de computador de inteligência agrícola 130 seleciona um conjunto de entradas e/ou parâmetros com base em uma pluralidade de valores de propriedade assimilada. Por exemplo, o sistema de computador de inteligência agrícola 130 pode computar valores assimilados de teor de nutriente para uma pluralidade de localizações em um campo, uma pluralidade de profundidades de solo, uma pluralidade de tipos de nutriente e/ou uma pluralidade de tipos de tratamento. O sistema de computador de inteligência agrícola 130 pode selecionar um conjunto de perturbações que minimiza as diferenças quadráticas entre cada valor de nutriente modelado e o valor de nutriente assimilado correspondente. O sistema de computador de inteligência agrícola 130 também pode identificar múltiplos conjuntos de perturbações que levaram tanto ao valor de teor de nutriente assimilado quanto a um valor dentro de uma faixa particular do valor de teor de nutriente assimilado. Por exemplo, se o sistema de computador de inteligência agrícola 130 gerar uma distribuição de valores para o teor de nutriente assimilado, o sistema de computador de inteligência agrícola 130 pode selecionar perturbações que levaram a um valor dentro da distribuição. Com o uso de múltiplos conjuntos de perturbações, o sistema de computador de inteligência agrícola 130 pode computar uma faixa de valores para teores futuros de nutriente no solo, propagando, assim, a incerteza nos valores assimilados para valores futuros de nutriente.
[134] Em uma modalidade, o sistema de computador de inteligência agrícola 130 armazena os conjuntos de parâmetros selecionados para cada campo em que um valor de propriedade assimilada é computado. Por exemplo, o sistema de computador de inteligência agrícola 130 pode gerar modelos de teor de nutriente para uma pluralidade de campos em uma pluralidade de localizações. O sistema de computador de inteligência agrícola 130 também pode receber uma pluralidade de valores de dados que identificam os teores de nutriente no solo para os campos na pluralidade de localizações. Para cada campo, o sistema de computador de inteligência agrícola 130 pode realizar o método descrito na Figura 7 para gerar um valor de teor de nutriente assimilado e calibrar o modelo de teor de nutriente com base no valor de teor de nutriente assimilado. O sistema de computador de inteligência agrícola 130, então, pode armazenar cada conjunto de perturbações juntamente com as informações a respeito de um campo particular, como práticas de gerenciamento, localização, entradas e número de medições tomadas no campo.
[135] O sistema de computador de inteligência agrícola 130 pode usar os dados de perturbação armazenados para fortalecer, de modo geral, o modelo de teor de nutriente. Por exemplo, o sistema de computador de inteligência agrícola 130 pode identificar parâmetros e/ou entradas com perturbações selecionadas que são frequentemente superiores ao valor padrão. O sistema de computador de inteligência agrícola 130, então, pode elevar o valor para o parâmetro particular com base nas perturbações selecionadas para o modelo de teor de nutriente. O sistema de computador de inteligência agrícola 130 também pode identificar as dependências de valores de perturbação de parâmetros e/ou entradas sobre a localização, elevação, hidratação de solo, temperatura, precipitação média e/ou uma ou mais outras entradas. Por exemplo, se as perturbações selecionadas de um parâmetro particular forem, em geral, superiores ao valor padrão em uma pluralidade de campos em uma localização geográfica, porém, em geral, inferiores ao valor padrão em uma pluralidade de campos em uma segunda localização geográfica, o sistema de computador de inteligência agrícola 130 pode armazenar dados que identificam uma dependência de localização no valor do parâmetro particular.
[136] Em uma modalidade, o computador de inteligência agrícola 130 usa o valor de teor de nutriente assimilado para gerar um modelo agronômico. Em uma modalidade, um modelo agronômico é uma estrutura de dados em memória do sistema de computador de inteligência agrícola 130 que contém informações de localização e cultura para um ou mais campos. Um modelo agronômico também pode conter fatores agronômicos que descrevem condições que podem afetar o crescimento de uma ou mais culturas em um campo. Além disso, um modelo agronômico pode conter recomendações com base em fatores agronômicos tais como recomendações de cultura, recomendações de irrigação, recomendações de plantação e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, tais como o 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 lucro obtido a partir da cultura produzida.
[137] A falta de um ou mais nutrientes pode afetar o rendimento potencial de uma cultura. Por exemplo, estresse por nitrogênio descreve o efeito de uma incapacidade da cultura para receber uma quantidade ótima de nitrogênio no crescimento da cultura. Cada cultura tem uma quantidade ótima diferente de nitrogênio que define uma quantidade mínima de nitrogênio abaixo da qual o crescimento da cultura é afetado adversamente. As quantidades ótimas de nitrogênio podem mudar por todo o ciclo de desenvolvimento da cultura. O estresse de água igualmente descreve o efeito de uma incapacidade da cultura para receber uma quantidade ótima de água no crescimento da cultura e estresse de calor descreve o efeito de temperaturas altas no crescimento da cultura. Com base nos dados recebidos de temperatura, hidrologia e nutriente, o computador de inteligência agrícola 130 pode estimar os efeitos do estresse por nitrogênio, estresse por calor e estresse por água sobre a uma ou mais culturas. Por exemplo, o estresse por nitrogênio pode levar à destruição de folha que reduz o índice de área foliar para uma cultura, reduzindo, desse modo, a quantidade de luz solar recebida pela cultura. O computador de inteligência agrícola 130 pode usar lógica programada digitalmente e dados armazenados que indicam efeitos de quantidades específicas de estresse de nitrogênio para um tipo de cultura particular para mudanças de modelo em um desenvolvimento da cultura. Com base nos modelos da cultura conforme afetada por estresse de nitrogênio, estresse de calor, estresse de água ou qualquer combinação dos mesmos, o computador de inteligência agrícola 130 pode estimar um rendimento total para a cultura.
[138] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa valores de entrada recebidos e o valor de teor de nutriente assimilado para criar um modelo agronômico na memória ou em armazenamento persistente em resposta a uma solicitação do dispositivo de computação de gerenciamento de campo 104 por um modelo agronômico. Em outras modalidades, o sistema de computador de inteligência agrícola 130 recebe uma solicitação de um terceiro por um modelo agronômico. Por exemplo, uma companhia de seguros pode solicitar um modelo agronômico para um campo de cliente segurado para determinar os riscos associados à cultura plantada pelo cliente. Em outro exemplo, um servidor de aplicação pode enviar uma solicitação para o sistema de computador de inteligência agrícola 130 para criar um modelo agronômico para um campo de usuário específico. Alternativamente, o sistema de computador de inteligência agrícola 130 pode gerar modelos agronômicos periodicamente. O sistema de computador de inteligência agrícola 130 também pode gerar modelos agronômicos em resposta ao recebimento de observações meteorológicas atualizadas ou em resposta à criação de dados meteorológicos, dados de nutriente, dados de solo ou outros dados de campo atualizados.
[139] Em uma modalidade, o sistema de computador de inteligência agrícola 130 envia modelos agronômicos para o dispositivo de computação de gerenciador de campo 104. Em outras modalidades, o computador de inteligência agrícola 130 cria recomendações com o uso de modelos agronômicos e envia as recomendações para o dispositivo de computação de gerenciamento de campo 104. O sistema de computador de inteligência agrícola 130 também pode armazenar modelos agronômicos em memória. Os modelos agronômicos armazenados podem, posteriormente, ser usados para aprimorar os métodos usados pelo sistema de computador de inteligência agrícola 130 ou para classificar os vários métodos de modelagem.
[140] Em uma modalidade, o computador de inteligência agrícola 130 cria uma ou mais recomendações com base no valor de teor de nutriente assimilado. A uma ou mais recomendações pode incluir recomendações de irrigação atuais, recomendações de aplicação de nutriente atuais e aplicação de agroquímico de eficiência melhorada. Por exemplo, computador de inteligência agrícola 130 pode determinar que o nitrogênio no um ou mais campos será insuficiente para as exigências de nitrogênio de uma cultura em uma certa data. Em resposta, o computador de inteligência agrícola 130 pode usar o modelo de teor de nutriente calibrado para modelar as aplicações de nitrogênio antes de certa data para determinar quando o nitrogênio precisaria ser adicionado ao sistema para evitar o déficit ou para evitar que a cultura sofra danos a partir do déficit. O computador de inteligência agrícola 130 pode criar uma ou mais recomendações para a aplicação de nitrogênio com base na determinação. Adicionalmente, o computador de inteligência agrícola 130 pode determinar se a perda de nitrogênio para a lixiviação, volatilização ou desnitrificação das aplicações de nitrogênio modeladas excede um limiar específico, e, em resposta à determinação de que a perda de nitrogênio excede o limiar específico, modelar as aplicações de inibidores de nitrogênio juntamente com o nitrogênio. Adicional e/ou alternativamente, o computador de inteligência agrícola 130 pode recomendar uma aplicação de inibidores de nitrogênio em resposta a uma determinação de que o nitrogênio perdido a partir das aplicações de nitrogênio modeladas excede o limiar específico.
[141] O módulo de recomendação 152 também pode criar recomendações para aplicação de água com base em uma determinação do módulo orientador de fertilidade 136. Por exemplo, caso o módulo orientador de fertilidade 136 determine que teor de umidade baixo no solo está fazendo com que menos de um nutriente fique disponível para a cultura, o módulo de recomendação 152 pode criar uma recomendação para aplicação de água a fim de aumentar a disponibilidade de nutriente para a cultura. O módulo orientador de fertilidade 136 pode ser configurado para determinar se o teor de umidade do solo cai abaixo de um limiar específico. Em resposta à determinação, o módulo orientador de fertilidade 136 pode modelar os efeitos de adicionar água ao solo. Em uma modalidade, caso o módulo orientador de fertilidade 136 determine que a adição de água aumenta a disponibilidade de nutriente para o solo por mais do que um limiar específico, o módulo de recomendação 152 pode criar uma recomendação para uma aplicação de água.
[142] Em uma modalidade, o módulo orientador de fertilidade 136 envia a uma ou mais recomendações para a camada de apresentação 134. A camada de apresentação 134 pode, então, enviar a uma ou mais recomendações para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o dispositivo de computação de gerenciador de campo 104 pode enviar uma solicitação para o sistema de computador de inteligência agrícola 130 para uma recomendação de plantação para a próxima cultura. Adicional e/ou alternativamente, o dispositivo de computação de gerenciador de campo 104 pode enviar uma solicitação para o sistema de inteligência agrícola 130 para uma recomendação de aplicação de nutriente. Em resposta, a camada de apresentação 134 pode enviar uma recomendação gerada pelo módulo de recomendação 152 para o dispositivo de computação de gerenciador de campo 104. A recomendação pode ser acompanhada por gráficos de disponibilidade de nutriente que representem a disponibilidade de nutriente para a cultura com base em uma aplicação da recomendação.
[143] Em uma modalidade, o computador de inteligência agrícola 130 envia a uma ou mais recomendações para a camada de comunicação 132. A camada de comunicação 132 pode usar as recomendações para aplicação de água, aplicação de nutriente ou aplicação de agroquímico de eficiência melhorada para criar parâmetros de aplicação para o controlador de aplicação 114. Por exemplo, o computador de inteligência agrícola 130 pode criar uma recomendação para a aplicação de nutriente com base em valores estimados de teor de nutriente. Em resposta ao recebimento da recomendação, a camada de comunicação 132 pode usar os dados de disponibilidade de nutriente para criar parâmetros de aplicação para uma válvula de liberação de nutriente que descreve uma quantidade de um nutriente para liberar para o um ou mais campos. A camada de apresentação 134 pode, então, enviar uma notificação para o dispositivo de computação de gerenciador de campo 104 que indica os dados de disponibilidade de nutriente e solicita permissão para aplicar o nutriente recomendado ao um ou mais campos. Em resposta ao recebimento da permissão para aplicar o nutriente recomendado, a camada de comunicação 132 pode enviar os parâmetros de aplicação para o controlador de aplicação 114. O controlador de aplicação 114 pode, então, implantar os parâmetros de aplicação, tal como liberar nitrogênio para o um ou mais campos ou aumentar a quantidade de água liberada para uma cultura específica.
[144] Com o uso das técnicas descritas no presente documento, um computador pode entregar dados de teor de nutriente que seriam, de outra forma, indisponíveis. Por exemplo, as técnicas no presente documento podem aumentar a precisão de uma estimativa de teor de nutriente com o uso de dados limitados, como uma única amostra de solo. O desempenho do sistema de computação de inteligência agrícola é aprimorado com o uso das técnicas descritas no presente documento, o que diminui o número de computações necessárias para computar um teor de nutriente preciso realizando-se uma análise de sensibilidade em parâmetros e/ou entradas particulares e calibrando-se um modelo de teor de nutriente com base em múltiplas assimilações. Além disso, as técnicas descritas no presente documento podem ser usadas para criar parâmetros de aplicação para um controlador de aplicação melhorando, desse modo, o desempenho de implementos agrícolas controlados pelo controlador de aplicação.
[145] No relatório descritivo supracitado, as modalidades foram descritas com relação a diversos detalhes específicos que podem variar de implementação para implementação. O relatório descritivo e os desenhos devem, consequentemente, ser considerados em um sentido ilustrativo em vez de restritivo. O indicador único e exclusivo do escopo da revelação e que é compreendido pelos requerentes como o escopo da revelação, é o escopo literal e equivalente que o conjunto de reivindicações emite a partir desse pedido, na forma específica na qual tais reivindicações emitem, incluindo qualquer correção subsequente.
Claims (18)
1. Método implantado por computador caracterizado pelo fato de que compreende: armazenar, na memória digital de um sistema de computador, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular, em que o modelo digital compreende uma pluralidade de valores e expressões que são armazenados na memória digital e definem transformações de ou relações entre os valores e produzem estimativas de valores de teor de nutriente descrevendo quantidades de vários produtos químicos no solo; receber, no sistema de computador, através de uma ou mais redes, a partir de um dispositivo de computação cliente, um ou mais valores de medição digital que especificam as medições de uma ou mais propriedades do solo em um campo particular dos um ou mais campos em um tempo particular dentro do período de tempo particular; identificar um valor de propriedade modelado que representa uma estimativa das uma ou mais propriedades do solo no campo particular no tempo particular; identificar um valor de incerteza de modelação para o teor de nutriente estimado pelo modelo digital do teor de nutriente, em que o valor de incerteza de modelação representa uma magnitude de erro no modelo digital; identificar um ou mais valores de incerteza de medição para cada dos um ou mais valores de medição digital que especificam as medições da uma ou mais propriedades respectivamente, em que cada um dentre os valores de incerteza de medição representa a magnitude de erro em um valor digital de medição correspondente; gerar e exibir, com base, pelo menos em parte, no valor de incerteza de modelação e um ou mais valores de incerteza de medição, um valor de teor de nutriente assimilado que representa uma estimativa aprimorada do teor de nutriente no solo no campo particular no tempo particular.
2. Método implantado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente calibrar um ou mais parâmetros do modelo digital do teor de nutriente para criar um modelo calibrado de teor de nutriente no solo com base no valor de teor de nutriente assimilado.
3. Método implantado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: identificar uma ou mais incertezas de parâmetro em um ou mais parâmetros do modelo digital de teor de nutriente; perturbar o um ou mais parâmetros com base na uma ou mais incertezas de parâmetro para produzir um ou mais resultados de modelagem perturbados; identificar o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, no um ou mais resultados de modelagem perturbados.
4. Método implantado por computador, de acordo com a reivindicação 3, caracterizado pelo fato de que compreende adicionalmente: gerar uma pluralidade de combinações de uma pluralidade de parâmetros perturbados a partir do um ou mais parâmetros e da uma ou mais incertezas de parâmetro; para cada combinação de parâmetros perturbados, computar a uma ou mais propriedades do solo a partir do modelo digital de teor de nutriente com os parâmetros perturbados; identificar o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, na uma ou mais propriedades computadas do solo para cada combinação de parâmetros perturbados.
5. Método implantado por computador, de acordo com a reivindicação 4, caracterizado pelo fato de que compreende adicionalmente: receber, para uma pluralidade de campos, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para a pluralidade de campos; computar, para cada combinação de parâmetros perturbados, para cada campo dentre a pluralidade de campos, a uma ou mais propriedades do solo a partir do modelo digital de teor de nutriente; computar, para cada campo dentre a pluralidade de campos, uma sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros; computar, com base, pelo menos em parte, na sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros para cada campo dentre a pluralidade de campos e os dados de campo recebidos para a pluralidade de campos, uma relação entre a sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros e um ou mais valores dentre a pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para a pluralidade de campos; receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; computar, para o campo particular, uma sensibilidade particular do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros com base, pelo menos em parte, nos dados de campo e na relação entre a sensibilidade do modelo digital de teor de nutriente e o um ou mais valores dentre a pluralidade de valores; computar, para o campo particular, o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, na sensibilidade particular do modelo digital de teor de nutriente e na uma ou mais incertezas de parâmetro.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; criar uma ou mais recomendações de estabilizante com base, pelo menos em parte, no modelo assimilado de teor de nutriente no solo e na pluralidade de valores que representam os dados de cultura, dados de solo e dados meteorológicos para um ou mais campos; com o uso de um módulo de interface de dispositivo móvel, enviar a uma ou mais recomendações de estabilizador para um dispositivo de computação de gerenciador de campo.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; criar uma ou mais recomendações de nutriente; gerar instruções para um controlador de aplicação com base na uma ou mais recomendações de nutriente e enviar as instruções para o controlador de aplicação; em que as instruções fazem com que o controlador de aplicação controle um parâmetro de operação de um veículo agrícola para implantar a uma ou mais recomendações de nutriente.
8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; identificar uma ou mais incertezas de entrada associadas a um ou mais valores dentre a pluralidade de valores que representam os dados de cultura, os dados de solo e os dados meteorológicos para o campo particular; identificar o valor de incerteza de modelação para o modelo digital do teor de nutriente com base, pelo menos em parte, na uma ou mais incertezas de entrada.
9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que compreende adicionalmente: em que os dados meteorológicos para os campos particulares incluem estimativas de precipitação com base em radar; computar um erro de estimativa de precipitação para as estimativas de precipitação com base em radar; identificar a uma ou mais incertezas de entrada com base, pelo menos em parte, no erro de estimativa de precipitação.
10. Sistema de processamento de dados caracterizado pelo fato de que compreende: uma memória; um ou mais processadores acoplados à memória e configurados para: armazenar, na memória, um modelo digital de teor de nutriente no solo de um ou mais campos ao longo de um período de tempo particular, em que o modelo digital compreende uma pluralidade de valores e expressões que são armazenadas na memória digital e definem transformações de ou relações entre os valores e produzem estimativas de valores de teor de nutriente que descrevem as quantidades de vários produtos químicos no solo; receber, através de uma ou mais redes, a partir de um dispositivo de computação de cliente, um ou mais valores de medição digital que especificam medições de uma ou mais propriedades de solo em um campo particular dentre o um ou mais campos em um tempo particular dentro do período de tempo particular; identificar um valor de propriedade modelado que representa uma estimativa das uma ou mais propriedades do solo no campo particular no tempo particular; identificar um valor de incerteza de modelação para o teor de nutriente estimado pelo modelo digital de teor de nutriente em que o valor de incerteza de modelação representa uma magnitude de erro no modelo digital; identificar um ou mais valores de incerteza de medição para cada dos um ou mais valores de medição digital que especificam medições da uma ou mais propriedades respectivamente, em que cada um dos valores de incerteza de medição representa uma magnitude de erro em um valor digital de medição correspondente; gerar e exibir, com base, pelo menos em parte, no valor de incerteza de modelação e um ou mais valores de incerteza de medição, um valor de teor de nutriente assimilado que representa uma estimativa aprimorada de teor de nutriente no solo no campo particular no tempo particular.
11. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para calibrar um ou mais parâmetros do modelo digital do teor de nutriente para criar um modelo calibrado de teor de nutriente no solo com base no valor de teor de nutriente assimilado.
12. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: identificar uma ou mais incertezas de parâmetro em um ou mais parâmetros do modelo digital de teor de nutriente; perturbar o um ou mais parâmetros com base na uma ou mais incertezas de parâmetro para produzir um ou mais resultados de modelagem perturbados; identificar o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, no um ou mais resultados de modelagem perturbados.
13. Sistema de processamento de dados, de acordo com a reivindicação 12, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: gerar uma pluralidade de combinações de uma pluralidade de parâmetros perturbados a partir do um ou mais parâmetros e da uma ou mais incertezas de parâmetro; para cada combinação de parâmetros perturbados, computar a uma ou mais propriedades do solo a partir do modelo digital de teor de nutriente com os parâmetros perturbados; identificar o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, na uma ou mais propriedades computadas do solo para cada combinação de parâmetros perturbados.
14. Sistema de processamento de dados, de acordo com a reivindicação 13, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: receber, para uma pluralidade de campos, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para a pluralidade de campos; computar, para cada combinação de parâmetros perturbados, para cada campo da pluralidade de campos, a uma ou mais propriedades do solo a partir do modelo digital de teor de nutriente; computar, para cada campo dentre a pluralidade de campos, uma sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros; computar, com base, pelo menos em parte, na sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros para cada campo dentre a pluralidade de campos e os dados de campo recebidos para a pluralidade de campos, uma relação entre a sensibilidade do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros e um ou mais valores dentre a pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para a pluralidade de campos; receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; computar, para o campo particular, uma sensibilidade particular do modelo digital de teor de nutriente às perturbações do um ou mais parâmetros com base, pelo menos em parte, nos dados de campo e na relação entre a sensibilidade do modelo digital de teor de nutriente e o um ou mais valores dentre a pluralidade de valores; computar, para o campo particular, o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, na sensibilidade particular do modelo digital de teor de nutriente e a uma ou mais incertezas de parâmetro.
15. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; criar uma ou mais recomendações de estabilizante com base, pelo menos em parte, no modelo assimilado de teor de nutriente no solo e na pluralidade de valores que representam os dados de cultura, dados de solo e dados meteorológicos para um ou mais campos; usar um módulo de interface de dispositivo móvel, para enviar uma ou mais recomendações de estabilizador para um dispositivo de computação de gerenciamento de campo.
16. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; criar uma ou mais recomendações de nutriente; gerar instruções para um controlador de aplicação com base na uma ou mais recomendações de nutriente e enviar as instruções para o controlador de aplicação; em que as instruções fazem com que o controlador de aplicação controle um parâmetro de operação de um veículo agrícola para implantar a uma ou mais recomendações de nutriente.
17. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: receber, para o campo particular, dados de campo que compreendem uma pluralidade de valores que representam dados de cultura, dados de solo e dados meteorológicos para o campo particular; identificar uma ou mais incertezas de entrada associadas a um ou mais valores dentre a pluralidade de valores que representam os dados de cultura, dados de solo e dados meteorológicos para o campo particular; identificar o valor de incerteza de modelação para o modelo digital de teor de nutriente com base, pelo menos em parte, na uma ou mais incertezas de entrada.
18. Sistema de processamento de dados, de acordo com a reivindicação 10, caracterizado pelo fato de que o um ou mais processadores são configurados adicionalmente para: em que os dados meteorológicos para os campos particulares incluem estimativas de precipitação com base em radar; computar um erro de estimativa de precipitação para as estimativas de precipitação com base em radar; identificar a uma ou mais incertezas de entrada com base, pelo menos em parte, no erro de estimativa de precipitação.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/140,378 | 2016-04-27 | ||
US15/140,378 US10275550B2 (en) | 2016-04-27 | 2016-04-27 | Assimilating a soil sample into a digital nutrient model |
PCT/US2017/028689 WO2017189337A1 (en) | 2016-04-27 | 2017-04-20 | Improving a digital nutrient model by assimilating a soil sample |
Publications (3)
Publication Number | Publication Date |
---|---|
BR112018071870A2 BR112018071870A2 (pt) | 2019-02-12 |
BR112018071870A8 BR112018071870A8 (pt) | 2023-04-18 |
BR112018071870B1 true BR112018071870B1 (pt) | 2023-07-18 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11526640B2 (en) | Assimilating a soil sample into a digital nutrient model | |
US11882786B2 (en) | Method for recommending seeding rate for corn seed using seed type and sowing row width | |
US11551313B2 (en) | Generating digital models of relative yield of a crop based on nitrate values in the soil | |
US20220277208A1 (en) | Computer-implemented calculation of corn harvest recommendations | |
US10990716B2 (en) | Location selection for model assessment sampling | |
BR112019000719B1 (pt) | Método para geração de mapas de pixel a partir de dados de não imagem e métricas de diferença para mapas de pixel | |
BR112017026437B1 (pt) | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos | |
BR112018000627B1 (pt) | Método e sistema de processamento de dados para geração de modelos digitais de nutrientes disponíveis para uma cultura | |
BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
BR112018070806B1 (pt) | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação | |
BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
BR112021010115A2 (pt) | Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos | |
BR112018071870B1 (pt) | Método e sistema de processamento de dados |