BR112021007032A2 - alavancando a genética e a engenharia de recursos para impulsionar a previsibilidade de colocação para seleção e recomendação de produtos de sementes por campo - Google Patents
alavancando a genética e a engenharia de recursos para impulsionar a previsibilidade de colocação para seleção e recomendação de produtos de sementes por campo Download PDFInfo
- Publication number
- BR112021007032A2 BR112021007032A2 BR112021007032-0A BR112021007032A BR112021007032A2 BR 112021007032 A2 BR112021007032 A2 BR 112021007032A2 BR 112021007032 A BR112021007032 A BR 112021007032A BR 112021007032 A2 BR112021007032 A2 BR 112021007032A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- seeds
- seed
- production
- target
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 claims abstract description 219
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000002068 genetic effect Effects 0.000 claims abstract description 77
- 230000007613 environmental effect Effects 0.000 claims description 56
- 239000003550 marker Substances 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 25
- 206010010356 Congenital anomaly Diseases 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 102000054766 genetic haplotypes Human genes 0.000 claims description 4
- 208000027205 Congenital disease Diseases 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 106
- 239000002689 soil Substances 0.000 description 54
- 229910052757 nitrogen Inorganic materials 0.000 description 53
- 239000000047 product Substances 0.000 description 44
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000007726 management method Methods 0.000 description 27
- 238000005457 optimization Methods 0.000 description 24
- 238000012360 testing method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 240000008042 Zea mays Species 0.000 description 19
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 19
- 238000013515 script Methods 0.000 description 19
- 239000004927 clay Substances 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 17
- 238000003306 harvesting Methods 0.000 description 17
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 15
- 235000005822 corn Nutrition 0.000 description 15
- 230000012010 growth Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 239000003337 fertilizer Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000013479 data entry Methods 0.000 description 11
- 239000005416 organic matter Substances 0.000 description 11
- 238000004883 computer application Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 239000000203 mixture Substances 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 7
- 238000003967 crop rotation Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 239000012615 aggregate Substances 0.000 description 6
- 230000006735 deficit Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 108091008053 gene clusters Proteins 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 4
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 235000009973 maize Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 239000000417 fungicide Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004162 soil erosion Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000012356 Product development Methods 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012786 cultivation procedure Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000855 fungicidal effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000000582 semen Anatomy 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- MJYQFWSXKFLTAY-OVEQLNGDSA-N (2r,3r)-2,3-bis[(4-hydroxy-3-methoxyphenyl)methyl]butane-1,4-diol;(2r,3r,4s,5s,6r)-6-(hydroxymethyl)oxane-2,3,4,5-tetrol Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O.C1=C(O)C(OC)=CC(C[C@@H](CO)[C@H](CO)CC=2C=C(OC)C(O)=CC=2)=C1 MJYQFWSXKFLTAY-OVEQLNGDSA-N 0.000 description 1
- 101100059600 Caenorhabditis elegans cec-1 gene Proteins 0.000 description 1
- 101100446688 Caenorhabditis elegans fld-1 gene Proteins 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 241001602880 Delos Species 0.000 description 1
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000004426 flaxseed Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 238000009406 nutrient management Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 239000002688 soil aggregate Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B10/00—ICT specially adapted for evolutionary bioinformatics, e.g. phylogenetic tree construction or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/005—Following a specific plan, e.g. pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
ALAVANCANDO A GENÉTICA E A
ENGE-NHARIA DE RECURSOS PARA IMPULSIONAR A PREVISIBILIDA-DE DE COLOCAÇÃO
PARA SELEÇÃO E RECOMENDAÇÃO DE PRODUTOS DE SEMENTES POR CAMPO. A
presente invenção refere-se a um método implementado por computador
exemplar que inclui receber registros de dados agrícolas que compreendem
um primeiro conjunto de propriedades de produção para um primeiro
conjunto de sementes crescidas em um primeiro conjunto de ambientes, e
receber dados de características genéticas relativas a um segundo
conjunto de sementes. O método ainda inclui gerar um segundo conjunto de
propriedades de produção para o segundo conjunto de sementes associadas
com um segundo conjunto de ambientes aplicando um modelo utilizando os
dados de características genéticas e os registros de dados agrícolas.
Além disso, o método inclui determinar o desempenho de produção predito
para um terceiro conjunto de sementes associadas com um ou mais
ambientes alvo aplicando o segundo conjunto de propriedades de produção,
e gerar recomendações de sementes para os um ou mais ambientes alvo com
base no desempenho de produção predito para o terceiro conjunto de
sementes. No presente exemplo, o método também inclui causar a exibição,
em um dispositivo de exibição comunicativamente acoplado no sistema de
computador servidor, das recomendações de sementes.
Description
Relatório Descritivo da Patente de Invenção para "ALA- VANCANDO A GENÉTICA E A ENGENHARIA DE RECURSOS PA-
[001] Uma porção da descrição deste documento de patente con- tém material o qual está sujeito à proteção de direitos autorais. O pro- prietário de direitos autorais não tem objeções à reprodução do fac- símile por ninguém do documento de patente ou da descrição da pa- tente, como aparece no arquivo ou registros de patentes do Patent and Trademark Office, mas de outro modo reserva todos os direitos auto- rais ou direitos de qualquer natureza. © 2015-2019 The Climate Corpo- ration.
[002] Um campo técnico da presente descrição são os sistemas de suporte de decisão implementados por computador para a agricul- tura, especificamente em relação à seleção de sementes e estratégias de plantio. Outro campo técnico são sistemas de computador que são programados para usar características genéticas de sementes e recur- sos agrícolas de campos para gerar dados de produtividade preditivos e de comparação para um ou mais campos. Um outro campo técnico são os sistemas de computador que são programados para recomen- dar a seleção e a colocação de sementes em um ou mais campos alvo únicos para ajudar a aperfeiçoar as quantidades de produção e consis- tência.
[003] As propostas descritas nesta seção são propostas que po- dem ser buscadas, mas não necessariamente propostas que foram anteriormente concebidas ou buscadas. Portanto, a menos que de ou-
tro modo indicado, não deve ser assumido que qualquer uma das pro- postas descritas nesta seção se qualificam como técnica anterior me- ramente em virtude de sua inclusão nesta seção.
[004] Uma colheita de sucesso depende de muitos fatores, inclu- indo seleção de sementes, fertilização do solo, irrigação, controle de pragas, e práticas de gerenciamento, os quais cada um contribui para a taxa de crescimento de plantas, por exemplo, plantas de milho ou soja. Um dos fatores de gerenciamento agrícola mais importantes é escolher quais sementes plantar em campos alvo. Variedades de se- mentes ou híbridos variam de sementes adequadas para curtas esta- ções de crescimento a estações de crescimento mais longas, tempera- turas mais quentes ou mais frias, climas mais secos ou mais úmidos e diferentes sementes adequadas para composições de solo específi- cas. Conseguir um ótimo desempenho para um híbrido ou variedade de semente específica depende se as condições de campo estão ali- nhadas com as condições de crescimento ótimas para a semente es- pecífica. Por exemplo, um híbrido de milho específico pode ser classi- ficado para produzir uma quantidade específica de produção para um produtor, no entanto, se as condições de campo não corresponderem às condições ótimas utilizadas para classificar o híbrido de milho es- pecífico, é improvável que o híbrido de milho atenda consistentemente as expectativas de produção para o produtor.
[005] Uma vez que um conjunto de sementes é escolhido para o plantio, um produtor deve então determinar uma estratégia de plantio. As estratégias de plantio incluem determinar a quantidade e a coloca- ção de cada uma das sementes escolhidas. As estratégias para de- terminar a quantidade e a colocação podem ditar se a produção da colheita atende às expectativas. Por exemplo, o plantio de sementes que têm forças vulnerabilidades similares pode resultar em uma boa produção se as condições forem favoráveis. No entanto, se as condi-
ções flutuarem, tal como recebendo menos chuva do que o esperado ou experimentando temperaturas mais altas do que o normal, então a produção total para sementes similares pode ser diminuído. Uma es- tratégia de plantio diversificada pode ser preferida para superar flutua- ções ambientais imprevistas.
[006] As técnicas aqui descritas ajudam a aliviar alguns destes problemas e ajudam os produtores determinar quais sementes plantar em quais campos.
[007] Figura 1 ilustra um sistema de computador exemplar que está configurado para executar as funções aqui descritas, mostrado em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar.
[008] Figura 2 ilustra duas vistas de uma organização lógica exemplar de conjuntos de instruções na memória principal quando uma aplicação móvel exemplar é carregada para execução.
[009] Figura 3 ilustra um processo programado pelo qual o siste- ma de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados agronômicos providos por uma ou mais fontes de dados.
[0010] Figura 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da descrição pode ser imple- mentada.
[0011] Figura 5 apresenta uma modalidade exemplar de uma vista de linha de tempo para entrada de dados.
[0012] Figura 6 apresenta uma modalidade exemplar de uma vista de planilha para entrada de dados.
[0013] Figura 7 apresenta um fluxograma exemplar para gerar um grupo de produção de sucesso alvo de sementes identificado para ótimo desempenho de produção em campos alvo com base em regis-
tros de dados agrícolas das sementes e dados de geolocalização as- sociados com os campos alvo.
[0014] Figura 8 apresenta um exemplo de diferentes regiões den- tro de um estado que tem diferente maturidade relativa atribuída com base nas durações de estação de crescimento.
[0015] Figura 9 apresenta um gráfico que descreve a faixa de valo- res de produção normalizados para sementes dentro de uma maturi- dade relativa classificada.
[0016] Figura 10 apresenta um fluxograma exemplar para gerar um conjunto de sementes alvo identificadas para desempenho de pro- dução ótimo e risco gerenciado em campos alvo com base em regis- tros de dados agrícolas das sementes e dados de geolocalização as- sociados com os campos alvo.
[0017] Figura 11 apresenta um gráfico exemplar de valores de produção versus valores de risco para uma ou mais sementes.
[0018] Figura 12 ilustra um fluxograma exemplar para usar genéti- ca para preencher espaços de dados em dados agrícolas históricos.
[0019] Figura 13 ilustra um exemplo de registros de dados agríco- las recebidos e processamento adicional para preencher espaços de dados.
[0020] Figura 14 ilustra outro exemplo de registros de dados agrí- colas recebidos e processamento adicional para preencher espaços de dados.
[0021] Figura 15 ilustra um exemplo dos dados de características genéticas que incluem dados de marcador genômico.
[0022] Figura 16 ilustra uma matriz de parentesco baseada em li- nhagem exemplar que identifica relações em pares entre sementes com base em linhagem de semente.
[0023] Figura 17 ilustra um exemplo que organiza sementes em relações de grupamento genético.
[0024] Figura 18 ilustra uma matriz de parentesco baseada em marcador de gene exemplar que identifica relações em pares entre sementes com base em marcadores SNP.
[0025] Figura 19 ilustra uma codificação congênita exemplar para capturar linhas parentais congênitas de um produto.
[0026] Figura 20 ilustra um fluxograma exemplar que utiliza enge- nharia de característica para classificar dados de característica e pre- parar registros de dados agrícolas para o modelo de recomendação da Figura 12.
[0027] Na descrição seguinte, para os propósitos de explicação, numerosos detalhes específicos são apresentados de modo a prover uma compreensão completa da presente descrição. Será aparente, no entanto, que modalidades podem ser praticadas sem estes detalhes específicos. Em outros casos, estruturas e dispositivos bem conheci- dos estão mostrados em forma de diagrama de blocos, de modo a evi- tar desnecessariamente obscurecer a presente descrição. As modali- dades estão descritas em seções de acordo com o seguinte esboço:
1. VISÃO GERAL
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍ-
2.1. VISÃO GERAL ESTRUTURAL
2.2. VISÃO GERAL DE PROGRAMA DE APLICAÇÃO
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE
2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO
2.5. SUBSISTEMA DE CLASSIFICAÇÃO DE SEMEN-
2.6. SUBSISTEMA DE RECOMENDAÇÃO DE SEMEN-
2.7. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL
3. VISÃO GERAL FUNCIONAL - GERAR E EXIBIR GRUPO
3.1. ENTRADA DE DADOS
3.2. PROCESSAMENTO DE DADOS AGRÍCOLAS
3.3. GRUPO DE PRODUÇÃO DE SUCESSO ALVO
4. VISÃO GERAL FUNCIONAL - GERAR E EXIBIR SEMEN-
4.1. ENTRADA DE DADOS
4.2. SELEÇÃO DE SEMENTES
4.3. GERAR VALORES DE RISCO PARA SEMENTES
4.4. GERAR CONJUNTO DE DADOS DE SEMENTES
4.5. ANÁLISE DE PORTFÓLIO DE SEMENTES
4.6. APRESENTAR CONJUNTO DE SEMENTES ALVO
5. VISÃO GERAL FUNCIONAL - GERAR E EXIBIR
5.1. ENTRADA DE DADOS
5.2. IMPUTAÇÃO DE DADOS
5.3. DETERMINAR DESEMPENHO DE PRODUÇÃO
5.4. GERAÇÃO DE OTIMIZAÇÃO E RECOMENDAÇÃO
5.5. VALIDAR E AJUSTAR MODELOS
6. VISÃO GERAL FUNCIONAL – MODALIDADE QUE
6.1 CARACTERÍSTICAS BRUTAS E CLASSIFICAÇÃO
6.2 PREPARAR DADOS
1. VISÃO GERAL
[0028] Um sistema de computador e um método implementado por computador estão aqui descritos para gerar um conjunto de grupos de produção de sucesso alvo de sementes híbridas ou variedades de se- mentes que têm uma alta probabilidade de uma produção com suces- so em um ou mais campos alvo. Em uma modalidade, um grupo de produção de sucesso alvo de sementes pode ser gerado utilizando um sistema de computador servidor que está configurado para receber, sobre uma rede de comunicação de dados digitais, um ou mais regis- tros de dados agrícolas que representam dados de sementes de cultu- ra que descrevem propriedades de sementes de produção de uma ou mais sementes e primeiros dados de localização de campo para um ou mais campos agrícolas onde uma ou mais sementes foram plantadas. O sistema de computador servidor então recebe segundos dados de geolocalização para um ou mais campos alvo onde as sementes de- vem ser plantadas.
[0029] O sistema de computador servidor inclui instruções de nor- malização de sementes configuradas para gerar um conjunto de dados de propriedades de sementes que descrevem um valor de produção representativo e uma classificação ambiental para cada semente dos um ou mais registros de dados agrícolas. Instruções de geração de probabilidade de sucesso no sistema de computador servidor são con- figuradas para então gerar um conjunto de dados de pontuações de probabilidade de sucesso que descrevem a probabilidade de uma pro- dução com sucesso nos um ou mais campos alvo. Uma produção com sucesso pode ser definida como um valor de produção estimado para uma semente específica para uma classificação ambiental que excede a produção média para a mesma classificação ambiental por uma quantidade de produção específica. Os valores de probabilidade de sucesso para cada semente estão baseados no conjunto de dados de propriedades de sementes e nos segundos dados de geolocalização para os um ou mais campos alvo.
[0030] O sistema de computador servidor inclui instruções de clas- sificação de produção configuradas para gerar um grupo de produção de sucesso alvo composto de um subconjunto das uma ou mais se- mentes e os valores de probabilidade de sucesso associados com ca- da um dos subconjuntos das uma ou mais sementes. A geração do grupo de produção de sucesso alvo está baseada no conjunto de da- dos de pontuações de probabilidade de sucesso para cada semente e um limite de produção de sucesso configurado, onde as sementes são adicionadas ao grupo de produção de sucesso alvo se o valor de pro- babilidade de sucesso para uma semente exceder um limite produção de sucesso.
[0031] O sistema de computador servidor está configurado para causar a exibição, em um dispositivo de exibição comunicativamente acoplado no sistema de computador servidor, do grupo de produção de sucesso alvo e valores de produção associados com cada semente no grupo produção de sucesso alvo.
[0032] Em uma modalidade, o grupo de produção de sucesso alvo (ou outro conjunto de sementes e campos) pode ser utilizado para ge- rar um conjunto de sementes alvo selecionadas para plantio em um ou mais campos alvo. O sistema de computador servidor está configurado para receber o grupo de produção de sucesso alvo de sementes can- didatas que podem ser candidatas para plantio nos um ou mais cam- pos alvo. Incluídas no grupo de produção de sucesso alvo estão as uma ou mais sementes, os valores de probabilidade de sucesso asso-
ciados com cada uma das uma ou mais sementes que descrevem uma probabilidade de uma produção de sucesso, e dados agrícolas históri- cos associados com cada uma das uma ou mais sementes. O compu- tador servidor então recebe informações de propriedade relativas aos um ou mais campos alvo.
[0033] As instruções de filtragem de sementes dentro do sistema de computador servidor estão configuradas para selecionar um sub- conjunto das sementes híbridas ou variedades de sementes que têm valores de probabilidade de sucesso maiores do que um limite de fil- tragem de probabilidade alvo. O sistema de computador servidor inclui instruções de normalização de sementes configuradas para gerar valo- res de produção representativos para as sementes no subconjunto das uma ou mais sementes com base nos dados agrícolas históricos.
[0034] O sistema de computador servidor inclui instruções de ge- ração de risco configuradas para gerar um conjunto de dados de valo- res de risco para o subconjunto das uma ou mais sementes. O conjun- to de dados de valores de risco descreve o risco associado com cada semente com base nos dados agrícolas históricos. O sistema de com- putador servidor inclui instruções de classificação de otimização confi- guradas para gerar um conjunto de dados de sementes alvo para plan- tio nos um ou mais campos alvo com base no conjunto de dados de valores de risco, nos valores de produção representativos para o sub- conjunto das um ou mais sementes, e das uma ou mais propriedades para os um ou mais campos alvo. O conjunto de dados de sementes alvo inclui sementes alvo que têm os valores de produção representa- tivos que atendem um limite alvo específico para uma faixa de valores de risco do conjunto de dados de valores de risco através dos um ou mais campos alvo.
[0035] O sistema de computador servidor está configurado para exibir, no dispositivo de exibição comunicativamente acoplado ao sis-
tema de computador servidor, o conjunto de dados de sementes alvo que inclui os valores de produção representativos e valores de risco do conjunto de dados de valores de risco associados com cada semente alvo no conjunto de dados de sementes alvo e os um ou mais campos alvo.
[0036] Em outra modalidade, um método implementado por com- putador que compreende receber, sobre uma rede de comunicação de dados digital em um sistema de computador servidor, registros de da- dos agrícolas que compreendem um primeiro conjunto de proprieda- des de produção para um primeiro conjunto de sementes cultivadas em um primeiro conjunto de ambientes, e ainda recebendo, sobre a rede digital de comunicação de dados, dados de características gené- ticas relativos a um segundo conjunto de sementes, em que o segundo conjunto de sementes inclui o primeiro conjunto de sementes. O méto- do também inclui gerar, utilizando o sistema de computador servidor, um segundo conjunto de propriedades de produção para o segundo conjunto de sementes associado com um segundo conjunto de ambi- entes aplicando os dados de caraterísticas genéticas nos registros de dados agrícolas. Neste exemplo, o segundo conjunto de propriedades de produção preenche espaços de dados do primeiro conjunto de pro- priedades de produção. O sistema de computador servidor pode então ser utilizado para determinar o desempenho de produção predito em um ou mais campos alvo para uma ou mais sementes, tal como um terceiro conjunto de sementes, o qual pode ser o mesmo ou diferente do primeiro e/ou segundo conjuntos de sementes. O desempenho de produção predito pode ser baseado em um ou mais de valores de pro- dução absolutos ou relativos, classificação de produção, uma pontua- ção de probabilidade de sucesso e/ou outras considerações. Em um exemplo, o computador servidor determina o desempenho de produ- ção predito para o segundo conjunto de sementes associado com o segundo conjunto de ambientes aplicando as propriedades de produ- ção imputadas, e gera recomendações de aperfeiçoamento de produ- ção com base no desempenho de produção predito para o segundo conjunto de sementes. O método pode também incluir causar a exibi- ção, em um dispositivo de exibição comunicativamente acoplado no sistema de computador servidor, das recomendações de aperfeiçoa- mento de produção.
[0037] Em outra modalidade, um método implementado por com- putador compreende receber, sobre uma rede de comunicação de da- dos digital em um sistema de computador servidor, registros de dados agrícolas que compreendem um conjunto de propriedades de produ- ção para um conjunto de sementes cultivadas em um conjunto de am- bientes, em que o conjunto de propriedades de produção inclui propri- edades de produção aplicando dados de relação genética entre as sementes. O método ainda inclui receber, sobre rede de comunicação de dados digital, de dados de característica para um ou mais campos alvo onde as sementes devem ser plantadas. O sistema de computa- dor servidor pode então ser utilizado para gerar recomendações de sementes para os um ou mais campos alvo com base no conjunto de propriedades de produção e nos dados de característica. E, o método pode também incluir causar a exibição, em um dispositivo de exibição comunicativamente acoplado no sistema de computador servidor, das recomendações de sementes.
2. SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA
2.1 VISÃO GERAL ESTRUTURAL
[0038] A Figura 1 ilustra um sistema de computador exemplar que está configurado para executar as funções aqui descritas, mostrado em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar. 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 associado com uma lo- calização de campo tal como um campo destinado a atividades agríco- las ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computador de gerenciador de campo 104 está programado ou configurado para prover dados de campo 106 pa- ra um sistema de computador de inteligência agrícola 130 através de uma ou mais redes 109.
[0039] Exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome de campo, identifica- dores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura e quaisquer outros dados adequados que podem ser utilizados para identificar terras agrícolas, tal como uma unidade de terra comum (CLU), número de lote e bloco, um número da parcela, coordenadas geográficas e limites, Número de Série de Fa- zenda (FSN), número da fazenda, número do trato, número do campo, seção, município, e/ou intervalo), (b) dados de colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cultivada organicamente, data de colheita, Histórico de Produção Real (APH), produção esperado, produção, preço de colheita, receita de colheita, umidade de grãos, prática de cultivo e informações da esta- ção de cultivo anterior), (c) dados do solo (por exemplo, tipo, composi- ção, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipo de semente(s), maturidade relativa (RM) da(s) semente(s) plantada(s), população de sementes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (Nitrogênio, Fósforo, Potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de aplicação de produtos quími- cos (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas para utilização como um regulador de planta, desfolhante, 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 precipitação, precipitação predita, região da taxa de escoamento de água, temperatura, vento, previsão, pressão, visibi- lidade, nuvens, índice de calor, ponto de orvalho, umidade, profundi- dade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações de espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite), (j) observações de reconhecimento (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, pre- cipitação (corrente e ao longo do tempo), umidade do solo, estágio de crescimento da cultura, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)), e (k) solo, semente, fenologia da cultura, relatórios de pragas e doenças, fontes de previsões e bancos de da- dos.
[0040] Um computador servidor de dados 108 está comunicativa- mente acoplado no sistema de computador de inteligência agrícola 130 e está programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109. O computador servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal que o sistema de computador de inteligência agrícola 130, ou por uma pes- soa ou entidade diferente tal como uma agência governamental, orga- nização não governamental (NGO), e/ou um provedor de serviços de dados privados. Exemplos de dados externos incluem dados meteoro- lógicos, dados de imagens, dados de solo ou dados estatísticos relati- vos à produção das culturas, entre outros. Os dados externos 110 po- dem consistir no mesmo tipo de informação que os dados de campo
106. Em algumas modalidades, os dados externos 110 são providos por um servidor de dados externos 108 que pertence à mesma entida- de que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focalizado exclusiva- mente em um tipo de dados que poderia de outro modo ser obtidos de fontes de terceiros, tais como dados meteorológicos. Em algumas mo- dalidades, um servidor de dados externos 108 pode realmente ser in- corporado no sistema 130.
[0041] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixos neste, cujos sensores estão comunicativamente acoplados ou diretamente ou indiretamente através do aparelho agrí- cola 111 no sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sis- tema de computador de inteligência agrícola 130. Exemplos de apare- lhos agrícolas 111 incluem tratores, combinados, colheitadeiras, plan- tadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos, incluindo veículos aéreos não tripulados, e qualquer outro item de ma- quinário físico ou hardware, tipicamente maquinário móvel, e os quais podem ser utilizados em tarefas associadas com agricultura. Em al- gumas modalidades, uma única unidade do aparelho 111 pode com- preender uma pluralidade de sensores 112 que estão acoplados lo- calmente em uma rede no aparelho; uma rede de área de controlador (CAN) é um exemplo de tal rede que pode ser instalada em combina- dos, colheitadeiras, pulverizadores e cultivadores. O controlador de aplicação 114 está comunicativamente acoplado no sistema de com- putador de inteligência agrícola 130 através da(s) rede(s) 109 e está programado ou configurado para receber um ou mais scripts que são utilizados para controlar um parâmetro de operação de um veículo ou implemento agrícola do sistema de computador de inteligência agrícola
130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser utilizada para permitir comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, por exemplo, tal como o CLIMATE FIELDVIEW DRIVE, disponível da The Climate Corporation, San Francisco, Califórnia, é utilizado. Os dados de sensor podem consistir no mesmo tipo de in- formações que os dados de campo 106. Em algumas modalidades, sensores remotos 112 podem não ser fixados em um aparelho agríco- la 111 mas podem ser remotamente localizados no campo e podem comunicar com a rede 109.
[0042] O aparelho 111 pode compreender um computador de ca- bine 115 que está programado com uma aplicação de cabine, a qual pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que está ainda descrito em outras seções aqui. Em uma modalidade, o computador de cabine 115 pode compreender um computador compacto, frequentemente um computador de tamanho de tablet ou smartphone, com um display de tela gráfico, como um display colorido que está montado dentro de uma cabine do operador do aparelho 111. O computador da cabine 115 pode implementar al- gumas ou todas as operações e funções que estão adicionalmente descritas para o dispositivo de computador móvel 104.
[0043] A(s) rede(s) 109 amplamente representam qualquer combi- nação de uma ou mais redes de comunicação de dados, que incluem redes de área local, redes de área ampla, interredes ou internets, utili- zando qualquer uma de conexões com fio ou sem fio, incluindo cone- xões terrestres ou de satélite. A(s) rede(s) pode(m) ser implementa- da(s) por qualquer meio ou mecanismo que provenha a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 podem também ter conexões de comunicação diretas (com fio ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externos 108, e outros elementos do sistema cada um compre- ende uma interface compatível com a(s) rede(s) 109 e estão progra- mados ou configurados para usar protocolos padronizados para co- municação através das redes tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada mais alta tais como HTTP, TLS e simila- res.
[0044] O sistema de computador de inteligência agrícola 130 está programado ou configurado para receber dados de campo 106 do dis- positivo de computação de gerenciador de campo 104, dados externos 110 do computador servidor de dados externos 108, e dados do sen- sor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode estar ainda configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica digitalmente programada tal como FPGAs ou ASICs, ou qualquer sua combinação para executar tradução e armazenamen- to 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 scripts para o controlador de aplica- ção 114, no modo adicionalmente descrito em outras seções desta descrição.
[0045] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está programado com ou compreende uma cama- da de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware / virtualização 150, e repositório de dados de modelo e campo 160. "Camada", neste con- texto, refere-se a qualquer combinação de circuitos de interface digital eletrônicos, microcontroladores, firmware tal como drivers, e/ou pro- gramas de computador ou outros elementos de software.
[0046] A camada de comunicação 132 pode estar programada ou configurada para executar funções de interfaceamento de entrada /
saída, que inclui enviar solicitações para o dispositivo de computação de gerenciador de campo 104, computador servidor de dados externos 108, e sensor remoto 112 para dados de campo, dados externos, e dados do sensor, respectivamente. A camada de comunicação 132 pode estar programada ou configurada para enviar os dados recebidos para repositório de dados de modelo e campo 160 para serem arma- zenados como dados de campo 106.
[0047] A camada de apresentação 134 pode estar programada ou configurada para gerar uma interface gráfica de usuário (GUI) para ser exibida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que estão acopla- dos ao sistema 130 através da rede 109. A GUI pode compreender controles para inserir de dados a serem enviados para o sistema de computador de inteligência agrícola 130, gerar solicitações para mode- los e/ou recomendações, e/ou exibir recomendações, notificações, modelos, e outros dados de campo.
[0048] A camada de gerenciamento de dados 140 pode estar pro- gramada ou configurada para gerenciar operações de leitura e opera- ções de escrita que envolve o repositório 160 e outros elementos fun- cionais do sistema, incluindo consultas e conjuntos de resultados co- municados entre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface de servidor SQL, e/ou código de interface HA- DOOP, entre outros. O repositório 160 pode compreender um banco de dados. Como aqui utilizado, o termo "banco de dados" pode referir a cada um de um corpo de dados, um sistema de gerenciamento de banco de dados relacional (RDBMS) ou ambos. Como aqui utilizado, banco de dados pode compreender qualquer coleção de dados, inclu- indo bancos de dados hierárquicos, bancos de dados relacionais, ban- cos de dados de arquivo simples, bancos de dados relativos a objetos,
bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outra coleção estruturada de registros ou dados que são ar- mazenados em um sistema de computador. Exemplos de RDBMS's incluem, mas não estão limitados a incluir, banco de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE®, e POSTGRESQL. No entanto, qualquer banco de dados pode ser utili- zado para permitir os sistemas e métodos aqui descritos.
[0049] Quando os dados de campo 106 não são providos direta- mente para o sistema de computador de inteligência agrícola através de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrí- colas que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser avisado através de um ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de compu- tador de inteligência agrícola) para inserir tais informações. Em uma modalidade exemplar, o usuário pode especificar dados de identifica- ção acessando um mapa no dispositivo de usuário (servido pelo sis- tema de computador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma mo- dalidade alternativa, o usuário 102 pode especificar dados de identifi- cação acessando um mapa no dispositivo de usuário (servido pelo sis- tema de computador de inteligência agrícola 130) e desenhando limi- tes do campo sobre o mapa. Tal seleção de CLU ou desenhos de ma- pas representam identificadores geográficos. Em modalidades alterna- tivas, o usuário pode especificar dados de identificação acessando da- dos de identificação de campo (providos como arquivos de forma ou em um formato similar) do U. S. Department of Agriculture Farm Servi- ce Agency ou outra fonte através do dispositivo de usuário e provendo tais dados de identificação de campo para o sistema de computador de inteligência agrícola.
[0050] Em uma modalidade exemplar, o sistema de computador de inteligência agrícola 130 está programado para gerar e causar a exibição de uma interface gráfica de usuário que compreende um ge- renciador de dados para entrada de dados. Após um ou mais campos terem sido identificados utilizando os métodos acima descritos, o ge- renciador de dados pode prover um ou mais widgets de interface gráfi- ca de usuário os quais quando selecionados podem identificar mudan- ças no campo, solo, culturas, lavoura ou práticas de nutrientes. O ge- renciador de dados pode incluir uma vista de linha de tempo, uma vista de planilha, e/ou um ou mais programas editáveis.
[0051] A Figura 5 apresenta uma modalidade exemplar de uma vista de linha de tempo para entrada de dados. Utilizando o display apresentado na Figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição do evento. Os eventos apresentados no topo da linha do tempo podem incluir Nitrogênio, Plantio, Práticas, e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode prover uma entrada para selecionar a aba de nitrogênio. O computador de usuário pode então selecionar uma localização na linha do tempo para um campo específico de modo a indicar uma aplicação de nitrogênio no campo selecionado. Em resposta a receber uma seleção de uma localização na linha do tempo para um campo específico, o gerencia- dor de dados pode exibir uma sobreposição de entrada de dados, permitindo o computador de usuário inserir dados relativos a aplica- ções de nitrogênio, procedimentos de plantio, aplicação de solo, pro- cedimentos de cultivo, práticas de irrigação, ou outras informações re- lativas ao campo específico. Por exemplo, se um computador de usuá- rio selecionar uma porção da linha do tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante utilizado, e quaisquer outras infor-
mações relativas à aplicação de nitrogênio.
[0052] Em uma modalidade, o gerenciador de dados provê uma interface para criar um ou mais programas. "Programa", neste contex- to, refere-se a um conjunto de dados relativos a aplicações de nitrogê- nio, procedimentos de plantio, aplicação de solo, procedimentos de cultivo, práticas de irrigação, ou outras informações que podem ser relativas a um ou mais campos, e que podem ser armazenadas em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após um programa ter sido criado, este pode ser conceitualmente aplicado a um ou mais campos e referências ao programa podem ser armazenadas em armazenamento digital em as- sociação com dados que identificam os campos. Assim, ao invés de manualmente inserir dados idênticos relativos às mesmas aplicações de nitrogênio para múltiplos diferentes campos, um computador de usuário pode criar um programa que indica uma aplicação específica de nitrogênio e então aplica o programa a múltiplos diferentes campos. Por exemplo, na vista de linha de tempo da Figura 5, as duas linhas do tempo superiores têm o programa "Aplicado na Primavera" seleciona- do, o que inclui uma aplicação de 67,9 kg (150 libras) N/ac no início de Abril. O gerenciador de dados pode prover uma interface para editar um programa. Em uma modalidade, quando um programa específico é editado, cada campo que selecionou o programa específico é editado. Por exemplo, na Figura 5, se o programa "Aplicado na Primavera" for editado para reduzir a aplicação de nitrogênio para 58,8 kg (130 libras) N/ac, os dois campos superiores podem ser atualizados com uma apli- cação de nitrogênio reduzida com base no programa editado.
[0053] Em uma modalidade, em resposta a receber edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo para o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada no campo superior na Figura 5, a interface pode atualizar para indicar que o pro- grama "Aplicado na Primavera" não está mais sendo aplicado no cam- po superior. Apesar da aplicação de nitrogênio no início de Abril poder permanecer, atualizações do programa "Aplicado na Primavera" não alterariam a aplicação de nitrogênio em Abril.
[0054] A Figura 6 apresenta uma modalidade exemplar de uma vista de planilha para entrada de dados. Utilizando o display apresen- tado na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação a Nitrogênio, Plantio, Práticas e Solo, como apresentado na Figura 6. Para editar uma entrada específica, um computador de usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a Figura 6 apresenta uma atualização em progresso para um valor de produção alvo para o se- gundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos de modo a aplicar um ou mais programas. Em resposta a receber uma seleção de um programa para um campo es- pecífico, o gerenciador de dados pode automaticamente completar as entradas para o campo específico com base no programa selecionado. Como com a vista de linha de tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado com um programa específico em resposta a receber uma atualização para o programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta a receber uma edição para uma das entradas para o campo.
[0055] Em uma modalidade, os dados de modelo e campo são armazenados no repositório de dados de modelos e campo 160. Os dados do modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo digitalmente construído do desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um con- junto eletronicamente armazenado digitalmente de instruções e valo- res de dados executáveis, associados uns com ou outros, os quais são capazes de receber e responder a uma chamada programática ou ou- tra digital, invocação, ou solicitação para resolução com base em valo- res de entrada especificados, para produzir um ou mais valores de sa- ída armazenados ou calculados que podem servir como a base de re- comendações implementadas por computador, exibições de dados de saída, ou controle de máquina, entre outras coisas. Pessoas versadas na técnica acham conveniente expressar modelos utilizando equações matemáticas, mas esta forma de expressão não confina os modelos aqui descritos para conceitos abstratos; ao invés, cada modelo aqui tem uma aplicação prática em um computador na forma de instruções executáveis armazenadas e dados que implementam o modelo utili- zando o computador. O modelo pode incluir um modelo de eventos passados sobre um ou mais campos, um modelo do status corrente dos um ou mais campos, e/ou um modelo de eventos preditos sobre um ou mais campos. Os dados de modelo e capo podem ser armaze- nados em estruturas de dados em memória, linhas em uma tabela de banco de dados, em arquivos comuns ou planilhas, ou outras formas de dados digitais armazenados.
[0056] Em uma modalidade, um subsistema de classificação de sementes 170 contém uma lógica especialmente configurada, que in- clui, mas não limitada a, instruções de normalização de sementes 172, probabilidade de sucesso ou instruções de geração de desempenho de produção predito 174, e instruções de classificação de produção 176 compreende um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 no qual as instruções executáveis foram carregadas e as quais quando executadas fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações que estão aqui descritas com referência a estes módulos.
Em uma modalidade, um subsistema de recomendação de sementes 180 contém uma lógica especialmente configurada, incluindo, mas não limitado a, instruções de filtragem de sementes 182, instruções de geração de risco 184, e instruções de classificação de otimização 186 compreendem um con- junto de uma ou mais páginas de memória principal, tal como RAM, no sistema de computador de inteligência agrícola 130 no qual as instru- ções executáveis foram carregadas e as quais quando executadas, fazem com que o sistema de computação de inteligência agrícola exe- cute as funções ou operações que estão aqui descritas com referência a estes módulos.
Por exemplo, as instruções de normalização de se- mentes 172 podem compreender um conjunto de páginas em RAM que contém instruções as quais quando executadas causam a execu- ção das funções de identificação alvo que estão aqui descritas.
As ins- truções podem estar em código executável por máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base em código de fonte escrito em JAVA, C, C ++, OBJECTIVE-C, ou qualquer outra linguagem ou ambiente de programação legível por humanos, sozinhas ou em combinação com scripts em JAVASCRIPT, outras lin- guagens de script e outros textos de fonte de programação.
O termo "páginas" pretender referir amplamente a qualquer região dentro da memória principal e a terminologia específica utilizada em um sistema pode variar dependendo da arquitetura de memória ou da arquitetura do processador.
Em outra modalidade, cada uma das instruções de normalização de sementes 172, probabilidade de sucesso ou instru- ções de geração de desempenho de produção predito 174, instruções de classificação de produção 176, instruções de filtragem de sementes 182, instruções de geração de risco 184, e instruções de classificação de otimização 186 também podem representar um ou mais arquivos ou projetos de código de fonte que são digitalmente armazenados em um dispositivo de armazenamento de massa tal como um RAM não volátil ou armazenamento de disco, no sistema de computador de inte- ligência agrícola 130 ou um sistema de repositório separado, o qual quando compilado ou interpretado causa a geração de instruções exe- cutáveis as quais quando executadas fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações que estão aqui descritas com referência a estes módulos. Em outras palavras, a figura de desenho pode representar o modo no qual os programadores ou desenvolvedores de software organizam e dispõe o código de fonte para posterior compilação em um executável, ou inter- pretação em bytecode ou o equivalente, para execução pelo sistema de computador de inteligência agrícola 130.
[0057] A camada de hardware / virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controlado- res de memória e outros dispositivos, componentes, ou elementos de um sistema de computador tal como memória volátil ou não volátil, ar- mazenamento não volátil tal como um disco, e dispositivos ou interfa- ces de I/O como ilustrado e descrito, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções pro- gramadas que estão configuradas para suportar virtualização, contei- nerização, ou outras tecnologias.
[0058] Para propósitos de ilustrar um exemplo claro, a Figura 1 mostra um número limitado de instâncias de certos elementos funcio- nais. No entanto, em outras modalidades, pode existir qualquer núme- ro de tais elementos. Por exemplo, modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 asso- ciados com diferentes usuários. Ainda, o sistema 130 e/ou computador servidor de dados externos 108 podem ser implementados utilizando dois ou mais processadores, núcleos, grupamentos, ou instâncias de máquinas físicas ou máquinas virtuais, configurados em uma localiza- ção discreto ou co-localizados com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
2.2 VISÃO GERAL DE PROGRAMA DE APLICAÇÃO
[0059] Em uma modalidade, a implementação das funções aqui descritas utilizando um ou mais programas de computador ou outros elementos de software que são carregados e executados utilizando um ou mais computadores de uso geral fará com que os computadores de uso geral sejam configurados como uma máquina específica ou como um computador que está especialmente adaptado para executar as funções aqui descritas. Ainda, cada um dos fluxogramas que estão adicionalmente aqui descritos pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa aqui, como algo- ritmos, planos ou instruções que podem ser utilizados para programar um computador ou lógica para implementar as funções que estão des- critas. Em outras palavras, todo o texto em prosa aqui, e todas as figu- ras de desenho, juntos, pretendem prover a descrição de algoritmos, planos ou instruções que são suficientes para permitir que uma pessoa versada na técnica programe um computador para executar as fun- ções que estão aqui descritas, em combinação com a habilidade e co- nhecimento de tal pessoa dada o nível de habilidade que é apropriado para invenções e descrições deste tipo.
[0060] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 utilizando o dispositivo de computação de gerenciador de campo 104 configurado com um siste- ma de operação e um ou mais programas de aplicação ou apps; o dis- positivo de computação de gerenciador de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola in- dependentemente e automaticamente sob controle de programa ou controle lógico e a interação de usuário direta não é sempre requerida. O dispositivo de computação de gerenciador de campo 104 ampla- mente representa um ou mais de um smartphone, PDA, dispositivo de computação tablet, computador laptop, computador desktop, estação de trabalho, ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação de gerenciador de campo 104 pode co- municar através de uma rede utilizando uma aplicação móvel armaze- nada no dispositivo de computação de gerenciador de campo 104, e em algumas modalidades, o dispositivo pode estar acoplado utilizando um cabo 113 ou conector no sensor 112 e/ou controlador 114. Um usuário específico 102 pode ter, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositivo de computação de geren- ciador de campo 104 de cada vez.
[0061] A aplicação móvel pode prover uma funcionalidade do lado de cliente, através da rede para um ou mais dispositivos de computa- ção móvel. Em uma modalidade exemplar, o dispositivo de computa- ção de gerenciador de campo 104 pode acessar a aplicação móvel através de um navegador da web ou uma aplicação ou app de cliente local. O dispositivo de computação de gerenciador de campo 104 pode transmitir dados para, e receber dados de, um ou mais servidores de interface inicial, utilizando protocolos ou formatos baseados na web tal como HTTP, XML e/ou JSON ou protocolos específicos de app. Em uma modalidade exemplar, os dados podem assumir a forma de solici- tações e entrada de informações de usuário, tal como dados de cam- po, no dispositivo de computação móvel. Em algumas modalidades, a aplicação móvel interage com o hardware e software de rastreamento de localização no dispositivo de computação de gerenciador de campo 104, o qual determina a localização do dispositivo de computação de gerenciador de campo 104 utilizando técnicas de rastreamento padrão tal como multilateração de sinais de rádio, o sistema de posicionamen- to global (GPS), sistemas de posicionamento WiFi, ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados com o dispositivo 104, usuário 102, e/ou con- ta(s) de usuário podem ser obtidos por consultas a um sistema de ope- ração do dispositivo ou solicitando uma app no dispositivo para obter dados do sistema de operação.
[0062] Em uma modalidade, o dispositivo de computação de ge- renciador de campo 104 envia dados de campo 106 para o sistema de computador de inteligência agrícola 130 que compreendem ou inclu- em, mas não limitados a, valores de dados que representam um ou mais de: uma localização geográfica dos um ou mais campos, infor- mações de cultivo para os um ou mais campos, culturas plantadas nos um ou mais campos, e dados de solo extraídos dos um ou mais cam- pos. O dispositivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada de usuário do usu- ário 102 especificando os valores de dados para os um ou mais cam- pos. Além disso, o dispositivo de computação de gerenciador de cam- po 104 pode automaticamente enviar dados de campo 106 quando um ou mais dos valores de dados tornam-se disponíveis para dispositivo de computação de gerenciador de campo 104. Por exemplo, o disposi- tivo de computação de gerenciador de campo 104 pode estar comuni- cativamente acoplado no sensor remoto 112 e/ou controlador de apli- cação 114 os quais incluem um sensor de irrigação e/ou controlador de irrigação. Em resposta a receber dados que indicam que o contro- lador de aplicação 114 liberou água em um ou mais campos, o disposi- tivo de computação de gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130 indicando que água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta descrição podem ser inseridos e comunicados utilizando dados digitais eletrônicos que são comunica- dos entre dispositivos de computação utilizando URLs parametrizados sobre HTTP, ou outro protocolo de comunicação ou mensagem ade- quado.
[0063] Um exemplo comercial da aplicação móvel é CLIMATE FI- ELDVIEW, comercialmente disponível da The Climate Corporation, San Francisco, Califórnia. A aplicação CLIMATE FIELDVIEW, ou ou- tras aplicações, podem ser modificadas, estendidas ou adaptadas para incluir características, funções, e programação que não foram apre- sentadas antes da data de depósito desta descrição. Em uma modali- dade, a aplicação móvel compreende uma plataforma de software in- tegrada que permite um produtor tomar decisões baseadas em fatos para sua operação, porque esta combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor dese- ja comparar. As combinações e comparações podem ser executadas em tempo real e estão baseadas em modelos científicos que proveem cenários potenciais para permitir o produtor tomar decisões melhores, mais informadas.
[0064] A Figura 2 ilustra duas vistas de uma organização lógica exemplar de conjuntos de instruções na memória principal quando uma aplicação móvel exemplar é carregada para execução. Na Figura 2, cada elemento denominado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento de disco ou outro armazenamento não volátil, e as instruções programadas dentro destas regiões. Em uma modalidade, na vista (a), uma aplicação de computador móvel 200 compreende ins- truções de compartilhamento de ingestão de dados de campos de con- ta 202, visão geral e instruções de alerta 204, instruções de livro de mapa digital 206, sementes e instruções de plantio 208, instruções de nitrogênio 210, instruções meteorológicas 212, instruções de saúde de campo 214, e instruções de desempenho 216.
[0065] Em uma modalidade, uma aplicação de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de compartilhamento 202 as quais são programadas para receber, tradu- zir, e ingerir dados de campo de sistemas de terceiros através de car- regamento manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produção, mapas como plantado, resultados de tes- tes de solo, mapas como aplicado, e/ou zonas de gerenciamento, en- tre 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 através de carregamento manual, e-mail com anexo, APIs externas que empurram dados para a aplica- ção móvel, ou instruções que chamam APIs de sistemas externos para puxar dados para a aplicação móvel. Em uma modalidade, a aplicação de computador móvel 200 compreende uma caixa de entrada de da- dos. Em resposta a receber uma seleção da caixa de entrada de da- dos, a aplicação de computador móvel 200 pode exibir uma interface gráfica de usuário para manualmente carregar arquivos de dados e importar arquivos carregados para o gerenciador de dados.
[0066] Em uma modalidade, as instruções de livro de mapas digi- tais 206 compreendem camadas de dados de mapa de campo arma- zenadas na memória de dispositivo e são programadas com ferramen- tas de visualização de dados e notas de campo geoespacial. Isto pro- vê os produtores com informações convenientes à mão para referên- cia, registro e previsões visuais sobre o desempenho de campo. Em uma modalidade, visão geral e instruções de alerta 204 são programa- das para prover uma visão ampla de operação do que é importante para o produtor, e recomendações oportunas para agir ou focar em questões específicas. Isto permite que o produtor concentre seu tempo no que precisa de atenção, para economizar tempo e preservar a pro- dução ao longo da estação. Em uma modalidade, sementes e instru- ções de plantio 208 são programadas para prover ferramentas para seleção de sementes, colocação de sementes, e criação de script, in- cluindo criação de script de taxa variável (VR), com base em modelos científicos e dados empíricos. Isto permite os produtores maximizarem a produção ou retorno de investimento através de compra, colocação e população de sementes otimizadas.
[0067] Em uma modalidade, as instruções de geração de script 205 são programadas para prover uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permi- te os produtores criarem scripts para implementos de campo, tal como aplicações de nutrientes, plantio, e irrigação. Por exemplo, uma inter- face de script de plantio pode compreender ferramentas para identifi- car um tipo de semente para plantio. Quando recebendo uma seleção de tipo de semente, a aplicação de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, tal como as camadas de dados de mapa de campo criadas como parte de ins- truções de livro de mapas digitais 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. A aplicação de computador móvel 200 pode também exibir ferramentas para editar ou criar tais, tal como ferramentas gráficas para desenhar zonas de ge- renciamento, tal como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou diferentes procedimentos de plantio po- dem ser aplicados a diferentes subconjuntos de zonas de gerencia- mento. Quando um script é criado, a aplicação de computador móvel 200 pode tornar o script disponível para download em um formato legí-
vel por um controlador de aplicação, tal como um formato arquivado ou comprimido. Além disso, e/ou alternativamente, um script pode ser en- viado diretamente para o computador de cabine 115 da aplicação de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posterior.
[0068] Em uma modalidade, as instruções de nitrogênio 210 são programadas para prover ferramentas para informar decisões de nitro- gênio, visualizando a disponibilidade de nitrogênio para as culturas. Isto permite que os produtores maximizem a produção ou o retorno sobre o investimento através de aplicação de nitrogênio otimizada du- rante a estação. Funções programadas exemplares incluem exibir imagens tais como imagens SSURGO para permitir o desenho de zo- nas de aplicação de fertilizantes e/ou imagens geradas de dados de solo de subcampo, tal como dados obtidos de sensores, em uma alta resolução espacial (tão fina quanto milímetros ou menor dependendo da proximidade e resolução do sensor); carregamento de zonas defini- das pelo produtor existentes; prover um gráfico de disponibilidade de nutrientes para plantas e/ou um mapa para permitir o ajuste de aplica- ção(ões) de nitrogênio através de múltiplas zonas; emissão de scripts para acionar o maquinário; ferramentas para entrada e ajuste de da- dos de massa; e/ou mapas para visualização de dados, entre outros. "Entrada de dados de massa", neste contexto, pode significar inserir dados uma vez e então aplicar os mesmos dados a múltiplos campos e/ou zonas que foram definidos no sistema; dados exemplares podem incluir dados de aplicação de nitrogênio que são os mesmos para mui- tos campos e/ou zonas do mesmo produtor, mas tal entrada de dados de massa aplica-se à entrada de qualquer tipo de dados de campo na aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de pro- gramas de aplicação e práticas de nitrogênio e para aceitar a entrada de usuário que especifica aplicar estes programas através de múltiplos campos. "Programas de aplicação de nitrogênio", neste contexto, refe- re-se a conjuntos de dados armazenados, denominados que associ- am: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação tal como injetado ou transmitido, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido / variedade que é objeto da aplicação, entre outros. "Programas de práticas de nitrogênio", neste contexto, referem-se a conjuntos de dados denominados, armazenados que as- sociam: um nome de práticas; uma cultura anterior; um sistema de cul- tivo; uma data de cultivo primário; um ou mais sistemas de cultivo an- teriores que foram utilizados; um ou mais indicadores de tipo de apli- cação, tal como estrume, que foram utilizados. As instruções de nitro- gênio 210 também podem ser programadas para gerar e causar a exi- bição de um gráfico de nitrogênio, o qual indica projeções de uso da planta do nitrogênio especificado e se um excedente ou déficit é predi- to; em algumas modalidades, diferentes indicadores de cores podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador que compreende uma pluralidade de linhas, cada linha associada com e identificando 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 do campo; em cada linha, uma linha de tempo por mês com indicadores gráficos que especificam cada aplicação de ni- trogênio e quantidade em pontos correlacionados com nomes dos me- ses; e indicadores numéricos e/ou coloridos de excedente ou déficit, em que a cor indica a magnitude.
[0069] Em uma modalidade, o gráfico de nitrogênio pode incluir uma ou mais características de entrada do usuário, tal como dials ou barras deslizantes, para dinamicamente mudar os programas de plan- tio e práticas de nitrogênio de modo que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relativos para implementar um ou mais scripts, incluindo scripts de fer- tilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, o qual indica projeções de utilização de planta do nitro- gênio especificado e se um excedente ou déficit é predito; em algumas modalidades, diferentes indicadores de cores podem sinalizar uma magnitude de excedente ou a magnitude de déficit. O mapa de nitro- gênio pode exibir projeções de utilização de planta do nitrogênio espe- cificado e se um excedente ou déficit está predito para diferentes tem- pos no passado e no futuro (tal como diariamente, semanalmente, mensalmente ou anualmente) utilizando indicadores numéricos e/ou coloridos de excedente ou déficit, nos quais a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir uma ou mais características de entrada do usuário, tal como dials ou barras desli- zantes, para dinamicamente mudar os programas de plantio e práticas de nitrogênio de modo que um usuário possa otimizar seu mapa de nitrogênio, de modo a obter uma quantidade preferida de excedente para déficit. O usuário pode então usar seu mapa de nitrogênio otimi- zado e os programas de plantio e práticas de nitrogênio relativos para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções similares às instru- ções de nitrogênio 210 poderiam ser utilizadas para a aplicação de ou- tros nutrientes (tal como fósforo e potássio), aplicação de pesticidas e programas de irrigação.
[0070] Em uma modalidade, as instruções meteorológicas 212 es-
tão programadas para prover dados meteorológicos recentes específi- cos de campo e informações meteorológicas previstas. Isto permite que os produtores economizem tempo e tenham uma exibição integra- da eficiente com relação a decisões operacionais diárias.
[0071] Em uma modalidade, as instruções de saúde de campo 214 são programadas para prover imagens de detecção remotas oportunas destacando variação da cultura durante a estação e preocupações po- tenciais. As funções programadas exemplares incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; de- terminar índices de nitrogênio com base em imagens de campo; visua- lização gráfica das camadas de aferição, incluindo, por exemplo, aque- las relativas à saúde de campo, e visualização e/ou compartilhamento de notas de aferição; e/ou baixando imagens de satélite de fontes múl- tiplas e priorizando as imagens para o produtor, entre outros.
[0072] Em uma modalidade, instruções de desempenho 216 são programadas para prover relatórios, análises, e ferramentas de previ- são utilizando dados da fazenda para avaliação, previsões e decisões. Isto permite o produtor buscar resultados aperfeiçoados para o próxi- mo ano através de conclusões baseadas em fatos sobre qual retorno sobre o investimento estava em níveis anteriores, e uma previsão de fatores de limitação de produção. As instruções de desempenho 216 podem ser programadas para comunicar através da(s) rede(s) 109 pa- ra programas analíticos de rede auxiliar executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externos 108 e configurado para analisar métricas, tais como produção, diferencial de produção, híbrido / variedade, população, zo- na SSURGO, propriedades de testagem de solo, ou elevação, entre outros. Relatórios e análises programados podem incluir análise de variabilidade de produção, estimativa de efeito de tratamento, aferição de produtividade e outras métricas em relação a outros produtores com base em dados anônimos coletados de muitos produtores, ou da- dos para sementes e plantio, entre outros.
[0073] Aplicação que têm instruções configuradas neste modo po- dem ser implementadas para diferentes plataformas de dispositivos de computação enquanto retendo a mesma aparência de interface de usuário geral. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, smartphones, ou computadores servidores que são acessados utilizando navegadores em computadores de clien- tes. Ainda, a aplicação móvel, como configurada para computadores tablets ou smartphones, podem prover uma experiência de app total ou uma experiência de app de cabine que seja adequada para as ca- pacidades de exibição e processamento do computador de cabine
115. Por exemplo, referindo agora à vista (b) da Figura 2, em uma mo- dalidade, uma aplicação de computador de cabine 220 pode compre- ender instruções de mapas de cabine 222, instruções de visão remota 224, instruções de coletamento e transferência de dados 226, instru- ções de alertas de máquina 228, instruções de transferência de script 230, e instruções de reconhecimento de cabine 232. A base código para as instruções da 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 sobre a qual estes estão executan- do e para expor, através de uma interface gráfica de usuário, somente aquelas funções que são apropriadas para uma plataforma de cabina ou plataforma total. Esta proposta 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 cabi- ne. As instruções de mapas de cabine 222 podem ser programadas para prover vistas de mapas de campos, fazendas ou regiões que são úteis em direcionar a operação da máquina. As instruções de visão remota 224 podem ser programadas para ligar, gerenciar e prover vis-
tas de atividade de máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados no sistema 130 através de redes sem fio, conectores ou adaptadores com fio, e simila- res. As instruções de coletamento e transferência de dados 226 po- dem ser programadas para ligar, gerenciar e prover transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio, e simila- res. As instruções de alertas de máquina 228 podem ser programadas para detectar problemas com operações da máquina ou ferramentas que estão associadas com a cabine e gerar alertas de operador. As instruções de transferência de script 230 podem ser configuradas para transferir em scripts de instruções que são configuradas para direcio- nar operações da máquina ou o coletamento de dados. As instruções de reconhecimento de cabine 232 podem ser programadas para exibir alertas baseados em localização e informações recebidas do sistema 130 com base na localização do dispositivo de computação de geren- ciador de campo 104, aparelho agrícola 111, ou sensores 112 no campo e ingerir, gerenciar, e prover transferência de observações de reconhecimento baseadas em localização para o sistema 130 com ba- se na localização do aparelho agrícola 111 ou sensores 112 no cam- po.
2.3. INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR
[0074] Em uma modalidade, o computador servidor de dados ex- ternos 108 armazena dados externos 110, incluindo dados de solo que representam a composição de solo para os um ou mais campos e da- dos meteorológicos que representam temperatura e precipitação nos um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes assim como previsões para da- dos meteorológicos futuros. Em uma modalidade, o computador servi- dor de dados externos 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servi- dor 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 percentagem de areia, lodo e argila no solo, enquanto um segundo servidor pode armazenar dados que representam a percentagem de matéria orgânica (OM) no solo.
[0075] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que estão programados ou configurados para pro- duzir uma ou mais observações. O sensor remoto 112 podem ser sen- sores aéreos, tal como satélites, sensores de veículos, sensores de equipamentos de plantio, sensores de cultivo, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeira e qualquer outro implemento capaz de receber dados dos um ou mais campos. Em uma modalidade, o controlador de aplicação 114 está programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 pode tam- bém estar programado ou configurado para controlar um parâmetro de operação de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode estar programado ou configurado para controlar um parâmetro de operação de um veículo tal como um trator, equipamento de plantio, equipamento de preparo do solo, equipamen- to de fertilizante ou inseticida, equipamento de colheitadeira ou outros implementos agrícolas tal como uma válvula de água. Outras modali- dades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[0076] O sistema 130 pode obter ou ingerir dados sob o controle do usuário 102, em uma base em massa de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obter dados pode ser denominada "ingestão de dados manual " já que uma ou mais operações de com- putador controladas pelo usuário são solicitadas ou disparadas para obter dados para utilização pelo sistema 130. Como um exemplo, a aplicação CLIMATE FIELDVIEW, comercialmente disponível da The Climate Corporation, San Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório
160.
[0077] Por exemplo, os sistemas de monitoramento de sementes podem tanto controlar os componentes de aparelho plantador quanto obter dados de plantio, incluindo sinais de sensores de sementes atra- vés de uma cablagem de sinais que compreende uma rede principal de CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e ou- tras informações para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos estão descri- tos nas Patentes U.S. Números 8.738.243 e Publicação de Patente U.S. 20150094916, e a presente descrição assume conhecimento destas outras descrições de patentes.
[0078] Do mesmo modo, os sistemas de monitoramento de produ- ção podem conter sensores de produção para aparelhos de colheita- deira que enviam dados de medição de produção para o computador de cabine 115 ou outros dispositivos dentro do sistema 130. Os siste- mas de monitoramento de produção podem usar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma com- binada ou outra colheitadeira e transmitir estas medições para o usuá- rio através do computador da cabine 115 ou outros dispositivos dentro do sistema 130.
[0079] Em uma modalidade, exemplos de sensores 112 que po-
dem ser utilizados com qualquer veículo ou aparelho móvel do tipo aqui descrito em outro local incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um de sensores de velocidade tal como radar ou sensores de veloci- dade de rodas, acelerômetros, ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou apps de posição ou mapeamento baseados em WiFi que são programados pa- ra determinar a localização com base em hotspots de WiFi próximos, entre outros.
[0080] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com tratores ou outros veículos móveis incluem sensores de velocidade de motor, sensores de consumo de combustí- vel, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade de PTO (decolagem de potência), sensores hidráulicos de trator configurados para detectar parâmetros hidráulicos tais como pressão ou fluxo, e/ou velocidade de bomba hidráulica, sensores de velocidade de rodas ou sensores de deslizamento de rodas. Em uma modalidade, exemplos de controlado- res 114 que podem ser utilizados com tratores incluem controladores direcionais hidráulicos, controladores de pressão, e/ou controladores de fluxo; controladores de velocidade de bomba hidráulica; controlado- res de velocidade ou governadores; controladores de posição de enga- te; ou controladores de posição de roda proveem direção automática.
[0081] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamentos de plantio de sementes tais co- mo plantadeiras, brocas, ou semeadoras de ar incluem sensores de sementes, os quais podem ser óticos, eletromagnéticos, ou sensores de impacto; sensores de força descendente tal como pinos de carga, células de carga, sensores de pressão; sensores de propriedade de solo tal como sensores de refletividade, sensores de umidade, senso-
res de condutividade elétrica, sensores de resíduos óticos, ou senso- res de temperatura; sensores de critérios de operação de componen- tes tais como sensores de profundidade de plantio, sensores de pres- são de cilindro de força descendente, sensores de velocidade de disco de sementes, codificadores de motor de acionamento de sementes, sensores de velocidade de sistema de transportador de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas tal como sensores óticos ou outros sensores eletromagnéticos, ou senso- res de impacto.
Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tal equipamento de plantio de sementes incluem: controladores de dobramento de barra de ferramentas tal co- mo controladores para válvulas associadas com cilindros hidráulicos; controladores de força descendente tal como controladores de válvu- las associadas com cilindros pneumáticos, airbags, ou cilindros hidráu- licos, e programados para aplicar uma força descendente a unidades de fila individuais ou uma estrutura da plantadeira inteira; controlado- res de profundidade de plantio, tal como atuadores lineares; controla- dores de medição, tal como motores de acionamento de medidor de sementes elétricos, motores de acionamento de medidor de sementes hidráulicos, ou embreagens de controle de fileira; controladores de se- leção de híbridos / variedades, tal como motores de acionamento de medidor de sementes ou outros atuadores programados para seleti- vamente permitir ou impedir que sementes ou uma mistura de ar- sementes forneça sementes para ou de medidores de sementes ou funis de massa centrais; controladores de medição, tal como motores de acionamento de medidor de sementes elétricos, ou motores de aci- onamento de medidor de sementes hidráulicos; controladores de sis- tema transportador sementes, tal como controladores para um motor de transportado de fornecimento de sementes de correia; controlado- res de marcador, tal como um controlador para um atuador pneumáti-
co ou hidráulico; ou controladores de taxa de aplicação de pesticidas, tal como controladores de acionamento de medição, controladores de tamanho ou posição de orifício.
[0082] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com equipamentos de cultivo incluem sensores de posição para ferramentas, tais como hastes ou discos; sensores de posição de ferramenta para tais ferramentas que estão configuradas para detectar profundidade, ângulo de gangue ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser utili- zados com equipamento de cultivo incluem controladores de força descendente ou controladores de posição de ferramenta, tal como controladores configurados para controlar a profundidade de ferramen- ta, ângulo de gangue, ou espaçamento lateral.
[0083] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados em relação a aparelhos para aplicar fertilizantes, inseticidas, fungicidas e similares, tal como sistemas de fertilizantes iniciais na plantadeira, aplicadores de fertilizantes de subsolo, ou pul- verizadores de fertilizantes, incluem: sensores de critérios de sistema de fluido, tal como sensores de fluxo ou sensores de pressão; senso- res que indicam quais válvulas de cabeça de pulverização ou válvulas de linha de fluido estão abertas; sensores associados com tanques, tal como sensores de nível de enchimento; sensores de linha de supri- mento seccionais ou em todo o sistema, ou sensores de linha de su- primento específicos de linha; ou sensores cinemáticos tais como ace- lerômetros dispostos sobre as lanças de pulverizador. Em uma moda- lidade, exemplos de controladores 114 que podem ser utilizados com tais aparelhos incluem controladores de velocidade de bomba; contro- ladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou atuadores de posição tal como altura de lança, profundidade de subsolador ou posição de lança.
[0084] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com colheitadeiras incluem monitores de produção, tal como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso, ou sensores de torque associados a elevadores ou brocas, ou óticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, tal como sensores capacitivos; senso- res de perda de grãos, incluindo sensores de impacto, óticos ou capa- citivos; sensores de critérios de operação de plataforma tal como altu- ra de plataforma, tipo de plataforma, folga de placa do convés, veloci- dade do alimentador, sensores de velocidade da bobina e; sensores de critérios de operação de separador, tal como folga côncava, veloci- dade de rotor, folga de sapata, ou sensores de folga de chaffer; senso- res de broca para posição, operação ou velocidade; ou sensores de velocidade de motor. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com colheitadeiras incluem controlado- res de critérios de operação de plataforma para elementos tais como altura de plataforma, tipo de plataforma, folga de placa de convés, ve- locidade de alimentador, ou velocidade de rolo; controladores de crité- rios de operação de separador para características tais como folga côncava, velocidade de rotor, folga de sapata ou folga de chaffer; ou controladores para posição, operação, ou velocidade de broca.
[0085] Em uma modalidade, exemplos de sensores 112 que po- dem ser utilizados com carrinhos de grãos incluem sensores de peso, ou sensores para posição, operação ou velocidade de perfurador. Em uma modalidade, exemplos de controladores 114 que podem ser utili- zados com carrinhos de grãos incluem controladores para a posição, operação ou velocidade de perfurador.
[0086] Em uma modalidade, exemplos de sensores 112 e contro-
ladores 114 podem ser instalados em aparelhos de veículos aéreos não tripulados (UAV) ou "drones". Tais sensores podem incluir câme- ras com detectores efetivos para qualquer faixa do espectro eletro- magnético, incluindo luz visível, infravermelho, ultravioleta, infraverme- lho próximo (NIR), e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de pitot ou ou- tros sensores de velocidade de ar ou de velocidade de vento; sensores de vida de bateria; ou emissores de radar e aparelhos de detecção de energia de radar refletida; outros emissores de radiação eletromagné- tica e aparelhos de detecção de radiação eletromagnética refletida. Tais controladores podem incluir orientação ou aparelho de controle de motor, controladores de superfície de controle, controladores de câme- ra ou controladores programados para ligar, operar, obter dados, ge- renciar e configurar qualquer um dos sensores acima. Exemplos estão descritos no Pedido de Patente U.S. Número 14/831.165 e a presente descrição assume o conhecimento desta outra descrição de patente.
[0087] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados a um aparelho de amostragem e medição de solo que está configurado ou programado para amostrar solo e execu- tar testes de química de solo, testes de umidade de solo e outros tes- tes relativos ao solo. Por exemplo, o aparelho descrito na Patente U.S. Número 8.767.194 e Patente U.S. Número 8.712.148 pode ser utiliza- do, e a presente descrição assume o conhecimento destas descrições de patentes.
[0088] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar condições meteorológicas de campos. Por exemplo, os aparelhos des- critos no Pedido Provisório U.S. Número 62/154.207, depositado em 29 de Abril de 2015, Pedido Provisório U.S. Número 62/175.160, de- positado em 12 de Junho de 2015, Pedido Provisório U.S. Número
62/198.060, depositado em 28 de Julho de 2015, e o Pedido Provisório U.S. Número 62/220.852, depositado em 18 de Setembro de 2015, podem ser utilizados, e a presente descrição assume o conhecimento destas descrições de patentes.
2.4. VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO
[0089] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronómico é uma estrutura de dados na memória do sistema de computador de inteli- gência agrícola 130 que compreende dados de campo 106, tal como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico pode também compreender propriedades agro- nômicas calculadas as quais descrevem ou condições as quais podem afetar o crescimento de uma ou mais culturas em um campo, ou pro- priedades das uma ou mais culturas, ou ambas. Além disso, um mode- lo agronômico pode compreender recomendações baseadas em fato- res agronômicos tais como recomendações de cultura, recomenda- ções de irrigação, recomendações de plantio, recomendações de ferti- lizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações de gerenciamen- to de cultura. Os fatores agronômicos podem também ser utilizados para estimar um ou mais resultados relativos à cultura, tal como pro- dução agronômica. A produção agronômica de uma cultura é uma es- timativa de quantidade da cultura que é produzida, ou em alguns exemplos a receita ou lucro obtido com a cultura produzida.
[0090] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relativas à localização e in- formações de cultivo correntemente recebidas para um ou mais cam-
pos. O modelo agronômico pré-configurado está baseado em dados de campo anteriormente processados, incluindo, mas não limitado a, dados de identificação, dados de colheita, dados de fertilizantes, e da- dos meteorológicos. O modelo agronômico pré-configurado pode ter sido validado cruzado para assegurar a precisão de modelo. A valida- ção cruzada pode incluir comparação com a verificação de solo que compara os resultados preditos com os resultados reais em um cam- po, tal como uma comparação de estimativa de precipitação com um pluviômetro ou sensor provendo dados meteorológicos na mesma ou próxima localização ou uma estimativa do conteúdo de nitrogênio com uma medição de amostra de solo.
[0091] A Figura 3 ilustra um processo programado pelo qual o sis- tema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados utilizando dados de campo providos por uma ou mais fontes de dados. A Figura 3 pode servir como um algo- ritmo ou instruções para programar os elementos funcionais do siste- ma de computador de inteligência agrícola 130 para executar as ope- rações que são agora descritas.
[0092] No bloco 305, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados para o pro- pósito de remover ruído, efeitos de distorção, e fatores de confusão dentro dos dados agronômicos, incluindo discrepâncias medidas que poderiam adversamente afetar os valores dos dados de campo recebi- dos. As modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados com valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por distorcer desne-
cessariamente outros valores de dados, suavização de dados, agrega- ção ou técnicas de amostragem utilizadas para remover ou reduzir efeitos aditivos ou multiplicativos de ruído, e outras técnicas de filtra- gem ou derivação de dados utilizadas para prover claras distinções entre entradas de dados positivas e negativas.
[0093] No bloco 310, o sistema de computador de inteligência agrícola 130 está configurado ou programado para executar seleção de subconjuntos de dados utilizando os dados de campo pré- processados de modo a identificar conjuntos de dados úteis para a ge- ração de modelo agronômico inicial. O sistema de computador de inte- ligência agrícola 130 pode implementar técnicas de seleção de sub- conjunto de dados que incluem, mas não limitadas a, um método de algoritmo genético, um método de todos os modelos de subconjunto, um método de pesquisa sequencial, um método de regressão gradual, um método de otimização de enxame de partículas, e um método de otimização de colônia de formigas. Por exemplo, uma técnica de sele- ção de algoritmo genético utiliza um algoritmo de busca heurística adaptativa, com base em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados dentro dos da- dos agronômicos pré-processados.
[0094] No bloco 315, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar avali- ação de conjuntos de dados de campo. Em uma modalidade, um con- junto de dados de campo específico é avaliado criando um modelo agronômico e utilizando limites de qualidade específicos para o mode- lo agronômico criado. Os modelos agronômicos podem ser compara- dos e/ou validados utilizando uma ou mais técnicas de comparação, tal como, mas não limitado a, erro quadrático médio com validação cru- zada deixando um fora (RMSECV), erro absoluto médio, e erro de per- centagem média. Por exemplo, a RMSECV pode validar cruzado mo-
delos agronômicos comparando valores de propriedades agronômicas preditos criados pelo modelo agronômico a relação a valores de pro- priedades agronômicas históricas coletados e analisados. Em uma modalidade, a lógica de avaliação de conjunto de dados agronômicos é utilizada como um loop de retorno, onde os conjuntos de dados agronômicos que não atendem limites de qualidade configurados são utilizados durante as etapas de seleção de subconjunto de dados futu- ras (bloco 310).
[0095] No bloco 320, o sistema de computador de inteligência agrícola 130 está configurado ou programado para implementar a cria- ção de modelo agronômico com base nos conjuntos de dados agronômicos validados cruzados. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multiva- riadas para criar modelos de dados agronômicos pré-configurados.
[0096] No bloco 325, o sistema de computador de inteligência agrícola 130 está configurado ou programado para armazenar os mo- delos de dados agronômicos pré-configurados para futura avaliação de dados de campo.
2.5. SUBSISTEMA DE CLASSIFICAÇÃO DE SEMENTES
[0097] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui o subsistema de classificação de sementes 170. O subsistema de classificação de se- mentes 170 está configurado para gerar um grupo de produção de su- cesso alvo de sementes especificamente identificadas para desempe- nho ótimo em campos alvo. Como aqui utilizado o termo "ótimo" e ter- mos relativos (por exemplo, "otimizando", "otimização", etc.) são ter- mos amplos que referem ao "melhor ou mais efetivo" com relação a qualquer resultado, sistema, dados, etc. ("otimização universal") assim como aperfeiçoamentos que são "melhores ou mais efetivos ("otimiza- ção relativa")". O grupo de produção de sucesso alvo inclui um sub-
conjunto de uma ou mais sementes, uma previsão de produção esti- mada para cada semente, e uma probabilidade de sucesso de exceder a previsão de produção estimada média para sementes similarmente classificadas.
[0098] Em uma modalidade, a identificar sementes que otimamen- te executarão em campos alvo está baseado na entrada recebida pelo sistema de computador de inteligência agrícola 130 incluindo, mas não limitado a, registros de dados agrícolas para múltiplas diferentes se- mentes e dados de geolocalização relativos aos campos onde os re- gistros de dados agrícolas foram coletados. Por exemplo, se os regis- tros de dados agrícolas forem recebidos para cem sementes, então os registros de dados agrícolas incluiriam dados de crescimento e produ- ção para as cem sementes e dados de geolocalização sobre os cam- pos onde as cem sementes foram plantadas. Em uma modalidade, o sistema de computador de inteligência agrícola 130 também recebe dados de geolocalização e agrícolas para um segundo conjunto de campos. O segundo conjunto de campos são os campos alvo onde o produtor pretende plantar sementes selecionadas. Informações sobre campos alvo são especificamente relevantes para adequar sementes específicas ao ambiente dos campos alvo.
[0099] As instruções de normalização de sementes 172 proveem instruções para gerar um conjunto de dados de propriedades de se- mentes que descrevem valores de produção representativas e classifi- cações ambientais que referem a condições ambientais preferidas pa- ra cada uma das sementes recebidas pelo sistema de computador de inteligência agrícola 130. As instruções de geração de probabilidade de sucesso 174 proveem instruções para gerar um conjunto de dados de pontuações de probabilidade de sucesso associadas com cada uma das sementes. As pontuações de probabilidade de sucesso des- crevem a probabilidade de uma produção de sucesso nos campos al-
vo. As instruções de classificação de produção 176 proveem instru- ções para gerar um grupo de sementes de produção de sucesso alvo que foi identificado para desempenho ótimo em campos alvo com base nas pontuações de probabilidade de sucesso associadas com cada uma das sementes.
[00100] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está configurado para apresentar, através da ca- mada de apresentação 134, o grupo de produção de sucesso alvo de sementes selecionadas e seus valores de produção normalizados e pontuações de probabilidade de sucesso.
[00101] O subsistema de classificação de sementes 170 e instru- ções relativas estão adicionalmente descritas em outro lugar aqui.
2.6. SUBSISTEMA DE RECOMENDAÇÃO DE SEMENTES
[00102] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130, entre outros componentes, inclui um subsistema de recomendação de sementes 180. O subsistema de recomendação de sementes 180 está configurado para gerar um conjunto de semen- tes alvo especificamente selecionado para desempenho ótimo em campos alvo com risco minimizado ou reduzido. O conjunto de semen- tes alvo inclui um subconjunto de uma ou mais sementes que têm pre- visões de produção estimadas acima de um limite de produção especí- fico e têm um valor de risco associado que está abaixo de um alvo de risco específico.
[00103] Em uma modalidade, identificar um conjunto de sementes alvo que otimamente executarão em campos alvo está baseado em um conjunto de sementes de entrada que foram identificadas como tendo uma probabilidade específica de produzir uma produção de su- cesso nos campos alvo. O sistema de computador de inteligência agrí- cola 130 pode estar configurado para receber um conjunto de semen- tes como parte de um grupo de produção de sucesso alvo gerado pelo subsistema de classificação de sementes 170. O grupo de produção de sucesso alvo pode também incluir dados agrícolas que especificam a probabilidade de sucesso para cada semente e outros dados agríco- las tais como valor de produção, maturidade relativa, e observações ambientais de colheitas anteriormente observadas. Em uma modalida- de, o sistema de computador de inteligência agrícola 130 também re- cebe dados de geolocalização e agrícolas para um conjunto de cam- pos alvo. Os "campos alvo" são campos onde o produtor está conside- rando ou pretende plantar as sementes alvo.
[00104] As instruções de filtragem de sementes 182 proveem ins- truções para filtrar e identificar um subconjunto de sementes que têm um valor de probabilidade de sucesso que está acima de um limite de produção de sucesso especificado. As instruções de geração de risco 184 proveem instruções para gerar um conjunto de dados de valores de risco associado com cada uma das sementes. Os valores de risco descrevem a quantidade de risco associada com cada semente com relação ao valor de produção estimado para cada semente. As instru- ções de classificação de otimização 186 proveem instruções para ge- rar um conjunto de dados de sementes alvo que têm valores de produ- ção médios acima de um limite alvo para uma faixa de valores de risco do conjunto de dados de valores de risco.
[00105] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 está configurado para apresentar, através da ca- mada de apresentação 134, o conjunto de sementes alvo e incluindo seus valores de produção médios.
[00106] O subsistema de recomendação de sementes 180 e instru- ções relativas estão adicionalmente descritas em outro lugar aqui.
2.7. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE
[00107] De acordo com uma modalidade, as técnicas aqui descritas são implementadas por um ou mais dispositivos de computação de uso especial. Os dispositivos de computação de uso especial podem ser conectados para executar as técnicas, ou podem incluir dispositi- vos eletrônicos digitais tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou rede de portas programáveis no cam- po (FPGAs) que são persistentemente programados para executar as técnicas, ou podem incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento, ou uma combinação. Tais dispositivos de computação de uso especial podem também combinar lógica com fio customizada, ASICs, ou FPGAs com programação customizada para executar as técnicas. Os dispositivos de computação de uso especial podem ser sistemas de computador desktop, sistemas de computador portáteis, dispositivos de mão, dispositivos em rede ou qualquer outro dispositivo que incor- pora lógica de programa e/ou com fio para implementar as técnicas.
[00108] Por exemplo, a Figura 4 é um diagrama de blocos que ilus- tra um sistema de computador 400 no qual uma modalidade da descri- ção pode estar implementada. 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 barra- mento 402 para processar informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[00109] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso randômico (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramen- to 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 pode também ser utili- zada para armazenar variáveis temporárias ou outras informações in- termediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em um meio de armazenamento não transitório acessível ao processador 404, tornam o sistema de computador 400 em uma máquina de uso especi- al que é customizada para executar as operações especificadas nas instruções.
[00110] O sistema de computador 400 ainda inclui uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações es- táticas e instruções para o processador 404. Um dispositivo de arma- zenamento 410, tal como um disco magnético, disco ótico, ou unidade de estado sólido está provido e acoplado no barramento 402 para ar- mazenar informações e instruções.
[00111] O sistema de computador 400 pode estar acoplado através do barramento 402 a um display 412, tal como um tubo de raios cató- dicos (CRT), para exibir informações para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, está acoplado no barramento 402 para comunicar informações e sele- ções de comando para o processador 404. Outro tipo de dispositivo de entrada de usuário é o controle de cursor 416, tal como um mouse, trackball ou teclas de direção de cursor para comunicar informações de direção e seleções de comando para o processador 404 e para controlar o movimento de cursor no display 412. Este dispositivo de entrada tipicamente tem dois graus de liberdade em dois eixos geomé- tricos, um primeiro eixo geométrico (por exemplo, x) e um segundo ei- xo geométrico (por exemplo, y), que permite o dispositivo especificar posições em um plano.
[00112] O sistema de computador 400 pode implementar as técni- cas aqui descritas utilizando lógica com fio customizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa os quais em com- binação com o sistema de computador fazem ou programem o sistema de computador 400 para ser uma máquina de uso especial. De acordo com uma modalidade, as técnicas aqui são executadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 de outro meio de armazenamento, tal como o dispositivo de arma- zenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 execute as eta- pas do processo aqui descritas. Em modalidades alternativas, um cir- cuito com fio pode ser utilizado no lugar de ou em combinação com as instruções de software.
[00113] O termo "meio de armazenamento", como aqui utilizado, refere-se a qualquer meio não transitório que armazena dados e/ou instruções que fazem com que uma máquina opere em um modo es- pecífico. Tal meio de armazenamento pode compreender um meio não volátil e/ou meio volátil. O meio não volátil inclui, por exemplo, discos óticos, discos magnéticos, ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. O meio volátil inclui memória di- nâmica, tal como memória principal 406. Formas comuns de meios de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer ou- tro meio de armazenamento de dados magnéticos, um CD-ROM, qualquer outro meio de armazenamento de dados óticos, qualquer meio físico com padrões de furos, uma RAM, um PROM, e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[00114] O meio de armazenamento é diferente de, mas pode ser utilizada em conjunto com o meio de transmissão. O meio de trans- missão participa em transferir informações entre os meios de armaze- namento. Por exemplo, o meio de transmissão inclui cabos coaxiais,
fios de cobre e fibras óticas, incluindo os fios que compreendem o bar- ramento 402. O meio de transmissão pode também assumir a forma de ondas acústicas ou de luz, tal como aquelas geradas durante as comunicações de dados de ondas de rádio e infravermelho.
[00115] Várias formas de meios podem ser envolvidas em carregar uma ou mais sequências de uma ou mais instruções para o processa- dor 404 para execução. Por exemplo, as instruções podem inicialmen- te ser carregadas 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 sobre uma linha telefônica utilizando um modem. Um modem local ao sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter os dados em um sinal infra- vermelho. Um detector de infravermelho pode receber os dados carre- gados no sinal infravermelho e um circuito apropriado pode colocar os dados no barramento 402. O barramento 402 carrega os dados para a memória principal 406, do qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 po- dem opcionalmente ser armazenadas no dispositivo de armazenamen- to 410 ou antes ou após a execução pelo processador 404.
[00116] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada no barramento 402. A interface de co- municação 418 provê um acoplamento de comunicação de dados bidi- recional a uma conexão de rede 420 que está conectada a uma rede local 422. Por exemplo, interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem de cabo, modem de satélite, ou um modem para prover uma conexão de comu- nicação de dados para um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área local (LAN) para prover conexão de comunica-
ção de dados para uma LAN compatível. Conexões sem fio podem também ser implementadas. Em qualquer tal implementação, a inter- face de comunicação 418 envia e recebe sinais elétricos, eletromagné- ticos ou óticos que carregam fluxos de dados digitais que representam vários tipos de informações.
[00117] A conexão de rede 420 tipicamente provê comunicação de dados através de uma ou mais redes para outros dispositivos de da- dos. Por exemplo, a conexão de rede 420 pode prover uma conexão através da rede local 422 para um computador hospedeiro 424 ou para um equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426, por sua vez, provê serviços de comuni- cação de dados através da rede de comunicação de dados de pacote mundial agora comumente referida como a "Internet" 428. A rede local 422 e Internet 428 ambas utilizam sinais elétricos, eletromagnéticos ou óticos que carregam fluxos de dados digitais. Os sinais através das várias redes e os sinais na conexão de rede 420 e através da interface de comunicação 418, os quais carregam os dados digitais para e do sistema de computador 400, são formas exemplares de meios de transmissão.
[00118] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede s), conexão de rede 420 e interface de comunicação 418. No exemplo de Internet, um servidor 430 poderia transmitir um código solicitado para um programa de aplicação através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[00119] O código recebido pode ser executado pelo processador 404 como este é recebido, e/ou armazenado no dispositivo de arma- zenamento 410, ou outro armazenamento não volátil para execução posterior.
3. VISÃO GERAL FUNCIONAL – GERAR E EXIBIR GRUPO DE SE-
[00120] A Figura 7 apresenta um exemplo detalhado de gerar um grupo de sementes de produção de sucesso alvo identificado para de- sempenho de produção ótimo em campos alvo com base em registros de dados agrícolas das sementes e dados de geolocalização associa- dos com os campos alvo.
3.1. ENTRADA DE DADOS
[00121] Na etapa 705, o sistema de computador de inteligência agrícola 130 recebe registros de dados agrícolas dos um ou mais campos para múltiplas diferentes sementes. Em uma modalidade, os registros de dados agrícolas podem incluir dados de sementes de cul- tura para uma ou mais sementes. Os dados de sementes de culturas podem incluir dados agrícolas históricos relativo ao plantio, crescimen- to, e colheita de sementes específicas em os um ou mais campos. Exemplos de dados de sementes de cultura podem incluir, mas não estão limitados a, valores de produção históricos, informações de tem- po de colheita, e maturidade relativa de uma semente, e quaisquer ou- tros dados de observação sobre o ciclo de vida da planta. Por exem- plo, os registros de dados agrícolas podem incluir dados de sementes para duzentos (ou mais) diferentes tipos de híbridos de milho disponí- veis. Os dados de sementes de cultura associados com cada um dos híbridos de milho incluiriam valores de produção históricos associados com colheitas observadas, informações de tempo de colheita relativas ao plantio, e maturidade relativa observada para cada um dos híbridos de milho em cada um dos campos observados. Por exemplo, o híbrido de milho-001 pode ter registros de dados agrícolas que incluem dados de produção históricos coletados de vinte (ou mais) diferentes campos ao longo dos últimos dez (ou mais) anos.
[00122] Em uma modalidade, os registros de dados agrícolas po- dem incluir dados específicos de campo relativos aos campos onde os dados de sementes de cultura foram observados. Por exemplo, os da- dos específicos de campo podem incluir, mas não estão limitados a, informações de geolocalização, maturidade relativa observada com base em geolocalização de campo, dados de índice meteorológico his- tórico, propriedades de solo observadas, umidade de solo observada e níveis de água, e quaisquer outras observações ambientais que po- dem ser específicas para os campos onde os dados de sementes de culturas históricos são coletados. Dados específicos de campo podem ser utilizados para adicionalmente quantificar e classificar os dados de sementes de cultura no que se refere a cada uma das sementes. Por exemplo, diferentes campos em diferentes geolocalizações podem ser melhor adequados para diferentes sementes com base em maturidade relativa das sementes e na duração da estação de crescimento. Cam- pos dentro de regiões e subrregiões específicas podem ter uma matu- ridade relativa atribuída para a estação de crescimento que está base- ada no clima associado com a geolocalização específica e a quantida- de de dias de grau de crescimento (GDDs) disponíveis durante a esta- ção de crescimento.
[00123] A Figura 8 apresenta um exemplo de diferentes regiões dentro de um estado que têm diferentes maturidades relativas atribuí- das com base nas durações de estação de crescimento. O estado 805 é o estado de Illinois e está dividido em múltiplas diferentes regiões e subrregiões. Exemplos de subrregiões podem incluir áreas baseadas em limites de distritos, cidades ou municípios. Cada uma das regiões 810, 815, 820, 825, e 830 representa regiões específicas de geolocali- zação que têm diferentes durações de estação de crescimento. Por exemplo, a região 810 representa uma região de campos que, com base em suas geolocalizações e o clima associado, têm uma estação de crescimento mais curta devido aos climas mais frios. Como um re- sultado, a região 810 pode estar classificada como campos que são adequados para sementes com maturidade relativa de 100 dias (mos- trado como uma legenda de sombras e respectivo GDD na Figura 8). A região 815 está localizada ao sul da região 100 e como um resultado pode ter climas gerais mais quentes. Os campos na região 815 podem ser classificados como campos adequados para sementes com uma maturidade relativa de 105 dias. Similarmente, as regiões 820, 825, e 830 estão localizadas mais ao sul do que as regiões 810 e 815, e co- mo um resultado são classificadas com classificações de maturidade relativa de 110, 115, e 120 dias, respectivamente. As classificações de maturidade relativa para diferentes regiões podem ser utilizadas com dados de produção históricos para sementes para avaliar quão bem as sementes desempenham em campos baseado em maturidades relati- vas classificadas.
[00124] Em uma modalidade, dados de campo específicos dentro dos registros de dados agrícolas podem também incluir dados de rota- ção de cultura. O gerenciamento de nutrientes de solo para campos pode depender de fatores tais como o estabelecimento de diversas rotações de culturas e gerenciamento da quantidade de cultivo do so- lo. Por exemplo, algumas observações históricas mostraram que um "efeito de rotação" de girar entre diferentes culturas em um campo po- de aumentar a produção de cultura por 5 a 15% em relação ao plantio da mesma cultura ano após ano. Como um resultado, os dados de ro- tação de culturas nos registros de dados agrícolas podem ser utiliza- dos para ajudar a determinar uma estimativa de produção mais preci- sa.
[00125] Em uma modalidade, dados de campo específicos podem incluir dados de cultivo e práticas de gerenciamento utilizadas durante a estação de cultura. Os dados de cultivo e práticas de gerenciamento referem ao modo e cronograma de cultivo executado em um campo específico. A qualidade de solo e a quantidade de nutrientes úteis no solo variam com base na quantidade de solo superficial. A erosão do solo refere-se à remoção de solo superficial, o qual é a camada mais rica de solo tanto em matéria orgânica quanto valor de nutrientes. Uma tal prática que causa a erosão do solo é o cultivo. O cultivo rompe s agregados de solo e aumenta a aeração de solo, o que pode acelerar a decomposição de matéria orgânica. Portanto, o rastreamento de prá- ticas de gerenciamento de cultivo pode ser responsável pela compre- ensão da quantidade de erosão de solo que ocorre a qual pode afetar a produção total de cultura plantada.
[00126] Em uma modalidade, os registros de dados agrícolas inclu- em dados de sementes de culturas históricos e dados específicos de campo de um conjunto de campos de testagem utilizados para deter- minar as propriedades de sementes pelos fabricantes. Por exemplo, a Monsanto Corporation produz diversas sementes híbridas comerciais (por exemplo, híbridos de milho) e variedades de sementes (por exemplo, variedades de soja) e testa seu crescimento de cultura em múltiplos campos de testagem. Os campos de testagem da Monsanto Corp. podem servir como um exemplo de um conjunto de campos de testagem onde registros de dados agrícolas são coletados e recebidos pelo sistema de computador de inteligência agrícola 130. Em outra modalidade, os registros de dados agrícolas podem incluir dados de sementes de culturas históricos e dados específicos de campo de con- juntos de campos possuídos e operados por produtores individuais. Estes conjuntos de campos onde os registros de dados agrícolas são coletados podem também ser os mesmos campos designados como campos alvo para o plantio de culturas recentemente selecionadas. Em ainda outras modalidades, conjuntos de campos possuídos e ope- rados por um produtor podem prover registros de dados agrícolas utili- zados por outros produtores quando determinando o grupo de semen- tes de produção de sucesso alvo.
[00127] Referindo de volta à Figura 7, na etapa 710, o sistema de computador de inteligência agrícola 130 recebe informações de geolo- calização para um ou mais campos alvo. Os campos alvo representam os campos onde o produtor está considerando plantar ou planejando plantar o conjunto de sementes selecionadas do grupo de produção de sucesso alvo. Em uma modalidade, as informações de geolocalização para os um ou mais campos alvo podem ser utilizadas em conjunto com os registros de dados agrícolas de campos específicos para de- terminar quais sementes, com base em maturidade relativa e clima são melhor adequadas para os campos alvo.
3.2 PROCESSAMENTO DE DADOS AGRÍCOLAS
[00128] Na etapa 715, as instruções de normalização de sementes 172 proveem uma instrução para gerar um conjunto de dados de pro- priedades de sementes que descrevem valores de produção represen- tativos e classificações ambientais para cada semente recebida como parte dos registros de dados agrícolas. Em uma modalidade, os regis- tros de dados agrícolas associados com as sementes são utilizados para calcular um valor de produção representativo e uma classificação ambiental para cada uma das sementes. O valor de produção repre- sentativo é um valor de produção esperado para uma semente especí- fica se plantada em um campo com base nos valores de produção his- tóricos e outros dados agrícolas observados de colheitas anteriores.
[00129] Em uma modalidade, o valor de produção normalizado po- de ser calculado normalizando múltiplas diferentes observações de produção de diferentes campos através de diferentes anos de cresci- mento observados. Por exemplo, os campos onde uma semente espe- cífica foi primeiro plantada podem ser utilizados para calcular uma produção do ciclo de crescimento de primeiro ano média para uma semente específica. A produção de ciclo de crescimento de primeiro ano média para a semente específica pode incluir combinar valores de produção observados de diferentes campos ao longo de diferentes anos. Por exemplo, a semente específica pode ter sido plantada em campos testados durante o estágio de produto do ciclo de produção comercial da Monsanto (PS3, PS4, MD1, e MD2) ao longo de um perí- odo de tempo de 2011 até 2017. No entanto, o primeiro ciclo da se- mente específica pode ter sido plantado em cada um dos campos em diferentes anos. A tabela seguinte ilustra um tal exemplo: 2011 2012 2013 2014 2015 2016 2017 Ciclo 1 PS3 PS4 MD1 MD2 Ciclo 2 PS3 PS4 MD1 MD2 Ciclo 3 PS3 PS4 MD1 MD2 Ciclo 4 PS3 PS4 MD1 MD2
[00130] As colunas da tabela representam anos de colheita e as linhas da tabela representam ciclos de desenvolvimento de produto comercial da Monsanto, onde o ciclo 1 representa os 4 anos das se- mentes que foram plantadas em vários campos e o ciclo 2 representa o segundo ciclo de 4 anos para outro conjunto de sementes plantadas nos mesmos ambientes de campos e assim por diante.
[00131] Em uma modalidade, calcular valores de produção normali- zados pode estar baseado em ciclos similares para a semente planta- da nos múltiplos campos. Por exemplo, o valor de produção normali- zado para o ciclo 1 pode ser calculado como uma média dos valores de produção observados nos campos PS3 (2011), PS4 (2012), MD1 (2013), e MD2 (2014). Fazendo isto, a média dos valores de produção pode ser calculada com base na característica comum de quantos ci- clos de crescimento ocorreram nos campos específicos. Em outras modalidades, calcular os valores de produção normalizados podem estar baseado em outras propriedades agrícolas dos registros de da- dos agrícolas tal como o mesmo ano ou mesma região / campo.
[00132] Em uma modalidade, a classificação ambiental para cada uma das sementes pode ser calculada utilizando uma propriedade de campo de maturidade relativa associada a registros de dados agríco- las das sementes. Por exemplo, a semente específica pode ter sido plantada através de diversos campos na região 820. Cada um dos campos na região 820 é classificado como tendo uma estação de crescimento observada que alinha com a maturidade relativa de 110 dias. Portanto, com base nos campos associados com a semente es- pecífica, a classificação ambiental para a semente específica pode ser atribuída uma maturidade relativa que é igual àquela da região 820, a qual é 110 dias. Em outras modalidades, se os campos associados com as observações históricas da semente específica contiverem campos classificados dentro de múltiplas regiões então a classificação ambiental pode ser calculada como uma média dos diferentes valores de maturidade relativa atribuídos.
[00133] Em uma modalidade, o conjunto de dados de propriedades de sementes contém valores de produção normalizados para cada semente e uma classificação ambiental que descreve o valor de matu- ridade relativa associado com o valor de produção normalizado. Em outras modalidades, o conjunto de dados de propriedades de semen- tes pode também incluir propriedades relativas ao ciclo de crescimento de sementes e propriedades de campo tais como rotações de cultura, cultivo, observações meteorológicas, composição de solo e quaisquer outras observações agrícolas.
[00134] Referindo de volta à Figura 7, na etapa 720 as instruções de geração probabilidade de sucesso 174 proveem instruções para gerar um conjunto de dados de pontuações de probabilidade de su- cesso para cada uma das sementes as quais, descrevem uma proba- bilidade de uma produção de sucesso como um valor probabilístico de obter uma produção de sucesso em relação a produções médias de outras sementes com a mesma maturidade relativa. Em uma modali- dade, as pontuações de probabilidade de sucesso para as sementes são baseadas no conjunto de dados de propriedades de sementes com relação às geolocalizações associadas com os campos alvo. Por exemplo, valores de maturidade relativos associados com as geoloca- lizações dos campos alvo são utilizados em parte para determinar o conjunto de sementes a ser avaliado de modo a calcular uma pontua- ção de probabilidade de sucesso para uma semente específica. Por exemplo, o milho de híbrido-002 pode ser uma semente com produção normalizada calculada como 7,5 alqueires por acre e uma maturidade relativa atribuída de 100 GDD. O híbrido de milho-002 é então compa- rado com outras sementes que têm maturidade relativa similar de mo- do a determinar se o híbrido de milho-002 é um bom candidato para plantio com base no valor de produção normalizado do híbrido de mi- lho-002 e as outras sementes.
[00135] Técnicas de aprendizado de máquina são implementadas para determinar as pontuações de probabilidade de sucesso para as sementes nas geolocalizações como associadas com os campos alvo. Em uma modalidade, os valores de produção normalizados e valores de maturidade relativa atribuídos são utilizados como variáveis de pre- ditor para modelos de aprendizado de máquina. Em outras modalida- des, propriedades adicionais tais como, rotações de cultura, cultivo, observações meteorológicas, composição de solo, podem também ser utilizadas como variáveis de preditor adicionais para os modelos de aprendizado de máquina. A variável alvo dos modelos de aprendizado de máquina é um valor probabilístico que varia de 0 a 1, onde 0 é igual a 0% de probabilidade de uma produção de sucesso e 1 é igual a 100% de probabilidade de uma produção de sucesso. Em outras mo- dalidades, a variável alvo pode ser um valor probabilístico que pode ser escalado de 0 a 10, 1 a 10, ou qualquer outra escala de medição. Uma produção de sucesso é descrita como a probabilidade que a pro- dução de uma semente específica é um certo valor acima da produção média para sementes similarmente classificadas. Por exemplo, uma produção de sucesso pode estar definida como uma produção que é de 5 alqueires por acre acima da produção média de sementes que têm o mesmo valor de maturidade relativa atribuído.
[00136] A Figura 9 apresenta um gráfico de amostras que descreve a faixa de valores de produção normalizados para sementes dentro de uma maturidade relativa classificada. O valor médio 905 representa o valor de produção médio calculado para sementes que têm a mesma maturidade relativa, tal como 110 GDD. Em uma modalidade, determi- nar quais sementes têm uma produção normalizada significativa acima do valor médio 905 pode ser calculado implementando um cálculo de diferença menos significativa. A diferença menos significativa é um va- lor em um nível específico de probabilidade estatística. Se o valor for excedido pela diferença entre duas médias, então as duas médias são ditas serem distintas. Por exemplo, se a diferença entre valores de produção de uma semente e a produção média calculada exceder o valor de diferença menos significativo, então a produção da semente é vista como distinta. Em outras modalidades, determinar diferenças significativas entre os valores de produção e o valor médio 905 pode ser determinado utilizando qualquer outro algoritmo estatístico.
[00137] A faixa 910 representa uma faixa de valores de produção que são considerados dentro do valor de diferença menos significativa, e portanto, não são significativamente distintos. O limite 915 represen- ta o limite superior da faixa 910. Os valores de produção normalizados acima do limite 915 são então considerados serem significativamente distintos do valor médio 905. Em uma modalidade, a faixa 910 e o limi- te 915 podem ser configurados para representar um limite para deter- minar quais produções de sementes são consideradas serem significa- tivamente mais altas do que o valor médio 905 e portanto um valor de produção de sucesso. Por exemplo, o limite 915 pode estar configura-
do para ser igual a um valor que é 5 alqueires por acre acima do valor médio 905. Em uma modalidade, o limite 915 pode estar configurado como um valor de produção que é dependente do valor médio 905, faixa 910, e faixa total de valores de produção para as sementes es- pecíficas que têm a mesma maturidade relativa.
[00138] A faixa 920 representa uma faixa de valores de produção para sementes que são consideradas produções de sucesso. A se- mente 925 representa uma semente híbrida específica ou variedade de sementes dentro da faixa 920 que tem um valor de produção nor- malizado acima do limite 915. Em uma modalidade, os modelos de aprendizado de máquina podem estar configurados para usar a faixa 910 e o limite 915 quando calculando as pontuações de probabilidade de sucesso entre 0 e 1. Diferentes modelos de aprendizado de máqui- na podem incluir, mas não estão limitados a, regressão logística, flo- resta randômica, modelagem de máquina vetorial, modelagem de au- mento de gradiente.
[00139] Em uma modalidade, a regressão logística pode ser imple- mentada como a técnica de aprendizado de máquina para determinar as pontuações de probabilidade de sucesso para cada das sementes para os campos alvo. Para regressão logística, os valores de entrada para cada semente são o valor de produção normalizado e a classifi- cação ambiental, a qual é especificada como maturidade relativa. A forma funcional da regressão logística é: , onde é a probabilidade de sucesso (y = 1) para o produto i com valor de produção normalizado e no campo alvo j com uma data maturidade relativa; as constantes a, b e c são coeficientes de regressão estima- dos através de dados históricos. A saída da regressão logística é um conjunto de pontuações de probabilidade entre 0 e 1 para cada se- mente que especifica o sucesso no campo alvo com base na maturi- dade relativa atribuída à geolocalização associada com os campos al- vo.
[00140] Em outra modalidade, um algoritmo de floresta randômica pode ser implementado como a técnica de aprendizado de máquina para determinar as pontuações de probabilidade de sucesso para cada uma das sementes para os campos alvo. O algoritmo de floresta ran- dômica é um método de aprendizado de máquina de conjunto que opera construindo múltiplas árvores de decisão durante um período de treinamento e então emite a classe que é a regressão média das árvo- res individuais. Os valores de entrada para cada semente são o valor de produção normalizado e a classificação ambiental como maturidade relativa. A saída é um conjunto de pontuações de probabilidade para cada semente entre 0 e 1.
[00141] Em outra modalidade, a modelagem de máquina de vetor de suporte (SVM) pode ser implementada como a técnica de aprendi- zado de máquina para determinar a probabilidade de pontuações de sucesso para cada uma das sementes para os campos alvo. A mode- lagem de máquina de vetor de suporte é um modelo de aprendizado supervisionado utilizado para classificar se entrar utilizando análise de classificação e regressão. Os valores de entrada para o modelo de máquina de vetor de suporte são os valores de produção normalizados e os valores de maturidade relativa de classificação ambiental para cada semente. A saída é um conjunto de pontuações de probabilidade para cada semente entre 0 e 1. Em ainda outra modalidade, uma mo- delagem de aumento de gradiente (GBM) pode ser implementada co- mo a técnica de aprendizado de máquina, onde os valores de entrada são os valores de produção normalizados e os valores de maturidade relativa de classificação ambiental para cada semente. O aumento de gradiente é uma técnica para problemas de regressão e classificação, a qual produz um modelo de predição na forma de um conjunto de modelos de predição fracos, tal como árvores de decisão.
[00142] Referindo à Figura 7, na etapa 725 as instruções de classi- ficação de produção 176 geram um grupo de produção de sucesso alvo composto de um subconjunto das sementes que foram identifica- das como tendo uma alta probabilidade de produzir uma produção que é significativamente mais alta do que a produção média para outras sementes dentro da mesma classificação de maturidade relativa para os campos alvo. Em uma modalidade, o grupo de produção de suces- so alvo contém sementes que têm valores de probabilidade de suces- so que estão acima de um limite de probabilidade de sucesso específi- co. O limite de probabilidade de sucesso pode ser um valor de proba- bilidade configurado que está associado com produções que são signi- ficativamente mais altas do que a produção média de outras semen- tes. Por exemplo, se na etapa 720 o limite de produção para produ- ções de sucesso for igual a cinco alqueires por acre acima do valor médio, então o limite de probabilidade de sucesso pode ser associado com um valor de probabilidade de sucesso igual àquele do limite de produção. Por exemplo, se o limite de produção for igual a cinco al- queires por acre acima da produção média e tem um valor de probabi- lidade de sucesso de 0,80 então o limite de probabilidade de sucesso pode ser atribuído a 0,80. Neste exemplo, o grupo de produção de su- cesso alvo conteria sementes que têm valores de probabilidade de su- cesso iguais a ou maiores do que 0,80.
[00143] Em outras modalidades, o limite de probabilidade de suces- so pode estar configurado para ser mais alto ou mais baixo dependen- do se o produtor deseja um grupo de produção de sucesso alvo menor ou maior, respectivamente.
3.3. GRUPO DE PRODUÇÃO DE SUCESSO ALVO PRESENTE
[00144] Em uma modalidade, o grupo de produção de sucesso alvo contém sementes que têm um valor de maturidade relativa atribuído que é igual à maturidade relativa associada com os campos alvo. Na etapa 730, a camada de apresentação 134 do sistema de computador de inteligência agrícola 130 está configurada para exibir ou causar exi- bição, em um dispositivo de exibição no dispositivo de computação de gerenciador de campo 104, do grupo de produção de sucesso alvo e valores de produção normalizados para cada semente dentro do grupo de produção de sucesso alvo. Em outra modalidade, a camada de apresentação 134 pode comunicar a exibição do grupo de produção de sucesso alvo para quaisquer outros dispositivos de display que po- dem estar comunicativamente acoplados no sistema de computador de inteligência agrícola 130, tal como dispositivos de computador re- motos, dispositivos de display dentro de uma cabine, ou qualquer outro dispositivo móvel conectado. Em ainda outra modalidade, a camada de apresentação 134 pode comunicar o grupo de produção de suces- so alvo a outros sistemas e subsistemas com o sistema de computa- dor de inteligência agrícola 130 para processamento e apresentação adicionais.
[00145] Em uma modalidade, a camada de apresentação 134 pode exibir dados de propriedades de sementes adicionais e outros dados agrícolas que podem ser relevantes para o produtor. A camada de apresentação 134 pode também classificar a semente no grupo de produção de sucesso alvo com base nos valores de probabilidade de sucesso. Por exemplo, a exibição das sementes pode estar classifica- da em ordem decrescente de valores de probabilidade de sucesso, de modo que o produtor seja capaz de ver as sementes de maior sucesso para seus campos alvo primeiro.
[00146] Em algumas modalidades, após receber as informações exibidas, um produtor pode atuar sobre as informações e plantar as sementes sugeridas. Em algumas modalidades, os produtores podem operar como parte da organização que está determinando o grupo de produção de sucesso alvo, e/ou podem ser separados. Por exemplo, os produtores podem ser clientes da organização que determina o grupo de produção de sucesso alvo e podem plantar sementes com base no grupo de produção de sucesso alvo.
4. VISÃO GERAL FUNCIONAL – GERAR E EXIBIR SEMENTES AL-
[00147] A Figura 10 apresenta um exemplo detalhado de gerar um conjunto de sementes alvo identificadas para desempenho de produ- ção ótimo e risco gerenciado em campos alvo com base em registros de dados agrícolas das sementes e dados de geolocalização associa- dos com os campos alvo.
4.1. ENTRADA DE DADOS
[00148] Na etapa 1005, o sistema de computador de inteligência agrícola 130 recebe um conjunto de dados de sementes candidatas que incluem uma ou mais sementes adequadas para plantio em cam- pos alvo, valores de probabilidade de sucesso associados com cada semente, e dados agrícolas históricos associados com cada semente. Em uma modalidade, o conjunto de dados de sementes candidatas pode incluir um conjunto de uma ou mais sementes identificadas pelo subsistema de classificação de sementes 170 como tendo alta proba- bilidade de produzir valores de produção de sucesso nos campos alvo e dados agrícolas históricos associados com cada semente no conjun- to de sementes candidatas. O grupo de produção de sucesso alvo ge- rado na etapa 725 na Figura 7 pode representar o conjunto de dados de sementes candidatas.
[00149] Em uma modalidade, os dados agrícolas históricos podem incluir dados agrícolas relativos ao plantio, crescimento, e colheita de sementes específicas em um ou mais campos. Exemplos de dados agrícolas podem incluir, mas não estão limitados a, valores de produ- ção históricos, informações de tempo de colheita e maturidade relativa de uma semente, e quaisquer outros dados de observação sobre o ciclo de vida da planta. Por exemplo, se o conjunto de dados de se- mentes candidatas for o grupo de produção de sucesso alvo do sub- sistema de classificação de sementes 170, então os dados agrícolas podem incluir um valor de produção médio e uma maturidade relativa atribuídos a cada semente.
[00150] Na etapa 1010, o sistema de computador de inteligência agrícola 130 recebe dados sobre os campos alvo onde o produtor está planejando plantar o conjunto de sementes híbridas alvo e/ou varieda- des de sementes. Em uma modalidade, os dados sobre os campos alvo são informações de propriedade que incluem, mas não estão limi- tados a, informações de geolocalização para os campos alvo e infor- mações de dimensão e tamanho para cada um dos campos alvo. Em uma modalidade, as informações de geolocalização para os campos alvo podem ser utilizadas em conjunto com os dados agrícolas históri- cos para determinar um conjunto ótimo de sementes alvo e a quanti- dade de cada um dos semestres alvo para plantar em cada um dos campos alvo com base na maturidade relativa e clima dos campos al- vo.
4.2. SELEÇÃO DE SEMENTES
[00151] Na etapa 1015, as instruções de filtragem de sementes 182 proveem uma instrução para selecionar um subconjunto de uma ou mais sementes do conjunto de sementes candidatas que tem um valor de probabilidade de sucesso maior que ou igual a um limite de filtra- gem de probabilidade alvo. Em uma modalidade, o limite de filtragem de probabilidade alvo é um limite configurado do valor de probabilida- de de sucesso associado com cada uma das sementes no conjunto de sementes candidatas. O limite de filtragem de probabilidade alvo pode ser utilizado para estreitar ainda mais o grupo de seleção de sementes com base em somente selecionar as sementes que têm uma certa probabilidade de sucesso. Em uma modalidade, se o conjunto de se- mentes candidatas representar o grupo de produção de sucesso alvo gerado na etapa 725, então é provável que o conjunto de sementes já tenha sido filtrado para somente incluir sementes com um valor de alta probabilidade de sucesso. Em um exemplo, o limite de filtragem de probabilidade alvo pode ter o mesmo valor limite que o limite de pro- dução de sucesso utilizado para gerar o grupo de produção de suces- so alvo. Se este for o caso, então o subconjunto de uma ou mais se- mentes pode incluir o conjunto de sementes inteiro. Em outro exemplo, o produtor pode desejar uma lista mais restrita de sementes, o que pode ser conseguido configurando um valor de probabilidade de su- cesso mais alta para o limite de filtragem de probabilidade alvo para filtrar as sementes que têm valores de probabilidade de sucesso mais baixos do que o desejado.
[00152] Na etapa 1020, as instruções de normalização de sementes 172 proveem uma instrução para gerar um valor de produção repre- sentativo para cada semente no subconjunto de uma ou mais semen- tes com base em valores de produção dos dados agrícolas históricos para cada uma das sementes. Em uma modalidade, o valor de produ- ção representativo é um valor de produção esperado para uma semen- te específica se plantada em um campo com base nos valores de pro- dução históricos e outros dados agrícolas observados de colheitas passadas. Em uma modalidade, o valor de produção representativo é uma média calculada de produções de múltiplas diferentes estações de crescimento observadas em múltiplos campos. Por exemplo, o va- lor de produção representativo pode ser calculado como uma média de diferentes anos de ciclo de crescimento observados, onde uma produ- ção do ciclo de crescimento de primeiro ano média para a semente específica pode incorporar combinar valores de produção observados de diferentes campos ao longo de anos diferentes. Após calcular as produções do ciclo de crescimento médias para diferentes anos de ci- clo de crescimento, cada uma das médias pode ser combinada para gerar uma produção média representativa para cada semente especí- fica. Em outra modalidade, o valor de produção representativo pode ser o valor de produção normalizado calculado na etapa 715.
4.3. GERAR VALORES DE RISCO PARA SEMENTES
[00153] Na etapa 1025, as instruções de geração de risco 184 pro- veem uma instrução para gerar um conjunto de dados de valores de risco para cada semente híbrida ou variedade de semente no subcon- junto de uma ou mais sementes com base nos dados agrícolas históri- cos associados com cada uma das sementes. Os valores de risco descrevem a quantidade de risco, em termos de variabilidade de pro- dução, para cada semente com base no valor de produção representa- tivo. Por exemplo, se para o híbrido de milho-002 a produção repre- sentativa for quinze alqueires por acre, no entanto, a variabilidade para o híbrido de milho-002 é alta de modo que a produção pode variar de cinco alqueires por acre a vinte e cinco alqueires por acre, então é provável que a produção representativa para o híbrido de milho-002 não é uma boa representação de produção real porque a produção pode variar entre cinco e vinte e cinco alqueires por acre. Altos valores de risco estão associados com alta variabilidade sobre o retorno de produção, enquanto que baixos valores de risco estão associados com baixa variabilidade no retorno de produção e resultados de produção que estão mais proximamente alinhados com a produção representati- vo.
[00154] Em uma modalidade, os valores de risco para sementes são baseados na variabilidade entre os retornos de produção de ano a ano para uma semente específica ao longo de dois ou mais anos. Por exemplo, calcular um valor de risco para o milho híbrido-002 inclui cal- cular a variabilidade dos valores de produção de múltiplos anos de re- sultado de produção dos dados agrícolas históricos. A variância em saída de resultado de produção de 2015 e 2016 para o híbrido de mi- lho-002 pode ser utilizada para determinar um valor de risco que pode estar associado com o valor de produção representativo para o híbrido de milho-002. Determinar a variância de resultado de produção não está limitada a usar o resultado de produção de dois anos anteriores; a variância pode ser calculada com dados de resultado de produção de múltiplos anos. Em uma modalidade, os valores de risco calculados podem ser representados em termos de desvio padrão de alqueire por acre, onde o desvio padrão é calculado como a raiz quadrada da vari- ância de risco calculada.
[00155] Em uma modalidade, valores de risco para sementes po- dem estar baseados na variabilidade de resultado de produção de ob- servações de campo a campo para um ano específico. Por exemplo, calcular um valor de risco associado com variabilidade do campo pode incluir determinar a variabilidade de produções de cada campo obser- vada para uma semente específica para um ano específico. Se para uma semente específica o resultado de produção observado através de múltiplos campos varia de cinco a cinquenta alqueires por acre, en- tão a semente específica pode ter uma alta variabilidade no campo. Como um resultado, à semente específica pode ser atribuída um alto fator de risco com base na variabilidade de campo porque a resultado esperado em qualquer campo pode variar entre cinco a cinquenta al- queires por acre ao invés de estar mais próximo do valor de produção representativo.
[00156] Em outra modalidade, os valores de risco para sementes podem estar baseados na variabilidade entre retornos de produção de ano a ano e variabilidade entre observações de campo a campo. Tanto os valores de risco de ano a ano quanto os valores de risco de campo a campo podem ser combinados para representar um valor de risco que incorpora variabilidade de resultado de produção através de múlti- plos campos observados e múltiplas estações observadas. Em ainda outras modalidades, os valores de risco podem incorporar outros da- dos de sementes de cultura observados associados com crescimento e produção de cultura históricos.
4.4. GERAR CONJUNTO DE DADOS DE SEMENTES ALVO
[00157] Na etapa 1030, as instruções de classificação de otimiza- ção 186 proveem instruções para gerar um conjunto de dados de se- mentes alvo para plantio nos campos alvo com base no conjunto de dados de valores de risco, nos valores de produção representativos para as sementes, e nas uma ou mais propriedades para os campos alvo. Em uma modalidade, as sementes alvo no conjunto de dados de sementes alvo são selecionadas com base em seus valores de produ- ção representativos e os valores de risco associados de conjunto de dados de valores de risco.
[00158] Determinar qual combinação de sementes incluir no conjun- to de dados de sementes alvo envolve determinar uma relação entre a produção representativa para uma semente específica e o valor de ris- co associado com a semente específica. Escolher sementes que têm altas produções representativas pode não resultar em um conjunto de sementes ótimo se as sementes de alta produção também carregarem um alto nível de risco. Ao contrário, escolher sementes que têm baixos valores de risco pode não ter um retorno em investimento de produção alto o bastante.
[00159] Em uma modalidade, as sementes do subconjunto de uma ou mais sementes podem ser representadas graficamente com base em seus respectivos valores de produção representativos versus seus valores de risco associados. A Figura 11 apresenta um gráfico exem-
plar 1105 de produção versus risco para o subconjunto de uma ou mais sementes. O eixo geométrico y 1110 representa a produção re- presentativa, como produção esperada, para as sementes e o eixo ge- ométrico x 1115 representa os valores de risco para as sementes ex- pressos como desvio padrão. Representando os valores de risco como desvio padrão, a unidade dos valores de risco pode ser a mesma que as unidades para produção representativa, a qual é alqueires por acre. Pontos sobre o gráfico 1105, representados pelo grupo 1125 e grupo 1130 representam cada uma das sementes do subconjunto de uma ou mais sementes. Por exemplo, o gráfico 1105 mostra que a semente 1135 tem um valor de produção representativo de duzentos alqueires por acre e um valor de risco que tem um desvio padrão de cento e no- venta e um alqueires por acre. Em outras modalidades, o gráfico 1105 pode ser gerado utilizando diferentes unidades tais como lucro por acre medido em dólares ou qualquer outra unidade de medição deri- vada.
[00160] Em uma modalidade, determinar quais sementes perten- cem ao conjunto de dados de sementes alvo envolve determinar um retorno de produção esperado para uma quantidade de risco especifi- cada. Para gerar o conjunto de sementes alvo que será provavelmente resiliente a vários fatores ambientais e outros, é preferível gerar um conjunto de sementes diverso que contém sementes para valores de risco tanto mais baixos quanto mais altos assim como um resultado de produção moderado a alto. Referindo à Figura 10, a etapa 1032 repre- senta gerar um limite alvo de valores de produção representativos para uma faixa de valores de risco. Em uma modalidade, as instruções de classificação de otimização 186 proveem uma instrução para calcular uma curva de fronteira ótima que representa um limite de resultado de produção ótimo com uma quantidade gerenciável de tolerância de ris- co sobre a faixa de valores de risco. Uma curva de fronteira é uma curva ajustada que representa o resultado ótimo com relação aos valo- res de entrada representados no gráfico considerando uma eficiência ótima. Por exemplo, o gráfico 1105 contém sementes com base em produção representativa versus valor de risco, onde pode ser inferido que uma semente específica que tem uma produção mais alta é pro- vável também terá um risco mais alto. Ao contrário, sementes que têm valores de risco mais baixos são prováveis terem valores de produção representativos mais baixos. A curva de fronteira 1120 representa uma curva ótima que rastreia a quantidade ótima de produção com base em uma faixa de valores de risco.
[00161] Na etapa 1034, as instruções de classificação de otimiza- ção 186 proveem instruções para selecionar sementes que compõem o conjunto de sementes alvo selecionando as sementes que têm um produção representativa e valor de risco que atende ao limite definido pela curva de fronteira 1120. As sementes que caem sobre ou próximo da curva de fronteira 1120 proveem o nível de produção ótimo no nível de risco desejado. As sementes alvo 1140 representam o conjunto de sementes ótimo para o conjunto de dados de sementes alvo. As se- mentes que caem sob curva de fronteira 1120 têm um resultado de produção subótimo para o nível de risco ou têm risco mais alto do que o desejado para o nível de resultado de produção produzido. Por exemplo, a semente 1135 está sob a curva de fronteira 1120 e pode ser interpretada como tendo uma produção mais baixa do que ótima para sua quantidade de risco, como mostrado pela colocação da se- mente 1135 estando verticalmente abaixo da curva de fronteira 1120. Também, a semente 1135 pode ser interpretada como tendo um risco mais alto do que o esperado para o seu resultado de produção, como mostrado pela colocação da semente 1135 sendo horizontalmente pa- ra direita da curva de fronteira 1120 daquela quantidade de produção representativa. As sementes 1135 que não estão sobre ou próximo da curva de fronteira 1120 têm uma produção representativa subótima para seus valores de risco associados e portanto não estão incluídas no conjunto de sementes alvo. Além disso, as sementes 1135 repre- sentam sementes que têm um valor de risco mais alto do que deseja- do e portanto não são incluídas no conjunto de sementes alvo.
[00162] Em uma modalidade, as instruções de classificação de oti- mização 186 proveem uma instrução para gerar instruções de aloca- ção para cada semente alvo no conjunto de sementes alvo. As instru- ções de alocação descrevem uma quantidade de alocação de semen- tes para cada semente alvo no conjunto de sementes alvo que prove- em uma estratégia de alocação ótima para um produtor com base na quantidade e localização dos campos alvo. Por exemplo, instruções de alocação para um conjunto de sementes alvo que incluem sementes (CN-001, CN-002, SOY-005, CN-023) podem incluir uma alocação de 75% de CN-001, 10% de CN-002, 13% de SOY-005, e 2% de CN-023. As modalidades das instruções de alocação podem incluir, mas não estão limitadas a, número de sacos de sementes, uma percentagem das sementes totais a serem plantadas através dos campos alvo ou um número de alocação de acres para cada semente alvo a ser plan- tada. Em uma modalidade, determinar as quantidades de alocação pode ser calculada utilizando um produto de solucionador de otimiza- ção de terceiros, tal como CPLEX Optimizer da IBM. O CPLEX Optimi- zer é um solucionador de programação matemática para programação linear, programação inteira mista e programação quadrática. Solucio- nadores de otimização, como o CPLEX Optimizer, estão configurados para avaliar os valores de produção representativos e valores de risco associados com as sementes alvo e determinar um conjunto de instru- ções de alocação para alocar quantidades de sementes para cada uma das sementes alvo no conjunto de sementes alvo. Em uma moda- lidade, o solucionador de otimização pode usar a soma de valores de produção representativos de sementes alvo e uma soma calculada de valores de risco das sementes alvo para calcular um limite de risco to- tal configurado que pode ser utilizado para determinar os limites supe- riores de risco permitido e resultado de produção para o conjunto de sementes alvo.
[00163] Em outra modalidade, o solucionador de otimização tam- bém pode também inserir dados de campo alvo que descrevem tama- nho, forma, e geolocalização de cada um dos campos alvo, de modo a determinar instruções de alocação que incluem instruções de coloca- ção para cada uma das alocações de sementes alvo. Por exemplo, se um campo alvo específico for formado ou dimensionado em um modo específico, o solucionador de otimização pode determinar que a aloca- ção de uma semente de alvo é preferível no campo específico em oposição ao plantio de múltiplas sementes alvo no campo específico. O solucionador de otimização não está limitado ao CPLEX Optimizer, outras modalidades podem implementar outros solucionadores de oti- mização ou outros algoritmos de otimização para determinar conjuntos de instruções de alocação para o conjunto de sementes alvo.
4.5. ANÁLISE DE PORTFÓLIO DE SEMENTES
[00164] A etapa 1030 descreve determinar e gerar o conjunto de sementes alvo para um produtor com base nos campos alvo utilizando a curva de fronteira para determinar o resultado de produção ótimo para o nível desejado de riscos. Em uma modalidade, as instruções de classificação de otimização 186 proveem instruções para configurar a curva de fronteira para determinar o desempenho ótimo total para o portfólio de sementes do produtor relativos a outros produtores dentro da mesma região ou subrregião. Por exemplo, o resultado de produ- ção representativo e os valores de risco totais podem ser calculados para cada produtor dentro de uma região específica. Por exemplo, uti- lizando dados agrícolas históricos para múltiplos produtores, os valo-
res de produção representativos e valores de risco associados para sementes plantadas por cada produtor podem ser agregados para ge- rar um valor de resultado de produção agregado e valor de risco agre- gado associado com cada produtor. Então, os valores agregados para cada produtor podem ser representados graficamente em um gráfico de portfólio de sementes, similar ao gráfico 1105, onde os pontos indi- viduais sobre o gráfico podem representar um resultado de produção de sementes agregado e risco agregado do produtor. Em uma modali- dade, a curva de fronteira pode estar gerada para determinar um resul- tado de produção agregado ótimo e valor de risco agregado para os produtores na região específica. Os produtores que estão na ou pró- ximos da curva de fronteira podem representar produtores cujo portfó- lio de sementes produz a quantidade ótima de produção com uma quantidade de risco gerenciada. Os produtores que estão abaixo da curva de fronteira representam produtores que não estão maximizando o seu resultado com base em seu risco.
[00165] Em uma modalidade, as instruções de classificação de oti- mização 186 proveem uma instrução para gerar uma mensagem de alerta para um produtor específico se o resultado de produção agrega- do e risco agregado para o portfólio de sementes do produtor não atender o limite ótimo para o portfólio de sementes como descrito pela curva de fronteira em um gráfico de portfólio de sementes. A camada de apresentação 134 pode estar configurada para apresentar e enviar a mensagem de alerta para o dispositivo de computação de gerencia- dor de campo 104 para o produtor. O produtor pode então ter a opção de solicitar um conjunto de sementes alvo que pode prover um resul- tado de produção ótimo para as futuras estações de crescimento.
4.6. CONJUNTO PRESENTE DE SEMENTES ALVO
[00166] Em uma modalidade, o conjunto de dados de sementes al- vo pode conter os valores de produção representativos e valores de risco, do conjunto de dados de valores de risco, associados com cada semente alvo no conjunto de dados de sementes alvo para os campos alvo. Referindo à Figura 10, na etapa 1035, a camada de apresenta- ção 134 do sistema de computador de inteligência agrícola 130 está configurada para comunicar uma exibição em um dispositivo de exibi- ção no dispositivo de computação de gerenciador de campo 104, do conjunto de dados de sementes alvo que inclui os valores de produção representativos e valores de risco associados para cada semente alvo. Em outra modalidade, a camada de apresentação 134 pode comunicar a exibição do conjunto de dados de sementes alvo para quaisquer ou- tros dispositivos de display que podem esta comunicativamente aco- plados ao sistema de computador de inteligência agrícola 130, tal co- mo dispositivos de computador remotos, dispositivos de display dentro de uma cabine, ou qualquer outro dispositivo móvel conectado. Em ainda outra modalidade, a camada de apresentação 134 pode comuni- car o conjunto de dados de sementes alvo para outros sistemas e sub- sistemas com o sistema de computador de inteligência agrícola 130 para processamento e apresentação adicionais.
[00167] Em uma modalidade, a camada de apresentação 134 pode exibir instruções de alocação, incluindo alocações de sementes e in- formações de colocação, para cada semente alvo. A camada de apre- sentação 134 pode também classificar as sementes alvo com base em quantidade de alocação ou pode apresentar as sementes alvo com base na estratégia de colocação nos campos alvo. Por exemplo, a exi- bição de sementes alvo e instruções de alocação podem ser sobrepos- ta em um mapa dos campos alvo de modo que o produtor possa visua- lizar a estratégia de plantio para a estação futura.
[00168] Em algumas modalidades, os produtores podem consultar as informações apresentadas relativas às instruções de alocação e sementes plantio com base nas instruções de alocação. Os produtores podem operar como parte da organização que está determinando as instruções de alocação, e/ou podem ser separados. Por exemplo, os produtores podem ser clientes da organização que determina as ins- truções de alocação e podem plantar sementes com base nas instru- ções de alocação.
5. VISÃO GERAL FUNCIONAL - GERAR E EXIBIR RECOMENDA-
[00169] Como acima notado, as modalidades aqui descritas são úteis para identificar produtos de sementes que desempenharão oti- mamente nos campos alvo com base em entrada recebida pelo siste- ma de computador de inteligência agrícola 130. Tal entrada pode compreender dados agrícolas e dados de produção históricos para di- ferentes sementes e dados de ambiente relativos ao campo de um produtor onde os dados da semente foram observados. Além de dados de produtor, o sistema de computador de inteligência agrícola 130 po- de também usar dados de sementes e ambientes observados durante diferentes estágios de reprodução e desenvolvimento associados com as sementes. Estes dados são valiosos e continuam a crescer ao lon- go do tempo conforme as colheitas são analisadas, as condições am- bientais mudam, localizações de campo únicas são adicionadas, e sementes novas e existentes são adicionalmente desenvolvidas e tes- tadas. Mesmo assim, as sementes não podem ser testadas em cada localização de campo ou sob cada combinação potencial de condições ambientais.
[00170] Em modalidades, os dados utilizados nos modelos de aprendizado de máquina descritos são enriquecidos utilizando dados de genética para gerar dados agrícolas para sementes que não foram testados sob condições ambientais específicas. Por exemplo, as técni- cas descritas utilizam dados de genética para obter e usar germo- plasma (genética de base + traço) e/ou informações de linhagem, pa-
drões de agrupamento genético, e/ou relações de marcadores genô- micos para imputar dados de produção em diferentes ambientes. To- dos tais dados são digitalmente armazenados, recuperados, e trans- formados utilizando instruções implementadas por computador.
[00171] A Figura 12 ilustra um fluxograma exemplar que inclui usar genética para preencher espaços de dados em dados agrícolas histó- ricos. Os dados agrícolas resultantes são por meio disto melhorados com dados preditivos, imputados, os quais podem formar uma base para estratégias de cálculo de colocação de sementes aperfeiçoadas em campos reais que têm condições ambientais específicas. De acor- do com um exemplo, o sistema de computador de inteligência agrícola 130 da Figura 1 está programado ou configurado para executar as funções do fluxograma 1200 da Figura 12. Por exemplo, o subsistema de classificação de sementes 170 e/ou o subsistema de recomenda- ção de sementes 180 podem incluir instruções de modelagem genética como adicionalmente aqui descrito.
5.1. ENTRADA DE DADOS
[00172] No bloco 1202, o sistema de computador de inteligência agrícola 130, por exemplo, recebe ou de outro modo acessa registros de dados agrícolas. Em um exemplo, o sistema de computador 130 recebe os registros de dados agrícolas sobre uma rede de comunica- ção de dados digitais 109. Os registros de dados agrícolas incluem, por exemplo, dados de sementes de culturas e propriedades de pro- dução de sementes e dados ambientais onde as sementes foram plan- tadas e/ou testadas.
[00173] A Figura 13 ilustra um exemplo de registros de dados agrí- colas recebidos e processamento adicional para imputar os valores de dados. Na Figura 13, os registros de dados agrícolas recebidos inclu- em produtos de sementes G1, G2, G3, G4, G5, G6 e dados de produ- ção são providos em alqueires por acre (bu/ac), por exemplo, associa-
dos com diferentes campos ou ambientes E1, E2, E3, E4. Os dados de produção podem estar associados com um ano ou colheita específico e registros de dados adicionais podem ser recebidos de outros anos / colheitas, e/ou os dados de produção podem ser uma produção média ou outra representação de dados de múltiplos anos. Assuma como um exemplo que o produto de semente G1 foi plantado no campo E1 e foi associado com uma produção real de 222 bu/ac. Os registros de da- dos agrícolas recebidos, no entanto, não possuem os dados de produ- ção selecionados que devam ser associados com um dado produto de semente em um dado campo. Na Figura 13, por exemplo, nenhum da- do de produção está associado com o produto semente G3 do campo E1. Tais espaços de dados podem ser causados por uma dada se- mente não tendo sido plantada em um dado campo ou outras razões. Como um modo prático o testagem de campo ou laboratório real de cada semente em cada combinação de condições ambientais únicas não é possível.
[00174] A Figura 14 ilustra outro exemplo de registros de dados agrícolas recebidos e processamento adicional para preencher os es- paços de dados. Na Figura 14, os registros de dados são providos pa- ra diferentes estágios do produto. Por exemplo, os registros de dados 1402 estão associados com um estágio de desenvolvimento ou repro- dução de um produto anterior, registros de dados 1404 estão associa- dos com um subsequente desenvolvimento de produto ou estágio de testagem comercial, e registros de dados 1406 estão associados com um estágio de utilização de campo. A primeira coluna em cada registro de dados identifica diferentes sementes (por exemplo, híbrido de mi- lho) no estágio de reprodução H1, H2, H3, H4, e produtos de semen- tes na testagem comercial e estágios de utilização de campo P1, P2, P3, P4. Para propósitos desta discussão, as sementes H1, H2, H3, H4 avançadas do estágio de reprodução e foram renomeadas ou posteri-
ormente identificadas como correspondentes a produtos sementes P1, P2, P3, P4, respectivamente, nos outros estágios.
[00175] A linha superior no registro de dados 1402 identifica dife- rentes ciclos de testagem PS3, PS4, os quais podem ser definidos por um dado período de tempo, tal como um ano, e que estão associados com condições ambientais únicas. A linha superior no registro de da- dos 1404 identifica diferentes ciclos de testagem adicionais MD1, MD2, os quais podem ser similarmente definidos por um dado período de tempo, tal como um ano, e que estão associados com talvez outras condições ambientais únicas. A linha superior no registro de dados 1406 identifica os ciclos associados com diferentes campos ou ambi- entes Fld1 - FldX onde os produtos de sementes foram crescidos e colhidos para prover dados de produção.
[00176] Similarmente aos registros de dados agrícolas recebidos na Figura 13, os registros de dados na Figura 14 também têm espaços de dados onde nenhum dado de produção está associado com um dado produto semente em um dado campo ou ambiente de testagem. Mes- mo com os espaços de dados, no entanto, os registros de dados agrí- colas representados pela Figura 13 e Figura 14 proveem uma riqueza de informações para talvez mil ou mais sementes em dezenas de mi- lhares de localizações de campo e condições de testagem, e sobre numerosos estágios de produto, ciclos de testagem, e ciclos de plantio e colheita ao longo de muitos anos. A presente modalidade utiliza rela- ções genéticas para adicionalmente melhorar e construir sobre esta riqueza de informações. Os registros de dados agrícolas recebidos podem estar associados a uma ampla faixa de dados de característica relativos às sementes, condições ambientais e/ou de testagem, e pro- priedades de produção. Categorias gerais de tais dados de caracterís- tica referem-se ao clima, condições de solo, classificações ambientais, práticas de gerenciamento de campo, riscos de pragas, características genéticas, e características genômicas por ambiente gerais (caracte- rísticas GxE) que capturam interações não aditivas entre característi- cas genéticas e ambientais. Outras categorias de tais dados de carac- terística incluem características genômicas por gerenciamento (GxM) e características genômicas por ambiente por gerenciamento (GxExM), as quais respectivamente capturam interações não aditivas entre ca- racterísticas genéticas e de gerenciamento, e interações entre caracte- rísticas genéticas, de ambiente, e gerenciamento. Várias característi- cas específicas dentro de tais categorias são aqui providas.
[00177] Referindo de volta à Figura 12, no bloco 1204, o sistema de computador 130 recebe ou de outro modo acessa dados de caracterís- ticas genéticas relativos às sementes. Os dados genéticos podem in- cluir relações genéticas entre as sementes. Apesar de que, em um exemplo, o sistema de computador 130 utiliza dados de características genéticas brutos recebidos para desenvolver tais relações genéticas entre as sementes. Em uma modalidade, os registros de dados agríco- las recebidos ou acessados no bloco 1202 são relativos a um primeiro conjunto de sementes, os dados de características genéticas recebi- dos ou acessados no bloco 1204 são relativos a um segundo conjunto de sementes, e o segundo conjunto de sementes inclui o primeiro con- junto de sementes. Em algumas modalidades, os dados de caracterís- ticas genéticas e/ou as relações genéticas podem ser comercialmente obtidos da Crop Science division of Bayer AG, Leverkusen, Alemanha.
[00178] A Figura 15 ilustra um exemplo dos dados de característi- cas genéticas que incluem dados de marcador genômico. Os dados de marcador genômico é geralmente um gene ou sequência de DNA que pode ser utilizado para identificar características de gene únicas. Em um exemplo, os dados de marcador genômico podem incorporar mar- cadores de polimorfismo de nucleotídeo único (SNP) do genoma intei- ro encontrados nas sementes, como representado pelos genes 1-10 na Figura 15.
[00179] A Figura 16 ilustra uma matriz de parentesco baseada em linhagem exemplar que identifica relações em pares entre sementes com base na linhagem de sementes. A relação é capturada por um valor entre 0,0 e 1,0, em que um valor de 0,0 significa que as duas sementes são completamente diferentes e não relacionadas de acordo com a linhagem, e um valor de 1,0 significa que as duas sementes têm uma linhagem idêntica. O sistema de computador 130 pode receber esta matriz de parentesco baseada em linhagem no bloco 1204, ou pode usar os dados de marcador genômico para gerar a matriz rastre- ando dados de marcadores congênito feminino e masculino que refe- rem-se a genótipos de origem parental originais (linhagens) para de- senvolver a matriz.
[00180] A Figura 17 ilustra um exemplo que organiza sementes em relações de grupamento genético. Geralmente, um grupamento de ge- nes é um grupo de genes encontrados no DNA de uma semente que codificam polipeptídios similares, ou proteínas, as quais coletivamente compartilham uma função generalizada. Na Figura 17, os ramos inferi- ores ou linhas finais individuais representam diferentes sementes, as quais estão organizadas em uma árvore de genes de acordo com da- dos de marcador genômico ou genes compartilhados. A Figura 17 ilus- tra um exemplo onde as sementes são ainda identificadas por diferen- tes grupamentos genéticos 1702, 1704, 1706, 1708, 1710. O sistema de computador 130 pode receber estes dados de grupamento genético no bloco 1204, ou pode usar os dados de marcador genômico para organizar as sementes em qualquer número de relações de grupamen- to genético adequadas.
[00181] A Figura 18 ilustra uma matriz de parentesco baseada em marcador de gene exemplar que identifica relações em pares entre sementes com base em marcadores de SNP. A relação é capturada por um valor entre 0,0 e 1,0, em que o valor de 0,0 significa que as duas sementes são completamente diferentes e não relacionadas de acordo com os marcadores de SNP, e um valor de 1,0 significa que as duas sementes são idênticas. O sistema de computador 130 pode re- ceber esta matriz de parentesco baseada em marcador no bloco 1204, ou pode usar os dados de marcador genômico para gerar a matriz uti- lizando um método de computação adequado, tal como cálculos de distância Euclidiana quadrada. Como está diagramaticamente mostra- do pela Figura 16 e Figura 18, a matriz de parentesco baseada em marcadores provê dados relacionais mais detalhados entre pares de sementes se comparado com a matriz baseada em linhagem.
[00182] A Figura 19 ilustra um exemplo de matrizes de codificação congênitas, as quais podem ser utilizadas para distintamente identifi- car um produto de semente capturando linhas parentais congênitas do produto. Mais especificamente, a Figura 19 inclui uma coluna de "Li- nha Fêmea" que identifica três de produtos de sementes de linha fê- mea como FL1, FL2, e FL3. Uma matriz de "exemplo de One-Hot Key" para a linha parental fêmea provê um método de incorporação para codificar características parentais de um dado produto. Mais especifi- camente, o produto de linha fêmea FL1 é codificado 100, FL2 é codifi- cado 010, FL3 é codificado 001, e assim por diante se existirem produ- tos de linha fêmea adicionais. A Figura 19 também provê uma coluna de "Linha Macho" que identifica três produtos de sementes de linha macho exemplares como ML1, ML2, e ML3. Uma matriz de "exemplo de One-Hot Key" correspondente para a linha parental macho provê um método de incorporação para codificar características parentais de um dado produto. Mais especificamente, o produto de linha macho ML1 é codificado 100, ML2 é codificado 010, ML3 é codificado 001, e assim por diante se existirem produtos de linha fêmea adicionais.
[00183] Neste exemplo de codificação congênita, as matrizes de one-hot key são utilizadas para converter uma dada linha de produtos em um código ou ID que captura informações de linha parental congê- nita. Geralmente, um produto de semente híbrida é caracterizado por uma linha parental fêmea e uma linha parental macho. Para uma dada semente híbrida, as matrizes de one-hot key são utilizadas para prover códigos para cada linha fêmea e linha macho do híbrido. Por exemplo, um primeiro híbrido desenvolvido de FL1 e ML1 seria codificado 100 + 100, um segundo híbrido desenvolvido de FL3 e ML2 seria codificado 001 + 010, e um terceiro híbrido desenvolvido de FL2 e ML3 seria co- dificado 010 + 001. Como um resultado, os híbridos podem ser unica- mente codificados em um modo que incorpora dados de linha parental congênita, os quais são úteis para distinguir diferentes produtos de sementes e mais precisamente associar GxE e características de pro- dução e com diferentes produtos.
5.2. IMPUTAÇÃO DE DADOS
[00184] No bloco 1206, o sistema de computador 130 gera proprie- dades de produção preditas para sementes associadas com campos ou ambientes específicos. Mais especificamente, o sistema de compu- tador 130 utiliza os registros de dados agrícolas recebidos e os dados de características genéticas, incluindo as relações genéticas entre se- mentes, para prover dados de produção imputados para preencher os espaços de dados representados, por exemplo, na Figura 13 e Figura
14. Em um exemplo, o sistema de computador utiliza um modelo de efeitos mistos estatístico para combinar vários termos na seguinte re- presentação matemática: Yield (bu/ac) = f (G + E + GxE + error). O termo G representa dados de características genéticas para a lista de híbridos / variedades, e pode incluir maturidade relativa, traços de bio- tecnologia, dados de marcador genômico, uma matriz de parentesco baseada em linhagem, relações de grupamento genético, e uma matriz de parentesco baseada em marcador de gene. O termo E representa características ambientais e de gerenciamento para um conjunto de campos, e pode incluir precipitação, risco de seca, estresse por calor, composição de solo, textura do de, drenagem de solo, zona ambiental, risco de doença, rotação de cultura, prática de cultivo e similares. O termo GxE é um termo matemático que captura interações não aditi- vas entre características genéticas e características ambientais / de gerenciamento. O GxE captura a variabilidade devido a sementes de- sempenhando diferentemente sob diferentes condições ambientais, que pode também considerar características de gerenciamento. O termo erro ajuda a levar em conta variações de produção não captura- das pelos termos G, E, e GxE.
[00185] No geral, os dados de relação genética, tal como os dados de marcador genômico, a matriz de parentesco baseada em linhagem, as relações de grupamento genético, e/ou a matriz de parentesco ba- seada em marcador de gene, ajudam a aperfeiçoar o processo de im- putação de dados identificando um grau de similaridade genética entre uma semente que foi testada em condições ambientais específicas e uma semente que não foi testada nas condições ambientais específi- cas. Este grau de similaridade genética é utilizado por modelos de aprendizado de máquina apropriados, tal como um modelo de efeitos mistos estatístico ou melhor modelo de predição não direcionada linear (BLUP), juntamente com características e relações genéticas aqui dis- cutidas e talvez outras, características ambientais brutas ou filtradas e características ambientais projetadas, e as interações GxE para prover previsões de produção mais confiáveis para preencher os espaços de dados. Cada uma da Figura 13 e Figura 14 provê um exemplo de re- gistros de dados recebidos, um bloco de processamento 1310, 1410, respectivamente, utilizando características genéticas, e registros de dados resultantes com valores de produção imputados para preencher os espaços de dados.
[00186] Em um exemplo, os dados de produção imputados podem ser calculados utilizando um modelo de BLUP genômico misto (GBLUP) de acordo com uma equação: Yield = Xβ + Zu + error. O ter- mo Xβ representa um vetor de efeitos ambientais fixos, Zu representa um vetor de relações ou correlações entre fatores genômicos híbridos e fatores ambientais, e o termo erro é um vetor de efeitos residuais randômicos para levar em conta outras variações de produção. Neste exemplo, o termo u segue uma distribuição randômica com correlação capturada por uma matriz de variância-covariância K (por exemplo, uma matriz de parentesco entre híbridos) e uma matriz de identificação I, e pode ser determinado de acordo com uma equação: .
5.3. DETERMINAR DESEMPENHO DE PRODUÇÃO PREDITO
[00187] No bloco 1208, o sistema de computador 130 determina o desempenho de produção predito para uma ou mais sementes. Em um exemplo, no bloco 1208, o sistema de computador 130 gera pontua- ções de probabilidade de sucesso para uma ou mais sementes com base no conjunto de dados imputado gerado no bloco 1206, outros dados genéticos, e atributos de campo para um ou mais campos ou ambientes alvo. Alternativamente ou em combinação, o sistema de computador 130 no bloco 1208 determina um desempenho de produ- ção predito utilizando o conjunto de dados imputado, outros dados ge- néticos, e atributos de campo para gerar valores de produção absolu- tos ou relativos, classificações de produção, e/ou outras métricas de desempenho de produção.
[00188] Em um exemplo, o fluxograma 1200 no bloco 1208 ou em outro local inclui receber ou de outro modo acessar dados de caracte- rística para os um ou mais campos alvo em que as sementes estão planejadas serem plantadas. Os modelos de aprendizado de máquina são implementados para determinar o desempenho de produção predi-
to para as sementes no(s) campo(s) alvo. Em uma modalidade, os modelos de aprendizado de máquina utilizam, como variáveis de preditor, dados de produção imputados, dados de relação genético, dados de marcador genômico (por exemplo, dados relativos à Figura 15), dados de grupamento genético (por exemplo, dados relativos à Figura 16 e Figura 17), codificação congênita (por exemplo, codifica- ção relativa à Figura 19), e/ou matrizes de parentesco genético (por exemplo, matrizes relativas à Figura 16 e Figura 18), características de GxE, e atributos de campo ambiental e de gerenciamento. A variável alvo dos modelos de aprendizado de máquina pode ser um valor pro- babilístico que varia de 0 a 1, por exemplo, onde 0 é igual a 0% de probabilidade de uma produção de sucesso e 1 é igual a 100% de probabilidade de uma produção de sucesso. Em um exemplo, uma produção de sucesso é descrita como a probabilidade que a produção de uma semente específica seja um certo valor acima da produção média para sementes similarmente classificadas. Por exemplo, uma produção de sucesso pode ser definida como uma produção que é de 5 alqueires por acre acima da produção média de sementes que têm o mesmo valor de maturidade relativa atribuído. Detalhes e técnicas adi- cionais estão aqui descritos em relação à Figura 7 e Figura 9, por exemplo.
[00189] A presente descrição inclui técnicas adicionais para alavan- car predicações genômicas e características relativas à genética para aperfeiçoar o modelo de colocação de campo. Dados de característi- cas genéticas adicionais (G), e interações entre características genéti- cas e características ambientais (GxE) podem ser utilizados como ca- madas de dados no modelo de treinamento, e incluem, por exemplo: grupos heteróticos genéticos híbridos e congênitos; marcadores gené- ticos associados com traços de biotecnologia chave e loci de traços quantitativos chave (QTL), marcadores genéticos de genoma totais,
e/ou haplótipo de forma longa; produção de BLUP-GCA (capacidade de combinação geral) congênita e fenótipos relativos à produção; ca- racterísticas de doenças híbridas e congênitas (GLS, NLB, SR, ASR, GW) e outras características preditas genômicas, e características re- lativas à genética derivadas.
[00190] De acordo com uma modalidade, o modelo de colocação de campo pode usar uma camada de dados que inclui grupos heteróticos genéticos de linhas de produtos congênito e grupamentos de híbridos. Mais especificamente, um modelo de grupamento está configurado para processar dados de marcador de genética, e informações congê- nitas e híbridas para gerar ou estimar destas os grupos heteróticos genéticos de linhas de produtos congênitas e grupamentos de híbri- dos. Geralmente, um grupo heterótico é um grupo de germoplasmas relativos ou não relativos das mesmas ou diferentes populações, as quais exibem uma capacidade de combinação e resposta heterótica similares quando cruzados com germoplasmas de outros grupos de germoplasma geneticamente distintos. As informações congênitas e híbridas referenciadas são utilizadas para validar e derivar os grupos ou grupamentos heteróticos.
[00191] O modelo de colocação de campo pode também usar da- dos de marcador genético que inclui dados de marcador de genética de traços de biotecnologia, dados de marcador de genética de QTLs chave, dados de marcador genético de genoma total, e/ou dados de haplótipo de forma longa. Neste exemplo, o modelo de colocação de campo pode usar tais dados de marcador genético, os quais são ge- ralmente dados brutos, alternativamente ou além de outros dados de matriz de parentesco genético, o que provê correlações derivadas dos dados de marcador genético bruto acima notados.
[00192] Ainda, o modelo de colocação de campo pode usar um mo- delo de predição misto configurado para processar pesquisa bruta e doença de desenvolvimento de mercado e outros dados fenotípicos e dados de marcador de genética de produtos híbridos e congênitos pa- ra desenvolver destes a produção BLUP-GCA congênita e fenótipos relativos de produção, características de doenças híbridas e congêni- tas, entre outras características genômicas preditas ou derivadas.
5.4. OTIMIZAÇÃO DE SEMENTES E GERAÇÃO DE RECOMENDA-
[00193] No bloco 1210, o sistema de computador 130 pode usar características ou atributos únicos dos um ou mais campos alvo e o conjunto de dados de pontuações de probabilidade de sucesso para gerar recomendações de sementes específicas de campo para o cam- po do produtor. O sistema de computador 130 pode receber as carac- terísticas ou atributos únicos dos campos alvo no bloco 1210, ou pode ter recebido estas características em algum outro momento. A reco- mendação pode incluir informações tal como taxa de semeadura por valor de densidade. A taxa de semeadura por valor de densidade pode ser utilizada para recomendar a seleção de sementes específicas de modo a obter uma faixa de produção alvo desejada. Em uma modali- dade, a taxa de semeadura por densidade pode também ser utilizada para ajustar a população de sementes ou densidade de sementes. Um resultado geral dos processos da Figura 12 é que os dados imputados proveem informações de produção úteis que podem ser combinadas com as características únicas dos campos alvo, para por meio disto customizar cada recomendação para estas características únicas. Isto provê um aperfeiçoamento em produção média em relação a modelos anteriores que podem generalizar recomendações em uma escala maior, tal como por região ou código postal.
[00194] Na geração das recomendações, o sistema de computador 130 pode também executar seleção de características para reduzir a redundância de muitas características de campo. Geralmente, a sele-
ção de características ajuda a evitar o problema potencial de dimensi- onalidade, remove características redundantes, elimina características ou combinações de características não preditivas, e melhora a genera- lização reduzindo a sobremontagem para por meio disto simplificar os modelos e reduzir o impacto de dados de característica ausentes. O sistema de computador 130 pode executar a seleção de característi- cas utilizando uma estratégia apropriada, tal como a seleção retroativa baseada em testagem de razão de probabilidade automatizada.
[00195] Ainda, similarmente a outros exemplos aqui discutidos, o sistema de computador 130 pode causar a exibição das recomenda- ções para cada campo.
5.5. VALIDAR E AJUSTAR MODELOS
[00196] No bloco 1212, o sistema de computador 130 pode validar e ajustar os modelos de aprendizado de máquina. Em um exemplo, o processo de validação inclui receber dados de produção reais para híbridos / variedades plantados em campos específicos, e comparar estes dados de produção com os dados de produção imputados. O processo de validação pode também receber dados de produção de diferentes sementes crescidas no mesmo campo, campos próximos, ou campos que de outro modo compartilham combinações de atributos similares, e comparar os dados de produção para as diferentes se- mentes uns em relação a outros. Esta validação no nível de campo provê dados que podem ser utilizados para ajudar a aperfeiçoar reco- mendações e resultados de produção em relação a modelos anteriores que podem executar validação em um nível regional. O sistema de computador 130 pode então levar em conta discrepâncias entre os da- dos de produção reais e imputados, modificando os modelos corres- pondentes, tal como modificando as relações de GxE, GxM, e/ou GxExM e/ou ajustando o termo de erro acima discutido. Iterações futu- ras de gerar os dados de produção imputados e recomendações de planejamento podem então usar os modelos ajustados.
[00197] No bloco 1212, o sistema de computador 130 pode também usar os dados de produção reais juntamente com outras entradas de dados e técnicas de aprendizagem de máquina para ajudar a identifi- car atributos de ambiente e gerenciamento específico que são prediti- vos de resultados de colocação de sementes positivos. Geralmente, o sistema de computador 130 pode aplicar técnicas de aprendizado de máquina para identificar correlações entre atributos individuais e com- binações de atributos e resultados de produção. Em um exemplo, os atributos preditivos são utilizados em iterações futuras de gerar dados de produção imputados e recomendações de planejamento, por exemplo, simplificando os cálculos e/ou entrada de dados de diferen- tes usuários. Os atributos preditivos podem também ser utilizados du- rante diferentes estágios de criação e desenvolvimento de produtos para ajudar a melhorar os dados agrícolas e impulsionar pesquisa e testagem.
6. VISÃO GERAL FUNCIONAL - MODALIDADE QUE INCLUI EN-
[00198] A Figura 20 ilustra um processo exemplar de usar engenha- ria de características para classificar dados de características e prepa- rar registros de dados agrícolas para o modelo de recomendação da Figura 12, por exemplo. Os processos aqui descritos podem ser es- tendidos e modelados para um produto específico, tal como milho. Ge- ralmente, diferentes características ambientais podem ser considera- das como os principais impulsionadores em termos de produção para diferentes produtos. Em uma modalidade, o crescimento de milho é principalmente impulsionado por unidades de calor ou unidades de grau de crescimento. O Processo 2000 da Figura 20 pode ser utilizado para projetar características para um produto específico para alavan-
car o conhecimento sobre características chave ou de outro modo de- senvolver e melhorar dados para prover resultados de qualidade em modelagem de recomendação. Por exemplo, características projeta- das podem ser utilizadas no bloco 1210 para gerar recomendações de sementes específicas de campo para um campo ou ambiente alvo.
6.1. CARACTERÍSTICAS BRUTAS E CLASSIFICAÇÃO DE CARAC-
[00199] No bloco 2002, o sistema de computador de inteligência agrícola 130, por exemplo, identifica características brutas que são im- pulsionadores significativos de produção, e ainda executa classificação de características para transformar características contínuas em carac- terísticas categóricas. As características brutas podem ser derivadas de categorias gerais, incluindo topografia e hidrologia, clima, práticas de gerenciamento e características de solo. Por exemplo, as caracte- rísticas derivadas de topografia e hidrologia incluem elevação, inclina- ção, curvatura de perfil (características côncavas / convexas), aspecto (direção de bússola para a qual uma encosta está voltada), distância a uma fonte de água, solo EC500 e similares. As características deriva- das do clima podem ser relativas à duração do dia, temperatura, eva- potranspiração, precipitação, características solares, índices de seca, entre outros. As características derivadas de gerenciamento podem incluir tempo de plantio, tempo de colheita, sementes plantadas por acre, segmento de produto de sementes, zona MAC de sementes, zo- nas de grupo de maturidade de localização de sementes, e outros. Ca- racterísticas derivadas do solo podem quantificar ou caracterizar maté- ria orgânica, classe de textura, percentagens de areia / argila, perme- abilidade e densidade bruta, CEC (capacidade de troca de cátions), PAW (água disponível pela planta), e índice de produtividade de solo, por exemplo.
[00200] No bloco 2002, o sistema de computador de inteligência agrícola 130 identifica uma ou mais características que impulsionam a produção para um produto específico. De acordo com uma modalida- de, o sistema 130 transforma características de outro modo contínuas em características categóricas, caracterizando pelo menos as caracte- rísticas chave identificadas em um menor número de classes de carac- terísticas distintas. O sistema 130 pode então usar tais classificações de características chave na modelagem de recomendação da Figura 12 para melhorar os resultados se comparado com usar características contínuas brutas.
[00201] Utilizando o milho como um exemplo, as características chave incluem características de solo e topografia. Com base em da- dos de campo através de diferentes ambientes (por exemplo, através dos estados de Indiana, Illinois, Iowa, Minnesota, Missouri e Wiscon- sin) e pesquisa científica, e características de solo e topográficas po- dem ser classificadas de acordo com o exemplo da Tabela 1: Tabela 1 –Classificação de Características Exemplar Característi- Critérios de classificação Observações ca pH 1. Alto:> 7; Faixa ótima para milho 5,5 a
2. Médio: 5,8 a 7; 7,5
3. Baixo: <5,8 CEC - 1. Alto:> 20; Solos com CEC> 20 meq / Capacidade 2. Médio: 10 a 20; 100 mg podem ter alto conte- de troca de 3. Baixo: <10 údo de argila, conteúdo de cátions matéria orgânica moderado a alto, alta capacidade de re- tenção de água, necessidade menos frequente de cal e fer- tilizantes OM - 1. Alto:> 3,5%; OM de 3-6% é alto matéria or- 2. Médio: 2% a 3,55%; Produção de matéria seca de gânica 3. Baixo: <2% cultura reduz quando OM cai abaixo de 2%
Característi- Critérios de classificação Observações ca Textura de 1. Barro de argila (argila- solo barro, argila, areia-argila- barro, argila arenosa)
2. Barro (barro, areia- barro, areia barrenta, areia)
3. Barro de argila de limo (limo-argila-barro, limo- argila)
4. Barro de limo (limo- barro, limo) Drenagem 1. Excesso (excessiva- Reclassificação pode ou não de solo mente drenado, um tanto levar em conta a presença ou excessivamente drena- ausência de esgotos. do) Geralmente, a presença de
2. Bem (bem drenado; esgotos modifica as condi- moderadamente bem ções de drenagem natural drenado)
3. Fraco (um tanto fra- camente drenado, fra- camente drenado, muito fracamente drenado) Rotação de 1. Milho; Milho-Milho Utilizando uma rotação de 1 cultura 2. Outros: Soja-milho, ano, por exemplo Feno-Milho, Trigo-Milho Cultivo 1. Convencional; Cultivo Menos campos estão sob não Convencional cultivo e outras práticas de
2. Outros: Não Cultivo cultivo conservacional Conservacional, Cultivo de Borda Conservacio- nal, Cultivo de Faixa Conservacional, Cultivo Mínimo
Característi- Critérios de classificação Observações ca Elevação 1. Alta: >312; Baseado em 3 quantis (tercis) [m] 2. Média: 221 a 312; através de IA, IL, IN, MN, MO,
3. Baixa: <221 WI Inclinação 1. Alta: >1,0; Baseado em 3 quantis (tercis) [graus] 2. Média: 0,4 a 1,0; através de IA, IL, IN, MN, MO,
3. Baixa: <0,4 WI Aspecto 1. Classe 1: >234; Baseado em 3 quantis (tercis) [graus] 2. Classe 2: 120 a 234 através de IA, IL, IN, MN, MO,
3. Classe 3: <120 WI Curvatura 1. Classe 1: >0,0001 Baseado em 3 quantis (tercis) de perfil 2. Classe 2: -0,0001 a através de IA, IL, IN, MN, MO, 0,0001 WI
3. Classe 3: <-0,0001
6.2. PREPARAR DADOS
[00202] No bloco 2004, o sistema de computador de inteligência agrícola 130, por exemplo, recebe registros de dados agrícolas sobre uma rede de comunicação de dados digital 109. Os registros de dados agrícolas incluem, por exemplo, dados de sementes de cultura e pro- priedades de produção de sementes e dados ambientais onde as se- mentes foram plantadas e/ou testadas. No bloco 2006, o sistema 130 ainda prepara os registros de dados agrícolas recebidos para um mo- delo de aprendizado de máquina, por exemplo, o modelo de recomen- dação da Figura 12. De acordo com uma modalidade, o sistema 130 utiliza as classificações de características chave do bloco 2002 para caracterizar as características ambientais recebidas na preparação para utilização em um modelo de aprendizado de máquina. Ilustrati- vamente, como um resultado do bloco de 2004, o sistema 130 associa propriedades de produção de sementes de uma pluralidade de cam- pos com classificações de características chave que correspondem às condições de campo específicas.
[00203] No bloco 2006, o sistema 130 pode também executar filtra- gem para extrair dados mais significativos para utilização em modela- gem de recomendação. No contexto de milho, dados de produção sig- nificativos podem ser encontrados em relação a campos com múltiplos produtos testados ou crescidos naquele mesmo campo em oposição a campos com somente um único ou um número relativamente pequeno de produtos. Por exemplo, no bloco 2006, o sistema 130 pode extrair registros de dados agrícolas para somente campos com seis ou mais produtos testados concorrentemente, e preparar somente estes dados extraídos utilizando classificações de características chave para mode- lo de recomendação.
[00204] De acordo com uma modalidade, o sistema 130 utiliza os registros de dados agrícolas processados para gerar relações GxE en- tre características genéticas de sementes, características de campo, e produções utilizando, por exemplo, alguma forma de um modelo BLUP (por exemplo, um modelo de predição não direcionada linear melhor ambiental (eBLUP)), T-stat, e/ou uma suavização de núcleo utilizando um processo Gaussiano. O sistema 130 pode também usar os dados agrícolas processados para preencher espaços de dados de acordo com o bloco 1206 da Figura 12, por exemplo. Como acima discutido, as relações GxE e/ou dados imputados podem ser utilizados para ge- rar um desempenho de produção predito para uma ou mais sementes para um ou mais campos alvo específicos e por meio disto gerar re- comendações de aperfeiçoamento de produção de nível de campo.
Claims (20)
1. Método implementado por computador, caracterizado pelo fato de compreender: receber, sobre uma rede de comunicação de dados digitais em um sistema de computador servidor, registros de dados agrícolas que compreendem um primeiro conjunto de propriedades de produção para um primeiro conjunto de sementes crescidas em um primeiro con- junto de ambientes; receber, sobre a rede de comunicação de dados digitais, dados de características genéticas relativos ao segundo conjunto de sementes, em que o segundo conjunto de sementes inclui o primeiro conjunto de sementes; gerar, utilizando o sistema de computador servidor, um se- gundo conjunto de propriedades de produção para o segundo conjunto de sementes associado com um segundo conjunto de ambientes apli- cando um modelo que utiliza os dados de características genéticas e os registros de dados agrícolas, em que o segundo conjunto de propri- edades de produção preenche um ou mais espaços de dados do pri- meiro conjunto de propriedades de produção; determinar, utilizando o sistema de computador servidor, desempenho de produção predito para um terceiro conjunto de semen- tes associadas com um ou mais ambientes alvo aplicando o segundo conjunto de propriedades de produção; gerar, utilizando o sistema de computador servidor, reco- mendações de sementes para os um ou mais ambientes alvo com ba- se no desempenho de produção predito para o terceiro conjunto de sementes; e causar a exibição, em um dispositivo de exibição comunica- tivamente acoplado no sistema de computador servidor, as recomen- dações de sementes.
2. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que os dados de caracterís- ticas genéticas incluem dados de marcador genômico, e em que gerar o segundo conjunto de propriedades de produção inclui aplicar o mo- delo utilizando os dados de marcador genômico.
3. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que os dados de caracterís- ticas genéticas incluem uma matriz de parentesco baseada em linha- gem, e em que gerar o segundo conjunto de propriedades de produ- ção inclui aplicar o modelo utilizando a matriz de parentesco baseada em linhagem.
4. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que os dados de caracterís- ticas genéticas incluem dados de relação de grupamento genômico, e em que gerar o segundo conjunto de propriedades de produção inclui aplicar o modelo utilizando os dados de relação de grupamento genô- mico.
5. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que os dados de caracterís- ticas genéticas incluem uma matriz de parentesco baseada em marca- dor de gene, e em que gerar o segundo conjunto de propriedades de produção inclui aplicar o modelo utilizando a matriz de parentesco ba- seada em marcador de gene.
6. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que gerar o desempenho de produção predito para o terceiro conjunto de sementes inclui aplicar codificação congênita para associar características genômicas por ambiental com diferentes sementes.
7. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que gerar recomendações de sementes para os um ou mais ambientes alvo está ainda baseado em um ou mais de grupos heteróticos de genética híbrida ou congêni- ta, marcadores genéticos associados com traços de biotecnologia ou loci de traços quantitativos, marcadores de genética de genoma total, haplótipo de forma longa, produção BLUP-GCA congênito (melhor predicação não direcionada linear - capacidade de combinação geral), fenótipos relativos à produção, ou características de doença híbrida ou congênita.
8. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de que gerar o desempenho de produção predito para o terceiro conjunto de sementes inclui aplicar engenharia de característica para desenvolver características genômi- cas por ambiental, e usar as características genômicas por ambiental em um modelo de aprendizado por máquina para gerar o desempenho de produção predito.
9. Método implementado por computador de acordo com a reivindicação 8, caracterizado pelo fato de que a engenharia de carac- terística ainda inclui: transformar características ambientais contínuas em uma ou mais classes de características distintas; usar as uma ou mais classes de características distintas para caracterizar características ambientais associadas com os regis- tros de dados agrícolas; usar as características ambientais particularizadas no mo- delo de aprendizado por máquina para gerar o desempenho de produ- ção predito.
10. Método implementado por computador de acordo com a reivindicação 9, caracterizado pelo fato de que a engenharia de carac- terística ainda inclui usar as uma ou mais classes de características distintas para caracterizar características ambientais associadas com os registros de dados agrícolas para somente um ou mais registros de dados agrícolas com múltiplas sementes crescidas em um dado ambi- ente.
11. Meios de armazenamento legíveis por computador não transitórios que armazenam instruções as quais quando executadas por um ou mais processadores causam executar operações caracteri- zadas pelo fato de compreender: receber registros de dados agrícolas que compreendem um primeiro conjunto de propriedades de produção para um primeiro con- junto de sementes crescidas em um primeiro conjunto de ambientes; receber dados de características genéticas relativos a um segundo conjunto de sementes, em que o segundo conjunto de se- mentes inclui o primeiro conjunto de sementes; gerar um segundo conjunto de propriedades de produção para o segundo conjunto de sementes associado com um segundo conjunto de ambientes aplicando um modelo utilizando os dados de características genéticas e os registros de dados agrícolas, em que o segundo conjunto de propriedades de produção preenche um ou mais espaços de dados do primeiro conjunto de propriedades de produção; determinar o desempenho de produção predito para um terceiro conjunto de sementes associadas com um ou mais ambientes alvo aplicando o segundo conjunto de propriedades de produção; gerar recomendações de sementes para os um ou mais ambientes alvo com base no desempenho de produção predito para o terceiro conjunto de sementes; e causar a exibição das recomendações de sementes.
12. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que os dados de características genéticas incluem dados de mar- cador genômico, e em que a operação de gerar o segundo conjunto de propriedades de produção inclui aplicar o modelo utilizando os dados de marcador genômico.
13. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que os dados de características genéticas incluem uma matriz de parentesco baseada em linhagem, e em que a operação de gerar o segundo conjunto de propriedades de produção inclui aplicar o modelo utilizando a matriz de parentesco baseada em linhagem.
14. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que os dados de características genéticas incluem dados de rela- ção de grupamento genômico, e em que a operação de gerar o se- gundo conjunto de propriedades de produção inclui aplicar o modelo utilizando os dados de relação de grupamento genômico.
15. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que os dados de características genéticas incluem a matriz de pa- rentesco baseada em marcador de gene, e em que a operação de ge- rar o segundo conjunto de propriedades de produção inclui aplicar o modelo utilizando a matriz de parentesco baseada em marcador de gene.
16. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que a operação de gerar o desempenho de produção predito para o terceiro conjunto de sementes inclui uma operação de aplicar codifica- ção congênita para associar as características genômicas por ambien- tal com diferentes sementes.
17. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que a operação de gerar recomendações de sementes para os um ou mais ambientes alvo está ainda baseada em um ou mais de grupos heteróticos de genética híbrida ou congênita, marcadores genéticos associados com traços de biotecnologia ou loci de traços quantitativos, marcadores de genética de genoma total, haplótipo de forma longa, produção congênita BLUP-GCA (melhor predicação não direcionada linear - capacidade de combinação geral), fenótipos relativos à produ- ção, ou características de doença híbrida ou congênita.
18. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que a operação de gerar o desempenho de produção predito para o terceiro conjunto de sementes inclui operações de: aplicar engenharia de característica para desenvolver ca- racterísticas genômicas por ambiental; e usar as características genômicas por ambiental em um modelo de aprendizado por máquina para gerar o desempenho de produção predito.
19. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 18, caracterizado pelo fato de que a operação de aplicar engenharia de característica ainda inclui operações de: transformar características ambientais contínuas em uma ou mais classes de características distintas; usar as uma ou mais classes de características distintas para particularizar características ambientais associadas com os regis- tros de dados agrícolas; usar as características ambientais particularizadas no mo- delo de aprendizado por máquina para gerar o desempenho de produ- ção predito.
20. Meios de armazenamento legíveis por computador não transitórios de acordo com a reivindicação 11, caracterizado pelo fato de que a operação de aplicar engenharia de característica ainda inclui uma operação de usar as uma ou mais classes de características dis- tintas para caracterizar características ambientais associadas com os registros de dados agrícolas para somente um ou mais registros de dados agrícolas com múltiplas sementes crescidas em um dado ambi- ente.
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862750156P | 2018-10-24 | 2018-10-24 | |
| US201862750153P | 2018-10-24 | 2018-10-24 | |
| US62/750,153 | 2018-10-24 | ||
| US62/750,156 | 2018-10-24 | ||
| US201962832148P | 2019-04-10 | 2019-04-10 | |
| US62/832,148 | 2019-04-10 | ||
| PCT/US2019/057812 WO2020086814A1 (en) | 2018-10-24 | 2019-10-24 | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021007032A2 true BR112021007032A2 (pt) | 2021-07-20 |
Family
ID=70326325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021007032-0A BR112021007032A2 (pt) | 2018-10-24 | 2019-10-24 | alavancando a genética e a engenharia de recursos para impulsionar a previsibilidade de colocação para seleção e recomendação de produtos de sementes por campo |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US11593674B2 (pt) |
| EP (1) | EP3871160A4 (pt) |
| CN (1) | CN112930544A (pt) |
| BR (1) | BR112021007032A2 (pt) |
| CA (1) | CA3116341A1 (pt) |
| MX (1) | MX2021004578A (pt) |
| WO (1) | WO2020086814A1 (pt) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11266125B1 (en) * | 2018-08-06 | 2022-03-08 | American Institute of Nutrition and Management Inc. | System and method for animal growth regulation for improved profitability and mitigated risk |
| US11861737B1 (en) * | 2018-08-31 | 2024-01-02 | Climate Llc | Hybrid seed supply management based on prescription of hybrid seed placement |
| WO2020210557A1 (en) | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
| US20210398012A1 (en) * | 2020-06-17 | 2021-12-23 | International Business Machines Corporation | Method and system for performing data pre-processing operations during data preparation of a machine learning lifecycle |
| US20220383428A1 (en) * | 2021-06-01 | 2022-12-01 | Climate Llc | Systems and methods for use in planting seeds in growing spaces |
| WO2022265914A1 (en) * | 2021-06-16 | 2022-12-22 | Advanced Agrilytics Holdings, Llc | Methods and systems for generating and visualizing optimal hybrid and variety placement |
| WO2023056099A1 (en) * | 2021-10-01 | 2023-04-06 | Iron Ox, Inc. | Distributing plants within an automated agricultural facility |
| WO2023129653A2 (en) * | 2021-12-31 | 2023-07-06 | Benson Hill, Inc. | Systems and methods for accelerate speed to market for improved plant-based products |
| CN114912040A (zh) * | 2022-04-19 | 2022-08-16 | 中国农业科学院作物科学研究所 | 育种处理方法、装置及计算机可读存储介质 |
| WO2023235120A1 (en) * | 2022-06-03 | 2023-12-07 | Microsoft Technology Licensing, Llc | Deep learning system and method for predicting crop characteristics |
Family Cites Families (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6505146B1 (en) | 1999-09-24 | 2003-01-07 | Monsanto Company | Method and system for spatial evaluation of field and crop performance |
| US7047133B1 (en) * | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
| US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
| US8046280B2 (en) * | 2005-06-10 | 2011-10-25 | Pioneer Hi-Bred International, Inc. | Method for using environmental classification to assist in financial management and services |
| US20090099776A1 (en) * | 2007-10-16 | 2009-04-16 | Kapadi Mangesh D | System and method for sugarcane yield estimation |
| US8060525B2 (en) * | 2007-12-21 | 2011-11-15 | Napo Enterprises, Llc | Method and system for generating media recommendations in a distributed environment based on tagging play history information with location information |
| US9428425B2 (en) | 2012-09-20 | 2016-08-30 | Core Intellectual Properties Holdings, Llc | Methods and compositions for treating soil and plants |
| US9767521B2 (en) | 2013-08-30 | 2017-09-19 | The Climate Corporation | Agricultural spatial data processing systems and methods |
| US10371561B2 (en) | 2013-11-01 | 2019-08-06 | Iowa State University Research Foundation, Inc. | Yield measurement and base cutter height control systems for a harvester |
| WO2015195988A1 (en) | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
| US10564316B2 (en) * | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
| US10667456B2 (en) * | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
| US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
| EP3326093B1 (en) * | 2015-07-23 | 2024-01-24 | Limagrain Europe | Improved computer implemented method for predicting true agronomical value of a plant |
| EP3365466A1 (en) * | 2015-10-23 | 2018-08-29 | Sime Darby Plantation Intellectual Property Sdn. Bhd. | Methods for predicting palm oil yield of a test oil palm plant |
| US10586158B2 (en) * | 2015-10-28 | 2020-03-10 | The Climate Corporation | Computer-implemented calculation of corn harvest recommendations |
| US10628895B2 (en) | 2015-12-14 | 2020-04-21 | The Climate Corporation | Generating digital models of relative yield of a crop based on nitrate values in the soil |
| EP3188039A1 (en) * | 2015-12-31 | 2017-07-05 | Dassault Systèmes | Recommendations based on predictive model |
| US10251347B2 (en) * | 2016-01-07 | 2019-04-09 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
| CN109328016A (zh) * | 2016-06-08 | 2019-02-12 | 孟山都技术有限公司 | 用于识别用于植物育种的杂交物种的方法 |
| US9881214B1 (en) | 2016-07-13 | 2018-01-30 | The Climate Corporation | Generating pixel maps from non-image data and difference metrics for pixel maps |
| US20180020622A1 (en) | 2016-07-25 | 2018-01-25 | CiBo Technologies Inc. | Agronomic Database and Data Model |
| WO2018049288A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for learning farmable zones, and related methods and apparatus |
| US10028451B2 (en) * | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
| AU2017382800B2 (en) | 2016-12-19 | 2022-08-04 | Climate Llc | Systems, methods and apparatus for soil and seed monitoring |
| MX2019008285A (es) | 2017-01-12 | 2019-11-11 | Pivot Bio Inc | Métodos y composiciones para mejorar atributos de plantas. |
| US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| AU2018266105A1 (en) | 2017-05-09 | 2019-12-12 | Taxon Biosciences Inc. | Plant growth-promoting microbes, compositions, and uses |
| CN107229999B (zh) * | 2017-05-31 | 2020-12-25 | 深圳春沐源控股有限公司 | 作物产量的预测方法、***、计算机设备及可读存储介质 |
| US11568340B2 (en) * | 2017-11-09 | 2023-01-31 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
| US11562444B2 (en) * | 2017-11-09 | 2023-01-24 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
| US11406053B1 (en) * | 2018-05-21 | 2022-08-09 | Climate Llc | Using casual learning algorithms to assist in agricultural management decisions |
| JP7088541B2 (ja) | 2018-05-24 | 2022-06-21 | ラピスセミコンダクタ株式会社 | 測定装置及び測定方法 |
| MX2021001256A (es) | 2018-08-02 | 2021-04-12 | Climate Corp | Prediccion automatica de rendimientos y recomendacion de tasas de siembra con base en datos meteorologicos. |
| WO2020061193A1 (en) * | 2018-09-21 | 2020-03-26 | The Climate Corporation | Method and system for executing machine learning algorithms |
| BR112021007121A2 (pt) * | 2018-10-24 | 2021-07-20 | The Climate Corporation | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador |
| US20200154629A1 (en) | 2018-11-15 | 2020-05-21 | Ag Leader Technology | On the go organic matter sensor and associated systems and methods |
| WO2020210557A1 (en) | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
| US11125675B2 (en) | 2019-10-18 | 2021-09-21 | Roger Lawrence Deran | Fluid suspended particle classifier |
| US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
-
2019
- 2019-10-24 WO PCT/US2019/057812 patent/WO2020086814A1/en unknown
- 2019-10-24 CN CN201980070460.2A patent/CN112930544A/zh active Pending
- 2019-10-24 EP EP19877447.3A patent/EP3871160A4/en active Pending
- 2019-10-24 US US16/662,369 patent/US11593674B2/en active Active
- 2019-10-24 BR BR112021007032-0A patent/BR112021007032A2/pt unknown
- 2019-10-24 CA CA3116341A patent/CA3116341A1/en active Pending
- 2019-10-24 MX MX2021004578A patent/MX2021004578A/es unknown
-
2023
- 2023-02-27 US US18/114,936 patent/US20230351226A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3871160A4 (en) | 2022-07-27 |
| US11593674B2 (en) | 2023-02-28 |
| CN112930544A (zh) | 2021-06-08 |
| US20200134486A1 (en) | 2020-04-30 |
| US20230351226A1 (en) | 2023-11-02 |
| EP3871160A1 (en) | 2021-09-01 |
| WO2020086814A1 (en) | 2020-04-30 |
| CA3116341A1 (en) | 2020-04-30 |
| MX2021004578A (es) | 2021-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230169428A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20230177622A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US11593674B2 (en) | Leveraging genetics and feature engineering to boost placement predictability for seed product selection and recommendation by field | |
| US11568467B2 (en) | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field | |
| US10993365B2 (en) | Risk-adjusted hybrid seed selection and crop yield optimization by field | |
| BR112020004115A2 (pt) | meio de armazenamento não transitório, método implementado por computador de reconhecimento de doença em tempo real em um campo de cultura e método implementado por computador de determinação de um número de grãos a partir de uma imagem de um milho | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| US20200005166A1 (en) | Automatically assigning hybrids or seeds to fields for planting | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| AU2019299226A1 (en) | Optimal placement and portfolio opportunity targeting | |
| US11864488B1 (en) | Computer-implemented recommendation of side-by-side planting in agricultural fields |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |