BR112019024937A2 - Sistema para uso com um sistema de irrigação autopropulsado e um sistema de acionamento - Google Patents

Abstract

A presente invenção fornece um sistema e método que inclui um módulo de aprendizagem de máquina o qual analisa dados coletados a partir de uma ou mais fontes tais como UAVs, satélites, sensores de safra montados na extensão (span), sensores de solo diretos e sensores climáticos. De acordo com uma outra modalidade preferencial, o módulo de aprendizagem de máquina preferencialmente cria conjuntos de objetos de campo de dentro de um campo determinado e usa os dados recebidos para criar um modelo preditivo para cada objeto de campo definido com base em características detectadas a partir de cada objeto de campo dentro do campo.

Description

SISTEMA E MÉTODO PARA GERENCIAMENTO DE IRRIGAÇÃO USANDO FLUXOS DE TRABALHO DE APRENDIZAGEM DE MÁQUINAS

[001] PEDIDOS RELACIONADOS

[002] O presente pedido reivindica prioridade ao Pedido Provisório nº 62/513.479 dos EUA depositado em 1 de junho de 2017.

[003] ANTECEDENTES E CAMPO DA PRESENTE INVENÇÃO

[004] Campo da presente invenção

[005] A presente invenção refere-se geralmente a um sistema e método para gerenciamento de sistemas de irrigação e, mais particularmente, a um sistema e método para usar a aprendizagem de máquina para modelar e projetar fluxos de trabalho para um sistema de irrigação.

[006] Antecedentes da Invenção

[007] A capacidade de monitorar e controlar a quantidade de água, produtos químicos e/ou nutrientes (aplicantes) aplicados a um campo agrícola aumentou a quantidade de acres cultiváveis no mundo e aumenta a probabilidade de um rendimento de safra lucrativo. Os sistemas de irrigação conhecidos tipicamente incluem um dispositivo de controle com uma interface de usuário permitindo ao operador monitorar e controlar uma ou mais funções ou operações do sistema de irrigação. Através do uso da interface de usuário, os operadores podem controlar e monitorar numerosos aspectos do sistema de irrigação e do ambiente de crescimento. Adicionalmente, os operadores podem receber dados ambientais e de crescimento significativos de sensores locais e remotos.

[008] Apesar das quantidades significativas de dados e controle disponíveis para os operadores, os sistemas presentes não permitem que os operadores modelem ou, de outra forma, usem a maioria dos dados ou elementos de controle à sua disposição. Em vez disso, os operadores limitam-

se a usar intuição e capturas instantâneas de fluxos de dados disponíveis para fazer ajustes em seus sistemas de irrigação. Consequentemente, apesar da grande quantidade de dados criados, o processo de tomada de decisão para os produtores não mudou significativamente em várias décadas.

[009] Fora do campo da irrigação, vários métodos de aprendizagem de máquina foram desenvolvidos que permitem modelos de aprendizagem supervisionados e não supervisionados com base em conjuntos de dados definidos. Por exemplo, as máquinas de vetores de suporte (SVMs) permitem um modelo de aprendizagem supervisionado que usa algoritmos de aprendizagem associados que analisam dados utilizados para análise de classificação e regressão. Consequentemente, um algoritmo de treinamento SVM é capaz de construir um modelo usando, por exemplo, um classificador linear para gerar um modelo SVM. Quando o SVM e outros tipos de modelos podem ser criados, eles podem ser usados como ferramentas preditivas para orientar futuras tomadas de decisão.

[010] Para superar as limitações do estado da técnica, é necessário um sistema que seja capaz de coletar e integrar dados de uma variedade de fontes. Adicionalmente, são necessários um sistema e método capazes de usar os dados coletados para modelar, prever e controlar a irrigação e outros resultados em campo.

[011] Resumo da Presente Invenção

[012] Para abordar as deficiências apresentadas no estado da técnica, a presente invenção fornece um sistema e método que incluem um módulo de aprendizagem de máquina que analisa dados coletados de uma ou mais fontes, como aplicações históricas pela máquina de irrigação, UAVs, satélites, sensores de safra montados na extensão (span), sensores com base em campo e sensores climáticos. De acordo com uma outra modalidade preferencial, o módulo de aprendizagem de máquina cria preferencialmente conjuntos de objetos de campo (zonas de gerenciamento) de dentro de um determinado campo e usa os dados recebidos para criar um modelo preditivo para cada objeto de campo definido com base nos dados característicos de cada objeto de campo dentro do campo.

[013] As figuras anexas, as quais são incorporadas e constituem parte das especificações, ilustram várias modalidades da presente invenção e junto com o relatório descritivo, servem para explicar os princípios da presente invenção.

[014] Breve descrição das figuras

[015] A FIG. 1 mostra um sistema de irrigação exemplar para uso com a presente invenção.

[016] A FIG. 2 mostra um diagrama de blocos ilustrando a arquitetura de processamento exemplar de um dispositivo de controle de acordo com uma primeira modalidade preferencial da presente invenção.

[017] A FIG. 3 mostra um sistema de irrigação exemplar com um número de elementos energizados exemplares incluídos de acordo com outra modalidade preferencial da presente invenção.

[018] A FIG. 4 mostra um diagrama de blocos ilustrando um método preferencial de acordo com uma modalidade preferencial da presente invenção.

[019] A FIG. 4A mostra um diagrama de blocos ilustrando um outro método preferencial de acordo com uma modalidade preferencial da presente invenção.

[020] As FIGS. 5A-5C mostram diagramas ilustrando exemplos de definições de objetos de campo de acordo com uma modalidade preferencial da presente invenção.

[021] A FIG. 6 mostra um diagrama de blocos que ilustra aspectos adicionais de um método e sistema exemplares da presente invenção.

[022] Descrição das Modalidades Preferenciais

[023] A referência é agora feita em detalhe às modalidades exemplares da invenção, exemplos das quais são ilustrados nas figuras anexas. Sempre que possível, os mesmos números de referência serão usados em todas as figuras para se referir a partes iguais ou semelhantes. As descrições, modalidades e figuras não devem ser tomadas como limitantes do escopo das reivindicações. Deve-se entender também que, durante esta invenção, salvo quando logicamente exigido o contrário, onde um processo ou método for apresentado ou descrito, as etapas do método podem ser desempenhadas em qualquer ordem, repetitivamente, iterativamente ou simultaneamente. Conforme utilizado ao longo deste pedido, a palavra "pode" é utilizada em um sentido permissivo (isto é, significando "ter o potencial para"), em vez do sentido obrigatório (isto é, significando "deve").

[024] Antes de discutir modalidades específicas, modalidades de uma arquitetura de hardware para implementar certas modalidades são descritas aqui. Uma modalidade pode incluir um ou mais computadores comunicativamente acoplados a uma rede. Como é de conhecimento daqueles versados na técnica, o computador pode incluir uma unidade de processamento central ("CPU"), pelo menos uma memória somente leitura ("ROM"), pelo menos uma memória de acesso aleatório ("RAM"), pelo menos um disco rígido ("HD"), e um ou mais dispositivos de entrada/saída ("I/O"). Os dispositivos I/O podem incluir um teclado, monitor, impressora, dispositivo de apontamento eletrônico (como mouse, trackball, stylist, etc.), ou similares. Em várias modalidades, o computador tem acesso a, pelo menos, uma base de dados sobre a rede.

[025] ROM, RAM e HD são memórias de computador para armazenar instruções executáveis por computador, executáveis pela CPU. Dentro desta invenção, o termo "meio legível por computador" não se limita à ROM, RAM e HD e pode incluir qualquer tipo de meio de armazenamento de dados que possa ser lido por um processador. Em algumas modalidades, um meio legível por computador pode se referir a um cartucho de dados, uma fita magnética de backup de dados, um disquete, um drive de memória flash, um drive de armazenamento óptico de dados, um CD-ROM, ROM, RAM, HD ou semelhante.

[026] Pelo menos porções das funcionalidades ou processos descritos aqui podem ser implementadas em instruções executáveis por computador adequadas. As instruções executáveis por computador podem ser armazenadas como componentes de código de software ou módulos em uma ou mais mídias legíveis por computador (tais como memórias não voláteis, memórias voláteis, arranjos DASD, fitas magnéticas, disquetes, discos rígidos, dispositivos de armazenamento ópticos, etc. ou qualquer outro meio de armazenamento legível por computador ou dispositivo de armazenamento adequado). Em uma modalidade, as instruções executáveis por computador podem incluir linhas de C++, Java, HTML, compiladas ou qualquer outro código de programação ou scripting tais como R, Python e/ou Excel. Adicionalmente, a presente invenção ensina o uso de processadores para desempenhar as funcionalidades e processos aqui descritos. Como tal, entende-se por processador o chip de computador ou o elemento de processamento que executa o código de computador necessário para o desempenho de uma ação específica.

[027] Adicionalmente, as funções das modalidades divulgadas podem ser implementadas em um computador ou compartilhadas/distribuídas entre dois ou mais computadores dentro ou através de uma ou múltiplas redes ou nuvem. As comunicações entre modalidades de implementação em computadores podem ser realizadas usando quaisquer sinais eletrônicos, ópticos ou de radiofrequência, transmitidos via portadora de linha de energia, celular, rádio digital ou outros métodos adequados e ferramentas de comunicação em conformidade com protocolos de rede conhecidos.

[028] Adicionalmente, quaisquer ilustrações ou exemplos dados neste documento não devem ser considerados, de forma alguma, como restrições, limites ou definições expressas de qualquer termo ou termos com os quais estes são utilizados. Em vez disso, estes exemplos ou ilustrações devem ser considerados como apenas ilustrativos. Aqueles com técnica comum na arte irão apreciar que qualquer termo ou termos utilizados com os quais estes exemplos ou ilustrações sejam utilizados englobará outras modalidades que podem ou não ser dadas junto ou em outras partes das especificações e todas estas modalidades destinam-se a ser inclusas dentro do escopo desse termo ou termos.

[029] FIGS 1 a 6 ilustram várias modalidades de sistemas de irrigação que podem ser utilizados com exemplos de implementações da presente invenção. Como deve ser entendido, os sistemas de irrigação mostrados nas FIGS. 1 a 6 são sistemas exemplares nos quais as características da presente invenção podem ser integradas. Consequentemente, as FIGS. 1 a 6 são meramente ilustrativas e qualquer um dos vários sistemas (isto é, sistemas fixos assim como sistemas de irrigação auto propulsores de pivô central e linear; sistemas estacionários; sistemas de cantos) podem ser usados com a presente invenção sem limitação. Por exemplo, embora a FIG. 1 seja mostrada como um sistema de irrigação de pivô central, o sistema de irrigação exemplar 100 da presente invenção também pode ser implementado como um sistema de irrigação linear. O sistema de irrigação 100 exemplar não se destina a limitar ou definir o escopo da presente invenção de forma alguma. De acordo com posteriores modalidades preferenciais, a presente invenção pode ser usada com uma variedade de tipos de motores, tais como movidos a gás, movidos por DC, relutância de comutador, AC monofásica e similares. Ainda adicionalmente, as modalidades exemplares da presente invenção são discutidas primeiramente em relação aos métodos de irrigação por pulverização direta. No entanto, os métodos e sistemas da presente invenção podem ser utilizados com qualquer método de entrega de aplicantes sem limitação. Por exemplo, outros métodos de entrega utilizados pela presente invenção podem incluir métodos como gotejamento, canhão aspersor canhão móvel, conjunto sólido, inundação e outros métodos de irrigação sem limitação.

[030] Com referência agora à FIG. 1, extensões 102, 104, 106 são mostrados suportados pelas torres de acionamento 108, 109, 110. Adicionalmente, cada torre de acionamento 108, 109, 110 é mostrada com os respectivos motores 117, 119, 120 que fornecem torque às rodas acionadoras 115, 116, 118. Como mostrado adicionalmente na FIG. 1, a máquina de irrigação 100 pode preferencialmente incluir ainda uma prorrogação/saliência 121 que pode incluir um canhão de extremidade (não mostrado).

[031] Como mostrado, a FIG. 1 fornece uma ilustração de uma máquina de irrigação 100 sem quaisquer elementos energizados e sensores adicionados. Com referência agora à FIG. 3, é mostrado um sistema exemplar 300 no qual estão incluídos vários exemplos de elementos energizados. Como mostrado na FIG. 3, a presente invenção é preferencialmente implementada conectando elementos da presente invenção a uma ou mais extensões 310 de um sistema de irrigação que está conectado a uma fonte de água ou poço 330. Como mostrado adicionalmente, o sistema de irrigação exemplar inclui ainda preferencialmente transdutores 326, 328 que são fornecidos para controlar e regular a pressão da água, bem como unidades de acionamento 316, 324 que são preferencialmente programadas para monitorar e controlar porções do sistema de acionamento da unidade de irrigação.

[032] Adicionalmente, o sistema da presente invenção inclui preferencialmente ainda elementos como um receptor GPS 320 para receber dados posicionais e um medidor de fluxo 332 para monitorar o fluxo de água no sistema. Adicionalmente, o sistema da presente invenção inclui, de preferência, uma gama de sensores e pode receber uma gama de dados de entrada do sensor a partir de uma variedade de fontes, conforme adicionalmente discutido aqui. Como discutido em relação à FIG. 4 abaixo, esses sensores e entradas incluem qualquer número de sensores embarcados, sensores in situ, sensores remotos/fora do local e dados de mapeamento de terra, bem como medições ou especificações fornecidas pelo fabricante/produtor e/ou especialista.

[033] Com referência novamente à FIG. 3, são mostrados sensores de safra indiretos representativos 314, 318 que podem coletar uma gama de dados (como discutido abaixo), incluindo os níveis de umidade do solo. Adicionalmente, os sensores 314, 318 podem incluir ainda óptica para permitir a detecção do tipo de safra, estágio de crescimento, saúde, presença de doença, taxa de crescimento e similares. Adicionalmente, o sistema pode preferencialmente incluir ainda um ou mais sensores diretos 311 que podem ser conectados diretamente a uma planta para fornecer leituras diretas da saúde e status da planta. Adicionalmente, um ou mais sensores diretos do solo 313 também podem ser utilizados para gerar dados de umidade do solo, de conteúdo de nutrientes ou outros dados relacionados ao solo. Por exemplo, os sensores de solo preferenciais 313 podem registrar dados relacionados a uma variedade de propriedades do solo, incluindo: textura do solo, salinidade, níveis de matéria orgânica, níveis de nitrato, pH do solo e níveis de argila. Ainda adicionalmente, o sistema de detecção pode incluir ainda uma estação climática 322 ou similar que é capaz de medir características climáticas como umidade, pressão barométrica, precipitação, temperatura, radiação solar recebida, velocidade do vento e similares. Ainda adicionalmente, o sistema pode preferencialmente incluir um transceptor/roteador sem fio 311 e/ou sistemas de comunicação baseados em portadora de linha de energia (não mostrados) para receber e transmitir sinais entre elementos do sistema.

[034] Com referência agora à FIG. 2, um dispositivo de controle exemplar 138 que representa funcionalidade para controlar um ou mais aspectos operacionais do sistema de irrigação 100 será discutido. Como mostrado, o dispositivo de controle exemplar 138 inclui um processador 140, uma memória 142 e uma interface de rede 144. O processador 140 fornece funcionalidade de processamento para o dispositivo de controle 138 e pode incluir qualquer número de processadores, microcontroladores ou outros sistemas de processamento. O processador 140 pode executar um ou mais programas de software que implementam técnicas descritas aqui. A memória 142 é um exemplo de mídia legível por computador tangível que fornece funcionalidade de armazenamento para armazenar vários dados associados à operação do dispositivo de controle 138, como um programa de software e segmentos de código mencionados acima, ou outros dados para instruir o processador 140 e outros elementos do dispositivo de controle 138 para desempenhar os passos descritos aqui. A memória 142 pode incluir, por exemplo, elementos de memória removíveis e não removíveis, como RAM, ROM, flash (por exemplo, cartão SD, cartão mini-SD, cartão micro-SD), magnética, óptica e dispositivos de memória USB, e assim por diante. A interface de rede 144 fornece funcionalidade para ativar o dispositivo de controle 138 para se comunicar com uma ou mais redes 146 através de uma variedade de componentes tais como pontos de acesso sem fio, interfaces transceptoras de portadora de linha de energia e assim por diante, e quaisquer softwares associados empregados por estes componentes (por exemplo, drivers, software de configuração, e assim por diante).

[035] Em implementações, o módulo de determinação de posição de irrigação 148 pode incluir um receptor de sistema de posicionamento global (GPS), um sistema LORAN ou similar para calcular uma localização do sistema de irrigação 100. Adicionalmente, o dispositivo de controle 138 pode ser acoplado a um dispositivo guia ou sistema similar 152 do sistema de irrigação 100 (por exemplo, montagem de manobra ou mecanismo de manobra) para controlar o movimento do sistema de irrigação 100. Como mostrado, o dispositivo de controle 138 pode incluir ainda um módulo de compensação de terreno posicional 151 para assistir em controlar o movimento e reconhecimento de localização do sistema. Além disso, o dispositivo de controle 138 pode ainda, preferencialmente, incluir múltiplas entradas e saídas para receber dados dos sensores 154 e dispositivos de monitoramento conforme discutidos posteriormente abaixo.

[036] Com referência adicional à FIG. 3, de acordo com uma posterior modalidade preferencial, o sistema da presente invenção pode ainda incluir hubs distribuídos de coleta de dados e roteamento 305, 307, 309 que podem transmitir e receber diretamente dados dos vários sensores na extensão para um módulo de aprendizagem de máquina 306 fornecido em um servidor remoto 306 que recebe um número de entradas dos sensores do sistema de irrigação 300. Nesta modalidade, o módulo de aprendizagem de máquina 306 inclui, de preferência, software do lado do serviço que pode ser acessado via Internet ou outra arquitetura de rede. Alternativamente, o módulo de aprendizagem de máquina 306 e outros aspectos da presente invenção podem incluir software do lado do cliente residindo no painel de controle principal 308 ou em outro local. Independentemente disso, deve ser entendido que o sistema pode ser formado a partir de qualquer software ou hardware adequados, ou ambos configurados para implementar os recursos da presente invenção.

[037] De acordo com uma outra modalidade preferencial, os sistemas da presente invenção operam preferencialmente juntos para coletar e analisar dados. De acordo com um aspecto da presente invenção, os dados são preferencialmente coletados de uma ou mais fontes, incluindo dados de imagem e sensoriamento de umidade dos UAVs 302, satélites 304, sensores de safra montados na extensão 318, 314, bem como a estação climática 322, sensores no solo 313 , sensores de safra 311, bem como dados fornecidos pelos sistemas de controle/monitoramento da própria máquina de irrigação 100 (por exemplo, quantidade aplicada, local e hora da aplicação da água de irrigação ou outro aplicante, status atual e posição da máquina de irrigação, falhas da máquina, pressões de tubulação da máquina, etc.) e outros elementos do sistema. Preferencialmente, a combinação e análise de dados é processada e atualizada continuamente.

[038] De acordo com uma outra modalidade preferencial, os dados de imagem de satélites podem ser processados e usados para gerar dados de índices de vegetação, tais como: EVI (índice de vegetação aprimorado), NDVI (índice de vegetação de diferença normalizada), SAVI (índice de vegetação ajustado ao solo), MASVI (índice modificado de vegetação ajustado ao solo) e PPR (razão de pigmentos vegetais) e similares. Outros sensores podem incluir quaisquer dentre uma variedade de sensores eletromagnéticos, ópticos, mecânicos, acústicos e químicos. Estes podem incluir ainda sensores que medem a Reflectometria de Domínio de Frequência (FDR), Reflectometria de

Domínio de Tempo (TDR), Transmissometria de Domínio de Tempo (TDT) e nêutrons.

[039] Com referência agora às FIGS. 3 a 7, será discutido agora um método preferencial para a utilização do módulo de aprendizagem de máquina 306 da presente invenção. Preferencialmente, na preparação para o processamento, combinação e avaliação dos dados coletados das fontes do sensor, como discutido abaixo, o módulo de aprendizagem de máquina 306 receberá, de preferência, primeiro medições e dimensões de campo. De acordo com uma modalidade preferencial, as dimensões do campo podem ser inseridas a partir de mapeamentos manuais ou de terceiros, a partir do comprimento da máquina física ou de sistemas de reconhecimento de imagens utilizando histórico de imagens de satélite. Alternativamente, os hubs de dados 305, 307, 309 podem preferencialmente incluir ainda sensores de mapeamento, como GPS, detectores de medição visual e/ou laser para determinar as dimensões do campo.

[040] Com referência agora à FIG. 4, após a entrada das medições e dimensões do campo, o módulo de aprendizagem de máquina 306 na etapa 424 criará, de preferência, subseções de todo o campo e armazenará as subseções criadas como objetos de campo conhecidos como "zonas de gerenciamento". Como mostrado na FIG. 5A, de acordo com uma modalidade preferencial, para uma máquina de irrigação de pivô central, os objetos de campo criados são preferencialmente criados como setores anulares 506 formados como subseções de anéis definidos por um círculo interno e externo de raios arbitrários. Estes raios podem ser consistentemente incrementados ou variados, dependendo de uma variedade de fatores, incluindo, mas não limitados ao espaçamento dos aspersores ao longo da máquina, grupos variáveis armazenados de aspersores ou outros fatores. Circunferencialmente,

os anéis são subdivididos em setores anulares por raios definidos por um ângulo (ϴ).

[041] Como mostra a FIG. 5B, o ângulo (ϴ) é preferencialmente definido por um comprimento de arco 504 que pode ser um comprimento arbitrário fornecido pelo usuário, o raio de projeção do último aspersor, definido pela resolução do sistema de reconhecimento de localização da máquina de irrigação ou outro fator. Adicionalmente, esse comprimento de arco não precisa ser consistente de segmento para segmento dentro da área de campo. No entanto, todos os comprimentos de arco devem somar à circunferência do círculo a partir do qual foram subdivididos e eles não podem se sobrepor. De maneira similar, os ângulos (ϴ) devem somar 360 e a localização desses ângulos (ϴ) deve ser tal que as áreas abrangidas por cada ângulo não se sobreponham e estejam sempre adjacentes a outros ângulos (ϴ). Como mostrado na FIG. 5C, os objetos de campo 508 podem, preferencialmente, ser divididos em conjuntos de dados que consistem nas colunas de C1 a Cn, em que cada C é definido como uma coleção de setores anulares (rotulados Cn,1, Cn,2, ... Cn,x) e um setor circular (rotulado Cn,z) que se enquadram em comprimento(s) de arco arbitrário(s). Ainda adicionalmente, como mostrado nas FIGS. 5A a C, cada setor anular pode preferencialmente ser definido como tendo: onde ϴ é o ângulo formado por raios adjacentes separados pelo comprimento externo da circunferência S; Ru o raio do arco exterior; e Ri é o raio do arco interior do segmento anular. De acordo com modalidades preferenciais alternativas, os objetos de campo podem alternativamente ser avaliados ou aferidos em um sistema de grade, sistema de coordenadas polares ou usar qualquer outro sistema espacial de categorização conforme necessário.

[042] Com referência novamente à FIG. 4, na etapa 426, os dados para cada objeto de campo definido são preferencialmente coletados e armazenados como discutido acima.

Consequentemente, os dados característicos podem incluir dados de qualquer sensor aqui discutido.

Estes podem, por exemplo, incluir: • Arranjos sensoriais embarcados – Incluindo sistemas ativos e passivos que descrevem ou medem características do local e/ou equipamento alvo.

Tais medições de sensores podem incluir medições de: umidade direta do solo ou status da planta; temperatura de cobertura da safra; temperatura do ar ambiente; umidade relativa; pressão barométrica; radiação de ondas longas e curtas; radiação fotossinteticamente ativa; pluviosidade; velocidade do vento; e/ou várias bandas espectrais fora do solo e da cobertura da safra.

Adicionalmente, os dados medidos do sensor podem incluir dados dos sistemas de controle/monitoramento de máquinas de irrigação, incluindo: posição de GPS; dados de sistemas de pivô/lineares; pressão ao longo da tubulação; status dos aspersores; taxa de fluxo (GPM/LPS); posição da válvula; tempos de liga/desliga; padrões de dimensões/diâmetro; voltagem; mensagens de erro; definição do timer de porcentagem; direção, direção para frente ou reversa; status de fertirrigação/quimigação; informações químicas da água; e outras informações operacionais. • Sensoriamento remoto fora do local – Incluindo dados aéreos, de UAV e de satélite ou outros dados adquiridos de sistemas não afixados ao local ou equipamento alvo.

Esses dados podem incluir: imagens de Geo-tiff, dados espectrais, incluindo bandas RGB, NIR, IR (Térmico), radar focado no clima, terreno com base em radar, imagens de micro-ondas ativas e passivas para umidade do solo e crescimento de safra e índices derivados, como NDVI, com base nessas e em outras bandas espectrais individuais.

Adicionalmente, estes dados podem incluir dados de evapotranspiração de modelos de balanço de calor por satélite, incluindo assinaturas de calor infravermelho e dados de um modelo de índice de estresse de safra.

Adicionalmente, os dados remotos podem incluir dados climáticos de estações climáticas suficientes para computar ou estimar a evapotranspiração, como temperatura, umidade relativa, precipitação, radiação solar, velocidade do vento, chuva, dados meteorológicos e condições projetadas.

Adicionalmente, os dados podem incluir realimentação do pico da safra ET, bem como dados de mapeamento do solo. • Sensoriamento in situ – Pode incluir informações como: pH do solo e do tampão; níveis de macronutrientes (nitrogênio, fósforo, potássio); conteúdo de matéria orgânica do solo (carbono); textura do solo (conteúdo de argila); umidade e temperatura do solo; capacidade de troca catiônica (CEC); compactação do solo; profundidade de qualquer camada de restrição de raiz; estrutura do solo e densidade aparente. • Dados de mapeamento de terra – Incluindo dados descritivos, numéricos e gráficos de fontes públicas e/ou privadas, incluindo geográficas, geológicas e qualquer outra medida física ou fisicamente derivada do local alvo; características do campo; dados de solos/EC/CRNP; topografia; forma de campo; e dados a partir de mapas de solos e bases de dados publicamente disponíveis. • Especificações do fabricante do sistema de irrigação – Características do pivô; configuração de extensões; vazão; polegadas/acre máxima permitida; pressão requerida; velocidade máxima; pacote de aspersão, pistola de extremidade ou não. • Medições ou especificações fornecidas pelo produtor e/ou especialista – Incluindo, mas não se limitando a: análise do solo, química do solo ou da água, análise geográfica, análise meteorológica, cronogramas de irrigação ou de aplicação de nutrientes ou histórico operacional; dados de rendimento; cálculos de balanço hídrico do solo; umidade do solo na zona radicular; umidade do solo por profundidade; previsão de umidade do solo na zona radicular; previsão de umidade do solo por profundidade; espécies/variedade/tipo de safra; data de plantio; data de emersão; data de replantio; esgotamento permitido da umidade crítica do solo; curvas de coeficiente de safra publicadas; curvas de coeficiente de safra desenvolvidas em particular; determinações em premissas baseadas em sensor do estágio de crescimento da safra; dados de cálculo de evapotranspiração; estimativas de evapotranspiração uniformes em todo o campo; partes das estimativas de evapotranspiração do campo; e estimativas de evapotranspiração de variáveis de campo inteiro.

[043] Com referência novamente à FIG. 4, na etapa 428, cada objeto de campo/setor anular é preferencialmente definido como um ponto de dados discreto contendo características herdadas de dados em nível de campo, bem como características derivadas de sua relação com outros pontos de dados (por exemplo, tipos e elevações de solos vizinhos). Em uma modalidade, como um exemplo, as inclinações dos objetos de campo adjacentes podem ser utilizadas para calcular o escoamento da pluviosidade excessiva para dentro ou fora de um objeto de campo específico.

[044] Na etapa 432, os pontos de dados discretos criados são preferencialmente utilizados pelo módulo de aprendizagem de máquina 306 para criar um módulo preditivo para cada ponto de dados discretos. De acordo com uma modalidade preferencial, o módulo de aprendizagem de máquina 306 desempenha a função de modelagem emparelhando cada ponto de dados com dados de entrada/saída para o objeto de campo e avaliando os dados ao longo do tempo ou como um conjunto não temporal. De acordo com uma outra modalidade preferencial, os cronogramas/observações de desempenho são então avaliados para uma saída específica, como parte de toda a coleção, com a máquina avaliadora aprendendo como categorizar pontos de dados e construindo um algoritmo que reflete com precisão os cronogramas de desempenho observados para a saída desejada. Um ou mais desses algoritmos são então preferencialmente montados em um modelo de solução que pode ser usado para avaliar novos campos em tempo real com o objetivo de auxiliar os produtores a otimizar a lucratividade, o fluxo de caixa, a conformidade regulatória, a eficiência da aplicação de água, fertilizantes ou produtos químicos, ou qualquer outro benefício mensurável ou intangível que possa ser necessário ou descoberto.

[045] De acordo com uma modalidade preferencial, o modelo de solução pode, preferencialmente, ser criado para cada zona de gerenciamento (setor anular ou outra unidade irrigável) de cada campo. Além disso, os modelos de solução podem, preferencialmente, ser criados total ou parcialmente por qualquer número ou combinação de heurísticas fornecidas pelo homem e/ou algoritmos criados por máquina. Além disso, os algoritmos podem ser criados por regressões, simulações ou qualquer outra forma de aprendizagem de máquina/profunda. De acordo com outras modalidades preferenciais, o modelo de solução da presente invenção pode ser fornecido como redes neurais, algoritmos independentes ou qualquer combinação de módulos de código aprendidos ou criados ou programas independentes. Adicionalmente, o modelo de solução pode preferencialmente incorporar alimentação de dados atuais/em cache de fontes locais e remotas.

[046] Com referência agora à FIG. 4, o modelo de solução da presente invenção pode, preferencialmente, ser entregue a um produtor por meio de uma solicitação push/pull da rede de entrega de conteúdo, conexão ponto a ponto ou qualquer outra forma de transporte eletrônico ou analógico. Adicionalmente, o sistema permitirá, preferencialmente, que um operador aceite, rejeite ou modifique um modelo de solução após revisão.

[047] Uma vez que um modelo seja entregue, na etapa 434, as entradas de dados são preferencialmente recebidas e fornecidas ao modelo para avaliação. Na etapa 436, os valores de saída são gerados como discutido mais abaixo. Preferencialmente, as entradas de dados incluem preferencialmente aceitação, rejeição ou modificações do modelo de solução do operador e quaisquer dados atualizados de qualquer uma das listas de entradas de dados discutidas acima com relação às etapas 424 a 432. Adicionalmente, as entradas de dados podem incluir dados adicionais, como dados especificados pelo produtor e/ou dados desejados, como: direção desejada do deslocamento; profundidade de aplicação da água de base; prescrição de taxa variável para velocidade, zona ou aspersor individual; recomendação de produtores para quimigação; material de quimigação; quantidade de material de quimigação pronta para injeção; quantidade básica de aplicação de quimigação por unidade de área; prescrição de taxa variável para velocidade, zona ou aspersor individual; status de operação ou reparo do sistema de irrigação e/ou do sensor.

[048] Com referência agora às FIGS. 4 e 4A, um método de exemplo para entrada de dados e saída de valores modelados deve agora ser discutido em mais detalhes. Como mostrado na FIG. 4A, o módulo de aprendizagem de máquina 440 da presente invenção pode, preferencialmente, ser usado para receber dados históricos 438 (etapa 428 na FIG. 4), que podem incluir dados gravados durante um período de tempo (isto é, semanas, meses, anos) para cada objeto dentro de um determinado campo. Estes dados históricos são preferencialmente recebidos pelo módulo de aprendizagem de máquina 440 e usados para criar modelos preditivos 450 a partir de conjuntos de treinamento definidos 446 para saídas desejadas selecionadas (etapa 432 na FIG. 4). Para criar os modelos preditivos 450, o módulo de aprendizagem de máquina 440 inclui ainda, de preferência, sub módulos para processar os dados recebidos 442, incluindo etapas como limpeza de dados, transformação de dados, normalização e extração de recursos.

[049] Uma vez extraídos, os vetores de característica de alvo 444 são encaminhados para um módulo de treinamento 446 que é usado para treinar um ou mais algoritmos de aprendizado de máquina 448 para criar um ou mais modelos preditivos 450. Como mostrado, o modelo preditivo 450 preferencialmente recebe a entrada de dados do sensor de corrente 454 (etapa 434 na FIG. 4) e envia os dados de saída/avaliação do modelo 456 (etapa 436 na FIG. 4) que são fornecidos a um módulo de processamento 458 para criar entradas do sistema e mudanças com base na saída do modelo 456. Na etapa 452, os valores de saída 456 e as entradas de corrente 454 são preferencialmente adicionalmente alimentados de volta ao módulo de aprendizagem de máquina 440 através de um loop de realimentação 452, de modo que o módulo 440 possa aprender continuamente e atualizar o modelo preditivo 450.

[050] Com referência agora à FIG. 6, um posterior exemplo de aplicação da presente invenção será agora mais discutido. Como mostrado na FIG. 6, a aplicação de exemplo refere-se ao ajuste dos sistemas de acionamento e VRI com base nos dados do sistema detectados. Como mostrado, os dados de exemplo alimentados no sistema podem incluir dados posicionais 602 para um determinado tempo (P1). Adicionalmente, dados de exemplo podem incluir ainda dados de aplicação de torque 604 do sistema de acionamento 605 (D 1)

indicando a quantidade de torque aplicado a uma roda acionadora durante um determinado intervalo de tempo (isto é, T +1). Com essas entradas de dados, o sistema da presente invenção pode, preferencialmente, calcular a posição esperada (PE) da torre de acionamento 610 após o intervalo de tempo especificado (isto é, T +1). Adicionalmente, o sistema pode preferencialmente receber dados posicionais detectados 612 para a localização da torre de acionamento após o período especificado (isto é, P2). Em uma próxima etapa 614, os locais previstos e detectados são comparados e se P2<PE, o sistema, em uma próxima etapa 615 pode ainda calcular uma razão de escorregamento (isto é, P2/PE) a qual é então encaminhada ao modelo preditivo 624 para análise.

[051] De acordo com uma modalidade preferencial da presente invenção, o modelo preditivo exemplar 624 mostrado na FIG. 6 é preferencialmente criado e atualizado pelos métodos descritos em relação às FIGS. 4, 4A e 5 discutidos acima. Como mostrado na FIG. 6, o modelo preditivo exemplar 624 pode calcular os níveis de umidade (isto é, os níveis de umidade do solo) a partir de uma faixa de razão de escorregamento calculadas. Mais especificamente, o modelo preditivo exemplar 624 pode, preferencialmente, calcular um nível de umidade modelado para uma dada região anular com base em uma razão de escorregamento medida. Na próxima etapa, o nível de umidade estimado da região anular fornecida pode então ser encaminhado para um módulo de processamento 625, que pode então usar o nível de umidade estimado para fazer ajustes selecionados no sistema de irrigação. Por exemplo, o módulo de processamento pode calcular uma correção de velocidade com base na taxa de escorregamento medida que é então emitida 622 para o sistema de acionamento 605. As correções de velocidade podem incluir ainda uma comparação de velocidades entre torres e um cálculo de alinhamentos entre torres. Adicionalmente, o módulo de processamento pode calcular uma taxa de rega corrigida 620 que pode ser emitida para o controlador VRI 608. Adicionalmente, o módulo de processamento 625 pode emitir um nível de umidade atualizado 618 para ser incluído nas notificações do sistema ou em outros cálculos.

[052] Deve ser entendido que a presente invenção pode analisar e modelar uma gama de sistemas e subsistemas de irrigação e fornecer modelos personalizados para execução com base em quaisquer dados recebidos. A modelagem discutida em relação à FIG. 6 é apenas um único exemplo. Outras saídas de modelagem podem incluir instruções e/ou recomendações para cada subsistema, incluindo alterações em: direção de deslocamento; profundidade de aplicação da água de base; prescrição de taxa variável para velocidade, zona ou aspersor individual; recomendação de quimigação para produtores; quantidade e tipo de material de quimigação; quantidade necessária de material de quimigação pronta para injeção; quantidade básica de aplicação de quimigação por unidade de área; manutenção e/ou reparo do pivô central; manutenção do sensor e/ou status de reparo e similares, sem limitação. Onde desejado, cada saída modelada pode ser automaticamente encaminhada e executada pelo sistema de irrigação ou enviada para aceitação/entrada do produtor em preparação para a execução.

[053] Embora as descrições acima sobre a presente invenção contenham muita especificidade, estas não devem ser interpretadas como limitações no escopo, mas sim como exemplos. Muitas outras variações são possíveis. Por exemplo, os elementos de processamento da presente invenção pela presente invenção podem operar em um número de frequências. Adicionalmente, as comunicações fornecidas com a presente invenção podem ser projetadas para serem duplex ou simplex por natureza. Adicionalmente, conforme as necessidades exigirem, os processos para transmissão de dados de e para a presente invenção podem ser projetados para serem de natureza push ou pull. Ainda, adicionalmente, cada característica da presente invenção pode ser feita para ser ativada e acessada remotamente a partir de estações de monitoramento distantes. Consequentemente, os dados podem preferencialmente ser carregados e baixados da presente invenção, conforme necessário.

[054] Consequentemente, o escopo não deve ser determinado pelas modalidades ilustradas, mas pelas reivindicações anexas e seus equivalentes legais.

Claims (23)

REIVINDICAÇÕES

1. Um sistema para uso com um sistema de irrigação auto propulsado tendo pelo menos uma extensão e um sistema de acionamento para mover a extensão através de um campo a ser irrigado, em que o sistema compreende: sensores montados na extensão, em que pelo menos um sensor montado na extensão compreende pelo menos um sensor configurado para permitir a detecção de um aspecto de safra; em que ainda o aspecto de safra é selecionado a partir do grupo de aspectos de safra compreendendo: tipo de safra, estágio de crescimento, saúde, presença de doença e taxa de crescimento; sensores climáticos, em que pelo menos um sensor climático é configurado para detectar pelo menos uma condição climática, em que a condição climática é selecionada a partir do grupo de condições climáticas compreendendo: umidade, pressão, precipitação e temperatura; sensores aéreos, em que os sensores aéreos incluem pelo menos um sensor localizado em um veículo aéreo não tripulado, avião ou satélite; e um módulo de aprendizagem de máquina, em que o módulo de aprendizagem de máquina é configurado para receber dados característicos para o campo; em que o módulo de aprendizagem de máquina é configurado para criar um conjunto de objetos de campo para o campo e usar os dados característicos para criar um modelo preditivo para cada objeto de campo definido com base nos dados característicos detectados para cada objeto de campo dentro do campo;

2. O sistema da reivindicação 1, em que o módulo de aprendizagem de máquina recebe medições e dimensões de campo determinadas por sensores de mapeamento.

3. O sistema da reivindicação 1, em que o conjunto de objetos de campo são armazenados como setores anulares; em que os setores anulares são formados como subseções de anéis definidos por um círculo interno e externo com a forma preferencialmente limitada pela diferença no comprimento radial, e um ângulo (ϴ) derivado a partir de dois raios que se conectam às extremidades de um comprimento externo L determinado pelo ângulo selecionado (ϴ).

4. O sistema da reivindicação 3, em que cada setor anular é definido como tendo uma área = (Ru2 – Ri2)/2ϴ; em que ϴ = L/r, Ru é o raio do arco externo, Ri é o raio do arco interno, r é o raio do campo irrigável e L é o comprimento de arco da circunferência externa para o ângulo selecionado (ϴ).

5. O sistema da reivindicação 4, em que os dados característicos para cada objeto de campo definido são preferencialmente coletados e armazenados em uma tabela de consulta.

6. O sistema da reivindicação 5, em que os dados característicos compreendem dados recebidos de arranjos de sensores embarcados.

7. O sistema da reivindicação 6, em que os dados característicos compreendem dados selecionados do grupo de dados compreendendo: umidade direta do solo, status da planta, temperatura de cobertura de safra, temperatura do ar ambiente, umidade relativa, pressão barométrica, radiação de ondas longas e curtas, radiação fotossinteticamente ativa, pluviosidade, velocidade do vento e bandas espectrais fora do solo e de cobertura de safra.

8. O sistema da reivindicação 5, em que os dados característicos são adquiridos de sistemas não afixados ao sistema de irrigação.

9. O sistema da reivindicação 8, em que os dados característicos compreendem dados selecionados do grupo de dados compreendendo: Geo- tiff, RGBNRGB, NDVI, NIRNRGB e bandas espectrais individuais.

10. O sistema da reivindicação 9, em que os dados característicos compreendem dados de evapotranspiração de modelos de balanço de calor de satélite incluindo assinaturas de calor infravermelho e dados a partir de um modelo de índice de estresse de safra.

11. O sistema da reivindicação 5, em que os dados característicos compreendem dados de estações climáticas para computar a evapotranspiração.

12. O sistema da reivindicação 11, em que os dados característicos compreendem: temperatura, umidade relativa, precipitação, radiação solar, velocidade do vento, escoamento, dados climáticos e condições projetadas.

13. O sistema da reivindicação 5, em que os dados característicos compreendem dados referentes à máquina de irrigação, em que os dados são selecionados do grupo de dados compreendendo: fluxo, pressão, voltagem, mensagens de erro, definição do temporizador de porcentagem, direção, status de fertirrigação/quimigação, informações químicas da água e informações operacionais.

14. O sistema da reivindicação 5, em que o sistema compreende dados referentes às especificações do sistema de irrigação e seus subcomponentes.

15. O sistema da reivindicação 5, em que o módulo de aprendizado de máquina VRl analisa ainda os dados referentes às especificações inseridas pelo produtor; em que as especificações são selecionadas a partir do grupo de especificações compreendendo: análise do solo, química do solo, química da água, análise geográfica, análise meteorológica, programações de irrigação e dados de rendimento

16. O sistema da reivindicação 5, em que os dados característicos compreendem dados referentes às especificações inseridas pelo produtor, em que as especificações são selecionadas a partir do grupo de especificações compreendendo: cálculos do balanço hídrico do solo; umidade do solo na zona radicular; umidade do solo por profundidade; previsão de umidade do solo na zona radicular; e previsão de umidade do solo por profundidade.

17. O sistema da reivindicação 5, em que o setor anular é definido como um ponto de dados discreto que está vinculado a dados característicos.

18. O sistema da reivindicação 17, em que o módulo de aprendizagem de máquina VRI cria um módulo preditivo para cada ponto de dados discreto.

19. O sistema da reivindicação 18, em que o módulo de aprendizagem de máquina VRI avalia cada ponto de dados discretos ao longo do tempo.

20. O sistema da reivindicação 19, em que os dados avaliados são categorizados para construir um modelo de solução para maximizar a lucratividade para um determinado campo.

21. O sistema da reivindicação 20, em que modelos de solução individuais são criados para cada setor anular.

22. O sistema da reivindicação 21, em que o sistema permite que um operador aceite, rejeite ou modifique um modelo de solução após revisão.

23. O sistema da reivindicação 22, em que as entradas de dados adicionais compreendem dados especificados pelo produtor, compreendendo: direção desejada de deslocamento, profundidade de aplicação da água de base, prescrição de taxa variável para velocidade, zona ou aspersor individual, recomendação de quimigação do produtor, material de quimigação, quantidade de material de quimigação pronto para injeção, quantidade básica de aplicação de quimigação por unidade de área, prescrição de taxa variável para velocidade, e status de reparo do sistema.