> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/ar/alzraah/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# مقارنة بيانات ماسح التربة بين السنوات

توضح هذه المقالة طرقًا رياضية مختلفة لقياس الفروق بين مجموعات بيانات ماسح التربة وتحسين اتخاذ القرار للباحثين والمهندسين الزراعيين.

تُعدّ ماسحات التربة أدوات أساسية للزراعة الدقيقة، إذ تتيح جمع بيانات عالية الدقة عن خصائص التربة، مثل الرطوبة والمواد العضوية ومستويات العناصر الغذائية. وتُعدّ مقارنة مجموعتي بيانات صادرتين عن ماسحَي تربة أمرًا ضروريًا لفهم التغيرات بمرور الوقت، والتحقق من صحة أساليب المسح المختلفة، أو معايرة أجهزة جديدة. يستعرض هذا المقال أساليب رياضية متنوعة لقياس التباين بين مجموعتي بيانات لماسحات التربة، ويقدم رؤى عملية للباحثين والمهندسين الزراعيين.

### فهم التباين في بيانات ماسحات التربة

يشير التباين بين مجموعتي بيانات لماسحات التربة إلى الاختلافات في القيم المقاسة في المواقع نفسها، وقد ينشأ ذلك عن اختلاف ظروف القياس أو معايرة المستشعرات أو ديناميكيات التربة. وتشمل أنواع التباين الأكثر شيوعًا ما يلي:

* الفروق المطلقة: طرح مباشر للقيم بين مجموعتي البيانات.
* الفروق النسبية: مقارنة تستند إلى حجم القياسات.
* مقاييس الخطأ: مقاييس إحصائية مثل متوسط الخطأ المطلق (MAE) والفرق المعياري.

اختيرت مجموعتا بيانات لماسح تربة تتضمنان قياسات البوتاسيوم لعامَي 2024 و2025.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>مجموعات بيانات ماسح التربة الأولية</p></figcaption></figure>

### اختيار طريقة التباين المناسبة

| الطريقة                           | الأنسب لـ                                     |
| --------------------------------- | --------------------------------------------- |
| الفرق المباشر                     | تصوير بصري بسيط للتغيرات الموجبة والسالبة     |
| الفرق النسبي                      | مقارنة مجموعات البيانات ذات المقاييس المختلفة |
| الفرق المعياري                    | تحليل موحّد عبر مجموعات بيانات مختلفة         |
| التباين النسبي                    | الفروق التناسبية، مفيدة لتحليل الاتجاهات      |
| متوسط الخطأ المطلق (MAE) لكل بكسل | تحديد المناطق ذات الفروق المطلقة الكبيرة      |

### حساب الفرق المباشر

تطرح طريقة الفرق المباشر هذه إحدى مجموعتي البيانات من الأخرى ببساطة، لعرض التغيرات في خصائص التربة مباشرةً.

استخدام `geopard.calculate_difference(dataset_1, dataset_2)` مع توضيح المعلمات موثّق [هنا](https://docs.geopard.tech/geopard-tutorials/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

الإيجابيات:

* تُظهر التغيرات الموجبة والسالبة بوضوح.
* سهلة الفهم والتصوير بصريًا.

السلبيات:

* قد يصعب مقارنة قيم الفرق إذا كانت مقاييس مجموعات البيانات مختلفة.
* قد يهيمن التباين الكبير على تفسير النتائج.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>حساب الفرق المباشر</p></figcaption></figure>

### حساب الفرق النسبي

تحسب طريقة الفرق النسبي نسبة التغير بين مجموعتي البيانات استنادًا إلى مجموعة البيانات الثانية، ما يتيح منظورًا آخر للتباين.

استخدام `geopard.calculate_relative_difference(dataset_1, dataset_2)` مع توضيح المعلمات موثّق [هنا](https://docs.geopard.tech/geopard-tutorials/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

الإيجابيات:

* مفيدة لفهم مقدار تغير إحدى مجموعتي البيانات تناسبيًا مقارنة بالأخرى.
* توحّد الفروق عبر القيم ذات المقادير المتباينة.

السلبيات:

* قد تصبح غير مستقرة عندما تقترب القيم في مجموعة البيانات الثانية من الصفر.
* أقل سهولة في الفهم عندما تكون الفروق المطلقة مهمة.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>حساب الفرق النسبي</p></figcaption></figure>

### حساب الفرق المعياري

توحّد طريقة الفرق المعياري مجموعتي البيانات بقسمتهما على القيمة القصوى العامة قبل حساب الفروق، ما يضمن إمكانية مقارنة التباينات عبر المقاييس المختلفة.

استخدام `geopard.calculate_normalized_difference(dataset_1, dataset_2)` مع توضيح المعلمات موثّق [هنا](https://docs.geopard.tech/geopard-tutorials/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

الإيجابيات:

* فعّالة لمجموعات البيانات ذات النطاقات الديناميكية المختلفة.
* يقلل من تأثير القيم المتطرفة.

السلبيات:

* قد تبدو الفروقات الصغيرة مبالغًا فيها إذا لم تُطبَّع القيم على نحو صحيح.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>حساب الفرق المعياري</p></figcaption></figure>

### الانحراف النسبي لكل بكسل

تحسب طريقة الانحراف النسبي الانحراف كنسبة مئوية مقارنةً بمجموعة البيانات الأولى. وتساعد على فهم الفروقات التناسبية بدلًا من الفروقات المطلقة.

يُوثَّق استخدام `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` مع شرح المعلمات [هنا](https://docs.geopard.tech/geopard-tutorials/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

الإيجابيات:

* مفيدة عند مقارنة مجموعات بيانات ذات مقاييس مختلفة.
* تعرض الانحراف بصيغة نسبة مئوية سهلة التفسير.

السلبيات:

* قد تكون مضللة إذا كانت القيم الأصلية صغيرة جدًا.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>الانحراف النسبي لكل بكسل</p></figcaption></figure>

### متوسط الخطأ المطلق (MAE) لكل بكسل

تقيس طريقة متوسط الخطأ المطلق (MAE) الفروقات المطلقة بين القيم المتناظرة في مجموعتي بيانات. وتوضح بجلاء مواضع أكبر التباينات.

يُوثَّق استخدام `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` مع شرح المعلمات [هنا](https://docs.geopard.tech/geopard-tutorials/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

الإيجابيات:

* بسيطة وسهلة الفهم.
* تُبرز الفروقات الكبيرة بوضوح.
* تعمل جيدًا مع مجموعات البيانات ذات المقاييس المتقاربة.

السلبيات:

* لا توضح اتجاه الفرق (أي ما إذا كان التغير موجبًا أم سالبًا).
* حساسة للقيم المتطرفة.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>متوسط الخطأ المطلق (MAE) لكل بكسل</p></figcaption></figure>

### الخلاصة

تتطلب مقارنة مجموعات بيانات ماسحات التربة استخدام مجموعة متنوعة من الأساليب الرياضية لاستخلاص فروقات ذات دلالة. سواء استخدمت مقاييس مطلقة مثل متوسط الخطأ المطلق (MAE)، أو الانحرافات النسبية، أو المقارنات المطبَّعة، فإن اختيار الطريقة المناسبة يعتمد على حالة الاستخدام. ومن خلال الاستفادة من هذه الأساليب، يستطيع المهندسون الزراعيون والباحثون تحسين تحليل التربة، ورصد التباينات في الحقول، وتعزيز سير عمل الزراعة الدقيقة.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/ar/alzraah/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
