> 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/yield-and-trials/comparing-yield-datasets.md).

# مقارنة مجموعات بيانات الغلة

قارن مجموعات بيانات الغلة لاستخلاص رؤى أعمق حول أداء المحصول عبر المواسم، مع تغطية تنظيف الغلة ومعايرتها بالشكل الصحيح واستخدام الغلة الاصطناعية.

## السياق

تعتمد عملية اتخاذ القرارات الزراعية الحديثة بدرجة كبيرة على مجموعات بيانات الغلة، التي تمثل الغلة المحصودة وتعكس جزءًا كبيرًا من دخل المزارعين. ويجب أن تكون هذه البيانات دقيقة وعالية الجودة لتوجيه القرارات المتعلقة بإدارة المدخلات وتحسين استراتيجيات الزراعة والتسميد المستقبلية.

تُجمع بيانات الغلة عادةً بواسطة معدات الحصاد، لكن القراءات الأولية غالبًا ما تكون غير مكتملة أو تتضمن أخطاء، أو تحتاج إلى معايرة لمعالجة تفاوت قراءات المستشعرات واختلاف ظروف الحقول. ولمواجهة هذه التحديات، يستخدم المختصون عادةً تقنيات التنظيف والمعايرة وإنشاء مجموعات بيانات اصطناعية لإنتاج بيانات غلة موثوقة وقابلة للمقارنة.

كلٌّ من[ تنظيف الغلة ومعايرتها](https://docs.geopard.tech/geopard-tutorials/ar/alzraah/yield-and-trials/yield-calibration-and-cleaning.md) و [استعادة بيانات الغلة اصطناعيًا](https://docs.geopard.tech/geopard-tutorials/ar/alzraah/yield-and-trials/synthetic-yield-map.md) مدعومان في GeoPard.

<mark style="background-color:yellow;">توفّر مقارنة مجموعات بيانات الغلة من سنوات زراعة مختلفة رؤى قيّمة، إذ تساعد على التحقق من ممارسات الإدارة، والتأكد من دقة المستشعرات، وتحسين الاستراتيجيات للمواسم المقبلة.</mark> وتوجّه هذه المقارنات أيضًا تنقيح توصيات التسميد والبذر، لضمان استناد كل قرار إلى معلومات موثوقة.

## منهج المقارنة (باستخدام معادلة التشابه)

لمقارنة مجموعات بيانات الغلة كميًا، نستخدم معادلة محفوظة مسبقًا باسم <mark style="background-color:yellow;">تحليل الارتباط المكاني (تشابه طبقات البيانات)</mark> وتقيس مدى التشابه المكاني بين السمات المرتبطة بالغلة في مجموعات بيانات الغلة.

تُسنِد هذه المعادلة درجة تشابه توضّح مدى تقارب مجموعتي البيانات في النمط المكاني وتوزيع القيم.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>ابحث عن معادلة تشابه طبقات البيانات الموجودة</p></figcaption></figure>

<mark style="background-color:yellow;">تتراوح قيم التشابه بين 0 و1؛ إذ تشير القيمة 0 إلى عدم وجود تطابق، بينما تشير القيمة 1 إلى تطابق مكاني للقيم بنسبة 100%</mark>‏. وبعبارة أخرى، كلما اقتربت درجة التشابه من 1، زاد تشابه سمات الغلة.

## **مجموعة بيانات غلة فعلية (2015** فول الصويا **مقابل 2018** فول الصوي&#x627;**)**

في هذه الحالة، نبدأ ببيانات غلة أولية جُمعت خلال موسمين زراعيين مختلفين، هما 2015 و2018، للمحصول نفسه، وهو فول الصويا. وتحتوي مجموعتا البيانات الأوليتان على مواقع ذات قراءات مرتفعة أو منخفضة على نحو غير طبيعي، لا سيما عند بداية مسارات الحصادة ونهايتها، كما تحتاج البيانات إلى إعادة معايرة بسيطة.

بعد استخدام أدوات GeoPard للتنظيف والمعايرة، تصبح مجموعة البيانات الناتجة أكثر تجانسًا واتساقًا وأسهل في التفسير.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>فول الصويا 2015: بيانات الغلة الأصلية مقابل البيانات المنظّفة والمعايرة</p></figcaption></figure>

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>فول الصويا 2018: بيانات الغلة الأصلية مقابل البيانات المنظّفة والمعايرة</p></figcaption></figure>

تظهر أدناه لقطة شاشة لخريطة تنفيذ معادلة التشابه.

إحصائيًا، تُظهر النتائج متوسطًا مرتفعًا (0.869) ووسيطًا (0.876)، ما يشير إلى أن <mark style="background-color:yellow;">أنماط غلة فول الصويا لعام 2018 تشبه إلى حد كبير أنماط عام 2015</mark>‏. وعلى الرغم من انخفاض القيم في بعض المناطق إلى 0.599، فإن التباين المنخفض (0.005) والانحراف المعياري المحدود (0.073) يؤكدان <mark style="background-color:yellow;">الاتساق العام</mark>.

ومن الناحية الزراعية، <mark style="background-color:yellow;">يشير هذا الاستقرار إلى أن الظروف الأساسية للحقل واستجابته لممارسات الإدارة لم تتغير إلى حد كبير</mark>.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>مقارنة تشابه الغلة: فول الصويا 2015 مقابل فول الصويا 2018</p></figcaption></figure>

## **مجموعة بيانات غلة فعلية (2022** الذرة **مقابل 2024** الذر&#x629;**)**

في هذا المثال، نبدأ ببيانات غلة أولية من موسمي الذرة لعامي 2022 و2024. وتحتوي مجموعتا البيانات الأوليتان على حالات شاذة، مثل القراءات المرتفعة أو المنخفضة على نحو غير طبيعي، ومسارات مرور متقاطعة، ومسارات منحنية، ما يشير إلى الحاجة إلى إعادة معايرة المستشعرات.

بعد استخدام أدوات GeoPard للتنظيف والمعايرة، تصبح مجموعتا البيانات أكثر موثوقية، ما يتيح إجراء التحليل آليًا واتخاذ قرارات مستنيرة.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>الذرة 2022: بيانات الغلة الأصلية مقابل البيانات المنظّفة والمعايرة</p></figcaption></figure>

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>الذرة 2024: بيانات الغلة الأصلية مقابل البيانات المنظّفة والمعايرة</p></figcaption></figure>

تظهر أدناه لقطة شاشة لخريطة تنفيذ معادلة التشابه.

إحصائيًا، يُظهر متوسط قدره 0.791 ووسيط قدره 0.799 أن <mark style="background-color:yellow;">غلة الذرة لعام 2024 تشبه إلى حد كبير غلة عام 2022</mark>‏، رغم أن القيم التي تنخفض إلى 0.413 في بعض المناطق تشير إلى وجود تفاوت. ويؤكد الانحراف المعياري البالغ 0.115 <mark style="background-color:yellow;">وجود بعض الاختلافات في أنحاء الحقل</mark>.

ومن الناحية الزراعية، <mark style="background-color:yellow;">تشير الأنماط المتسقة إلى استقرار الظروف وفعالية الإدارة بمرور الوقت</mark>‏. ومع ذلك، قد تتطلب <mark style="background-color:yellow;">المناطق المحدودة ذات التشابه الأقل تعديلات موجّهة لتحسين أداء الغلة مستقبلًا</mark>.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>مقارنة تشابه الغلة: الذرة 2022 مقابل الذرة 2024</p></figcaption></figure>

## **مجموعة بيانات غلة اصطناعية مقابل فعلية (2023** اللفت الزيتي)

في هذا المثال، نبدأ بمجموعة بيانات غلة أولية من موسم اللفت الزيتي لعام 2023، ومجموعة بيانات غلة أُنشئت اصطناعيًا للمحصول نفسه وفي العام نفسه، 2023. <mark style="background-color:yellow;">الهدف هو تقييم الدقة المكانية للمحصول الحقيقي مقارنةً بالمحصول الاصطناعي، بما يتيح استكمال البيانات غير المسجّلة، ومعالجة النقص في بيانات المحصول، وتصحيح القيم الشاذة باستخدام قيم اصطناعية</mark>. تتضمن مجموعة بيانات المحصول الحقيقي مشكلات مثل القراءات المرتفعة أو المنخفضة على نحو غير طبيعي، والمرور المتقاطع، والمسارات المنحنية، والمرورات ذات القراءات الصفرية؛ وكلها تشير إلى الحاجة إلى إعادة معايرة المستشعر.

بعد تطبيق [التنظيف والمعايرة](https://docs.geopard.tech/geopard-tutorials/ar/alzraah/yield-and-trials/yield-calibration-and-cleaning.md) من GeoPard على بيانات المحصول الحقيقي وإنشاء [المحصول الاصطناعي](https://docs.geopard.tech/geopard-tutorials/ar/alzraah/yield-and-trials/synthetic-yield-map.md) للكانولا، يمكننا بدء مقارنة مجدية لمدى التشابه بينهما.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>الكانولا 2023: بيانات المحصول الأصلية مقابل بيانات المحصول بعد التنظيف والمعايرة</p></figcaption></figure>

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>المحصول الاصطناعي للكانولا 2023</p></figcaption></figure>

تظهر أدناه لقطة شاشة لخريطة تنفيذ معادلة التشابه.

إحصائيًا، تشير الدرجتان المرتفعتان للمتوسط (0.889) والوسيط (0.904) إلى أن، <mark style="background-color:yellow;">مجموعة بيانات المحصول الاصطناعي تطابق إلى حد كبير الأنماط المكانية لمحصول الكانولا الحقيقي لعام 2023</mark>. ورغم انخفاض إحدى المناطق إلى 0.291، فإن التباين المنخفض (0.006) والانحراف المعياري المعتدل (0.08) يشيران إلى أن <mark style="background-color:yellow;">معظم أجزاء الحقل متوافقة إلى حد كبير بين مجموعتي البيانات الحقيقية والاصطناعية، مع عدد قليل جدًا من القيم الشاذة</mark>.

ومن منظور زراعي، يشير هذا التشابه الكبير إلى أن <mark style="background-color:yellow;">بيانات المحصول الاصطناعي يمكن أن تكون بديلًا موثوقًا لظروف الحقل الفعلية</mark>، مما يعزز الثقة في استخدام السيناريوهات المُنمذجة لتوجيه القرارات. <mark style="background-color:yellow;">يعكس نموذج المحصول الاصطناعي الممارسات الزراعية الظاهرة في بيانات المحصول الحقيقي بدقة</mark>، ما يتيح تخطيطًا أكثر استنارة واتساقًا لاستراتيجيات الإدارة المستقبلية.

<figure><img src="https://2518643298-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>مقارنة تشابه المحصول للكانولا: المحصول الفعلي لعام 2023 مقابل المحصول الاصطناعي لعام 2023</p></figcaption></figure>


---

# 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/yield-and-trials/comparing-yield-datasets.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.
