Калибриране и почистване на добив
Как да почиствате и калибрирате данните от монитора за добив в GeoPard. Включва USDA протокол за почистване на добив. Коригиране на отклонения, ивици, обръщания и набори от данни от няколко комбайна.
Използвайте GeoPard за почистване на данни за добив и калибриране на набори от данни от монитор на добива. Получете карта на добива, на която можете да имате доверие за зони, рецепти и анализи. Този работен процес обработва аутлайъри, обръщания, липсващи атрибути и данни за добив от множество комбайни. Включва протокола на USDA за почистване на добив и поддържа алтернативни работни потоци на Yield Editor.
Този процес на калибриране е от съществено значение за:
Гарантиране на последователност на данните: Не е необичайно няколко комбайна да работят съвместно или в различни дни. Тази функция гарантира, че техните данни звучат в хармония.
Хомогенизиране на данните: Данните за добива могат да са разнообразни; калибрирането гарантира, че те са плавни и последователни, без нежелани пикове или спадове.
Филтриране на шума: Както при всякакви данни, и при данните за добив може да има 'шум' или нерелевантна информация. Ние се уверяваме, че той не замъглява вашите изводи.
Опростяване на геометрии: Всякакви обръщания или странни геометрични модели могат да изкривят реалните изводи. Калибрирането е проектирано да изглади тези ефекти, гарантирайки, че данните действително отразяват полевите реалности.
Орязване по граница на поле: Комбайните често оперират в съседни участъци. За точни аналитични резултати е важно да се разглеждат само данните, разположени в рамките на зададената граница.
Бърз преглед
Реални примери
В областта на земеделието повредените набори от данни за добив могат да представляват значителни предизвикателства. По-долу можете да намерите реални примери, където такива набори от данни са срещнати. Чрез усъвършенстваните алгоритми за калибриране и почистване на GeoPard тези набори бяха ефективно усъвършенствани и оптимизирани.
Множество комбайни работят заедно
J-обръщания, спирания, използвана половин ширина на инвентара
Аномално големи регистрирани стойности
Данни извън границата на поле
Калибриране, използвайки предоставена средна стойност на добива
Почистване на атрибути на добива с игнориране на атрибути с аномалии
Наборът от данни за добив понякога включва атрибути с нередности в влажност, скорост, височини или други вторични (не-добивни) атрибути. По време на изпълнението на операциите Clean или Calibrate е от съществено значение тези аномалии да бъдат игнорирани. Това може да бъде ефективно постигнато чрез интерфейса GeoPard Yield Clean-Calibrate.
Протокол за почистване на добивите според USDA
Използвайте тази опция когато имате нужда от повтаряем, базиран на стандарти работен процес на редактор за добив. Той е оптимизиран за почистване на данни от монитор на добива в мащаб.
Обяснение на логиките за калибриране
Калибриране по следи на машината
ИЗПОЛЗВАЙТЕ Калибриране по следи на машината когато поле е жънато от множество машини или в продължение на няколко дни, конкретно за коригиране на системни разлики като ивици или лентиране. Това е идеално за сценарии, при които различни настройки на машините, оператори или условия предизвикват последователно над- или подоценяване по различни трасета.
Критично е, че ИИ изисква вариация - като различни трасета, идентификатори на машини или дати на жътва - за да учи и калибрира ефективно.
НЕ ИЗПОЛЗВАЙТЕ този метод за жътви с една машина в една непрекъсната сесия или ако картата на добива няма видими пространствени модели. Също така, избягвайте го, ако данните са оскъдни или ако разполагате само с общи стойности за добива на поле без разлика по машини
Калибриране по средна или обща стойност
Калибрирането по средна/обща стойност Е НАЙ-ПОДХОДЯЩО когато имате високо ниво на доверие в общите данни за добива на полето, като записи от кантарион или склад. Вместо да се нагласяват отделни трасета, този метод мащабира целия набор от данни, така че крайното средно или общо да съответства на известната ви референтна стойност. Често се описва като най-простата и най-безопасната опция за калибриране, когато общите числа са надеждни.
Кога да ИЗПОЛЗВАТЕ калибриране по средна/обща стойност:
Известни референтни стойности: Трябва да използвате тази логика, когато имате официални записи за общ добив (напр. от кантарион) или много надеждна средна стойност за полето.
Глобална корекция на отклонение: Тя е идеална, ако пространственото разпределение на картата на добива изглежда правилно, но стойностите са глобално изместени - което означава, че мониторът на добива вероятно не е бил калибриран и отчита стойности, които са последователно твърде високи или твърде ниски в цялото поле.
Единобразни условия при жътва: Този метод е най-ефективен, когато условията при жътва са били относително последователни през цялата операция.
Последователност при една машина: Работи добре за жътви, извършени от една машина, която е работила последователно в полето.
Кога НЕ да ИЗПОЛЗВАТЕ калибриране по средна/обща стойност:
Отклонение Машина-към-Машина: Не използвайте този метод, ако различни части от полето са били жънати от различни машини или в различни дни, което е резултирало в локализирани отклонения. В тези случаи мащабирането на цялото поле няма да отстрани основните несъответствия между машините.
Видими артефакти: Ако виждате силно ивициране, лентиране или дирекционални артефакти в данните си, този метод няма да ги реши; Калибрирането по трасета е по-подходящо за тези проблеми.
Непълни данни: Избягвайте тази логика, ако само част от полето е била ожъната или ако записаните данни са непълни, тъй като общите/средните стойности биха могли да бъдат подвеждащи.
Условно калибриране
Условно калибриране служи като контрол за безопасност, като гарантира, че стойностите на добива остават в рамките на реалистични, предварително зададени минимални и максимални граници.
Вие ТРЯБВА ДА ИЗПОЛЗВАТЕ тази логика запремахване на крайни аутлайъри и сензорни пикове, причинени от шум, спирания на машината или завои. Тя е идеална за прилагане на специфични агрономически очаквания - като „добивът не може да надвишава X“ - без извършване на корекция.
Въпреки това, ИЗБЯГВАЙТЕ ТОЗИ МЕТОД ако вашият набор от данни има глобално отклонение или системни разлики между машините, тъй като той не мащабира данните и не поправя пространствени модели. По същество той поддържа стойностите правдоподобни, но не решава основните калибрационни измествания.
Стратегия за използване
Първа стъпка
Модулът „Yield Calibrate and Clean“ се инициира директно от потребителския интерфейс. Основното изискване е да имате качен набор от данни за добив. До всеки набор от данни за добив ще намерите бутон за стартиране на корекциите на набора.
Оттам са налични няколко опции за продължение:
Автоматична обработка: Използвайте подразбиращите се, препоръчани от GeoPard настройки за калибриране с един клик.
Само почистване: Конфигурирайте и изпълнете само операцията CLEAN, включително
GeoPard Cleaning: Умно почистване на наборите от данни за добив с AI алгоритми.
USDA (Министерство на земеделието на САЩ) протокол за почистване на добива.
Условно почистване: Филтриране на данни въз основа на потребителски прагове на атрибути.
Само калибриране: Конфигурирайте и изпълнете само операцията CALIBRATE, включително
Калибрирането по пътека: Калибриране на добива за всяко отделно машинно трасето чрез AI алгоритми.
Средно/Тотално: Регулиране на добива въз основа на известна средна или обща стойност за полето.
Условно: Промяна на добива в рамките на зададени минимални и максимални граници, за да се поддържат очакваните диапазони.
Калибриране и почистване: Изберете последователността на операциите и персонализирайте параметрите.
Алтернатива на Yield Editor: Използвайте Само почистване → USDA (или Калибриране и почистване) за да съответства на ръчен работен процес „Yield Editor“, но в мащаб. В тестове за валидация почистването според протокола на USDA съвпадна с резултатите от ръчното почистване в Yield Editor с R² (R2) = 0.98 (практически идентичен резултат).
Решение с един бутон
Подсказка за аномални стойности, понякога присъщи на наборите от данни за добив.
Ако един attribute избран за калибриране или почистване предимно съдържа нула стойности в повечето геометрии, тези геометрии ще бъдат изключени от крайния набор от данни за добив.
За да се гарантира интегритет, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути, които ще бъдат калибрирани.
Пълно ръководство
Изберете поток: Подсказка за аномалии в данните
Ако потребител срещне аномалии в данните, като стойности равни или близки до нула, или необичайно големи стойности (например средно 10 с максимум 8000), се препоръчва работният процес Почистване и калибриране се препоръчва работен поток.
Приоритизирането на почистването на данните преди калибрирането гарантира премахването на грешки, липсващи стойности или несъответствия, като по този начин подобрява качеството и точността на данните.
Изберете поток: Подсказка за данни без първоначални грешки
За набори от данни, които първоначално са без грешки, липсващи стойности или несъответствия, и когато е известно, че са участвали няколко комбайна, обмислете работния процес Калибриране и почистване работен поток.
Почистването на данните след калибрирането помага да се изчисти наборът от данни допълнително, като потенциално елиминира артефакти, въведени по време на калибрирането.
Поточен за почистване: Подсказка за аномални стойности, понякога присъщи на наборите от данни за добив.
Ако един attribute избраният за калибриране или почистване предимно съдържа нула стойности в повечето геометрии, тези геометрии ще бъдат изключени от крайния набор от данни за добив.
За да се гарантира интегритет, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути, които ще бъдат почистени (2).
Поточен за калибриране: Подсказка за аномални стойности, понякога присъщи на наборите от данни за добив.
Ако един attribute избран за калибриране или почистване предимно съдържа нула стойности в повечето геометрии, тези геометрии ще бъдат изключени от крайния набор от данни за добив.
За да се гарантира интегритет, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути, които ще бъдат калибрирани (3).
Версии на алгоритмите
След обработката резултатите се показват до оригиналния набор от данни. Те са маркирани с "Калибриране" и/или "Почистване" етикети, плюс версията на алгоритъма.
Последна актуализация
Беше ли полезно?