> 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/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md).

# Почистване и калибриране на данните за добива: премахване на грешки от картите на добива

Почистете данните от монитора за добив: закъснение на потока, начало и край на прохода, обръщания, припокриване, отклонения в скоростта и влажността, калибриране на няколко комбайна — преди да създадете зони.

Суровите данни от монитора за добива съдържат грешки, причинени от забавяне на потока, началото и края на обработваните проходи, обръщанията, припокриващите се хедери и комбайни, калибрирани по различен начин. Почистете данните, преди да създавате зони или да оценявате опит, иначе картата ще показва работата на машината, а не особеностите на полето. GeoPard автоматично прилага протокола на USDA за почистване, позволява да задавате филтрите ръчно и калибрира няколко комбайна спрямо известен общ или среден добив.

{% hint style="info" %}
Вижте интерактивната страница за почистване на данни за добива на geopard.tech: [Почистване на данни за добива](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Почистете файловете с данни за добива от миналия сезон: [Започнете безплатно](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Използвайте GeoPard, за да **почистите данните за добива** и **калибрирате наборите от данни на мониторите за добив**. Получете надеждна карта на добива за зониране, предписания и анализи. Този работен процес обработва нетипични стойности, обръщания, липсващи атрибути и данни за добива от няколко комбайна. Той включва **протокола на USDA за почистване на данни за добива** и поддържа **работни процеси като алтернатива на Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Видео урок за почистване и калибриране на данни за добива. Обяснение на разликите между опциите.
{% endembed %}

Този процес на калибриране е от ключово значение за:

1. **Осигуряване на съгласуваност на данните**: Нерядко няколко комбайна работят едновременно или в различни дни. Тази функция гарантира, че данните им са съгласувани.
2. **Уеднаквяване на данните**: Данните за добива може да варират; калибрирането ги изглажда и уеднаквява, като премахва нежеланите пикове и спадове.
3. **Филтриране на шума**: Както при всички данни, и при данните за добива може да има „шум“ или несъществена информация. Премахваме го, за да не замъглява изводите ви.
4. **Уеднаквяване на геометрията**: Обръщанията и необичайните геометрични модели на данните могат да изкривят резултатите. Калибрирането ги коригира, така че данните да отразяват действителните условия на полето.
5. **Изрязване по границата на полето**: Комбайните често работят и в съседни площи. За точни аналитични резултати трябва да се използват само данните в зададената граница.

{% hint style="info" %}
Интерфейсът за калибриране на добива използва крайната точка на GeoPard API за почистване и калибриране на добива ([GeoPard API: калибриране и почистване на YieldDataset](https://docs.geopard.tech/geopard-tutorials/bg/dokumentaciya-na-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Той изпълнява операциите `CALIBRATE` и `CLEAN` в потребителския интерфейс или чрез API.
{% endhint %}

## Кратък преглед

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/85c751c7b057f4378283616b40487e95c086916f" %}
Изтеглете PDF брошурата за почистване на данни за добива
{% endfile %}

## Примери от практиката

В земеделието повредените набори от данни за добива могат да създадат сериозни затруднения. По-долу ще видите примери от практиката за такива набори от данни. С усъвършенстваните алгоритми на GeoPard за калибриране и почистване те бяха ефективно коригирани и оптимизирани.

{% hint style="info" %}
За да обработите участъци без записани данни за добива и да получите пълна карта на добива, използвайте подхода на GeoPard за създаване на синтетична карта на добива. Този метод възстановява липсващите данни и позволява цялостен анализ на добива. Научете повече [тук](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Съвместна работа на няколко комбайна

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Пример 1: Съвместна работа на няколко комбайна</p></figcaption></figure>

{% hint style="info" %}
При сложни ситуации се препоръчва двуетапно калибриране за постигане на най-добра точност. Първо изпълнете първоначалното калибриране, като използвате атрибута Machine ID. След това извършете втори етап на калибриране, като този път отметнете Simulated (Synthetic) Machine Paths. Този многоетапен подход осигурява задълбочено и точно калибриране, необходимо за ефективна работа със сложни случаи.
{% endhint %}

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Пример 2: Съвместна работа на няколко комбайна</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Пример 3: Съвместна работа на няколко комбайна</p></figcaption></figure>

### Образни завои, спирания, използвана половин работна ширина

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Пример 1: Обратни завои, спирания, използвана половин работна ширина</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Пример 2: Обратни завои, спирания, използвана половин работна ширина</p></figcaption></figure>

### Необичайно високи записани стойности

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Пример 1: Необичайно високи записани стойности</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Пример 2: Необичайно високи записани стойности</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Пример 3: Необичайно високи записани стойности</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Пример 4: Необичайно високи записани стойности</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Пример 5: Необичайно високи записани стойности</p></figcaption></figure>

### Данни извън границите на блока

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Пример: Данни извън границите на блока</p></figcaption></figure>

### Калибриране чрез зададена средна стойност на добива

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Пример: Калибриране чрез зададена средна стойност на добива (28 t/ha)</p></figcaption></figure>

### Почистване на атрибутите за добива с изключване на аномалните стойности

Наборът от данни за добива понякога включва атрибути с отклонения във влажността, скоростта, надморската височина или други второстепенни атрибути (не свързани с добива). При изпълнение на дейностите за почистване или калибриране е важно тези аномалии да бъдат изключени. Това може лесно да се направи чрез интерфейса за почистване и калибриране на добива на GeoPard.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Пример: Аномалии в атрибута „Влажност“</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Пример: Почистване на данните за добива с изключване на аномалиите във влажността</p></figcaption></figure>

### Протокол на USDA за почистване на данни за добива

Използвайте тази опция, когато ви е необходим **повтаряем работен процес за редактиране на данни за добива, основан на стандарти**. Той е оптимизиран за **почистване на данни от монитори за добив** в голям мащаб.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Пример: Почистване на данните за добива с прилагане на протокола на USDA</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Пример: Почистване на данните за добива с прилагане на протокола на USDA</p></figcaption></figure>

## Обяснение на логиката за калибриране

### Калибриране по траектории

**ИЗПОЛЗВАЙТЕ** **калибриране по траектории** когато блокът е <mark style="background-color:green;">прибран с няколко машини или в продължение на няколко дни, по-специално за коригиране на систематични разлики като ивици или ленти.</mark> Подходящо е, когато различните настройки на машините, оператори или условия на околната среда водят до устойчиво надценяване или подценяване на добива по отделните траектории.

Важно е да се има предвид, че <mark style="background-color:yellow;">за да се обучи и калибрира ефективно, AI се нуждае от вариации — например отделни траектории, идентификатори на машини или дати на жътва.</mark>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Пример: Добив по влажна маса и 9 комбайна</p></figcaption></figure>

**НЕ ИЗПОЛЗВАЙТЕ** този метод при жътва с една машина в рамките на една непрекъсната сесия или ако картата на добива не показва видими пространствени закономерности. Избягвайте го и когато данните са оскъдни или разполагате само с общи стойности за добива на ниво блок, без разлики между машините.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Пример: Статистически коректно разпределение на данните</p></figcaption></figure>

### Калибриране по средна или обща стойност

**КАЛИБРИРАНЕТО ПО СРЕДНА/ОБЩА СТОЙНОСТ Е НАЙ-ПОДХОДЯЩО** когато <mark style="background-color:green;">имате висока степен на доверие в общите данни за добива на ниво блок, например в записи от автомобилна везна или складова база.</mark> Вместо да коригира отделните траектории, този метод мащабира целия набор от данни така, че крайната средна или обща стойност да съвпадне с известната референтна стойност. Често се описва като най-простия и най-безопасен вариант за калибриране, когато общите данни са надеждни.

Кога да **ИЗПОЛЗВАТЕ калибриране по средна/обща стойност:**

* **Известни референтни стойности**: Използвайте тази логика, когато разполагате с официални данни за общия добив (например от автомобилна везна) или с високо надеждна средна стойност на добива за блока.
* **Корекция на общото отклонение**: Подходяща е, ако пространственото разпределение на картата на добива изглежда правилно, но стойностите са изместени като цяло — вероятно мониторът за добив не е бил калибриран и отчита системно твърде високи или твърде ниски стойности в целия блок.
* **Еднакви условия на жътва**: Този метод е най-ефективен, когато условията на жътва са били сравнително постоянни през цялата операция.
* **Постоянни резултати с една машина**: Подходящ е за жътва с една машина, която е работила последователно в целия блок.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Пример: Статистически коректно разпределение на данните с необходимото изместване чрез средния добив</p></figcaption></figure>

Кога **ДА НЕ ИЗПОЛЗВАТЕ калибриране по средна/обща стойност:**

* **Отклонения между машините**: Не използвайте този метод, ако различни части на блока са прибрани с различни машини или в различни дни и това е довело до локални отклонения. В такива случаи мащабирането на целия блок няма да коригира основните разлики между машините.
* **Видими артефакти**: Ако забележите силни ивици, лентови или насочени артефакти в данните, този метод няма да ги премахне; <mark style="background-color:green;">За тези проблеми е по-подходяща калибрацията по траекторията</mark>.
* **Непълни данни**: Не използвайте тази логика, ако е прибрана реколтата само от част от полето или ако записаните данни са непълни, тъй като общите/средните стойности ще бъдат подвеждащи.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Пример: данни за добива с пропуски</p></figcaption></figure>

### Условна калибрация

**Условната калибрация** служи като <mark style="background-color:green;">предпазна мярка, която гарантира, че стойностите за добива остават в реалистични, предварително зададени минимални и максимални граници</mark>.

Трябва **ДА ИЗПОЛЗВАТЕ** тази логика, за да п<mark style="background-color:green;">ремахвате екстремни отклонения и резки пикове от сензорите, причинени от шум, спиране на машината или завои</mark>. Тя е идеална за прилагане на конкретни агрономически очаквания — например „добивът не може да надвишава X“ — без да извършва корекция.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Въпреки това, **ИЗБЯГВАЙТЕ ТОЗИ МЕТОД** ако наборът ви от данни има общо отклонение или систематични разлики между машините, тъй като методът не мащабира данните и не коригира пространствените закономерности. Казано накратко, той поддържа правдоподобни стойности, но не отстранява основните калибрационни отклонения.

## Стратегия за използване

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Кратко ръководство за калибрация на добива</p></figcaption></figure>

{% file src="/files/ddc7cdb0a0151d3cfadd6094dd8984897d195c6f" %}
Изтеглете PDF с краткото ръководство за калибрация на добива
{% endfile %}

## Първа стъпка

Модулът „Калибриране и почистване на данни за добива“ се стартира директно от потребителския интерфейс. За целта трябва да сте качили набор от данни за добива. До всеки такъв набор ще намерите бутон за започване на корекциите.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Стартиране на процеса</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Изберете опция, за да продължите</p></figcaption></figure>

След това можете да изберете от няколко опции:

1. **Автоматична обработка**: Използвайте препоръчителните настройки на GeoPard за калибрация с едно щракване.
2. **Само почистване**: Настройте и изпълнете само операцията CLEAN, включително
   1. **Почистване от GeoPard**: Интелигентно почистване на набора от данни за добива с алгоритми с изкуствен интелект.
   2. **USDA** (Министерство на земеделието на САЩ) — протокол за почистване на данни за добива.
   3. **Условно почистване**: Филтриране на данните според зададени от вас прагове за атрибути.
3. **Само калибрация**: Настройте и изпълнете само операцията CALIBRATE, включително
   1. **По траекторията**: Калибриране на добива поотделно за всяка траектория на машината с алгоритми с изкуствен интелект.
   2. **Средно/общо количество**: Коригиране на добива според известния среден или общ добив на полето.
   3. **Условна**: Коригиране на добива в зададените минимални и максимални граници, за да се спазят очакваните стойности.
4. **Калибриране и почистване**: Изберете последователността на операциите и персонализирайте параметрите.
5. **Алтернатива на Yield Editor**: Използвайте **Само почистване → USDA** (или **Калибриране и почистване**) за да съответства на ръчен процес на почистване с „Yield Editor“, но в голям мащаб. При тестове за валидиране почистването по протокола на USDA съвпадна с резултатите от ръчното почистване с Yield Editor с **R² (R2) = 0.98** (почти идентични резултати).

## Решение с един бутон

{% hint style="warning" %}
**Съвет за аномални стойности, които понякога са присъщи на наборите от данни за добива.**

Ако даден **атрибут** избран за калибриране или почистване, предимно **съдържа** **нулеви стойности при по-голямата част от геометриите**, тези геометрии ще бъдат изключени от крайния набор от данни за добива.

За да се гарантира достоверността, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути за калибриране.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Пълни указания

{% hint style="warning" %}
**Изберете процеса: Съвет за аномалии в данните**

Ако откриете аномалии в данните, като стойности около или равни на нула или необичайно големи стойности (например средна стойност 10 и максимална стойност 8000), препоръчваме процеса **Почистване и калибриране** .

Като почистите данните преди калибрирането, ще премахнете грешките, липсващите стойности и несъответствията, с което ще подобрите качеството и точността им.
{% endhint %}

{% hint style="warning" %}
**Изберете процеса: Съвет за данни без първоначални грешки**

За набори от данни без първоначални грешки, липсващи стойности или несъответствия, когато е известно, че са използвани няколко комбайна, обмислете процеса **Калибриране и почистване** .

Почистването на данните след калибрирането доусъвършенства набора от данни и може да премахне артефакти, възникнали по време на калибрирането.
{% endhint %}

{% hint style="warning" %}
**Процес на почистване: Съвет за аномални стойности, които понякога са присъщи на наборите от данни за добива.**

Ако даден **атрибут** избран за калибриране или почистване, предимно съдържа **нулеви стойности при по-голямата част от геометриите**, тези геометрии ще бъдат изключени от крайния набор от данни за добива.

За да се гарантира достоверността, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути за почистване (2).
{% endhint %}

{% hint style="warning" %}
**Процес на калибриране: Съвет за аномални стойности, които понякога са присъщи на наборите от данни за добива.**

Ако даден **атрибут** избран за калибриране или почистване, предимно **съдържа** **нулеви стойности при по-голямата част от геометриите**, тези геометрии ще бъдат изключени от крайния набор от данни за добива.

За да се гарантира достоверността, атрибутите с такива аномалии трябва да бъдат изключени от списъка с атрибути за калибриране (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Версии на алгоритъма

След последващата обработка резултатите се показват до оригиналния набор от данни. Те са обозначени с етикетите **"Калибриране"** и/или **"Почистване"** , както и с версията на алгоритъма.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Резултатът от изпълнението на „Калибриране и почистване“ (версия 2)</p></figcaption></figure>

{% hint style="info" %}
От `version 3.0` на алгоритъма за почистване и калибриране GeoPard въвежда функцията за изрязване по границите на полето. Тя запазва само геометриите в рамките на границите на полето и подобрява статистическото разпределение.
{% endhint %}

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Резултатът от изпълнението на автоматичната обработка (версия 3.0)</p></figcaption></figure>

{% hint style="info" %}
Започвайки с `version 4.0`, алгоритъмът за почистване и калибриране в GeoPard включва функция за калибриране въз основа на средни или общи стойности на всеки атрибут. Често срещано приложение на това подобрение е калибрирането на WetMass, което вече може да се коригира спрямо известния измерен среден добив за конкретно поле.
{% endhint %}

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Резултатът от калибрирането със среден добив 6 t/ha (версия 4.0)</p></figcaption></figure>

{% hint style="info" %}
От `version 5.0` на алгоритъма за почистване и калибриране GeoPard въвежда протокола на USDA (Министерството на земеделието на САЩ) за почистване на данни за добива. USDA предоставя официални агрономически стандарти за данни, които определят как стойностите за добив, влажност, поток и пространствени измервания се нормализират, валидират и филтрират статистически, за да се получат съгласувани между машините и полетата земеделски набори от данни.
{% endhint %}

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Резултатът от почистването по протокола на USDA (версия 5.0)</p></figcaption></figure>

{% hint style="success" %}
Почистете файловете с данни за добива от миналия сезон: [Започнете безплатно](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.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.
