> 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Сравняване на данни от почвен скенер между години

Тази статия описва различни математически методи за количествено определяне на разликите между набори от данни от почвен скенер и за подобряване на вземането на решения за изследователи и агрономи.

Скенерите за почва са основни инструменти в прецизното земеделие. Те позволяват събирането на данни с висока резолюция за свойствата на почвата, като влажност, органична материя и нива на хранителни вещества. Сравняването на два набора от данни от скенер за почва е важно за проследяване на промените във времето, проверка на различни методи за сканиране или калибриране на нови устройства. В тази статия ще разгледаме различни математически подходи за измерване на отклонението между два набора от данни от скенер за почва и ще предложим практически насоки за изследователи и агрономи.

### Отклонения в данните от скенер за почва

Отклонението между два набора от данни от скенер за почва са разликите в измерените стойности на едни и същи места. Те може да се дължат на различия в условията на измерване, калибрирането на сензорите или динамиката на почвата. Най-често срещаните видове отклонения са:

* Абсолютни разлики: директно изваждане на стойностите в двата набора от данни.
* Относителни разлики: сравнение спрямо големината на измерените стойности.
* Метрики за грешка: статистически показатели като средна абсолютна грешка (MAE) и нормализирана разлика.

Избрани са два набора от данни за калий от скенер за почва — за 2024 и 2025 г.

<figure><img src="https://190376946-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>Първоначални набори от данни от скенер за почва</p></figcaption></figure>

### Избор на подходящ метод за измерване на отклонението

| Метод                                   | Подходящ за                                                  |
| --------------------------------------- | ------------------------------------------------------------ |
| Директна разлика                        | Лесно визуализиране на положителните и отрицателните промени |
| Относителна разлика                     | Сравнение на набори от данни с различни мащаби               |
| Нормализирана разлика                   | Стандартизиран анализ на различни набори от данни            |
| Относително отклонение                  | Пропорционални разлики, полезни за анализ на тенденции       |
| Средна абсолютна грешка (MAE) на пиксел | Откриване на зони със значителни абсолютни разлики           |

### Изчисляване на директната разлика

Методът за директна разлика просто изважда единия набор от данни от другия, за да визуализира промените в почвените показатели.

Употребата на `geopard.calculate_difference(dataset_1, dataset_2)` и обяснение на параметрите са описани [тук](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Предимства:

* Ясно показва положителните и отрицателните промени.
* Лесен за тълкуване и визуализиране.

Недостатъци:

* Стойностите на разликите може да се сравняват трудно, ако наборите от данни са в различни мащаби.
* Големите колебания може да доминират при тълкуването.

<figure><img src="https://190376946-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>Изчисляване на директната разлика</p></figcaption></figure>

### Изчисляване на относителната разлика

Методът за относителна разлика изчислява процентната промяна между наборите от данни спрямо втория набор, като предлага и друга гледна точка към отклонението.

Употребата на `geopard.calculate_relative_difference(dataset_1, dataset_2)` и обяснение на параметрите са описани [тук](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Предимства:

* Полезен е, за да разберете колко се е променил единият набор от данни спрямо другия.
* Нормализира разликите при различни големини на стойностите.

Недостатъци:

* Може да стане нестабилен, когато стойностите във втория набор от данни са близки до нулата.
* По-труден е за тълкуване, когато абсолютните разлики са важни.

<figure><img src="https://190376946-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>Изчисляване на относителната разлика</p></figcaption></figure>

### Изчисляване на нормализираната разлика

Методът за нормализирана разлика нормализира наборите от данни спрямо най-голямата им обща стойност, преди да изчисли разликите. Така вариациите могат да се сравняват при различни мащаби.

Употребата на `geopard.calculate_normalized_difference(dataset_1, dataset_2)` и обяснение на параметрите са описани [тук](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Предимства:

* Подходящ е за набори от данни с различен динамичен диапазон.
* Намалява влиянието на екстремните стойности.

Недостатъци:

* Малките отклонения може да изглеждат преувеличени, ако данните не са правилно мащабирани.

<figure><img src="https://190376946-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>Изчисляване на нормализираната разлика</p></figcaption></figure>

### Относително отклонение за пиксел

Методът на относителното отклонение изчислява отклонението като процент спрямо първия набор от данни. Той помага да се разберат пропорционалните, а не абсолютните разлики.

Начинът на използване на `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` с обяснение на параметрите е описан [тук](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Предимства:

* Полезен при сравняване на набори от данни с различен мащаб.
* Представя отклонението като лесен за тълкуване процент.

Недостатъци:

* Може да е подвеждащ, ако първоначалните стойности са много малки.

<figure><img src="https://190376946-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>Относително отклонение за пиксел</p></figcaption></figure>

### Средна абсолютна грешка (MAE) на пиксел

Методът на средната абсолютна грешка (MAE) измерва абсолютните разлики между съответстващите стойности в два набора от данни. Той ясно показва къде са най-големите несъответствия.

Начинът на използване на `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` с обяснение на параметрите е описан [тук](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Предимства:

* Прост и интуитивен.
* Ясно откроява големите разлики.
* Работи добре с набори от данни с подобен мащаб.

Недостатъци:

* Не показва посоката на разликата (т.е. дали промяната е положителна или отрицателна).
* Чувствителен към нетипични стойности.

<figure><img src="https://190376946-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>Средна абсолютна грешка (MAE) на пиксел</p></figcaption></figure>

### Заключение

Сравняването на набори от данни от почвени скенери изисква различни математически подходи за извличане на съществени разлики. Независимо дали използвате абсолютни показатели като MAE, относителни отклонения или нормализирани сравнения, изборът на подходящ метод зависи от конкретната задача. Прилагайки тези техники, агрономите и изследователите могат да подобрят анализа на почвата, да откриват различия в полето и да усъвършенстват работните процеси в прецизното земеделие.


---

# 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/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.
