Сравняване на добивни набори от данни

Сравнявайте добивни набори от данни, за да получите по-дълбоки прозрения за представянето на културите през сезоните, включително правилно почистване и калибриране на добива и използване на Synthetic Yield.

Контекст

Съвременното земеделско вземане на решения силно разчита на набори от данни за добивите, които представляват събраните добиви и отразяват значителна част от доходите на стопаните. Тези набори от данни трябва да са точни и с високо качество, за да информират управлението на вложенията и да оптимизират бъдещите стратегии за сеитба и торене.

Данните за добива обикновено се събират от комбайни и друга реколтоуборъчна техника, но суровите записи често са непълни, съдържат грешки или изискват калибриране за справяне с несъответствия на сензорите и променливите условия на полето. За да преодолеят тези предизвикателства, специалистите често прилагат техники за почистване, калибриране и синтетично генериране на набори от данни, за да получат надеждни и сравними данни за добива.

И двете Почистване и калибриране на данни за добива и Синтетично възстановяване на данни за добива се поддържат от GeoPard.

Сравняването на набори от данни за добива от различни стопански години предоставя ценна информация, помага да се валидират практиките за управление, да се потвърди точността на сензорите и да се подобрят стратегиите за предстоящите сезони. Тези сравнения също насочват усъвършенстването на предписанията за внасяне на торове и сеитбени норми, като гарантират, че всяко решение се основава на достоверна информация.

Подход за сравнение (използвайки уравнение за подобие)

За да сравним количествено наборите от данни за добива, използваме предварително записано уравнение на име Анализ на пространствена корелация (Сходство между слоеве данни) което измерва сходството между атрибутите, свързани с добива, от наборите данни за добива на пространствена основа.

Това уравнение придава оценка за сходство, показваща колко близко един набор от данни съвпада с друг по пространствен модел и разпределение на стойностите.

Търсене на съществуващото уравнение за сходство между слоеве данни

Стойностите на сходството варират от 0 до 1, където 0 показва липса на съвпадение, а 1 означава 100% пространствено съвпадение на стойностите. С други думи, колкото по-близо е оценката за сходство до 1, толкова повече съответстват атрибутите на добива.

Реален набор от данни за добива (2015 Соево срещу 2018 Соево)

В този случай започваме със сурови данни за добива, събрани през два различни сезона — 2015 и 2018 г. със същата култура соя. Първоначалните набори съдържат абнормално високи и ниски стойности, особено в началото/края на проходите на комбайна, и данните изискват лека рекалибрация.

След прилагане на инструментите за почистване и калибриране на GeoPard, получените набори от данни са по-равномерни, последователни и по-лесни за интерпретация.

Соево 2015: Оригинални срещу почистени и калибрирани данни за добива

Соево 2018: Оригинални срещу почистени и калибрирани данни за добива

Картата от изпълнението на уравнението за сходство е по-долу като екранна снимка.

От статистическа гледна точка тя показва висока средна стойност (0.869) и медиана (0.876), което означава, че моделите на добив при соята през 2018 г. силно наподобяват тези от 2015 г.Въпреки че в някои области стойностите спадат до 0.599, ниската вариация (0.005) и скромното стандартно отклонение (0.073) потвърждават обща последователност.

От агрономическа гледна точка, тази стабилност предполага, че основните условия на полето и отговорите на управленските практики са останали до голяма степен непроменени.

Сравняване на сходството в добива: Соево 2015 срещу Соево 2018

Реален набор от данни за добива (2022 Царевица срещу 2024 Царевица)

В този сценарий започваме със сурови данни за добива от два сезона царевица — 2022 и 2024 г. Първоначалните набори съдържат аномалии като абнормално високи или ниски стойности, кръстосани проходи и изкривени траектории, което показва необходимостта от рекалибрация на сензорите.

След прилагане на инструментите за почистване и калибриране на GeoPard, наборите от данни стават по-надеждни, позволявайки автоматизиран анализ и информирано вземане на решения.

Царевица 2022: Оригинални срещу почистени и калибрирани данни за добива

Царевица 2024: Оригинални срещу почистени и калибрирани данни за добива

Картата от изпълнението на уравнението за сходство е по-долу като екранна снимка.

От статистическа гледна точка средно 0.791 и медиана 0.799 показват, че добрите добиви от царевица през 2024 г. до голяма степен наподобяват тези от 2022 г., макар че области с ниски стойности до 0.413 показват вариабилност. Стандартното отклонение от 0.115 потвърждава някои разлики в различните части на полето.

От агрономическа гледна точка, последователните модели могат да сочат стабилни условия и ефективно управление във времето. Въпреки това локализираните зони с по-ниско сходство може да изискват целенасочени корекции за подобряване на бъдещата добивност.

Сравняване на сходството в добива: Царевица 2022 срещу Царевица 2024

Синтетичен срещу реален набор от данни за добива (2023 Рапица)

В този сценарий започваме със суров набор от данни за добива от сезона 2023 за рапица и синтетично генериран набор от данни за добива за същата култура и същата година 2023. Целта е да се оцени пространствената точност на реалния спрямо синтетичния добив, предоставяйки начин за запълване на незаписани данни, отстраняване на празнини в данните за добива и коригиране на аномалии чрез синтетични стойности.Реалният набор от данни за добива съдържа проблеми като абнормално високи или ниски стойности, кръстосани проходи, изкривени траектории и нулеви проходи, всички индикиращи необходимост от рекалибрация на сензорите.

След прилагане на инструментите на GeoPard за Почистване и калибриране към реалните данни за добива и генериране на Синтетичен добив за рапица, можем да започнем смислено сравнение на тяхното сходство.

Рапица 2023: Оригинални срещу почистени и калибрирани данни за добива

Синтетичен добив за рапица 2023

Картата от изпълнението на уравнението за сходство е по-долу като екранна снимка.

От статистическа гледна точка високата средна стойност (0.889) и медианата (0.904) показват, че общо взето, синтетичният набор от данни за добива много добре съвпада с пространствените модели на реалния добив за рапица през 2023 г.Въпреки че една зона спада до 0.291, ниската вариация (0.006) и скромното стандартно отклонение (0.08) подсказват, че повечето части от полето съвпадат тясно между реалните и синтетичните набори от данни, с много малко отклонения.

От агрономическа гледна точка това силно сходство означава, че синтетичните данни за добива могат да служат като надежден заместител на реалните полеви условия, засилвайки увереността при използване на моделирани сценарии за подпомагане на решенията. Агрономическите практики, отразени в реалните данни за добива, са добре уловени от модела за синтетичен добив, което позволява по-информирано и последователно планиране на бъдещите управленски стратегии.

Сравняване на сходството в добива при рапица: Реално 2023 срещу Синтетично 2023