# Сравняване на набори от данни за добив

## 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](/geopard-tutorials/bg/agronomiya/kalibrirane-i-pochistvane-na-dobiv.md) и [Синтетично възстановяване на данни за добива](/geopard-tutorials/bg/agronomiya/sintetichna-karta-na-dobiv.md) се поддържат от GeoPard.

<mark style="color:по подразбиране;background-color:yellow;">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.</mark> 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 <mark style="color:по подразбиране;background-color:yellow;">Анализ на пространствена корелация (Сходство между слоеве данни)</mark> 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.&#x20;

<figure><img src="/files/dc8e677ea226e867a68fd4592b27c210199dc069" alt=""><figcaption><p>Търсене на съществуващото уравнение за сходство между слоеве данни</p></figcaption></figure>

<mark style="color:по подразбиране;background-color:yellow;">Стойностите на сходството варират от 0 до 1, където 0 показва липса на съвпадение, а 1 означава 100% пространствено съвпадение на стойностите</mark>. С други думи, колкото по-близо е оценката за сходство до 1, толкова повече съответстват атрибутите на добива.&#x20;

## **Реален набор от данни за добива (2015** Соево **срещу 2018** Соев&#x43E;**)**

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.

<figure><img src="/files/3291886fd5755b861082263c51a71adccc826ef8" alt=""><figcaption><p>Соево 2015: Оригинални срещу почистени и калибрирани данни за добива</p></figcaption></figure>

<figure><img src="/files/c968ecc576c7718dc6ea21e5d1cf900385bac74d" alt=""><figcaption><p>Соево 2018: Оригинални срещу почистени и калибрирани данни за добива</p></figcaption></figure>

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 <mark style="color:по подразбиране;background-color:yellow;">моделите на добив при соята през 2018 г. силно наподобяват тези от 2015 г.</mark>Въпреки че в някои области стойностите спадат до 0.599, ниската вариация (0.005) и скромното стандартно отклонение (0.073) потвърждават <mark style="color:по подразбиране;background-color:yellow;">обща последователност</mark>.&#x20;

От агрономическа гледна точка, <mark style="color:по подразбиране;background-color:yellow;">тази стабилност предполага, че основните условия на полето и отговорите на управленските практики са останали до голяма степен непроменени</mark>.

<figure><img src="/files/5580e0ef9404b185cf9e3c9636d7fc2873def05b" alt=""><figcaption><p>Сравняване на сходството в добива: Соево 2015 срещу Соево 2018</p></figcaption></figure>

## **Реален набор от данни за добива (2022** Царевица **срещу 2024** Царевиц&#x430;**)**

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.&#x20;

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

<figure><img src="/files/eb7b23f006716e584cfe058fda12bc6813746540" alt=""><figcaption><p>Царевица 2022: Оригинални срещу почистени и калибрирани данни за добива</p></figcaption></figure>

<figure><img src="/files/8a7d474a5cd7b194eb5444e42df83a17a4d27fa4" alt=""><figcaption><p>Царевица 2024: Оригинални срещу почистени и калибрирани данни за добива</p></figcaption></figure>

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 <mark style="color:по подразбиране;background-color:yellow;">добрите добиви от царевица през 2024 г. до голяма степен наподобяват тези от 2022 г.</mark>, макар че области с ниски стойности до 0.413 показват вариабилност. Стандартното отклонение от 0.115 потвърждава <mark style="color:по подразбиране;background-color:yellow;">някои разлики в различните части на полето</mark>.

От агрономическа гледна точка, <mark style="color:по подразбиране;background-color:yellow;">последователните модели могат да сочат стабилни условия и ефективно управление във времето</mark>. Въпреки това локализираните <mark style="color:по подразбиране;background-color:yellow;">зони с по-ниско сходство може да изискват целенасочени корекции за подобряване на бъдещата добивност</mark>.

<figure><img src="/files/85d1fe2e1d5a06e444adf001ce2b86a91e678125" alt=""><figcaption><p>Сравняване на сходството в добива: Царевица 2022 срещу Царевица 2024</p></figcaption></figure>

## **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. <mark style="color:по подразбиране;background-color:yellow;">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.</mark>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](/geopard-tutorials/bg/agronomiya/kalibrirane-i-pochistvane-na-dobiv.md) към реалните данни за добива и генериране на [Синтетичен добив](/geopard-tutorials/bg/agronomiya/sintetichna-karta-na-dobiv.md) за рапица, можем да започнем смислено сравнение на тяхното сходство.

<figure><img src="/files/162430e3d6e3f8402355c9545fdcb842f51711f4" alt=""><figcaption><p>Рапица 2023: Оригинални срещу почистени и калибрирани данни за добива</p></figcaption></figure>

<figure><img src="/files/5d815249c24b5d7256d30f5b3768a1d3dfc43d17" alt=""><figcaption><p>Синтетичен добив за рапица 2023</p></figcaption></figure>

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 <mark style="color:по подразбиране;background-color:yellow;">общо взето, синтетичният набор от данни за добива много добре съвпада с пространствените модели на реалния добив за рапица през 2023 г.</mark>Въпреки че една зона спада до 0.291, ниската вариация (0.006) и скромното стандартно отклонение (0.08) подсказват, че <mark style="color:по подразбиране;background-color:yellow;">повечето части от полето съвпадат тясно между реалните и синтетичните набори от данни, с много малко отклонения</mark>.

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

<figure><img src="/files/2a178a5fff3bd14edb607b832da4db425f9afc84" alt=""><figcaption><p>Сравняване на сходството в добива при рапица: Реално 2023 срещу Синтетично 2023</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/sravnyavane-na-nabori-ot-danni-za-dobiv.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.