> 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/comparing-yield-datasets.md).

# Сравняване на набори от данни за добив

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

## Контекст

Съвременното вземане на решения в земеделието разчита в голяма степен на набори от данни за добивите, които отразяват събраната реколта и представляват значителна част от доходите на земеделските стопани. Тези данни трябва да са точни и с високо качество, за да подпомагат решенията за управление на ресурсите и да оптимизират стратегиите за бъдещо засяване и торене.

Данните за добивите обикновено се събират от прибиращата техника, но първичните измервания често са непълни, съдържат грешки или се нуждаят от калибриране заради несъответствия в показанията на датчиците и променливите условия в полето. За да се справят с тези предизвикателства, специалистите обикновено използват техники за почистване и калибриране на данните, както и за синтетично генериране на набори от данни, така че да получат надеждни и съпоставими данни за добивите.

И двете функции —[ Почистване и калибриране на данните за добивите](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) и [Синтетично възстановяване на данни за добивите](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/synthetic-yield-map.md) — се поддържат от GeoPard.

<mark style="background-color:yellow;">Сравняването на набори от данни за добивите от различни години на отглеждане дава ценна информация, помага да се оценят практиките за управление, да се потвърди точността на датчиците и да се подобрят стратегиите за следващите сезони.</mark> Тези сравнения помагат и за прецизиране на предписанията за торене и сеитба, така че всяко решение да се основава на достоверна информация.

## Метод за сравнение (с уравнение за сходство)

За количествено сравнение на наборите от данни за добивите използваме предварително запазено уравнение с име <mark style="background-color:yellow;">Анализ на пространствената корелация (сходство между слоевете с данни)</mark> което измерва пространственото сходство между атрибутите, свързани с добивите, в различните набори от данни.

Уравнението присвоява оценка за сходство, която показва доколко пространствените модели и разпределението на стойностите в единия набор съвпадат с тези в другия.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Потърсете съществуващото уравнение за сходство между слоевете с данни</p></figcaption></figure>

<mark style="background-color:yellow;">Стойностите за сходство са в диапазона от 0 до 1, като 0 означава липса на съвпадение, а 1 — 100% съвпадение по стойности и пространствено разположение</mark>. С други думи, колкото по-близка до 1 е оценката за сходство, толкова по-сходни са атрибутите на добива.

## **Реален набор от данни за добивите (2015 г.** Соя **срещу 2018 г.** Со&#x44F;**)**

В този пример разглеждаме първични данни за добивите, събрани през два различни вегетационни сезона — 2015 и 2018 г. — за една и съща култура, соя. В първоначалните набори има необичайно високи и ниски стойности, особено в началото и края на проходите на комбайна, а данните се нуждаят от леко калибриране.

След прилагането на инструментите на GeoPard за почистване и калибриране полученият набор от данни е по-равномерен, последователен и лесен за тълкуване.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Соя 2015 г.: първоначални данни спрямо почистени и калибрирани данни за добивите</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Соя 2018 г.: първоначални данни спрямо почистени и калибрирани данни за добивите</p></figcaption></figure>

По-долу е показана екранна снимка на картата от изпълнението на уравнението за сходство.

От статистическа гледна точка средната стойност (0.869) и медианата (0.876) са високи, което показва, че <mark style="background-color:yellow;">моделите на добивите от соя през 2018 г. силно наподобяват тези от 2015 г.</mark>. Макар в някои участъци стойностите да спадат до 0.599, малката вариация (0.005) и умереното стандартно отклонение (0.073) потвърждават <mark style="background-color:yellow;">общата последователност</mark>.

От агрономическа гледна точка, <mark style="background-color:yellow;">тази стабилност подсказва, че основните условия в полето и реакцията му към прилаганите практики са останали до голяма степен непроменени</mark>.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Сравнение на сходството на добивите: соя 2015 г. спрямо соя 2018 г.</p></figcaption></figure>

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

В този пример започваме с първични данни за добивите от царевица за два сезона — 2022 и 2024 г. В първоначалните набори има аномалии, като необичайно високи или ниски показания, кръстосващи се проходи и извити траектории, което показва необходимост от повторно калибриране на датчиците.

След прилагането на инструментите на GeoPard за почистване и калибриране наборите от данни стават по-надеждни, което позволява автоматизиран анализ и вземане на информирани решения.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Царевица 2022 г.: първоначални данни спрямо почистени и калибрирани данни за добивите</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Царевица 2024 г.: първоначални данни спрямо почистени и калибрирани данни за добивите</p></figcaption></figure>

По-долу е показана екранна снимка на картата от изпълнението на уравнението за сходство.

От статистическа гледна точка средна стойност 0.791 и медиана 0.799 показват, че <mark style="background-color:yellow;">добивите от царевица през 2024 г. до голяма степен наподобяват тези от 2022 г.</mark>, въпреки че стойности до 0.413 в някои участъци показват променливост. Стандартното отклонение от 0.115 потвърждава <mark style="background-color:yellow;">наличието на някои разлики в полето</mark>.

От агрономическа гледна точка, <mark style="background-color:yellow;">последователните модели показват стабилни условия и ефективно управление във времето</mark>. Въпреки това локализирани <mark style="background-color:yellow;">зони с по-ниско сходство може да изискват целенасочени корекции за подобряване на добивите в бъдеще</mark>.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Сравнение на сходството на добивите: царевица 2022 г. спрямо царевица 2024 г.</p></figcaption></figure>

## **Синтетичен спрямо реален набор от данни за добивите (2023 г.** Рапица)

В този пример започваме с първичен набор от данни за добивите от рапица през сезон 2023 г. и синтетично генериран набор от данни за добивите от същата култура и за същата година. <mark style="background-color:yellow;">Целта е да се оцени пространствената точност на реалния спрямо синтетичния добив, като се осигури възможност за попълване на данни, които не са записани, за преодоляване на пропуските в данните за добива и за коригиране на аномалии чрез синтетични стойности</mark>. В набора от данни за реалния добив има проблеми като необичайно високи или ниски показания, напречни проходи, извити траектории и проходи с нулев добив — всичко това показва необходимост от повторно калибриране на сензорите.

След прилагането на [Почистване и калибриране](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) към данните за реалния добив и генерирането на [синтетичен добив](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/synthetic-yield-map.md) за рапица можем да започнем смислено сравнение на сходството между тях.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Рапица 2023 г.: първоначални данни за добива спрямо почистени и калибрирани данни</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Синтетичен добив на рапица, 2023 г.</p></figcaption></figure>

По-долу е показана екранна снимка на картата от изпълнението на уравнението за сходство.

От статистическа гледна точка високите средна (0,889) и медианна (0,904) оценки показват, че <mark style="background-color:yellow;">като цяло пространствените модели на синтетичния добив силно съответстват на тези в набора от данни за реалния добив на рапица за 2023 г.</mark>. Въпреки че в една зона оценката пада до 0,291, ниската вариация (0,006) и умереното стандартно отклонение (0,08) показват, че <mark style="background-color:yellow;">в повечето части на полето реалните и синтетичните данни съвпадат в голяма степен, с много малко отклонения</mark>.

От агрономическа гледна точка това голямо сходство означава, че <mark style="background-color:yellow;">данните за синтетичния добив могат да служат като надежден заместител на реалните условия на полето</mark>, което засилва увереността при използването на моделирани сценарии за вземане на решения. <mark style="background-color:yellow;">Агрономическите практики, отразени в данните за реалния добив, са добре представени в модела за синтетичен добив</mark>, което дава възможност за по-информирано и последователно планиране на бъдещите стратегии за управление.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Сравнение на сходството в добива при рапица: реален добив за 2023 г. спрямо синтетичен добив за 2023 г.</p></figcaption></figure>


---

# 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/comparing-yield-datasets.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.
