> 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/dokumentaciya-na-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Мутация: Калибриране и почистване на YieldDataset

API извиквания за почистване и калибриране на набори от данни за добив

Калибрирането на „YieldDataset“ коригира разпределението на стойностите в съответствие с математическите принципи и подобрява цялостната достоверност на данните. То повишава качеството на вземането на решения и прави набора от данни ценен за по-задълбочен анализ.

Често срещани приложения на тази функционалност са:

* Синхронизиране на данните, когато няколко комбайна са работили едновременно или в продължение на няколко дни, за да се осигури съгласуваност.
* Уеднаквяване и повишаване на точността на набора от данни чрез изглаждане на вариациите.
* Премахване на шума и излишната информация, които могат да замъглят изводите.
* Премахване на обръщанията в края на редовете или на неправилните геометрии, които могат да изкривят действителните закономерности и тенденции на полето.
* Коригиране на данните за добива така, че да съответстват на установените средни стойности или суми за всеки атрибут.

За по-подробно описание и примери вижте нашия случай на употреба [Калибриране и почистване на данните за добива](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) .

### Оригинален YieldDataset с атрибут WetMass

Пет комбайна са работили паралелно на показаното по-долу поле с площ 30 ха. Калибрирането на един от комбайните не е било синхронизирано с това на останалите, което е довело до появата на <mark style="color:оранжево;">оранжеви</mark> петна, показващи, че е необходимо допълнително `CALIBRATION` Освен това има множество следи от обръщане в края на редовете — <mark style="color:червени;">червени</mark> петна близо до краищата на „Полето“, които трябва да бъдат премахнати.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Оригинален YieldDataset с атрибут WetMass</p></figcaption></figure>

### Калибриран и почистен YieldDataset с атрибут WetMass

Резултатът по-долу показва набора от данни след автоматичното прилагане на операциите `CALIBRATE` и `CLEAN` с параметрите по подразбиране. Полученият „YieldDataset“ е уеднаквен и няма отклоняващи се стойности или резки промени между съседни геометрии.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Калибриран и почистен YieldDataset с атрибут WetMass</p></figcaption></figure>

### Опции „По траектория“, „Средна стойност/сума“ и „Условно“

**Калибриране по траектория** съответства на траекториите на машината. За целите на калибрирането всяка траектория на машината се обработва като самостоятелен регион. Екипът на GeoPard препоръчва този метод като стандартен подход.

**Калибриране по средна стойност/сума** се фокусира върху преразпределянето на стойностите на атрибутите. Този метод е полезен, когато геопространствените закономерности са точни, но абсолютните стойности се различават от действителните. За най-добри резултати GeoPard препоръчва да го комбинирате с калибриране по траектория: първо приложете калибриране по траектория, а след това коригирайте данните спрямо известните средни стойности или суми.

**Условно калибриране** коригира стойностите на атрибутите въз основа на зададени минимални и максимални прагове. Този метод е особено полезен, когато геопространствените закономерности са точни, но разпределението на стойностите трябва да се коригира, особено ако са известни минималните и максималните стойности. За най-добри резултати GeoPard препоръчва да го комбинирате с калибриране по траектория: първо приложете калибриране по траектория, а след това коригирайте данните така, че да съответстват на известните минимални и максимални стойности.

### Насоки

{% hint style="warning" %}
**Насока при аномалии в данните**

Ако откриете аномалии в данните, например стойности около или близо до нулата или необичайно високи стойности (например средна стойност 10 и максимална стойност 8000), препоръчваме работния процес **Почистване и калибриране** Той се конфигурира с параметъра `actions: [CLEAN, CALIBRATE]`.

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

{% hint style="warning" %}
**Насока за данни без първоначални грешки**

Ако наборът от данни първоначално няма грешки, липсващи стойности или несъответствия и е известно, че са работили няколко комбайна, обмислете работния процес **Калибриране и почистване** Той се конфигурира с параметъра `actions: [CALIBRATE, CLEAN]`.

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

### Документация: Подробности за мутацията

Стандартната конфигурация по подразбиране включва автоматично калибриране и почистване на „YieldDataset“.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

По-разширеният пример позволява ръчно задаване на минимални/максимални стойности и включва допълнителни атрибути.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
За да спазите протокола на USDA за операцията `CLEAN` трябва да посочите ВСИЧКИ колони в `cleanAction` -> `conditionMinMaxClean` или да посочите част от тях в `cleanAction` -> `conditionMinMaxClean` и останалите — в `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Входни параметри:

* `actions` като масив, чрез който можете да изберете *коригиращите действия и последователността им* на прилагане; поддържаните стойности включват `CLEAN` и `CALIBRATE`.
* `calibrateAction` като обект, съдържащ подробности за конфигурацията на операцията `CALIBRATE` .
  * `calibrationAttributes` като масив от атрибути, изискващи калибриране, обикновено свързани с колоната Yield.
  * `smoothWindowSize` като нечетно цяло число, което изглажда резултатните стойности и намалява резките им скокове.
  * `conditionPathwiseCalibration` като обект с **Pathwise** калибриране, което се съобразява с траекториите на машината. За целите на калибрирането всяка траектория на машината се обработва като отделен регион.
    * `calibrationBasis` като низ, посочващ атрибута, използван като основа за калибрирането.
    * `maxHomogeneityRegion` като булева стойност, указваща дали за референтен регион при калибрирането се използва регионът с максимална хомогенност.
    * `syntheticMachinePath` като булева стойност, указваща дали да се симулират маршрутите на машината. Полезно е, когато липсва точен атрибут за траекторията на машината и тя трябва да се симулира въз основа на времеви отметки или подобен атрибут.
  * `conditionAvgTotalCalibration` като обект с **Average/Total** калибриране, което се фокусира върху преразпределянето на стойностите на атрибутите. Този метод е полезен, когато геопространствените модели са точни, но абсолютните стойности се различават от действителните.
    * `calibrationAttribute` като низ, посочващ атрибута, който трябва да се калибрира.
    * `average` като число, задаващо средната стойност на атрибута; стойностите на атрибута трябва да съответстват на тази средна стойност. Използвайте само една от опциите — `average` или `total`— наведнъж.
    * `total` като число, задаващо общата сума на стойностите на атрибута; сборът им трябва да съвпада с тази стойност. Използвайте само една от опциите — `average` или `total`— наведнъж.
  * `conditionMinMaxCalibration` като обект с **Conditional** калибриране, което коригира стойностите на атрибутите според зададените минимален и максимален праг.
    * `calibrationAttribute` като низ, посочващ атрибута, който трябва да се калибрира.
    * `min` като число, задаващо минималната стойност на атрибута и най-ниската граница за калибриране.
    * `minIncluded` като булева стойност, указваща дали да се включи минималната стойност.
    * `max` като число, задаващо максималната стойност на атрибута и най-високата граница за калибриране.
    * `maxIncluded` като булева стойност, указваща дали да се включи максималната стойност.
* `cleanAction` като обект, съдържащ специфичните настройки за операцията `CLEAN` .
  * `conditionAutoClean` като обект, съдържащ специфичните настройки на алгоритъма за автоматично почистване.
    * `targetAttribute` като низ, задаващ целевите стойности на Yield.
    * `excludedAttributes` като масив от низове, задаващи атрибутите, които не влияят на операцията по почистване.
  * `conditionMinMaxClean` като масив от обекти с описаните правила за почистване. Всеки обект включва следните параметри.
    * cleanAttribute като низ, задаващ името на колоната, за която се отнася правилото.
    * `min` като число, задаващо минималната стойност.
    * `max` като число, задаващо максималната стойност.

{% hint style="info" %}
За да видите входните данни и да получите достъп до най-новите налични стойности на изброяванията (например `operations`), препоръчваме да използвате [Altair](https://docs.geopard.tech/geopard-tutorials/bg/dokumentaciya-na-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Документация: заявка за YieldDataset

Като потребител на GeoPard API можете да получите подробности за корекциите, приложени към наборите от данни за добива (YieldDataset), чрез атрибутите `appliedCorrections` и `appliedCorrectionsVersion`. Първият съдържа списък с направените корекции (напр. `CALIBRATE` и `CLEAN`), като редът на изпълнение се определя от последователността им в масива. А `appliedCorrectionsVersion` показва версията на използвания алгоритъм.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/dokumentaciya-na-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
