# Kalibrace a čištění výnosu Použijte GeoPard k **čištění dat výnosu** a **kalibraci datasetů z monitoru výnosu**. Získejte mapu výnosu, které můžete důvěřovat pro zóny, předpisy a analýzy. Tento pracovní postup řeší odlehlé hodnoty, otáčky, chybějící atributy a data výnosu z více kombajnů. Zahrnuje **USDA protokol čištění výnosu** a podporuje **alternativní** pracovní postupy Yield Editoru. {% embed url="" %} Video tutoriál čištění a kalibrace dat výnosu. Vysvětlení rozdílů mezi možnostmi. {% endembed %} Tento kalibrační proces je klíčový pro: 1. **Zajištění konzistence dat**: Není neobvyklé, že v poli pracuje více kombajnů současně nebo v různých dnech. Tato funkce zajistí, že jejich data budou souznít. 2. **Homogenizaci dat**: Data o výnosech mohou být různorodá; kalibrace zajišťuje, že jsou hladká a konzistentní bez nežádoucích výkyvů či poklesů. 3. **Filtrování šumu**: Stejně jako u jiných dat, i data o výnosech mohou obsahovat „šum“ nebo nerelevantní informace. Postaráme se o to, aby vám nezkreslovaly přehled. 4. **Zjednodušení geometrie**: Jakékoliv otáčky nebo zvláštní geometrické vzory mohou zkreslit skutečné zjištění. Kalibrace je navržena tak, aby je uhladila a zajistila, že data opravdu odpovídají realitě pole. 5. **Oříznutí podle hranice pole**: Kombajny často operují přes sousední plochy. Pro přesné analytické výsledky je zásadní brát v úvahu pouze data uvnitř specifikované hranice. {% hint style="info" %} Rozhraní pro kalibraci výnosu používá GeoPard API koncový bod pro Clean/Calibrate YieldDataset ([GeoPard API: Kalibrace a čištění datasetu výnosu](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Spouští `KALIBROVAT` a `VYČISTIT` operace v uživatelském rozhraní nebo přes API. {% endhint %} ## Rychlý přehled

{% file src="" %} Stáhnout PDF brožuru o čištění výnosu {% endfile %} ## Příklady z praxe V zemědělství mohou poškozené datasetu výnosu představovat významné potíže. Níže najdete příklady ze skutečného světa, kde se s takovými daty setkali. Díky pokročilým kalibračním a čisticím algoritmům GeoPardu byly tyto datasety účinně upraveny a optimalizovány. {% hint style="info" %} Pro řešení oblastí bez zaznamenaných dat o výnosu a dosažení úplnosti mapy výnosu zvažte využití přístupu GeoPard Synthetic Yield Map. Tato metoda obnoví chybějící data pro kompletní analýzu výnosu. Více informací [zde](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Více kombajnů pracujících současně

Příklad 1: Více kombajnů pracujících současně

{% hint style="info" %} Při řešení složitých scénářů se pro optimální přesnost doporučuje dvoukrokový kalibrační proces. Začněte spuštěním počáteční kalibrace s atributem Machine ID. Následně proveďte druhé kolo kalibrace s použitím zaškrtávacího pole Simulated (Synthetic) Machine Paths. Tento vrstvený přístup zajišťuje důkladnou a přesnou kalibraci, nezbytnou pro efektivní zvládnutí složitých případů. {% endhint %}

Příklad 2: Více kombajnů pracujících současně

Příklad 3: Více kombajnů pracujících současně

### J-zatáčky, zastavení, použití poloviny šířky stroje

Příklad 1: Obraty, zastavení, použita poloviční šířka stroje

Příklad 2: Obraty, zastavení, použita poloviční šířka stroje

### Abnormálně velké zaznamenané hodnoty

Příklad 3: Abnormálně velké zaznamenané hodnoty

Příklad 4: Abnormálně velké zaznamenané hodnoty

Příklad 5: Abnormálně velké zaznamenané hodnoty

### Data mimo hranici pole

### Kalibrace pomocí poskytnuté průměrné hodnoty výnosu

### Čištění atributů výnosu ignorující atributy s anomáliemi Dataset výnosu občas obsahuje atributy s nepravidelnostmi v obsahu vody, rychlosti, nadmořské výšce nebo jiných sekundárních (ne-výnosových) atributech. Během spuštění operací Clean nebo Calibrate je zásadní tyto anomálie ignorovat. To lze efektivně provést pomocí rozhraní GeoPard Yield Clean-Calibrate.

Příklad: Čištění dat výnosu s ignorováním anomálií ve vlhkosti

### Protokol čištění výnosů USDA Použijte tuto možnost, když potřebujete **opakovatelný, standardy založený pracovní postup yield editoru**. Je optimalizován pro **čištění dat z monitoru výnosu** v měřítku.

Příklad: Čištění dat výnosu aplikující USDA protokol

## Vysvětlení logik kalibrace ### Kalibrace podle jízdních stop **POUŽÍT** **Kalibrace podle jízdních stop** když je pole sklizeno více stroji nebo přes několik dní, konkrétně k opravě systematických rozdílů jako pruhování nebo pásování. Je ideální pro scénáře, kde různé nastavení stroje, operátoři nebo podmínky způsobují konzistentní přecenění nebo podcenění napříč různými stopami. Zásadní je, že AI vyžaduje variaci - jako jsou odlišné stopy, ID strojů nebo data sklizně - aby se mohla učit a efektivně kalibrovat.

**NEPOUŽÍVEJTE** tuto metodu pro sklizně jedním strojem během jedné nepřerušované relace nebo pokud mapa výnosu postrádá viditelné prostorové vzory. Také se jí vyhněte, pokud jsou data řídká nebo pokud máte pouze celkové hodnoty výnosu na úrovni pole bez rozdílů mezi stroji.

Příklad: Statisticky správné rozložení dat

### Průměrná nebo celková kalibrace **Průměrová/celková kalibrace JE NEJLÉPE POUŽITELNÁ** když máte vysokou úroveň důvěry v celková data o výnosu pole, například záznamy z váhy nebo skladovacího zařízení. Místo úpravy jednotlivých stop tato metoda škáluje celý dataset tak, aby konečný průměr nebo celkový součet odpovídal známé referenční hodnotě. Často je popisována jako nejjednodušší a nejbezpečnější možnost kalibrace, pokud jsou celkové čísla důvěryhodná. Kdy **POUŽÍT průměrovou/celkovou kalibraci:** * **Známé referenční hodnoty**: Měli byste tuto logiku použít, když máte oficiální záznamy o celkovém výnosu (např. z váhy) nebo vysoce spolehlivý průměrný výnos pro pole. * **Globální korekce biasu**: Je ideální, pokud prostorové rozložení na mapě výnosu vypadá správně, ale hodnoty jsou celkově posunuté - což znamená, že monitor výnosu pravděpodobně nebyl kalibrován a hlásí hodnoty, které jsou konzistentně příliš vysoké nebo příliš nízké po celém poli. * **Jednotné sklizňové podmínky**: Tato metoda je nejefektivnější, když byly podmínky sklizně relativně konzistentní po celou dobu operace. * **Konzistence jednoho stroje**: Funguje dobře pro sklizně provedené jedním strojem, který pracoval konzistentně po poli.

Příklad: Statisticky správné rozložení dat s požadovaným posunem pomocí průměrného výnosu

Kdy **NEPOUŽÍVAT průměrovou/celkovou kalibraci:** * **Bias mezi stroji**: Nepoužívejte tuto metodu, pokud různé části pole sklízely různé stroje nebo v různé dny, což způsobilo lokalizované odchylky. V těchto případech škálování celého pole neodstraní základní nesrovnalosti mezi stroji. * **Viditelné artefakty**: Pokud vidíte silné pruhování, pásování nebo směrové artefakty ve vašich datech, tato metoda je nevyřeší; kalibrace po stopách je pro tyto problémy vhodnější. * **Neúplná data**: Vyhněte se této logice, pokud byla sklizně pouze část pole nebo pokud jsou zaznamenaná data neúplná, protože celkové/průměrné hodnoty by byly zavádějící.

### Podmíněná kalibrace **Podmíněná kalibrace** slouží jako bezpečnostní kontrola tím, že zajišťuje, aby hodnoty výnosu zůstaly v realistických, předem definovaných minimálních a maximálních rozsazích. Vy **MÁTE POUŽÍT** tuto logiku kodstranění extrémních odlehlých hodnot a skoků senzorů způsobených šumem, zastavením stroje nebo otáčkami. Je ideální pro aplikaci konkrétních agronomických očekávání - například „výnos nemůže překročit X“ - bez provádění škálování.

Nicméně, **TUTO METODU VYHNĚTE** pokud má váš dataset globální odchylku nebo systematické rozdíly mezi stroji, protože nezmění škálu dat ani neodstraní prostorové vzory. V podstatě udržuje hodnoty reálné, ale neřeší základní kalibrační odchylky. ## Strategie použití

Jednostránkové pokyny ke kalibraci výnosu

{% file src="" %} Stáhnout PDF jednostránkových pokynů ke kalibraci výnosu {% endfile %} ## První krok Modul „Yield Calibrate and Clean“ se spouští přímo z uživatelského rozhraní. Hlavní požadavek je mít nahraný dataset výnosu. Vedle každého datasetu výnosu najdete tlačítko pro zahájení úprav datasetu.

Odtud je k dispozici několik možností pokračování: 1. **Automatické zpracování**: Použijte výchozí, GeoPardem doporučená nastavení pro jedním klikem kalibraci. 2. **Pouze čištění**: Nakonfigurujte a spusťte pouze operaci CLEAN, včetně 1. **GeoPard čištění**: Inteligentní čištění datasetu výnosu pomocí AI algoritmů. 2. **USDA** (Ministerstvo zemědělství USA) protokol čištění pro výnos. 3. **Podmíněné čištění**: Filtrovat data na základě vlastních prahů pro atributy. 3. **Pouze kalibrace**: Nakonfigurujte a spusťte pouze operaci CALIBRATE, včetně 1. **Kalibrace podle stop**: Kalibrovat výnos pro každou jednotlivou stopu stroje pomocí AI algoritmů. 2. **Kalibrace podle průměru/součtu**: Upravit výnos na základě známého průměru nebo celkového výnosu pole. 3. **Podmíněná**: Upravit výnos v rámci nastavených minimálních a maximálních limitů pro udržení očekávaných rozsahů. 4. **Kalibrovat & Čistit**: Vyberte pořadí operací a upravte parametry. 5. **Alternativa Yield Editoru**: Použijte **Pouze čištění → USDA** (nebo **Kalibrovat & Čistit**) pro sladění s manuálním pracovním postupem „Yield Editor“ pro čištění, ale ve velkém měřítku. V validačních testech se čištění podle USDA protokolu shodovalo s manuálními výsledky Yield Editoru s **R² (R2) = 0,98** (téměř identický výstup). ## Řešení jedním tlačítkem {% hint style="warning" %} **Tip k abnormálním hodnotám, které jsou někdy vlastní datasetům výnosu.** Pokud je **attribute** vybraný pro kalibraci nebo čištění především **obsahuje** **nulové hodnoty napříč většinou geometrií**, tyto geometrie budou vyloučeny z konečného datasetu výnosu. Pro zajištění integrity by měly být atributy s takovými anomáliemi vyloučeny ze seznamu atributů, které mají být kalibrovány. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Plné pokyny {% hint style="warning" %} **Vyberte tok: Tip pro datové anomálie** Pokud uživatel narazí na anomálie v datech, například hodnoty na nebo blízko nuly, nebo neobvykle velké hodnoty (například průměr 10 s maximem 8000), doporučuje se pracovní postup **Čištění & Kalibrace** pracovní postup je doporučen. Upřednostnění čištění dat před kalibrací zajistí odstranění chyb, chybějících hodnot nebo nekonzistencí a tím zvýší kvalitu a přesnost dat. {% endhint %} {% hint style="warning" %} **Vyberte tok: Tip pro data bez počátečních chyb** Pro datasety, které jsou zpočátku bez chyb, chybějících hodnot nebo nekonzistencí, a když je známo, že se podílelo více kombajnů, zvažte pracovní postup **Kalibrace & Čištění** pracovní postup. Vyčištění dat po kalibraci pomáhá dataset dále vylepšit a případně odstranit artefakty zavedené během kalibrace. {% endhint %} {% hint style="warning" %} **Čisticí tok: Tip k abnormálním hodnotám, které jsou někdy vlastní datasetům výnosu.** Pokud je **attribute** vybraný pro kalibraci nebo čištění především obsahuje **nulové hodnoty napříč většinou geometrií**, tyto geometrie budou vyloučeny z konečného datasetu výnosu. Pro zajištění integrity by měly být atributy s takovými anomáliemi vyloučeny ze seznamu atributů, které mají být čištěny (2). {% endhint %} {% hint style="warning" %} **Kalibrační tok: Tip k abnormálním hodnotám, které jsou někdy vlastní datasetům výnosu.** Pokud je **attribute** vybraný pro kalibraci nebo čištění především **obsahuje** **nulové hodnoty napříč většinou geometrií**, tyto geometrie budou vyloučeny z konečného datasetu výnosu. Pro zajištění integrity by měly být atributy s takovými anomáliemi vyloučeny ze seznamu atributů, které mají být kalibrovány (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Verze algoritmů Po post-processingu jsou výsledky zobrazeny vedle původního datasetu. Jsou označeny **"Kalibrovat"** a/nebo **"Čistit"** štítky, plus verzí algoritmu.

Výsledek provedení Calibrate & Clean (verze 2)

{% hint style="info" %} Z `verze 3.0` od verze Clean/Calibrate algoritmu dále, GeoPard zavádí funkci Oříznutí podle hranice pole. To ponechá pouze geometrie uvnitř hranice pole a zlepšuje statistické rozložení. {% endhint %}

Výsledek provedení Auto-Processing (verze 3.0)

{% hint style="info" %} Začínaje `verze 4.0`, algoritmus Clean/Calibrate v GeoPardu nyní zahrnuje funkci kalibrace založenou na průměrných nebo celkových hodnotách napříč libovolným atributem. Běžnou aplikací tohoto vylepšení je kalibrace WetMass, kterou nyní lze upravit podle známého naměřeného průměrného výnosu pro konkrétní pole. {% endhint %}

Výsledek kalibrace použitím průměrného výnosu 6 t/ha (verze 4.0)

{% hint style="info" %} Z `verze 5.0` od verze Clean/Calibrate algoritmu dále, GeoPard zavádí USDA (Ministerstvo zemědělství USA) protokol čištění pro výnos. USDA poskytuje formální agronomické datové standardy, které upravují, jak jsou výnos, vlhkost, průtok a prostorová měření normalizována, ověřována a statisticky filtrována, aby vznikly konzistentní datové sady mezi stroji a poli. {% endhint %}