> 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/cze/agronomie/yield-and-trials/comparing-yield-datasets.md).

# Porovnání výnosových datasetů

Porovnejte výnosové datasety a získejte hlubší pohled na výkonnost plodin napříč sezonami, včetně správného čištění a kalibrace výnosů a využití syntetické výnosové mapy.

## Kontext

Moderní rozhodování v zemědělství se ve velké míře opírá o výnosová data, která zachycují dosažené výnosy a představují významnou část příjmů zemědělců. Tato data musí být přesná a kvalitní, aby poskytovala spolehlivé podklady pro rozhodování o hospodaření se vstupy a optimalizaci budoucích postupů při setí a hnojení.

Výnosová data se obvykle shromažďují pomocí sklízecí techniky. Surová měření jsou však často neúplná, obsahují chyby nebo vyžadují kalibraci kvůli nesrovnalostem mezi senzory a proměnlivým podmínkám na poli. Aby odborníci tyto problémy vyřešili, běžně data čistí a kalibrují a vytvářejí syntetické datové sady. Díky tomu získají spolehlivá a vzájemně porovnatelná výnosová data.

GeoPard podporuje[ Čištění a kalibraci výnosových dat](https://docs.geopard.tech/geopard-tutorials/cze/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) i [Syntetické doplnění výnosových dat](https://docs.geopard.tech/geopard-tutorials/cze/agronomie/yield-and-trials/synthetic-yield-map.md) .

<mark style="background-color:yellow;">Porovnávání výnosových dat z různých sklizňových let přináší cenné poznatky. Pomáhá ověřovat zemědělské postupy, potvrzovat přesnost senzorů a zlepšovat strategie pro nadcházející sezóny.</mark> Tato porovnání také pomáhají zpřesňovat doporučení pro hnojení a výsev a zajišťují, že se každé rozhodnutí opírá o spolehlivé informace.

## Postup porovnávání (pomocí rovnice podobnosti)

Pro kvantitativní porovnání výnosových dat používáme předem uloženou rovnici s názvem <mark style="background-color:yellow;">Analýza prostorové korelace (podobnost datových vrstev)</mark> , která prostorově porovnává atributy související s výnosem v jednotlivých datových sadách.

Rovnice přiřadí skóre podobnosti, které vyjadřuje, nakolik se datové sady shodují v prostorovém uspořádání a rozložení hodnot.

<figure><img src="https://1171283066-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>Vyhledejte existující rovnici pro podobnost datových vrstev</p></figcaption></figure>

<mark style="background-color:yellow;">Hodnoty podobnosti se pohybují od 0 do 1. Hodnota 0 znamená, že se datové sady neshodují, zatímco 1 představuje 100% shodu hodnot i jejich prostorového rozložení</mark>. Čím blíže je tedy skóre podobnosti k hodnotě 1, tím podobnější jsou výnosové atributy.

## **Reálná výnosová data (2015** sója **oproti roku 2018** sój&#x61;**)**

V tomto případě vycházíme ze surových výnosových dat získaných během dvou různých vegetačních sezón, v letech 2015 a 2018. V obou letech se pěstovala stejná plodina – sója. Původní datové sady obsahují místa s abnormálně vysokými i nízkými hodnotami, zejména na začátku a konci jízd sklízecí techniky, a data je třeba mírně překalibrovat.

Po použití nástrojů GeoPard pro čištění a kalibraci jsou výsledná data vyrovnanější a konzistentnější a snadněji se interpretují.

<figure><img src="https://1171283066-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>Sója 2015: původní výnosová data oproti vyčištěným a kalibrovaným</p></figcaption></figure>

<figure><img src="https://1171283066-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>Sója 2018: původní výnosová data oproti vyčištěným a kalibrovaným</p></figcaption></figure>

Níže je snímek obrazovky s mapou výsledku výpočtu rovnice podobnosti.

Ze statistického hlediska jsou průměr (0,869) a medián (0,876) vysoké, což ukazuje, že <mark style="background-color:yellow;">prostorové vzorce výnosů sóji v roce 2018 se velmi podobají těm z roku 2015</mark>. Ačkoli v některých oblastech klesá hodnota až na 0,599, nízká variabilita (0,005) a poměrně malá směrodatná odchylka (0,073) potvrzují <mark style="background-color:yellow;">celkovou konzistentnost</mark>.

Z agronomického hlediska <mark style="background-color:yellow;">tato stabilita naznačuje, že základní podmínky na poli a jeho reakce na používané postupy zůstaly do značné míry nezměněné</mark>.

<figure><img src="https://1171283066-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>Porovnání podobnosti výnosů: sója 2015 oproti sóji 2018</p></figcaption></figure>

## **Reálná výnosová data (2022** kukuřice **oproti roku 2024** kukuřic&#x65;**)**

V tomto případě vycházíme ze surových výnosových dat ze dvou sezón pěstování kukuřice – z let 2022 a 2024. Původní datové sady obsahují odchylky, například abnormálně vysoké či nízké hodnoty, překřížené jízdní stopy a zakřivené trajektorie. To ukazuje na potřebu překalibrovat senzory.

Po použití nástrojů GeoPard pro čištění a kalibraci jsou datové sady spolehlivější, což umožňuje automatizovanou analýzu a informované rozhodování.

<figure><img src="https://1171283066-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>Kukuřice 2022: původní výnosová data oproti vyčištěným a kalibrovaným</p></figcaption></figure>

<figure><img src="https://1171283066-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>Kukuřice 2024: původní výnosová data oproti vyčištěným a kalibrovaným</p></figcaption></figure>

Níže je snímek obrazovky s mapou výsledku výpočtu rovnice podobnosti.

Ze statistického hlediska průměrná hodnota 0,791 a medián 0,799 ukazují, že <mark style="background-color:yellow;">výnosy kukuřice v roce 2024 se z velké části podobají výnosům v roce 2022</mark>, ačkoli hodnoty klesající až na 0,413 ukazují na určitou variabilitu. Směrodatná odchylka 0,115 potvrzuje <mark style="background-color:yellow;">určité rozdíly napříč polem</mark>.

Z agronomického hlediska <mark style="background-color:yellow;">konzistentní vzorce naznačují, že podmínky zůstaly stabilní a hospodaření bylo v průběhu času efektivní</mark>. Lokální <mark style="background-color:yellow;">zóny s nižší podobností však mohou vyžadovat cílené úpravy, které pomohou zlepšit výnosy v budoucnu</mark>.

<figure><img src="https://1171283066-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>Porovnání podobnosti výnosů: kukuřice 2022 oproti kukuřici 2024</p></figcaption></figure>

## **Syntetická a reálná výnosová data (2023** řepka olejka)

V tomto případě vycházíme ze surových výnosových dat z roku 2023 pro řepku olejku a ze synteticky vytvořené datové sady výnosů pro stejnou plodinu a stejný rok. <mark style="background-color:yellow;">Cílem je posoudit prostorovou přesnost skutečného a syntetického výnosu a nabídnout způsob, jak doplnit nezaznamenaná data, vyřešit mezery v datech o výnosech a opravit odchylky pomocí syntetických hodnot</mark>. Datová sada skutečných výnosů obsahuje problémy, jako jsou abnormálně vysoké či nízké hodnoty, přejezdy napříč pozemkem, zakřivené trajektorie a přejezdy s nulovým výnosem. To vše ukazuje na potřebu znovu kalibrovat senzory.

Po použití nástroje GeoPard [Čištění a kalibrace](https://docs.geopard.tech/geopard-tutorials/cze/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) na data o skutečných výnosech a vytvoření [syntetického výnosu](https://docs.geopard.tech/geopard-tutorials/cze/agronomie/yield-and-trials/synthetic-yield-map.md) pro řepku olejku můžeme zahájit smysluplné porovnání jejich podobnosti.

<figure><img src="https://1171283066-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>Řepka olejka 2023: původní vs. vyčištěná a kalibrovaná data o výnosech</p></figcaption></figure>

<figure><img src="https://1171283066-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>Syntetický výnos řepky olejky 2023</p></figcaption></figure>

Níže je snímek obrazovky s mapou výsledku výpočtu rovnice podobnosti.

Ze statistického hlediska vysoké průměrné (0,889) a mediánové (0,904) hodnoty ukazují, že <mark style="background-color:yellow;">syntetická datová sada výnosů celkově dobře odpovídá prostorovým vzorcům skutečného výnosu řepky olejky v roce 2023</mark>. Ačkoli v jedné oblasti hodnota klesá až na 0,291, nízká variabilita (0,006) a mírná směrodatná odchylka (0,08) naznačují, že <mark style="background-color:yellow;">ve většině částí pozemku se skutečná a syntetická data dobře shodují a odlehlých hodnot je jen velmi málo</mark>.

Z agronomického hlediska tato výrazná podobnost znamená, že <mark style="background-color:yellow;">syntetická data o výnosech mohou spolehlivě zastupovat skutečné podmínky na pozemku</mark>, což posiluje důvěru v používání modelovaných scénářů při rozhodování. <mark style="background-color:yellow;">Syntetický model výnosů dobře zachycuje agronomické postupy, které se odrážejí ve skutečných datech o výnosech</mark>, a umožňuje tak lépe informovat a důsledněji plánovat budoucí hospodaření.

<figure><img src="https://1171283066-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>Porovnání podobnosti výnosů řepky olejky: skutečný výnos 2023 vs. syntetický výnos 2023</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/cze/agronomie/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.
