# Porovnání výnosových datových sad

## Kontext

Moderní zemědělské rozhodování se silně spoléhá na datové sady výnosů, které představují nasbírané výnosy a odrážejí zásadní část příjmů farmářů. Tyto datové sady musí být přesné a vysoké kvality, aby informovaly rozhodování o řízení vstupů a optimalizovaly budoucí strategie výsadby a hnojení.

Data o výnosech se obvykle sbírají žací technikou, nicméně surové záznamy často chybí, obsahují chyby nebo vyžadují kalibraci kvůli nesrovnalostem snímačů a proměnlivým polním podmínkám. Aby se tyto problémy překonaly, odborníci běžně používají techniky čištění, kalibrace a syntetické generace datových sad, aby vyprodukovali spolehlivá a porovnatelná data o výnosech.

Obojí[ Čištění a kalibrace výnosů](/geopard-tutorials/cze/agronomie/kalibrace-a-cisteni-vynosu.md) a [Syntetické obnovení dat o výnosech](/geopard-tutorials/cze/agronomie/synteticka-vynosova-mapa.md) podporuje GeoPard.

<mark style="color:výchozí;background-color:yellow;">Porovnávání datových sad výnosů z různých sklizňových roků poskytuje cenné poznatky, pomáhá ověřit postupy řízení, potvrdit přesnost senzorů a zlepšit strategie pro nadcházející sezóny.</mark> Tato porovnání také vedou k upřesnění předpisů pro hnojení a setí, čímž se zajistí, že každé rozhodnutí stojí na důvěryhodných informacích.

## Přístup ke srovnání (pomocí rovnice podobnosti)

Pro kvantitativní porovnání datových sad výnosů používáme předem uloženou rovnici nazvanou <mark style="color:výchozí;background-color:yellow;">Prostorová korelační analýza (podobnost datových vrstev)</mark> která měří podobnost mezi atributy souvisejícími s výnosem z datových sad výnosů na prostorové bázi.

Tato rovnice přiřadí skóre podobnosti, které ukazuje, jak úzce se jedna datová sada shoduje s druhou ve prostorovém vzoru a rozložení hodnot.&#x20;

<figure><img src="/files/0d6841225dd2470f6318472c08375d4936f884b3" alt=""><figcaption><p>Vyhledejte existující rovnici Podobnosti datových vrstev</p></figcaption></figure>

<mark style="color:výchozí;background-color:yellow;">Hodnoty podobnosti se pohybují od 0 do 1, kde 0 znamená žádnou shodu a 1 značí 100% prostorovou shodu hodnot</mark>. Jinými slovy, čím blíže je skóre podobnosti k 1, tím podobnější jsou atributy výnosu.&#x20;

## **Skutečná datová sada výnosů (2015** Sója **vs 2018** Sój&#x61;**)**

V tomto případě začínáme se surovými daty o výnosech nasbíranými během dvou různých výrobních sezón 2015 a 2018 se stejnou plodinou – sójou. Počáteční datové sady obsahují abnormálně vysoká i nízká místa, zejména na začátku/konci průjezdů žací techniky, a data vyžadují mírnou překalibraci.

Po použití nástrojů GeoPard pro čištění a kalibraci je výsledná datová sada jednotnější, konzistentnější a snáze interpretovatelná.

<figure><img src="/files/0799e09d336d614eb48675a2622fb79f3a52e644" alt=""><figcaption><p>Sója 2015: Původní vs čištěná a kalibrovaná data o výnosech</p></figcaption></figure>

<figure><img src="/files/cffcc0ab7bd0a2826fffa083b0f2de2015464382" alt=""><figcaption><p>Sója 2018: Původní vs čištěná a kalibrovaná data o výnosech</p></figcaption></figure>

Mapu spuštění Rovnice podobnosti najdete níže jako snímek obrazovky.

Ze statistického hlediska ukazuje vysoký průměr (0,869) a medián (0,876), což naznačuje, že <mark style="color:výchozí;background-color:yellow;">vzor výnosů sóji z roku 2018 se silně podobá tomu z roku 2015</mark>. Zatímco některé oblasti klesají na 0,599, nízká variace (0,005) a mírná směrodatná odchylka (0,073) potvrzují <mark style="color:výchozí;background-color:yellow;">celkovou konzistenci</mark>.&#x20;

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

<figure><img src="/files/bc9abe9b5e4c7e61b7a1ccf6cc2aa4a0b6b92058" alt=""><figcaption><p>Porovnávání podobnosti výnosů: Sója 2015 vs Sója 2018</p></figcaption></figure>

## **Skutečná datová sada výnosů (2022** Kukuřice **vs 2024** Kukuřic&#x65;**)**

V tomto scénáři začínáme se surovými daty o výnosech ze dvou sezón kukuřice — 2022 a 2024. Počáteční datové sady obsahují anomálie jako abnormálně vysoká nebo nízká měření, křížové průjezdy a zakřivené trajektorie, což naznačuje potřebu překalibrace senzorů.&#x20;

Po použití nástrojů GeoPard pro čištění a kalibraci se datové sady stanou spolehlivějšími, což umožňuje automatizovanou analýzu a informované rozhodování.

<figure><img src="/files/78bb6997a5ab14f56d198aa465c632bd39aa4080" alt=""><figcaption><p>Kukuřice 2022: Původní vs čištěná a kalibrovaná data o výnosech</p></figcaption></figure>

<figure><img src="/files/947749143b10c31053a06aebd06a6ef62abcf63c" alt=""><figcaption><p>Kukuřice 2024: Původní vs čištěná a kalibrovaná data o výnosech</p></figcaption></figure>

Mapu spuštění Rovnice podobnosti najdete níže jako snímek obrazovky.

Z statistického hlediska průměr 0,791 a medián 0,799 ukazují, že <mark style="color:výchozí;background-color:yellow;">výnosy kukuřice z roku 2024 se do značné míry podobají roku 2022</mark>, ačkoliv oblasti až na 0,413 naznačují variabilitu. Směrodatná odchylka 0,115 potvrzuje <mark style="color:výchozí;background-color:yellow;">některé rozdíly napříč polem</mark>.

Z agronomického hlediska <mark style="color:výchozí;background-color:yellow;">konzistentní vzory naznačují stabilní podmínky a efektivní řízení v průběhu času</mark>. Nicméně lokalizované <mark style="color:výchozí;background-color:yellow;">zóny s nižší podobností mohou vyžadovat cílené úpravy ke zlepšení budoucího výnosu</mark>.

<figure><img src="/files/501dfffdcb2bfb73fc16d535da8bf03e91f2f335" alt=""><figcaption><p>Porovnávání podobnosti výnosů: Kukuřice 2022 vs Kukuřice 2024</p></figcaption></figure>

## **Syntetická vs skutečná datová sada výnosů (2023** Řepka olejka)

V tomto scénáři začínáme se surovou datovou sadou výnosů z kampaně řepky olejky 2023 a se synteticky vygenerovanou datovou sadou výnosů pro stejnou plodinu a tentýž rok 2023. <mark style="color:výchozí;background-color:yellow;">Cílem je posoudit prostorovou přesnost skutečného oproti syntetickému výnosu, což poskytuje cestu k doplnění nezaznamenaných dat, vyplnění mezer v datech o výnosech a opravě anomálií pomocí syntetických hodnot</mark>. Skutečná datová sada výnosů obsahuje problémy jako abnormálně vysoká nebo nízká měření, křížové průjezdy, zakřivené trajektorie a průjezdy se nulovou délkou, což vše naznačuje potřebu překalibrace senzorů.

Po použití nástrojů GeoPard pro [čištění a kalibraci](/geopard-tutorials/cze/agronomie/kalibrace-a-cisteni-vynosu.md) na skutečných datech o výnosech a po vygenerování [syntetického výnosu](/geopard-tutorials/cze/agronomie/synteticka-vynosova-mapa.md) pro řepku olejku můžeme zahájit smysluplné porovnání jejich podobnosti.

<figure><img src="/files/475299bce8c31f4e319b1d5a9f97057505b01a12" alt=""><figcaption><p>Řepka olejka 2023: Původní vs čištěná a kalibrovaná data o výnosech</p></figcaption></figure>

<figure><img src="/files/911246d2edce993486792476315b618efcab34b7" alt=""><figcaption><p>Syntetický výnos řepky olejky 2023</p></figcaption></figure>

Mapu spuštění Rovnice podobnosti najdete níže jako snímek obrazovky.

Z hlediska statistiky vysoký průměr (0,889) a medián (0,904) naznačují, že <mark style="color:výchozí;background-color:yellow;">syntetická datová sada výnosů celkově úzce odpovídá prostorovým vzorům skutečného výnosu řepky olejky z roku 2023</mark>. Zatímco v jedné oblasti klesá hodnota až na 0,291, nízká variace (0,006) a mírná směrodatná odchylka (0,08) naznačují, že <mark style="color:výchozí;background-color:yellow;">většina částí pole se mezi skutečnou a syntetickou sadou úzce shoduje s velmi málo odlehlými hodnotami</mark>.

Z agronomického hlediska tato silná podobnost znamená, že <mark style="color:výchozí;background-color:yellow;">syntetická data o výnosech mohou sloužit jako spolehlivý proxy za skutečné polní podmínky</mark>, což posiluje důvěru v používání modelovaných scénářů při řízení rozhodnutí. <mark style="color:výchozí;background-color:yellow;">Agronomické postupy zachycené ve skutečných datech o výnosech jsou dobře zachyceny modelem syntetických výnosů</mark>, což umožňuje lépe informované a konzistentnější plánování budoucích strategií řízení.

<figure><img src="/files/9f09c09da6c38121dad5b6c7606b4ecf6d23ad87" alt=""><figcaption><p>Porovnávání podobnosti výnosů řepky olejky: Skutečné 2023 vs syntetické 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/cze/agronomie/porovnani-vynosovych-datovych-sad.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.