> 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/de/agronomie/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Bodenscannerdaten zwischen Jahren vergleichen

Dieser Artikel beschreibt verschiedene mathematische Methoden, um Unterschiede zwischen Bodenscannerdatensätzen zu quantifizieren und die Entscheidungsfindung für Forscher und Agronomen zu verbessern.

Bodenscanner sind unverzichtbare Werkzeuge für die Präzisionslandwirtschaft. Sie ermöglichen die Erfassung hochauflösender Daten zu Bodeneigenschaften wie Feuchtigkeit, organischer Substanz und Nährstoffgehalten. Der Vergleich zweier Bodenscanner-Datensätze ist entscheidend, um Veränderungen im Zeitverlauf zu verstehen, unterschiedliche Scanverfahren zu überprüfen oder neue Geräte zu kalibrieren. Dieser Artikel erläutert verschiedene mathematische Ansätze, mit denen sich Abweichungen zwischen zwei Bodenscanner-Datensätzen messen lassen, und bietet praxisnahe Erkenntnisse für Forschende und Agrarfachleute.

### Abweichungen in Bodenscanner-Daten verstehen

Die Abweichung zwischen zwei Bodenscanner-Datensätzen bezeichnet die Unterschiede zwischen den Messwerten an denselben Standorten. Sie kann durch unterschiedliche Messbedingungen, Sensorkalibrierung oder Bodendynamik entstehen. Zu den häufigsten Abweichungsarten zählen:

* Absolute Differenzen: Direkte Subtraktion der Werte zwischen den Datensätzen.
* Relative Differenzen: Vergleich anhand der Größenordnung der Messwerte.
* Fehlermaße: Statistische Kennzahlen wie der mittlere absolute Fehler (MAE) und die normierte Differenz.

Es wurden zwei Bodenscanner-Datensätze mit Kaliumwerten für 2024 und 2025 ausgewählt.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Ausgangsdatensätze des Bodenscanners</p></figcaption></figure>

### Die passende Methode zur Bestimmung von Abweichungen auswählen

| Methode                                    | Am besten geeignet für                                     |
| ------------------------------------------ | ---------------------------------------------------------- |
| Direkte Differenz                          | Einfache Darstellung positiver und negativer Veränderungen |
| Relative Differenz                         | Vergleich von Datensätzen mit unterschiedlichen Skalen     |
| Normierte Differenz                        | Standardisierte Analyse verschiedener Datensätze           |
| Relative Abweichung                        | Proportionale Unterschiede, nützlich für die Trendanalyse  |
| Mittlerer absoluter Fehler (MAE) pro Pixel | Ermittlung von Bereichen mit großen absoluten Differenzen  |

### Berechnung der direkten Differenz

Bei der Methode der direkten Differenz wird einfach ein Datensatz vom anderen abgezogen, um Veränderungen der Bodeneigenschaften direkt darzustellen.

Die Verwendung von `geopard.calculate_difference(dataset_1, dataset_2)` und die Erläuterung der Parameter sind dokumentiert [hier](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Vorteile:

* Zeigt positive und negative Veränderungen deutlich.
* Einfach zu interpretieren und darzustellen.

Nachteile:

* Die Differenzwerte lassen sich möglicherweise nur schwer vergleichen, wenn die Datensätze unterschiedliche Skalen haben.
* Starke Schwankungen können die Interpretation dominieren.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Berechnung der direkten Differenz</p></figcaption></figure>

### Berechnung der relativen Differenz

Die Methode der relativen Differenz berechnet die prozentuale Veränderung zwischen den Datensätzen auf Grundlage des zweiten Datensatzes und bietet so eine weitere Perspektive auf die Abweichung.

Die Verwendung von `geopard.calculate_relative_difference(dataset_1, dataset_2)` und die Erläuterung der Parameter sind dokumentiert [hier](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Vorteile:

* Hilfreich, um zu verstehen, wie stark sich ein Datensatz proportional zu einem anderen verändert hat.
* Normiert Unterschiede bei abweichenden Größenordnungen.

Nachteile:

* Kann instabil werden, wenn die Werte im zweiten Datensatz nahe null liegen.
* Weniger intuitiv, wenn absolute Unterschiede wichtig sind.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Berechnung der relativen Differenz</p></figcaption></figure>

### Berechnung der normierten Differenz

Bei der Methode der normierten Differenz werden die Datensätze vor der Berechnung der Differenzen durch ihren globalen Maximalwert normiert. Dadurch lassen sich Schwankungen über unterschiedliche Skalen hinweg vergleichen.

Die Verwendung von `geopard.calculate_normalized_difference(dataset_1, dataset_2)` und die Erläuterung der Parameter sind dokumentiert [hier](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Vorteile:

* Geeignet für Datensätze mit unterschiedlichen Dynamikbereichen.
* Verringert den Einfluss extremer Werte.

Nachteile:

* Kleine Abweichungen können übertrieben wirken, wenn die Werte nicht angemessen skaliert werden.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Berechnung der normierten Differenz</p></figcaption></figure>

### Relative Abweichung pro Pixel

Bei der Methode der relativen Abweichung wird die Abweichung als Prozentsatz bezogen auf den ersten Datensatz berechnet. So lassen sich proportionale statt absolute Unterschiede erkennen.

Die Verwendung von `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` mit Erläuterungen zu den Parametern ist [hier](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Vorteile:

* Nützlich beim Vergleich von Datensätzen mit unterschiedlichen Skalen.
* Stellt die Abweichung als leicht interpretierbaren Prozentsatz dar.

Nachteile:

* Kann irreführend sein, wenn die ursprünglichen Werte sehr klein sind.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relative Abweichung pro Pixel</p></figcaption></figure>

### Mittlerer absoluter Fehler (MAE) pro Pixel

Die Methode des mittleren absoluten Fehlers (MAE) misst die absoluten Unterschiede zwischen entsprechenden Werten in zwei Datensätzen. Sie zeigt deutlich, an welchen Stellen die größten Abweichungen auftreten.

Die Verwendung von `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` mit Erläuterungen zu den Parametern ist [hier](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Vorteile:

* Einfach und intuitiv.
* Hebt große Unterschiede deutlich hervor.
* Eignet sich gut für Datensätze mit ähnlichen Skalen.

Nachteile:

* Zeigt nicht die Richtung der Abweichung an (d. h. eine positive oder negative Änderung).
* Empfindlich gegenüber Ausreißern.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Mittlerer absoluter Fehler (MAE) pro Pixel</p></figcaption></figure>

### Fazit

Für den Vergleich von Datensätzen aus Bodenscannern sind verschiedene mathematische Ansätze erforderlich, um aussagekräftige Unterschiede herauszuarbeiten. Ob absolute Kennzahlen wie der MAE, relative Abweichungen oder normalisierte Vergleiche verwendet werden – die Wahl der geeigneten Methode hängt vom jeweiligen Anwendungsfall ab. Mit diesen Verfahren können Agronomen und Forschende die Bodenanalyse verbessern, Unterschiede innerhalb von Schlägen erkennen und Arbeitsabläufe in der Präzisionslandwirtschaft optimieren.


---

# 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/de/agronomie/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
