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

# Ertragsdatensätze vergleichen

Ertragsdatensätze vergleichen, um tiefere Einblicke in die Kulturleistung über verschiedene Saisons hinweg zu gewinnen, einschließlich korrekter Ertragsbereinigung, Kalibrierung und Nutzung synthetischer Erträge.

## Kontext

Moderne landwirtschaftliche Entscheidungen stützen sich maßgeblich auf Ertragsdatensätze, die die erfassten Erträge abbilden und einen erheblichen Teil des Einkommens landwirtschaftlicher Betriebe widerspiegeln. Diese Datensätze müssen genau und von hoher Qualität sein, damit sie fundierte Entscheidungen zum Betriebsmittelmanagement ermöglichen und die Anbau- und Düngungsstrategien für künftige Saisons optimieren.

Ertragsdaten werden in der Regel von Erntemaschinen erfasst. Rohmesswerte sind jedoch häufig unvollständig oder fehlerhaft oder müssen kalibriert werden, um Unstimmigkeiten bei Sensoren und unterschiedliche Feldbedingungen auszugleichen. Um diese Herausforderungen zu bewältigen, wenden Fachleute üblicherweise Verfahren zur Bereinigung und Kalibrierung sowie zur synthetischen Datensatzgenerierung an, um verlässliche und vergleichbare Ertragsdaten zu erzeugen.

Sowohl[ Ertragsdaten bereinigen und kalibrieren](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) als auch [Ertragsdaten synthetisch rekonstruieren](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/synthetic-yield-map.md) wird von GeoPard unterstützt.

<mark style="background-color:yellow;">Der Vergleich von Ertragsdatensätzen aus verschiedenen Anbaujahren liefert wertvolle Erkenntnisse. Er hilft dabei, Bewirtschaftungsmaßnahmen zu überprüfen, die Genauigkeit der Sensoren zu bestätigen und Strategien für kommende Saisons zu verbessern.</mark> Diese Vergleiche helfen außerdem dabei, Dünge- und Aussaatkarten zu optimieren, damit jede Entscheidung auf verlässlichen Informationen beruht.

## Vergleichsansatz (mit einer Ähnlichkeitsgleichung)

Für den quantitativen Vergleich von Ertragsdatensätzen verwenden wir eine gespeicherte Gleichung namens <mark style="background-color:yellow;">Räumliche Korrelationsanalyse (Ähnlichkeit von Datenebenen)</mark> die die räumliche Ähnlichkeit ertragsbezogener Merkmale aus Ertragsdatensätzen misst.

Diese Gleichung berechnet einen Ähnlichkeitswert, der angibt, wie stark sich zwei Datensätze hinsichtlich ihres räumlichen Musters und ihrer Werteverteilung ähneln.

<figure><img src="https://1347797700-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>Vorhandene Gleichung für die Ähnlichkeit von Datenebenen suchen</p></figcaption></figure>

<mark style="background-color:yellow;">Die Ähnlichkeitswerte reichen von 0 bis 1. Dabei bedeutet 0, dass keine Übereinstimmung vorliegt, und 1, dass Werte und räumliche Verteilung zu 100 % übereinstimmen</mark>. Je näher der Ähnlichkeitswert also bei 1 liegt, desto ähnlicher sind sich die Ertragsmerkmale.

## **Realer Ertragsdatensatz (2015** Sojabohnen **vs. 2018** Sojabohne&#x6E;**)**

In diesem Beispiel beginnen wir mit Rohdaten zu Erträgen, die während zweier verschiedener Anbausaisons, 2015 und 2018, für dieselbe Kultur – Sojabohnen – erfasst wurden. Die ursprünglichen Datensätze enthalten ungewöhnlich hohe und niedrige Werte, insbesondere am Anfang und Ende der Erntefahrten, und müssen leicht nachkalibriert werden.

Nach der Bereinigung und Kalibrierung mit den GeoPard-Werkzeugen ist der resultierende Datensatz gleichmäßiger, konsistenter und leichter zu interpretieren.

<figure><img src="https://1347797700-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>Sojabohnen 2015: ursprüngliche vs. bereinigte und kalibrierte Ertragsdaten</p></figcaption></figure>

<figure><img src="https://1347797700-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>Sojabohnen 2018: ursprüngliche vs. bereinigte und kalibrierte Ertragsdaten</p></figcaption></figure>

Die Ausführungskarte der Ähnlichkeitsgleichung ist unten als Screenshot zu sehen.

Aus statistischer Sicht weist sie einen hohen Mittelwert (0,869) und Median (0,876) auf. Das zeigt, dass <mark style="background-color:yellow;">die Ertragsmuster bei Sojabohnen 2018 denen von 2015 stark ähneln</mark>. Zwar sinken die Werte in einigen Bereichen auf 0,599, doch die geringe Varianz (0,005) und die moderate Standardabweichung (0,073) bestätigen die <mark style="background-color:yellow;">insgesamt hohe Konsistenz</mark>.

Aus agronomischer Sicht <mark style="background-color:yellow;">deutet diese Stabilität darauf hin, dass die grundlegenden Standortbedingungen und die Reaktionen auf Bewirtschaftungsmaßnahmen weitgehend unverändert geblieben sind</mark>.

<figure><img src="https://1347797700-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>Ertragsähnlichkeit vergleichen: Sojabohnen 2015 vs. Sojabohnen 2018</p></figcaption></figure>

## **Realer Ertragsdatensatz (2022** Mais **vs. 2024** Mai&#x73;**)**

In diesem Beispiel beginnen wir mit Ertragsrohdaten aus den Maissaisons 2022 und 2024. Die ursprünglichen Datensätze enthalten Ausreißer wie ungewöhnlich hohe oder niedrige Messwerte, kreuzende Fahrspuren und gekrümmte Fahrverläufe. Dies weist darauf hin, dass die Sensoren neu kalibriert werden müssen.

Nach der Bereinigung und Kalibrierung mit den GeoPard-Werkzeugen sind die Datensätze verlässlicher und ermöglichen automatisierte Analysen sowie fundierte Entscheidungen.

<figure><img src="https://1347797700-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>Mais 2022: ursprüngliche vs. bereinigte und kalibrierte Ertragsdaten</p></figcaption></figure>

<figure><img src="https://1347797700-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>Mais 2024: ursprüngliche vs. bereinigte und kalibrierte Ertragsdaten</p></figcaption></figure>

Die Ausführungskarte der Ähnlichkeitsgleichung ist unten als Screenshot zu sehen.

Aus statistischer Sicht zeigen ein Mittelwert von 0,791 und ein Median von 0,799, dass <mark style="background-color:yellow;">die Maiserträge von 2024 denen von 2022 weitgehend ähneln</mark>. Werte von nur 0,413 in einigen Bereichen weisen jedoch auf eine gewisse Variabilität hin. Die Standardabweichung von 0,115 bestätigt <mark style="background-color:yellow;">gewisse Unterschiede innerhalb des Feldes</mark>.

Aus agronomischer Sicht <mark style="background-color:yellow;">deuten die konsistenten Muster auf stabile Bedingungen und eine wirksame Bewirtschaftung im Zeitverlauf hin</mark>. Bereiche mit <mark style="background-color:yellow;">geringerer Ähnlichkeit erfordern möglicherweise gezielte Anpassungen, um die Ertragsleistung künftig zu verbessern</mark>.

<figure><img src="https://1347797700-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>Ertragsähnlichkeit vergleichen: Mais 2022 vs. Mais 2024</p></figcaption></figure>

## **Synthetischer vs. realer Ertragsdatensatz (2023** Raps)

In diesem Beispiel beginnen wir mit einem realen Ertragsdatensatz aus der Rapssaison 2023 und einem synthetisch generierten Ertragsdatensatz für dieselbe Kultur und dasselbe Jahr. <mark style="background-color:yellow;">Ziel ist es, die räumliche Genauigkeit des tatsächlichen mit dem synthetischen Ertrag zu bewerten. So lassen sich nicht erfasste Daten ergänzen, Lücken in den Ertragsdaten schließen und Anomalien mithilfe synthetischer Werte korrigieren</mark>. Der Datensatz mit den tatsächlichen Erträgen enthält problematische Werte, etwa ungewöhnlich hohe oder niedrige Messwerte, Überfahrten, gekrümmte Fahrspuren und Null-Ertragsüberfahrten. All dies deutet darauf hin, dass die Sensoren neu kalibriert werden müssen.

Nachdem wir die [Bereinigung und Kalibrierung](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) von GeoPard auf die tatsächlichen Ertragsdaten angewendet und [synthetische Erträge](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/synthetic-yield-map.md) für Raps erzeugt haben, können wir einen aussagekräftigen Vergleich ihrer Ähnlichkeit vornehmen.

<figure><img src="https://1347797700-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>Raps 2023: Ursprüngliche gegenüber bereinigten und kalibrierten Ertragsdaten</p></figcaption></figure>

<figure><img src="https://1347797700-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>Synthetische Rapserträge 2023</p></figcaption></figure>

Die Ausführungskarte der Ähnlichkeitsgleichung ist unten als Screenshot zu sehen.

Aus statistischer Sicht weisen die hohen Mittelwerte (0,889) und Medianwerte (0,904) darauf hin, dass <mark style="background-color:yellow;">der synthetische Ertragsdatensatz insgesamt den räumlichen Mustern der tatsächlichen Rapserträge von 2023 stark entspricht</mark>. Während ein Bereich einen Wert von nur 0,291 erreicht, deuten die geringe Variation (0,006) und die moderate Standardabweichung (0,08) darauf hin, dass <mark style="background-color:yellow;">die tatsächlichen und synthetischen Datensätze in den meisten Teilen des Feldes gut übereinstimmen und nur sehr wenige Ausreißer aufweisen</mark>.

Aus agronomischer Sicht bedeutet diese hohe Ähnlichkeit, dass <mark style="background-color:yellow;">die synthetischen Ertragsdaten als zuverlässiger Näherungswert für die tatsächlichen Bedingungen auf dem Feld dienen können</mark>, was das Vertrauen in den Einsatz modellierter Szenarien als Grundlage für Entscheidungen stärkt. <mark style="background-color:yellow;">Die in den tatsächlichen Ertragsdaten abgebildeten agronomischen Maßnahmen werden vom Modell für synthetische Erträge gut erfasst</mark>, sodass sich künftige Bewirtschaftungsstrategien fundierter und konsistenter planen lassen.

<figure><img src="https://1347797700-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>Vergleich der Ertragsähnlichkeit bei Raps: tatsächliche Erträge 2023 gegenüber synthetischen Erträgen 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/de/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.
