> 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/yield-calibration-and-cleaning.md).

# Ertragsdaten bereinigen und kalibrieren: Fehler aus Ertragskarten entfernen

Ertragsmonitordaten bereinigen: Durchflussverzögerung, Passanfang und -ende, Wendemanöver, Überlappungen, Ausreißer bei Geschwindigkeit und Feuchtigkeit sowie Kalibrierung mehrerer Mähdrescher – bevor Sie Zonen erstellen.

Rohdaten von Ertragsmonitoren enthalten Fehler durch Durchflussverzögerungen, den Beginn und das Ende von Überfahrten, Wendemanöver, überlappende Schneidwerke und unterschiedlich kalibrierte Mähdrescher. Bereinigen Sie die Daten, bevor Sie Zonen erstellen oder einen Versuch auswerten – andernfalls zeigt die Karte die Maschine statt des Feldes. GeoPard wendet automatisch das USDA-Bereinigungsprotokoll an, lässt Sie Filter manuell festlegen und kalibriert mehrere Mähdrescher auf einen bekannten Gesamtertrag oder Durchschnittsertrag.

{% hint style="info" %}
Die interaktive Seite zur Ertragsdatenbereinigung finden Sie auf geopard.tech: [Ertragsdaten bereinigen](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Ertragsdateien der letzten Saison bereinigen: [Kostenlos starten](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Nutzen Sie GeoPard, um **Ertragsdaten zu bereinigen** und **Ertragsmonitor-Datensätze zu kalibrieren**. Erstellen Sie eine zuverlässige Ertragskarte für Zonen, Applikationskarten und Analysen. Dieser Workflow verarbeitet Ausreißer, Wendemanöver, fehlende Attribute und Ertragsdaten mehrerer Erntemaschinen. Er umfasst das **USDA-Protokoll zur Ertragsdatenbereinigung** und unterstützt Workflows als **Alternative zu Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Video-Tutorial zur Bereinigung und Kalibrierung von Ertragsdaten. Die Unterschiede zwischen den Optionen werden erklärt.
{% endembed %}

Dieser Kalibrierungsprozess ist entscheidend für:

1. **Sicherstellung konsistenter Daten**: Häufig arbeiten mehrere Erntemaschinen gleichzeitig oder an unterschiedlichen Tagen. Diese Funktion sorgt dafür, dass ihre Daten harmonisch zusammenpassen.
2. **Homogenisierung der Daten**: Ertragsdaten können stark variieren. Die Kalibrierung sorgt für einen gleichmäßigen und konsistenten Verlauf ohne unerwünschte Spitzen oder Einbrüche.
3. **Herausfiltern von Störsignalen**: Wie bei allen Daten können auch Ertragsdaten Störsignale oder irrelevante Informationen enthalten. Wir sorgen dafür, dass diese Ihre Erkenntnisse nicht verfälschen.
4. **Bereinigung der Geometrien**: Wendemanöver oder ungewöhnliche geometrische Datenmuster können die tatsächlichen Erkenntnisse verfälschen. Die Kalibrierung beseitigt solche Abweichungen, damit die Daten die Gegebenheiten auf dem Feld korrekt abbilden.
5. **Zuschnitt anhand der Feldgrenze**: Erntemaschinen arbeiten oft über benachbarte Flächen hinweg. Für aussagekräftige Analysen sollten nur die Daten innerhalb der festgelegten Grenze berücksichtigt werden.

{% hint style="info" %}
Die Oberfläche zur Ertragskalibrierung verwendet den GeoPard-API-Endpunkt zur Bereinigung und Kalibrierung von Erträgen ([GeoPard API: Calibrate and Clean YieldDataset](https://docs.geopard.tech/geopard-tutorials/de/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Sie führt die Vorgänge `CALIBRATE` und `CLEAN` in der Benutzeroberfläche oder über die API aus.
{% endhint %}

## Kurzübersicht

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/5257581b7c6900d880dd7256b5f96f25dd74fdb4" %}
PDF-Broschüre zur Ertragsdatenbereinigung herunterladen
{% endfile %}

## Praxisbeispiele

In der Landwirtschaft können fehlerhafte Ertragsdatensätze erhebliche Probleme verursachen. Im Folgenden finden Sie Beispiele aus der Praxis, in denen solche Datensätze auftraten. Mit den fortschrittlichen Kalibrierungs- und Bereinigungsalgorithmen von GeoPard wurden diese Datensätze erfolgreich aufbereitet und optimiert.

{% hint style="info" %}
Um Bereiche ohne aufgezeichnete Ertragsdaten zu ergänzen und die Ertragskarte zu vervollständigen, können Sie den Ansatz der synthetischen Ertragskarte von GeoPard nutzen. Mit dieser Methode werden fehlende Daten für eine vollständige Ertragsanalyse ergänzt. Weitere Informationen finden Sie [hier](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Mehrere Erntemaschinen im Einsatz

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Beispiel 1: Mehrere Erntemaschinen im Einsatz</p></figcaption></figure>

{% hint style="info" %}
Bei komplexen Szenarien empfiehlt sich für eine optimale Genauigkeit ein zweistufiger Kalibrierungsprozess. Führen Sie zunächst die erste Kalibrierung anhand des Attributs „Machine ID“ durch. Starten Sie anschließend eine zweite Kalibrierungsrunde und aktivieren Sie dabei das Kontrollkästchen „Simulated (Synthetic) Machine Paths“. Dieser mehrstufige Ansatz gewährleistet eine gründliche und präzise Kalibrierung, die für die zuverlässige Verarbeitung komplexer Fälle unerlässlich ist.
{% endhint %}

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Beispiel 2: Mehrere Erntemaschinen im Einsatz</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Beispiel 3: Mehrere Erntemaschinen im Einsatz</p></figcaption></figure>

### J-förmige Wendemanöver, Stopps, halbe Arbeitsbreite verwendet

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Beispiel 1: U-förmige Wendemanöver, Stopps, halbe Arbeitsbreite verwendet</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Beispiel 2: U-förmige Wendemanöver, Stopps, halbe Arbeitsbreite verwendet</p></figcaption></figure>

### Ungewöhnlich hohe aufgezeichnete Werte

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Beispiel 1: Ungewöhnlich hohe aufgezeichnete Werte</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Beispiel 2: Ungewöhnlich hohe aufgezeichnete Werte</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Beispiel 3: Ungewöhnlich hohe aufgezeichnete Werte</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Beispiel 4: Ungewöhnlich hohe protokollierte Werte</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Beispiel 5: Ungewöhnlich hohe protokollierte Werte</p></figcaption></figure>

### Daten außerhalb der Feldgrenze

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Beispiel: Daten außerhalb der Feldgrenzen</p></figcaption></figure>

### Kalibrierung anhand des angegebenen durchschnittlichen Ertragswerts

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Beispiel: Kalibrierung anhand des angegebenen durchschnittlichen Ertragswerts (28 t/ha)</p></figcaption></figure>

### Ertragsattribute bereinigen und Attribute mit Anomalien ignorieren

Der Ertragsdatensatz enthält gelegentlich Attribute mit Unregelmäßigkeiten bei Feuchte, Geschwindigkeit, Höhenlage oder anderen sekundären (nicht ertragsbezogenen) Merkmalen. Bei der Bereinigung oder Kalibrierung müssen diese Anomalien unbedingt ignoriert werden. Dies lässt sich effizient über die GeoPard-Oberfläche zum Bereinigen und Kalibrieren von Ertragsdaten erreichen.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Beispiel: Anomalien beim Feuchteattribut</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Beispiel: Ertragsdaten bereinigen und Anomalien bei der Feuchte ignorieren</p></figcaption></figure>

### USDA-Protokoll zur Ertragsdatenbereinigung

Verwenden Sie diese Option, wenn Sie einen **reproduzierbaren, standardbasierten Workflow zur Bearbeitung von Ertragsdaten**benötigen. Sie ist optimiert für die **Bereinigung von Ertragsmonitor-Daten** in großem Umfang.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Beispiel: Ertragsdaten nach dem USDA-Protokoll bereinigen</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Beispiel: Ertragsdaten nach dem USDA-Protokoll bereinigen</p></figcaption></figure>

## Erläuterung der Kalibrierungsmethoden

### Pfadbezogene Kalibrierung

**VERWENDEN SIE** **die pfadbezogene Kalibrierung** wenn ein Feld <mark style="background-color:green;">mit mehreren Maschinen oder an mehreren Tagen abgeerntet wurde, insbesondere zur Korrektur systematischer Unterschiede wie Streifen oder Bänder.</mark> Sie eignet sich besonders für Fälle, in denen unterschiedliche Maschineneinstellungen, Bedienpersonen oder Umweltbedingungen zu durchgängigen Über- oder Unterschätzungen auf verschiedenen Fahrspuren führen.

Wichtig: <mark style="background-color:yellow;">Die KI benötigt Variationen – etwa unterschiedliche Fahrspuren, Maschinen-IDs oder Erntedaten –, um effektiv zu lernen und zu kalibrieren.</mark>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Beispiel: Ertragsmerkmal WetMass und 9 Erntemaschinen</p></figcaption></figure>

**VERWENDEN SIE DIESE METHODE NICHT** bei der Ernte mit einer einzelnen Maschine in einem durchgehenden Arbeitsgang oder wenn die Ertragskarte keine erkennbaren räumlichen Muster aufweist. Vermeiden Sie sie außerdem bei lückenhaften Daten oder wenn Ihnen nur Ertragsgesamtwerte für das gesamte Feld vorliegen, ohne Unterschiede auf Maschinenebene

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Beispiel: Statistisch korrekte Datenverteilung</p></figcaption></figure>

### Kalibrierung anhand des Durchschnitts- oder Gesamtertrags

**DIE KALIBRIERUNG ANHAND DES DURCHSCHNITTS- ODER GESAMTERTRAGS EIGNET SICH AM BESTEN** wenn <mark style="background-color:green;">Sie großes Vertrauen in Ihre Ertragsdaten auf Feldebene haben, etwa in Aufzeichnungen einer Fahrzeugwaage oder eines Lagerbetriebs.</mark> Anstatt einzelne Fahrspuren anzupassen, skaliert diese Methode den gesamten Datensatz so, dass der endgültige Durchschnitts- oder Gesamtertrag dem bekannten Referenzwert entspricht. Sie gilt oft als die einfachste und sicherste Kalibrierungsoption, wenn den Gesamtwerten vertraut werden kann.

Wann Sie die **Kalibrierung anhand des Durchschnitts- oder Gesamtertrags VERWENDEN sollten:**

* **Bekannte Referenzwerte**: Verwenden Sie diese Methode, wenn offizielle Ertragsgesamtwerte (z. B. von einer Fahrzeugwaage) oder ein äußerst zuverlässiger durchschnittlicher Ertrag für das Feld vorliegen.
* **Korrektur eines systematischen Gesamtfehlers**: Sie eignet sich, wenn die räumliche Verteilung auf der Ertragskarte korrekt aussieht, die Werte jedoch insgesamt verschoben sind – das heißt, der Ertragsmonitor war wahrscheinlich nicht kalibriert und meldet im gesamten Feld durchgängig zu hohe oder zu niedrige Werte.
* **Einheitliche Erntebedingungen**: Diese Methode ist am effektivsten, wenn die Erntebedingungen während des gesamten Arbeitsgangs relativ konstant waren.
* **Einheitliche Leistung einer einzelnen Maschine**: Sie eignet sich gut für Ernten, die mit einer einzelnen Maschine durchgeführt wurden, deren Leistung über das gesamte Feld hinweg gleichmäßig war.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Beispiel: Statistisch korrekte Datenverteilung mit erforderlicher Verschiebung anhand des Durchschnittsertrags</p></figcaption></figure>

Wann Sie die **Kalibrierung anhand des Durchschnitts- oder Gesamtertrags NICHT VERWENDEN sollten:**

* **Unterschiedliche systematische Fehler zwischen Maschinen**: Verwenden Sie diese Methode nicht, wenn verschiedene Teile des Feldes mit unterschiedlichen Maschinen oder an verschiedenen Tagen abgeerntet wurden und dadurch lokale Abweichungen entstanden sind. In solchen Fällen behebt eine Skalierung des gesamten Feldes nicht die zugrunde liegenden Unterschiede zwischen den Maschinen.
* **Sichtbare Artefakte**: Wenn in Ihren Daten starke Streifen, Bänder oder richtungsabhängige Artefakte auftreten, lassen sich diese mit dieser Methode nicht beheben; <mark style="background-color:green;">Die pfadweise Kalibrierung eignet sich besser für diese Probleme</mark>.
* **Unvollständige Daten**: Verwenden Sie diese Logik nicht, wenn nur ein Teil des Feldes abgeerntet wurde oder die erfassten Daten unvollständig sind, da Gesamt- und Durchschnittswerte dann irreführend wären.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Beispiel: Ertragsdaten mit Lücken</p></figcaption></figure>

### Bedingte Kalibrierung

**Bedingte Kalibrierung** dient als <mark style="background-color:green;">Sicherheitsmaßnahme, indem sie sicherstellt, dass die Ertragswerte innerhalb realistischer, vorab festgelegter Mindest- und Höchstwerte bleiben</mark>.

Sie **SOLLTEN** diese Logik verwenden, um<mark style="background-color:green;">extreme Ausreißer und Sensorspitzen zu entfernen, die durch Rauschen, Maschinenstillstände oder Wendemanöver verursacht werden</mark>. Sie eignet sich ideal, um konkrete agronomische Vorgaben anzuwenden – etwa „der Ertrag darf X nicht überschreiten“ –, ohne eine Korrektur vorzunehmen.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Allerdings **SOLLTEN SIE DIESE METHODE VERMEIDEN,** wenn Ihr Datensatz eine globale Verzerrung oder systematische Unterschiede zwischen Maschinen aufweist, da die Daten weder skaliert noch räumliche Muster korrigiert werden. Die Methode hält die Werte im plausiblen Bereich, behebt jedoch keine zugrunde liegenden Kalibrierungsabweichungen.

## Anwendungsstrategie

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Übersicht zur Ertragskalibrierung</p></figcaption></figure>

{% file src="/files/5e898ee865eb550d8187ec83ccff427664c220c3" %}
PDF-Übersicht zur Ertragskalibrierung herunterladen
{% endfile %}

## Erster Schritt

Das Modul „Ertrag kalibrieren und bereinigen“ wird direkt über die Benutzeroberfläche gestartet. Voraussetzung dafür ist, dass ein Ertragsdatensatz hochgeladen wurde. Neben jedem Ertragsdatensatz finden Sie eine Schaltfläche, über die Sie die Anpassung des Datensatzes starten können.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Ablauf starten</p></figcaption></figure>

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Wählen Sie eine Option aus, um fortzufahren</p></figcaption></figure>

Anschließend stehen mehrere Optionen zur Verfügung:

1. **Automatische Verarbeitung**: Verwenden Sie die von GeoPard empfohlenen Standardeinstellungen für eine Kalibrierung mit einem Klick.
2. **Nur bereinigen**: Konfigurieren Sie ausschließlich den Vorgang BEREINIGEN und führen Sie ihn aus, einschließlich
   1. **GeoPard-Bereinigung**: Intelligente Bereinigung des Ertragsdatensatzes mit KI-Algorithmen.
   2. **USDA** (United States Department of Agriculture) Bereinigungsprotokoll für Ertragsdaten.
   3. **Bedingte Bereinigung**: Filtern Sie die Daten anhand benutzerdefinierter Attributschwellenwerte.
3. **Nur kalibrieren**: Konfigurieren Sie ausschließlich den Vorgang KALIBRIEREN und führen Sie ihn aus, einschließlich
   1. **Pfadweise**: Kalibrieren Sie den Ertrag für jeden einzelnen Maschinenpfad mithilfe von KI-Algorithmen.
   2. **Durchschnitt/Gesamtwert**: Passen Sie den Ertrag anhand des bekannten Durchschnitts- oder Gesamtertrags des Feldes an.
   3. **Bedingt**: Passen Sie den Ertrag innerhalb festgelegter Mindest- und Höchstwerte an, damit er im erwarteten Bereich bleibt.
4. **Kalibrieren und bereinigen**: Wählen Sie die Reihenfolge der Vorgänge und passen Sie die Parameter an.
5. **Alternative zum Yield Editor**: Verwenden Sie **Nur bereinigen → USDA** (oder **Kalibrieren und bereinigen**), um einen manuellen Bereinigungsablauf mit dem „Yield Editor“ nachzubilden – jedoch in großem Maßstab. In Validierungstests stimmte die Bereinigung nach USDA-Protokoll mit den manuellen Ergebnissen des Yield Editors mit **R² (R2) = 0,98** (nahezu identische Ergebnisse) überein.

## Lösung mit einem Klick

{% hint style="warning" %}
**Hinweis zu ungewöhnlichen Werten, die bei Ertragsdatensätzen auftreten können.**

Wenn ein **Attribut** für die Kalibrierung oder Bereinigung ausgewählt wurde und überwiegend **Nullwerte** **in den meisten Geometrien enthält**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen.

Um die Datenintegrität sicherzustellen, sollten Attribute mit solchen Auffälligkeiten von der Liste der zu kalibrierenden Attribute ausgeschlossen werden.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Ausführliche Anleitung

{% hint style="warning" %}
**Ablauf „Auswählen“: Hinweis zu Datenauffälligkeiten**

Wenn ein Nutzer Auffälligkeiten in den Daten feststellt, etwa Werte bei oder nahe null oder ungewöhnlich hohe Werte (beispielsweise einen Durchschnitt von 10 bei einem Höchstwert von 8000), wird der Ablauf **Bereinigen und kalibrieren** empfohlen.

konfiguriert. Werden die Daten vor der Kalibrierung bereinigt, lassen sich Fehler, fehlende Werte und Inkonsistenzen entfernen und so Datenqualität und Genauigkeit verbessern.
{% endhint %}

{% hint style="warning" %}
**Ablauf „Auswählen“: Hinweis zu Daten ohne anfängliche Fehler**

Bei Datensätzen, die anfangs keine Fehler, fehlenden Werte oder Inkonsistenzen aufweisen, und wenn bekannt ist, dass mehrere Erntemaschinen eingesetzt wurden, empfiehlt sich der Ablauf **Kalibrieren und bereinigen** .

Die Bereinigung nach der Kalibrierung verfeinert den Datensatz weiter und kann dabei Artefakte entfernen, die möglicherweise während der Kalibrierung entstanden sind.
{% endhint %}

{% hint style="warning" %}
**Ablauf „Bereinigen“: Hinweis zu ungewöhnlichen Werten, die bei Ertragsdatensätzen auftreten können.**

Wenn ein **Attribut** für die Kalibrierung oder Bereinigung ausgewählt wurde und überwiegend **Nullwerte in den meisten Geometrien enthält**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen.

Um die Datenintegrität sicherzustellen, sollten Attribute mit solchen Auffälligkeiten von der Liste der zu bereinigenden Attribute ausgeschlossen werden (2).
{% endhint %}

{% hint style="warning" %}
**Ablauf „Kalibrieren“: Hinweis zu ungewöhnlichen Werten, die bei Ertragsdatensätzen auftreten können.**

Wenn ein **Attribut** für die Kalibrierung oder Bereinigung ausgewählt wurde und überwiegend **Nullwerte** **in den meisten Geometrien enthält**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen.

Um die Datenintegrität sicherzustellen, sollten Attribute mit solchen Auffälligkeiten von der Liste der zu kalibrierenden Attribute ausgeschlossen werden (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Algorithmusversionen

Nach der Nachbearbeitung werden die Ergebnisse neben dem ursprünglichen Datensatz angezeigt. Sie sind mit den Kennzeichnungen **„Kalibrieren“** und/oder **„Bereinigen“** sowie der Algorithmusversion versehen.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Ergebnis der Ausführung von „Kalibrieren und bereinigen“ (Version 2)</p></figcaption></figure>

{% hint style="info" %}
Ab `version 3.0` führt GeoPard mit dem Bereinigungs-/Kalibrierungsalgorithmus die Funktion „Zuschneiden anhand der Feldgrenze“ ein. Damit werden nur Geometrien innerhalb der Feldgrenze beibehalten und die statistische Verteilung verbessert.
{% endhint %}

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Ergebnis der automatischen Verarbeitung (Version 3.0)</p></figcaption></figure>

{% hint style="info" %}
Ab `version 4.0`umfasst der Bereinigungs-/Kalibrierungsalgorithmus in GeoPard nun eine Funktion zur Kalibrierung anhand von Durchschnitts- oder Gesamtwerten für beliebige Attribute. Eine häufige Anwendung dieser Erweiterung ist die Kalibrierung der Nassmasse (WetMass), die nun anhand des bekannten gemessenen Durchschnittsertrags eines bestimmten Feldes angepasst werden kann.
{% endhint %}

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Ergebnis der Kalibrierung anhand eines Durchschnittsertrags von 6 t/ha (Version 4.0)</p></figcaption></figure>

{% hint style="info" %}
Ab `version 5.0` führt GeoPard mit dem Bereinigungs-/Kalibrierungsalgorithmus das USDA-Bereinigungsprotokoll (United States Department of Agriculture) für Ertragsdaten ein. Das USDA legt formale agronomische Datenstandards fest, die regeln, wie Ertrags-, Feuchte-, Durchfluss- und räumliche Messwerte normalisiert, validiert und statistisch gefiltert werden, damit maschinen- und feldübergreifend konsistente landwirtschaftliche Datensätze entstehen.
{% endhint %}

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Ergebnis der Bereinigung nach USDA-Protokoll (Version 5.0)</p></figcaption></figure>

{% hint style="success" %}
Ertragsdateien der letzten Saison bereinigen: [Kostenlos starten](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
