# Ertragskalibrierung und -bereinigung Verwenden Sie GeoPard, um **Ertragsdaten zu bereinigen** und **Ertragsmonitor-Datensätze zu kalibrieren**. Erhalten Sie eine Ertragskarte, der Sie für Zonen, Applikationspläne und Analysen vertrauen können. Dieser Workflow behandelt Ausreißer, Wendemanöver, fehlende Attribute und Ertragsdaten von mehreren Mähdreschern. Er beinhaltet das **USDA-Protokoll zur Ertragsbereinigung** und unterstützt **Yield Editor-Alternativ** Workflows. {% embed url="" %} Video-Tutorial zur Bereinigung und Kalibrierung von Ertragsdaten. Die Unterschiede der Optionen erläutert. {% endembed %} Dieser Kalibrierungsprozess ist entscheidend für: 1. **Sicherstellung der Datenkonsistenz**: Es ist nicht ungewöhnlich, dass mehrere Mähdrescher gleichzeitig oder an verschiedenen Tagen eingesetzt werden. Diese Funktion stellt sicher, dass deren Daten harmonisch zusammenpassen. 2. **Angleichung der Daten**: Ertragsdaten können variieren; die Kalibrierung sorgt dafür, dass sie glatt und konsistent sind, ohne unerwünschte Spitzen oder Einbrüche. 3. **Herausfiltern von Rauschen**: Wie bei allen Daten können Ertragsdaten „Rauschen“ oder irrelevante Informationen enthalten. Wir stellen sicher, dass dies Ihre Erkenntnisse nicht verfälscht. 4. **Vereinfachung von Geometrien**: Wendemanöver oder ungewöhnliche geometrische Muster können echte Erkenntnisse verzerren. Die Kalibrierung ist darauf ausgelegt, diese zu glätten, sodass die Daten die Feldrealität widerspiegeln. 5. **Zuschneiden nach Feldgrenze**: Mähdrescher arbeiten häufig über angrenzende Flächen hinweg. Für genaue Analysen ist es wichtig, nur die Daten innerhalb der angegebenen Grenze zu berücksichtigen. {% hint style="info" %} Die Yield-Calibration-Oberfläche verwendet den GeoPard-API-Endpunkt für Yield Clean/Calibrate ([GeoPard API: Ertragsdatensatz kalibrieren und bereinigen](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Sie führt die `KALIBRIEREN` und `BEREINIGEN` Operationen in der Benutzeroberfläche oder über die API aus. {% endhint %} ## Schnellübersicht

{% file src="" %} PDF-Broschüre zur Ertragsbereinigung herunterladen {% endfile %} ## Praxisbeispiele Im Bereich der Landwirtschaft können beschädigte Ertragsdatensätze erhebliche Herausforderungen darstellen. Nachfolgend finden Sie Praxisbeispiele, in denen solche Datensätze auftraten. Durch GeoPards fortschrittliche Kalibrierungs- und Bereinigungsalgorithmen wurden diese Datensätze effektiv verfeinert und optimiert. {% hint style="info" %} Um Bereiche ohne protokollierte Ertragsdaten zu adressieren und die Vollständigkeit der Ertragskarte zu erreichen, sollten Sie den GeoPard-Ansatz der synthetischen Ertragskarte in Betracht ziehen. Diese Methode stellt fehlende Daten wieder her, um eine vollständige Ertragsanalyse zu ermöglichen. Erfahren Sie mehr [hier](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Mehrere Mähdrescher arbeiten zusammen

Beispiel 1: Mehrere Mähdrescher arbeiten zusammen

{% hint style="info" %} Bei komplexen Szenarien empfiehlt sich ein zweistufiger Kalibrierungsprozess für optimale Genauigkeit. Beginnen Sie mit der ersten Kalibrierung unter Verwendung des Machine-ID-Attributs. Führen Sie anschließend eine zweite Kalibrierungsrunde durch, diesmal unter Aktivierung der Option Simulierte (synthetische) Maschinenpfade. Dieser gestaffelte Ansatz gewährleistet eine gründliche und präzise Kalibrierung, die für das effektive Management komplexer Fälle unerlässlich ist. {% endhint %}

Beispiel 2: Mehrere Mähdrescher arbeiten zusammen

Beispiel 3: Mehrere Mähdrescher arbeiten zusammen

### J-Kehrten, Stopps, halbe Gerätenutzbreite verwendet

Beispiel 1: Wenderucke, Stopps, halbe Gerätenutzbreite verwendet

Beispiel 2: Wenderucke, Stopps, halbe Gerätenutzbreite verwendet

### Abnorm große protokollierte Werte

Beispiel 3: Abnorm große protokollierte Werte

Beispiel 4: Abnorm große protokollierte Werte

Beispiel 5: Abnorm große protokollierte Werte

### Daten außerhalb der Feldgrenze

### Kalibrierung unter Verwendung des bereitgestellten Durchschnittsertragswertes

Beispiel: Kalibrierung unter Verwendung des angegebenen Durchschnittsertragswertes (28 t/ha)

### Ertragsattribute bereinigen und Attribute mit Anomalien ignorieren Der Ertragsdatensatz enthält gelegentlich Attribute mit Unregelmäßigkeiten in Feuchte, Geschwindigkeit, Höhen oder anderen sekundären (nicht-ertragsbezogenen) Attributen. Während der Ausführung von Bereinigungs- oder Kalibrierungsaktivitäten ist es wichtig, diese Anomalien zu ignorieren. Dies kann effizient über die GeoPard Yield Clean-Calibrate-Oberfläche erfolgen.

Beispiel: Ertragsdaten bereinigen und Anomalien in der Feuchte ignorieren

### USDA-Protokoll zur Ertragsbereinigung Verwenden Sie diese Option, wenn Sie einen **wiederholbaren, standardbasierten Workflow zur Ertrags-Editor-Bearbeitung**. Er ist optimiert für **Bereinigung von Erntemessdaten** in großem Umfang.

Beispiel: Ertragsdaten bereinigen unter Anwendung des USDA-Protokolls

## Erläuterung der Kalibrierungslogiken ### Spurbezogene Kalibrierung **VERWENDEN** **Spurbezogene Kalibrierung** wenn ein Feld von mehreren Maschinen oder über mehrere Tage geerntet wird, speziell um systematische Unterschiede wie Streifenbildung oder Banding zu korrigieren. Es ist ideal für Szenarien, in denen unterschiedliche Maschineneinstellungen, Bediener oder Umweltbedingungen zu konsistenter Über- oder Unterschätzung entlang verschiedener Fahrspuren führen. Entscheidend ist, dass die KI Variation benötigt - wie unterschiedliche Fahrspuren, Maschinen-IDs oder Erntetermine -, um effektiv zu lernen und zu kalibrieren.

Beispiel: Ertrag in Nassmasse und 9 Mähdrescher

**NICHT VERWENDEN** diese Methode für Ernten mit einer einzigen Maschine in einer durchgehenden Sitzung oder wenn die Ertragskarte keine sichtbaren räumlichen Muster aufweist. Vermeiden Sie sie außerdem, wenn die Daten spärlich sind oder Sie nur Gesamtertragswerte auf Feldebene ohne maschinenbezogene Unterschiede besitzen

Beispiel: Statistisch korrekte Datenverteilung

### Durchschnitts- oder Gesamt-Kalibrierung **Durchschnitts-/Gesamt-Kalibrierung IST AM BESTEN GEEIGNET** wenn Sie ein hohes Vertrauen in Ihre Gesamtertragsdaten auf Feldebene haben, wie z. B. Aufzeichnungen von einer Wiegestation oder Lagerstätte. Anstatt einzelne Fahrspuren anzupassen, skaliert diese Methode den gesamten Datensatz so, dass der endgültige Durchschnitt oder die Summe Ihrem bekannten Referenzwert entspricht. Sie wird oft als die einfachste und sicherste Kalibrierungsoption beschrieben, wenn den Gesamtdaten vertraut wird. Wann **DIE Durchschnitts-/Gesamt-Kalibrierung VERWENDEN:** * **Bekannte Referenzwerte**: Sie sollten diese Logik verwenden, wenn Sie offizielle Gesamtertragsaufzeichnungen haben (z. B. von einer Wiegestation) oder einen sehr verlässlichen durchschnittlichen Feld-Ertrag. * **Globale Bias-Korrektur**: Sie ist ideal, wenn die räumliche Verteilung in der Ertragskarte korrekt aussieht, die Werte jedoch global verschoben sind – das heißt, der Ertragsmonitor war wahrscheinlich nicht kalibriert und meldet über das gesamte Feld hinweg konsistent zu hohe oder zu niedrige Werte. * **Einförmige Erntebedingungen**: Diese Methode ist am effektivsten, wenn die Erntebedingungen während des gesamten Einsatzes relativ konstant waren. * **Konsistenz einer einzelnen Maschine**: Sie funktioniert gut bei Ernten, die von einer einzelnen Maschine durchgeführt wurden, die über das Feld hinweg gleichmäßig arbeitete.

Beispiel: Statistisch korrekte Datenverteilung mit erforderlicher Verschiebung unter Verwendung des Durchschnittsertrags

Wann **NICHT die Durchschnitts-/Gesamt-Kalibrierung VERWENDEN:** * **Maschine-zu-Maschine-Verschiebung**: Verwenden Sie diese Methode nicht, wenn verschiedene Feldbereiche von unterschiedlichen Maschinen oder an unterschiedlichen Tagen geerntet wurden, was zu lokalen Verzerrungen führte. In solchen Fällen wird das Skalieren des gesamten Feldes die zugrunde liegenden Unterschiede zwischen den Maschinen nicht beheben. * **Sichtbare Artefakte**: Wenn Sie starke Streifen, Banding oder richtungsabhängige Artefakte in Ihren Daten sehen, löst diese Methode diese Probleme nicht; Fahrspurweise Kalibrierung ist besser für diese Probleme geeignet. * **Unvollständige Daten**: Vermeiden Sie diese Logik, wenn nur ein Teil des Feldes geerntet wurde oder die aufgezeichneten Daten unvollständig sind, da die Gesamt-/Durchschnittswerte irreführend wären.

### Bedingte Kalibrierung **Bedingte Kalibrierung** dient als eine Sicherheitskontrolle, indem sichergestellt wird, dass Ertragswerte innerhalb realistischer, vordefinierter Mindest- und Maximalbereiche bleiben. Sie **SOLLTEN VERWENDEN** diese Logik, umextreme Ausreißer und Sensor-Spikes zu entfernen, die durch Rauschen, Maschinenstillstände oder Wendemanöver verursacht werden. Sie ist ideal, um spezifische agronomische Erwartungen anzuwenden - wie „Ertrag kann X nicht überschreiten“ - ohne eine Korrektur vorzunehmen.

Jedoch, **VERWENDEN SIE DIESE METHODE NICHT** wenn Ihr Datensatz eine globale Verzerrung oder systematische Maschinendifferenzen aufweist, da sie Daten weder skaliert noch räumliche Muster korrigiert. Im Wesentlichen hält sie Werte plausibel, behebt jedoch keine zugrunde liegenden Kalibrierungsabweichungen. ## Verwendungsstrategie

Onepager-Anleitung zur Ertragskalibrierung

{% file src="" %} PDF-Onepager der Ertragskalibrierungsanleitung herunterladen {% endfile %} ## Erster Schritt Das Modul "Ertrag kalibrieren und bereinigen" wird direkt über die Benutzeroberfläche gestartet. Voraussetzung ist ein hochgeladener Ertragsdatensatz. Neben jedem Ertragsdatensatz finden Sie eine Schaltfläche, um die Datensatzanpassungen zu starten.

Ab dort stehen mehrere Optionen zum weiteren Vorgehen zur Verfügung: 1. **Autoverarbeitung**: Verwenden Sie die standardmäßigen, von GeoPard empfohlenen Einstellungen für eine Ein-Klick-Kalibrierung. 2. **Nur bereinigen**: Nur die BEREINIGUNG konfigurieren und ausführen, einschließlich 1. **GeoPard-Reinigung**: Intelligente Bereinigung des Ertragsdatensatzes mit KI-Algorithmen. 2. **USDA** (United States Department of Agriculture) Bereinigungsprotokoll für Erträge. 3. **Bedingte Bereinigung**: Daten basierend auf benutzerdefinierten Attributschwellen filtern. 3. **Nur kalibrieren**: Nur die KALIBRIERUNG konfigurieren und ausführen, einschließlich 1. **Pfadbezogen**: Kalibrierung des Ertrags für jeden einzelnen Maschinenpfad mithilfe von KI-Algorithmen. 2. **Durchschnitts-/Gesamt-**: Anpassung des Ertrags basierend auf dem bekannten Durchschnitts- oder Gesamtertrag des Feldes. 3. **Konditional**: Modifikation des Ertrags innerhalb festgelegter Mindest- und Maximalgrenzen, um erwartete Bereiche beizubehalten. 4. **Kalibrieren & Bereinigen**: Wählen Sie die Reihenfolge der Vorgänge und passen Sie die Parameter an. 5. **Alternative zum Ertragseditor**: Verwenden Sie **Nur bereinigen → USDA** (oder **Kalibrieren & Bereinigen**) um einen manuellen „Yield Editor“-Bereinigungsworkflow nachzuahmen, jedoch in großem Maßstab. In Validierungstests ergab die USDA-Protokollbereinigung Ergebnisse, die mit manuellen Yield-Editor-Ergebnissen übereinstimmten mit **R² (R2) = 0,98** (fast identische Ausgabe). ## Einschaltknopf-Lösung {% hint style="warning" %} **Hinweis zu abnormen Werten, die gelegentlich in Ertragsdatensätzen vorkommen.** Wenn ein **attribute** zur Kalibrierung oder Bereinigung ausgewählt vorwiegend **enthält** **Nullwerte über die Mehrheit der Geometrien**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen. Um die Integrität zu gewährleisten, sollten Attribute mit solchen Anomalien von der Liste der zu kalibrierenden Attribute ausgeschlossen werden. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Vollständige Anleitung {% hint style="warning" %} **Fluss wählen: Hinweis zu Datenanomalien** Wenn ein Nutzer auf Anomalien in den Daten stößt, wie Werte bei oder nahe null oder ungewöhnlich große Werte (zum Beispiel ein Mittelwert von 10 mit einem Maximum von 8000), wird der **Bereinigungs- & Kalibrierungs-** Workflow wird empfohlen. Die Priorisierung der Datenbereinigung vor der Kalibrierung gewährleistet die Entfernung von Fehlern, fehlenden Werten oder Inkonsistenzen und verbessert so Datenqualität und Genauigkeit. {% endhint %} {% hint style="warning" %} **Fluss wählen: Hinweis zu Daten ohne anfängliche Fehler** Für Datensätze, die anfänglich frei von Fehlern, fehlenden Werten oder Inkonsistenzen sind, und wenn bekannt ist, dass mehrere Mähdrescher beteiligt waren, ziehen Sie den **Kalibrierungs- & Bereinigungs-** Workflow. Die Bereinigung der Daten nach der Kalibrierung hilft, den Datensatz weiter zu verfeinern, indem potenzielle Artefakte entfernt werden, die während der Kalibrierung eingeführt wurden. {% endhint %} {% hint style="warning" %} **Bereinigungsfluss: Hinweis zu abnormen Werten, die gelegentlich in Ertragsdatensätzen vorkommen.** Wenn ein **attribute** zur Kalibrierung oder Bereinigung ausgewählt enthält vorwiegend **Nullwerte über die Mehrheit der Geometrien**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen. Um die Integrität sicherzustellen, sollten Attribute mit solchen Anomalien von der Liste der zu bereinigenden Attribute ausgeschlossen werden (2). {% endhint %} {% hint style="warning" %} **Durchfluss kalibrieren: Hinweis zu abnormalen Werten, die in Ertragsdatensätzen manchmal inhärent sind.** Wenn ein **attribute** zur Kalibrierung oder Bereinigung ausgewählt vorwiegend **enthält** **Nullwerte über die Mehrheit der Geometrien**, werden diese Geometrien aus dem finalen Ertragsdatensatz ausgeschlossen. Um die Integrität sicherzustellen, sollten Attribute mit solchen Anomalien von der Liste der zu kalibrierenden Attribute ausgeschlossen werden (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Algorithmus-Versionen Nach der Nachbearbeitung werden die Ergebnisse neben dem Originaldatensatz angezeigt. Sie sind gekennzeichnet mit **"Kalibrieren"** und/oder **"Bereinigen"** Bezeichnungen sowie der Algorithmus-Version.

Das Ergebnis der Ausführung von Kalibrieren & Bereinigen (Version 2)

{% hint style="info" %} Aus `Version 3.0` ab der Clean/Calibrate-Version führt GeoPard die Funktion „Abgrenzung nach Feldgrenze“ ein. Dabei bleiben nur Geometrien innerhalb der Feldgrenze erhalten und die statistische Verteilung wird verbessert. {% endhint %}

Das Ergebnis der automatischen Verarbeitungsausführung (Version 3.0)

{% hint style="info" %} Beginndend mit `Version 4.0`, integriert der Clean/Calibrate-Algorithmus in GeoPard jetzt eine Funktion zur Kalibrierung auf Basis von Durchschnitts- oder Gesamtwerten über beliebige Attribute. Eine verbreitete Anwendung dieser Erweiterung ist die Kalibrierung der Nassmasse, die nun anhand des bekannt gemessenen durchschnittlichen Ertrags für ein bestimmtes Feld angepasst werden kann. {% endhint %}

Das Ergebnis der Kalibrierungsausführung unter Verwendung eines durchschnittlichen Ertrags von 6 t/ha (Version 4.0)

{% hint style="info" %} Aus `Version 5.0` ab der Clean/Calibrate-Version führt GeoPard das USDA (United States Department of Agriculture) Reinigungsprotokoll für Ertragsdaten ein. Das USDA stellt formale agronomische Datennormen bereit, die regeln, wie Ertrag, Feuchte, Durchfluss und räumliche Messungen normalisiert, validiert und statistisch gefiltert werden, um maschinen- und feldkonsistente landwirtschaftliche Datensätze zu erzeugen. {% endhint %}