84. Mutation: Ertragsdatensatz kalibrieren und bereinigen

API-Aufrufe zur Bereinigung und Kalibrierung von Ertragsdatensätzen

Die Kalibrierung des „YieldDataset“ ist eine Funktionalität, die die Verteilung der Werte gemäß mathematischen Grundsätzen korrigiert und die Gesamtintegrität der Daten verbessert. Sie stärkt die Qualität der Entscheidungsfindung und macht den Datensatz für weiterführende, tiefgehende Analysen verwertbar.

Typische Anwendungsfälle für diese Funktionalität umfassen:

• Synchronisierung von Daten, wenn mehrere Mähdrescher entweder gleichzeitig oder über mehrere Tage gearbeitet haben, um Konsistenz sicherzustellen.

• Das Dataset homogener und genauer zu machen, indem Schwankungen geglättet werden.

• Entfernung von Datenrauschen und überflüssigen Informationen, die Erkenntnisse verschleiern können.

• Eliminierung von Wendemarken oder abnormalen Geometrien, die die tatsächlichen Muster und Trends im Feld verfälschen können.

• Anpassung der Ertragsdaten, damit sie mit etablierten Durchschnitten oder Summen für jedes Attribut übereinstimmen.

Für eine detailliertere Erkundung und Beispiele verweisen wir auf unser Yield-Kalibrierung & Bereinigung Use Case.

Ursprüngliches YieldDataset mit Attribut WetMass

Fünf Mähdrescher arbeiteten parallel auf dem unten gezeigten 30 ha Feld. Die Kalibrierung eines der Mähdrescher war nicht mit den anderen synchronisiert, was zu orange Stellen führte, die anzeigen, dass zusätzliche KALIBRIERUNG erforderlich ist. Zusätzlich gibt es zahlreiche Wendemarken rot näher an den „Feld“-Rändern, die entfernt werden müssen.

Ursprüngliches YieldDataset mit Attribut WetMass

Kalibriertes und bereinigtes YieldDataset mit Attribut WetMass

Das Ergebnis unten zeigt den Datensatz nach Anwendung automatischer KALIBRIEREN und BEREINIGEN Operationen unter Verwendung der Standardparameter. Das resultierende „YieldDataset“ ist homogen geworden, ohne Ausreißer oder abrupte Änderungen zwischen benachbarten Geometrien.

Kalibriertes und bereinigtes YieldDataset mit Attribut WetMass

Optionen: Pfadbezogen vs Durchschnitt/Summe vs Konditional

Pfadbezogene Kalibrierung entspricht den Fahrspuren der Maschine. Jede Maschinenspur wird für Kalibrierungszwecke als eigene Region verarbeitet. Das GeoPard-Team empfiehlt diese Methode als Standardvorgehen.

Durchschnitts-/Gesamt-Kalibrierung konzentriert sich auf die Umverteilung von Attributwerten. Wenn die räumlichen Muster korrekt sind, die absoluten Zahlen jedoch von den tatsächlichen abweichen, erweist sich diese Methode als vorteilhaft. Für optimale Ergebnisse empfiehlt GeoPard, sie mit der pfadbezogenen Kalibrierung zu kombinieren: Zuerst Pfadbezogen anwenden, dann an bekannte Durchschnitts-/Gesamtwerte anpassen.

Konditionale Kalibrierung passt Attributwerte basierend auf vorgegebenen Min- und Max-Grenzwerten an. Diese Methode ist besonders wertvoll, wenn die räumlichen Muster präzise sind, die Verteilung der Werte jedoch angepasst werden muss, insbesondere wenn bekannte Min- und Max-Werte vorliegen. Für beste Resultate empfiehlt GeoPard, sie mit der pfadbezogenen Kalibrierung zu koppeln: Beginnend mit Pfadbezogen, gefolgt von Anpassungen zur Angleichung an die bekannten Min- und Max-Werte.

Hinweise

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 empfohlen. Er wird mit den Parametern konfiguriert Aktionen: [CLEAN, CALIBRATE].

Die Priorisierung der Datenbereinigung vor der Kalibrierung gewährleistet die Entfernung von Fehlern, fehlenden Werten oder Inkonsistenzen und verbessert so Datenqualität und Genauigkeit.

Hinweis für 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 in Betracht. Er wird mit den Parametern konfiguriert Aktionen: [CALIBRATE, CLEAN].

Die Bereinigung der Daten nach der Kalibrierung hilft, den Datensatz weiter zu verfeinern, indem potenzielle Artefakte entfernt werden, die während der Kalibrierung eingeführt wurden.

Dokumentation: Mutationsdetails

Die standardmäßige Vorkonfiguration aktiviert die automatische Kalibrierung und Bereinigung des „YieldDataset“.

mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      Aktionen:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}

Ein fortgeschritteneres Beispiel bietet manuelle Kontrolle über Min-/Max-Bereiche und nimmt zusätzliche Attribute auf.

mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      Aktionen:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}

Um dem USDA-Protokoll für die BEREINIGEN Operation zu folgen, müssen SIE entweder ALLE Spalten in der cleanAction -> conditionMinMaxClean oder einen Teil davon in cleanAction -> conditionMinMaxClean und die verbleibenden in condtionAutoClean -> excludedAttributes.

Eingabeparameter:

• Aktionen als Array, das es Ihnen ermöglicht, die korrigierenden Aktionen und deren Reihenfolge der Anwendung zu wählen; unterstützte Werte umfassen BEREINIGEN und KALIBRIEREN.

• calibrateAction als ein Objekt, das Konfigurationsdetails im Zusammenhang mit der KALIBRIEREN Operation enthält.

  • calibrationAttributes als ein Array von Attributen, die kalibriert werden müssen, typischerweise verbunden mit der Ertrags-Spalte.

  • smoothWindowSize als ungerade Ganzzahl, die die Ergebniswerte glättet und abrupte Sprünge in den Werten reduziert.

  • conditionPathwiseCalibration als ein Objekt mit der Pfadbezogen Kalibrierung entspricht den Fahrspuren der Maschine. Jede Maschinenspur wird für Kalibrierungszwecke als eigene Region verarbeitet.

    • calibrationBasis als String, der das Attribut darstellt, das als Basis für die Kalibrierung verwendet wird.

    • maxHomogeneityRegion als Boolean, der angibt, ob die maximal homogene Region als Referenzregion für die Kalibrierung verwendet wird.

    • syntheticMachinePath als Boolean, der die Simulation von Maschinenrouten anzeigt; dies ist nützlich, wenn das genaue Maschinenpfad-Attribut fehlt und basierend auf Zeitstempeln oder einem ähnlichen Attribut simuliert werden muss.

  • conditionAvgTotalCalibration als ein Objekt mit der Durchschnitts-/Gesamt- Kalibrierung konzentriert sich auf die Umverteilung von Attributwerten. Wenn die geospatialen Muster korrekt sind, die absoluten Zahlen jedoch von den tatsächlichen abweichen, ist diese Methode vorteilhaft.

    • calibrationAttribute als String, der das zu kalibrierende Attribut darstellt.

    • average als Zahl, die den Durchschnittswert des Attributs darstellt; die Attributwerte sollten diesem Durchschnitt entsprechen. Es sollte jeweils nur eine Option verwendet werden, entweder average oder total, sollte jeweils verwendet werden.

    • total als Zahl, die die Gesamtsumme der Attributwerte darstellt; die Summe dieser Werte sollte mit dem Gesamtwert übereinstimmen. Es sollte jeweils nur eine Option verwendet werden, entweder average oder total, sollte jeweils verwendet werden.

  • conditionMinMaxCalibration als ein Objekt mit der Konditional Kalibrierung passt Attributwerte basierend auf vorgegebenen Min- und Max-Schwellen an.

    • calibrationAttribute als String, der das zu kalibrierende Attribut darstellt.

    • min als Zahl, die die Minimalwerte des Attributs darstellt und den unteren Bereich für die Kalibrierung bildet.

    • minIncluded als Boolean, der angibt, ob der Minimalwert einbezogen werden soll oder nicht

    • max als Zahl, die die Maximalwerte des Attributs darstellt und den oberen Bereich für die Kalibrierung bildet.

    • maxIncluded als Boolean, der angibt, ob der Maximalwert einbezogen werden soll oder nicht.

• cleanAction als ein Objekt, das die konfigurationsspezifischen Details im Zusammenhang mit der BEREINIGEN Operation enthält.

  • conditionAutoClean als ein Objekt, das die spezifischen Konfigurationen des Auto-Clean-Algorithmus enthält.

    • targetAttribute als String, der die Ziel-Ertragswerte darstellt.

    • excludedAttributes als ein Array von Strings, das Attribute definiert, die die Bereinigungsoperation nicht beeinflussen.

  • conditionMinMaxClean als ein Array von Objekten, die die beschriebenen Bereinigungsregeln enthalten; jedes Objekt beinhaltet die folgenden Parameter.

    • cleanAttribute als String, der den Spaltennamen für die Regel angibt.

    • min als Zahl, die den Minimalwert angibt.

    • max als Zahl, die den Maximalwert angibt.

Um die Eingaben einzusehen und auf die jeweils neuesten verfügbaren Werte von Enumerationen (wie Operationen) zuzugreifen, wird empfohlen, Altair.

Dokumentation: YieldDataset-Abfrage

Als GeoPard-API-Nutzer können Sie Details zu den auf YieldDatasets angewendeten Korrekturen über die Attribute abrufen appliedCorrections und appliedCorrectionsVersion. Ersteres liefert eine Liste der vorgenommenen Korrekturen (z. B. KALIBRIEREN und BEREINIGEN), wobei die Ausführungsreihenfolge durch ihre Sequenz im Array angegeben wird. Gleichzeitig appliedCorrectionsVersion zeigt die Version des verwendeten Algorithmus an.

query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}