> 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutation: YieldDataset kalibrieren und bereinigen

API-Aufrufe zum Bereinigen und Kalibrieren von Ertragsdatensätzen

Die Kalibrierung des „YieldDataset“ korrigiert die Werteverteilung anhand mathematischer Prinzipien und verbessert so die Datenintegrität insgesamt. Sie erhöht die Qualität der Entscheidungsfindung und macht den Datensatz für weiterführende, detaillierte Analysen nutzbar.

Typische Anwendungsfälle für diese Funktion sind:

* Daten synchronisieren, wenn mehrere Erntemaschinen gleichzeitig oder an mehreren Tagen gearbeitet haben, um die Konsistenz sicherzustellen.
* Den Datensatz durch Glätten von Abweichungen homogener und genauer machen.
* Datenrauschen und irrelevante Informationen entfernen, die die Aussagekraft beeinträchtigen können.
* Wendemanöver und abnormale Geometrien entfernen, die die tatsächlichen Muster und Trends auf dem Feld verzerren können.
* Ertragsdaten so anpassen, dass sie den etablierten Durchschnittswerten oder Summen für jedes Attribut entsprechen.

Ausführlichere Erläuterungen und Beispiele finden Sie in unserem Anwendungsfall [Ertragsdaten kalibrieren und bereinigen](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) .

### Originales YieldDataset mit dem Attribut WetMass

Fünf Erntemaschinen arbeiteten parallel auf dem unten dargestellten 30-ha-Feld. Die Kalibrierung einer der Erntemaschinen war nicht mit den anderen synchronisiert, was zu <mark style="color:orange;">orangefarbenen</mark> Bereichen führte. Sie weisen darauf hin, dass eine zusätzliche `CALIBRATION` erforderlich ist. Außerdem gibt es zahlreiche Wende- <mark style="color:rote;">rote</mark> Bereiche nahe den „Field“-Rändern, die entfernt werden müssen.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Originales YieldDataset mit dem Attribut WetMass</p></figcaption></figure>

### Kalibriertes und bereinigtes YieldDataset mit dem Attribut WetMass

Das Ergebnis unten zeigt den Datensatz nach Anwendung der automatischen Vorgänge `CALIBRATE` und `CLEAN` mit den Standardparametern. Das resultierende „YieldDataset“ ist homogen und weist weder Ausreißer noch abrupte Änderungen zwischen benachbarten Geometrien auf.

<figure><img src="https://1347797700-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibriertes und bereinigtes YieldDataset mit dem Attribut WetMass</p></figcaption></figure>

### Optionen: streckenbezogen, Durchschnitt/Summe und bedingt

**Streckenbezogene Kalibrierung** orientiert sich an den Fahrspuren der Maschine. Jede Fahrspur wird zu Kalibrierungszwecken als eigenständiger Bereich verarbeitet. Das GeoPard-Team empfiehlt diese Methode als Standardverfahren.

**Kalibrierung anhand von Durchschnitts- oder Summenwerten** konzentriert sich auf die Neuverteilung der Attributwerte. Wenn die räumlichen Muster korrekt sind, die absoluten Werte aber von den tatsächlichen Werten abweichen, ist diese Methode hilfreich. Für optimale Ergebnisse empfiehlt GeoPard, sie mit der streckenbezogenen Kalibrierung zu kombinieren: zuerst streckenbezogen kalibrieren und anschließend an bekannte Durchschnitts- oder Summenwerte anpassen.

**Bedingte Kalibrierung** passt Attributwerte anhand vorgegebener Mindest- und Höchstwerte an. Diese Methode ist besonders hilfreich, wenn die räumlichen Muster präzise sind, die Werteverteilung jedoch angepasst werden muss – insbesondere, wenn bekannte Mindest- und Höchstwerte vorliegen. Für optimale Ergebnisse empfiehlt GeoPard, sie mit der streckenbezogenen Kalibrierung zu kombinieren: zuerst streckenbezogen kalibrieren und anschließend an die bekannten Mindest- und Höchstwerte anpassen.

### Hinweise

{% hint style="warning" %}
**Hinweis zu Datenanomalien**

Treten in den Daten Anomalien auf, etwa Werte bei oder nahe null oder ungewöhnlich hohe Werte (zum Beispiel ein Durchschnitt von 10 bei einem Maximum von 8000), empfiehlt sich der Workflow **Bereinigen und kalibrieren** . Er wird mit den Parametern `actions: [CLEAN, CALIBRATE]`.

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" %}
**Hinweis zu Daten ohne anfängliche Fehler**

Sind Datensätze von Anfang an frei von Fehlern, fehlenden Werten und Inkonsistenzen und ist bekannt, dass mehrere Erntemaschinen zum Einsatz kamen, empfiehlt sich der Workflow **Kalibrieren und bereinigen** . Er wird mit den Parametern `actions: [CALIBRATE, CLEAN]`.

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

### Dokumentation: Details zur Mutation

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

{% code overflow="wrap" lineNumbers="true" %}

```graphql
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"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Ein erweitertes Beispiel ermöglicht die manuelle Steuerung der Min-/Max-Bereiche und berücksichtigt zusätzliche Attribute.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
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
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Um dem USDA-Protokoll für die `CLEAN` -Operation zu folgen, müssen Sie entweder ALLE Spalten in der `cleanAction` -> `conditionMinMaxClean` angeben oder einen Teil davon in `cleanAction` -> `conditionMinMaxClean` und die übrigen in `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Eingabeparameter:

* `actions` als Array, mit dem Sie die *Korrekturmaßnahmen und ihre Reihenfolge* der Anwendung auswählen können; unterstützte Werte sind unter anderem `CLEAN` und `CALIBRATE`.
* `calibrateAction` als Objekt mit Konfigurationsdetails für den Vorgang `CALIBRATE` .
  * `calibrationAttributes` als Array von Attributen, die kalibriert werden müssen und typischerweise mit der Ertragsspalte verknüpft sind.
  * `smoothWindowSize` als ungerade Ganzzahl, die die Ergebniswerte glättet und abrupte Wertänderungen reduziert.
  * `conditionPathwiseCalibration` als Objekt mit der **spurbezogenen** Kalibrierung, die den Fahrspuren der Maschine entspricht. Jede Fahrspur wird für die Kalibrierung als eigener Bereich verarbeitet.
    * `calibrationBasis` als Zeichenfolge, die das für die Kalibrierung verwendete Attribut angibt.
    * `maxHomogeneityRegion` als boolescher Wert, der angibt, ob der Bereich mit der höchsten Homogenität als Referenzbereich für die Kalibrierung verwendet wird.
    * `syntheticMachinePath` als boolescher Wert, der angibt, ob Maschinenrouten simuliert werden. Dies ist hilfreich, wenn das genaue Attribut für den Maschinenpfad fehlt und anhand von Zeitstempeln oder einem ähnlichen Attribut simuliert werden muss.
  * `conditionAvgTotalCalibration` als Objekt mit der **Durchschnitts-/Gesamtkalibrierung** Bei dieser Kalibrierung werden Attributwerte neu verteilt. Sie eignet sich, wenn die georäumlichen Muster korrekt sind, die absoluten Werte jedoch von den tatsächlichen Werten abweichen.
    * `calibrationAttribute` als Zeichenfolge, die das zu kalibrierende Attribut angibt.
    * `average` als Zahl, die den Durchschnittswert des Attributs angibt; die Attributwerte sollten diesem Durchschnitt entsprechen. Es sollte jeweils nur eine der beiden Optionen verwendet werden: `average` oder `total`.
    * `total` als Zahl, die die Gesamtsumme der Attributwerte angibt; die Summe dieser Werte sollte dem angegebenen Gesamtwert entsprechen. Es sollte jeweils nur eine der beiden Optionen verwendet werden: `average` oder `total`.
  * `conditionMinMaxCalibration` als Objekt mit der **bedingten** Kalibrierung, bei der Attributwerte anhand der angegebenen Minimal- und Maximalschwellen angepasst werden.
    * `calibrationAttribute` als Zeichenfolge, die das zu kalibrierende Attribut angibt.
    * `min` als Zahl, die den Minimalwert des Attributs angibt und als untere Grenze für die Kalibrierung dient.
    * `minIncluded` als boolescher Wert, der angibt, ob der Minimalwert eingeschlossen werden soll.
    * `max` als Zahl, die den Maximalwert des Attributs angibt und als obere Grenze für die Kalibrierung dient.
    * `maxIncluded` als boolescher Wert, der angibt, ob der Maximalwert eingeschlossen werden soll.
* `cleanAction` als Objekt mit den Konfigurationsdetails für den `CLEAN` Vorgang.
  * `conditionAutoClean` als Objekt mit den Konfigurationen für den Algorithmus zur automatischen Bereinigung.
    * `targetAttribute` als Zeichenfolge, die die angestrebten Ertragswerte angibt.
    * `excludedAttributes` als Array von Zeichenfolgen, die Attribute definieren, die sich nicht auf den Bereinigungsvorgang auswirken.
  * `conditionMinMaxClean` als Array von Objekten mit den beschriebenen Bereinigungsregeln. Jedes Objekt enthält die folgenden Parameter.
    * cleanAttribute als Zeichenfolge, die den Spaltennamen für die Regel angibt.
    * `min` als Zahl, die den Mindestwert angibt.
    * `max` als Zahl, die den Höchstwert angibt.

{% hint style="info" %}
Um die Eingaben und die neuesten verfügbaren Enumerationswerte (z. B. `operations`) anzuzeigen, empfiehlt sich die Verwendung von [Altair](https://docs.geopard.tech/geopard-tutorials/de/api-dokumentation/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentation: YieldDataset-Abfrage

Als Nutzer der GeoPard-API können Sie über die Attribute Details zu den auf YieldDatasets angewendeten Korrekturen abrufen: `appliedCorrections` und `appliedCorrectionsVersion`. Das erste Attribut enthält eine Liste der vorgenommenen Korrekturen (z. B. `CALIBRATE` und `CLEAN`). Die Reihenfolge der Ausführung ergibt sich aus der Reihenfolge der Einträge im Array. Das zweite Attribut `appliedCorrectionsVersion` gibt die Version des verwendeten Algorithmus an.

{% code overflow="wrap" lineNumbers="true" %}

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

{% endcode %}


---

# 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
