Kalibrering og rensning af udbytte

Hvordan du renser og kalibrerer data fra udbyttemonitor i GeoPard. Inkluderer USDA-protokol for rensning af udbytte. Ret outliers, striber, vendinger og datasæt fra flere mejetærskere.

Brug GeoPard til rense udbyttedata og kalibrere udbyttemonitor-datasæt. Få et udbyttemap, du kan stole på til zoner, forskrifter og analyser. Denne arbejdsgang håndterer outliers, vendesituationer, manglende attributter og udbyttedata fra flere mejetærskere. Den inkluderer USDA-protokollen for udbyttesrensning og understøtter Yield Editor-alternative arbejdsgange.

Videovejledning om rensning og kalibrering af udbyttedata. Forskellen mellem valgmuligheder forklaret.

Denne kalibreringsproces er afgørende for:

1. Sikring af datakonsistens: Det er ikke usædvanligt, at flere mejetærskere arbejder sammen eller på forskellige dage. Denne funktion sikrer, at deres data harmonerer.

2. Homogenisering af data: Udbyttedata kan variere; kalibreringen sikrer, at de er jævne og konsistente uden uønskede spring eller fald.

3. Filtrering af støj: Ligesom alle data kan udbyttedata indeholde 'støj' eller irrelevante oplysninger. Vi sørger for, at det ikke forstyrrer dine indsigter.

4. Strømlining af geometrier: Alle vendesituationer eller mærkelige geometriske mønstre kan forskyde reelle indsigter. Kalibreringen er designet til at udjævne disse, så dataene afspejler feltets virkelighed.

5. Beskæring efter markgrænse: Mejetærskere arbejder ofte på tværs af tilstødende områder. For præcise analyser er det vigtigt kun at medtage data, som ligger inden for den angivne grænse.

Yield Calibration-grænsefladen bruger GeoPard API-endpointet for Yield Clean/Calibrate (GeoPard API: Kalibrer og rens YieldDataset). Den kører KALIBRER og RENS operationerne i UI eller via API.

Kort oversigt

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Open

Download PDF-brochure om udbytterensning

Eksempler fra praksis

I landbrugets verden kan korrupte udbyttedatasæt give store udfordringer. Nedenfor finder du virkelige eksempler, hvor sådanne datasæt blev mødt. Gennem GeoPards avancerede kalibrerings- og rensningsalgoritmer blev disse datasæt effektivt forbedret og optimeret.

For at håndtere områder uden registrerede udbyttedata og opnå et komplet udbyttemap, overvej at bruge GeoPard Synthetic Yield Map-tilgangen. Denne metode genskaber manglende data for en komplet udbytteanalyse. Læs mere her.

Flere mejetærskere arbejder sammen

Eksempel 1: Flere mejetærskere arbejder sammen

Når du håndterer komplekse scenarier, anbefales en todelt kalibreringsproces for optimal nøjagtighed. Start med at køre den indledende kalibrering ved hjælp af maskine-ID-attributten. Fortsæt derefter med en anden kalibreringsrunde, denne gang ved at bruge afkrydsningsfeltet for simulerede (syntetiske) maskinspor. Denne lagdelte tilgang sikrer en grundig og præcis kalibrering, som er nødvendig for effektiv håndtering af indviklede tilfælde.

Eksempel 2: Flere mejetærskere arbejder sammen

Eksempel 3: Flere mejetærskere arbejder sammen

J-vendinger, stop, halvt udstyrsbredde brugt

Eksempel 1: U-vendinger, stop, halvt udstyrsbredde brugt

Eksempel 2: U-vendinger, stop, halvt udstyrsbredde brugt

Abnormt store registrerede værdier

Eksempel 1: Abnormt store registrerede værdier

Eksempel 2: Abnormt store registrerede værdier

Eksempel 3: Abnormt store registrerede værdier

Eksempel 4: Abnormt store registrerede værdier

Eksempel 5: Abnormt store registrerede værdier

Data uden for markgrænsen

Eksempel: Data uden for markgrænser

Kalibrering ved hjælp af angivet gennemsnitsudbytte

Eksempel: Kalibrering ved brug af angivet gennemsnitsudbytte (28 t/ha)

Rens udbytteattributter ved at ignorere attributter med anomalier

Yield-datasættet indeholder lejlighedsvis attributter med uregelmæssigheder i fugtighed, hastighed, højder eller andre sekundære (ikke-udbytte) attributter. Under udførelsen af Clean- eller Calibrate-aktiviteter er det vigtigt at se bort fra disse anomalier. Dette kan effektivt opnås ved hjælp af GeoPard Yield Clean-Calibrate-grænsefladen.

Eksempel: Anomalier i fugtighedsattributten

Eksempel: Rens udbyttedata ved at ignorere anomalier i fugtighed

USDA-protokol for udbytterensning

Brug denne mulighed, når du har brug for en gentagelig, standardbaseret arbejdsflow for yield-editor. Den er optimeret til rensning af udbyttemonitordata i stor skala.

Eksempel: Rens udbyttedata ved anvendelse af USDA-protokol

Eksempel: Rens udbyttedata ved anvendelse af USDA-protokol

Forklaring af kalibreringslogikker

Kalibrering langs spor

BRUG Kalibrering langs spor når en mark er høstet af flere maskiner eller over flere dage, specifikt for at korrigere systematiske forskelle som stribning eller båndning. Det er ideelt til scenarier, hvor varierende maskinindstillinger, operatører eller miljøforhold forårsager konstant over- eller undervurdering langs forskellige spor.

Vigtigt: AI'en kræver variation - såsom forskellige spor, maskine-ID'er eller høstdatoer - for at lære og kalibrere effektivt.

Eksempel: Yield WetMass og 9 mejetærskere

BRUG IKKE denne metode til høst med én maskine i en kontinuerlig session eller hvis udbyttemappet mangler synlige rumlige mønstre. Undgå den også, hvis dataene er sparsomme, eller hvis du kun har totale udbytteværdier på markniveau uden maskinens forskelle

Eksempel: Statistisk korrekt datadistribution

Gennemsnits- eller total-kalibrering

Gennemsnits-/total-kalibrering ER BEDST AT BRUGE når du har høj tillid til dine samlede udbyttedata på markniveau, såsom registreringer fra en vægtbro eller lagerfacilitet. I stedet for at justere individuelle spor skalerer denne metode hele datasættet, så det endelige gennemsnit eller total matcher din kendte referenceværdi. Det beskrives ofte som den enkleste og sikreste kalibreringsmulighed, når de samlede tal kan betros.

Hvornår man BRUGER Gennemsnits-/Total-kalibrering:

• Kendte referenceværdier: Du bør bruge denne logik, når du har officielle totale udbytteregistreringer (f.eks. fra en vægtbro) eller et højt pålideligt gennemsnitsudbytte for marken.

• Global bias-korrektion: Det er ideelt, hvis den rumlige fordeling i udbyttemappet ser korrekt ud, men værdierne er globalt forskudt - hvilket betyder, at udbyttemonitoren sandsynligvis var ukalibreret og rapporterer konsekvent for høje eller for lave værdier over hele marken.

• Ensartede høstforhold: Denne metode er mest effektiv, når høstforholdene var relativt ensartede gennem hele operationen.

• Konsistens ved enkeltmaskine: Den fungerer godt for høst, der er udført af én maskine, som arbejdede ensartet over marken.

Eksempel: Statistisk korrekt datadistribution med påkrævet forskydning ved brug af gennemsnitsudbytte

Hvornår IKKE at BRUGE Gennemsnits-/Total-kalibrering:

• Maskine-til-maskine bias: Brug ikke denne metode, hvis forskellige dele af marken blev høstet af forskellige maskiner eller på forskellige dage, hvilket resulterede i lokale bias. I disse tilfælde vil skalering af hele marken ikke rette de underliggende forskelle mellem maskiner.

• Synlige artefakter: Hvis du ser kraftig stribning, båndning eller retningsbestemte artefakter i dine data, vil denne metode ikke løse dem; Kalibrering per spor er bedre egnet til disse problemer.

• Ufuldstændige data: Undgå denne logik, hvis kun en del af marken blev høstet, eller hvis de registrerede data er ufuldstændige, da total-/gennemsnitsværdierne ville være vildledende.

Eksempel: Udbyttedata med huller

Betinget kalibrering

Betinget kalibrering tjener som en sikkerhedskontrol ved at sikre, at udbytteværdier forbliver inden for realistiske, foruddefinerede minimums- og maksimumsgrænser.

Du BØR BRUGE denne logik til afjerne ekstreme outliers og sensorspidser forårsaget af støj, maskinstop eller vendinger. Den er ideel til at anvende specifikke agronomiske forventninger - såsom "udbyttet kan ikke overstige X" - uden at udføre en korrektion.

Dog UNDGÅ DENNE METODE hvis dit datasæt har en global bias eller systematiske maskinforskelle, da den ikke skalerer data eller retter rumlige mønstre. Grundlæggende holder den værdier plausible, men løser ikke underliggende kalibreringsforskydninger.

Brugsstrategi

Onepager-vejledning til udbyttekalibrering

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Open

Download PDF-onepager med vejledning om udbyttekalibrering

Første skridt

"Yield Calibrate and Clean"-modulet startes direkte fra brugergrænsefladen. Hovedkravet er at have et uploadet Yield-datasæt. Ved siden af hvert Yield-datasæt finder du en knap til at starte dataset-justeringerne.

Start flowet

Vælg en mulighed for at fortsætte

Derfra er flere muligheder tilgængelige for at fortsætte:

1. Auto-behandling: Brug standardindstillingerne anbefalet af GeoPard for en ét-klik-kalibrering.

2. Kun rensning: Konfigurer og udfør kun CLEAN-operationen, inklusive

   1. GeoPard-rensning: Smart rensning af udbyttedatasæt med AI-algoritmer.

   2. USDA (United States Department of Agriculture) rensningsprotokol for udbytte.

   3. Betinget rensning: Filtrer data baseret på brugerdefinerede attributgrænser.

3. Kun kalibrering: Konfigurer og udfør kun CALIBRATE-operationen, inklusive

   1. Pathwise: Kalibrer udbytte for hver enkelt maskines spor ved hjælp af AI-algoritmer.

   2. Gennemsnit/Total: Juster udbytte baseret på markens kendte gennemsnit eller totaludbytte.

   3. Betinget: Ændr udbytte inden for faste minimums- og maksimumgrænser for at bevare forventede intervaller.

4. Kalibrer & rens: Vælg rækkefølgen af operationer og tilpas parametrene.

5. Yield Editor-alternativ: Brug Kun rens → USDA (eller Kalibrer & rens) for at matche en manuel “Yield Editor”-rensningsarbejdsgang, men i stor skala. I valideringstests matchede USDA-protokolrensning de manuelle Yield Editor-resultater med R² (R2) = 0.98 (næsten identisk output).

Én-knaps-løsning

Tip om unormale værdier, som nogle gange er iboende i udbyttedatasæt.

Hvis en attribute valgt til kalibrering eller rensning overvejende indeholder nulværdier over størstedelen af geometrierne, vil disse geometrier blive udelukket fra det endelige Yield-datasæt.

For at sikre integritet bør attributter med sådanne anomalier udelukkes fra listen over attributter, der skal kalibreres.

Fuld vejledning

Vælg flow: Tip til dataanomalier

Hvis en bruger støder på anomalier i dataene, såsom værdier på eller tæt på nul, eller usædvanlig store værdier (for eksempel et gennemsnit på 10 med et maksimum på 8000), anbefales Rens & Kalibrering arbejdsgang anbefales.

At prioritere rensning af data før kalibrering sikrer fjernelse af fejl, manglende værdier eller inkonsistenser og forbedrer dermed datakvaliteten og nøjagtigheden.

Vælg flow: Tip til data uden indledende fejl

For datasæt, der indledningsvist er fri for fejl, manglende værdier eller inkonsistenser, og når flere mejetærskere vides at være involveret, bør man overveje Kalibrering & Rens arbejdsgang.

At rense data efter kalibrering hjælper med yderligere at forfine datasættet ved potentielt at fjerne artefakter, der er indført under kalibreringen.

Renseflow: Tip om unormale værdier, som nogle gange er iboende i udbyttedatasæt.

Hvis en attribute valgt til kalibrering eller rensning overvejende indeholder nulværdier over størstedelen af geometrierne, vil disse geometrier blive udelukket fra det endelige Yield-datasæt.

For at sikre integritet bør attributter med sådanne anomalier udelukkes fra listen over attributter, der skal renses (2).

Kalibreringsflow: Tip om unormale værdier, som nogle gange er iboende i udbyttedatasæt.

Hvis en attribute valgt til kalibrering eller rensning overvejende indeholder nulværdier over størstedelen af geometrierne, vil disse geometrier blive udelukket fra det endelige Yield-datasæt.

For at sikre integritet bør attributter med sådanne anomalier udelukkes fra listen over attributter, der skal kalibreres (3).

Algoritmeversioner

Efterbehandling vises resultaterne ved siden af det originale datasæt. De er markeret med "Kalibrer" og/eller "Rens" etiketter, plus algoritmeversionen.

Resultatet af Calibrate & Clean-kørslen (version 2)

Fra version 3.0 fra Clean/Calibrate-algoritmens version 3.0 introducerer GeoPard funktionen Beskæring efter markgrænse. Dette beholder kun geometrier inden for markgrænsen og forbedrer den statistiske fordeling.

Resultatet af Auto-Processing-kørslen (version 3.0)

Startende med version 4.0, indeholder Clean/Calibrate-algoritmen i GeoPard nu en funktion til kalibrering baseret på gennemsnits- eller totalværdier for enhver attribut. En udbredt anvendelse af denne forbedring er kalibrering af WetMass, som nu kan justeres efter det kendte målte gennemsnitsudbytte for en specifik mark.

Resultatet af kalibreringskørslen ved brug af gennemsnitsudbytte på 6 t/ha (version 4.0)

Fra version 5.0 fra Clean/Calibrate-algoritmens version 5.0 introducerer GeoPard USDA (United States Department of Agriculture) rensningsprotokol for udbytte. USDA leverer formelle agronomiske datastandarder, der regulerer, hvordan udbytte, fugtighed, flow og rumlige målinger normaliseres, valideres og statistisk filtreres for at producere maskin- og markkonsistente landbrugsdatasæt.

Resultatet af rengøringskørslen ved brug af USDA-protokollen (version 5.0)