> 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/dnk/agronomi/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Sammenlign data fra jordscanner mellem år

Denne artikel skitserer forskellige matematiske metoder til at kvantificere forskelle mellem datasæt fra jordscannere og forbedre beslutningstagningen for forskere og agronomer.

Jordscannere er uundværlige redskaber i præcisionslandbrug, da de gør det muligt at indsamle data med høj opløsning om jordens egenskaber, såsom fugtighed, organisk materiale og næringsstofniveauer. Det er vigtigt at sammenligne to datasæt fra jordscannere for at forstå ændringer over tid, validere forskellige scanningsmetoder eller kalibrere nye enheder. Denne artikel gennemgår forskellige matematiske metoder til at måle afvigelser mellem to datasæt fra jordscannere og giver forskere og agronomer konkrete indsigter, de kan handle på.

### Forstå afvigelser i data fra jordscannere

Afvigelsen mellem to datasæt fra jordscannere er forskellen mellem de målte værdier på de samme steder. Den kan skyldes forskelle i måleforhold, sensorkalibrering eller ændringer i jorden. De mest almindelige typer af afvigelser omfatter:

* Absolutte forskelle: Direkte subtraktion af værdierne i de to datasæt.
* Relative forskelle: Sammenligning baseret på målingernes størrelse.
* Fejlmål: Statistiske mål såsom middelabsolut fejl (MAE) og normaliseret forskel.

Der blev valgt to datasæt fra jordscannere med kaliumdata for 2024 og 2025.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Oprindelige datasæt fra jordscannere</p></figcaption></figure>

### Vælg den rette metode til at måle afvigelser

| Metode                             | Bedst egnet til                                         |
| ---------------------------------- | ------------------------------------------------------- |
| Direkte forskel                    | Enkel visualisering af positive og negative ændringer   |
| Relativ forskel                    | Sammenligning af datasæt med forskellige skalaer        |
| Normaliseret forskel               | Standardiseret analyse på tværs af forskellige datasæt  |
| Relativ afvigelse                  | Forholdsmæssige forskelle, nyttige til trendanalyse     |
| Middelabsolut fejl (MAE) pr. pixel | Identifikation af områder med store absolutte forskelle |

### Beregning af direkte forskel

Metoden med direkte forskel trækker ganske enkelt det ene datasæt fra det andet, så ændringer i jordens egenskaber kan visualiseres direkte.

Brugen af `geopard.calculate_difference(dataset_1, dataset_2)` og en forklaring af parametrene er beskrevet [her](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Fordele:

* Viser tydeligt positive og negative ændringer.
* Let at fortolke og visualisere.

Ulemper:

* Det kan være svært at sammenligne forskelsværdierne, hvis datasættene har forskellige skalaer.
* Store variationer kan dominere fortolkningen.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Beregning af direkte forskel</p></figcaption></figure>

### Beregning af relativ forskel

Metoden med relativ forskel beregner den procentvise ændring mellem datasættene med udgangspunkt i det andet datasæt og giver dermed et andet perspektiv på afvigelsen.

Brugen af `geopard.calculate_relative_difference(dataset_1, dataset_2)` og en forklaring af parametrene er beskrevet [her](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Fordele:

* Velegnet til at forstå, hvor meget det ene datasæt har ændret sig i forhold til det andet.
* Normaliserer forskellene på tværs af værdier af forskellig størrelse.

Ulemper:

* Kan blive ustabil, når værdierne i det andet datasæt er tæt på nul.
* Mindre intuitiv, når absolutte forskelle er vigtige.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Beregning af relativ forskel</p></figcaption></figure>

### Beregning af normaliseret forskel

Metoden med normaliseret forskel normaliserer datasættene ved hjælp af deres globale maksimumværdi, før forskellene beregnes. Det sikrer, at variationer kan sammenlignes på tværs af forskellige skalaer.

Brugen af `geopard.calculate_normalized_difference(dataset_1, dataset_2)` og en forklaring af parametrene er beskrevet [her](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Fordele:

* Velegnet til datasæt med forskellige dynamiske spænd.
* Reducerer påvirkningen fra ekstreme værdier.

Ulemper:

* Små variationer kan virke overdrevne, hvis de ikke skaleres korrekt.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Beregning af normaliseret forskel</p></figcaption></figure>

### Relativ afvigelse pr. pixel

Metoden til relativ afvigelse beregner afvigelsen i procent i forhold til det første datasæt. Den gør det lettere at forstå proportionale forskelle frem for absolutte forskelle.

Brugen af `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` er dokumenteret sammen med en forklaring af parametrene [her](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Fordele:

* Nyttig ved sammenligning af datasæt med forskellige skalaer.
* Udtrykker afvigelsen som en letforståelig procentsats.

Ulemper:

* Kan være misvisende, hvis de oprindelige værdier er meget små.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relativ afvigelse pr. pixel</p></figcaption></figure>

### Middelabsolut fejl (MAE) pr. pixel

Metoden med middelabsolut fejl (MAE) måler de absolutte forskelle mellem tilsvarende værdier i to datasæt. Den giver et tydeligt overblik over, hvor de største afvigelser forekommer.

Brugen af `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` er dokumenteret sammen med en forklaring af parametrene [her](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Fordele:

* Enkel og intuitiv.
* Fremhæver tydeligt store forskelle.
* Fungerer godt for datasæt med lignende skalaer.

Ulemper:

* Viser ikke forskellens retning (dvs. en positiv eller negativ ændring).
* Følsom over for afvigende værdier.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Middelabsolut fejl (MAE) pr. pixel</p></figcaption></figure>

### Konklusion

Sammenligning af datasæt fra jordscannere kræver forskellige matematiske metoder for at finde meningsfulde forskelle. Uanset om man bruger absolutte mål som MAE, relative afvigelser eller normaliserede sammenligninger, afhænger valget af metode af formålet. Ved at udnytte disse teknikker kan agronomer og forskere forbedre jordbundsanalyser, opdage variationer i marken og styrke arbejdsgange inden for præcisionslandbrug.


---

# 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/dnk/agronomi/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
