> 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/yield-and-trials/comparing-yield-datasets.md).

# Sammenligning af udbyttedatasæt

Sammenlign udbyttedatasæt for at få dybere indsigt i afgrødepræstation på tværs af sæsoner, inklusive korrekt udbytterensning, kalibrering og brug af syntetisk udbytte.

## Kontekst

Moderne beslutningstagning i landbruget er i høj grad baseret på udbyttedatasæt, som består af indsamlede udbyttedata og afspejler en stor del af landmandens indkomst. Disse datasæt skal være nøjagtige og af høj kvalitet, så de kan danne grundlag for beslutninger om håndtering af input og optimere fremtidige strategier for såning og gødskning.

Udbyttedata indsamles typisk af høstudstyr, men rå målinger er ofte ufuldstændige, indeholder fejl eller kræver kalibrering for at håndtere uoverensstemmelser mellem sensorer og skiftende markforhold. For at løse disse udfordringer bruger fagfolk ofte teknikker til datarensning, kalibrering og generering af syntetiske datasæt, så de kan skabe pålidelige og sammenlignelige udbyttedata.

Både[ Rensning og kalibrering af udbyttedata](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) og [Syntetisk gendannelse af udbyttedata](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/synthetic-yield-map.md) understøttes af GeoPard.

<mark style="background-color:yellow;">Ved at sammenligne udbyttedatasæt fra forskellige høstår får man værdifuld indsigt, der hjælper med at validere dyrkningspraksis, bekræfte sensorernes nøjagtighed og forbedre strategierne for kommende sæsoner.</mark> Sammenligningerne hjælper også med at finjustere gødnings- og såanbefalinger, så hver beslutning træffes på grundlag af pålidelige oplysninger.

## Sammenligningstilgang (ved hjælp af en lighedsligning)

Til kvantitativ sammenligning af udbyttedatasæt bruger vi en gemt ligning med navnet <mark style="background-color:yellow;">Rumlig korrelationsanalyse (lighed mellem datalag)</mark> som måler den rumlige lighed mellem udbytterelaterede attributter i udbyttedatasæt.

Ligningen tildeler en lighedsscore, der viser, hvor godt et datasæt svarer til et andet med hensyn til rumligt mønster og værdifordeling.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Søg efter den eksisterende ligning for lighed mellem datalag</p></figcaption></figure>

<mark style="background-color:yellow;">Lighedsværdierne går fra 0 til 1, hvor 0 betyder, at der ikke er noget match, og 1 betyder et match på 100 % for både værdier og rumlig fordeling</mark>. Med andre ord gælder det, at jo tættere lighedsscoren er på 1, desto større lighed er der mellem udbytteattributterne.

## **Reelt udbyttedatasæt (2015** Sojabønner **mod 2018** Sojabønne&#x72;**)**

I dette tilfælde tager vi udgangspunkt i rå udbyttedata indsamlet i to forskellige vækstsæsoner, 2015 og 2018, for samme afgrøde: sojabønner. De oprindelige datasæt indeholder unormalt høje og lave målinger, især i begyndelsen og slutningen af mejetærskerens kørespor, og dataene kræver en mindre kalibrering.

Efter brug af GeoPards værktøjer til rensning og kalibrering er det resulterende datasæt mere ensartet, konsistent og lettere at fortolke.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Sojabønner 2015: Oprindelige vs. rensede og kalibrerede udbyttedata</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Sojabønner 2018: Oprindelige vs. rensede og kalibrerede udbyttedata</p></figcaption></figure>

Nedenfor ses et skærmbillede af kortet fra beregningen med lighedsligningen.

Statistisk set viser resultaterne et højt gennemsnit (0,869) og en høj median (0,876), hvilket tyder på, at <mark style="background-color:yellow;">udbyttemønstrene for sojabønner i 2018 i høj grad ligner dem fra 2015</mark>. Selvom enkelte områder har værdier helt ned til 0,599, bekræfter den lave variation (0,005) og den moderate standardafvigelse (0,073), at der er <mark style="background-color:yellow;">overordnet konsistens</mark>.

Set fra et agronomisk perspektiv <mark style="background-color:yellow;">tyder denne stabilitet på, at markens grundlæggende forhold og reaktioner på dyrkningspraksis stort set er uændrede</mark>.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Sammenligning af udbyttelighed: sojabønner 2015 mod sojabønner 2018</p></figcaption></figure>

## **Reelt udbyttedatasæt (2022** Majs **mod 2024** Maj&#x73;**)**

I dette tilfælde tager vi udgangspunkt i rå udbyttedata fra to majssæsoner, 2022 og 2024. De oprindelige datasæt indeholder afvigelser som unormalt høje eller lave målinger, krydsende kørespor og buede kørselsforløb, hvilket tyder på, at sensorerne skal kalibreres igen.

Når GeoPards værktøjer til rensning og kalibrering er anvendt, bliver datasættene mere pålidelige, så automatiseret analyse og velinformerede beslutninger bliver mulige.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Majs 2022: Oprindelige vs. rensede og kalibrerede udbyttedata</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Majs 2024: Oprindelige vs. rensede og kalibrerede udbyttedata</p></figcaption></figure>

Nedenfor ses et skærmbillede af kortet fra beregningen med lighedsligningen.

Statistisk set viser et gennemsnit på 0,791 og en median på 0,799, at <mark style="background-color:yellow;">majsudbytterne i 2024 i vid udstrækning ligner dem fra 2022</mark>, selvom værdier helt ned til 0,413 viser, at der er variation. En standardafvigelse på 0,115 bekræfter <mark style="background-color:yellow;">visse forskelle på tværs af marken</mark>.

Set fra et agronomisk perspektiv <mark style="background-color:yellow;">tyder de konsistente mønstre på stabile forhold og effektiv drift over tid</mark>. Lokale områder med <mark style="background-color:yellow;">lavere lighed kan dog kræve målrettede justeringer for at forbedre udbyttet fremover</mark>.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Sammenligning af udbyttelighed: majs 2022 mod majs 2024</p></figcaption></figure>

## **Syntetisk vs. reelt udbyttedatasæt (2023** Raps)

I dette tilfælde tager vi udgangspunkt i et råt udbyttedatasæt fra rapssæsonen 2023 og et syntetisk genereret udbyttedatasæt for samme afgrøde og samme år, 2023. <mark style="background-color:yellow;">Målet er at vurdere den rumlige nøjagtighed af reelle og syntetiske udbytter og dermed skabe mulighed for at udfylde data, der ikke er registreret, afhjælpe mangler i udbyttedata og korrigere afvigelser med syntetiske værdier</mark>. Datasættet med reelle udbytter indeholder problemer som unormalt høje eller lave målinger, overkørsler, buede kørespor og passager med nuludbytte. Alt dette tyder på, at sensorerne skal kalibreres igen.

Når GeoPards [Rensning og kalibrering](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) er anvendt på de reelle udbyttedata, og der er genereret [syntetisk udbytte](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/synthetic-yield-map.md) for raps, kan vi begynde en meningsfuld sammenligning af, hvor godt de stemmer overens.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Raps 2023: Oprindelige kontra rensede og kalibrerede udbyttedata</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Syntetisk rapsudbytte 2023</p></figcaption></figure>

Nedenfor ses et skærmbillede af kortet fra beregningen med lighedsligningen.

Statistisk set viser de høje gennemsnits- (0,889) og medianværdier (0,904), at <mark style="background-color:yellow;">det syntetiske udbyttedatasæt overordnet set stemmer godt overens med de rumlige mønstre i det reelle rapsudbytte for 2023</mark>. Selvom værdien i ét område falder helt ned til 0,291, tyder den lave variation (0,006) og den moderate standardafvigelse (0,08) på, at <mark style="background-color:yellow;">udbyttet i det meste af marken stemmer godt overens i de reelle og syntetiske datasæt, og at der er meget få afvigende værdier</mark>.

Set fra et agronomisk perspektiv betyder den stærke overensstemmelse, at <mark style="background-color:yellow;">de syntetiske udbyttedata kan bruges som et pålideligt billede af de reelle forhold på marken</mark>, hvilket styrker tilliden til at bruge modellerede scenarier som grundlag for beslutninger. <mark style="background-color:yellow;">De dyrkningsmetoder, der afspejles i de reelle udbyttedata, gengives godt af modellen for syntetisk udbytte</mark>, så der bliver bedre grundlag for en mere velovervejet og ensartet planlægning af den fremtidige drift.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Sammenligning af udbyttelighed for raps: Faktisk 2023 kontra syntetisk 2023</p></figcaption></figure>


---

# 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/yield-and-trials/comparing-yield-datasets.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.
