Udbyttekalibrering & rensning
Sådan renser og kalibrerer du udbyttemonitor-data i GeoPard. Inkluderer USDA-protokol til udbytterensning. 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.
Denne kalibreringsproces er afgørende for:
Sikring af datakonsistens: Det er ikke usædvanligt, at flere mejetærskere arbejder sammen eller på forskellige dage. Denne funktion sikrer, at deres data harmonerer.
Homogenisering af data: Udbyttedata kan variere; kalibreringen sikrer, at de er jævne og konsistente uden uønskede spring eller fald.
Filtrering af støj: Ligesom alle data kan udbyttedata indeholde 'støj' eller irrelevante oplysninger. Vi sørger for, at det ikke forstyrrer dine indsigter.
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.
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.
Kort oversigt
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.
Flere mejetærskere arbejder sammen
J-vendinger, stop, halvt udstyrsbredde brugt
Abnormt store registrerede værdier
Data uden for markgrænsen
Kalibrering ved hjælp af angivet gennemsnitsudbytte
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.
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.
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.
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
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.
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.
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
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.
Derfra er flere muligheder tilgængelige for at fortsætte:
Auto-behandling: Brug standardindstillingerne anbefalet af GeoPard for en ét-klik-kalibrering.
Kun rensning: Konfigurer og udfør kun CLEAN-operationen, inklusive
GeoPard-rensning: Smart rensning af udbyttedatasæt med AI-algoritmer.
USDA (United States Department of Agriculture) rensningsprotokol for udbytte.
Betinget rensning: Filtrer data baseret på brugerdefinerede attributgrænser.
Kun kalibrering: Konfigurer og udfør kun CALIBRATE-operationen, inklusive
Pathwise: Kalibrer udbytte for hver enkelt maskines spor ved hjælp af AI-algoritmer.
Gennemsnit/Total: Juster udbytte baseret på markens kendte gennemsnit eller totaludbytte.
Betinget: Ændr udbytte inden for faste minimums- og maksimumgrænser for at bevare forventede intervaller.
Kalibrer & rens: Vælg rækkefølgen af operationer og tilpas parametrene.
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.
Sidst opdateret
Var dette nyttigt?