> 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/yield-calibration-and-cleaning.md).

# Rensning og kalibrering af udbyttedata: Fjern fejl fra udbyttekort

Rens data fra udbyttemåleren: Justér for strømningsforsinkelse, start og slut på kørsler, vendinger, overlap, afvigelser i hastighed og fugtighed samt kalibrering af flere mejetærskere, før du opretter zoner.

Rådata fra udbyttemåleren indeholder fejl på grund af forsinkelse i gennemstrømningen, start og afslutning af kørsler, vendinger, overlappende skæreborde og mejetærskere, der er kalibreret forskelligt. Rens dataene, før du opretter zoner eller vurderer et forsøg, ellers viser kortet maskinens arbejde i stedet for marken. GeoPard følger automatisk USDA's protokol for datarensning, lader dig indstille filtrene manuelt og kalibrerer flere mejetærskere efter én kendt samlet eller gennemsnitlig høst.

{% hint style="info" %}
Se den interaktive side om rensning af udbyttedata på geopard.tech: [Rensning af udbyttedata](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Rens sidste sæsons udbyttefiler: [Kom gratis i gang](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Brug GeoPard til at **rense udbyttedata** og **kalibrere datasæt fra udbyttemålere**. Få et udbyttekort, du kan stole på, når du opretter zoner, tildeler doseringer og analyserer data. Arbejdsgangen håndterer afvigende værdier, vendinger, manglende attributter og udbyttedata fra flere høstmaskiner. Den omfatter **USDA's protokol for rensning af udbyttedata** og understøtter **arbejdsgange som alternativ til Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Videovejledning i rensning og kalibrering af udbyttedata. Forskellene mellem mulighederne forklaret.
{% endembed %}

Denne kalibreringsproces er afgørende for at:

1. **Sikre ensartede data**: Det er ikke usædvanligt, at flere mejetærskere arbejder samtidig eller på forskellige dage. Denne funktion sikrer, at deres data stemmer overens.
2. **Ensarte data**: Udbyttedata kan variere; kalibreringen sikrer, at de er jævne og ensartede uden uønskede udsving eller fald.
3. **Filtrere støj fra**: Som alle andre data kan udbyttedata indeholde støj eller irrelevante oplysninger. Vi sørger for, at det ikke slører dine indsigter.
4. **Ensrette geometrien**: Vendinger og usædvanlige geometriske datamønstre kan forvrænge de reelle indsigter. Kalibreringen er udviklet til at udjævne dem, så dataene afspejler forholdene på marken korrekt.
5. **Afgrænse data efter markgrænse**: Høstmaskiner arbejder ofte på tværs af tilstødende områder. For at få præcise analyseresultater er det vigtigt kun at medtage data inden for den angivne grænse.

{% hint style="info" %}
Grænsefladen til udbyttekalibrering bruger GeoPards API-endpoint til rensning og kalibrering af udbytte ([GeoPard API: Kalibrer og rens YieldDataset](https://docs.geopard.tech/geopard-tutorials/dnk/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Den kører handlingerne `CALIBRATE` og `CLEAN` i brugergrænsefladen eller via API'en.
{% endhint %}

## Kort oversigt

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/dbdc090566698c8a5c74a136d749ff6e931437f8" %}
Download PDF-brochuren om rensning af udbyttedata
{% endfile %}

## Eksempler fra praksis

I landbruget kan fejlbehæftede udbyttedatasæt give store udfordringer. Nedenfor finder du eksempler fra virkeligheden, hvor sådanne datasæt er forekommet. Med GeoPards avancerede algoritmer til kalibrering og rensning blev datasættene effektivt forbedret og optimeret.

{% hint style="info" %}
Hvis der mangler registrerede udbyttedata i bestemte områder, og du vil have et komplet udbyttekort, kan du bruge GeoPards metode til syntetiske udbyttekort. Metoden genskaber manglende data, så du får en komplet udbytteanalyse. Læs mere [her](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Flere høstmaskiner i arbejde

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Eksempel 1: Flere høstmaskiner i arbejde</p></figcaption></figure>

{% hint style="info" %}
I komplekse situationer anbefales en kalibrering i to trin for at opnå den bedste nøjagtighed. Start med at udføre den første kalibrering ved hjælp af attributten Machine ID. Kør derefter endnu en kalibrering, denne gang med afkrydsningsfeltet Simulated (Synthetic) Machine Paths. Denne trinvise tilgang sikrer en grundig og præcis kalibrering, som er nødvendig for at håndtere komplekse tilfælde effektivt.
{% endhint %}

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Eksempel 2: Flere høstmaskiner i arbejde</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Eksempel 3: Flere høstmaskiner i arbejde</p></figcaption></figure>

### J-vendinger, stop og brug af halv redskabsbredde

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Eksempel 1: U-vendinger, stop og brug af halv redskabsbredde</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Eksempel 2: U-vendinger, stop og brug af halv redskabsbredde</p></figcaption></figure>

### Usædvanligt høje registrerede værdier

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Eksempel 1: Usædvanligt høje registrerede værdier</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Eksempel 2: Usædvanligt høje registrerede værdier</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Eksempel 3: Usædvanligt høje registrerede værdier</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Eksempel 4: Usædvanligt høje loggede værdier</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Eksempel 5: Usædvanligt høje loggede værdier</p></figcaption></figure>

### Data uden for markgrænsen

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Eksempel: Data uden for markgrænserne</p></figcaption></figure>

### Kalibrering ud fra den angivne gennemsnitsgrøde

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Eksempel: Kalibrering ud fra den angivne gennemsnitsgrøde (28 t/ha)</p></figcaption></figure>

### Rens udbytteattributter uden at tage højde for anomalier i andre attributter

Udbyttedatasættet indeholder af og til uregelmæssigheder i attributter som fugtighed, hastighed, højde eller andre sekundære attributter (ikke udbytteattributter). Når du udfører aktiviteterne Rens eller Kalibrer, er det vigtigt at se bort fra disse anomalier. Det kan du nemt gøre i GeoPards grænseflade til rensning og kalibrering af udbytte.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Eksempel: Anomalier i fugtighedsattributten</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Eksempel: Rens udbyttedata uden at tage højde for anomalier i fugtigheden</p></figcaption></figure>

### USDA-protokol til rensning af udbyttedata

Brug denne mulighed, når du har brug for et **gentageligt, standardbaseret workflow til redigering af udbyttedata**. Det er optimeret til **rensning af udbyttemonitordata** i stor skala.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Eksempel: Rens udbyttedata ved at anvende USDA-protokollen</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Eksempel: Rens udbyttedata ved at anvende USDA-protokollen</p></figcaption></figure>

## Forklaring af kalibreringslogikker

### Sti-for-sti-kalibrering

**BRUG** **Sti-for-sti-kalibrering** når en mark <mark style="background-color:green;">høstes med flere maskiner eller over flere dage, især for at korrigere systematiske forskelle som striber eller bånd.</mark> Den er ideel i situationer, hvor forskellige maskinindstillinger, operatører eller miljøforhold medfører konsekvent over- eller undervurdering på tværs af forskellige kørespor.

Det er vigtigt, at <mark style="background-color:yellow;">AI'en har brug for variation – såsom forskellige kørespor, maskin-id'er eller høstdatoer – for at kunne lære og kalibrere effektivt.</mark>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Eksempel: Vådmasse af udbytte og 9 høstmaskiner</p></figcaption></figure>

**BRUG IKKE** denne metode til høst med én maskine i én sammenhængende arbejdsgang, eller hvis udbyttekortet ikke viser tydelige rumlige mønstre. Undgå den også, hvis dataene er sparsomme, eller hvis du kun har samlede udbytteværdier for hele marken uden forskelle på maskinniveau

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datafordeling</p></figcaption></figure>

### Kalibrering af gennemsnit eller total

**Kalibrering af gennemsnit/total er BEDST EGNET** når <mark style="background-color:green;">du har stor tillid til de samlede udbyttedata for marken, f.eks. registreringer fra en brovægt eller et lager.</mark> I stedet for at justere de enkelte kørespor skalerer denne metode hele datasættet, så det endelige gennemsnit eller den samlede mængde stemmer overens med den kendte referenceværdi. Den beskrives ofte som den enkleste og sikreste kalibreringsmulighed, når man har tillid til de samlede tal.

Hvornår skal du **BRUGE kalibrering af gennemsnit/total:**

* **Kendte referenceværdier**: Brug denne logik, når du har officielle registreringer af det samlede udbytte (f.eks. fra en brovægt) eller en meget pålidelig gennemsnitsgrøde for marken.
* **Korrektion af samlet bias**: Den er ideel, hvis den rumlige fordeling på udbyttekortet ser korrekt ud, men værdierne generelt er forskudt – det vil sige, at udbyttemonitoren sandsynligvis ikke var kalibreret og konsekvent viser værdier, der er for høje eller for lave på hele marken.
* **Ensartede høstforhold**: Denne metode er mest effektiv, når høstforholdene var forholdsvis ensartede gennem hele arbejdet.
* **Ensartethed ved brug af én maskine**: Metoden fungerer godt til høst, der er udført med én maskine, som har arbejdet ensartet på hele marken.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datafordeling med påkrævet forskydning ved brug af gennemsnitsudbytte</p></figcaption></figure>

Hvornår **skal du IKKE BRUGE kalibrering af gennemsnit/total:**

* **Bias mellem maskiner**: Brug ikke denne metode, hvis forskellige dele af marken blev høstet med forskellige maskiner eller på forskellige dage, hvilket medførte lokale skævheder. I sådanne tilfælde afhjælper en skalering af hele marken ikke de underliggende forskelle mellem maskinerne.
* **Synlige artefakter**: Hvis du ser tydelige striber, bånd eller retningsbestemte artefakter i dine data, løser denne metode dem ikke; <mark style="background-color:green;">sti-for-sti-kalibrering er bedre egnet til disse problemer</mark>.
* **Ufuldstændige data**: Undgå denne logik, hvis kun en del af marken er høstet, eller hvis de registrerede data er ufuldstændige, da de samlede værdier og gennemsnitsværdierne vil være misvisende.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Eksempel: Udbyttedata med huller</p></figcaption></figure>

### Betinget kalibrering

**Betinget kalibrering** fungerer som <mark style="background-color:green;">en sikkerhedskontrol, der sikrer, at udbytteværdierne forbliver inden for realistiske, på forhånd fastsatte minimums- og maksimumsgrænser</mark>.

Du **BØR BRUGE** denne logik til at f<mark style="background-color:green;">jerne ekstreme afvigere og sensorspidser forårsaget af støj, maskinstop eller vendinger</mark>. Den er ideel til at anvende specifikke agronomiske forventninger – såsom "udbyttet kan ikke overstige X" – uden at udføre en korrektion.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Men **UNDGÅ DENNE METODE** hvis dit datasæt har en generel skævhed eller systematiske forskelle mellem maskiner, da metoden hverken skalerer dataene eller korrigerer rumlige mønstre. Kort sagt holder den værdierne plausible, men løser ikke de underliggende kalibreringsforskydninger.

## Strategi for brug

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Vejledning til kalibrering af udbytte (onepager)</p></figcaption></figure>

{% file src="/files/25361098135f9805c30e2433e3949a078c4966ab" %}
Download PDF-vejledningen til kalibrering af udbytte
{% endfile %}

## Første trin

Modulet "Kalibrer og rens udbytte" startes direkte fra brugergrænsefladen. Det vigtigste er, at der er uploadet et udbyttedatasæt. Ved siden af hvert udbyttedatasæt finder du en knap til at starte justeringen af datasættet.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Start forløbet</p></figcaption></figure>

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Vælg en mulighed for at fortsætte</p></figcaption></figure>

Herfra kan du vælge mellem flere muligheder:

1. **Automatisk behandling**: Brug GeoPards anbefalede standardindstillinger til kalibrering med ét klik.
2. **Rens kun**: Konfigurer og udfør kun RENS-handlingen, herunder
   1. **GeoPard-rensning**: Intelligent rensning af udbyttedatasæt med AI-algoritmer.
   2. **USDA** (USA's landbrugsministerium) renseprotokol for udbytte.
   3. **Betinget rensning**: Filtrer data ud fra brugerdefinerede attributgrænser.
3. **Kalibrer kun**: Konfigurer og udfør kun KALIBRER-handlingen, herunder
   1. **Sti-for-sti**: Kalibrer udbyttet for hver enkelt maskinsti ved hjælp af AI-algoritmer.
   2. **Gennemsnit/total**: Juster udbyttet ud fra markens kendte gennemsnitsudbytte eller samlede udbytte.
   3. **Betinget**: Tilpas udbyttet inden for fastsatte minimums- og maksimumsgrænser, så det forbliver inden for det forventede interval.
4. **Kalibrer og rens**: Vælg rækkefølgen af handlinger, og tilpas parametrene.
5. **Alternativ til Yield Editor**: Brug **Rens kun → USDA** (eller **Kalibrer og rens**) for at matche en manuel oprydningsproces i “Yield Editor”, men i stor skala. I valideringstests stemte rensning efter USDA-protokollen overens med de manuelle resultater fra Yield Editor med **R² (R2) = 0,98** (næsten identiske resultater).

## Løsning med ét klik

{% hint style="warning" %}
**Tip om unormale værdier, der undertiden forekommer i udbyttedatasæt.**

Hvis en **attribut** der er valgt til kalibrering eller rensning, overvejende **indeholder** **nulværdier for størstedelen af geometriene**, udelades disse geometrier fra det endelige udbyttedatasæt.

For at sikre dataintegriteten bør attributter med sådanne afvigelser udelades fra listen over attributter, der skal kalibreres.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Udførlig vejledning

{% hint style="warning" %}
**Vælg flow: Tip om dataafvigelser**

Hvis en bruger støder på afvigelser i dataene, f.eks. værdier på eller tæt på nul eller usædvanligt høje værdier (for eksempel et gennemsnit på 10 og en maksimumværdi på 8000), anbefales arbejdsgangen **Rens og kalibrer** .

Hvis dataene renses før kalibreringen, fjernes fejl, manglende værdier og uoverensstemmelser, så datakvaliteten og nøjagtigheden forbedres.
{% endhint %}

{% hint style="warning" %}
**Vælg flow: Tip til data uden oprindelige fejl**

Hvis datasættet fra begyndelsen er uden fejl, manglende værdier eller uoverensstemmelser, og det vides, at flere mejetærskere har været involveret, bør du overveje arbejdsgangen **Kalibrer og rens** .

Rensning af dataene efter kalibreringen finjusterer datasættet yderligere ved potentielt at fjerne artefakter, der er opstået under kalibreringen.
{% endhint %}

{% hint style="warning" %}
**Rensningsflow: Tip om unormale værdier, der undertiden forekommer i udbyttedatasæt.**

Hvis en **attribut** der er valgt til kalibrering eller rensning, overvejende indeholder **nulværdier for størstedelen af geometriene**, udelades disse geometrier fra det endelige udbyttedatasæt.

For at sikre dataintegriteten bør attributter med sådanne afvigelser udelades fra listen over attributter, der skal renses (2).
{% endhint %}

{% hint style="warning" %}
**Kalibreringsflow: Tip om unormale værdier, der undertiden forekommer i udbyttedatasæt.**

Hvis en **attribut** der er valgt til kalibrering eller rensning, overvejende **indeholder** **nulværdier for størstedelen af geometriene**, udelades disse geometrier fra det endelige udbyttedatasæt.

For at sikre dataintegriteten bør attributter med sådanne afvigelser udelades fra listen over attributter, der skal kalibreres (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Algoritmeversioner

Efterbehandlingen viser resultaterne ved siden af det oprindelige datasæt. De er markeret med etiketterne **"Kalibrer"** og/eller **"Rens"** samt algoritmeversionen.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Resultatet af kørslen af Kalibrer og rens (version 2)</p></figcaption></figure>

{% hint style="info" %}
Fra `version 3.0` af rensnings-/kalibreringsalgoritmen introducerer GeoPard funktionen Beskæring efter markgrænse. Funktionen beholder kun geometrier inden for markgrænsen og forbedrer den statistiske fordeling.
{% endhint %}

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Resultatet af kørslen af automatisk behandling (version 3.0)</p></figcaption></figure>

{% hint style="info" %}
Fra og med `version 4.0`, indeholder rensnings-/kalibreringsalgoritmen i GeoPard nu en funktion til kalibrering ud fra gennemsnits- eller totalværdier for enhver attribut. En almindelig anvendelse af denne forbedring er kalibrering af WetMass, som nu kan justeres efter det kendte, målte gennemsnitsudbytte for en bestemt mark.
{% endhint %}

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Resultatet af kalibreringen med et gennemsnitsudbytte på 6 t/ha (version 4.0)</p></figcaption></figure>

{% hint style="info" %}
Fra `version 5.0` af rensnings-/kalibreringsalgoritmen introducerer GeoPard USDA's (United States Department of Agriculture) renseprotokol for udbytte. USDA fastlægger formelle standarder for agronomiske data, der beskriver, hvordan målinger af udbytte, fugtighed, flow og position normaliseres, valideres og filtreres statistisk, så der skabes landbrugsdatasæt, der er konsistente på tværs af maskiner og marker.
{% endhint %}

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Resultatet af rensningen med USDA-protokollen (version 5.0)</p></figcaption></figure>

{% hint style="success" %}
Rens sidste sæsons udbyttefiler: [Kom gratis i gang](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
