# Udbyttekalibrering og -rensning

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.

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

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.

{% hint style="info" %}
Yield Calibration-grænsefladen bruger GeoPard API-endpointet for Yield Clean/Calibrate ([GeoPard API: Kalibrer og rens YieldDataset](/geopard-tutorials/dnk/api-dokumentation/oversigt-over-geopard-api-anmodninger/84.-mutation-kalibrer-og-rens-yielddataset.md)). Den kører `KALIBRER` og `RENS` operationerne i UI eller via API.
{% 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="/files/bfaaf1cb513e46ab6b5fb0a04de6189d24b2a1b3" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/1ad67e49d61a7c202992281c806e7eebb2a0b00a" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/944922ac816a8fceb69d4cd1a8851428831c0878" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/9d51aa9ff8c9af36f86da51aca9383731652c562" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/55ae86caf70fad10bd705289955f9bb07454f1b6" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/ae540d75448fa02f1983054f5c0fb89688d83ec9" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/dbdc090566698c8a5c74a136d749ff6e931437f8" %}
Download PDF-brochure om udbytterensning
{% endfile %}

## 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.

{% hint style="info" %}
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](/geopard-tutorials/dnk/agronomi/syntetisk-udbyttkort.md).
{% endhint %}

### Flere mejetærskere arbejder sammen

<figure><img src="/files/109db04b74ee80a74108f8262124c1dca0cb0112" alt=""><figcaption><p>Eksempel 1: Flere mejetærskere arbejder sammen</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/ab1d7bd37c9385a9ef9f83642d024d652d6ebd89" alt=""><figcaption><p>Eksempel 2: Flere mejetærskere arbejder sammen</p></figcaption></figure>

<figure><img src="/files/041497bb948874ff9d2ea0caedf2d0527d85f71e" alt=""><figcaption><p>Eksempel 3: Flere mejetærskere arbejder sammen</p></figcaption></figure>

### J-vendinger, stop, halvt udstyrsbredde brugt

<figure><img src="/files/386716f52f655a5c186a0f0ff78f390fe74dca7d" alt=""><figcaption><p>Eksempel 1: U-vendinger, stop, halvt udstyrsbredde brugt</p></figcaption></figure>

<figure><img src="/files/8970d4e8a7f16ca7b24c08add7aea174460be060" alt=""><figcaption><p>Eksempel 2: U-vendinger, stop, halvt udstyrsbredde brugt</p></figcaption></figure>

### Abnormt store registrerede værdier

<figure><img src="/files/13fe97e4c643578a8e0159b7353acb2679b26155" alt=""><figcaption><p>Eksempel 1: Abnormt store registrerede værdier</p></figcaption></figure>

<figure><img src="/files/fc206e7aa83e2ca26eac55f719942ab6edd91b32" alt=""><figcaption><p>Eksempel 2: Abnormt store registrerede værdier</p></figcaption></figure>

<figure><img src="/files/e67d615c7cb8d66394988fad8ff973e31cf8ee33" alt=""><figcaption><p>Eksempel 3: Abnormt store registrerede værdier</p></figcaption></figure>

<figure><img src="/files/d3efc5fb98a7d8b7537f690413f05ab0382e7177" alt=""><figcaption><p>Eksempel 4: Abnormt store registrerede værdier</p></figcaption></figure>

<figure><img src="/files/8182cfe3ae541ee19976759bfc22fddeabed1467" alt=""><figcaption><p>Eksempel 5: Abnormt store registrerede værdier</p></figcaption></figure>

### Data uden for markgrænsen

<figure><img src="/files/66e6bb47dfa964896c975f422e5e0bc803a5e781" alt=""><figcaption><p>Eksempel: Data uden for markgrænser</p></figcaption></figure>

### Kalibrering ved hjælp af angivet gennemsnitsudbytte

<figure><img src="/files/6fadf768d523a1d2ff9fa4dd190be81bf4d0769a" alt=""><figcaption><p>Eksempel: Kalibrering ved brug af angivet gennemsnitsudbytte (28 t/ha)</p></figcaption></figure>

### 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.

<figure><img src="/files/56582cba7cbe6624f121d1d16d6adf27b126aea0" alt=""><figcaption><p>Eksempel: Anomalier i fugtighedsattributten</p></figcaption></figure>

<figure><img src="/files/441483221928b7179b7d50563d4c8fe0621fa4c0" alt=""><figcaption><p>Eksempel: Rens udbyttedata ved at ignorere anomalier i fugtighed</p></figcaption></figure>

### 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.

<figure><img src="/files/8ed84ef17f5bc39f124be16ddf9f8c488226ae03" alt=""><figcaption><p>Eksempel: Rens udbyttedata ved anvendelse af USDA-protokol</p></figcaption></figure>

<figure><img src="/files/c0b7e2b4554e6f8c3a5e56b4c8a76e6369fd8a6e" alt=""><figcaption><p>Eksempel: Rens udbyttedata ved anvendelse af USDA-protokol</p></figcaption></figure>

## Forklaring af kalibreringslogikker

### Kalibrering langs spor

**BRUG** **Kalibrering langs spor** når en mark er <mark style="background-color:green;">høstet af flere maskiner eller over flere dage, specifikt for at korrigere systematiske forskelle som stribning eller båndning.</mark> Det er ideelt til scenarier, hvor varierende maskinindstillinger, operatører eller miljøforhold forårsager konstant over- eller undervurdering langs forskellige spor.

Vigtigt: <mark style="background-color:yellow;">AI'en kræver variation - såsom forskellige spor, maskine-ID'er eller høstdatoer - for at lære og kalibrere effektivt.</mark>

<figure><img src="/files/ced480de9ceb756033dd61d0fcb247828d7ea93a" alt=""><figcaption><p>Eksempel: Yield WetMass og 9 mejetærskere</p></figcaption></figure>

**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

<figure><img src="/files/0440f453909f1099fbc7871df27af1c15b2357dc" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datadistribution</p></figcaption></figure>

### Gennemsnits- eller total-kalibrering

**Gennemsnits-/total-kalibrering ER BEDST AT BRUGE** når <mark style="background-color:green;">du har høj tillid til dine samlede udbyttedata på markniveau, såsom registreringer fra en vægtbro eller lagerfacilitet.</mark> 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.

<figure><img src="/files/0440f453909f1099fbc7871df27af1c15b2357dc" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datadistribution med påkrævet forskydning ved brug af gennemsnitsudbytte</p></figcaption></figure>

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; <mark style="background-color:green;">Kalibrering per spor er bedre egnet til disse problemer</mark>.
* **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.

<figure><img src="/files/bf36511f5ddc41ab69bd4143aeacb29e3cc5ca97" alt="" width="563"><figcaption><p>Eksempel: Udbyttedata med huller</p></figcaption></figure>

### Betinget kalibrering

**Betinget kalibrering** tjener som <mark style="background-color:green;">en sikkerhedskontrol ved at sikre, at udbytteværdier forbliver inden for realistiske, foruddefinerede minimums- og maksimumsgrænser</mark>.

Du **BØR BRUGE** denne logik til a<mark style="background-color:green;">fjerne ekstreme outliers 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="/files/b859fc33d0ea91aa9eddc423e9012e718b5622cd" alt=""><figcaption></figcaption></figure>

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

<figure><img src="/files/bae26185b9770410433ca8b429b5cd98c808cdd8" alt=""><figcaption><p>Onepager-vejledning til udbyttekalibrering</p></figcaption></figure>

{% file src="/files/25361098135f9805c30e2433e3949a078c4966ab" %}
Download PDF-onepager med vejledning om udbyttekalibrering
{% endfile %}

## 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.

<figure><img src="/files/e7602404b5684d6115119a70205271832c20b931" alt=""><figcaption><p>Start flowet</p></figcaption></figure>

<figure><img src="/files/d0e063ed9520723f88433ffb017eaa549008acc7" alt="" width="563"><figcaption><p>Vælg en mulighed for at fortsætte</p></figcaption></figure>

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

{% hint style="warning" %}
**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.
{% endhint %}

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

## Fuld vejledning

{% hint style="warning" %}
**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.
{% endhint %}

{% hint style="warning" %}
**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.
{% endhint %}

{% hint style="warning" %}
**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).
{% endhint %}

{% hint style="warning" %}
**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).
{% endhint %}

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

## Algoritmeversioner

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

<figure><img src="/files/a872bd7c24e47870bb4c93e99bb4cdb786ab24c4" alt=""><figcaption><p>Resultatet af Calibrate &#x26; Clean-kørslen (version 2)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/891ea1c489ac9d989b30e78208790598c55ee521" alt=""><figcaption><p>Resultatet af Auto-Processing-kørslen (version 3.0)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/dc0d821c3bf5d31f1422367cfb538e7ad8294e28" alt=""><figcaption><p>Resultatet af kalibreringskørslen ved brug af gennemsnitsudbytte på 6 t/ha (version 4.0)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/8ed84ef17f5bc39f124be16ddf9f8c488226ae03" alt=""><figcaption><p>Resultatet af rengøringskørslen ved brug af USDA-protokollen (version 5.0)</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/udbyttekalibrering-og-rensning.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.