> 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutation: Kalibrér og rens YieldDataset

API-kald til at rense og kalibrere udbyttedatasæt

Kalibrering af "YieldDataset" er en funktion, der korrigerer fordelingen af værdier i overensstemmelse med matematiske principper og dermed forbedrer dataenes samlede integritet. Den styrker kvaliteten af beslutningsgrundlaget og gør datasættet værdifuldt til videregående analyser.

Almindelige anvendelsestilfælde for denne funktion omfatter:

* Synkronisering af data, når flere mejetærskere har arbejdet samtidigt eller over flere dage, så dataene bliver konsistente.
* Gøre datasættet mere ensartet og nøjagtigt ved at udjævne variationer.
* Fjerne støj og overflødige oplysninger, der kan sløre indsigterne.
* Fjerne vendemanøvrer eller unormal geometri, som kan forvrænge de faktiske mønstre og tendenser på marken.
* Tilpasse udbyttedata, så de stemmer overens med fastlagte gennemsnit eller totaler for hver egenskab.

Se vores [Udbyttekalibrering og -rensning](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) anvendelsestilfælde for en mere detaljeret gennemgang og eksempler.

### Oprindeligt YieldDataset med egenskaben WetMass

Fem mejetærskere arbejdede parallelt på den mark på 30 ha, der vises nedenfor. Kalibreringen af én af mejetærskerne var ikke synkroniseret med de øvrige, hvilket resulterede i <mark style="color:orange;">orange</mark> områder, som viser, at yderligere `CALIBRATION` er nødvendig. Derudover er der mange vendemanøvrer med <mark style="color:røde;">røde</mark> områder tættere på "Field"-kanterne, som skal fjernes.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Oprindeligt YieldDataset med egenskaben WetMass</p></figcaption></figure>

### Kalibreret og renset YieldDataset med egenskaben WetMass

Resultatet nedenfor viser datasættet efter automatisk anvendelse af `CALIBRATE` og `CLEAN` operationerne med standardparametre. Det resulterende "YieldDataset" er blevet ensartet uden afvigende værdier eller pludselige ændringer mellem tilstødende geometrier.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibreret og renset YieldDataset med egenskaben WetMass</p></figcaption></figure>

### Valgmulighederne Pathwise, Average/Total og Conditional

**Pathwise-kalibrering** følger maskinens kørespor. Hvert kørespor behandles som et selvstændigt område med henblik på kalibrering. GeoPard-teamet anbefaler denne metode som standardtilgang.

**Average/Total-kalibrering** fokuserer på at omfordele værdier for egenskaber. Hvis de geospatiale mønstre er nøjagtige, men de absolutte tal afviger fra de faktiske værdier, er denne metode nyttig. For at opnå de bedste resultater anbefaler GeoPard at kombinere den med Pathwise-kalibrering: Anvend først Pathwise, og justér derefter værdierne, så de stemmer overens med kendte Average/Total-værdier.

**Conditional-kalibrering** justerer værdier for egenskaber ud fra angivne minimums- og maksimumsgrænser. Metoden er især nyttig, når de geospatiale mønstre er præcise, men værdiers fordeling skal justeres — særligt når minimums- og maksimumsværdierne er kendte. For at opnå de bedste resultater anbefaler GeoPard at kombinere metoden med Pathwise-kalibrering: Start med Pathwise, og justér derefter værdierne, så de stemmer overens med de kendte minimums- og maksimumsværdier.

### Tip

{% hint style="warning" %}
**Tip ved 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 maksimumsværdi på 8000), anbefales **arbejdsgangen Clean & Calibration** . Den konfigureres med parametrene `actions: [CLEAN, CALIBRATE]`.

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

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

Hvis et datasæt fra starten ikke indeholder fejl, manglende værdier eller uoverensstemmelser, og det vides, at flere mejetærskere har været i brug, kan du overveje arbejdsgangen **Calibration & Clean** . Den konfigureres med parametrene `actions: [CALIBRATE, CLEAN]`.

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

### Dokumentation: Detaljer om mutationen

Standardkonfigurationen aktiverer automatisk kalibrering og rensning af "YieldDataset".

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Et mere avanceret eksempel giver manuel styring af min./maks.-intervaller og omfatter yderligere attributter.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Hvis du vil følge USDA-protokollen for `CLEAN` -handlingen skal du enten nævne ALLE kolonner i `cleanAction` -> `conditionMinMaxClean` eller angive en del af dem i `cleanAction` -> `conditionMinMaxClean` og resten i `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Inputparametre:

* `actions` som et array, så du kan vælge *de korrigerende handlinger og rækkefølgen, de* skal anvendes i; understøttede værdier omfatter `CLEAN` og `CALIBRATE`.
* `calibrateAction` som et objekt med konfigurationsoplysninger for `CALIBRATE` -handlingen.
  * `calibrationAttributes` som et array af attributter, der kræver kalibrering, typisk knyttet til udbyttekolonnen.
  * `smoothWindowSize` som et ulige heltal, der udjævner resultatværdierne og reducerer pludselige udsving.
  * `conditionPathwiseCalibration` som et objekt med **Sti-for-sti** kalibrering svarer til maskinens kørespor. Hvert kørespor behandles som et selvstændigt område i forbindelse med kalibreringen.
    * `calibrationBasis` som en streng, der angiver den attribut, der bruges som grundlag for kalibreringen.
    * `maxHomogeneityRegion` som en boolesk værdi, der angiver, om området med størst homogenitet bruges som referenceområde for kalibreringen.
    * `syntheticMachinePath` som en boolesk værdi, der angiver, om maskinens kørespor skal simuleres. Det er nyttigt, når attributten for maskinens præcise kørespor mangler og skal simuleres ud fra tidsstempler eller en lignende attribut.
  * `conditionAvgTotalCalibration` som et objekt med **Gennemsnits-/total** kalibrering fokuserer på at omfordele attributværdier. Denne metode er nyttig, hvis de geografiske mønstre er korrekte, men de absolutte tal afviger fra de faktiske værdier.
    * `calibrationAttribute` som en streng, der angiver den attribut, der skal kalibreres.
    * `average` som et tal, der angiver attributtens gennemsnitsværdi. Attributværdierne skal svare til dette gennemsnit. Brug kun én af mulighederne: enten `average` eller `total`.
    * `total` som et tal, der angiver summen af attributværdierne. Summen af disse værdier skal svare til totalen. Brug kun én af mulighederne: enten `average` eller `total`.
  * `conditionMinMaxCalibration` som et objekt med **Betinget** kalibrering justerer attributværdier ud fra de angivne minimums- og maksimumsgrænser.
    * `calibrationAttribute` som en streng, der angiver den attribut, der skal kalibreres.
    * `min` som et tal, der angiver attributtens minimumsværdi og fungerer som den nedre grænse for kalibreringen.
    * `minIncluded` som en boolesk værdi, der angiver, om minimumsværdien skal medtages.
    * `max` som et tal, der angiver attributtens maksimumsværdi og fungerer som den øvre grænse for kalibreringen.
    * `maxIncluded` som en boolesk værdi, der angiver, om maksimumsværdien skal medtages.
* `cleanAction` som et objekt, der indeholder de konfigurationsoplysninger, der er knyttet til `CLEAN` handlingen.
  * `conditionAutoClean` som et objekt, der indeholder konfigurationen for den automatiske rengøringsalgoritme.
    * `targetAttribute` som en streng, der angiver de ønskede udbytteværdier.
    * `excludedAttributes` som et array af strenge, der definerer attributter, som ikke påvirker rensningshandlingen.
  * `conditionMinMaxClean` som et array af objekter med de beskrevne rensningsregler. Hvert objekt indeholder følgende parametre.
    * cleanAttribute som en streng, der angiver kolonnenavnet for reglen.
    * `min` som et tal, der angiver minimumsværdien.
    * `max` som et tal, der angiver maksimumsværdien.

{% hint style="info" %}
Hvis du vil se inputtene og få adgang til de nyeste tilgængelige værdier for enumerationer (såsom `operations`), anbefales det at bruge [Altair](https://docs.geopard.tech/geopard-tutorials/dnk/api-dokumentation/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentation: YieldDataset-forespørgsel

Som forbruger af GeoPard API kan du hente oplysninger om de korrektioner, der er anvendt på YieldDatasets, via attributterne `appliedCorrections` og `appliedCorrectionsVersion`. Førstnævnte indeholder en liste over de udførte korrektioner (f.eks. `CALIBRATE` og `CLEAN`), hvor rækkefølgen i arrayet angiver udførelsesrækkefølgen. Samtidig `appliedCorrectionsVersion` angiver versionen af den anvendte algoritme.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
