> 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/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md).

# Limpieza y calibración de datos de rendimiento: eliminar errores de los mapas de rendimiento

Limpia los datos del monitor de rendimiento: retardo del flujo, inicio y final de la pasada, giros, solapamientos, valores atípicos de velocidad y humedad, y calibración de varias cosechadoras antes de crear zonas.

Los datos sin procesar del monitor de rendimiento contienen errores debidos al retraso del flujo, al inicio y al final de las pasadas, a las cabeceras de giro, a los solapamientos entre pasadas y a cosechadoras calibradas de forma diferente. Límpielos antes de crear zonas o evaluar un ensayo; de lo contrario, el mapa reflejará la máquina, no el campo. GeoPard aplica automáticamente el protocolo de limpieza del USDA, permite configurar los filtros manualmente y calibra varias cosechadoras para que coincidan con un total o rendimiento promedio conocido.

{% hint style="info" %}
Consulte la página interactiva sobre limpieza de datos de rendimiento en geopard.tech: [Limpieza de datos de rendimiento](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Limpie los archivos de rendimiento de la temporada pasada: [Comenzar gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Use GeoPard para **limpiar datos de rendimiento** y **calibrar conjuntos de datos de monitores de rendimiento**. Obtenga un mapa de rendimiento fiable para crear zonas, prescripciones y análisis. Este flujo de trabajo gestiona valores atípicos, giros, atributos faltantes y datos de rendimiento de varias cosechadoras. Incluye el **protocolo de limpieza de rendimiento del USDA** y admite **flujos de trabajo alternativos a Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Tutorial en video sobre la limpieza y calibración de datos de rendimiento. Explicación de las diferencias entre las opciones.
{% endembed %}

Este proceso de calibración es fundamental para:

1. **Garantizar la coherencia de los datos**: No es raro que varias cosechadoras trabajen en conjunto o en días diferentes. Esta función garantiza que sus datos sean coherentes entre sí.
2. **Homogeneizar los datos**: Los datos de rendimiento pueden variar; la calibración garantiza que sean uniformes y coherentes, sin picos ni caídas indeseados.
3. **Filtrar el ruido**: Como cualquier conjunto de datos, los datos de rendimiento pueden contener «ruido» o información irrelevante. Nos aseguramos de que no distorsione sus análisis.
4. **Optimizar las geometrías**: Los giros y los patrones geométricos irregulares pueden distorsionar los análisis. La calibración está diseñada para corregirlos y garantizar que los datos reflejen fielmente las condiciones del campo.
5. **Recortar según el límite del campo**: A menudo, las cosechadoras trabajan en áreas contiguas. Para obtener resultados analíticos precisos, es esencial tener en cuenta solo los datos situados dentro del límite especificado.

{% hint style="info" %}
La interfaz de calibración del rendimiento utiliza el endpoint de la API de GeoPard para limpiar y calibrar el rendimiento ([GeoPard API: Calibrate and Clean YieldDataset](https://docs.geopard.tech/geopard-tutorials/esp/documentacion-de-la-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Ejecuta las operaciones `CALIBRATE` y `CLEAN` desde la interfaz de usuario o mediante la API.
{% endhint %}

## Resumen rápido

<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://2708050521-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://2708050521-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://2708050521-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://2708050521-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://2708050521-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://2708050521-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/30c597fc0952b217075540601930d7e84210a50e" %}
Descargar el folleto en PDF sobre la limpieza de datos de rendimiento
{% endfile %}

## Ejemplos reales

En el ámbito agrícola, los conjuntos de datos de rendimiento dañados pueden plantear grandes dificultades. A continuación, encontrará ejemplos reales de este tipo de conjuntos de datos. Gracias a los avanzados algoritmos de calibración y limpieza de GeoPard, los datos se depuraron y optimizaron eficazmente.

{% hint style="info" %}
Para completar el mapa de rendimiento en áreas sin datos de rendimiento registrados, considere utilizar el método de GeoPard para crear mapas de rendimiento sintéticos. Este método recupera los datos faltantes y permite realizar un análisis completo del rendimiento. Más información [aquí](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Varias cosechadoras trabajando en conjunto

<figure><img src="https://2708050521-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>Ejemplo 1: varias cosechadoras trabajando en conjunto</p></figcaption></figure>

{% hint style="info" %}
En situaciones complejas, se recomienda un proceso de calibración en dos etapas para obtener la máxima precisión. Primero, ejecute la calibración inicial con el atributo ID de máquina. Después, realice una segunda calibración utilizando la casilla de verificación Simulated (Synthetic) Machine Paths. Este enfoque por etapas permite una calibración exhaustiva y precisa, esencial para gestionar eficazmente casos complejos.
{% endhint %}

<figure><img src="https://2708050521-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>Ejemplo 2: varias cosechadoras trabajando en conjunto</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 3: varias cosechadoras trabajando en conjunto</p></figcaption></figure>

### Giros en J, detenciones y uso de la mitad del ancho del equipo

<figure><img src="https://2708050521-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>Ejemplo 1: giros en U, detenciones y uso de la mitad del ancho del equipo</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 2: giros en U, detenciones y uso de la mitad del ancho del equipo</p></figcaption></figure>

### Valores registrados anormalmente altos

<figure><img src="https://2708050521-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>Ejemplo 1: valores registrados anormalmente altos</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 2: valores registrados anormalmente altos</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 3: valores registrados anormalmente altos</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 4: valores registrados anormalmente altos</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo 5: valores registrados anormalmente altos</p></figcaption></figure>

### Datos fuera del límite del campo

<figure><img src="https://2708050521-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>Ejemplo: datos fuera de los límites del campo</p></figcaption></figure>

### Calibración con el rendimiento promedio proporcionado

<figure><img src="https://2708050521-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>Ejemplo: calibración con el rendimiento promedio proporcionado (28 t/ha)</p></figcaption></figure>

### Limpiar los atributos de rendimiento ignorando los atributos con anomalías

El conjunto de datos de rendimiento incluye ocasionalmente atributos con irregularidades en la humedad, la velocidad, la elevación u otros atributos secundarios (que no corresponden al rendimiento). Durante las actividades de limpieza o calibración, es esencial ignorar estas anomalías. Esto puede hacerse fácilmente con la interfaz de limpieza y calibración de rendimiento de GeoPard.

<figure><img src="https://2708050521-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>Ejemplo: anomalías en el atributo de humedad</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo: limpiar los datos de rendimiento ignorando las anomalías en la humedad</p></figcaption></figure>

### Protocolo de limpieza de rendimiento del USDA

Usa esta opción cuando necesites un flujo de trabajo de edición de datos de rendimiento **repetible y basado en estándares**. Está optimizada para la **limpieza de datos de monitores de rendimiento** a gran escala.

<figure><img src="https://2708050521-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>Ejemplo: limpiar datos de rendimiento aplicando el protocolo del USDA</p></figcaption></figure>

<figure><img src="https://2708050521-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>Ejemplo: limpiar datos de rendimiento aplicando el protocolo del USDA</p></figcaption></figure>

## Explicación de los métodos de calibración

### Calibración por recorrido

**USA** **la calibración por recorrido** cuando un campo se <mark style="background-color:green;">cosecha con varias máquinas o durante varios días, especialmente para corregir diferencias sistemáticas como franjas o bandas.</mark> Es ideal en situaciones en las que las diferencias en la configuración de las máquinas, los operadores o las condiciones ambientales provocan una sobrestimación o subestimación constante en distintos recorridos.

Es fundamental tener en cuenta que <mark style="background-color:yellow;">la IA necesita variación —por ejemplo, distintos recorridos, identificadores de máquina o fechas de cosecha— para aprender y calibrar eficazmente.</mark>

<figure><img src="https://2708050521-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>Ejemplo: masa húmeda del rendimiento y 9 cosechadoras</p></figcaption></figure>

**NO USES** este método para cosechas realizadas por una sola máquina en una sesión continua, o si el mapa de rendimiento no muestra patrones espaciales visibles. Evítalo también si los datos son escasos o si solo tienes valores de rendimiento total del campo, sin diferencias por máquina.

<figure><img src="https://2708050521-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>Ejemplo: distribución de datos estadísticamente correcta</p></figcaption></figure>

### Calibración por promedio o total

**LA CALIBRACIÓN POR PROMEDIO/TOTAL ES MÁS ADECUADA** cuando <mark style="background-color:green;">tienes mucha confianza en los datos de rendimiento del campo en su conjunto, como los registros de una báscula puente o de una instalación de almacenamiento.</mark> En lugar de ajustar los recorridos individuales, este método escala todo el conjunto de datos para que el promedio o el total final coincida con el valor de referencia conocido. Suele describirse como la opción de calibración más sencilla y segura cuando se confía en las cifras generales.

Cuándo **USAR la calibración por promedio/total:**

* **Valores de referencia conocidos**: Usa este método cuando tengas registros oficiales del rendimiento total (por ejemplo, de una báscula puente) o un promedio de rendimiento del campo muy confiable.
* **Corrección del sesgo global**: Es ideal si la distribución espacial del mapa de rendimiento parece correcta, pero los valores están desplazados en general; esto significa que probablemente el monitor de rendimiento no estaba calibrado y registra valores sistemáticamente demasiado altos o demasiado bajos en todo el campo.
* **Condiciones de cosecha uniformes**: Este método es más eficaz cuando las condiciones de cosecha fueron relativamente constantes durante toda la operación.
* **Consistencia con una sola máquina**: Funciona bien con cosechas realizadas por una sola máquina que trabajó de manera constante en todo el campo.

<figure><img src="https://2708050521-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>Ejemplo: distribución de datos estadísticamente correcta con el desplazamiento necesario usando el rendimiento promedio</p></figcaption></figure>

Cuándo **NO USAR la calibración por promedio/total:**

* **Sesgo entre máquinas**: No uses este método si distintas máquinas cosecharon diferentes partes del campo o si se cosechó en días distintos, lo que generó sesgos localizados. En esos casos, escalar todo el campo no corregirá las discrepancias subyacentes entre las máquinas.
* **Artefactos visibles**: Si observa franjas marcadas, bandas o artefactos direccionales en los datos, este método no los corregirá; <mark style="background-color:green;">La calibración por trayectoria es más adecuada para resolver esos problemas</mark>.
* **Datos incompletos**: Evite esta lógica si solo se cosechó una parte del campo o si los datos registrados están incompletos, ya que los valores totales o promedio serían engañosos.

<figure><img src="https://2708050521-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>Ejemplo: datos de rendimiento con brechas</p></figcaption></figure>

### Calibración condicional

**La calibración condicional** sirve como <mark style="background-color:green;">medida de seguridad para garantizar que los valores de rendimiento se mantengan dentro de rangos mínimos y máximos realistas predefinidos</mark>.

Debe **USAR** esta lógica para<mark style="background-color:green;">eliminar valores atípicos extremos y picos del sensor causados por ruido, paradas de la máquina o giros</mark>. Es ideal para aplicar expectativas agronómicas específicas —como «el rendimiento no puede superar X»— sin realizar una corrección.

<figure><img src="https://2708050521-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>

Sin embargo, **EVITE ESTE MÉTODO** si el conjunto de datos presenta un sesgo global o diferencias sistemáticas entre máquinas, ya que no escala los datos ni corrige los patrones espaciales. En esencia, mantiene valores plausibles, pero no resuelve las desviaciones de calibración subyacentes.

## Estrategia de uso

<figure><img src="https://2708050521-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>Guía de calibración del rendimiento en una página</p></figcaption></figure>

{% file src="/files/7da6905b368be6f42a7d794afe92ddf4c75ac74e" %}
Descargar PDF de la guía de calibración del rendimiento en una página
{% endfile %}

## Primer paso

El módulo «Calibrar y limpiar rendimiento» se inicia directamente desde la interfaz de usuario. El requisito principal es haber cargado un conjunto de datos de rendimiento. Junto a cada conjunto de datos de rendimiento encontrará un botón para iniciar los ajustes del conjunto de datos.

<figure><img src="https://2708050521-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>Iniciar el flujo</p></figcaption></figure>

<figure><img src="https://2708050521-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>Seleccione una opción para continuar</p></figcaption></figure>

A partir de ahí, puede continuar de varias maneras:

1. **Procesamiento automático**: Use los ajustes predeterminados recomendados por GeoPard para calibrar con un solo clic.
2. **Solo limpieza**: Configure y ejecute únicamente la operación LIMPIAR, que incluye
   1. **Limpieza de GeoPard**: Limpieza inteligente del conjunto de datos de rendimiento mediante algoritmos de IA.
   2. **USDA** (Departamento de Agricultura de los Estados Unidos): protocolo de limpieza de datos de rendimiento.
   3. **Limpieza condicional**: Filtre los datos según los umbrales de atributos personalizados.
3. **Solo calibración**: Configure y ejecute únicamente la operación CALIBRAR, que incluye
   1. **Por trayectoria**: Calibre el rendimiento de cada trayectoria individual de la máquina mediante algoritmos de IA.
   2. **Promedio/total**: Ajuste el rendimiento según el rendimiento promedio o total conocido del campo.
   3. **Condicional**: Modifique el rendimiento dentro de los límites mínimos y máximos establecidos para mantener los rangos esperados.
4. **Calibrar y limpiar**: Elija la secuencia de operaciones y personalice los parámetros.
5. **Alternativa al editor de rendimiento**: Use **Solo limpieza → USDA** (o **Calibrar y limpiar**) para replicar a gran escala un flujo de trabajo de limpieza manual en “Yield Editor”. En las pruebas de validación, la limpieza según el protocolo del USDA coincidió con los resultados manuales de Yield Editor con **R² (R2) = 0.98** (resultados casi idénticos).

## Solución con un solo botón

{% hint style="warning" %}
**Sugerencia para valores anómalos que a veces son inherentes a los conjuntos de datos de rendimiento.**

Si un **atributo** seleccionado para calibración o limpieza **contiene principalmente** **valores cero en la mayoría de las geometrías**, estas geometrías se excluirán del conjunto de datos de rendimiento final.

Para garantizar la integridad, deben excluirse de la lista de atributos que se calibrarán aquellos que presenten estas anomalías.
{% endhint %}

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

## Guía completa

{% hint style="warning" %}
**Flujo de selección: sugerencia para anomalías en los datos**

Si el usuario detecta anomalías en los datos, como valores iguales o cercanos a cero, o valores inusualmente altos (por ejemplo, un promedio de 10 y un máximo de 8000), se recomienda el flujo de trabajo **Limpiar y calibrar** .

Dar prioridad a la limpieza de los datos antes de la calibración permite eliminar errores, valores faltantes e incoherencias, y así mejorar su calidad y precisión.
{% endhint %}

{% hint style="warning" %}
**Flujo de selección: sugerencia para datos sin errores iniciales**

Para conjuntos de datos que inicialmente no presentan errores, valores faltantes ni inconsistencias, y cuando se sabe que participaron varias cosechadoras, considere el flujo de trabajo **Calibrar y limpiar** .

Limpiar los datos después de la calibración ayuda a depurar aún más el conjunto de datos y puede eliminar artefactos introducidos durante la calibración.
{% endhint %}

{% hint style="warning" %}
**Flujo de limpieza: sugerencia para valores anómalos que a veces son inherentes a los conjuntos de datos de rendimiento.**

Si un **atributo** seleccionado para calibración o limpieza contiene principalmente **valores cero en la mayoría de las geometrías**, estas geometrías se excluirán del conjunto de datos de rendimiento final.

Para garantizar la integridad, deben excluirse de la lista de atributos que se limpiarán aquellos que presenten estas anomalías (2).
{% endhint %}

{% hint style="warning" %}
**Flujo de calibración: sugerencia para valores anómalos que a veces son inherentes a los conjuntos de datos de rendimiento.**

Si un **atributo** seleccionado para calibración o limpieza **contiene principalmente** **valores cero en la mayoría de las geometrías**, estas geometrías se excluirán del conjunto de datos de rendimiento final.

Para garantizar la integridad, deben excluirse de la lista de atributos que se calibrarán aquellos que presenten estas anomalías (3).
{% endhint %}

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

## Versiones del algoritmo

Tras el posprocesamiento, los resultados se muestran junto al conjunto de datos original. Se identifican con las etiquetas **"Calibrar"** y/o **"Limpiar"** , además de la versión del algoritmo.

<figure><img src="https://2708050521-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>Resultado de la ejecución de Calibrar y limpiar (versión 2)</p></figcaption></figure>

{% hint style="info" %}
A partir de `version 3.0` del algoritmo de limpieza y calibración, GeoPard incorpora la función de recorte por límite del campo. Esta conserva únicamente las geometrías dentro del límite del campo y mejora la distribución estadística.
{% endhint %}

<figure><img src="https://2708050521-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>Resultado de la ejecución del procesamiento automático (versión 3.0)</p></figcaption></figure>

{% hint style="info" %}
A partir de `version 4.0`, el algoritmo de limpieza y calibración de GeoPard incorpora una función de calibración basada en los valores promedio o totales de cualquier atributo. Una aplicación habitual de esta mejora es calibrar WetMass, que ahora puede ajustarse según el rendimiento promedio medido y conocido de un campo específico.
{% endhint %}

<figure><img src="https://2708050521-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>Resultado de la ejecución de calibración con un rendimiento promedio de 6 t/ha (versión 4.0)</p></figcaption></figure>

{% hint style="info" %}
A partir de `version 5.0` del algoritmo de limpieza y calibración, GeoPard incorpora el protocolo de limpieza del USDA (Departamento de Agricultura de los Estados Unidos) para datos de rendimiento. El USDA proporciona estándares formales para los datos agronómicos que regulan cómo se normalizan, validan y filtran estadísticamente las mediciones de rendimiento, humedad, flujo y posición espacial para generar conjuntos de datos agrícolas coherentes entre máquinas y campos.
{% endhint %}

<figure><img src="https://2708050521-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>Resultado de la ejecución de limpieza con el protocolo del USDA (versión 5.0)</p></figcaption></figure>

{% hint style="success" %}
Limpie los archivos de rendimiento de la temporada pasada: [Comenzar gratis](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/esp/agronomia/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.
