# Calibración y limpieza del rendimiento Usa GeoPard para **limpiar datos de rendimiento** y **calibrar conjuntos de datos del monitor de rendimiento**. Obtén un mapa de rendimiento en el que puedas confiar para zonas, prescripciones y análisis. Este flujo de trabajo maneja valores atípicos, giros de vuelta, atributos faltantes y datos de rendimiento de múltiples cosechadoras. Incluye el **protocolo de limpieza de rendimiento del USDA** y admite **flujos de trabajo alternativos de Yield Editor** . {% embed url="" %} Tutorial en vídeo sobre limpieza y calibración de datos de rendimiento. Se explican las diferencias entre las opciones. {% endembed %} Este proceso de calibración es fundamental para: 1. **Garantizar la consistencia de los datos**: No es raro que varias cosechadoras trabajen en conjunto o en días diferentes. Esta función asegura que sus datos canten en armonía. 2. **Homogeneizar los datos**: Los datos de rendimiento pueden ser variados; la calibración garantiza que sean suaves y consistentes, sin picos o caídas no deseadas. 3. **Filtrar el ruido**: Como cualquier dato, los datos de rendimiento pueden tener su cuota de 'ruido' o información irrelevante. Nos aseguramos de que no enturbien tus conclusiones. 4. **Racionalizar geometrías**: Cualquier giro de vuelta u patrones geométricos extraños pueden sesgar las verdaderas conclusiones. La calibración está diseñada para alisar esto, asegurando que los datos reflejen realmente la realidad del campo. 5. **Recortar por límite de campo**: Las cosechadoras a menudo operan en áreas adyacentes. Para resultados analíticos precisos, es esencial considerar solo los datos situados dentro del límite especificado. {% hint style="info" %} La interfaz de Calibración de Rendimiento utiliza el endpoint API de GeoPard para Limpiar/Calibrar Conjunto de Datos de Rendimiento ([GeoPard API: Calibrar y Limpiar ConjuntoDeDatosRendimiento](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Ejecuta las `CALIBRAR` y `LIMPIAR` operaciones en la IU o vía API. {% endhint %} ## Resumen rápido

{% file src="" %} Descargar folleto PDF sobre limpieza de rendimiento {% endfile %} ## Ejemplos del mundo real En el ámbito de la agricultura, los conjuntos de datos de rendimiento corruptos pueden plantear desafíos significativos. A continuación puedes encontrar ejemplos del mundo real donde se encontraron tales conjuntos de datos. Mediante los avanzados algoritmos de calibración y limpieza de GeoPard, estos conjuntos de datos fueron refinados y optimizados eficazmente. {% hint style="info" %} Para abordar áreas sin datos de rendimiento registrados y lograr la completitud del mapa de rendimiento, considera utilizar el enfoque de Mapa de Rendimiento Sintético de GeoPard. Este método restaura los datos faltantes para un análisis de rendimiento completo. Aprende más [aquí](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Varias cosechadoras trabajando juntas

Ejemplo 1: Varias cosechadoras trabajando juntas

{% hint style="info" %} Al tratar con escenarios complejos, se recomienda un proceso de calibración en dos pasos para una precisión óptima. Comienza ejecutando la calibración inicial usando el atributo ID de Máquina. A continuación, procede con una segunda ronda de calibración, esta vez utilizando la casilla de verificación de Rutas de Máquina Simuladas (Sintéticas). Este enfoque por capas garantiza una calibración exhaustiva y precisa, esencial para gestionar casos complejos de forma efectiva. {% endhint %}

Ejemplo 2: Varias cosechadoras trabajando juntas

Ejemplo 3: Varias cosechadoras trabajando juntas

### Giros en J, paradas, medio ancho del equipo usado

Ejemplo 1: Giros en U, paradas, medio ancho del equipo usado

Ejemplo 2: Giros en U, paradas, medio ancho del equipo usado

### Valores registrados anormalmente altos

Ejemplo 3: Valores registrados anormalmente altos

Ejemplo 4: Valores registrados anormalmente altos

Ejemplo 5: Valores registrados anormalmente altos

### Datos fuera del límite del campo

Ejemplo: datos fuera de los límites del campo

### Calibración usando el valor medio de rendimiento proporcionado

### Limpiar atributos de rendimiento ignorando atributos con anomalías El Conjunto de Datos de Rendimiento ocasionalmente incluye atributos con irregularidades en Humedad, Velocidad, Elevaciones u otros atributos secundarios (no de rendimiento). Durante la ejecución de las actividades de Limpiar o Calibrar, es esencial ignorar estas anomalías. Esto se puede lograr eficazmente usando la interfaz de Limpieza-Calibración de Rendimiento de GeoPard.

Ejemplo: anomalías en el atributo de humedad

Ejemplo: limpiar datos de rendimiento ignorando anomalías en humedad

### Protocolo de limpieza de rendimiento USDA Usa esta opción cuando necesites un **flujo de trabajo de editor de rendimiento repetible y basado en normas**. Está optimizado para **limpieza de datos del monitor de rendimiento** a gran escala.

Ejemplo: limpiar datos de rendimiento aplicando el protocolo USDA

## Explicación de las lógicas de calibración ### Calibración por trazado de máquina **USAR** **Calibración por trazado de máquina** cuando un campo está cosechado por múltiples máquinas o durante varios días, específicamente para corregir diferencias sistemáticas como rayado o bandas. Es ideal para escenarios donde configuraciones variables de la máquina, operadores o condiciones ambientales causan sobreestimaciones o subestimaciones consistentes a lo largo de diferentes recorridos. Crucialmente, la IA requiere variación - como recorridos distintos, IDs de máquina o fechas de cosecha - para aprender y calibrar eficazmente.

Ejemplo: WetMass de rendimiento y 9 cosechadoras

**NO USAR** este método para cosechas de una sola máquina en una sesión continua o si el mapa de rendimiento carece de patrones espaciales visibles. Además, evítalo si los datos son escasos o si solo posees valores totales de rendimiento a nivel de campo sin diferencias a nivel de máquina

Ejemplo: distribución de datos estadísticamente correcta

### Calibración por promedio o total **La calibración por promedio/total ES MEJOR USADA** cuando tienes un alto nivel de confianza en tus datos de rendimiento a nivel de campo, como registros de una báscula o instalación de almacenamiento. En lugar de ajustar recorridos individuales, este método escala todo el conjunto de datos para que el promedio o total final coincida con tu valor de referencia conocido. A menudo se describe como la opción de calibración más simple y segura cuando se confía en las cifras globales. Cuándo **USAR la calibración por promedio/total:** * **Valores de referencia conocidos**: Debes usar esta lógica cuando tengas registros oficiales de rendimiento total (p. ej., de una báscula) o un rendimiento medio altamente confiable para el campo. * **Corrección de sesgo global**: Es ideal si la distribución espacial en el mapa de rendimiento parece correcta, pero los valores están desplazados globalmente, lo que significa que el monitor de rendimiento probablemente estaba descalibrado y reporta valores que son consistentemente demasiado altos o bajos en todo el campo. * **Condiciones de cosecha uniformes**: Este método es más efectivo cuando las condiciones de cosecha fueron relativamente consistentes durante la operación. * **Consistencia de una sola máquina**: Funciona bien para cosechas completadas por una sola máquina que operó de manera consistente en todo el campo.

Ejemplo: distribución de datos estadísticamente correcta con desplazamiento requerido usando rendimiento promedio

Cuando **NO usar la calibración por promedio/total:** * **Sesgo máquina a máquina**: No uses este método si diferentes partes del campo fueron cosechadas por máquinas distintas o en días distintos que resultaron en sesgos localizados. En estos casos, escalar todo el campo no corregirá las discrepancias subyacentes entre máquinas. * **Artefactos visibles**: Si ves un fuerte rayado, bandas o artefactos direccionales en tus datos, este método no los resolverá; la calibración por recorrido es más adecuada para esos problemas. * **Datos incompletos**: Evita esta lógica si solo una porción del campo fue cosechada o si los datos registrados son incompletos, ya que los valores totales/promedio serían engañosos.

Ejemplo: datos de rendimiento con huecos

### Calibración condicional **Calibración condicional** sirve como un control de seguridad asegurando que los valores de rendimiento permanezcan dentro de rangos mínimos y máximos realistas predefinidos. Tú **DEBES USAR** esta lógica para remover valores atípicos extremos y picos del sensor causados por ruido, paradas de la máquina o giros. Es ideal para aplicar expectativas agronómicas específicas - como "el rendimiento no puede exceder X" - sin realizar una corrección.

Sin embargo, **EVITA ESTE MÉTODO** si tu conjunto de datos tiene un sesgo global o diferencias sistemáticas entre máquinas, ya que no escala los datos ni corrige patrones espaciales. Esencialmente, mantiene los valores plausibles pero no resuelve los desplazamientos de calibración subyacentes. ## Estrategia de uso

Guía de calibración de rendimiento en una página

{% file src="" %} Descargar PDF de una página con la guía de calibración de rendimiento {% endfile %} ## Primer paso El módulo "Calibrar y Limpiar Rendimiento" se inicia directamente desde la interfaz de usuario. El requisito principal es tener un Conjunto de Datos de Rendimiento cargado. Junto a cada Conjunto de Datos de Rendimiento, encontrarás un botón para comenzar los ajustes del conjunto de datos.

A partir de ahí, hay varias opciones disponibles para continuar: 1. **Procesamiento automático**: Usa los ajustes predeterminados recomendados por GeoPard para una calibración con un solo clic. 2. **Solo limpiar**: Configura y ejecuta únicamente la operación LIMPIAR, incluyendo 1. **Limpieza GeoPard**: Limpieza inteligente del conjunto de datos de rendimiento con algoritmos de IA. 2. **USDA** Protocolo de limpieza (Departamento de Agricultura de los Estados Unidos) para rendimiento. 3. **Limpieza condicional**: Filtrar datos basándose en umbrales de atributos personalizados. 3. **Solo calibrar**: Configura y ejecuta solo la operación CALIBRAR, incluyendo 1. **Ruta por ruta**: Calibrar el rendimiento para cada recorrido individual de la máquina usando algoritmos de IA. 2. **Promedio/Total**: Ajustar el rendimiento según el rendimiento medio o total conocido del campo. 3. **Condicional**: Modificar el rendimiento dentro de límites mínimos y máximos establecidos para mantener rangos esperados. 4. **Calibrar y limpiar**: Elige la secuencia de operaciones y personaliza los parámetros. 5. **Alternativa a Yield Editor**: Usa **Solo limpiar → USDA** (o **Calibrar y limpiar**) para igualar un flujo de trabajo manual de limpieza “Yield Editor”, pero a escala. En pruebas de validación, la limpieza con protocolo USDA coincidió con los resultados manuales de Yield Editor con **R² (R2) = 0.98** (salida casi idéntica). ## Solución con un botón {% hint style="warning" %} **Consejo para valores anormales a veces inherentes a los conjuntos de datos de rendimiento.** Si un **attribute** seleccionado para calibración o limpieza predominantemente **contiene** **valores cero a lo largo de la mayoría de las geometrías**, estas geometrías serán excluidas del Conjunto de Datos de Rendimiento final. Para asegurar la integridad, los atributos con tales anomalías deben excluirse de la lista de atributos a calibrar. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Guía completa {% hint style="warning" %} **Elegir flujo: consejo para anomalías de datos** Si un usuario encuentra anomalías en los datos, como valores en o cerca de cero, o valores inusualmente grandes (por ejemplo, un promedio de 10 con un máximo de 8000), se aconseja el **flujo de trabajo Limpieza y Calibración** se recomienda el flujo de trabajo. Priorizar la Limpieza de datos antes de la Calibración asegura la eliminación de errores, valores faltantes o inconsistencias, mejorando así la calidad y precisión de los datos. {% endhint %} {% hint style="warning" %} **Elegir flujo: consejo para datos sin errores iniciales** Para conjuntos de datos inicialmente libres de errores, valores faltantes o inconsistencias, y cuando se sabe que participaron múltiples cosechadoras, considere el **flujo de trabajo Calibración y Limpieza** flujo de trabajo. Limpiar los datos después de la calibración ayuda a refinar aún más el conjunto de datos al eliminar potencialmente artefactos introducidos durante la calibración. {% endhint %} {% hint style="warning" %} **Flujo de limpieza: consejo para valores anormales a veces inherentes a los conjuntos de datos de rendimiento.** Si un **attribute** seleccionado para calibración o limpieza predominantemente contiene **valores cero a lo largo de la mayoría de las geometrías**, estas geometrías serán excluidas del Conjunto de Datos de Rendimiento final. Para asegurar la integridad, los atributos con tales anomalías deben excluirse de la lista de atributos a limpiar (2). {% endhint %} {% hint style="warning" %} **Flujo de calibración: consejo para valores anormales a veces inherentes a los conjuntos de datos de rendimiento.** Si un **attribute** seleccionado para calibración o limpieza predominantemente **contiene** **valores cero a lo largo de la mayoría de las geometrías**, estas geometrías serán excluidas del Conjunto de Datos de Rendimiento final. Para asegurar la integridad, los atributos con tales anomalías deben excluirse de la lista de atributos a calibrar (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Versiones del algoritmo Postprocesamiento, los resultados se muestran junto al conjunto de datos original. Están marcados con **"Calibrar"** y/o **"Limpiar"** etiquetas, además de la versión del algoritmo.

El resultado de la ejecución Calibrar y Limpiar (versión 2)

{% hint style="info" %} A partir de `versión 3.0` A partir de la versión 3.0 del algoritmo Limpiar/Calibrar, GeoPard introduce la función de Recorte por Límite de Campo. Esto mantiene solo las geometrías dentro del Límite del Campo y mejora la distribución estadística. {% endhint %}

El resultado de la ejecución de Procesamiento Automático (versión 3.0)

{% hint style="info" %} A partir de `la versión 4.0`, el algoritmo Limpiar/Calibrar en GeoPard ahora incorpora una función para calibración basada en valores promedio o totales en cualquier atributo. Una aplicación habitual de esta mejora es la calibración de WetMass, que ahora puede ajustarse por el rendimiento medio medido conocido para un campo específico. {% endhint %}

El resultado de la ejecución de Calibración usando rendimiento promedio de 6 t/ha (versión 4.0)

{% hint style="info" %} A partir de `versión 5.0` A partir de la versión 5.0 del algoritmo Limpiar/Calibrar, GeoPard introduce el Protocolo de Limpieza del USDA (Departamento de Agricultura de los Estados Unidos) para rendimiento. El USDA proporciona estándares agronómicos formales de datos que regulan cómo se normalizan, validan y filtran estadísticamente las mediciones de rendimiento, humedad, flujo y espaciales para producir conjuntos de datos agrícolas coherentes a nivel de máquina y de campo. {% endhint %}