> 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/comparing-yield-datasets.md).

# Comparar conjuntos de datos de rendimiento

Compara conjuntos de datos de rendimiento para obtener información más profunda sobre el desempeño del cultivo entre campañas, cubriendo la limpieza y calibración adecuadas del rendimiento y el uso del rendimiento sintético.

## Contexto

La toma de decisiones en la agricultura moderna depende en gran medida de los conjuntos de datos de rendimiento, que representan los rendimientos recopilados y reflejan una parte importante de los ingresos de los agricultores. Estos conjuntos de datos deben ser precisos y de alta calidad para orientar las decisiones sobre la gestión de insumos y optimizar las estrategias futuras de siembra y fertilización.

Los datos de rendimiento suelen ser recopilados por las cosechadoras; sin embargo, las lecturas sin procesar a menudo están incompletas, contienen errores o requieren calibración para corregir las inconsistencias de los sensores y las condiciones variables del campo. Para superar estos desafíos, los profesionales suelen emplear técnicas de limpieza, calibración y generación de conjuntos de datos sintéticos con el fin de producir datos de rendimiento fiables y comparables.

Tanto[ la limpieza y calibración del rendimiento](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) como [la restauración sintética de datos de rendimiento](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/synthetic-yield-map.md) son compatibles con GeoPard.

<mark style="background-color:yellow;">Comparar conjuntos de datos de rendimiento de distintos años de cultivo proporciona información valiosa y ayuda a validar las prácticas de manejo, confirmar la precisión de los sensores y mejorar las estrategias para las próximas temporadas.</mark> Estas comparaciones también orientan el ajuste de las recomendaciones de fertilización y siembra, para que cada decisión se base en información fiable.

## Método de comparación (mediante una ecuación de similitud)

Para comparar cuantitativamente conjuntos de datos de rendimiento, utilizamos una ecuación guardada previamente llamada <mark style="background-color:yellow;">Análisis de correlación espacial (similitud entre capas de datos)</mark> que mide espacialmente la similitud entre atributos asociados al rendimiento de distintos conjuntos de datos.

Esta ecuación asigna una puntuación de similitud que indica en qué medida un conjunto de datos coincide con otro en cuanto a patrones espaciales y distribución de valores.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Buscar la ecuación existente de similitud entre capas de datos</p></figcaption></figure>

<mark style="background-color:yellow;">Los valores de similitud van de 0 a 1, donde 0 indica que no hay coincidencia y 1 representa una coincidencia espacial y de valores del 100%</mark>. En otras palabras, cuanto más se acerque la puntuación de similitud a 1, más parecidos serán los atributos de rendimiento.

## **Conjunto de datos de rendimiento real (2015** soja **frente a 2018** soj&#x61;**)**

En este caso, partimos de datos de rendimiento sin procesar, recopilados durante dos temporadas de cultivo distintas, 2015 y 2018, con el mismo cultivo: soja. Los conjuntos de datos iniciales contienen zonas con valores anormalmente altos y bajos, sobre todo al principio y al final de las pasadas de la cosechadora, y requieren una ligera recalibración.

Tras aplicar las herramientas de limpieza y calibración de GeoPard, el conjunto de datos resultante es más uniforme, coherente y fácil de interpretar.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soja 2015: datos de rendimiento originales frente a datos limpios y calibrados</p></figcaption></figure>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soja 2018: datos de rendimiento originales frente a datos limpios y calibrados</p></figcaption></figure>

A continuación se muestra una captura de pantalla del mapa de ejecución de la ecuación de similitud.

Desde una perspectiva estadística, presenta una media alta (0,869) y una mediana de (0,876), lo que indica que <mark style="background-color:yellow;">los patrones de rendimiento de la soja en 2018 se parecen mucho a los de 2015</mark>. Aunque algunas zonas bajan hasta 0,599, la baja variación (0,005) y la desviación estándar moderada (0,073) confirman la <mark style="background-color:yellow;">coherencia general</mark>.

Desde una perspectiva agronómica, <mark style="background-color:yellow;">esta estabilidad sugiere que las condiciones subyacentes del campo y su respuesta a las prácticas de manejo se han mantenido prácticamente sin cambios</mark>.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Comparación de la similitud del rendimiento: soja 2015 frente a soja 2018</p></figcaption></figure>

## **Conjunto de datos de rendimiento real (2022** maíz **frente a 2024** maí&#x7A;**)**

En este caso, partimos de datos de rendimiento sin procesar de dos temporadas de maíz: 2022 y 2024. Los conjuntos de datos iniciales contienen anomalías, como lecturas anormalmente altas o bajas, pasadas cruzadas y trayectorias curvas, lo que indica que es necesario recalibrar los sensores.

Tras aplicar las herramientas de limpieza y calibración de GeoPard, los conjuntos de datos son más fiables, lo que permite realizar análisis automatizados y tomar decisiones fundamentadas.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Maíz 2022: datos de rendimiento originales frente a datos limpios y calibrados</p></figcaption></figure>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Maíz 2024: datos de rendimiento originales frente a datos limpios y calibrados</p></figcaption></figure>

A continuación se muestra una captura de pantalla del mapa de ejecución de la ecuación de similitud.

Desde una perspectiva estadística, la media de 0,791 y la mediana de 0,799 muestran que <mark style="background-color:yellow;">los rendimientos del maíz de 2024 se parecen en gran medida a los de 2022</mark>, aunque los valores de hasta 0,413 en algunas zonas indican variabilidad. La desviación estándar de 0,115 confirma que hay <mark style="background-color:yellow;">algunas diferencias en el campo</mark>.

Desde una perspectiva agronómica, <mark style="background-color:yellow;">los patrones coherentes sugieren que las condiciones se mantienen estables y que el manejo ha sido eficaz a lo largo del tiempo</mark>. Sin embargo, las zonas localizadas con <mark style="background-color:yellow;">menor similitud podrían requerir ajustes específicos para mejorar el rendimiento futuro</mark>.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Comparación de la similitud del rendimiento: maíz 2022 frente a maíz 2024</p></figcaption></figure>

## **Conjunto de datos de rendimiento sintético frente a real (2023** colza)

En este caso, partimos de un conjunto de datos de rendimiento sin procesar de la temporada de colza de 2023 y de un conjunto de datos de rendimiento generado sintéticamente para el mismo cultivo y el mismo año: 2023. <mark style="background-color:yellow;">El objetivo es evaluar la precisión espacial del rendimiento real frente al sintético, ofreciendo una vía para completar los datos no registrados, subsanar las carencias en los datos de rendimiento y corregir anomalías mediante valores sintéticos</mark>. El conjunto de datos de rendimiento real presenta problemas como lecturas anormalmente altas o bajas, pasadas cruzadas, trayectorias curvas y pasadas con valor cero; todo ello indica que es necesario recalibrar los sensores.

Después de aplicar [la limpieza y calibración de GeoPard](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) a los datos de rendimiento real y generar [el rendimiento sintético](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/synthetic-yield-map.md) para la colza, podemos iniciar una comparación significativa de su similitud.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Colza 2023: datos de rendimiento originales frente a datos limpiados y calibrados</p></figcaption></figure>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Rendimiento sintético de colza 2023</p></figcaption></figure>

A continuación se muestra una captura de pantalla del mapa de ejecución de la ecuación de similitud.

Desde una perspectiva estadística, los valores altos de la media (0,889) y la mediana (0,904) indican que, <mark style="background-color:yellow;">en general, el conjunto de datos de rendimiento sintético coincide estrechamente con los patrones espaciales del rendimiento real de colza de 2023</mark>. Aunque en una zona el valor desciende hasta 0,291, la baja variación (0,006) y la desviación estándar moderada (0,08) sugieren que <mark style="background-color:yellow;">la mayoría de las zonas del campo presentan una estrecha correspondencia entre los conjuntos de datos real y sintético, con muy pocos valores atípicos</mark>.

Desde una perspectiva agronómica, esta gran similitud implica que <mark style="background-color:yellow;">los datos de rendimiento sintético pueden servir como una aproximación fiable a las condiciones reales del campo</mark>, lo que refuerza la confianza en el uso de escenarios modelados para orientar la toma de decisiones. <mark style="background-color:yellow;">Las prácticas agronómicas reflejadas en los datos de rendimiento real están bien representadas por el modelo de rendimiento sintético</mark>, lo que permite planificar de forma más informada y coherente las futuras estrategias de manejo.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Comparación de la similitud del rendimiento de colza: real de 2023 frente a sintético de 2023</p></figcaption></figure>


---

# 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/comparing-yield-datasets.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.
