> 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Comparar datos de escáner de suelo entre años

Este artículo describe varios métodos matemáticos para cuantificar diferencias entre conjuntos de datos de escáner de suelo y mejorar la toma de decisiones de investigadores y agrónomos.

Los escáneres de suelo son herramientas esenciales para la agricultura de precisión, ya que permiten recopilar datos de alta resolución sobre propiedades del suelo como la humedad, la materia orgánica y los niveles de nutrientes. Comparar dos conjuntos de datos de escáneres de suelo es fundamental para comprender los cambios a lo largo del tiempo, validar distintos métodos de escaneo o calibrar nuevos dispositivos. En este artículo se exploran varios enfoques matemáticos para medir la desviación entre dos conjuntos de datos de escáneres de suelo y se ofrecen conclusiones prácticas para investigadores y agrónomos.

### Comprender la desviación en los datos de escáneres de suelo

La desviación entre dos conjuntos de datos de escáneres de suelo se refiere a las diferencias entre los valores medidos en las mismas ubicaciones. Estas pueden deberse a variaciones en las condiciones de medición, la calibración de los sensores o la dinámica del suelo. Entre los tipos de desviación más comunes se incluyen:

* Diferencias absolutas: resta directa de los valores entre los conjuntos de datos.
* Diferencias relativas: comparación basada en la magnitud de las mediciones.
* Métricas de error: medidas estadísticas como el error absoluto medio (MAE) y la diferencia normalizada.

Se eligieron dos conjuntos de datos de escáneres de suelo sobre el potasio, correspondientes a 2024 y 2025.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Conjuntos de datos iniciales de escáneres de suelo</p></figcaption></figure>

### Elegir el método de desviación adecuado

| Método                               | Ideal para                                                  |
| ------------------------------------ | ----------------------------------------------------------- |
| Diferencia directa                   | Visualización sencilla de los cambios positivos y negativos |
| Diferencia relativa                  | Comparar conjuntos de datos con escalas diferentes          |
| Diferencia normalizada               | Análisis estandarizado entre distintos conjuntos de datos   |
| Desviación relativa                  | Diferencias proporcionales, útiles para analizar tendencias |
| Error absoluto medio (MAE) por píxel | Identificar zonas con grandes diferencias absolutas         |

### Cálculo de la diferencia directa

El método de diferencia directa simplemente resta un conjunto de datos del otro para visualizar directamente los cambios en los atributos del suelo.

El uso de `geopard.calculate_difference(dataset_1, dataset_2)` y la explicación de sus parámetros se documentan [aquí](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Ventajas:

* Muestra con claridad los cambios positivos y negativos.
* Fácil de interpretar y visualizar.

Desventajas:

* Puede resultar difícil comparar los valores de diferencia si los conjuntos de datos tienen escalas distintas.
* Una gran variabilidad puede dominar la interpretación.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Cálculo de la diferencia directa</p></figcaption></figure>

### Cálculo de la diferencia relativa

El método de diferencia relativa calcula el cambio porcentual entre los conjuntos de datos tomando como referencia el segundo, lo que ofrece otra perspectiva sobre la desviación.

El uso de `geopard.calculate_relative_difference(dataset_1, dataset_2)` y la explicación de sus parámetros se documentan [aquí](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Ventajas:

* Útil para comprender cuánto ha cambiado un conjunto de datos en proporción a otro.
* Normaliza las diferencias entre magnitudes variables.

Desventajas:

* Puede volverse inestable cuando los valores del segundo conjunto de datos están cerca de cero.
* Resulta menos intuitivo cuando las diferencias absolutas son importantes.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Cálculo de la diferencia relativa</p></figcaption></figure>

### Cálculo de la diferencia normalizada

El método de diferencia normalizada normaliza los conjuntos de datos respecto de su valor máximo global antes de calcular las diferencias, lo que garantiza que las variaciones sean comparables entre distintas escalas.

El uso de `geopard.calculate_normalized_difference(dataset_1, dataset_2)` y la explicación de sus parámetros se documentan [aquí](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Ventajas:

* Eficaz para conjuntos de datos con distintos rangos dinámicos.
* Reduce el impacto de los valores extremos.

Desventajas:

* Las pequeñas variaciones pueden parecer exageradas si no se escalan correctamente.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Cálculo de la diferencia normalizada</p></figcaption></figure>

### Desviación relativa por píxel

El método de desviación relativa calcula la desviación como un porcentaje con respecto al primer conjunto de datos. Ayuda a comprender las diferencias proporcionales en lugar de las diferencias absolutas.

El uso de `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` y la explicación de sus parámetros están documentados [aquí](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Ventajas:

* Es útil para comparar conjuntos de datos con escalas diferentes.
* Expresa la desviación como un porcentaje fácil de interpretar.

Desventajas:

* Puede inducir a error si los valores originales son muy pequeños.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Desviación relativa por píxel</p></figcaption></figure>

### Error absoluto medio (MAE) por píxel

El método del error absoluto medio (MAE) mide las diferencias absolutas entre los valores correspondientes de dos conjuntos de datos. Permite identificar claramente dónde se encuentran las mayores discrepancias.

El uso de `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` y la explicación de sus parámetros están documentados [aquí](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Ventajas:

* Es sencillo e intuitivo.
* Destaca claramente las diferencias grandes.
* Funciona bien con conjuntos de datos de escalas similares.

Desventajas:

* No muestra el sentido de la diferencia (es decir, si el cambio es positivo o negativo).
* Es sensible a los valores atípicos.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Error absoluto medio (MAE) por píxel</p></figcaption></figure>

### Conclusión

Para comparar conjuntos de datos de escáneres de suelo se necesitan diversos métodos matemáticos que permitan extraer diferencias significativas. Ya se utilicen métricas absolutas, como el MAE, desviaciones relativas o comparaciones normalizadas, la elección del método adecuado depende del caso de uso. Al aplicar estas técnicas, los agrónomos y los investigadores pueden mejorar el análisis del suelo, detectar variaciones en las parcelas y optimizar los flujos de trabajo de agricultura de precisión.


---

# 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
