> 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/synthetic-yield-map.md).

# Mapa de rendimiento sintético: mapas de rendimiento para campañas sin datos de rendimiento

Reconstruye un mapa de rendimiento de una campaña pasada a partir de imágenes satelitales y un dato conocido —el rendimiento total o promedio del campo— y úsalo para crear zonas y hacer comparaciones.

Un mapa de rendimiento sintético completa una campaña en la que el monitor de rendimiento estaba apagado, averiado o nunca se instaló. GeoPard toma las imágenes satelitales de esa campaña y un dato que usted conoce —el rendimiento total o medio del lote— y lo distribuye por todo el lote. Úselo para completar zonas de varios años o comparar campañas; conserve los datos del monitor donde estén disponibles.

{% hint style="success" %}
Complete el historial de rendimiento: [Empiece gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=synthetic-yield-map)
{% endhint %}

## Evaluación de las brechas de rendimiento: la importancia de la cartografía sintética del rendimiento

El módulo de mapas sintéticos de rendimiento de GeoPard aborda un desafío común en la agricultura: la falta de datos históricos detallados de rendimiento para muchos agricultores. Aunque suelen conocer el rendimiento medio o total por lote, con frecuencia no disponen de mapas de rendimiento detallados de años anteriores. El módulo de GeoPard ofrece una solución que permite crear retrospectivamente mapas de rendimiento con una precisión elevada (superior al 90 %).

Esta funcionalidad es especialmente valiosa para quienes desean comprender y analizar el rendimiento de sus lotes a lo largo de los años. El módulo utiliza los datos disponibles de rendimiento medio o total y aplica los métodos analíticos de GeoPard para generar mapas detallados de rendimiento de cualquier año pasado.

Al crear estos mapas sintéticos de rendimiento, los agricultores pueden conocer la distribución y la variabilidad del rendimiento dentro de sus lotes. Esta información es fundamental para tomar decisiones fundamentadas sobre el manejo de cultivos, la asignación de recursos y la planificación de estrategias agrícolas futuras.

En resumen, el módulo de mapas sintéticos de rendimiento de GeoPard ofrece una herramienta práctica para descubrir información histórica sobre el rendimiento y adoptar un enfoque agrícola más basado en datos, incluso cuando no se dispone de registros detallados de años anteriores.

Comprender la distribución geoespacial del rendimiento es fundamental para perfeccionar las decisiones agronómicas año tras año, y los mapas de rendimiento (o conjuntos de datos de rendimiento) desempeñan un papel clave en este proceso.

Sin embargo, las cosechadoras no siempre cuentan con el equipo necesario para registrar datos de cartografía del rendimiento, sobre todo los modelos más antiguos. Por ello, los mapas de rendimiento suelen abarcar solo las partes de los lotes cosechadas con máquinas que disponen de esta capacidad.

Para abordar estos desafíos, GeoPard está ultimando el lanzamiento de su mapa sintético de rendimiento, una solución diseñada para ofrecer información completa sobre el rendimiento independientemente de las limitaciones del equipo.

## **Enfoque técnico**

Los mapas sintéticos de rendimiento se generan aprovechando la amplia experiencia de GeoPard en la gestión de conjuntos de datos de rendimiento y centrándose en identificar los factores que limitan el rendimiento, evaluar el [potencial productivo del lote](https://geopard.tech/blog/field-potential-maps-yield-data/)y analizar el [desarrollo de la vegetación durante la campaña](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/satellite-monitoring.md). Esta metodología permite generar mapas de distribución del rendimiento incluso cuando no se dispone de datos directos de las cosechadoras.

Los datos de teledetección son la base de la distribución geoespacial, mientras que la calibración con los valores reales de rendimiento se realiza ajustándola al rendimiento medio o total declarado para el lote. Este enfoque garantiza una representación precisa de cada zona del lote y ofrece una imagen completa y fiable de la distribución del rendimiento en toda su superficie.

## Ejemplos reales

{% hint style="info" %}
Para mantener una elevada precisión en los cálculos, es fundamental realizar un paso adicional: la calibración del rendimiento. Ayuda a eliminar anomalías y a ajustar correctamente la distribución estadística de los datos. Descubra más sobre la [importancia de la calibración del rendimiento](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) y cómo realizarla con GeoPard.
{% endhint %}

### Mapa de rendimiento de maíz para ensilado: real frente a sintético

La verificación del mapa sintético de rendimiento se realizó utilizando un mapa original de rendimiento de maíz para ensilado. Este proceso puso de manifiesto la necesidad de calibrar el rendimiento como paso intermedio para eliminar valores atípicos y corregir los valores de rendimiento.

<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>Mapa de rendimiento: datos sin procesar (originales) frente a calibrados</p></figcaption></figure>

El patrón geoespacial del mapa sintético de rendimiento se basa en el conocimiento avanzado de GeoPard sobre la [variabilidad del lote](https://geopard.tech/blog/use-of-heterogeneity-factor-in-precision-agriculture/) y su experiencia en la [gestión y zonificación de conjuntos de datos de rendimiento](https://geopard.tech/blog/7b27v4yf41-yield-data-and-analytics-in-geopard/). A continuación, se calibró utilizando el valor medio del rendimiento de maíz para ensilado, lo que garantiza que el patrón geoespacial se ajuste estrechamente a las cifras reales de rendimiento. <mark style="background-color:yellow;">La siguiente captura de pantalla muestra la distribución estadística y geoespacial del rendimiento expresado como masa (t/ha).</mark>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FnEKqU70RiQEE0oxNKgls%2Fimage.png?alt=media&amp;token=e779ea7e-dc6b-45d0-8be6-4f320a5d600a" alt=""><figcaption><p>Mapa de rendimiento: calibrado frente a sintético</p></figcaption></figure>

### Maíz: real frente a sintético

<mark style="background-color:yellow;">La siguiente captura de pantalla muestra la distribución estadística y geoespacial del rendimiento del maíz expresado como masa (t/ha) en los conjuntos de datos de rendimiento calibrado y sintético.</mark>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FJYJW4Tvd2KIeSDoxyXLJ%2Fimage.png?alt=media&amp;token=9287734f-beb4-4153-a6e4-1bcf2c6967b8" alt=""><figcaption><p>Mapa de rendimiento: calibrado frente a sintético</p></figcaption></figure>

### Soja: real frente a sintético

La siguiente captura de pantalla muestra la distribución estadística y geoespacial de la masa del rendimiento de soja en los conjuntos de datos de rendimiento calibrado y sintético. Cabe señalar que los datos originales de rendimiento se proporcionaron en mg/m2, mientras que los datos sintéticos de rendimiento se convirtieron y se presentan en t/ha.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fx0LJjzOgEOIHl8QkrKev%2Fimage.png?alt=media&amp;token=3802315c-2785-48ef-aabd-63262adc3f5a" alt=""><figcaption><p>Mapa de rendimiento: calibrado frente a sintético</p></figcaption></figure>

### Trigo: recuperación del mapa de rendimiento

En muchos casos, solo se dispone de un mapa de rendimiento parcial. Esto puede deberse a varios factores; entre los más comunes están la falta del equipo necesario para registrar los datos de cosecha en la maquinaria antigua (1), el factor humano (2) y que los datos recopilados resulten inutilizables (3). GeoPard aborda estos desafíos recuperando los mapas de rendimiento incompletos. El proceso incluye una evaluación exhaustiva del [potencial productivo del lote](https://geopard.tech/blog/field-potential-maps-yield-data/) y de las [tendencias de la vegetación durante la campaña](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/satellite-monitoring.md), y utiliza los métodos perfeccionados de GeoPard para analizar los datos de rendimiento y completar el mapa.

Sigue siendo necesario calibrar el rendimiento para eliminar anomalías en la distribución de los datos de rendimiento.

<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>Mapa de rendimiento: real (original) frente a calibrado</p></figcaption></figure>

La siguiente captura de pantalla muestra la comparación entre las partes conocidas del mapa de rendimiento y el mapa recuperado.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FHrDt9mmQZ6Vm4H7HLR91%2Fimage.png?alt=media&amp;token=63879fe6-8502-4dd7-b48c-75cb40b6859c" alt=""><figcaption><p>Mapa de rendimiento: calibrado frente a sintético</p></figcaption></figure>

### Guisantes: recuperación de brechas en el mapa de rendimiento

En muchos casos, solo se dispone de un mapa de rendimiento parcial. Las causas más comunes son:

1. maquinaria antigua sin equipo para registrar el rendimiento,
2. errores humanos durante la cosecha y
3. datos recopilados que resultan inutilizables.

GeoPard resuelve estos desafíos al reconstruir mapas de rendimiento incompletos mediante algoritmos propietarios avanzados.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FWw9e7u8eEBaBtgjNqSPF%2Fimage.png?alt=media&amp;token=36e15b1f-50d9-4ca1-a381-f82c07521e95" alt=""><figcaption><p>Mapa de rendimiento: reconstruido frente a original</p></figcaption></figure>

{% hint style="success" %}
Complete el historial de rendimiento: [Empiece gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=synthetic-yield-map)
{% 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/synthetic-yield-map.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.
