> 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/documentacion-de-la-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutación: calibrar y limpiar el conjunto de datos de rendimiento

Llamadas a la API para limpiar y calibrar conjuntos de datos de rendimiento

La calibración de «YieldDataset» corrige la distribución de los valores para ajustarla a principios matemáticos, lo que mejora la integridad general de los datos. Aumenta la calidad de la toma de decisiones y hace que el conjunto de datos sea valioso para análisis más detallados.

Algunos casos de uso habituales de esta funcionalidad son:

* Sincronizar los datos cuando varias cosechadoras han trabajado al mismo tiempo o durante varios días, para garantizar su coherencia.
* Homogeneizar y mejorar la precisión del conjunto de datos al suavizar las variaciones.
* Eliminar el ruido de los datos y la información superflua que puede dificultar la obtención de conclusiones.
* Eliminar los giros de cabecera o las geometrías anómalas que pueden distorsionar los patrones y tendencias reales del lote.
* Ajustar los datos de rendimiento para que coincidan con los promedios o totales establecidos para cada atributo.

Para obtener más información y consultar ejemplos, visite nuestro caso de uso: [Calibración y limpieza de datos de rendimiento](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) ».

### YieldDataset original con el atributo WetMass

Cinco cosechadoras trabajaron en paralelo en el lote de 30 ha que se muestra a continuación. La calibración de una de ellas no estaba sincronizada con la de las demás, lo que produjo <mark style="color:naranja;">manchas naranjas</mark> , que indican que se necesita una `CALIBRATION` adicional. Además, hay numerosos giros de cabecera: <mark style="color:rojos;">rojos</mark> más cerca de los bordes del «lote» que deben eliminarse.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>YieldDataset original con el atributo WetMass</p></figcaption></figure>

### YieldDataset calibrado y depurado con el atributo WetMass

El resultado que se muestra a continuación corresponde al conjunto de datos después de aplicar automáticamente las operaciones `CALIBRATE` y `CLEAN` con los parámetros predeterminados. El «YieldDataset» resultante es homogéneo, sin valores atípicos ni cambios bruscos entre geometrías adyacentes.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>YieldDataset calibrado y depurado con el atributo WetMass</p></figcaption></figure>

### Opciones por pasada, promedio/total y condicional

**Calibración por pasada** corresponde a las trayectorias de la máquina. Para la calibración, cada pasada de la máquina se procesa como una región individual. El equipo de GeoPard recomienda usar este método como enfoque estándar.

**Calibración por promedio/total** se centra en redistribuir los valores de los atributos. Este método resulta útil si los patrones geoespaciales son precisos, pero las cifras absolutas difieren de los valores reales. Para obtener resultados óptimos, GeoPard recomienda combinarlo con la calibración por pasada: primero se aplica la calibración por pasada y, después, se ajustan los datos a los valores conocidos de promedio/total.

**Calibración condicional** ajusta los valores de los atributos según los umbrales mínimo y máximo proporcionados. Este método resulta especialmente útil cuando los patrones geoespaciales son precisos, pero es necesario ajustar la distribución de los valores, sobre todo si se conocen los valores mínimo y máximo. Para obtener los mejores resultados, GeoPard recomienda combinarlo con la calibración por pasada: primero se aplica la calibración por pasada y, después, se ajustan los datos para que coincidan con los valores mínimo y máximo conocidos.

### Consejos

{% hint style="warning" %}
**Consejo para anomalías en los datos**

Si se detectan 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 usar el flujo de trabajo de **limpieza y calibración** . Se configura con los parámetros `actions: [CLEAN, CALIBRATE]`.

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" %}
**Consejo para datos sin errores iniciales**

Si los conjuntos de datos no presentan errores, valores faltantes ni incoherencias desde el principio, y se sabe que han intervenido varias cosechadoras, considere usar el flujo de trabajo de **calibración y limpieza** . Se configura con los parámetros `actions: [CALIBRATE, CLEAN]`.

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 %}

### Documentación: detalles de la mutación

La configuración estándar predeterminada habilita la calibración y limpieza automáticas de «YieldDataset».

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Un ejemplo más avanzado permite controlar manualmente los rangos mínimo y máximo e incorpora atributos adicionales.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Para seguir el protocolo del USDA para la `CLEAN` operación, debes incluir TODAS las columnas en `cleanAction` -> `conditionMinMaxClean` o especificar algunas de ellas en `cleanAction` -> `conditionMinMaxClean` y las restantes en `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Parámetros de entrada:

* `actions` como una matriz, que te permite elegir *las acciones de corrección y su orden* de aplicación; los valores admitidos incluyen `CLEAN` y `CALIBRATE`.
* `calibrateAction` como un objeto que contiene detalles de configuración relacionados con la operación `CALIBRATE` .
  * `calibrationAttributes` como una matriz de atributos que requieren calibración, normalmente vinculados a la columna Yield.
  * `smoothWindowSize` como un número entero impar que suaviza los valores resultantes y reduce los cambios bruscos.
  * `conditionPathwiseCalibration` como un objeto con la **Por trayectoria** La calibración corresponde a las pasadas de la máquina. Cada pasada se procesa como una región individual a efectos de calibración.
    * `calibrationBasis` como una cadena que representa el atributo utilizado como base para la calibración.
    * `maxHomogeneityRegion` como un valor booleano que indica si la región de máxima homogeneidad se utiliza como región de referencia para la calibración.
    * `syntheticMachinePath` como un valor booleano que indica si se simulan las rutas de la máquina. Es útil cuando no se dispone del atributo de trayectoria precisa de la máquina y es necesario simularlo a partir de marcas de tiempo u otro atributo similar.
  * `conditionAvgTotalCalibration` como un objeto con la **Promedio/Total** La calibración se centra en redistribuir los valores de los atributos. Este método resulta útil cuando los patrones geoespaciales son precisos, pero las cifras absolutas difieren de los valores reales.
    * `calibrationAttribute` como una cadena que representa el atributo que se va a calibrar.
    * `average` como un número que representa los valores promedio del atributo; los valores del atributo deben ajustarse a este promedio. Solo debe utilizarse una de las opciones: `average` o `total`.
    * `total` como un número que representa la suma total de los valores del atributo; el agregado de estos valores debe coincidir con el total. Solo debe utilizarse una de las opciones: `average` o `total`.
  * `conditionMinMaxCalibration` como un objeto con la **Condicional** La calibración ajusta los valores de los atributos según los umbrales mínimo y máximo proporcionados.
    * `calibrationAttribute` como una cadena que representa el atributo que se va a calibrar.
    * `min` como un número que representa los valores mínimos del atributo y establece el límite inferior del intervalo de calibración.
    * `minIncluded` como un valor booleano que indica si se debe incluir el valor mínimo.
    * `max` como un número que representa los valores máximos del atributo y establece el límite superior del intervalo de calibración.
    * `maxIncluded` como un valor booleano que indica si se debe incluir el valor máximo.
* `cleanAction` como un objeto que incluye los detalles de configuración asociados a la operación `CLEAN` .
  * `conditionAutoClean` como un objeto que incluye las configuraciones específicas del algoritmo de limpieza automática.
    * `targetAttribute` como una cadena que representa los valores de Yield objetivo.
    * `excludedAttributes` como una matriz de cadenas que definen los atributos que no influyen en la operación de limpieza.
  * `conditionMinMaxClean` como una matriz de objetos que contienen las reglas de limpieza descritas; cada objeto incluye los siguientes parámetros.
    * cleanAttribute como una cadena que especifica el nombre de la columna a la que se aplica la regla.
    * `min` como un número que indica el valor mínimo.
    * `max` como un número que indica el valor máximo.

{% hint style="info" %}
Para consultar las entradas y acceder a los valores más recientes disponibles de las enumeraciones (como `operations`), se recomienda utilizar [Altair](https://docs.geopard.tech/geopard-tutorials/esp/documentacion-de-la-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Documentación de Altair: consulta YieldDataset

Como consumidor de la API de GeoPard, puedes obtener información sobre las correcciones aplicadas a los YieldDataset mediante los atributos `appliedCorrections` y `appliedCorrectionsVersion`. El primero proporciona una lista de las correcciones realizadas (por ejemplo, `CALIBRATE` y `CLEAN`), cuyo orden de ejecución se indica mediante su posición en la matriz. Por su parte, `appliedCorrectionsVersion` indica la versión del algoritmo utilizado.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/documentacion-de-la-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
