Satotiedon kalibrointi ja puhdistus
Näin puhdistat ja kalibroit satomonitorin datan GeoPardissa. Sisältää USDA:n satotiedon puhdistusprotokollan. Korjaa poikkeamat, juovat, käännökset ja usean puimurin tietoaineistot.
Käytä GeoPardia puhdistamaan sadontietoja ja kalibroimaan sadontarkkailimen aineistoja. Saat sadontakartan, johon voit luottaa vyöhykkeiden, reseptien ja analytiikan käyttöä varten. Tämä työnkulku käsittelee poikkeamia, käännöksiä, puuttuvia attribuutteja ja monen leikkuupuimurin sadontietoja. Se sisältää USDA:n sadonpuhdistusprotokollan ja tukee Yield Editor -vaihtoehtoista työnkulkua.
Tämä kalibrointiprosessi on keskeinen:
Tietojen yhdenmukaistamisen varmistamiseksi: Usein useat puimurit toimivat yhdessä tai eri päivinä. Tämä ominaisuus varmistaa, että niiden tiedot soivat yhteen.
Tietojen homogenisointi: Sadontiedot voivat vaihdella; kalibrointi varmistaa niiden tasaisuuden ja johdonmukaisuuden ilman ei-toivottuja piikkejä tai pudotuksia.
Melun suodatus: Kuten kaikissa datoissa, myös sadontiedoissa voi olla 'melua' tai epäolennaista tietoa. Varmistamme, ettei se sumenna havaintojasi.
Geometrioiden virtaviivaistaminen: Kaikki käännökset tai oudot geometriset kuvioinnit voivat vääristää todellisia havaintoja. Kalibrointi on suunniteltu tasoittamaan nämä, jotta data heijastaa todellisuutta pellolla.
Rajaus lohkon rajalla: Puimurit liikkuvat usein vierekkäisillä alueilla. Tarkkojen analyysitulosten saamiseksi on olennaista huomioida vain kyseisen rajauksen sisällä olevat tiedot.
Pikayhteenveto
Reaaliaikaiset esimerkit
Maatalouskentässä korruptoituneet sadonaineistot voivat aiheuttaa merkittäviä haasteita. Alta löydät käytännön esimerkkejä tilanteista, joissa tällaisia aineistoja on kohdattu. GeoPardin edistyneiden kalibrointi- ja puhdistusalgoritmien avulla nämä aineistot on tehokkaasti jalostettu ja optimoitu.
Useiden puimureiden yhteistoiminta
J-käännökset, pysähdykset, puolikas koneen leveys käytössä
Epätavallisen suuria kirjattuja arvoja
Data pellon rajojen ulkopuolella
Kalibrointi käytettyä keskimääräistä sadon arvoa hyödyntäen
Puhdista sadon attribuutit ohittaen poikkeavuuksia sisältävät attribuutit
Sadonaineistossa voi ajoittain esiintyä attribuutteja, joissa on epäsäännöllisyyksiä kosteudessa, nopeudessa, korkeusasemissa tai muissa toissijaisissa (ei-sadontaan liittyvissä) attribuuteissa. Clean- tai Calibrate-toimintojen suorittamisen yhteydessä on tärkeää jättää nämä poikkeamat huomiotta. Tämä onnistuu tehokkaasti GeoPard Yield Clean-Calibrate -käyttöliittymällä.
USDA:n satojen puhdistusprotokolla
Käytä tätä vaihtoehtoa, kun tarvitset toistettavan, standardeihin perustuvan yield-editor-työnkulun. Se on optimoitu sadontarkkailimen datan puhdistukseen laajassa mittakaavassa.
Selitys kalibrointilogiikoista
Ajoreittikohtainen kalibrointi
KÄYTÄ Ajoreittikohtainen kalibrointi kun pelto on korjattu usealla koneella tai useana päivänä, erityisesti systemaattisten erojen, kuten raidoituksen tai palkkien korjaamiseen. Se sopii tilanteisiin, joissa eri koneasetukset, kuljettajat tai olosuhteet aiheuttavat johdonmukaisia yli- tai aliarvioita eri ajoilla.
Tärkeää on, että tekoäly tarvitsee vaihtelua - kuten erillisiä ajolinjoja, kone-ID:itä tai korjuupäiviä - oppiakseen ja kalibroidakseen tehokkaasti.
ÄLÄ KÄYTÄ tätä menetelmää yhden koneen korjuissa yhdellä jatkuvalla istunnolla tai jos sadontakartasta puuttuu näkyviä spatiaalisten kuvioiden merkkejä. Vältä sitä myös, jos data on harvaa tai jos sinulla on vain kenttätason kokonais- tai keskiarvosadot ilman konekohtaisia eroja
Keskimääräinen tai kokonaiskalibrointi
KESKIMÄÄRÄINEN/KOKONAIS-KALIBROINTI SOPII PARHAITEN kun sinulla on korkea luottamus kentän kokonais-sadontietoihin, kuten vaaka- tai varastotilannekirjauksiin. Sen sijaan, että säädettäisiin yksittäisiä ajolinjoja, tämä menetelmä skaalaa koko aineiston siten, että lopullinen keskiarvo tai summa vastaa tunnettua viitearvoasi. Tätä pidetään usein yksinkertaisimpana ja turvallisimpana kalibrointivaihtoehtona, kun kokonaisluvut ovat luotettavia.
Milloin KÄYTÄ keskiarvo-/kokonaiskalibrointia:
Tunnetut viitearvot: Käytä tätä logiikkaa, kun sinulla on viralliset kokonaiskorjuutiedot (esim. vaaʼasta) tai erittäin luotettava kenttäkohtainen keskimääräinen sato.
Globaali korjausbias: Se on ihanteellinen, jos sadontarkan spatiaalinen jakauma näyttää oikealta, mutta arvot ovat globaalisti siirtyneet - eli sadontarkkailin oli todennäköisesti kalibroimaton ja raportoi johdonmukaisesti liian suuria tai liian pieniä arvoja koko pellolla.
Tasaiset korjuuolosuhteet: Tämä menetelmä toimii parhaiten, kun korjuuolosuhteet olivat suhteellisen yhtenäiset koko operaation ajan.
Yhden koneen johdonmukaisuus: Se sopii hyvin korjauksiin, jotka on tehty yhdellä koneella, joka toimi tasaisesti läpi pellon.
Milloin EI KÄYTETÄ keskiarvo-/kokonaiskalibrointia:
Koneiden välinen bias: Älä käytä tätä menetelmää, jos peltoa korjasivat eri koneet tai eri päivinä, mikä aiheutti paikallisia vinoja arvoja. Tällöin koko pellon skaalaaminen ei korjaa koneiden välisiä eroja.
Näkyvät artefaktit: Jos datassasi näkyy voimakasta raidoitusta, palkitusta tai suunnastettuja artefakteja, tämä menetelmä ei poista niitä; Ajoratakohtainen kalibrointi sopii paremmin näihin ongelmiin.
Puuttelliset tiedot: Vältä tätä logiikkaa, jos vain osa pellosta on korjattu tai jos kirjattu data on puutteellista, koska kokonais- tai keskiarvot voivat tällöin johtaa harhaan.
Ehdollinen kalibrointi
Ehdollinen kalibrointi toimii turvatoimintona varmistamalla, että sadon arvot pysyvät realistisissa, ennalta määritellyissä minimi- ja maksimiarvoissa.
Sinun TULISI KÄYTTÄÄ tätä logiikkaa poistaaksesiäärimmäiset poikkeamat ja anturipiikit, jotka johtuvat melusta, koneen pysähdyksistä tai käännöksistä. Se soveltuu erinomaisesti tiettyjen agronomisten odotusten soveltamiseen - kuten "sato ei voi ylittää X" - ilman korjauslaskentaa.
Kuitenkin, VÄLTÄ TÄTÄ MENETELMÄÄ jos aineistossasi on globaali vinouma tai systemaattisia konekohtaisia eroja, sillä se ei skaalaa dataa eikä korjaa spatiaalisten kuvioiden ongelmia. Käytännössä se pitää arvot uskottavina, mutta ei ratkaise taustalla olevia kalibrointi-offsetteja.
Käyttöstrategia
Ensimmäinen vaihe
"Yield Calibrate and Clean" -moduuli käynnistetään suoraan käyttöliittymästä. Päävaatimus on ladattu sadonaineisto. Jokaisen sadonaineiston vieressä on painike aineiston säätöjen aloittamiseksi.
Tämän jälkeen on useita vaihtoehtoja jatkotoimenpiteille:
Automaattinen käsittely: Käytä oletusasetuksia, joita GeoPard suosittelee yhden klikkauksen kalibrointiin.
Vain puhdistus: Määritä ja suorita vain PUHDISTA-toiminto, mukaan lukien
GeoPardin puhdistus: Älykäs sadonaineiston puhdistus tekoälyalgoritmeilla.
USDA (Yhdysvaltain maatalousministeriön) puhdistusprotokolla sadolle.
Ehdollinen puhdistus: Suodata dataa mukautettujen attribuuttikynnyksien perusteella.
Vain kalibrointi: Määritä ja suorita pelkästään KALIBROI-toiminto, sisältäen
Pathwise: Kalibroi sato jokaiselle konekohtaiselle ajolinjalle tekoälyalgoritmeilla.
Keskimääräinen/Summa: Säädä satoa kentän tunnetun keskiarvon tai kokonaisarvon perusteella.
Ehdollinen: Muokkaa satoa asetettujen minimi- ja maksimiarvojen puitteissa odotettujen vaihteluiden säilyttämiseksi.
Kalibroi & Puhdista: Valitse toimintojen järjestys ja muokkaa parametreja.
Yield Editor -vaihtoehto: Käytä Clean Only → USDA (tai Kalibroi & Puhdista) vastaamaan manuaalista “Yield Editor” -puhdistustyönkulkua, mutta skaalassa. Validointitesteissä USDA-protokollan puhdistus vastasi manuaalisen Yield Editorin tuloksia R² (R2) = 0.98 (lähes identtinen tulos).
Yhden painikkeen ratkaisu
Vihje epänormaaleista arvoista, jotka joskus sisältyvät sadonaineistoihin.
Jos attribute kalibrointiin tai puhdistukseen valittu attribuutti pääosin sisältää nollaarvoja useimmissa geometrioissa, nämä geometriat suljetaan pois lopullisesta sadonaineistosta.
Eheyden varmistamiseksi attribuutit, joissa on tällaisia poikkeamia, tulisi poistaa kalibroitavien attribuuttien listalta.
Kattavat ohjeet
Valitse työnkulku: Vihje datapoikkeamille
Jos käyttäjä kohtaa datassa poikkeavuuksia, kuten arvoja lähellä nollaa tai epätavallisen suuria arvoja (esim. keskiarvo 10 ja maksimi 8000), suositellaan Puhdistus & Kalibrointi työnkulku on suositeltava.
Datan puhdistuksen priorisointi ennen kalibrointia varmistaa virheiden, puuttuvien arvojen ja epäjohdonmukaisuuksien poistamisen, parantaen näin datan laatua ja tarkkuutta.
Valitse työnkulku: Vihje datalle ilman alkuvirheitä
Dataseteille, joissa ei alun perin ole virheitä, puuttuvia arvoja tai epäjohdonmukaisuuksia, ja kun tiedetään useiden puimureiden osallistuneen, harkitse Kalibrointi & Puhdistus työnkulku.
Datan puhdistus kalibroinnin jälkeen auttaa hiomaan datasettiä edelleen poistamalla mahdolliset kalibroinnin aikana syntyneet artefaktit.
Puhdistusvirtaus: Vihje epänormaaleista arvoista, jotka joskus sisältyvät sadonaineistoihin.
Jos attribute kalibrointiin tai puhdistukseen valittu pääosin sisältää nollaarvoja useimmissa geometrioissa, nämä geometriat suljetaan pois lopullisesta sadonaineistosta.
Eheyden varmistamiseksi attribuutit, joissa on tällaisia poikkeamia, tulisi poistaa puhdistettavien attribuuttien listalta (2).
Kalibrointivirtaus: Vihje epänormaaleista arvoista, jotka joskus sisältyvät sadonaineistoihin.
Jos attribute kalibrointiin tai puhdistukseen valittu attribuutti pääosin sisältää nollaarvoja useimmissa geometrioissa, nämä geometriat suljetaan pois lopullisesta sadonaineistosta.
Eheyden varmistamiseksi attribuutit, joissa on tällaisia poikkeamia, tulisi poistaa kalibroitavien attribuuttien listalta (3).
Algoritmin versiot
Jälkikäsittelyn jälkeen tulokset näytetään alkuperäisen aineiston vieressä. Ne on merkitty "Calibrate" ja/tai "Clean" tunnisteilla sekä algoritmin versiolla.
Päivitetty viimeksi
Oliko tästä apua?