> 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/fin/agronomia/yield-and-trials/comparing-yield-datasets.md).

# Satotietoaineistojen vertailu

Vertaa satotietoaineistoja saadaksesi syvempiä oivalluksia kasvuston kehityksestä kausien välillä, kattaen oikean satotiedon puhdistuksen ja kalibroinnin sekä synteettisen satotiedon käytön.

## Tausta

Nykyaikainen maatalouden päätöksenteko perustuu vahvasti satotietoaineistoihin, jotka kuvaavat korjattua satoa ja muodostavat merkittävän osan viljelijän tuloista. Aineistojen on oltava tarkkoja ja laadukkaita, jotta niiden avulla voidaan tehdä päätöksiä tuotantopanosten käytöstä ja optimoida tulevien vuosien kylvö- ja lannoitusstrategioita.

Satotiedot kerätään yleensä puimureilla ja muilla sadonkorjuukoneilla. Raakamittaukset ovat kuitenkin usein puutteellisia tai virheellisiä, tai ne vaativat kalibrointia anturien epätasaisuuksien ja vaihtelevien pelto-olosuhteiden huomioimiseksi. Näiden haasteiden ratkaisemiseksi ammattilaiset käyttävät tavallisesti puhdistus- ja kalibrointimenetelmiä sekä synteettisten aineistojen luontia, jotta satotiedosta saadaan luotettavaa ja vertailukelpoista.

Molempia toimintoja:[ Satotietojen puhdistus ja kalibrointi](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) sekä [satotietojen synteettinen täydentäminen](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/yield-and-trials/synthetic-yield-map.md) tuetaan GeoPardissa.

<mark style="background-color:yellow;">Eri satovuosien satotietoaineistojen vertailu tuottaa arvokkaita havaintoja. Sen avulla voidaan arvioida viljelykäytäntöjä, varmistaa anturien tarkkuus ja kehittää tulevien kasvukausien strategioita.</mark> Vertailut auttavat myös tarkentamaan lannoitus- ja kylvösuosituksia ja varmistavat, että päätökset perustuvat luotettavaan tietoon.

## Vertailutapa (samankaltaisuusyhtälöä käyttäen)

Satotietoaineistojen määrällisessä vertailussa käytämme valmiiksi tallennettua yhtälöä nimeltä <mark style="background-color:yellow;">Spatial Correlation Analysis (Data Layers Similarity)</mark> joka mittaa satotietoaineistojen satomuuttujien samankaltaisuutta paikkatietopohjaisesti.

Yhtälö antaa samankaltaisuuspisteet, jotka kuvaavat, kuinka hyvin aineistot vastaavat toisiaan alueelliselta kuvioltaan ja arvojen jakaumaltaan.

<figure><img src="https://49925783-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>Hae olemassa oleva Tasojen samankaltaisuus -yhtälö</p></figcaption></figure>

<mark style="background-color:yellow;">Samankaltaisuusarvot ovat välillä 0–1. Arvo 0 tarkoittaa, etteivät aineistot vastaa toisiaan, ja arvo 1 merkitsee 100-prosenttista vastaavuutta arvojen ja alueellisen jakauman osalta</mark>. Toisin sanoen mitä lähempänä samankaltaisuuspisteet ovat arvoa 1, sitä samankaltaisempia satomuuttujat ovat.

## **Todellinen satotietoaineisto (2015** soija **vs. 2018** soij&#x61;**)**

Tässä tarkastelemme kahden eri kasvukauden, vuosien 2015 ja 2018, aikana kerättyä raakaa satotietoa samasta kasvista eli soijasta. Alkuperäisissä aineistoissa on poikkeuksellisen suuria ja pieniä arvoja sisältäviä alueita etenkin puimurin ajolinjojen alussa ja lopussa, ja tiedot vaativat pientä uudelleenkalibrointia.

GeoPardin puhdistus- ja kalibrointityökalujen käytön jälkeen aineisto on tasaisempi ja yhtenäisempi sekä helpompi tulkita.

<figure><img src="https://49925783-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>Soija 2015: alkuperäinen vs. puhdistettu ja kalibroitu satotieto</p></figcaption></figure>

<figure><img src="https://49925783-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>Soija 2018: alkuperäinen vs. puhdistettu ja kalibroitu satotieto</p></figcaption></figure>

Alla on kuvakaappaus samankaltaisuusyhtälön suorituksen kartasta.

Tilastollisesti tarkasteltuna keskiarvo (0.869) ja mediaani (0.876) ovat korkeita. Tämä osoittaa, että <mark style="background-color:yellow;">vuoden 2018 soijan satokuviot muistuttavat suuresti vuoden 2015 kuvioita</mark>. Vaikka joillakin alueilla arvo laskee tasolle 0.599, vähäinen vaihtelu (0.005) ja maltillinen keskihajonta (0.073) vahvistavat <mark style="background-color:yellow;">kokonaisuuden yhtenäisyyden</mark>.

Agronomisesti tarkasteltuna <mark style="background-color:yellow;">tämä vakaus viittaa siihen, että pellon olosuhteet ja vasteet viljelytoimenpiteisiin ovat pysyneet pääosin ennallaan</mark>.

<figure><img src="https://49925783-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>Satotietojen samankaltaisuuden vertailu: soija 2015 vs. soija 2018</p></figcaption></figure>

## **Todellinen satotietoaineisto (2022** maissi **vs. 2024** maiss&#x69;**)**

Tässä tarkastelemme vuosien 2022 ja 2024 maissisadoista kerättyä raakaa satotietoa. Alkuperäisissä aineistoissa on poikkeamia, kuten poikkeuksellisen suuria tai pieniä mittausarvoja, päällekkäisiä ajolinjoja ja kaarevia ajouria, mikä viittaa anturien uudelleenkalibroinnin tarpeeseen.

GeoPardin puhdistus- ja kalibrointityökalujen käytön jälkeen aineistot ovat luotettavampia, mikä mahdollistaa automaattisen analyysin ja tietoon perustuvan päätöksenteon.

<figure><img src="https://49925783-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>Maissi 2022: alkuperäinen vs. puhdistettu ja kalibroitu satotieto</p></figcaption></figure>

<figure><img src="https://49925783-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>Maissi 2024: alkuperäinen vs. puhdistettu ja kalibroitu satotieto</p></figcaption></figure>

Alla on kuvakaappaus samankaltaisuusyhtälön suorituksen kartasta.

Tilastollisesti tarkasteltuna keskiarvo 0.791 ja mediaani 0.799 osoittavat, että <mark style="background-color:yellow;">vuoden 2024 maissisadot muistuttavat suurelta osin vuoden 2022 satoja</mark>, vaikka joillakin alueilla arvo on vain 0.413, mikä kertoo vaihtelusta. Keskihajonta 0.115 vahvistaa, että <mark style="background-color:yellow;">pellolla on jonkin verran eroja</mark>.

Agronomisesti tarkasteltuna <mark style="background-color:yellow;">yhtenäiset kuviot viittaavat vakaaseen kasvukauteen ja tehokkaaseen viljelyyn pitkällä aikavälillä</mark>. Paikalliset <mark style="background-color:yellow;">alueet, joilla samankaltaisuus on vähäisempää, saattavat kuitenkin vaatia kohdennettuja muutoksia tulevien vuosien satotason parantamiseksi</mark>.

<figure><img src="https://49925783-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>Satotietojen samankaltaisuuden vertailu: maissi 2022 vs. maissi 2024</p></figcaption></figure>

## **Synteettinen ja todellinen satotietoaineisto (2023** rypsi)

Tässä tarkastelemme vuoden 2023 rypsikauden raakaa satotietoaineistoa ja samalle kasville ja samalle vuodelle 2023 synteettisesti luotua satotietoaineistoa. <mark style="background-color:yellow;">Tavoitteena on arvioida todellisen ja synteettisen sadon spatiaalista tarkkuutta, jotta kirjaamattomat tiedot voidaan täydentää, satotietojen puutteet korjata ja poikkeamat oikaista synteettisillä arvoilla</mark>. Todellisen sadon aineistossa on ongelmia, kuten poikkeuksellisen korkeita tai matalia mittausarvoja, päällekkäisiä ajolinjoja, kaarevia ajolinjoja ja nollasatoisia ajolinjoja. Kaikki nämä viittaavat siihen, että anturit on kalibroitava uudelleen.

Kun olemme käyttäneet GeoPardin [puhdistusta ja kalibrointia](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) todellisen sadon tietoihin ja luoneet [synteettisen sadon](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/yield-and-trials/synthetic-yield-map.md) rypsille, voimme aloittaa niiden samankaltaisuuden mielekkään vertailun.

<figure><img src="https://49925783-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>Rypsi 2023: alkuperäinen vs. puhdistettu ja kalibroitu satotieto</p></figcaption></figure>

<figure><img src="https://49925783-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>Rypsin synteettinen sato 2023</p></figcaption></figure>

Alla on kuvakaappaus samankaltaisuusyhtälön suorituksen kartasta.

Tilastollisesti korkeat keskiarvo- (0,889) ja mediaaniarvot (0,904) osoittavat, että <mark style="background-color:yellow;">synteettisen sadon aineisto vastaa kokonaisuutena hyvin todellisen rypsisadon vuoden 2023 spatiaalisia kuvioita</mark>. Vaikka yhdellä alueella arvo laskee jopa 0,291:een, vähäinen vaihtelu (0,006) ja maltillinen keskihajonta (0,08) viittaavat siihen, että <mark style="background-color:yellow;">todellisen ja synteettisen aineiston arvot ovat hyvin lähellä toisiaan suurimmassa osassa lohkoa, ja poikkeamia on hyvin vähän</mark>.

Agronomisesta näkökulmasta tämä vahva samankaltaisuus osoittaa, että <mark style="background-color:yellow;">synteettinen satotieto voi toimia luotettavana vastineena pellon todellisille olosuhteille</mark>, mikä vahvistaa luottamusta mallinnettujen skenaarioiden käyttöön päätöksenteon tukena. <mark style="background-color:yellow;">Todelliseen satotietoon perustuvat viljelykäytännöt näkyvät hyvin synteettisen sadon mallissa</mark>, mikä mahdollistaa tulevien hoitostrategioiden tietoon perustuvan ja johdonmukaisen suunnittelun.

<figure><img src="https://49925783-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>Rypsin satosamankaltaisuuden vertailu: todellinen 2023 vs. synteettinen 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/fin/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.
