# Satotietoaineistojen vertailu ## Konteksti Nykyaikainen maatalouden päätöksenteko nojaa vahvasti sadontuotosaineistoihin, jotka kuvaavat kerättyjä satoja ja heijastavat suuren osan viljelijän tuloista. Näiden aineistojen on oltava tarkkoja ja korkealaatuisia, jotta ne voivat ohjata panosten hallintaa ja optimoida tulevia kylvö- ja lannoitusstrategioita. Sadontietoja kerätään yleensä korjuukoneiden mittauksilla, mutta raakalukemat ovat usein puutteellisia, sisältävät virheitä tai vaativat kalibrointia antajavaihteluiden ja muuttuvien pellon olosuhteiden korjaamiseksi. Näiden haasteiden voittamiseksi ammattilaiset käyttävät yleisesti puhdistus-, kalibrointi- ja synteettisten aineistojen generointitekniikoita luodakseen luotettavia ja vertailukelpoisia sadontietoja. Molemmat[ Sadon puhdistus ja kalibrointi](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/satotiedon-kalibrointi-ja-puhdistus) ja [Sadontietojen synteettinen palauttaminen](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/synteettinen-satokartta) on tuettu GeoPardissa. Sadonaineistojen vertailu eri kasvuvuosilta antaa arvokasta tietoa, auttaa validoimaan viljelykäytäntöjä, varmistamaan antajien tarkkuuden ja parantamaan tulevien kausien strategioita. Nämä vertailut ohjaavat myös lannoitus- ja kylvösuositusten tarkentamista, varmistaen että jokainen päätös perustuu luotettavaan tietoon. ## Vertailutapa (käyttäen samankaltaisuusyhtälöä) Sadonaineistojen kvantitatiivista vertailua varten käytämme esitäytettyä yhtälöä nimeltä Paikkakorrelointi-analyysi (ainekerrosten samankaltaisuus) joka mittaa samankaltaisuutta sadon ominaisuuksiin liittyvien attribuuttien välillä paikkatason perusteella. Tämä yhtälö antaa samankaltaisuuspisteen, joka kertoo kuinka lähellä yksi aineisto vastaa toista paikkakuvioltaan ja arvojakaumaltaan.

Etsi olemassa oleva Ainekerrosten samankaltaisuus -yhtälä

Samankaltaisuusluvut vaihtelevat välillä 0–1, jossa 0 tarkoittaa ei osumaa ja 1 merkitsee 100 %:n arvojen ja sijainnin vastaavuutta. Toisin sanoen, mitä lähempänä samankaltaisuuspiste on arvoa 1, sitä samankaltaisempia sadon ominaisuudet ovat. ## **Todellinen sadonaineisto (2015** Soija **vs 2018** Soija**)** Tässä tapauksessa aloitetaan raakadatalla, joka kerättiin kahden eri kasvukauden aikana 2015 ja 2018 samalla viljelykasvilla, soijalla. Alkuperäisissä aineistoissa on epänormaalin korkeat ja matalat kohdat, erityisesti puimurin ajolinjojen alussa/lopussa, ja tiedot vaativat lievää uudelleenkalibrointia. GeoPardin puhdistus- ja kalibrointityökalujen jälkeen tuloksena oleva aineisto on yhtenäisempi, johdonmukaisempi ja helpompi tulkita.

Soija 2015: Alkuperäinen vs Puhdistettu ja kalibroitu sadontieto

Soija 2018: Alkuperäinen vs Puhdistettu ja kalibroitu sadontieto

Samankaltaisuusyhtälön ajokartta on alla kuvakaappauksena. Tilastollisesta näkökulmasta se osoittaa korkean keskiarvon (0,869) ja mediaanin (0,876), mikä viittaa siihen, että vuoden 2018 soijasadonkartat muistuttavat voimakkaasti vuoden 2015 karttoja. Vaikka joillain alueilla arvo laskee 0,599:aan, pieni vaihtelu (0,005) ja maltillinen keskihajonta (0,073) vahvistavat kokonaisjohdonmukaisuuden. Agronomisesta näkökulmasta tämä vakavuus viittaa siihen, että pellon perustavat olosuhteet ja vasteet viljelytoimenpiteisiin ovat pysyneet suurelta osin muuttumattomina.

Sadon samankaltaisuuden vertailu: Soija 2015 vs Soija 2018

## **Todellinen sadonaineisto (2022** Maissi **vs 2024** Maissi**)** Tässä esimerkissä aloitamme raakadatalla kahdelta maissikaudelta — 2022 ja 2024. Alkuperäisissä aineistoissa on poikkeamia kuten epänormaalin korkeat tai matalat lukemat, poikkileikkaukset ja kaarevat trajektorit, mikä viittaa antajien uudelleenkalibroinnin tarpeeseen. GeoPardin puhdistus- ja kalibrointityökalujen jälkeen aineistot muuttuvat luotettavammiksi, mahdollistaen automatisoidun analyysin ja perusteltujen päätösten tekemisen.

Maissi 2022: Alkuperäinen vs Puhdistettu ja kalibroitu sadontieto

Maissi 2024: Alkuperäinen vs Puhdistettu ja kalibroitu sadontieto

Samankaltaisuusyhtälön ajokartta on alla kuvakaappauksena. Tilastollisesta näkökulmasta keskiarvo 0,791 ja mediaani 0,799 osoittavat, että vuoden 2024 maissasadot muistuttavat suurelta osin vuoden 2022 satomalleja, vaikka alueet, joiden arvo on niin alhainen kuin 0,413, viittaavat vaihteluun. Keskihajonta 0,115 vahvistaa kentällä esiintyviä eroja. Agronomisesta näkökulmasta johdonmukaiset kuviot viittaavat vakaisiin olosuhteisiin ja tehokkaaseen hoitoon ajan myötä. Kuitenkin paikalliset alhaisemman samankaltaisuuden alueet saattavat vaatia kohdennettuja säätöjä tulevan sadon parantamiseksi.

Sadon samankaltaisuuden vertailu: Maissi 2022 vs Maissi 2024

## **Synteettinen vs todellinen sadonaineisto (2023** Rapsi) Tässä tapauksessa aloitamme raakadatalla vuoden 2023 rapsikaudelta ja synteettisesti generoitu sadonaineistolla samalle viljelykasville ja samalle vuodelle 2023. Tavoitteena on arvioida todellisen ja synteettisen sadon paikkatarkkuutta, tarjoten keinon täyttää kirjaamattomat tiedot, korjata sadon tietovajeita ja korjata poikkeamia synteettisillä arvoilla. Todellisessa sadonaineistossa on ongelmia kuten epänormaalin korkeat tai matalat lukemat, poikkileikkaukset, kaarevat trajektorit ja nollakäynnit, jotka kaikki viittaavat antajien uudelleenkalibroinnin tarpeeseen. Kun GeoPardin [Puhdistus ja kalibrointi](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/satotiedon-kalibrointi-ja-puhdistus) on sovellettu todellisiin sadontietoihin ja synteettinen [Sadontieto](https://docs.geopard.tech/geopard-tutorials/fin/agronomia/synteettinen-satokartta) on generoitu rapsille, voimme aloittaa niiden samankaltaisuuden merkityksellisen vertailun.

Rapsi 2023: Alkuperäinen vs Puhdistettu ja kalibroitu sadontieto

Samankaltaisuusyhtälön ajokartta on alla kuvakaappauksena. Tilastollisesta näkökulmasta korkea keskiarvo (0,889) ja mediaani (0,904) osoittavat, että kokonaisuutena synteettinen sadonaineisto vastaa läheisesti todellisen vuoden 2023 rapsisadon paikkakuvioita. Vaikka yhdellä alueella arvo laskee niin alhaiseksi kuin 0,291, pieni vaihtelu (0,006) ja maltillinen keskihajonta (0,08) viittaavat siihen, että suurin osa pellon osista vastaa hyvin toisiaan todellisen ja synteettisen aineiston välillä, ja poikkeamia on hyvin vähän. Agronomisesta näkökulmasta tämä vahva samankaltaisuus tarkoittaa, että synteettinen sadontieto voi toimia luotettavana korvikkeena todellisille pelto-olosuhteille, lisäten luottamusta mallinnettujen skenaarioiden käyttöön päätöksenteossa. Todellisissa sadontiedoissa heijastuvat agronomiset käytännöt on hyvin mallinnettu synteettisessä sadontietomallissa, mikä mahdollistaa paremmin perustellun ja johdonmukaisen suunnittelun tuleville hoitostrategioille.