# Vertaa maaperäskannerin dataa vuosien välillä

Maaperän skannerit ovat olennaisia työkaluja tarkkuusmaataloudessa, sillä ne mahdollistavat korkearesoluutioisten tietojen keräämisen maaperän ominaisuuksista, kuten kosteudesta, orgaanisesta aineksesta ja ravinnetasoista. Kahden maaperän skanneridatan vertaaminen on ratkaisevaa muutosten ymmärtämiseksi ajan myötä, erilaisten skannaustapojen validoimiseksi tai uusien laitteiden kalibroimiseksi. Tämä artikkeli käsittelee erilaisia matemaattisia lähestymistapoja kahden maaperän skanneridatan poikkeaman mittaamiseksi ja tarjoaa käytännön näkemyksiä tutkijoille ja agronomeille.

### Poikkeaman ymmärtäminen maaperän skanneridatassa

Kahden maaperän skanneridatan välinen poikkeama tarkoittaa mitattujen arvojen eroja samoissa pisteissä, joita voi aiheutua mittausolosuhteiden vaihtelusta, anturin kalibroinnista tai maaperän dynamiikasta. Yleisimmät poikkeamatyypit ovat:

* Absoluuttiset erot: Arvojen suora vähennys datasetien välillä.
* Suhteelliset erot: Vertailu mittausten kokoa vasten.
* Virhemittarit: Tilastollisia suureita kuten keskimääräinen absoluuttinen virhe (MAE) ja normalisoitu ero.

Kaksi maaperän skanneridataa, joissa on kalium-tiedot vuosille 2024 ja 2025, valittiin.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FC2QduX7YR6gTjWUZGqMX%2Fimage.png?alt=media&#x26;token=f1609570-7428-4883-b589-963d4d8e2767" alt=""><figcaption><p>Alkuperäiset maaperän skanneridatat</p></figcaption></figure>

### Oikean poikkeusmenetelmän valinta

| Menetelmä                                            | Sopii parhaiten                                                        |
| ---------------------------------------------------- | ---------------------------------------------------------------------- |
| Suora ero                                            | Yksinkertainen visualisointi positiivisista/negatiivisista muutoksista |
| Suhteellinen ero                                     | Datasetien vertailuun, joilla on eri mittakaavat                       |
| Normalisoitu ero                                     | Vakioitu analyysi eri datasetien välillä                               |
| Suhteellinen poikkeama                               | Suhteellisiin eroihin, hyödyllinen trendianalyysissä                   |
| Keskimääräinen absoluuttinen virhe (MAE) per pikseli | Alueiden tunnistamiseen, joilla on suuria absoluuttisia eroja          |

### Suoran erotuksen laskenta

Tämä suoran erotuksen menetelmä vähentää yksinkertaisesti toista datasetia toisesta, jotta maaperäominaisuuksien muutokset voidaan visualisoida suoraan.

Käyttö `geopard.calculate_difference(dataset_1, dataset_2)` parametrien selityksen kanssa on dokumentoitu [tässä](https://docs.geopard.tech/geopard-tutorials/fin/tuotekierros-verkkosovellus/kaavapohjainen-analytiikka/mukautettujen-funktioiden-luettelo#calculate_difference).

Plussat:

* Näyttää selkeästi positiiviset ja negatiiviset muutokset.
* Helppo tulkita ja visualisoida.

Miinukset:

* Erotusarvoja voi olla vaikea verrata, jos datasettien mittakaavat poikkeavat.
* Suuri vaihtelu voi hallita tulkintaa.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&#x26;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Suoran erotuksen laskenta</p></figcaption></figure>

### Suhteellisen erotuksen laskenta

Suhteellinen erotusmenetelmä laskee datasetien välisen prosentuaalisen muutoksen toisen datasetin perusteella, tarjoten toisen näkökulman poikkeamiin.

Käyttö `geopard.calculate_relative_difference(dataset_1, dataset_2)` parametrien selityksen kanssa on dokumentoitu [tässä](https://docs.geopard.tech/geopard-tutorials/fin/tuotekierros-verkkosovellus/kaavapohjainen-analytiikka/mukautettujen-funktioiden-luettelo#calculate_relative_difference).

Plussat:

* Hyvä ymmärtämään, kuinka paljon yksi dataset on muuttunut suhteessa toiseen.
* Normalisoi erot eri suuruusluokkien yli.

Miinukset:

* Voidaan muuttua epävakaaksi, kun toisen datasetin arvot ovat lähellä nollaa.
* Vähemmän intuitiivinen, kun absoluuttiset erot ovat tärkeitä.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&#x26;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Suhteellisen erotuksen laskenta</p></figcaption></figure>

### Normalisoidun erotuksen laskenta

Normalisoidun erotusmenetelmä normalisoi datasetit niiden globaalin maksimiarvon mukaan ennen erotusten laskemista, varmistaen että vaihtelut ovat vertailukelpoisia eri mittakaavoilla.

Käyttö `geopard.calculate_normalized_difference(dataset_1, dataset_2)` parametrien selityksen kanssa on dokumentoitu [tässä](https://docs.geopard.tech/geopard-tutorials/fin/tuotekierros-verkkosovellus/kaavapohjainen-analytiikka/mukautettujen-funktioiden-luettelo#calculate_normalized_difference).

Plussat:

* Tehokas datasetteihin, joilla on eri dynaamiset alueet.
* Vähentää ääriarvojen vaikutusta.

Miinukset:

* Pienet vaihtelut voivat näyttää liioitelluilta, jos skaalausta ei tehdä oikein.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&#x26;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Normalisoidun erotuksen laskenta</p></figcaption></figure>

### Suhteellinen poikkeama per pikseli

Suhteellinen poikkeama laskee poikkeaman prosenttiosuutena suhteessa ensimmäiseen datasettiin. Se auttaa ymmärtämään suhteellisia eroja ennemmin kuin absoluuttisia eroja.

Käyttö `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` parametrien selityksen kanssa on dokumentoitu [tässä](https://docs.geopard.tech/geopard-tutorials/fin/tuotekierros-verkkosovellus/kaavapohjainen-analytiikka/mukautettujen-funktioiden-luettelo#calculate_per_pixel_relative_deviation).

Plussat:

* Hyödyllinen, kun verrataan datasettejä, joilla on eri mittakaavat.
* Ilmaisee poikkeaman tulkittavassa prosenttimuodossa.

Miinukset:

* Voi olla harhaanjohtava, jos alkuperäiset arvot ovat hyvin pieniä.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&#x26;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Suhteellinen poikkeama per pikseli</p></figcaption></figure>

### Keskimääräinen absoluuttinen virhe (MAE) per pikseli

Keskimääräinen absoluuttinen virhe (MAE) -menetelmä mittaa vastaavien arvojen absoluuttisia eroja kahden datasetin välillä. Se antaa selkeän kuvan siitä, missä suurimmat poikkeamat esiintyvät.

Käyttö `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` parametrien selityksen kanssa on dokumentoitu [tässä](https://docs.geopard.tech/geopard-tutorials/fin/tuotekierros-verkkosovellus/kaavapohjainen-analytiikka/mukautettujen-funktioiden-luettelo#calculate_per_pixel_mae).

Plussat:

* Yksinkertainen ja intuitiivinen.
* Korostaa selkeästi suuria eroja.
* Toimii hyvin datasetteihin, joilla on samanlaiset mittakaavat.

Miinukset:

* Ei näytä erotuksen suuntaa (esim. positiivinen tai negatiivinen muutos).
* Herkkä poikkeaville arvoille.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&#x26;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Keskimääräinen absoluuttinen virhe (MAE) per pikseli</p></figcaption></figure>

### Yhteenveto

Maaperän skanneridatojen vertailu vaatii erilaisia matemaattisia lähestymistapoja merkityksellisten erojen löytämiseksi. Käytetäänpä sitten absoluuttisia mittareita kuten MAE:ta, suhteellisia poikkeamia tai normalisoituja vertailuja, oikean menetelmän valinta riippuu käyttötapauksesta. Hyödyntämällä näitä tekniikoita agronomit ja tutkijat voivat parantaa maaperäanalyysiä, havaita lohkokohtaisia vaihteluita ja tehostaa tarkkuusmaatalouden työnkulkuja.