> 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Vertaile maaperäskannerin tietoja vuosien välillä

Tässä artikkelissa kuvataan erilaisia matemaattisia menetelmiä maaperäskanneriaineistojen erojen kvantifioimiseksi ja päätöksenteon parantamiseksi tutkijoille ja agronomeille.

Maaperäskannerit ovat tarkkuusviljelyn keskeisiä työkaluja. Niiden avulla voidaan kerätä tarkkaa tietoa maaperän ominaisuuksista, kuten kosteudesta, orgaanisen aineksen määrästä ja ravinnepitoisuuksista. Kahden maaperäskannerilla tuotetun aineiston vertailu on tärkeää, kun halutaan ymmärtää ajan myötä tapahtuneita muutoksia, validoida erilaisia skannausmenetelmiä tai kalibroida uusia laitteita. Tässä artikkelissa tarkastellaan erilaisia matemaattisia menetelmiä kahden maaperäskanneriaineiston välisten erojen mittaamiseen ja tarjotaan käytännönläheisiä näkemyksiä tutkijoille ja agronomeille.

### Maaperäskanneridatan erojen ymmärtäminen

Kahden maaperäskanneriaineiston välinen ero tarkoittaa samoissa sijainneissa mitattujen arvojen poikkeamia. Niitä voivat aiheuttaa mittausolosuhteiden vaihtelu, anturin kalibrointi tai maaperän muutokset. Yleisimpiä erotyyppejä ovat:

* Absoluuttiset erot: aineistojen arvojen suora vähennyslasku.
* Suhteelliset erot: vertailu mittausten suuruuden perusteella.
* Virhemittarit: tilastolliset tunnusluvut, kuten keskimääräinen absoluuttinen virhe (MAE) ja normalisoitu erotus.

Valittiin kaksi maaperäskannerilla tuotettua kaliumaineistoa vuosilta 2024 ja 2025.

<figure><img src="https://49925783-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Alkuperäiset maaperäskanneriaineistot</p></figcaption></figure>

### Sopivan erotusmenetelmän valinta

| Menetelmä                                                | Soveltuu parhaiten                                                       |
| -------------------------------------------------------- | ------------------------------------------------------------------------ |
| Suora erotus                                             | Positiivisten ja negatiivisten muutosten yksinkertaiseen visualisointiin |
| Suhteellinen erotus                                      | Eri mittakaavoissa olevien aineistojen vertailuun                        |
| Normalisoitu erotus                                      | Eri aineistojen standardoituun analyysiin                                |
| Suhteellinen poikkeama                                   | Suhteellisiin eroihin, hyödyllinen trendianalyysissä                     |
| Keskimääräinen absoluuttinen virhe (MAE) pikseliä kohden | Suurten absoluuttisten erojen alueiden tunnistamiseen                    |

### Suoran erotuksen laskeminen

Suoran erotuksen menetelmässä toinen aineisto vähennetään toisesta, jotta maaperän ominaisuuksissa tapahtuneet muutokset voidaan havainnollistaa suoraan.

Käyttöohjeet funktiolle `geopard.calculate_difference(dataset_1, dataset_2)` ja parametrien selitykset on dokumentoitu [täällä](https://docs.geopard.tech/geopard-tutorials/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Edut:

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

Haitat:

* Erotusarvoja voi olla vaikea vertailla, jos aineistot ovat eri mittakaavoissa.
* 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&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Suoran erotuksen laskeminen</p></figcaption></figure>

### Suhteellisen erotuksen laskeminen

Suhteellisen erotuksen menetelmä laskee aineistojen välisen prosentuaalisen muutoksen toisen aineiston perusteella ja tarjoaa näin toisen näkökulman eroihin.

Käyttöohjeet funktiolle `geopard.calculate_relative_difference(dataset_1, dataset_2)` ja parametrien selitykset on dokumentoitu [täällä](https://docs.geopard.tech/geopard-tutorials/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Edut:

* Sopii sen ymmärtämiseen, kuinka paljon yksi aineisto on muuttunut suhteessa toiseen.
* Normalisoi erot erisuuruisissa arvoissa.

Haitat:

* Voi muuttua epävakaaksi, kun toisen aineiston arvot ovat lähellä nollaa.
* Vähemmän intuitiivinen silloin, kun absoluuttisilla eroilla on merkitystä.

<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&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Suhteellisen erotuksen laskeminen</p></figcaption></figure>

### Normalisoidun erotuksen laskeminen

Normalisoidun erotuksen menetelmä normalisoi aineistot niiden globaalilla maksimiarvolla ennen erotusten laskemista. Näin vaihteluja voidaan vertailla eri mittakaavoissa.

Käyttöohjeet funktiolle `geopard.calculate_normalized_difference(dataset_1, dataset_2)` ja parametrien selitykset on dokumentoitu [täällä](https://docs.geopard.tech/geopard-tutorials/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Edut:

* Tehokas eri dynaamisilla alueilla oleville aineistoille.
* Vähentää ääriarvojen vaikutusta.

Haitat:

* 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&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Normalisoidun erotuksen laskeminen</p></figcaption></figure>

### Suhteellinen poikkeama pikseliä kohti

Suhteellisen poikkeaman menetelmä laskee poikkeaman prosenttiosuutena suhteessa ensimmäiseen aineistoon. Se auttaa hahmottamaan suhteellisia eroja absoluuttisten erojen sijaan.

Käyttö `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` ja parametrien selitys on dokumentoitu [täällä](https://docs.geopard.tech/geopard-tutorials/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Edut:

* Hyödyllinen vertailtaessa eri mittakaavassa olevia aineistoja.
* Ilmaisee poikkeaman helposti tulkittavana prosenttiosuutena.

Haitat:

* Voi johtaa harhaan, 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&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Suhteellinen poikkeama pikseliä kohti</p></figcaption></figure>

### Keskimääräinen absoluuttinen virhe (MAE) pikseliä kohden

Keskimääräisen absoluuttisen virheen (MAE) menetelmä mittaa kahden aineiston vastaavien arvojen absoluuttisia eroja. Se auttaa selkeästi hahmottamaan, missä suurimmat erot esiintyvät.

Käyttö `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` ja parametrien selitys on dokumentoitu [täällä](https://docs.geopard.tech/geopard-tutorials/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Edut:

* Yksinkertainen ja intuitiivinen.
* Tuo suuret erot selkeästi esiin.
* Toimii hyvin mittakaavaltaan samankaltaisten aineistojen kanssa.

Haitat:

* Ei ilmaise eron suuntaa (eli sitä, onko muutos positiivinen vai negatiivinen).
* 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&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Keskimääräinen absoluuttinen virhe (MAE) pikseliä kohden</p></figcaption></figure>

### Yhteenveto

Maaperäskannerien aineistojen vertailu edellyttää monenlaisia matemaattisia menetelmiä, jotta aineistoista voidaan löytää merkityksellisiä eroja. Sopivan menetelmän valinta riippuu käyttötarkoituksesta: vaihtoehtoina ovat esimerkiksi absoluuttiset mittarit, kuten MAE, suhteelliset poikkeamat ja normalisoidut vertailut. Näitä menetelmiä hyödyntämällä agronomit ja tutkijat voivat parantaa maaperän analysointia, havaita pellon sisäistä vaihtelua ja tehostaa täsmäviljelyn työnkulkuja.


---

# 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
