# Calibration et nettoyage du rendement Utilisez GeoPard pour **nettoyer les données de rendement** et **calibrer les jeux de données du moniteur de rendement**. Obtenez une carte de rendement fiable pour les zones, les prescriptions et l'analyse. Ce flux de travail gère les valeurs aberrantes, les demi-tours, les attributs manquants et les données de rendement multi-moissonneuses. Il inclut le **protocole USDA de nettoyage des rendements** et prend en charge **des flux de travail alternatifs de l'Éditeur de Rendement** . {% embed url="" %} Tutoriel vidéo sur le nettoyage et le calibrage des données de rendement. La différence entre les options expliquée. {% endembed %} Ce processus de calibrage est essentiel pour : 1. **Assurer la cohérence des données** : Il n'est pas rare que plusieurs moissonneuses travaillent en tandem ou sur plusieurs jours. Cette fonctionnalité garantit que leurs données s'harmonisent. 2. **Homogénéiser les données** : Les données de rendement peuvent être variables ; le calibrage garantit qu'elles sont lisses et cohérentes, sans pics ou chutes indésirables. 3. **Filtrer le bruit** : Comme toute donnée, les données de rendement peuvent contenir du « bruit » ou des informations non pertinentes. Nous veillons à ce qu'il ne trouble pas vos analyses. 4. **Rationaliser les géométries** : Tout demi-tour ou motif géométrique étrange peut fausser les véritables enseignements. Le calibrage est conçu pour lisser ces artefacts, garantissant que les données reflètent réellement la réalité du champ. 5. **Rognage par limite de parcelle** : Les moissonneuses opèrent souvent sur des zones adjacentes. Pour des résultats analytiques précis, il est essentiel de ne prendre en compte que les données situées à l'intérieur de la limite spécifiée. {% hint style="info" %} L'interface de Calibrage de Rendement utilise le point de terminaison API GeoPard pour Clean/Calibrate Yield ([API GeoPard : Calibrer et Nettoyer un jeu de données de rendement](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Elle exécute les `CALIBRAGE` et `NETTOYAGE` opérations dans l'interface utilisateur ou via l'API. {% endhint %} ## Vue d'ensemble rapide

{% file src="" %} Télécharger la brochure PDF sur le nettoyage des rendements {% endfile %} ## Exemples concrets Dans le domaine agricole, des jeux de données de rendement corrompus peuvent poser des défis importants. Vous trouverez ci-dessous des exemples réels où de tels jeux de données ont été rencontrés. Grâce aux algorithmes avancés de calibrage et de nettoyage de GeoPard, ces jeux de données ont été efficacement affinés et optimisés. {% hint style="info" %} Pour traiter les zones dépourvues de données de rendement enregistrées et obtenir une carte de rendement complète, envisagez d'utiliser l'approche de carte de rendement synthétique GeoPard. Cette méthode restaure les données manquantes pour une analyse de rendement complète. En savoir plus [ici](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Plusieurs moissonneuses travaillant ensemble

Exemple 1 : Plusieurs moissonneuses travaillant ensemble

{% hint style="info" %} Lorsqu'on traite des scénarios complexes, un processus de calibrage en deux étapes est recommandé pour une précision optimale. Commencez par exécuter le calibrage initial en utilisant l'attribut ID de machine. Ensuite, procédez à un deuxième calibrage en utilisant la case à cocher Chemins de machine simulés (synthétiques). Cette approche en couches garantit un calibrage complet et précis, essentiel pour gérer efficacement les cas complexes. {% endhint %}

Exemple 2 : Plusieurs moissonneuses travaillant ensemble

Exemple 3 : Plusieurs moissonneuses travaillant ensemble

### Demi-tours en J, arrêts, largeur d'équipement utilisée à moitié

Exemple 1 : Demi-tours, arrêts, largeur d'équipement utilisée à moitié

Exemple 2 : Demi-tours, arrêts, largeur d'équipement utilisée à moitié

### Valeurs journalières enregistrées anormalement élevées

Exemple 1 : Valeurs enregistrées anormalement élevées

Exemple 2 : Valeurs enregistrées anormalement élevées

Exemple 3 : Valeurs enregistrées anormalement élevées

Exemple 4 : Valeurs enregistrées anormalement élevées

Exemple 5 : Valeurs enregistrées anormalement élevées

### Données en dehors de la limite du champ

Exemple : Données en dehors des limites du champ

### Calibrage en utilisant la valeur moyenne de rendement fournie

### Nettoyer les attributs de rendement en ignorant les attributs présentant des anomalies Le jeu de données de rendement inclut parfois des attributs présentant des irrégularités de teneur en humidité, de vitesse, d'altitude ou d'autres attributs secondaires (non liés au rendement). Lors de l'exécution des activités Clean ou Calibrate, il est essentiel d'ignorer ces anomalies. Cela peut être réalisé efficacement en utilisant l'interface GeoPard Yield Clean-Calibrate.

Exemple : Anomalies dans l'attribut Humidité

Exemple : Nettoyage des données de rendement en ignorant les anomalies d'humidité

### Protocole de nettoyage des rendements USDA Utilisez cette option lorsque vous avez besoin d'un **flux de travail d'éditeur de rendement reproductible, basé sur des normes**. Il est optimisé pour **le nettoyage des données du moniteur de rendement** à grande échelle.

Exemple : Nettoyage des données de rendement appliquant le protocole USDA

## Explication des logiques de calibrage ### Calibration par trace de machine **UTILISER** **Calibration par trace de machine** lorsqu'un champ est récolté par plusieurs machines ou sur plusieurs jours, spécifiquement pour corriger des différences systématiques comme le striage ou le banding. Il est idéal pour les scénarios où des réglages de machine, des opérateurs ou des conditions environnementales variables provoquent une surestimation ou sous-estimation constante le long de différents passages. De manière cruciale, l'IA requiert de la variation - comme des trajectoires distinctes, des identifiants de machine ou des dates de récolte différentes - pour apprendre et calibrer efficacement.

Exemple : Masse humide de rendement et 9 moissonneuses

**NE PAS UTILISER** cette méthode pour des récoltes réalisées par une seule machine en une seule session continue ou si la carte de rendement ne présente pas de motifs spatiaux visibles. Évitez-la également si les données sont rares ou si vous ne disposez que de valeurs totales au niveau du champ sans différences au niveau des machines

Exemple : Distribution des données statistiquement correcte

### Calibrage moyen ou total **Le calibrage moyen/total EST LE MIEUX UTILISÉ** lorsque vous avez un haut niveau de confiance dans vos données de rendement au niveau du champ, comme des enregistrements provenant d'une bascule ou d'un dépôt. Au lieu d'ajuster les trajectoires individuelles, cette méthode met à l'échelle l'ensemble du jeu de données afin que la moyenne ou le total final corresponde à votre valeur de référence connue. On la décrit souvent comme l'option de calibrage la plus simple et la plus sûre lorsque les chiffres globaux sont fiables. Quand **UTILISER le calibrage moyen/total :** * **Valeurs de référence connues** : Vous devriez utiliser cette logique lorsque vous disposez d'enregistrements officiels de rendement total (par ex. d'une bascule) ou d'une moyenne de rendement du champ très fiable. * **Correction de biais globale** : Elle est idéale si la distribution spatiale de la carte de rendement semble correcte, mais que les valeurs sont décalées globalement - ce qui signifie que le moniteur de rendement était probablement non calibré et rapporte des valeurs systématiquement trop élevées ou trop faibles sur l'ensemble du champ. * **Conditions de récolte uniformes** : Cette méthode est plus efficace lorsque les conditions de récolte ont été relativement constantes pendant l'opération. * **Cohérence d'une seule machine** : Elle fonctionne bien pour des récoltes effectuées par une seule machine qui a opéré de manière constante sur le champ.

Exemple : Distribution des données statistiquement correcte nécessitant un décalage en utilisant le rendement moyen

Quand **NE PAS UTILISER le calibrage moyen/total :** * **Biais machine-à-machine** : N'utilisez pas cette méthode si différentes parties du champ ont été récoltées par différentes machines ou à des jours différents causant des biais localisés. Dans ces cas, mettre à l'échelle tout le champ ne corrigera pas les écarts sous-jacents entre machines. * **Artefacts visibles** : Si vous observez un fort striage, banding ou des artefacts directionnels dans vos données, cette méthode ne les résoudra pas ; Le calibrage par trajectoire est mieux adapté à ces problèmes. * **Données incomplètes** : Évitez cette logique si seule une portion du champ a été récoltée ou si les données enregistrées sont incomplètes, car les valeurs totales/moyennes seraient trompeuses.

Exemple : Données de rendement avec des lacunes

### Calibration conditionnelle **Calibration conditionnelle** sert de un contrôle de sécurité en garantissant que les valeurs de rendement restent dans des plages minimales et maximales réalistes et prédéfinies. Vous **DEVEZ UTILISER** cette logique pour retirer les valeurs aberrantes extrêmes et les pics de capteur causés par le bruit, les arrêts de machine ou les virages . Elle est idéale pour appliquer des attentes agronomiques spécifiques - telles que « le rendement ne peut pas dépasser X » - sans effectuer de correction.

Cependant, **ÉVITEZ CETTE MÉTHODE** si votre jeu de données présente un biais global ou des différences systémiques entre machines, car elle ne met pas à l'échelle les données ni ne corrige les motifs spatiaux. Essentiellement, elle maintient les valeurs plausibles mais ne résout pas les décalages de calibrage sous-jacents. ## Stratégie d'utilisation

Fiche de synthèse - Guide de calibrage des rendements

{% file src="" %} Télécharger la fiche PDF du guide de calibrage des rendements {% endfile %} ## Première étape Le module « Calibrate and Clean » du rendement est lancé directement depuis l'interface utilisateur. L'exigence principale est d'avoir un jeu de données de rendement téléversé. À côté de chaque jeu de données de rendement, vous trouverez un bouton pour lancer les ajustements du jeu de données.

À partir de là, plusieurs options sont disponibles pour continuer : 1. **Traitement automatique** : Utilisez les paramètres par défaut recommandés par GeoPard pour un calibrage en un clic. 2. **Nettoyage uniquement** : Configurez et exécutez uniquement l'opération CLEAN, y compris 1. **Nettoyage GeoPard** : Nettoyage intelligent du jeu de données de rendement avec des algorithmes d'IA. 2. **USDA** (United States Department of Agriculture) Protocole de nettoyage pour le rendement. 3. **Nettoyage conditionnel** : Filtrez les données en fonction de seuils d'attributs personnalisés. 3. **Calibrage uniquement** : Configurez et exécutez uniquement l'opération CALIBRATE, y compris 1. **Pathwise** : Calibrer le rendement pour chaque trajectoire de machine individuelle en utilisant des algorithmes d'IA. 2. **Moyenne/Total** : Ajuster le rendement en fonction de la moyenne ou du total connu du champ. 3. **Conditionnel** : Modifier le rendement dans des limites minimales et maximales définies pour maintenir des plages attendues. 4. **Calibrer et nettoyer** : Choisissez la séquence des opérations et personnalisez les paramètres. 5. **Alternative à l'Éditeur de Rendement** : Utiliser **Nettoyage uniquement → USDA** (ou **Calibrer et nettoyer**) pour correspondre à un flux de travail manuel d'« Éditeur de rendement », mais à grande échelle. Dans des tests de validation, le nettoyage selon le protocole USDA a donné des résultats équivalents au nettoyage manuel de l'Éditeur de Rendement avec **R² (R2) = 0,98** (sortie presque identique). ## Solution en un bouton {% hint style="warning" %} **Astuce pour les valeurs anormales parfois inhérentes aux jeux de données de rendement.** Si un **attribute** sélectionné pour le calibrage ou le nettoyage contient majoritairement **des valeurs nulles sur la majorité des géométries** **, ces géométries seront exclues du jeu de données de rendement final.**Pour garantir l'intégrité, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à calibrer. Conseils complets {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Choisir le flux : Astuce pour les anomalies de données {% hint style="warning" %} **le flux de travail est conseillé.** Si un utilisateur rencontre des anomalies dans les données, telles que des valeurs nulles ou proches de zéro, ou des valeurs exceptionnellement élevées (par exemple, une moyenne de 10 avec un maximum de 8000), le workflow **Nettoyage & Calibration** Choisir le flux : Astuce pour les données sans erreurs initiales Donner la priorité au nettoyage des données avant la calibration garantit la suppression des erreurs, des valeurs manquantes ou des incohérences, améliorant ainsi la qualité et la précision des données. {% endhint %} {% hint style="warning" %} **flux de travail.** Pour les jeux de données initialement exempts d'erreurs, de valeurs manquantes ou d'incohérences, et lorsque plusieurs moissonneuses sont connues pour avoir été impliquées, envisagez le workflow **Calibration & Nettoyage** Flux de nettoyage : Astuce pour les valeurs anormales parfois inhérentes aux jeux de données de rendement. Nettoyer les données après la calibration permet d'affiner davantage le jeu de données en éliminant potentiellement les artefacts introduits lors de la calibration. {% endhint %} {% hint style="warning" %} **sélectionné pour le calibrage ou le nettoyage contient majoritairement** Si un **attribute** des valeurs nulles sur la majorité des géométries **Pour garantir l'intégrité, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à nettoyer (2).**Pour garantir l'intégrité, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à calibrer. Flux de calibrage : Astuce pour les valeurs anormales parfois inhérentes aux jeux de données de rendement. {% endhint %} {% hint style="warning" %} **Pour garantir l'intégrité, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à calibrer (3).** Si un **attribute** sélectionné pour le calibrage ou le nettoyage contient majoritairement **des valeurs nulles sur la majorité des géométries** **, ces géométries seront exclues du jeu de données de rendement final.**Pour garantir l'intégrité, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à calibrer. Versions d'algorithme {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Après traitement, les résultats sont affichés à côté du jeu de données original. Ils sont marqués avec "Calibrate" **"Clean"** et/ou **étiquettes, ainsi que la version de l'algorithme.** Le résultat de l'exécution Calibrate & Clean (version 2)

{% hint style="info" %} À partir de `à partir de la version 3.0` , l'algorithme Clean/Calibrate introduit la fonctionnalité de rognage par limite de parcelle. Cela conserve uniquement les géométries à l'intérieur de la limite du champ et améliore la distribution statistique. {% endhint %}

Le résultat de l'exécution de Traitement automatique (version 3.0)

{% hint style="info" %} À partir de `version 4.0` , l'algorithme Clean/Calibrate de GeoPard intègre désormais une fonctionnalité de calibrage basée sur les valeurs moyennes ou totales pour n'importe quel attribut. Une application courante de cette amélioration est le calibrage de la Masse humides, qui peut maintenant être ajustée par le rendement moyen mesuré connu pour un champ spécifique. {% endhint %}

Le résultat de l'exécution de Calibrage en utilisant un rendement moyen de 6 t/ha (version 4.0)

{% hint style="info" %} À partir de `version 5.0` à partir de la version 5.0 {% endhint %}