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

# Comparer les données de scanner de sol entre les années

Cet article présente diverses méthodes mathématiques pour quantifier les différences entre les jeux de données des scanners de sol et améliorer la prise de décision des chercheurs et agronomes.

Les scanners de sol sont des outils indispensables à l’agriculture de précision. Ils permettent de recueillir des données à haute résolution sur les propriétés du sol, comme l’humidité, la matière organique et les teneurs en éléments nutritifs. Comparer deux jeux de données issus de scanners de sol est essentiel pour comprendre les évolutions dans le temps, valider différentes méthodes de scan ou étalonner de nouveaux appareils. Cet article présente diverses méthodes mathématiques pour mesurer l’écart entre deux jeux de données issus de scanners de sol et fournit des pistes concrètes aux chercheurs et aux agronomes.

### Comprendre les écarts entre les données de scanners de sol

L’écart entre deux jeux de données issus de scanners de sol désigne les différences entre les valeurs mesurées aux mêmes emplacements. Ces écarts peuvent être dus à des variations des conditions de mesure, à l’étalonnage des capteurs ou à la dynamique du sol. Les types d’écarts les plus courants sont les suivants :

* Différences absolues : soustraction directe des valeurs entre les jeux de données.
* Différences relatives : comparaison tenant compte de l’amplitude des mesures.
* Mesures d’erreur : mesures statistiques telles que l’erreur absolue moyenne (MAE) et la différence normalisée.

Deux jeux de données de scanners de sol portant sur le potassium, l’un pour 2024 et l’autre pour 2025, ont été sélectionnés.

<figure><img src="https://690567185-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>Jeux de données initiaux des scanners de sol</p></figcaption></figure>

### Choisir la méthode de calcul de l’écart adaptée

| Méthode                                | Idéale pour                                                                  |
| -------------------------------------- | ---------------------------------------------------------------------------- |
| Différence directe                     | Visualiser simplement les évolutions positives et négatives                  |
| Différence relative                    | Comparer des jeux de données d’échelles différentes                          |
| Différence normalisée                  | Réaliser une analyse standardisée sur différents jeux de données             |
| Écart relatif                          | Étudier les différences proportionnelles, utiles pour analyser les tendances |
| Erreur absolue moyenne (MAE) par pixel | Repérer les zones présentant de grandes différences absolues                 |

### Calcul de la différence directe

Cette méthode de différence directe soustrait simplement un jeu de données de l’autre afin de visualiser directement les évolutions des propriétés du sol.

La documentation sur l’utilisation de `geopard.calculate_difference(dataset_1, dataset_2)` et l’explication de ses paramètres sont disponibles [ici](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Avantages :

* Montre clairement les évolutions positives et négatives.
* Facile à interpréter et à visualiser.

Inconvénients :

* Les valeurs des différences peuvent être difficiles à comparer si les jeux de données sont d’échelles différentes.
* Une forte variabilité peut dominer l’interprétation.

<figure><img src="https://690567185-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>Calcul de la différence directe</p></figcaption></figure>

### Calcul de la différence relative

La méthode de la différence relative calcule le pourcentage d’évolution entre les jeux de données en prenant le second comme référence, offrant ainsi une autre perspective sur l’écart.

La documentation sur l’utilisation de `geopard.calculate_relative_difference(dataset_1, dataset_2)` et l’explication de ses paramètres sont disponibles [ici](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Avantages :

* Permet de comprendre dans quelle mesure un jeu de données a évolué proportionnellement à l’autre.
* Normalise les différences lorsque les amplitudes varient.

Inconvénients :

* Peut devenir instable lorsque les valeurs du second jeu de données sont proches de zéro.
* Moins intuitive lorsque les différences absolues sont importantes.

<figure><img src="https://690567185-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>Calcul de la différence relative</p></figcaption></figure>

### Calcul de la différence normalisée

La méthode de la différence normalisée divise les jeux de données par leur valeur maximale globale avant de calculer les différences, afin de rendre les variations comparables malgré des échelles différentes.

La documentation sur l’utilisation de `geopard.calculate_normalized_difference(dataset_1, dataset_2)` et l’explication de ses paramètres sont disponibles [ici](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Avantages :

* Efficace pour les jeux de données ayant des plages de variation différentes.
* Réduit l’impact des valeurs extrêmes.

Inconvénients :

* De faibles variations peuvent sembler exagérées si elles ne sont pas correctement mises à l’échelle.

<figure><img src="https://690567185-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>Calcul de la différence normalisée</p></figcaption></figure>

### Écart relatif par pixel

La méthode de l’écart relatif calcule l’écart en pourcentage par rapport au premier jeu de données. Elle permet de comprendre les différences proportionnelles plutôt que les différences absolues.

L’utilisation de `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` et l’explication de ses paramètres sont documentées [ici](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Avantages :

* Utile pour comparer des jeux de données à différentes échelles.
* Exprime l’écart sous forme de pourcentage facile à interpréter.

Inconvénients :

* Peut être trompeur si les valeurs d’origine sont très faibles.

<figure><img src="https://690567185-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>Écart relatif par pixel</p></figcaption></figure>

### Erreur absolue moyenne (MAE) par pixel

La méthode de l’erreur absolue moyenne (MAE) mesure les différences absolues entre les valeurs correspondantes de deux jeux de données. Elle permet de repérer clairement où se situent les écarts les plus importants.

L’utilisation de `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` et l’explication de ses paramètres sont documentées [ici](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Avantages :

* Simple et intuitive.
* Met clairement en évidence les grandes différences.
* Fonctionne bien avec des jeux de données à des échelles similaires.

Inconvénients :

* N’indique pas le sens de la différence (c’est-à-dire une variation positive ou négative).
* Sensible aux valeurs aberrantes.

<figure><img src="https://690567185-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>Erreur absolue moyenne (MAE) par pixel</p></figcaption></figure>

### Conclusion

La comparaison de jeux de données provenant de scanners de sol nécessite différentes approches mathématiques pour faire ressortir des écarts significatifs. Qu’il s’agisse d’utiliser des mesures absolues comme la MAE, des écarts relatifs ou des comparaisons normalisées, le choix de la méthode dépend du cas d’utilisation. En tirant parti de ces techniques, les agronomes et les chercheurs peuvent améliorer l’analyse des sols, détecter les variations dans les parcelles et optimiser les pratiques d’agriculture de précision.


---

# 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/fr/agronomie/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.
