> 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/yield-and-trials/comparing-yield-datasets.md).

# Comparer les jeux de données de rendement

Comparez les jeux de données de rendement pour obtenir des informations plus approfondies sur la performance des cultures au fil des saisons, en couvrant le nettoyage et l’étalonnage appropriés du rendement ainsi que l’utilisation du rendement synthétique.

## Contexte

La prise de décision en agriculture moderne repose largement sur les jeux de données de rendement, qui compilent les rendements mesurés et reflètent une part importante des revenus des agriculteurs. Ces données doivent être précises et de grande qualité pour éclairer les décisions relatives à la gestion des intrants et optimiser les stratégies futures de semis et de fertilisation.

Les données de rendement sont généralement collectées par les engins de récolte. Toutefois, les relevés bruts sont souvent incomplets, comportent des erreurs ou nécessitent un étalonnage pour corriger les incohérences des capteurs et tenir compte de la variabilité des conditions dans les parcelles. Pour relever ces défis, les professionnels ont couramment recours au nettoyage et à l’étalonnage des données, ainsi qu’à la génération de jeux de données synthétiques, afin d’obtenir des données de rendement fiables et comparables.

Les deux méthodes,[ nettoyage et étalonnage des données de rendement](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) et la [reconstitution synthétique des données de rendement](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/synthetic-yield-map.md) sont prises en charge par GeoPard.

<mark style="background-color:yellow;">Comparer les jeux de données de rendement de différentes années de culture fournit de précieuses informations, qui permettent de valider les pratiques de gestion, de vérifier la précision des capteurs et d’améliorer les stratégies pour les prochaines campagnes.</mark> Ces comparaisons aident également à affiner les préconisations de fertilisation et de semis, afin que chaque décision repose sur des informations fiables.

## Méthode de comparaison (à l’aide d’une équation de similarité)

Pour comparer quantitativement les jeux de données de rendement, nous utilisons une équation préenregistrée nommée <mark style="background-color:yellow;">Analyse de corrélation spatiale (similarité des couches de données)</mark> qui mesure, selon leur répartition spatiale, la similarité entre les attributs associés au rendement des jeux de données.

Cette équation attribue un score de similarité, qui indique à quel point les motifs spatiaux et la répartition des valeurs d’un jeu de données correspondent à ceux d’un autre.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Rechercher l’équation existante de similarité des couches de données</p></figcaption></figure>

<mark style="background-color:yellow;">Les valeurs de similarité vont de 0 à 1 : 0 indique une absence de correspondance et 1 une correspondance de 100 % entre les valeurs et leur répartition spatiale</mark>. Autrement dit, plus le score de similarité est proche de 1, plus les attributs de rendement se ressemblent.

## **Jeu de données de rendement réel (2015** soja **contre 2018** soj&#x61;**)**

Dans cet exemple, nous partons des données de rendement brutes collectées au cours de deux campagnes différentes, en 2015 et en 2018, pour la même culture : le soja. Les jeux de données initiaux comportent des valeurs anormalement élevées ou faibles à certains endroits, surtout au début et à la fin des passages de la moissonneuse-batteuse. Les données nécessitent également un léger réétalonnage.

Après l’application des outils de nettoyage et d’étalonnage de GeoPard, le jeu de données obtenu est plus uniforme, cohérent et facile à interpréter.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soja 2015 : données de rendement d’origine et données nettoyées et étalonnées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soja 2018 : données de rendement d’origine et données nettoyées et étalonnées</p></figcaption></figure>

La carte résultant de l’exécution de l’équation de similarité est présentée ci-dessous sous forme de capture d’écran.

D’un point de vue statistique, la moyenne élevée (0,869) et la médiane (0,876) indiquent que <mark style="background-color:yellow;">les profils de rendement du soja en 2018 ressemblent fortement à ceux de 2015</mark>. Si certaines zones descendent à 0,599, la faible variation (0,005) et l’écart-type modéré (0,073) confirment une <mark style="background-color:yellow;">bonne cohérence d’ensemble</mark>.

D’un point de vue agronomique, <mark style="background-color:yellow;">cette stabilité suggère que les conditions sous-jacentes de la parcelle et sa réponse aux pratiques de gestion sont restées globalement inchangées</mark>.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Comparaison de la similarité des rendements : soja 2015 et soja 2018</p></figcaption></figure>

## **Jeu de données de rendement réel (2022** maïs **contre 2024** maï&#x73;**)**

Dans cet exemple, nous partons des données de rendement brutes de deux campagnes de maïs, en 2022 et en 2024. Les jeux de données initiaux présentent des anomalies, telles que des relevés anormalement élevés ou faibles, des passages croisés et des trajectoires courbes, qui indiquent la nécessité de réétalonner les capteurs.

Après l’application des outils de nettoyage et d’étalonnage de GeoPard, les jeux de données deviennent plus fiables, ce qui permet d’automatiser l’analyse et de prendre des décisions éclairées.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Maïs 2022 : données de rendement d’origine et données nettoyées et étalonnées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Maïs 2024 : données de rendement d’origine et données nettoyées et étalonnées</p></figcaption></figure>

La carte résultant de l’exécution de l’équation de similarité est présentée ci-dessous sous forme de capture d’écran.

D’un point de vue statistique, la moyenne de 0,791 et la médiane de 0,799 montrent que <mark style="background-color:yellow;">les rendements du maïs en 2024 ressemblent largement à ceux de 2022</mark>, même si certaines zones descendent à 0,413, signe d’une variabilité. L’écart-type de 0,115 confirme <mark style="background-color:yellow;">la présence de certaines différences dans la parcelle</mark>.

D’un point de vue agronomique, <mark style="background-color:yellow;">la cohérence des profils suggère que les conditions sont restées stables et que la gestion a été efficace au fil du temps</mark>. Toutefois, les <mark style="background-color:yellow;">zones localisées où la similarité est plus faible peuvent nécessiter des ajustements ciblés afin d’améliorer les rendements à venir</mark>.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Comparaison de la similarité des rendements : maïs 2022 et maïs 2024</p></figcaption></figure>

## **Jeu de données de rendement synthétique et réel (2023** colza)

Dans cet exemple, nous partons du jeu de données de rendement brut de la campagne de colza 2023 et d’un jeu de données de rendement généré synthétiquement pour la même culture et la même année, 2023. <mark style="background-color:yellow;">L’objectif est d’évaluer la précision spatiale du rendement réel par rapport au rendement synthétique, afin de combler les données non enregistrées et les lacunes dans les données de rendement, ainsi que de corriger les anomalies à l’aide de valeurs synthétiques</mark>. Le jeu de données de rendement réel présente des problèmes tels que des mesures anormalement élevées ou basses, des passages croisés, des trajectoires courbes et des passages à zéro, autant de signes indiquant qu’un recalibrage des capteurs est nécessaire.

Après avoir appliqué le module [Nettoyage et calibration](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) aux données de rendement réel et généré un [rendement synthétique](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/synthetic-yield-map.md) pour le colza, nous pouvons entreprendre une comparaison pertinente de leur similarité.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Colza 2023 : données de rendement d’origine, nettoyées et calibrées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Rendement synthétique du colza 2023</p></figcaption></figure>

La carte résultant de l’exécution de l’équation de similarité est présentée ci-dessous sous forme de capture d’écran.

D’un point de vue statistique, les scores élevés de moyenne (0,889) et de médiane (0,904) indiquent que, <mark style="background-color:yellow;">dans l’ensemble, le jeu de données de rendement synthétique correspond étroitement aux tendances spatiales du rendement réel du colza en 2023</mark>. Bien que le score descende jusqu’à 0,291 dans une zone, la faible variation (0,006) et l’écart-type modeste (0,08) suggèrent que <mark style="background-color:yellow;">la plupart des parcelles présentent une forte concordance entre les jeux de données réelles et synthétiques, avec très peu de valeurs aberrantes</mark>.

D’un point de vue agronomique, cette forte similarité laisse entendre que <mark style="background-color:yellow;">les données de rendement synthétique peuvent servir de référence fiable pour les conditions réelles au champ</mark>, ce qui renforce la confiance dans l’utilisation de scénarios modélisés pour orienter les décisions. <mark style="background-color:yellow;">Les pratiques agronomiques reflétées dans les données de rendement réel sont bien prises en compte par le modèle de rendement synthétique</mark>, ce qui permet une planification plus éclairée et cohérente des stratégies de gestion futures.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Comparaison de la similarité des rendements du colza : réel 2023 et synthétique 2023</p></figcaption></figure>


---

# 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/yield-and-trials/comparing-yield-datasets.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.
