> 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/yield-calibration-and-cleaning.md).

# Nettoyage et étalonnage des données de rendement : supprimer les erreurs des cartes de rendement

Nettoyez les données du moniteur de rendement : délai de flux, début et fin de passe, demi-tours, chevauchements, valeurs aberrantes de vitesse et d’humidité, étalonnage de plusieurs moissonneuses, avant de créer des zones.

Les données brutes du moniteur de rendement comportent des erreurs dues au délai d’écoulement, au début et à la fin des passages, aux demi-tours, aux recouvrements de la barre de coupe et aux moissonneuses-batteuses calibrées différemment. Nettoyez-les avant de créer des zones ou d’évaluer un essai, sinon la carte représentera la machine plutôt que la parcelle. GeoPard applique automatiquement le protocole de nettoyage de l’USDA, vous permet de définir les filtres manuellement et calibre plusieurs moissonneuses-batteuses à partir d’un total ou d’un rendement moyen connu.

{% hint style="info" %}
Consultez la page interactive de nettoyage des données de rendement sur geopard.tech : [Nettoyage des données de rendement](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Nettoyez les fichiers de rendement de la saison dernière : [Commencer gratuitement](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Utilisez GeoPard pour **nettoyer les données de rendement** et **calibrer les jeux de données des moniteurs de rendement**. Obtenez une carte de rendement fiable pour vos zones, vos prescriptions et vos analyses. Ce flux de travail gère les valeurs aberrantes, les demi-tours, les attributs manquants et les données de rendement provenant de plusieurs moissonneuses. Il comprend le **protocole de nettoyage des données de rendement de l’USDA** et prend en charge les flux de travail de **l’alternative à Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Tutoriel vidéo sur le nettoyage et le calibrage des données de rendement. Explication des différences entre les options.
{% endembed %}

Ce processus de calibrage est essentiel pour :

1. **Garantir la cohérence des données** : Il n’est pas rare que plusieurs moissonneuses travaillent simultanément ou à des jours différents. Cette fonctionnalité assure l’harmonisation de leurs données.
2. **Homogénéiser les données** : Les données de rendement peuvent varier ; le calibrage les rend plus régulières et cohérentes, sans pics ni baisses indésirables.
3. **Éliminer le bruit** : Comme toute donnée, les données de rendement peuvent contenir du « bruit » ou des informations non pertinentes. Nous veillons à ce que cela ne fausse pas vos analyses.
4. **Rationaliser les géométries** : Les demi-tours et les motifs géométriques atypiques peuvent fausser les analyses. Le calibrage permet de les corriger afin que les données reflètent fidèlement la réalité de la parcelle.
5. **Découper selon les limites de la parcelle** : Les moissonneuses travaillent souvent sur des parcelles voisines. Pour obtenir des résultats d’analyse précis, il est essentiel de ne prendre en compte que les données situées à l’intérieur des limites définies.

{% hint style="info" %}
L’interface de calibrage du rendement utilise le point de terminaison de l’API GeoPard pour le nettoyage et le calibrage du rendement ([API GeoPard : calibrer et nettoyer YieldDataset](https://docs.geopard.tech/geopard-tutorials/fr/documentation-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Elle exécute les opérations `CALIBRATE` et `CLEAN` dans l’interface ou via l’API.
{% endhint %}

## Présentation rapide

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/a182c4a83ae36a0a58267332d0b418310a542315" %}
Télécharger la brochure PDF sur le nettoyage des données de rendement
{% endfile %}

## Exemples concrets

En agriculture, les jeux de données de rendement corrompus peuvent poser d’importants problèmes. Vous trouverez ci-dessous des exemples réels de tels jeux de données. Grâce aux algorithmes avancés de calibrage et de nettoyage de GeoPard, ces données ont été efficacement affinées et optimisées.

{% hint style="info" %}
Pour combler les zones sans données de rendement enregistrées et obtenir une carte de rendement complète, envisagez d’utiliser l’approche de GeoPard fondée sur les cartes de rendement synthétiques. Cette méthode restitue les données manquantes pour permettre une analyse complète du rendement. En savoir plus [ici](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Plusieurs moissonneuses travaillant ensemble

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Exemple 1 : plusieurs moissonneuses travaillant ensemble</p></figcaption></figure>

{% hint style="info" %}
Dans les situations complexes, il est recommandé d’effectuer le calibrage en deux étapes pour obtenir une précision optimale. Commencez par lancer le calibrage initial à l’aide de l’attribut Machine ID. Effectuez ensuite un second calibrage en cochant la case Simulated (Synthetic) Machine Paths. Cette approche en plusieurs étapes garantit un calibrage rigoureux et précis, indispensable pour gérer efficacement les cas complexes.
{% endhint %}

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Exemple 2 : plusieurs moissonneuses travaillant ensemble</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Exemple 3 : plusieurs moissonneuses travaillant ensemble</p></figcaption></figure>

### Virages en J, arrêts, largeur de l’équipement réglée à la moitié

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Exemple 1 : demi-tours, arrêts, largeur de l’équipement réglée à la moitié</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Exemple 2 : demi-tours, arrêts, largeur de l’équipement réglée à la moitié</p></figcaption></figure>

### Valeurs enregistrées anormalement élevées

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Exemple 1 : valeurs enregistrées anormalement élevées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Exemple 2 : valeurs enregistrées anormalement élevées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Exemple 3 : valeurs enregistrées anormalement élevées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Exemple 4 : valeurs enregistrées anormalement élevées</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Exemple 5 : valeurs enregistrées anormalement élevées</p></figcaption></figure>

### Données au-delà des limites de la parcelle

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Exemple : données au-delà des limites de la parcelle</p></figcaption></figure>

### Étalonnage à partir du rendement moyen fourni

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Exemple : étalonnage à partir du rendement moyen fourni (28 t/ha)</p></figcaption></figure>

### Nettoyer les attributs de rendement en ignorant ceux qui présentent des anomalies

Le jeu de données de rendement comporte parfois des anomalies dans les attributs liés à l’humidité, à la vitesse, à l’altitude ou à d’autres attributs secondaires (non liés au rendement). Lors des opérations de nettoyage ou d’étalonnage, il est essentiel d’ignorer ces anomalies. L’interface de nettoyage et d’étalonnage des rendements de GeoPard permet de le faire efficacement.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Exemple : anomalies dans l’attribut d’humidité</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Exemple : nettoyer les données de rendement en ignorant les anomalies d’humidité</p></figcaption></figure>

### Protocole de nettoyage des rendements de l’USDA

Utilisez cette option si vous avez besoin d’un **flux de travail reproductible et conforme aux normes pour modifier les rendements**. Il est optimisé pour le **nettoyage des données des moniteurs de rendement** à grande échelle.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Exemple : nettoyer les données de rendement en appliquant le protocole de l’USDA</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Exemple : nettoyer les données de rendement en appliquant le protocole de l’USDA</p></figcaption></figure>

## Explication des méthodes d’étalonnage

### Étalonnage par passage

**UTILISEZ** **l’étalonnage par passage** lorsqu’une parcelle est <mark style="background-color:green;">récoltée par plusieurs machines ou sur plusieurs jours, notamment pour corriger des différences systématiques comme les bandes ou les stries.</mark> Cette méthode est idéale lorsque des réglages de machine, des opérateurs ou des conditions environnementales variables entraînent une surestimation ou une sous-estimation constante d’un passage à l’autre.

Point essentiel : <mark style="background-color:yellow;">l’IA a besoin de variations — telles que des passages distincts, des identifiants de machine ou des dates de récolte — pour apprendre et effectuer l’étalonnage efficacement.</mark>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Exemple : WetMass de rendement et 9 moissonneuses-batteuses</p></figcaption></figure>

**N’UTILISEZ PAS** cette méthode pour les récoltes effectuées avec une seule machine au cours d’une session continue, ni si la carte de rendement ne présente pas de motifs spatiaux visibles. Évitez-la également si les données sont peu nombreuses ou si vous ne disposez que de valeurs de rendement totales à l’échelle de la parcelle, sans différences par machine.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Exemple : distribution statistiquement correcte des données</p></figcaption></figure>

### Étalonnage de la moyenne ou du total

**L’ÉTALONNAGE DE LA MOYENNE OU DU TOTAL EST À PRIVILÉGIER** lorsque <mark style="background-color:green;">vous avez une grande confiance dans les données de rendement globales de la parcelle, par exemple dans les relevés d’un pont-bascule ou d’une installation de stockage.</mark> Au lieu d’ajuster les passages individuellement, cette méthode met à l’échelle l’ensemble du jeu de données afin que la moyenne ou le total final corresponde à la valeur de référence connue. Elle est souvent considérée comme la méthode d’étalonnage la plus simple et la plus sûre lorsque les chiffres globaux sont fiables.

Quand **UTILISER l’étalonnage de la moyenne ou du total :**

* **Valeurs de référence connues** : utilisez cette méthode si vous disposez de relevés officiels du rendement total (par exemple, ceux d’un pont-bascule) ou d’une valeur de rendement moyen très fiable pour la parcelle.
* **Correction du biais global** : cette méthode est idéale si la distribution spatiale sur la carte de rendement semble correcte, mais que les valeurs sont décalées de façon globale, ce qui signifie que le moniteur de rendement n’était probablement pas étalonné et indique des valeurs systématiquement trop élevées ou trop faibles sur toute la parcelle.
* **Conditions de récolte homogènes** : cette méthode est particulièrement efficace lorsque les conditions de récolte sont restées relativement constantes pendant toute l’opération.
* **Régularité avec une seule machine** : cette méthode convient aux récoltes effectuées par une seule machine qui a travaillé de manière constante sur toute la parcelle.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Exemple : distribution statistiquement correcte des données avec décalage requis à partir du rendement moyen</p></figcaption></figure>

Quand **NE PAS UTILISER l’étalonnage de la moyenne ou du total :**

* **Biais entre les machines** : n’utilisez pas cette méthode si différentes parties de la parcelle ont été récoltées par des machines différentes ou à des jours différents, ce qui a entraîné des biais localisés. Dans ce cas, mettre à l’échelle toute la parcelle ne corrigera pas les écarts sous-jacents entre les machines.
* **Artefacts visibles** : si vous observez de fortes stries, des bandes ou des artefacts directionnels dans vos données, cette méthode ne les corrigera pas ; <mark style="background-color:green;">la calibration par passage est mieux adaptée à ces problèmes</mark>.
* **Données incomplètes** : n’utilisez pas cette logique si seule une partie de la parcelle a été récoltée ou si les données enregistrées sont incomplètes, car les valeurs totales ou moyennes seraient trompeuses.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Exemple : données de rendement avec des lacunes</p></figcaption></figure>

### Calibration conditionnelle

**La calibration conditionnelle** sert de <mark style="background-color:green;">mesure de sécurité en veillant à ce que les valeurs de rendement restent dans des plages minimales et maximales prédéfinies et réalistes</mark>.

Vous **DEVEZ UTILISER** cette logique pour r<mark style="background-color:green;">etirer les valeurs aberrantes extrêmes et les pics de capteur causés par le bruit, les arrêts de machine ou les virages</mark>. Elle est idéale pour appliquer des attentes agronomiques précises — par exemple, « le rendement ne peut pas dépasser X » — sans effectuer de correction.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Toutefois, **ÉVITEZ CETTE MÉTHODE** si votre jeu de données présente un biais global ou des différences systématiques entre machines, car elle ne met pas les données à l’échelle et ne corrige pas les motifs spatiaux. En bref, elle maintient des valeurs plausibles, mais ne corrige pas les décalages de calibration sous-jacents.

## Stratégie d’utilisation

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Guide de calibration du rendement en une page</p></figcaption></figure>

{% file src="/files/c8a36e38d88c594a2b3f1abb1c1c67371fcb7688" %}
Télécharger le PDF du guide de calibration du rendement en une page
{% endfile %}

## Première étape

Le module « Calibrer et nettoyer le rendement » est lancé directement depuis l’interface utilisateur. Il faut d’abord avoir téléversé un jeu de données de rendement. À côté de chaque jeu de données de rendement, vous trouverez un bouton permettant de démarrer les ajustements.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Lancer le processus</p></figcaption></figure>

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Sélectionnez une option pour continuer</p></figcaption></figure>

Plusieurs options s’offrent alors à vous :

1. **Traitement automatique** : utilisez les paramètres par défaut recommandés par GeoPard pour effectuer une calibration en un clic.
2. **Nettoyer uniquement** : configurez et exécutez uniquement l’opération de nettoyage, notamment
   1. **Nettoyage GeoPard** : nettoyage intelligent des données de rendement à l’aide d’algorithmes d’IA.
   2. **USDA**  : protocole de nettoyage des données de rendement du ministère de l’Agriculture des États-Unis.
   3. **Nettoyage conditionnel** : filtrez les données selon des seuils d’attributs personnalisés.
3. **Calibrer uniquement** : configurez et exécutez uniquement l’opération de calibration, notamment
   1. **Par passage** : calibrez le rendement pour chaque passage de machine à l’aide d’algorithmes d’IA.
   2. **Moyenne/Total** : ajustez le rendement en fonction du rendement moyen ou total connu de la parcelle.
   3. **Conditionnelle** : modifiez le rendement dans les limites minimale et maximale définies afin de respecter les plages attendues.
4. **Calibrer et nettoyer** : choisissez l’ordre des opérations et personnalisez les paramètres.
5. **Alternative à Yield Editor** : utilisez **Nettoyer uniquement → USDA** (ou **Calibrer et nettoyer**) pour reproduire à grande échelle un processus de nettoyage manuel avec « Yield Editor ». Lors des tests de validation, le nettoyage selon le protocole USDA a donné des résultats identiques à ceux obtenus manuellement avec Yield Editor, avec **R² (R2) = 0,98** (résultats presque identiques).

## Une solution en un clic

{% hint style="warning" %}
**Conseil sur les valeurs anormales parfois inhérentes aux jeux de données de rendement.**

Si un **attribut** sélectionné pour l’étalonnage ou le nettoyage **contient principalement** **des valeurs nulles pour la plupart des géométries**, ces géométries seront exclues du jeu de données de rendement final.

Pour garantir l’intégrité des données, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à étalonner.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Guide complet

{% hint style="warning" %}
**Flux Choisir : conseil sur les anomalies de données**

Si l’utilisateur constate des anomalies dans les données, par exemple des valeurs nulles ou proches de zéro, ou des valeurs inhabituellement élevées (par exemple, une moyenne de 10 et un maximum de 8 000), il est conseillé d’utiliser le flux **Nettoyer et étalonner** .

Nettoyer les données avant la calibration permet de supprimer les erreurs, les valeurs manquantes et les incohérences, et ainsi d’améliorer leur qualité et leur précision.
{% endhint %}

{% hint style="warning" %}
**Flux Choisir : conseil pour les données sans erreurs initiales**

Pour les jeux de données initialement exempts d’erreurs, de valeurs manquantes ou d’incohérences, et lorsque l’on sait que plusieurs moissonneuses ont été utilisées, envisagez le flux **Étalonner et nettoyer** .

Le nettoyage des données après la calibration permet d’affiner davantage le jeu de données en éliminant les artefacts éventuellement introduits pendant la calibration.
{% endhint %}

{% hint style="warning" %}
**Flux Nettoyer : conseil sur les valeurs anormales parfois inhérentes aux jeux de données de rendement.**

Si un **attribut** sélectionné pour l’étalonnage ou le nettoyage contient principalement **des valeurs nulles pour la majorité des géométries**, ces géométries seront exclues du jeu de données de rendement final.

Pour garantir l’intégrité des données, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à nettoyer (2).
{% endhint %}

{% hint style="warning" %}
**Flux Étalonner : conseil sur les valeurs anormales parfois inhérentes aux jeux de données de rendement.**

Si un **attribut** sélectionné pour l’étalonnage ou le nettoyage **contient principalement** **des valeurs nulles pour la plupart des géométries**, ces géométries seront exclues du jeu de données de rendement final.

Pour garantir l’intégrité des données, les attributs présentant de telles anomalies doivent être exclus de la liste des attributs à étalonner (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Versions de l’algorithme

Après le post-traitement, les résultats s’affichent à côté du jeu de données d’origine. Ils sont marqués des libellés **« Étalonner »** et/ou **« Nettoyer »** ainsi que de la version de l’algorithme.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Résultat de l’exécution de Calibrate &#x26; Clean (version 2)</p></figcaption></figure>

{% hint style="info" %}
À partir de `version 3.0` de l’algorithme Clean/Calibrate, GeoPard introduit la fonctionnalité de découpage selon les limites des parcelles. Celle-ci conserve uniquement les géométries situées à l’intérieur des limites de la parcelle et améliore la distribution statistique.
{% endhint %}

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Résultat de l’exécution du traitement automatique (version 3.0)</p></figcaption></figure>

{% hint style="info" %}
À partir de `version 4.0`, l’algorithme Clean/Calibrate de GeoPard intègre désormais une fonctionnalité d’étalonnage selon les valeurs moyennes ou totales de n’importe quel attribut. Cette amélioration est notamment utile pour étalonner WetMass, qui peut désormais être ajusté en fonction du rendement moyen mesuré et connu d’une parcelle donnée.
{% endhint %}

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Résultat de l’exécution de l’étalonnage avec un rendement moyen de 6 t/ha (version 4.0)</p></figcaption></figure>

{% hint style="info" %}
À partir de `version 5.0` de l’algorithme Clean/Calibrate, GeoPard intègre le protocole de nettoyage des rendements de l’USDA (Département de l’Agriculture des États-Unis). L’USDA définit des normes officielles pour les données agronomiques, qui régissent la normalisation, la validation et le filtrage statistique des mesures de rendement, d’humidité, de débit et de localisation afin de produire des jeux de données agricoles cohérents entre les machines et les parcelles.
{% endhint %}

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Résultat de l’exécution du nettoyage selon le protocole USDA (version 5.0)</p></figcaption></figure>

{% hint style="success" %}
Nettoyez les fichiers de rendement de la saison dernière : [Commencer gratuitement](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
