> 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/documentation-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutation : calibrer et nettoyer le YieldDataset

Appels d’API pour nettoyer et calibrer les jeux de données de rendement

La calibration de « YieldDataset » est une fonctionnalité qui corrige la distribution des valeurs conformément aux principes mathématiques, améliorant ainsi l’intégrité globale des données. Elle renforce la qualité de la prise de décision et rend le jeu de données utile pour des analyses approfondies.

Cette fonctionnalité couvre notamment les cas d’utilisation suivants :

* Synchroniser les données lorsque plusieurs moissonneuses-batteuses ont travaillé simultanément ou sur plusieurs jours, afin d’assurer leur cohérence.
* Rendre le jeu de données plus homogène et précis en atténuant les variations.
* Supprimer le bruit dans les données et les informations superflues susceptibles de brouiller les résultats.
* Éliminer les demi-tours ou les géométries anormales, qui peuvent fausser les schémas et tendances réels de la parcelle.
* Ajuster les données de rendement pour les faire correspondre aux moyennes ou totaux établis pour chaque attribut.

Pour en savoir plus et consulter des exemples, reportez-vous à notre cas d’utilisation : [Calibration et nettoyage du rendement](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/yield-calibration-and-cleaning.md)  .

### YieldDataset d’origine avec l’attribut WetMass

Cinq moissonneuses-batteuses ont travaillé en parallèle dans la parcelle de 30 ha présentée ci-dessous. La calibration de l’une d’elles n’était pas synchronisée avec celle des autres, ce qui a entraîné l’apparition de taches <mark style="color:orange;">orange</mark> indiquant qu’une `CALIBRATION` supplémentaire est nécessaire. De plus, de nombreux demi-tours <mark style="color:rouges;">rouges</mark> apparaissent près des bordures de la « parcelle » et doivent être supprimés.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>YieldDataset d’origine avec l’attribut WetMass</p></figcaption></figure>

### YieldDataset calibré et nettoyé avec l’attribut WetMass

Le résultat ci-dessous montre le jeu de données après l’application automatique des opérations `CALIBRATE` et `CLEAN` avec les paramètres par défaut. Le « YieldDataset » obtenu est homogène, sans valeurs aberrantes ni changements brusques entre les géométries voisines.

<figure><img src="https://690567185-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>YieldDataset calibré et nettoyé avec l’attribut WetMass</p></figcaption></figure>

### Options Pathwise, Average/Total et Conditional

**Calibration Pathwise** correspond aux passages de la machine. Chaque passage est traité comme une zone distincte aux fins de la calibration. L’équipe GeoPard recommande d’utiliser cette méthode par défaut.

**Calibration Average/Total** vise à redistribuer les valeurs des attributs. Cette méthode est utile lorsque les schémas géospatiaux sont exacts, mais que les valeurs absolues s’écartent des valeurs réelles. Pour obtenir les meilleurs résultats, GeoPard conseille de la combiner à la calibration Pathwise : appliquer d’abord Pathwise, puis ajuster les données aux valeurs Average/Total connues.

**Calibration Conditional** ajuste les valeurs des attributs en fonction des seuils minimal et maximal fournis. Cette méthode est particulièrement utile lorsque les schémas géospatiaux sont précis, mais que la distribution des valeurs doit être ajustée, notamment lorsque les valeurs minimale et maximale sont connues. Pour obtenir les meilleurs résultats, GeoPard recommande de la combiner à la calibration Pathwise : commencer par Pathwise, puis ajuster les données pour les faire correspondre aux valeurs minimale et maximale connues.

### Conseils

{% hint style="warning" %}
**Conseil en cas d’anomalies dans les données**

Si un 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 workflow **Clean & Calibration**  . Il se configure à l’aide des paramètres `actions: [CLEAN, CALIBRATE]`.

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" %}
**Conseil pour les données sans erreurs initiales**

Si les jeux de données ne comportent au départ ni erreurs, ni valeurs manquantes, ni incohérences, et que plusieurs moissonneuses-batteuses ont été utilisées, envisagez le workflow **Calibration & Clean**  . Il se configure à l’aide des paramètres `actions: [CALIBRATE, CLEAN]`.

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 %}

### Documentation : détails de la mutation

La configuration standard par défaut active la calibration et le nettoyage automatiques de « YieldDataset ».

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Un exemple plus avancé permet de contrôler manuellement les plages min/max et intègre des attributs supplémentaires.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Pour suivre le protocole de l’USDA pour l’opération `CLEAN` vous devez soit mentionner TOUTES les colonnes dans `cleanAction` -> `conditionMinMaxClean` soit en préciser une partie dans `cleanAction` -> `conditionMinMaxClean` et les autres dans `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Paramètres d’entrée :

* `actions` sous forme de tableau, ce qui permet de choisir *les actions de correction et leur ordre* d’application ; les valeurs prises en charge comprennent `CLEAN` et `CALIBRATE`.
* `calibrateAction` sous forme d’objet contenant les détails de configuration liés à l’opération `CALIBRATE` .
  * `calibrationAttributes` sous forme de tableau d’attributs nécessitant un étalonnage, généralement liés à la colonne Yield.
  * `smoothWindowSize` sous forme d’un entier impair qui lisse les valeurs résultantes et réduit leurs variations brusques.
  * `conditionPathwiseCalibration` sous forme d’un objet dont le **étalonnage par trajet** correspond aux traces de la machine. Chaque trace de machine est traitée comme une zone distincte aux fins de l’étalonnage.
    * `calibrationBasis` sous forme d’une chaîne représentant l’attribut servant de base à l’étalonnage.
    * `maxHomogeneityRegion` sous forme d’une valeur booléenne indiquant si la zone d’homogénéité maximale est utilisée comme zone de référence pour l’étalonnage.
    * `syntheticMachinePath` sous forme d’une valeur booléenne indiquant si les trajets de la machine sont simulés. Cette option est utile lorsque l’attribut décrivant précisément le trajet de la machine est absent et qu’il faut le simuler à partir d’horodatages ou d’un attribut similaire.
  * `conditionAvgTotalCalibration` sous forme d’un objet dont le **étalonnage par moyenne/total** vise à redistribuer les valeurs des attributs. Cette méthode est utile lorsque les motifs géospatiaux sont exacts, mais que les valeurs absolues diffèrent des valeurs réelles.
    * `calibrationAttribute` sous forme d’une chaîne représentant l’attribut à étalonner.
    * `average` sous forme d’un nombre représentant la moyenne des valeurs de l’attribut ; les valeurs de l’attribut doivent correspondre à cette moyenne. Utilisez une seule option à la fois, soit `average` soit `total`.
    * `total` sous forme d’un nombre représentant la somme totale des valeurs de l’attribut ; leur somme doit correspondre à ce total. Utilisez une seule option à la fois, soit `average` soit `total`total
  * `conditionMinMaxCalibration` sous forme d’un objet dont l’ **étalonnage conditionnel** ajuste les valeurs des attributs en fonction des seuils minimal et maximal fournis.
    * `calibrationAttribute` sous forme d’une chaîne représentant l’attribut à étalonner.
    * `min` sous forme d’un nombre représentant la valeur minimale de l’attribut, qui définit la limite inférieure de la plage d’étalonnage.
    * `minIncluded` sous forme d’une valeur booléenne indiquant si la valeur minimale doit être incluse.
    * `max` sous forme d’un nombre représentant la valeur maximale de l’attribut, qui définit la limite supérieure de la plage d’étalonnage.
    * `maxIncluded` sous forme d’une valeur booléenne indiquant si la valeur maximale doit être incluse.
* `cleanAction` sous forme d’un objet contenant les paramètres propres à l’opération `CLEAN` .
  * `conditionAutoClean` sous forme d’un objet contenant les paramètres propres à l’algorithme de nettoyage automatique.
    * `targetAttribute` sous forme d’une chaîne représentant les valeurs de rendement cibles.
    * `excludedAttributes` sous forme de tableau de chaînes définissant les attributs qui n’influencent pas l’opération de nettoyage.
  * `conditionMinMaxClean` sous forme de tableau d’objets contenant les règles de nettoyage décrites ; chaque objet comprend les paramètres suivants.
    * cleanAttribute sous forme de chaîne indiquant le nom de la colonne concernée par la règle.
    * `min` sous forme de nombre indiquant la valeur minimale.
    * `max` sous forme de nombre indiquant la valeur maximale.

{% hint style="info" %}
Pour consulter les entrées et accéder aux dernières valeurs disponibles des énumérations (telles que `operations`), il est recommandé d’utiliser [la documentation Altair](https://docs.geopard.tech/geopard-tutorials/fr/documentation-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Documentation GeoPard : requête YieldDataset

En tant qu’utilisateur de l’API GeoPard, vous pouvez récupérer des informations sur les corrections appliquées aux YieldDatasets à l’aide des attributs `appliedCorrections` et `appliedCorrectionsVersion`. Le premier fournit la liste des corrections effectuées (par exemple, `CALIBRATE` et `CLEAN`), leur ordre d’exécution étant indiqué par leur position dans le tableau. Quant à `appliedCorrectionsVersion` il indique la version de l’algorithme utilisé.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/documentation-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
