# Talajszkenner adatok összehasonlítása évek között

A talajszkennelők alapvető eszközök a precíziós mezőgazdaságban, lehetővé téve a talaj tulajdonságaira vonatkozó nagy felbontású adatok gyűjtését, mint a nedvesség, a szerves anyag és a tápanyag-szintek. Két talajszkenner adatállomány összehasonlítása létfontosságú a változások időbeli megértéséhez, különböző szkennelési módszerek validálásához vagy új eszközök kalibrálásához. Ez a cikk különböző matematikai megközelítéseket vizsgál a két talajszkenner adatállomány közötti eltérés mérésére, gyakorlati iránymutatásokat nyújtva kutatóknak és agronómusoknak (gazdáknak).

### Az eltérés megértése a talajszkenner adatokban

A két talajszkenner adatállomány közötti eltérés az ugyanazon helyeken mért értékek közötti különbségekre utal, amelyek mérési körülmények, szenzor-kalibráció vagy talajdinamika eltérései miatt jelentkezhetnek. A leggyakoribb eltéréstípusok a következők:

* Abszolút különbségek: Az értékek közvetlen kivonása az adatállományok között.
* Relatív különbségek: Az összehasonlítás a mérések nagysága alapján.
* Hibametrikák: Statisztikai mérőszámok, mint a Mean Absolute Error (MAE) és a normalizált különbség.

Két talajszkenner adatállományt válaszottunk, amelyekben a kálium adatok 2024-re és 2025-re vonatkoznak.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FC2QduX7YR6gTjWUZGqMX%2Fimage.png?alt=media&#x26;token=f1609570-7428-4883-b589-963d4d8e2767" alt=""><figcaption><p>Kezdeti talajszkenner adatállományok</p></figcaption></figure>

### A megfelelő eltérésmódszer kiválasztása

| Módszer                                | Legalkalmasabb                                                  |
| -------------------------------------- | --------------------------------------------------------------- |
| Közvetlen különbség                    | Egyszerű vizualizáció pozitív/negatív változásokról             |
| Relatív különbség                      | Adatállományok összehasonlítása különböző skálákkal             |
| Normalizált különbség                  | Szabványosított elemzés különböző adatállományok között         |
| Relatív eltérés                        | Arányos különbségek, hasznos trendanalízishez                   |
| Pixelenkénti Mean Absolute Error (MAE) | A nagy abszolút különbségekkel rendelkező területek azonosítása |

### Közvetlen különbség számítása

Ez a Közvetlen Különbség módszer egyszerűen kivonja az egyik adatállományt a másikból, hogy közvetlenül vizualizálja a talajtulajdonságok változásait.

A használata `geopard.calculate_difference(dataset_1, dataset_2)` a paraméterek magyarázatával dokumentálva van [itt](https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webalkalmazas/kepletalapu-elemzes/egyedi-fuggvenyek-katalogusa#calculate_difference).

Előnyök:

* Egyértelműen megmutatja a pozitív és negatív változásokat.
* Könnyen értelmezhető és vizualizálható.

Hátrányok:

* A különbségértékek nehezen hasonlíthatók össze, ha az adatállományok eltérő skálán vannak.
* A nagy variancia dominálhatja az értelmezést.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&#x26;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Közvetlen különbség számítása</p></figcaption></figure>

### Relatív különbség számítása

A Relatív Különbség módszer a százalékos változást számolja ki az adatállományok között a második adatállományhoz viszonyítva, más nézőpontot adva az eltérésre.

A használata `geopard.calculate_relative_difference(dataset_1, dataset_2)` a paraméterek magyarázatával dokumentálva van [itt](https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webalkalmazas/kepletalapu-elemzes/egyedi-fuggvenyek-katalogusa#calculate_relative_difference).

Előnyök:

* Jó annak megértéséhez, hogy az egyik adatállomány milyen mértékben változott a másikhoz képest.
* Normalizálja a különbségeket a különböző nagyságrendek között.

Hátrányok:

* Instabillá válhat, ha a második adatállomány értékei nullához közelítenek.
* Kevésbé intuitív, ha az abszolút különbségek fontosak.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&#x26;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Relatív különbség számítása</p></figcaption></figure>

### Normalizált különbség számítása

A Normalizált Különbség módszer normalizálja az adatállományokat azok globális maximumértéke alapján, mielőtt kiszámítaná a különbségeket, biztosítva, hogy a változások összehasonlíthatóak legyenek különböző skálák között.

A használata `geopard.calculate_normalized_difference(dataset_1, dataset_2)` a paraméterek magyarázatával dokumentálva van [itt](https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webalkalmazas/kepletalapu-elemzes/egyedi-fuggvenyek-katalogusa#calculate_normalized_difference).

Előnyök:

* Hatékony az eltérő dinamikus tartománnyal rendelkező adatállományok esetén.
* Csökkenti a szélsőséges értékek hatását.

Hátrányok:

* Ha nincs megfelelően skálázva, a kis eltérések felnagyítottnak tűnhetnek.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&#x26;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Normalizált különbség számítása</p></figcaption></figure>

### Pixelenkénti relatív eltérés

A Pixelenkénti Relatív Eltérés módszer az eltérést az első adatállományhoz viszonyított százalékban számolja, segítve az arányos különbségek megértését az abszolút különbségek helyett.

A használata `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` a paraméterek magyarázatával dokumentálva van [itt](https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webalkalmazas/kepletalapu-elemzes/egyedi-fuggvenyek-katalogusa#calculate_per_pixel_relative_deviation).

Előnyök:

* Hasznos, amikor különböző skálájú adatállományokat hasonlítunk össze.
* Az eltérést értelmezhető százalékos formában fejezi ki.

Hátrányok:

* V félrevezető lehet, ha az eredeti értékek nagyon kicsik.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&#x26;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Pixelenkénti relatív eltérés</p></figcaption></figure>

### Pixelenkénti Mean Absolute Error (MAE)

A Mean Absolute Error (MAE) módszer megméri az abszolút különbségeket a két adatállomány megfelelő értékei között. Világos képet ad arról, hogy hol vannak a legnagyobb eltérések.

A használata `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` a paraméterek magyarázatával dokumentálva van [itt](https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webalkalmazas/kepletalapu-elemzes/egyedi-fuggvenyek-katalogusa#calculate_per_pixel_mae).

Előnyök:

* Egyszerű és intuitív.
* Világosan kiemeli a nagy különbségeket.
* Jól működik hasonló skálájú adatállományok esetén.

Hátrányok:

* Nem mutatja meg a különbség irányát (azaz pozitív vagy negatív változást).
* Érzékeny az outlierekre.

<figure><img src="https://4197117614-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&#x26;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Pixelenkénti Mean Absolute Error (MAE)</p></figcaption></figure>

### Összefoglalás

A talajszkenner adatállományok összehasonlítása különféle matematikai megközelítéseket igényel a jelentős különbségek kinyeréséhez. Legyen szó abszolút mérőszámokról, mint az MAE, relatív eltérésekről vagy normalizált összehasonlításról, a megfelelő módszer kiválasztása az alkalmazástól függ. Ezen technikák alkalmazásával az agronómusok és kutatók javíthatják a talajelemzést, feltárhatják a tábla változásait és fokozhatják a precíziós mezőgazdasági munkafolyamatokat.