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

# 84. Mutáció: a YieldDataset kalibrálása és tisztítása

API-hívások a hozamadathalmazok tisztításához és kalibrálásához

A „YieldDataset” kalibrálása korrigálja az értékek eloszlását a matematikai elveknek megfelelően, így növeli az adatok általános megbízhatóságát. Javítja a döntéshozatal minőségét, és értékessé teszi az adatkészletet a további, részletes elemzésekhez.

A funkció gyakori felhasználási esetei:

* Az adatok szinkronizálása, ha több kombájn egyszerre vagy több napon át dolgozott, az adatok következetességének biztosítása érdekében.
* Az adatkészlet homogenitásának és pontosságának növelése az eltérések kisimításával.
* Az adatokban lévő zaj és a következtetéseket elhomályosító fölösleges információk eltávolítása.
* A fordulók és a rendellenes geometriák eltávolítása, amelyek torzíthatják a tábla tényleges mintázatait és trendjeit.
* A hozamadatok igazítása az egyes attribútumokra vonatkozó ismert átlagokhoz vagy összesített értékekhez.

Részletesebb ismertetőért és példákért tekintse meg a [Hozamkalibrálás és -tisztítás](https://docs.geopard.tech/geopard-tutorials/hu/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) felhasználási esetet.

### Eredeti YieldDataset WetMass attribútummal

Az alább látható, 30 hektáros táblán öt kombájn dolgozott párhuzamosan. Az egyik kombájn kalibrálása nem volt szinkronban a többiével, ami <mark style="color:narancssárga;">narancssárga</mark> foltokat eredményezett, jelezve, hogy további `CALIBRATION` szükséges. Emellett számos fordulóhoz tartozó <mark style="color:piros;">piros</mark> folt látható a „Field” szélei közelében, ezeket el kell távolítani.

<figure><img src="https://4197117614-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>Eredeti YieldDataset WetMass attribútummal</p></figcaption></figure>

### Kalibrált és tisztított YieldDataset WetMass attribútummal

Az alábbi eredmény az alapértelmezett paraméterekkel végrehajtott automatikus `CALIBRATE` és `CLEAN` műveletek után mutatja az adatkészletet. A kapott „YieldDataset” homogenizálódott, nincsenek benne kiugró értékek vagy szomszédos geometriák közötti hirtelen változások.

<figure><img src="https://4197117614-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>Kalibrált és tisztított YieldDataset WetMass attribútummal</p></figcaption></figure>

### Útvonalalapú, átlagos/összesített és feltételes beállítások

**Útvonalalapú kalibrálás** a gép nyomvonalaihoz igazodik. A kalibrálás során minden gépnyomvonalat külön régióként dolgoz fel. A GeoPard csapata ezt a módszert javasolja alapértelmezett megközelítésként.

**Átlagos/összesített értékek szerinti kalibrálás** az attribútumértékek újraelosztására összpontosít. Akkor hasznos, ha a térbeli mintázatok pontosak, de az abszolút értékek eltérnek a tényleges értékektől. Az optimális eredmény érdekében a GeoPard az útvonalalapú kalibrálással való kombinálását javasolja: először végezze el az útvonalalapú kalibrálást, majd igazítsa az értékeket az ismert átlagos vagy összesített értékekhez.

**Feltételes kalibrálás** a megadott minimum- és maximumküszöbök alapján módosítja az attribútumértékeket. Ez a módszer különösen akkor hasznos, ha a térbeli mintázatok pontosak, de az értékek eloszlását módosítani kell, főként akkor, ha ismert a minimum- és maximumérték. A legjobb eredmény érdekében a GeoPard az útvonalalapú kalibrálással való párosítást javasolja: először végezze el az útvonalalapú kalibrálást, majd igazítsa az értékeket az ismert minimum- és maximumértékekhez.

### Tippek

{% hint style="warning" %}
**Tipp adatanomáliák esetén**

Ha a felhasználó anomáliákat észlel az adatokban – például nullához közeli vagy nulla értékeket, illetve szokatlanul nagy értékeket (például 10-es átlagot és 8000-es maximumot) –, a **Tisztítás és kalibrálás** munkafolyamat használata javasolt. A következő paraméterrel állítható be: `actions: [CLEAN, CALIBRATE]`.

Ha a kalibrálás előtt megtisztítja az adatokat, eltávolíthatók a hibák, hiányzó értékek és következetlenségek, ezáltal javul az adatok minősége és pontossága.
{% endhint %}

{% hint style="warning" %}
**Tipp, ha az adatokban kezdetben nincsenek hibák**

Ha az adatkészletben kezdetben nincsenek hibák, hiányzó értékek vagy következetlenségek, és tudható, hogy több kombájn is dolgozott a területen, érdemes megfontolni a **Kalibrálás és tisztítás** munkafolyamatot. A következő paraméterrel állítható be: `actions: [CALIBRATE, CLEAN]`.

A kalibrálás utáni tisztítás tovább finomítja az adatkészletet, és eltávolíthatja a kalibrálás során esetlegesen keletkezett műtermékeket.
{% endhint %}

### Dokumentáció: a mutation részletei

Az alapértelmezett konfiguráció automatikusan kalibrálja és tisztítja a „YieldDataset” adatkészletet.

{% 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 %}

Egy fejlettebb példa manuális szabályozást tesz lehetővé a minimum- és maximumtartományok felett, és további attribútumokat is használ.

{% 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" %}
Az USDA protokolljának követéséhez a `CLEAN` műveletnél vagy az ÖSSZES oszlopot meg kell adnia a `cleanAction` -> `conditionMinMaxClean` vagy egy részüket kell megadnia itt: `cleanAction` -> `conditionMinMaxClean` és a többit itt: `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Bemeneti paraméterek:

* `actions` tömbként megadva, így kiválaszthatja *a javítási műveleteket és azok alkalmazási sorrendjét;* a támogatott értékek többek között: `CLEAN` és `CALIBRATE`.
* `calibrateAction` objektumként megadva, amely konfigurációs részleteket tartalmaz a `CALIBRATE` műveletről.
  * `calibrationAttributes` kalibrálást igénylő attribútumok tömbjeként, jellemzően a Yield oszlophoz kapcsolódva.
  * `smoothWindowSize` páratlan egész számként, amely kisimítja az eredményértékeket, és csökkenti az értékek közötti hirtelen ugrásokat.
  * `conditionPathwiseCalibration` olyan objektumként, amely a következőt tartalmazza: **Útvonal-alapú** kalibrálás, amely a gép nyomvonalait veszi alapul. A kalibrálás során minden gépnyomvonal külön régiónak számít.
    * `calibrationBasis` karakterláncként, amely a kalibrálás alapjául szolgáló attribútumot jelöli.
    * `maxHomogeneityRegion` logikai értékként, amely jelzi, hogy a maximális homogenitású régió legyen-e a kalibrálás referenciarégiója.
    * `syntheticMachinePath` logikai értékként, amely a gép útvonalainak szimulálását jelzi. Akkor hasznos, ha a pontos gépútvonal-attribútum nem áll rendelkezésre, és azt időbélyegek vagy hasonló attribútum alapján kell szimulálni.
  * `conditionAvgTotalCalibration` olyan objektumként, amely a következőt tartalmazza: **Átlag/összeg** kalibrálás, amely az attribútumértékek újraelosztására összpontosít. Akkor hasznos, ha a térinformatikai mintázatok pontosak, de az abszolút értékek eltérnek a tényleges értékektől.
    * `calibrationAttribute` karakterláncként, amely a kalibrálandó attribútumot jelöli.
    * `average` számként, amely az attribútum értékeinek átlagát jelöli; az attribútum értékeinek ehhez az átlaghoz kell igazodniuk. Egyszerre csak az egyik lehetőséget használja: vagy `average` vagy `total`.
    * `total` számként, amely az attribútumértékek teljes összegét jelöli; az értékek összegének meg kell egyeznie ezzel az összeggel. Egyszerre csak az egyik lehetőséget használja: vagy `average` vagy `total`.
  * `conditionMinMaxCalibration` olyan objektumként, amely a következőt tartalmazza: **Feltételes** kalibrálás, amely a megadott minimum- és maximumküszöbértékek alapján módosítja az attribútum értékeit.
    * `calibrationAttribute` karakterláncként, amely a kalibrálandó attribútumot jelöli.
    * `min` számként, amely az attribútum minimális értékét jelöli, és a kalibrálás alsó határaként szolgál.
    * `minIncluded` logikai értékként, amely jelzi, hogy a minimumérték bele legyen-e számítva.
    * `max` számként, amely az attribútum maximális értékét jelöli, és a kalibrálás felső határaként szolgál.
    * `maxIncluded` logikai értékként, amely jelzi, hogy a maximumérték bele legyen-e számítva.
* `cleanAction` objektumként, amely a következő művelet konfigurációs részleteit tartalmazza: `CLEAN` művelet.
  * `conditionAutoClean` objektumként, amely az automatikus tisztítási algoritmusra vonatkozó konfigurációt tartalmazza.
    * `targetAttribute` karakterláncként, amely a célhozam értékeit jelöli.
    * `excludedAttributes` karakterláncok tömbjeként megadva azokat az attribútumokat, amelyek nem befolyásolják a tisztítási műveletet.
  * `conditionMinMaxClean` a leírt tisztítási szabályokat tartalmazó objektumok tömbjeként; minden objektum a következő paramétereket tartalmazza.
    * cleanAttribute: karakterlánc, amely megadja a szabályhoz tartozó oszlop nevét.
    * `min` számként megadva a minimális értéket.
    * `max` számként megadva a maximális értéket.

{% hint style="info" %}
A bemenetek megtekintéséhez és az enumerációk legfrissebb elérhető értékeinek lekéréséhez (például: `operations`), az [Altair](https://docs.geopard.tech/geopard-tutorials/hu/api-dokumentacio/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentáció: YieldDataset-lekérdezés

A GeoPard API felhasználójaként lekérdezheti a YieldDatasets-adatkészleteken végrehajtott korrekciók részleteit az alábbi attribútumok segítségével: `appliedCorrections` és `appliedCorrectionsVersion`. Az előbbi az elvégzett korrekciók listáját tartalmazza (például: `CALIBRATE` és `CLEAN`), a végrehajtás sorrendjét pedig a tömbben elfoglalt helyük jelzi. Ezzel szemben az `appliedCorrectionsVersion` az alkalmazott algoritmus verzióját adja meg.

{% 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/hu/api-dokumentacio/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.
