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

# उपज डेटा सेट की तुलना

मौसमी फसल प्रदर्शन की गहरी समझ पाने के लिए उपज डेटा सेट की तुलना करें, जिसमें उचित Yield Cleaning और Calibration तथा Synthetic Yield का उपयोग शामिल है।

## संदर्भ

आधुनिक कृषि संबंधी निर्णय लेने में उपज डेटासेट पर बहुत अधिक निर्भरता होती है। ये एकत्र की गई उपज को दर्शाते हैं और किसानों की आय के बड़े हिस्से का प्रतिनिधित्व करते हैं। इनपुट प्रबंधन से जुड़े निर्णयों और भविष्य की बुवाई तथा उर्वरक डालने की रणनीतियों को बेहतर बनाने के लिए इन डेटासेट का सटीक और उच्च गुणवत्ता वाला होना ज़रूरी है।

उपज डेटा आम तौर पर कटाई के उपकरणों से एकत्र किया जाता है, लेकिन कच्ची रीडिंग अक्सर अधूरी होती हैं, उनमें त्रुटियाँ होती हैं या सेंसर की असंगतियों और खेत की बदलती परिस्थितियों को ध्यान में रखने के लिए उन्हें कैलिब्रेट करना पड़ता है। इन चुनौतियों से निपटने के लिए विशेषज्ञ भरोसेमंद और तुलनीय उपज डेटा तैयार करने हेतु आम तौर पर डेटा की सफ़ाई, कैलिब्रेशन और कृत्रिम डेटासेट जनरेट करने की तकनीकों का उपयोग करते हैं।

दोनों[ उपज डेटा की सफ़ाई और कैलिब्रेशन](https://docs.geopard.tech/geopard-tutorials/in/agronomy/yield-and-trials/yield-calibration-and-cleaning.md) और [उपज डेटा को कृत्रिम रूप से बहाल करना](https://docs.geopard.tech/geopard-tutorials/in/agronomy/yield-and-trials/synthetic-yield-map.md) GeoPard द्वारा समर्थित हैं।

<mark style="background-color:yellow;">अलग-अलग फ़सल वर्षों के उपज डेटासेट की तुलना से उपयोगी जानकारी मिलती है। इससे प्रबंधन के तरीकों की पुष्टि करने, सेंसर की सटीकता जाँचने और आगामी सीज़न के लिए रणनीतियों को बेहतर बनाने में मदद मिलती है।</mark> ये तुलनाएँ उर्वरता और बीज बुवाई संबंधी अनुशंसाओं को बेहतर बनाने में भी मदद करती हैं, ताकि हर निर्णय भरोसेमंद जानकारी पर आधारित हो।

## तुलना का तरीका (समानता समीकरण का उपयोग करके)

उपज डेटासेट की मात्रात्मक तुलना करने के लिए, हम पहले से सहेजे गए एक समीकरण का उपयोग करते हैं, जिसका नाम है <mark style="background-color:yellow;">Spatial Correlation Analysis (Data Layers Similarity)</mark> यह उपज डेटासेट के उपज-संबंधी गुणों के बीच स्थानिक आधार पर समानता मापता है।

यह समीकरण समानता स्कोर देता है, जो बताता है कि स्थानिक पैटर्न और मानों के वितरण के आधार पर एक डेटासेट दूसरे से कितना मेल खाता है।

<figure><img src="https://537187778-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>मौजूदा डेटा परतों की समानता वाला समीकरण खोजें</p></figcaption></figure>

<mark style="background-color:yellow;">समानता का मान 0 से 1 के बीच होता है। 0 का अर्थ है कोई मेल नहीं और 1 का अर्थ है मानों तथा स्थानिक पैटर्न का 100% मेल</mark>। दूसरे शब्दों में, समानता स्कोर जितना 1 के करीब होगा, उपज के गुण उतने ही अधिक समान होंगे।

## **वास्तविक उपज डेटासेट (2015** सोयाबीन **बनाम 2018** सोयाबी&#x928;**)**

इस मामले में, हम 2015 और 2018 के दो अलग-अलग बढ़वार सीज़न में एक ही फ़सल—सोयाबीन—से एकत्र किए गए कच्चे उपज डेटा से शुरुआत करते हैं। शुरुआती डेटासेट में असामान्य रूप से ज़्यादा और कम मान वाले स्थान हैं, खासकर हार्वेस्टर के चक्कर के शुरू और अंत में। डेटा को थोड़ा री-कैलिब्रेट करने की भी ज़रूरत है।

GeoPard के सफ़ाई और कैलिब्रेशन टूल लागू करने के बाद, तैयार डेटासेट अधिक एकसमान, सुसंगत और समझने में आसान हो जाता है।

<figure><img src="https://537187778-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>सोयाबीन 2015: मूल बनाम साफ़ और कैलिब्रेट किया गया उपज डेटा</p></figcaption></figure>

<figure><img src="https://537187778-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>सोयाबीन 2018: मूल बनाम साफ़ और कैलिब्रेट किया गया उपज डेटा</p></figcaption></figure>

समानता समीकरण चलाने का मानचित्र नीचे स्क्रीनशॉट के रूप में दिया गया है।

सांख्यिकीय दृष्टि से, औसत (0.869) और माध्यिका (0.876) के ऊँचे मान बताते हैं कि <mark style="background-color:yellow;">2018 में सोयाबीन की उपज के पैटर्न 2015 के पैटर्न से काफ़ी मिलते-जुलते हैं</mark>। कुछ क्षेत्रों में मान 0.599 तक गिरते हैं, लेकिन कम विचरण (0.005) और मध्यम मानक विचलन (0.073) से पुष्टि होती है कि <mark style="background-color:yellow;">कुल मिलाकर पैटर्न सुसंगत हैं</mark>.

कृषि-विज्ञान के दृष्टिकोण से, <mark style="background-color:yellow;">यह स्थिरता दर्शाती है कि खेत की मूल परिस्थितियाँ और प्रबंधन के तरीकों के प्रति उसकी प्रतिक्रिया काफ़ी हद तक अपरिवर्तित रही है</mark>.

<figure><img src="https://537187778-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>उपज समानता की तुलना: सोयाबीन 2015 बनाम सोयाबीन 2018</p></figcaption></figure>

## **वास्तविक उपज डेटासेट (2022** मक्का **बनाम 2024** मक्क&#x93E;**)**

इस उदाहरण में, हम 2022 और 2024 के दो मक्का सीज़न के कच्चे उपज डेटा से शुरुआत करते हैं। शुरुआती डेटासेट में असामान्य रूप से ज़्यादा या कम रीडिंग, एक-दूसरे को काटते हुए हार्वेस्टर के चक्कर और घुमावदार रास्ते जैसी विसंगतियाँ हैं, जो सेंसर को री-कैलिब्रेट करने की ज़रूरत दर्शाती हैं।

GeoPard के सफ़ाई और कैलिब्रेशन टूल लागू करने के बाद, डेटासेट अधिक भरोसेमंद हो जाते हैं, जिससे स्वचालित विश्लेषण और सोच-समझकर निर्णय लेना संभव होता है।

<figure><img src="https://537187778-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>मक्का 2022: मूल बनाम साफ़ और कैलिब्रेट किया गया उपज डेटा</p></figcaption></figure>

<figure><img src="https://537187778-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>मक्का 2024: मूल बनाम साफ़ और कैलिब्रेट किया गया उपज डेटा</p></figcaption></figure>

समानता समीकरण चलाने का मानचित्र नीचे स्क्रीनशॉट के रूप में दिया गया है।

सांख्यिकीय दृष्टि से, 0.791 का औसत और 0.799 की माध्यिका दर्शाते हैं कि <mark style="background-color:yellow;">2024 में मक्के की उपज के पैटर्न अधिकांशतः 2022 से मिलते-जुलते हैं</mark>हालाँकि, कुछ क्षेत्रों में मान 0.413 तक कम हैं, जो परिवर्तनशीलता दर्शाता है। 0.115 का मानक विचलन इसकी पुष्टि करता है कि <mark style="background-color:yellow;">खेत के अलग-अलग हिस्सों में कुछ अंतर हैं</mark>.

कृषि-विज्ञान के दृष्टिकोण से, <mark style="background-color:yellow;">सुसंगत पैटर्न समय के साथ स्थिर परिस्थितियों और प्रभावी प्रबंधन का संकेत देते हैं</mark>। हालाँकि, कुछ स्थानीय <mark style="background-color:yellow;">कम समानता वाले क्षेत्रों में भविष्य की उपज बेहतर करने के लिए लक्षित बदलाव करने की ज़रूरत हो सकती है</mark>.

<figure><img src="https://537187778-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>उपज समानता की तुलना: मक्का 2022 बनाम मक्का 2024</p></figcaption></figure>

## **कृत्रिम बनाम वास्तविक उपज डेटासेट (2023** तोरिया)

इस उदाहरण में, हम 2023 के तोरिया सीज़न के कच्चे उपज डेटासेट और उसी फ़सल तथा उसी वर्ष (2023) के लिए कृत्रिम रूप से तैयार किए गए उपज डेटासेट से शुरुआत करते हैं। <mark style="background-color:yellow;">इसका उद्देश्य वास्तविक और सिंथेटिक उपज की स्थानिक सटीकता का आकलन करना है। इससे दर्ज न किए गए डेटा को भरने, उपज डेटा की कमियों को दूर करने और सिंथेटिक मानों का उपयोग करके असामान्य मानों को ठीक करने का रास्ता मिलता है</mark>. वास्तविक उपज डेटासेट में असामान्य रूप से अधिक या कम रीडिंग, खेत में आड़े-तिरछे चक्कर, घुमावदार मार्ग और शून्य उपज वाले चक्कर जैसी समस्याएँ हैं। ये सभी सेंसर को फिर से कैलिब्रेट करने की आवश्यकता दर्शाते हैं।

GeoPard की [सफाई और कैलिब्रेशन](https://docs.geopard.tech/geopard-tutorials/in/agronomy/yield-and-trials/yield-calibration-and-cleaning.md) को वास्तविक उपज डेटा पर लागू करने और रेपसीड के लिए [सिंथेटिक उपज](https://docs.geopard.tech/geopard-tutorials/in/agronomy/yield-and-trials/synthetic-yield-map.md) तैयार करने के बाद, हम उनकी समानता की सार्थक तुलना कर सकते हैं।

<figure><img src="https://537187778-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>रेपसीड 2023: मूल बनाम साफ़ और कैलिब्रेट किया गया उपज डेटा</p></figcaption></figure>

<figure><img src="https://537187778-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>रेपसीड की सिंथेटिक उपज 2023</p></figcaption></figure>

समानता समीकरण चलाने का मानचित्र नीचे स्क्रीनशॉट के रूप में दिया गया है।

सांख्यिकीय दृष्टि से, उच्च औसत (0.889) और माध्यिका (0.904) स्कोर दर्शाते हैं कि, <mark style="background-color:yellow;">कुल मिलाकर, सिंथेटिक उपज डेटासेट, रेपसीड की 2023 की वास्तविक उपज के स्थानिक पैटर्न से काफ़ी मेल खाता है</mark>. एक क्षेत्र में स्कोर घटकर 0.291 तक जाता है, लेकिन कम परिवर्तनशीलता (0.006) और मामूली मानक विचलन (0.08) से संकेत मिलता है कि <mark style="background-color:yellow;">खेत के अधिकांश हिस्सों में वास्तविक और सिंथेटिक डेटासेट के बीच काफ़ी अच्छा मेल है और बहुत कम मान अपवाद हैं</mark>.

कृषि-विज्ञान के नज़रिये से, यह मज़बूत समानता बताती है कि <mark style="background-color:yellow;">सिंथेटिक उपज डेटा खेत की वास्तविक स्थितियों के लिए एक भरोसेमंद विकल्प हो सकता है</mark>, जिससे प्रबंधन संबंधी निर्णयों के लिए मॉडल किए गए परिदृश्यों के इस्तेमाल पर भरोसा बढ़ता है। <mark style="background-color:yellow;">वास्तविक उपज डेटा में दिखने वाली कृषि पद्धतियों को सिंथेटिक उपज मॉडल ने अच्छी तरह दर्शाया है</mark>, जिससे भविष्य की प्रबंधन रणनीतियों की अधिक सूचित और सुसंगत योजना बनाना संभव होता है।

<figure><img src="https://537187778-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>उपज की समानता की तुलना: रेपसीड, वास्तविक 2023 बनाम सिंथेटिक 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/in/agronomy/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.
