Calibrazione e pulizia della resa

Come pulire e calibrare i dati del monitor resa in GeoPard. Include il protocollo USDA per la pulizia della resa. Correggi outlier, strisce, testate e dataset con più mietitrebbie.

Usa GeoPard per pulire i dati di rese e calibrare i dataset del monitor di resa. Ottieni una mappa delle rese di cui ti puoi fidare per zone, prescrizioni e analisi. Questo flusso di lavoro gestisce valori anomali, inversioni di percorso, attributi mancanti e dati di resa da più mietitrebbie. Include il protocollo USDA per la pulizia delle rese e supporta flussi di lavoro alternativi a Yield Editor .

Questo processo di calibrazione è fondamentale per:

Garantire la coerenza dei dati: Non è raro che più mietitrebbie operino in tandem o in giorni differenti. Questa funzione assicura che i loro dati siano armonizzati.
Omonizzare i dati: I dati di resa possono essere variabili; la calibrazione li rende omogenei e coerenti, senza picchi o cali indesiderati.
Filtrare il rumore: Come ogni dato, anche i dati di resa possono contenere 'rumore' o informazioni irrilevanti. Ci assicuriamo che non offuschino le tue analisi.
Semplificare le geometrie: Qualsiasi inversione di percorso o modello geometrico irregolare può distorcere le reali informazioni. La calibrazione è progettata per appianare questi aspetti, garantendo che i dati riflettano fedelmente la realtà del campo.
Ritaglio in base al confine del campo: Le mietitrebbie spesso operano su aree adiacenti. Per risultati analitici accurati è essenziale considerare solo i dati all'interno del confine specificato.

L'interfaccia di Calibrazione della Resa utilizza l'endpoint API di GeoPard per Yield Clean/Calibrate (GeoPard API: Calibrare e Pulire il Dataset di Resa). Esegue le CALIBRA e PULISCI operazioni nell'interfaccia utente o tramite API.

Panoramica rapida

Esempi reali

Nel settore agricolo, i dataset di resa corrotti possono rappresentare sfide significative. Di seguito trovi esempi reali in cui si sono riscontrati tali dataset. Attraverso gli algoritmi avanzati di calibrazione e pulizia di GeoPard, questi dataset sono stati efficacemente raffinati e ottimizzati.

Per affrontare aree prive di dati di resa registrati e raggiungere la completezza della mappa delle rese, considera l'utilizzo dell'approccio GeoPard Synthetic Yield Map. Questo metodo ripristina i dati mancanti per un'analisi completa delle rese. Ulteriori informazioni qui.

Più mietitrebbie che lavorano insieme

Quando si affrontano scenari complessi, è consigliato un processo di calibrazione in due fasi per ottenere la massima accuratezza. Inizia eseguendo la calibrazione iniziale utilizzando l'attributo Machine ID. Successivamente, procedi con un secondo ciclo di calibrazione, questa volta utilizzando la casella Simulated (Synthetic) Machine Paths. Questo approccio stratificato garantisce una calibrazione approfondita e precisa, essenziale per gestire efficacemente i casi complessi.

Inversioni a J, soste, metà larghezza dell'attrezzatura utilizzata

Valori registrati anormalmente elevati

Dati oltre il confine del campo

Calibrazione utilizzando il valore medio di resa fornito

Pulire gli attributi di resa ignorando gli attributi con anomalie

Il dataset di resa occasionalmente include attributi con irregolarità in Umidità, Velocità, Elevazioni o altri attributi secondari (non legati alla resa). Durante l'esecuzione delle attività di Pulizia o Calibrazione è essenziale ignorare queste anomalie. Questo può essere realizzato in modo efficiente utilizzando l'interfaccia GeoPard Yield Clean-Calibrate.

Protocollo di pulizia delle rese USDA

Usa questa opzione quando hai bisogno di un flusso di lavoro dell'editor di rese ripetibile e basato su standard. È ottimizzato per la pulizia dei dati del monitor di resa su larga scala.

Spiegazione delle logiche di calibrazione

Calibrazione per tracce

USARE Calibrazione per tracce quando un campo è raccolto da più macchine o su più giorni, specificamente per correggere differenze sistematiche come striping o banding. È ideale per scenari in cui impostazioni diverse della macchina, operatori o condizioni ambientali causano sovra- o sotto-stime coerenti lungo percorsi diversi.

Fondamentalmente, l'IA richiede variazione - come percorsi distinti, ID macchina o date di raccolta - per apprendere e calibrare efficacemente.

NON USARE questo metodo per raccolti con una singola macchina in una sessione continua o se la mappa delle rese non presenta schemi spaziali visibili. Inoltre, evitarlo se i dati sono scarsi o se possiedi solo i valori totali di resa a livello di campo senza differenze a livello di macchina

Calibrazione media o totale

La calibrazione media/totale È PIÙ ADATTA quando hai un alto livello di fiducia nei dati complessivi di resa a livello di campo, come registrazioni da pesa o impianti di stoccaggio. Invece di regolare i singoli percorsi, questo metodo scala l'intero dataset in modo che la media o il totale finale corrisponda al tuo valore di riferimento noto. È spesso descritto come l'opzione di calibrazione più semplice e più sicura quando i numeri complessivi sono affidabili.

Quando USARE la calibrazione media/totale:

Valori di riferimento noti: Dovresti usare questa logica quando hai registrazioni ufficiali della resa totale (es. da pesa) o una resa media del campo altamente affidabile.
Correzione del bias globale: È ideale se la distribuzione spaziale nella mappa delle rese sembra corretta, ma i valori sono spostati globalmente - cioè il monitor di resa era probabilmente non calibrato e riporta valori costantemente troppo alti o troppo bassi su tutto il campo.
Condizioni di raccolta uniformi: Questo metodo è più efficace quando le condizioni di raccolta sono state relativamente consistenti durante l'operazione.
Coerenza della singola macchina: Funziona bene per raccolti completati da una singola macchina che ha operato in modo coerente su tutto il campo.

Quando NON usare la calibrazione media/totale:

Bias tra macchine: Non utilizzare questo metodo se diverse parti del campo sono state raccolte da macchine diverse o in giorni differenti che hanno generato bias localizzati. In questi casi, scalare l'intero campo non risolverà le discrepanze sottostanti tra le macchine.
Artefatti visibili: Se noti marcati striping, banding o artefatti direzionali nei tuoi dati, questo metodo non li risolverà; la calibrazione per percorso è più adatta per questi problemi.
Dati incompleti: Evita questa logica se solo una porzione del campo è stata raccolta o se i dati registrati sono incompleti, poiché i valori totali/medi sarebbero fuorvianti.

Calibrazione condizionale

Calibrazione condizionale serve come un controllo di sicurezza assicurando che i valori di resa rimangano entro intervalli minimi e massimi realistici predefiniti.

Tu DOVRESTI USARE questa logica per rimuovere outlier estremi e picchi del sensore causati da rumore, arresti macchina o svolte. È ideale per applicare aspettative agronomiche specifiche - come "la resa non può superare X" - senza effettuare una correzione.

Tuttavia, EVITA QUESTO METODO se il tuo dataset presenta un bias globale o differenze sistematiche tra macchine, poiché non scala i dati né corregge schemi spaziali. In sostanza, mantiene i valori plausibili ma non risolve gli offset di calibrazione sottostanti.

Strategia d'uso

Primo passo

Il modulo "Calibrare e Pulire la Resa" si avvia direttamente dall'interfaccia utente. Il requisito principale è avere un Dataset di Resa caricato. Accanto a ciascun Dataset di Resa troverai un pulsante per avviare le regolazioni del dataset.

Da lì, sono disponibili diverse opzioni per procedere:

Elaborazione automatica: Usa le impostazioni predefinite consigliate da GeoPard per una calibrazione con un clic.
Solo Pulizia: Configura ed esegui soltanto l'operazione di PULIZIA, includendo
1. Pulizia GeoPard: Pulizia intelligente del dataset di resa con algoritmi AI.
2. USDA Protocollo di pulizia (Dipartimento dell'Agricoltura degli Stati Uniti) per la resa.
3. Pulizia condizionale: Filtra i dati in base a soglie di attributo personalizzate.
Solo Calibrazione: Configura ed esegui soltanto l'operazione di CALIBRAZIONE, includendo
1. Calibrazione per percorso macchina: Calibrare la resa per ciascun percorso macchina individuale usando algoritmi AI.
2. Calibrazione Media/Totale: Regolare la resa in base alla resa media o totale nota del campo.
3. Calibrazione Condizionale: Modificare la resa entro limiti minimi e massimi impostati per mantenere intervalli attesi.
Calibra & Pulisci: Scegli la sequenza delle operazioni e personalizza i parametri.
Alternativa a Yield Editor: Usa Solo Pulizia → USDA (o Calibra & Pulisci) per replicare un flusso di lavoro manuale di “Yield Editor”, ma su scala. Nei test di validazione, la pulizia secondo il protocollo USDA ha corrisposto ai risultati manuali di Yield Editor con R² (R2) = 0,98 (output quasi identico).

Soluzione con un pulsante

Suggerimento per valori anomali talvolta intrinseci ai dataset di resa.

Se un attribute selezionato per calibrazione o pulizia predomina principalmente contiene valori zero nella maggior parte delle geometrie, queste geometrie saranno escluse dal dataset di resa finale.

Per garantire l'integrità, gli attributi con tali anomalie dovrebbero essere esclusi dall'elenco degli attributi da calibrare.

Guida completa

Scegli flusso: suggerimento per anomalie nei dati

Se un utente riscontra anomalie nei dati, come valori pari o prossimi a zero, o valori insolitamente elevati (per esempio una media di 10 con un massimo di 8000), è consigliato il flusso di lavoro Pulizia & Calibrazione flusso consigliato.

Dare priorità alla Pulizia dei dati prima della Calibrazione assicura la rimozione di errori, valori mancanti o incoerenze, migliorando così la qualità e l'accuratezza dei dati.

Scegli flusso: suggerimento per dati senza errori iniziali

Per dataset inizialmente privi di errori, valori mancanti o incoerenze, e quando è noto che sono coinvolte più mietitrebbiatrici, considerare il flusso di lavoro Calibrazione & Pulizia flusso.

Pulire i dati dopo la calibrazione aiuta a perfezionare ulteriormente il dataset eliminando potenzialmente eventuali artefatti introdotti durante la calibrazione.

Flusso di pulizia: suggerimento per valori anomali talvolta intrinseci ai dataset di resa.

Se un attribute selezionato per calibrazione o pulizia predomina principalmente contiene valori zero nella maggior parte delle geometrie, queste geometrie saranno escluse dal dataset di resa finale.

Per garantire l'integrità, gli attributi con tali anomalie dovrebbero essere esclusi dall'elenco degli attributi da pulire (2).

Flusso di calibrazione: suggerimento per valori anomali talvolta intrinseci ai dataset di resa.

Per garantire l'integrità, gli attributi con tali anomalie dovrebbero essere esclusi dall'elenco degli attributi da calibrare (3).

Versioni dell'algoritmo

Dopo l'elaborazione, i risultati sono mostrati accanto al dataset originale. Sono contrassegnati con "Calibra" e/o "Pulisci" etichette, oltre alla versione dell'algoritmo.

contenuto di clorofilla versione 3.0 dalla versione 3.0 dell'algoritmo Clean/Calibrate in poi, GeoPard introduce la funzione Ritaglio in base al confine del campo. Questa mantiene solo le geometrie all'interno del confine del campo e migliora la distribuzione statistica.

A partire dalla versione 4.0, l'algoritmo Clean/Calibrate in GeoPard ora incorpora una funzione per la calibrazione basata su valori medi o totali su qualsiasi attributo. Un'applicazione diffusa di questo miglioramento è la calibrazione del WetMass, che può ora essere aggiustata in base alla resa media misurata nota per uno specifico campo.

contenuto di clorofilla versione 5.0 dalla versione 5.0 dell'algoritmo Clean/Calibrate in poi, GeoPard introduce il protocollo di pulizia USDA (Dipartimento dell'Agricoltura degli Stati Uniti) per la resa. L'USDA fornisce standard agronomici formali che regolano come resa, umidità, portata e misurazioni spaziali vengono normalizzate, validate e filtrate statisticamente per produrre dataset agricoli coerenti a livello di macchina e di campo.

PrecedenteMappe di fertilizzazione a dose variabile SuccessivoMappa di resa sintetica

Ultimo aggiornamento 5 mesi fa

È stato utile?