# Calibrazione e pulizia della resa 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** . {% embed url="" %} Video tutorial sulla pulizia e calibrazione dei dati di resa. Spiegazione delle differenze tra le opzioni. {% endembed %} Questo processo di calibrazione è fondamentale per: 1. **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. 2. **Omonizzare i dati**: I dati di resa possono essere variabili; la calibrazione li rende omogenei e coerenti, senza picchi o cali indesiderati. 3. **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. 4. **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. 5. **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. {% hint style="info" %} 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](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Esegue le `CALIBRA` e `PULISCI` operazioni nell'interfaccia utente o tramite API. {% endhint %} ## Panoramica rapida

{% file src="" %} Scarica la brochure PDF sulla pulizia delle rese {% endfile %} ## 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. {% hint style="info" %} 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](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Più mietitrebbie che lavorano insieme

Esempio 1: Più mietitrebbie che lavorano insieme

{% hint style="info" %} 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. {% endhint %}

Esempio 2: Più mietitrebbie che lavorano insieme

Esempio 3: Più mietitrebbie che lavorano insieme

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

Esempio 1: inversioni a U, soste, metà larghezza dell'attrezzatura utilizzata

Esempio 2: inversioni a U, soste, metà larghezza dell'attrezzatura utilizzata

### Valori registrati anormalmente elevati

Esempio 3: valori registrati anormalmente elevati

Esempio 4: valori registrati anormalmente elevati

Esempio 5: 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.

Esempio: anomalie nell'attributo Umidità

Esempio: pulizia dei dati di resa ignorando le anomalie nell'umidità

### 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.

Esempio: pulizia dei dati di resa applicando il protocollo USDA

## 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.

Esempio: WetMass di resa e 9 mietitrebbie

**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

Esempio: distribuzione dei dati statisticamente corretta

### 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.

Esempio: distribuzione dei dati statisticamente corretta con lo spostamento richiesto usando resa media

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

Guida sintetica alla calibrazione della resa

{% file src="" %} Scarica la guida sintetica in PDF sulla calibrazione della resa {% endfile %} ## 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: 1. **Elaborazione automatica**: Usa le impostazioni predefinite consigliate da GeoPard per una calibrazione con un clic. 2. **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. 3. **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. 4. **Calibra & Pulisci**: Scegli la sequenza delle operazioni e personalizza i parametri. 5. **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 {% hint style="warning" %} **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. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Guida completa {% hint style="warning" %} **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. {% endhint %} {% hint style="warning" %} **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. {% endhint %} {% hint style="warning" %} **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). {% endhint %} {% hint style="warning" %} **Flusso di calibrazione: 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 (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## 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.

Il risultato dell'esecuzione Calibra & Pulisci (versione 2)

{% hint style="info" %} 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. {% endhint %}

Il risultato dell'esecuzione di Elaborazione automatica (versione 3.0)

{% hint style="info" %} 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. {% endhint %}

Il risultato dell'esecuzione di Calibrazione usando resa media di 6 t/ha (versione 4.0)

{% hint style="info" %} 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. {% endhint %}