# Confronta i dati dello scanner del suolo tra gli anni

I scanner del suolo sono strumenti essenziali per l'agricoltura di precisione, permettendo la raccolta di dati ad alta risoluzione sulle proprietà del suolo come umidità, materia organica e livelli di nutrienti. Confrontare due set di dati di scanner del suolo è fondamentale per comprendere i cambiamenti nel tempo, convalidare diversi metodi di scansione o calibrare nuovi dispositivi. Questo articolo esplora diversi approcci matematici per misurare la deviazione tra due set di dati di scanner del suolo, fornendo indicazioni pratiche per ricercatori e agronomi.

### Comprendere la deviazione nei dati degli scanner del suolo

La deviazione tra due set di dati di scanner del suolo si riferisce alle differenze nei valori misurati nelle stesse posizioni, che possono derivare da variazioni nelle condizioni di misura, calibrazione dei sensori o dinamiche del suolo. I tipi di deviazioni più comuni includono:

* Differenze assolute: sottrazione diretta dei valori tra i set di dati.
* Differenze relative: confronto basato sulla magnitudine delle misurazioni.
* Metriche di errore: misure statistiche come l'Errore Medio Assoluto (MAE) e la Differenza Normalizzata.

Sono stati scelti due set di dati di scanner del suolo con potassio per il 2024 e il 2025.

<figure><img src="https://1371939954-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>Set di dati iniziali dello scanner del suolo</p></figcaption></figure>

### Scegliere il metodo di deviazione corretto

| Metodo                                | Ideale per                                                   |
| ------------------------------------- | ------------------------------------------------------------ |
| Differenza diretta                    | Visualizzazione semplice dei cambiamenti positivi/negativi   |
| Differenza relativa                   | Confrontare set di dati con scale diverse                    |
| Differenza normalizzata               | Analisi standardizzata tra set di dati differenti            |
| Deviazione relativa                   | Differenze proporzionali, utile per l'analisi delle tendenze |
| Errore Medio Assoluto (MAE) per pixel | Identificare aree con grandi differenze assolute             |

### Calcolo della differenza diretta

Questo metodo di Differenza Diretta sottrae semplicemente un set di dati dall'altro per visualizzare direttamente i cambiamenti negli attributi del suolo.

L'utilizzo di `geopard.calculate_difference(dataset_1, dataset_2)` con la spiegazione dei parametri è documentato [qui](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni/catalogo-di-funzioni-personalizzate#calculate_difference).

Pro:

* Mostra chiaramente i cambiamenti positivi e negativi.
* Facile da interpretare e visualizzare.

Contro:

* I valori di differenza possono essere difficili da confrontare se i set di dati hanno scale diverse.
* Le elevate variazioni possono dominare l'interpretazione.

<figure><img src="https://1371939954-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>Calcolo della differenza diretta</p></figcaption></figure>

### Calcolo della differenza relativa

Il metodo della Differenza Relativa calcola la variazione percentuale tra i set di dati basandosi sul secondo set, offrendo un'altra prospettiva sulla deviazione.

L'utilizzo di `geopard.calculate_relative_difference(dataset_1, dataset_2)` con la spiegazione dei parametri è documentato [qui](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni/catalogo-di-funzioni-personalizzate#calculate_relative_difference).

Pro:

* Buono per capire quanto un set di dati sia cambiato in proporzione a un altro.
* Normalizza le differenze attraverso magnitudini variabili.

Contro:

* Può diventare instabile quando i valori nel secondo set di dati sono vicini a zero.
* Meno intuitivo quando le differenze assolute sono importanti.

<figure><img src="https://1371939954-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>Calcolo della differenza relativa</p></figcaption></figure>

### Calcolo della differenza normalizzata

Il metodo della Differenza Normalizzata normalizza i set di dati rispetto al loro valore massimo globale prima di calcolare le differenze, assicurando che le variazioni siano comparabili tra scale differenti.

L'utilizzo di `geopard.calculate_normalized_difference(dataset_1, dataset_2)` con la spiegazione dei parametri è documentato [qui](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni/catalogo-di-funzioni-personalizzate#calculate_normalized_difference).

Pro:

* Efficace per set di dati con diverse gamme dinamiche.
* Riduce l'impatto dei valori estremi.

Contro:

* Variazioni piccole possono apparire esagerate se non scalate correttamente.

<figure><img src="https://1371939954-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>Calcolo della differenza normalizzata</p></figcaption></figure>

### Deviazione relativa per pixel

Il metodo della Deviazione Relativa calcola la deviazione come percentuale relativa al primo set di dati. Aiuta a comprendere le differenze proporzionali piuttosto che le differenze assolute.

L'utilizzo di `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` con la spiegazione dei parametri è documentato [qui](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni/catalogo-di-funzioni-personalizzate#calculate_per_pixel_relative_deviation).

Pro:

* Utile quando si confrontano set di dati con scale diverse.
* Esprime la deviazione in un formato percentuale interpretabile.

Contro:

* Può essere fuorviante se i valori originali sono molto piccoli.

<figure><img src="https://1371939954-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>Deviazione relativa per pixel</p></figcaption></figure>

### Errore Medio Assoluto (MAE) per pixel

Il metodo dell'Errore Medio Assoluto (MAE) misura le differenze assolute tra i valori corrispondenti in due set di dati. Fornisce una visione chiara di dove si verificano le discrepanze maggiori.

L'utilizzo di `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` con la spiegazione dei parametri è documentato [qui](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni/catalogo-di-funzioni-personalizzate#calculate_per_pixel_mae).

Pro:

* Semplice e intuitivo.
* Evidenzia chiaramente le grandi differenze.
* Funziona bene per set di dati con scale simili.

Contro:

* Non mostra la direzione della differenza (cioè cambiamento positivo o negativo).
* Sensibile agli outlier.

<figure><img src="https://1371939954-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>Errore Medio Assoluto (MAE) per pixel</p></figcaption></figure>

### Conclusione

Confrontare set di dati di scanner del suolo richiede una varietà di approcci matematici per estrarre differenze significative. Che si usino metriche assolute come il MAE, deviazioni relative o confronti normalizzati, la scelta del metodo giusto dipende dal caso d'uso. Sfruttando queste tecniche, agronomi e ricercatori possono migliorare l'analisi del suolo, individuare variazioni nel campo e ottimizzare i flussi di lavoro per l'agricoltura di precisione.