# Confronto dei dataset di resa

## Contesto

Il processo decisionale agricolo moderno si basa in larga misura sui dataset di rese, che rappresentano le rese raccolte e riflettono una porzione significativa del reddito dell'azienda. Questi dataset devono essere accurati e di alta qualità per informare le decisioni sulla gestione degli input e ottimizzare le strategie future di semina e fertilizzazione.

I dati di resa vengono generalmente raccolti dalle macchine di raccolta, tuttavia le letture grezze sono spesso incomplete, contengono errori o richiedono calibrazione per correggere incoerenze del sensore e condizioni variabili del campo. Per superare queste sfide, i professionisti utilizzano comunemente tecniche di pulizia, calibrazione e generazione sintetica di dataset per produrre dati di resa affidabili e confrontabili.

Entrambi[ Pulizia e calibrazione delle rese](/geopard-tutorials/it/agronomia/calibrazione-e-pulizia-della-resa.md) e [Ripristino sintetico dei dati di resa](/geopard-tutorials/it/agronomia/mappa-di-resa-sintetica.md) sono supportati da GeoPard.

<mark style="color:predefinito;background-color:yellow;">Confrontare dataset di resa di annate diverse fornisce approfondimenti preziosi, aiutando a validare le pratiche gestionali, confermare l'accuratezza dei sensori e migliorare le strategie per le stagioni successive.</mark> Questi confronti guidano anche il perfezionamento delle prescrizioni di fertilità e semina, garantendo che ogni decisione sia basata su informazioni affidabili.

## Approccio di confronto (utilizzando l'equazione di similarità)

Per confrontare quantitativamente i dataset di resa, utilizziamo un'equazione pre-salvata chiamata <mark style="color:predefinito;background-color:yellow;">Analisi di Correlazione Spaziale (Somiglianza tra Strati Dati)</mark> che misura la similarità tra gli attributi associati alla resa dei dataset su base spaziale.

Questa equazione assegna un punteggio di similarità, indicando quanto un dataset si avvicina a un altro nella distribuzione spaziale e dei valori.&#x20;

<figure><img src="/files/e4e107942639559c4a32331d06aff4e408b95eab" alt=""><figcaption><p>Cerca l'Equazione esistente per la Somiglianza tra Strati Dati</p></figcaption></figure>

<mark style="color:predefinito;background-color:yellow;">I valori di somiglianza variano da 0 a 1, dove 0 indica nessuna corrispondenza e 1 indica una corrispondenza spaziale del valore al 100%</mark>. In altre parole, più il punteggio di similarità è vicino a 1, più gli attributi di resa sono simili.&#x20;

## **Dataset di resa reale (2015** Soia **vs 2018** Soi&#x61;**)**

In questo caso, iniziamo con dati di resa grezzi raccolti durante due diverse stagioni di crescita, 2015 e 2018, con la stessa coltura: soia. I dataset iniziali contengono punti con valori anormalmente alti o bassi, soprattutto all'inizio/fine delle passate della mietitrebbia, e i dati necessitano di una lieve ricalibrazione.

Dopo l'applicazione degli strumenti di pulizia e calibrazione di GeoPard, il dataset risultante è più uniforme, coerente e più facile da interpretare.

<figure><img src="/files/05671947d0f07f7138126e516b2be459fbd098c9" alt=""><figcaption><p>Soia 2015: Dati di resa originali vs puliti e calibrati</p></figcaption></figure>

<figure><img src="/files/1f28c208b1e8997b7954a06fbd6b53344513d9fe" alt=""><figcaption><p>Soia 2018: Dati di resa originali vs puliti e calibrati</p></figcaption></figure>

La mappa di esecuzione dell'Equazione di Similarità è mostrata di seguito come screenshot.

Da un punto di vista statistico, mostra una media elevata (0,869) e una mediana (0,876), indicando che <mark style="color:predefinito;background-color:yellow;">i modelli di resa della soia del 2018 assomigliano fortemente a quelli del 2015</mark>. Sebbene alcune aree scendano fino a 0,599, la bassa variazione (0,005) e la modesta deviazione standard (0,073) confermano <mark style="color:predefinito;background-color:yellow;">la coerenza complessiva</mark>.&#x20;

Dal punto di vista agronomico, <mark style="color:predefinito;background-color:yellow;">questa stabilità suggerisce che le condizioni di base del campo e le risposte alle pratiche gestionali sono rimaste in gran parte invariate</mark>.

<figure><img src="/files/51cc5072f32fb41ef4f74df87401853995f613d1" alt=""><figcaption><p>Confronto di similarità delle rese: Soia 2015 vs Soia 2018</p></figcaption></figure>

## **Dataset di resa reale (2022** Mais **vs 2024** Mai&#x73;**)**

In questo scenario, partiamo dai dati di resa grezzi di due stagioni di mais — 2022 e 2024. I dataset iniziali contengono anomalie come letture anormalmente alte o basse, passate incrociate e traiettorie curve, indicando la necessità di ricalibrazione dei sensori.&#x20;

Dopo l'applicazione degli strumenti di pulizia e calibrazione di GeoPard, i dataset diventano più affidabili, consentendo analisi automatizzate e decisioni informate.

<figure><img src="/files/303d281fcca69a4a45d7011d80b4c56d70a34df7" alt=""><figcaption><p>Mais 2022: Dati di resa originali vs puliti e calibrati</p></figcaption></figure>

<figure><img src="/files/457e99c69437140e1a597e043f9fe5b92d958eb2" alt=""><figcaption><p>Mais 2024: Dati di resa originali vs puliti e calibrati</p></figcaption></figure>

La mappa di esecuzione dell'Equazione di Similarità è mostrata di seguito come screenshot.

Da un punto di vista statistico, una media di 0,791 e una mediana di 0,799 mostrano che <mark style="color:predefinito;background-color:yellow;">le rese di mais del 2024 somigliano in gran parte a quelle del 2022</mark>, sebbene aree con valori fino a 0,413 indichino variabilità. Una deviazione standard di 0,115 conferma <mark style="color:predefinito;background-color:yellow;">alcune differenze nel campo</mark>.

Dal punto di vista agronomico, <mark style="color:predefinito;background-color:yellow;">schemi coerenti suggeriscono condizioni stabili e una gestione efficace nel tempo</mark>. Tuttavia, zone localizzate <mark style="color:predefinito;background-color:yellow;">a bassa similarità potrebbero richiedere adeguamenti mirati per migliorare le prestazioni di resa future</mark>.

<figure><img src="/files/1630eec1737699a80af766cb51544f7a01e2f727" alt=""><figcaption><p>Confronto di similarità delle rese: Mais 2022 vs Mais 2024</p></figcaption></figure>

## **Dataset sintetico vs reale di resa (2023** Colza)

In questo scenario, iniziamo con un dataset di resa grezzo della stagione 2023 di colza e un dataset di resa generato sinteticamente per la stessa coltura e lo stesso anno 2023. <mark style="color:predefinito;background-color:yellow;">L'obiettivo è valutare l'accuratezza spaziale della resa reale rispetto a quella sintetica, fornendo un percorso per colmare dati non registrati, affrontare lacune nei dati di resa e correggere anomalie utilizzando valori sintetici</mark>. Il dataset di resa reale presenta problemi come letture anormalmente alte o basse, passate incrociate, traiettorie curve e passate a zero, tutti indicatori della necessità di ricalibrazione dei sensori.

Dopo l'applicazione degli strumenti di [Pulizia e calibrazione](/geopard-tutorials/it/agronomia/calibrazione-e-pulizia-della-resa.md) ai dati di resa reali e la generazione di [Resa sintetica](/geopard-tutorials/it/agronomia/mappa-di-resa-sintetica.md) per la colza, possiamo avviare un confronto significativo della loro similarità.

<figure><img src="/files/cc89bf99424549f24ffda2f779073ed31cd961b5" alt=""><figcaption><p>Colza 2023: Dati di resa originali vs puliti e calibrati</p></figcaption></figure>

<figure><img src="/files/a61510efb19cb82acdbd17a83db1f239675f2e2e" alt=""><figcaption><p>Resa sintetica colza 2023</p></figcaption></figure>

La mappa di esecuzione dell'Equazione di Similarità è mostrata di seguito come screenshot.

Da un punto di vista statistico, l'elevata media (0,889) e la mediana (0,904) indicano che, <mark style="color:predefinito;background-color:yellow;">complessivamente, il dataset di resa sintetica corrisponde strettamente ai modelli spaziali della resa reale di colza 2023</mark>. Sebbene un'area scenda fino a 0,291, la bassa variazione (0,006) e la modesta deviazione standard (0,08) suggeriscono che <mark style="color:predefinito;background-color:yellow;">la maggior parte delle parti del campo si allinea strettamente tra i dataset reale e sintetico, con pochissimi outlier</mark>.

Dal punto di vista agronomico, questa forte similarità implica che <mark style="color:predefinito;background-color:yellow;">i dati di resa sintetici possono fungere da proxy affidabile per le condizioni reali del campo</mark>, rafforzando la fiducia nell'uso di scenari modellati per guidare le decisioni. <mark style="color:predefinito;background-color:yellow;">Le pratiche agronomiche riflesse nei dati di resa reali sono ben catturate dal modello di resa sintetica</mark>, consentendo una pianificazione più informata e coerente delle strategie di gestione future.

<figure><img src="/files/a977e9a69e97313046ba4ed3e3056f0f90ea787b" alt=""><figcaption><p>Confronto di similarità delle rese per colza: Reale 2023 vs Sintetico 2023</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/it/agronomia/confronto-dei-dataset-di-resa.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.