> 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/it/agronomia/yield-and-trials/comparing-yield-datasets.md).

# Confronto tra dataset di resa

Confronta i dataset di resa per ottenere insight più approfonditi sulle prestazioni colturali tra le stagioni, coprendo la corretta pulizia e calibrazione della resa e l’uso della Mappa di resa sintetica.

## Contesto

Le decisioni agricole moderne si basano in larga misura sui dataset di resa, che rappresentano le rese raccolte e costituiscono una parte significativa del reddito degli agricoltori. Per orientare le decisioni sulla gestione degli input e ottimizzare le strategie future di semina e fertilizzazione, questi dataset devono essere accurati e di alta qualità.

I dati di resa vengono in genere raccolti dalle mietitrebbie, ma le rilevazioni grezze sono spesso incomplete, contengono errori o richiedono una calibrazione per compensare le incongruenze dei sensori e le condizioni variabili del campo. Per affrontare queste sfide, i professionisti ricorrono spesso a tecniche di pulizia e calibrazione dei dati e di generazione di dataset sintetici, così da ottenere dati di resa affidabili e confrontabili.

Entrambe le funzionalità:[ Pulizia e calibrazione dei dati di resa](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) e [Ripristino sintetico dei dati di resa](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/synthetic-yield-map.md) sono supportate da GeoPard.

<mark style="background-color:yellow;">Confrontare i dataset di resa di diverse annate colturali offre informazioni preziose, utili a convalidare le pratiche di gestione, verificare l’accuratezza dei sensori e migliorare le strategie per le stagioni successive.</mark> Questi confronti aiutano anche a perfezionare le prescrizioni di fertilità e semina, assicurando che ogni decisione si basi su informazioni attendibili.

## Metodo di confronto (con l’equazione di similarità)

Per confrontare quantitativamente i dataset di resa, utilizziamo un’equazione preimpostata chiamata <mark style="background-color:yellow;">Analisi della correlazione spaziale (similarità tra livelli di dati)</mark> che misura la similarità spaziale tra gli attributi associati alla resa nei diversi dataset.

L’equazione assegna un punteggio di similarità, che indica quanto un dataset corrisponde a un altro in termini di distribuzione spaziale e dei valori.

<figure><img src="https://1371939954-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>Cercare l’equazione esistente «Similarità tra layer di dati»</p></figcaption></figure>

<mark style="background-color:yellow;">I valori di similarità vanno da 0 a 1: 0 indica nessuna corrispondenza, mentre 1 indica una corrispondenza del 100% sia dei valori sia della loro distribuzione spaziale</mark>. In altre parole, più il punteggio di similarità si avvicina a 1, più gli attributi di resa sono simili.

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

In questo caso, partiamo dai dati di resa grezzi raccolti in due diverse stagioni colturali, 2015 e 2018, con la stessa coltura: la soia. I dataset iniziali presentano valori anormalmente alti e bassi in alcune aree, soprattutto all’inizio e alla fine dei passaggi della mietitrebbia, e richiedono una lieve ricalibrazione.

Dopo aver applicato gli strumenti di pulizia e calibrazione di GeoPard, il dataset ottenuto risulta più uniforme, coerente e facile da interpretare.

<figure><img src="https://1371939954-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>Soia 2015: dati di resa originali e puliti e calibrati</p></figcaption></figure>

<figure><img src="https://1371939954-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>Soia 2018: dati di resa originali e puliti e calibrati</p></figcaption></figure>

Di seguito è riportata una schermata della mappa risultante dall’esecuzione dell’equazione di similarità.

Dal punto di vista statistico, la media (0,869) e la mediana (0,876) elevate indicano che <mark style="background-color:yellow;">i modelli di resa della soia nel 2018 sono molto simili a quelli del 2015</mark>. Sebbene in alcune aree il valore scenda fino a 0,599, la bassa variabilità (0,005) e la deviazione standard contenuta (0,073) confermano <mark style="background-color:yellow;">una coerenza complessiva</mark>.

Dal punto di vista agronomico, <mark style="background-color:yellow;">questa stabilità suggerisce che le condizioni di fondo del campo e le risposte alle pratiche di gestione siano rimaste sostanzialmente invariate</mark>.

<figure><img src="https://1371939954-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>Confronto della similarità delle rese: soia 2015 vs soia 2018</p></figcaption></figure>

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

In questo caso, partiamo dai dati di resa grezzi di due stagioni del mais, 2022 e 2024. I dataset iniziali presentano anomalie, come rilevazioni anormalmente alte o basse, passaggi incrociati e traiettorie curve, che indicano la necessità di ricalibrare i sensori.

Dopo aver applicato gli strumenti di pulizia e calibrazione di GeoPard, i dataset risultano più affidabili e consentono analisi automatizzate e decisioni più consapevoli.

<figure><img src="https://1371939954-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>Mais 2022: dati di resa originali e puliti e calibrati</p></figcaption></figure>

<figure><img src="https://1371939954-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>Mais 2024: dati di resa originali e puliti e calibrati</p></figcaption></figure>

Di seguito è riportata una schermata della mappa risultante dall’esecuzione dell’equazione di similarità.

Dal punto di vista statistico, la media di 0,791 e la mediana di 0,799 mostrano che <mark style="background-color:yellow;">le rese del mais nel 2024 sono in gran parte simili a quelle del 2022</mark>, anche se i valori fino a 0,413 indicano una certa variabilità. La deviazione standard di 0,115 conferma <mark style="background-color:yellow;">la presenza di alcune differenze nel campo</mark>.

Dal punto di vista agronomico, <mark style="background-color:yellow;">la coerenza dei modelli suggerisce condizioni stabili e una gestione efficace nel tempo</mark>. Tuttavia, <mark style="background-color:yellow;">le zone localizzate con bassa similarità possono richiedere interventi mirati per migliorare le rese future</mark>.

<figure><img src="https://1371939954-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>Confronto della similarità delle rese: mais 2022 vs mais 2024</p></figcaption></figure>

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

In questo caso, partiamo dal dataset di resa grezzo della stagione 2023 della colza e da un dataset di resa generato sinteticamente per la stessa coltura e la stessa annata. <mark style="background-color:yellow;">L’obiettivo è valutare l’accuratezza spaziale della resa reale rispetto a quella sintetica, offrendo un modo per completare i dati non registrati, colmare le lacune nei dati di resa e correggere le anomalie usando valori sintetici</mark>. Il set di dati della resa reale presenta problemi come rilevazioni insolitamente alte o basse, passaggi incrociati, traiettorie curve e passaggi con resa pari a zero, tutti segnali della necessità di ricalibrare i sensori.

Dopo aver applicato la funzione di GeoPard [pulizia e calibrazione](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) ai dati della resa reale e aver generato la [resa sintetica](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/synthetic-yield-map.md) per la colza, possiamo avviare un confronto significativo della loro somiglianza.

<figure><img src="https://1371939954-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>Colza 2023: dati di resa originali vs puliti e calibrati</p></figcaption></figure>

<figure><img src="https://1371939954-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>Resa sintetica della colza 2023</p></figcaption></figure>

Di seguito è riportata una schermata della mappa risultante dall’esecuzione dell’equazione di similarità.

Dal punto di vista statistico, i punteggi medi (0,889) e mediani (0,904), entrambi elevati, indicano che <mark style="background-color:yellow;">nel complesso, il set di dati della resa sintetica riproduce fedelmente i modelli spaziali della resa reale della colza nel 2023</mark>. Sebbene in un’area il valore scenda fino a 0,291, la bassa variabilità (0,006) e la deviazione standard contenuta (0,08) suggeriscono che <mark style="background-color:yellow;">nella maggior parte delle zone del campo i set di dati reale e sintetico sono molto simili, con pochissimi valori anomali</mark>.

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

<figure><img src="https://1371939954-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>Confronto della somiglianza della resa della colza: reale 2023 vs sintetica 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/it/agronomia/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.
