> 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/yield-calibration-and-cleaning.md).

# Pulizia e calibrazione dei dati di resa: rimuovere gli errori dalle mappe di resa

Pulisci i dati del monitor di resa: ritardo del flusso, inizio e fine della passata, svolte, sovrapposizioni, anomalie di velocità e umidità e calibrazione di più mietitrebbie, prima di creare le zone.

I dati grezzi del monitor di resa presentano errori dovuti al ritardo del flusso, all'inizio e alla fine delle passate, alle manovre di svolta, alle sovrapposizioni delle testate e alle mietitrebbie calibrate in modo diverso. Puliscili prima di creare zone o valutare una prova, altrimenti la mappa mostrerà la macchina invece del campo. GeoPard applica automaticamente il protocollo di pulizia USDA, consente di impostare manualmente i filtri e calibra più mietitrebbie rispetto a un totale o a una resa media noti.

{% hint style="info" %}
Consulta la pagina interattiva sulla pulizia dei dati di resa su geopard.tech: [Pulizia dei dati di resa](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Pulisci i file di resa della scorsa stagione: [Inizia gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Usa GeoPard per **pulire i dati di resa** e **calibrare i dataset del monitor di resa**. Ottieni una mappa di resa affidabile per zone, prescrizioni e analisi. Questo flusso di lavoro gestisce valori anomali, manovre di svolta, attributi mancanti e dati di resa provenienti da più mietitrebbie. Include il **protocollo USDA per la pulizia dei dati di resa** e supporta i flussi di lavoro alternativi a **Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Video tutorial sulla pulizia e la 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 lavorino insieme o in giornate diverse. Questa funzione assicura che i loro dati siano perfettamente armonizzati.
2. **Uniformare i dati**: i dati di resa possono variare; la calibrazione li rende omogenei e coerenti, senza picchi o cali indesiderati.
3. **Filtrare il rumore**: come qualsiasi dato, anche quelli di resa possono contenere «rumore» o informazioni irrilevanti. Ci assicuriamo che non compromettano le tue analisi.
4. **Ottimizzare le geometrie**: le manovre di svolta e gli schemi geometrici anomali possono alterare le analisi. La calibrazione li corregge per assicurare che i dati rispecchino fedelmente le condizioni del campo.
5. **Ritagliare in base al confine del campo**: le mietitrebbie operano spesso in aree adiacenti. Per ottenere risultati analitici accurati, è essenziale considerare solo i dati che ricadono entro il confine specificato.

{% hint style="info" %}
L'interfaccia di calibrazione della resa utilizza l'endpoint dell'API GeoPard per la pulizia e la calibrazione della resa ([API GeoPard: calibrare e pulire YieldDataset](https://docs.geopard.tech/geopard-tutorials/it/documentazione-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Esegue le operazioni `CALIBRATE` e `CLEAN` dall'interfaccia utente o tramite API.
{% endhint %}

## Panoramica rapida

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/9733638144fd11b3d499e179a028bd60fb6d5013" %}
Scarica la brochure PDF sulla pulizia dei dati di resa
{% endfile %}

## Esempi pratici

In agricoltura, i dataset di resa danneggiati possono creare notevoli difficoltà. Di seguito trovi esempi reali di casi in cui sono stati riscontrati dataset di questo tipo. Gli algoritmi avanzati di calibrazione e pulizia di GeoPard hanno permesso di perfezionare e ottimizzare efficacemente questi dataset.

{% hint style="info" %}
Per colmare le aree prive di dati di resa registrati e completare la mappa di resa, puoi utilizzare l'approccio di GeoPard basato su mappe di resa sintetiche. Questo metodo ricostruisce i dati mancanti per un'analisi completa della resa. Scopri di più [qui](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Più mietitrebbie al lavoro insieme

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Esempio 1: più mietitrebbie al lavoro insieme</p></figcaption></figure>

{% hint style="info" %}
Nei casi complessi, si consiglia un processo di calibrazione in due fasi per ottenere la massima accuratezza. Inizia eseguendo la calibrazione iniziale usando l'attributo Machine ID. Procedi poi con una seconda calibrazione, selezionando la casella di controllo Simulated (Synthetic) Machine Paths. Questo approccio a più livelli garantisce una calibrazione completa e precisa, indispensabile per gestire efficacemente i casi più complessi.
{% endhint %}

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Esempio 2: più mietitrebbie al lavoro insieme</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Esempio 3: più mietitrebbie al lavoro insieme</p></figcaption></figure>

### Manovre a J, soste, larghezza dell'attrezzatura impostata a metà

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Esempio 1: inversioni a U, soste, larghezza dell'attrezzatura impostata a metà</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Esempio 2: inversioni a U, soste, larghezza dell'attrezzatura impostata a metà</p></figcaption></figure>

### Valori registrati insolitamente elevati

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Esempio 1: valori registrati insolitamente elevati</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Esempio 2: valori registrati insolitamente elevati</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Esempio 3: valori registrati insolitamente elevati</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Esempio 4: valori registrati anormalmente elevati</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Esempio 5: valori registrati anormalmente elevati</p></figcaption></figure>

### Dati oltre i confini del campo

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Esempio: dati oltre i confini del campo</p></figcaption></figure>

### Calibrazione con il valore medio di resa fornito

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Esempio: calibrazione con il valore medio di resa fornito (28 t/ha)</p></figcaption></figure>

### Pulire gli attributi di resa ignorando quelli con anomalie

Il dataset delle rese include talvolta attributi con irregolarità nell'umidità, nella velocità, nelle quote o in altri attributi secondari (non relativi alla resa). Durante l'esecuzione delle attività di pulizia o calibrazione, è essenziale ignorare queste anomalie. È possibile farlo in modo efficiente utilizzando l'interfaccia di pulizia e calibrazione delle rese di GeoPard.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Esempio: anomalie nell'attributo Umidità</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Esempio: pulizia dei dati di resa ignorando le anomalie nell'umidità</p></figcaption></figure>

### Protocollo USDA per la pulizia dei dati di resa

Usa questa opzione quando ti serve un **flusso di lavoro ripetibile e basato su standard per la modifica dei dati di resa**. È ottimizzato per la **pulizia dei dati dei monitor di resa** su larga scala.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Esempio: pulizia dei dati di resa applicando il protocollo USDA</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Esempio: pulizia dei dati di resa applicando il protocollo USDA</p></figcaption></figure>

## Spiegazione delle logiche di calibrazione

### Calibrazione per traiettoria

**USA** **la calibrazione per traiettoria** quando un campo è <mark style="background-color:green;">raccolto con più macchine o in più giorni, in particolare per correggere differenze sistematiche come strisce o bande.</mark> È ideale nei casi in cui impostazioni diverse delle macchine, operatori o condizioni ambientali causano sovrastime o sottostime costanti lungo traiettorie diverse.

È fondamentale che <mark style="background-color:yellow;">l'IA abbia bisogno di variazioni, ad esempio traiettorie distinte, ID delle macchine o date di raccolta, per apprendere e calibrare in modo efficace.</mark>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Esempio: massa umida della resa e 9 mietitrebbie</p></figcaption></figure>

**NON USARE** questo metodo per raccolte eseguite da una sola macchina in un'unica sessione continuativa o se la mappa di resa non presenta schemi spaziali visibili. Evitalo inoltre se i dati sono scarsi o se disponi solo dei valori di resa totali a livello di campo, senza differenze tra le macchine

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Esempio: distribuzione dei dati statisticamente corretta</p></figcaption></figure>

### Calibrazione della media o del totale

**LA CALIBRAZIONE DELLA MEDIA/DEL TOTALE È IDEALE** quando <mark style="background-color:green;">hai un alto grado di fiducia nei dati di resa complessivi a livello di campo, ad esempio nei registri di una pesa a ponte o di un impianto di stoccaggio.</mark> Invece di modificare le singole traiettorie, questo metodo ridimensiona l'intero dataset affinché la media o il totale finale corrisponda al valore di riferimento noto. È spesso descritto come l'opzione di calibrazione più semplice e sicura quando ci si fida dei dati complessivi.

Quando **USARE la calibrazione della media/del totale:**

* **Valori di riferimento noti**: usa questa logica quando disponi di registri ufficiali della resa totale (ad esempio, da una pesa a ponte) o di un valore medio di resa del campo altamente affidabile.
* **Correzione dello scostamento globale**: è ideale se la distribuzione spaziale nella mappa di resa sembra corretta, ma i valori sono traslati globalmente, ovvero se il monitor di resa probabilmente non è calibrato e riporta valori costantemente troppo alti o troppo bassi in tutto il campo.
* **Condizioni di raccolta uniformi**: questo metodo è più efficace quando le condizioni di raccolta sono rimaste relativamente costanti durante l'intera operazione.
* **Uniformità con una sola macchina**: funziona bene per le raccolte completate da una sola macchina, che ha operato in modo uniforme in tutto il campo.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Esempio: distribuzione dei dati statisticamente corretta con lo scostamento richiesto applicando la resa media</p></figcaption></figure>

Quando **NON USARE la calibrazione della media/del totale:**

* **Scostamenti tra macchine**: non usare questo metodo se diverse parti del campo sono state raccolte da macchine diverse o in giorni diversi, causando scostamenti localizzati. In questi casi, ridimensionare l'intero campo non correggerà le discrepanze sottostanti tra le macchine.
* **Artefatti visibili**: Se nei dati sono presenti evidenti righe, bande o artefatti direzionali, questo metodo non li correggerà; <mark style="background-color:green;">la calibrazione Pathwise è più adatta a questi problemi</mark>.
* **Dati incompleti**: Evita questa logica se è stata raccolta solo una parte del campo o se i dati registrati sono incompleti, poiché i valori totali/medi risulterebbero fuorvianti.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Esempio: dati di resa con lacune</p></figcaption></figure>

### Calibrazione condizionale

**Calibrazione condizionale** funge da <mark style="background-color:green;">controllo di sicurezza, garantendo che i valori di resa rimangano entro intervalli minimi e massimi realistici e predefiniti</mark>.

DOVRESTI **USARE** questa logica per r<mark style="background-color:green;">imuovere valori anomali estremi e picchi dei sensori causati da rumore, arresti della macchina o svolte</mark>. È ideale per applicare specifiche aspettative agronomiche, come «la resa non può superare X», senza eseguire una correzione.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Tuttavia, **EVITA QUESTO METODO** se il dataset presenta una distorsione complessiva o differenze sistematiche tra le macchine, perché non ridimensiona i dati né corregge gli schemi spaziali. In sostanza, mantiene valori plausibili, ma non risolve gli scostamenti di calibrazione sottostanti.

## Strategia di utilizzo

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Guida alla calibrazione della resa: scheda sintetica</p></figcaption></figure>

{% file src="/files/d1ad1d414411af715ae825df9804d690d12ffe28" %}
Scarica la scheda PDF con la guida alla calibrazione della resa
{% endfile %}

## Primo passaggio

Il modulo «Calibrazione e pulizia della resa» si avvia direttamente dall'interfaccia utente. Il requisito principale è aver caricato un dataset di resa. Accanto a ogni dataset di resa troverai un pulsante per avviare le modifiche al dataset.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Avvia la procedura</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Seleziona un'opzione per procedere</p></figcaption></figure>

Sono disponibili diverse opzioni per procedere:

1. **Elaborazione automatica**: Usa le impostazioni predefinite consigliate da GeoPard per calibrare con un solo clic.
2. **Solo pulizia**: Configura ed esegui solo l'operazione CLEAN, inclusi
   1. **Pulizia GeoPard**: pulizia intelligente del dataset di resa con algoritmi di IA.
   2. **USDA** (Dipartimento dell'Agricoltura degli Stati Uniti) Protocollo di pulizia per i dati di resa.
   3. **Pulizia condizionale**: Filtra i dati in base a soglie personalizzate per gli attributi.
3. **Solo calibrazione**: Configura ed esegui solo l'operazione CALIBRATE, inclusi
   1. **Pathwise**: calibra la resa per il percorso di ciascuna macchina usando algoritmi di IA.
   2. **Media/totale**: Adatta la resa in base alla media o al totale noto del campo.
   3. **Condizionale**: Modifica la resa entro limiti minimi e massimi prestabiliti per mantenerla negli intervalli attesi.
4. **Calibra e pulisci**: Scegli la sequenza delle operazioni e personalizza i parametri.
5. **Alternativa all'editor della resa**: Usa **Solo pulizia → USDA** (oppure **Calibrazione e pulizia**) per riprodurre su larga scala un flusso di lavoro manuale di pulizia con “Yield Editor”. Nei test di convalida, la pulizia secondo il protocollo USDA ha prodotto risultati corrispondenti a quelli ottenuti manualmente con Yield Editor, con **R² (R2) = 0.98** (risultati quasi identici).

## Soluzione con un solo clic

{% hint style="warning" %}
**Suggerimento per valori anomali talvolta intrinseci ai dataset di resa**

Se un **attributo** selezionato per la calibrazione o la pulizia **contiene prevalentemente** **valori zero nella maggior parte delle geometrie**, queste geometrie saranno escluse dal dataset di resa finale.

Per garantire l'integrità, gli attributi con anomalie di questo tipo vanno esclusi dall'elenco degli attributi da calibrare.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Guida completa

{% hint style="warning" %}
**Flusso consigliato: suggerimento per anomalie nei dati**

Se l'utente rileva anomalie nei dati, come valori pari o prossimi a zero oppure valori insolitamente elevati (ad esempio, una media di 10 e un massimo di 8000), è consigliabile usare il flusso di lavoro **Pulizia e calibrazione** .

Dare priorità alla pulizia dei dati prima della calibrazione permette di rimuovere errori, valori mancanti o incongruenze, migliorando così la qualità e l’accuratezza dei dati.
{% endhint %}

{% hint style="warning" %}
**Flusso consigliato: suggerimento per dati senza errori iniziali**

Per dataset inizialmente privi di errori, valori mancanti o incoerenze, e quando è noto che sono state coinvolte più mietitrebbie, è consigliabile usare il flusso di lavoro **Calibrazione e pulizia** .

La pulizia dei dati dopo la calibrazione contribuisce a perfezionare ulteriormente il dataset, eliminando 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 **attributo** selezionato per la calibrazione o la pulizia contiene prevalentemente **valori zero nella maggior parte delle geometrie**, queste geometrie saranno escluse dal dataset di resa finale.

Per garantire l'integrità, gli attributi con anomalie di questo tipo vanno 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 **attributo** selezionato per la calibrazione o la pulizia **contiene prevalentemente** **valori zero nella maggior parte delle geometrie**, queste geometrie saranno escluse dal dataset di resa finale.

Per garantire l'integrità, gli attributi con anomalie di questo tipo vanno esclusi dall'elenco degli attributi da calibrare (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Versioni dell'algoritmo

Al termine della post-elaborazione, i risultati vengono mostrati accanto al dataset originale. Sono contrassegnati dalle etichette **"Calibrazione"** e/o **"Pulizia"** , insieme alla versione dell'algoritmo.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Risultato dell'esecuzione di Calibrazione e pulizia (versione 2)</p></figcaption></figure>

{% hint style="info" %}
A partire dalla `version 3.0` dell'algoritmo di pulizia/calibrazione, GeoPard introduce la funzione di ritaglio in base al confine del campo. Questa mantiene solo le geometrie all'interno del confine del campo e migliora la distribuzione statistica.
{% endhint %}

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Risultato dell'esecuzione dell'elaborazione automatica (versione 3.0)</p></figcaption></figure>

{% hint style="info" %}
A partire dalla `version 4.0`, l'algoritmo di pulizia/calibrazione di GeoPard include ora una funzione che consente di calibrare in base ai valori medi o totali di qualsiasi attributo. Un'applicazione comune di questa funzionalità è la calibrazione della massa umida (WetMass), che ora può essere regolata in base alla resa media nota e misurata di uno specifico campo.
{% endhint %}

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Risultato dell'esecuzione della calibrazione con una resa media di 6 t/ha (versione 4.0)</p></figcaption></figure>

{% hint style="info" %}
A partire dalla `version 5.0` dell'algoritmo di pulizia/calibrazione, GeoPard introduce il protocollo USDA (United States Department of Agriculture) per la pulizia dei dati di resa. L'USDA definisce standard formali per i dati agronomici, che stabiliscono come normalizzare, convalidare e filtrare statisticamente le misurazioni di resa, umidità, flusso e posizione spaziale, per ottenere dataset agricoli coerenti tra macchine e campi.
{% endhint %}

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Risultato dell'esecuzione della pulizia con il protocollo USDA (versione 5.0)</p></figcaption></figure>

{% hint style="success" %}
Pulisci i file di resa della scorsa stagione: [Inizia gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
