> 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/jpn/nong-xue/yield-and-trials/comparing-yield-datasets.md).

# 収量データセットの比較

収量データセットを比較して、適切な収量クレンジングと較正、合成収量の活用を含む、季節ごとの作物パフォーマンスに関するより深い洞察を得ます。

## コンテキスト

現代の農業における意思決定は、収量を記録した収量データセットに大きく依存しています。収量データは生産者の収入の大部分を左右するため、これらのデータセットは正確で高品質でなければなりません。そうすることで、投入資材の管理に関する判断に役立ち、今後の作付けや施肥計画を最適化できます。

収量データは通常、収穫機で収集されます。しかし、生データは不完全だったり、誤差を含んでいたりすることが多く、センサーのばらつきや圃場条件の違いに対処するための校正が必要な場合もあります。こうした課題を解決するため、専門家は一般に、信頼性と比較可能性の高い収量データを作成する目的で、データのクリーニング、校正、合成データセットの生成を行います。

どちらも[ 収量データのクリーニングと校正](https://docs.geopard.tech/geopard-tutorials/jpn/nong-xue/yield-and-trials/yield-calibration-and-cleaning.md) および [合成データによる収量データの復元](https://docs.geopard.tech/geopard-tutorials/jpn/nong-xue/yield-and-trials/synthetic-yield-map.md) はGeoPardでサポートされています。

<mark style="background-color:yellow;">異なる作物年度の収量データセットを比較すると、貴重な知見が得られます。これにより、管理手法の妥当性を検証し、センサーの精度を確認し、次の作期に向けた戦略を改善できます。</mark> こうした比較は、地力管理や播種量の処方を見直す際にも役立ち、信頼できる情報に基づく意思決定を可能にします。

## 比較方法（類似度方程式を使用）

収量データセットを定量的に比較するため、あらかじめ保存された次の方程式を使用します。 <mark style="background-color:yellow;">空間相関分析（データレイヤーの類似度）</mark> この方程式は、収量データセットに含まれる収量関連属性の類似度を空間的に測定します。

この方程式は類似度スコアを算出し、空間パターンと値の分布において、一方のデータセットがもう一方にどの程度一致するかを示します。

<figure><img src="https://1993076779-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>既存の「データレイヤーの類似度」計算式を検索する</p></figcaption></figure>

<mark style="background-color:yellow;">類似度は0から1の範囲で、0は一致しないこと、1は値と空間の両方が100%一致することを示します</mark>.つまり、類似度スコアが1に近いほど、収量属性の類似性が高いことを意味します。

## **実際の収量データセット（2015年** 大豆 **と2018年** 大&#x8C46;**)**

この例では、同じ作物である大豆について、2015年と2018年の異なる2つの栽培シーズンに収集された生の収量データを使用します。元のデータセットには、特に収穫機の走行の開始時や終了時に、異常に高い値や低い値を示す地点が含まれており、データには軽微な再校正が必要です。

GeoPardのクリーニングおよび校正ツールを適用すると、データセットがより均一で整合性のあるものになり、解釈しやすくなります。

<figure><img src="https://1993076779-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>大豆（2015年）：元データとクリーニング・校正後の収量データ</p></figcaption></figure>

<figure><img src="https://1993076779-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>大豆（2018年）：元データとクリーニング・校正後の収量データ</p></figcaption></figure>

類似度方程式の実行結果を示すマップのスクリーンショットを以下に示します。

統計的に見ると、平均値（0.869）と中央値（0.876）が高く、 <mark style="background-color:yellow;">2018年の大豆収量パターンが2015年のパターンとよく似ている</mark>ことが分かります。一部の地域では0.599まで低下しますが、ばらつきが小さく（0.005）、標準偏差も比較的低い（0.073）ことから、 <mark style="background-color:yellow;">全体的な一貫性</mark>.

が確認できます。農学的な観点では、 <mark style="background-color:yellow;">この安定性は、圃場の基礎的な条件と管理手法への反応が、ほぼ変わっていないことを示唆しています。</mark>.

<figure><img src="https://1993076779-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>収量の類似度を比較：大豆（2015年）と大豆（2018年）</p></figcaption></figure>

## **実際の収量データセット（2022年** トウモロコシ **と2024年** トウモロコ&#x30B7;**)**

この例では、2022年と2024年のトウモロコシの生データを使用します。元のデータセットには、異常に高い値や低い値、交差した走行跡、曲線状の走行軌跡などの異常が含まれており、センサーの再校正が必要です。

GeoPardのクリーニングおよび校正ツールを適用すると、データセットの信頼性が高まり、自動分析と十分な情報に基づく意思決定が可能になります。

<figure><img src="https://1993076779-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>トウモロコシ（2022年）：元データとクリーニング・校正後の収量データ</p></figcaption></figure>

<figure><img src="https://1993076779-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>トウモロコシ（2024年）：元データとクリーニング・校正後の収量データ</p></figcaption></figure>

類似度方程式の実行結果を示すマップのスクリーンショットを以下に示します。

統計的に見ると、平均値は0.791、中央値は0.799であり、 <mark style="background-color:yellow;">2024年のトウモロコシ収量は、全体として2022年の収量とよく似ている</mark>ことが分かります。ただし、0.413まで低下する地域もあり、ばらつきが見られます。標準偏差は0.115で、 <mark style="background-color:yellow;">圃場内に一定の差があること</mark>.

を示しています。農学的な観点では、 <mark style="background-color:yellow;">一貫したパターンから、条件が安定し、長期にわたって適切な管理が行われてきたことがうかがえます</mark>。ただし、局所的に <mark style="background-color:yellow;">類似度の低い区域については、今後の収量を向上させるため、対象を絞った調整が必要になる場合があります</mark>.

<figure><img src="https://1993076779-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>収量の類似度を比較：トウモロコシ（2022年）とトウモロコシ（2024年）</p></figcaption></figure>

## **合成収量データセットと実際の収量データセット（2023年** ナタネ）

この例では、2023年のナタネ栽培シーズンに収集された生の収量データセットと、同じ作物・同じ2023年を対象に合成生成された収量データセットを使用します。 <mark style="background-color:yellow;">目的は、実収量と合成収量の空間的な精度を評価し、記録されていないデータを補完し、収量データの欠損を埋め、合成値を用いて異常値を修正する方法を示すことです</mark>。実収量データセットには、異常に高い値や低い値、交差走行、湾曲した走行軌跡、ゼロ収量の走行などの問題があり、いずれもセンサーの再校正が必要であることを示しています。

GeoPardの [クリーニングと校正](https://docs.geopard.tech/geopard-tutorials/jpn/nong-xue/yield-and-trials/yield-calibration-and-cleaning.md) を実収量データに適用し、 [合成収量](https://docs.geopard.tech/geopard-tutorials/jpn/nong-xue/yield-and-trials/synthetic-yield-map.md) をナタネについて生成した後、両者の類似性を有意義に比較できます。

<figure><img src="https://1993076779-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>ナタネ 2023：元データとクリーニング・校正後の収量データ</p></figcaption></figure>

<figure><img src="https://1993076779-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>ナタネの合成収量 2023</p></figcaption></figure>

類似度方程式の実行結果を示すマップのスクリーンショットを以下に示します。

統計的に見ると、平均スコアが高く（0.889）、中央値も高い（0.904）ことから、 <mark style="background-color:yellow;">全体として、合成収量データセットは、2023年のナタネ実収量の空間パターンとよく一致している</mark>ことがわかります。一部の地域では最低0.291まで低下するものの、ばらつきが小さく（0.006）、標準偏差も比較的小さい（0.08）ことから、 <mark style="background-color:yellow;">圃場の大部分で実データと合成データがよく一致し、外れ値はごくわずかである</mark>.

農学的な観点から見ると、この高い類似性は、 <mark style="background-color:yellow;">合成収量データが実際の圃場条件を示す信頼性の高い代替指標として活用できる</mark>ことを意味し、モデル化したシナリオに基づく意思決定への信頼を高めます。 <mark style="background-color:yellow;">実収量データに反映された農学的な栽培管理は、合成収量モデルによって適切に再現されています</mark>。これにより、今後の営農管理方針をより的確かつ一貫性をもって計画できます。

<figure><img src="https://1993076779-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>ナタネの収量類似性の比較：2023年の実収量と合成収量</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/jpn/nong-xue/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.
