> 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/ltu/agronomija/yield-and-trials/comparing-yield-datasets.md).

# Derliaus duomenų rinkinių palyginimas

Palyginkite derliaus duomenų rinkinius, kad gautumėte gilesnių įžvalgų apie kultūrų našumą skirtingais sezonais, apimant tinkamą derliaus valymą, kalibravimą ir sintetinės derliaus informacijos naudojimą.

## Kontekstas

Šiuolaikiniai žemės ūkio sprendimai labai priklauso nuo derlingumo duomenų rinkinių, kuriuose pateikiami surinkti derliaus duomenys ir atsispindi didelė dalis augintojo pajamų. Šie duomenų rinkiniai turi būti tikslūs ir kokybiški, kad padėtų priimti sprendimus dėl sąnaudų valdymo ir optimizuoti būsimų sėjos bei tręšimo strategijas.

Derlingumo duomenys paprastai renkami derliaus nuėmimo technika, tačiau pirminiai rodmenys dažnai būna neišsamūs, juose pasitaiko klaidų arba juos reikia kalibruoti dėl jutiklių neatitikimų ir kintančių lauko sąlygų. Šiems iššūkiams įveikti specialistai dažniausiai taiko duomenų valymo, kalibravimo ir sintetinių duomenų rinkinių generavimo metodus, kad gautų patikimus ir palyginamus derlingumo duomenis.

Tiek[ Derlingumo duomenų valymas ir kalibravimas](https://docs.geopard.tech/geopard-tutorials/ltu/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) tiek [Sintetinis derlingumo duomenų atkūrimas](https://docs.geopard.tech/geopard-tutorials/ltu/agronomija/yield-and-trials/synthetic-yield-map.md) palaikomi GeoPard.

<mark style="background-color:yellow;">Skirtingų pasėlių metų derlingumo duomenų rinkinių palyginimas suteikia vertingų įžvalgų, padeda patikrinti taikytą ūkininkavimo praktiką, įvertinti jutiklių tikslumą ir patobulinti ateinančių sezonų strategijas.</mark> Šie palyginimai taip pat padeda tikslinti tręšimo ir sėjos normas, kad kiekvienas sprendimas būtų pagrįstas patikima informacija.

## Palyginimo metodas (naudojant panašumo lygtį)

Kiekybiškai derlingumo duomenų rinkiniams palyginti naudojame iš anksto išsaugotą lygtį, pavadintą <mark style="background-color:yellow;">Erdvinės koreliacijos analizė (duomenų sluoksnių panašumas)</mark> kuria erdviškai matuojamas derlingumo duomenų rinkinių su derliumi susijusių atributų panašumas.

Ši lygtis priskiria panašumo įvertį, rodantį, kiek vienas duomenų rinkinys atitinka kitą pagal erdvinį raštą ir reikšmių pasiskirstymą.

<figure><img src="https://570611445-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>Ieškokite esamos duomenų sluoksnių panašumo lygties</p></figcaption></figure>

<mark style="background-color:yellow;">Panašumo reikšmės svyruoja nuo 0 iki 1: 0 reiškia, kad atitikmens nėra, o 1 – 100 % reikšmių ir erdvinį atitikimą</mark>. Kitaip tariant, kuo panašumo įvertis artimesnis 1, tuo panašesni derlingumo atributai.

## **Faktinis derlingumo duomenų rinkinys (2015 m.** sojos **ir 2018 m.** sojo&#x73;**)**

Šiuo atveju pradedame nuo pirminių derlingumo duomenų, surinktų per du skirtingus auginimo sezonus – 2015 ir 2018 m., kai auginta ta pati kultūra – soja. Pradiniuose duomenų rinkiniuose yra neįprastai didelių ir mažų rodmenų, ypač kombaino važiavimų pradžioje ir pabaigoje, todėl duomenis reikia šiek tiek pakartotinai kalibruoti.

Pritaikius GeoPard valymo ir kalibravimo įrankius, duomenų rinkinys tampa tolygesnis, nuoseklesnis ir lengviau interpretuojamas.

<figure><img src="https://570611445-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>Soja, 2015 m.: pirminiai ir išvalyti bei kalibruoti derlingumo duomenys</p></figcaption></figure>

<figure><img src="https://570611445-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>Soja, 2018 m.: pirminiai ir išvalyti bei kalibruoti derlingumo duomenys</p></figcaption></figure>

Žemiau pateikta panašumo lygties vykdymo žemėlapio ekrano kopija.

Statistiniu požiūriu, aukštas vidurkis (0,869) ir mediana (0,876) rodo, kad <mark style="background-color:yellow;">2018 m. sojų derlingumo raštai labai panašūs į 2015 m.</mark>Nors kai kuriose vietovėse reikšmės sumažėja iki 0,599, maža variacija (0,005) ir nedidelis standartinis nuokrypis (0,073) patvirtina <mark style="background-color:yellow;">bendrą nuoseklumą</mark>.

Agronominiu požiūriu, <mark style="background-color:yellow;">šis stabilumas rodo, kad pagrindinės lauko sąlygos ir reakcija į ūkininkavimo praktiką iš esmės nepakito</mark>.

<figure><img src="https://570611445-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>Derlingumo panašumo palyginimas: soja, 2015 m., ir soja, 2018 m.</p></figcaption></figure>

## **Faktinis derlingumo duomenų rinkinys (2022 m.** kukurūzai **ir 2024 m.** kukurūza&#x69;**)**

Šiuo atveju pradedame nuo pirminių derlingumo duomenų iš dviejų kukurūzų auginimo sezonų – 2022 ir 2024 m. Pradiniuose duomenų rinkiniuose yra anomalijų, pavyzdžiui, neįprastai didelių arba mažų rodmenų, skersinių važiavimų ir lenktų trajektorijų, o tai rodo, kad jutiklius reikia pakartotinai kalibruoti.

Pritaikius GeoPard valymo ir kalibravimo įrankius, duomenų rinkiniai tampa patikimesni, todėl galima atlikti automatizuotą analizę ir priimti pagrįstus sprendimus.

<figure><img src="https://570611445-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>Kukurūzai, 2022 m.: pirminiai ir išvalyti bei kalibruoti derlingumo duomenys</p></figcaption></figure>

<figure><img src="https://570611445-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>Kukurūzai, 2024 m.: pirminiai ir išvalyti bei kalibruoti derlingumo duomenys</p></figcaption></figure>

Žemiau pateikta panašumo lygties vykdymo žemėlapio ekrano kopija.

Statistiniu požiūriu, vidurkis (0,791) ir mediana (0,799) rodo, kad <mark style="background-color:yellow;">2024 m. kukurūzų derlingumas iš esmės panašus į 2022 m.</mark>nors kai kuriose vietovėse reikšmės siekia vos 0,413, o tai rodo kintamumą. Standartinis nuokrypis (0,115) patvirtina, kad <mark style="background-color:yellow;">lauke esama tam tikrų skirtumų</mark>.

Agronominiu požiūriu, <mark style="background-color:yellow;">nuoseklūs raštai rodo stabilias sąlygas ir veiksmingą ūkininkavimą laikui bėgant</mark>. Tačiau vietovėse, kuriose <mark style="background-color:yellow;">panašumas mažesnis, gali reikėti tikslingų pakeitimų, kad ateityje derlingumas būtų geresnis</mark>.

<figure><img src="https://570611445-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>Derlingumo panašumo palyginimas: kukurūzai, 2022 m., ir kukurūzai, 2024 m.</p></figcaption></figure>

## **Sintetinis ir faktinis derlingumo duomenų rinkinys (2023 m.** rapsai)

Šiuo atveju pradedame nuo pirminio 2023 m. rapsų sezono derlingumo duomenų rinkinio ir sintetiniu būdu sugeneruoto to paties pasėlio ir tų pačių 2023 m. derlingumo duomenų rinkinio. <mark style="background-color:yellow;">Tikslas – įvertinti tikrojo ir sintetinio derliaus erdvinį tikslumą, sudarant galimybę užpildyti neregistruotus duomenis, kompensuoti derliaus duomenų spragas ir pašalinti anomalijas naudojant sintetines reikšmes</mark>. Tikrojo derliaus duomenų rinkinyje yra tokių problemų kaip neįprastai dideli arba maži rodmenys, važiavimai skersai pasėlių, kreivos trajektorijos ir važiavimai su nuline derliaus reikšme – visa tai rodo, kad jutiklius reikia iš naujo kalibruoti.

Pritaikę „GeoPard“ [Valymą ir kalibravimą](https://docs.geopard.tech/geopard-tutorials/ltu/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) tikrojo derliaus duomenims ir sugeneravę [sintetinį derlių](https://docs.geopard.tech/geopard-tutorials/ltu/agronomija/yield-and-trials/synthetic-yield-map.md) žieminiams rapsams, galime prasmingai palyginti jų panašumą.

<figure><img src="https://570611445-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>2023 m. žieminiai rapsai: pradiniai ir išvalyti bei kalibruoti derliaus duomenys</p></figcaption></figure>

<figure><img src="https://570611445-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>2023 m. žieminių rapsų sintetinis derlius</p></figcaption></figure>

Žemiau pateikta panašumo lygties vykdymo žemėlapio ekrano kopija.

Statistiniu požiūriu, dideli vidurkio (0,889) ir medianos (0,904) balai rodo, kad <mark style="background-color:yellow;">apskritai sintetinio derliaus duomenų rinkinio erdviniai dėsningumai labai panašūs į tikrojo 2023 m. žieminių rapsų derliaus</mark>. Nors vienoje vietovėje balas nukrenta iki 0,291, maža sklaida (0,006) ir nedidelis standartinis nuokrypis (0,08) leidžia manyti, kad <mark style="background-color:yellow;">didžiojoje lauko dalyje tikrojo ir sintetinio derliaus duomenų rinkiniai sutampa, o išskirčių yra labai nedaug</mark>.

Agronominiu požiūriu toks didelis panašumas leidžia teigti, kad <mark style="background-color:yellow;">sintetiniai derliaus duomenys gali patikimai atspindėti tikrąsias lauko sąlygas</mark>, todėl galima drąsiau naudoti modeliuotus scenarijus sprendimams priimti. <mark style="background-color:yellow;">Sintetinio derliaus modelis gerai atspindi agronominę praktiką, atsispindinčią tikrojo derliaus duomenyse</mark>, todėl galima geriau ir nuosekliau planuoti būsimas lauko valdymo strategijas.

<figure><img src="https://570611445-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>Žieminių rapsų derliaus panašumo palyginimas: 2023 m. faktinis ir sintetinis derlius</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/ltu/agronomija/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.
