# Derliaus duomenų rinkinių palyginimas

## Kontekstas

Šiuolaikiniame žemės ūkio sprendimų priėmime labai svarbūs derliaus duomenų rinkiniai, kurie atspindi surinktus derliaus rodmenis ir sudaro didžiąją ūkininko pajamų dalį. Šie duomenų rinkiniai turi būti tikslūs ir aukštos kokybės, kad galėtų pagrįsti sprendimus dėl įvedamų medžiagų valdymo ir optimizuoti būsimas sėjos bei tręšimo strategijas.

Derliaus duomenys paprastai renkami kombainų ir kitos technikos metu, tačiau žali rodmenys dažnai būna neišsamūs, turintys klaidų arba reikalauja kalibravimo dėl jutiklių neatitikimų ir kintančių lauko sąlygų. Norint įveikti šias problemas, specialistai įprastai taiko valymo, kalibravimo ir sintetinio duomenų rinkinio generavimo metodus, kad gautų patikimus ir palyginamus derliaus duomenis.

Abi[ Derliaus valymas ir kalibravimas](/geopard-tutorials/ltu/agronomija/derliaus-kalibravimas-ir-valymas.md) ir [Derliaus duomenų sintetinis atkūrimas](/geopard-tutorials/ltu/agronomija/sintetinis-derliaus-zemelapis.md) yra palaikomi GeoPard.

<mark style="color:numatytasis;background-color:yellow;">Derliaus duomenų rinkinių palyginimas tarp skirtingų metų suteikia vertingų įžvalgų, padeda patikrinti ūkininkavimo praktikas, patvirtinti jutiklių tikslumą ir gerinti strategijas būsimoms sezono kampanijoms.</mark> Tokie palyginimai taip pat nukreipia tręšimo ir sėjos normų tobulinimą, užtikrindami, kad kiekvienas sprendimas būtų grindžiamas patikima informacija.

## Palyginimo metodas (naudojant panašumo lygtį)

Kiekybiniam derliaus duomenų rinkinių palyginimui mes naudojame išsaugotą Lygtį pavadinimu <mark style="color:numatytasis;background-color:yellow;">Erdvinės koreliacijos analizė (duomenų sluoksnių panašumas)</mark> kuri matuoja panašumą tarp derliui priskiriamų atributų iš derliaus duomenų rinkinių erdviniu pagrindu.

Ši lygtis priskiria panašumo balą, nurodantį, kaip arti vienas duomenų rinkinys atitinka kitą erdvinio mėginio ir reikšmių pasiskirstymo atžvilgiu.&#x20;

<figure><img src="/files/c786fd17c587005cd520e76065742b2f16a5e736" alt=""><figcaption><p>Ieškoti esamos duomenų sluoksnių panašumo lygties</p></figcaption></figure>

<mark style="color:numatytasis;background-color:yellow;">Panašumo reikšmės svyruoja nuo 0 iki 1, kur 0 reiškia jokio atitikimo, o 1 žymi 100% reikšmių ir erdvės atitikimą</mark>. Kitaip tariant, kuo panašumo balas arčiau 1, tuo derliaus atributai yra panašesni.&#x20;

## **Tikrasis derliaus rinkinys (2015** Sojos **vs 2018** Sojo&#x73;**)**

Šiuo atveju pradedame nuo žalių derliaus duomenų, surinktų per du skirtingus augimo sezonus 2015 ir 2018 metais, su ta pačia kultūra — sojom. Pradiniai duomenų rinkiniai turi nenormaliai aukštų ir žemų vietų, ypač kombaino eigos pradžioje/pabaigoje, todėl duomenys reikalauja nedidelio kalibravimo.

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

<figure><img src="/files/ae1e17519ca44c54dd566268f76a1acbc4401dc2" alt=""><figcaption><p>Sojos 2015: Originalūs vs Išvalyti ir kalibruoti derliaus duomenys</p></figcaption></figure>

<figure><img src="/files/abb2081d1ceaaac3bf8fcf7eeae225414379e0a1" alt=""><figcaption><p>Sojos 2018: Originalūs vs Išvalyti ir kalibruoti derliaus duomenys</p></figcaption></figure>

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

Iš statistinės pusės tai rodo aukštą vidurkį (0,869) ir medianą (0,876), nurodant, kad <mark style="color:numatytasis;background-color:yellow;">2018 m. sojų derliaus modeliai labai panašūs į 2015 m.</mark>. Nors kai kurios zonos nukrenta iki 0,599, žemas variacijos lygis (0,005) ir santykinai nedidelis standartinis nuokrypis (0,073) patvirtina <mark style="color:numatytasis;background-color:yellow;">bendrą nuoseklumą</mark>.&#x20;

Iš agronominės perspektyvos <mark style="color:numatytasis;background-color:yellow;">ši stabilumas rodo, kad lauko pagrindinės sąlygos ir atsakas į valdymo praktikas išliko daugmaž nepakitę</mark>.

<figure><img src="/files/229995db389bf12304b1285a244ad37527597736" alt=""><figcaption><p>Derliaus panašumo palyginimas: Sojos 2015 vs Sojos 2018</p></figcaption></figure>

## **Tikrasis derliaus rinkinys (2022** Kukurūzai **vs 2024** Kukurūza&#x69;**)**

Šiame scenarijuje pradedame nuo žalių derliaus duomenų iš dviejų kukurūzų sezonų — 2022 ir 2024 m. Pradiniai duomenų rinkiniai turi anomalijų, tokių kaip nenormaliai aukšti ar žemi rodmenys, kryžminiai pravažiavimai ir kreivos trajektorijos, kas rodo jutiklių kalibravimo poreikį.&#x20;

Taikant GeoPard valymo ir kalibravimo įrankius, duomenų rinkiniai tampa patikimesni, leidžiantys automatizuotą analizę ir pagrįstą sprendimų priėmimą.

<figure><img src="/files/44f77701ec81235abcadca46d2309f82e2f0170f" alt=""><figcaption><p>Kukurūzai 2022: Originalūs vs Išvalyti ir kalibruoti derliaus duomenys</p></figcaption></figure>

<figure><img src="/files/63091ddbaa5a3169fbb0affc4405c4d6d280e175" alt=""><figcaption><p>Kukurūzai 2024: Originalūs vs Išvalyti ir kalibruoti derliaus duomenys</p></figcaption></figure>

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

Iš statistinės pusės vidurkis 0,791 ir mediana 0,799 rodo, kad <mark style="color:numatytasis;background-color:yellow;">2024 m. kukurūzų derliai iš esmės panašūs į 2022 m.</mark>, nors zonos, kuriose rodikliai nukrenta iki 0,413, rodo kintamumą. Standartinis nuokrypis 0,115 patvirtina <mark style="color:numatytasis;background-color:yellow;">tam tikrus skirtumus lauke</mark>.

Iš agronominės perspektyvos <mark style="color:numatytasis;background-color:yellow;">nuoseklūs modeliai rodo stabilią būklę ir efektyvų valdymą per laiką</mark>. Tačiau lokalizuotos <mark style="color:numatytasis;background-color:yellow;">žemesnio panašumo zonos gali reikalauti taikytinių koregavimų, siekiant pagerinti būsimą derliaus našumą</mark>.

<figure><img src="/files/ee31200517ac4bd513ff0c2cfcd6f2c49755dcce" alt=""><figcaption><p>Derliaus panašumo palyginimas: Kukurūzai 2022 vs Kukurūzai 2024</p></figcaption></figure>

## **Sintetinis vs tikras derliaus rinkinys (2023** Rapsai)

Šiame scenarijuje pradedame nuo žalių 2023 m. rapsų derliaus duomenų rinkinio ir sintetiniu būdu sugeneruoto derliaus duomenų rinkinio tam pačiam kultūrui ir tiems patiems 2023 metams. <mark style="color:numatytasis;background-color:yellow;">Tikslas — įvertinti erdvinį tikslumą tarp tikro ir sintetinio derliaus, suteikiant galimybę užpildyti neužfiksuotus duomenis, uždengti tarpus derliaus duomenyse ir taisyti anomalijas naudojant sintetines reikšmes</mark>. Tikrajame derliaus rinkinyje yra problemų, tokių kaip nenormaliai aukšti arba žemi rodmenys, kryžminiai pravažiavimai, kreivos trajektorijos ir nuliai pravažiavimuose, visi tai rodantys jutiklių kalibravimo poreikį.

Po GeoPard taikymo [Valymas ir kalibravimas](/geopard-tutorials/ltu/agronomija/derliaus-kalibravimas-ir-valymas.md) tikriems derliaus duomenims ir sugeneravus [Sintetinį derlių](/geopard-tutorials/ltu/agronomija/sintetinis-derliaus-zemelapis.md) rapsams, galime pradėti prasmingą jų panašumo palyginimą.

<figure><img src="/files/4d64620c1468ed9634b5c27e05ec786d6eaa1f82" alt=""><figcaption><p>Rapsai 2023: Originalūs vs Išvalyti ir kalibruoti derliaus duomenys</p></figcaption></figure>

<figure><img src="/files/ee8ba8f2fcc49d5824933420a8eb3867b7016a1f" alt=""><figcaption><p>Rapsų sintetinis derlius 2023</p></figcaption></figure>

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

Iš statistinės pusės aukštas vidurkis (0,889) ir mediana (0,904) rodo, kad <mark style="color:numatytasis;background-color:yellow;">bendrai sintetinis derliaus rinkinys labai atitinka tikrųjų 2023 m. rapsų erdvinius modelius</mark>. Nors vienoje vietoje rodiklis sumažėja iki 0,291, žemas variacijos lygis (0,006) ir santykinai nedidelis standartinis nuokrypis (0,08) rodo, kad <mark style="color:numatytasis;background-color:yellow;">dauguma lauko dalių yra glaudžiai suderintos tarp tikrųjų ir sintetinių duomenų rinkinių, su labai mažai išimčių</mark>.

Iš agronominės perspektyvos toks stiprus panašumas reiškia, kad <mark style="color:numatytasis;background-color:yellow;">sintetiniai derliaus duomenys gali tarnauti kaip patikima realių lauko sąlygų atmaina</mark>, stiprinant pasitikėjimą naudojant modeliuotus scenarijus sprendimų priėmimui. <mark style="color:numatytasis;background-color:yellow;">Agronominės praktikos, atsispindinčios tikruose derliaus duomenyse, yra gerai užfiksuotos sintetinio derliaus modelyje</mark>, leidžiančios geriau informuotą ir nuoseklesnę planavimą būsimoms valdymo strategijoms.

<figure><img src="/files/6cc713a361539c93bb9b663d457ac7eb5135b69f" alt=""><figcaption><p>Derliaus panašumo palyginimas Rapsai: Faktiniai 2023 vs Sintetiniai 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/ltu/agronomija/derliaus-duomenu-rinkiniu-palyginimas.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.