Derliaus duomenų rinkinių palyginimas

Palyginkite derliaus duomenų rinkinius, kad gautumėte gilesnių įžvalgų apie pasėlių našumą per sezonus, įtraukiant tinkamą derliaus valymą ir kalibravimą bei sintetinio derliaus naudojimą.

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 ir Derliaus duomenų sintetinis atkūrimas yra palaikomi GeoPard.

Derliaus duomenų rinkinių palyginimas tarp skirtingų metų suteikia vertingų įžvalgų, padeda patikrinti ūkininkavimo praktikas, patvirtinti jutiklių tikslumą ir gerinti strategijas būsimoms sezono kampanijoms. 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 Erdvinės koreliacijos analizė (duomenų sluoksnių panašumas) 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.

Panašumo reikšmės svyruoja nuo 0 iki 1, kur 0 reiškia jokio atitikimo, o 1 žymi 100% reikšmių ir erdvės atitikimą. Kitaip tariant, kuo panašumo balas arčiau 1, tuo derliaus atributai yra panašesni.

Tikrasis derliaus rinkinys (2015 Sojos vs 2018 Sojos)

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.

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

Iš statistinės pusės tai rodo aukštą vidurkį (0,869) ir medianą (0,876), nurodant, kad 2018 m. sojų derliaus modeliai labai panašūs į 2015 m.. Nors kai kurios zonos nukrenta iki 0,599, žemas variacijos lygis (0,005) ir santykinai nedidelis standartinis nuokrypis (0,073) patvirtina bendrą nuoseklumą.

Iš agronominės perspektyvos ši stabilumas rodo, kad lauko pagrindinės sąlygos ir atsakas į valdymo praktikas išliko daugmaž nepakitę.

Tikrasis derliaus rinkinys (2022 Kukurūzai vs 2024 Kukurūzai)

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.

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

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

Iš statistinės pusės vidurkis 0,791 ir mediana 0,799 rodo, kad 2024 m. kukurūzų derliai iš esmės panašūs į 2022 m., nors zonos, kuriose rodikliai nukrenta iki 0,413, rodo kintamumą. Standartinis nuokrypis 0,115 patvirtina tam tikrus skirtumus lauke.

Iš agronominės perspektyvos nuoseklūs modeliai rodo stabilią būklę ir efektyvų valdymą per laiką. Tačiau lokalizuotos žemesnio panašumo zonos gali reikalauti taikytinių koregavimų, siekiant pagerinti būsimą derliaus našumą.

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. Tikslas — įvertinti erdvinį tikslumą tarp tikro ir sintetinio derliaus, suteikiant galimybę užpildyti neužfiksuotus duomenis, uždengti tarpus derliaus duomenyse ir taisyti anomalijas naudojant sintetines reikšmes. 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 tikriems derliaus duomenims ir sugeneravus Sintetinį derlių rapsams, galime pradėti prasmingą jų panašumo palyginimą.

Žemiau pateiktas panašumo lygties vykdymo žemėlapis ekrano kopijos pavidalu.

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

Iš agronominės perspektyvos toks stiprus panašumas reiškia, kad sintetiniai derliaus duomenys gali tarnauti kaip patikima realių lauko sąlygų atmaina, stiprinant pasitikėjimą naudojant modeliuotus scenarijus sprendimų priėmimui. Agronominės praktikos, atsispindinčios tikruose derliaus duomenyse, yra gerai užfiksuotos sintetinio derliaus modelyje, leidžiančios geriau informuotą ir nuoseklesnę planavimą būsimoms valdymo strategijoms.

AnkstesnisNaudojimo atvejis: kintama azoto norma (VRA) bulvėms, kad derlius padidėtų 5–10 %KitasDirvožemio skenerio duomenų palyginimas tarp metų

Paskutinį kartą atnaujinta prieš 1 metus

Ar tai buvo naudinga?