> 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/api-dokumentacija/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutacija: sukalibruoti ir išvalyti derliaus duomenų rinkinį

API iškvietimai derliaus duomenų rinkiniams valyti ir kalibruoti

„YieldDataset“ kalibravimas – tai funkcija, kuri, vadovaudamasi matematiniais principais, koreguoja reikšmių pasiskirstymą ir taip pagerina bendrą duomenų patikimumą. Ji padeda priimti kokybiškesnius sprendimus, o duomenų rinkinį paverčia vertingu ištekliumi išsamiai tolesnei analizei.

Ši funkcija dažniausiai naudojama šiais atvejais:

* Sinchronizuojami duomenys, kai keli kombainai dirbo vienu metu arba kelių dienų laikotarpiu, kad būtų užtikrintas jų nuoseklumas.
* Duomenų rinkinys tampa homogeniškesnis ir tikslesnis, nes išlyginami svyravimai.
* Pašalinamas duomenų triukšmas ir perteklinė informacija, galinti apsunkinti įžvalgų gavimą.
* Pašalinamos apsisukimų vietos arba netaisyklingos geometrijos, kurios gali iškreipti tikruosius lauko dėsningumus ir tendencijas.
* Derinami derlingumo duomenys, kad atitiktų nustatytus kiekvieno atributo vidurkius arba sumas.

Išsamesnės informacijos ir pavyzdžių rasite mūsų [Derlingumo kalibravimo ir valymo](https://docs.geopard.tech/geopard-tutorials/ltu/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) naudojimo atvejo apraše.

### Pradinis YieldDataset su WetMass atributu

Toliau pavaizduotame 30 ha lauke lygiagrečiai dirbo penki kombainai. Vieno kombaino kalibravimas nebuvo sinchronizuotas su kitų kombainų kalibravimu, todėl atsirado <mark style="color:oranžinė;">oranžinių</mark> plotų, rodančių, kad reikia papildomai atlikti `CALIBRATION` kalibravimą. Be to, yra daug apsisukimų vietų – <mark style="color:raudonų;">raudonų</mark> plotų arčiau „Field“ ribų, kuriuos reikia pašalinti.

<figure><img src="https://570611445-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Pradinis YieldDataset su WetMass atributu</p></figcaption></figure>

### Kalibruotas ir išvalytas YieldDataset su WetMass atributu

Toliau pateiktame rezultate matyti duomenų rinkinys, apdorotas automatinėmis `CALIBRATE` ir `CLEAN` operacijomis, naudojant numatytuosius parametrus. Gautas „YieldDataset“ tapo homogeniškas – jame neliko išskirčių ar staigių pokyčių tarp gretimų geometrijų.

<figure><img src="https://570611445-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibruotas ir išvalytas YieldDataset su WetMass atributu</p></figcaption></figure>

### Kelio, vidurkio / sumos ir sąlyginio kalibravimo parinktys

**Kalibravimas pagal važiavimo trajektorijas** atitinka mašinos važiavimo trajektorijas. Kalibravimo tikslais kiekviena mašinos trajektorija apdorojama kaip atskira sritis. „GeoPard“ komanda rekomenduoja šį metodą naudoti kaip numatytąjį.

**Kalibravimas pagal vidurkį / sumą** skirtas atributų reikšmėms perskirstyti. Šis metodas naudingas, kai erdviniai dėsningumai yra tikslūs, bet absoliučios reikšmės neatitinka faktinių duomenų. Kad rezultatai būtų optimalūs, „GeoPard“ rekomenduoja šį metodą derinti su kalibravimu pagal važiavimo trajektorijas: pirmiausia atlikti kalibravimą pagal trajektorijas, tada pakoreguoti duomenis pagal žinomas vidurkio / sumos reikšmes.

**Sąlyginis kalibravimas** koreguoja atributų reikšmes pagal nurodytas mažiausių ir didžiausių reikšmių ribas. Šis metodas ypač naudingas, kai erdviniai dėsningumai yra tikslūs, tačiau reikia pakoreguoti reikšmių pasiskirstymą, ypač jei žinomos mažiausia ir didžiausia reikšmės. Geriausiems rezultatams pasiekti „GeoPard“ rekomenduoja jį derinti su kalibravimu pagal važiavimo trajektorijas: pirmiausia atlikti kalibravimą pagal trajektorijas, tada pakoreguoti duomenis pagal žinomas mažiausias ir didžiausias reikšmes.

### Patarimai

{% hint style="warning" %}
**Patarimas dėl duomenų anomalijų**

Jei naudotojas duomenyse pastebi anomalijų, pavyzdžiui, nulines ar beveik nulines reikšmes arba neįprastai dideles reikšmes (tarkime, vidurkis yra 10, o didžiausia reikšmė – 8000), rekomenduojama naudoti **valymo ir kalibravimo** darbo eigą. Ji konfigūruojama naudojant parametrus `actions: [CLEAN, CALIBRATE]`.

Pirmiausia išvalius duomenis, o tada juos kalibravus, pašalinamos klaidos, trūkstamos reikšmės ir neatitikimai, todėl pagerėja duomenų kokybė ir tikslumas.
{% endhint %}

{% hint style="warning" %}
**Patarimas dėl duomenų, kuriuose iš pradžių nėra klaidų**

Jei duomenų rinkinyje iš pradžių nėra klaidų, trūkstamų reikšmių ar neatitikimų ir žinoma, kad dirbo keli kombainai, apsvarstykite galimybę naudoti **kalibravimo ir valymo** darbo eigą. Ji konfigūruojama naudojant parametrus `actions: [CALIBRATE, CLEAN]`.

Po kalibravimo išvalius duomenis, duomenų rinkinys dar patikslinamas ir gali būti pašalinami kalibravimo metu atsiradę artefaktai.
{% endhint %}

### Dokumentacija: mutacijos informacija

Numatytoji standartinė konfigūracija įjungia automatinį „YieldDataset“ kalibravimą ir valymą.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Pažangesniame pavyzdyje rankiniu būdu valdomi minimalūs ir maksimalūs intervalai bei naudojami papildomi požymiai.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Norint laikytis USDA protokolo, taikomo `CLEAN` operacijai, būtina nurodyti VISUS stulpelius `cleanAction` -> `conditionMinMaxClean` arba dalį jų nurodyti `cleanAction` -> `conditionMinMaxClean` o likusius – `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Įvesties parametrai:

* `actions` kaip masyvą, kuriame galite pasirinkti *korekcijos veiksmus ir jų taikymo seką;* galimos reikšmės: `CLEAN` ir `CALIBRATE`.
* `calibrateAction` kaip objektą, kuriame pateikiama su operacija susijusi konfigūracijos informacija `CALIBRATE` .
  * `calibrationAttributes` kaip kalibruotinų atributų masyvą, paprastai susietą su derlingumo stulpeliu.
  * `smoothWindowSize` kaip nelyginį sveikąjį skaičių, kuris išlygina rezultato reikšmes ir sumažina staigius jų šuolius.
  * `conditionPathwiseCalibration` kaip objektą su **„Pathwise“** kalibravimo parinktis atitinka technikos važiavimo vėžes. Kalibruojant kiekviena technikos vėžė apdorojama kaip atskiras regionas.
    * `calibrationBasis` kaip eilutę, nurodančią kalibravimo pagrindu naudojamą atributą.
    * `maxHomogeneityRegion` kaip loginę reikšmę, nurodančią, ar kalibravimo atskaitos regionu naudojamas didžiausio homogeniškumo regionas.
    * `syntheticMachinePath` kaip loginę reikšmę, nurodančią, ar imituojami technikos maršrutai. Tai naudinga, kai nėra tikslaus technikos kelio atributo ir jį reikia imituoti pagal laiko žymas ar panašų atributą.
  * `conditionAvgTotalCalibration` kaip objektą su **„Average/Total“** kalibravimo parinktis skirta atributų reikšmėms perskirstyti. Šis metodas naudingas, kai erdviniai modeliai tikslūs, bet absoliučiosios reikšmės skiriasi nuo faktinių.
    * `calibrationAttribute` kaip eilutę, nurodančią kalibruojamą atributą.
    * `average` kaip skaičių, nurodantį atributo reikšmių vidurkį; atributo reikšmės turėtų atitikti šį vidurkį. Vienu metu galima naudoti tik vieną parinktį: arba `average` arba `total`.
    * `total` kaip skaičių, nurodantį bendrą atributo reikšmių sumą; šių reikšmių suma turėtų sutapti su nurodyta bendra suma. Vienu metu galima naudoti tik vieną parinktį: arba `average` arba `total`.
  * `conditionMinMaxCalibration` kaip objektą su **„Conditional“** kalibravimo parinktis koreguoja atributų reikšmes pagal nurodytas mažiausią ir didžiausią ribas.
    * `calibrationAttribute` kaip eilutę, nurodančią kalibruojamą atributą.
    * `min` kaip skaičių, nurodantį mažiausią atributo reikšmę ir apibrėžiantį apatinę kalibravimo ribą.
    * `minIncluded` kaip loginę reikšmę, nurodančią, ar įtraukti mažiausią reikšmę.
    * `max` kaip skaičių, nurodantį didžiausią atributo reikšmę ir apibrėžiantį viršutinę kalibravimo ribą.
    * `maxIncluded` kaip loginę reikšmę, nurodančią, ar įtraukti didžiausią reikšmę.
* `cleanAction` kaip objektą, kuriame pateikiami su `CLEAN` operacija susiję konfigūracijos parametrai.
  * `conditionAutoClean` kaip objektą, kuriame pateikiami automatinio valymo algoritmo konfigūracijos parametrai.
    * `targetAttribute` kaip eilutę, nurodančią tikslines derlingumo reikšmes.
    * `excludedAttributes` kaip eilučių masyvą, apibrėžiantį atributus, kurie neturi įtakos valymo operacijai.
  * `conditionMinMaxClean` kaip objektų masyvą, kuriame pateiktos aprašytos valymo taisyklės. Kiekviename objekte yra šie parametrai.
    * cleanAttribute kaip eilutė, nurodanti taisyklei taikomo stulpelio pavadinimą.
    * `min` kaip skaičius, nurodantis mažiausią reikšmę.
    * `max` kaip skaičius, nurodantis didžiausią reikšmę.

{% hint style="info" %}
Norint peržiūrėti įvesties duomenis ir pasiekti naujausias galimas išvardijimų reikšmes (pvz., `operations`), rekomenduojama naudotis [Altair](https://docs.geopard.tech/geopard-tutorials/ltu/api-dokumentacija/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentacija: YieldDataset užklausa

Kaip „GeoPard“ API naudotojas galite gauti informacijos apie „YieldDataset“ pritaikytas korekcijas naudodami atributus `appliedCorrections` ir `appliedCorrectionsVersion`. Pirmajame pateikiamas atliktų korekcijų sąrašas (pvz., `CALIBRATE` ir `CLEAN`), o jų vykdymo tvarką nurodo seka masyve. Tuo tarpu `appliedCorrectionsVersion` nurodo naudoto algoritmo versiją.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-dokumentacija/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
