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

# Ražas datu kopu salīdzināšana

Salīdziniet ražas datu kopas, lai iegūtu dziļāku ieskatu kultūraugu sniegumā dažādās sezonās, aptverot pareizu ražas tīrīšanu un kalibrēšanu, kā arī Sintētiskās ražas izmantošanu.

## Konteksts

Mūsdienu lēmumu pieņemšana lauksaimniecībā lielā mērā balstās uz ražas datu kopām, kas atspoguļo ievākto ražu un veido ievērojamu daļu no audzētāju ienākumiem. Šīm datu kopām jābūt precīzām un kvalitatīvām, lai tās palīdzētu pieņemt lēmumus par resursu pārvaldību un optimizēt turpmākās sēšanas un mēslošanas stratēģijas.

Ražas datus parasti ievāc ražas novākšanas tehnika, taču neapstrādātie rādījumi bieži ir nepilnīgi, satur kļūdas vai arī tie jākalibrē, lai novērstu sensoru neprecizitātes un mainīgo lauka apstākļu ietekmi. Lai pārvarētu šīs problēmas, speciālisti parasti izmanto datu tīrīšanas un kalibrēšanas metodes, kā arī ģenerē sintētiskas datu kopas, iegūstot uzticamus un savstarpēji salīdzināmus ražas datus.

Gan[ ražas datu tīrīšanu un kalibrēšanu](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) gan [sintētisku ražas datu atjaunošanu](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/synthetic-yield-map.md) atbalsta GeoPard.

<mark style="background-color:yellow;">Dažādu ražas gadu datu kopu salīdzināšana sniedz vērtīgu ieskatu, palīdzot pārbaudīt apsaimniekošanas praksi, pārliecināties par sensoru precizitāti un pilnveidot nākamo sezonu stratēģijas.</mark> Šie salīdzinājumi palīdz arī precizēt mēslošanas un sējas plānus, nodrošinot, ka katrs lēmums balstās uz uzticamu informāciju.

## Salīdzināšanas pieeja (izmantojot līdzības vienādojumu)

Lai kvantitatīvi salīdzinātu ražas datu kopas, mēs izmantojam iepriekš saglabātu vienādojumu ar nosaukumu <mark style="background-color:yellow;">Telpiskās korelācijas analīze (datu slāņu līdzība)</mark> kas telpiski mēra līdzību starp ar ražu saistītajiem atribūtiem dažādās ražas datu kopās.

Šis vienādojums piešķir līdzības rādītāju, kas norāda, cik lielā mērā viena datu kopa telpiskā raksta un vērtību sadalījuma ziņā atbilst otrai.

<figure><img src="https://1923267647-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>Meklēt esošo datu slāņu līdzības vienādojumu</p></figcaption></figure>

<mark style="background-color:yellow;">Līdzības vērtības ir diapazonā no 0 līdz 1: 0 nozīmē, ka sakritības nav, bet 1 — ka vērtības un telpiskais raksts pilnībā sakrīt</mark>. Citiem vārdiem, jo tuvāks līdzības rādītājs ir 1, jo līdzīgāki ir ražas atribūti.

## **Reāla ražas datu kopa (2015. gads** soja **pret 2018. gadu** soj&#x61;**)**

Šajā piemērā aplūkojam neapstrādātus ražas datus, kas ievākti divās dažādās audzēšanas sezonās — 2015. un 2018. gadā — vienai un tai pašai kultūrai, sojai. Sākotnējās datu kopās ir neparasti augstu un zemu vērtību vietas, īpaši kombaina gājienu sākumā un beigās, un datiem nepieciešama neliela kalibrēšana.

Pēc GeoPard datu tīrīšanas un kalibrēšanas rīku izmantošanas iegūtā datu kopa ir vienmērīgāka, konsekventāka un vieglāk interpretējama.

<figure><img src="https://1923267647-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. gads: sākotnējie un tīrītie un kalibrētie ražas dati</p></figcaption></figure>

<figure><img src="https://1923267647-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. gads: sākotnējie un tīrītie un kalibrētie ražas dati</p></figcaption></figure>

Tālāk redzams līdzības vienādojuma izpildes kartes ekrānuzņēmums.

Statistiski vidējā vērtība (0,869) un mediāna (0,876) ir augstas, kas liecina, ka <mark style="background-color:yellow;">sojas ražas telpiskais raksts 2018. gadā ļoti līdzinās 2015. gada rakstam</mark>. Lai gan dažās vietās rādītājs samazinās līdz 0,599, nelielā variācija (0,005) un mērena standartnovirze (0,073) apstiprina <mark style="background-color:yellow;">kopējo konsekvenci</mark>.

No agronomiskā viedokļa <mark style="background-color:yellow;">šī stabilitāte liecina, ka lauka pamatapstākļi un reakcija uz apsaimniekošanas praksi lielākoties nav mainījušies</mark>.

<figure><img src="https://1923267647-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>Ražas līdzības salīdzinājums: soja, 2015. gads, pret soju, 2018. gads</p></figcaption></figure>

## **Reāla ražas datu kopa (2022. gads** kukurūza **pret 2024. gadu** kukurūz&#x61;**)**

Šajā piemērā aplūkojam neapstrādātus ražas datus no divām kukurūzas sezonām — 2022. un 2024. gada. Sākotnējās datu kopās ir anomālijas, piemēram, neparasti augsti vai zemi rādījumi, krusteniski kombaina gājieni un izliektas trajektorijas, kas liecina par nepieciešamību atkārtoti kalibrēt sensorus.

Pēc GeoPard datu tīrīšanas un kalibrēšanas rīku izmantošanas datu kopas kļūst uzticamākas, ļaujot veikt automatizētu analīzi un pieņemt informētus lēmumus.

<figure><img src="https://1923267647-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>Kukurūza, 2022. gads: sākotnējie un tīrītie un kalibrētie ražas dati</p></figcaption></figure>

<figure><img src="https://1923267647-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>Kukurūza, 2024. gads: sākotnējie un tīrītie un kalibrētie ražas dati</p></figcaption></figure>

Tālāk redzams līdzības vienādojuma izpildes kartes ekrānuzņēmums.

Statistiski vidējā vērtība 0,791 un mediāna 0,799 liecina, ka <mark style="background-color:yellow;">kukurūzas raža 2024. gadā lielākoties līdzinās 2022. gada ražai</mark>, tomēr vērtības, kas dažviet samazinās līdz 0,413, liecina par mainīgumu. Standartnovirze 0,115 apstiprina <mark style="background-color:yellow;">dažas atšķirības laukā</mark>.

No agronomiskā viedokļa <mark style="background-color:yellow;">konsekventi raksti liecina par stabiliem apstākļiem un efektīvu apsaimniekošanu laika gaitā</mark>. Tomēr atsevišķās vietās <mark style="background-color:yellow;">zonās ar mazāku līdzību var būt vajadzīgi mērķtiecīgi pielāgojumi, lai uzlabotu turpmāko ražību</mark>.

<figure><img src="https://1923267647-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>Ražas līdzības salīdzinājums: kukurūza, 2022. gads, pret kukurūzu, 2024. gads</p></figcaption></figure>

## **Sintētiska un reāla ražas datu kopa (2023. gads** rapsis)

Šajā piemērā aplūkojam neapstrādātu ražas datu kopu no 2023. gada rapša sezonas un sintētiski ģenerētu ražas datu kopu tai pašai kultūrai un tam pašam gadam — 2023. <mark style="background-color:yellow;">Mērķis ir novērtēt reālās un sintētiskās ražas telpisko precizitāti, piedāvājot iespēju aizpildīt neuzskaitītos datus, novērst ražas datu iztrūkumus un koriģēt anomālijas, izmantojot sintētiskās vērtības</mark>. Reālās ražas datu kopā ir tādas problēmas kā neparasti augsti vai zemi rādījumi, šķērsojoši braucieni, izliektas trajektorijas un braucieni ar nulles rādījumiem — tas viss norāda uz nepieciešamību atkārtoti kalibrēt sensoru.

Pēc GeoPard [Tīrīšanas un kalibrēšanas](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) piemērošanas reālās ražas datiem un [sintētiskās ražas](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/synthetic-yield-map.md) ģenerēšanas rapsim, varam sākt jēgpilni salīdzināt to līdzību.

<figure><img src="https://1923267647-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>Rapsis 2023: sākotnējie un attīrītie un kalibrētie ražas dati</p></figcaption></figure>

<figure><img src="https://1923267647-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>Sintētiskā rapša raža 2023. gadā</p></figcaption></figure>

Tālāk redzams līdzības vienādojuma izpildes kartes ekrānuzņēmums.

No statistikas viedokļa augstais vidējais rādītājs (0,889) un mediāna (0,904) liecina, ka, <mark style="background-color:yellow;">kopumā sintētiskās ražas datu kopa telpiskā ziņā cieši atbilst 2023. gada reālās rapša ražas raksturam</mark>. Lai gan vienā vietā rādītājs noslīd līdz 0,291, nelielā variācija (0,006) un mērenā standartnovirze (0,08) liecina, ka <mark style="background-color:yellow;">lielākajā lauka daļā reālās un sintētiskās datu kopas cieši sakrīt, un izteiktu noviržu ir ļoti maz</mark>.

No agronomijas viedokļa šī lielā līdzība nozīmē, ka <mark style="background-color:yellow;">sintētiskās ražas dati var kalpot kā uzticams reālo lauka apstākļu aizstājējs</mark>, stiprinot pārliecību par modelēto scenāriju izmantošanu lēmumu pieņemšanā. <mark style="background-color:yellow;">Sintētiskās ražas modelis labi atspoguļo reālās ražas datos redzamos agronomiskos paņēmienus</mark>, ļaujot informētāk un konsekventāk plānot turpmākās apsaimniekošanas stratēģijas.

<figure><img src="https://1923267647-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>Rapša ražas līdzības salīdzinājums: faktiskā 2023. gada raža un sintētiskā 2023. gada raža</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/lva/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.
