Ražas datu salīdzināšana

Salīdziniet ražas datu kopas, lai iegūtu dziļāku ieskatu par kultūru sniegumu sezonu laikā, aptverot pareizu ražas datu tīrīšanu un kalibrēšanu un sintētiskās ražas izmantošanu.

Kontexts

Mūsdienu lauksaimniecības lēmumu pieņemšana ļoti paļaujas uz ražas datu kopām, kas attēlo savāktos ražas datus un atspoguļo lielu daļu ražotāja ieņēmumu. Lai informētu par ieguldījumu pārvaldību un optimizētu nākotnes sēšanas un mēslošanas stratēģijas, šīm datu kopām jābūt precīzām un augstas kvalitātes.

Ražas datus parasti vāc kombaini un cits novākšanas aprīkojums, tomēr sākotnējie rādījumi bieži vien ir nepilnīgi, satur kļūdas vai prasa kalibrāciju, lai risinātu sensoru neatbilstības un mainīgus lauka apstākļus. Lai pārvarētu šīs problēmas, speciālisti parasti pielieto tīrīšanas, kalibrācijas un sintētisku datu kopu ģenerēšanas paņēmienus, lai izveidotu uzticamus un salīdzināmus ražas datus.

Abi Ražas tīrīšana un kalibrācija un Ražas datu sintētiska atjaunošana tiek atbalstīti ar GeoPard.

Ražas datu kopu salīdzināšana no dažādiem kultūraugu gadiem sniedz vērtīgas atziņas, palīdzot pārbaudīt saimniekošanas prakses, apstiprināt sensoru precizitāti un uzlabot stratēģijas nākamajām sezonām. Šīs salīdzināšanas arī virza mēslošanas un sēšanas noteikumu precizēšanu, 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 Telpiskās korelācijas analīze (datu slāņu līdzība) kas mēra līdzību starp ražai piesaistītajām īpašībām ražas datu kopās uz telpiskā pamata.

Šis vienādojums piešķir līdzības rādītāju, kas norāda, cik cieši viena datu kopa atbilst otrai telpiskā rakstā un vērtību sadalījumā.

Meklēt esošo datu slāņu līdzības vienādojumu

Līdzības vērtības svārstās no 0 līdz 1, kur 0 norāda uz pilnīgu atbilstības trūkumu, bet 1 nozīmē 100% vērtību telpisku sakritībuCitiem vārdiem sakot, jo tuvāks līdzības rādītājs ir 1, jo līdzīgākas ir ražas īpašības.

Reāla ražas datu kopa (2015 Soja pret 2018 Soja)

Šajā gadījumā mēs sākam ar sākotnējiem ražas datiem, kas savākti divu dažādu augšanas sezonu — 2015. un 2018. — laikā, audzējot vienu un to pašu kultūru (soju). Sākotnējās datu kopas satur abnormāli augstas un zemas vērtības, īpaši kombaina gaitu sākumā/ beigās, un dati prasa nelielu kalibrāciju.

Pēc GeoPard tīrīšanas un kalibrācijas rīku pielietošanas iegūtā datu kopa kļūst vienmērīgāka, konsekventāka un vieglāk interpretējama.

Soja 2015: Oriģinālie pret iztīrītajiem un kalibrētajiem ražas datiem

Soja 2018: Oriģinālie pret iztīrītajiem un kalibrētajiem ražas datiem

Zemāk redzama līdzības vienādojuma izpildes karte kā ekrānuzņēmums.

No statistiskā skatpunkta tā rāda augstu vidējo (0,869) un mediānu (0,876), kas norāda, ka 2018. gada sojas ražas modeļi būtiski līdzinās 2015. gadam. Lai gan dažas zonas nokrītas līdz 0,599, maza variācija (0,005) un mērena standartnovirze (0,073) apstiprina kopējo konsekvenci.

No agronomiskā viedokļa šī stabilitāte norāda, ka lauka pamatnosacījumi un reakcija uz saimniekošanas praksēm lielākoties nav būtiski mainījušies.

Ražas līdzības salīdzinājums: Soja 2015 pret Soja 2018

Reāla ražas datu kopa (2022 Kukurūza pret 2024 Kukurūza)

Šajā scenārijā mēs sākam ar sākotnējiem ražas datiem no divām kukurūzas sezonām — 2022. un 2024. gadā. Sākotnējās datu kopas satur anomālijas, piemēram, abnormāli augstus vai zemus rādījumus, šķērseniskās joslas un izliektas trajektorijas, kas norāda uz nepieciešamību kalibrēt sensorus.

Pēc GeoPard tīrīšanas un kalibrācijas rīku pielietošanas datu kopas kļūst uzticamākas, ļaujot veikt automatizētu analīzi un pieņemt pamatotus lēmumus.

Kukurūza 2022: Oriģinālie pret iztīrītajiem un kalibrētajiem ražas datiem

Kukurūza 2024: Oriģinālie pret iztīrītajiem un kalibrētajiem ražas datiem

Zemāk redzama līdzības vienādojuma izpildes karte kā ekrānuzņēmums.

No statistiskā skatpunkta vidējā vērtība 0,791 un mediāna 0,799 rāda, ka 2024. gada kukurūzas ražas lielā mērā līdzinās 2022. gada ražām, lai gan zonas ar vērtībām līdz 0,413 norāda uz mainību. Standartnovirze 0,115 apstiprina dažas atšķirības lauka ietvaros.

No agronomiskā viedokļa konsekventi modeļi liecina par stabilajiem apstākļiem un efektīvu saimniekošanu laika gaitā. Tomēr lokālas zemas līdzības zonas var prasīt mērķtiecīgas korekcijas, lai uzlabotu nākotnes ražas sniegumu.

Ražas līdzības salīdzinājums: Kukurūza 2022 pret Kukurūza 2024

Sintētiska pret reālu ražas datu kopa (2023 Raps)

Šajā scenārijā mēs sākam ar reālu ražas datu kopu no 2023. gada rapša sezonas un sintētiski ģenerētu ražas datu kopu tai pašai kultūrai un tam pašam 2023. gadam. Mērķis ir novērtēt reālā un sintētiskā ražas telpisko precizitāti, nodrošinot iespēju aizpildīt nenovērtētus datus, risināt ražas datu plaisas un koriģēt anomālijas, izmantojot sintētiskās vērtības.Reālajā ražas datu kopā ir problēmas, piemēram, abnormāli augsti vai zemi rādījumi, šķērseniskās joslas, izliektas trajektorijas un nulles pārvietojumi, kas visi norāda uz sensoru pārlabozes nepieciešamību.

Pēc GeoPard tīrīšanas un kalibrācijas pielietošanas reālajiem ražas datiem un sintētiskās ražas ģenerēšanas rapša kultūrai, mēs varam uzsākt nozīmīgu to līdzības salīdzinājumu.

Raps 2023: Oriģinālie pret iztīrītajiem un kalibrētajiem ražas datiem

Raps sintētiskā raža 2023

Zemāk redzama līdzības vienādojuma izpildes karte kā ekrānuzņēmums.

No statistiskā skatpunkta augstais vidējais rādītājs (0,889) un mediāna (0,904) liecina, ka kopumā sintētiskā ražas datu kopa cieši atbilst reālās 2023. gada rapša ražas telpiskajiem modeļiem. Lai gan viena zona nokrītas līdz 0,291, zema variācija (0,006) un mērena standartnovirze (0,08) liecina, ka lielākā lauka daļa saskan starp reālajām un sintētiskajām datu kopām, ar ļoti nelielu ārpuskārtas vērtību skaitu.

No agronomiskā skatpunkta šī spēcīgā līdzība norāda, ka sintētiskos ražas datus var izmantot kā uzticamu reālo lauka apstākļu aizstājēju, kas pastiprina pārliecību par modelētu scenāriju izmantošanu lēmumu pieņemšanā. Agronomiskās prakses, kas atspoguļotas reālajos ražas datos, ir labi uztvertas sintētiskajā ražas modelī, ļaujot plānot nākamās saimniekošanas stratēģijas informētāk un konsekventāk.

Ražas līdzības salīdzinājums Rapši: Faktiskais 2023 pret Sintētisko 2023