> 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/yield-calibration-and-cleaning.md).

# Ražības datu tīrīšana un kalibrēšana: kļūdu novēršana ražības kartēs

Attīriet ražības monitora datus: plūsmas aizkave, darba gājiena sākums un beigas, apgriešanās joslas, pārklāšanās, ātruma un mitruma novirzes, vairāku kombainu kalibrēšana — pirms zonu izveides.

Neapstrādātos ražas monitora datos ir kļūdas, ko rada plūsmas aizkave, braucienu sākums un beigas, apgriešanās, pārklājošies hederi un kombaini, kas kalibrēti atšķirīgi. Pirms zonu veidošanas vai izmēģinājuma rezultātu vērtēšanas datus attīriet, citādi karte attēlos tehniku, nevis lauku. GeoPard automātiski izmanto USDA datu attīrīšanas protokolu, ļauj filtrus iestatīt manuāli un kalibrē vairākus kombainus atbilstoši vienai zināmai kopējai vai vidējai ražai.

{% hint style="info" %}
Skatiet interaktīvo ražas datu attīrīšanas lapu vietnē geopard.tech: [Ražas datu attīrīšana](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Attīriet iepriekšējās sezonas ražas datnes: [Sākt bez maksas](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Izmantojiet GeoPard, lai **attīrītu ražas datus** un **kalibrētu ražas monitoru datu kopas**. Iegūstiet ražas karti, kurai varat uzticēties, plānojot zonas, sagatavojot mēslošanas vai sējas plānus un veicot analīzi. Šī darbplūsma apstrādā novirzes, apgriešanās, trūkstošus atribūtus un vairāku kombainu ražas datus. Tajā iekļauts **USDA ražas datu attīrīšanas protokols** un tiek atbalstītas **Yield Editor alternatīvas** darbplūsmas.

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Video pamācība par ražas datu attīrīšanu un kalibrēšanu. Izskaidrotas atšķirības starp opcijām.
{% endembed %}

Šis kalibrēšanas process ir būtisks, lai:

1. **Nodrošinātu datu konsekvenci**: nereti vairāki kombaini strādā vienlaikus vai dažādās dienās. Šī funkcija nodrošina, ka to dati ir savstarpēji saskaņoti.
2. **Vienādotu datus**: ražas dati var būt dažādi; kalibrēšana tos izlīdzina un nodrošina konsekvenci, novēršot nevēlamus kāpumus un kritumus.
3. **Filtrētu troksni**: tāpat kā jebkuros datos, arī ražas datos var būt “troksnis” jeb nebūtiska informācija. Mēs gādājam, lai tas neizkropļotu jūsu analīzi.
4. **Sakārtotu ģeometriju**: apgriešanās un neparasti ģeometriski datu raksti var sagrozīt faktiskos rezultātus. Kalibrēšana tos izlīdzina, lai dati precīzi atspoguļotu situāciju uz lauka.
5. **Apgrieztu datus pēc lauka robežas**: kombaini bieži strādā blakus esošās platībās. Lai analīzes rezultāti būtu precīzi, jāņem vērā tikai dati, kas atrodas norādītajā robežā.

{% hint style="info" %}
Ražas kalibrēšanas saskarne izmanto GeoPard API galapunktu ražas datu attīrīšanai un kalibrēšanai ([GeoPard API: Calibrate and Clean YieldDataset](https://docs.geopard.tech/geopard-tutorials/lva/api-dokumentacija/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Tajā var veikt `CALIBRATE` un `CLEAN` darbības lietotāja saskarnē vai ar API.
{% endhint %}

## Īss pārskats

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/9bf60f3f9b36b745de6457a72cc4e0b3d58c28e5" %}
Lejupielādēt PDF brošūru par ražas datu attīrīšanu
{% endfile %}

## Praktiski piemēri

Lauksaimniecībā bojātas ražas datu kopas var sagādāt ievērojamas grūtības. Tālāk redzami reāli piemēri, kuros sastapāmies ar šādām datu kopām. Izmantojot GeoPard uzlabotos kalibrēšanas un attīrīšanas algoritmus, šīs datu kopas tika efektīvi sakārtotas un optimizētas.

{% hint style="info" %}
Lai novērstu vietas, kurās ražas dati nav reģistrēti, un izveidotu pilnīgu ražas karti, izmantojiet GeoPard sintētiskās ražas kartes pieeju. Šī metode atjauno trūkstošos datus, lai varētu veikt pilnīgu ražas analīzi. Uzziniet vairāk [šeit](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Vairāku kombainu kopīgs darbs

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>1. piemērs: vairāku kombainu kopīgs darbs</p></figcaption></figure>

{% hint style="info" %}
Sarežģītos gadījumos optimālas precizitātes sasniegšanai ieteicams veikt kalibrēšanu divos posmos. Vispirms palaidiet sākotnējo kalibrēšanu, izmantojot atribūtu “Machine ID”. Pēc tam veiciet otro kalibrēšanas kārtu, šoreiz atzīmējot izvēles rūtiņu “Simulated (Synthetic) Machine Paths”. Šāda pakāpeniska pieeja nodrošina rūpīgu un precīzu kalibrēšanu, kas ir būtiska sarežģītu gadījumu efektīvai apstrādei.
{% endhint %}

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>2. piemērs: vairāku kombainu kopīgs darbs</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>3. piemērs: vairāku kombainu kopīgs darbs</p></figcaption></figure>

### J veida pagriezieni, apstāšanās, izmantots pusei no tehnikas platuma atbilstošs platums

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>1. piemērs: apgriešanās, apstāšanās, izmantots pusei no tehnikas platuma atbilstošs platums</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>2. piemērs: apgriešanās, apstāšanās, izmantots pusei no tehnikas platuma atbilstošs platums</p></figcaption></figure>

### Neparasti lieli reģistrētie rādījumi

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>1. piemērs: neparasti lieli reģistrētie rādījumi</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>2. piemērs: neparasti lieli reģistrētie rādījumi</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>3. piemērs: neparasti lieli reģistrētie rādījumi</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>4. piemērs: neparasti lieli reģistrētie 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%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>5. piemērs: neparasti lieli reģistrētie ražas dati</p></figcaption></figure>

### Dati ārpus lauka robežām

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Piemērs: dati ārpus lauka robežām</p></figcaption></figure>

### Kalibrēšana, izmantojot norādīto vidējo ražu

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Piemērs: kalibrēšana, izmantojot norādīto vidējo ražu (28 t/ha)</p></figcaption></figure>

### Ražas atribūtu tīrīšana, neņemot vērā atribūtus ar anomālijām

Ražas datu kopā reizēm ir atribūti ar neregulārām vērtībām, piemēram, mitruma, ātruma, augstuma vai citos sekundārajos (ar ražu nesaistītos) atribūtos. Veicot tīrīšanas vai kalibrēšanas darbības, ir svarīgi šīs anomālijas ignorēt. To var ērti izdarīt GeoPard ražas datu tīrīšanas un kalibrēšanas saskarnē.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Piemērs: anomālijas mitruma atribūtā</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Piemērs: ražas datu tīrīšana, ignorējot mitruma anomālijas</p></figcaption></figure>

### USDA ražas datu tīrīšanas protokols

Izmantojiet šo opciju, ja nepieciešama **atkārtojama, uz standartiem balstīta ražas datu rediģēšanas darbplūsma**. Tā ir optimizēta **ražas monitora datu tīrīšanai** lielā mērogā.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Piemērs: ražas datu tīrīšana, izmantojot USDA protokolu</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Piemērs: ražas datu tīrīšana, izmantojot USDA protokolu</p></figcaption></figure>

## Kalibrēšanas metožu skaidrojums

### Kalibrēšana pa trajektorijām

**IZMANTOJIET** **kalibrēšanu pa trajektorijām** gadījumos, kad lauku <mark style="background-color:green;">novāc vairākas mašīnas vai ražas novākšana notiek vairāku dienu laikā, jo īpaši, lai novērstu sistemātiskas atšķirības, piemēram, svītrojumu vai joslu veidošanos.</mark> Šī metode ir piemērota situācijām, kad atšķirīgi mašīnu iestatījumi, operatori vai vides apstākļi rada pastāvīgu ražas pārvērtēšanu vai nenovērtēšanu dažādās trajektorijās.

Svarīgi: <mark style="background-color:yellow;">lai efektīvi mācītos un veiktu kalibrēšanu, mākslīgajam intelektam ir vajadzīgas atšķirības, piemēram, dažādas trajektorijas, mašīnu ID vai ražas novākšanas datumi.</mark>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Piemērs: ražas mitrmasa un 9 kombaini</p></figcaption></figure>

**NELIETOJIET** šo metodi, ja ražu ar vienu mašīnu novāc vienā nepārtrauktā darba posmā vai ja ražas kartē nav redzami telpiski raksti. Neizmantojiet to arī tad, ja datu ir maz vai jūsu rīcībā ir tikai kopējā raža visam laukam, bez datiem par atšķirībām starp mašīnām

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Piemērs: statistiski korekts datu sadalījums</p></figcaption></figure>

### Vidējās vai kopējās ražas kalibrēšana

**Vidējās/kopējās ražas kalibrēšanu IETEICAMS IZMANTOT** ja <mark style="background-color:green;">esat ļoti pārliecināts par kopējiem ražas datiem visam laukam, piemēram, par svēršanas tilta vai glabātavas uzskaites datiem.</mark> Tā vietā, lai koriģētu atsevišķas trajektorijas, šī metode mērogo visu datu kopu, lai iegūtais vidējais vai kopējais rādītājs atbilstu zināmajai atsauces vērtībai. Ja kopējie rādītāji ir uzticami, šo metodi bieži uzskata par vienkāršāko un drošāko kalibrēšanas iespēju.

Kad **IZMANTOT vidējās/kopējās ražas kalibrēšanu:**

* **Zināmas atsauces vērtības**: izmantojiet šo metodi, ja jums ir oficiāli dati par kopējo ražu (piemēram, no svēršanas tilta) vai ļoti uzticami dati par vidējo ražu laukā.
* **Globālās nobīdes korekcija**: šī metode ir piemērota, ja ražas kartes telpiskais sadalījums izskatās pareizs, bet vērtības kopumā ir nobīdītas — visticamāk, ražas monitors nav kalibrēts un visā laukā uzrāda pastāvīgi pārāk lielas vai pārāk mazas vērtības.
* **Vienmērīgi ražas novākšanas apstākļi**: šī metode ir visefektīvākā, ja ražas novākšanas apstākļi visā darba laikā bija samērā vienādi.
* **Vienas mašīnas darba konsekvence**: šī metode labi darbojas, ja lauku novākusi viena mašīna, kas visā laukā strādājusi vienādi.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Piemērs: statistiski korekts datu sadalījums ar nepieciešamo nobīdi, izmantojot vidējo ražu</p></figcaption></figure>

Kad **NEIZMANTOT vidējās/kopējās ražas kalibrēšanu:**

* **Atšķirības starp mašīnām**: neizmantojiet šo metodi, ja dažādas lauka daļas novākušas atšķirīgas mašīnas vai raža novākta dažādās dienās un tādēļ radušās lokālas nobīdes. Šādos gadījumos visa lauka mērogošana nenovērsīs pamatā esošās atšķirības starp mašīnām.
* **Redzami artefakti**: Ja datos redzamas izteiktas svītras, joslas vai virziena artefakti, šī metode tos nenovērsīs; <mark style="background-color:green;">šādu problēmu risināšanai piemērotāka ir kalibrēšana pa trajektorijām</mark>.
* **Nepilnīgi dati**: Neizmantojiet šo loģiku, ja novākta tikai daļa lauka vai reģistrētie dati ir nepilnīgi, jo kopējās un vidējās vērtības būs maldinošas.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Piemērs: ražas dati ar iztrūkumiem</p></figcaption></figure>

### Nosacītā kalibrēšana

**Nosacītā kalibrēšana** kalpo <mark style="background-color:green;">kā drošības kontrole, nodrošinot, ka ražas vērtības nepārsniedz reālistiskas, iepriekš noteiktas minimālās un maksimālās robežas</mark>.

Jums **VAJADZĒTU IZMANTOT** šo loģiku, lai n<mark style="background-color:green;">ovērstu ekstrēmas novirzes un sensora signāla lēcienus, ko izraisa troksnis, tehnikas apstāšanās vai pagriezieni</mark>. Tā ir piemērota, lai piemērotu konkrētas agronomiskās prasības, piemēram, “raža nedrīkst pārsniegt X”, neveicot korekciju.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Tomēr **IZVAIRIETIES NO ŠĪS METODES** ja datu kopē ir vispārēja nobīde vai sistemātiskas atšķirības starp mašīnām, jo metode nemērogo datus un nenovērš telpiskos rakstus. Būtībā tā nodrošina ticamas vērtības, bet nenovērš pamatā esošās kalibrācijas nobīdes.

## Lietošanas stratēģija

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Ražas kalibrēšanas īsā pamācība</p></figcaption></figure>

{% file src="/files/6d73f881be39aa3a50e92052285986a7c935b794" %}
Lejupielādējiet ražas kalibrēšanas īso pamācību PDF formātā
{% endfile %}

## Pirmais solis

Moduli “Yield Calibrate and Clean” palaiž tieši lietotāja saskarnē. Vispirms ir jāaugšupielādē ražas datu kopa. Blakus katrai ražas datu kopai atradīsiet pogu, lai sāktu datu kopas pielāgošanu.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Sākt procesu</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Lai turpinātu, atlasiet kādu opciju</p></figcaption></figure>

Tālāk ir pieejamas vairākas turpināšanas iespējas:

1. **Automātiskā apstrāde**: Izmantojiet GeoPard ieteiktos noklusējuma iestatījumus, lai kalibrētu ar vienu klikšķi.
2. **Tikai tīrīšana**: Konfigurējiet un izpildiet tikai CLEAN darbību, tostarp
   1. **GeoPard tīrīšanu**: Ražas datu kopas viedā tīrīšana ar mākslīgā intelekta algoritmiem.
   2. **USDA** (Amerikas Savienoto Valstu Lauksaimniecības departamenta) ražas datu tīrīšanas protokols.
   3. **Nosacītā tīrīšana**: Filtrējiet datus, izmantojot pielāgotas atribūtu robežvērtības.
3. **Tikai kalibrēšana**: Konfigurējiet un izpildiet tikai CALIBRATE darbību, tostarp
   1. **Pa trajektorijām**: Kalibrējiet ražu katrai atsevišķai mašīnas trajektorijai, izmantojot mākslīgā intelekta algoritmus.
   2. **Vidējā/kopējā vērtība**: Pielāgojiet ražu, ņemot vērā zināmo lauka vidējo vai kopējo ražu.
   3. **Nosacītā**: Mainiet ražas vērtības noteiktajās minimālajās un maksimālajās robežās, lai tās atbilstu sagaidāmajam diapazonam.
4. **Kalibrēšana un tīrīšana**: Izvēlieties darbību secību un pielāgojiet parametrus.
5. **Alternatīva Yield Editor rīkam**: Izmantojiet **Tikai tīrīšana → USDA** (vai **Kalibrēt un tīrīt**) atbilstu manuālai “Yield Editor” tīrīšanas darbplūsmai, taču lielā mērogā. Validācijas testos tīrīšana saskaņā ar USDA protokolu atbilda manuālās Yield Editor apstrādes rezultātiem ar **R² (R2) = 0.98** (gandrīz identisks rezultāts).

## Risinājums ar vienu klikšķi

{% hint style="warning" %}
**Padoms: vērtības, kas dažkārt ir raksturīgas ražības datu kopām**

Ja **atribūts** kas atlasīts kalibrēšanai vai tīrīšanai, lielākoties **satur** **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas netiks iekļautas galīgajā ražības datu kopā.

Lai nodrošinātu datu integritāti, atribūti ar šādām anomālijām nebūtu jāiekļauj kalibrējamo atribūtu sarakstā.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Pilnīgas vadlīnijas

{% hint style="warning" %}
**Izvēles darbplūsma: padoms par datu anomālijām**

Ja lietotājs datos pamana anomālijas, piemēram, vērtības, kas ir nulle vai tuvu nullei, vai neparasti lielas vērtības (piemēram, vidējā vērtība ir 10, bet maksimālā — 8000), ieteicams izmantot darbplūsmu **Tīrīšana un kalibrēšana** .

Vispirms notīrot datus un pēc tam tos kalibrējot, tiek novērstas kļūdas, trūkstošās vērtības un neatbilstības, tādējādi uzlabojot datu kvalitāti un precizitāti.
{% endhint %}

{% hint style="warning" %}
**Izvēles darbplūsma: padoms par datiem bez sākotnējām kļūdām**

Datu kopām, kurās sākotnēji nav kļūdu, trūkstošu vērtību vai neatbilstību, un ir zināms, ka darbā iesaistīti vairāki kombaini, apsveriet iespēju izmantot darbplūsmu **Kalibrēšana un tīrīšana** .

Datu tīrīšana pēc kalibrēšanas palīdz vēl vairāk uzlabot datu kopu, iespējams, novēršot kalibrēšanas laikā radušos artefaktus.
{% endhint %}

{% hint style="warning" %}
**Tīrīšanas darbplūsma: padoms par vērtībām, kas dažkārt ir raksturīgas ražības datu kopām**

Ja **atribūts** kas atlasīts kalibrēšanai vai tīrīšanai, lielākoties satur **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas netiks iekļautas galīgajā ražības datu kopā.

Lai nodrošinātu datu integritāti, atribūti ar šādām anomālijām nebūtu jāiekļauj tīrāmo atribūtu sarakstā (2).
{% endhint %}

{% hint style="warning" %}
**Kalibrēšanas darbplūsma: padoms par vērtībām, kas dažkārt ir raksturīgas ražības datu kopām**

Ja **atribūts** kas atlasīts kalibrēšanai vai tīrīšanai, lielākoties **satur** **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas netiks iekļautas galīgajā ražības datu kopā.

Lai nodrošinātu datu integritāti, atribūti ar šādām anomālijām nebūtu jāiekļauj kalibrējamo atribūtu sarakstā (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Algoritmu versijas

Pēcapstrādes rezultāti tiek parādīti līdzās sākotnējai datu kopai. Tie ir apzīmēti ar etiķetēm **“Kalibrēts”** un/vai **“Tīrīts”** un algoritma versiju.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Kalibrēšanas un tīrīšanas izpildes rezultāts (2. versija)</p></figcaption></figure>

{% hint style="info" %}
Sākot ar `version 3.0` Clean/Calibrate algoritma versiju, GeoPard piedāvā apgriešanu pēc lauka robežas. Tiek saglabātas tikai lauka robežās esošās ģeometrijas, tādējādi uzlabojot statistisko sadalījumu.
{% endhint %}

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Automātiskās apstrādes izpildes rezultāts (3.0 versija)</p></figcaption></figure>

{% hint style="info" %}
Sākot ar `version 4.0`, GeoPard Clean/Calibrate algoritmā ir iekļauta kalibrēšana pēc vidējām vai kopējām vērtībām jebkuram atribūtam. Bieži šo uzlabojumu izmanto mitrās masas (WetMass) kalibrēšanai: tagad to var pielāgot, ņemot vērā zināmo vidējo ražību konkrētā laukā.
{% endhint %}

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Kalibrēšanas izpildes rezultāts, izmantojot vidējo ražību 6 t/ha (4.0 versija)</p></figcaption></figure>

{% hint style="info" %}
Sākot ar `version 5.0` Clean/Calibrate algoritma versiju, GeoPard ražības datu tīrīšanai piedāvā USDA (Amerikas Savienoto Valstu Lauksaimniecības departamenta) tīrīšanas protokolu. USDA nosaka oficiālus agronomisko datu standartus, kas reglamentē to, kā ražības, mitruma, plūsmas un telpiskos mērījumus normalizē, validē un statistiski filtrē, lai iegūtu mašīnām un laukiem pielāgotas lauksaimniecības datu kopas.
{% endhint %}

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Tīrīšanas izpildes rezultāts, izmantojot USDA protokolu (5.0 versija)</p></figcaption></figure>

{% hint style="success" %}
Attīriet iepriekšējās sezonas ražas datnes: [Sākt bez maksas](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
