# Ražas kalibrēšana un tīrīšana

Izmantojiet GeoPard, lai **attīrītu ražas datus** un **kalibrētu ražas monitoru datu kopas**. Saņemiet uzticamu ražas karti zonām, receptēm un analītikai. Šis darba plūsmas posms apstrādā izņēmumus, apgriezienus, trūkstošas atribūtas un daudzpārstrādātāju ražas datus. Tas ietver **USDA ražas tīrīšanas protokolu** un atbalsta **Yield Editor alternatīvas** darba plūsmas.

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

Šis kalibrācijas process ir būtisks, lai:

1. **nodrošinātu datu konsekvenci**: Nav nekas neparasts, ka vairākas kombainu vienības strādā kopā vai dažādās dienās. Šī funkcija nodrošina, ka to dati saskan.
2. **homogenizētu datus**: Ražas dati var būt dažādi; kalibrācija nodrošina, ka tie ir vienmērīgi un konsekventi, bez nevēlamiem straujiem kāpumiem vai kritumiem.
3. **izfiltrētu troksni**: Kā jebkuri dati, arī ražas dati var saturēt „troksni” vai nerelevantu informāciju. Mēs nodrošinām, ka tas netraucē jūsu secinājumus.
4. **vienkāršotu ģeometriju**: Jebkādi apgriezieni vai dīvaini ģeometriski datu modeļi var sagrozīt reālas atziņas. Kalibrācija ir paredzēta, lai to izlīdzinātu, nodrošinot, ka dati patiesi atspoguļo lauka realitāti.
5. **apgriešanu pēc lauka robežas**: Kombaini bieži darbojas pāri blakus esošām platībām. Lai iegūtu precīzus analītiskos rezultātus, ir būtiski ņemt vērā tikai datus, kas atrodas noteiktajā robežā.

{% hint style="info" %}
Yield Calibration saskarne izmanto GeoPard API galapunktu Yield Clean/Calibrate ([GeoPard API: Calibrate and Clean YieldDataset](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Tā veic `KALIBRĒŠANAS` un `TĪRĪŠANAS` operācijas lietotāja saskarnē vai caur API.
{% endhint %}

## Ātra pārskata sadaļa

<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%2FKd3mGNJhJYNk1BCwhnRA%2F1.png?alt=media&#x26;token=1e15c60b-aa62-41e5-bb4c-1405ddd9461b" 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%2FJOM5vyHtr7K6wwVtIyjO%2F2.png?alt=media&#x26;token=029cf571-7b78-4062-8857-02ae9079cca7" 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%2FokYHcDAi0Ex78AHZNniB%2F3.png?alt=media&#x26;token=a41d1997-1d32-4e60-bdaa-af115c7aa0a4" 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%2FzbK0DfV0oJK6gstQm6ER%2F4.png?alt=media&#x26;token=e14e31a6-6ac2-4f99-b978-c6fd7d928e17" 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&#x26;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&#x26;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="<https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMS4rtJeSVptRtjb7QrDt%2FAutomated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf?alt=media&token=d54e0018-24a1-46e0-9760-2d1e1af7de5d>" %}
Lejupielādēt ražas tīrīšanas PDF brošūru
{% endfile %}

## Reālas pasaules piemēri

Lauksaimniecības jomā bojātas ražas datu kopas var radīt būtiskas problēmas. Zemāk varat atrast reālus piemērus, kur tika saskarties ar šādām datu kopām. Izmantojot GeoPard uzlabotos kalibrācijas un tīrīšanas algoritmus, šīs datu kopas tika efektīvi uzlabotas un optimizētas.

{% hint style="info" %}
Lai risinātu zonas bez reģistrētiem ražas datiem un panāktu ražas kartes pilnību, apsveriet GeoPard sintētiskās ražas kartes pieeju. Šī metode atjauno trūkstošos datus pilnai ražas analīzei. Uzziniet vairāk [šeit](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map).
{% endhint %}

### Vairāki kombaini strādā kopā

<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&#x26;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Piemērs 1: Vairāki kombaini strādā kopā</p></figcaption></figure>

{% hint style="info" %}
Sarežģītās situācijās ieteicama divpakāpju kalibrācija, lai panāktu optimālu precizitāti. Sāciet ar sākotnējo kalibrāciju, izmantojot Machine ID atribūtu. Pēc tam veiciet otro kalibrācijas kārtu, atzīmējot Simulated (Synthetic) Machine Paths izvēles rūtiņu. Šī slāņotā pieeja nodrošina rūpīgu un precīzu kalibrāciju, kas būtiska sarežģītu gadījumu pārvaldīšanai.
{% 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&#x26;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Piemērs 2: Vairāki kombaini strādā kopā</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&#x26;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Piemērs 3: Vairāki kombaini strādā kopā</p></figcaption></figure>

### J-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma

<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&#x26;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Piemērs 1: U-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma</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&#x26;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Piemērs 2: U-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma</p></figcaption></figure>

### Nekā ierasts pārāk lieli reģistrētie vērtības

<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&#x26;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Piemērs 1: Neparasti lielas reģistrētās vērtības</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&#x26;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Piemērs 2: Neparasti lielas reģistrētās vērtības</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAzQj1t229G4yMlypVmDi%2Fimage.png?alt=media&#x26;token=6be86534-1a77-4ee0-8e5d-5a68d4332aba" alt=""><figcaption><p>Piemērs 3: Neparasti lielas reģistrētās vērtības</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&#x26;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Piemērs 4: Neparasti lielas reģistrētās vērtības</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&#x26;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Piemērs 5: Neparasti lielas reģistrētās vērtības</p></figcaption></figure>

### Dati ārpus lauka robežas

<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&#x26;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Piemērs: dati ārpus lauka robežām</p></figcaption></figure>

### Kalibrācija, izmantojot norādīto vidējo ražas vērtību

<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&#x26;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Piemērs: kalibrācija, izmantojot norādīto vidējo ražas vērtību (28 t/ha)</p></figcaption></figure>

### Attīrīt ražas atribūtus, ignorējot atribūtus ar anomālijām

Ražas datu kopā reizēm ietilpst atribūti ar nekārtībām mitruma, ātruma, augstumu vai citu sekundāru (ne-ražas) atribūtu laukā. Veicot Clean vai Calibrate darbības, ir svarīgi neņemt vērā šīs anomālijas. To efektīvi var paveikt, izmantojot GeoPard Yield Clean-Calibrate saskarni.

<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&#x26;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%2F6zOJBmFF4RHsGPE0132a%2Fimage.png?alt=media&#x26;token=50cfc215-7e1f-41ae-92b1-a560920765ec" alt=""><figcaption><p>Piemērs: attīrīti ražas dati, ignorējot anomālijas mitrumā</p></figcaption></figure>

### USDA ražas datu tīrīšanas protokols

Izmantojiet šo opciju, kad jums nepieciešama **atkārtojama, uz standartiem balstīta ražas redaktora darba plūsma**. Tā ir optimizēta **ražas monitoru datu tīrīšanai** 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&#x26;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Piemērs: attīrīti ražas dati, pielietojot 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&#x26;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Piemērs: attīrīti ražas dati, pielietojot USDA protokolu</p></figcaption></figure>

## Kalibrācijas loģiku skaidrojums

### Pa mašīnas pēdām balstīta kalibrēšana

**LIETOJIET** **Pa mašīnas pēdām balstīta kalibrēšana** kad lauku <mark style="background-color:green;">novāc vairāki agregāti vai tas tiek novākts vairākās dienās, īpaši lai koriģētu sistemātiskas atšķirības, piemēram, svītrojumu vai joslu veidošanos.</mark> Tas ir ideāli piemērots scenārijiem, kur atšķirīgas mašīnas iestatījumi, operators vai vides apstākļi rada konsekventu pārvērtēšanu vai nepietiekamu novērtējumu dažādos ceļos.

Būtiski, <mark style="background-color:yellow;">MĀKSLĪGAIS INTELEKTS prasa variāciju - piemēram, atšķirīgas trajektorijas, mašīnu ID vai novākšanas datumus -, lai mācītos un efektīvi kalibrētu.</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&#x26;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Piemērs: Yield WetMass un 9 kombaini</p></figcaption></figure>

**NENUMETIET** nevajadzētu lietot šo metodi vienas mašīnas novākšanai vienā nepārtrauktā sesijā vai ja ražas kartē nav redzamu telpisku modeļu. Turklāt izvairieties no tās, ja dati ir reti vai ja jums ir tikai kopējie lauka līmeņa ražas vērtējumi bez mašīnu līmeņa atšķirībām

<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&#x26;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Piemērs: statistiski pareiza datu sadale</p></figcaption></figure>

### Vidējā vai kopējā kalibrācija

**Vidējā/kopējā kalibrācija IR LABĀK LIETOJAMA** kad <mark style="background-color:green;">jums ir augsts pārliecinātības līmenis par kopējiem lauka līmeņa ražas datiem, piemēram, svari vai uzglabāšanas ieraksti.</mark> Vietā, lai koriģētu atsevišķas trajektorijas, šī metode mērogā pielāgo visu datu kopu, lai galīgais vidējais vai kopējais atbilstu jūsu zināmajai atsauces vērtībai. To bieži apraksta kā vienkāršāko un drošāko kalibrācijas opciju, ja kopējie skaitļi ir uzticami.

Kad **LIETOT vidējo/kopējo kalibrāciju:**

* **Zināmas atsauces vērtības**: Jums jāpielieto šī loģika, ja ir oficiāli kopējie ražas ieraksti (piem., no svaru svariem) vai ļoti uzticams lauka vidējais ražas rādītājs.
* **Globāla nobīdes korekcija**: Tas ir ideāli, ja telpiskā sadale ražas kartē izskatās pareiza, bet vērtības ir globāli nobīdītas - tas nozīmē, ka ražas monitors, visticamāk, nebija kalibrēts un ziņo konsekventi pārāk augstas vai pārāk zemas vērtības visā laukā.
* **Vienmērīgi novākšanas apstākļi**: Šī metode ir visefektīvākā, ja novākšanas apstākļi bija relatīvi vienmērīgi visu operāciju laikā.
* **Viena agregāta konsekvence**: Tā labi darbojas novākšanās gadījumos, ko veic viens agregāts, kurš strādāja konsekventi visā laukā.

<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&#x26;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Piemērs: statistiski pareiza datu sadale ar nepieciešamo nobīdi, izmantojot vidējo ražu</p></figcaption></figure>

Kad **NE LIETOT vidējo/kopējo kalibrāciju:**

* **Mašīnu savstarpējā nobīde**: Neizmantojiet šo metodi, ja dažādas lauka daļas tika novāktas ar dažādām mašīnām vai dažādās dienās, kas radīja lokālas nobīdes. Šādos gadījumos visu lauku mērogošana neatrisinās iekārtu savstarpējās neatbilstības.
* **Redzami artefakti**: Ja jūsu datos redzamas spēcīgas svītrošanas, joslu vai virziena artefakti, šī metode tos neatrisinās; <mark style="background-color:green;">trajektoriju kalibrācija ir piemērotāka šādu problēmu risināšanai</mark>.
* **Nepilnīgi dati**: Izvairieties no šīs loģikas, ja tikai lauka daļa ir novākta vai ja reģistrētie dati ir nepilnīgi, jo kopējās/vidējās vērtības var būt 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&#x26;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Piemērs: ražas dati ar iztrūkumiem</p></figcaption></figure>

### Nosacīta kalibrēšana

**Nosacīta kalibrēšana** kalpo kā <mark style="background-color:green;">drošības kontrole, nodrošinot, ka ražas vērtības paliek reālistiskā, iepriekš definētā minimālā un maksimālā diapazonā</mark>.

Jūs **VAJADZĒTU LIETOT** šo loģiku, lai<mark style="background-color:green;">noņemtu ekstremālas izņēmuma vērtības un sensoru izdalījumus, ko izraisa troksnis, mašīnas apstāšanās vai pagriezieni</mark>. Tā ir ideāla, lai pielietotu konkrētas agronomiskas sagaidīšanas - piemēram, "raža nevar pārsniegt X" - bez korekcijas veikšanas.

<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&#x26;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Tomēr, **IZLAIDZIET ŠO METODI** ja jūsu datu kopai ir globāla nobīde vai sistemātiskas mašīnu atšķirības, jo tā nedala datus vai neizlīdzina telpiskos modelus. Būtībā tā uztur vērtības ticamas, bet neatrisina pamatā esošās kalibrācijas nobīdes.

## Izmantošanas 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&#x26;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Vienas lapas ražas kalibrācijas vadlīnijas</p></figcaption></figure>

{% file src="<https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaE6X90bjunCtVwmtdrRi%2FGeoPard_Calibration_Guidance_EN_20250120.pdf?alt=media&token=2a9bca54-2b8e-451e-acbb-2bfbf9fd9e2d>" %}
Lejupielādēt PDF vienas lapas ražas kalibrācijas vadlīnijas
{% endfile %}

## Pirmais solis

"Yield Calibrate and Clean" moduli tiek aktivizēts tieši no lietotāja saskarnes. Galvenā prasība ir augšupielādēta ražas datu kopa. Blakus katrai 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&#x26;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Sāciet plūsmu</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&#x26;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Izvēlieties opciju, lai turpinātu</p></figcaption></figure>

No turienes ir pieejamas vairākas turpmākas opcijas:

1. **Automātiskā apstrāde**: Izmantojiet noklusējuma, GeoPard ieteiktos iestatījumus vienas pogas kalibrācijai.
2. **Tikai tīrīšana**: Konfigurējiet un veiciet tikai CLEAN operāciju, tostarp
   1. **GeoPard tīrīšana**: Gudra ražas datu tīrīšana ar AI algoritmiem.
   2. **ASV Lauksaimniecības departaments (USDA)** (ASV Lauksaimniecības departaments) tīrīšanas protokols ražai.
   3. **Nosacīta tīrīšana**: Filtrēt datus, pamatojoties uz pielāgotiem atribūtu sliekšņiem.
3. **Tikai kalibrācija**: Konfigurējiet un veiciet tikai CALIBRATE operāciju, tostarp
   1. **Pathwise**: Kalibrēt ražu katrai individuālajai mašīnas trajektorijai, izmantojot AI algoritmus.
   2. **Vidējā/Kopējā**: Pielāgot ražu, ņemot vērā lauka zināmo vidējo vai kopējo ražu.
   3. **Nosacītā**: Mainīt ražu noteiktajos minimālajos un maksimālajos ierobežojumos, lai saglabātu sagaidāmās robežas.
4. **Kalibrēt & Tīrīt**: Izvēlieties operāciju secību un pielāgojiet parametrus.
5. **Yield Editor alternatīva**: Izmantojiet **Tikai tīrīšana → USDA** (vai **Kalibrēt & Tīrīt**) lai atbilstu manuālai “Yield Editor” tīrīšanas darba plūsmai, bet mērogā. Validācijas testos USDA protokola tīrīšana atbilda manuālajiem Yield Editor rezultātiem ar **R² (R2) = 0.98** (gandrīz identisks rezultāts).

## Vienas pogas risinājums

{% hint style="warning" %}
**Padoms par neparastām vērtībām, kas dažkārt ir iezīmīgas ražas datu kopām.**

Ja **attribute** izvēlētais kalibrācijai vai tīrīšanai pārsvarā **satur** **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas tiks izslēgtas no galīgās ražas datu kopas.

Lai nodrošinātu datu integritāti, atribūti ar šādām anomālijām jāizslēdz no atribūtu saraksta, kas tiks kalibrēti.
{% endhint %}

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

## Pilnas vadlīnijas

{% hint style="warning" %}
**Izvēlieties plūsmu: padoms par datu anomālijām**

Ja lietotājs saskaras ar datu anomālijām, piemēram, vērtībām pie vai tuvu nulles, vai neparasti lielām vērtībām (piemēram, vidējais 10 ar maksimumu 8000), tiek ieteikts **Tīrīšanas un kalibrēšanas** darba plūsma ir ieteicama.

Prioritāte datu tīrīšanai pirms kalibrēšanas nodrošina kļūdu, trūkstošo vērtību vai neatbilstību noņemšanu, tādējādi uzlabojot datu kvalitāti un precizitāti.
{% endhint %}

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

Datu kopām, kas sākotnēji ir bez kļūdām, trūkstošām vērtībām vai neatbilstībām, un ja zināms, ka iesaistīti vairāki kombaini, apsveriet **Kalibrēšanas un tīrīšanas** darba plūsma.

Datu tīrīšana pēc kalibrēšanas palīdz vēl vairāk pilnveidot datu kopu, potenciāli izņemot artefaktus, kas ievadīti kalibrēšanas laikā.
{% endhint %}

{% hint style="warning" %}
**Tīrīšanas plūsma: padoms par neparastām vērtībām, kas dažkārt ir iezīmīgas ražas datu kopām.**

Ja **attribute** izvēlētais kalibrācijai vai tīrīšanai pārsvarā satur **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas tiks izslēgtas no galīgās ražas datu kopas.

Lai nodrošinātu integritāti, atribūti ar šādām anomālijām jāizslēdz no atribūtu saraksta, kas tiks tīrīti (2).
{% endhint %}

{% hint style="warning" %}
**Kalibrēšanas plūsma: padoms par neparastām vērtībām, kas dažkārt ir iezīmīgas ražas datu kopām.**

Ja **attribute** izvēlētais kalibrācijai vai tīrīšanai pārsvarā **satur** **nulles vērtības lielākajā daļā ģeometriju**, šīs ģeometrijas tiks izslēgtas no galīgās ražas datu kopas.

Lai nodrošinātu integritāti, atribūti ar šādām anomālijām jāizslēdz no atribūtu saraksta, kas tiks kalibrēti (3).
{% endhint %}

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

## Algoritmu versijas

Pēc apstrādes rezultāti tiek rādīti blakus oriģinālajai datu kopai. Tie tiek atzīmēti ar **"Calibrate"** un/vai **"Clean"** etiķetēm, kā arī 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&#x26;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Calibrate &#x26; Clean izpildes rezultāts (versija 2)</p></figcaption></figure>

{% hint style="info" %}
No `versija 3.0` no Clean/Calibrate algoritma versijas 3.0 GeoPard ievieš apgriešanu pēc lauka robežas. Tas saglabā tikai ģeometrijas lauka robežā un uzlabo statistisko sadali.
{% endhint %}

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhgyGm6omdpeXxbl8ZH2r%2Fimage.png?alt=media&#x26;token=9f51a258-0e4c-49f6-8b81-099b9a95b72f" alt=""><figcaption><p>Auto-Processing izpildes rezultāts (versija 3.0)</p></figcaption></figure>

{% hint style="info" %}
Sākot ar `versiju 4.0`, Clean/Calibrate algoritms GeoPard tagad ietver kalibrāciju, pamatojoties uz vidējām vai kopējām vērtībām jebkurā atribūtā. Izplatīta šī uzlabojuma izmantošana ir WetMass kalibrēšana, ko tagad var pielāgot pēc zināmās mērītās lauka vidējās ražas.
{% 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&#x26;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Kalibrācijas izpildes rezultāts, izmantojot vidējo ražu 6 t/ha (versija 4.0)</p></figcaption></figure>

{% hint style="info" %}
No `versija 5.0` no Clean/Calibrate algoritma versijas 5.0 GeoPard ievieš USDA (ASV Lauksaimniecības departamenta) tīrīšanas protokolu ražai. USDA nodrošina oficiālus agronomiskus datu standartus, kas reglamentē, kā ražas, mitruma, plūsmas un telpiskie mērījumi tiek normalizēti, validēti un statistiski filtrēti, lai radītu ar mašīnām un laukiem saskaņotas 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&#x26;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Tīrīšanas izpildes rezultāts, izmantojot USDA protokolu (versija 5.0)</p></figcaption></figure>