Ražas kalibrēšanas un datu tīrīšanas

Kā tīrīt un kalibrēt ražas monitora datus GeoPard. Ietver USDA ražas tīrīšanas protokolu. Labojiet ārkārtas vērtības, svītrojumu efektus, pagriešanās vietas un vairākas kombainu datu kopas.

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.

Video pamācība par ražas datu tīrīšanu un kalibrēšanu. Izskaidrotas opciju atšķirības.

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.

Yield Calibration saskarne izmanto GeoPard API galapunktu Yield Clean/Calibrate (GeoPard API: Calibrate and Clean YieldDataset). Tā veic KALIBRĒŠANAS un TĪRĪŠANAS operācijas lietotāja saskarnē vai caur API.

Ātra pārskata sadaļa

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Open

Lejupielādēt ražas tīrīšanas PDF brošūru

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.

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.

Vairāki kombaini strādā kopā

Piemērs 1: Vairāki kombaini strādā kopā

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.

Piemērs 2: Vairāki kombaini strādā kopā

Piemērs 3: Vairāki kombaini strādā kopā

J-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma

Piemērs 1: U-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma

Piemērs 2: U-apgriezieni, apstāšanās, izmantota puse no aprīkojuma platuma

Nekā ierasts pārāk lieli reģistrētie vērtības

Piemērs 1: Neparasti lielas reģistrētās vērtības

Piemērs 2: Neparasti lielas reģistrētās vērtības

Piemērs 3: Neparasti lielas reģistrētās vērtības

Piemērs 4: Neparasti lielas reģistrētās vērtības

Piemērs 5: Neparasti lielas reģistrētās vērtības

Dati ārpus lauka robežas

Piemērs: dati ārpus lauka robežām

Kalibrācija, izmantojot norādīto vidējo ražas vērtību

Piemērs: kalibrācija, izmantojot norādīto vidējo ražas vērtību (28 t/ha)

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.

Piemērs: anomālijas mitruma atribūtā

Piemērs: attīrīti ražas dati, ignorējot anomālijas mitrumā

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.

Piemērs: attīrīti ražas dati, pielietojot USDA protokolu

Piemērs: attīrīti ražas dati, pielietojot USDA protokolu

Kalibrācijas loģiku skaidrojums

Pa mašīnas pēdām balstīta kalibrēšana

LIETOJIET Pa mašīnas pēdām balstīta kalibrēšana kad lauku novāc vairāki agregāti vai tas tiek novākts vairākās dienās, īpaši lai koriģētu sistemātiskas atšķirības, piemēram, svītrojumu vai joslu veidošanos. Tas ir ideāli piemērots scenārijiem, kur atšķirīgas mašīnas iestatījumi, operators vai vides apstākļi rada konsekventu pārvērtēšanu vai nepietiekamu novērtējumu dažādos ceļos.

Būtiski, MĀKSLĪGAIS INTELEKTS prasa variāciju - piemēram, atšķirīgas trajektorijas, mašīnu ID vai novākšanas datumus -, lai mācītos un efektīvi kalibrētu.

Piemērs: Yield WetMass un 9 kombaini

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

Piemērs: statistiski pareiza datu sadale

Vidējā vai kopējā kalibrācija

Vidējā/kopējā kalibrācija IR LABĀK LIETOJAMA kad jums ir augsts pārliecinātības līmenis par kopējiem lauka līmeņa ražas datiem, piemēram, svari vai uzglabāšanas ieraksti. 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.

Piemērs: statistiski pareiza datu sadale ar nepieciešamo nobīdi, izmantojot vidējo ražu

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; trajektoriju kalibrācija ir piemērotāka šādu problēmu risināšanai.

• 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.

Piemērs: ražas dati ar iztrūkumiem

Nosacīta kalibrēšana

Nosacīta kalibrēšana kalpo kā drošības kontrole, nodrošinot, ka ražas vērtības paliek reālistiskā, iepriekš definētā minimālā un maksimālā diapazonā.

Jūs VAJADZĒTU LIETOT šo loģiku, lainoņemtu ekstremālas izņēmuma vērtības un sensoru izdalījumus, ko izraisa troksnis, mašīnas apstāšanās vai pagriezieni. Tā ir ideāla, lai pielietotu konkrētas agronomiskas sagaidīšanas - piemēram, "raža nevar pārsniegt X" - bez korekcijas veikšanas.

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

Vienas lapas ražas kalibrācijas vadlīnijas

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Open

Lejupielādēt PDF vienas lapas ražas kalibrācijas vadlīnijas

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.

Sāciet plūsmu

Izvēlieties opciju, lai turpinātu

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

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.

Pilnas vadlīnijas

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.

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.

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).

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).

Algoritmu versijas

Pēc apstrādes rezultāti tiek rādīti blakus oriģinālajai datu kopai. Tie tiek atzīmēti ar "Calibrate" un/vai "Clean" etiķetēm, kā arī algoritma versiju.

Calibrate & Clean izpildes rezultāts (versija 2)

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.

Auto-Processing izpildes rezultāts (versija 3.0)

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.

Kalibrācijas izpildes rezultāts, izmantojot vidējo ražu 6 t/ha (versija 4.0)

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.

Tīrīšanas izpildes rezultāts, izmantojot USDA protokolu (versija 5.0)