> 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Salīdzināt augsnes skenera datus starp gadiem

Šis raksts izklāsta dažādas matemātiskas metodes, lai kvantificētu atšķirības starp augsnes skenera datu kopām un uzlabotu lēmumu pieņemšanu pētniekiem un agronomiem.

Augsnes skeneri ir būtiski precīzās lauksaimniecības rīki, kas ļauj ievākt augstas izšķirtspējas datus par augsnes īpašībām, piemēram, mitrumu, organisko vielu un barības vielu līmeni. Divu augsnes skeneru datu kopu salīdzināšana ir svarīga, lai izprastu izmaiņas laika gaitā, pārbaudītu dažādas skenēšanas metodes vai kalibrētu jaunas ierīces. Šajā rakstā aplūkotas dažādas matemātiskās pieejas noviržu noteikšanai starp divām augsnes skeneru datu kopām, sniedzot pētniekiem un agronomiem praktiski izmantojamus ieskatus.

### Noviržu izpratne augsnes skeneru datos

Novirze starp divām augsnes skeneru datu kopām ir izmērīto vērtību atšķirība vienās un tajās pašās vietās. Tās cēlonis var būt mērījumu apstākļu atšķirības, sensoru kalibrācija vai augsnes dinamika. Visbiežāk sastopamie noviržu veidi ir šādi:

* Absolūtās atšķirības: tieša datu kopu vērtību atņemšana.
* Relatīvās atšķirības: salīdzinājums, ņemot vērā mērījumu apjomu.
* Kļūdas rādītāji: statistiski mēri, piemēram, vidējā absolūtā kļūda (MAE) un normalizētā atšķirība.

Tika izvēlētas divas augsnes skeneru datu kopas ar 2024. un 2025. gada kālija datiem.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Sākotnējās augsnes skeneru datu kopas</p></figcaption></figure>

### Piemērotākās noviržu noteikšanas metodes izvēle

| Metode                                    | Piemērotākā izmantošana                                         |
| ----------------------------------------- | --------------------------------------------------------------- |
| Tiešā starpība                            | Pozitīvo un negatīvo izmaiņu vienkāršai vizualizēšanai          |
| Relatīvā starpība                         | Dažāda mēroga datu kopu salīdzināšanai                          |
| Normalizētā starpība                      | Standartizētai dažādu datu kopu analīzei                        |
| Relatīvā novirze                          | Proporcionālo atšķirību noteikšanai; noderīga tendenču analīzei |
| Vidējā absolūtā kļūda (MAE) katrā pikselī | Apgabalu noteikšanai, kuros ir lielas absolūtās atšķirības      |

### Tiešās starpības aprēķināšana

Tiešās starpības metode vienkārši atņem vienu datu kopu no otras, lai tieši vizualizētu augsnes īpašību izmaiņas.

Funkcijas lietošanas apraksts `geopard.calculate_difference(dataset_1, dataset_2)` un parametru skaidrojums ir pieejams [šeit](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Priekšrocības:

* Skaidri parāda pozitīvās un negatīvās izmaiņas.
* Viegli interpretēt un vizualizēt.

Trūkumi:

* Atšķirību vērtības var būt grūti salīdzināt, ja datu kopām ir atšķirīgs mērogs.
* Liela mainība var dominēt interpretācijā.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Tiešās starpības aprēķināšana</p></figcaption></figure>

### Relatīvās starpības aprēķināšana

Relatīvās starpības metode aprēķina procentuālās izmaiņas starp datu kopām, par pamatu ņemot otro datu kopu, un piedāvā citu skatījumu uz novirzēm.

Funkcijas lietošanas apraksts `geopard.calculate_relative_difference(dataset_1, dataset_2)` un parametru skaidrojums ir pieejams [šeit](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Priekšrocības:

* Noder, lai saprastu, cik lielā mērā viena datu kopa ir mainījusies attiecībā pret otru.
* Normalizē atšķirības, ja vērtību diapazoni ir dažādi.

Trūkumi:

* Var kļūt nestabila, ja otrās datu kopas vērtības ir tuvu nullei.
* Mazāk intuitīva, ja svarīgas ir absolūtās atšķirības.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Relatīvās starpības aprēķināšana</p></figcaption></figure>

### Normalizētās starpības aprēķināšana

Normalizētās starpības metode pirms starpību aprēķināšanas normalizē datu kopas, izmantojot to globālo maksimālo vērtību, tādējādi nodrošinot, ka variācijas dažādos mērogos ir salīdzināmas.

Funkcijas lietošanas apraksts `geopard.calculate_normalized_difference(dataset_1, dataset_2)` un parametru skaidrojums ir pieejams [šeit](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Priekšrocības:

* Efektīva datu kopām ar atšķirīgiem dinamiskajiem diapazoniem.
* Mazina ekstrēmo vērtību ietekmi.

Trūkumi:

* Ja mazas atšķirības netiek pienācīgi mērogotas, tās var šķist pārspīlētas.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Normalizētās starpības aprēķināšana</p></figcaption></figure>

### Relatīvā novirze katram pikselim

Relatīvās novirzes metode aprēķina novirzi procentos attiecībā pret pirmo datu kopu. Tā palīdz izprast proporcionālās, nevis absolūtās atšķirības.

Lietošanas apraksts funkcijai `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` un tās parametru skaidrojums ir pieejams [šeit](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Priekšrocības:

* Noderīga, salīdzinot datu kopas ar atšķirīgiem mērogiem.
* Izsaka novirzi viegli saprotamā procentuālā formā.

Trūkumi:

* Var radīt maldinošu priekšstatu, ja sākotnējās vērtības ir ļoti mazas.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relatīvā novirze katram pikselim</p></figcaption></figure>

### Vidējā absolūtā kļūda (MAE) katrā pikselī

Vidējās absolūtās kļūdas (MAE) metode mēra absolūtās atšķirības starp atbilstošajām vērtībām divās datu kopās. Tā skaidri parāda, kur novērojamas lielākās neatbilstības.

Lietošanas apraksts funkcijai `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` un tās parametru skaidrojums ir pieejams [šeit](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Priekšrocības:

* Vienkārša un intuitīva.
* Skaidri izceļ lielas atšķirības.
* Labi darbojas ar datu kopām, kuru mērogi ir līdzīgi.

Trūkumi:

* Neparāda atšķirības virzienu (t. i., vai izmaiņas ir pozitīvas vai negatīvas).
* Jutīga pret izlecējiem.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Vidējā absolūtā kļūda (MAE) katrā pikselī</p></figcaption></figure>

### Noslēgums

Lai iegūtu jēgpilnu informāciju no augsnes skenera datu kopu salīdzinājuma, jāizmanto dažādas matemātiskas pieejas. Neatkarīgi no tā, vai tiek izmantoti absolūtie rādītāji, piemēram, MAE, relatīvās novirzes vai normalizēti salīdzinājumi, piemērotākās metodes izvēle ir atkarīga no konkrētā uzdevuma. Izmantojot šīs metodes, agronomi un pētnieki var uzlabot augsnes analīzi, noteikt lauka variācijas un pilnveidot precīzās lauksaimniecības darba procesus.


---

# 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
