> 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/api-dokumentacija/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutācija: kalibrēt un notīrīt YieldDataset

API izsaukumi ražības datu kopu tīrīšanai un kalibrēšanai

“YieldDataset” kalibrēšana ir funkcija, kas koriģē vērtību sadalījumu atbilstoši matemātiskiem principiem, uzlabojot datu kopas kopējo integritāti. Tā uzlabo lēmumu pieņemšanas kvalitāti un padara datu kopu vērtīgu turpmākai padziļinātai analīzei.

Šo funkciju parasti izmanto, lai:

* sinhronizētu datus, ja vienlaikus vai vairāku dienu laikā strādājuši vairāki kombaini, nodrošinot datu konsekvenci;
* padarītu datu kopu viendabīgāku un precīzāku, izlīdzinot svārstības;
* noņemtu datu troksni un lieko informāciju, kas var apgrūtināt atziņu gūšanu;
* novērstu apgriešanās vietas vai neparastas ģeometrijas, kas var izkropļot faktiskos rakstus un tendences laukā;
* pielāgotu ražības datus, lai tie atbilstu katra atribūta noteiktajiem vidējiem rādītājiem vai kopsummām.

Lai uzzinātu vairāk un skatītu piemērus, skatiet mūsu [ražības datu kalibrēšanas un tīrīšanas](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) lietošanas gadījumu.

### Sākotnējā YieldDataset datu kopa ar atribūtu WetMass

Tālāk redzamajā 30 ha laukā paralēli strādāja pieci kombaini. Viena kombaina kalibrēšana nebija sinhronizēta ar pārējo kombainu kalibrēšanu, tāpēc parādījās <mark style="color:oranžs;">oranži</mark> apgabali, kas norāda, ka nepieciešama papildu `CALIBRATION` darbība. Turklāt ir daudz apgriešanās vietu — <mark style="color:sarkanu;">sarkanu</mark> apgabalu tuvāk lauka malām, kas jānovērš.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Sākotnējā YieldDataset datu kopa ar atribūtu WetMass</p></figcaption></figure>

### Kalibrēta un tīrīta YieldDataset datu kopa ar atribūtu WetMass

Tālāk redzamais rezultāts parāda datu kopu pēc automātisku darbību `CALIBRATE` un `CLEAN` izpildes, izmantojot noklusējuma parametrus. Iegūtā “YieldDataset” datu kopa ir kļuvusi viendabīga, bez novirzēm un krasām izmaiņām starp blakus esošām ģeometrijām.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibrēta un tīrīta YieldDataset datu kopa ar atribūtu WetMass</p></figcaption></figure>

### Maršrutu, vidējās vērtības/kopsummas un nosacījumu opcijas

**Kalibrēšana pēc maršrutiem** atbilst tehnikas kustības maršrutiem. Kalibrēšanas vajadzībām katrs tehnikas maršruts tiek apstrādāts kā atsevišķs reģions. GeoPard komanda iesaka šo metodi izmantot kā standarta pieeju.

**Kalibrēšana pēc vidējās vērtības/kopsummas** ir vērsta uz atribūtu vērtību pārdali. Šī metode noder, ja ģeotelpiskie raksti ir precīzi, bet absolūtās vērtības atšķiras no faktiskajām. Lai iegūtu optimālus rezultātus, GeoPard iesaka to apvienot ar kalibrēšanu pēc maršrutiem: vispirms veikt kalibrēšanu pēc maršrutiem un pēc tam pielāgot datus zināmajām vidējām vērtībām vai kopsummām.

**Nosacījumu kalibrēšana** pielāgo atribūtu vērtības, ņemot vērā norādītās minimālās un maksimālās robežvērtības. Šī metode ir īpaši noderīga, ja ģeotelpiskie raksti ir precīzi, bet vērtību sadalījums ir jāpielāgo, it īpaši tad, ja ir zināmas minimālās un maksimālās vērtības. Lai iegūtu labākos rezultātus, GeoPard iesaka to apvienot ar kalibrēšanu pēc maršrutiem: vispirms veikt kalibrēšanu pēc maršrutiem un pēc tam pielāgot datus zināmajām minimālajām un maksimālajām vērtībām.

### Ieteikumi

{% hint style="warning" %}
**Ieteikums datu anomāliju gadījumā**

Ja lietotājs datos konstatē 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** ar parametriem `actions: [CLEAN, CALIBRATE]`.

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" %}
**Ieteikums datiem bez sākotnējām kļūdām**

Ja datu kopā sākotnēji nav kļūdu, trūkstošu vērtību vai neatbilstību un ir zināms, ka izmantoti vairāki kombaini, apsveriet darbplūsmu **Kalibrēšana un tīrīšana** ar parametriem `actions: [CALIBRATE, CLEAN]`.

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

### Dokumentācija: mutācijas informācija

Standarta noklusējuma konfigurācijā ir iespējota automātiska “YieldDataset” kalibrēšana un tīrīšana.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Uzlabotāks piemērs ļauj manuāli iestatīt minimālās/maksimālās vērtības un ietver papildu atribūtus.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Lai ievērotu USDA protokolu attiecībā uz `CLEAN` darbību, jānorāda VISAS kolonnas sadaļā `cleanAction` -> `conditionMinMaxClean` vai jānorāda daļa no tām sadaļā `cleanAction` -> `conditionMinMaxClean` un pārējās — sadaļā `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Ievades parametri:

* `actions` kā masīvu, kas ļauj izvēlēties *koriģēšanas darbības un to izpildes secību* ; atbalstītās vērtības ir `CLEAN` un `CALIBRATE`.
* `calibrateAction` kā objektu, kurā ietverta ar darbību saistītā konfigurācija `CALIBRATE` .
  * `calibrationAttributes` kā kalibrējamo atribūtu masīvs, kas parasti ir saistīts ar ražīguma kolonnu.
  * `smoothWindowSize` kā nepāra vesels skaitlis, kas izlīdzina rezultātu vērtības un mazina to krasas svārstības.
  * `conditionPathwiseCalibration` kā objekts ar **pa maršrutu** kalibrēšanu, kas atbilst tehnikas sliedēm. Kalibrēšanas vajadzībām katra tehnikas sliede tiek apstrādāta kā atsevišķs reģions.
    * `calibrationBasis` kā virkne, kas norāda kalibrēšanas pamatā izmantoto atribūtu.
    * `maxHomogeneityRegion` kā Būla vērtība, kas norāda, vai kalibrēšanai par atsauces reģionu izmanto maksimālās viendabības reģionu.
    * `syntheticMachinePath` kā Būla vērtība, kas norāda, vai simulēt tehnikas maršrutus. Tas ir noderīgi, ja nav pieejams precīzs tehnikas maršruta atribūts un maršruts jāsimulē, izmantojot laikspiedolus vai līdzīgu atribūtu.
  * `conditionAvgTotalCalibration` kā objekts ar **vidējās vērtības/kopsummas** kalibrēšanu, kas pārdala atribūtu vērtības. Šī metode ir noderīga, ja ģeotelpiskie raksti ir precīzi, bet absolūtās vērtības atšķiras no faktiskajām.
    * `calibrationAttribute` kā virkne, kas norāda kalibrējamo atribūtu.
    * `average` kā skaitlis, kas norāda atribūta vidējo vērtību; atribūta vērtībām tai jāatbilst. Vienlaikus jāizmanto tikai viena opcija — vai nu `average` vai `total`.
    * `total` kā skaitlis, kas norāda atribūta vērtību kopējo summu; šo vērtību kopsummai tai jāatbilst. Vienlaikus jāizmanto tikai viena opcija — vai nu `average` vai `total`.
  * `conditionMinMaxCalibration` kā objekts ar **nosacījumu** kalibrēšanu, kas koriģē atribūtu vērtības atbilstoši norādītajām minimālajām un maksimālajām robežvērtībām.
    * `calibrationAttribute` kā virkne, kas norāda kalibrējamo atribūtu.
    * `min` kā skaitlis, kas norāda atribūta minimālo vērtību un kalibrēšanas diapazona apakšējo robežu.
    * `minIncluded` kā Būla vērtība, kas norāda, vai iekļaut minimālo vērtību.
    * `max` kā skaitlis, kas norāda atribūta maksimālo vērtību un kalibrēšanas diapazona augšējo robežu.
    * `maxIncluded` kā Būla vērtība, kas norāda, vai iekļaut maksimālo vērtību.
* `cleanAction` kā objekts, kurā ietverta konfigurācija, kas saistīta ar `CLEAN` darbību.
  * `conditionAutoClean` kā objekts, kurā ietverta automātiskās tīrīšanas algoritmam specifiskā konfigurācija.
    * `targetAttribute` kā virkne, kas norāda mērķa ražīguma vērtības.
    * `excludedAttributes` kā virkņu masīvu, kas nosaka atribūtus, kuri neietekmē tīrīšanas darbību.
  * `conditionMinMaxClean` kā objektu masīvu, kurā ietverti aprakstītie tīrīšanas noteikumi; katrā objektā ir šādi parametri.
    * cleanAttribute kā virkne, kas norāda noteikumam piemērojamās kolonnas nosaukumu.
    * `min` kā skaitlis, kas norāda minimālo vērtību.
    * `max` kā skaitlis, kas norāda maksimālo vērtību.

{% hint style="info" %}
Lai skatītu ievades datus un iegūtu jaunākās pieejamās uzskaitījumu vērtības (piemēram, `operations`), ieteicams izmantot [Altair](https://docs.geopard.tech/geopard-tutorials/lva/api-dokumentacija/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentācija: YieldDataset vaicājums

Kā GeoPard API lietotājs varat iegūt informāciju par YieldDataset veiktajām korekcijām, izmantojot atribūtus `appliedCorrections` un `appliedCorrectionsVersion`. Pirmais atribūts sniedz veikto korekciju sarakstu (piemēram, `CALIBRATE` un `CLEAN`), un izpildes secību norāda to secība masīvā. Savukārt `appliedCorrectionsVersion` norāda izmantotā algoritma versiju.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-dokumentacija/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
