> 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/produkta-apskats-timekla-lietotne/zones-maps-and-analytics/multi-layer-analytics.md).

# Analītika vairākos slāņos

Ar GeoPard varat apvienot vairākus datu slāņus, lai izveidotu apsaimniekošanas zonas. Jūs kontrolējat svarus, indeksus, zonu skaitu, klasterizācijas veidu un minimālo poligona laukumu.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Interaktīva demonstrācija — daudzslāņu zonu veidošana*

Precīzā lauksaimniecība rada lielu datu apjomu, tostarp ražības datus, satelītattēlus un augsnes auglības slāņus. Daudzām komandām joprojām ir grūti pārvērst šos slāņus noderīgās atziņās un rīcībā. Precīzajā lauksaimniecībā apsaimniekošanas zonas ir lauka daļas ar līdzīgu ražības potenciālu, ko nosaka augsnes tips, nogāzes novietojums, augsnes ķīmiskais sastāvs, mikroklimats vai citi kultūraugu augšanu ietekmējoši faktori. Svarīga procesa daļa ir arī vietējās zināšanas par lauku. Apsaimniekošanas zonas palīdz optimizēt kultūraugu ieguldījumus un ražības potenciālu.

Galvenais izaicinājums ir izveidot apsaimniekošanas zonas, kas atspoguļo faktisko mainību laukā. Tādu slāņu kā satelītattēli, augsnes auglība, topogrāfiskie atvasinātie dati un ražības monitoringa dati apvienošana ir nākamais loģiskais solis ceļā uz pielāgojamākām apsaimniekošanas zonām.

Daudzslāņu analītika (zināma arī kā integrētā analīze) kļūst par GeoPard telpisko datu analītikas dzinēja daļu.

Integrētajā analīzē parasti apvieno vienu vai vairākas ražības datu kopas, NDVI karti, augstuma datus un augsnes sensoru fizikāli ķīmiskās īpašības. GeoPard atbalsta šos parametrus, kā arī ļauj iekļaut citus sistēmā jau pieejamos lauka datu slāņus vai lietotāja tieši augšupielādētus datus, piemēram, augsnes paraugu ņemšanas un ražības datu kopas. Tādējādi integrētajai analītikai var izmantot pilnu parametru kopu:

Ražības dati\
Attālās izpētes dati:

* Potenciālās produktivitātes karte (viena gada un vairāku gadu)
* Stabilitātes/mainības karte
* Veģetācijas indeksi NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topogrāfija:

* Augstums
* Nogāzes slīpums
* Liekums
* Mitruma indekss
* Nogāzes ekspozīcija
* Reljefa ēnojums
* Reljefa nelīdzenums
* Virsmas raupjums

Augsnes dati:

* pH
* CEC (katjonu apmaiņas kapacitāte)
* SOM (augsnes organiskā viela)
* K (kālijs)
* Plāna augsnes virskārta, mazāka pieejamā ūdensietilpība (sausumam pakļauta augsne)
* EC (elektrovadītspēja)
* un citi augšupielādētajā datu kopā pieejamie ķīmiskie rādītāji

Svarīgi ņemt vērā, ka katram datu slānim var iestatīt pielāgotus faktorus, lai piešķirtu vēlamo svaru. Veidojot apsaimniekošanas zonu kartes, varat izmantot savas zināšanas par lauku un GeoPard atlasīt datu avotus un to svarus.

## Kā darbojas slāņu svari

Svars nosaka, cik lielā mērā katrs slānis ietekmē katru pikseli iegūtajā zonu kartē.

### Vispirms — normalizācija

Ievades slāņiem ir nesavietojamas mērvienības un diapazoni: NDVI ir no 0 līdz 1, ražība — no 4 līdz 12 t/ha, pH — no 5,5 līdz 7,5, EC — no 5 līdz 60 mS/m. Apvienojot sākotnējās vērtības, rezultātā dominētu slānis ar vislielāko skaitlisko diapazonu neatkarīgi no tā agronomiskās nozīmes.

Vispirms GeoPard katru slāni normalizē, izmantojot min-max metodi, un pārveido to kopējā diapazonā, ko nosaka konkrētā slāņa minimālā un maksimālā vērtība laukā. Pēc tam ietekmi nosaka tikai svars.

### Pēc tam tiek piemēroti svari

Katru normalizēto slāni reizina ar tā svaru, un slāņus apvieno vienā virsmā.

### Negatīvi svari apgriež slāņa vērtību skalu

Negatīvs svars apgriež skalu: slāņa lielās vērtības tiek uzskatītas par mazām, bet mazās — par lielām. Izmantojiet to, ja augsti rādījumi liecina par sliktākiem apstākļiem, piemēram:

* Māla saturs slikti drenētā laukā
* Augstums vietās, kur pazeminājumos rodas salnas vai pārmitrums
* EC, ja augsti rādījumi liecina par sāļumu, nevis ūdensietilpību

### Iztrūkstošās vērtības tiek interpolētas

Ja slānī trūkst pikseļu (mākoņu aizsegta satelītaina vieta, izlaists brauciens ražības datu ierakstā, reti augsnes paraugu punkti), GeoPard iztrūkstošās vērtības interpolē, izmantojot apkārtējās vērtības, nevis izmet attiecīgo pikseli. Apvienotā karte saglabājas nepārtraukta visā laukā.

### Rezultāts tiek normalizēts vēlreiz

Pēc svēršanas un apvienošanas rezultāta karte tiek normalizēta vēlreiz, lai aptvertu visu vērtību diapazonu, un pēc tam sadalīta jūsu izvēlētajā zonu skaitā.

{% hint style="info" %}
**Svara izvēle:** vispirms piešķiriet vislielāko svaru slānim, kuram uzticaties visvairāk. Vairāku gadu ražība un ilgtermiņa satelītdati par produktivitāti parasti ir visuzticamākie rādītāji. Vienā datumā iegūti satelītattēli ir visvairāk atkarīgi no konkrētajiem apstākļiem, jo viens attēls atspoguļo vienu sezonas brīdi.
{% endhint %}

Tālāk redzamajos attēlos parādīts parauglauks ar tādiem datu slāņiem kā 18 gadu produktivitātes karte, digitālais augstuma modelis, nogāzes slīpums, reljefa ēnojums un 2019. gada ražības dati, kā arī dažādi integrētās analīzes rezultāti. Varat sekot līdzi apsaimniekošanas zonu izmaiņām, pievienojot arvien jaunus slāņus.

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fthi0JMlu2pSoF0wLOJp4%2FGeoPard%20Multi-Layer%20Maps%20creating.png?alt=media&amp;token=05cd9cea-0069-451d-af90-caa61801aaa1" alt="Multi-layer zones setup with several data layers and weights"><figcaption><p>Slāņi un svari daudzslāņu zonu kartei.</p></figcaption></figure>

<figure><img src="https://1923267647-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrfxM1lvXMqXgHLGug8Ow%2FGeoPard%20Multi-Layer%20Maps%20creating%20-%20result%20map.png?alt=media&amp;token=78d3bfd6-255b-477b-95d5-6bb0de84da61" alt="Multi-layer zones map built from imagery, soil EC, topography and yield"><figcaption><p>Rezultāts: zonas, kas izveidotas, kopā izmantojot attēlus, augsnes EC, topogrāfiju un ražību.</p></figcaption></figure>


---

# 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/produkta-apskats-timekla-lietotne/zones-maps-and-analytics/multi-layer-analytics.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.
