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

# Bodemscannergegevens tussen jaren vergelijken

Dit artikel schetst verschillende wiskundige methoden om verschillen tussen bodemscannerdatasets te kwantificeren en de besluitvorming voor onderzoekers en agronomen te verbeteren.

Bodemsensoren zijn onmisbare hulpmiddelen voor precisielandbouw. Ze maken het mogelijk om gegevens met een hoge resolutie te verzamelen over bodemeigenschappen zoals vochtgehalte, organische stof en nutriëntenniveaus. Het vergelijken van twee datasets van bodemsensoren is belangrijk om veranderingen in de tijd te begrijpen, verschillende meetmethoden te valideren of nieuwe apparaten te kalibreren. In dit artikel bespreken we verschillende wiskundige methoden om de afwijking tussen twee datasets van bodemsensoren te meten. Zo krijgen onderzoekers en agronomen praktische inzichten.

### Afwijkingen in gegevens van bodemsensoren begrijpen

De afwijking tussen twee datasets van bodemsensoren verwijst naar de verschillen tussen gemeten waarden op dezelfde locaties. Deze kunnen ontstaan door variaties in de meetomstandigheden, sensorkalibratie of veranderingen in de bodem. De meest voorkomende soorten afwijkingen zijn:

* Absolute verschillen: directe aftrekking van waarden in de datasets.
* Relatieve verschillen: vergelijking op basis van de grootte van de metingen.
* Foutmaten: statistische maten zoals de gemiddelde absolute fout (MAE) en het genormaliseerde verschil.

Er zijn twee datasets van bodemsensoren met kaliumgegevens uit 2024 en 2025 gekozen.

<figure><img src="https://3615228694-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>Oorspronkelijke datasets van bodemsensoren</p></figcaption></figure>

### De juiste methode voor afwijkingsmeting kiezen

| Methode                                  | Geschikt voor                                                    |
| ---------------------------------------- | ---------------------------------------------------------------- |
| Direct verschil                          | Eenvoudige visualisatie van positieve en negatieve veranderingen |
| Relatief verschil                        | Datasets met verschillende schalen vergelijken                   |
| Genormaliseerd verschil                  | Gestandaardiseerde analyse van verschillende datasets            |
| Relatieve afwijking                      | Proportionele verschillen, nuttig voor trendanalyses             |
| Gemiddelde absolute fout (MAE) per pixel | Gebieden met grote absolute verschillen opsporen                 |

### Het directe verschil berekenen

Bij de methode voor het directe verschil wordt de ene dataset eenvoudigweg van de andere afgetrokken, zodat veranderingen in bodemeigenschappen direct zichtbaar worden.

Het gebruik van `geopard.calculate_difference(dataset_1, dataset_2)` met uitleg van de parameters wordt beschreven [hier](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Voordelen:

* Laat positieve en negatieve veranderingen duidelijk zien.
* Gemakkelijk te interpreteren en te visualiseren.

Nadelen:

* Verschilwaarden zijn lastig te vergelijken als de datasets verschillende schalen hebben.
* Grote variatie kan de interpretatie domineren.

<figure><img src="https://3615228694-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>Het directe verschil berekenen</p></figcaption></figure>

### Het relatieve verschil berekenen

De methode voor het relatieve verschil berekent de procentuele verandering tussen de datasets ten opzichte van de tweede dataset. Dit biedt een ander perspectief op de afwijking.

Het gebruik van `geopard.calculate_relative_difference(dataset_1, dataset_2)` met uitleg van de parameters wordt beschreven [hier](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Voordelen:

* Geschikt om te begrijpen hoeveel de ene dataset is veranderd ten opzichte van de andere.
* Normaliseert verschillen bij uiteenlopende meetwaarden.

Nadelen:

* Kan instabiel worden wanneer waarden in de tweede dataset dicht bij nul liggen.
* Minder intuïtief wanneer absolute verschillen van belang zijn.

<figure><img src="https://3615228694-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>Het relatieve verschil berekenen</p></figcaption></figure>

### Het genormaliseerde verschil berekenen

Bij de methode voor het genormaliseerde verschil worden de datasets eerst genormaliseerd op basis van hun globale maximumwaarde. Daarna worden de verschillen berekend, zodat variaties op verschillende schalen vergelijkbaar zijn.

Het gebruik van `geopard.calculate_normalized_difference(dataset_1, dataset_2)` met uitleg van de parameters wordt beschreven [hier](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Voordelen:

* Doeltreffend voor datasets met verschillende dynamische bereiken.
* Verkleint de invloed van extreme waarden.

Nadelen:

* Kleine variaties kunnen overdreven lijken als ze niet goed worden geschaald.

<figure><img src="https://3615228694-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>Het genormaliseerde verschil berekenen</p></figcaption></figure>

### Relatieve afwijking per pixel

De methode voor relatieve afwijking berekent de afwijking als een percentage ten opzichte van de eerste dataset. Zo worden verhoudingsverschillen inzichtelijk in plaats van absolute verschillen.

Het gebruik van `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` met uitleg over de parameters is gedocumenteerd [hier](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Voordelen:

* Handig bij het vergelijken van datasets met verschillende schalen.
* Drukt de afwijking uit als een begrijpelijk percentage.

Nadelen:

* Kan misleidend zijn als de oorspronkelijke waarden erg klein zijn.

<figure><img src="https://3615228694-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>Relatieve afwijking per pixel</p></figcaption></figure>

### Gemiddelde absolute fout (MAE) per pixel

De methode voor de gemiddelde absolute fout (MAE) meet de absolute verschillen tussen overeenkomstige waarden in twee datasets. Zo wordt duidelijk waar de grootste afwijkingen optreden.

Het gebruik van `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` met uitleg over de parameters is gedocumenteerd [hier](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Voordelen:

* Eenvoudig en intuïtief.
* Maakt grote verschillen duidelijk zichtbaar.
* Werkt goed voor datasets met vergelijkbare schalen.

Nadelen:

* Geeft niet de richting van het verschil weer (oftewel: een positieve of negatieve verandering).
* Gevoelig voor uitschieters.

<figure><img src="https://3615228694-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>Gemiddelde absolute fout (MAE) per pixel</p></figcaption></figure>

### Conclusie

Voor het vergelijken van datasets van bodemsensoren zijn verschillende wiskundige methoden nodig om betekenisvolle verschillen te bepalen. Of u nu absolute maatstaven zoals MAE, relatieve afwijkingen of genormaliseerde vergelijkingen gebruikt: de juiste methode hangt af van de toepassing. Met deze technieken kunnen landbouwkundigen en onderzoekers bodemanalyses verbeteren, variaties binnen percelen opsporen en workflows voor precisielandbouw optimaliseren.


---

# 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/nl/agronomie/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.
