> 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/yield-and-trials/comparing-yield-datasets.md).

# Opbrengstdatasets vergelijken

Vergelijk opbrengstdatasets om diepere inzichten te krijgen in gewasprestaties over seizoenen heen, inclusief correcte opbrengstreiniging en kalibratie en gebruik van synthetische opbrengst.

## Context

Moderne landbouwbesluitvorming is sterk afhankelijk van opbrengstdatasets, die de verzamelde opbrengstgegevens weergeven en een groot deel van het inkomen van telers bepalen. Deze datasets moeten nauwkeurig en van hoge kwaliteit zijn om beslissingen over inputbeheer te ondersteunen en toekomstige strategieën voor zaaien en bemesten te optimaliseren.

Opbrengstgegevens worden doorgaans verzameld door oogstmachines, maar ruwe metingen zijn vaak onvolledig, bevatten fouten of moeten worden gekalibreerd om inconsistenties in sensoren en variabele veldomstandigheden te corrigeren. Om deze uitdagingen het hoofd te bieden, gebruiken professionals vaak technieken voor opschoning en kalibratie, en voor het genereren van synthetische datasets, zodat betrouwbare en vergelijkbare opbrengstgegevens ontstaan.

Zowel[ Opbrengstgegevens opschonen en kalibreren](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) als [Opbrengstgegevens synthetisch aanvullen](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/synthetic-yield-map.md) worden ondersteund door GeoPard.

<mark style="background-color:yellow;">Door opbrengstdatasets van verschillende teeltjaren te vergelijken, krijgt u waardevolle inzichten. Zo kunt u teeltmaatregelen valideren, de nauwkeurigheid van sensoren controleren en strategieën voor komende seizoenen verbeteren.</mark> Deze vergelijkingen helpen ook bij het verfijnen van bemestings- en zaaizaadvoorschriften, zodat elke beslissing op betrouwbare informatie is gebaseerd.

## Vergelijkingsmethode (met behulp van de Similarity Equation)

Voor een kwantitatieve vergelijking van opbrengstdatasets gebruiken we een vooraf opgeslagen vergelijking met de naam <mark style="background-color:yellow;">Spatial Correlation Analysis (Data Layers Similarity)</mark> die de overeenkomst meet tussen opbrengstgerelateerde kenmerken uit opbrengstdatasets, op basis van hun ruimtelijke ligging.

Deze vergelijking kent een overeenkomstscore toe die aangeeft in hoeverre twee datasets overeenkomen qua ruimtelijk patroon en waardeverdeling.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Zoek de bestaande vergelijking voor gelijkenis tussen gegevenslagen</p></figcaption></figure>

<mark style="background-color:yellow;">De overeenkomstwaarden lopen van 0 tot 1. Een waarde van 0 betekent geen overeenkomst en 1 staat voor een volledige overeenkomst in waarden en ruimtelijke verdeling</mark>. Met andere woorden: hoe dichter de overeenkomstscore bij 1 ligt, hoe meer de opbrengstkenmerken overeenkomen.

## **Reële opbrengstdataset (2015** Soja **vs. 2018** Soj&#x61;**)**

In dit geval beginnen we met ruwe opbrengstgegevens die tijdens twee verschillende teeltseizoenen, 2015 en 2018, voor hetzelfde gewas, soja, zijn verzameld. De oorspronkelijke datasets bevatten abnormaal hoge en lage waarden, vooral aan het begin en einde van werkgangen van de oogstmachine. De gegevens moeten daarom enigszins opnieuw worden gekalibreerd.

Na toepassing van de opschonings- en kalibratietools van GeoPard is de resulterende dataset uniformer en consistenter, en eenvoudiger te interpreteren.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soja 2015: oorspronkelijke versus opgeschoonde en gekalibreerde opbrengstgegevens</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soja 2018: oorspronkelijke versus opgeschoonde en gekalibreerde opbrengstgegevens</p></figcaption></figure>

Hieronder ziet u een schermafbeelding van de uitvoeringskaart van de Similarity Equation.

Statistisch gezien zijn het hoge gemiddelde (0,869) en de hoge mediaan (0,876) een aanwijzing dat <mark style="background-color:yellow;">de opbrengstpatronen van soja in 2018 sterk overeenkomen met die van 2015</mark>. Hoewel de overeenkomst in sommige gebieden daalt tot 0,599, bevestigen de geringe variatie (0,005) en de beperkte standaardafwijking (0,073) <mark style="background-color:yellow;">dat het geheel consistent is</mark>.

Vanuit agronomisch oogpunt <mark style="background-color:yellow;">wijst deze stabiliteit erop dat de onderliggende omstandigheden van het perceel en de reacties op teeltmaatregelen grotendeels ongewijzigd zijn gebleven</mark>.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Opbrengstovereenkomst vergelijken: soja 2015 versus soja 2018</p></figcaption></figure>

## **Reële opbrengstdataset (2022** Maïs **vs. 2024** Maï&#x73;**)**

In dit scenario beginnen we met ruwe opbrengstgegevens van twee maïsseizoenen: 2022 en 2024. De oorspronkelijke datasets bevatten afwijkingen, zoals abnormaal hoge of lage waarden, kruisende werkgangen en gebogen rijlijnen. Dit wijst erop dat de sensoren opnieuw moeten worden gekalibreerd.

Na toepassing van de opschonings- en kalibratietools van GeoPard zijn de datasets betrouwbaarder en geschikt voor geautomatiseerde analyse en goed onderbouwde besluitvorming.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Maïs 2022: oorspronkelijke versus opgeschoonde en gekalibreerde opbrengstgegevens</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Maïs 2024: oorspronkelijke versus opgeschoonde en gekalibreerde opbrengstgegevens</p></figcaption></figure>

Hieronder ziet u een schermafbeelding van de uitvoeringskaart van de Similarity Equation.

Statistisch gezien laten een gemiddelde van 0,791 en een mediaan van 0,799 zien dat <mark style="background-color:yellow;">de maïsopbrengsten van 2024 grotendeels overeenkomen met die van 2022</mark>, hoewel waarden tot slechts 0,413 in sommige gebieden op variatie wijzen. Een standaardafwijking van 0,115 bevestigt <mark style="background-color:yellow;">dat er enige verschillen zijn binnen het perceel</mark>.

Vanuit agronomisch oogpunt <mark style="background-color:yellow;">wijzen consistente patronen op stabiele omstandigheden en doeltreffend beheer door de jaren heen</mark>. Lokale <mark style="background-color:yellow;">zones met een lagere overeenkomst kunnen echter gerichte aanpassingen vereisen om de opbrengst in de toekomst te verbeteren</mark>.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Opbrengstovereenkomst vergelijken: maïs 2022 versus maïs 2024</p></figcaption></figure>

## **Synthetische versus reële opbrengstdataset (2023** Koolzaad)

In dit scenario beginnen we met een ruwe opbrengstdataset uit het koolzaadseizoen van 2023 en een synthetisch gegenereerde opbrengstdataset voor hetzelfde gewas en hetzelfde jaar. <mark style="background-color:yellow;">Het doel is de ruimtelijke nauwkeurigheid van de werkelijke opbrengst ten opzichte van de synthetische opbrengst te beoordelen. Zo kunnen niet-geregistreerde gegevens worden aangevuld, hiaten in opbrengstgegevens worden opgevuld en afwijkingen worden gecorrigeerd met synthetische waarden</mark>. De dataset met werkelijke opbrengst bevat problemen zoals abnormaal hoge of lage metingen, overlappende werkgangen, gebogen rijlijnen en werkgangen met nulopbrengst. Dit wijst er allemaal op dat de sensoren opnieuw moeten worden gekalibreerd.

Nadat we GeoPards [Opschonen en kalibreren](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) hebben toegepast op de gegevens over de werkelijke opbrengst en [synthetische opbrengst](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/synthetic-yield-map.md) voor koolzaad hebben gegenereerd, kunnen we de overeenkomst tussen beide zinvol vergelijken.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Koolzaad 2023: oorspronkelijke opbrengst versus opgeschoonde en gekalibreerde opbrengstgegevens</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Synthetische opbrengst van koolzaad 2023</p></figcaption></figure>

Hieronder ziet u een schermafbeelding van de uitvoeringskaart van de Similarity Equation.

Statistisch gezien wijzen de hoge gemiddelde score (0,889) en mediaan (0,904) erop dat <mark style="background-color:yellow;">de ruimtelijke patronen van de synthetische opbrengstdataset over het geheel genomen sterk overeenkomen met die van de werkelijke koolzaadopbrengst in 2023</mark>. Hoewel de score in één gebied daalt tot 0,291, wijzen de geringe variatie (0,006) en de bescheiden standaardafwijking (0,08) erop dat <mark style="background-color:yellow;">de werkelijke en synthetische datasets in het grootste deel van het perceel sterk overeenkomen, met zeer weinig uitschieters</mark>.

Vanuit agronomisch oogpunt betekent deze sterke overeenkomst dat <mark style="background-color:yellow;">de synthetische opbrengstgegevens kunnen dienen als betrouwbare benadering van de werkelijke omstandigheden op het perceel</mark>, wat het vertrouwen versterkt in het gebruik van gemodelleerde scenario’s als leidraad voor beslissingen. <mark style="background-color:yellow;">De synthetische opbrengstmodellering geeft de landbouwkundige praktijken die in de gegevens over de werkelijke opbrengst tot uiting komen goed weer</mark>, zodat toekomstige beheerstrategieën beter onderbouwd en consistenter kunnen worden gepland.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Vergelijking van de opbrengstovereenkomst voor koolzaad: werkelijk 2023 versus synthetisch 2023</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/nl/agronomie/yield-and-trials/comparing-yield-datasets.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.
