Opbrengstkalibratie & opschonen
Hoe je opbrengstmonitordata in GeoPard reinigt en kalibreert. Inclusief USDA-protocol voor opbrengstopschoning. Los uitschieters, strepen, draaipunten en datasets met meerdere oogstmachines op.
Gebruik GeoPard om opbrengstgegevens te reinigen en opbrengstmonitor-datasets te kalibreren. Krijg een opbrengstkaart waarop je kunt vertrouwen voor zones, voorschriften en analyses. Deze workflow behandelt uitschieters, keerpunten, ontbrekende attributen en opbrengstgegevens van meerdere maaidorsers. Het bevat de USDA-opbrengstreinigingsprotocol en ondersteunt Yield Editor-alternatief workflows.
Dit kalibratieproces is van groot belang voor:
Zorgdragen voor gegevensconsistentie: Het is niet ongebruikelijk dat meerdere maaidorsers gelijktijdig of op verschillende dagen werken. Deze functie zorgt ervoor dat hun data in harmonie samenwerken.
Homogeniseren van gegevens: Opbrengstgegevens kunnen variëren; de kalibratie zorgt dat ze vloeiend en consistent zijn, zonder ongewenste pieken of dalen.
Ruis filteren: Zoals bij alle gegevens kunnen opbrengstdata hun aandeel aan 'ruis' of irrelevante informatie hebben. Wij zorgen dat dit je inzichten niet vertroebelt.
Geometrieën stroomlijnen: Keerpunten of vreemde geometrische patronen kunnen echte inzichten vertekenen. De kalibratie is ontworpen om deze glad te strijken, zodat de data de werkelijke veldrealiteit weerspiegelen.
Bijsnijden op perceelgrens: Maaidorsers werken vaak over aangrenzende percelen. Voor accurate analyseresultaten is het essentieel alleen de data binnen de opgegeven grens in aanmerking te nemen.
Korte overzicht
Praktijkvoorbeelden
In de landbouw kunnen corrupte opbrengstdatasets aanzienlijke uitdagingen veroorzaken. Hieronder vind je praktijkvoorbeelden waar dergelijke datasets werden aangetroffen. Door GeoPard's geavanceerde kalibratie- en reinigingsalgoritmen werden deze datasets effectief verfijnd en geoptimaliseerd.
Meerdere maaidorsers die samenwerken
J-bochten, stops, halve werktuigbreedte gebruikt
Abnormaal grote geregistreerde waarden
Data buiten perceelgrens
Kalibratie met provided gemiddelde opbrengstwaarde
Reinig opbrengstattributen waarbij attributen met anomalieën worden genegeerd
De Yield Dataset bevat soms attributen met onregelmatigheden in vochtigheid, snelheid, hoogte of andere secundaire (niet-opbrengst) attributen. Bij het uitvoeren van Clean- of Calibrate-acties is het essentieel deze anomalieën te negeren. Dit kan efficiënt worden gedaan met de GeoPard Yield Clean-Calibrate-interface.
USDA-opbrengstreinigingsprotocol
Gebruik deze optie wanneer je een herhaalbare, op standaarden gebaseerde yield editor-workflow. Het is geoptimaliseerd voor reinigen van opbrengstmonitorgegevens op schaal.
Uitleg van kalibratielogica's
Padgewijze kalibratie
GEBRUIK Padgewijze kalibratie wanneer een perceel door meerdere machines of over meerdere dagen wordt geoogst, specifiek om systematische verschillen zoals striping of banding te corrigeren. Het is ideaal voor scenario's waar wisselende machine-instellingen, bestuurders of omgevingsomstandigheden consistente overschatting of onderschatting veroorzaken over verschillende sporen.
Cruciaal is dat de AI variatie nodig heeft - zoals onderscheidende sporen, machine-ID's of oogstdatums - om effectief te leren en te kalibreren.
GEBRUIK NIET deze methode voor oogsten met één machine in één aaneengesloten sessie of als de opbrengstkaart geen zichtbare ruimtelijke patronen heeft. Vermijd het ook als de data schaars is of als je alleen totale opbrengstwaarden op perceelsniveau hebt zonder machine-niveau verschillen
Gemiddelde of totale kalibratie
Gemiddelde/Totale kalibratie KAN HET BESTE WORDEN GEBRUIKT wanneer je een hoog vertrouwen hebt in je totale opbrengstgegevens op perceelsniveau, zoals registraties van een weegbrug of opslaglocatie. In plaats van individuele sporen aan te passen, schaalt deze methode de hele dataset zodat het uiteindelijke gemiddelde of totaal overeenkomt met je bekende referentiewaarde. Het wordt vaak beschreven als de eenvoudigste en veiligste kalibratieoptie wanneer de totale cijfers vertrouwd zijn.
Wanneer GEBRUIK je Gemiddelde/Totale Kalibratie:
Bekende referentiewaarden: Je moet deze logica gebruiken wanneer je officiële totale opbrengstrecords hebt (bijv. van een weegbrug) of een zeer betrouwbaar gemiddeld opbrengstcijfer voor het perceel.
Globale biascorrectie: Het is ideaal als de ruimtelijke distributie op de opbrengstkaart correct lijkt, maar de waarden globaal verschoven zijn - wat betekent dat de opbrengstmonitor waarschijnlijk niet gekalibreerd was en consequent te hoge of te lage waarden over het hele perceel rapporteert.
Uniforme oogstomstandigheden: Deze methode is het meest effectief wanneer de oogstomstandigheden redelijk consistent waren tijdens de operatie.
Consistentie bij één machine: Het werkt goed voor oogsten uitgevoerd door één machine die consistent presteerde over het perceel.
Wanneer NIET Gemiddelde/Totale Kalibratie te GEBRUIKEN:
Machine-tot-machine bias: Gebruik deze methode niet als verschillende delen van het perceel door verschillende machines of op verschillende dagen zijn geoogst, wat heeft geleid tot gelokaliseerde biases. In die gevallen zal het schalen van het hele perceel de onderliggende discrepanties tussen machines niet verhelpen.
Zichtbare artefacten: Als je sterke striping, banding of directionele artefacten in je data ziet, zal deze methode die niet oplossen; Padgewijze kalibratie is beter geschikt voor die problemen.
Onvolledige data: Vermijd deze logica als slechts een deel van het perceel is geoogst of als de geregistreerde data onvolledig is, aangezien de totale/gemiddelde waarden misleidend zouden zijn.
Conditionele kalibratie
Conditionele kalibratie dient als een veiligheidscontrole door ervoor te zorgen dat opbrengstwaarden binnen realistische, vooraf gedefinieerde minimum- en maximumwaarden blijven.
Je MOET GEBRUIKEN deze logica omextreme uitschieters en sensorpieken als gevolg van ruis, machine-stops of bochten te verwijderen. Het is ideaal voor het toepassen van specifieke agronomische verwachtingen - zoals "opbrengst kan X niet overschrijden" - zonder een correctie uit te voeren.
Echter, VERMIJD DEZE METHODE als je dataset een globale bias of systematische machinedifferentiatie heeft, aangezien het de data niet schaalt of ruimtelijke patronen niet corrigeert. In wezen houdt het waarden plausibel maar lost het onderliggende kalibratie-offsets niet op.
Strategie voor gebruik
Eerste stap
De module "Yield Calibrate and Clean" wordt direct vanuit de gebruikersinterface gestart. De primaire vereiste is een geüploade Yield Dataset. Naast elke Yield Dataset vind je een knop om met de datasetaanpassingen te beginnen.
Vanaf daar zijn verschillende opties beschikbaar om verder te gaan:
Auto-processing: Gebruik de standaard, door GeoPard aanbevolen instellingen voor een kalibratie met één klik.
Alleen reinigen: Configureer en voer alleen de CLEAN-bewerking uit, inclusief
GeoPard-reiniging: Slimme reiniging van de opbrengstdataset met AI-algoritmen.
USDA (United States Department of Agriculture) reinigingsprotocol voor opbrengst.
Conditionele reiniging: Filter data op basis van aangepaste attribuutdrempels.
Alleen kalibreren: Configureer en voer alleen de CALIBRATE-bewerking uit, inclusief
Padgewijze: Kalibreer opbrengst voor elk individueel machinepad met AI-algoritmen.
Gemiddelde/Totalen: Pas opbrengst aan op basis van het bekende gemiddelde of totale opbrengst van het perceel.
Voorwaardelijke: Wijzig opbrengst binnen ingestelde minimum- en maximumgrenzen om verwachte bereiken te behouden.
Kalibreer & reinig: Kies de volgorde van bewerkingen en pas de parameters aan.
Yield Editor-alternatief: Gebruik Clean Only → USDA (of Kalibreer & reinig) om een handmatige “Yield Editor”-opschoonworkflow te evenaren, maar op schaal. In validatietests kwam de USDA-protocolreiniging overeen met de handmatige Yield Editor-resultaten met R² (R2) = 0,98 (bijna identieke output).
One-button oplossing
Hint voor abnormale waarden die soms inherent zijn aan opbrengstdatasets.
Als een attribute geselecteerd voor kalibratie of reiniging overwegend nulewaarden bevat over het merendeel van de geometrieën , zullen deze geometrieën worden uitgesloten van de uiteindelijke Yield Dataset.Om integriteit te waarborgen, moeten attributen met dergelijke anomalieën worden uitgesloten van de lijst van attributen die worden gekalibreerd.
Volledige richtlijnen
Kies Flow: Hint voor data-anomalieën
workflow wordt aanbevolen.
Als een gebruiker anomalieën in de gegevens tegenkomt, zoals waarden op of nabij nul, of ongewoon grote waarden (bijvoorbeeld een gemiddelde van 10 met een maximum van 8000), wordt de Schoonmaak & Kalibratie Kies Flow: Hint voor data zonder initiële fouten
Het prioriteren van gegevensschoonmaak vóór kalibratie zorgt voor het verwijderen van fouten, ontbrekende waarden of inconsistenties, en verbetert daarmee de gegevenskwaliteit en nauwkeurigheid.
workflow.
Voor datasets die aanvankelijk vrij zijn van fouten, ontbrekende waarden of inconsistenties, en wanneer bekend is dat meerdere hakselaar(sen) betrokken zijn, overweeg dan de Kalibratie & Schoonmaak Reinigingsflow: Hint voor abnormale waarden die soms inherent zijn aan opbrengstdatasets.
Het schoonmaken van de gegevens na kalibratie helpt de dataset verder te verfijnen door mogelijk artefacten te elimineren die tijdens de kalibratie zijn geïntroduceerd.
geselecteerd voor kalibratie of reiniging bevat overwegend
Als een attribute nulewaarden over een meerderheid van de geometrieën Om integriteit te waarborgen, moeten attributen met dergelijke anomalieën worden uitgesloten van de lijst van attributen die worden gereinigd (2).Om integriteit te waarborgen, moeten attributen met dergelijke anomalieën worden uitgesloten van de lijst van attributen die worden gekalibreerd.
Kalibratieflow: Hint voor abnormale waarden die soms inherent zijn aan opbrengstdatasets.
Om integriteit te waarborgen, moeten attributen met dergelijke anomalieën worden uitgesloten van de lijst van attributen die worden gekalibreerd (3).
Als een attribute geselecteerd voor kalibratie of reiniging overwegend nulewaarden bevat over het merendeel van de geometrieën , zullen deze geometrieën worden uitgesloten van de uiteindelijke Yield Dataset.Om integriteit te waarborgen, moeten attributen met dergelijke anomalieën worden uitgesloten van de lijst van attributen die worden gekalibreerd.
Algoritmeversies
Na verwerking worden de uitkomsten naast de originele dataset weergegeven. Ze zijn gemarkeerd met
"Kalibreer" "Reinig" en/of labels, plus de algoritmeversie. Het resultaat van Calibrate & Clean-uitvoering (versie 2)
Laatst bijgewerkt
Was dit nuttig?