> 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/yield-calibration-and-cleaning.md).

# Opbrengstgegevens opschonen en kalibreren: fouten uit opbrengstkaarten verwijderen

Opschonen van opbrengstmonitorgegevens: stroomvertraging, begin en einde van de werkgang, keren, overlap, uitschieters in snelheid en vochtgehalte en kalibratie van meerdere maaidorsers, voordat je zones maakt.

Ruwe opbrengstmonitordata bevat fouten door stroomvertraging, het begin en einde van werkgangen, keren, overlappende maaiborden en maaidorsers die verschillend zijn gekalibreerd. Maak de data schoon voordat je taakkaarten maakt of een proef beoordeelt; anders toont de kaart de machine in plaats van het perceel. GeoPard volgt automatisch het USDA-protocol voor het opschonen van opbrengstdata, laat je filters handmatig instellen en kalibreert meerdere maaidorsers op één bekende totale of gemiddelde opbrengst.

{% hint style="info" %}
Bekijk de interactieve pagina voor het opschonen van opbrengstdata op geopard.tech: [Opbrengstdata opschonen](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Bestanden met opbrengstdata van vorig seizoen opschonen: [Gratis starten](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Gebruik GeoPard om **opbrengstdata op te schonen** en **datasets van opbrengstmonitors te kalibreren**. Maak een opbrengstkaart waarop je kunt vertrouwen voor zones, taakkaarten en analyses. Deze workflow verwerkt uitschieters, keren, ontbrekende attributen en opbrengstdata van meerdere oogstmachines. De workflow bevat het **USDA-protocol voor het opschonen van opbrengstdata** en ondersteunt workflows als alternatief voor **Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Videozelfstudie over het opschonen en kalibreren van opbrengstdata. Uitleg over de verschillen tussen de opties.
{% endembed %}

Dit kalibratieproces is belangrijk voor:

1. **De consistentie van gegevens waarborgen**: Het komt regelmatig voor dat meerdere oogstmachines tegelijk of op verschillende dagen aan het werk zijn. Deze functie zorgt ervoor dat hun gegevens goed op elkaar aansluiten.
2. **Gegevens homogeniseren**: Opbrengstdata kan variëren; de kalibratie zorgt voor vloeiende, consistente gegevens zonder ongewenste pieken of dalen.
3. **Ruis filteren**: Zoals bij alle gegevens kan opbrengstdata 'ruis' of irrelevante informatie bevatten. We zorgen ervoor dat dit je inzichten niet vertroebelt.
4. **Geometrieën stroomlijnen**: Keren en afwijkende geometrische patronen kunnen de werkelijke inzichten vertekenen. De kalibratie is erop gericht deze onregelmatigheden weg te werken, zodat de gegevens de situatie op het perceel goed weergeven.
5. **Uitsnijden op basis van perceelsgrens**: Oogstmachines werken vaak op aangrenzende percelen. Voor nauwkeurige analyseresultaten is het belangrijk alleen gegevens binnen de opgegeven grens mee te nemen.

{% hint style="info" %}
De interface voor opbrengstkalibratie gebruikt het GeoPard API-eindpunt voor opbrengst opschonen/kalibreren ([GeoPard API: opbrengstdataset kalibreren en opschonen](https://docs.geopard.tech/geopard-tutorials/nl/api-documentatie/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). De interface voert de bewerkingen `CALIBRATE` en `CLEAN` uit via de gebruikersinterface of de API.
{% endhint %}

## Kort overzicht

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/abad53110554d5f655c4f69d98da6f15872ffc7f" %}
Brochure over opbrengstdata opschonen downloaden (PDF)
{% endfile %}

## Praktijkvoorbeelden

In de landbouw kunnen beschadigde opbrengstdatasets voor grote uitdagingen zorgen. Hieronder vind je praktijkvoorbeelden van dergelijke datasets. Met de geavanceerde kalibratie- en opschoonalgoritmen van GeoPard zijn deze datasets effectief verbeterd en geoptimaliseerd.

{% hint style="info" %}
Wil je gebieden zonder geregistreerde opbrengstdata aanvullen en de opbrengstkaart volledig maken? Overweeg dan de GeoPard-aanpak voor synthetische opbrengstkaarten. Deze methode herstelt ontbrekende gegevens, zodat je de opbrengst volledig kunt analyseren. Meer informatie [vind je hier](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Meerdere oogstmachines tegelijk aan het werk

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Voorbeeld 1: meerdere oogstmachines tegelijk aan het werk</p></figcaption></figure>

{% hint style="info" %}
Voor optimale nauwkeurigheid wordt bij complexe situaties een kalibratie in twee stappen aanbevolen. Voer eerst de initiële kalibratie uit met het attribuut Machine ID. Voer daarna een tweede kalibratieronde uit en vink daarbij Simulated (Synthetic) Machine Paths aan. Dankzij deze gelaagde aanpak krijg je een grondige en nauwkeurige kalibratie, die essentieel is om complexe situaties goed af te handelen.
{% endhint %}

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Voorbeeld 2: meerdere oogstmachines tegelijk aan het werk</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Voorbeeld 3: meerdere oogstmachines tegelijk aan het werk</p></figcaption></figure>

### J-bochten, stops en halve werkbreedte gebruikt

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Voorbeeld 1: U-bochten, stops en halve werkbreedte gebruikt</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Voorbeeld 2: U-bochten, stops en halve werkbreedte gebruikt</p></figcaption></figure>

### Abnormaal hoge geregistreerde waarden

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Voorbeeld 1: abnormaal hoge geregistreerde waarden</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Voorbeeld 2: abnormaal hoge geregistreerde waarden</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Voorbeeld 3: abnormaal hoge geregistreerde waarden</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Voorbeeld 4: abnormaal hoge geregistreerde waarden</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Voorbeeld 5: abnormaal hoge geregistreerde waarden</p></figcaption></figure>

### Gegevens buiten de perceelsgrens

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Voorbeeld: gegevens buiten de perceelsgrenzen</p></figcaption></figure>

### Kalibreren met de opgegeven gemiddelde opbrengst

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Voorbeeld: kalibreren met de opgegeven gemiddelde opbrengst (28 t/ha)</p></figcaption></figure>

### Opbrengstkenmerken opschonen en kenmerken met afwijkingen negeren

De opbrengstdataset bevat soms kenmerken met afwijkingen in vochtgehalte, snelheid, hoogte of andere secundaire kenmerken (niet gerelateerd aan de opbrengst). Tijdens het uitvoeren van opschonings- of kalibratieactiviteiten is het belangrijk deze afwijkingen te negeren. Dit kan eenvoudig via de interface voor het opschonen en kalibreren van opbrengstgegevens van GeoPard.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Voorbeeld: afwijkingen in het vochtigheidskenmerk</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Voorbeeld: opbrengstgegevens opschonen en afwijkingen in het vochtgehalte negeren</p></figcaption></figure>

### USDA-protocol voor het opschonen van opbrengstgegevens

Gebruik deze optie als u een **herhaalbare workflow voor het bewerken van opbrengstgegevens volgens standaarden**nodig hebt. Deze is geoptimaliseerd voor **het opschonen van opbrengstmonitordata** op grote schaal.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Voorbeeld: opbrengstgegevens opschonen met het USDA-protocol</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Voorbeeld: opbrengstgegevens opschonen met het USDA-protocol</p></figcaption></figure>

## Toelichting op kalibratiemethoden

### Kalibratie per rijgang

**GEBRUIK** **kalibratie per rijgang** wanneer een perceel <mark style="background-color:green;">met meerdere machines of op verschillende dagen wordt geoogst, met name om systematische verschillen, zoals strepen of banden, te corrigeren.</mark> Deze methode is ideaal wanneer verschillende machine-instellingen, operators of omgevingsomstandigheden op verschillende rijgangen tot een stelselmatige over- of onderschatting leiden.

Belangrijk: <mark style="background-color:yellow;">de AI heeft variatie nodig, zoals verschillende rijgangen, machine-ID's of oogstdatums, om effectief te kunnen leren en kalibreren.</mark>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Voorbeeld: opbrengst (nat gewicht) en 9 maaidorsers</p></figcaption></figure>

**GEBRUIK DEZE METHODE NIET** voor oogsten met één machine in één ononderbroken werkgang of als de opbrengstkaart geen zichtbare ruimtelijke patronen vertoont. Vermijd deze methode ook als de gegevens schaars zijn of als u alleen de totale opbrengst per perceel hebt, zonder verschillen per machine.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Voorbeeld: statistisch correcte gegevensverdeling</p></figcaption></figure>

### Kalibratie op basis van gemiddelde of totaal

**KALIBRATIE OP BASIS VAN GEMIDDELDE/TOTAAL IS HET MEEST GESCHIKT** wanneer <mark style="background-color:green;">u veel vertrouwen hebt in de opbrengstgegevens voor het hele perceel, bijvoorbeeld gegevens van een weegbrug of opslaglocatie.</mark> In plaats van afzonderlijke rijgangen aan te passen, schaalt deze methode de volledige dataset zodat het uiteindelijke gemiddelde of totaal overeenkomt met de bekende referentiewaarde. Als u vertrouwen hebt in de totalen, wordt dit vaak gezien als de eenvoudigste en veiligste kalibratiemethode.

Wanneer u **kalibratie op basis van gemiddelde/totaal GEBRUIKT:**

* **Bekende referentiewaarden**: gebruik deze methode als u officiële gegevens over de totale opbrengst hebt (bijvoorbeeld van een weegbrug) of een zeer betrouwbare gemiddelde opbrengst voor het perceel.
* **Correctie van algemene afwijking**: deze methode is ideaal als de ruimtelijke verdeling op de opbrengstkaart er goed uitziet, maar de waarden over het hele perceel verschoven zijn. De opbrengstmonitor was dan waarschijnlijk niet gekalibreerd en geeft overal op het perceel consequent te hoge of te lage waarden aan.
* **Gelijkmatige oogstomstandigheden**: deze methode werkt het best als de oogstomstandigheden gedurende de werkzaamheden relatief constant waren.
* **Consistente werkwijze met één machine**: deze methode werkt goed voor oogsten met één machine die het perceel op een consistente manier heeft bewerkt.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Voorbeeld: statistisch correcte gegevensverdeling met de vereiste verschuiving op basis van de gemiddelde opbrengst</p></figcaption></figure>

Wanneer u **kalibratie op basis van gemiddelde/totaal NIET GEBRUIKT:**

* **Afwijkingen tussen machines**: gebruik deze methode niet als verschillende delen van het perceel door verschillende machines of op verschillende dagen zijn geoogst, waardoor lokale afwijkingen zijn ontstaan. In die gevallen worden de onderliggende verschillen tussen machines niet opgelost door het hele perceel te schalen.
* **Zichtbare artefacten**: Als je sterke strepen, banding of richtingsartefacten in je gegevens ziet, lost deze methode die niet op; <mark style="background-color:green;">Padgewijze kalibratie is geschikter voor deze problemen</mark>.
* **Onvolledige gegevens**: Gebruik deze logica niet als slechts een deel van het perceel is geoogst of als de geregistreerde gegevens onvolledig zijn, omdat de totale/gemiddelde waarden dan misleidend zijn.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Voorbeeld: opbrengstgegevens met hiaten</p></figcaption></figure>

### Conditionele kalibratie

**Conditionele kalibratie** dient als <mark style="background-color:green;">veiligheidsmaatregel door ervoor te zorgen dat opbrengstwaarden binnen realistische, vooraf bepaalde minimum- en maximumgrenzen blijven</mark>.

Je **MOET** deze logica GEBRUIKEN om uitschieters te v<mark style="background-color:green;">erwijderen en pieken in sensorwaarden te filteren die worden veroorzaakt door ruis, machineonderbrekingen of draaien</mark>. Deze methode is ideaal om specifieke agronomische verwachtingen toe te passen, zoals "de opbrengst kan niet hoger zijn dan X", zonder een correctie uit te voeren.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Gebruik deze methode echter **NIET** als je dataset een algemene vertekening of systematische verschillen tussen machines bevat, omdat de methode de gegevens niet schaalt en ruimtelijke patronen niet corrigeert. Kortom, de methode houdt waarden aannemelijk, maar verhelpt onderliggende kalibratieverschillen niet.

## Gebruiksstrategie

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Beknopte handleiding voor opbrengstkalibratie</p></figcaption></figure>

{% file src="/files/8534961c81acf71b77fad435173780ee9c3c2583" %}
PDF-beknopte handleiding voor opbrengstkalibratie downloaden
{% endfile %}

## Eerste stap

De module 'Opbrengst kalibreren en opschonen' wordt rechtstreeks gestart vanuit de gebruikersinterface. Hiervoor moet een opbrengstdataset zijn geüpload. Naast elke opbrengstdataset vind je een knop om de dataset aan te passen.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Start de workflow</p></figcaption></figure>

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Selecteer een optie om door te gaan</p></figcaption></figure>

Je kunt vervolgens op verschillende manieren verdergaan:

1. **Automatische verwerking**: Gebruik de standaardinstellingen die GeoPard aanbeveelt voor kalibratie met één klik.
2. **Alleen opschonen**: Configureer en voer alleen de OPSCHONEN-bewerking uit, waaronder
   1. **Opschonen met GeoPard**: Slimme opschoning van de opbrengstdataset met AI-algoritmen.
   2. **USDA** (United States Department of Agriculture) opschoningsprotocol voor opbrengstgegevens.
   3. **Conditioneel opschonen**: Filter gegevens op basis van aangepaste attribuutdrempelwaarden.
3. **Alleen kalibreren**: Configureer en voer alleen de KALIBREREN-bewerking uit, waaronder
   1. **Padgewijs**: Kalibreer de opbrengst voor elk afzonderlijk machinepad met AI-algoritmen.
   2. **Gemiddelde/totaal**: Pas de opbrengst aan op basis van de bekende gemiddelde of totale opbrengst van het perceel.
   3. **Conditioneel**: Pas de opbrengst aan binnen vastgestelde minimum- en maximumgrenzen om verwachte waarden te behouden.
4. **Kalibreren en opschonen**: Kies de volgorde van de bewerkingen en pas de parameters aan.
5. **Alternatief voor de opbrengsteditor**: Gebruik **Alleen opschonen → USDA** (of **Kalibreren & opschonen**) om hetzelfde resultaat te bereiken als met een handmatige opschoningsworkflow in ‘Yield Editor’, maar dan op grote schaal. In validatietests kwamen de resultaten van opschoning volgens het USDA-protocol overeen met de handmatige resultaten van Yield Editor, met **R² (R2) = 0,98** (vrijwel identieke resultaten).

## Oplossing met één druk op de knop

{% hint style="warning" %}
**Tip voor afwijkende waarden die soms inherent zijn aan opbrengstdatasets.**

Als een **attribuut** dat voor kalibratie of opschoning is geselecteerd, hoofdzakelijk **bestaat uit** **nulwaarden voor de meeste geometrieën**, worden deze geometrieën uitgesloten van de uiteindelijke opbrengstdataset.

Om de integriteit te waarborgen, moeten attributen met dergelijke afwijkingen worden uitgesloten van de lijst met te kalibreren attributen.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Volledige uitleg

{% hint style="warning" %}
**Workflow kiezen: tip voor afwijkingen in de gegevens**

Als een gebruiker afwijkingen in de gegevens aantreft, zoals waarden die nul of bijna nul zijn, of ongewoon grote waarden (bijvoorbeeld een gemiddelde van 10 met een maximum van 8000), wordt de workflow **Opschonen & kalibreren** aanbevolen.

Door de gegevens eerst op te schonen en daarna te kalibreren, worden fouten, ontbrekende waarden en inconsistenties verwijderd, wat de kwaliteit en nauwkeurigheid van de gegevens verbetert.
{% endhint %}

{% hint style="warning" %}
**Workflow kiezen: tip voor gegevens zonder aanvankelijke fouten**

Voor datasets die aanvankelijk vrij zijn van fouten, ontbrekende waarden of inconsistenties, en waarbij bekend is dat meerdere oogstmachines zijn ingezet, kunt u de workflow **Kalibratie & opschonen** overwegen.

Door de gegevens na de kalibratie op te schonen, kan de dataset verder worden verfijnd en kunnen eventuele artefacten die tijdens de kalibratie zijn ontstaan, worden verwijderd.
{% endhint %}

{% hint style="warning" %}
**Opschoningsworkflow: tip voor afwijkende waarden die soms inherent zijn aan opbrengstdatasets.**

Als een **attribuut** dat voor kalibratie of opschoning is geselecteerd, hoofdzakelijk bestaat uit **nulwaarden voor de meeste geometrieën**, worden deze geometrieën uitgesloten van de uiteindelijke opbrengstdataset.

Om de integriteit te waarborgen, moeten attributen met dergelijke afwijkingen worden uitgesloten van de lijst met op te schonen attributen (2).
{% endhint %}

{% hint style="warning" %}
**Kalibratieworkflow: tip voor afwijkende waarden die soms inherent zijn aan opbrengstdatasets.**

Als een **attribuut** dat voor kalibratie of opschoning is geselecteerd, hoofdzakelijk **bestaat uit** **nulwaarden voor de meeste geometrieën**, worden deze geometrieën uitgesloten van de uiteindelijke opbrengstdataset.

Om de integriteit te waarborgen, moeten attributen met dergelijke afwijkingen worden uitgesloten van de lijst met te kalibreren attributen (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Algoritmeversies

Na verwerking worden de resultaten naast de oorspronkelijke dataset weergegeven. Ze zijn voorzien van de labels **"Kalibreren"** en/of **"Opschonen"** en de algoritmeversie.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Het resultaat van de uitvoering van Kalibreren &#x26; opschonen (versie 2)</p></figcaption></figure>

{% hint style="info" %}
Vanaf `version 3.0` van het opschonings- en kalibratiealgoritme introduceert GeoPard de functie voor het bijsnijden op perceelgrens. Hiermee blijven alleen geometrieën binnen de perceelgrens behouden en wordt de statistische verdeling verbeterd.
{% endhint %}

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Het resultaat van de automatische verwerking (versie 3.0)</p></figcaption></figure>

{% hint style="info" %}
Vanaf `version 4.0`bevat het opschonings- en kalibratiealgoritme in GeoPard een functie voor kalibratie op basis van gemiddelde of totale waarden van een willekeurig attribuut. Een veelvoorkomende toepassing hiervan is de kalibratie van WetMass, die nu kan worden aangepast op basis van de bekende gemeten gemiddelde opbrengst van een specifiek perceel.
{% endhint %}

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Het resultaat van de kalibratie met een gemiddelde opbrengst van 6 t/ha (versie 4.0)</p></figcaption></figure>

{% hint style="info" %}
Vanaf `version 5.0` van het opschonings- en kalibratiealgoritme introduceert GeoPard het opschoningsprotocol van de USDA (United States Department of Agriculture) voor opbrengstgegevens. De USDA stelt formele agronomische gegevensstandaarden vast die bepalen hoe opbrengst-, vocht-, doorstroom- en ruimtelijke metingen worden genormaliseerd, gevalideerd en statistisch gefilterd om landbouwdatasets te produceren die consistent zijn tussen machines en percelen.
{% endhint %}

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Het resultaat van de opschoning met het USDA-protocol (versie 5.0)</p></figcaption></figure>

{% hint style="success" %}
Bestanden met opbrengstdata van vorig seizoen opschonen: [Gratis starten](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
