> 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/api-documentatie/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutatie: opbrengstdataset kalibreren en reinigen

API-aanroepen om opbrengstdatasets te reinigen en te kalibreren

Het kalibreren van de "YieldDataset" is een functie die de verdeling van waarden corrigeert volgens wiskundige principes en zo de algehele integriteit van de gegevens verbetert. Dit verhoogt de kwaliteit van besluitvorming en maakt de dataset waardevol voor verdere diepgaande analyse.

Veelvoorkomende toepassingen van deze functie zijn:

* Gegevens synchroniseren wanneer meerdere maaidorsers gelijktijdig of gedurende meerdere dagen hebben gewerkt, zodat de gegevens consistent zijn.
* De dataset homogener en nauwkeuriger maken door variaties af te vlakken.
* Ruis en overbodige informatie uit de gegevens verwijderen die inzichten kunnen vertroebelen.
* Keerbewegingen of afwijkende geometrieën verwijderen die de werkelijke patronen en trends op het perceel kunnen vertekenen.
* Opbrengstgegevens aanpassen aan de vastgestelde gemiddelden of totalen voor elk attribuut.

Raadpleeg voor een uitgebreidere toelichting en voorbeelden onze [toepassing Opbrengstkalibratie en -opschoning](https://docs.geopard.tech/geopard-tutorials/nl/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) .

### Oorspronkelijke YieldDataset met het attribuut WetMass

Vijf maaidorsers werkten parallel op het hieronder weergegeven perceel van 30 ha. De kalibratie van een van de maaidorsers was niet gesynchroniseerd met die van de andere, wat resulteerde in <mark style="color:oranje;">oranje</mark> vlekken. Dit geeft aan dat aanvullende `CALIBRATION` nodig is. Daarnaast zijn er talrijke keerbewegingen <mark style="color:rode;">rode</mark> vlekken dicht bij de randen van het "Field" die moeten worden verwijderd.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Oorspronkelijke YieldDataset met het attribuut WetMass</p></figcaption></figure>

### Gekalibreerde en opgeschoonde YieldDataset met het attribuut WetMass

Het resultaat hieronder toont de dataset na toepassing van de automatische bewerkingen `CALIBRATE` en `CLEAN` met standaardparameters. De resulterende "YieldDataset" is homogeen geworden, zonder uitschieters of abrupte veranderingen tussen aangrenzende geometrieën.

<figure><img src="https://3615228694-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Gekalibreerde en opgeschoonde YieldDataset met het attribuut WetMass</p></figcaption></figure>

### Opties Padgewijs versus Gemiddelde/Totaal versus Voorwaardelijk

**Padgewijze kalibratie** volgt de rijpaden van de machine. Voor kalibratiedoeleinden wordt elk rijpad afzonderlijk verwerkt. Het GeoPard-team raadt aan deze methode als standaard te gebruiken.

**Kalibratie op basis van gemiddelde/totaal** richt zich op het herverdelen van attribuutwaarden. Deze methode is nuttig wanneer de geospatiale patronen kloppen, maar de absolute waarden afwijken van de werkelijke waarden. Voor optimale resultaten adviseert GeoPard deze methode te combineren met padgewijze kalibratie: pas eerst de padgewijze kalibratie toe en stem de waarden daarna af op de bekende gemiddelde of totale waarden.

**Voorwaardelijke kalibratie** past attribuutwaarden aan op basis van opgegeven minimum- en maximumdrempels. Deze methode is bijzonder nuttig wanneer de geospatiale patronen nauwkeurig zijn, maar de verdeling van waarden moet worden aangepast, vooral wanneer de bekende minimum- en maximumwaarden beschikbaar zijn. Voor de beste resultaten raadt GeoPard aan deze methode te combineren met padgewijze kalibratie: begin met padgewijze kalibratie en pas de waarden daarna aan zodat ze overeenkomen met de bekende minimum- en maximumwaarden.

### Tips

{% hint style="warning" %}
**Tip voor afwijkingen in gegevens**

Als een gebruiker afwijkingen in de gegevens tegenkomt, zoals waarden van of dicht bij nul, of ongewoon hoge waarden (bijvoorbeeld een gemiddelde van 10 en een maximum van 8000), wordt de workflow **Opschonen en kalibreren** aanbevolen. Deze wordt ingesteld met de parameters `actions: [CLEAN, CALIBRATE]`.

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" %}
**Tip voor gegevens zonder aanvankelijke fouten**

Als datasets aanvankelijk geen fouten, ontbrekende waarden of inconsistenties bevatten en bekend is dat meerdere maaidorsers zijn ingezet, kunt u de workflow **Kalibreren en opschonen** overwegen. Deze wordt ingesteld met de parameters `actions: [CALIBRATE, CLEAN]`.

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 %}

### Documentatie: Mutatiedetails

De standaardconfiguratie schakelt automatische kalibratie en opschoning van de "YieldDataset" in.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Een uitgebreider voorbeeld biedt handmatige controle over de min/max-bereiken en maakt gebruik van aanvullende attributen.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Om het USDA-protocol te volgen voor de `CLEAN` bewerking moet u ALLE kolommen vermelden in de `cleanAction` -> `conditionMinMaxClean` of een deel ervan opgeven in `cleanAction` -> `conditionMinMaxClean` en de overige in `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Invoerparameters:

* `actions` als een array, waarmee u kunt kiezen *welke correctieacties worden uitgevoerd en in welke volgorde* ze worden toegepast; ondersteunde waarden zijn onder andere `CLEAN` en `CALIBRATE`.
* `calibrateAction` als een object met configuratiegegevens voor de `CALIBRATE` bewerking.
  * `calibrationAttributes` als een array met attributen die moeten worden gekalibreerd, meestal gekoppeld aan de kolom Yield.
  * `smoothWindowSize` als een oneven geheel getal dat de resultaatwaarden afvlakt en abrupte sprongen vermindert.
  * `conditionPathwiseCalibration` als een object met de **Per rijspoor** kalibratie komt overeen met de rijsporen van de machine. Voor de kalibratie wordt elk machinespoor als een afzonderlijke regio verwerkt.
    * `calibrationBasis` als een tekenreeks die het attribuut aangeeft dat als basis voor de kalibratie wordt gebruikt.
    * `maxHomogeneityRegion` als een booleaanse waarde die aangeeft of de regio met de grootste homogeniteit wordt gebruikt als referentieregio voor de kalibratie.
    * `syntheticMachinePath` als een booleaanse waarde die aangeeft of machineroutes worden gesimuleerd. Dit is nuttig wanneer het precieze attribuut voor het machinespoor ontbreekt en moet worden gesimuleerd op basis van tijdstempels of een vergelijkbaar attribuut.
  * `conditionAvgTotalCalibration` als een object met de **Gemiddelde/totaal** kalibratie richt zich op het herverdelen van attribuutwaarden. Deze methode is nuttig wanneer de geospatiale patronen kloppen, maar de absolute cijfers afwijken van de werkelijke waarden.
    * `calibrationAttribute` als een tekenreeks die het attribuut aangeeft dat moet worden gekalibreerd.
    * `average` als een getal dat de gemiddelde attribuutwaarde aangeeft; de attribuutwaarden moeten met dit gemiddelde overeenkomen. Gebruik slechts één optie tegelijk: `average` of `total`.
    * `total` als een getal dat de totale som van de attribuutwaarden aangeeft; de som van deze waarden moet overeenkomen met het totaal. Gebruik slechts één optie tegelijk: `average` of `total`.
  * `conditionMinMaxCalibration` als een object met de **Voorwaardelijke** kalibratie past attribuutwaarden aan op basis van de opgegeven minimum- en maximumdrempels.
    * `calibrationAttribute` als een tekenreeks die het attribuut aangeeft dat moet worden gekalibreerd.
    * `min` als een getal dat de minimumwaarden van het attribuut aangeeft en dient als ondergrens voor de kalibratie.
    * `minIncluded` als een booleaanse waarde die aangeeft of de minimumwaarde moet worden meegenomen.
    * `max` als een getal dat de maximumwaarden van het attribuut aangeeft en dient als bovengrens voor de kalibratie.
    * `maxIncluded` als een booleaanse waarde die aangeeft of de maximumwaarde moet worden meegenomen.
* `cleanAction` als een object met de configuratiegegevens voor de bewerking `CLEAN` .
  * `conditionAutoClean` als een object met de configuratie voor het algoritme voor automatisch opschonen.
    * `targetAttribute` als een tekenreeks die de beoogde Yield-waarden aangeeft.
    * `excludedAttributes` als een array met tekenreeksen die de kenmerken definiëren die geen invloed hebben op de opschoningsbewerking.
  * `conditionMinMaxClean` als een array met objecten die de beschreven opschoningsregels bevatten. Elk object bevat de volgende parameters.
    * cleanAttribute als tekenreeks die de kolomnaam voor de regel opgeeft.
    * `min` als getal dat de minimumwaarde aangeeft.
    * `max` als getal dat de maximumwaarde aangeeft.

{% hint style="info" %}
Om de invoerwaarden te bekijken en toegang te krijgen tot de meest recente beschikbare waarden van enumeraties (zoals `operations`), wordt aanbevolen om gebruik te maken van [Altair](https://docs.geopard.tech/geopard-tutorials/nl/api-documentatie/getting-started-with-the-geopard-api.md).
{% endhint %}

### Altair-documentatie: YieldDataset-query

Als gebruiker van de GeoPard API kunt u details opvragen over de correcties die op YieldDatasets zijn toegepast via de kenmerken `appliedCorrections` en `appliedCorrectionsVersion`. Het eerste kenmerk geeft een lijst met uitgevoerde correcties (bijv. `CALIBRATE` en `CLEAN`), waarbij de volgorde van uitvoering wordt aangegeven door de positie in de array. Het tweede kenmerk `appliedCorrectionsVersion` geeft de versie aan van het gebruikte algoritme.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-documentatie/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
