Avlingskalibrering og rensing

Hvordan rense og kalibrere yieldmonitor-data i GeoPard. Inkluderer USDA-protokoll for avlingsrensing. Fiks uteliggere, striping, vendinger og datasett fra flere høstemaskiner.

Bruk GeoPard for å rense avlingsdata og kalibrere yield-monitor datasett. Få et avlingskart du kan stole på for soner, forskrifter og analyser. Denne arbeidsflyten håndterer uteliggere, snuområder, manglende attributter og avlingsdata fra flere treskere. Den inkluderer USDA-protokollen for rengjøring av avlingsdata og støtter Yield Editor-alternativ arbeidsflyter.

Videoveiledning for rengjøring og kalibrering av avlingsdata. Forskjellen mellom alternativene forklart.

Denne kalibreringsprosessen er avgjørende for:

1. Sikre datakonsistens: Det er ikke uvanlig at flere treskere jobber sammen eller over forskjellige dager. Denne funksjonen sikrer at dataene deres spiller i harmoni.

2. Homogenisere data: Avlingsdata kan variere; kalibreringen sørger for at de blir jevne og konsistente, uten uønskede topper eller fall.

3. Filtrere ut støy: Som alle data kan avlingsdata ha sin andel «støy» eller irrelevant informasjon. Vi sørger for at det ikke skaper uklarhet i innsiktene dine.

4. Strømlinjeforme geometrier: Eventuelle snuområder eller merkelige geometriske mønstre kan skjevfordele de faktiske innsiktene. Kalibreringen er designet for å glatte dette ut, slik at dataene virkelig speiler feltets realiteter.

5. Beskjæring etter feltgrense: Treskere opererer ofte over tilstøtende områder. For nøyaktige analyseresultater er det viktig å bare ta med data som ligger innenfor den angitte grensen.

Yield Calibration-grensesnittet bruker GeoPard API-endepunktet for Yield Clean/Calibrate (GeoPard API: Kalibrer og rengjør YieldDataset). Det kjører KALIBRER og RENS operasjonene i brukergrensesnittet eller via API.

Rask oversikt

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Åpne

Last ned brosjyre (PDF) om rengjøring av avlingsdata

Virkelige eksempler

Innen landbruk kan korrupte avlingsdatasett by på betydelige utfordringer. Nedenfor finner du virkelighetsnære eksempler der slike datasett ble møtt. Gjennom GeoPards avanserte kalibrerings- og rengjøringsalgoritmer ble disse datasettene effektivt forbedret og optimalisert.

For å ta tak i områder uten registrerte avlingsdata og oppnå fullstendighet i avlingskartet, vurder å bruke GeoPards syntetiske avlingskartmetode. Denne metoden gjenoppretter manglende data for en komplett avlingsanalyse. Lær mer her.

Flere treskere som jobber sammen

Eksempel 1: Flere treskere som jobber sammen

Når du håndterer komplekse scenarier, anbefales en todelt kalibreringsprosess for optimal nøyaktighet. Start med å kjøre den innledende kalibreringen ved å bruke Machine ID-attributtet. Deretter fortsetter du med en andre runde kalibrering, denne gangen ved å bruke avkrysningsboksen for Simulerte (syntetiske) maskinspor. Denne lagdelte tilnærmingen sikrer grundig og presis kalibrering, som er essensiell for å håndtere innfløkte tilfeller effektivt.

Eksempel 2: Flere treskere som jobber sammen

Eksempel 3: Flere treskere som jobber sammen

J-svinger, stopp, halv utstyrsbredd brukt

Eksempel 1: U-svinger, stopp, halv utstyrsbredd brukt

Eksempel 2: U-svinger, stopp, halv utstyrsbredd brukt

Unormalt store registrerte verdier

Eksempel 1: Unormalt store registrerte verdier

Eksempel 2: Unormalt store registrerte verdier

Eksempel 3: Unormalt store registrerte verdier

Eksempel 4: Unormalt store registrerte verdier

Eksempel 5: Unormalt store registrerte verdier

Data utenfor feltgrense

Eksempel: Data utenfor feltgrenser

Kalibrering ved bruk av oppgitt gjennomsnittlig avlingverdi

Eksempel: Kalibrering ved bruk av oppgitt gjennomsnittlig avlingverdi (28 t/ha)

Rens avlingsattributter ved å ignorere attributter med anomalier

Avlingsdatasettet inneholder av og til attributter med uregelmessigheter i fuktighet, hastighet, høyder eller andre sekundære (ikke-avlings) attributter. Under utførelse av Clean eller Calibrate-aktiviteter er det viktig å se bort fra disse anomaliene. Dette kan effektivt oppnås ved å bruke GeoPard Yield Clean-Calibrate-grensesnittet.

Eksempel: Anomalier i fuktighetsattributtet

Eksempel: Rens av avlingsdata ved å ignorere anomalier i fuktighet

USDA-protokoll for rensing av avlingsdata

Bruk dette alternativet når du trenger en repeterbar, standardbasert arbeidsflyt for yield-editor. Den er optimalisert for rengjøring av yield-monitor data i stor skala.

Eksempel: Rens av avlingsdata med bruk av USDA-protokollen

Eksempel: Rens av avlingsdata med bruk av USDA-protokollen

Forklaring av kalibreringslogikker

Kalibrering langs spor

BRUK Kalibrering langs spor når et felt er høstet av flere maskiner eller over flere dager, spesielt for å korrigere systematiske forskjeller som striping eller banding. Det er ideelt for scenarier der varierende maskininnstillinger, operatører eller miljøforhold fører til konsistent over- eller underestimering langs forskjellige spor.

Avgjørende, krever AI-en variasjon - slik som distinkte spor, maskin-IDer eller høstedatoer - for å lære og kalibrere effektivt.

Eksempel: Yield WetMass og 9 treskere

IKKE BRUK denne metoden for enkeltmaskin-høster i en sammenhengende økt eller hvis avlingskartet mangler synlige romlige mønstre. Unngå det også hvis dataene er sparsomme eller hvis du bare har totale avlingsverdier på felt-nivå uten maskin-nivå forskjeller

Eksempel: Statistisk korrekt datadistribusjon

Gjennomsnitts- eller totalskalibrering

Gjennomsnitts-/totalskalibrering ER BEST Å BRUKE når du har høy grad av tillit til dine samlede avlingsdata på felt-nivå, for eksempel registreringer fra en vektbru eller lageranlegg. I stedet for å justere individuelle spor, skalerer denne metoden hele datasettet slik at sluttgjennomsnittet eller totalen samsvarer med din kjente referanseverdi. Det beskrives ofte som det enkleste og tryggeste kalibreringsalternativet når de totale tallene er pålitelige.

Når du BRUK Gjennomsnitts-/Totalskalibrering:

• Kjente referanseverdier: Du bør bruke denne logikken når du har offisielle totale avlingsregistre (f.eks. fra en vektbru) eller et svært pålitelig gjennomsnittlig utbytte for feltet.

• Global bias-korreksjon: Det er ideelt hvis den romlige fordelingen i avlingskartet ser riktig ut, men verdiene er globalt forskjøvet - det vil si at yield-monitoren sannsynligvis var ukalibrert og rapporterer verdier som konsekvent er for høye eller for lave over hele feltet.

• Uniforme høsteforhold: Denne metoden er mest effektiv når høsteforholdene var relativt konsistente gjennom hele operasjonen.

• Konsistens for enkeltmaskin: Den fungerer godt for høster utført av en enkelt maskin som presterte jevnt over feltet.

Eksempel: Statistisk korrekt datadistribusjon med nødvendig forskyvning ved bruk av gjennomsnittlig avling

Når IKKE å BRUKE Gjennomsnitts-/Totalskalibrering:

• Maskin-til-maskin bias: Ikke bruk denne metoden hvis forskjellige deler av feltet ble høstet av ulike maskiner eller på forskjellige dager som resulterte i lokale skjevheter. I slike tilfeller vil skalering av hele feltet ikke rette de underliggende forskjellene mellom maskinene.

• Synlige artefakter: Hvis du ser sterke striping, banding eller retningsbestemte artefakter i dataene dine, vil ikke denne metoden løse dem; Kalibrering per spor er bedre egnet for disse problemene.

• Ufullstendige data: Unngå denne logikken hvis bare en del av feltet ble høstet eller hvis de registrerte dataene er ufullstendige, siden total-/gjennomsnittsverdiene vil være misvisende.

Eksempel: Avlingsdata med hull

Betinget kalibrering

Betinget kalibrering tjener som en sikkerhetskontroll ved å sikre at avlingsverdier forblir innenfor realistiske, forhåndsdefinerte minimums- og maksimumsgrenser.

Du BØR BRUKE denne logikken for åfjerne ekstreme uteliggere og sensorspisser forårsaket av støy, maskinstopp eller svinger. Den er ideell for å anvende spesifikke agronomiske forventninger - for eksempel «avling kan ikke overstige X» - uten å utføre en korreksjon.

Imidlertid, UNNGÅ DENNE METODEN hvis datasettet ditt har en global bias eller systematiske maskinforskjeller, da den ikke skalerer data eller fikser romlige mønstre. I bunn og grunn holder den verdiene plausible, men løser ikke underliggende kalibreringsavvik.

Bruksstrategi

En-siders veiledning for yield-kalibrering

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Åpne

Last ned PDF en-siders veiledning for yield-kalibrering

Første steg

Modulen «Yield Calibrate and Clean» initieres direkte fra brukergrensesnittet. Hovedkravet er å ha et opplastet avlingsdatasett. Ved siden av hvert avlingsdatasett finner du en knapp for å starte justeringene av datasettet.

Start flyten

Velg et alternativ for å fortsette

Derfra er det flere alternativer tilgjengelige for å fortsette:

1. Autobehandling: Bruk standardinnstillingene anbefalt av GeoPard for en ett-klikk kalibrering.

2. Kun rengjøring: Konfigurer og kjør bare CLEAN-operasjonen, inkludert

   1. GeoPard-rengjøring: Smart rengjøring av avlingsdatasett med AI-algoritmer.

   2. USDA (United States Department of Agriculture) rengjøringsprotokoll for avling.

   3. Betinget rengjøring: Filtrer data basert på tilpassede attributtterskelverdier.

3. Kun kalibrering: Konfigurer og kjør bare CALIBRATE-operasjonen, inkludert

   1. Pathwise: Kalibrer avling for hver enkelt maskinspors ved hjelp av AI-algoritmer.

   2. Average/Total: Juster avling basert på feltets kjente gjennomsnitt eller totale avling.

   3. Conditional: Endre avling innenfor satte minimums- og maksimumsgrenser for å opprettholde forventede intervaller.

4. Kalibrer & Rens: Velg rekkefølgen på operasjonene og tilpass parametrene.

5. Yield Editor-alternativ: Bruk Kun rengjøring → USDA (eller Kalibrer & Rens) for å matche en manuell “Yield Editor”-oppryddingsarbeidsflyt, men i stor skala. I valideringstester samsvarte USDA-protokollrengjøring med manuelle Yield Editor-resultater med R² (R2) = 0.98 (nesten identisk output).

En-knapps løsning

Tips om unormale verdier som noen ganger er iboende i avlingsdatasett.

Hvis en attribute valgt for kalibrering eller rengjøring overveiende inneholder nullverdier over majoriteten av geometriene, vil disse geometriene bli ekskludert fra det endelige avlingsdatasettet.

For å sikre integritet bør attributter med slike anomalier utelukkes fra listen over attributter som skal kalibreres.

Full veiledning

Velg flyt: Tips for dataanomalier

Hvis en bruker møter anomalier i dataene, som verdier på eller nær null, eller uvanlig store verdier (for eksempel et gjennomsnitt på 10 med en maksimum på 8000), anbefales Clean & Calibration arbeidsflyt anbefales.

Å prioritere datarensing før kalibrering sikrer fjerning av feil, manglende verdier eller inkonsistenser, og forbedrer dermed datakvaliteten og nøyaktigheten.

Velg flyt: Tips for data uten innledende feil

For datasett som i utgangspunktet er fri for feil, manglende verdier eller inkonsistenser, og når flere treskere er kjent å ha vært involvert, vurder Calibration & Clean arbeidsflyt.

Rensing av data etter kalibrering hjelper med å finpusse datasettet ytterligere ved å potensielt eliminere eventuelle artefakter som ble introdusert under kalibreringen.

Renseflyt: Tips om unormale verdier som noen ganger er iboende i avlingsdatasett.

Hvis en attribute valgt for kalibrering eller rengjøring overveiende inneholder nullverdier over majoriteten av geometriene, vil disse geometriene bli ekskludert fra det endelige avlingsdatasettet.

For å sikre integritet bør attributter med slike anomalier utelukkes fra listen over attributter som skal renses (2).

Kalibreringsflyt: Tips om unormale verdier som noen ganger er iboende i avlingsdatasett.

Hvis en attribute valgt for kalibrering eller rengjøring overveiende inneholder nullverdier over majoriteten av geometriene, vil disse geometriene bli ekskludert fra det endelige avlingsdatasettet.

For å sikre integritet bør attributter med slike anomalier utelukkes fra listen over attributter som skal kalibreres (3).

Algoritmeversjoner

Etterbehandling vises resultatene ved siden av det originale datasettet. De er merket med "Kalibrer" og/eller "Rens" etiketter, pluss algoritmeversjonen.

Resultatet av Calibrate & Clean-kjøringen (versjon 2)

Fra versjon 3.0 fra Clean/Calibrate-algoritmen og videre introduserer GeoPard funksjonen Beskjæring etter feltgrense. Dette beholder kun geometrier innenfor feltgrensen og forbedrer statistisk fordeling.

Resultatet av Auto-Processing-kjøringen (versjon 3.0)

Fra og med versjon 4.0, inkluderer Clean/Calibrate-algoritmen i GeoPard nå en funksjon for kalibrering basert på gjennomsnittlige eller totale verdier på tvers av ethvert attributt. En utbredt anvendelse av denne forbedringen er kalibrering av WetMass, som nå kan justeres etter kjent målt gjennomsnittlig avling for et spesifikt felt.

Resultatet av Kalibreringskjøringen ved bruk av gjennomsnittlig avling på 6 t/ha (versjon 4.0)

Fra versjon 5.0 fra Clean/Calibrate-algoritmen og videre introduserer GeoPard USDA (United States Department of Agriculture) rengjøringsprotokoll for avling. USDA gir formelle agronomiske datastandarder som regulerer hvordan avling, fuktighet, flyt og romlige målinger normaliseres, valideres og statistisk filtreres for å produsere maskin- og felt-konsistente landbruksdatasett.

Resultatet av Rens-kjøringen ved bruk av USDA-protokollen (versjon 5.0)