# Kalibrering og rensing av avlingsdata

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.

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Videoveiledning for rengjøring og kalibrering av avlingsdata. Forskjellen mellom alternativene forklart.
{% endembed %}

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.

{% hint style="info" %}
Yield Calibration-grensesnittet bruker GeoPard API-endepunktet for Yield Clean/Calibrate ([GeoPard API: Kalibrer og rengjør YieldDataset](/geopard-tutorials/nor/api-dokumentasjon/geopard-api-foresporsler-oversikt/84.-mutasjon-kalibrer-og-rens-yielddataset.md)). Det kjører `KALIBRER` og `RENS` operasjonene i brukergrensesnittet eller via API.
{% endhint %}

## Rask oversikt

<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="/files/8726c0a73bee5acb565fb50838cfcd38d7b98693" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/3368181231c675432f6886861343bce05146c683" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/f2f7b79285ed3864fbe0fd1affcefd68cfb1e135" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/960a3a9f044fd4c01361a930b322a880d0c41c08" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/86c4697fc1bc7376feac786e599958eeb69f81c5" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="/files/6ab745599da2b7364b35554643f261abed273afc" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/c4e0d334fb125cfb0fc04adb60bf5eda02c8b967" %}
Last ned brosjyre (PDF) om rengjøring av avlingsdata
{% endfile %}

## 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.

{% hint style="info" %}
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](/geopard-tutorials/nor/agronomi/syntetisk-avlingskart.md).
{% endhint %}

### Flere treskere som jobber sammen

<figure><img src="/files/4cafe1a6829295bc90d94809a770d534ad3addbf" alt=""><figcaption><p>Eksempel 1: Flere treskere som jobber sammen</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/51daecc465577a4734e48c5022090929cbe51012" alt=""><figcaption><p>Eksempel 2: Flere treskere som jobber sammen</p></figcaption></figure>

<figure><img src="/files/ca4d141628e0ea7095fbc51da671fd24a3e07a02" alt=""><figcaption><p>Eksempel 3: Flere treskere som jobber sammen</p></figcaption></figure>

### J-svinger, stopp, halv utstyrsbredd brukt

<figure><img src="/files/233ae3bb79255a3607b608715d115751ebad935c" alt=""><figcaption><p>Eksempel 1: U-svinger, stopp, halv utstyrsbredd brukt</p></figcaption></figure>

<figure><img src="/files/4ba5dc24e2f8b5afb1ab820dcf4dd7ac57e912d5" alt=""><figcaption><p>Eksempel 2: U-svinger, stopp, halv utstyrsbredd brukt</p></figcaption></figure>

### Unormalt store registrerte verdier

<figure><img src="/files/01f990f89898d19474a657d5061c808e489fc719" alt=""><figcaption><p>Eksempel 1: Unormalt store registrerte verdier</p></figcaption></figure>

<figure><img src="/files/92b05b8a917739c6be2e7c34840f74b9f039887b" alt=""><figcaption><p>Eksempel 2: Unormalt store registrerte verdier</p></figcaption></figure>

<figure><img src="/files/3ee748c339d13e49193b80721e9364583d725b49" alt=""><figcaption><p>Eksempel 3: Unormalt store registrerte verdier</p></figcaption></figure>

<figure><img src="/files/b4a6701e84057e4fc7ca8d112073337a59fbbe18" alt=""><figcaption><p>Eksempel 4: Unormalt store registrerte verdier</p></figcaption></figure>

<figure><img src="/files/cc1d823a59f9638bbc02e2909d5f8e4e3072acf7" alt=""><figcaption><p>Eksempel 5: Unormalt store registrerte verdier</p></figcaption></figure>

### Data utenfor feltgrense

<figure><img src="/files/37f6f9ed0af844305357e0279f41f51f319009e2" alt=""><figcaption><p>Eksempel: Data utenfor feltgrenser</p></figcaption></figure>

### Kalibrering ved bruk av oppgitt gjennomsnittlig avlingverdi

<figure><img src="/files/af8f07d35177c4b153c7db436b891572e78e465e" alt=""><figcaption><p>Eksempel: Kalibrering ved bruk av oppgitt gjennomsnittlig avlingverdi (28 t/ha)</p></figcaption></figure>

### 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.

<figure><img src="/files/8c4a8482e6ca17e9938d8783226dd61bb71195cb" alt=""><figcaption><p>Eksempel: Anomalier i fuktighetsattributtet</p></figcaption></figure>

<figure><img src="/files/0d0436105c38853e7d4a08239849e53c9bcde7fe" alt=""><figcaption><p>Eksempel: Rens av avlingsdata ved å ignorere anomalier i fuktighet</p></figcaption></figure>

### 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.

<figure><img src="/files/90acbffcfb3bca4d4b0d13a002106e8a4fa6de16" alt=""><figcaption><p>Eksempel: Rens av avlingsdata med bruk av USDA-protokollen</p></figcaption></figure>

<figure><img src="/files/f7ddb090545ec3a838e4f5e586598637ee2891b0" alt=""><figcaption><p>Eksempel: Rens av avlingsdata med bruk av USDA-protokollen</p></figcaption></figure>

## Forklaring av kalibreringslogikker

### Kalibrering langs spor

**BRUK** **Kalibrering langs spor** når et felt er <mark style="background-color:green;">høstet av flere maskiner eller over flere dager, spesielt for å korrigere systematiske forskjeller som striping eller banding.</mark> Det er ideelt for scenarier der varierende maskininnstillinger, operatører eller miljøforhold fører til konsistent over- eller underestimering langs forskjellige spor.

Avgjørende, <mark style="background-color:yellow;">krever AI-en variasjon - slik som distinkte spor, maskin-IDer eller høstedatoer - for å lære og kalibrere effektivt.</mark>

<figure><img src="/files/61d5ee7ce676da1e8d267fe92e7d089c381e3114" alt=""><figcaption><p>Eksempel: Yield WetMass og 9 treskere</p></figcaption></figure>

**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

<figure><img src="/files/806997325638b6759972e5c7af419436360b9866" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datadistribusjon</p></figcaption></figure>

### Gjennomsnitts- eller totalskalibrering

**Gjennomsnitts-/totalskalibrering ER BEST Å BRUKE** når <mark style="background-color:green;">du har høy grad av tillit til dine samlede avlingsdata på felt-nivå, for eksempel registreringer fra en vektbru eller lageranlegg.</mark> 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.

<figure><img src="/files/806997325638b6759972e5c7af419436360b9866" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrekt datadistribusjon med nødvendig forskyvning ved bruk av gjennomsnittlig avling</p></figcaption></figure>

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; <mark style="background-color:green;">Kalibrering per spor er bedre egnet for disse problemene</mark>.
* **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.

<figure><img src="/files/e761858d157cb3c4d717565d0d621ec4c247a6a8" alt="" width="563"><figcaption><p>Eksempel: Avlingsdata med hull</p></figcaption></figure>

### Betinget kalibrering

**Betinget kalibrering** tjener som <mark style="background-color:green;">en sikkerhetskontroll ved å sikre at avlingsverdier forblir innenfor realistiske, forhåndsdefinerte minimums- og maksimumsgrenser</mark>.

Du **BØR BRUKE** denne logikken for å<mark style="background-color:green;">fjerne ekstreme uteliggere og sensorspisser forårsaket av støy, maskinstopp eller svinger</mark>. Den er ideell for å anvende spesifikke agronomiske forventninger - for eksempel «avling kan ikke overstige X» - uten å utføre en korreksjon.

<figure><img src="/files/7d886a85abab08df872d515b378f97955aa98e28" alt=""><figcaption></figcaption></figure>

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

<figure><img src="/files/41e6725ea7c74a0eedd90d225463438a0665f111" alt=""><figcaption><p>En-siders veiledning for yield-kalibrering</p></figcaption></figure>

{% file src="/files/806028626658cf066d37ca51520f8d663a17e0e3" %}
Last ned PDF en-siders veiledning for yield-kalibrering
{% endfile %}

## 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.

<figure><img src="/files/5f55d8c08dbfffcfd01a5ecb38a2c9da30e3576a" alt=""><figcaption><p>Start flyten</p></figcaption></figure>

<figure><img src="/files/c387a2ee8e66e6420925ee514c2a35ea361d9548" alt="" width="563"><figcaption><p>Velg et alternativ for å fortsette</p></figcaption></figure>

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

{% hint style="warning" %}
**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.
{% endhint %}

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

## Full veiledning

{% hint style="warning" %}
**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.
{% endhint %}

{% hint style="warning" %}
**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.
{% endhint %}

{% hint style="warning" %}
**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).
{% endhint %}

{% hint style="warning" %}
**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).
{% endhint %}

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

## Algoritmeversjoner

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

<figure><img src="/files/e4a48249a688fdbc9f363d9dcc2aeb9499c09c0f" alt=""><figcaption><p>Resultatet av Calibrate &#x26; Clean-kjøringen (versjon 2)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/73a3104bd2182c4765bdd949e8652895641a298d" alt=""><figcaption><p>Resultatet av Auto-Processing-kjøringen (versjon 3.0)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/db70ede501164a16e2628312cb42ea97e4a5042b" alt=""><figcaption><p>Resultatet av Kalibreringskjøringen ved bruk av gjennomsnittlig avling på 6 t/ha (versjon 4.0)</p></figcaption></figure>

{% hint style="info" %}
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.
{% endhint %}

<figure><img src="/files/90acbffcfb3bca4d4b0d13a002106e8a4fa6de16" alt=""><figcaption><p>Resultatet av Rens-kjøringen ved bruk av USDA-protokollen (versjon 5.0)</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/nor/agronomi/kalibrering-og-rensing-av-avlingsdata.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.