> 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/nor/agronomi/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Sammenlign jordskannerdata mellom år

Denne artikkelen skisserer ulike matematiske metoder for å kvantifisere forskjeller mellom jordskannerdatasett og forbedre beslutningsgrunnlaget for forskere og agronomer.

Jordskannere er viktige verktøy i presisjonsjordbruk. De gjør det mulig å samle inn data med høy oppløsning om jordegenskaper som fuktighet, organisk materiale og næringsnivåer. Det er viktig å sammenligne datasett fra to jordskannere for å forstå endringer over tid, kontrollere ulike skannemetoder eller kalibrere nye enheter. Denne artikkelen utforsker ulike matematiske metoder for å måle avvik mellom to datasett fra jordskannere, og gir forskere og agronomer nyttig innsikt de kan bruke i praksis.

### Forstå avvik i data fra jordskannere

Avviket mellom to datasett fra jordskannere viser til forskjellene mellom måleverdiene på de samme stedene. Forskjellene kan skyldes variasjoner i måleforhold, sensorkalibrering eller endringer i jorda. De vanligste typene avvik er:

* Absolutte forskjeller: Direkte subtraksjon av verdier mellom datasettene.
* Relative forskjeller: Sammenligning basert på målingenes størrelse.
* Feilmål: Statistiske mål som gjennomsnittlig absolutt feil (MAE) og normalisert differanse.

Det ble valgt to datasett med kaliumdata fra jordskanner for 2024 og 2025.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Opprinnelige datasett fra jordskanner</p></figcaption></figure>

### Velg riktig metode for å beregne avvik

| Metode                                         | Best egnet til                                        |
| ---------------------------------------------- | ----------------------------------------------------- |
| Direkte differanse                             | Enkel visualisering av positive og negative endringer |
| Relativ differanse                             | Sammenligning av datasett med ulik skala              |
| Normalisert differanse                         | Standardisert analyse på tvers av ulike datasett      |
| Relativt avvik                                 | Proporsjonale forskjeller, nyttig for trendanalyse    |
| Gjennomsnittlig absolutt feil (MAE) per piksel | Finne områder med store absolutte forskjeller         |

### Beregning av direkte differanse

Metoden for direkte differanse trekker ganske enkelt ett datasett fra det andre, slik at endringene i jordegenskapene vises direkte.

Bruken av `geopard.calculate_difference(dataset_1, dataset_2)` med forklaring av parametrene er dokumentert [her](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Fordeler:

* Viser tydelig positive og negative endringer.
* Enkel å tolke og visualisere.

Ulemper:

* Differanseverdiene kan være vanskelige å sammenligne hvis datasettene har ulik skala.
* Store variasjoner kan dominere tolkningen.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Beregning av direkte differanse</p></figcaption></figure>

### Beregning av relativ differanse

Metoden for relativ differanse beregner prosentvis endring mellom datasettene med utgangspunkt i det andre datasettet, og gir dermed et annet perspektiv på avviket.

Bruken av `geopard.calculate_relative_difference(dataset_1, dataset_2)` med forklaring av parametrene er dokumentert [her](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Fordeler:

* Nyttig for å forstå hvor mye ett datasett har endret seg i forhold til et annet.
* Normaliserer forskjeller på tvers av ulike størrelsesordener.

Ulemper:

* Kan bli ustabil når verdiene i det andre datasettet er nær null.
* Mindre intuitiv når absolutte forskjeller er viktige.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Beregning av relativ differanse</p></figcaption></figure>

### Beregning av normalisert differanse

Metoden for normalisert differanse normaliserer datasettene med den globale maksimumsverdien før den beregner differansene. Dermed kan variasjoner sammenlignes på tvers av ulike skalaer.

Bruken av `geopard.calculate_normalized_difference(dataset_1, dataset_2)` med forklaring av parametrene er dokumentert [her](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Fordeler:

* Effektiv for datasett med ulike dynamiske spenn.
* Reduserer virkningen av ekstreme verdier.

Ulemper:

* Små variasjoner kan virke overdrevne hvis de ikke skaleres riktig.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Beregning av normalisert differanse</p></figcaption></figure>

### Relativt avvik per piksel

Metoden for relativt avvik beregner avviket i prosent i forhold til det første datasettet. Den gjør det enklere å forstå proporsjonale forskjeller i stedet for absolutte forskjeller.

Bruken av `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` med forklaring av parametere er dokumentert [her](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Fordeler:

* Nyttig når du sammenligner datasett med ulike skalaer.
* Viser avvik i et prosentformat som er lett å tolke.

Ulemper:

* Kan være misvisende hvis de opprinnelige verdiene er svært små.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relativt avvik per piksel</p></figcaption></figure>

### Gjennomsnittlig absolutt feil (MAE) per piksel

Metoden for gjennomsnittlig absolutt feil (MAE) måler de absolutte forskjellene mellom tilsvarende verdier i to datasett. Den gir en tydelig oversikt over hvor de største avvikene forekommer.

Bruken av `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` med forklaring av parametere er dokumentert [her](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Fordeler:

* Enkel og intuitiv.
* Tydeliggjør store forskjeller.
* Fungerer godt for datasett med lignende skalaer.

Ulemper:

* Viser ikke retningen på forskjellen (det vil si om endringen er positiv eller negativ).
* Følsom for avvikende verdier.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Gjennomsnittlig absolutt feil (MAE) per piksel</p></figcaption></figure>

### Konklusjon

Når du sammenligner datasett fra jordskanning, må du bruke ulike matematiske metoder for å få fram meningsfulle forskjeller. Enten du bruker absolutte mål som MAE, relative avvik eller normaliserte sammenligninger, avhenger valg av metode av bruksområdet. Ved å ta i bruk disse metodene kan agronomer og forskere forbedre jordanalysen, oppdage variasjoner i åkeren og effektivisere arbeidsflyten innen presisjonsjordbruk.


---

# 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/nor/agronomi/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
