# Sammenligne avlingsdatasett ## Kontekst Moderne landbruksbeslutninger er i stor grad basert på avlingsdatasett, som representerer innsamlede høstdata og utgjør en stor del av produsentens inntekt. Disse datasettene må være nøyaktige og av høy kvalitet for å kunne informere beslutninger om innsatsmidler og optimalisere fremtidige så- og gjødslingsstrategier. Avlingsdata blir vanligvis samlet inn av høstemaskiner, men rå avlesninger er ofte ufullstendige, inneholder feil eller krever kalibrering for å håndtere sensorinkonsistenser og varierende feltforhold. For å overvinne disse utfordringene bruker fagfolk ofte rengjøring, kalibrering og syntetisk datasettgenerering for å produsere pålitelig, sammenlignbar avlingsdata. Begge[ Avlingsrensing og kalibrering](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/kalibrering-og-rensing-av-avlingsdata) og [Syntetisk gjenoppretting av avlingsdata](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/syntetisk-avlingskart) støttes av GeoPard. Sammenligning av avlingsdatasett fra forskjellige år gir verdifull innsikt, hjelper med å verifisere forvaltningspraksis, bekrefte sensorens nøyaktighet og forbedre strategier for kommende sesonger. Disse sammenligningene veileder også forbedring av gjødsel- og såplaner, og sikrer at hver beslutning baseres på pålitelig informasjon. ## Sammenligningsmetode (ved bruk av likhetslikning) For å kvantitativt sammenligne avlingsdatasett bruker vi en forhåndslagret likning kalt Romlig korrelasjonsanalyse (likhet mellom datalag) som måler likheten mellom avlingsrelaterte attributter fra avlingsdatasett på et romlig grunnlag. Denne likningen tildeler en likhetsscore som indikerer hvor nært ett datasett samsvarer med et annet i romlig mønster og verdifordeling.

Søk etter eksisterende likningsverktøy for datalag-likhet

Likhetsverdiene varierer fra 0 til 1, hvor 0 indikerer ingen samsvar og 1 betyr 100 % verdi-romlig samsvar. Med andre ord, jo nærmere likhetsscoren er 1, desto mer like er avlingsattributtene. ## **Reelt avlingsdatasett (2015** Soyabønner **vs 2018** Soyabønner**)** I dette tilfellet starter vi med rå avlingsdata samlet inn i to forskjellige vekstsesonger 2015 og 2018 med samme avling, soyabønner. De opprinnelige datasettene inneholder unormalt høye og lave lokasjoner, spesielt ved start/slutt av høsterens passeringer, og dataene krever lett rekalibrering. Etter å ha brukt GeoPards verktøy for rensing og kalibrering er det resulterende datasettet mer jevnt, konsistent og enklere å tolke.

Soyabønner 2015: Opprinnelig vs Renset og kalibrert avlingsdata

Soyabønner 2018: Opprinnelig vs Renset og kalibrert avlingsdata

Kartet fra kjøringen av likhetslikningen er vist nedenfor som et skjermbilde. Fra et statistisk perspektiv viser det et høyt gjennomsnitt (0,869) og median (0,876), noe som indikerer at 2018-soyavlingsmønstrene ligner sterkt på de fra 2015. Selv om noen områder faller til 0,599, bekrefter den lave variansen (0,005) og beskjedne standardavviket (0,073) overordnet konsistens. Fra et agronomisk synspunkt, tyder denne stabiliteten på at feltets underliggende forhold og respons på forvaltningspraksiser stort sett har vært uendret.

Sammenligning av avlingslikhet: Soyabønner 2015 vs Soyabønner 2018

## **Reelt avlingsdatasett (2022** Mais **vs 2024** Mais**)** I dette scenariet starter vi med rå avlingsdata fra to maisår — 2022 og 2024. De opprinnelige datasettene inneholder anomalier som unormalt høye eller lave avlesninger, krysspasseringer og buede spor, noe som indikerer behov for sensorrekalibrering. Etter å ha brukt GeoPards verktøy for rensing og kalibrering blir datasettene mer pålitelige, noe som muliggjør automatisert analyse og informert beslutningstaking.

Mais 2022: Opprinnelig vs Renset og kalibrert avlingsdata

Mais 2024: Opprinnelig vs Renset og kalibrert avlingsdata

Kartet fra kjøringen av likhetslikningen er vist nedenfor som et skjermbilde. Fra et statistisk perspektiv viser et gjennomsnitt på 0,791 og en median på 0,799 at maisavlingene i 2024 i stor grad ligner 2022, selv om områder ned til 0,413 indikerer variasjon. Et standardavvik på 0,115 bekrefter noen forskjeller i feltet. Fra et agronomisk synspunkt, konsekvente mønstre tyder på stabile forhold og effektiv forvaltning over tid. Imidlertid kan lokale soner med lavere likhet kreve målrettede justeringer for å forbedre fremtidig avlingsresultat.

Sammenligning av avlingslikhet: Mais 2022 vs Mais 2024

## **Syntetisk vs reelt avlingsdatasett (2023** Raps) I dette scenariet begynner vi med rått avlingsdatasett fra 2023-rapsesongen og et syntetisk generert avlingsdatasett for samme avling og samme år 2023. Målet er å vurdere den romlige nøyaktigheten til reell versus syntetisk avling, og gi en vei for å fylle inn uregistrerte data, tette hull i avlingsdataene og korrigere anomalier ved hjelp av syntetiske verdier. Det reelle avlingsdatasettet inneholder problemer som unormalt høye eller lave avlesninger, krysspasseringer, buede spor og nullpasseringer, som alle indikerer behov for sensorrekalibrering. Etter å ha brukt GeoPards [Rensing og kalibrering](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/kalibrering-og-rensing-av-avlingsdata) på de reelle avlingsdataene og generert [Syntetisk avling](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/syntetisk-avlingskart) for raps, kan vi starte en meningsfull sammenligning av deres likhet.

Raps 2023: Opprinnelig vs Renset og kalibrert avlingsdata

Kartet fra kjøringen av likhetslikningen er vist nedenfor som et skjermbilde. Fra et statistisk perspektiv indikerer de høye gjennomsnittlige (0,889) og median (0,904) score at syntetisk avlingsdatasett generelt sett samsvarer godt med det reelle 2023-rapsavlingsmønsteret. Selv om ett område faller så lavt som 0,291, antyder den lave variasjonen (0,006) og beskjedne standardavviket (0,08) at de fleste deler av feltet stemmer godt overens mellom de reelle og syntetiske datasettene, med svært få avvik. Fra et agronomisk synspunkt innebærer denne sterke likheten at de syntetiske avlingsdataene kan fungere som en pålitelig proxy for reelle feltforhold, og styrker tilliten til å bruke modellerte scenarier for å veilede beslutninger. De agronomiske praksisene som gjenspeiles i de reelle avlingsdataene fanges godt av den syntetiske avlingsmodellen, noe som muliggjør mer informert og konsistent planlegging av fremtidige forvaltningsstrategier.