> 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/yield-and-trials/comparing-yield-datasets.md).

# Sammenligning av avlingsdatasett

Sammenlign avlingsdatasett for å få dypere innsikt i avlingsprestasjon på tvers av sesonger, med riktig rensing og kalibrering av avling samt bruk av syntetisk avling.

## Bakgrunn

Moderne beslutninger i landbruket bygger i stor grad på avlingsdatasett, som representerer innsamlede avlingsdata og utgjør en stor del av bondens inntektsgrunnlag. Datasettene må være nøyaktige og av høy kvalitet for å gi grunnlag for beslutninger om innsatsfaktorer og optimalisere strategier for framtidig såing og gjødsling.

Avlingsdata samles vanligvis inn av høsteutstyr, men råmålingene er ofte ufullstendige, inneholder feil eller må kalibreres for å håndtere ujevnheter i sensorene og varierende forhold på jordet. For å løse disse utfordringene bruker fagfolk gjerne metoder for datarensing, kalibrering og syntetisk generering av datasett, slik at de får pålitelige og sammenlignbare avlingsdata.

Både[ Rensing og kalibrering av avlingsdata](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) og [Syntetisk gjenoppretting av avlingsdata](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/synthetic-yield-map.md) støttes av GeoPard.

<mark style="background-color:yellow;">Sammenligning av avlingsdatasett fra ulike år gir verdifull innsikt og bidrar til å validere driftspraksis, bekrefte sensornøyaktighet og forbedre strategiene for kommende sesonger.</mark> Sammenligningene gir også grunnlag for å forbedre gjødslings- og såkart, slik at hver beslutning bygger på pålitelig informasjon.

## Sammenligningsmetode (med likningsbasert likhetsberegning)

For å sammenligne avlingsdatasett kvantitativt bruker vi en forhåndslagret likning med navnet <mark style="background-color:yellow;">Romlig korrelasjonsanalyse (likhet mellom datalag)</mark> som måler den romlige likheten mellom avlingsrelaterte egenskaper i avlingsdatasett.

Denne likningen beregner en likhetsscore som viser hvor godt ett datasett samsvarer med et annet når det gjelder romlige mønstre og verdifordeling.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Søk etter den eksisterende ligningen for likhet mellom datalag</p></figcaption></figure>

<mark style="background-color:yellow;">Likhetsverdiene går fra 0 til 1, der 0 betyr at datasettene ikke samsvarer, og 1 betyr at verdiene og den romlige fordelingen samsvarer 100 %</mark>. Jo nærmere likhetsscoren er 1, desto større er altså likheten mellom avlingsegenskapene.

## **Reelt avlingsdatasett (2015** soyabønner **mot 2018** soyabønne&#x72;**)**

Her tar vi utgangspunkt i rå avlingsdata samlet inn i to ulike vekstsesonger, 2015 og 2018, for samme vekst, soyabønner. De opprinnelige datasettene inneholder unormalt høye og lave verdier, særlig i starten og slutten av skurtreskerens kjørestrøk, og dataene trenger en mindre kalibrering.

Når vi bruker GeoPards verktøy for rensing og kalibrering, blir datasettet jevnere, mer konsistent og enklere å tolke.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soyabønner 2015: Opprinnelige vs. rensede og kalibrerte avlingsdata</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soyabønner 2018: Opprinnelige vs. rensede og kalibrerte avlingsdata</p></figcaption></figure>

Nedenfor ser du et skjermbilde av resultatkartet fra likhetsberegningen.

Statistisk sett viser gjennomsnittet (0,869) og medianen (0,876) at <mark style="background-color:yellow;">avlingsmønstrene for soyabønner i 2018 ligner svært på mønstrene fra 2015</mark>. Selv om enkelte områder har verdier helt ned mot 0,599, bekrefter den lave variasjonen (0,005) og det moderate standardavviket (0,073) <mark style="background-color:yellow;">at mønstrene i hovedsak er konsistente</mark>.

Fra et agronomisk ståsted <mark style="background-color:yellow;">tyder denne stabiliteten på at de underliggende forholdene på jordet og responsen på driftspraksisen i stor grad har vært uendret</mark>.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Sammenligning av avlingslikhet: soyabønner 2015 mot soyabønner 2018</p></figcaption></figure>

## **Reelt avlingsdatasett (2022** mais **mot 2024** mai&#x73;**)**

I dette eksemplet tar vi utgangspunkt i rå avlingsdata fra to maissesonger, 2022 og 2024. De opprinnelige datasettene inneholder avvik, for eksempel unormalt høye eller lave målinger, overlappende kjørestrøk og buede kjørespor, noe som tyder på at sensorene må kalibreres på nytt.

Når vi bruker GeoPards verktøy for rensing og kalibrering, blir datasettene mer pålitelige, slik at de kan analyseres automatisk og gi et bedre grunnlag for beslutninger.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Mais 2022: Opprinnelige vs. rensede og kalibrerte avlingsdata</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Mais 2024: Opprinnelige vs. rensede og kalibrerte avlingsdata</p></figcaption></figure>

Nedenfor ser du et skjermbilde av resultatkartet fra likhetsberegningen.

Statistisk sett viser et gjennomsnitt på 0,791 og en median på 0,799 at <mark style="background-color:yellow;">maisavlingene i 2024 i stor grad ligner på avlingene i 2022</mark>, selv om verdier helt ned mot 0,413 viser at det finnes variasjon. Et standardavvik på 0,115 bekrefter <mark style="background-color:yellow;">at det er enkelte forskjeller på jordet</mark>.

Fra et agronomisk ståsted <mark style="background-color:yellow;">tyder de konsistente mønstrene på stabile forhold og god drift over tid</mark>. Lokale <mark style="background-color:yellow;">områder med lavere likhet kan likevel kreve målrettede tiltak for å bedre avlingsresultatene framover</mark>.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Sammenligning av avlingslikhet: mais 2022 mot mais 2024</p></figcaption></figure>

## **Syntetisk og reelt avlingsdatasett (2023** raps)

I dette eksemplet tar vi utgangspunkt i rå avlingsdata fra rapsdyrkingen i 2023 og et syntetisk generert avlingsdatasett for samme vekst og samme år. <mark style="background-color:yellow;">Målet er å vurdere den romlige nøyaktigheten til reell sammenlignet med syntetisk avling. Dette gir en metode for å fylle inn data som ikke er loggført, håndtere mangler i avlingsdataene og korrigere avvik ved hjelp av syntetiske verdier</mark>. Datasettet med reelle avlingsdata inneholder problemer som unormalt høye eller lave målinger, overlappende kjørespor, buede kjøremønstre og kjørespor med nullverdier. Alt dette tyder på at sensorene må kalibreres på nytt.

Etter at vi har brukt GeoPards [rensing og kalibrering](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) på de reelle avlingsdataene og generert [syntetiske avlingsdata](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/synthetic-yield-map.md) for oljevekster, kan vi starte en meningsfull sammenligning av hvor like de er.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Oljevekster 2023: Opprinnelige kontra rensede og kalibrerte avlingsdata</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Syntetiske avlingsdata for oljevekster 2023</p></figcaption></figure>

Nedenfor ser du et skjermbilde av resultatkartet fra likhetsberegningen.

Statistisk sett viser de høye gjennomsnittsverdiene (0,889) og medianverdiene (0,904) at <mark style="background-color:yellow;">syntetiske avlingsdata samlet sett gjenspeiler de romlige mønstrene i de reelle avlingsdataene for oljevekster i 2023 godt</mark>. Selv om verdien i ett område faller helt ned til 0,291, tyder den lave variasjonen (0,006) og det moderate standardavviket (0,08) på at <mark style="background-color:yellow;">dataene fra de fleste deler av jordet samsvarer godt mellom de reelle og syntetiske datasettene, med svært få avvik</mark>.

Sett fra et agronomisk perspektiv betyr denne sterke likheten at <mark style="background-color:yellow;">syntetiske avlingsdata kan brukes som en pålitelig tilnærming til de faktiske forholdene på jordet</mark>, noe som styrker tilliten til bruk av modellerte scenarioer som beslutningsgrunnlag. <mark style="background-color:yellow;">Den syntetiske avlingsmodellen gjenspeiler godt agronomisk praksis slik den kommer til uttrykk i de reelle avlingsdataene</mark>, slik at framtidige driftsstrategier kan planlegges på et bedre og mer konsistent grunnlag.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Sammenligning av avlingslikhet for oljevekster: faktiske data fra 2023 kontra syntetiske data fra 2023</p></figcaption></figure>


---

# 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/yield-and-trials/comparing-yield-datasets.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.
