# Sammenligning av 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](/geopard-tutorials/nor/agronomi/kalibrering-og-rensing-av-avlingsdata.md) og [Syntetisk gjenoppretting av avlingsdata](/geopard-tutorials/nor/agronomi/syntetisk-avlingskart.md) støttes av GeoPard.

<mark style="color:standard;background-color:yellow;">Sammenligning av avlingsdatasett fra forskjellige år gir verdifull innsikt, hjelper med å verifisere forvaltningspraksis, bekrefte sensorens nøyaktighet og forbedre strategier for kommende sesonger.</mark> 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 <mark style="color:standard;background-color:yellow;">Romlig korrelasjonsanalyse (likhet mellom datalag)</mark> 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.&#x20;

<figure><img src="/files/44a4359ee8654b5bd47d5af7bc15510d0e5a8927" alt=""><figcaption><p>Søk etter eksisterende likningsverktøy for datalag-likhet</p></figcaption></figure>

<mark style="color:standard;background-color:yellow;">Likhetsverdiene varierer fra 0 til 1, hvor 0 indikerer ingen samsvar og 1 betyr 100 % verdi-romlig samsvar</mark>. Med andre ord, jo nærmere likhetsscoren er 1, desto mer like er avlingsattributtene.&#x20;

## **Reelt avlingsdatasett (2015** Soyabønner **vs 2018** Soyabønne&#x72;**)**

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.

<figure><img src="/files/d418f468c61414c7c118090190862e340cb26d35" alt=""><figcaption><p>Soyabønner 2015: Opprinnelig vs Renset og kalibrert avlingsdata</p></figcaption></figure>

<figure><img src="/files/02b93014eeb268aae92f05f06118a21542f6802c" alt=""><figcaption><p>Soyabønner 2018: Opprinnelig vs Renset og kalibrert avlingsdata</p></figcaption></figure>

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 <mark style="color:standard;background-color:yellow;">2018-soyavlingsmønstrene ligner sterkt på de fra 2015</mark>. Selv om noen områder faller til 0,599, bekrefter den lave variansen (0,005) og beskjedne standardavviket (0,073) <mark style="color:standard;background-color:yellow;">overordnet konsistens</mark>.&#x20;

Fra et agronomisk synspunkt, <mark style="color:standard;background-color:yellow;">tyder denne stabiliteten på at feltets underliggende forhold og respons på forvaltningspraksiser stort sett har vært uendret</mark>.

<figure><img src="/files/13610ff03d8b8760d788743d53817b57b594fe2d" alt=""><figcaption><p>Sammenligning av avlingslikhet: Soyabønner 2015 vs Soyabønner 2018</p></figcaption></figure>

## **Reelt avlingsdatasett (2022** Mais **vs 2024** Mai&#x73;**)**

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.&#x20;

Etter å ha brukt GeoPards verktøy for rensing og kalibrering blir datasettene mer pålitelige, noe som muliggjør automatisert analyse og informert beslutningstaking.

<figure><img src="/files/386bd96cd4105b8d439052b94fddb7b406dcbccd" alt=""><figcaption><p>Mais 2022: Opprinnelig vs Renset og kalibrert avlingsdata</p></figcaption></figure>

<figure><img src="/files/418484037afa8b04404d7e342a908d2be0c65e8c" alt=""><figcaption><p>Mais 2024: Opprinnelig vs Renset og kalibrert avlingsdata</p></figcaption></figure>

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 <mark style="color:standard;background-color:yellow;">maisavlingene i 2024 i stor grad ligner 2022</mark>, selv om områder ned til 0,413 indikerer variasjon. Et standardavvik på 0,115 bekrefter <mark style="color:standard;background-color:yellow;">noen forskjeller i feltet</mark>.

Fra et agronomisk synspunkt, <mark style="color:standard;background-color:yellow;">konsekvente mønstre tyder på stabile forhold og effektiv forvaltning over tid</mark>. Imidlertid kan lokale <mark style="color:standard;background-color:yellow;">soner med lavere likhet kreve målrettede justeringer for å forbedre fremtidig avlingsresultat</mark>.

<figure><img src="/files/d3a8c1fa907d9ec903fb870f8b1b5904fa9a48b5" alt=""><figcaption><p>Sammenligning av avlingslikhet: Mais 2022 vs Mais 2024</p></figcaption></figure>

## **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. <mark style="color:standard;background-color:yellow;">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</mark>. 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](/geopard-tutorials/nor/agronomi/kalibrering-og-rensing-av-avlingsdata.md) på de reelle avlingsdataene og generert [Syntetisk avling](/geopard-tutorials/nor/agronomi/syntetisk-avlingskart.md) for raps, kan vi starte en meningsfull sammenligning av deres likhet.

<figure><img src="/files/1e1dd708f0192e9fd40b491a37ffbc9256a52340" alt=""><figcaption><p>Raps 2023: Opprinnelig vs Renset og kalibrert avlingsdata</p></figcaption></figure>

<figure><img src="/files/5e0e5bd2a731bb7bd5b85c648975d85e438a8e9b" alt=""><figcaption><p>Raps syntetisk avling 2023</p></figcaption></figure>

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 <mark style="color:standard;background-color:yellow;">syntetisk avlingsdatasett generelt sett samsvarer godt med det reelle 2023-rapsavlingsmønsteret</mark>. Selv om ett område faller så lavt som 0,291, antyder den lave variasjonen (0,006) og beskjedne standardavviket (0,08) at <mark style="color:standard;background-color:yellow;">de fleste deler av feltet stemmer godt overens mellom de reelle og syntetiske datasettene, med svært få avvik</mark>.

Fra et agronomisk synspunkt innebærer denne sterke likheten at <mark style="color:standard;background-color:yellow;">de syntetiske avlingsdataene kan fungere som en pålitelig proxy for reelle feltforhold</mark>, og styrker tilliten til å bruke modellerte scenarier for å veilede beslutninger. <mark style="color:standard;background-color:yellow;">De agronomiske praksisene som gjenspeiles i de reelle avlingsdataene fanges godt av den syntetiske avlingsmodellen</mark>, noe som muliggjør mer informert og konsistent planlegging av fremtidige forvaltningsstrategier.

<figure><img src="/files/c3df4d2ce4302e56fa3a544acf824010e8ccd869" alt=""><figcaption><p>Sammenligning av avlingslikhet raps: Faktisk 2023 vs syntetisk 2023</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/sammenligning-av-avlingsdatasett.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.