> 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/yield-calibration-and-cleaning.md).

# Rensing og kalibrering av avlingsdata: fjern feil fra avlingskart

Rens data fra avlingsmåleren: gjennomstrømningsforsinkelse, start og slutt på drag, vendinger, overlapp, avvik i hastighet og fuktighet samt kalibrering av flere skurtreskere – før du lager soner.

Rådata fra avlingsmåleren inneholder feil som skyldes forsinkelse i avlingsstrømmen, begynnelsen og slutten av drag, vendinger, overlappende skjærebord og skurtreskere som er kalibrert forskjellig. Rens dataene før du lager soner eller vurderer et forsøk, ellers viser kartet maskinen i stedet for jordet. GeoPard følger USDA-protokollen for datarensing automatisk, lar deg stille inn filtrene manuelt og kalibrerer flere skurtreskere mot én kjent total eller gjennomsnittsavling.

{% hint style="info" %}
Se den interaktive siden om rensing av avlingsdata på geopard.tech: [Rensing av avlingsdata](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Rens avlingsfilene fra forrige sesong: [Start gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Bruk GeoPard til å **rense avlingsdata** og **kalibrere datasett fra avlingsmålere**. Få et avlingskart du kan stole på når du lager soner, tildelingsfiler og analyser. Denne arbeidsflyten håndterer avvikende verdier, vendinger, manglende attributter og avlingsdata fra flere skurtreskere. Den inkluderer **USDA-protokollen for rensing av avlingsdata** og støtter **arbeidsflyter som alternativ til Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Videoveiledning om rensing og kalibrering av avlingsdata. Forklaring av forskjellene mellom alternativene.
{% endembed %}

Denne kalibreringsprosessen er viktig for å:

1. **Sikre konsistente data**: Det er ikke uvanlig at flere skurtreskere arbeider samtidig eller på ulike dager. Denne funksjonen sørger for at dataene deres stemmer overens.
2. **Gjøre dataene ensartede**: Avlingsdata kan variere. Kalibreringen gjør dem jevne og konsistente, uten uønskede topper eller fall.
3. **Filtrere bort støy**: Som alle andre data kan avlingsdata inneholde «støy» eller irrelevant informasjon. Vi sørger for at dette ikke gjør analysene dine mindre tydelige.
4. **Rette opp geometriske avvik**: Vendinger og uvanlige geometriske mønstre i dataene kan gi et skjevt bilde. Kalibreringen er utformet for å rette opp slike avvik, slik at dataene gjenspeiler forholdene på jordet.
5. **Avgrense etter jordekant**: Skurtreskere arbeider ofte på tvers av tilgrensende områder. For å få nøyaktige analyser er det viktig å bare ta med data innenfor den angitte grensen.

{% hint style="info" %}
Grensesnittet for avlingskalibrering bruker GeoPard API-endepunktet for rensing og kalibrering av avling ([GeoPard API: Kalibrer og rens YieldDataset](https://docs.geopard.tech/geopard-tutorials/nor/api-dokumentasjon/geopard-api-requests-overview/field-data/mutation-calibrate-and-clean-yielddataset.md)). Det kjører operasjonene `CALIBRATE` og `CLEAN` i brukergrensesnittet eller via API-et.
{% endhint %}

## Kort 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="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/c4e0d334fb125cfb0fc04adb60bf5eda02c8b967" %}
Last ned PDF-brosjyren om rensing av avlingsdata
{% endfile %}

## Eksempler fra virkeligheten

I landbruket kan ødelagte avlingsdatasett by på betydelige utfordringer. Nedenfor finner du eksempler fra virkeligheten på slike datasett. Med GeoPards avanserte algoritmer for kalibrering og rensing ble datasettene effektivt forbedret og optimalisert.

{% hint style="info" %}
For å dekke områder uten registrerte avlingsdata og få et komplett avlingskart kan du bruke GeoPards metode for syntetiske avlingskart. Denne metoden fyller inn manglende data, slik at du får et fullstendig grunnlag for avlingsanalysen. Les mer [her](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Flere skurtreskere i arbeid sammen

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Eksempel 1: Flere skurtreskere i arbeid sammen</p></figcaption></figure>

{% hint style="info" %}
I komplekse situasjoner anbefales en kalibrering i to trinn for best mulig nøyaktighet. Start med en første kalibrering ved hjelp av attributtet Machine ID. Kjør deretter en ny kalibrering, denne gangen med avkrysningsboksen Simulated (Synthetic) Machine Paths. Denne trinnvise tilnærmingen gir en grundig og presis kalibrering, noe som er avgjørende for å håndtere kompliserte tilfeller.
{% endhint %}

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Eksempel 2: Flere skurtreskere i arbeid sammen</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Eksempel 3: Flere skurtreskere i arbeid sammen</p></figcaption></figure>

### J-svinger, stopp og halv redskapsbredde brukt

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Eksempel 1: U-svinger, stopp og halv redskapsbredde brukt</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Eksempel 2: U-svinger, stopp og halv redskapsbredde brukt</p></figcaption></figure>

### Unormalt høye registrerte verdier

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Eksempel 1: Unormalt høye registrerte verdier</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Eksempel 2: Unormalt høye registrerte verdier</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Eksempel 3: Unormalt høye loggførte verdier</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Eksempel 4: Unormalt høye loggførte verdier</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Eksempel 5: Unormalt høye loggførte verdier</p></figcaption></figure>

### Data utenfor åkergrensen

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Eksempel: Data utenfor åkergrensene</p></figcaption></figure>

### Kalibrering med oppgitt gjennomsnittsavling

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Eksempel: Kalibrering med oppgitt gjennomsnittsavling (28 t/ha)</p></figcaption></figure>

### Rens avlingsdata uten å ta hensyn til avvik i attributter

Avlingsdatasettet inneholder av og til attributter med uregelmessigheter i fuktighet, hastighet, høyde eller andre sekundære attributter (som ikke gjelder avling). Når du utfører rensing eller kalibrering, er det viktig å se bort fra disse avvikene. Dette kan gjøres effektivt i GeoPards grensesnitt for rensing og kalibrering av avlingsdata.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Eksempel: Avvik i fuktighetsattributtet</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Eksempel: Rensing av avlingsdata uten å ta hensyn til avvik i fuktighet</p></figcaption></figure>

### USDA-protokoll for rensing av avlingsdata

Bruk dette alternativet når du trenger en **repeterbar arbeidsflyt for redigering av avlingsdata basert på standarder**. Den er optimalisert for **rensing av data fra avlingsmonitorer** i stor skala.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Eksempel: Rensing av avlingsdata med USDA-protokollen</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Eksempel: Rensing av avlingsdata med USDA-protokollen</p></figcaption></figure>

## Forklaring av kalibreringsmetoder

### Sporbasert kalibrering

**BRUK** **sporbasert kalibrering** når en åker er <mark style="background-color:green;">høstet med flere maskiner eller over flere dager, spesielt for å korrigere systematiske forskjeller som striper eller bånd.</mark> Metoden passer godt når ulike maskininnstillinger, førere eller miljøforhold fører til jevn over- eller undervurdering langs forskjellige kjørespor.

Det er viktig at <mark style="background-color:yellow;">KI-en trenger variasjon – for eksempel ulike kjørespor, maskin-ID-er eller høstedatoer – for å lære og kalibrere effektivt.</mark>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Eksempel: Avlingsdata for våtmasse fra 9 skurtreskere</p></figcaption></figure>

**IKKE BRUK** denne metoden for høsting med én maskin i én sammenhengende økt, eller hvis avlingskartet ikke viser tydelige romlige mønstre. Unngå den også hvis datagrunnlaget er tynt, eller hvis du bare har samlet avling for hele åkeren og ikke data som viser forskjeller mellom maskinene.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrigert datafordeling</p></figcaption></figure>

### Kalibrering etter gjennomsnitt eller totalavling

**Kalibrering etter gjennomsnitt/totalavling er BEST EGNET** når <mark style="background-color:green;">du har stor tillit til avlingsdataene for hele åkeren, for eksempel fordi de bygger på registreringer fra en brovekt eller et lager.</mark> I stedet for å justere enkeltspor skalerer metoden hele datasettet slik at det endelige gjennomsnittet eller totalen samsvarer med referanseverdien du kjenner. Dette regnes ofte som det enkleste og tryggeste kalibreringsalternativet når du stoler på totalverdiene.

Når du skal **BRUKE kalibrering etter gjennomsnitt/totalavling:**

* **Kjente referanseverdier**: Bruk denne metoden når du har offisielle registreringer av totalavling (for eksempel fra en brovekt) eller en svært pålitelig gjennomsnittsavling for åkeren.
* **Korrigering av generell skjevhet**: Metoden passer godt hvis den romlige fordelingen på avlingskartet ser riktig ut, men verdiene generelt er forskjøvet – det vil si at avlingsmonitoren trolig ikke var kalibrert og viser systematisk for høye eller for lave verdier i hele åkeren.
* **Jevne høsteforhold**: Metoden er mest effektiv når høsteforholdene var relativt jevne gjennom hele arbeidet.
* **Jevne resultater med én maskin**: Metoden fungerer godt for høsting med én maskin som har arbeidet jevnt i hele åkeren.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Eksempel: Statistisk korrigert datafordeling med nødvendig forskyvning basert på gjennomsnittsavling</p></figcaption></figure>

Når du **IKKE skal BRUKE kalibrering etter gjennomsnitt/totalavling:**

* **Skjevhet mellom maskiner**: Ikke bruk denne metoden hvis ulike deler av jordet ble høstet med forskjellige maskiner eller på forskjellige dager, slik at det oppsto lokale skjevheter. I slike tilfeller vil skalering av hele jordet ikke rette opp de underliggende forskjellene mellom maskinene.
* **Synlige artefakter**: Hvis du ser tydelige striper, bånd eller retningsbestemte artefakter i dataene, vil ikke denne metoden fjerne dem; <mark style="background-color:green;">Banebasert kalibrering egner seg bedre for slike problemer</mark>.
* **Ufullstendige data**: Unngå denne logikken hvis bare en del av jordet ble høstet, eller hvis de registrerte dataene er ufullstendige, siden total- og gjennomsnittsverdiene da vil være misvisende.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Eksempel: Avlingsdata med manglende verdier</p></figcaption></figure>

### Betinget kalibrering

**Betinget kalibrering** fungerer som <mark style="background-color:green;">en sikkerhetsmekanisme som sørger for at avlingsverdiene holder seg innenfor realistiske, forhåndsdefinerte minimums- og maksimumsgrenser</mark>.

Du **BØR BRUKE** denne logikken til å f<mark style="background-color:green;">jerne ekstreme avvik og sensorutslag som skyldes støy, maskinstans eller vendinger</mark>. Den egner seg godt til å håndheve bestemte agronomiske forventninger – for eksempel «avlingen kan ikke overstige X» – uten å utføre en korrigering.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Du bør imidlertid **UNNGÅ DENNE METODEN** hvis datasettet har en generell skjevhet eller systematiske forskjeller mellom maskiner, siden metoden verken skalerer dataene eller korrigerer romlige mønstre. Den sørger i praksis for at verdiene er plausible, men retter ikke opp underliggende kalibreringsforskyvninger.

## Bruksstrategi

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Énsides veiledning for kalibrering av avlingsdata</p></figcaption></figure>

{% file src="/files/806028626658cf066d37ca51520f8d663a17e0e3" %}
Last ned PDF-en med den énsides veiledningen for kalibrering av avlingsdata
{% endfile %}

## Første steg

Modulen «Yield Calibrate and Clean» startes direkte fra brukergrensesnittet. Det viktigste er at du har lastet opp et avlingsdatasett. Ved siden av hvert avlingsdatasett finner du en knapp for å starte justeringen av datasettet.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Start arbeidsflyten</p></figcaption></figure>

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Velg et alternativ for å fortsette</p></figcaption></figure>

Derfra kan du velge mellom flere alternativer:

1. **Automatisk behandling**: Bruk standardinnstillingene anbefalt av GeoPard for kalibrering med ett klikk.
2. **Bare rensing**: Konfigurer og utfør bare RENS-operasjonen, inkludert
   1. **GeoPard-rensing**: Intelligent rensing av avlingsdatasettet med AI-algoritmer.
   2. **USDA** (USAs landbruksdepartement) sin renseprotokoll for avlingsdata.
   3. **Betinget rensing**: Filtrer data basert på egendefinerte attributtgrenser.
3. **Bare kalibrering**: Konfigurer og utfør bare KALIBRER-operasjonen, inkludert
   1. **Banebasert**: Kalibrer avlingsdata for hver enkelt maskinbane med AI-algoritmer.
   2. **Gjennomsnitt/total**: Juster avlingen basert på kjent gjennomsnitts- eller totalavling for jordet.
   3. **Betinget**: Juster avlingsverdiene innenfor fastsatte minimums- og maksimumsgrenser for å holde dem innenfor forventede intervaller.
4. **Kalibrer og rens**: Velg rekkefølgen på operasjonene, og tilpass parameterne.
5. **Alternativ til Yield Editor**: Bruk **Bare rensing → USDA** (eller **Kalibrer og rens**) for å følge en manuell arbeidsflyt for rensing med «Yield Editor», men i stor skala. I valideringstester samsvarte rensingen etter USDA-protokollen med de manuelle resultatene fra Yield Editor med **R² (R2) = 0.98** (nesten identiske resultater).

## Løsning med ett klikk

{% hint style="warning" %}
**Tips om unormale verdier som noen ganger forekommer naturlig i avlingsdatasett.**

Hvis et **attributt** som er valgt for kalibrering eller rensing, hovedsakelig **inneholder** **nullverdier for de fleste geometriene**, blir disse geometriene utelatt fra det endelige avlingsdatasettet.

For å sikre dataintegriteten bør attributter med slike avvik utelates fra listen over attributter som skal kalibreres.
{% endhint %}

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

## Fullstendig veiledning

{% hint style="warning" %}
**Velg arbeidsflyt: Tips om dataavvik**

Hvis en bruker oppdager avvik i dataene, som verdier på eller nær null eller uvanlig høye verdier (for eksempel et gjennomsnitt på 10 og en maksimumsverdi på 8000), anbefales arbeidsflyten **Rens og kalibrer** .

Når dataene renses før kalibrering, fjernes feil, manglende verdier og inkonsekvenser først. Dette forbedrer datakvaliteten og nøyaktigheten.
{% endhint %}

{% hint style="warning" %}
**Velg arbeidsflyt: Tips for data uten opprinnelige feil**

For datasett som i utgangspunktet er fri for feil, manglende verdier og inkonsekvenser, og der det er kjent at flere skurtreskere er brukt, bør du vurdere arbeidsflyten **Kalibrer og rens** .

Rensing av dataene etter kalibrering bidrar til å forbedre datasettet ytterligere ved å fjerne eventuelle artefakter som kan ha oppstått under kalibreringen.
{% endhint %}

{% hint style="warning" %}
**Rensearbeidsflyt: Tips om unormale verdier som noen ganger forekommer naturlig i avlingsdatasett.**

Hvis et **attributt** som er valgt for kalibrering eller rensing, hovedsakelig inneholder **nullverdier for de fleste geometriene**, blir disse geometriene utelatt fra det endelige avlingsdatasettet.

For å sikre dataintegriteten bør attributter med slike avvik utelates fra listen over attributter som skal renses (2).
{% endhint %}

{% hint style="warning" %}
**Kalibreringsarbeidsflyt: Tips om unormale verdier som noen ganger forekommer naturlig i avlingsdatasett.**

Hvis et **attributt** som er valgt for kalibrering eller rensing, hovedsakelig **inneholder** **nullverdier for de fleste geometriene**, blir disse geometriene utelatt fra det endelige avlingsdatasettet.

For å sikre dataintegriteten bør attributter med slike avvik utelates fra listen over attributter som skal kalibreres (3).
{% endhint %}

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

## Algoritmeversjoner

Etterbehandlingen viser resultatene ved siden av det opprinnelige datasettet. De er merket med **«Kalibrer»** og/eller **«Rens»** -etiketter, samt algoritmeversjonen.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Resultatet av kjøringen av Kalibrer og rens (versjon 2)</p></figcaption></figure>

{% hint style="info" %}
Fra og med `version 3.0` innfører GeoPard funksjonen for avgrensing etter skiftegrenser i rense-/kalibreringsalgoritmen. Funksjonen beholder bare geometriene innenfor skiftegrensen og gir en bedre statistisk fordeling.
{% endhint %}

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Resultatet av kjøringen av automatisk behandling (versjon 3.0)</p></figcaption></figure>

{% hint style="info" %}
Fra og med `version 4.0`har rense-/kalibreringsalgoritmen i GeoPard fått en funksjon for kalibrering basert på gjennomsnitts- eller totalverdier for et hvilket som helst attributt. En vanlig bruk av denne forbedringen er kalibrering av WetMass, som nå kan justeres etter den kjente, målte gjennomsnittsavlingen for et bestemt skifte.
{% endhint %}

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Resultatet av kalibreringen med en gjennomsnittsavling på 6 t/ha (versjon 4.0)</p></figcaption></figure>

{% hint style="info" %}
Fra og med `version 5.0` innfører GeoPard USDA-protokollen for rensing av avlingsdata i rense-/kalibreringsalgoritmen. USDA (det amerikanske landbruksdepartementet) fastsetter formelle standarder for agronomiske data. Standardene styrer hvordan avlings-, fuktighets-, gjennomstrømnings- og romlige målinger normaliseres, valideres og filtreres statistisk, slik at datasett blir konsistente på tvers av maskiner og skifter.
{% endhint %}

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Resultatet av rengjøringskjøringen med USDA-protokollen (versjon 5.0)</p></figcaption></figure>

{% hint style="success" %}
Rens avlingsfilene fra forrige sesong: [Start gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
