> 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/api-dokumentasjon/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutasjon: Kalibrer og rens avlingsdatasett

API-kall for å rense og kalibrere avlingsdatasett

Kalibrering av «YieldDataset» korrigerer fordelingen av verdier i tråd med matematiske prinsipper og styrker dermed datagrunnlagets integritet. Dette gir et bedre grunnlag for beslutninger og gjør datasettet verdifullt for videre, grundige analyser.

Vanlige bruksområder for denne funksjonen er:

* Synkronisering av data når flere skurtreskere har arbeidet samtidig eller over flere dager, slik at dataene blir konsistente.
* Jevne ut variasjoner for å gjøre datasettet mer ensartet og nøyaktig.
* Fjerne støy og overflødig informasjon som kan gjøre det vanskeligere å få fram nyttig innsikt.
* Fjerne vendeteiger eller unormal geometri som kan forvrenge de faktiske mønstrene og trendene på jordet.
* Justere avlingsdata slik at de samsvarer med etablerte gjennomsnitts- eller totalverdier for hver egenskap.

Du finner en mer detaljert gjennomgang og eksempler i [kalibrering og rensing av avlingsdata](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) bruksområdet.

### Opprinnelig YieldDataset med egenskapen WetMass

Fem skurtreskere arbeidet parallelt på jordet på 30 ha som vises nedenfor. Kalibreringen på én av skurtreskerne var ikke synkronisert med de andre, noe som førte til <mark style="color:oransje;">oransje</mark> flekker som viser at det er behov for ytterligere `CALIBRATION` I tillegg er det mange vendeteiger med <mark style="color:røde;">røde</mark> flekker nærmere kantene av «jordet» som må fjernes.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Opprinnelig YieldDataset med egenskapen WetMass</p></figcaption></figure>

### Kalibrert og renset YieldDataset med egenskapen WetMass

Resultatet nedenfor viser datasettet etter at de automatiske operasjonene `CALIBRATE` og `CLEAN` er utført med standardparametere. «YieldDataset» er nå ensartet, uten avvikende verdier eller brå endringer mellom tilstøtende geometrier.

<figure><img src="https://4236156289-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibrert og renset YieldDataset med egenskapen WetMass</p></figcaption></figure>

### Alternativene Pathwise, Average/Total og Conditional

**Pathwise-kalibrering** følger kjøresporene. Hvert kjørespor behandles som et eget område ved kalibreringen. GeoPard-teamet anbefaler denne metoden som standard.

**Average/Total-kalibrering** fordeler egenskapsverdiene på nytt. Denne metoden er nyttig når de geografiske mønstrene stemmer, men de absolutte verdiene avviker fra de faktiske verdiene. For best mulig resultat anbefaler GeoPard å kombinere den med Pathwise-kalibrering: Kjør først Pathwise, og juster deretter verdiene til kjente gjennomsnitts- eller totalverdier.

**Conditional-kalibrering** justerer egenskapsverdiene ut fra angitte minste- og størstegrenser. Metoden er særlig nyttig når de geografiske mønstrene stemmer, men verdifordelingen må justeres, spesielt når kjente minste- og størsteverdier finnes. For best mulig resultat anbefaler GeoPard å kombinere den med Pathwise-kalibrering: Kjør først Pathwise, og juster deretter verdiene slik at de samsvarer med de kjente minste- og størsteverdiene.

### Tips

{% hint style="warning" %}
**Tips om avvik i dataene**

Hvis du oppdager avvik i dataene, for eksempel verdier på eller nær null eller uvanlig høye verdier (for eksempel et gjennomsnitt på 10 og en maksimumsverdi på 8000), anbefales arbeidsflyten **Clean & Calibration** Den konfigureres med parameterne `actions: [CLEAN, CALIBRATE]`.

Når dataene renses før kalibrering, fjernes feil, manglende verdier og inkonsistenser. Det forbedrer datakvaliteten og nøyaktigheten.
{% endhint %}

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

Hvis datasettet i utgangspunktet ikke inneholder feil, manglende verdier eller inkonsistenser, og du vet at flere skurtreskere har vært i bruk, kan du vurdere arbeidsflyten **Calibration & Clean** Den konfigureres med parameterne `actions: [CALIBRATE, CLEAN]`.

Rensing etter kalibreringen finjusterer datasettet ytterligere ved å fjerne eventuelle artefakter som kalibreringen har introdusert.
{% endhint %}

### Dokumentasjon: Detaljer om mutasjonen

Standardkonfigurasjonen aktiverer automatisk kalibrering og rensing av «YieldDataset».

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Et mer avansert eksempel gir manuell kontroll over min-/maksområder og inkluderer flere attributter.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
For å følge USDA-protokollen for `CLEAN` operasjonen må du enten angi ALLE kolonnene i `cleanAction` -> `conditionMinMaxClean` eller angi noen av dem i `cleanAction` -> `conditionMinMaxClean` og de resterende i `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Inndata-parametere:

* `actions` som en matrise, slik at du kan velge *korrigeringshandlingene og rekkefølgen de skal utføres i* ; støttede verdier inkluderer `CLEAN` og `CALIBRATE`.
* `calibrateAction` som et objekt med konfigurasjonsdetaljer for `CALIBRATE` operasjonen.
  * `calibrationAttributes` som en liste over egenskaper som krever kalibrering, vanligvis knyttet til kolonnen Yield.
  * `smoothWindowSize` som et oddetall som jevner ut resultatverdiene og reduserer brå sprang i verdiene.
  * `conditionPathwiseCalibration` som et objekt med **sporvis** kalibrering, som tilsvarer maskinens kjørespor. Hvert kjørespor behandles som et eget område ved kalibreringen.
    * `calibrationBasis` som en tekststreng som angir egenskapen som brukes som grunnlag for kalibreringen.
    * `maxHomogeneityRegion` som en boolsk verdi som angir om området med størst homogenitet brukes som referanseområde for kalibreringen.
    * `syntheticMachinePath` som en boolsk verdi som angir om maskinens kjørespor skal simuleres. Dette er nyttig når den nøyaktige egenskapen for maskinens kjørespor mangler og må simuleres ut fra tidsstempler eller en lignende egenskap.
  * `conditionAvgTotalCalibration` som et objekt med **gjennomsnitts-/total** kalibrering, som fokuserer på å omfordele egenskapsverdier. Denne metoden er nyttig når de geografiske mønstrene stemmer, men de absolutte verdiene avviker fra de faktiske verdiene.
    * `calibrationAttribute` som en tekststreng som angir egenskapen som skal kalibreres.
    * `average` som et tall som angir gjennomsnittsverdien for egenskapen. Egenskapsverdiene skal samsvare med dette gjennomsnittet. Bruk bare ett av alternativene `average` eller `total`om gangen.
    * `total` som et tall som angir summen av egenskapsverdiene. Summen av disse verdiene skal samsvare med totalverdien. Bruk bare ett av alternativene `average` eller `total`om gangen.
  * `conditionMinMaxCalibration` som et objekt med **betinget** kalibrering, som justerer egenskapsverdiene ut fra angitte minimums- og maksimumsgrenser.
    * `calibrationAttribute` som en tekststreng som angir egenskapen som skal kalibreres.
    * `min` som et tall som angir minimumsverdien for egenskapen og utgjør den nedre grensen for kalibreringen.
    * `minIncluded` som en boolsk verdi som angir om minimumsverdien skal inkluderes.
    * `max` som et tall som angir maksimumsverdien for egenskapen og utgjør den øvre grensen for kalibreringen.
    * `maxIncluded` som en boolsk verdi som angir om maksimumsverdien skal inkluderes.
* `cleanAction` som et objekt med konfigurasjonsdetaljer for operasjonen `CLEAN` .
  * `conditionAutoClean` som et objekt med konfigurasjoner som gjelder for den automatiske rensealgoritmen.
    * `targetAttribute` som en tekststreng som angir de ønskede avlingsverdiene.
    * `excludedAttributes` som en matrise med strenger som definerer attributter som ikke påvirker renseoperasjonen.
  * `conditionMinMaxClean` som en matrise med objekter som inneholder de beskrevne renser reglene. Hvert objekt inneholder følgende parametere.
    * cleanAttribute som en streng som angir kolonnenavnet for regelen.
    * `min` som et tall som angir minimumsverdien.
    * `max` som et tall som angir maksimumsverdien.

{% hint style="info" %}
For å se inndataene og få tilgang til de nyeste tilgjengelige verdiene for opplistinger (for eksempel `operations`), anbefales det å bruke [Altair](https://docs.geopard.tech/geopard-tutorials/nor/api-dokumentasjon/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentasjon: YieldDataset-spørring

Som GeoPard API-bruker kan du hente detaljer om korrigeringene som er brukt på YieldDatasets, via attributtene `appliedCorrections` og `appliedCorrectionsVersion`. Førstnevnte gir en liste over utførte korrigeringer (f.eks. `CALIBRATE` og `CLEAN`), der rekkefølgen angis av plasseringen i matrisen. Sistnevnte `appliedCorrectionsVersion` angir hvilken versjon av algoritmen som er brukt.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-dokumentasjon/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
