> 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/produktomvisning-nettapp/zones-maps-and-analytics/multi-layer-analytics.md).

# Flerlagsanalyser

Med GeoPard kan du koble sammen flere datalag for å lage forvaltningssoner. Du styrer vekter, indekser, antall soner, klyngetype og minimum polygonareal.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Interaktiv demonstrasjon – opprettelse av soner med flere lag*

Presisjonsjordbruk genererer store datamengder, blant annet avlingsdata, satellittbilder og lag med informasjon om jordas fruktbarhet. Mange team strever fortsatt med å omsette disse lagene til nyttig innsikt og konkrete tiltak. I presisjonsjordbruk er skifter soner innenfor et skifte som har lignende avlingspotensial basert på jordtype, plassering i terrenget, jordkjemi, mikroklima eller andre faktorer som påvirker veksten. Lokal kjennskap til skiftet er også en viktig del av prosessen. Skiftesoner bidrar til å optimalisere innsatsfaktorene og avlingspotensialet.

Hovedutfordringen er å lage skiftesoner som gjenspeiler den faktiske variasjonen på skiftet. Å kombinere lag som satellittbilder, jordfruktbarhet, terrengderivater og data fra avlingsmonitoren er et naturlig neste steg mot skiftesoner som gir grunnlag for mer målrettet drift.

Analyse av flere lag (også kjent som integrert analyse) blir en del av GeoPards motor for geospatial analyse.

Klassiske kombinasjoner for integrert analyse omfatter ett eller flere avlingsdatasett, et NDVI-kart, høyde og fysisk-kjemiske egenskaper målt med jordsensorer. GeoPard støtter disse parameterne og lar deg også inkludere andre datalag for skiftet som allerede finnes i systemet, eller som brukeren laster opp direkte, for eksempel jordprøver og avlingsdatasett. Dermed kan du bruke et komplett sett med parametere til integrert analyse:

Avlingsdata\
Fjernmålingsdata:

* Kart over produktivitetspotensial (for ett år og flere år)
* Kart over stabilitet/variasjon
* Vegetasjonsindekser: NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografi:

* Høyde over havet
* Helning
* Krumming
* Fuktighetsindeks
* Eksposisjon
* Skyggerelieff
* Terrengruhet
* Ujevnhet

Jorddata:

* pH
* CEC (kationbyttekapasitet)
* SOM (organisk materiale i jorda)
* K (kalium)
* Lite matjord og lavere evne til å holde på plantetilgjengelig vann (tørkeutsatt jord)
* EC (elektrisk ledningsevne)
* og andre kjemiske egenskaper som finnes i det opplastede datasettet

Merk at du kan angi egendefinerte faktorer for hvert datalag og tilordne dem ønsket vekt. I GeoPard kan du lage kart over skiftesoner basert på din kunnskap om skiftet, samtidig som du velger datakilder og vektingen deres.

## Slik fungerer vektingen av lag

Vekten bestemmer hvor mye hvert lag påvirker hver piksel i sonekartet som blir resultatet.

### Først normaliseres dataene

Inndatalagene har ulike måleenheter og verdiområder: NDVI går fra 0 til 1, avling fra 4 til 12 t/ha, pH fra 5,5 til 7,5 og EC fra 5 til 60 mS/m. Hvis råverdiene ble kombinert, ville laget med størst tallområde dominert resultatet, uavhengig av hvor viktig det er agronomisk.

GeoPard bruker først min-maks-normalisering på hvert lag og skalerer det til et felles verdiområde basert på lagets egne minimums- og maksimumsverdier innenfor skiftet. Deretter er det bare vekten som bestemmer påvirkningen.

### Deretter brukes vektene

Hvert normaliserte lag multipliseres med vekten sin, og lagene kombineres til én samlet flate.

### Negative vekter snur laget

En negativ vekt snur skalaen: høye verdier i laget behandles som lave, og lave verdier som høye. Bruk dette når høye målinger viser dårligere forhold, for eksempel:

* Leirinnhold på et dårlig drenert skifte
* Høyde der lavtliggende områder er utsatt for frost eller vannmetting
* EC der høye målinger tyder på saltholdighet snarere enn evne til å holde på vann

### Manglende verdier interpoleres

Når et lag mangler piksler (skydekke i en satellittscene, en manglende kjørespor i avlingsdata eller spredte jordprøvepunkter), interpolerer GeoPard verdiene ut fra omkringliggende verdier i stedet for å utelate pikselen. Det kombinerte kartet forblir sammenhengende over hele skiftet.

### Resultatet normaliseres på nytt

Etter vekting og sammenstilling normaliseres resultatkartet på nytt slik at det dekker hele verdiområdet. Deretter deles det inn i antallet soner du har valgt.

{% hint style="info" %}
**Slik velger du vekter:** Start med å gi laget du stoler mest på, høyest vekt. Flerårige avlingsdata og langsiktig produktivitet fra satellittdata er vanligvis de mest pålitelige signalene. Satellittbilder fra én dato er mest situasjonsavhengige, siden én scene bare viser ett tidspunkt i vekstsesongen.
{% endhint %}

Bildene nedenfor viser et eksempel på et skifte med datalag som et produktivitetskart basert på 18 år med data, en digital høydemodell, helning, skyggerelieff og avlingsdata fra 2019, sammen med ulike resultater fra integrert analyse. Du kan følge med på hvordan skiftesonene utvikler seg etter hvert som flere lag legges til.

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-8.png?resize=1024%2C501&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-9.png?resize=1024%2C504&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-10.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-11.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></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/produktomvisning-nettapp/zones-maps-and-analytics/multi-layer-analytics.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.
