# Kalibracja i czyszczenie plonu Użyj GeoPard, aby **wyczyścić dane plonów** i **skalibrować zestawy danych z monitora plonu**. Uzyskaj mapę plonów, której możesz zaufać do stref, zaleceń dawek i analiz. Ten proces roboczy obsługuje wartości odstające, zawracanie, brakujące atrybuty oraz dane plonów z wielu kombajnów. Zawiera **protokół USDA dotyczący czyszczenia plonów** i obsługuje **alternatywne** procesy Yield Editor. {% embed url="" %} Samouczek wideo dotyczący czyszczenia i kalibracji danych plonów. Wyjaśnienie różnic między opcjami. {% endembed %} Ten proces kalibracji jest kluczowy do: 1. **Zapewnienia spójności danych**: Nie jest rzadkością, że kilku kombajnów pracuje równocześnie lub w różnych dniach. Ta funkcja zapewnia, że ich dane grają zgodnie. 2. **Ujednolicenia danych**: Dane plonów mogą być zróżnicowane; kalibracja zapewnia ich gładkość i spójność, bez niepożądanych skoków czy spadków. 3. **Filtrowania szumów**: Jak każde dane, dane plonów mogą zawierać „szumy” lub informacje nieistotne. Dbamy o to, by nie zniekształcały Twoich wniosków. 4. **Usprawniania geometrii**: Zawracania czy dziwne wzory geometryczne mogą zniekształcać rzeczywiste wnioski. Kalibracja ma na celu ich wygładzenie, dzięki czemu dane wiernie odzwierciedlają rzeczywistość pola. 5. **Przycinania do granicy pola**: Kombajny często operują na sąsiadujących obszarach. Dla dokładnych wyników analitycznych istotne jest uwzględnianie tylko danych znajdujących się w określonej granicy pola. {% hint style="info" %} Interfejs Kalibracji Plonu korzysta z punktu końcowego API GeoPard dla Clean/Calibrate Yield ([GeoPard API: Kalibracja i czyszczenie zestawu danych plonów](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Uruchamia `KALIBRUJ` i `CZYŚĆ` operacje w interfejsie użytkownika lub przez API. {% endhint %} ## Szybki przegląd

{% file src="" %} Pobierz broszurę PDF o czyszczeniu plonów {% endfile %} ## Przykłady z praktyki W rolnictwie uszkodzone zestawy danych plonów mogą stwarzać poważne wyzwania. Poniżej znajdują się przykłady z rzeczywistych przypadków, w których napotkano takie zestawy. Dzięki zaawansowanym algorytmom kalibracji i czyszczenia GeoPard te zestawy zostały skutecznie udoskonalone i zoptymalizowane. {% hint style="info" %} Aby uzupełnić obszary pozbawione zarejestrowanych danych plonów i osiągnąć kompletność mapy plonów, rozważ wykorzystanie podejścia GeoPard Synthetic Yield Map. Metoda ta odtwarza brakujące dane dla pełnej analizy plonów. Dowiedz się więcej [tutaj](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Współpraca wielu kombajnów

{% hint style="info" %} W przypadku złożonych scenariuszy zaleca się dwuetapowy proces kalibracji dla optymalnej dokładności. Zacznij od uruchomienia wstępnej kalibracji z użyciem atrybutu ID maszyny. Następnie wykonaj drugą rundę kalibracji, tym razem zaznaczając opcję Symulowane (syntetyczne) ścieżki maszyn. Takie warstwowe podejście zapewnia dokładną i gruntowną kalibrację, niezbędną do skutecznego zarządzania skomplikowanymi przypadkami. {% endhint %}

### Zawracania typu J, zatrzymania, użycie połowy szerokości sprzętu

Przykład 1: Zawracania typu U, zatrzymania, użycie połowy szerokości sprzętu

Przykład 2: Zawracania typu U, zatrzymania, użycie połowy szerokości sprzętu

### Nienaturalnie duże zarejestrowane wartości

Przykład 3: Nienaturalnie duże zarejestrowane wartości

Przykład 4: Nienaturalnie duże zarejestrowane wartości

Przykład 5: Nienaturalnie duże zarejestrowane wartości

### Dane poza granicą pola

### Kalibracja przy użyciu podanej średniej wartości plonu

### Czyszczenie atrybutów plonu z pominięciem atrybutów z anomaliami Zestaw danych plonów czasami zawiera atrybuty z nieregularnościami w wilgotności, prędkości, wysokościach terenu lub innych atrybutach drugorzędnych (nie związanych z plonem). Podczas wykonywania operacji Clean lub Calibrate ważne jest zignorowanie tych anomalii. Można to efektywnie osiągnąć za pomocą interfejsu GeoPard Yield Clean-Calibrate.

Przykład: Anomalie w atrybucie wilgotności

Przykład: Czyszczenie danych plonów z pominięciem anomalii wilgotności

### Protokół USDA dotyczący czyszczenia plonów Użyj tej opcji, gdy potrzebujesz **powtarzalnego, opartego na standardach procesu edycji plonów**. Jest zoptymalizowany do **czyszczenia danych z monitorów plonu** na dużą skalę.

Przykład: Czyszczenie danych plonów stosując protokół USDA

## Wyjaśnienie logiki kalibracji ### Kalibracja ścieżkowa **UŻYJ** **Kalibracja ścieżkowa** gdy pole jest zbiorem wykonywanym przez kilka maszyn lub w kilku dniach, szczególnie aby skorygować systematyczne różnice, takie jak pasowanie czy prążkowanie. Jest idealna w sytuacjach, gdy różne ustawienia maszyn, operatorzy lub warunki środowiskowe powodują konsekwentne przeszacowanie lub niedoszacowanie w różnych ścieżkach. Co istotne, AI wymaga zmienności - takiej jak odmienne ścieżki, ID maszyn lub daty zbioru - aby skutecznie się uczyć i kalibrować.

**NIE UŻYWAJ** tej metody dla zbiorów jedną maszyną w jednej ciągłej sesji lub jeśli mapa plonów nie wykazuje widocznych wzorców przestrzennych. Dodatkowo unikaj jej, jeśli dane są rzadkie lub jeśli posiadasz tylko sumaryczne wartości plonu na poziomie pola bez różnic na poziomie maszyn

Przykład: Statystycznie poprawny rozkład danych

### Kalibracja średnia lub totalna **Kalibracja średnia/totalna NAJLEPIEJ SPRAWDZA SIĘ** gdy masz wysoki poziom zaufania do ogólnych danych o plonie na poziomie pola, takich jak zapisy z wagi samochodowej lub magazynu. Zamiast korygować poszczególne ścieżki, metoda ta skaluje cały zestaw danych tak, aby końcowa średnia lub suma odpowiadała znanej wartości referencyjnej. Często opisywana jest jako najprostsza i najbezpieczniejsza opcja kalibracji, gdy ogólne liczby są zaufane. Kiedy **UŻYĆ kalibracji średniej/totalnej:** * **Znane wartości referencyjne**: Należy użyć tej logiki, gdy posiadasz oficjalne zapisy całkowitego plonu (np. z wagi samochodowej) lub wysoce wiarygodną średnią plonu dla pola. * **Globalna korekta biasu**: Jest to idealne, jeśli rozkład przestrzenny na mapie plonów wygląda poprawnie, ale wartości są globalnie przesunięte - co oznacza, że monitor plonu prawdopodobnie nie był skalibrowany i raportuje wartości konsekwentnie zbyt wysokie lub zbyt niskie w całym polu. * **Jednolite warunki zbioru**: Ta metoda jest najskuteczniejsza, gdy warunki zbioru były stosunkowo stałe w trakcie pracy. * **Spójność jednej maszyny**: Dobrze sprawdza się dla zbiorów wykonanych przez jedną maszynę, która pracowała konsekwentnie na całym polu.

Przykład: Statystycznie poprawny rozkład danych z wymaganym przesunięciem przy użyciu średniego plonu

Kiedy **NIE stosować kalibracji średniej/totalnej:** * **Bias między maszynami**: Nie używaj tej metody, jeśli różne części pola były zbierane przez różne maszyny lub w różne dni, co spowodowało lokalne odchylenia. W takich przypadkach skalowanie całego pola nie naprawi podstawowych rozbieżności między maszynami. * **Widoczne artefakty**: Jeśli w danych widoczne są silne prążki, pasy lub kierunkowe artefakty, ta metoda ich nie usunie; kalibracja ścieżkowa jest lepiej dopasowana do tych problemów. * **Niekompletne dane**: Unikaj tej logiki, jeśli tylko część pola została zebrana lub jeśli zarejestrowane dane są niekompletne, ponieważ wartości średnie/sumaryczne byłyby mylące.

### Kalibracja warunkowa **Kalibracja warunkowa** służy jako kontrola bezpieczeństwa, zapewniając, że wartości plonu pozostają w realistycznych, zdefiniowanych z góry minimalnych i maksymalnych zakresach. Powinieneś **UŻYĆ** tej logiki, abyusunąć ekstremalne wartości odstające i skoki z czujników spowodowane szumem, zatrzymaniami maszyny lub skrętami. Jest idealna do zastosowania określonych oczekiwań agronomicznych - takich jak „plon nie może przekroczyć X” - bez przeprowadzania korekty.

Jednak **UNIKAJ TEJ METODY** jeśli Twój zestaw danych ma globalny bias lub systematyczne różnice między maszynami, ponieważ nie skaluje danych ani nie naprawia wzorców przestrzennych. Zasadniczo utrzymuje wartości w dopuszczalnym zakresie, ale nie usuwa podstawowych odchyłek kalibracyjnych. ## Strategia użycia

Jednostronicowe wskazówki dotyczące kalibracji plonu

{% file src="" %} Pobierz PDF z jednostronicowymi wskazówkami dotyczącymi kalibracji plonu {% endfile %} ## Pierwszy krok Moduł „Kalibruj i czyść plon” uruchamia się bezpośrednio z interfejsu użytkownika. Głównym wymaganiem jest przesłany zestaw danych plonów. Obok każdego zestawu danych plonów znajdziesz przycisk do rozpoczęcia korekt.

Następnie dostępne są różne opcje kontynuacji: 1. **Automatyczne przetwarzanie**: Użyj domyślnych ustawień rekomendowanych przez GeoPard do jednorazowej kalibracji jednym kliknięciem. 2. **Tylko czyszczenie**: Skonfiguruj i wykonaj tylko operację CZYŚĆ, w tym 1. **Czyszczenie GeoPard**: Inteligentne czyszczenie zestawu danych plonów przy użyciu algorytmów AI. 2. **USDA** (Departament Rolnictwa Stanów Zjednoczonych) Protokół czyszczenia dla plonów. 3. **Czyszczenie warunkowe**: Filtruj dane na podstawie niestandardowych progów atrybutów. 3. **Tylko kalibracja**: Skonfiguruj i wykonaj tylko operację KALIBRUJ, w tym 1. **Ścieżkowa**: Skalibruj plon dla każdej indywidualnej ścieżki maszyny przy użyciu algorytmów AI. 2. **Średnia/Totalna**: Dostosuj plon w oparciu o znaną średnią lub sumę plonu dla pola. 3. **Warunkowa**: Zmodyfikuj plon w ustalonych limitach minimalnych i maksymalnych, aby utrzymać oczekiwane zakresy. 4. **Kalibruj i czyść**: Wybierz sekwencję operacji i dostosuj parametry. 5. **Alternatywa dla Yield Editor**: Użyj **Tylko czyszczenie → USDA** (lub **Kalibruj i czyść**) aby dopasować ręczny proces czyszczenia „Yield Editor”, ale na dużą skalę. W testach walidacyjnych czyszczenie wg protokołu USDA odpowiadało ręcznym wynikom Yield Editor z **R² (R2) = 0,98** (prawie identyczny wynik). ## Rozwiązanie jednym przyciskiem {% hint style="warning" %} **Wskazówka dotycząca nienormalnych wartości czasami występujących w zestawach danych plonów.** Jeśli **atrybut** wybrany do kalibracji lub czyszczenia przeważnie **zawiera** **wartości zerowe w większości geometrii**, te geometrie zostaną wykluczone z końcowego zestawu danych plonów. Aby zapewnić integralność, atrybuty z takimi anomaliami powinny zostać wyłączone z listy atrybutów do skalibrowania. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Pełne wskazówki {% hint style="warning" %} **Wybierz przebieg: Wskazówka dotycząca anomalii danych** Jeśli użytkownik napotka anomalie w danych, takie jak wartości równe lub bliskie zero, lub niezwykle duże wartości (na przykład średnia 10 przy maksimum 8000), zalecany jest przebieg **Czyszczenie i kalibracja** . Priorytetowe czyszczenie danych przed kalibracją zapewnia usunięcie błędów, brakujących wartości lub niespójności, zwiększając tym samym jakość i dokładność danych. {% endhint %} {% hint style="warning" %} **Wybierz przebieg: Wskazówka dla danych bez początkowych błędów** Dla zestawów danych początkowo wolnych od błędów, brakujących wartości lub niespójności, oraz gdy wiadomo, że zaangażowanych jest kilku kombajnów, rozważ przebieg **Kalibracja i czyszczenie** . Czyszczenie danych po kalibracji pomaga dodatkowo udoskonalić zestaw danych poprzez potencjalne usunięcie artefaktów wprowadzonych podczas kalibracji. {% endhint %} {% hint style="warning" %} **Przebieg czyszczenia: Wskazówka dotycząca nienormalnych wartości czasami występujących w zestawach danych plonów.** Jeśli **atrybut** wybrany do kalibracji lub czyszczenia przeważnie zawiera **wartości zerowe w większości geometrii**, te geometrie zostaną wykluczone z końcowego zestawu danych plonów. Aby zapewnić integralność, atrybuty z takimi anomaliami powinny być wyłączone z listy atrybutów do czyszczenia (2). {% endhint %} {% hint style="warning" %} **Przebieg kalibracji: Wskazówka dotycząca nienormalnych wartości czasami występujących w zestawach danych plonów.** Jeśli **atrybut** wybrany do kalibracji lub czyszczenia przeważnie **zawiera** **wartości zerowe w większości geometrii**, te geometrie zostaną wykluczone z końcowego zestawu danych plonów. Aby zapewnić integralność, atrybuty z takimi anomaliami powinny być wyłączone z listy atrybutów do skalibrowania (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Wersje algorytmów Po przetworzeniu wyniki są wyświetlane obok oryginalnego zestawu danych. Oznaczane są etykietami **"Kalibruj"** i/lub **"Czyść"** , oraz wersją algorytmu.

Wynik wykonania Kalibracji i Czyszczenia (wersja 2)

{% hint style="info" %} Od `wersji 3.0` algorytmu Clean/Calibrate GeoPard wprowadza funkcję Przycinania do granicy pola. Zachowuje to jedynie geometrie wewnątrz granicy pola i poprawia rozkład statystyczny. {% endhint %}

Wynik wykonania Automatycznego Przetwarzania (wersja 3.0)

{% hint style="info" %} Począwszy od `wersji 4.0`algorytm Clean/Calibrate w GeoPard uwzględnia teraz funkcję kalibracji opartą na średnich lub wartościach całkowitych dla dowolnego atrybutu. Powszechnym zastosowaniem tego ulepszenia jest kalibracja WetMass, którą teraz można dostosować do znanej zmierzonej średniej plonu dla konkretnego pola. {% endhint %}

Wynik wykonania kalibracji używając średniego plonu 6 t/ha (wersja 4.0)

{% hint style="info" %} Od `wersja 5.0` algorytmu Clean/Calibrate wprowadza od tego momentu protokół czyszczenia USDA (Departament Rolnictwa Stanów Zjednoczonych) dla plonów. USDA dostarcza formalne agronomiczne standardy danych, które regulują sposób, w jaki pomiary plonu, wilgotności, przepływu i przestrzenne są normalizowane, weryfikowane i filtrowane statystycznie, aby uzyskać spójne z punktu widzenia maszyn i pól zbiory danych rolniczych. {% endhint %}