# Porównaj dane skanera gleby między latami

Skanery gleby są niezbędnymi narzędziami w rolnictwie precyzyjnym, umożliwiając zbieranie wysokorozdzielczych danych o właściwościach gleby, takich jak wilgotność, zawartość materii organicznej i poziomy składników odżywczych. Porównywanie dwóch zestawów danych ze skanerów gleby jest kluczowe dla zrozumienia zmian w czasie, walidacji różnych metod skanowania lub kalibracji nowych urządzeń. Ten artykuł bada różne podejścia matematyczne do pomiaru odchylenia między dwoma zestawami danych skanera gleby, dostarczając praktycznych wskazówek dla badaczy i agronomów.

### Zrozumienie odchylenia w danych ze skanerów gleby

Odchylenie między dwoma zestawami danych ze skanerów gleby odnosi się do różnic w mierzalnych wartościach w tych samych lokalizacjach, które mogą wynikać z odmiennego stanu pomiarów, kalibracji czujników lub dynamiki gleby. Najczęstsze typy odchyleń obejmują:

* Różnice bezwzględne: bezpośrednie odejmowanie wartości między zestawami danych.
* Różnice względne: porównanie oparte na wielkości pomiarów.
* Miary błędu: statystyczne miary, takie jak Średni Błąd Bezwzględny (MAE) i Różnica Znormalizowana.

Wybrano dwa zestawy danych ze skanerów gleby z zawartością potasu na lata 2024 i 2025.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FC2QduX7YR6gTjWUZGqMX%2Fimage.png?alt=media&#x26;token=f1609570-7428-4883-b589-963d4d8e2767" alt=""><figcaption><p>Początkowe zestawy danych skanera gleby</p></figcaption></figure>

### Wybór właściwej metody odchylenia

| Metoda                                  | Najlepsze dla                                           |
| --------------------------------------- | ------------------------------------------------------- |
| Różnica bezpośrednia                    | Prosta wizualizacja zmian dodatnich/ujemnych            |
| Różnica względna                        | Porównywania zestawów danych o różnych skalach          |
| Różnica znormalizowana                  | Znormalizowana analiza w różnych zestawach danych       |
| Odchylenie względne                     | Różnice proporcjonalne, przydatne do analizy trendów    |
| Średni Błąd Bezwzględny (MAE) na piksel | Identyfikacji obszarów z dużymi różnicami bezwzględnymi |

### Obliczanie różnicy bezpośredniej

Metoda różnicy bezpośredniej po prostu odejmuje jeden zestaw danych od drugiego, by bezpośrednio wizualizować zmiany atrybutów gleby.

Użycie `geopard.calculate_difference(dataset_1, dataset_2)` z wyjaśnieniem parametrów jest udokumentowane [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/prezentacja-produktu-aplikacja-webowa/analityka-oparta-na-rownaniach/katalog-funkcji-niestandardowych#calculate_difference).

Zalety:

* Wyraźnie pokazuje zmiany dodatnie i ujemne.
* Łatwe do interpretacji i wizualizacji.

Wady:

* Wartości różnicy mogą być trudne do porównania, jeśli zestawy danych mają różne skale.
* Duża zmienność może zdominować interpretację.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&#x26;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Obliczanie różnicy bezpośredniej</p></figcaption></figure>

### Obliczanie różnicy względnej

Metoda różnicy względnej oblicza procentową zmianę między zestawami danych w odniesieniu do drugiego zestawu, oferując inną perspektywę odchylenia.

Użycie `geopard.calculate_relative_difference(dataset_1, dataset_2)` z wyjaśnieniem parametrów jest udokumentowane [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/prezentacja-produktu-aplikacja-webowa/analityka-oparta-na-rownaniach/katalog-funkcji-niestandardowych#calculate_relative_difference).

Zalety:

* Dobra do zrozumienia, o ile jeden zestaw danych zmienił się proporcjonalnie względem drugiego.
* Normalizuje różnice w całym zakresie wielkości.

Wady:

* Może stać się niestabilna, gdy wartości w drugim zestawie są bliskie zeru.
* Mniej intuicyjna, gdy istotne są różnice bezwzględne.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&#x26;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Obliczanie różnicy względnej</p></figcaption></figure>

### Obliczanie różnicy znormalizowanej

Metoda różnicy znormalizowanej normalizuje zestawy danych przez ich globalną wartość maksymalną przed obliczeniem różnic, zapewniając porównywalność wariacji w różnych skalach.

Użycie `geopard.calculate_normalized_difference(dataset_1, dataset_2)` z wyjaśnieniem parametrów jest udokumentowane [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/prezentacja-produktu-aplikacja-webowa/analityka-oparta-na-rownaniach/katalog-funkcji-niestandardowych#calculate_normalized_difference).

Zalety:

* Skuteczna dla zestawów danych o różnych zakresach dynamicznych.
* Zmniejsza wpływ wartości ekstremalnych.

Wady:

* Małe wariacje mogą wydawać się wyolbrzymione, jeśli nie zostaną prawidłowo skalowane.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&#x26;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Obliczanie różnicy znormalizowanej</p></figcaption></figure>

### Odchylenie względne na piksel

Metoda odchylenia względnego oblicza odchylenie jako procent w odniesieniu do pierwszego zestawu danych. Pomaga to zrozumieć różnice proporcjonalne zamiast różnic bezwzględnych.

Użycie `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` z wyjaśnieniem parametrów jest udokumentowane [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/prezentacja-produktu-aplikacja-webowa/analityka-oparta-na-rownaniach/katalog-funkcji-niestandardowych#calculate_per_pixel_relative_deviation).

Zalety:

* Przydatne przy porównywaniu zestawów danych o różnych skalach.
* Wyraża odchylenie w interpretowalnym formacie procentowym.

Wady:

* Może wprowadzać w błąd, jeśli wartości źródłowe są bardzo małe.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&#x26;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Odchylenie względne na piksel</p></figcaption></figure>

### Średni Błąd Bezwzględny (MAE) na piksel

Metoda Średniego Błędu Bezwzględnego (MAE) mierzy różnice bezwzględne między odpowiadającymi wartościami w dwóch zestawach danych. Daje jasny obraz miejsc o największych rozbieżnościach.

Użycie `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` z wyjaśnieniem parametrów jest udokumentowane [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/prezentacja-produktu-aplikacja-webowa/analityka-oparta-na-rownaniach/katalog-funkcji-niestandardowych#calculate_per_pixel_mae).

Zalety:

* Proste i intuicyjne.
* Wyraźnie uwypukla duże różnice.
* Dobrze sprawdza się dla zestawów danych o podobnych skalach.

Wady:

* Nie pokazuje kierunku różnicy (tzn. zmiany dodatniej lub ujemnej).
* Wrażliwe na wartości odstające.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&#x26;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Średni Błąd Bezwzględny (MAE) na piksel</p></figcaption></figure>

### Podsumowanie

Porównywanie zestawów danych ze skanerów gleby wymaga zastosowania różnych podejść matematycznych, aby wydobyć znaczące różnice. Niezależnie od tego, czy używa się metryk bezwzględnych jak MAE, odchyleń względnych czy porównań znormalizowanych, wybór odpowiedniej metody zależy od przypadku użycia. Wykorzystując te techniki, agronomowie i badacze mogą usprawnić analizę gleby, wykrywać zmienność w polu i poprawiać procesy rolnictwa precyzyjnego.