> 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/pl/agronomia/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Porównywanie danych skanera glebowego między latami

Ten artykuł opisuje różne metody matematyczne służące do kwantyfikacji różnic między zestawami danych skanera glebowego i usprawnienia podejmowania decyzji przez naukowców i agronomów.

Skanery glebowe są niezbędnymi narzędziami w rolnictwie precyzyjnym, umożliwiającymi gromadzenie danych o wysokiej rozdzielczości dotyczących właściwości gleby, takich jak wilgotność, zawartość materii organicznej i poziom składników odżywczych. Porównanie dwóch zbiorów danych ze skanera glebowego ma kluczowe znaczenie dla zrozumienia zmian zachodzących w czasie, weryfikacji różnych metod skanowania lub kalibracji nowych urządzeń. W tym artykule omówiono różne podejścia matematyczne do pomiaru odchyleń między dwoma zbiorami danych ze skanera glebowego, przedstawiając praktyczne wskazówki dla badaczy i agronomów.

### Odchylenia w danych ze skanera glebowego

Odchylenia między dwoma zbiorami danych ze skanera glebowego to różnice między zmierzonymi wartościami w tych samych lokalizacjach. Mogą one wynikać ze zmian warunków pomiaru, kalibracji czujnika lub dynamiki gleby. Do najczęstszych rodzajów odchyleń należą:

* Różnice bezwzględne: bezpośrednie odejmowanie wartości z jednego zbioru danych od wartości z drugiego.
* Różnice względne: porównanie oparte na wielkości pomiarów.
* Miary błędu: miary statystyczne, takie jak średni błąd bezwzględny (MAE) i różnica znormalizowana.

Wybrano dwa zbiory danych ze skanera glebowego dotyczące zawartości potasu z lat 2024 i 2025.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Początkowe zbiory danych ze skanera glebowego</p></figcaption></figure>

### Wybór odpowiedniej metody obliczania odchyleń

| Metoda                                    | Najlepsze zastosowanie                               |
| ----------------------------------------- | ---------------------------------------------------- |
| Różnica bezpośrednia                      | Prosta wizualizacja zmian dodatnich i ujemnych       |
| Różnica względna                          | Porównywanie zbiorów danych o różnych skalach        |
| Różnica znormalizowana                    | Standaryzowana analiza różnych zbiorów danych        |
| Odchylenie względne                       | Różnice proporcjonalne, przydatne w analizie trendów |
| Średni błąd bezwzględny (MAE) dla piksela | Wykrywanie obszarów z dużymi różnicami bezwzględnymi |

### Obliczanie różnicy bezpośredniej

Metoda różnicy bezpośredniej polega po prostu na odjęciu jednego zbioru danych od drugiego, aby bezpośrednio zwizualizować zmiany właściwości gleby.

Sposób użycia `geopard.calculate_difference(dataset_1, dataset_2)` oraz objaśnienie parametrów opisano [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Zalety:

* Wyraźnie pokazuje zmiany dodatnie i ujemne.
* Łatwa interpretacja i wizualizacja.

Wady:

* Wartości różnic mogą być trudne do porównania, jeśli zbiory danych mają różne skale.
* Duże zróżnicowanie 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&amp;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 zbiorami danych w odniesieniu do drugiego zbioru, oferując inne spojrzenie na odchylenia.

Sposób użycia `geopard.calculate_relative_difference(dataset_1, dataset_2)` oraz objaśnienie parametrów opisano [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Zalety:

* Przydatna do określenia, jak duża jest zmiana jednego zbioru danych w stosunku do drugiego.
* Normalizuje różnice przy różnych wartościach.

Wady:

* Może być niestabilna, gdy wartości w drugim zbiorze danych 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&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Obliczanie różnicy względnej</p></figcaption></figure>

### Obliczanie różnicy znormalizowanej

Metoda różnicy znormalizowanej normalizuje zbiory danych względem ich globalnej wartości maksymalnej przed obliczeniem różnic, dzięki czemu można porównywać zmienność w różnych skalach.

Sposób użycia `geopard.calculate_normalized_difference(dataset_1, dataset_2)` oraz objaśnienie parametrów opisano [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Zalety:

* Skuteczna w przypadku zbiorów danych o różnych zakresach dynamicznych.
* Zmniejsza wpływ wartości skrajnych.

Wady:

* Niewielkie różnice mogą wydawać się przesadnie duże, jeśli dane nie zostaną odpowiednio przeskalowane.

<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&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Obliczanie różnicy znormalizowanej</p></figcaption></figure>

### Odchylenie względne dla każdego piksela

Metoda odchylenia względnego oblicza odchylenie jako wartość procentową względem pierwszego zbioru danych. Pozwala lepiej zrozumieć różnice proporcjonalne, a nie bezwzględne.

Sposób użycia `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` oraz objaśnienie parametrów opisano [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Zalety:

* Przydatna przy porównywaniu zbiorów danych o różnych skalach.
* Wyraża odchylenie w czytelnej formie procentowej.

Wady:

* Może prowadzić do mylnych wniosków, gdy wartości początkowe 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&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Odchylenie względne dla każdego piksela</p></figcaption></figure>

### Średni błąd bezwzględny (MAE) dla piksela

Metoda średniego błędu bezwzględnego (MAE) mierzy bezwzględne różnice między odpowiadającymi sobie wartościami w dwóch zbiorach danych. Pozwala jasno określić, gdzie występują największe rozbieżności.

Sposób użycia `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` oraz objaśnienie parametrów opisano [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Zalety:

* Prosta i intuicyjna.
* Wyraźnie uwidacznia duże różnice.
* Sprawdza się w przypadku zbiorów danych o podobnej skali.

Wady:

* Nie pokazuje kierunku różnicy (tj. tego, czy zmiana jest dodatnia, czy ujemna).
* Wrażliwa 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&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Średni błąd bezwzględny (MAE) dla piksela</p></figcaption></figure>

### Podsumowanie

Porównywanie zbiorów danych ze skanera glebowego wymaga zastosowania różnych metod matematycznych, aby wydobyć istotne różnice. Niezależnie od tego, czy wykorzystuje się miary bezwzględne, takie jak MAE, odchylenia względne czy porównania znormalizowane, wybór odpowiedniej metody zależy od konkretnego zastosowania. Dzięki tym technikom agronomowie i naukowcy mogą usprawnić analizę gleby, wykrywać zróżnicowanie na polach i doskonalić procesy rolnictwa precyzyjnego.


---

# 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/pl/agronomia/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
