# Porównywanie zbiorów danych plonowych

## Kontekst

Współczesne podejmowanie decyzji w rolnictwie w dużej mierze opiera się na zbiorach danych o plonach, które odzwierciedlają zebrane plony i stanowią znaczną część dochodów rolnika. Zbiory te muszą być dokładne i wysokiej jakości, aby informować decyzje dotyczące zarządzania nakładami oraz optymalizować przyszłe strategie siewu i nawożenia.

Dane o plonach zazwyczaj zbierane są przez maszyny żniwne, jednak surowe odczyty często są niekompletne, zawierają błędy lub wymagają kalibracji w celu uwzględnienia niespójności czujników i zmiennych warunków polowych. Aby sprostać tym wyzwaniom, specjaliści powszechnie stosują techniki oczyszczania, kalibracji oraz generowania syntetycznych zbiorów danych, aby uzyskać wiarygodne i porównywalne dane o plonach.

Oba[ Oczyszczanie i kalibracja danych o plonach](/geopard-tutorials/pl/agronomia/kalibracja-i-czyszczenie-plonow.md) i [Syntetyczne odtwarzanie danych o plonach](/geopard-tutorials/pl/agronomia/syntetyczna-mapa-plonu.md) są wspierane przez GeoPard.

<mark style="color:domyślnie;background-color:yellow;">Porównywanie zbiorów danych o plonach z różnych lat uprawnych dostarcza cennych informacji, pomagając weryfikować praktyki zarządzania, potwierdzać dokładność czujników i ulepszać strategie na nadchodzące sezony.</mark> Takie porównania również kierują udoskonaleniem receptur nawożenia i siewu, zapewniając, że każda decyzja opiera się na godnych zaufania informacjach.

## Podejście porównawcze (z użyciem równania podobieństwa)

Aby ilościowo porównać zbiory danych o plonach, wykorzystujemy wstępnie zapisane równanie o nazwie <mark style="color:domyślnie;background-color:yellow;">Analiza korelacji przestrzennej (Podobieństwo warstw danych)</mark> które mierzy podobieństwo między atrybutami związanymi z plonem z różnych zbiorów danych o plonach na podstawie przestrzennej.

To równanie przypisuje wynik podobieństwa, wskazując jak blisko jeden zbiór odpowiada drugiemu pod względem wzorca przestrzennego i rozkładu wartości.&#x20;

<figure><img src="/files/b24d17fa13eb38827e84324db702c6428b192072" alt=""><figcaption><p>Wyszukaj istniejące równanie Podobieństwo warstw danych</p></figcaption></figure>

<mark style="color:domyślnie;background-color:yellow;">Wartości podobieństwa mieszczą się w przedziale od 0 do 1, gdzie 0 oznacza brak dopasowania, a 1 oznacza 100% zgodność wartości w przestrzeni</mark>. Innymi słowy, im bliżej 1 znajduje się wynik podobieństwa, tym bardziej podobne są atrybuty plonu.&#x20;

## **Rzeczywisty zbiór danych o plonach (2015** Soja **vs 2018** Soj&#x61;**)**

W tym przypadku zaczynamy od surowych danych o plonach zebranych podczas dwóch różnych sezonów wegetacyjnych 2015 i 2018 dla tej samej uprawy — soi. Początkowe zbiory zawierają nienaturalnie wysokie i niskie wartości, szczególnie na początku/końcu przejazdów kombajnu, i dane wymagają niewielkiej rekalkibracji.

Po zastosowaniu narzędzi GeoPard do oczyszczania i kalibracji uzyskany zbiór danych jest bardziej jednorodny, spójny i łatwiejszy do interpretacji.

<figure><img src="/files/d46335b582c0c18af04a32f848a238041d5be2fb" alt=""><figcaption><p>Soja 2015: oryginalne vs oczyszczone i skalibrowane dane o plonach</p></figcaption></figure>

<figure><img src="/files/1a6914f23eee37a1f6810902a0ee2fc36dd1a8ed" alt=""><figcaption><p>Soja 2018: oryginalne vs oczyszczone i skalibrowane dane o plonach</p></figcaption></figure>

Mapa wykonania równania podobieństwa jest poniżej jako zrzut ekranu.

Z perspektywy statystycznej pokazuje wysoką średnią (0,869) i medianę (0,876), co wskazuje, że <mark style="color:domyślnie;background-color:yellow;">wzory plonów soi z 2018 roku silnie przypominają te z 2015 roku</mark>. Choć niektóre obszary schodzą do 0,599, niska wariancja (0,005) i umiarkowane odchylenie standardowe (0,073) potwierdzają <mark style="color:domyślnie;background-color:yellow;">ogólną spójność</mark>.&#x20;

Z agronomicznego punktu widzenia, <mark style="color:domyślnie;background-color:yellow;">ta stabilność sugeruje, że warunki pola i reakcje na praktyki zarządzania pozostały w dużej mierze niezmienione</mark>.

<figure><img src="/files/ef6aa680c02b9b54f5290964203b327929279d54" alt=""><figcaption><p>Porównanie podobieństwa plonów: Soja 2015 vs Soja 2018</p></figcaption></figure>

## **Rzeczywisty zbiór danych o plonach (2022** Kukurydza **vs 2024** Kukurydz&#x61;**)**

W tym scenariuszu zaczynamy od surowych danych o plonach z dwóch sezonów kukurydzy — 2022 i 2024. Początkowe zbiory zawierają anomalie, takie jak nienaturalnie wysokie lub niskie odczyty, przejazdy krzyżowe i zakrzywione trajektorie, co wskazuje na potrzebę rekalkibracji czujników.&#x20;

Po zastosowaniu narzędzi GeoPard do oczyszczania i kalibracji zbiory stają się bardziej wiarygodne, umożliwiając zautomatyzowaną analizę i podejmowanie świadomych decyzji.

<figure><img src="/files/9ef3335b86173aec8d57a414a3094600904e99ce" alt=""><figcaption><p>Kukurydza 2022: oryginalne vs oczyszczone i skalibrowane dane o plonach</p></figcaption></figure>

<figure><img src="/files/438ff64fb62db1c7d749ee723bad917e1f166a47" alt=""><figcaption><p>Kukurydza 2024: oryginalne vs oczyszczone i skalibrowane dane o plonach</p></figcaption></figure>

Mapa wykonania równania podobieństwa jest poniżej jako zrzut ekranu.

Z perspektywy statystycznej średnia 0,791 i mediana 0,799 pokazują, <mark style="color:domyślnie;background-color:yellow;">że plony kukurydzy z 2024 roku w dużej mierze przypominają te z 2022 roku</mark>, choć obszary nawet do 0,413 wskazują na zmienność. Odchylenie standardowe 0,115 potwierdza <mark style="color:domyślnie;background-color:yellow;">pewne różnice w obrębie pola</mark>.

Z agronomicznego punktu widzenia, <mark style="color:domyślnie;background-color:yellow;">spójne wzorce sugerują stabilne warunki i skuteczne zarządzanie w czasie</mark>. Jednak lokalne <mark style="color:domyślnie;background-color:yellow;">obszary o niższym podobieństwie mogą wymagać ukierunkowanych korekt, aby poprawić przyszłą wydajność plonów</mark>.

<figure><img src="/files/35aaaef9e595a88be88e4ed110d40793c635b399" alt=""><figcaption><p>Porównanie podobieństwa plonów: Kukurydza 2022 vs Kukurydza 2024</p></figcaption></figure>

## **Syntetyczny vs rzeczywisty zbiór danych o plonach (2023** Rzepak)

W tym scenariuszu zaczynamy od surowego zbioru danych o plonach z sezonu rzepaku 2023 oraz syntetycznie wygenerowanego zbioru danych o plonach dla tej samej uprawy i tego samego roku 2023. <mark style="color:domyślnie;background-color:yellow;">Celem jest ocena dokładności przestrzennej rzeczywistego w stosunku do syntetycznego plonu, co daje możliwość uzupełnienia niezarejestrowanych danych, wypełnienia luk w danych o plonach oraz korekty anomalii przy użyciu wartości syntetycznych</mark>. Rzeczywisty zbiór danych o plonach zawiera problemy takie jak nienaturalnie wysokie lub niskie odczyty, przejazdy krzyżowe, zakrzywione trajektorie i przejazdy o zero, wszystkie wskazujące na potrzebę rekalkibracji czujników.

Po zastosowaniu narzędzi GeoPard do [oczyszczania i kalibracji](/geopard-tutorials/pl/agronomia/kalibracja-i-czyszczenie-plonow.md) rzeczywistych danych o plonach oraz wygenerowaniu [syntetycznego plonu](/geopard-tutorials/pl/agronomia/syntetyczna-mapa-plonu.md) dla rzepaku możemy rozpocząć istotne porównanie ich podobieństwa.

<figure><img src="/files/771ae66ab786b92c1aa2c3706177e66d0414bb9e" alt=""><figcaption><p>Rzepak 2023: oryginalne vs oczyszczone i skalibrowane dane o plonach</p></figcaption></figure>

<figure><img src="/files/e0a055b93faca89d6148690f6d9ec65948cd3724" alt=""><figcaption><p>Syntetyczny plon rzepaku 2023</p></figcaption></figure>

Mapa wykonania równania podobieństwa jest poniżej jako zrzut ekranu.

Z perspektywy statystycznej wysoka średnia (0,889) i mediana (0,904) wskazują, że <mark style="color:domyślnie;background-color:yellow;">ogólnie rzecz biorąc, syntetyczny zbiór danych o plonach dobrze odzwierciedla przestrzenne wzorce rzeczywistych plonów rzepaku z 2023 roku</mark>. Choć na jednym obszarze wartość spada aż do 0,291, niska wariancja (0,006) i umiarkowane odchylenie standardowe (0,08) sugerują, że <mark style="color:domyślnie;background-color:yellow;">większość części pola jest blisko zgodna między rzeczywistymi i syntetycznymi zbiorami danych, z bardzo niewielką liczbą odstających wartości</mark>.

Z agronomicznego punktu widzenia, to silne podobieństwo implikuje, że <mark style="color:domyślnie;background-color:yellow;">syntetyczne dane o plonach mogą służyć jako wiarygodny substytut rzeczywistych warunków polowych</mark>, co wzmacnia pewność w wykorzystywaniu modelowanych scenariuszy do wspomagania decyzji. <mark style="color:domyślnie;background-color:yellow;">Praktyki agronomiczne odzwierciedlone w rzeczywistych danych o plonach są dobrze uchwycone przez model syntetycznego plonu</mark>, co umożliwia bardziej świadome i spójne planowanie przyszłych strategii zarządzania.

<figure><img src="/files/db87ff7b56c429f0a59a00538139ef2f1196b25a" alt=""><figcaption><p>Porównanie podobieństwa plonów rzepaku: rzeczywiste 2023 vs syntetyczne 2023</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/pl/agronomia/porownywanie-zbiorow-danych-plonowych.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.