> 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/yield-and-trials/comparing-yield-datasets.md).

# Porównywanie zestawów danych plonowych

Porównuj zestawy danych plonowych, aby uzyskać głębszy wgląd w wyniki upraw w różnych sezonach, obejmując prawidłowe czyszczenie i kalibrację plonów oraz użycie syntetycznej mapy plonów.

## Kontekst

Współczesne decyzje w rolnictwie w dużej mierze opierają się na zbiorach danych o plonach, które przedstawiają zebrane plony i odzwierciedlają znaczną część dochodów rolnika. Dane te muszą być dokładne i wysokiej jakości, aby pomagały podejmować decyzje dotyczące gospodarowania nakładami oraz optymalizować przyszłe strategie siewu i nawożenia.

Dane o plonach są zazwyczaj zbierane przez maszyny żniwne, jednak surowe odczyty często są niekompletne, zawierają błędy lub wymagają kalibracji w celu skorygowania niespójności czujników i zróżnicowanych warunków na polu. Aby sprostać tym wyzwaniom, specjaliści powszechnie stosują metody czyszczenia i kalibracji danych oraz generowania syntetycznych zbiorów danych, by uzyskać wiarygodne i porównywalne dane o plonach.

Zarówno[ Czyszczenie i kalibracja danych o plonach](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) jak i [Syntetyczne odtwarzanie danych o plonach](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/synthetic-yield-map.md) są obsługiwane przez GeoPard.

<mark style="background-color:yellow;">Porównywanie zbiorów danych o plonach z różnych lat uprawy dostarcza cennych informacji, pomagając zweryfikować praktyki zarządzania, potwierdzić dokładność czujników i udoskonalić strategie na nadchodzące sezony.</mark> Porównania te pomagają również udoskonalać zalecenia dotyczące nawożenia i siewu, zapewniając, że każda decyzja opiera się na wiarygodnych informacjach.

## Metoda porównania (z użyciem równania podobieństwa)

Do ilościowego porównywania zbiorów danych o plonach używamy wcześniej zapisanej formuły o nazwie <mark style="background-color:yellow;">Analiza korelacji przestrzennej (podobieństwo warstw danych)</mark> , która mierzy przestrzenne podobieństwo atrybutów związanych z plonem w zbiorach danych o plonach.

Formuła ta przypisuje wynik podobieństwa, wskazujący, jak bardzo jeden zbiór danych odpowiada drugiemu pod względem wzorca przestrzennego i rozkładu wartości.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Wyszukaj istniejącą formułę podobieństwa warstw danych</p></figcaption></figure>

<mark style="background-color:yellow;">Wartości podobieństwa mieszczą się w zakresie od 0 do 1, gdzie 0 oznacza brak zgodności, a 1 oznacza 100-procentową zgodność wartości i rozmieszczenia przestrzennego</mark>. Innymi słowy, im bliższy 1 jest wynik podobieństwa, tym bardziej podobne są atrybuty plonu.

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

W tym przypadku zaczynamy od surowych danych o plonach zebranych w dwóch różnych sezonach wegetacyjnych — 2015 i 2018 — dla tej samej uprawy, czyli soi. Początkowe zbiory danych zawierają anomalnie wysokie i niskie wartości, zwłaszcza na początku i końcu przejazdów kombajnu, a dane wymagają niewielkiej ponownej kalibracji.

Po zastosowaniu narzędzi GeoPard do czyszczenia i kalibracji uzyskany zbiór danych jest bardziej jednolity, spójny i łatwiejszy w interpretacji.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soja 2015: oryginalne dane o plonach a dane po czyszczeniu i kalibracji</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soja 2018: oryginalne dane o plonach a dane po czyszczeniu i kalibracji</p></figcaption></figure>

Poniżej znajduje się zrzut ekranu z mapą wynikową działania równania podobieństwa.

Z perspektywy statystycznej wysokie wartości średniej (0,869) i mediany (0,876) wskazują, że <mark style="background-color:yellow;">wzorce plonów soi z 2018 r. są bardzo podobne do tych z 2015 r.</mark>. Choć na niektórych obszarach wynik spada do 0,599, niewielka zmienność (0,005) i umiarkowane odchylenie standardowe (0,073) potwierdzają <mark style="background-color:yellow;">ogólną spójność</mark>.

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

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Porównanie podobieństwa plonów: soja 2015 i soja 2018</p></figcaption></figure>

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

W tym scenariuszu zaczynamy od surowych danych o plonach z dwóch sezonów uprawy kukurydzy — 2022 i 2024. Początkowe zbiory danych zawierają anomalie, takie jak nietypowo wysokie lub niskie odczyty, nakładające się przejazdy i zakrzywione ścieżki, co wskazuje na potrzebę ponownej kalibracji czujników.

Po zastosowaniu narzędzi GeoPard do czyszczenia i kalibracji zbiory danych stają się bardziej wiarygodne, co umożliwia automatyczną analizę i podejmowanie decyzji w oparciu o dane.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Kukurydza 2022: oryginalne dane o plonach a dane po czyszczeniu i kalibracji</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Kukurydza 2024: oryginalne dane o plonach a dane po czyszczeniu i kalibracji</p></figcaption></figure>

Poniżej znajduje się zrzut ekranu z mapą wynikową działania równania podobieństwa.

Z perspektywy statystycznej średnia 0,791 i mediana 0,799 wskazują, że <mark style="background-color:yellow;">plony kukurydzy z 2024 r. w dużej mierze przypominają te z 2022 r.</mark>, choć wartości spadające miejscami do 0,413 wskazują na zmienność. Odchylenie standardowe wynoszące 0,115 potwierdza <mark style="background-color:yellow;">występowanie pewnych różnic w obrębie pola</mark>.

Z agronomicznego punktu widzenia <mark style="background-color:yellow;">spójne wzorce wskazują na stabilne warunki i skuteczne zarządzanie w czasie</mark>. Jednak lokalne <mark style="background-color:yellow;">strefy o niższym podobieństwie mogą wymagać ukierunkowanych działań, aby poprawić plony w przyszłości</mark>.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Porównanie podobieństwa plonów: kukurydza 2022 i kukurydza 2024</p></figcaption></figure>

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

W tym scenariuszu zaczynamy od surowego zbioru danych o plonach rzepaku z sezonu 2023 oraz syntetycznie wygenerowanego zbioru danych o plonach tej samej uprawy z tego samego roku. <mark style="background-color:yellow;">Celem jest ocena przestrzennej zgodności plonu rzeczywistego i syntetycznego, co pozwala uzupełniać brakujące dane, wypełniać luki w danych o plonie oraz korygować anomalie za pomocą wartości syntetycznych</mark>. Zbiór danych o plonie rzeczywistym zawiera błędne pomiary, takie jak anomalnie wysokie lub niskie odczyty, przejazdy poprzeczne, zakrzywione trajektorie i przejazdy z zerowym plonem. Wszystko to wskazuje na potrzebę ponownej kalibracji czujnika.

Po zastosowaniu narzędzia GeoPard [Czyszczenie i kalibracja](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) do danych o plonie rzeczywistym i wygenerowaniu [plonu syntetycznego](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/synthetic-yield-map.md) dla rzepaku, możemy rozpocząć miarodajne porównanie ich podobieństwa.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Rzepak 2023: pierwotne dane o plonie a dane oczyszczone i skalibrowane</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Syntetyczny plon rzepaku 2023</p></figcaption></figure>

Poniżej znajduje się zrzut ekranu z mapą wynikową działania równania podobieństwa.

Z perspektywy statystycznej wysokie wartości średniej (0,889) i mediany (0,904) wskazują, że <mark style="background-color:yellow;">ogółem przestrzenne wzorce syntetycznego zbioru danych o plonie są zbliżone do wzorców rzeczywistego plonu rzepaku z 2023 r.</mark>. Choć w jednym obszarze wartość spada do zaledwie 0,291, niewielka zmienność (0,006) i umiarkowane odchylenie standardowe (0,08) sugerują, że <mark style="background-color:yellow;">w większości części pola dane rzeczywiste i syntetyczne są do siebie zbliżone, a wartości odstające występują bardzo rzadko</mark>.

Z agronomicznego punktu widzenia tak duże podobieństwo oznacza, że <mark style="background-color:yellow;">syntetyczne dane o plonie mogą wiarygodnie odzwierciedlać rzeczywiste warunki na polu</mark>, co zwiększa zaufanie do wykorzystania modelowanych scenariuszy przy podejmowaniu decyzji. <mark style="background-color:yellow;">Model syntetycznego plonu dobrze odwzorowuje praktyki agronomiczne uwzględnione w rzeczywistych danych o plonie</mark>, umożliwiając lepsze i bardziej spójne planowanie przyszłych strategii zarządzania.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Porównanie podobieństwa plonów rzepaku: rzeczywisty plon z 2023 r. a plon syntetyczny z 2023 r.</p></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/pl/agronomia/yield-and-trials/comparing-yield-datasets.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.
