> 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/yield-calibration-and-cleaning.md).

# Czyszczenie i kalibracja danych o plonach: usuwanie błędów z map plonów

Oczyść dane z monitora plonu: uwzględnij opóźnienie przepływu, początek i koniec przejazdu, nawroty, nakładanie przejazdów, odstające wartości prędkości i wilgotności oraz kalibrację wielu kombajnów — zanim utworzysz strefy.

Surowe dane z monitorów plonu zawierają błędy wynikające z opóźnienia przepływu, początku i końca przejazdów, nawrotów, nakładających się przejazdów oraz różnic w kalibracji kombajnów. Oczyść je, zanim utworzysz strefy lub ocenisz doświadczenie — w przeciwnym razie mapa będzie przedstawiać pracę maszyny, a nie pole. GeoPard automatycznie stosuje protokół oczyszczania USDA, pozwala ręcznie ustawić filtry i kalibruje kilka kombajnów do jednej znanej wartości całkowitego lub średniego plonu.

{% hint style="info" %}
Zobacz interaktywną stronę poświęconą oczyszczaniu danych o plonie w serwisie geopard.tech: [Oczyszczanie danych o plonie](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Oczyść pliki z danymi o plonie z poprzedniego sezonu: [Rozpocznij bezpłatnie](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Użyj GeoPard, aby **oczyścić dane o plonie** i **skalibrować zbiory danych z monitorów plonu**. Uzyskaj mapę plonu, której możesz zaufać przy wyznaczaniu stref, tworzeniu zaleceń i prowadzeniu analiz. Ten proces obejmuje wartości odstające, nawroty, brakujące atrybuty oraz dane o plonie z wielu kombajnów. Zawiera **protokół USDA dotyczący oczyszczania danych o plonie** i obsługuje **procesy pracy będące alternatywą dla Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Samouczek wideo dotyczący oczyszczania i kalibracji danych o plonie. Wyjaśnienie różnic między opcjami.
{% endembed %}

Ten proces kalibracji ma kluczowe znaczenie dla:

1. **Zapewnienia spójności danych**: Zdarza się, że kilka kombajnów pracuje jednocześnie lub w różne dni. Ta funkcja zapewnia zgodność ich danych.
2. **Ujednolicenia danych**: Dane o plonie mogą się różnić; kalibracja zapewnia ich płynność i spójność, bez niepożądanych skoków i spadków.
3. **Odfiltrowania szumu**: Podobnie jak w przypadku innych danych, w danych o plonie może występować „szum”, czyli nieistotne informacje. Dbamy o to, by nie zaciemniały wniosków z analizy.
4. **Uporządkowania geometrii**: Nawroty i nietypowe wzorce geometryczne mogą zniekształcać wyniki analizy. Kalibracja pozwala je skorygować, dzięki czemu dane wiernie odzwierciedlają rzeczywiste warunki na polu.
5. **Przycięcia do granicy pola**: Kombajny często pracują na sąsiadujących obszarach. Aby uzyskać dokładne wyniki analizy, należy uwzględnić wyłącznie dane znajdujące się w określonych granicach.

{% hint style="info" %}
Interfejs kalibracji plonu korzysta z punktu końcowego GeoPard API do oczyszczania i kalibracji plonu ([GeoPard API: kalibracja i oczyszczanie YieldDataset](https://docs.geopard.tech/geopard-tutorials/pl/dokumentacja-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). W interfejsie lub za pośrednictwem API uruchamia operacje `CALIBRATE` i `CLEAN` .
{% endhint %}

## Szybki przegląd

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/72dad89eb933d3af63e3345817173281533fc611" %}
Pobierz broszurę PDF na temat oczyszczania danych o plonie
{% endfile %}

## Przykłady z praktyki

W rolnictwie uszkodzone zbiory danych o plonie mogą stanowić poważne wyzwanie. Poniżej przedstawiono rzeczywiste przykłady takich zbiorów. Zaawansowane algorytmy kalibracji i oczyszczania GeoPard skutecznie poprawiły ich jakość i zoptymalizowały dane.

{% hint style="info" %}
Aby uzupełnić obszary, dla których nie zarejestrowano danych o plonie, i uzyskać kompletną mapę plonu, rozważ zastosowanie metody GeoPard Synthetic Yield Map. Pozwala ona odtworzyć brakujące dane i przeprowadzić pełną analizę plonu. Dowiedz się więcej [tutaj](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Współpraca wielu kombajnów

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Przykład 1: współpraca wielu kombajnów</p></figcaption></figure>

{% hint style="info" %}
W złożonych sytuacjach zaleca się dwuetapową kalibrację, aby uzyskać optymalną dokładność. Najpierw przeprowadź wstępną kalibrację, używając atrybutu Machine ID. Następnie wykonaj drugą kalibrację, tym razem zaznaczając pole wyboru Simulated (Synthetic) Machine Paths. Takie podejście warstwowe zapewnia dokładną i kompleksową kalibrację, niezbędną do skutecznego radzenia sobie ze złożonymi przypadkami.
{% endhint %}

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Przykład 2: współpraca wielu kombajnów</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Przykład 3: współpraca wielu kombajnów</p></figcaption></figure>

### Nawroty w kształcie litery J, postoje, wykorzystanie połowy szerokości roboczej maszyny

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Przykład 1: nawroty w kształcie litery U, postoje, wykorzystanie połowy szerokości roboczej maszyny</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Przykład 2: nawroty w kształcie litery U, postoje, wykorzystanie połowy szerokości roboczej maszyny</p></figcaption></figure>

### Nietypowo wysokie zarejestrowane wartości

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Przykład 1: nietypowo wysokie zarejestrowane wartości</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Przykład 2: nietypowo wysokie zarejestrowane wartości</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Przykład 3: nietypowo wysokie zarejestrowane wartości</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Przykład 4: Nietypowo wysokie zarejestrowane wartości</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Przykład 5: Nietypowo wysokie zarejestrowane wartości</p></figcaption></figure>

### Dane poza granicami pola

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Przykład: Dane poza granicami pól</p></figcaption></figure>

### Kalibracja z użyciem podanej średniej wartości plonu

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Przykład: Kalibracja z użyciem podanej średniej wartości plonu (28 t/ha)</p></figcaption></figure>

### Oczyść atrybuty plonu, ignorując atrybuty z anomaliami

Zbiór danych dotyczących plonu zawiera czasem atrybuty z nieprawidłowościami w zakresie wilgotności, prędkości, wysokości n.p.m. lub innych atrybutów drugorzędnych (niezwiązanych z plonem). Podczas wykonywania operacji czyszczenia lub kalibracji należy zignorować te anomalie. Można to łatwo zrobić za pomocą interfejsu GeoPard do czyszczenia i kalibracji danych o plonie.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Przykład: Anomalie w atrybucie wilgotności</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Przykład: Czyszczenie danych o plonie z pominięciem anomalii wilgotności</p></figcaption></figure>

### Protokół USDA czyszczenia danych o plonie

Użyj tej opcji, gdy potrzebujesz **powtarzalnego przepływu pracy edytora plonu opartego na standardach**. Jest zoptymalizowana pod kątem **czyszczenia danych z monitorów plonu** na dużą skalę.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Przykład: Czyszczenie danych o plonie z zastosowaniem protokołu USDA</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Przykład: Czyszczenie danych o plonie z zastosowaniem protokołu USDA</p></figcaption></figure>

## Objaśnienie metod kalibracji

### Kalibracja według przejazdów

**UŻYWAJ** **kalibracji według przejazdów** gdy pole jest <mark style="background-color:green;">zbierane przez kilka maszyn lub w ciągu kilku dni, zwłaszcza w celu skorygowania systematycznych różnic, takich jak pasy lub prążkowanie.</mark> Ta metoda sprawdza się w sytuacjach, gdy różne ustawienia maszyn, operatorzy lub warunki środowiskowe powodują systematyczne zawyżanie lub zaniżanie wartości w poszczególnych przejazdach.

Co istotne, <mark style="background-color:yellow;">AI potrzebuje zróżnicowanych danych — takich jak różne przejazdy, identyfikatory maszyn lub daty zbioru — aby skutecznie się uczyć i przeprowadzać kalibrację.</mark>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Przykład: masa mokra plonu i 9 kombajnów</p></figcaption></figure>

**NIE UŻYWAJ** tej metody w przypadku zbioru wykonanego jedną maszyną podczas jednej nieprzerwanej sesji ani gdy na mapie plonu nie widać wyraźnych wzorców przestrzennych. Unikaj jej również, jeśli dane są skąpe lub dysponujesz wyłącznie łącznymi wartościami plonu dla całego pola, bez informacji o różnicach między maszynami

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Przykład: Statystycznie poprawny rozkład danych</p></figcaption></figure>

### Kalibracja według średniej lub sumy

**KALIBRACJĘ WEDŁUG ŚREDNIEJ/SUMY NAJLEPIEJ STOSOWAĆ** gdy <mark style="background-color:green;">masz dużą pewność co do danych o plonie dla całego pola, na przykład dzięki ewidencji z wagi samochodowej lub magazynu.</mark> Zamiast korygować poszczególne przejazdy, ta metoda skaluje cały zbiór danych tak, aby końcowa średnia lub suma odpowiadała znanej wartości referencyjnej. Często opisuje się ją jako najprostszą i najbezpieczniejszą metodę kalibracji, gdy można zaufać wartościom ogólnym.

Kiedy **STOSOWAĆ kalibrację według średniej/sumy:**

* **Znane wartości referencyjne**: stosuj tę metodę, jeśli masz oficjalne dane o łącznym plonie (np. z wagi samochodowej) lub bardzo wiarygodną średnią wartość plonu dla pola.
* **Korekta błędu systematycznego dla całego pola**: metoda sprawdza się, jeśli rozkład przestrzenny na mapie plonu wygląda prawidłowo, ale wartości są przesunięte w całym polu — co oznacza, że monitor plonu prawdopodobnie nie był skalibrowany i konsekwentnie zawyżał lub zaniżał wyniki na całym obszarze.
* **Jednolite warunki zbioru**: metoda jest najskuteczniejsza, gdy warunki zbioru były stosunkowo jednolite w trakcie całej pracy.
* **Jedna maszyna pracująca w sposób spójny**: metoda dobrze sprawdza się przy zbiorze wykonanym jedną maszyną, która pracowała w podobny sposób na całym polu.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Przykład: Statystycznie poprawny rozkład danych z wymaganym przesunięciem na podstawie średniej wartości plonu</p></figcaption></figure>

Kiedy **NIE STOSOWAĆ kalibracji według średniej/sumy:**

* **Różnice między maszynami**: nie stosuj tej metody, jeśli różne części pola zbierały różne maszyny lub jeśli zbiór odbywał się w różne dni i spowodował lokalne odchylenia. W takich przypadkach przeskalowanie całego pola nie usunie podstawowych rozbieżności między maszynami.
* **Widoczne artefakty**: Jeśli w danych widoczne są wyraźne pasy, prążki lub artefakty kierunkowe, ta metoda ich nie usunie; <mark style="background-color:green;">w takich przypadkach lepiej sprawdza się kalibracja ścieżka po ścieżce</mark>.
* **Niekompletne dane**: Nie stosuj tej logiki, jeśli zebrano plony tylko z części pola lub zapisane dane są niekompletne, ponieważ wartości całkowite i średnie mogą być mylące.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Przykład: dane o plonach z lukami</p></figcaption></figure>

### Kalibracja warunkowa

**Kalibracja warunkowa** pełni funkcję <mark style="background-color:green;">zabezpieczenia, które zapewnia, że wartości plonów mieszczą się w realistycznych, z góry określonych zakresach minimum i maksimum</mark>.

NALEŻY **STOSOWAĆ** tę logikę, aby u<mark style="background-color:green;">suwać skrajne wartości odstające i skoki odczytów czujników spowodowane szumem, przestojami maszyn lub zawracaniem</mark>. Jest idealna do uwzględniania konkretnych założeń agronomicznych — takich jak „plon nie może przekraczać wartości X” — bez przeprowadzania korekty.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Jednak **UNIKAJ TEJ METODY** jeśli w zbiorze danych występuje ogólne przesunięcie lub systematyczne różnice między maszynami, ponieważ metoda ta nie skaluje danych ani nie koryguje wzorców przestrzennych. Innymi słowy, utrzymuje wiarygodność wartości, ale nie usuwa źródłowych przesunięć kalibracyjnych.

## Strategia użycia

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Jednostronicowa instrukcja kalibracji plonów</p></figcaption></figure>

{% file src="/files/43dc08e0824a2e34c711f7954599a7f3fb658598" %}
Pobierz jednostronicową instrukcję kalibracji plonów w formacie PDF
{% endfile %}

## Pierwszy krok

Moduł „Kalibracja i czyszczenie danych o plonach” uruchamia się bezpośrednio z interfejsu użytkownika. Wymagane jest przesłanie zbioru danych o plonach. Przy każdym takim zbiorze znajduje się przycisk umożliwiający rozpoczęcie jego korekty.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Rozpocznij proces</p></figcaption></figure>

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Wybierz opcję, aby kontynuować</p></figcaption></figure>

Dostępnych jest kilka sposobów dalszego postępowania:

1. **Automatyczne przetwarzanie**: Użyj domyślnych ustawień zalecanych przez GeoPard, aby skalibrować dane jednym kliknięciem.
2. **Tylko czyszczenie**: Skonfiguruj i wykonaj tylko operację CZYSZCZENIA, w tym
   1. **Czyszczenie GeoPard**: Inteligentne czyszczenie zbioru danych o plonach za pomocą algorytmów AI.
   2. **USDA** (Departamentu Rolnictwa Stanów Zjednoczonych) — protokół czyszczenia danych o plonach.
   3. **Czyszczenie warunkowe**: Filtruj dane na podstawie niestandardowych progów atrybutów.
3. **Tylko kalibracja**: Skonfiguruj i wykonaj tylko operację KALIBRACJI, w tym
   1. **Ścieżka po ścieżce**: Kalibruj plony osobno dla każdej ścieżki przejazdu maszyny, używając algorytmów AI.
   2. **Średnia/suma**: Dostosuj wartości plonów na podstawie znanej średniej lub sumy plonów z pola.
   3. **Warunkowa**: Zmień wartości plonów, ograniczając je do określonego zakresu minimum i maksimum, aby zachować oczekiwane wartości.
4. **Kalibracja i czyszczenie**: Wybierz kolejność operacji i dostosuj parametry.
5. **Alternatywa dla edytora plonów**: Użyj **Tylko czyszczenie → USDA** (lub **Kalibracja i czyszczenie**) dopasowany do ręcznego procesu czyszczenia w „Yield Editor”, ale na dużą skalę. W testach walidacyjnych czyszczenie zgodne z protokołem USDA dało wyniki zgodne z ręcznym czyszczeniem w Yield Editor, z **R² (R2) = 0,98** (wyniki były niemal identyczne).

## Rozwiązanie za jednym kliknięciem

{% hint style="warning" %}
**Wskazówka dotycząca nieprawidłowych wartości, które czasem naturalnie występują w zbiorach danych o plonach.**

Jeśli **atrybut** wybrany do kalibracji lub czyszczenia w większości **zawiera** **wartości zerowe w większości geometrii**, geometrie te zostaną wykluczone z końcowego zbioru danych o plonach.

Aby zapewnić integralność danych, atrybuty z takimi anomaliami należy wykluczyć z listy atrybutów przeznaczonych do kalibracji.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Pełne wskazówki

{% hint style="warning" %}
**Wskazówka dotycząca wyboru procesu: anomalie w danych**

Jeśli użytkownik napotka anomalie w danych, takie jak wartości równe zeru lub zbliżone do zera albo nietypowo wysokie wartości (na przykład średnia wynosząca 10 i maksimum 8000), zalecany jest proces **Czyszczenie i kalibracja** .

Czyszczenie danych przed kalibracją pozwala usunąć błędy, brakujące wartości i niespójności, poprawiając jakość i dokładność danych.
{% endhint %}

{% hint style="warning" %}
**Wskazówka dotycząca wyboru procesu: dane bez początkowych błędów**

W przypadku zbiorów danych, które początkowo nie zawierają błędów, brakujących wartości ani niespójności, a także gdy wiadomo, że przy zbiorach pracowało kilku kombajnistów, warto rozważyć proces **Kalibracja i czyszczenie** .

Czyszczenie danych po kalibracji pomaga dodatkowo dopracować zbiór danych i może usunąć artefakty powstałe podczas kalibracji.
{% endhint %}

{% hint style="warning" %}
**Proces czyszczenia: wskazówka dotycząca nieprawidłowych wartości, które czasem naturalnie występują w zbiorach danych o plonach.**

Jeśli **atrybut** wybrany do kalibracji lub czyszczenia zawiera w większości **wartości zerowe w większości geometrii**, geometrie te zostaną wykluczone z końcowego zbioru danych o plonach.

Aby zapewnić integralność danych, atrybuty z takimi anomaliami należy wykluczyć z listy atrybutów przeznaczonych do czyszczenia (2).
{% endhint %}

{% hint style="warning" %}
**Proces kalibracji: wskazówka dotycząca nieprawidłowych wartości, które czasem naturalnie występują w zbiorach danych o plonach.**

Jeśli **atrybut** wybrany do kalibracji lub czyszczenia w większości **zawiera** **wartości zerowe w większości geometrii**, geometrie te zostaną wykluczone z końcowego zbioru danych o plonach.

Aby zapewnić integralność danych, atrybuty z takimi anomaliami należy wykluczyć z listy atrybutów przeznaczonych do kalibracji (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Wersje algorytmu

Po przetworzeniu wyniki są wyświetlane obok oryginalnego zbioru danych. Oznaczono je etykietami **„Kalibracja”** i/lub **„Czyszczenie”** oraz numerem wersji algorytmu.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Wynik działania funkcji Kalibracja i czyszczenie (wersja 2)</p></figcaption></figure>

{% hint style="info" %}
Od `version 3.0` wersji algorytmu czyszczenia i kalibracji GeoPard wprowadza funkcję przycinania według granicy pola. Pozostawia ona wyłącznie geometrie znajdujące się w granicach pola i poprawia rozkład statystyczny.
{% endhint %}

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Wynik automatycznego przetwarzania (wersja 3.0)</p></figcaption></figure>

{% hint style="info" %}
Od `version 4.0`algorytm czyszczenia i kalibracji GeoPard uwzględnia funkcję kalibracji według średnich lub łącznych wartości dowolnego atrybutu. Częstym zastosowaniem tego usprawnienia jest kalibracja WetMass, którą można teraz dostosować do znanego, zmierzonego średniego plonu z konkretnego pola.
{% endhint %}

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Wynik kalibracji z użyciem średniego plonu 6 t/ha (wersja 4.0)</p></figcaption></figure>

{% hint style="info" %}
Od `version 5.0` wersji algorytmu czyszczenia i kalibracji GeoPard wprowadza protokół czyszczenia danych o plonach USDA (Departamentu Rolnictwa Stanów Zjednoczonych). USDA określa formalne standardy agronomiczne regulujące normalizację, walidację i filtrowanie statystyczne danych o plonach, wilgotności, przepływie i pomiarach przestrzennych, tak aby tworzyć spójne dla maszyn i pól zbiory danych rolniczych.
{% endhint %}

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Wynik czyszczenia z użyciem protokołu USDA (wersja 5.0)</p></figcaption></figure>

{% hint style="success" %}
Oczyść pliki z danymi o plonie z poprzedniego sezonu: [Rozpocznij bezpłatnie](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
