> 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/dokumentacja-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutacja: Kalibruj i oczyszczaj YieldDataset

Wywołania API do czyszczenia i kalibracji zbiorów danych plonów

Kalibracja „YieldDataset” to funkcja, która koryguje rozkład wartości zgodnie z zasadami matematycznymi, zwiększając integralność danych. Poprawia jakość podejmowanych decyzji i sprawia, że zbiór danych nadaje się do dalszej, szczegółowej analizy.

Typowe zastosowania tej funkcji:

* Synchronizacja danych, gdy kilka kombajnów pracowało jednocześnie lub przez kilka dni, w celu zapewnienia ich spójności.
* Ujednolicenie i zwiększenie dokładności zbioru danych przez wygładzenie różnic.
* Usunięcie szumu i zbędnych informacji, które mogą utrudniać wyciąganie wniosków.
* Usunięcie nawrotów lub nieprawidłowych geometrii, które mogą zniekształcać rzeczywiste wzorce i trendy na polu.
* Dostosowanie danych o plonie do ustalonych średnich lub wartości łącznych dla każdego atrybutu.

Szczegółowe omówienie i przykłady znajdziesz w naszym [przypadku użycia: kalibracja i czyszczenie danych o plonie](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) .

### Oryginalny YieldDataset z atrybutem WetMass

Pięć kombajnów pracowało równolegle na przedstawionym poniżej polu o powierzchni 30 ha. Kalibracja jednego z kombajnów nie była zsynchronizowana z pozostałymi, co spowodowało pojawienie się <mark style="color:pomarańczowym;">pomarańczowych</mark> plam wskazujących na konieczność dodatkowej `CALIBRATION` . Ponadto występuje wiele nawrotów — <mark style="color:czerwonych;">czerwonych</mark> plam bliżej krawędzi pola, które należy usunąć.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Oryginalny YieldDataset z atrybutem WetMass</p></figcaption></figure>

### Skalibrowany i oczyszczony YieldDataset z atrybutem WetMass

Poniżej przedstawiono wynik zastosowania automatycznych operacji `CALIBRATE` i `CLEAN` przy użyciu domyślnych parametrów. Powstały „YieldDataset” jest jednorodny, bez wartości odstających ani nagłych zmian między sąsiadującymi geometriami.

<figure><img src="https://3832317038-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Skalibrowany i oczyszczony YieldDataset z atrybutem WetMass</p></figcaption></figure>

### Opcje Pathwise, Average/Total i Conditional

**Kalibracja Pathwise** odnosi się do ścieżek przejazdu maszyny. Na potrzeby kalibracji każda ścieżka maszyny jest przetwarzana jako odrębny obszar. Zespół GeoPard zaleca stosowanie tej metody jako standardowego podejścia.

**Kalibracja Average/Total** koncentruje się na ponownym rozłożeniu wartości atrybutów. Ta metoda sprawdza się, gdy wzorce geoprzestrzenne są dokładne, ale wartości bezwzględne odbiegają od rzeczywistych. Aby uzyskać optymalne wyniki, GeoPard zaleca połączenie jej z kalibracją Pathwise: najpierw należy zastosować Pathwise, a następnie dopasować dane do znanych wartości średnich lub łącznych.

**Kalibracja Conditional** dostosowuje wartości atrybutów na podstawie podanych progów minimalnych i maksymalnych. Metoda ta jest szczególnie przydatna, gdy wzorce geoprzestrzenne są precyzyjne, ale rozkład wartości wymaga korekty, zwłaszcza gdy znane są wartości minimalne i maksymalne. Aby uzyskać najlepsze wyniki, GeoPard zaleca połączenie jej z kalibracją Pathwise: najpierw należy zastosować Pathwise, a następnie dostosować dane do znanych wartości minimalnych i maksymalnych.

### Wskazówki

{% hint style="warning" %}
**Wskazówka dotycząca anomalii w danych**

Jeśli użytkownik zauważy anomalie w danych, takie jak wartości zerowe lub bliskie zeru albo nietypowo wysokie wartości (na przykład średnią 10 i maksimum 8000), zalecamy zastosowanie procesu **czyszczenia i kalibracji** , konfigurowanego za pomocą parametrów `actions: [CLEAN, CALIBRATE]`.

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

{% hint style="warning" %}
**Wskazówka dotycząca danych bez początkowych błędów**

Jeśli zbiory danych nie zawierają początkowo błędów, brakujących wartości ani niespójności, a wiadomo, że pracowało na nich kilka kombajnów, rozważ zastosowanie procesu **kalibracji i czyszczenia** , konfigurowanego za pomocą parametrów `actions: [CALIBRATE, CLEAN]`.

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

### Dokumentacja: szczegóły mutacji

Domyślna konfiguracja standardowa włącza automatyczną kalibrację i czyszczenie „YieldDataset”.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Bardziej zaawansowany przykład umożliwia ręczne ustawienie zakresów min./maks. i uwzględnia dodatkowe atrybuty.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Aby postępować zgodnie z protokołem USDA w przypadku operacji `CLEAN` należy wymienić WSZYSTKIE kolumny w `cleanAction` -> `conditionMinMaxClean` lub określić część z nich w `cleanAction` -> `conditionMinMaxClean` a pozostałe w `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Parametry wejściowe:

* `actions` jako tablica, która pozwala wybrać *działania korygujące i ich kolejność* stosowania; obsługiwane wartości to m.in. `CLEAN` i `CALIBRATE`.
* `calibrateAction` jako obiekt zawierający szczegóły konfiguracji dotyczące operacji `CALIBRATE` .
  * `calibrationAttributes` jako tablica atrybutów wymagających kalibracji, zwykle powiązanych z kolumną Yield.
  * `smoothWindowSize` jako nieparzysta liczba całkowita, która wygładza wartości wynikowe, ograniczając ich nagłe skoki.
  * `conditionPathwiseCalibration` jako obiekt z **kalibracją** ścieżek przejazdu maszyny. Każda ścieżka przejazdu maszyny jest traktowana jako oddzielny obszar na potrzeby kalibracji.
    * `calibrationBasis` jako ciąg znaków określający atrybut używany jako podstawa kalibracji.
    * `maxHomogeneityRegion` jako wartość logiczna wskazująca, czy maksymalny obszar jednorodności jest używany jako obszar odniesienia do kalibracji.
    * `syntheticMachinePath` jako wartość logiczna wskazująca, czy symulować trasy maszyny. Jest to przydatne, gdy dokładny atrybut ścieżki przejazdu maszyny jest niedostępny i trzeba go zasymulować na podstawie znaczników czasu lub podobnego atrybutu.
  * `conditionAvgTotalCalibration` jako obiekt z **kalibracją średniej/sumy** , która koncentruje się na redystrybucji wartości atrybutu. Ta metoda jest przydatna, gdy wzorce przestrzenne są poprawne, ale wartości bezwzględne odbiegają od rzeczywistych.
    * `calibrationAttribute` jako ciąg znaków określający atrybut podlegający kalibracji.
    * `average` jako liczba określająca średnią wartość atrybutu; wartości atrybutu powinny być zgodne z tą średnią. Należy użyć tylko jednej z opcji — `average` lub `total`.
    * `total` jako liczba określająca sumę wartości atrybutu; suma tych wartości powinna być zgodna z podaną wartością. Należy użyć tylko jednej z opcji — `average` lub `total`.
  * `conditionMinMaxCalibration` jako obiekt z **kalibracją warunkową** , która dostosowuje wartości atrybutu na podstawie podanych progów minimalnego i maksymalnego.
    * `calibrationAttribute` jako ciąg znaków określający atrybut podlegający kalibracji.
    * `min` jako liczba określająca minimalną wartość atrybutu, czyli dolną granicę zakresu kalibracji.
    * `minIncluded` jako wartość logiczna wskazująca, czy uwzględnić wartość minimalną.
    * `max` jako liczba określająca maksymalną wartość atrybutu, czyli górną granicę zakresu kalibracji.
    * `maxIncluded` jako wartość logiczna wskazująca, czy uwzględnić wartość maksymalną.
* `cleanAction` jako obiekt zawierający szczegóły konfiguracji związane z operacją `CLEAN` .
  * `conditionAutoClean` jako obiekt zawierający konfigurację algorytmu automatycznego czyszczenia.
    * `targetAttribute` jako ciąg znaków określający docelowe wartości plonu.
    * `excludedAttributes` jako tablica ciągów znaków określających atrybuty, które nie wpływają na operację czyszczenia.
  * `conditionMinMaxClean` jako tablica obiektów zawierających opisane reguły czyszczenia; każdy obiekt obejmuje następujące parametry.
    * cleanAttribute jako ciąg znaków określający nazwę kolumny, której dotyczy reguła.
    * `min` jako liczba wskazująca wartość minimalną.
    * `max` jako liczba wskazująca wartość maksymalną.

{% hint style="info" %}
Aby wyświetlić dane wejściowe i uzyskać dostęp do najnowszych dostępnych wartości wyliczeń (takich jak `operations`), zaleca się skorzystanie z [dokumentacji Altair](https://docs.geopard.tech/geopard-tutorials/pl/dokumentacja-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentacja: zapytanie YieldDataset

Jako użytkownik GeoPard API możesz pobrać szczegółowe informacje o korektach zastosowanych do zbiorów YieldDataset za pomocą atrybutów `appliedCorrections` oraz `appliedCorrectionsVersion`. Pierwszy z nich zawiera listę wprowadzonych korekt (np. `CALIBRATE` oraz `CLEAN`), a ich kolejność wykonania odpowiada kolejności w tablicy. Natomiast `appliedCorrectionsVersion` wskazuje wersję użytego algorytmu.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/dokumentacja-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
