> 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/przewodnik-po-produkcie-aplikacja-webowa/zones-maps-and-analytics/multi-layer-analytics.md).

# Analityka wielowarstwowa

W GeoPard możesz integrować wiele warstw danych, aby tworzyć strefy zarządzania. Kontrolujesz wagi, indeksy, liczbę stref, typ klasteryzacji i minimalną powierzchnię poligonu.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Interaktywna demonstracja — tworzenie stref z wielu warstw*

Rolnictwo precyzyjne generuje duże ilości danych, w tym dane o plonach, zdjęcia satelitarne i warstwy żyzności gleby. Wiele zespołów wciąż ma trudności z przekształcaniem tych warstw w przydatne wnioski i działania. W rolnictwie precyzyjnym strefy zarządzania to obszary pola o podobnym potencjale plonowania, wyznaczane na podstawie rodzaju gleby, położenia na stoku, składu chemicznego gleby, mikroklimatu lub innych czynników wpływających na uprawę. Ważnym elementem tego procesu jest również lokalna znajomość pola. Strefy zarządzania pomagają optymalizować nakłady na uprawę i potencjał plonowania.

Głównym wyzwaniem jest wyznaczenie stref zarządzania, które odzwierciedlają rzeczywistą zmienność pola. Łączenie warstw, takich jak zdjęcia satelitarne, żyzność gleby, pochodne danych topograficznych i dane z monitorów plonu, to kolejny logiczny krok w kierunku tworzenia stref zarządzania lepiej dostosowanych do warunków.

Analizy wielowarstwowe (znane również jako analiza zintegrowana) stają się częścią silnika analiz geoprzestrzennych GeoPard.

Klasyczne zestawy danych do analizy zintegrowanej obejmują co najmniej jeden zbiór danych o plonach, mapę NDVI, wysokość terenu oraz fizykochemiczne parametry gleby z czujników. GeoPard obsługuje te parametry i umożliwia uwzględnienie także innych warstw danych o polu, dostępnych już w systemie lub przesłanych bezpośrednio przez użytkownika, takich jak wyniki badań próbek gleby i zbiory danych o plonach. Dzięki temu możesz korzystać z pełnego zestawu parametrów do analiz zintegrowanych:

Dane o plonach\
Dane teledetekcyjne:

* Mapa potencjału produkcyjnego (jednoroczna i wieloletnia)
* Mapa stabilności/zmienności
* Wskaźniki wegetacji: NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografia:

* Wysokość
* Nachylenie
* Krzywizna terenu
* Wskaźnik wilgotności
* Ekspozycja
* Cieniowanie rzeźby terenu
* Chropowatość terenu
* Nierówność terenu

Dane o glebie:

* pH
* CEC (pojemność wymiany kationów)
* SOM (materia organiczna gleby)
* K (potas)
* Płytka warstwa gleby i mniejsza zdolność zatrzymywania wody dostępnej dla roślin (gleba podatna na suszę)
* EC (przewodność elektryczna)
* oraz inne właściwości chemiczne dostępne w przesłanym zbiorze danych

Warto pamiętać, że dla każdej warstwy danych możesz skonfigurować własne czynniki i przypisać im odpowiednie wagi. W GeoPard możesz tworzyć mapy stref zarządzania, wykorzystując swoją wiedzę o polu oraz wybierając źródła danych i ich wagi.

## Jak działają wagi warstw

Waga określa, jak silny wpływ każda warstwa wywiera na każdy piksel wynikowej mapy stref.

### Najpierw normalizacja

Warstwy wejściowe mają niezgodne jednostki i zakresy: NDVI przyjmuje wartości od 0 do 1, plon od 4 do 12 t/ha, pH od 5,5 do 7,5, a EC od 5 do 60 mS/m. Połączenie surowych wartości sprawiłoby, że warstwa o największym zakresie liczbowym zdominowałaby wynik, niezależnie od jej znaczenia agronomicznego.

GeoPard najpierw stosuje do każdej warstwy normalizację min–max, przeskalowując ją do wspólnego zakresu na podstawie jej własnych wartości minimalnej i maksymalnej w obrębie pola. O wpływie warstwy decyduje wtedy wyłącznie jej waga.

### Następnie stosowane są wagi

Każda znormalizowana warstwa jest mnożona przez swoją wagę, a warstwy są łączone w jedną powierzchnię.

### Ujemne wagi odwracają warstwę

Ujemna waga odwraca skalę: wysokie wartości warstwy są traktowane jako niskie, a niskie jako wysokie. Użyj tej opcji, gdy wysokie odczyty wskazują gorsze warunki, na przykład:

* Zawartość gliny na polu o słabym drenażu
* Wysokość terenu, gdy zagłębienia są narażone na przymrozki lub podtopienia
* EC, gdy wysokie odczyty wskazują na zasolenie, a nie zdolność zatrzymywania wody

### Brakujące dane są interpolowane

Jeśli w warstwie brakuje pikseli (np. z powodu zachmurzenia na zdjęciu satelitarnym, pominiętego przejazdu podczas zbioru danych o plonach lub rzadko rozmieszczonych punktów poboru próbek gleby), GeoPard interpoluje brakujące wartości na podstawie otoczenia, zamiast usuwać piksel. Połączona mapa pozostaje ciągła na całym polu.

### Wynik jest ponownie normalizowany

Po nadaniu wag i połączeniu warstw mapa wynikowa jest ponownie normalizowana, tak aby obejmowała pełny zakres wartości, a następnie dzielona na wybraną liczbę stref.

{% hint style="info" %}
**Dobór wag:** zacznij od przypisania najwyższej wagi warstwie, której najbardziej ufasz. Wieloletnie dane o plonach i długoterminowa produktywność określona na podstawie zdjęć satelitarnych są zazwyczaj najbardziej wiarygodnymi wskaźnikami. Zdjęcia satelitarne z jednego dnia są najbardziej zależne od sytuacji, ponieważ pojedyncze zdjęcie pokazuje tylko jeden moment sezonu.
{% endhint %}

Poniższe obrazy przedstawiają przykładowe pole i warstwy danych, takie jak mapa produktywności z 18 lat, numeryczny model wysokościowy, nachylenie terenu, cieniowanie rzeźby terenu i dane o plonach z 2019 roku, a także różne wyniki analiz zintegrowanych. Możesz prześledzić, jak zmieniają się strefy zarządzania w miarę dodawania kolejnych warstw.

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-8.png?resize=1024%2C501&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-9.png?resize=1024%2C504&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-10.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-11.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></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/przewodnik-po-produkcie-aplikacja-webowa/zones-maps-and-analytics/multi-layer-analytics.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.
