Calibração & Limpeza de Produtividade

Como limpar e calibrar dados do monitor de produtividade no GeoPard. Inclui protocolo USDA de limpeza de produtividade. Corrija outliers, faixas, inversões e conjuntos de dados de multicolheitadeiras.

Use o GeoPard para limpar dados de rendimento e calibrar conjuntos de dados do monitor de rendimento. Obtenha um mapa de rendimento em que você possa confiar para zonas, prescrições e análises. Esse fluxo de trabalho lida com outliers, voltas, atributos ausentes e dados de rendimento de múltiplas colheitadeiras. Inclui o protocolo de limpeza de rendimento do USDA e oferece suporte a fluxos de trabalho alternativos do Editor de Rendimento .

Tutorial em vídeo sobre limpeza e calibração de dados de rendimento. A diferença entre as opções explicada.

Esse processo de calibração é instrumental para:

1. Garantir Consistência dos Dados: Não é incomum que múltiplas colheitadeiras trabalhem em conjunto ou em dias diferentes. Esse recurso garante que os dados delas estejam em harmonia.

2. Homogeneizar os Dados: Os dados de rendimento podem ser variados; a calibração garante que sejam suaves e consistentes, sem picos ou quedas indesejadas.

3. Filtrar o Ruído: Como qualquer dado, os dados de rendimento podem conter 'ruído' ou informações irrelevantes. Nós garantimos que isso não turve suas análises.

4. Simplificar Geometrias: Qualquer volta, ou padrões geométricos estranhos, podem distorcer as reais conclusões. A calibração foi desenhada para corrigir isso, garantindo que os dados reflitam verdadeiramente a realidade do talhão.

5. Recortar pelo Limite do Talhão: Colheitadeiras frequentemente operam em áreas adjacentes. Para resultados analíticos precisos, é essencial considerar apenas os dados situados dentro do limite especificado.

A interface de Calibração de Rendimento usa o endpoint da API GeoPard para Limpar/Calibrar Conjunto de Dados de Rendimento (API GeoPard: Calibrar e Limpar Conjunto de Dados de Rendimento). Ela executa as CALIBRAR e LIMPAR operações na interface ou via API.

Visão Rápida

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Abrir

Baixar folheto em PDF sobre limpeza de rendimento

Exemplos do Mundo Real

No âmbito da agricultura, conjuntos de dados de rendimento corrompidos podem representar desafios significativos. Abaixo, você encontra exemplos do mundo real em que tais conjuntos foram encontrados. Por meio dos avançados algoritmos de calibração e limpeza do GeoPard, esses conjuntos foram efetivamente refinados e otimizados.

Para tratar áreas sem Dados de Rendimento registrados e alcançar a completude do Mapa de Rendimento, considere utilizar a abordagem de Mapa de Rendimento Sintético do GeoPard. Esse método restaura dados faltantes para uma análise de rendimento completa. Saiba mais aqui.

Múltiplas Colheitadeiras Trabalhando em Conjunto

Exemplo 1: Múltiplas Colheitadeiras Trabalhando em Conjunto

Ao lidar com cenários complexos, recomenda-se um processo de calibração em duas etapas para máxima precisão. Comece executando a calibração inicial usando o atributo Machine ID. Em seguida, prossiga com uma segunda rodada de calibração, desta vez utilizando a caixa "Simulated (Synthetic) Machine Paths". Essa abordagem em camadas garante uma calibração completa e precisa, essencial para gerenciar casos intrincados de forma eficaz.

Exemplo 2: Múltiplas Colheitadeiras Trabalhando em Conjunto

Exemplo 3: Múltiplas Colheitadeiras Trabalhando em Conjunto

Voltas em J, Paradas, Metade da Largura do Equipamento Utilizada

Exemplo 1: Retornos em U, Paradas, Metade da Largura do Equipamento Utilizada

Exemplo 2: Retornos em U, Paradas, Metade da Largura do Equipamento Utilizada

Valores Registrados Anormalmente Grandes

Exemplo 1: Valores Registrados Anormalmente Grandes

Exemplo 2: Valores Registrados Anormalmente Grandes

Exemplo 3: Valores Registrados Anormalmente Grandes

Exemplo 4: Valores Registrados Anormalmente Grandes

Exemplo 5: Valores Registrados Anormalmente Grandes

Dados Além do Limite do Talhão

Exemplo: Dados Além dos Limites do Talhão

Calibração Usando Valor Médio de Rendimento Fornecido

Exemplo: Calibração Usando Valor Médio de Rendimento Fornecido (28 t/ha)

Limpar Atributos de Rendimento Ignorando Atributos com Anomalias

O Conjunto de Dados de Rendimento ocasionalmente inclui atributos com irregularidades em Umidade, Velocidade, Elevações ou outros atributos secundários (não relacionados ao rendimento). Durante a execução das atividades de Limpar ou Calibrar, é essencial desconsiderar essas anomalias. Isso pode ser feito de forma eficiente usando a interface GeoPard Yield Clean-Calibrate.

Exemplo: Anomalias no Atributo Umidade

Exemplo: Limpar Dados de Rendimento Ignorando Anomalias na Umidade

Protocolo de Limpeza de Produtividade do USDA

Use esta opção quando você precisar de um fluxo de trabalho repetível e baseado em padrões para editor de rendimento. Ele é otimizado para limpeza de dados do monitor de rendimento em larga escala.

Exemplo: Limpar Dados de Rendimento aplicando o Protocolo USDA

Exemplo: Limpar Dados de Rendimento aplicando o Protocolo USDA

Explicação das Lógicas de Calibração

Calibração por trilha

USE Calibração por trilha quando um talhão é colhido por múltiplas máquinas ou ao longo de vários dias, especificamente para corrigir diferenças sistemáticas como faixas ou listras. É ideal para cenários em que configurações diferentes da máquina, operadores ou condições ambientais causam super- ou subestimação consistente ao longo de diferentes trajetórias.

Crucialmente, a IA requer variação - como trajetórias distintas, IDs de máquina ou datas de colheita - para aprender e calibrar efetivamente.

Exemplo: WetMass de Rendimento e 9 Colheitadeiras

NÃO USE esse método para colheitas de máquina única em uma sessão contínua ou se o mapa de rendimento não apresentar padrões espaciais visíveis. Além disso, evite-o se os dados forem escassos ou se você possuir apenas valores totais de rendimento por talhão sem diferenças por máquina

Exemplo: Distribuição de Dados Estatisticamente Correta

Calibração por Média ou Total

A Calibração por Média/Total É MELHOR USADA quando você tem um alto nível de confiança nos seus dados globais de rendimento por talhão, como registros de uma balança ou de um armazém. Em vez de ajustar trajetórias individuais, esse método escala todo o conjunto de dados para que a média final ou o total correspondam ao seu valor de referência conhecido. Frequentemente é descrito como a opção de calibração mais simples e segura quando os números gerais são confiáveis.

Quando USAR Calibração por Média/Total:

• Valores de Referência Conhecidos: Você deve usar essa lógica quando tiver registros oficiais de rendimento total (por exemplo, de uma balança) ou uma média de rendimento altamente confiável para o talhão.

• Correção de Viés Global: É ideal se a distribuição espacial no mapa de rendimento parecer correta, mas os valores estiverem deslocados globalmente - significando que o monitor de rendimento provavelmente estava descalibrado e está reportando valores consistentemente muito altos ou muito baixos em todo o talhão.

• Condições de Colheita Uniformes: Esse método é mais eficaz quando as condições de colheita foram relativamente consistentes durante toda a operação.

• Consistência de Máquina Única: Funciona bem para colheitas realizadas por uma única máquina que operou de forma consistente pelo talhão.

Exemplo: Distribuição de Dados Estatisticamente Correta com Ajuste Necessário usando Rendimento Médio

Quando NÃO usar a Calibração por Média/Total:

• Viés Máquina a Máquina: Não use esse método se diferentes partes do talhão foram colhidas por máquinas diferentes ou em dias distintos que resultaram em viéses localizados. Nesses casos, escalar todo o talhão não corrigirá as discrepâncias subjacentes entre as máquinas.

• Artefatos Visíveis: Se você observar forte faixamento, listras ou artefatos direcionais nos seus dados, esse método não os resolverá; a calibração por trajetória é mais adequada para esses problemas.

• Dados Incompletos: Evite essa lógica se apenas uma parte do talhão foi colhida ou se os dados registrados estão incompletos, pois os valores totais/médios seriam enganosos.

Exemplo: Dados de Rendimento com Lacunas

Calibração condicional

Calibração condicional serve como um controle de segurança garantindo que os valores de rendimento permaneçam dentro de faixas mínimas e máximas realistas pré-definidas.

Você DEVE USAR essa lógica para remover outliers extremos e picos de sensor causados por ruído, paradas da máquina ou curvas. É ideal para aplicar expectativas agronômicas específicas - como "o rendimento não pode exceder X" - sem realizar uma correção.

No entanto, EVITE ESSE MÉTODO se seu conjunto de dados tem um viés global ou diferenças sistemáticas entre máquinas, pois ele não escala os dados nem corrige padrões espaciais. Essencialmente, mantém os valores plausíveis, mas não resolve deslocamentos de calibração subjacentes.

Estratégia de Uso

Guia de Calibração de Rendimento em uma página

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Abrir

Baixar PDF de uma página com orientações de calibração de rendimento

Primeiro Passo

O módulo "Calibrar e Limpar Rendimento" é iniciado diretamente pela Interface do Usuário. O requisito primário é ter um Conjunto de Dados de Rendimento carregado. Ao lado de cada Conjunto de Dados de Rendimento, você encontrará um botão para iniciar os ajustes do conjunto.

Iniciar o fluxo

Selecione uma opção para prosseguir

A partir daí, várias opções estão disponíveis para prosseguir:

1. Processamento Automático: Use as configurações padrão recomendadas pelo GeoPard para uma calibração com um clique.

2. Somente Limpeza: Configure e execute apenas a operação CLEAN, incluindo

   1. Limpeza GeoPard: Limpeza inteligente do conjunto de dados de rendimento com algoritmos de IA.

   2. USDA (Departamento de Agricultura dos Estados Unidos) Protocolo de Limpeza para rendimento.

   3. Limpeza Condicional: Filtrar dados com base em limites personalizados de atributos.

3. Somente Calibrar: Configure e execute apenas a operação CALIBRATE, incluindo

   1. Caminho-da-máquina: Calibrar o rendimento para cada trajetória individual da máquina usando algoritmos de IA.

   2. Média/Total: Ajustar o rendimento com base na média ou total conhecido do talhão.

   3. Condicional: Modificar o rendimento dentro de limites mínimos e máximos definidos para manter faixas esperadas.

4. Calibrar & Limpar: Escolha a sequência de operações e personalize os parâmetros.

5. Alternativa ao Editor de Rendimento: Use Somente Limpeza → USDA (ou Calibrar & Limpar) para corresponder a um fluxo de limpeza manual do “Yield Editor”, mas em escala. Em testes de validação, a limpeza pelo protocolo USDA correspondeu aos resultados manuais do Yield Editor com R² (R2) = 0,98 (saída quase idêntica).

Solução com Um Clique

Dica sobre Valores Anormais às Vezes Inerentes a Conjuntos de Dados de Rendimento.

Se um attribute selecionado para calibração ou limpeza predominantemente contiver valores zero na maior parte das geometrias, essas geometrias serão excluídas do Conjunto de Dados de Rendimento final.

Para garantir a integridade, atributos com tais anomalias devem ser excluídos da lista de atributos a serem calibrados.

Orientação Completa

Escolha Fluxo: Dica para Anomalias de Dados

Se um usuário encontrar anomalias nos dados, como valores em ou próximos de zero, ou valores incomumente grandes (por exemplo, uma média de 10 com um máximo de 8000), o fluxo de trabalho Limpeza & Calibração o fluxo de trabalho é recomendado.

Priorizar a Limpeza dos dados antes da Calibração assegura a remoção de erros, valores ausentes ou inconsistências, melhorando assim a qualidade e a precisão dos dados.

Escolha Fluxo: Dica para Dados sem Erros Iniciais

Para conjuntos de dados inicialmente livres de erros, valores ausentes ou inconsistências, e quando se sabe que múltiplas colheitadeiras estão envolvidas, considere o fluxo de trabalho Calibração & Limpeza fluxo de trabalho.

Limpar os dados após a calibração ajuda a refinar ainda mais o conjunto de dados, potencialmente eliminando quaisquer artefatos introduzidos durante a calibração.

Fluxo de Limpeza: Dica sobre Valores Anormais às Vezes Inerentes a Conjuntos de Dados de Rendimento.

Se um attribute selecionado para calibração ou limpeza predominantemente contém valores zero na maioria das geometrias, essas geometrias serão excluídas do Conjunto de Dados de Rendimento final.

Para garantir a integridade, atributos com tais anomalias devem ser excluídos da lista de atributos a serem limpos (2).

Fluxo de Calibração: Dica sobre Valores Anormais às Vezes Inerentes a Conjuntos de Dados de Rendimento.

Se um attribute selecionado para calibração ou limpeza predominantemente contiver valores zero na maior parte das geometrias, essas geometrias serão excluídas do Conjunto de Dados de Rendimento final.

Para garantir a integridade, atributos com tais anomalias devem ser excluídos da lista de atributos a serem calibrados (3).

Versões do Algoritmo

Após o pós-processamento, os resultados são exibidos ao lado do conjunto de dados original. Eles são marcados com "Calibrate" e/ou "Clean" rótulos, além da versão do algoritmo.

O resultado da execução Calibrate & Clean (versão 2)

conteúdo de clorofila versão 3.0 a partir da versão 3.0 do algoritmo Clean/Calibrate, o GeoPard introduz o recurso Recorte pelo Limite do Talhão. Isso mantém apenas as geometria dentro do Limite do Talhão e melhora a distribuição estatística.

O resultado da execução de Processamento Automático (versão 3.0)

A partir da versão 4.0, o algoritmo Clean/Calibrate no GeoPard agora incorpora um recurso de calibração baseado em Valores Médios ou Totais através de qualquer atributo. Uma aplicação prevalente dessa melhoria é a calibração da WetMass, que agora pode ser ajustada pelo Rendimento Médio medido conhecido para um determinado talhão.

O resultado da execução de Calibração usando Rendimento Médio de 6 t/ha (versão 4.0)

conteúdo de clorofila versão 5.0 a partir da versão 5.0 do algoritmo Clean/Calibrate, o GeoPard introduz o Protocolo de Limpeza USDA (Departamento de Agricultura dos Estados Unidos) para rendimento. O USDA fornece padrões agronômicos formais de dados que regem como rendimento, umidade, fluxo e medidas espaciais são normalizados, validados e filtrados estatisticamente para produzir conjuntos de dados agrícolas consistentes por máquina e por talhão.

O resultado da execução de Limpeza usando o Protocolo USDA (versão 5.0)