# Comparando Conjuntos de Dados de Produtividade ## Contexto A tomada de decisão agrícola moderna depende fortemente de Conjuntos de Dados de Produtividade, que representam a produtividade coletada e refletem uma grande parte da renda do agricultor. Esses conjuntos de dados devem ser precisos e de alta qualidade para informar decisões sobre manejo de insumos e otimizar estratégias futuras de plantio e fertilização. Os Dados de Produtividade são tipicamente coletados por equipamentos de colheita, mas leituras brutas frequentemente estão incompletas, contêm erros ou exigem calibração para lidar com inconsistências dos sensores e condições variáveis do campo. Para superar esses desafios, os profissionais normalmente empregam técnicas de limpeza, calibração e geração de conjuntos de dados sintéticos para produzir Dados de Produtividade confiáveis e comparáveis. Ambos[ Limpeza e Calibração de Produtividade](https://docs.geopard.tech/geopard-tutorials/pt-br/agronomia/calibracao-e-limpeza-de-produtividade) e [Restauração Sintética de Dados de Produtividade](https://docs.geopard.tech/geopard-tutorials/pt-br/agronomia/mapa-de-produtividade-sintetico) são suportados pelo GeoPard. Comparar Conjuntos de Dados de Produtividade de diferentes anos de safra fornece insights valiosos, ajudando a validar práticas de manejo, confirmar a precisão dos sensores e melhorar estratégias para as próximas temporadas. Essas comparações também orientam o refinamento de prescrições de fertilidade e semeadura, garantindo que cada decisão seja baseada em informações confiáveis. ## Abordagem de Comparação (usando Equação de Similaridade) Para comparar quantitativamente Conjuntos de Dados de Produtividade, utilizamos uma Equação pré-salva chamada Análise de Correlação Espacial (Similaridade de Camadas de Dados) que mede a similaridade entre atributos associados à produtividade de Conjuntos de Dados de Produtividade em uma base espacial. Essa equação atribui uma pontuação de similaridade, indicando quão próximo um conjunto de dados corresponde a outro em padrão espacial e distribuição de valores.

Pesquisar a Equação de Similaridade de Camadas de Dados existente

Os valores de similaridade variam de 0 a 1, onde 0 indica nenhuma correspondência e 1 significa correspondência espacial de valores de 100%. Em outras palavras, quanto mais próxima a pontuação de similaridade estiver de 1, mais semelhantes são os atributos de produtividade. ## **Conjunto de Dados de Produtividade Real (2015** Soja **vs 2018** Soja**)** Neste caso, começamos com Dados de Produtividade brutos coletados durante duas diferentes safras, 2015 e 2018, com a mesma cultura soja. Os conjuntos de dados iniciais contêm locais anormalmente altos e baixos, especialmente no início/fim das passadas da colheitadeira, e os dados necessitam de leve recalibração. Após aplicar as ferramentas de limpeza e calibração do GeoPard, o conjunto de dados resultante fica mais uniforme, consistente e mais fácil de interpretar.

Soja 2015: Dados de Produtividade Originais vs Limpos e Calibrados

Soja 2018: Dados de Produtividade Originais vs Limpos e Calibrados

O mapa de execução da Equação de Similaridade está abaixo como uma captura de tela. Do ponto de vista estatístico, ele mostra uma média alta (0,869) e mediana (0,876), indicando que os padrões de produtividade da soja de 2018 se assemelham fortemente aos de 2015. Embora algumas áreas caiam para 0,599, a baixa variação (0,005) e o desvio padrão modesto (0,073) confirmam consistência geral. Do ponto de vista agronômico, essa estabilidade sugere que as condições subjacentes do campo e as respostas às práticas de manejo permaneceram amplamente inalteradas.

Comparando Similaridade de Produtividade: Soja 2015 vs Soja 2018

## **Conjunto de Dados de Produtividade Real (2022** Milho **vs 2024** Milho**)** Neste cenário, começamos com Dados de Produtividade brutos de duas safras de milho — 2022 e 2024. Os conjuntos de dados iniciais contêm anomalias como leituras anormalmente altas ou baixas, passadas cruzadas e trajetórias curvas, indicando a necessidade de recalibração dos sensores. Após aplicar as ferramentas de limpeza e calibração do GeoPard, os conjuntos de dados tornam-se mais confiáveis, possibilitando análises automatizadas e tomadas de decisão informadas.

Milho 2022: Dados de Produtividade Originais vs Limpos e Calibrados

Milho 2024: Dados de Produtividade Originais vs Limpos e Calibrados

O mapa de execução da Equação de Similaridade está abaixo como uma captura de tela. Do ponto de vista estatístico, uma média de 0,791 e uma mediana de 0,799 mostram as produtividades de milho de 2024 se assemelham amplamente às de 2022, embora áreas com valores tão baixos quanto 0,413 indiquem variabilidade. Um desvio padrão de 0,115 confirma algumas diferenças ao longo do campo. Do ponto de vista agronômico, padrões consistentes sugerem condições estáveis e manejo eficaz ao longo do tempo. Contudo, zonas de baixa similaridade localizadas podem requerer ajustes direcionados para melhorar o desempenho da produtividade futura.

Comparando Similaridade de Produtividade: Milho 2022 vs Milho 2024

## **Conjunto de Dados de Produtividade Sintético vs Real (2023** Colza) Neste cenário, começamos com um Conjunto de Dados de Produtividade bruto da safra de colza de 2023 e um Conjunto de Dados de Produtividade gerado sinteticamente para a mesma cultura e o mesmo ano de 2023. O objetivo é avaliar a precisão espacial do Produtividade Real versus Sintética, fornecendo um caminho para preencher dados não registrados, tratar lacunas nos dados de produtividade e corrigir anomalias usando valores sintéticos. O Conjunto de Dados de Produtividade Real contém problemas como leituras anormalmente altas ou baixas, passadas cruzadas, trajetórias curvas e passadas com valor zero, todos indicando a necessidade de recalibração dos sensores. Após aplicar as [Limpeza e Calibração](https://docs.geopard.tech/geopard-tutorials/pt-br/agronomia/calibracao-e-limpeza-de-produtividade) aos Dados de Produtividade Reais e gerar [Produtividade Sintética](https://docs.geopard.tech/geopard-tutorials/pt-br/agronomia/mapa-de-produtividade-sintetico) para colza, podemos iniciar uma comparação significativa de sua similaridade.

Colza 2023: Dados de Produtividade Originais vs Limpos e Calibrados

O mapa de execução da Equação de Similaridade está abaixo como uma captura de tela. Do ponto de vista estatístico, as altas média (0,889) e mediana (0,904) indicam que, no geral, o Conjunto de Dados de Produtividade Sintético corresponde de perto aos padrões espaciais da Produtividade Real de Colza 2023. Embora uma área caia até 0,291, a baixa variação (0,006) e o desvio padrão modesto (0,08) sugerem que a maioria das partes do campo se alinha de perto entre os Conjuntos de Dados Real e Sintético, com muito poucos outliers. Do ponto de vista agronômico, essa forte similaridade implica que os Dados de Produtividade Sintéticos podem servir como um proxy confiável para as condições reais do campo, reforçando a confiança no uso de cenários modelados para orientar decisões. As práticas agronômicas refletidas nos Dados de Produtividade Reais são bem capturadas pelo modelo de Produtividade Sintética, permitindo um planejamento mais informado e consistente para estratégias de manejo futuras.