> 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/pt-br/agronomia/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Comparar Dados do Scanner de Solo entre Anos

Este artigo descreve vários métodos matemáticos para quantificar diferenças entre conjuntos de dados do scanner de solo e aprimorar a tomada de decisão para pesquisadores e agrônomos.

Os scanners de solo são ferramentas essenciais para a agricultura de precisão, pois permitem coletar dados de alta resolução sobre propriedades do solo, como umidade, matéria orgânica e níveis de nutrientes. Comparar dois conjuntos de dados de scanners de solo é fundamental para entender as mudanças ao longo do tempo, validar diferentes métodos de varredura ou calibrar novos dispositivos. Este artigo explora várias abordagens matemáticas para medir a divergência entre dois conjuntos de dados de scanners de solo, oferecendo informações práticas para pesquisadores e agrônomos.

### Entendendo a divergência nos dados de scanners de solo

A divergência entre dois conjuntos de dados de scanners de solo corresponde às diferenças entre os valores medidos nos mesmos locais, que podem surgir devido a variações nas condições de medição, na calibração dos sensores ou na dinâmica do solo. Os tipos mais comuns de divergência incluem:

* Diferenças absolutas: subtração direta dos valores entre os conjuntos de dados.
* Diferenças relativas: comparação baseada na magnitude das medições.
* Métricas de erro: medidas estatísticas, como o erro absoluto médio (MAE) e a diferença normalizada.

Foram escolhidos dois conjuntos de dados de scanners de solo com medições de potássio, referentes a 2024 e 2025.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Conjuntos de dados iniciais dos scanners de solo</p></figcaption></figure>

### Como escolher o método de divergência adequado

| Método                              | Mais indicado para                                       |
| ----------------------------------- | -------------------------------------------------------- |
| Diferença direta                    | Visualização simples de mudanças positivas e negativas   |
| Diferença relativa                  | Comparar conjuntos de dados com escalas diferentes       |
| Diferença normalizada               | Análise padronizada entre diferentes conjuntos de dados  |
| Desvio relativo                     | Diferenças proporcionais, úteis para analisar tendências |
| Erro absoluto médio (MAE) por pixel | Identificar áreas com grandes diferenças absolutas       |

### Cálculo da diferença direta

O método da diferença direta simplesmente subtrai um conjunto de dados do outro para visualizar diretamente as mudanças nos atributos do solo.

O uso de `geopard.calculate_difference(dataset_1, dataset_2)` com a explicação dos parâmetros está documentado [aqui](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Vantagens:

* Mostra claramente as mudanças positivas e negativas.
* É fácil de interpretar e visualizar.

Desvantagens:

* Os valores das diferenças podem ser difíceis de comparar se os conjuntos de dados tiverem escalas diferentes.
* Uma grande variação pode dominar a interpretação.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Cálculo da diferença direta</p></figcaption></figure>

### Cálculo da diferença relativa

O método da diferença relativa calcula a variação percentual entre os conjuntos de dados com base no segundo conjunto, oferecendo outra perspectiva sobre a divergência.

O uso de `geopard.calculate_relative_difference(dataset_1, dataset_2)` com a explicação dos parâmetros está documentado [aqui](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Vantagens:

* É útil para entender quanto um conjunto de dados mudou proporcionalmente em relação a outro.
* Normaliza as diferenças entre valores de magnitudes variadas.

Desvantagens:

* Pode se tornar instável quando os valores do segundo conjunto de dados estão próximos de zero.
* É menos intuitivo quando as diferenças absolutas são importantes.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Cálculo da diferença relativa</p></figcaption></figure>

### Cálculo da diferença normalizada

O método da diferença normalizada ajusta os conjuntos de dados pelo valor máximo global antes de calcular as diferenças, garantindo que as variações possam ser comparadas entre diferentes escalas.

O uso de `geopard.calculate_normalized_difference(dataset_1, dataset_2)` com a explicação dos parâmetros está documentado [aqui](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Vantagens:

* É eficaz para conjuntos de dados com diferentes intervalos dinâmicos.
* Reduz o impacto de valores extremos.

Desvantagens:

* Pequenas variações podem parecer exageradas se não forem escalonadas adequadamente.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Cálculo da diferença normalizada</p></figcaption></figure>

### Desvio relativo por pixel

O método de desvio relativo calcula o desvio como uma porcentagem em relação ao primeiro conjunto de dados. Ele ajuda a compreender diferenças proporcionais, em vez de diferenças absolutas.

O uso de `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` com a explicação dos parâmetros está documentado [aqui](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Vantagens:

* Útil ao comparar conjuntos de dados com escalas diferentes.
* Expressa o desvio em um formato percentual fácil de interpretar.

Desvantagens:

* Pode induzir a erro se os valores originais forem muito pequenos.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Desvio relativo por pixel</p></figcaption></figure>

### Erro absoluto médio (MAE) por pixel

O método do erro absoluto médio (MAE) mede as diferenças absolutas entre valores correspondentes em dois conjuntos de dados. Ele oferece uma visão clara de onde ocorrem as maiores discrepâncias.

O uso de `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` com a explicação dos parâmetros está documentado [aqui](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Vantagens:

* Simples e intuitivo.
* Destaca claramente as grandes diferenças.
* Funciona bem com conjuntos de dados de escalas semelhantes.

Desvantagens:

* Não mostra a direção da diferença (ou seja, se a variação é positiva ou negativa).
* Sensível a valores atípicos.

<figure><img src="https://1397135423-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Erro absoluto médio (MAE) por pixel</p></figcaption></figure>

### Conclusão

A comparação de conjuntos de dados de scanners de solo exige diversas abordagens matemáticas para extrair diferenças relevantes. Seja usando métricas absolutas, como o MAE, desvios relativos ou comparações normalizadas, a escolha do método adequado depende do caso de uso. Com essas técnicas, agrônomos e pesquisadores podem aprimorar a análise do solo, detectar variações no campo e otimizar os fluxos de trabalho da agricultura de precisão.


---

# 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/pt-br/agronomia/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
