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

# 84. Mutação: Calibrar e limpar o Conjunto de Dados de Produtividade

Chamadas de API para limpar e calibrar conjuntos de dados de produtividade

A calibração do "YieldDataset" é uma funcionalidade que corrige a distribuição dos valores de acordo com princípios matemáticos, aumentando a integridade geral dos dados. Ela melhora a qualidade da tomada de decisões e torna o conjunto de dados valioso para análises mais aprofundadas.

Os casos de uso comuns dessa funcionalidade incluem:

* Sincronizar dados quando várias colheitadeiras trabalham ao mesmo tempo ou ao longo de vários dias, garantindo a consistência.
* Tornar o conjunto de dados mais homogêneo e preciso ao suavizar as variações.
* Remover ruídos nos dados e informações irrelevantes que podem dificultar a obtenção de insights.
* Eliminar manobras de retorno ou geometrias anormais, que podem distorcer os padrões e as tendências reais no campo.
* Ajustar os dados de produtividade para corresponder às médias ou aos totais estabelecidos para cada atributo.

Para uma exploração mais detalhada e exemplos, consulte nosso [Caso de uso de calibração e limpeza da produtividade](https://docs.geopard.tech/geopard-tutorials/pt-br/agronomia/yield-and-trials/yield-calibration-and-cleaning.md) .

### YieldDataset original com o atributo WetMass

Cinco colheitadeiras trabalharam em paralelo no campo de 30 ha mostrado abaixo. A calibração de uma das colheitadeiras não foi sincronizada com as demais, resultando em <mark style="color:laranja;">manchas laranjas</mark> , indicando que é necessária uma `CALIBRATION` adicional. Além disso, há várias manobras de retorno <mark style="color:manchas;">vermelhas</mark> mais próximas das bordas do "Campo", que precisam ser eliminadas.

<figure><img src="https://1397135423-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>YieldDataset original com o atributo WetMass</p></figcaption></figure>

### YieldDataset calibrado e limpo com o atributo WetMass

O resultado abaixo mostra o conjunto de dados após a aplicação automática das operações `CALIBRATE` e `CLEAN` com os parâmetros padrão. O "YieldDataset" resultante tornou-se homogêneo, sem valores discrepantes nem mudanças abruptas entre geometrias vizinhas.

<figure><img src="https://1397135423-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>YieldDataset calibrado e limpo com o atributo WetMass</p></figcaption></figure>

### Opções Pathwise, Average/Total e Conditional

**Calibração Pathwise** corresponde aos percursos da máquina. Cada percurso da máquina é processado como uma região individual para fins de calibração. A equipe da GeoPard recomenda usar esse método como abordagem padrão.

**Calibração Average/Total** concentra-se em redistribuir os valores dos atributos. Esse método é útil quando os padrões geoespaciais estão corretos, mas os valores absolutos diferem dos valores reais. Para obter os melhores resultados, a GeoPard recomenda combiná-lo com a calibração Pathwise: primeiro, aplique Pathwise e, em seguida, ajuste os valores para corresponder às médias ou aos totais conhecidos.

**Calibração Conditional** ajusta os valores dos atributos com base nos limites mínimo e máximo fornecidos. Esse método é especialmente útil quando os padrões geoespaciais são precisos, mas a distribuição dos valores precisa de ajustes, sobretudo quando os valores mínimo e máximo são conhecidos. Para obter os melhores resultados, a GeoPard recomenda combiná-lo com a calibração Pathwise: comece com Pathwise e, em seguida, ajuste os valores para corresponder aos limites mínimo e máximo conhecidos.

### Dicas

{% hint style="warning" %}
**Dica para anomalias nos dados**

Se o usuário encontrar anomalias nos dados, como valores iguais ou próximos de zero, ou valores excepcionalmente altos (por exemplo, uma média de 10 e um máximo de 8000), recomenda-se o fluxo de trabalho de **limpeza e calibração** . Ele é configurado com os parâmetros `actions: [CLEAN, CALIBRATE]`.

Priorizar a limpeza dos dados antes da calibração garante a remoção de erros, valores ausentes ou inconsistências, melhorando assim a qualidade e a precisão dos dados.
{% endhint %}

{% hint style="warning" %}
**Dica para dados sem erros iniciais**

Para conjuntos de dados inicialmente sem erros, valores ausentes ou inconsistências, e quando se sabe que várias colheitadeiras foram usadas, considere o fluxo de trabalho de **calibração e limpeza** . Ele é configurado com os parâmetros `actions: [CALIBRATE, CLEAN]`.

Limpar os dados após a calibração ajuda a refinar ainda mais o conjunto de dados, removendo possíveis artefatos introduzidos durante a calibração.
{% endhint %}

### Documentação: detalhes da mutação

A configuração padrão habilita a calibração e a limpeza automáticas do "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 %}

Um exemplo mais avançado permite controlar manualmente os intervalos mínimo e máximo e incorpora atributos adicionais.

{% 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" %}
Para seguir o protocolo do USDA para a `CLEAN` operação, você deve mencionar TODAS as colunas em `cleanAction` -> `conditionMinMaxClean` ou especificar uma parte delas em `cleanAction` -> `conditionMinMaxClean` e as demais em `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Parâmetros de entrada:

* `actions` como um array, permitindo escolher *as ações de correção e a sequência em que serão aplicadas; os valores compatíveis incluem* CLEAN `CLEAN` e `CALIBRATE`.
* `calibrateAction` como um objeto que contém detalhes de configuração relacionados à operação `CALIBRATE` .
  * `calibrationAttributes` como um array de atributos que exigem calibração, normalmente associados à coluna Yield.
  * `smoothWindowSize` como um número inteiro ímpar que suaviza os valores do resultado, reduzindo saltos abruptos.
  * `conditionPathwiseCalibration` como um objeto com a **calibração** por trajetória corresponde às passadas da máquina. Cada passada da máquina é processada como uma região individual para fins de calibração.
    * `calibrationBasis` como uma string que representa o atributo usado como base para a calibração.
    * `maxHomogeneityRegion` como um booleano que indica se a região de homogeneidade máxima é usada como região de referência para a calibração.
    * `syntheticMachinePath` como um booleano que indica a simulação das rotas da máquina. Esse recurso é útil quando o atributo que representa a trajetória precisa da máquina está ausente e precisa ser simulado com base em carimbos de data e hora ou em um atributo semelhante.
  * `conditionAvgTotalCalibration` como um objeto com a **calibração por média/total** concentra-se na redistribuição dos valores dos atributos. Esse método é útil quando os padrões geoespaciais estão corretos, mas os valores absolutos divergem dos valores reais.
    * `calibrationAttribute` como uma string que representa o atributo a ser calibrado.
    * `average` como um número que representa os valores médios do atributo; os valores do atributo devem corresponder a essa média. Apenas uma das opções, `average` ou `total`, deve ser usada por vez.
    * `total` como um número que representa a soma total dos valores do atributo; o agregado desses valores deve corresponder ao total. Apenas uma das opções, `average` ou `total`, deve ser usada por vez.
  * `conditionMinMaxCalibration` como um objeto com a **calibração condicional** ajusta os valores dos atributos com base nos limites mínimo e máximo fornecidos.
    * `calibrationAttribute` como uma string que representa o atributo a ser calibrado.
    * `min` como um número que representa os valores mínimos do atributo, servindo como limite inferior para a calibração.
    * `minIncluded` como um booleano que indica se o valor mínimo deve ou não ser incluído
    * `max` como um número que representa os valores máximos do atributo, servindo como limite superior para a calibração.
    * `maxIncluded` como um booleano que indica se o valor máximo deve ou não ser incluído.
* `cleanAction` como um objeto que inclui os detalhes de configuração associados à operação `CLEAN` .
  * `conditionAutoClean` como um objeto que inclui as configurações específicas do algoritmo de limpeza automática.
    * `targetAttribute` como uma string que representa os valores de Yield desejados.
    * `excludedAttributes` como um array de strings que define os atributos que não influenciam a operação de limpeza.
  * `conditionMinMaxClean` como um array de objetos que contém as regras de limpeza descritas. Cada objeto inclui os seguintes parâmetros:
    * cleanAttribute como uma string que especifica o nome da coluna à qual a regra se aplica.
    * `min` como um número que indica o valor mínimo.
    * `max` como um número que indica o valor máximo.

{% hint style="info" %}
Para visualizar as entradas e acessar os valores mais recentes disponíveis das enumerações (como `operations`), recomenda-se utilizar [Altair](https://docs.geopard.tech/geopard-tutorials/pt-br/documentacao-da-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Documentação do Altair: consulta YieldDataset

Como consumidor da API GeoPard, você pode recuperar detalhes sobre as correções aplicadas aos YieldDatasets por meio dos atributos `appliedCorrections` e `appliedCorrectionsVersion`. O primeiro fornece uma lista das correções realizadas (por exemplo, `CALIBRATE` e `CLEAN`), e a ordem de execução é indicada pela sequência no array. Já `appliedCorrectionsVersion` indica a versão do algoritmo utilizado.

{% 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/pt-br/documentacao-da-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.
