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

# 84. Mutație: Calibrează și curăță setul de date Yield

Apeluri API pentru curățarea și calibrarea seturilor de date Yield

Calibrarea „YieldDataset” este o funcționalitate care corectează distribuția valorilor în conformitate cu principiile matematice, îmbunătățind integritatea generală a datelor. Aceasta sporește calitatea procesului decizional și face setul de date valoros pentru analize aprofundate ulterioare.

Printre cazurile de utilizare obișnuite ale acestei funcționalități se numără:

* Sincronizarea datelor atunci când mai multe combine au lucrat simultan sau pe parcursul mai multor zile, pentru a asigura consecvența.
* Uniformizarea și îmbunătățirea preciziei setului de date prin atenuarea variațiilor.
* Eliminarea zgomotului din date și a informațiilor irelevante care pot estompa concluziile.
* Eliminarea întoarcerilor sau a geometriilor anormale, care pot denatura tiparele și tendințele reale din câmp.
* Ajustarea datelor privind randamentul pentru a corespunde mediilor sau totalurilor stabilite pentru fiecare atribut.

Pentru o prezentare mai detaliată și exemple, consultați [Cazul de utilizare „Calibrarea și curățarea randamentului”](https://docs.geopard.tech/geopard-tutorials/ro/agronomie/yield-and-trials/yield-calibration-and-cleaning.md) .

### YieldDataset original cu atributul WetMass

Cinci combine au lucrat în paralel pe parcela de 30 ha prezentată mai jos. Calibrarea uneia dintre combine nu a fost sincronizată cu celelalte, ceea ce a dus la apariția unor <mark style="color:portocaliu;">pete portocalii</mark> , care indică faptul că este necesară o `CALIBRATION` suplimentară. În plus, există numeroase trasee de întoarcere, marcate cu <mark style="color:roșu;">roșu</mark> în apropierea marginilor „câmpului”, care trebuie eliminate.

<figure><img src="https://1279602871-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 cu atributul WetMass</p></figcaption></figure>

### YieldDataset calibrat și curățat, cu atributul WetMass

Rezultatul de mai jos prezintă setul de date după aplicarea automată a operațiilor `CALIBRATE` și `CLEAN` cu parametrii impliciți. „YieldDataset” rezultat este uniform, fără valori aberante sau schimbări bruște între geometriile învecinate.

<figure><img src="https://1279602871-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 calibrat și curățat, cu atributul WetMass</p></figcaption></figure>

### Opțiunile Pathwise, Average/Total și Conditional

**Calibrarea Pathwise** corespunde traseelor utilajului. Fiecare traseu al utilajului este procesat ca regiune individuală în scopul calibrării. Echipa GeoPard recomandă utilizarea acestei metode ca abordare standard.

**Calibrarea Average/Total** se concentrează pe redistribuirea valorilor atributelor. Această metodă este utilă dacă tiparele geospațiale sunt corecte, dar valorile absolute diferă de cele reale. Pentru rezultate optime, GeoPard recomandă combinarea ei cu calibrarea Pathwise: aplicați mai întâi Pathwise, apoi ajustați valorile pentru a corespunde valorilor Average/Total cunoscute.

**Calibrarea Conditional** ajustează valorile atributelor pe baza pragurilor minime și maxime furnizate. Această metodă este deosebit de utilă când tiparele geospațiale sunt precise, dar distribuția valorilor necesită ajustări, mai ales dacă sunt cunoscute valorile minime și maxime. Pentru rezultate optime, GeoPard recomandă combinarea ei cu calibrarea Pathwise: începeți cu Pathwise, apoi ajustați valorile pentru a corespunde valorilor minime și maxime cunoscute.

### Recomandări

{% hint style="warning" %}
**Recomandare pentru anomalii în date**

Dacă utilizatorul observă anomalii în date, cum ar fi valori egale sau apropiate de zero ori valori neobișnuit de mari (de exemplu, o medie de 10 și o valoare maximă de 8000), se recomandă fluxul de lucru **„Curățare și calibrare”** configurat cu parametrii `actions: [CLEAN, CALIBRATE]`.

Prioritizarea curățării datelor înainte de calibrare asigură eliminarea erorilor, a valorilor lipsă sau a inconsecvențelor, îmbunătățind astfel calitatea și precizia datelor.
{% endhint %}

{% hint style="warning" %}
**Recomandare pentru date fără erori inițiale**

Pentru seturile de date care nu conțin inițial erori, valori lipsă sau inconsecvențe, și când se știe că au fost implicate mai multe combine, luați în considerare fluxul de lucru **„Calibrare și curățare”** configurat cu parametrii `actions: [CALIBRATE, CLEAN]`.

Curățarea datelor după calibrare ajută la rafinarea suplimentară a setului de date, eliminând eventualele artefacte introduse în timpul calibrării.
{% endhint %}

### Documentație: detalii despre mutație

Configurația standard implicită activează calibrarea și curățarea automată a „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 %}

Un exemplu mai avansat permite controlul manual al intervalelor minime/maxime și include atribute suplimentare.

{% 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" %}
Pentru a respecta protocolul USDA pentru operația `CLEAN` , trebuie fie să menționați TOATE coloanele în `cleanAction` -> `conditionMinMaxClean` fie să specificați o parte dintre ele în `cleanAction` -> `conditionMinMaxClean` iar pe cele rămase în `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Parametri de intrare:

* `actions` sub formă de tablou, care vă permite să alegeți *acțiunile de corectare și ordinea în care* se aplică; valorile acceptate includ `CLEAN` și `CALIBRATE`.
* `calibrateAction` sub formă de obiect care conține detalii de configurare pentru operația `CALIBRATE` .
  * `calibrationAttributes` ca un tablou de atribute care necesită calibrare, de obicei asociate coloanei Yield.
  * `smoothWindowSize` ca număr întreg impar care netezește valorile rezultate, reducând variațiile bruște.
  * `conditionPathwiseCalibration` ca obiect cu **calibrarea pe traseu** corespunde urmelor lăsate de utilaj. În scopul calibrării, fiecare urmă a utilajului este procesată ca o regiune individuală.
    * `calibrationBasis` ca șir de caractere care reprezintă atributul folosit ca bază pentru calibrare.
    * `maxHomogeneityRegion` ca valoare booleană care indică dacă regiunea cu omogenitate maximă este folosită ca regiune de referință pentru calibrare.
    * `syntheticMachinePath` ca valoare booleană care indică simularea traseelor utilajului. Este utilă când atributul care indică traseul exact al utilajului lipsește și trebuie simulat pe baza marcajelor temporale sau a unui atribut similar.
  * `conditionAvgTotalCalibration` ca obiect cu **calibrarea mediei/totalului** se concentrează pe redistribuirea valorilor atributelor. Această metodă este utilă dacă tiparele geospațiale sunt corecte, dar valorile absolute diferă de cele reale.
    * `calibrationAttribute` ca șir de caractere care reprezintă atributul de calibrat.
    * `average` ca număr care reprezintă valoarea medie a atributului; valorile atributului trebuie să corespundă acestei medii. Se utilizează o singură opțiune — fie `average` fie `total`.
    * `total` ca număr care reprezintă suma totală a valorilor atributului; suma acestor valori trebuie să corespundă totalului. Se utilizează o singură opțiune — fie `average` fie `total`.
  * `conditionMinMaxCalibration` ca obiect cu **calibrarea condițională** ajustează valorile atributelor pe baza pragurilor minime și maxime specificate.
    * `calibrationAttribute` ca șir de caractere care reprezintă atributul de calibrat.
    * `min` ca număr care reprezintă valorile minime ale atributului și servește drept limită inferioară pentru calibrare.
    * `minIncluded` ca valoare booleană care indică dacă se include valoarea minimă
    * `max` ca număr care reprezintă valorile maxime ale atributului și servește drept limită superioară pentru calibrare.
    * `maxIncluded` ca valoare booleană care indică dacă se include valoarea maximă.
* `cleanAction` ca obiect care include detaliile de configurare asociate operației `CLEAN` .
  * `conditionAutoClean` ca obiect care include configurațiile specifice algoritmului de curățare automată.
    * `targetAttribute` ca șir de caractere care reprezintă valorile Yield țintă.
    * `excludedAttributes` ca o matrice de șiruri de caractere care definesc atributele ce nu influențează operațiunea de curățare.
  * `conditionMinMaxClean` ca o matrice de obiecte care conțin regulile de curățare descrise; fiecare obiect include următorii parametri.
    * cleanAttribute ca șir de caractere care specifică numele coloanei pentru regulă.
    * `min` ca număr care indică valoarea minimă.
    * `max` ca număr care indică valoarea maximă.

{% hint style="info" %}
Pentru a vedea intrările și a accesa cele mai recente valori disponibile pentru enumerări (cum ar fi `operations`), se recomandă să utilizați [documentația Altair](https://docs.geopard.tech/geopard-tutorials/ro/documentatie-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Documentația Altair: interogarea YieldDataset

În calitate de utilizator al API-ului GeoPard, puteți prelua detalii despre corecțiile aplicate seturilor de date YieldDataset prin intermediul atributelor `appliedCorrections` și `appliedCorrectionsVersion`. Primul oferă o listă a corecțiilor efectuate (de exemplu, `CALIBRATE` și `CLEAN`), iar ordinea executării este indicată de succesiunea lor în matrice. Între timp, `appliedCorrectionsVersion` indică versiunea algoritmului utilizat.

{% 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/ro/documentatie-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.
