# Калибровка и очистка урожайности Используйте GeoPard для **очистки данных урожайности** и **калибровки наборов данных монитора урожайности**. Получите карту урожайности, которой можно доверять для зон, предписаний и аналитики. Этот рабочий процесс обрабатывает выбросы, развороты, отсутствующие атрибуты и данные по урожайности от нескольких комбайнов. В него включен **протокол очистки урожайности USDA** и поддерживает **альтернативные** рабочие процессы Yield Editor. {% embed url="" %} Видео-руководство по очистке и калибровке данных урожайности. Разница между опциями объяснена. {% endembed %} Этот процесс калибровки играет ключевую роль в: 1. **Обеспечении согласованности данных**: Не редкость, когда несколько комбайнов работают совместно или в разные дни. Эта функция гарантирует, что их данные согласованы и сопоставимы. 2. **Гомогенизации данных**: Данные урожайности могут быть разнообразными; калибровка делает их плавными и согласованными, без нежелательных всплесков или падений. 3. **Фильтрации шума**: Как и любые данные, данные урожайности могут содержать «шум» или нерелевантную информацию. Мы следим за тем, чтобы он не искажал ваши выводы. 4. **Упрощении геометрий**: Любые развороты или странные геометрические паттерны могут исказить реальные выводы. Калибровка призвана разгладить такие артефакты, чтобы данные действительно отражали реальность поля. 5. **Обрезке по границе поля**: Комбайны часто работают на соседних участках. Для точной аналитики важно учитывать только данные, расположенные внутри заданной границы поля. {% hint style="info" %} Интерфейс калибровки урожайности использует конечную точку API GeoPard для очистки/калибровки набора данных урожайности ([GeoPard API: Calibrate and Clean YieldDataset](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Он выполняет `КАЛИБРОВАТЬ` и `ОЧИСТИТЬ` операции в пользовательском интерфейсе или через API. {% endhint %} ## Краткий обзор

{% file src="" %} Скачать PDF-брошюру по очистке урожайности {% endfile %} ## Примеры из практики В сельском хозяйстве повреждённые наборы данных урожайности могут создавать серьёзные проблемы. Ниже приведены примеры из реального мира, где встречались такие наборы данных. Благодаря передовым алгоритмам GeoPard для калибровки и очистки эти данные были успешно улучшены и оптимизированы. {% hint style="info" %} Чтобы восполнить области без зарегистрированных данных урожайности и получить полную карту урожайности, рассмотрите подход GeoPard Synthetic Yield Map. Этот метод восстанавливает отсутствующие данные для полноценного анализа урожайности. Узнать больше [здесь](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Несколько комбайнов, работающих совместно

Пример 1: Несколько комбайнов, работающих совместно

{% hint style="info" %} При работе со сложными сценариями рекомендуется двухэтапный процесс калибровки для оптимальной точности. Начните с запуска начальной калибровки, используя атрибут Machine ID. Затем выполните второй этап калибровки, на этот раз используя опцию Simulated (Synthetic) Machine Paths. Такой поэтапный подход обеспечивает тщательную и точную калибровку, необходимую для эффективного управления сложными случаями. {% endhint %}

Пример 2: Несколько комбайнов, работающих совместно

Пример 3: Несколько комбайнов, работающих совместно

### Развороты J, остановки, использована половина ширины оборудования

Пример 1: Развороты U, остановки, использована половина ширины оборудования

Пример 2: Развороты U, остановки, использована половина ширины оборудования

### Аномально большие зарегистрированные значения

Пример 3: Аномально большие зарегистрированные значения

Пример 4: Аномально большие зарегистрированные значения

Пример 5: Аномально большие зарегистрированные значения

### Данные за пределами границ поля

### Калибровка с использованием предоставленного среднего значения урожайности

### Очистка атрибутов урожайности с игнорированием атрибутов с аномалиями В наборе данных урожайности иногда присутствуют атрибуты с нерегулярностями в влажности, скорости, высотах или других вторичных (не связанных с урожайностью) показателях. При выполнении операций Clean или Calibrate важно игнорировать эти аномалии. Это можно эффективно сделать с помощью интерфейса GeoPard Yield Clean-Calibrate.

Пример: очистка данных урожайности с игнорированием аномалий во влажности

### Протокол очистки урожайности USDA Используйте эту опцию, когда вам нужен **повторяемый, основанный на стандартах рабочий процесс редактора урожайности**. Он оптимизирован для **очистки данных монитора урожайности** в масштабе.

Пример: очистка данных урожайности с применением протокола USDA

## Объяснение логик калибровки ### Калибровка по полосам движения **ИСПОЛЬЗУЙТЕ** **Калибровка по полосам движения** когда поле убирается несколькими машинами или в течение нескольких дней, специально для коррекции систематических различий, таких как полосы или чередования. Это идеально для сценариев, когда разные настройки машин, операторы или условия приводят к постоянной завышенной или заниженной оценке по разным проходам. Крайне важно, что ИИ требует вариации — например, различных путей, идентификаторов машин или дат уборки — чтобы эффективно учиться и калибровать.

**НЕ ИСПОЛЬЗУЙТЕ** этот метод для уборки одним комбайном в одной непрерывной сессии или если на карте урожайности отсутствуют видимые пространственные паттерны. Также избегайте его, если данные разрежены или если у вас есть только итоговые значения урожайности на уровне поля без различий по машинам

Пример: статистически корректное распределение данных

### Калибровка по среднему или итогу **Калибровка по среднему/итогу ЛУЧШЕ ПРИМЕНЯЕТСЯ** когда у вас высокий уровень уверенности в общих данных по урожайности поля, например записи с весовой или со склада. Вместо корректировки отдельных проходов этот метод масштабирует весь набор данных так, чтобы итоговое среднее или общий итог соответствовали вашему известному эталонному значению. Часто это описывают как самый простой и безопасный вариант калибровки, когда общие цифры заслуживают доверия. Когда **ИСПОЛЬЗОВАТЬ калибровку по среднему/итогу:** * **Известные эталонные значения**: Эту логику следует применять, когда у вас есть официальные записи общего урожая (например, с весовой) или очень надёжное среднее значение урожайности по полю. * **Коррекция глобального смещения**: Это идеально, если пространственное распределение на карте урожайности выглядит правильно, но значения смещены глобально — то есть монитор урожайности, вероятно, не был откалиброван и показывает систематически завышенные или заниженные значения по всему полю. * **Однородные условия уборки**: Этот метод наиболее эффективен, когда условия уборки были относительно стабильными на протяжении всей операции. * **Согласованность одной машины**: Он хорошо подходит для уборок, выполненных одной машиной, работавшей стабильно по всему полю.

Пример: статистически корректное распределение данных с необходимым смещением с использованием среднего урожая

Когда **НЕ использовать калибровку по среднему/итогу:** * **Смещение между машинами**: Не используйте этот метод, если разные части поля убирались разными машинами или в разные дни, что привело к локализованным смещениям. В таких случаях масштабирование всего поля не устранит внутренние несоответствия между машинами. * **Видимые артефакты**: Если вы видите сильные полосы, чередования или направленные артефакты в данных, этот метод их не устранит; калибровка по путям лучше подходит для таких проблем. * **Неполные данные**: Избегайте этой логики, если была убрана только часть поля или если записанные данные неполны, так как общие/средние значения будут вводить в заблуждение.

### Условная калибровка **Условная калибровка** служит как контроль безопасности, обеспечивая, чтобы значения урожайности оставались в реалистичных, заранее заданных минимальных и максимальных пределах. Вы **ДОЛЖНЫ ИСПОЛЬЗОВАТЬ** эту логику, чтобыудалить экстремальные выбросы и всплески датчиков, вызванные шумом, остановками техники или разворотами. Это идеально для применения конкретных агрономических ожиданий — например «урожайность не может превышать X» — без проведения коррекции.

Однако, **ИЗБЕГАЙТЕ ЭТОГО МЕТОДА** если в вашем наборе данных присутствует глобальное смещение или систематические различия между машинами, поскольку он не масштабирует данные и не исправляет пространственные паттерны. По сути, он делает значения правдоподобными, но не устраняет базовые смещения калибровки. ## Стратегия использования

{% file src="" %} Скачать PDF-одностраничное руководство по калибровке урожайности {% endfile %} ## Первый шаг Модуль «Калибровка и очистка урожайности» запускается напрямую через пользовательский интерфейс. Основное требование — наличие загруженного набора данных урожайности. Рядом с каждым набором данных урожайности вы найдёте кнопку для начала корректировок набора данных.

Далее доступны несколько вариантов продолжения: 1. **Автообработка**: Используйте настройки по умолчанию, рекомендованные GeoPard, для калибровки в один клик. 2. **Только очистка**: Настройте и выполните только операцию CLEAN, включая 1. **GeoPard Cleaning**: Интеллектуальную очистку набора данных урожайности с помощью алгоритмов ИИ. 2. **USDA** (Протокол очистки урожайности Министерства сельского хозяйства США). 3. **Условная очистка**: Фильтрация данных на основе пользовательских порогов атрибутов. 3. **Только калибровка**: Настройте и выполните только операцию CALIBRATE, включая 1. **По путям**: Калибровку урожайности для каждого отдельного пути машины с использованием алгоритмов ИИ. 2. **Среднее/Итог**: Корректировку урожайности на основе известного среднего или общего урожая поля. 3. **Условная**: Изменение урожайности в пределах заданных минимальных и максимальных значений для поддержания ожидаемых диапазонов. 4. **Калибровать и очищать**: Выберите последовательность операций и настройте параметры. 5. **Альтернатива Yield Editor**: Используйте **Только очистка → USDA** (или **Калибровать и очищать**) чтобы соответствовать ручному рабочему процессу «Yield Editor», но в масштабе. В тестах валидации очистка по протоколу USDA совпадала с результатами ручной работы в Yield Editor с **R² (R2) = 0.98** (почти идентичный результат). ## Решение в один клик {% hint style="warning" %} **Подсказка по аномальным значениям, иногда присущим наборам данных урожайности.** Если выбранный для калибровки или очистки атрибут преимущественно **attribute** содержит **нулевые значения по большинству геометрий** **, эти геометрии будут исключены из итогового набора данных урожайности.**Для обеспечения целостности атрибуты с такими аномалиями следует исключать из списка атрибутов, подлежащих калибровке. Полное руководство {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Выберите поток: подсказка для аномалий данных {% hint style="warning" %} **рекомендуется рабочий процесс.** Если пользователь сталкивается с аномалиями в данных, такими как значения, равные или близкие к нулю, или необычно большие значения (например, среднее 10 при максимуме 8000), рекомендуется использовать **Рабочий процесс Очистка и Калибровка** Выберите поток: подсказка для данных без начальных ошибок Предпочтение очистки данных перед калибровкой гарантирует удаление ошибок, отсутствующих значений или несоответствий, что повышает качество и точность данных. {% endhint %} {% hint style="warning" %} **рабочий процесс.** Для наборов данных, изначально свободных от ошибок, отсутствующих значений или несоответствий, и когда известно, что задействованы несколько комбайнов, рассмотрите возможность использования **Калибровка и Очистка** Поток очистки: подсказка по аномальным значениям, иногда присущим наборам данных урожайности. Очистка данных после калибровки помогает дополнительно улучшить набор данных, потенциально устраняя артефакты, возникшие в процессе калибровки. {% endhint %} {% hint style="warning" %} **выбранный для калибровки или очистки атрибут преимущественно содержит** Если выбранный для калибровки или очистки атрибут преимущественно **attribute** нулевые значения по большинству геометрий **Для обеспечения целостности атрибуты с такими аномалиями следует исключать из списка атрибутов для очистки (2).**Для обеспечения целостности атрибуты с такими аномалиями следует исключать из списка атрибутов, подлежащих калибровке. Поток калибровки: подсказка по аномальным значениям, иногда присущим наборам данных урожайности. {% endhint %} {% hint style="warning" %} **Для обеспечения целостности атрибуты с такими аномалиями следует исключать из списка атрибутов для калибровки (3).** Если выбранный для калибровки или очистки атрибут преимущественно **attribute** содержит **нулевые значения по большинству геометрий** **, эти геометрии будут исключены из итогового набора данных урожайности.**Для обеспечения целостности атрибуты с такими аномалиями следует исключать из списка атрибутов, подлежащих калибровке. Версии алгоритма {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## После постобработки результаты отображаются рядом с исходным набором данных. Они отмечены "Calibrate" **"Clean"** и/или **метками, а также версией алгоритма.** Результат выполнения Calibrate & Clean (версия 2)

{% hint style="info" %} По `с версии алгоритма Clean/Calibrate 3.0 GeoPard вводит функцию обрезки по границе поля. Это сохраняет только геометрии внутри границы поля и улучшает статистическое распределение.` Результат выполнения Auto-Processing (версия 3.0) {% endhint %}

{% hint style="info" %} версии 4.0 `, алгоритм Clean/Calibrate в GeoPard теперь включает функцию калибровки на основе средних или суммарных значений для любого атрибута. Распространённым применением этого улучшения является калибровка WetMass, которую теперь можно корректировать по известному измеренному среднему урожаю для конкретного поля.`Результат выполнения калибровки с использованием среднего урожая 6 т/га (версия 4.0) {% endhint %}

{% hint style="info" %} По `с версии алгоритма Clean/Calibrate 5.0 GeoPard вводит протокол очистки USDA (Министерство сельского хозяйства США) для урожайности. USDA предоставляет официальные агрономические стандарты данных, которые определяют, как нормализуются, проверяются и статистически фильтруются измерения урожайности, влажности, потока и пространственные измерения для формирования согласованных с машинами и полями сельскохозяйственных наборов данных.` Результат выполнения очистки с использованием протокола USDA (версия 5.0) {% endhint %}