> 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/ru/agronomiya/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Сравнение данных почвенного сканера между годами

В этой статье описываются различные математические методы для количественной оценки различий между наборами данных почвенного сканера и улучшения принятия решений для исследователей и агрономов.

Сканеры почвы — важные инструменты точного земледелия: они позволяют собирать данные с высоким разрешением о свойствах почвы, таких как влажность, содержание органического вещества и уровень питательных веществ. Сравнение двух наборов данных сканирования почвы необходимо, чтобы понять изменения с течением времени, проверить разные методы сканирования или откалибровать новые приборы. В этой статье рассматриваются различные математические подходы к измерению расхождений между двумя наборами данных сканирования почвы, которые помогут исследователям и агрономам получить полезные для практики выводы.

### Понимание расхождений в данных сканирования почвы

Расхождение между двумя наборами данных сканирования почвы — это различие в измеренных значениях в одних и тех же точках. Оно может возникать из-за различий в условиях измерения, калибровке датчиков или динамике почвы. К наиболее распространённым видам расхождений относятся:

* Абсолютные различия: непосредственное вычитание значений одного набора данных из другого.
* Относительные различия: сравнение с учётом величины измерений.
* Метрики погрешности: статистические показатели, например средняя абсолютная ошибка (MAE) и нормализованная разность.

Были выбраны два набора данных сканирования почвы по содержанию калия за 2024 и 2025 годы.

<figure><img src="https://3851418964-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>Исходные наборы данных сканирования почвы</p></figcaption></figure>

### Выбор подходящего метода оценки расхождений

| Метод                                       | Лучше всего подходит для                                               |
| ------------------------------------------- | ---------------------------------------------------------------------- |
| Прямая разность                             | Простой наглядной демонстрации положительных и отрицательных изменений |
| Относительная разность                      | Сравнения наборов данных с разным масштабом                            |
| Нормализованная разность                    | Стандартизированного анализа разных наборов данных                     |
| Относительное отклонение                    | Сравнения пропорциональных различий; полезно для анализа тенденций     |
| Средняя абсолютная ошибка (MAE) по пикселям | Выявления участков с большими абсолютными различиями                   |

### Расчёт прямой разности

При использовании метода прямой разности из одного набора данных просто вычитается другой, чтобы наглядно показать изменения свойств почвы.

Описание использования `geopard.calculate_difference(dataset_1, dataset_2)` и параметров приведено [здесь](https://docs.geopard.tech/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Преимущества:

* Наглядно показывает положительные и отрицательные изменения.
* Прост в интерпретации и визуализации.

Недостатки:

* Значения разности может быть трудно сравнивать, если наборы данных имеют разный масштаб.
* Большой разброс значений может затруднить интерпретацию.

<figure><img src="https://3851418964-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>Расчёт прямой разности</p></figcaption></figure>

### Расчёт относительной разности

Метод относительной разности рассчитывает процентное изменение между наборами данных относительно второго набора, предлагая иной способ оценки расхождений.

Описание использования `geopard.calculate_relative_difference(dataset_1, dataset_2)` и параметров приведено [здесь](https://docs.geopard.tech/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Преимущества:

* Помогает понять, насколько изменился один набор данных относительно другого.
* Нормализует различия при неодинаковых величинах значений.

Недостатки:

* Результаты могут стать нестабильными, если значения во втором наборе данных близки к нулю.
* Менее нагляден, когда важны абсолютные различия.

<figure><img src="https://3851418964-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>Расчёт относительной разности</p></figcaption></figure>

### Расчёт нормализованной разности

Метод нормализованной разности сначала нормализует наборы данных относительно их глобального максимального значения, а затем вычисляет разность. Благодаря этому вариации можно сравнивать при разных масштабах.

Описание использования `geopard.calculate_normalized_difference(dataset_1, dataset_2)` и параметров приведено [здесь](https://docs.geopard.tech/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Преимущества:

* Эффективен для наборов данных с разным динамическим диапазоном.
* Снижает влияние экстремальных значений.

Недостатки:

* Если масштабирование выполнено неправильно, небольшие различия могут казаться преувеличенными.

<figure><img src="https://3851418964-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>Расчёт нормализованной разности</p></figcaption></figure>

### Относительное отклонение на пиксель

Метод относительного отклонения рассчитывает отклонение в процентах относительно первого набора данных. Он помогает оценивать пропорциональные, а не абсолютные различия.

Использование `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` и описание параметров задокументированы [здесь](https://docs.geopard.tech/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Преимущества:

* Подходит для сравнения наборов данных с разными масштабами.
* Выражает отклонение в понятном формате процентов.

Недостатки:

* Может вводить в заблуждение, если исходные значения очень малы.

<figure><img src="https://3851418964-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>Относительное отклонение на пиксель</p></figcaption></figure>

### Средняя абсолютная ошибка (MAE) по пикселям

Метод средней абсолютной ошибки (MAE) измеряет абсолютные различия между соответствующими значениями в двух наборах данных. Он наглядно показывает, где возникают наибольшие расхождения.

Использование `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` и описание параметров задокументированы [здесь](https://docs.geopard.tech/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Преимущества:

* Простой и интуитивно понятный метод.
* Наглядно показывает большие различия.
* Хорошо подходит для наборов данных с близкими масштабами.

Недостатки:

* Не показывает направление различия (то есть, положительное или отрицательное изменение).
* Чувствителен к выбросам.

<figure><img src="https://3851418964-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>Средняя абсолютная ошибка (MAE) по пикселям</p></figcaption></figure>

### Заключение

Для выявления значимых различий при сравнении данных почвенных сканеров требуется применять различные математические методы. Будь то абсолютные метрики, например MAE, относительные отклонения или нормализованные сравнения — выбор подходящего метода зависит от задачи. Применяя эти методы, агрономы и исследователи могут улучшить анализ почвы, выявлять различия на полях и совершенствовать рабочие процессы точного земледелия.


---

# 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/ru/agronomiya/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.
