> 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/yield-and-trials/comparing-yield-datasets.md).

# Сравнение наборов данных урожайности

Сравнивайте наборы данных урожайности, чтобы глубже понимать продуктивность культуры по сезонам, включая правильную очистку и калибровку урожайности и использование Synthetic Yield.

## Контекст

Современное принятие решений в сельском хозяйстве во многом опирается на наборы данных об урожайности, отражающие собранный урожай и составляющие значительную часть дохода аграриев. Эти данные должны быть точными и высококачественными, чтобы служить основой для решений по управлению производственными ресурсами и оптимизации стратегий посева и внесения удобрений в будущем.

Данные об урожайности обычно собирает уборочная техника, однако исходные показания часто бывают неполными, содержат ошибки или требуют калибровки из-за несогласованности показаний датчиков и различий в условиях на полях. Чтобы справиться с этими проблемами, специалисты обычно применяют очистку и калибровку данных, а также методы создания синтетических наборов данных, получая надежные и сопоставимые данные об урожайности.

И очистка[ и калибровка данных об урожайности](https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) и [синтетическое восстановление данных об урожайности](https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/yield-and-trials/synthetic-yield-map.md) поддерживаются GeoPard.

<mark style="background-color:yellow;">Сравнение наборов данных об урожайности за разные годы выращивания культур дает ценную информацию: помогает проверить методы управления хозяйством, подтвердить точность датчиков и улучшить стратегии на предстоящие сезоны.</mark> Такое сравнение также помогает уточнить рекомендации по внесению удобрений и нормам высева, чтобы каждое решение основывалось на достоверных данных.

## Метод сравнения (с использованием уравнения сходства)

Для количественного сравнения наборов данных об урожайности мы используем предварительно сохраненное уравнение под названием <mark style="background-color:yellow;">Пространственный корреляционный анализ (сходство слоев данных)</mark> которое позволяет пространственно оценить сходство атрибутов урожайности в разных наборах данных.

Уравнение присваивает показатель сходства, отражающий, насколько близки пространственные закономерности и распределение значений в двух наборах данных.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Найдите существующее уравнение «Сходство слоев данных»</p></figcaption></figure>

<mark style="background-color:yellow;">Значения сходства лежат в диапазоне от 0 до 1: 0 означает отсутствие совпадения, а 1 — полное совпадение значений и их пространственного распределения</mark>. Иными словами, чем ближе показатель сходства к 1, тем больше сходство атрибутов урожайности.

## **Фактические данные об урожайности (2015** Соя **и 2018** Со&#x44F;**)**

В этом примере мы берем исходные данные об урожайности, собранные в два разных сезона — 2015 и 2018 годы, когда выращивалась одна и та же культура, соя. В исходных наборах данных есть аномально высокие и низкие значения, особенно в начале и конце проходов комбайна; также требуется небольшая перекалибровка данных.

После применения инструментов GeoPard для очистки и калибровки набор данных становится более однородным, согласованным и удобным для интерпретации.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Соя, 2015: исходные и очищенные и откалиброванные данные об урожайности</p></figcaption></figure>

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Соя, 2018: исходные и очищенные и откалиброванные данные об урожайности</p></figcaption></figure>

Ниже показана карта выполнения уравнения сходства.

С точки зрения статистики, высокие среднее (0,869) и медиана (0,876) показывают, что <mark style="background-color:yellow;">пространственные закономерности урожайности сои в 2018 году во многом совпадают с закономерностями 2015 года</mark>. Хотя в некоторых зонах показатель снижается до 0,599, небольшая вариация (0,005) и умеренное стандартное отклонение (0,073) подтверждают <mark style="background-color:yellow;">общую согласованность</mark>.

С агрономической точки зрения, <mark style="background-color:yellow;">такая стабильность указывает на то, что исходные условия поля и реакция на применяемые методы управления в целом остались неизменными</mark>.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Сравнение сходства урожайности: соя, 2015 и соя, 2018</p></figcaption></figure>

## **Фактические данные об урожайности (2022** Кукуруза **и 2024** Кукуруз&#x430;**)**

В этом примере мы берем исходные данные об урожайности кукурузы за два сезона — 2022 и 2024 годы. В исходных наборах данных есть аномальные значения, например чрезмерно высокие или низкие показания, пересекающиеся проходы и изогнутые траектории, что указывает на необходимость перекалибровки датчиков.

После применения инструментов GeoPard для очистки и калибровки данные становятся надежнее, что позволяет проводить автоматизированный анализ и принимать обоснованные решения.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Кукуруза, 2022: исходные и очищенные и откалиброванные данные об урожайности</p></figcaption></figure>

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Кукуруза, 2024: исходные и очищенные и откалиброванные данные об урожайности</p></figcaption></figure>

Ниже показана карта выполнения уравнения сходства.

С точки зрения статистики, среднее значение 0,791 и медиана 0,799 показывают, что <mark style="background-color:yellow;">урожайность кукурузы в 2024 году во многом сходна с урожайностью 2022 года</mark>, хотя значения в некоторых зонах снижаются до 0,413, что указывает на вариативность. Стандартное отклонение 0,115 подтверждает <mark style="background-color:yellow;">наличие некоторых различий по полю</mark>.

С агрономической точки зрения, <mark style="background-color:yellow;">устойчивые закономерности указывают на стабильные условия и эффективное управление хозяйством с течением времени</mark>. Однако в локальных зонах <mark style="background-color:yellow;">с низким сходством могут потребоваться адресные корректировки, чтобы повысить урожайность в будущем</mark>.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Сравнение сходства урожайности: кукуруза, 2022 и кукуруза, 2024</p></figcaption></figure>

## **Синтетические и фактические данные об урожайности (2023** Рапс)

В этом примере мы берем исходный набор данных об урожайности рапса за сезон 2023 года и синтетически созданный набор данных об урожайности той же культуры за тот же 2023 год. <mark style="background-color:yellow;">Цель — оценить пространственную точность реальной и синтетической урожайности, чтобы выявить возможность заполнения пропущенных данных, устранить пробелы в данных об урожайности и скорректировать аномалии с помощью синтетических значений</mark>. В наборе данных о реальной урожайности встречаются аномально высокие и низкие показания, поперечные проходы, криволинейные траектории и проходы с нулевой урожайностью — всё это указывает на необходимость повторной калибровки датчика.

После применения инструмента GeoPard [«Очистка и калибровка»](https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) к данным о реальной урожайности и создания [синтетических данных об урожайности](https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/yield-and-trials/synthetic-yield-map.md) для рапса можно провести содержательное сравнение степени их сходства.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Рапс, 2023: исходные данные об урожайности и данные после очистки и калибровки</p></figcaption></figure>

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>Синтетические данные об урожайности рапса, 2023</p></figcaption></figure>

Ниже показана карта выполнения уравнения сходства.

С точки зрения статистики, высокие среднее значение (0,889) и медиана (0,904) показывают, что <mark style="background-color:yellow;">в целом пространственное распределение синтетической урожайности близко к распределению реальной урожайности рапса за 2023 год</mark>. Хотя в одной зоне значение снижается до 0,291, небольшой разброс (0,006) и умеренное стандартное отклонение (0,08) свидетельствуют о том, что <mark style="background-color:yellow;">на большей части поля реальные и синтетические данные хорошо совпадают, а отклонений очень мало</mark>.

С агрономической точки зрения такое высокое сходство означает, что <mark style="background-color:yellow;">синтетические данные об урожайности могут служить надёжной заменой данным о реальных условиях на поле</mark>, что подтверждает надёжность использования смоделированных сценариев при принятии решений. <mark style="background-color:yellow;">Синтетическая модель урожайности хорошо отражает агротехнические практики, зафиксированные в данных о реальной урожайности</mark>, помогая обоснованнее и последовательнее планировать дальнейшее управление хозяйством.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Сравнение сходства урожайности рапса: фактические данные за 2023 год и синтетические данные за 2023 год</p></figcaption></figure>


---

# 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/yield-and-trials/comparing-yield-datasets.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.
