# Сравнение наборов данных урожайности

## Контекст

Современное сельскохозяйственное принятие решений в значительной степени опирается на наборы данных урожайности (Yield Datasets), которые отражают собранные показатели урожая и составляют основную часть дохода производителя. Эти наборы данных должны быть точными и высокого качества, чтобы информировать решения по управлению внекорневыми ресурсами и оптимизировать будущие стратегии посева и удобрения.

Данные об урожайности обычно собираются уборочной техникой, однако исходные показания часто неполны, содержат ошибки или требуют калибровки для устранения несогласованностей датчиков и переменных полевых условий. Для преодоления этих проблем специалисты зачастую применяют методы очистки, калибровки и синтетической генерации наборов данных, чтобы получить надежные и сопоставимые данные об урожайности.

Оба[ Очистка и калибровка урожайности](/geopard-tutorials/ru/agronomiya/kalibrovka-i-ochistka-urozhainosti.md) и [Синтетическое восстановление данных об урожайности](/geopard-tutorials/ru/agronomiya/sinteticheskaya-karta-urozhainosti.md) поддерживаются GeoPard.

<mark style="color:по умолчанию;background-color:yellow;">Сравнение наборов данных урожайности за разные годы дает ценные инсайты, помогает проверить эффективность методов управления, подтвердить точность датчиков и улучшить стратегии на предстоящие сезоны.</mark> Эти сравнения также помогают уточнить рекомендации по удобрениям и нормам высева, гарантируя, что каждое решение основывается на надежной информации.

## Подход к сравнению (с использованием уравнения сходства)

Для количественного сравнения наборов данных по урожайности мы используем заранее сохраненное уравнение с именем <mark style="color:по умолчанию;background-color:yellow;">Пространственный корреляционный анализ (сходство слоёв данных)</mark> которое измеряет сходство между атрибутами, связанными с урожайностью, из наборов данных по урожайности в пространственном разрезе.

Это уравнение присваивает показатель сходства, показывающий, насколько один набор данных совпадает с другим по пространственной структуре и распределению значений.&#x20;

<figure><img src="/files/0b065a9a0ba15ccb862d1621835a4dda4ac91fe9" alt=""><figcaption><p>Поиск существующего уравнения сходства слоёв данных</p></figcaption></figure>

<mark style="color:по умолчанию;background-color:yellow;">Значения сходства варьируются от 0 до 1, где 0 означает отсутствие совпадения, а 1 указывает на 100% пространственное совпадение значений</mark>. Иными словами, чем ближе показатель сходства к 1, тем более схожи атрибуты урожайности.&#x20;

## **Реальный набор данных урожайности (2015** Соевые бобы **против 2018** Соевые боб&#x44B;**)**

В этом случае мы начинаем с исходных данных об урожайности, собранных в двух разных вегетационных сезонах 2015 и 2018 годов для одной и той же культуры — соевых бобов. Исходные наборы данных содержат аномально высокие и низкие значения, особенно в начале/конце проходов комбайна, и данные требуют небольшой перекалибровки.

После применения инструментов GeoPard для очистки и калибровки полученный набор данных становится более однородным, последовательным и легче интерпретируемым.

<figure><img src="/files/e3b1b75c71841c5c8b5664be5b33545398eda97a" alt=""><figcaption><p>Соевые бобы 2015: исходные данные против очищенных и откалиброванных данных урожайности</p></figcaption></figure>

<figure><img src="/files/bfcbd014a36a9e83be01f5662af4edd42dd9b592" alt=""><figcaption><p>Соевые бобы 2018: исходные данные против очищенных и откалиброванных данных урожайности</p></figcaption></figure>

Ниже приведена карта выполнения уравнения сходства в виде скриншота.

С точки зрения статистики, это показывает высокий средний показатель (0,869) и медиану (0,876), что указывает на то, <mark style="color:по умолчанию;background-color:yellow;">что закономерности урожайности сои 2018 года сильно напоминают показатели 2015 года</mark>. Хотя в некоторых зонах значение опускается до 0,599, низкая дисперсия (0,005) и умеренное стандартное отклонение (0,073) подтверждают, <mark style="color:по умолчанию;background-color:yellow;">общую согласованность</mark>.&#x20;

С агрономической точки зрения, <mark style="color:по умолчанию;background-color:yellow;">эта стабильность предполагает, что базовые условия поля и его реакция на методы управления в значительной степени не изменились</mark>.

<figure><img src="/files/08201a38999da6a000c36ee70303b5e80fc960f1" alt=""><figcaption><p>Сравнение сходства урожайности: соя 2015 vs соя 2018</p></figcaption></figure>

## **Реальный набор данных урожайности (2022** Кукуруза **против 2024** Кукуруз&#x430;**)**

В этом сценарии мы начинаем с исходных данных об урожайности за два кукурузных сезона — 2022 и 2024 годы. Исходные наборы содержат аномалии, такие как аномально высокие или низкие показания, пересекающиеся проходы и изогнутые траектории, что указывает на необходимость перекалибровки датчиков.&#x20;

После применения инструментов GeoPard для очистки и калибровки наборы данных становятся более надежными, что позволяет автоматизировать анализ и принимать обоснованные решения.

<figure><img src="/files/d694686ee4728faafe7c4806888d3841ec0bedc0" alt=""><figcaption><p>Кукуруза 2022: исходные данные против очищенных и откалиброванных данных урожайности</p></figcaption></figure>

<figure><img src="/files/8828447b30b17dfdefbe4ed3554158fa40ab475f" alt=""><figcaption><p>Кукуруза 2024: исходные данные против очищенных и откалиброванных данных урожайности</p></figcaption></figure>

Ниже приведена карта выполнения уравнения сходства в виде скриншота.

С точки зрения статистики, среднее значение 0,791 и медиана 0,799 показывают, что <mark style="color:по умолчанию;background-color:yellow;">урожайность кукурузы 2024 в целом схожа с 2022 годом</mark>, хотя зоны с показателями до 0,413 указывают на вариабельность. Стандартное отклонение 0,115 подтверждает, <mark style="color:по умолчанию;background-color:yellow;">наличие некоторых различий по полю</mark>.

С агрономической точки зрения, <mark style="color:по умолчанию;background-color:yellow;">постоянные шаблоны указывают на стабильные условия и эффективное управление во времени</mark>. Однако локализованные <mark style="color:по умолчанию;background-color:yellow;">зоны с пониженным сходством могут потребовать целевых корректировок для улучшения будущей урожайности</mark>.

<figure><img src="/files/1dd3fff0d60b1b46fd7b614b02c600b01ce82ae2" alt=""><figcaption><p>Сравнение сходства урожайности: кукуруза 2022 vs кукуруза 2024</p></figcaption></figure>

## **Синтетический против реального набора данных урожайности (2023** Рапс)

В этом сценарии мы начинаем с исходного набора данных урожайности за сезон рапса 2023 года и синтетически сгенерированного набора данных урожайности для той же культуры и того же года 2023. <mark style="color:по умолчанию;background-color:yellow;">Цель — оценить пространственную точность реальной по сравнению с синтетической урожайностью, что дает возможность заполнить незарегистрированные данные, устранить пробелы в данных об урожайности и исправить аномалии с помощью синтетических значений</mark>. В реальном наборе данных урожайности есть проблемы, такие как аномально высокие или низкие показания, пересекающиеся проходы, изогнутые траектории и нулевые проходы, все это указывает на необходимость перекалибровки датчиков.

После применения GeoPard [Очистки и калибровки](/geopard-tutorials/ru/agronomiya/kalibrovka-i-ochistka-urozhainosti.md) к реальным данным об урожайности и генерации [синтетической урожайности](/geopard-tutorials/ru/agronomiya/sinteticheskaya-karta-urozhainosti.md) для рапса мы можем инициировать содержательное сравнение их сходства.

<figure><img src="/files/6d074ebe6cf619b6e72949472e7f4ce1f835b095" alt=""><figcaption><p>Рапс 2023: исходные данные против очищенных и откалиброванных данных урожайности</p></figcaption></figure>

<figure><img src="/files/f70b9ba889c4e3d0bfac7616664dfe67560d1fc4" alt=""><figcaption><p>Синтетическая урожайность рапса 2023</p></figcaption></figure>

Ниже приведена карта выполнения уравнения сходства в виде скриншота.

С точки зрения статистики, высокие средние (0,889) и медианные (0,904) показатели указывают на то, что <mark style="color:по умолчанию;background-color:yellow;">в целом синтетический набор данных урожайности хорошо соответствует пространственным шаблонам реальной урожайности рапса 2023 года</mark>. Хотя в одной зоне значение опускается до 0,291, низкая дисперсия (0,006) и умеренное стандартное отклонение (0,08) свидетельствуют о том, что <mark style="color:по умолчанию;background-color:yellow;">большинство частей поля хорошо согласованы между реальными и синтетическими наборами данных, с очень небольшим количеством выбросов</mark>.

С агрономической точки зрения, это сильное сходство предполагает, что <mark style="color:по умолчанию;background-color:yellow;">синтетические данные об урожайности могут служить надежным заместителем реальных полевых условий</mark>, что укрепляет уверенность в использовании моделированных сценариев для управления решениями. <mark style="color:по умолчанию;background-color:yellow;">Агрономические практики, отраженные в реальных данных об урожайности, хорошо захватываются моделью синтетической урожайности</mark>, что позволяет более обоснованно и последовательно планировать будущие стратегии управления.

<figure><img src="/files/6a6791d799ba0aa8d10d3ead1a000a7b05e9c653" alt=""><figcaption><p>Сравнение сходства урожайности рапса: фактический 2023 vs синтетический 2023</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/sravnenie-naborov-dannykh-urozhainosti.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.