Сравнение наборов данных урожайности

Сравнивайте наборы данных урожайности, чтобы глубже понимать продуктивность культуры по сезонам, включая правильную очистку и калибровку урожайности, а также использование синтетической 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 и Синтетическое восстановление данных об урожайности поддерживаются GeoPard.

Сравнение наборов данных урожайности за разные годы дает ценные инсайты, помогает проверить эффективность методов управления, подтвердить точность датчиков и улучшить стратегии на предстоящие сезоны. 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 Пространственный корреляционный анализ (сходство слоёв данных) 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.

Значения сходства варьируются от 0 до 1, где 0 означает отсутствие совпадения, а 1 указывает на 100% пространственное совпадение значений. Иными словами, чем ближе показатель сходства к 1, тем более схожи атрибуты урожайности.

Реальный набор данных урожайности (2015 Соевые бобы против 2018 Соевые бобы)

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.

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, что закономерности урожайности сои 2018 года сильно напоминают показатели 2015 года. Хотя в некоторых зонах значение опускается до 0,599, низкая дисперсия (0,005) и умеренное стандартное отклонение (0,073) подтверждают, общую согласованность.

С агрономической точки зрения, эта стабильность предполагает, что базовые условия поля и его реакция на методы управления в значительной степени не изменились.

Реальный набор данных урожайности (2022 Кукуруза против 2024 Кукуруза)

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.

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

Ниже приведена карта выполнения уравнения сходства в виде скриншота.

С точки зрения статистики, среднее значение 0,791 и медиана 0,799 показывают, что урожайность кукурузы 2024 в целом схожа с 2022 годом, хотя зоны с показателями до 0,413 указывают на вариабельность. Стандартное отклонение 0,115 подтверждает, наличие некоторых различий по полю.

С агрономической точки зрения, постоянные шаблоны указывают на стабильные условия и эффективное управление во времени. Однако локализованные зоны с пониженным сходством могут потребовать целевых корректировок для улучшения будущей урожайности.

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. 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. 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 к реальным данным об урожайности и генерации синтетической урожайности для рапса мы можем инициировать содержательное сравнение их сходства.

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 в целом синтетический набор данных урожайности хорошо соответствует пространственным шаблонам реальной урожайности рапса 2023 года. Хотя в одной зоне значение опускается до 0,291, низкая дисперсия (0,006) и умеренное стандартное отклонение (0,08) свидетельствуют о том, что большинство частей поля хорошо согласованы между реальными и синтетическими наборами данных, с очень небольшим количеством выбросов.

С агрономической точки зрения, это сильное сходство предполагает, что синтетические данные об урожайности могут служить надежным заместителем реальных полевых условий, что укрепляет уверенность в использовании моделированных сценариев для управления решениями. Агрономические практики, отраженные в реальных данных об урожайности, хорошо захватываются моделью синтетической урожайности, что позволяет более обоснованно и последовательно планировать будущие стратегии управления.

ПредыдущаяСценарий использования: дифференцированное внесение азота (VRA) для картофеля, чтобы получить на 5–10% больше урожая СледующаяСравнение данных почвенного сканера между годами

Последнее обновление 1 год назад

Это было полезно?