> 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/dokumentaciya-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Мутация: откалибровать и очистить YieldDataset

API-вызовы для очистки и калибровки наборов данных урожайности

Калибровка «YieldDataset» корректирует распределение значений в соответствии с математическими принципами и повышает целостность данных. Это улучшает качество принимаемых решений и делает набор данных ценным источником для дальнейшего углублённого анализа.

Эту функцию обычно используют, чтобы:

* Синхронизировать данные, когда несколько комбайнов работали одновременно или в разные дни, обеспечив согласованность результатов.
* Сгладить различия, сделав набор данных более однородным и точным.
* Удалить шум и лишнюю информацию, которые мешают выявлять закономерности.
* Устранить развороты и аномальные геометрии, которые могут искажать фактические закономерности и тенденции на поле.
* Скорректировать данные об урожайности с учётом установленных средних значений или итоговых показателей для каждого атрибута.

Подробнее о возможностях функции и примерах её использования см. в описании нашего сценария [«Калибровка и очистка данных об урожайности»](https://docs.geopard.tech/geopard-tutorials/ru/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) .

### Исходный YieldDataset с атрибутом WetMass

На показанном ниже поле площадью 30 га одновременно работали пять комбайнов. Калибровка одного из них не была синхронизирована с калибровками остальных, поэтому появились <mark style="color:оранжевый;">оранжевые</mark> пятна, указывающие на необходимость дополнительной операции `CALIBRATION` . Кроме того, нужно устранить многочисленные разворотные <mark style="color:красные;">красные</mark> пятна у границ поля.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Исходный YieldDataset с атрибутом WetMass</p></figcaption></figure>

### Откалиброванный и очищенный YieldDataset с атрибутом WetMass

Ниже показан результат применения операций `CALIBRATE` и `CLEAN` с параметрами по умолчанию. Полученный YieldDataset стал однородным: в нём нет выбросов и резких изменений между соседними геометриями.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Откалиброванный и очищенный YieldDataset с атрибутом WetMass</p></figcaption></figure>

### Варианты Pathwise, Average/Total и Conditional

**Калибровка Pathwise** соответствует траекториям движения техники. Для калибровки каждая траектория обрабатывается как отдельная область. Команда GeoPard рекомендует использовать этот метод в качестве стандартного.

**Калибровка Average/Total** перераспределяет значения атрибутов. Этот метод полезен, если пространственные закономерности точны, но абсолютные значения отличаются от фактических. Для оптимального результата GeoPard рекомендует сочетать его с калибровкой Pathwise: сначала применить Pathwise, затем скорректировать данные до известных средних или итоговых значений.

**Калибровка Conditional** корректирует значения атрибутов с учётом заданных минимального и максимального порогов. Метод особенно полезен, когда пространственные закономерности точны, но распределение значений нуждается в корректировке, особенно если известны минимальные и максимальные значения. Для наилучшего результата GeoPard рекомендует сочетать его с калибровкой Pathwise: сначала применить Pathwise, а затем скорректировать данные в соответствии с известными минимальным и максимальным значениями.

### Рекомендации

{% hint style="warning" %}
**Если в данных обнаружены аномалии**

Если пользователь обнаружил аномалии в данных — например, значения, равные нулю или близкие к нему, либо необычно высокие значения (например, среднее значение равно 10, а максимальное — 8000), рекомендуется использовать рабочий процесс **«Очистка и калибровка»** с параметрами `actions: [CLEAN, CALIBRATE]`.

Очистка данных перед калибровкой позволяет удалить ошибки, пропущенные значения и несоответствия, повышая качество и точность данных.
{% endhint %}

{% hint style="warning" %}
**Если исходные данные без ошибок**

Если в исходном наборе данных нет ошибок, пропущенных значений и несоответствий, а известно, что в работе участвовало несколько комбайнов, рассмотрите рабочий процесс **«Калибровка и очистка»** с параметрами `actions: [CALIBRATE, CLEAN]`.

Очистка после калибровки помогает дополнительно уточнить набор данных и при необходимости удалить артефакты, возникшие в ходе калибровки.
{% endhint %}

### Документация: сведения о мутации

Стандартная конфигурация по умолчанию включает автоматическую калибровку и очистку набора данных «YieldDataset».

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Более продвинутый пример позволяет вручную задавать минимальные и максимальные значения и включает дополнительные атрибуты.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Чтобы следовать протоколу USDA для операции `CLEAN` необходимо либо указать ВСЕ столбцы в `cleanAction` -> `conditionMinMaxClean` либо указать часть столбцов в `cleanAction` -> `conditionMinMaxClean` и остальные — в `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Входные параметры:

* `actions` в виде массива, позволяющего выбрать *корректирующие действия и последовательность их* выполнения; поддерживаются значения `CLEAN` и `CALIBRATE`.
* `calibrateAction` в виде объекта с параметрами конфигурации операции `CALIBRATE` .
  * `calibrationAttributes` как массив атрибутов, требующих калибровки; обычно связан со столбцом Yield.
  * `smoothWindowSize` как нечётное целое число, сглаживающее значения результата и уменьшающее резкие скачки.
  * `conditionPathwiseCalibration` как объект с параметром **Покалибровка по проходам** соответствует траекториям движения машины. Для калибровки каждый проход машины обрабатывается как отдельная область.
    * `calibrationBasis` как строка, обозначающая атрибут, используемый в качестве основы для калибровки.
    * `maxHomogeneityRegion` как логическое значение, указывающее, используется ли область максимальной однородности в качестве опорной области для калибровки.
    * `syntheticMachinePath` как логическое значение, указывающее, следует ли моделировать маршруты машины. Это полезно, если точный атрибут траектории движения машины отсутствует и его необходимо смоделировать на основе временных меток или аналогичного атрибута.
  * `conditionAvgTotalCalibration` как объект с параметром **калибровка по среднему значению или сумме** предназначена для перераспределения значений атрибута. Этот метод полезен, если геопространственные закономерности точны, но абсолютные показатели отличаются от фактических.
    * `calibrationAttribute` как строка, обозначающая атрибут, который нужно откалибровать.
    * `average` как число, задающее среднее значение атрибута; значения атрибута должны соответствовать этому среднему. Одновременно следует использовать только один параметр — `average` или `total`.
    * `total` как число, задающее общую сумму значений атрибута; сумма этих значений должна соответствовать заданному значению. Одновременно следует использовать только один параметр — `average` или `total`—.
  * `conditionMinMaxCalibration` как объект с параметром **условная** калибровка корректирует значения атрибута на основе заданных минимального и максимального порогов.
    * `calibrationAttribute` как строка, обозначающая атрибут, который нужно откалибровать.
    * `min` как число, задающее минимальное значение атрибута — нижнюю границу диапазона калибровки.
    * `minIncluded` как логическое значение, указывающее, нужно ли включать минимальное значение.
    * `max` как число, задающее максимальное значение атрибута — верхнюю границу диапазона калибровки.
    * `maxIncluded` как логическое значение, указывающее, нужно ли включать максимальное значение.
* `cleanAction` как объект с параметрами конфигурации операции `CLEAN` .
  * `conditionAutoClean` как объект с параметрами конфигурации алгоритма автоматической очистки.
    * `targetAttribute` как строка, обозначающая целевые значения урожайности.
    * `excludedAttributes` в виде массива строк, задающих атрибуты, которые не влияют на операцию очистки.
  * `conditionMinMaxClean` в виде массива объектов с описанием правил очистки; каждый объект содержит следующие параметры.
    * cleanAttribute — строка с названием столбца, для которого применяется правило.
    * `min` число, указывающее минимальное значение.
    * `max` число, указывающее максимальное значение.

{% hint style="info" %}
Чтобы просмотреть входные данные и получить последние доступные значения перечислений (например, `operations`), рекомендуется использовать [документацию Altair](https://docs.geopard.tech/geopard-tutorials/ru/dokumentaciya-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Документация: запрос YieldDataset

Как пользователь API GeoPard, вы можете получить сведения об исправлениях, применённых к наборам данных урожайности (YieldDataset), с помощью атрибутов `appliedCorrections` и `appliedCorrectionsVersion`. Первый содержит список выполненных исправлений (например, `CALIBRATE` и `CLEAN`), порядок выполнения которых определяется их последовательностью в массиве. Атрибут `appliedCorrectionsVersion` указывает версию использованного алгоритма.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/dokumentaciya-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
