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

# Primerjava naborov podatkov o pridelku

Primerjajte naborе podatkov o pridelku za globlji vpogled v uspešnost kultur med sezonami, pri čemer zajemite pravilno čiščenje in kalibracijo pridelka ter uporabo sintetičnega pridelka.

## Ozadje

Sodobno odločanje v kmetijstvu se v veliki meri opira na podatkovne zbirke pridelka, ki vsebujejo zbrane podatke o pridelku in predstavljajo velik del prihodkov pridelovalcev. Te zbirke morajo biti točne in kakovostne, da omogočajo informirano odločanje o upravljanju vložkov ter optimizacijo prihodnjih strategij setve in gnojenja.

Podatke o pridelku običajno zbirajo žetveni stroji, vendar so neobdelane meritve pogosto nepopolne, vsebujejo napake ali pa jih je treba kalibrirati zaradi nedoslednosti senzorjev in različnih razmer na polju. Za odpravljanje teh težav strokovnjaki pogosto uporabljajo postopke čiščenja in kalibracije ter ustvarjanje sintetičnih podatkovnih zbirk, da pridobijo zanesljive in primerljive podatke o pridelku.

Oboje[ Čiščenje in kalibracija podatkov o pridelku](https://docs.geopard.tech/geopard-tutorials/svn/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) ter [sintetična obnova podatkov o pridelku](https://docs.geopard.tech/geopard-tutorials/svn/agronomija/yield-and-trials/synthetic-yield-map.md) podpira GeoPard.

<mark style="background-color:yellow;">Primerjava podatkovnih zbirk pridelka iz različnih let pridelave omogoča dragocen vpogled ter pomaga preverjati prakse upravljanja, potrjevati točnost senzorjev in izboljševati strategije za prihodnje sezone.</mark> Te primerjave usmerjajo tudi izboljševanje priporočil za gnojenje in setev ter zagotavljajo, da vsaka odločitev temelji na zanesljivih podatkih.

## Pristop k primerjavi (z uporabo enačbe podobnosti)

Za količinsko primerjavo podatkovnih zbirk pridelka uporabljamo vnaprej shranjeno enačbo z imenom <mark style="background-color:yellow;">Analiza prostorske korelacije (podobnost podatkovnih slojev)</mark> ki prostorsko meri podobnost med atributi, povezanimi s pridelkom, v podatkovnih zbirkah pridelka.

Enačba dodeli oceno podobnosti, ki pokaže, kako dobro se ena podatkovna zbirka ujema z drugo glede na prostorski vzorec in porazdelitev vrednosti.

<figure><img src="https://29491374-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>Poiščite obstoječo enačbo za podobnost podatkovnih slojev</p></figcaption></figure>

<mark style="background-color:yellow;">Vrednosti podobnosti segajo od 0 do 1, pri čemer 0 pomeni, da ujemanja ni, 1 pa 100-odstotno ujemanje vrednosti in prostorskega vzorca</mark>. Z drugimi besedami, čim bližje je ocena podobnosti vrednosti 1, tem bolj podobni so atributi pridelka.

## **Dejanska podatkovna zbirka pridelka (2015** soja **v primerjavi z letom 2018** soj&#x61;**)**

V tem primeru začnemo z neobdelanimi podatki o pridelku, zbranimi v dveh različnih rastnih sezonah, 2015 in 2018, za isto poljščino – sojo. Začetni podatkovni zbirki vsebujeta neobičajno visoke in nizke vrednosti, zlasti na začetku in koncu voženj žetvenega stroja, zato je potrebna manjša ponovna kalibracija podatkov.

Po uporabi orodij GeoPard za čiščenje in kalibracijo je dobljena podatkovna zbirka bolj enakomerna, skladna in lažja za razlago.

<figure><img src="https://29491374-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>Soja 2015: izvirni v primerjavi z očiščenimi in kalibriranimi podatki o pridelku</p></figcaption></figure>

<figure><img src="https://29491374-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>Soja 2018: izvirni v primerjavi z očiščenimi in kalibriranimi podatki o pridelku</p></figcaption></figure>

Spodaj je prikaz izvedbe enačbe podobnosti v obliki posnetka zaslona.

S statističnega vidika sta visoko povprečje (0,869) in mediana (0,876) pokazatelja, da <mark style="background-color:yellow;">so vzorci pridelka soje v letu 2018 zelo podobni tistim iz leta 2015</mark>. Čeprav se na nekaterih območjih vrednosti spustijo do 0,599, majhna variabilnost (0,005) in zmeren standardni odklon (0,073) potrjujeta <mark style="background-color:yellow;">splošno skladnost</mark>.

Z agronomskega vidika <mark style="background-color:yellow;">ta stabilnost kaže, da so osnovne razmere na polju in odzivi na prakse upravljanja večinoma ostali nespremenjeni</mark>.

<figure><img src="https://29491374-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>Primerjava podobnosti pridelka: soja 2015 v primerjavi s sojo 2018</p></figcaption></figure>

## **Dejanska podatkovna zbirka pridelka (2022** koruza **v primerjavi z letom 2024** koruz&#x61;**)**

V tem primeru začnemo z neobdelanimi podatki o pridelku koruze iz dveh sezon, 2022 in 2024. Začetni podatkovni zbirki vsebujeta nepravilnosti, kot so neobičajno visoke ali nizke meritve, prekrivajoče se vožnje in ukrivljene trajektorije, kar kaže na potrebo po ponovni kalibraciji senzorjev.

Po uporabi orodij GeoPard za čiščenje in kalibracijo postanejo podatkovne zbirke zanesljivejše, kar omogoča avtomatizirano analizo in informirano odločanje.

<figure><img src="https://29491374-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>Koruza 2022: izvirni v primerjavi z očiščenimi in kalibriranimi podatki o pridelku</p></figcaption></figure>

<figure><img src="https://29491374-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>Koruza 2024: izvirni v primerjavi z očiščenimi in kalibriranimi podatki o pridelku</p></figcaption></figure>

Spodaj je prikaz izvedbe enačbe podobnosti v obliki posnetka zaslona.

S statističnega vidika povprečje 0,791 in mediana 0,799 kažeta, da <mark style="background-color:yellow;">so pridelki koruze v letu 2024 večinoma podobni tistim iz leta 2022</mark>, vendar vrednosti, ki se na nekaterih območjih spustijo do 0,413, kažejo na variabilnost. Standardni odklon 0,115 potrjuje <mark style="background-color:yellow;">nekaj razlik po polju</mark>.

Z agronomskega vidika <mark style="background-color:yellow;">skladni vzorci kažejo na stabilne razmere in učinkovito upravljanje skozi čas</mark>. Vendar lahko lokalna območja z <mark style="background-color:yellow;">manjšo podobnostjo zahtevajo ciljno usmerjene prilagoditve za izboljšanje pridelka v prihodnosti</mark>.

<figure><img src="https://29491374-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>Primerjava podobnosti pridelka: koruza 2022 v primerjavi s koruzo 2024</p></figcaption></figure>

## **Sintetična v primerjavi z dejansko podatkovno zbirko pridelka (2023** oljna ogrščica)

V tem primeru začnemo z neobdelano podatkovno zbirko pridelka oljne ogrščice iz sezone 2023 in sintetično ustvarjeno podatkovno zbirko pridelka za isto poljščino in isto leto, 2023. <mark style="background-color:yellow;">Cilj je oceniti prostorsko natančnost dejanskega in sintetičnega pridelka ter ponuditi način za dopolnitev nezabeleženih podatkov, odpravo vrzeli v podatkih o pridelku in popravljanje odstopanj s sintetičnimi vrednostmi</mark>. Nabor podatkov o dejanskem pridelku vsebuje težave, kot so nenavadno visoki ali nizki odčitki, prečni prehodi, ukrivljene trajektorije in prehodi z ničelnimi vrednostmi, kar vse kaže na potrebo po ponovni kalibraciji senzorjev.

Po uporabi postopka GeoPard [Čiščenje in kalibracija](https://docs.geopard.tech/geopard-tutorials/svn/agronomija/yield-and-trials/yield-calibration-and-cleaning.md) za podatke o dejanskem pridelku ter ustvarjanju [sintetičnega pridelka](https://docs.geopard.tech/geopard-tutorials/svn/agronomija/yield-and-trials/synthetic-yield-map.md) za oljno ogrščico lahko začnemo smiselno primerjati njihovo podobnost.

<figure><img src="https://29491374-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>Oljna ogrščica 2023: izvorni podatki o pridelku v primerjavi z očiščenimi in kalibriranimi podatki</p></figcaption></figure>

<figure><img src="https://29491374-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>Sintetični pridelek oljne ogrščice 2023</p></figcaption></figure>

Spodaj je prikaz izvedbe enačbe podobnosti v obliki posnetka zaslona.

Z vidika statistike visoki povprečni (0,889) in mediani (0,904) oceni kažeta, da se <mark style="background-color:yellow;">nabor podatkov o sintetičnem pridelku na splošno dobro ujema s prostorskimi vzorci dejanskega pridelka oljne ogrščice v letu 2023</mark>. Čeprav je na enem območju vrednost le 0,291, majhna variacija (0,006) in zmeren standardni odklon (0,08) kažeta, da se <mark style="background-color:yellow;">večina delov polja dobro ujema med naboroma dejanskih in sintetičnih podatkov, izstopajočih vrednosti pa je zelo malo</mark>.

Z agronomskega vidika ta velika podobnost pomeni, da <mark style="background-color:yellow;">lahko podatki o sintetičnem pridelku zanesljivo predstavljajo dejanske razmere na polju</mark>, kar krepi zaupanje v uporabo modeliranih scenarijev pri sprejemanju odločitev. <mark style="background-color:yellow;">Agronomske prakse, razvidne iz podatkov o dejanskem pridelku, so dobro zajete v modelu sintetičnega pridelka</mark>, kar omogoča bolj premišljeno in dosledno načrtovanje prihodnjih upravljavskih strategij.

<figure><img src="https://29491374-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>Primerjava podobnosti pridelka oljne ogrščice: dejanski pridelek 2023 v primerjavi s sintetičnim pridelkom 2023</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/svn/agronomija/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.
