> 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Primerjava podatkov talnega skenerja med leti

Ta članek opisuje različne matematične metode za kvantifikacijo razlik med nabori podatkov talnega skenerja in izboljšanje odločanja za raziskovalce in agronome.

Skenerji tal so nepogrešljivo orodje za precizno kmetijstvo, saj omogočajo zbiranje visokoločljivostnih podatkov o lastnostih tal, kot so vlažnost, organska snov in vsebnost hranil. Primerjava dveh naborov podatkov skenerja tal je ključna za razumevanje sprememb skozi čas, preverjanje različnih metod skeniranja ali umerjanje novih naprav. V tem članku so predstavljeni različni matematični pristopi za merjenje odstopanj med dvema naboroma podatkov skenerja tal ter praktični napotki za raziskovalce in agronome.

### Razumevanje odstopanj v podatkih skenerja tal

Odstopanje med dvema naboroma podatkov skenerja tal pomeni razlike med izmerjenimi vrednostmi na istih lokacijah, do katerih lahko pride zaradi razlik v pogojih merjenja, umerjanju senzorja ali dinamiki tal. Najpogostejše vrste odstopanj so:

* Absolutne razlike: neposredno odštevanje vrednosti enega nabora podatkov od drugega.
* Relativne razlike: primerjava glede na velikost meritev.
* Mere napake: statistične mere, kot sta povprečna absolutna napaka (MAE) in normalizirana razlika.

Izbrana sta bila dva nabora podatkov skenerja tal o vsebnosti kalija za leti 2024 in 2025.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>Začetna nabora podatkov skenerja tal</p></figcaption></figure>

### Izbira ustrezne metode za izračun odstopanja

| Metoda                                              | Najprimernejša uporaba                                 |
| --------------------------------------------------- | ------------------------------------------------------ |
| Neposredna razlika                                  | Preprost prikaz pozitivnih in negativnih sprememb      |
| Relativna razlika                                   | Primerjava naborov podatkov z različnimi merili        |
| Normalizirana razlika                               | Standardizirana analiza različnih naborov podatkov     |
| Relativno odstopanje                                | Sorazmerne razlike, uporabne za analizo trendov        |
| Povprečna absolutna napaka (MAE) na slikovni piksel | Prepoznavanje območij z velikimi absolutnimi razlikami |

### Izračun neposredne razlike

Metoda neposredne razlike preprosto odšteje en nabor podatkov od drugega, da neposredno prikaže spremembe lastnosti tal.

Uporaba funkcije `geopard.calculate_difference(dataset_1, dataset_2)` in razlaga njenih parametrov sta opisani [tukaj](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Prednosti:

* Jasno prikaže pozitivne in negativne spremembe.
* Preprosto razumevanje in prikaz.

Slabosti:

* Vrednosti razlik je težko primerjati, če se merila naborov podatkov razlikujejo.
* Velika variabilnost lahko prevlada pri interpretaciji.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Izračun neposredne razlike</p></figcaption></figure>

### Izračun relativne razlike

Metoda relativne razlike izračuna odstotno spremembo med naboroma podatkov glede na drugi nabor ter tako ponudi drugačen pogled na odstopanje.

Uporaba funkcije `geopard.calculate_relative_difference(dataset_1, dataset_2)` in razlaga njenih parametrov sta opisani [tukaj](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Prednosti:

* Primerna je za razumevanje, za koliko se je en nabor podatkov spremenil glede na drugega.
* Normalizira razlike pri različnih velikostih vrednosti.

Slabosti:

* Lahko postane nestabilna, kadar so vrednosti v drugem naboru podatkov blizu ničle.
* Manj intuitivna, kadar so pomembne absolutne razlike.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Izračun relativne razlike</p></figcaption></figure>

### Izračun normalizirane razlike

Metoda normalizirane razlike pred izračunom razlik normalizira nabora podatkov z njuno globalno največjo vrednostjo, s čimer zagotovi primerljivost variacij pri različnih merilih.

Uporaba funkcije `geopard.calculate_normalized_difference(dataset_1, dataset_2)` in razlaga njenih parametrov sta opisani [tukaj](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Prednosti:

* Učinkovita je za nabore podatkov z različnimi dinamičnimi razponi.
* Zmanjša vpliv skrajnih vrednosti.

Slabosti:

* Majhna odstopanja so lahko videti pretirana, če podatki niso ustrezno skalirani.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Izračun normalizirane razlike</p></figcaption></figure>

### Relativno odstopanje na slikovno piko

Metoda relativnega odstopanja izračuna odstopanje kot odstotek glede na prvi nabor podatkov. Pomaga razumeti sorazmerne razlike namesto absolutnih razlik.

Uporaba funkcije `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` z razlago parametrov je dokumentirana [tukaj](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Prednosti:

* Uporabno pri primerjavi naborov podatkov z različnimi merili.
* Odstopanje izrazi v razumljivi odstotni obliki.

Slabosti:

* Lahko zavede, če so izvirne vrednosti zelo majhne.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relativno odstopanje na slikovno piko</p></figcaption></figure>

### Povprečna absolutna napaka (MAE) na slikovni piksel

Metoda povprečne absolutne napake (MAE) meri absolutne razlike med ustreznimi vrednostmi v dveh naborih podatkov. Jasno pokaže, kje se pojavljajo največja odstopanja.

Uporaba funkcije `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` z razlago parametrov je dokumentirana [tukaj](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Prednosti:

* Preprosta in intuitivna.
* Jasno izpostavi velike razlike.
* Dobro deluje pri naborih podatkov s podobnimi merili.

Slabosti:

* Ne pokaže smeri razlike (tj. pozitivne ali negativne spremembe).
* Občutljiva je na osamelce.

<figure><img src="https://29491374-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Povprečna absolutna napaka (MAE) na slikovni piksel</p></figcaption></figure>

### Zaključek

Primerjava naborov podatkov s talnih skenerjev zahteva različne matematične pristope za pridobivanje uporabnih informacij o razlikah. Ne glede na to, ali uporabimo absolutne metrike, kot je MAE, relativna odstopanja ali normalizirane primerjave, je izbira ustrezne metode odvisna od namena uporabe. Z uporabo teh tehnik lahko agronomi in raziskovalci izboljšajo analizo tal, zaznajo razlike na poljih in izpopolnijo postopke natančnega kmetovanja.


---

# 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/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
