# Umerjanje in čiščenje pridelka Uporabite GeoPard za **čiščenje podatkov o pridelku** in **kalibracijo podatkovnih nizov merilnikov pridelka**. Pridobite karto pridelka, ki ji lahko zaupate za cone, predpise in analitiko. Ta potek dela obravnava odstopanja, obračanja, manjkajoče atribute in podatke o pridelku iz več kombajnov. Vključuje **USDA protokol za čiščenje pridelka** in podpira **alternativne** poteke dela Yield Editor. {% embed url="" %} Video vadnica čiščenja in kalibracije podatkov o pridelku. Razložene razlike med možnostmi. {% endembed %} Ta kalibracijski postopek je ključen za: 1. **Zagotavljanje doslednosti podatkov**: Ni redko, da več kombajnov dela vzporedno ali v različnih dneh. Ta funkcija zagotavlja, da njihovi podatki delujejo usklajeno. 2. **Homogenizacijo podatkov**: Podatki o pridelku so lahko raznoliki; kalibracija zagotavlja, da so gladki in dosledni, brez nezaželenih nihanj ali padcev. 3. **Filtriranje šuma**: Kot pri vsakih podatkih lahko tudi podatki o pridelku vsebujejo 'šum' ali nepomembne informacije. Poskrbimo, da ne zameglijo vaših ugotovitev. 4. **Poenostavitev geometrij**: Vsaka obračanja ali nenavadni geometrijski vzorci lahko popačijo resnične ugotovitve. Kalibracija je zasnovana tako, da to izravna in zagotovi, da podatki zares odražajo stanje na polju. 5. **Obrezovanje po meji polja**: Kombajni pogosto delujejo preko sosednjih površin. Za natančne analitične rezultate je bistveno upoštevati samo podatke znotraj določene meje. {% hint style="info" %} Vmesnik za kalibracijo pridelka uporablja GeoPard API končno točko za Clean/Calibrate YieldDataset ([GeoPard API: Kalibriraj in očisti YieldDataset](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset)). Izvaja `KALIBRIRAJ` in `OČISTI` operacije v uporabniškem vmesniku ali prek API-ja. {% endhint %} ## Hiter pregled

{% file src="" %} Prenesite PDF brošuro o čiščenju pridelka {% endfile %} ## Primeri iz prakse V kmetijstvu lahko poškodovani podatkovni nizi o pridelku povzročijo znatne težave. Spodaj najdete primerke iz prakse, kjer smo se soočili s takimi nizi. Z naprednimi GeoPardovimi algoritmi za kalibracijo in čiščenje so bili ti nizi uspešno izpiljeni in optimizirani. {% hint style="info" %} Za obravnavo območij brez zabeleženih podatkov o pridelku in dosego popolnosti karte pridelka razmislite o uporabi GeoPardove metode sintetične karte pridelka. Ta pristop obnavlja manjkajoče podatke za celovito analizo pridelka. Več informacij [tukaj](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### Več kombajnov, ki delajo skupaj

Primer 1: Več kombajnov, ki delajo skupaj

{% hint style="info" %} Pri obravnavi zapletenih scenarijev priporočamo dvostopenjski kalibracijski postopek za optimalno natančnost. Začnite z začetno kalibracijo z uporabo atributa Machine ID. Nato izvedite drugo kalibracijo, tokrat z možnostjo Simulated (Synthetic) Machine Paths. Ta večplastni pristop zagotavlja temeljito in natančno kalibracijo, nujno za učinkovito upravljanje zapletenih primerov. {% endhint %}

Primer 2: Več kombajnov, ki delajo skupaj

Primer 3: Več kombajnov, ki delajo skupaj

### J-obrati, ustavitve, uporabljena polovična širina opreme

Primer 1: U-obrati, ustavitve, uporabljena polovična širina opreme

Primer 2: U-obrati, ustavitve, uporabljena polovična širina opreme

### Abnormalno velike zabeležene vrednosti

Primer 3: Abnormalno velike zabeležene vrednosti

Primer 4: Abnormalno velike zabeležene vrednosti

Primer 5: Abnormalno velike zabeležene vrednosti

### Podatki izven meje polja

### Kalibracija z uporabo podane povprečne vrednosti pridelka

### Očistite atribute pridelka z ignoriranjem atributov z anomalijami Podatkovni niz pridelka občasno vključuje atribute z nepravilnostmi v vlagi, hitrosti, nadmorskih višinah ali drugih sekundarnih (ne-pridelčnih) atributih. Pri izvajanju operacij Clean ali Calibrate je bistveno prezreti te anomalije. To lahko učinkovito izvedete z GeoPard vmesnikom za Clean-Calibrate pridelka.

Primer: Čiščenje podatkov o pridelku z ignoriranjem anomalij v vlagi

### Protokol čiščenja podatkov pridelka USDA Uporabite to možnost, ko potrebujete **ponovljiv, na standardih temelječ potek dela za urejevalnik pridelka**. Optimizirano je za **čiščenje podatkov iz merilnikov pridelka** v obsegu.

Primer: Čiščenje podatkov o pridelku z uporabo USDA protokola

## Pojasnilo logike kalibracije ### Kalibracija po sledi **UPORABITE** **Kalibracija po sledi** ko je polje obranjeno z več stroji ali v več dneh, še posebej za korekcijo sistematičnih razlik, kot so trakovi ali pasovi. Je idealno za scenarije, kjer različne nastavitve strojev, upravljavci ali okoljski pogoji povzročajo dosledno precenjevanje ali podcenjevanje na različnih poteh. Ključno je, da AI zahteva variacijo - kot so različne poti, ID-ji strojev ali datumi žetve - da se lahko uči in učinkovito kalibrira.

**NE UPORABLJAJTE** te metode za žetve z enim strojem v eni neprekinjeni seji ali če karta pridelka nima vidnih prostorskih vzorcev. Prav tako je ne uporabljajte, če so podatki redki ali če imate le skupne vrednosti pridelka na nivoju polja brez razlik med stroji

Primer: Statistično pravilna porazdelitev podatkov

### Povprečna ali skupna kalibracija **POVPREČNA/KOREKCIJA SKUPNE VREDNOSTI JE NAJBOLJE UPORABNA** ko imate visoko stopnjo zaupanja v vaše celotne podatke o pridelku na ravni polja, na primer evidence z utežišča ali skladišča. Namesto prilagajanja posameznih potez ta metoda prilagodi celoten podatkovni niz tako, da končno povprečje ali total ustreza znani referenčni vrednosti. Pogosto se opisuje kot najpreprostejša in najvarnejša kalibracijska možnost, kadar so skupne številke zaupanja vredne. Kdaj **UPORABITI Povprečno/Skupno kalibracijo:** * **Znane referenčne vrednosti**: To logiko uporabite, ko imate uradne evidence skupnega pridelka (npr. z utežišča) ali zelo zanesljivo povprečno vrednost pridelka za polje. * **Globalna korekcija pristranskosti**: Primerna je, če prostorska porazdelitev na karti pridelka izgleda pravilna, vendar so vrednosti globalno premaknjene - kar pomeni, da merilnik verjetno ni bil kalibriran in poroča vrednosti, ki so dosledno prenizke ali previsoke čez celo polje. * **Enotni pogoji žetve**: Ta metoda je najbolj učinkovita, ko so bili pogoji žetve razmeroma enakomerni med celotno operacijo. * **Doslednost enega stroja**: Dobra je za žetve, ki jih je opravil en stroj, ki je deloval dosledno po celotnem polju.

Primer: Statistično pravilna porazdelitev podatkov z zahtevanim prilagajanjem s povprečnim pridelkom

Kdaj **NE UPORABLJATI Povprečne/Skupne kalibracije:** * **Strojna pristranskost med stroji**: Ne uporabljajte te metode, če so različni deli polja obrani z različnimi stroji ali na različne dni, kar je povzročilo lokalizirane pristranskosti. V teh primerih skaliranje celotnega polja ne bo odpravilo osnovnih neskladij med stroji. * **Vidni artefakti**: Če v podatkih opazite močno trakasto ali smerno artefaktno strukturo, ta metoda tega ne bo rešila; kalibracija po potezah je bolj primerna za te težave. * **Nepopolni podatki**: Izogibajte se tej logiki, če je bil obran le del polja ali če so zabeleženi podatki nepopolni, saj bi skupne/povprečne vrednosti zavajale.

### Pogojna kalibracija **Pogojna kalibracija** služi kot varnostni nadzor z zagotavljanjem, da vrednosti pridelka ostanejo znotraj realističnih, vnaprej določenih minimalnih in maksimalnih območij. Vi **MORATE UPORABLJATI** to logiko zaodstranitev ekstremnih odstopanj in sunkov senzorjev, ki jih povzročajo šum, ustavitve stroja ali zavoji. Idealna je za uporabo specifičnih agronomskih pričakovanj - na primer "pridelka ne sme presegati X" - brez izvajanja prilagoditve.

Vendar pa, **SE IZOGIBAJTE TE METODE** če ima vaš podatkovni niz globalno pristranskost ali sistematične razlike med stroji, saj ne skalira podatkov in ne odpravi prostorskih vzorcev. V bistvu ohranja vrednosti verjetne, vendar ne reši osnovnih kalibracijskih odstopanj. ## Strategija uporabe

Enostranski vodnik za kalibracijo pridelka

{% file src="" %} Prenesite PDF enostranski vodič za kalibracijo pridelka {% endfile %} ## Prvi korak Modul "Yield Calibrate and Clean" se zažene neposredno iz uporabniškega vmesnika. Glavna zahteva je naložen podatkovni niz pridelka. Poleg vsakega podatkovnega niza pridelka boste našli gumb za začetek prilagoditev niza.

Od tam je na voljo več možnosti za nadaljevanje: 1. **Samodejno obdelovanje**: Uporabite privzeta, s strani GeoPard priporočena nastavitev za enoklikno kalibracijo. 2. **Samo čiščenje**: Konfigurirajte in izvedite samo operacijo CLEAN, vključno z 1. **GeoPard čiščenjem**: Pametno čiščenje podatkovnega niza pridelka z AI algoritmi. 2. **USDA** (Ministrstvo za kmetijstvo ZDA) protokol čiščenja za pridelke. 3. **Pogojno čiščenje**: Filtrirajte podatke glede na prilagojene mejne vrednosti atributov. 3. **Samo kalibracija**: Konfigurirajte in izvedite samo operacijo CALIBRATE, vključno z 1. **Po poteh**: Kalibracijo pridelka za vsako posamezno pot stroja z AI algoritmi. 2. **Povprečje/Vsota**: Prilagoditev pridelka na podlagi znanega povprečja ali skupnega pridelka polja. 3. **Pogojno**: Spreminjanje pridelka znotraj nastavljenih minimalnih in maksimalnih omejitev za ohranjanje pričakovanih razponov. 4. **Kalibriraj in očisti**: Izberite zaporedje operacij in prilagodite parametre. 5. **Alternativa Yield Editorju**: Uporabite **Samo čiščenje → USDA** (ali **Kalibriraj in očisti**) za ujemanje ročnega poteka čiščenja “Yield Editor”, vendar v obsegu. V validacijskih testih je čiščenje po USDA protokolu dalo rezultate, ki so se ujemali z ročnimi rezultati Yield Editorja z **R² (R2) = 0,98** (skoraj identičen izhod). ## Rešitev z enim gumbom {% hint style="warning" %} **Namig za abnormalne vrednosti, ki so včasih značilne za nize podatkov o pridelku.** Če je **attribute** izbran za kalibracijo ali čiščenje pretežno **vsebuje** **ničelne vrednosti na večini geometrij**, bodo te geometrije izključene iz končnega podatkovnega niza pridelka. Za zagotovitev integritete naj bodo atributi s takimi anomalijami izključeni s seznama atributov, ki jih je treba kalibrirati. {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## Polno navodilo {% hint style="warning" %} **Izberite pot: Namig za anomalije v podatkih** Če uporabnik naleti na anomalije v podatkih, kot so vrednosti pri ali blizu ničle, ali nenavadno velike vrednosti (na primer povprečje 10 z maksimumom 8000), se priporoča potek dela **Čiščenje in kalibracija** potek dela je priporočljiv. Prednostno čiščenje podatkov pred kalibracijo zagotavlja odstranitev napak, manjkajočih vrednosti ali nedoslednosti, s čimer se izboljša kakovost in natančnost podatkov. {% endhint %} {% hint style="warning" %} **Izberite pot: Namig za podatke brez začetnih napak** Za nabor podatkov, ki sprva ne vsebuje napak, manjkajočih vrednosti ali nedoslednosti, in kadar je znano, da je bilo vključenih več kombajnov, razmislite o poteku dela **Kalibracija in čiščenje** potek dela. Čiščenje podatkov po kalibraciji pomaga dodatno izpiliti nabor podatkov z morebitnim odstranjevanjem artefaktov, uvedenih med kalibracijo. {% endhint %} {% hint style="warning" %} **Čistilni potek: Namig za abnormalne vrednosti, ki so včasih inherentne v podatkih o pridelku.** Če je **attribute** izbran za kalibracijo ali čiščenje pretežno vsebuje **ničelne vrednosti na večini geometrij**, bodo te geometrije izključene iz končnega podatkovnega niza pridelka. Za zagotovitev integritete naj bodo atributi s takimi anomalijami izključeni s seznama atributov, ki jih je treba očistiti (2). {% endhint %} {% hint style="warning" %} **Kalibracijski potek: Namig za abnormalne vrednosti, ki so včasih inherentne v podatkih o pridelku.** Če je **attribute** izbran za kalibracijo ali čiščenje pretežno **vsebuje** **ničelne vrednosti na večini geometrij**, bodo te geometrije izključene iz končnega podatkovnega niza pridelka. Za zagotovitev integritete naj bodo atributi s takimi anomalijami izključeni s seznama atributov, ki jih je treba kalibrirati (3). {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## Verzije algoritmov Po obdelavi so rezultati prikazani poleg izvirnega niza. Označeni so z **"Kalibriraj"** in/ali **"Očisti"** oznaka, plus verzija algoritma.

Rezultat izvedbe Calibrate & Clean (verzija 2)

{% hint style="info" %} Iz `verzija 3.0` od verzije Clean/Calibrate algoritma naprej GeoPard uvaja funkcijo Obrezovanje po meji polja. To ohranja le geometrije znotraj meje polja in izboljšuje statistično porazdelitev. {% endhint %}

Rezultat izvedbe Auto-Processing (verzija 3.0)

{% hint style="info" %} Začenši z `verzija 4.0`, Clean/Calibrate algoritem v GeoPardu nyn vključuje funkcijo za kalibracijo na podlagi povprečnih ali skupnih vrednosti za kateri koli atribut. Pogosta uporaba te izboljšave je kalibracija WetMass, ki jo je zdaj mogoče prilagoditi glede na znano izmerjeno povprečno donosnost za določeno polje. {% endhint %}

Rezultat izvedbe Kalibracije z uporabo povprečnega pridelka 6 t/ha (verzija 4.0)

{% hint style="info" %} Iz `verzija 5.0` od verzije Clean/Calibrate algoritma naprej GeoPard uvaja USDA (Ministrstvo za kmetijstvo Združenih držav) protokol čiščenja za pridelke. USDA zagotavlja formalne agronomske podatkovne standarde, ki določajo, kako se pridelki, vlaga, pretok in prostorske meritve normalizirajo, validirajo in statistično filtrirajo za proizvodnjo doslednih podatkovnih nizov na nivoju strojev in polj. {% endhint %}