# Jämför data från jordscanner mellan år

Jordskannrar är nödvändiga verktyg för precisionsjordbruk och möjliggör insamling av högupplöst data om jordegenskaper som fuktighet, organiskt material och näringsnivåer. Att jämföra två jordskannerdataset är avgörande för att förstå förändringar över tid, validera olika skanningsmetoder eller kalibrera nya enheter. Denna artikel utforskar olika matematiska tillvägagångssätt för att mäta avvikelse mellan två jordskannerdataset och ger praktiska insikter för forskare och agronomer.

### Förstå avvikelse i jordskannerdatat

Avvikelsen mellan två jordskannerdataset avser skillnader i uppmätta värden på samma platser, vilket kan uppstå på grund av variationer i mätförhållanden, sensorkalibrering eller jordens dynamik. De vanligaste typerna av avvikelser inkluderar:

* Absoluta skillnader: Direkt subtraktion av värden mellan dataset.
* Relativa skillnader: Jämförelse baserad på mätningarnas storlek.
* Felmetrik: Statistiska mått som medelabsolutfel (MAE) och normaliserad differens.

Två jordskannerdataset med kalium för 2024 och 2025 valdes.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FC2QduX7YR6gTjWUZGqMX%2Fimage.png?alt=media&#x26;token=f1609570-7428-4883-b589-963d4d8e2767" alt=""><figcaption><p>Initiala jordskannerdataset</p></figcaption></figure>

### Välja rätt avvikelsemetod

| Metod                           | Bäst för                                              |
| ------------------------------- | ----------------------------------------------------- |
| Direkt skillnad                 | Enkel visualisering av positiva/negativa förändringar |
| Relativ skillnad                | Jämföra dataset med olika skalor                      |
| Normaliserad skillnad           | Standardiserad analys över olika dataset              |
| Relativ avvikelse               | Proportionella skillnader, användbart för trendanalys |
| Medelabsolutfel (MAE) per pixel | Identifiera områden med stora absoluta skillnader     |

### Beräkning av direkt skillnad

Denna metod för direkt skillnad subtraherar helt enkelt ett dataset från det andra för att visualisera förändringar i jordegenskaper direkt.

Användningen av `geopard.calculate_difference(dataset_1, dataset_2)` med parameterförklaring är dokumenterad [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbappen/ekvationsbaserad-analys/katalog-over-anpassade-funktioner#calculate_difference).

Fördelar:

* Visar tydligt positiva och negativa förändringar.
* Lätt att tolka och visualisera.

Nackdelar:

* Skillnadsvärden kan vara svåra att jämföra om dataset har olika skalor.
* Stor variation kan dominera tolkningen.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&#x26;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Beräkning av direkt skillnad</p></figcaption></figure>

### Beräkning av relativ skillnad

Metoden för relativ skillnad beräknar procentuell förändring mellan dataset baserat på det andra datasetet och erbjuder ett annat perspektiv på avvikelse.

Användningen av `geopard.calculate_relative_difference(dataset_1, dataset_2)` med parameterförklaring är dokumenterad [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbappen/ekvationsbaserad-analys/katalog-over-anpassade-funktioner#calculate_relative_difference).

Fördelar:

* Bra för att förstå hur mycket ett dataset har ändrats i förhållande till ett annat.
* Normaliserar skillnader över varierande magnituder.

Nackdelar:

* Kan bli instabil när värden i det andra datasetet är nära noll.
* Mindre intuitivt när absoluta skillnader är viktiga.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&#x26;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Beräkning av relativ skillnad</p></figcaption></figure>

### Beräkning av normaliserad skillnad

Metoden för normaliserad skillnad normaliserar dataset genom deras globala maxvärde innan skillnader beräknas, vilket säkerställer att variationer är jämförbara över olika skalor.

Användningen av `geopard.calculate_normalized_difference(dataset_1, dataset_2)` med parameterförklaring är dokumenterad [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbappen/ekvationsbaserad-analys/katalog-over-anpassade-funktioner#calculate_normalized_difference).

Fördelar:

* Effektiv för dataset med olika dynamiska intervall.
* Minskar påverkan av extrema värden.

Nackdelar:

* Små variationer kan verka överdrivna om de inte skalas korrekt.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&#x26;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Beräkning av normaliserad skillnad</p></figcaption></figure>

### Relativ avvikelse per pixel

Metoden för relativ avvikelse beräknar avvikelsen som en procentandel relativt det första datasetet. Den hjälper till att förstå proportionella skillnader snarare än absoluta.

Användningen av `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` med parameterförklaring är dokumenterad [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbappen/ekvationsbaserad-analys/katalog-over-anpassade-funktioner#calculate_per_pixel_relative_deviation).

Fördelar:

* Användbart vid jämförelse av dataset med olika skalor.
* Uttrycker avvikelsen i ett tolkningsbart procentformat.

Nackdelar:

* Kan vara missvisande om de ursprungliga värdena är mycket små.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&#x26;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Relativ avvikelse per pixel</p></figcaption></figure>

### Medelabsolutfel (MAE) per pixel

Metoden med medelabsolutfel (MAE) mäter de absoluta skillnaderna mellan motsvarande värden i två dataset. Den ger en tydlig bild av var de största avvikelserna uppstår.

Användningen av `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` med parameterförklaring är dokumenterad [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbappen/ekvationsbaserad-analys/katalog-over-anpassade-funktioner#calculate_per_pixel_mae).

Fördelar:

* Enkelt och intuitivt.
* Framhäver stora skillnader tydligt.
* Fungerar bra för dataset med liknande skalor.

Nackdelar:

* Visar inte riktningen på skillnaden (dvs. positiv eller negativ förändring).
* Känsligt för avvikande värden.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&#x26;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Medelabsolutfel (MAE) per pixel</p></figcaption></figure>

### Slutsats

Jämförelse av jordskannerdataset kräver en rad matematiska tillvägagångssätt för att extrahera meningsfulla skillnader. Oavsett om man använder absoluta mått som MAE, relativa avvikelser eller normaliserade jämförelser beror valet av metod på användningsfallet. Genom att utnyttja dessa tekniker kan agronomer och forskare förbättra jordanalys, upptäcka fältvariationer och förfina arbetsflöden för precisionsjordbruk.