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

# Jämföra jordscannerdata mellan år

Den här artikeln beskriver olika matematiska metoder för att kvantifiera skillnader mellan jordscannerdataset och förbättra beslutsfattandet för forskare och agronomer.

Jordskannrar är viktiga verktyg inom precisionsjordbruk och gör det möjligt att samla in högupplösta data om markegenskaper som fuktighet, organiskt material och näringsnivåer. Att jämföra två datamängder från jordskannrar är avgörande för att förstå förändringar över tid, validera olika skanningsmetoder eller kalibrera nya enheter. I den här artikeln går vi igenom olika matematiska metoder för att mäta avvikelser mellan två datamängder från jordskannrar och ger konkreta insikter för forskare och agronomer.

### Förstå avvikelser i data från jordskannrar

Avvikelsen mellan två datamängder från jordskannrar är skillnaden mellan uppmätta värden på samma platser. Den kan bero på variationer i mätförhållanden, sensorkalibrering eller markens dynamik. De vanligaste typerna av avvikelser är:

* Absoluta skillnader: direkt subtraktion av värden mellan datamängderna.
* Relativa skillnader: jämförelse utifrån mätvärdenas storlek.
* Felmått: statistiska mått som medelabsolutfel (MAE) och normaliserad skillnad.

Två datamängder från jordskannrar med kaliumdata från 2024 och 2025 valdes ut.

<figure><img src="https://1016759462-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>Ursprungliga datamängder från jordskannrar</p></figcaption></figure>

### Välja rätt metod för att mäta avvikelse

| Metod                           | Passar bäst för                                           |
| ------------------------------- | --------------------------------------------------------- |
| Direkt skillnad                 | Enkel visualisering av positiva och negativa förändringar |
| Relativ skillnad                | Jämförelse av datamängder med olika skalor                |
| Normaliserad skillnad           | Standardiserad analys av olika datamängder                |
| Relativ avvikelse               | Proportionella skillnader, användbara för trendanalys     |
| Medelabsolutfel (MAE) per pixel | Identifiera områden med stora absoluta skillnader         |

### Beräkna direkt skillnad

Metoden för direkt skillnad subtraherar helt enkelt den ena datamängden från den andra för att direkt visa förändringarna i markegenskaper.

Användningen av `geopard.calculate_difference(dataset_1, dataset_2)` med en förklaring av parametrarna beskrivs [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Fördelar:

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

Nackdelar:

* Skillnadsvärdena kan vara svåra att jämföra om datamängderna 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&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Beräkna direkt skillnad</p></figcaption></figure>

### Beräkna relativ skillnad

Metoden för relativ skillnad beräknar den procentuella förändringen mellan datamängderna med den andra datamängden som utgångspunkt, vilket ger ett annat perspektiv på avvikelsen.

Användningen av `geopard.calculate_relative_difference(dataset_1, dataset_2)` med en förklaring av parametrarna beskrivs [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Fördelar:

* Bra för att förstå hur mycket en datamängd har förändrats i förhållande till en annan.
* Normaliserar skillnader mellan värden av olika storleksordning.

Nackdelar:

* Kan bli instabil när värdena i den andra datamängden ligger nära noll.
* Mindre intuitiv 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&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Beräkna relativ skillnad</p></figcaption></figure>

### Beräkna normaliserad skillnad

Metoden för normaliserad skillnad normaliserar datamängderna med deras globala maxvärde innan skillnaderna beräknas. På så sätt går variationerna att jämföra mellan olika skalor.

Användningen av `geopard.calculate_normalized_difference(dataset_1, dataset_2)` med en förklaring av parametrarna beskrivs [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Fördelar:

* Effektiv för datamängder med olika dynamiskt omfång.
* Minskar påverkan från extremvärden.

Nackdelar:

* Små variationer kan se överdrivna ut om de inte skalas på rätt sätt.

<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&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Beräkna normaliserad skillnad</p></figcaption></figure>

### Relativ avvikelse per pixel

Metoden för relativ avvikelse beräknar avvikelsen i procent i förhållande till det första datasetet. Den hjälper till att förstå proportionella skillnader snarare än absoluta skillnader.

Användningen av `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` med förklaringar av parametrarna beskrivs [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Fördelar:

* Användbart när du jämför dataset med olika skalor.
* Uttrycker avvikelsen i ett lättförståeligt 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&amp;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 visar tydligt var de största avvikelserna förekommer.

Användningen av `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` med förklaringar av parametrarna beskrivs [här](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Fördelar:

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

Nackdelar:

* Visar inte skillnadens riktning (det vill säga en 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&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Medelabsolutfel (MAE) per pixel</p></figcaption></figure>

### Sammanfattning

När man jämför datauppsättningar från jordscannrar krävs flera matematiska metoder för att få fram meningsfulla skillnader. Oavsett om du använder absoluta mått som MAE, relativa avvikelser eller normaliserade jämförelser beror valet av metod på användningsområdet. Genom att använda dessa metoder kan agronomer och forskare förbättra jordanalysen, upptäcka variationer i fält och utveckla arbetsflöden för precisionsjordbruk.


---

# 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/swe/agronomi/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.
