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

# Jämföra skördedataset

Jämför skördedataset för att få djupare insikter om grödans prestation mellan säsonger, inklusive korrekt skörderensning och kalibrering samt användning av syntetisk skörd.

## Bakgrund

Modernt beslutsfattande inom jordbruket bygger i hög grad på skördedataset, som består av insamlade skördedata och speglar en stor del av lantbrukarens intäkter. Dessa dataset måste vara korrekta och hålla hög kvalitet för att ge underlag för beslut om insatshantering och optimera framtida strategier för sådd och gödsling.

Skördedata samlas vanligtvis in av skördemaskiner, men råavläsningarna är ofta ofullständiga, innehåller fel eller behöver kalibreras för att hantera avvikelser mellan sensorer och varierande fältförhållanden. För att lösa dessa problem använder yrkesverksamma ofta metoder för rensning, kalibrering och syntetisk generering av dataset, så att de får tillförlitliga och jämförbara skördedata.

Både[ Rensning och kalibrering av skördedata](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) och [Syntetisk återställning av skördedata](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/synthetic-yield-map.md) stöds av GeoPard.

<mark style="background-color:yellow;">Genom att jämföra skördedataset från olika odlingsår får man värdefulla insikter som hjälper till att validera odlingsmetoder, bekräfta sensorernas noggrannhet och förbättra strategier inför kommande säsonger.</mark> Jämförelserna ger också vägledning för att förfina gödslings- och såningsrekommendationer, så att varje beslut bygger på tillförlitlig information.

## Jämförelsemetod (med likhetsekvation)

För att jämföra skördedataset kvantitativt använder vi en fördefinierad ekvation med namnet <mark style="background-color:yellow;">Rumslig korrelationsanalys (likhet mellan datalager)</mark> som mäter likheten mellan skörderelaterade attribut i skördedataset utifrån deras rumsliga fördelning.

Ekvationen tilldelar ett likhetsvärde som visar hur väl ett dataset överensstämmer med ett annat vad gäller rumsliga mönster och värdefördelning.

<figure><img src="https://1016759462-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>Sök efter den befintliga ekvationen Data Layers Similarity</p></figcaption></figure>

<mark style="background-color:yellow;">Likhetsvärdena sträcker sig från 0 till 1, där 0 betyder att dataseten inte överensstämmer och 1 innebär att värden och rumslig fördelning överensstämmer till 100%</mark>. Ju närmare likhetsvärdet är 1, desto mer lika är skördeattributen.

## **Verkligt skördedataset (2015** Sojabönor **jämfört med 2018** Sojaböno&#x72;**)**

I det här fallet utgår vi från råa skördedata som samlats in under två olika odlingssäsonger, 2015 och 2018, för samma gröda: sojabönor. De ursprungliga dataseten innehåller ovanligt höga och låga värden, särskilt i början och slutet av skördetröskans körstråk, och behöver kalibreras något.

När GeoPards verktyg för rensning och kalibrering har använts blir datasetet jämnare, mer konsekvent och lättare att tolka.

<figure><img src="https://1016759462-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>Sojabönor 2015: Ursprungliga jämfört med rensade och kalibrerade skördedata</p></figcaption></figure>

<figure><img src="https://1016759462-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>Sojabönor 2018: Ursprungliga jämfört med rensade och kalibrerade skördedata</p></figcaption></figure>

Nedan visas en skärmbild av kartan från körningen av likhetsekvationen.

Ur ett statistiskt perspektiv visar medelvärdet (0,869) och medianen (0,876) att <mark style="background-color:yellow;">skördemönstren för sojabönor 2018 i hög grad liknar dem från 2015</mark>. Även om vissa områden sjunker till 0,599 bekräftar den låga variationen (0,005) och den måttliga standardavvikelsen (0,073) <mark style="background-color:yellow;">den övergripande överensstämmelsen</mark>.

Ur ett odlingsperspektiv <mark style="background-color:yellow;">tyder denna stabilitet på att fältets grundförhållanden och dess reaktion på odlingsåtgärder i stort sett har varit oförändrade</mark>.

<figure><img src="https://1016759462-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>Jämförelse av skördarnas likhet: Sojabönor 2015 jämfört med sojabönor 2018</p></figcaption></figure>

## **Verkligt skördedataset (2022** Majs **jämfört med 2024** Maj&#x73;**)**

I det här fallet utgår vi från råa skördedata från två majssäsonger, 2022 och 2024. De ursprungliga dataseten innehåller avvikelser som ovanligt höga eller låga värden, överlappande körstråk och böjda körspår, vilket tyder på att sensorerna behöver kalibreras om.

När GeoPards verktyg för rensning och kalibrering har använts blir dataseten mer tillförlitliga, vilket möjliggör automatiserad analys och välgrundade beslut.

<figure><img src="https://1016759462-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>Majs 2022: Ursprungliga jämfört med rensade och kalibrerade skördedata</p></figcaption></figure>

<figure><img src="https://1016759462-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>Majs 2024: Ursprungliga jämfört med rensade och kalibrerade skördedata</p></figcaption></figure>

Nedan visas en skärmbild av kartan från körningen av likhetsekvationen.

Ur ett statistiskt perspektiv visar ett medelvärde på 0,791 och en median på 0,799 att <mark style="background-color:yellow;">majsskördarna 2024 i hög grad liknar dem från 2022</mark>, även om värden så låga som 0,413 visar på variation. En standardavvikelse på 0,115 bekräftar <mark style="background-color:yellow;">att det finns vissa skillnader i fältet</mark>.

Ur ett odlingsperspektiv <mark style="background-color:yellow;">tyder de konsekventa mönstren på stabila förhållanden och effektiv odling över tid</mark>. Lokala områden med <mark style="background-color:yellow;">lägre likhet kan dock behöva riktade åtgärder för att förbättra framtida skörderesultat</mark>.

<figure><img src="https://1016759462-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>Jämförelse av skördarnas likhet: Majs 2022 jämfört med majs 2024</p></figcaption></figure>

## **Syntetiskt jämfört med verkligt skördedataset (2023** Raps)

I det här fallet utgår vi från ett verkligt skördedataset från rapsodlingen 2023 och ett syntetiskt genererat skördedataset för samma gröda och samma år, 2023. <mark style="background-color:yellow;">Målet är att bedöma den rumsliga noggrannheten hos verklig och syntetisk avkastning. Det ger möjlighet att fylla i data som inte har loggats, åtgärda luckor i avkastningsdata och korrigera avvikelser med hjälp av syntetiska värden</mark>. Datasetet med verklig avkastning innehåller problem som onormalt höga eller låga mätvärden, överlappande körstråk, krokiga körspår och körstråk med nollvärden. Allt detta tyder på att sensorn behöver kalibreras om.

Efter att ha tillämpat GeoPards [rensning och kalibrering](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) på data om verklig avkastning och skapat [syntetisk avkastning](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/synthetic-yield-map.md) för raps kan vi påbörja en meningsfull jämförelse av hur lika de är.

<figure><img src="https://1016759462-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>Raps 2023: ursprungliga jämfört med rensade och kalibrerade avkastningsdata</p></figcaption></figure>

<figure><img src="https://1016759462-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>Syntetisk rapsavkastning 2023</p></figcaption></figure>

Nedan visas en skärmbild av kartan från körningen av likhetsekvationen.

Statistiskt sett visar de höga medelvärdena (0,889) och medianvärdena (0,904) att <mark style="background-color:yellow;">datasetet med syntetisk avkastning i stort sett följer de rumsliga mönstren i den verkliga rapsavkastningen 2023</mark>. Ett område har dock ett värde så lågt som 0,291. Den låga variationen (0,006) och den måttliga standardavvikelsen (0,08) tyder på att <mark style="background-color:yellow;">avkastningen i de flesta delar av fältet stämmer väl överens mellan de verkliga och syntetiska datasetten, med mycket få avvikande värden</mark>.

Ur ett agronomiskt perspektiv innebär den här starka likheten att <mark style="background-color:yellow;">data om syntetisk avkastning kan fungera som en tillförlitlig ersättning för verkliga fältförhållanden</mark>, vilket stärker förtroendet för att använda modellerade scenarier som underlag för beslut. <mark style="background-color:yellow;">De odlingsmetoder som återspeglas i data om verklig avkastning fångas väl upp av modellen för syntetisk avkastning</mark>, vilket möjliggör mer välgrundad och konsekvent planering av framtida odlingsstrategier.

<figure><img src="https://1016759462-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>Jämförelse av likheten i rapsavkastning: verklig avkastning 2023 jämfört med syntetisk avkastning 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/swe/agronomi/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.
