Jämförelse av skördedataset

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

Kontext

Modern jordbruksbeslutsfattning förlitar sig i hög grad på avkastningsdata, som representerar insamlad avkastning och utgör en stor del av odlarens inkomst. Dessa dataset måste vara korrekta och av hög kvalitet för att informera beslut om insatsmedelshantering och optimera framtida utsädes- och gödslingsstrategier.

Avkastningsdata samlas vanligtvis in av skördemaskiner, men råa mätvärden är ofta ofullständiga, innehåller fel eller kräver kalibrering för att hantera sensorinkonsekvenser och varierande fältförhållanden. För att övervinna dessa utmaningar använder proffs ofta rengöring, kalibrering och syntetisk datasetgenerering för att ta fram tillförlitliga, jämförbara avkastningsdata.

Båda Rengöring och kalibrering av avkastning och Syntetisk återställning av avkastningsdata stöds av GeoPard.

Jämförelser av avkastningsdataset från olika odlingsår ger värdefulla insikter, hjälper till att bekräfta förvaltningsmetoder, verifiera sensors noggrannhet och förbättra strategier för kommande säsonger. Dessa jämförelser vägleder också förfiningen av gödslings- och utsädesrecept, vilket säkerställer att varje beslut baseras på pålitlig information.

Jämförelsemetod (med hjälp av likhetsformel)

För att kvantitativt jämföra avkastningsdataset använder vi en förinspelad formel med namnet Rumslig korrelationsanalys (likhet mellan datalager) som mäter likheten mellan avkastningsrelaterade attribut från avkastningsdataset på en rumslig basis.

Denna formel tilldelar en likhetspoäng som visar hur nära ett dataset matchar ett annat i rumsligt mönster och värdefördelning.

Sök efter befintlig ekvation för likhet mellan datalager

Likhetsvärdena varierar från 0 till 1, där 0 indikerar ingen överensstämmelse och 1 betyder 100% rumslig värdeöverensstämmelse. Med andra ord, ju närmare likhetspoängen är 1, desto mer lika är avkastningsattributen.

Verkligt avkastningsdataset (2015 Sojaböna vs 2018 Sojaböna)

I detta fall börjar vi med rå avkastningsdata insamlade under två olika odlingssäsonger 2015 och 2018 med samma gröda sojaböna. De ursprungliga datasetten innehåller onormalt höga och låga punkter, särskilt i början/slutet av skördemaskinens passager, och datan kräver lätt kalibrering.

Efter att ha tillämpat GeoPards verktyg för rengöring och kalibrering är det resulterande datasetet mer enhetligt, konsekvent och lättare att tolka.

Sojaböna 2015: Ursprungligt vs Rengjort & Kalibrerat avkastningsdata

Sojaböna 2018: Ursprungligt vs Rengjort & Kalibrerat avkastningsdata

Körningskartan för likhetsformeln visas nedan som en skärmbild.

Ur ett statistiskt perspektiv visar den ett högt medelvärde (0,869) och median (0,876), vilket indikerar att sojabönornas avkastningsmönster 2018 liknar starkt dem från 2015. Även om vissa områden faller till 0,599 bekräftar den låga variationen (0,005) och den måttliga standardavvikelsen (0,073) övergripande konsistens.

Ur ett agronomiskt perspektiv, tyder denna stabilitet på att fältets underliggande förhållanden och reaktioner på skötselåtgärder förblivit i stort sett oförändrade.

Jämförelse av avkastningslikhet: Sojaböna 2015 vs Sojaböna 2018

Verkligt avkastningsdataset (2022 Majs vs 2024 Majs)

I detta scenario börjar vi med rå avkastningsdata från två majsår — 2022 och 2024. De ursprungliga datasetten innehåller anomalier som onormalt höga eller låga mätningar, korspassager och kurviga banor, vilket indikerar behov av sensorkalibrering.

Efter att ha tillämpat GeoPards verktyg för rengöring och kalibrering blir datasetten mer pålitliga, vilket möjliggör automatiserad analys och välgrundade beslut.

Majs 2022: Ursprungligt vs Rengjort & Kalibrerat avkastningsdata

Majs 2024: Ursprungligt vs Rengjort & Kalibrerat avkastningsdata

Körningskartan för likhetsformeln visas nedan som en skärmbild.

Ur ett statistiskt perspektiv visar ett medelvärde på 0,791 och en median på 0,799 att majsavkastningen 2024 i stor utsträckning liknar 2022, även om områden ned till 0,413 indikerar variation. En standardavvikelse på 0,115 bekräftar vissa skillnader över fältet.

Ur ett agronomiskt perspektiv, konsekventa mönster tyder på stabila förhållanden och effektiv skötsel över tiden. Dock kan lokala zoner med lägre likhet kräva riktade justeringar för att förbättra framtida avkastningsresultat.

Jämförelse av avkastningslikhet: Majs 2022 vs Majs 2024

Syntetiskt vs verkligt avkastningsdataset (2023 Raps)

I detta scenario börjar vi med rått avkastningsdataset från rapsåret 2023 och ett syntetiskt genererat avkastningsdataset för samma gröda och samma år 2023. Målet är att bedöma den rumsliga noggrannheten mellan verklig och syntetisk avkastning, vilket ger en väg att fylla i oregistrerade data, åtgärda luckor i avkastningsdata och korrigera anomalier med syntetiska värden. Det verkliga avkastningsdatasetet innehåller problem som onormalt höga eller låga mätningar, korspassager, kurviga banor och nollpassager, vilket alla indikerar behov av sensorkalibrering.

Efter att ha tillämpat GeoPards Rengöring & Kalibrering på de verkliga avkastningsdata och genererat Syntetisk avkastning för raps kan vi inleda en meningsfull jämförelse av deras likhet.

Raps 2023: Ursprungligt vs Rengjort & Kalibrerat avkastningsdata

Raps syntetisk avkastning 2023

Körningskartan för likhetsformeln visas nedan som en skärmbild.

Ur ett statistiskt perspektiv indikerar de höga genomsnittliga (0,889) och medianvärdena (0,904) att övergripande matchar det syntetiska avkastningsdatasetet väl de rumsliga mönstren i den verkliga rapsavkastningen 2023. Även om ett område faller så lågt som 0,291 tyder den låga variationen (0,006) och den måttliga standardavvikelsen (0,08) på att större delen av fältet överensstämmer nära mellan verkliga och syntetiska dataset, med väldigt få avvikare.

Ur ett agronomiskt perspektiv innebär denna starka likhet att de syntetiska avkastningsdata kan fungera som en tillförlitlig proxy för verkliga fältförhållanden, vilket stärker förtroendet för att använda modellerade scenarier för att vägleda beslut. De agronomiska åtgärder som återspeglas i de verkliga avkastningsdata fångas väl av den syntetiska avkastningsmodellen, vilket möjliggör mer informerad och konsekvent planering av framtida förvaltningsstrategier.

Jämförelse av avkastningslikhet Raps: Verkligt 2023 vs Syntetiskt 2023