# Jämförelse av skördedataset

## 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](/geopard-tutorials/swe/agronomi/skordekalibrering-och-rensning.md) och [Syntetisk återställning av avkastningsdata](/geopard-tutorials/swe/agronomi/syntetisk-skordekarta.md) stöds av GeoPard.

<mark style="color:standard;background-color:yellow;">Jämförelser av avkastningsdataset från olika odlingsår ger värdefulla insikter, hjälper till att bekräfta förvaltningsmetoder, verifiera sensors noggrannhet och förbättra strategier för kommande säsonger.</mark> 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 <mark style="color:standard;background-color:yellow;">Rumslig korrelationsanalys (likhet mellan datalager)</mark> 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.&#x20;

<figure><img src="/files/e4b35c8610f17e2bce2962bf4115e626eefe6ba4" alt=""><figcaption><p>Sök efter befintlig ekvation för likhet mellan datalager</p></figcaption></figure>

<mark style="color:standard;background-color:yellow;">Likhetsvärdena varierar från 0 till 1, där 0 indikerar ingen överensstämmelse och 1 betyder 100% rumslig värdeöverensstämmelse</mark>. Med andra ord, ju närmare likhetspoängen är 1, desto mer lika är avkastningsattributen.&#x20;

## **Verkligt avkastningsdataset (2015** Sojaböna **vs 2018** Sojabön&#x61;**)**

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.

<figure><img src="/files/7adf90aeefae00d064cd8b33a27eca65c80599cc" alt=""><figcaption><p>Sojaböna 2015: Ursprungligt vs Rengjort &#x26; Kalibrerat avkastningsdata</p></figcaption></figure>

<figure><img src="/files/58aa4815778eaae2cc892ad895d81dd50e9bc4f0" alt=""><figcaption><p>Sojaböna 2018: Ursprungligt vs Rengjort &#x26; Kalibrerat avkastningsdata</p></figcaption></figure>

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 <mark style="color:standard;background-color:yellow;">sojabönornas avkastningsmönster 2018 liknar starkt dem från 2015</mark>. Även om vissa områden faller till 0,599 bekräftar den låga variationen (0,005) och den måttliga standardavvikelsen (0,073) <mark style="color:standard;background-color:yellow;">övergripande konsistens</mark>.&#x20;

Ur ett agronomiskt perspektiv, <mark style="color:standard;background-color:yellow;">tyder denna stabilitet på att fältets underliggande förhållanden och reaktioner på skötselåtgärder förblivit i stort sett oförändrade</mark>.

<figure><img src="/files/8adec1b021cc8f1fb46adba7ee596233c4172999" alt=""><figcaption><p>Jämförelse av avkastningslikhet: Sojaböna 2015 vs Sojaböna 2018</p></figcaption></figure>

## **Verkligt avkastningsdataset (2022** Majs **vs 2024** Maj&#x73;**)**

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.&#x20;

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

<figure><img src="/files/1cec117154e784b9b7dbea3d251ef950e52d630e" alt=""><figcaption><p>Majs 2022: Ursprungligt vs Rengjort &#x26; Kalibrerat avkastningsdata</p></figcaption></figure>

<figure><img src="/files/987205f70701c022ec612754abea0f75db0e72a9" alt=""><figcaption><p>Majs 2024: Ursprungligt vs Rengjort &#x26; Kalibrerat avkastningsdata</p></figcaption></figure>

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 <mark style="color:standard;background-color:yellow;">majsavkastningen 2024 i stor utsträckning liknar 2022</mark>, även om områden ned till 0,413 indikerar variation. En standardavvikelse på 0,115 bekräftar <mark style="color:standard;background-color:yellow;">vissa skillnader över fältet</mark>.

Ur ett agronomiskt perspektiv, <mark style="color:standard;background-color:yellow;">konsekventa mönster tyder på stabila förhållanden och effektiv skötsel över tiden</mark>. Dock kan lokala <mark style="color:standard;background-color:yellow;">zoner med lägre likhet kräva riktade justeringar för att förbättra framtida avkastningsresultat</mark>.

<figure><img src="/files/8e48a6b5405aae7fe48f39e4281d5c75a8ae25be" alt=""><figcaption><p>Jämförelse av avkastningslikhet: Majs 2022 vs Majs 2024</p></figcaption></figure>

## **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. <mark style="color:standard;background-color:yellow;">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</mark>. 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](/geopard-tutorials/swe/agronomi/skordekalibrering-och-rensning.md) på de verkliga avkastningsdata och genererat [Syntetisk avkastning](/geopard-tutorials/swe/agronomi/syntetisk-skordekarta.md) för raps kan vi inleda en meningsfull jämförelse av deras likhet.

<figure><img src="/files/7f4503e495bb04391e8ae7154e1984eea04928cb" alt=""><figcaption><p>Raps 2023: Ursprungligt vs Rengjort &#x26; Kalibrerat avkastningsdata</p></figcaption></figure>

<figure><img src="/files/ebeb1bbd90eefcb4fa7bf9218ae9461ccb8bdb5a" alt=""><figcaption><p>Raps syntetisk avkastning 2023</p></figcaption></figure>

Körningskartan för likhetsformeln visas nedan som en skärmbild.

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

Ur ett agronomiskt perspektiv innebär denna starka likhet att <mark style="color:standard;background-color:yellow;">de syntetiska avkastningsdata kan fungera som en tillförlitlig proxy för verkliga fältförhållanden</mark>, vilket stärker förtroendet för att använda modellerade scenarier för att vägleda beslut. <mark style="color:standard;background-color:yellow;">De agronomiska åtgärder som återspeglas i de verkliga avkastningsdata fångas väl av den syntetiska avkastningsmodellen</mark>, vilket möjliggör mer informerad och konsekvent planering av framtida förvaltningsstrategier.

<figure><img src="/files/155ae2ee1ac79ca82c122119381ea72d764a13f2" alt=""><figcaption><p>Jämförelse av avkastningslikhet Raps: Verkligt 2023 vs Syntetiskt 2023</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.geopard.tech/geopard-tutorials/swe/agronomi/jamforelse-av-skordedataset.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.