Skördekalibrering & rensning
Hur du rensar och kalibrerar data från skördemätare i GeoPard. Inkluderar USDA-protokollet för skörderensning. Fixa avvikare, randkörningar, vändtegar och dataset med flera skördetröskor.
Använd GeoPard för att rensa skördeuppgifter och kalibrera data från skördemätare. Få en skördekarta du kan lita på för zoner, recept och analys. Detta arbetsflöde hanterar avvikare, vändningar, saknade attribut och skördardata från flera skördare. Det inkluderar USDA:s protokoll för sköderensning och stödjer alternativa Yield Editor arbetsflöden.
Denna kalibreringsprocess är avgörande för:
Säkerställa datakonsistens: Det är inte ovanligt att flera skördare arbetar tillsammans eller över flera dagar. Denna funktion ser till att deras data stämmer överens.
Homogenisera data: Skördeuppgifter kan variera; kalibreringen ser till att de blir jämna och konsekventa, utan oönskade toppar eller dippar.
Filtrera bort brus: Liksom all data kan skördeuppgifter innehålla 'brus' eller irrelevant information. Vi ser till att det inte skymmer dina insikter.
Förenkla geometrier: Vändningar eller udda geometriska mönster kan snedvrida verkliga insikter. Kalibreringen är utformad för att jämna ut dessa och säkerställa att datan speglar fältets verklighet.
Beskärning efter fältgräns: Skördare arbetar ofta över angränsande områden. För korrekt analys är det viktigt att bara använda data inom den angivna gränsen.
Snabb översikt
Verkliga exempel
Inom jordbruket kan korrupta skördedataset utgöra betydande utmaningar. Nedan hittar du verkliga exempel där sådana dataset påträffats. Genom GeoPards avancerade kalibrerings- och rensningsalgoritmer förfinades och optimerades dessa dataset effektivt.
Flera skördare som arbetar tillsammans
J-vändningar, stopp, halva redskapsbredden använd
Onormalt stora registrerade värden
Data utanför fältgräns
Kalibrering med angivet genomsnittligt skördevärde
Rensa skördeattribut och ignorera attribut med avvikelser
Skördedatasetet innehåller ibland attribut med oregelbundenheter i fukt, hastighet, höjd eller andra sekundära (icke-skörde) attribut. Vid körning av Clean- eller Calibrate-åtgärder är det viktigt att bortse från dessa anomalier. Detta kan effektivt göras med GeoPard Yield Clean-Calibrate-gränssnittet.
USDA-protokoll för skördrengöring
Använd detta alternativ när du behöver en upprepbar, standardbaserad arbetsgång för skördeeditor. Den är optimerad för rensning av skördemätardata i stor skala.
Förklaring av kalibreringslogiker
Kalibrering per körspår
ANVÄND Kalibrering per körspår när ett fält är skördat av flera maskiner eller över flera dagar, specifikt för att korrigera systematiska skillnader som randning eller bandning. Det är idealiskt i scenarier där varierande maskininställningar, förare eller miljöförhållanden orsakar konsekvent överskattning eller underskattning över olika spår.
Avgörande är att AI:n kräver variation - såsom distinkta spår, maskin-ID eller skördedatum - för att lära sig och kalibrera effektivt.
ANVÄND INTE denna metod för skörd av en enda maskin i en kontinuerlig session eller om skördekartan saknar synliga rumsliga mönster. Undvik den också om datan är glest fördelad eller om du bara har totala fältvärden utan maskinnivåskillnader
Genomsnitts- eller total kalibrering
Genomsnitts-/totalkalibrering ÄR BÄST ATT ANVÄNDA när du har hög tilltro till dina övergripande fältnivåskördedata, såsom poster från en vågstation eller lageranläggning. Istället för att justera individuella spår skalar denna metod hela datasetet så att slutligt genomsnitt eller total matchar ditt kända referensvärde. Det beskrivs ofta som den enklaste och säkraste kalibreringsmetoden när de övergripande siffrorna är betrodda.
När ANVÄNDA Genomsnitts-/totalkalibrering:
Kända referensvärden: Du bör använda denna logik när du har officiella totala skördeposter (t.ex. från en vägning) eller ett mycket pålitligt genomsnittligt skördevärde för fältet.
Global biaskorrigering: Den är idealisk om den rumsliga fördelningen i skördekartan ser korrekt ut, men värdena är globalt förskjutna - vilket innebär att skördemätaren sannolikt var okalibrerad och rapporterar konsekvent för höga eller för låga värden över hela fältet.
Enhetliga skördeförhållanden: Denna metod är mest effektiv när skördeförhållandena varit relativt konsekventa under hela operationen.
Konsistens för en maskin: Den fungerar bra för skördar som utförts av en enda maskin som presterade konsekvent över fältet.
När INTE använda Genomsnitts-/totalkalibrering:
Maskin-till-maskin bias: Använd inte denna metod om olika delar av fältet skördats av olika maskiner eller vid olika dagar som resulterat i lokaliserade bias. I sådana fall kommer skalning av hela fältet inte att åtgärda grundläggande skillnader mellan maskiner.
Synliga artefakter: Om du ser kraftig randning, bandning eller riktade artefakter i din data kommer denna metod inte att lösa dem; Spårsvis kalibrering är bättre lämpad för dessa problem.
Ofullständig data: Undvik denna logik om endast en del av fältet skördats eller om den inspelade datan är ofullständig, eftersom total-/genomsnittsvärdena då skulle bli missvisande.
Villkorlig kalibrering
Villkorlig kalibrering tjänar som en säkerhetskontroll genom att säkerställa att skördevärden förblir inom realistiska, fördefinierade minimala och maximala intervall.
Du BÖR ANVÄNDA denna logik för att radera extrema avvikare och sensorspikar orsakade av brus, maskinstopp eller svängar. Den är idealisk för att tillämpa specifika agronomiska förväntningar - såsom "skörd kan inte överstiga X" - utan att utföra en justering.
Dock UNDVIK DENNA METOD om ditt dataset har en global bias eller systematiska maskinskillnader, eftersom den inte skalar data eller åtgärdar rumsliga mönster. I praktiken håller den värden plausibla men löser inte underliggande kalibreringsavvikelser.
Användningsstrategi
Första steget
Modulen "Yield Calibrate and Clean" startas direkt från användargränssnittet. Huvudkravet är att ha ett uppladdat skördedataset. Intill varje skördedataset hittar du en knapp för att påbörja datasetjusteringarna.
Därifrån finns flera alternativ för att fortsätta:
Autoprocessering: Använd standardinställningarna som GeoPard rekommenderar för en ettklickskalibrering.
Endast rensa: Konfigurera och kör endast RENSNINGS-åtgärden, inklusive
GeoPard-rensning: Smart rensning av skördedataset med AI-algoritmer.
USDA (United States Department of Agriculture) rensningsprotokoll för skörd.
Villkorlig rensning: Filtrera data baserat på anpassade attributtrösklar.
Endast kalibrera: Konfigurera och kör endast KALIBRERA-åtgärden, inklusive
Pathwise: Kalibrera skörd för varje individuellt maskinspår med AI-algoritmer.
Average/Total: Justera skörd baserat på fältets kända genomsnitt eller total.
Conditional: Modifiera skörd inom satta minimala och maximala gränser för att behålla förväntade intervall.
Kalibrera & rensa: Välj ordningsföljd för operationerna och anpassa parametrarna.
Alternativ till Yield Editor: Använd Endast rensa → USDA (eller Kalibrera & rensa) för att matcha ett manuellt "Yield Editor"-rensningsarbetsflöde, men i skala. I valideringstester matchade USDA-protokollets rensning manuella Yield Editor-resultat med R² (R2) = 0.98 (nästan identiskt utdata).
Enknappslösning
Tips om onormala värden som ibland är inneboende i skördedataset.
Om ett attribute valt för kalibrering eller rensning i huvudsak innehåller nollvärden över majoriteten av geometrierna, kommer dessa geometrier att exkluderas från det slutliga skördedatasetet.
För att säkerställa integritet bör attribut med sådana anomalier undantas från listan över attribut som ska kalibreras.
Fullständig vägledning
Välj flöde: Tips för dataavvikelser
Om en användare stöter på avvikelser i datan, som värden vid eller nära noll, eller ovanligt stora värden (till exempel ett medelvärde på 10 med en maximal värde på 8000), rekommenderas Clean & Calibration arbetsflöde rekommenderas.
Att prioritera datarensning innan kalibrering säkerställer att fel, saknade värden eller inkonsekvenser tas bort, vilket förbättrar datakvalitet och noggrannhet.
Välj flöde: Tips för data utan initiala fel
För dataset som initialt är fria från fel, saknade värden eller inkonsekvenser, och när flera skördetröskor är kända att ha varit involverade, överväg Calibration & Clean arbetsflöde.
Att rensa datan efter kalibrering hjälper till att ytterligare förfina datasettet genom att potentiellt eliminera artefakter som introducerats under kalibreringen.
Rensningsflöde: Tips om onormala värden som ibland är inneboende i skördedataset.
Om ett attribute valt för kalibrering eller rensning i huvudsak innehåller nollvärden över majoriteten av geometrierna, kommer dessa geometrier att exkluderas från det slutliga skördedatasetet.
För att säkerställa integritet bör attribut med sådana anomalier undantas från listan över attribut som ska rensas (2).
Kalibreringsflöde: Tips om onormala värden som ibland är inneboende i skördedataset.
Om ett attribute valt för kalibrering eller rensning i huvudsak innehåller nollvärden över majoriteten av geometrierna, kommer dessa geometrier att exkluderas från det slutliga skördedatasetet.
För att säkerställa integritet bör attribut med sådana anomalier undantas från listan över attribut som ska kalibreras (3).
Algoritmversioner
Efterbearbetning, visas resultaten bredvid det ursprungliga datasetet. De är märkta med "Kalibrera" och/eller "Rensa" etiketter, plus algoritmversionen.
Senast uppdaterad
Var detta till hjälp?