Skördekalibrering och rensning

Så här rensar och kalibrerar du data från skördesensorn i GeoPard. Inkluderar USDA:s protokoll för skörderensning. Rätta till avvikare, ränder, vändtegskörning och datamängder från 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.

Videoguide för rensning och kalibrering av skördeuppgifter. Skillnaden mellan alternativen förklaras.

Denna kalibreringsprocess är avgörande för:

1. Säkerställa datakonsistens: Det är inte ovanligt att flera skördare arbetar tillsammans eller över flera dagar. Denna funktion ser till att deras data stämmer överens.

2. Homogenisera data: Skördeuppgifter kan variera; kalibreringen ser till att de blir jämna och konsekventa, utan oönskade toppar eller dippar.

3. Filtrera bort brus: Liksom all data kan skördeuppgifter innehålla 'brus' eller irrelevant information. Vi ser till att det inte skymmer dina insikter.

4. 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.

5. Beskärning efter fältgräns: Skördare arbetar ofta över angränsande områden. För korrekt analys är det viktigt att bara använda data inom den angivna gränsen.

Gränssnittet för skördekalibrering använder GeoPard API-slutpunkten för Yield Clean/Calibrate (GeoPard API: Kalibrera och rensa skördedataset). Det kör KALIBRERA och RENSA operationerna i användargränssnittet eller via API.

Snabb översikt

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Open

Ladda ner PDF-broschyr om sköderensning

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.

För att åtgärda områden utan inloggade skördeuppgifter och uppnå en komplett skördekarta, överväg att använda GeoPard Synthetic Yield Map-metoden. Denna metod återställer saknade data för en fullständig skördeanalys. Läs mer här.

Flera skördare som arbetar tillsammans

Exempel 1: Flera skördare som arbetar tillsammans

När du hanterar komplexa scenarier rekommenderas en tvåstegs kalibreringsprocess för optimal noggrannhet. Börja med att köra den initiala kalibreringen med attributet Machine ID. Fortsätt därefter med en andra kalibrering och använd kryssrutan Simulated (Synthetic) Machine Paths. Denna lager-på-lager-metod säkerställer en grundlig och precis kalibrering, vilket är viktigt för att effektivt hantera invecklade fall.

Exempel 2: Flera skördare som arbetar tillsammans

Exempel 3: Flera skördare som arbetar tillsammans

J-vändningar, stopp, halva redskapsbredden använd

Exempel 1: U-svängar, stopp, halva redskapsbredden använd

Exempel 2: U-svängar, stopp, halva redskapsbredden använd

Onormalt stora registrerade värden

Exempel 1: Onormalt stora registrerade värden

Exempel 2: Onormalt stora registrerade värden

Exempel 3: Onormalt stora registrerade värden

Exempel 4: Onormalt stora registrerade värden

Exempel 5: Onormalt stora registrerade värden

Data utanför fältgräns

Exempel: Data utanför fältgränser

Kalibrering med angivet genomsnittligt skördevärde

Exempel: Kalibrering med angivet genomsnittligt skördevärde (28 t/ha)

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.

Exempel: Avvikelser i fuktattributet

Exempel: Rensa skördeuppgifter och ignorera avvikelser i fukt

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.

Exempel: Rensa skördeuppgifter med tillämpning av USDA-protokoll

Exempel: Rensa skördeuppgifter med tillämpning av USDA-protokoll

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.

Exempel: Yield WetMass och 9 skördare

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

Exempel: Statistiskt korrekt datadistribution

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.

Exempel: Statistiskt korrekt datadistribution med nödvändig förskjutning med genomsnittlig skörd

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.

Exempel: Skördeuppgifter med luckor

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

Ensidig vägledning för skördekalibrering

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Open

Ladda ner PDF-ensidigt dokument med vägledning för skördekalibrering

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.

Starta arbetsflödet

Välj ett alternativ för att fortsätta

Därifrån finns flera alternativ för att fortsätta:

1. Autoprocessering: Använd standardinställningarna som GeoPard rekommenderar för en ettklickskalibrering.

2. Endast rensa: Konfigurera och kör endast RENSNINGS-åtgärden, inklusive

   1. GeoPard-rensning: Smart rensning av skördedataset med AI-algoritmer.

   2. USDA (United States Department of Agriculture) rensningsprotokoll för skörd.

   3. Villkorlig rensning: Filtrera data baserat på anpassade attributtrösklar.

3. Endast kalibrera: Konfigurera och kör endast KALIBRERA-åtgärden, inklusive

   1. Pathwise: Kalibrera skörd för varje individuellt maskinspår med AI-algoritmer.

   2. Average/Total: Justera skörd baserat på fältets kända genomsnitt eller total.

   3. Conditional: Modifiera skörd inom satta minimala och maximala gränser för att behålla förväntade intervall.

4. Kalibrera & rensa: Välj ordningsföljd för operationerna och anpassa parametrarna.

5. 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.

Resultatet av körningen Calibrate & Clean (version 2)

Från version 3.0 från och med Clean/Calibrate-algoritmens version 3.0 introducerar GeoPard funktionen Beskärning efter fältgräns. Detta behåller endast geometrier inom fältgränsen och förbättrar den statistiska fördelningen.

Resultatet av körningen Auto-Processing (version 3.0)

Med start från version 4.0, inkluderar Clean/Calibrate-algoritmen i GeoPard nu en funktion för kalibrering baserad på genomsnittliga eller totala värden över vilket attribut som helst. En vanlig tillämpning av denna förbättring är kalibrering av WetMass, som nu kan justeras med det kända uppmätta genomsnittliga skördevärdet för ett specifikt fält.

Resultatet av kalibreringskörningen med genomsnittlig skörd på 6 t/ha (version 4.0)

Från version 5.0 från och med Clean/Calibrate-algoritmens version 5.0 introducerar GeoPard USDA (United States Department of Agriculture) rensningsprotokoll för skörd. USDA tillhandahåller formella agronomiska datastandarder som styr hur skörd, fukt, flöde och rumsliga mätningar normaliseras, valideras och statistiskt filtreras för att producera maskin- och fältkonsistenta jordbruksdataset.

Resultatet av rensningskörningen med användning av USDA-protokollet (version 5.0)