> 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/synthetic-yield-map.md).

# Syntetisk skördekarta: skördekartor för säsonger utan skördedata

Återskapa en skördekarta för en tidigare säsong utifrån satellitbilder och en känd uppgift – fältets totala eller genomsnittliga skörd – och använd den för zonindelning och jämförelser.

En syntetisk skördekarta fyller i en säsong då skördemätaren var avstängd, trasig eller aldrig installerades. GeoPard använder satellitbilder från den säsongen och ett värde du känner till – fältets totala eller genomsnittliga skörd – och fördelar det över fältet. Använd kartan för att komplettera fleråriga odlingszoner eller jämföra säsonger. Behåll skördemätardata där du har tillgång till dem.

{% hint style="success" %}
Fyll i luckorna i din skördehistorik: [Kom igång gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=synthetic-yield-map)
{% endhint %}

## Utvärdera skördeluckor: därför är syntetisk skördekartering viktig

GeoPards modul för syntetiska skördekartor löser ett vanligt problem inom lantbruket: många lantbrukare saknar detaljerade historiska skördedata. Ofta känner lantbrukare till den genomsnittliga eller totala skörden per fält, men detaljerade skördekartor från tidigare år saknas ofta. GeoPards modul erbjuder en lösning genom att skapa skördekartor i efterhand med hög noggrannhet (över 90 %).

Funktionen är särskilt värdefull för lantbrukare som vill förstå och analysera hur skörden i deras fält har utvecklats genom åren. Modulen använder tillgängliga uppgifter om genomsnittlig eller total skörd och tillämpar GeoPards analysmetoder för att skapa detaljerade skördekartor för valfritt tidigare år.

Med syntetiska skördekartor får lantbrukare insikt i hur skörden fördelas och varierar inom fälten. Informationen är avgörande för välgrundade beslut om grödhantering, resursfördelning och planering av framtida odlingsstrategier.

Sammanfattningsvis ger GeoPards modul för syntetiska skördekartor lantbrukare ett praktiskt verktyg för att få fram insikter ur historiska skördedata. Det möjliggör ett mer datadrivet arbetssätt även när detaljerade historiska uppgifter saknas.

Det är avgörande att förstå hur skörden fördelar sig geografiskt för att kunna finjustera agronomiska beslut år efter år. Skördekartor (eller skördedataset) spelar en viktig roll i det arbetet.

Nödvändig utrustning för att registrera skördedata är dock inte alltid installerad i skördetröskor, särskilt inte äldre modeller. Därför täcker skördekartor ofta bara de delar av fälten som har skördats med maskiner som kan skördekartera.

För att möta dessa utmaningar håller GeoPard på att färdigställa lanseringen av sin syntetiska skördekarta – en lösning som ger en heltäckande bild av skörden oavsett utrustningens begränsningar.

## **Tekniskt tillvägagångssätt**

Syntetiska skördekartor skapas med hjälp av GeoPards omfattande erfarenhet av hantering av skördedataset. Fokus ligger på att identifiera faktorer som begränsar skörden, utvärdera historisk [avkastningspotential](https://geopard.tech/blog/field-potential-maps-yield-data/) och analysera [vegetationens utveckling under säsongen](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/satellite-monitoring.md). Metoden gör det möjligt att skapa kartor över skördens fördelning även när det saknas direkta skördedata från skördemaskiner.

Fjärranalysdata ligger till grund för den geografiska fördelningen, medan kalibreringen mot faktiska skördevärden görs genom att använda fältets rapporterade genomsnitts- eller totalskörd. På så sätt återges varje del av fältet korrekt, vilket ger en heltäckande och tillförlitlig bild av skördens fördelning över hela fältet.

## Exempel från verkligheten

{% hint style="info" %}
För att beräkningarna ska bli så noggranna som möjligt är skördeskalibrering ett viktigt extra steg. Den hjälper till att ta bort avvikande värden och justera den statistiska datafördelningen korrekt. Läs mer om [varför skördeskalibrering är viktig](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) och hur du gör det med GeoPard.
{% endhint %}

### Skördekarta för majsensilage: verklig jämfört med syntetisk

Den syntetiska skördekartan verifierades med hjälp av en ursprunglig skördekarta för majsensilage. Arbetet visade att skördeskalibrering behövs som ett mellansteg för att ta bort avvikande datavärden och korrigera skördevärdena.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Skördekarta: rå (ursprunglig) jämfört med kalibrerad</p></figcaption></figure>

Det geografiska mönstret i den syntetiska skördekartan bygger på GeoPards avancerade förståelse av [variationer inom fältet](https://geopard.tech/blog/use-of-heterogeneity-factor-in-precision-agriculture/) och expertis inom [hantering och zonindelning av skördedataset](https://geopard.tech/blog/7b27v4yf41-yield-data-and-analytics-in-geopard/). Därefter kalibrerades kartan med hjälp av medelvärdet för majsensilageskörden, så att det geografiska mönstret stämmer väl överens med de faktiska skördevärdena. <mark style="background-color:yellow;">Den statistiska och geografiska fördelningen av skörd uttryckt som massa (t/ha) visas på följande skärmbild.</mark>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FnEKqU70RiQEE0oxNKgls%2Fimage.png?alt=media&amp;token=e779ea7e-dc6b-45d0-8be6-4f320a5d600a" alt=""><figcaption><p>Skördekarta: kalibrerad jämfört med syntetisk</p></figcaption></figure>

### Majs: verklig jämfört med syntetisk

<mark style="background-color:yellow;">Den statistiska och geografiska fördelningen av majsskörd uttryckt som massa (t/ha) för de kalibrerade och syntetiska skördedataseten visas på följande skärmbild.</mark>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FJYJW4Tvd2KIeSDoxyXLJ%2Fimage.png?alt=media&amp;token=9287734f-beb4-4153-a6e4-1bcf2c6967b8" alt=""><figcaption><p>Skördekarta: kalibrerad jämfört med syntetisk</p></figcaption></figure>

### Sojabönor: verklig jämfört med syntetisk

Följande skärmbild visar den statistiska och geografiska fördelningen av sojabönsskörd uttryckt som massa i både de kalibrerade och syntetiska skördedataseten. Observera att de ursprungliga skördedata angavs i mg/m2, medan de syntetiska skördedata har konverterats och visas i t/ha.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fx0LJjzOgEOIHl8QkrKev%2Fimage.png?alt=media&amp;token=3802315c-2785-48ef-aabd-63262adc3f5a" alt=""><figcaption><p>Skördekarta: kalibrerad jämfört med syntetisk</p></figcaption></figure>

### Vete: återskapa skördekartan

I många fall finns bara en ofullständig skördekarta. Det finns flera orsaker, bland annat att äldre maskiner saknar nödvändig utrustning för att registrera skördedata (1), den mänskliga faktorn (2) och att insamlade data visar sig vara oanvändbara (3). GeoPard löser dessa problem genom att återskapa ofullständiga skördekartor. Processen innefattar en omfattande bedömning av [fältets avkastningspotential](https://geopard.tech/blog/field-potential-maps-yield-data/) och [vegetationens utveckling under säsongen](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/satellite-monitoring.md), med hjälp av GeoPards förfinade metoder för analys av skördedata för att göra kartan mer heltäckande.

Skördeskalibrering behövs fortfarande för att ta bort avvikande värden i skördedatafördelningen.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Skördekarta: verklig (ursprunglig) jämfört med kalibrerad</p></figcaption></figure>

Följande skärmbild jämför de kända delarna av skördekartan med den återskapade skördekartan.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FHrDt9mmQZ6Vm4H7HLR91%2Fimage.png?alt=media&amp;token=63879fe6-8502-4dd7-b48c-75cb40b6859c" alt=""><figcaption><p>Skördekarta: kalibrerad jämfört med syntetisk</p></figcaption></figure>

### Ärtor: fylla i luckor i skördekartan

I många fall finns bara en ofullständig skördekarta. De vanligaste orsakerna är:

1. äldre maskiner utan utrustning för att registrera skördedata,
2. mänskliga misstag under skörden, och
3. att insamlade data visar sig vara oanvändbara.

GeoPard löser de här utmaningarna genom att återskapa ofullständiga skördekartor med hjälp av avancerade, egenutvecklade algoritmer.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FWw9e7u8eEBaBtgjNqSPF%2Fimage.png?alt=media&amp;token=36e15b1f-50d9-4ca1-a381-f82c07521e95" alt=""><figcaption><p>Skördekarta: återskapad jämfört med original</p></figcaption></figure>

{% hint style="success" %}
Fyll i luckorna i din skördehistorik: [Kom igång gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=synthetic-yield-map)
{% endhint %}


---

# 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/synthetic-yield-map.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.
