> 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/yield-calibration-and-cleaning.md).

# Rensning och kalibrering av skördedata: ta bort fel i skördekartor

Rensa data från skördemätaren: flödesfördröjning, början och slutet av kördrag, vändningar, överlapp, avvikande hastighets- och fuktvärden samt kalibrering av flera skördetröskor – innan du skapar zoner.

Rådata från skördemätaren innehåller fel som beror på flödesfördröjning, början och slutet av kördrag, vändningar, överlappande skärbord och skördetröskor som kalibrerats olika. Rensa data innan du skapar zoner eller bedömer ett försök, annars visar kartan maskinen i stället för fältet. GeoPard följer automatiskt USDA:s rensningsprotokoll, låter dig ställa in filtren manuellt och kalibrerar flera skördetröskor mot en känd totalskörd eller genomsnittsskörd.

{% hint style="info" %}
Se den interaktiva sidan om rensning av skördedata på geopard.tech: [Rensning av skördedata](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Rensa förra säsongens skördefiler: [Kom igång gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Använd GeoPard för att **rensa skördedata** och **kalibrera skördemätardataset**. Få en skördekarta som du kan lita på när du skapar zoner och tilldelningskartor eller gör analyser. Arbetsflödet hanterar avvikande värden, vändningar, saknade attribut och skördedata från flera skördetröskor. Det omfattar **USDA:s protokoll för rensning av skördedata** och stöder arbetsflöden som alternativ till **Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Videohandledning om rensning och kalibrering av skördedata. Förklaring av skillnaderna mellan alternativen.
{% endembed %}

Den här kalibreringsprocessen är viktig för att:

1. **Säkerställa konsekventa data**: Det är inte ovanligt att flera skördetröskor arbetar samtidigt eller olika dagar. Den här funktionen ser till att deras data samspelar.
2. **Homogenisera data**: Skördedata kan variera; kalibreringen jämnar ut dem och gör dem konsekventa, utan oönskade toppar eller dalar.
3. **Filtrera bort brus**: Precis som andra data kan skördedata innehålla brus eller irrelevant information. Vi ser till att det inte grumlar dina insikter.
4. **Jämna till geometrin**: Vändningar och avvikande geometriska datamönster kan förvränga de faktiska resultaten. Kalibreringen är utformad för att jämna ut sådana avvikelser, så att data verkligen återspeglar förhållandena på fältet.
5. **Beskära efter fältgräns**: Skördetröskor arbetar ofta på intilliggande områden. För att få korrekta analysresultat är det viktigt att bara ta med data innanför den angivna gränsen.

{% hint style="info" %}
Gränssnittet för skördek kalibrering använder GeoPards API-slutpunkt för rensning och kalibrering av skördedata ([GeoPard API: Kalibrera och rensa YieldDataset](https://docs.geopard.tech/geopard-tutorials/swe/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Det kör åtgärderna `CALIBRATE` och `CLEAN` i användargränssnittet eller via API:et.
{% endhint %}

## Snabböversikt

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/86db3842fc0ec355cd889554c93443767fceaa47" %}
Ladda ner PDF-broschyren om rensning av skördedata
{% endfile %}

## Exempel från verkligheten

Förorenade skördedataset kan innebära stora utmaningar inom jordbruket. Nedan hittar du verkliga exempel på sådana dataset. Med GeoPards avancerade algoritmer för kalibrering och rensning har data kunnat förfinas och optimeras effektivt.

{% hint style="info" %}
Om det saknas registrerade skördedata i vissa områden och du vill få en komplett skördekarta kan du använda GeoPards metod för syntetiska skördekartor. Metoden återskapar saknade data för en fullständig skördeanalys. Läs mer [här](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Flera skördetröskor i arbete

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Exempel 1: Flera skördetröskor i arbete</p></figcaption></figure>

{% hint style="info" %}
Vid komplexa förhållanden rekommenderas en kalibrering i två steg för bästa möjliga noggrannhet. Börja med att köra den första kalibreringen med attributet Machine ID. Kör därefter en andra kalibrering och använd då kryssrutan Simulated (Synthetic) Machine Paths. Med den här stegvisa metoden får du en grundlig och exakt kalibrering, vilket är viktigt för att hantera komplicerade fall.
{% endhint %}

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Exempel 2: Flera skördetröskor i arbete</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Exempel 3: Flera skördetröskor i arbete</p></figcaption></figure>

### J-svängar, stopp och halva redskapsbredden använd

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Exempel 1: U-svängar, stopp och halva redskapsbredden använd</p></figcaption></figure>

<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>Exempel 2: U-svängar, stopp och halva redskapsbredden använd</p></figcaption></figure>

### Onormalt höga registrerade värden

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Exempel 1: Onormalt höga registrerade värden</p></figcaption></figure>

<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>Exempel 2: Onormalt höga registrerade värden</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Exempel 3: Onormalt höga registrerade värden</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Exempel 4: Onormalt stora loggade värden</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Exempel 5: Onormalt stora loggade värden</p></figcaption></figure>

### Data utanför fältgränsen

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Exempel: Data utanför fältgränserna</p></figcaption></figure>

### Kalibrering med angivet medelskördevärde

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Exempel: Kalibrering med angivet medelskördevärde (28 t/ha)</p></figcaption></figure>

### Rensa skördeattribut och ignorera avvikande värden

Skördedatasetet innehåller ibland avvikande värden för fuktighet, hastighet, höjd eller andra sekundära attribut (som inte avser skörd). När du utför rensnings- eller kalibreringsaktiviteter är det viktigt att bortse från dessa avvikelser. Detta kan göras effektivt med GeoPards gränssnitt för rensning och kalibrering av skördedata.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Exempel: Avvikelser i fuktighetsattributet</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Exempel: Rensa skördedata och ignorera avvikelser i fuktigheten</p></figcaption></figure>

### USDA:s protokoll för rensning av skördedata

Använd det här alternativet när du behöver ett **repeterbart, standardbaserat arbetsflöde för redigering av skördedata**. Det är optimerat för **rensning av data från skördemätare** i stor skala.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Exempel: Rensa skördedata enligt USDA:s protokoll</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Exempel: Rensa skördedata enligt USDA:s protokoll</p></figcaption></figure>

## Förklaring av kalibreringsmetoder

### Spårvis kalibrering

**ANVÄND** **spårvis kalibrering** när ett fält <mark style="background-color:green;">skördas med flera maskiner eller under flera dagar, särskilt för att korrigera systematiska skillnader som ränder eller bandmönster.</mark> Den passar bra när varierande maskininställningar, förare eller miljöförhållanden leder till att skörden konsekvent överskattas eller underskattas i olika körspår.

Det är viktigt att <mark style="background-color:yellow;">AI:n behöver variation – till exempel olika körspår, maskin-ID:n eller skördedatum – för att kunna lära sig och kalibrera effektivt.</mark>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Exempel: Skördens våtvikt och 9 skördetröskor</p></figcaption></figure>

**ANVÄND INTE** den här metoden vid skörd med en enda maskin under ett sammanhängande arbetspass, eller om skördekartan saknar synliga rumsliga mönster. Undvik den också om dataunderlaget är glest eller om du bara har totala skördevärden för hela fältet utan skillnader mellan maskiner.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Exempel: Statistiskt korrekt datafördelning</p></figcaption></figure>

### Kalibrering mot medelvärde eller total

**Kalibrering mot medelvärde/total lämpar sig bäst** när <mark style="background-color:green;">du har stor tilltro till skördedata för hela fältet, till exempel uppgifter från en fordonsvåg eller en lagringsanläggning.</mark> I stället för att justera enskilda körspår skalar den här metoden hela datasetet så att slutvärdet för medelskörd eller total skörd stämmer med ditt kända referensvärde. Den beskrivs ofta som det enklaste och säkraste kalibreringsalternativet när du litar på totalsiffrorna.

När ska du **ANVÄNDA kalibrering mot medelvärde/total:**

* **Kända referensvärden**: Använd den här metoden när du har officiella uppgifter om den totala skörden (till exempel från en fordonsvåg) eller ett mycket tillförlitligt medelskördevärde för fältet.
* **Korrigering av systematiskt fel för hela fältet**: Metoden passar när den rumsliga fördelningen på skördekartan ser korrekt ut, men värdena är genomgående förskjutna – det vill säga när skördemätaren troligen inte var kalibrerad och rapporterar konsekvent för höga eller för låga värden över hela fältet.
* **Jämna skördeförhållanden**: Metoden fungerar bäst när skördeförhållandena var relativt jämna under hela arbetet.
* **Konsekventa resultat med en enda maskin**: Metoden fungerar bra för skörd med en enda maskin som arbetat konsekvent över hela fältet.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Exempel: Statistiskt korrekt datafördelning med nödvändig förskjutning med hjälp av medelskörd</p></figcaption></figure>

När ska du **INTE ANVÄNDA kalibrering mot medelvärde/total:**

* **Systematiska skillnader mellan maskiner**: Använd inte den här metoden om olika delar av fältet skördades med olika maskiner eller olika dagar, vilket ledde till lokala avvikelser. I sådana fall åtgärdar skalning av hela fältet inte de underliggande skillnaderna mellan maskinerna.
* **Synliga artefakter**: Om du ser tydliga ränder, bandning eller riktningsberoende artefakter i dina data löser den här metoden inte problemet; <mark style="background-color:green;">kalibrering per körspår passar bättre för sådana problem</mark>.
* **Ofullständiga data**: Använd inte den här logiken om bara en del av fältet har skördats eller om registrerade data är ofullständiga, eftersom total- och medelvärdena då blir missvisande.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Exempel: avkastningsdata med luckor</p></figcaption></figure>

### Villkorad kalibrering

**Villkorad kalibrering** fungerar som <mark style="background-color:green;">en säkerhetskontroll som säkerställer att avkastningsvärdena håller sig inom realistiska, fördefinierade minimi- och maximivärden</mark>.

Du **BÖR ANVÄNDA** den här logiken för att<mark style="background-color:green;">ta bort extrema avvikare och sensortoppar som orsakas av brus, maskinstopp eller vändningar</mark>. Den passar utmärkt för att tillämpa specifika agronomiska förväntningar – till exempel ”avkastningen kan inte överstiga X” – utan att göra någon korrigering.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Däremot bör du **UNDVIKA DEN HÄR METODEN** om ditt dataset har en övergripande snedvridning eller systematiska skillnader mellan maskiner, eftersom metoden varken skalar data eller korrigerar rumsliga mönster. Den håller i korthet värdena rimliga, men korrigerar inte underliggande kalibreringsavvikelser.

## Strategi för användning

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Ensidig vägledning för kalibrering av avkastningsdata</p></figcaption></figure>

{% file src="/files/31d9d7df1b0ac42239f04054a5684c97c9dc8b95" %}
Ladda ned PDF: En ensidig vägledning för kalibrering av avkastningsdata
{% endfile %}

## Första steget

Modulen ”Kalibrera och rensa avkastningsdata” startas direkt från användargränssnittet. För att komma igång behöver du ha laddat upp ett avkastningsdataset. Bredvid varje avkastningsdataset finns en knapp för att starta justeringen av datasetet.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Starta flödet</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Välj ett alternativ för att fortsätta</p></figcaption></figure>

Därefter kan du fortsätta på flera olika sätt:

1. **Automatisk bearbetning**: Använd GeoPards rekommenderade standardinställningar för kalibrering med ett klick.
2. **Endast rensning**: Konfigurera och kör endast åtgärden RENSNING, inklusive
   1. **GeoPard-rensning**: Smart rensning av avkastningsdataset med AI-algoritmer.
   2. **USDA** (USA:s jordbruksdepartement) rensningsprotokoll för avkastningsdata.
   3. **Villkorad rensning**: Filtrera data utifrån anpassade tröskelvärden för attribut.
3. **Endast kalibrering**: Konfigurera och kör endast åtgärden KALIBRERING, inklusive
   1. **Kalibrering per körspår**: Kalibrera avkastningen för varje enskilt maskinspår med AI-algoritmer.
   2. **Medelvärde/total**: Justera avkastningen utifrån fältets kända medelavkastning eller totalavkastning.
   3. **Villkorad**: Ändra avkastningen inom angivna minimi- och maximivärden för att hålla den inom förväntade intervall.
4. **Kalibrera och rensa**: Välj åtgärdernas ordningsföljd och anpassa parametrarna.
5. **Alternativ till Yield Editor**: Använd **Endast rensning → USDA** (eller **Kalibrera och rensa**) för att efterlikna ett manuellt arbetsflöde för rensning i ”Yield Editor”, men i stor skala. I valideringstester överensstämde rensning enligt USDA-protokollet med de manuella resultaten från Yield Editor med **R² (R2) = 0,98** (nästan identiska resultat).

## Lösning med ett knapptryck

{% hint style="warning" %}
**Tips om avvikande värden som ibland förekommer naturligt i skördedata.**

Om ett **attribut** som valts för kalibrering eller rensning till största delen **innehåller** **nollvärden i merparten av geometrierna**, kommer dessa geometrier att uteslutas från den slutliga skördedatamängden.

För att säkerställa dataintegriteten bör attribut med sådana avvikelser uteslutas från listan över attribut som ska kalibreras.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Fullständig vägledning

{% hint style="warning" %}
**Välj arbetsflöde: Tips om avvikelser i data**

Om en användare upptäcker avvikelser i data, till exempel värden vid eller nära noll eller ovanligt höga värden (exempelvis ett medelvärde på 10 och ett maxvärde på 8 000), rekommenderas arbetsflödet **Rensa och kalibrera** .

Genom att prioritera datarensning före kalibrering säkerställer du att fel, saknade värden och inkonsekvenser tas bort, vilket förbättrar datakvaliteten och noggrannheten.
{% endhint %}

{% hint style="warning" %}
**Välj arbetsflöde: Tips för data utan ursprungliga fel**

För datamängder som från början saknar fel, saknade värden och inkonsekvenser, och när man vet att flera skördetröskor har använts, kan arbetsflödet **Kalibrera och rensa** vara lämpligt.

Rensning av data efter kalibrering kan förfina dataunderlaget ytterligare genom att eventuellt ta bort artefakter som uppstått under kalibreringen.
{% endhint %}

{% hint style="warning" %}
**Rensningsflöde: Tips om avvikande värden som ibland förekommer naturligt i skördedata.**

Om ett **attribut** som valts för kalibrering eller rensning till största delen innehåller **nollvärden i merparten av geometrierna**, kommer dessa geometrier att uteslutas från den slutliga skördedatamängden.

För att säkerställa dataintegriteten bör attribut med sådana avvikelser uteslutas från listan över attribut som ska rensas (2).
{% endhint %}

{% hint style="warning" %}
**Kalibreringsflöde: Tips om avvikande värden som ibland förekommer naturligt i skördedata.**

Om ett **attribut** som valts för kalibrering eller rensning till största delen **innehåller** **nollvärden i merparten av geometrierna**, kommer dessa geometrier att uteslutas från den slutliga skördedatamängden.

För att säkerställa dataintegriteten bör attribut med sådana avvikelser uteslutas från listan över attribut som ska kalibreras (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Algoritmversioner

Efterbehandlade resultat visas bredvid den ursprungliga datamängden. De markeras med etiketterna **"Kalibrera"** och/eller **"Rensa"** samt algoritmversionen.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Resultatet av körningen av Kalibrera och rensa (version 2)</p></figcaption></figure>

{% hint style="info" %}
Från och med `version 3.0` introducerar GeoPard funktionen Beskärning efter fältgräns i rensnings-/kalibreringsalgoritmen. Funktionen behåller endast geometrier inom fältgränsen och förbättrar den statistiska fördelningen.
{% endhint %}

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Resultatet av körningen av automatisk bearbetning (version 3.0)</p></figcaption></figure>

{% hint style="info" %}
Från och med `version 4.0`innehåller rensnings-/kalibreringsalgoritmen i GeoPard nu en funktion för kalibrering utifrån medelvärden eller totalvärden för valfritt attribut. Funktionen används ofta för att kalibrera WetMass, som nu kan justeras efter den kända, uppmätta genomsnittliga skörden för ett visst fält.
{% endhint %}

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Resultatet av kalibreringen med en genomsnittlig skörd på 6 t/ha (version 4.0)</p></figcaption></figure>

{% hint style="info" %}
Från och med `version 5.0` introducerar GeoPard USDA:s (USA:s jordbruksdepartements) protokoll för rensning av skördedata i rensnings-/kalibreringsalgoritmen. USDA tillhandahåller formella agronomiska datastandarder som styr hur skörd, fuktighet, flöde och rumsliga mätningar normaliseras, valideras och filtreras statistiskt för att skapa jordbruksdatamängder som är konsekventa mellan maskiner och fält.
{% endhint %}

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Resultatet av rensningen med USDA-protokollet (version 5.0)</p></figcaption></figure>

{% hint style="success" %}
Rensa förra säsongens skördefiler: [Kom igång gratis](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% 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/yield-calibration-and-cleaning.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.
