> 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Mutation: Kalibrera och rensa YieldDataset

API-anrop för att rensa och kalibrera skördedataset

Kalibrering av "YieldDataset" är en funktion som korrigerar värdefördelningen enligt matematiska principer och därmed förbättrar dataunderlagets övergripande tillförlitlighet. Den höjer kvaliteten på beslutsunderlaget och gör dataunderlaget värdefullt för vidare fördjupad analys.

Vanliga användningsområden för den här funktionen är:

* Synkronisera data när flera skördetröskor har arbetat samtidigt eller under flera dagar, så att data blir enhetliga.
* Göra dataunderlaget mer enhetligt och korrekt genom att jämna ut variationer.
* Ta bort brus och överflödig information som kan skymma insikter.
* Ta bort vändtegar eller avvikande geometrier som kan förvränga de faktiska mönstren och trenderna på fältet.
* Justera skördedata så att de stämmer överens med etablerade medelvärden eller totalsummor för varje attribut.

Mer information och exempel finns i vårt användningsfall [Yield Calibration & Cleaning](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/yield-calibration-and-cleaning.md) .

### Ursprungligt YieldDataset med attributet WetMass

Fem skördetröskor arbetade parallellt på fältet på 30 ha som visas nedan. Kalibreringen av en av skördetröskorna var inte synkroniserad med de övriga, vilket resulterade i <mark style="color:orange;">orange</mark> fläckar, vilket visar att ytterligare `CALIBRATION` krävs. Dessutom finns det många vändtegsområden i <mark style="color:röda;">rött</mark> fläckar närmare fältkanterna som behöver tas bort.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Ursprungligt YieldDataset med attributet WetMass</p></figcaption></figure>

### Kalibrerat och rensat YieldDataset med attributet WetMass

Resultatet nedan visar dataunderlaget efter att de automatiska åtgärderna `CALIBRATE` och `CLEAN` har tillämpats med standardparametrarna. Det resulterande "YieldDataset" har blivit enhetligt, utan avvikande värden eller plötsliga förändringar mellan närliggande geometrier.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Kalibrerat och rensat YieldDataset med attributet WetMass</p></figcaption></figure>

### Alternativen Pathwise, Average/Total och Conditional

**Pathwise-kalibrering** följer maskinens körspår. Varje körspår behandlas som en separat region vid kalibreringen. GeoPard-teamet rekommenderar att använda den här metoden som standard.

**Average/Total-kalibrering** fokuserar på att fördela attributvärdena på nytt. Om de geografiska mönstren stämmer men de absoluta värdena avviker från de faktiska värdena är den här metoden användbar. För bästa resultat rekommenderar GeoPard att kombinera den med Pathwise-kalibrering: tillämpa först Pathwise och justera sedan till kända Average/Total-värden.

**Conditional-kalibrering** justerar attributvärden utifrån angivna minimi- och maxgränser. Metoden är särskilt användbar när de geografiska mönstren är korrekta men värdefördelningen behöver justeras, framför allt när kända minimi- och maxvärden finns. För bästa resultat rekommenderar GeoPard att kombinera metoden med Pathwise-kalibrering: börja med Pathwise och justera sedan så att värdena stämmer med de kända minimi- och maxvärdena.

### Tips

{% hint style="warning" %}
**Tips vid dataavvikelser**

Om du stöter på avvikelser i data, till exempel värden som är eller ligger nära noll, eller ovanligt höga värden (till exempel ett medelvärde på 10 och ett maxvärde på 8000), rekommenderas arbetsflödet **Clean & Calibration** . Det konfigureras med parametrarna `actions: [CLEAN, CALIBRATE]`.

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" %}
**Tips för data utan ursprungliga fel**

Om dataunderlaget från början saknar fel, saknade värden och inkonsekvenser, och du vet att flera skördetröskor har använts, kan du överväga arbetsflödet **Calibration & Clean** . Det konfigureras med parametrarna `actions: [CALIBRATE, CLEAN]`.

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

### Dokumentation: Information om mutationen

Standardkonfigurationen aktiverar automatisk kalibrering och rensning av "YieldDataset".

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Ett mer avancerat exempel ger manuell kontroll över min-/maxintervall och inkluderar ytterligare attribut.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Om du vill följa USDA-protokollet för åtgärden `CLEAN` måste du antingen ange ALLA kolumner i `cleanAction` -> `conditionMinMaxClean` eller ange några av dem i `cleanAction` -> `conditionMinMaxClean` och resten i `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Indataparametrar:

* `actions` som en array, där du kan välja *korrigeringsåtgärderna och i vilken ordning de ska utföras* ; värden som stöds är bland annat `CLEAN` och `CALIBRATE`.
* `calibrateAction` som ett objekt med konfigurationsinformation för åtgärden `CALIBRATE` .
  * `calibrationAttributes` som en matris med attribut som behöver kalibreras, vanligtvis kopplade till skördekolumnen.
  * `smoothWindowSize` som ett udda heltal som jämnar ut resultatvärdena och minskar abrupta värdeförändringar.
  * `conditionPathwiseCalibration` som ett objekt med **spårvis** kalibrering som motsvarar maskinens körspår. Varje körspår behandlas som ett separat område vid kalibreringen.
    * `calibrationBasis` som en sträng som anger attributet som används som grund för kalibreringen.
    * `maxHomogeneityRegion` som ett booleskt värde som anger om det mest homogena området används som referensområde för kalibreringen.
    * `syntheticMachinePath` som ett booleskt värde som anger om maskinens körvägar ska simuleras. Det är användbart när attributet för maskinens exakta körspår saknas och behöver simuleras utifrån tidsstämplar eller ett liknande attribut.
  * `conditionAvgTotalCalibration` som ett objekt med **medelvärdes-/totalkalibrering** fokuserar på att omfördela attributvärden. Metoden är användbar när de geografiska mönstren är korrekta men de absoluta värdena avviker från de faktiska.
    * `calibrationAttribute` som en sträng som anger attributet som ska kalibreras.
    * `average` som ett tal som anger attributets medelvärde; attributvärdena ska stämma överens med detta medelvärde. Använd endast ett av alternativen, antingen `average` eller `total`, åt gången.
    * `total` som ett tal som anger summan av attributvärdena; deras sammanlagda värde ska motsvara denna summa. Använd endast ett av alternativen, antingen `average` eller `total`, åt gången.
  * `conditionMinMaxCalibration` som ett objekt med **villkorsstyrd** kalibrering som justerar attributvärden utifrån angivna minimi- och maximigränser.
    * `calibrationAttribute` som en sträng som anger attributet som ska kalibreras.
    * `min` som ett tal som anger attributets minimivärde och utgör den nedre gränsen för kalibreringen.
    * `minIncluded` som ett booleskt värde som anger om minimivärdet ska inkluderas
    * `max` som ett tal som anger attributets maximivärde och utgör den övre gränsen för kalibreringen.
    * `maxIncluded` som ett booleskt värde som anger om maximivärdet ska inkluderas.
* `cleanAction` som ett objekt med konfigurationsdetaljer för `CLEAN` åtgärden.
  * `conditionAutoClean` som ett objekt med konfigurationen för den automatiska rensningsalgoritmen.
    * `targetAttribute` som en sträng som anger målskördevärden.
    * `excludedAttributes` som en array med strängar som anger attribut som inte påverkar rensningen.
  * `conditionMinMaxClean` som en array med objekt som innehåller de beskrivna rensningsreglerna. Varje objekt innehåller följande parametrar.
    * cleanAttribute som en sträng som anger kolumnnamnet för regeln.
    * `min` som ett tal som anger minimivärdet.
    * `max` som ett tal som anger maximivärdet.

{% hint style="info" %}
Om du vill visa indata och komma åt de senaste tillgängliga värdena för uppräkningar (till exempel `operations`) rekommenderas att du använder [Altair](https://docs.geopard.tech/geopard-tutorials/swe/api-dokumentation/getting-started-with-the-geopard-api.md).
{% endhint %}

### Dokumentation: YieldDataset-fråga

Som användare av GeoPard API kan du hämta information om korrigeringarna som har tillämpats på YieldDatasets via attributen `appliedCorrections` och `appliedCorrectionsVersion`. Det första innehåller en lista över utförda korrigeringar (t.ex. `CALIBRATE` och `CLEAN`), där körordningen framgår av deras placering i arrayen. Samtidigt `appliedCorrectionsVersion` anger vilken version av algoritmen som användes.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/api-dokumentation/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
