> 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/produktvandring-webbapp/zones-maps-and-analytics/multi-layer-analytics.md).

# Analys i flera lager

Med GeoPard kan du kombinera flera datalager för att skapa skötselzoner. Du styr vikter, index, antal zoner, klustringstyp och minsta polygonarea.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Interaktiv demo – skapa zoner med flera lager*

Precisionsjordbruk genererar stora mängder data, bland annat skördedata, satellitbilder och jordartskartor. Många team har fortfarande svårt att omvandla dessa lager till användbara insikter och åtgärder. Inom precisionsjordbruk är skötselzoner områden på ett fält med liknande skördepotential, baserat på jordart, läge i sluttningen, markkemi, mikroklimat eller andra faktorer som påverkar grödan. Lokal fältkunskap är också en viktig del av processen. Skötselzoner hjälper till att optimera insatsmedel och skördepotential.

Den största utmaningen är att skapa skötselzoner som speglar den faktiska variationen i fältet. Att kombinera lager som satellitbilder, markens bördighet, topografiska derivat och data från skördemätare är nästa logiska steg mot mer behovsanpassade skötselzoner.

Analys med flera lager (även kallad integrerad analys) håller på att bli en del av GeoPards motor för geospatial analys.

Klassiska kombinationer för integrerad analys omfattar ett eller flera skördedataset, en NDVI-karta, höjddata och fysikalisk-kemiska egenskaper från markgivarens mätningar. GeoPard stöder dessa parametrar och låter dig även ta med andra datalager för fältet som redan finns i systemet eller som användaren laddar upp direkt, till exempel jordprov och skördedataset. Därmed kan du arbeta med en komplett uppsättning parametrar för integrerad analys:

Skördedata\
Fjärranalysdata:

* Karta över produktionspotential (ett enskilt år och flera år)
* Karta över stabilitet/variation
* Vegetationsindexen NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografi:

* Höjd över havet
* Lutning
* Kurvatur
* Fuktighetsindex
* Sluttningens riktning
* Skuggrelief
* Ojämnhet
* Ytråhet

Markdata:

* pH
* CEC (katjonbyteskapacitet)
* SOM (organiskt material i marken)
* K (kalium)
* Tunt matjordslager och lägre vattenhållande förmåga (torkkänslig jord)
* EC (elektrisk konduktivitet)
* och andra kemiska egenskaper som finns i det uppladdade datasetet

Observera att du kan ställa in egna faktorer för varje datalager och ange önskad vikt. I GeoPard kan du skapa kartor över skötselzoner utifrån din kunskap om fältet, samtidigt som du väljer datakällor och deras vikter.

## Så fungerar lagervikter

Vikten anger hur mycket varje lager påverkar varje pixel i den resulterande zonkartan.

### Först normaliseras värdena

Indatalagren har oförenliga enheter och intervall: NDVI sträcker sig från 0 till 1, skörd från 4 till 12 t/ha, pH från 5,5 till 7,5 och EC från 5 till 60 mS/m. Om råvärden kombinerades skulle det lager som har störst numeriskt intervall dominera resultatet, oavsett dess agronomiska betydelse.

GeoPard använder först min-max-normalisering för varje lager och skalar om värdena till ett gemensamt intervall utifrån lagrets egna minimi- och maximivärden inom fältet. Därefter är det bara vikten som styr påverkan.

### Sedan tillämpas vikterna

Varje normaliserat lager multipliceras med sin vikt, och lagren kombineras till en enda yta.

### Negativa vikter inverterar lagret

En negativ vikt vänder på skalan: lagrets höga värden behandlas som låga och dess låga värden som höga. Använd detta när höga mätvärden tyder på sämre förhållanden, till exempel:

* Lerhalt på ett fält med dålig dränering
* Höjd där låglänta partier drabbas av frost eller vattenmättnad
* EC där höga mätvärden tyder på salthalt snarare än vattenhållande förmåga

### Luckor interpoleras

Om ett lager saknar pixlar (molntäcke i en satellitbild, ett överhoppat körstråk i skördedata eller glest placerade jordprovspunkter) interpolerar GeoPard luckan utifrån omgivande värden i stället för att utesluta pixeln. Den kombinerade kartan förblir sammanhängande över hela fältet.

### Resultatet normaliseras igen

När lagren har viktats och kombinerats normaliseras resultatkartan en gång till så att den täcker hela värdeintervallet. Därefter delas den upp i det antal zoner du har valt.

{% hint style="info" %}
**Välja vikter:** Börja med att ge det lager du litar mest på den högsta vikten. Fleråriga skördedata och långsiktig produktivitet från satellitbilder är oftast de mest tillförlitliga signalerna. Satellitbilder från ett enskilt datum är mer situationsberoende, eftersom en bild bara fångar ett enda tillfälle under säsongen.
{% endhint %}

Bilderna nedan visar ett exempel på ett fält med datalager som en 18-årig produktivitetskarta, en digital höjdmodell, lutning, skuggrelief och skördedata från 2019, samt olika resultat från integrerad analys. Du kan följa hur skötselzonerna förändras när fler lager läggs till.

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fthi0JMlu2pSoF0wLOJp4%2FGeoPard%20Multi-Layer%20Maps%20creating.png?alt=media&amp;token=05cd9cea-0069-451d-af90-caa61801aaa1" alt="Multi-layer zones setup with several data layers and weights"><figcaption><p>Lager och vikter för en zonkarta med flera lager.</p></figcaption></figure>

<figure><img src="https://1016759462-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrfxM1lvXMqXgHLGug8Ow%2FGeoPard%20Multi-Layer%20Maps%20creating%20-%20result%20map.png?alt=media&amp;token=78d3bfd6-255b-477b-95d5-6bb0de84da61" alt="Multi-layer zones map built from imagery, soil EC, topography and yield"><figcaption><p>Resultatet: zoner som kombinerar satellitbilder, markens EC, topografi och skördedata.</p></figcaption></figure>


---

# 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/produktvandring-webbapp/zones-maps-and-analytics/multi-layer-analytics.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.
