> 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/tr/ziraat/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Toprak Tarayıcı Verilerini Yıllar Arasında Karşılaştırma

Bu makale, toprak tarayıcı veri kümeleri arasındaki farkları nicelleştirmek ve araştırmacılar ile agronomlar için karar vermeyi geliştirmek üzere çeşitli matematiksel yöntemleri açıklar.

Toprak tarayıcıları, nem, organik madde ve besin maddesi düzeyleri gibi toprak özelliklerine ilişkin yüksek çözünürlüklü verilerin toplanmasını sağlayarak hassas tarımda vazgeçilmez araçlar hâline gelir. İki toprak tarayıcısı veri kümesini karşılaştırmak; zaman içindeki değişimleri anlamak, farklı tarama yöntemlerini doğrulamak veya yeni cihazları kalibre etmek açısından kritik öneme sahiptir. Bu makalede, iki toprak tarayıcısı veri kümesi arasındaki sapmayı ölçmeye yönelik çeşitli matematiksel yaklaşımlar ele alınarak araştırmacılara ve ziraat uzmanlarına uygulanabilir bilgiler sunulmaktadır.

### Toprak Tarayıcısı Verilerindeki Sapmayı Anlama

İki toprak tarayıcısı veri kümesi arasındaki sapma, aynı konumlarda ölçülen değerler arasındaki farkları ifade eder. Bu farklar; ölçüm koşullarındaki değişikliklerden, sensör kalibrasyonundan veya toprak dinamiklerinden kaynaklanabilir. En yaygın sapma türleri şunlardır:

* Mutlak farklar: Veri kümelerindeki değerlerin doğrudan çıkarılması.
* Göreli farklar: Ölçümlerin büyüklüğüne dayalı karşılaştırma.
* Hata ölçütleri: Ortalama Mutlak Hata (MAE) ve Normalize Edilmiş Fark gibi istatistiksel ölçüler.

2024 ve 2025 yıllarına ait potasyum verilerini içeren iki toprak tarayıcısı veri kümesi seçildi.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaKIacaHkrTimf2ZTk5rA%2Fimage.png?alt=media&amp;token=648d807d-137b-4c27-842c-8b7e8cde6f5c" alt=""><figcaption><p>İlk toprak tarayıcısı veri kümeleri</p></figcaption></figure>

### Doğru Sapma Yöntemini Seçme

| Yöntem                                   | En uygun olduğu kullanım                                 |
| ---------------------------------------- | -------------------------------------------------------- |
| Doğrudan Fark                            | Pozitif/negatif değişimlerin basit görselleştirilmesi    |
| Göreli Fark                              | Farklı ölçeklerdeki veri kümelerini karşılaştırma        |
| Normalize Edilmiş Fark                   | Farklı veri kümeleri arasında standartlaştırılmış analiz |
| Göreli Sapma                             | Oransal farklar; eğilim analizi için kullanışlıdır       |
| Piksel Başına Ortalama Mutlak Hata (MAE) | Mutlak farkların büyük olduğu alanları belirleme         |

### Doğrudan Fark Hesaplama

Bu Doğrudan Fark yöntemi, toprak özelliklerindeki değişimleri doğrudan görselleştirmek için bir veri kümesini diğerinden çıkarır.

Kullanımı `geopard.calculate_difference(dataset_1, dataset_2)` ve parametre açıklaması [burada](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

artıları belgelenmiştir:

* Pozitif ve negatif değişimleri açıkça gösterir.
* Yorumlaması ve görselleştirmesi kolaydır.

Eksileri:

* Veri kümeleri farklı ölçeklerdeyse fark değerlerini karşılaştırmak zor olabilir.
* Yüksek değişkenlik, yoruma hâkim olabilir.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwgA9AsI1dfinjjQwJ8C9%2Fimage.png?alt=media&amp;token=20e684fd-02fb-4cbb-9c9d-b34aa62ed38f" alt=""><figcaption><p>Doğrudan Fark Hesaplama</p></figcaption></figure>

### Göreli Fark Hesaplama

Göreli Fark yöntemi, sapmaya farklı bir bakış açısı sunarak ikinci veri kümesini temel alıp veri kümeleri arasındaki yüzde değişimi hesaplar.

Kullanımı `geopard.calculate_relative_difference(dataset_1, dataset_2)` ve parametre açıklaması [burada](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

artıları belgelenmiştir:

* Bir veri kümesinin diğerine oranla ne kadar değiştiğini anlamak için uygundur.
* Farklı büyüklüklerdeki farkları normalize eder.

Eksileri:

* İkinci veri kümesindeki değerler sıfıra yakın olduğunda kararsız hâle gelebilir.
* Mutlak farkların önemli olduğu durumlarda anlaşılması daha zordur.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fdvu0tLmgObpZ3WsvGrKQ%2Fimage.png?alt=media&amp;token=fbe018a8-a8dc-421f-9fe9-19b78869b18f" alt=""><figcaption><p>Göreli Fark Hesaplama</p></figcaption></figure>

### Normalize Edilmiş Fark Hesaplama

Normalize Edilmiş Fark yöntemi, farkları hesaplamadan önce veri kümelerini küresel maksimum değerlerine göre normalize eder; böylece farklı ölçeklerdeki değişkenlikler karşılaştırılabilir hâle gelir.

Kullanımı `geopard.calculate_normalized_difference(dataset_1, dataset_2)` ve parametre açıklaması [burada](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

artıları belgelenmiştir:

* farklı dinamik aralıklara sahip veri kümeleri için etkilidir.
* Aşırı değerlerin etkisini azaltır.

Eksileri:

* Doğru şekilde ölçeklendirilmezse küçük farklılıklar abartılı görünebilir.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FSfC0I2ieL3Tsb7zP0wlg%2Fimage.png?alt=media&amp;token=2d0c3bc9-5c7d-4fb7-971f-2ea23d6b8402" alt=""><figcaption><p>Normalize Edilmiş Fark Hesaplama</p></figcaption></figure>

### Piksel Başına Göreli Sapma

Göreli Sapma yöntemi, sapmayı ilk veri kümesine göre yüzde olarak hesaplar. Mutlak farklar yerine oransal farklılıkları anlamaya yardımcı olur.

Kullanımı `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` ve parametrelerin açıklaması [burada belgelenmiştir](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

artıları belgelenmiştir:

* Farklı ölçeklerdeki veri kümelerini karşılaştırırken kullanışlıdır.
* Sapmayı yorumlanabilir bir yüzde biçiminde ifade eder.

Eksileri:

* Orijinal değerler çok küçükse yanıltıcı olabilir.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdAxMNaTGC9JR857B6IdN%2Fimage.png?alt=media&amp;token=1d81e310-a29a-4963-81ad-24b7d24c6e87" alt=""><figcaption><p>Piksel Başına Göreli Sapma</p></figcaption></figure>

### Piksel Başına Ortalama Mutlak Hata (MAE)

Ortalama Mutlak Hata (MAE) yöntemi, iki veri kümesindeki karşılık gelen değerler arasındaki mutlak farkları ölçer. En büyük tutarsızlıkların nerede olduğunu net biçimde gösterir.

Kullanımı `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` ve parametrelerin açıklaması [burada belgelenmiştir](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

artıları belgelenmiştir:

* Basit ve sezgiseldir.
* Büyük farkları net biçimde ortaya çıkarır.
* Ölçekleri benzer veri kümelerinde iyi sonuç verir.

Eksileri:

* Farkın yönünü (yani değişimin pozitif mi negatif mi olduğunu) göstermez.
* Aykırı değerlere duyarlıdır.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F2vU1J5nHGE6WVdGdyoOh%2Fimage.png?alt=media&amp;token=79fcb18b-0a60-4dbe-8f9a-900d28ccb0e8" alt=""><figcaption><p>Piksel Başına Ortalama Mutlak Hata (MAE)</p></figcaption></figure>

### Sonuç

Toprak tarayıcısı veri kümelerini karşılaştırmak, anlamlı farkları ortaya çıkarmak için çeşitli matematiksel yaklaşımlar gerektirir. MAE gibi mutlak ölçütler, göreli sapmalar veya normalleştirilmiş karşılaştırmalar kullanılsın, doğru yöntemin seçimi kullanım amacına bağlıdır. Ziraat mühendisleri ve araştırmacılar bu tekniklerden yararlanarak toprak analizini iyileştirebilir, tarlalardaki değişkenliği tespit edebilir ve hassas tarım iş akışlarını geliştirebilir.


---

# 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/tr/ziraat/soil-lime-and-tillage/compare-soil-scanner-data-between-years.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.
