> 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/yield-and-trials/comparing-yield-datasets.md).

# Verim Veri Kümelerini Karşılaştırma

Doğru Verim Temizleme ve Kalibrasyon ile Sentetik Verim kullanımını kapsayarak, ürün performansını sezonlar arasında daha derinlemesine anlamak için verim veri kümelerini karşılaştırın.

## Bağlam

Modern tarımsal karar alma süreçleri, hasat edilen ürün miktarını yansıtan ve üretici gelirinin önemli bir bölümünü belirleyen Verim Veri Kümelerine büyük ölçüde dayanır. Girdi yönetimine ilişkin kararları yönlendirmek, gelecekteki ekim ve gübreleme stratejilerini optimize etmek için bu veri kümelerinin doğru ve yüksek kaliteli olması gerekir.

Verim Verileri genellikle hasat makineleri tarafından toplanır; ancak ham ölçümler çoğunlukla eksiktir, hatalar içerir veya sensör tutarsızlıklarını ve değişken tarla koşullarını gidermek için kalibrasyon gerektirir. Bu zorlukların üstesinden gelmek amacıyla uzmanlar, güvenilir ve karşılaştırılabilir Verim Verileri üretmek için genellikle temizleme, kalibrasyon ve sentetik veri kümesi oluşturma tekniklerinden yararlanır.

Hem[ Verim Verilerini Temizleme ve Kalibrasyon](https://docs.geopard.tech/geopard-tutorials/tr/ziraat/yield-and-trials/yield-calibration-and-cleaning.md) hem de [Verim Verilerini Sentetik Olarak Oluşturma](https://docs.geopard.tech/geopard-tutorials/tr/ziraat/yield-and-trials/synthetic-yield-map.md) GeoPard tarafından desteklenir.

<mark style="background-color:yellow;">Farklı ürün yıllarına ait Verim Veri Kümelerini karşılaştırmak; üretim uygulamalarını doğrulamaya, sensör doğruluğunu teyit etmeye ve yaklaşan sezonlara yönelik stratejileri geliştirmeye yardımcı olan değerli bilgiler sağlar.</mark> Bu karşılaştırmalar, verimlilik ve tohum ekim normlarına yönelik reçetelerin iyileştirilmesine de katkı sağlar ve her kararın güvenilir bilgilere dayanmasını güvence altına alır.

## Karşılaştırma Yöntemi (Benzerlik Denklemi kullanılarak)

Verim Veri Kümelerini nicel olarak karşılaştırmak için önceden kaydedilmiş ve adı <mark style="background-color:yellow;">Mekânsal Korelasyon Analizi (Veri Katmanları Benzerliği)</mark> olan; Verim Veri Kümelerindeki verimle ilişkili öznitelikler arasındaki benzerliği mekânsal olarak ölçen bir denklem kullanıyoruz.

Bu denklem, bir veri kümesinin mekânsal örüntü ve değer dağılımı bakımından diğeriyle ne kadar örtüştüğünü gösteren bir benzerlik puanı hesaplar.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrDgSf0J2uDfD9Wy0GPjw%2Fimage.png?alt=media&amp;token=7af48fc7-2044-483c-b50b-a1ea3c0461f7" alt=""><figcaption><p>Mevcut Veri Katmanları Benzerliği denklemini arayın</p></figcaption></figure>

<mark style="background-color:yellow;">Benzerlik değerleri 0 ile 1 arasında değişir. 0 eşleşme olmadığını, 1 ise değer ve mekânsal örüntü bakımından %100 eşleşme olduğunu gösterir</mark>. Başka bir deyişle, benzerlik puanı 1'e ne kadar yakınsa verim öznitelikleri de o kadar benzerdir.

## **Gerçek Verim Veri Kümesi (2015** Soya **ve 2018** Soy&#x61;**)**

Bu örnekte, aynı ürün olan soya için 2015 ve 2018 olmak üzere iki farklı yetiştirme sezonunda toplanan ham Verim Verileriyle başlıyoruz. İlk veri kümelerinde, özellikle biçerdöver geçişlerinin başında ve sonunda, olağan dışı derecede yüksek ve düşük değerler bulunuyor; verilerin hafifçe yeniden kalibre edilmesi gerekiyor.

GeoPard'ın temizleme ve kalibrasyon araçları uygulandıktan sonra ortaya çıkan veri kümesi daha tutarlı, düzenli ve yorumlanması daha kolay hâle gelir.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDTbHLvB354jBMO3fub2W%2Fimage.png?alt=media&amp;token=6ca5f428-021b-453d-b6c7-330038294e0c" alt=""><figcaption><p>Soya 2015: Ham ve Temizlenip Kalibre Edilmiş Verim Verileri</p></figcaption></figure>

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaiDl2niPiQyUwQ6kDTdW%2Fimage.png?alt=media&amp;token=7bb1ccdb-b41c-4590-b47f-a803cdbe8e01" alt=""><figcaption><p>Soya 2018: Ham ve Temizlenip Kalibre Edilmiş Verim Verileri</p></figcaption></figure>

Benzerlik Denklemi çalıştırmasının haritası aşağıda ekran görüntüsü olarak verilmiştir.

İstatistiksel açıdan bakıldığında, ortalamanın (0.869) ve medyanın (0.876) yüksek olması, <mark style="background-color:yellow;">2018'deki soya verim örüntülerinin 2015'tekilere büyük ölçüde benzediğini</mark>gösterir. Bazı alanlarda değer 0.599'a kadar düşse de düşük değişkenlik (0.005) ve sınırlı standart sapma (0.073), <mark style="background-color:yellow;">genel tutarlılığı doğrular</mark>.

Agronomik açıdan bakıldığında, <mark style="background-color:yellow;">bu istikrar, tarlanın temel koşullarının ve yönetim uygulamalarına verdiği tepkilerin büyük ölçüde değişmeden kaldığını düşündürür</mark>.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FAyZjM18FRfT03KXUX2yW%2Fimage.png?alt=media&amp;token=d48c86e2-0aa0-4eb4-b626-29e645399a77" alt=""><figcaption><p>Verim Benzerliğinin Karşılaştırılması: Soya 2015 ve Soya 2018</p></figcaption></figure>

## **Gerçek Verim Veri Kümesi (2022** Mısır **ve 2024** Mısı&#x72;**)**

Bu senaryoda, iki mısır sezonundan (2022 ve 2024) alınan ham Verim Verileriyle başlıyoruz. İlk veri kümelerinde olağan dışı yüksek veya düşük ölçümler, çapraz geçişler ve kavisli izler gibi anormallikler bulunuyor; bu da sensörlerin yeniden kalibre edilmesi gerektiğini gösteriyor.

GeoPard'ın temizleme ve kalibrasyon araçları uygulandıktan sonra veri kümeleri daha güvenilir hâle gelir; böylece otomatik analiz ve bilinçli karar alma mümkün olur.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrCMUu65DPZjqVmuvoUvM%2Fimage.png?alt=media&amp;token=00c11d5e-70b7-49ea-9943-0e4ac5b2b990" alt=""><figcaption><p>Mısır 2022: Ham ve Temizlenip Kalibre Edilmiş Verim Verileri</p></figcaption></figure>

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Ff53cGgbe2gWO4LbW2OUN%2Fimage.png?alt=media&amp;token=f48408bd-662e-44f8-9fca-c334b23324b8" alt=""><figcaption><p>Mısır 2024: Ham ve Temizlenip Kalibre Edilmiş Verim Verileri</p></figcaption></figure>

Benzerlik Denklemi çalıştırmasının haritası aşağıda ekran görüntüsü olarak verilmiştir.

İstatistiksel açıdan, 0.791 ortalama ve 0.799 medyan, <mark style="background-color:yellow;">2024 mısır verimlerinin büyük ölçüde 2022'dekilere benzediğini</mark>, ancak 0.413'e kadar düşen değerlerin değişkenliğe işaret ettiğini gösterir. 0.115 standart sapma, <mark style="background-color:yellow;">tarla genelinde bazı farklılıklar bulunduğunu doğrular</mark>.

Agronomik açıdan bakıldığında, <mark style="background-color:yellow;">tutarlı örüntüler, koşulların istikrarlı kaldığını ve zaman içinde yönetimin etkili olduğunu gösterir</mark>. Bununla birlikte, belirli alanlardaki <mark style="background-color:yellow;">düşük benzerlik bölgeleri, gelecekteki verim performansını artırmak için hedefe yönelik düzenlemeler gerektirebilir</mark>.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhOWLFRX43inp21kga5y9%2Fimage.png?alt=media&amp;token=308de900-e22a-4330-b517-a88ca89c5012" alt=""><figcaption><p>Verim Benzerliğinin Karşılaştırılması: Mısır 2022 ve Mısır 2024</p></figcaption></figure>

## **Sentetik ve Gerçek Verim Veri Kümesi (2023** Kolza)

Bu senaryoda, 2023 kolza sezonundan alınan ham Verim Veri Kümesiyle ve aynı ürün ile aynı yıl (2023) için sentetik olarak oluşturulmuş bir Verim Veri Kümesiyle başlıyoruz. <mark style="background-color:yellow;">Amaç, Gerçek ve Sentetik Verim arasındaki mekânsal doğruluğu değerlendirmek; kaydedilmemiş verileri tamamlamak, verim verilerindeki boşlukları gidermek ve sentetik değerlerle anormallikleri düzeltmek için bir yol sunmaktır</mark>. Gerçek Verim Veri Kümesi; olağan dışı yüksek veya düşük ölçümler, enlemesine geçişler, kavisli izler ve sıfır geçişler gibi sorunlar içerir. Bunların tümü sensörün yeniden kalibre edilmesi gerektiğine işaret eder.

GeoPard’ın [Temizleme ve Kalibrasyon](https://docs.geopard.tech/geopard-tutorials/tr/ziraat/yield-and-trials/yield-calibration-and-cleaning.md) özelliğini Gerçek Verim Verilerine uygulayıp [Sentetik Verim](https://docs.geopard.tech/geopard-tutorials/tr/ziraat/yield-and-trials/synthetic-yield-map.md) oluşturarak, kolza için benzerliklerini anlamlı biçimde karşılaştırabiliriz.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkCRiie2suhom6bxWKCJ%2Fimage.png?alt=media&amp;token=f4752a43-55e2-431c-a667-8363c8f742c6" alt=""><figcaption><p>Kolza 2023: Orijinal ve Temizlenmiş ve Kalibre Edilmiş Verim Verileri</p></figcaption></figure>

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fz427malsrdHAQOCNjQyh%2Fimage.png?alt=media&amp;token=26a63983-2a7f-48b2-bfc9-3e40a883582a" alt=""><figcaption><p>2023 Kolza Sentetik Verimi</p></figcaption></figure>

Benzerlik Denklemi çalıştırmasının haritası aşağıda ekran görüntüsü olarak verilmiştir.

İstatistiksel açıdan, yüksek ortalama (0,889) ve medyan (0,904) puanları, <mark style="background-color:yellow;">Sentetik Verim Veri Kümesinin genel olarak 2023 kolzasına ait Gerçek Verim verilerinin mekânsal örüntüleriyle yakından örtüştüğünü gösterir</mark>. Bir alanda puan 0,291’e kadar düşse de, düşük varyasyon (0,006) ve sınırlı standart sapma (0,08), <mark style="background-color:yellow;">tarlanın büyük bölümünde Gerçek ve Sentetik Veri Kümelerinin yakından örtüştüğünü ve aykırı değerlerin çok az olduğunu gösterir</mark>.

Tarımsal açıdan bu güçlü benzerlik, <mark style="background-color:yellow;">Sentetik Verim Verilerinin gerçek tarla koşulları için güvenilir bir gösterge olarak kullanılabileceğini</mark>ve kararları yönlendirmek için modellenmiş senaryolara duyulan güveni pekiştirdiğini gösterir. <mark style="background-color:yellow;">Gerçek Verim Verilerine yansıyan tarımsal uygulamalar, Sentetik Verim modeli tarafından başarılı biçimde yakalanmıştır</mark>ve gelecekteki yönetim stratejileri için daha bilinçli ve tutarlı planlamaya olanak tanır.

<figure><img src="https://4027984477-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FZT4vMwtGPgMFsmWAsIb4%2Fimage.png?alt=media&amp;token=bf195514-380e-43fb-bbee-5922dd92b769" alt=""><figcaption><p>Kolza Verim Benzerliğinin Karşılaştırılması: 2023 Gerçek ve 2023 Sentetik</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/tr/ziraat/yield-and-trials/comparing-yield-datasets.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.
