Калібрування та очищення даних врожайності

Як очищувати та калібрувати дані монітора врожайності в GeoPard. Включає протокол очищення врожайності USDA. Виправляйте викиди, смуги, розвороти та набори даних від кількох комбайнів.

Використовуйте GeoPard щоб очищувати дані врожайності та калібрувати набори даних монітору врожайності. Отримайте карту врожайності, якій можна довіряти для зон, призначень та аналітики. Цей робочий процес обробляє викиди, розвороти, відсутні атрибути та дані про врожайність від кількох комбайнів. Він включає протокол очищення врожайності USDA та підтримує альтернативні робочі процеси Yield Editor.

Відеоурок з очищення та калібрування даних врожайності. Пояснення різниці між опціями.

Цей процес калібрування має важливе значення для:

1. Забезпечення узгодженості даних: Не рідкість, коли кілька комбайнів працюють спільно або в різні дні. Ця функція гарантує, що їхні дані працюють узгоджено.

2. Уніфікації даних: Дані врожайності можуть бути різноманітними; калібрування забезпечує їх згладженість і послідовність, без небажаних піків або спадів.

3. Відфільтровування шуму: Як і будь-які дані, дані врожайності можуть містити «шум» або неактуальну інформацію. Ми гарантуємо, що це не спотворює ваші висновки.

4. Упорядкування геометрій: Будь-які розвороти або дивні геометричні шаблони можуть спотворювати реальні висновки. Калібрування призначене для їх вирівнювання, забезпечуючи відображення даних реалій поля.

5. Обрізка за межами поля: Комбайни часто працюють по сусідніх ділянках. Для точних аналітичних результатів важливо враховувати лише дані, що знаходяться в межах вказаної межі.

Інтерфейс калібрування врожайності використовує кінцеву точку API GeoPard для очищення/калібрування набору даних врожайності (GeoPard API: Calibrate and Clean YieldDataset). Він виконує КАЛІБРУВАТИ та ОЧИСТИТИ операції в інтерфейсі або через API.

Короткий огляд

5MB

Automated_Yield_Data_Cleaning_Calibration_with_GeoPard.pdf

PDF

Open

Завантажити PDF буклет з очищення врожайності

Приклади з реального життя

У сфері сільського господарства пошкоджені набори даних врожайності можуть створювати суттєві проблеми. Нижче наведені реальні приклади, де зустрічалися такі набори даних. Завдяки просунутим алгоритмам калібрування та очищення GeoPard ці набори даних були ефективно вдосконалені та оптимізовані.

Щоб усунути області, де відсутні записані дані врожайності, і досягти повноти карти врожайності, розгляньте використання підходу GeoPard Synthetic Yield Map. Цей метод відновлює відсутні дані для повного аналізу врожайності. Дізнатися більше тут.

Кілька комбайнів, що працюють разом

Приклад 1: Кілька комбайнів, що працюють разом

У складних сценаріях рекомендується дворівневий процес калібрування для оптимальної точності. Почніть з початкового калібрування, використовуючи атрибут Machine ID. Після цього виконайте другий раунд калібрування, цього разу використовуючи прапорець Simulated (Synthetic) Machine Paths. Такий послідовний підхід забезпечує ретельне та точне калібрування, необхідне для ефективного управління складними випадками.

Приклад 2: Кілька комбайнів, що працюють разом

Приклад 3: Кілька комбайнів, що працюють разом

J-повороти, зупинки, використання половини ширини обладнання

Приклад 1: U-повороти, зупинки, використання половини ширини обладнання

Приклад 2: U-повороти, зупинки, використання половини ширини обладнання

Аномально великі зафіксовані значення

Приклад 1: Аномально великі зафіксовані значення

Приклад 2: Аномально великі зафіксовані значення

Приклад 3: Аномально великі зафіксовані значення

Приклад 4: Аномально великі зафіксовані значення

Приклад 5: Аномально великі зафіксовані значення

Дані за межами меж поля

Приклад: Дані за межами меж поля

Калібрування з використанням наданого середнього значення врожайності

Приклад: Калібрування з використанням наданого середнього значення врожайності (28 т/га)

Очищення атрибутів врожайності з ігноруванням атрибутів з аномаліями

Набір даних врожайності іноді містить атрибути з нерегулярностями в вологості, швидкості, висотах або інших вторинних (не врожайних) атрибутах. Під час виконання операцій Clean або Calibrate важливо ігнорувати ці аномалії. Це можна ефективно зробити за допомогою інтерфейсу GeoPard Yield Clean-Calibrate.

Приклад: Аномалії в атрибуті вологості

Приклад: Очищення даних врожайності з ігноруванням аномалій у вологості

Протокол очищення врожайності USDA

Використовуйте цю опцію, коли вам потрібен повторюваний робочий процес редактора врожайності на основі стандартів. Він оптимізований для масштабного очищення даних монітору врожайності .

Приклад: Очищення даних врожайності з застосуванням протоколу USDA

Приклад: Очищення даних врожайності з застосуванням протоколу USDA

Пояснення логік калібрування

Калібрування вздовж шляхів

ВИКОРИСТОВУЙТЕ Калібрування вздовж шляхів коли поле збиралося кількома машинами або протягом кількох днів, зокрема щоб виправити систематичні відмінності, такі як смуги або смугування. Це ідеально для сценаріїв, коли різні налаштування машин, оператори або умови навколишнього середовища спричиняють послідовне пере- або недооцінювання вздовж різних шляхів.

Важливо, що ШІ потребує варіацій - таких як різні траєкторії, ідентифікатори машин або дати збирання - щоб навчитися та ефективно калібруватися.

Приклад: Yield WetMass і 9 комбайнів

НЕ ВИКОРИСТОВУЙТЕ цей метод для збору одним машиною в одній безперервній сесії або якщо карта врожайності не має видимих просторових патернів. Також уникайте його, якщо дані розріджені або якщо у вас є лише сумарні значення врожайності по полю без відмінностей на рівні машин

Приклад: Статистично коректний розподіл даних

Калібрування за середнім або загальним

Калібрування за середнім/загальним КРАЩЕ ВИКОРИСТОВУВАТИ коли у вас є високий рівень довіри до загальних даних по полю, наприклад записи з вагового мосту або складського обліку. Замість корекції окремих шляхів цей метод масштабує весь набір даних так, щоб кінцеве середнє або загальне відповідало вашому відомому еталонному значенню. Його часто описують як найпростіший і найнадійніший варіант калібрування, коли загальні показники викликають довіру.

Коли ВИКОРИСТОВУВАТИ калібрування за середнім/загальним:

• Відомі еталонні значення: Ви повинні використовувати цю логіку, коли маєте офіційні записи загальної врожайності (наприклад, з вагового мосту) або дуже надійне середнє для поля.

• Глобальна корекція зміщення: Це ідеально, якщо просторовий розподіл на карті врожайності виглядає правильним, але значення глобально зміщені - тобто монітор врожайності, ймовірно, не був відкалібрований і показує значення, які постійно занадто високі або занадто низькі по всьому полю.

• Однорідні умови збору: Цей метод найефективніший, коли умови збору були відносно постійними протягом операції.

• Послідовність однієї машини: Він добре працює для збирань, виконаних однією машиною, яка працювала послідовно по всьому полю.

Приклад: Статистично коректний розподіл даних з необхідним зсувом за середньою врожайністю

Коли НЕ використовувати калібрування за середнім/загальним:

• Зсув між машинами: Не використовуйте цей метод, якщо різні частини поля збиралися різними машинами або в різні дні, що призвело до локалізованих зсувів. У таких випадках масштабування всього поля не виправить основні розбіжності між машинами.

• Видимі артефакти: Якщо ви бачите сильне смугування, полосування або напрямлені артефакти в даних, цей метод їх не усуне; калібрування по шляхах краще підходить для таких проблем.

• Неповні дані: Уникайте цієї логіки, якщо лише частина поля була зібрана або якщо записані дані неповні, оскільки загальні/середні значення будуть вводити в оману.

Приклад: Дані врожайності з пропусками

Умовне калібрування

Умовне калібрування служить як запобіжний контроль, забезпечуючи, що значення врожайності залишаються в межах реалістичних, попередньо визначених мінімальних і максимальних діапазонів.

Ви ПОВИННІ ВИКОРИСТОВУВАТИ цю логіку щобвидалити крайні викиди та стрибки датчика, спричинені шумом, зупинками машини або поворотами. Це ідеально для застосування конкретних агрономічних очікувань - наприклад «врожайність не може перевищувати X» - без виконання корекції.

Однак, УНИКАЙТЕ ЦЬОГО МЕТОДУ якщо ваш набір даних має глобальне зміщення або систематичні відмінності між машинами, оскільки він не масштабує дані і не виправляє просторові патерни. По суті, він зберігає значення правдоподібними, але не вирішує базові зсуви калібрування.

Стратегія використання

Короткий посібник з калібрування врожайності (Onepager)

234KB

GeoPard_Calibration_Guidance_EN_20250120.pdf

PDF

Open

Завантажити PDF Onepager з рекомендаціями з калібрування врожайності

Перший крок

Модуль «Yield Calibrate and Clean» запускається безпосередньо з інтерфейсу користувача. Основною вимогою є наявність завантаженого набору даних врожайності. Поруч з кожним набором даних врожайності ви знайдете кнопку для початку корекцій набору даних.

Почати процес

Виберіть опцію для продовження

Далі доступні кілька варіантів для продовження:

1. Автообробка: Використовуйте параметри за замовчуванням, рекомендовані GeoPard, для калібрування в один клік.

2. Тільки очищення: Налаштуйте та виконайте лише операцію CLEAN, включаючи

   1. GeoPard Cleaning: Розумне очищення набору даних врожайності за допомогою алгоритмів ШІ.

   2. USDA (Департамент сільського господарства США) Протокол очищення врожайності.

   3. Умовне очищення: Фільтруйте дані на основі користувацьких порогів атрибутів.

3. Тільки калібрування: Налаштуйте та виконайте лише операцію CALIBRATE, включаючи

   1. Pathwise: Калібрування врожайності для кожного окремого шляху машини за допомогою алгоритмів ШІ.

   2. Average/Total: Корекція врожайності на основі відомого середнього або загального врожаю поля.

   3. Conditional: Зміна врожайності в межах встановлених мінімальних і максимальних обмежень для підтримання очікуваних діапазонів.

4. Калібрувати й очищувати: Виберіть послідовність операцій і налаштуйте параметри.

5. Альтернатива Yield Editor: Використовуйте Clean Only → USDA (або Калібрувати й очищувати) щоб відповідати ручному робочому процесу «Yield Editor», але в масштабі. У валідаційних тестах очищення за протоколом USDA відповідало результатам ручного Yield Editor з R² (R2) = 0.98 (майже ідентичний результат).

Рішення в один клік

Підказка щодо аномальних значень, іноді властивих наборам даних врожайності.

Якщо атрибут, attribute обраний для калібрування або очищення, переважно містить нульові значення в більшості геометрій, то ці геометрії будуть виключені з кінцевого набору даних врожайності.

Щоб забезпечити цілісність, атрибути з такими аномаліями слід виключити зі списку атрибутів для калібрування.

Повне керівництво

Виберіть потік: Підказка щодо аномалій даних

Якщо користувач стикається з аномаліями в даних, наприклад значеннями на або близькими до нуля, або незвично великими значеннями (наприклад, середнє 10 з максимумом 8000), рекомендується робочий процес Clean & Calibration рекомендується робочий процес.

Пріоритетне очищення даних перед калібруванням забезпечує видалення помилок, відсутніх значень або невідповідностей, тим самим покращуючи якість і точність даних.

Виберіть потік: Підказка щодо даних без початкових помилок

Для наборів даних, що спочатку не містять помилок, відсутніх значень або невідповідностей, і коли відомо про участь кількох жнивних машин, розгляньте можливість використання робочого процесу Calibration & Clean робочий процес.

Очищення даних після калібрування допомагає додатково відшліфувати набір даних, потенційно усуваючи будь-які артефакти, введені під час калібрування.

Потік очищення: Підказка щодо аномальних значень, іноді властивих наборам даних врожайності.

Якщо атрибут, attribute обраний для калібрування або очищення переважно містить нульові значення в більшості геометрій, то ці геометрії будуть виключені з кінцевого набору даних врожайності.

Щоб забезпечити цілісність, атрибути з такими аномаліями слід виключити зі списку атрибутів для очищення (2).

Потік калібрування: Підказка щодо аномальних значень, іноді властивих наборам даних врожайності.

Якщо атрибут, attribute обраний для калібрування або очищення, переважно містить нульові значення в більшості геометрій, то ці геометрії будуть виключені з кінцевого набору даних врожайності.

Щоб забезпечити цілісність, атрибути з такими аномаліями слід виключити зі списку атрибутів для калібрування (3).

Версії алгоритмів

Після обробки результати показуються поруч із початковим набором даних. Вони позначені "Calibrate" та/або "Clean" мітками, а також версією алгоритму.

Результат виконання Calibrate & Clean (версія 2)

вмісту хлорофілу версія 3.0 з версії алгоритму Clean/Calibrate GeoPard вводить функцію Обрізки за межею поля. Це зберігає лише геометрії в межах межі поля та покращує статистичний розподіл.

Результат виконання Auto-Processing (версія 3.0)

Починаючи з версії 4.0, алгоритм Clean/Calibrate у GeoPard тепер включає функцію калібрування на основі середніх або загальних значень для будь-якого атрибуту. Поширеним застосуванням цього вдосконалення є калібрування WetMass, яке тепер можна коригувати за відомим виміряним середнім врожаєм для конкретного поля.

Результат виконання калібрування з використанням середньої врожайності 6 т/га (версія 4.0)

вмісту хлорофілу версія 5.0 з версії алгоритму Clean/Calibrate GeoPard вводить протокол очищення USDA (Департамент сільського господарства США) для врожайності. USDA надає формальні агрономічні стандарти даних, які регламентують, як нормалізуються, валідуються та статистично фільтруються вимірювання врожайності, вологості, потоку та просторових параметрів для отримання узгоджених з машиною та полем сільськогосподарських наборів даних.

Результат виконання очищення з використанням протоколу USDA (версія 5.0)