> 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/ukrainian/agronomiya/soil-lime-and-tillage/compare-soil-scanner-data-between-years.md).

# Порівняння даних ґрунтового сканера між роками

Ця стаття описує різні математичні методи для кількісної оцінки відмінностей між наборами даних ґрунтового сканера та покращення прийняття рішень для дослідників і агрономів.

Сканери ґрунту — це важливі інструменти точного землеробства, що дають змогу збирати дані з високою роздільною здатністю про властивості ґрунту, як-от вологість, вміст органічної речовини та рівень поживних речовин. Порівняння двох наборів даних сканування ґрунту має вирішальне значення для розуміння змін із часом, перевірки різних методів сканування або калібрування нових пристроїв. У цій статті розглянуто різні математичні підходи до вимірювання відхилень між двома наборами даних сканування ґрунту, а також наведено практичні рекомендації для дослідників і агрономів.

### Розуміння відхилень у даних сканування ґрунту

Відхилення між двома наборами даних сканування ґрунту — це різниця між виміряними значеннями в тих самих місцях. Вона може виникати через різні умови вимірювання, калібрування сенсорів або зміни властивостей ґрунту. Найпоширеніші типи відхилень:

* Абсолютні різниці: безпосереднє віднімання значень одного набору даних від значень іншого.
* Відносні різниці: порівняння з урахуванням величини вимірювань.
* Метрики похибки: статистичні показники, як-от середня абсолютна похибка (MAE) та нормалізована різниця.

Було обрано два набори даних сканування ґрунту з показниками вмісту калію за 2024 і 2025 роки.

<figure><img src="https://2650431644-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>Початкові набори даних сканування ґрунту</p></figcaption></figure>

### Як вибрати відповідний метод обчислення відхилень

| Метод                                               | Найкраще підходить для                                 |
| --------------------------------------------------- | ------------------------------------------------------ |
| Безпосередня різниця                                | Простої візуалізації додатних і від’ємних змін         |
| Відносна різниця                                    | Порівняння наборів даних із різними масштабами         |
| Нормалізована різниця                               | Стандартизованого аналізу різних наборів даних         |
| Відносне відхилення                                 | Пропорційних різниць, корисних для аналізу тенденцій   |
| Середня абсолютна похибка (MAE) для кожного пікселя | Виявлення ділянок із великими абсолютними відхиленнями |

### Обчислення безпосередньої різниці

Метод безпосередньої різниці просто віднімає один набір даних від іншого, щоб безпосередньо візуалізувати зміни властивостей ґрунту.

Використання `geopard.calculate_difference(dataset_1, dataset_2)` і пояснення параметрів описано [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/oglyad-produktu-vebdodatok/equation-based-analytics/catalog-of-custom-functions.md#calculate_difference).

Переваги:

* Чітко показує додатні та від’ємні зміни.
* Простий для інтерпретації та візуалізації.

Недоліки:

* Значення різниці може бути складно порівнювати, якщо набори даних мають різні масштаби.
* Значна мінливість може домінувати в інтерпретації.

<figure><img src="https://2650431644-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>Обчислення безпосередньої різниці</p></figcaption></figure>

### Обчислення відносної різниці

Метод відносної різниці обчислює відсоткову зміну між наборами даних відносно другого набору, пропонуючи інший погляд на відхилення.

Використання `geopard.calculate_relative_difference(dataset_1, dataset_2)` і пояснення параметрів описано [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/oglyad-produktu-vebdodatok/equation-based-analytics/catalog-of-custom-functions.md#calculate_relative_difference).

Переваги:

* Підходить для розуміння того, наскільки змінився один набір даних пропорційно до іншого.
* Нормалізує різниці для значень різного порядку величини.

Недоліки:

* Може бути нестабільним, якщо значення в другому наборі даних близькі до нуля.
* Менш інтуїтивний, коли важливі абсолютні різниці.

<figure><img src="https://2650431644-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>Обчислення відносної різниці</p></figcaption></figure>

### Обчислення нормалізованої різниці

Метод нормалізованої різниці нормалізує набори даних за їхнім глобальним максимальним значенням перед обчисленням різниць, завдяки чому зміни можна порівнювати для різних масштабів.

Використання `geopard.calculate_normalized_difference(dataset_1, dataset_2)` і пояснення параметрів описано [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/oglyad-produktu-vebdodatok/equation-based-analytics/catalog-of-custom-functions.md#calculate_normalized_difference).

Переваги:

* Ефективний для наборів даних із різними динамічними діапазонами.
* Зменшує вплив екстремальних значень.

Недоліки:

* Невеликі відмінності можуть здаватися перебільшеними, якщо їх належним чином не масштабувати.

<figure><img src="https://2650431644-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>Обчислення нормалізованої різниці</p></figcaption></figure>

### Відносне відхилення на піксель

Метод відносного відхилення обчислює відхилення у відсотках відносно першого набору даних. Він допомагає зрозуміти пропорційні, а не абсолютні відмінності.

Використання `geopard.calculate_per_pixel_relative_deviation(dataset_1, dataset_2)` опис параметрів задокументовано [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/oglyad-produktu-vebdodatok/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_relative_deviation).

Переваги:

* Корисний для порівняння наборів даних із різними масштабами.
* Виражає відхилення у зрозумілому відсотковому форматі.

Недоліки:

* Може вводити в оману, якщо початкові значення дуже малі.

<figure><img src="https://2650431644-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>Відносне відхилення на піксель</p></figcaption></figure>

### Середня абсолютна похибка (MAE) для кожного пікселя

Метод середньої абсолютної похибки (MAE) вимірює абсолютні відмінності між відповідними значеннями у двох наборах даних. Він наочно показує, де виникають найбільші розбіжності.

Використання `geopard.calculate_per_pixel_mae(dataset_1, dataset_2)` опис параметрів задокументовано [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/oglyad-produktu-vebdodatok/equation-based-analytics/catalog-of-custom-functions.md#calculate_per_pixel_mae).

Переваги:

* Простий та інтуїтивно зрозумілий.
* Чітко показує значні відмінності.
* Добре працює з наборами даних, що мають подібні масштаби.

Недоліки:

* Не показує напрямок відмінності (тобто позитивну чи негативну зміну).
* Чутливий до викидів.

<figure><img src="https://2650431644-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>Середня абсолютна похибка (MAE) для кожного пікселя</p></figcaption></figure>

### Висновок

Для порівняння наборів даних ґрунтових сканерів потрібні різноманітні математичні підходи, щоб виявити значущі відмінності. Вибір відповідного методу — абсолютних метрик, як-от MAE, відносних відхилень чи нормалізованих порівнянь — залежить від конкретного завдання. Використовуючи ці методи, агрономи й дослідники можуть покращити аналіз ґрунту, виявляти відмінності на полях і вдосконалювати робочі процеси точного землеробства.


---

# 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/ukrainian/agronomiya/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.
