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

# Порівняння наборів даних врожайності

Порівнюйте набори даних врожайності, щоб отримати глибші інсайти щодо продуктивності культур між сезонами, охоплюючи правильне очищення та калібрування врожайності й використання синтетичної врожайності.

## Контекст

Сучасне ухвалення рішень у сільському господарстві значною мірою спирається на набори даних про врожайність, які містять зібрані дані про врожайність і відображають значну частину доходу аграріїв. Ці набори мають бути точними та якісними, щоб допомагати ухвалювати рішення щодо управління ресурсами й оптимізувати стратегії майбутньої сівби та внесення добрив.

Дані про врожайність зазвичай збирає збиральна техніка, однак первинні показники часто неповні, містять помилки або потребують калібрування через розбіжності в показниках датчиків і мінливі умови на полях. Щоб подолати ці труднощі, фахівці зазвичай очищують і калібрують дані, а також генерують синтетичні набори даних, аби отримати надійні та придатні до порівняння дані про врожайність.

Обидва процеси —[ Очищення та калібрування даних про врожайність](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) і [Синтетичне відновлення даних про врожайність](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/synthetic-yield-map.md) — підтримуються GeoPard.

<mark style="background-color:yellow;">Порівняння наборів даних про врожайність за різні роки вирощування дає цінні відомості, допомагає перевірити ефективність агрономічних практик, підтвердити точність датчиків і вдосконалити стратегії на наступні сезони.</mark> Такі порівняння також допомагають точніше налаштувати рекомендації щодо удобрення та висіву, забезпечуючи ухвалення кожного рішення на основі достовірних даних.

## Підхід до порівняння (за допомогою рівняння подібності)

Для кількісного порівняння наборів даних про врожайність ми використовуємо попередньо збережене рівняння під назвою <mark style="background-color:yellow;">Аналіз просторової кореляції (подібність шарів даних)</mark> яке вимірює просторову подібність атрибутів, пов’язаних із врожайністю, у різних наборах даних.

Це рівняння обчислює оцінку подібності, яка показує, наскільки один набір даних відповідає іншому за просторовим розподілом і розподілом значень.

<figure><img src="https://2650431644-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>Знайдіть наявне рівняння подібності шарів даних</p></figcaption></figure>

<mark style="background-color:yellow;">Значення подібності перебувають у діапазоні від 0 до 1: 0 означає відсутність збігу, а 1 — повний збіг за значеннями й просторовим розташуванням</mark>. Іншими словами, що ближча оцінка подібності до 1, то подібніші атрибути врожайності.

## **Реальний набір даних про врожайність (2015 рік,** соя **— проти 2018 року,** со&#x44F;**)**

У цьому прикладі ми починаємо з первинних даних про врожайність, зібраних у два різні сезони вирощування — 2015 та 2018 роки, для тієї самої культури — сої. У початкових наборах даних є аномально високі й низькі показники, особливо на початку та в кінці проходів комбайна; дані також потребують незначного повторного калібрування.

Після застосування інструментів GeoPard для очищення та калібрування отриманий набір даних стає одноріднішим, узгодженішим і легшим для інтерпретації.

<figure><img src="https://2650431644-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>Соя, 2015 рік: вихідні дані та дані про врожайність після очищення й калібрування</p></figcaption></figure>

<figure><img src="https://2650431644-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>Соя, 2018 рік: вихідні дані та дані про врожайність після очищення й калібрування</p></figcaption></figure>

Нижче наведено знімок екрана карти результатів обчислення рівняння подібності.

Зі статистичного погляду, середнє значення (0,869) і медіана (0,876) є високими, що свідчить про те, що <mark style="background-color:yellow;">просторові закономірності врожайності сої у 2018 році дуже подібні до закономірностей 2015 року</mark>. Хоча в окремих зонах показник знижується до 0,599, низька варіативність (0,005) і помірне стандартне відхилення (0,073) підтверджують <mark style="background-color:yellow;">загальну узгодженість</mark>.

З агрономічного погляду, <mark style="background-color:yellow;">така стабільність свідчить, що базові умови поля та його реакція на агрономічні практики значною мірою залишилися незмінними</mark>.

<figure><img src="https://2650431644-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>Порівняння подібності врожайності: соя, 2015 рік — соя, 2018 рік</p></figcaption></figure>

## **Реальний набір даних про врожайність (2022 рік,** кукурудза **— проти 2024 року,** кукурудз&#x430;**)**

У цьому прикладі ми починаємо з первинних даних про врожайність кукурудзи за два сезони — 2022 та 2024 роки. Початкові набори містять аномальні показники, як-от надмірно високі або низькі значення, перехресні проходи й вигнуті траєкторії, що вказує на потребу повторно калібрувати датчики.

Після застосування інструментів GeoPard для очищення та калібрування набори даних стають надійнішими, що дає змогу автоматизувати аналіз і ухвалювати обґрунтовані рішення.

<figure><img src="https://2650431644-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>Кукурудза, 2022 рік: вихідні дані та дані про врожайність після очищення й калібрування</p></figcaption></figure>

<figure><img src="https://2650431644-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>Кукурудза, 2024 рік: вихідні дані та дані про врожайність після очищення й калібрування</p></figcaption></figure>

Нижче наведено знімок екрана карти результатів обчислення рівняння подібності.

Зі статистичного погляду, середнє значення 0,791 і медіана 0,799 показують, що <mark style="background-color:yellow;">урожайність кукурудзи у 2024 році здебільшого подібна до врожайності 2022 року</mark>, хоча показники, що в окремих зонах знижуються до 0,413, свідчать про варіативність. Стандартне відхилення 0,115 підтверджує <mark style="background-color:yellow;">наявність певних відмінностей у межах поля</mark>.

З агрономічного погляду, <mark style="background-color:yellow;">сталі закономірності свідчать про стабільні умови та ефективне управління полем упродовж часу</mark>. Однак локальні <mark style="background-color:yellow;">зони з нижчою подібністю можуть потребувати цілеспрямованих коригувань, щоб підвищити врожайність у майбутньому</mark>.

<figure><img src="https://2650431644-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>Порівняння подібності врожайності: кукурудза, 2022 рік — кукурудза, 2024 рік</p></figcaption></figure>

## **Синтетичний і реальний набори даних про врожайність (2023 рік,** ріпак)

У цьому прикладі ми починаємо з первинного набору даних про врожайність ріпаку за сезон 2023 року та синтетично згенерованого набору даних про врожайність тієї самої культури за той самий 2023 рік. <mark style="background-color:yellow;">Мета — оцінити просторову точність реальної та синтетичної врожайності, щоб створити можливість заповнити дані, які не було записано, усунути прогалини в даних про врожайність і виправити аномалії за допомогою синтетичних значень</mark>. У наборі даних про реальну врожайність є проблеми, як-от аномально високі або низькі показники, перехресні проходи, криволінійні траєкторії та проходи з нульовими значеннями. Усе це свідчить про потребу повторно відкалібрувати датчик.

Після застосування інструмента GeoPard [Очищення та калібрування](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) до даних про реальну врожайність і створення даних про [синтетичну врожайність](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/synthetic-yield-map.md) для ріпаку можна розпочати змістовне порівняння їхньої подібності.

<figure><img src="https://2650431644-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>Ріпак, 2023: вихідні дані врожайності та дані після очищення й калібрування</p></figcaption></figure>

<figure><img src="https://2650431644-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>Синтетична врожайність ріпаку, 2023</p></figcaption></figure>

Нижче наведено знімок екрана карти результатів обчислення рівняння подібності.

Зі статистичного погляду високі середнє (0,889) та медіана (0,904) свідчать про те, що <mark style="background-color:yellow;">загалом набір даних про синтетичну врожайність дуже точно відтворює просторові закономірності реальної врожайності ріпаку у 2023 році</mark>. Хоча в одній зоні показник знижується до 0,291, низька варіативність (0,006) і помірне стандартне відхилення (0,08) свідчать про те, що <mark style="background-color:yellow;">на більшій частині поля реальні та синтетичні дані добре узгоджуються, а відхилень дуже мало</mark>.

З агрономічного погляду така висока подібність означає, що <mark style="background-color:yellow;">синтетичні дані про врожайність можуть слугувати надійним замінником даних про реальні умови на полі</mark>, що підвищує впевненість у використанні змодельованих сценаріїв для ухвалення рішень. <mark style="background-color:yellow;">Агрономічні практики, відображені в даних про реальну врожайність, добре відтворені моделлю синтетичної врожайності</mark>, що дає змогу обґрунтованіше й послідовніше планувати майбутні стратегії управління.

<figure><img src="https://2650431644-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>Порівняння подібності врожайності ріпаку: фактична врожайність 2023 року та синтетична врожайність 2023 року</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/ukrainian/agronomiya/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.
