> 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/yield-calibration-and-cleaning.md).

# Очищення та калібрування даних про врожайність: усунення помилок на картах урожайності

Очистьте дані монітора врожайності: затримка потоку, початок і кінець проходу, розвороти, перекриття, викиди швидкості й вологості, калібрування даних кількох комбайнів — перед створенням зон.

У сирих даних монітора врожайності є похибки, спричинені затримкою потоку, початком і завершенням проходів, розворотами, перекриттям жаток і різним калібруванням комбайнів. Очистьте їх, перш ніж створювати зони чи оцінювати дослід, інакше на карті буде відображено роботу машини, а не стан поля. GeoPard автоматично застосовує протокол очищення USDA, дає змогу вручну налаштовувати фільтри та калібрувати кілька комбайнів за одним відомим загальним показником або середньою врожайністю.

{% hint style="info" %}
Перегляньте інтерактивну сторінку очищення даних урожайності на geopard.tech: [Очищення даних урожайності](https://geopard.tech/yield-data/)
{% endhint %}

{% hint style="success" %}
Очистьте файли врожайності за минулий сезон: [Почати безкоштовно](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}

Використовуйте GeoPard, щоб **очищати дані врожайності** та **калібрувати набори даних монітора врожайності**. Отримайте карту врожайності, якій можна довіряти під час створення зон, карт-завдань і проведення аналітики. Цей робочий процес обробляє викиди, розвороти, відсутні атрибути та дані врожайності з кількох комбайнів. Він включає **протокол очищення даних урожайності USDA** і підтримує робочі процеси **з альтернативою Yield Editor** .

{% embed url="<https://youtu.be/Tk5lubolnHQ>" %}
Відеоурок з очищення та калібрування даних урожайності. Пояснення відмінностей між параметрами.
{% endembed %}

Цей процес калібрування має ключове значення для:

1. **Забезпечення узгодженості даних**: нерідко кілька комбайнів працюють одночасно або в різні дні. Ця функція забезпечує узгодженість їхніх даних.
2. **Уніфікації даних**: дані врожайності можуть бути неоднорідними; калібрування робить їх плавними й узгодженими, усуваючи небажані стрибки та падіння.
3. **Фільтрування шуму**: як і в будь-яких даних, у даних урожайності може бути «шум» або зайва інформація. Ми подбаємо, щоб вона не спотворювала ваші висновки.
4. **Упорядкування геометрії**: розвороти або незвичні геометричні структури даних можуть спотворювати реальну картину. Калібрування допомагає усунути їх, щоб дані точно відображали фактичний стан поля.
5. **Обрізання за межею поля**: комбайни часто працюють на суміжних ділянках. Для точного аналітичного результату важливо враховувати лише дані в межах заданої ділянки.

{% hint style="info" %}
Інтерфейс калібрування врожайності використовує кінцеву точку API GeoPard для очищення та калібрування врожайності ([GeoPard API: калібрування й очищення YieldDataset](https://docs.geopard.tech/geopard-tutorials/ukrainian/dokumentaciya-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md)). Він виконує операції `CALIBRATE` і `CLEAN` у вебінтерфейсі або через API.
{% endhint %}

## Короткий огляд

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th data-hidden data-card-cover data-type="files"></th></tr></thead><tbody><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F1pcsMp9Kt7NyZF11YgVW%2F1.png?alt=media&amp;token=f8190619-71b8-4665-b0e0-c64c8e94b656" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyFjisKTG8adFULlqqCjX%2F2.png?alt=media&amp;token=ea985793-14df-4e03-9051-35db1bad8f58" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCNlWjqLLdhPE2rTVuaUA%2F3.png?alt=media&amp;token=459d6925-63c1-4680-aab7-3d920f41bcbf" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FTI9hUS0awcLL6KeOPkOo%2F4.png?alt=media&amp;token=ddf27706-7a35-4518-aab9-a3f5710fa5a8" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEEhbN218ZlKPadWMnDDK%2F5.png?alt=media&amp;token=5125ee8a-7936-4560-8bf6-474beb2e1812" alt=""></td><td></td><td></td><td></td></tr><tr><td><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FdOppLSfGQCizUG2UOWwz%2F6.png?alt=media&amp;token=2af3a431-3dc3-414f-90b1-9d62d860837c" alt=""></td><td></td><td></td><td></td></tr></tbody></table>

{% file src="/files/aa110cd331d27802824d865691ce08d7aec9fcfd" %}
Завантажити PDF-брошуру про очищення даних урожайності
{% endfile %}

## Приклади з практики

У сільському господарстві пошкоджені набори даних урожайності можуть створювати значні труднощі. Нижче наведено приклади з реальної практики, у яких траплялися такі набори. Завдяки вдосконаленим алгоритмам калібрування й очищення GeoPard ці дані було ефективно впорядковано й оптимізовано.

{% hint style="info" %}
Щоб опрацювати ділянки, для яких не було записано даних урожайності, і створити повну карту врожайності, скористайтеся підходом GeoPard із синтетичною картою врожайності. Цей метод відновлює відсутні дані для повного аналізу врожайності. Докладніше [тут](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/synthetic-yield-map.md).
{% endhint %}

### Спільна робота кількох комбайнів

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxLYRsV8pZbnffA7HacMw%2Fimage.png?alt=media&amp;token=735fe5c7-7355-4011-b550-366bba97acc2" alt=""><figcaption><p>Приклад 1: спільна робота кількох комбайнів</p></figcaption></figure>

{% hint style="info" %}
Для оптимальної точності в складних ситуаціях рекомендовано виконувати калібрування у два етапи. Спочатку запустіть калібрування за атрибутом Machine ID. Потім виконайте ще один етап калібрування, цього разу встановивши прапорець Simulated (Synthetic) Machine Paths. Такий багаторівневий підхід забезпечує ретельне й точне калібрування, необхідне для ефективної роботи зі складними випадками.
{% endhint %}

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fzp5sfPBeqgxwmAFvaOCg%2Fimage.png?alt=media&amp;token=7d873554-17e2-4871-8389-b08dbd2f9d46" alt=""><figcaption><p>Приклад 2: спільна робота кількох комбайнів</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjgsxP8o0vdwvoEfsVjDO%2Fimage.png?alt=media&amp;token=4505bb89-582d-4819-86a7-7b2764346f4b" alt=""><figcaption><p>Приклад 3: спільна робота кількох комбайнів</p></figcaption></figure>

### J-подібні розвороти, зупинки, використання половини ширини обладнання

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeCz6aOPR1yAqoQ09dHU6%2Fimage.png?alt=media&amp;token=6d404a9e-cdd2-4387-9ba0-da74a90233b1" alt=""><figcaption><p>Приклад 1: розвороти на 180°, зупинки, використання половини ширини обладнання</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRce8VNyPVrknT8nv5S70%2Fimage.png?alt=media&amp;token=fee2ecf8-35de-4777-b189-ac47eb234f31" alt=""><figcaption><p>Приклад 2: розвороти на 180°, зупинки, використання половини ширини обладнання</p></figcaption></figure>

### Аномально великі записані значення

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzmazzTOpZUuGoGUpER3X%2Fimage.png?alt=media&amp;token=589f8406-b872-475b-aadf-fe98033be293" alt=""><figcaption><p>Приклад 1: аномально великі записані значення</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKBxJivTWUD4d1TEkiejY%2Fimage.png?alt=media&amp;token=783769a5-3c50-4031-b2ce-7a255bccdf14" alt=""><figcaption><p>Приклад 2: аномально великі записані значення</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfzS2hxfjzOLLloYECwGJ%2Fimage.png?alt=media&amp;token=227fce15-ae66-4377-988e-a01521b5be56" alt=""><figcaption><p>Приклад 3: аномально великі записані значення</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FjXTlPKfGsFFgXNfbxo1p%2Fimage.png?alt=media&amp;token=35786ad7-59d3-4a7b-82b8-838dd8416894" alt=""><figcaption><p>Приклад 4: аномально великі зареєстровані значення</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FoLiETzE2JzYZGJkGnXea%2Fimage.png?alt=media&amp;token=a0fc2b5a-959a-43b7-bf07-e83a9289cd02" alt=""><figcaption><p>Приклад 5: аномально великі зареєстровані значення</p></figcaption></figure>

### Дані за межами поля

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FBw3W24ci7QPTsKLAUMSQ%2Fimage.png?alt=media&amp;token=fed50b20-15cf-4631-87b5-4cdd157edf83" alt=""><figcaption><p>Приклад: дані за межами меж поля</p></figcaption></figure>

### Калібрування за заданим середнім урожаєм

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FfEKsgXvom18AclK5newr%2Fimage.png?alt=media&amp;token=36114655-9cbd-48e7-9b01-dbf4091478b3" alt=""><figcaption><p>Приклад: калібрування за заданим середнім урожаєм (28 т/га)</p></figcaption></figure>

### Очищення атрибутів урожайності з ігноруванням аномальних атрибутів

Набір даних урожайності іноді містить атрибути з відхиленнями в показниках вологості, швидкості, висоти або інших другорядних (не пов’язаних з урожайністю) параметрах. Під час очищення або калібрування важливо ігнорувати ці аномалії. Це можна ефективно зробити за допомогою інтерфейсу очищення та калібрування врожайності GeoPard.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FxqB9uc6JCTsb5q6fuWrp%2Fimage.png?alt=media&amp;token=0f149cbe-8c5f-4604-9f64-ceb73a07b6eb" alt=""><figcaption><p>Приклад: аномалії в атрибуті вологості</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fpnh4ysSTZUGlzBfQBO13%2Fimage.png?alt=media&amp;token=ded245e3-9ae5-48ea-b2da-1400bcbfc3ba" alt=""><figcaption><p>Приклад: очищення даних урожайності з ігноруванням аномалій вологості</p></figcaption></figure>

### Протокол очищення врожайності USDA

Використовуйте цей параметр, якщо вам потрібен **відтворюваний робочий процес редагування врожайності на основі стандартів**. Він оптимізований для **очищення даних моніторів урожайності** у великих масштабах.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Приклад: очищення даних урожайності із застосуванням протоколу USDA</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FRjsfVEr1qOfaz3DflfGF%2Fimage.png?alt=media&amp;token=a2001258-09cd-44eb-9bca-3a0d54ac4bf1" alt=""><figcaption><p>Приклад: очищення даних урожайності із застосуванням протоколу USDA</p></figcaption></figure>

## Пояснення логіки калібрування

### Калібрування за маршрутами

**ВИКОРИСТОВУЙТЕ** **калібрування за маршрутами** , якщо поле <mark style="background-color:green;">збирали кількома комбайнами або протягом кількох днів, зокрема для коригування систематичних відмінностей, як-от смуг чи зон.</mark> Цей метод ідеально підходить для ситуацій, коли налаштування машин, оператори або умови довкілля спричиняють стабільне завищення чи заниження показників на різних маршрутах.

Важливо: <mark style="background-color:yellow;">для ефективного навчання та калібрування ШІ потрібні відмінності — наприклад, окремі маршрути, ідентифікатори машин або дати збирання.</mark>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FqeSVFK4x29AdDhMKdNt9%2FScreenshot%202026-01-19%20at%2015.09.43.png?alt=media&amp;token=abedd883-4894-4e19-817e-078e5866de25" alt=""><figcaption><p>Приклад: показник Yield WetMass і 9 комбайнів</p></figcaption></figure>

**НЕ ВИКОРИСТОВУЙТЕ** цей метод для збирання врожаю однією машиною протягом одного безперервного сеансу або якщо на карті врожайності немає помітних просторових закономірностей. Також не використовуйте його, якщо даних мало або якщо у вас є лише загальні дані про врожайність на рівні всього поля без відмінностей між машинами

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Приклад: статистично коректний розподіл даних</p></figcaption></figure>

### Калібрування за середнім або загальним значенням

**КАЛІБРУВАННЯ ЗА СЕРЕДНІМ/ЗАГАЛЬНИМ ЗНАЧЕННЯМ НАЙКРАЩЕ ВИКОРИСТОВУВАТИ** , якщо <mark style="background-color:green;">ви впевнені в точності загальних даних про врожайність поля, наприклад записів із вагової або сховища.</mark> Замість коригування окремих маршрутів цей метод масштабує весь набір даних так, щоб кінцеве середнє або загальне значення відповідало відомому еталонному значенню. Його часто вважають найпростішим і найбезпечнішим варіантом калібрування, якщо загальним показникам можна довіряти.

Коли **ВИКОРИСТОВУВАТИ КАЛІБРУВАННЯ ЗА СЕРЕДНІМ/ЗАГАЛЬНИМ ЗНАЧЕННЯМ:**

* **Відомі еталонні значення**: Використовуйте цю логіку, якщо маєте офіційні дані про загальний урожай (наприклад, із вагової) або надійне середнє значення врожайності поля.
* **Коригування загального зміщення**: Цей метод ідеальний, якщо просторовий розподіл на карті врожайності виглядає правильним, але значення зміщені по всьому полю — ймовірно, монітор урожайності не був відкалібрований і стабільно показує завищені або занижені значення на всій площі.
* **Однорідні умови збирання**: Цей метод найефективніший, коли умови збирання були відносно стабільними протягом усієї роботи.
* **Стабільність роботи однієї машини**: Метод добре працює для збирання врожаю однією машиною, яка працювала стабільно на всьому полі.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FaDRgi3zhqqbxRK5THJtB%2Fimage.png?alt=media&amp;token=c51381e5-48a7-4003-9009-9a524d6df15e" alt="" width="563"><figcaption><p>Приклад: статистично коректний розподіл даних із необхідним зміщенням за середньою врожайністю</p></figcaption></figure>

Коли **НЕ ВИКОРИСТОВУВАТИ КАЛІБРУВАННЯ ЗА СЕРЕДНІМ/ЗАГАЛЬНИМ ЗНАЧЕННЯМ:**

* **Зміщення між машинами**: Не використовуйте цей метод, якщо різні ділянки поля збирали різними машинами або в різні дні, що призвело до локальних зміщень. У таких випадках масштабування всього поля не усуне розбіжностей між машинами.
* **Помітні артефакти**: Якщо у ваших даних помітні сильні смуги, смугастість або спрямовані артефакти, цей метод їх не усуне; <mark style="background-color:green;">для таких проблем краще підходить покалібровка за траєкторіями</mark>.
* **Неповні дані**: Не застосовуйте цю логіку, якщо зібрано лише частину поля або записані дані неповні, оскільки значення загального врожаю та середньої врожайності будуть оманливими.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDnl5nlyf57I8VGxhKDDC%2Fimage.png?alt=media&amp;token=997fbab6-1d6f-40db-99cc-b2c1e7035953" alt="" width="563"><figcaption><p>Приклад: дані про врожайність із пропусками</p></figcaption></figure>

### Умовне калібрування

**Умовне калібрування** слугує <mark style="background-color:green;">запобіжним механізмом, який гарантує, що значення врожайності залишатимуться в реалістичних заздалегідь визначених мінімальних і максимальних межах</mark>.

Вам **СЛІД ЗАСТОСОВУВАТИ** цю логіку, щоб в<mark style="background-color:green;">идаляти екстремальні викиди та стрибки показників датчиків, спричинені шумом, зупинками техніки або розворотами</mark>. Вона ідеально підходить для застосування конкретних агрономічних очікувань — наприклад, «урожайність не може перевищувати X» — без виконання корекції.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FMwk1SC9K5O2dqvtfZM9c%2Fimage.png?alt=media&amp;token=b9f3a911-159e-4df1-a320-ac8da71d9ac0" alt=""><figcaption></figcaption></figure>

Однак **УНИКАЙТЕ ЦЬОГО МЕТОДУ** якщо у вашому наборі даних є загальне зміщення або систематичні відмінності між машинами, оскільки він не масштабує дані й не виправляє просторові закономірності. По суті, він підтримує правдоподібність значень, але не усуває основні похибки калібрування.

## Стратегія використання

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQDPQ6VaHn8G0Bp7yGFks%2Fimage.png?alt=media&amp;token=e209de37-60c1-4453-8e32-3cb96d0c0a3d" alt=""><figcaption><p>Односторінкова інструкція з калібрування врожайності</p></figcaption></figure>

{% file src="/files/7d623aea815cae8480ad0069b8b08570a843f9cf" %}
Завантажити PDF-файл односторінкової інструкції з калібрування врожайності
{% endfile %}

## Перший крок

Модуль «Калібрування та очищення даних про врожайність» запускається безпосередньо з інтерфейсу користувача. Для цього потрібно завантажити набір даних про врожайність. Поруч із кожним таким набором даних ви знайдете кнопку для запуску коригування.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPbjWmMvVPeDOoD66HpZz%2Fimage.png?alt=media&amp;token=30172001-7ba5-46b2-ad1d-a15397250498" alt=""><figcaption><p>Розпочати процес</p></figcaption></figure>

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDT2d6mKzhRFyItdbuab0%2Fimage.png?alt=media&amp;token=39077a2c-9cd8-41c3-9354-ecf30316b20a" alt="" width="563"><figcaption><p>Виберіть варіант, щоб продовжити</p></figcaption></figure>

Після цього можна вибрати один із кількох варіантів:

1. **Автоматична обробка**: Скористайтеся рекомендованими GeoPard налаштуваннями за замовчуванням для калібрування одним натисканням.
2. **Лише очищення**: Налаштуйте та виконайте лише операцію очищення, зокрема
   1. **Очищення GeoPard**: інтелектуальне очищення набору даних про врожайність за допомогою алгоритмів ШІ.
   2. **USDA** (Міністерство сільського господарства США) Протокол очищення даних про врожайність.
   3. **Умовне очищення**: Фільтруйте дані за пороговими значеннями власних атрибутів.
3. **Лише калібрування**: Налаштуйте та виконайте лише операцію калібрування, зокрема
   1. **За траєкторіями**: Калібруйте врожайність окремо для кожної траєкторії руху машини за допомогою алгоритмів ШІ.
   2. **Середнє значення/загальний обсяг**: Скоригуйте врожайність відповідно до відомого середнього або загального показника врожайності поля.
   3. **Умовне**: Змініть показники врожайності в заданих мінімальних і максимальних межах, щоб вони відповідали очікуваному діапазону.
4. **Калібрування й очищення**: Виберіть послідовність операцій і налаштуйте параметри.
5. **Альтернатива Yield Editor**: Використовуйте **Лише очищення → USDA** (або **Калібрування й очищення**) відповідно до процесу очищення вручну в «Редакторі врожайності», але в масштабі. Під час перевірочних тестів очищення за протоколом USDA збігалося з результатами ручного редагування врожайності з показником **R² (R2) = 0.98** (результати майже ідентичні).

## Рішення в один клік

{% hint style="warning" %}
**Підказка щодо аномальних значень, які іноді трапляються в наборах даних про врожайність.**

Якщо **атрибут** вибраний для калібрування або очищення, переважно **містить** **нульові значення в більшості геометричних об'єктів**, ці геометричні об'єкти буде виключено з підсумкового набору даних про врожайність.

Для забезпечення цілісності даних атрибути з такими аномаліями слід виключити зі списку атрибутів для калібрування.
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/gzZZkXqKSAd1eaIKNqDB>" flowId="gzZZkXqKSAd1eaIKNqDB" %}

## Повний посібник

{% hint style="warning" %}
**Вибір процесу: підказка щодо аномалій у даних**

Якщо користувач виявляє аномалії в даних, наприклад значення, що дорівнюють нулю або близькі до нього, чи незвично великі значення (наприклад, середнє значення 10 за максимального 8000), рекомендується робочий процес **Очищення й калібрування** .

Очищення даних перед калібруванням дає змогу усунути помилки, пропущені значення або неузгодженості, а отже, підвищити якість і точність даних.
{% endhint %}

{% hint style="warning" %}
**Вибір процесу: підказка щодо даних без початкових помилок**

Для наборів даних, які спочатку не містять помилок, пропущених значень або невідповідностей, і коли відомо, що задіяно кілька комбайнів, розгляньте робочий процес **Калібрування й очищення** .

Очищення даних після калібрування допомагає додатково вдосконалити набір даних, потенційно усуваючи артефакти, що виникли під час калібрування.
{% endhint %}

{% hint style="warning" %}
**Процес очищення: підказка щодо аномальних значень, які іноді трапляються в наборах даних про врожайність.**

Якщо **атрибут** вибраний для калібрування або очищення, переважно містить **нульові значення в більшості геометричних об'єктів**, ці геометричні об'єкти буде виключено з підсумкового набору даних про врожайність.

Для забезпечення цілісності даних атрибути з такими аномаліями слід виключити зі списку атрибутів для очищення (2).
{% endhint %}

{% hint style="warning" %}
**Процес калібрування: підказка щодо аномальних значень, які іноді трапляються в наборах даних про врожайність.**

Якщо **атрибут** вибраний для калібрування або очищення, переважно **містить** **нульові значення в більшості геометричних об'єктів**, ці геометричні об'єкти буде виключено з підсумкового набору даних про врожайність.

Для забезпечення цілісності даних атрибути з такими аномаліями слід виключити зі списку атрибутів для калібрування (3).
{% endhint %}

{% @arcade/embed url="<https://app.arcade.software/share/i8Q6uC04nIVjJLLOYELJ>" flowId="i8Q6uC04nIVjJLLOYELJ" %}

## Версії алгоритму

Після обробки результати відображаються поруч з оригінальним набором даних. Їх позначено мітками **«Калібрування»** та/або **«Очищення»** і зазначено версію алгоритму.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F20oK9gntxkBPLitm5waW%2Fimage.png?alt=media&amp;token=dc4dc121-6e5e-41cf-8d72-515fe882663a" alt=""><figcaption><p>Результат виконання калібрування й очищення (версія 2)</p></figcaption></figure>

{% hint style="info" %}
Починаючи з `version 3.0` алгоритму очищення/калібрування, GeoPard запровадив функцію обрізання за межами поля. Вона залишає лише геометричні об'єкти в межах поля та покращує статистичний розподіл.
{% endhint %}

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fxb2i3FdlM95fgeSj0fnk%2Fimage.png?alt=media&amp;token=85685f14-c00c-487f-abc6-5ebc968f5662" alt=""><figcaption><p>Результат автоматичної обробки (версія 3.0)</p></figcaption></figure>

{% hint style="info" %}
Починаючи з `version 4.0`, алгоритм очищення/калібрування в GeoPard тепер містить функцію калібрування за середніми або сумарними значеннями будь-якого атрибута. Поширений приклад застосування цього вдосконалення — калібрування WetMass, яке тепер можна коригувати на основі відомої виміряної середньої врожайності для конкретного поля.
{% endhint %}

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FT9dEFqOcfWfcbtTQhSrX%2Fimage.png?alt=media&amp;token=e6e24dbc-3132-44aa-bf71-439d447b7ec5" alt=""><figcaption><p>Результат калібрування за середньою врожайністю 6 т/га (версія 4.0)</p></figcaption></figure>

{% hint style="info" %}
Починаючи з `version 5.0` алгоритму очищення/калібрування, GeoPard запровадив протокол USDA (Міністерства сільського господарства США) для очищення даних про врожайність. USDA встановлює офіційні агрономічні стандарти для нормалізації, перевірки та статистичної фільтрації даних про врожайність, вологість, потік і просторові вимірювання, щоб створювати узгоджені з технікою та полями набори сільськогосподарських даних.
{% endhint %}

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FhM4KqHPBIQqUWQ6nvoi1%2Fimage.png?alt=media&amp;token=b2447749-21b2-49b2-a160-bb9e50ff7e2e" alt=""><figcaption><p>Результат очищення за протоколом USDA (версія 5.0)</p></figcaption></figure>

{% hint style="success" %}
Очистьте файли врожайності за минулий сезон: [Почати безкоштовно](https://app.geopard.tech/auth/sign-up?utm_source=docs\&utm_medium=cta\&utm_campaign=yield-calibration-and-cleaning)
{% endhint %}


---

# 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/yield-calibration-and-cleaning.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.
