> 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/dokumentaciya-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.md).

# 84. Мутація: Калібрувати та очищати YieldDataset

API-виклики для очищення та калібрування наборів даних урожайності

Калібрування «YieldDataset» — це функція, яка коригує розподіл значень відповідно до математичних принципів і підвищує загальну цілісність даних. Вона покращує якість ухвалення рішень і робить набір даних цінним для подальшого поглибленого аналізу.

Поширені сценарії використання цієї функції:

* Синхронізація даних, якщо кілька збиральних машин працювали одночасно або впродовж кількох днів, щоб забезпечити узгодженість.
* Згладжування коливань, щоб зробити набір даних одноріднішим і точнішим.
* Усунення шуму в даних і зайвої інформації, що може затуманювати результати аналізу.
* Усунення розворотів або аномальних геометричних форм, які можуть спотворювати фактичні закономірності й тенденції на полі.
* Коригування даних про врожайність відповідно до встановлених середніх значень або підсумків для кожного атрибута.

Докладніший опис і приклади наведено в нашому сценарії використання [Калібрування та очищення даних про врожайність](https://docs.geopard.tech/geopard-tutorials/ukrainian/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md) .

### Початковий YieldDataset з атрибутом WetMass

На наведеному нижче полі площею 30 га паралельно працювали п’ять збиральних машин. Калібрування однієї з них не було синхронізовано з іншими, унаслідок чого з’явилися <mark style="color:помаранчевим;">помаранчеві</mark> ділянки, що вказують на потребу в додатковому `CALIBRATION` калібруванні. Крім того, є численні розвороти, позначені <mark style="color:червоні;">червоним</mark> ділянками поблизу меж «поля», які потрібно усунути.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fj40y3lH0F0ZfJNH2WhTf%2Fimage.png?alt=media&amp;token=6bf7baaa-3cda-4863-98e1-e0a92ff2b765" alt=""><figcaption><p>Початковий YieldDataset з атрибутом WetMass</p></figcaption></figure>

### Відкалібрований і очищений YieldDataset з атрибутом WetMass

Нижче показано набір даних після автоматичного застосування операцій `CALIBRATE` і `CLEAN` із параметрами за замовчуванням. Отриманий «YieldDataset» став однорідним, без викидів і різких змін між сусідніми геометричними об’єктами.

<figure><img src="https://2650431644-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fu3zjlXg03WoWrjOOT9v7%2Fimage.png?alt=media&amp;token=d298f632-b0fe-462f-a395-64a64c02ea55" alt=""><figcaption><p>Відкалібрований і очищений YieldDataset з атрибутом WetMass</p></figcaption></figure>

### Порівняння параметрів Pathwise, Average/Total і Conditional

**Калібрування Pathwise** відповідає траєкторіям руху машини. Для калібрування кожна траєкторія обробляється як окрема ділянка. Команда GeoPard рекомендує використовувати цей метод як стандартний підхід.

**Калібрування Average/Total** зосереджується на перерозподілі значень атрибутів. Цей метод ефективний, якщо геопросторові закономірності точні, але абсолютні значення відрізняються від фактичних. Для оптимального результату GeoPard радить поєднувати його з калібруванням Pathwise: спочатку застосувати Pathwise, а потім скоригувати значення відповідно до відомих середніх або підсумкових значень.

**Калібрування Conditional** коригує значення атрибутів відповідно до заданих мінімальних і максимальних порогів. Цей метод особливо корисний, коли геопросторові закономірності точні, але розподіл значень потребує коригування, зокрема якщо відомі мінімальні й максимальні значення. Для найкращих результатів GeoPard рекомендує поєднувати його з калібруванням Pathwise: спочатку застосувати Pathwise, а потім скоригувати значення відповідно до відомих мінімальних і максимальних значень.

### Підказки

{% hint style="warning" %}
**Підказка щодо аномалій у даних**

Якщо користувач виявив аномалії в даних, наприклад значення, що дорівнюють або близькі до нуля, або незвично великі значення (скажімо, середнє значення — 10, а максимальне — 8000), рекомендується робочий процес **Очищення та калібрування** Він налаштовується за допомогою параметрів `actions: [CLEAN, CALIBRATE]`.

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

{% hint style="warning" %}
**Підказка щодо даних без початкових помилок**

Якщо набір даних спочатку не містить помилок, пропущених значень чи неузгодженостей і відомо, що в роботі брали участь кілька збиральних машин, розгляньте робочий процес **Калібрування та очищення** Він налаштовується за допомогою параметрів `actions: [CALIBRATE, CLEAN]`.

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

### Документація: відомості про мутацію

Стандартна конфігурація за замовчуванням вмикає автоматичне калібрування й очищення «YieldDataset».

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation AutoCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        conditionPathwiseCalibration: {
          calibrationBasis: "WetMass"
          maxHomogeneityRegion: true
          syntheticMachinePath: true
        }
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
      }
      
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

Розширений приклад дає змогу вручну керувати мінімальними й максимальними діапазонами та містить додаткові атрибути.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
mutation CustomCalibrateYieldDataset {
  calibrateYieldDataset(input: {
    fieldUuid: "<placeholder_of_field_uuid>"
    yieldDatasetUuid: "<placeholder_of_dataset_uuid>"
    actions: {
      calibrateAction: {
        calibrationAttributes:["WetMass", "VRYIELDVOL"]
        smoothWindowSize: 11
        conditionPathwiseCalibration: {
          calibrationBasis: "Machine"
          maxHomogeneityRegion: true
          syntheticMachinePath: false
        }
        conditionAvgTotalCalibration:[{
          calibrationAttribute: "WetMass"
          average:8.0
        }]
      }
      cleanAction: {
        condtionAutoClean: {
          targetAttribute: "WetMass"
        }
        conditionMinMaxClean: [{
          cleanAttribute: "Distance"
          min: 1.5
          max: 10.0
        }]
      }
      actions:  [CALIBRATE, CLEAN]
    }
  }) {
    uuid
    fieldUuid
    originalUuid
    statusCode
    statusMessage
  }
}
```

{% endcode %}

{% hint style="info" %}
Щоб дотримуватися протоколу USDA для операції `CLEAN` , потрібно вказати АБО всі стовпці в `cleanAction` -> `conditionMinMaxClean` , або вказати частину з них у `cleanAction` -> `conditionMinMaxClean` а решту — у `condtionAutoClean` -> `excludedAttributes`.
{% endhint %}

Вхідні параметри:

* `actions` у вигляді масиву, що дає змогу вибрати *коригувальні дії та послідовність їх* виконання; підтримуються значення `CLEAN` і `CALIBRATE`.
* `calibrateAction` у вигляді об’єкта з параметрами конфігурації для операції `CALIBRATE` .
  * `calibrationAttributes` як масив атрибутів, які потребують калібрування; зазвичай він пов’язаний зі стовпцем Yield.
  * `smoothWindowSize` як непарне ціле число, що згладжує результати та зменшує різкі стрибки значень.
  * `conditionPathwiseCalibration` як об’єкт із **попутним** калібруванням, що відповідає траєкторіям руху машини. Для калібрування кожну траєкторію машини обробляють як окрему ділянку.
    * `calibrationBasis` як рядок, що позначає атрибут, який використовується як основа для калібрування.
    * `maxHomogeneityRegion` як логічне значення, що вказує, чи використовується область максимальної однорідності як еталонна область для калібрування.
    * `syntheticMachinePath` як логічне значення, що вказує, чи потрібно симулювати маршрути машин. Це корисно, коли точний атрибут траєкторії машини відсутній і його потрібно змоделювати на основі часових позначок або подібного атрибута.
  * `conditionAvgTotalCalibration` як об’єкт із **калібруванням за середнім/сумою** зосереджується на перерозподілі значень атрибутів. Цей метод корисний, якщо геопросторові закономірності точні, але абсолютні показники відрізняються від фактичних.
    * `calibrationAttribute` як рядок, що позначає атрибут, який потрібно калібрувати.
    * `average` як число, що позначає середнє значення атрибута; значення атрибута мають відповідати цьому середньому. Одночасно слід використовувати лише один параметр — або `average` або `total`.
    * `total` як число, що позначає загальну суму значень атрибута; сума цих значень має дорівнювати вказаному значенню. Одночасно слід використовувати лише один параметр — або `average` або `total`.
  * `conditionMinMaxCalibration` як об’єкт із **умовним** калібруванням, яке коригує значення атрибутів на основі заданих мінімального та максимального порогів.
    * `calibrationAttribute` як рядок, що позначає атрибут, який потрібно калібрувати.
    * `min` як число, що позначає мінімальне значення атрибута та визначає нижню межу діапазону калібрування.
    * `minIncluded` як логічне значення, що вказує, чи включати мінімальне значення.
    * `max` як число, що позначає максимальне значення атрибута та визначає верхню межу діапазону калібрування.
    * `maxIncluded` як логічне значення, що вказує, чи включати максимальне значення.
* `cleanAction` як об’єкт із параметрами конфігурації, пов’язаними з операцією `CLEAN` .
  * `conditionAutoClean` як об’єкт із параметрами конфігурації алгоритму автоматичного очищення.
    * `targetAttribute` як рядок, що позначає цільові значення Yield.
    * `excludedAttributes` як масив рядків, що визначають атрибути, які не впливають на операцію очищення.
  * `conditionMinMaxClean` як масив об’єктів із описаними правилами очищення; кожен об’єкт містить такі параметри.
    * cleanAttribute — рядок із назвою стовпця, до якого застосовується правило.
    * `min` як число, що вказує мінімальне значення.
    * `max` як число, що вказує максимальне значення.

{% hint style="info" %}
Щоб переглянути вхідні дані й отримати доступ до найновіших доступних значень переліків (наприклад, `operations`), рекомендуємо скористатися [Altair](https://docs.geopard.tech/geopard-tutorials/ukrainian/dokumentaciya-api/getting-started-with-the-geopard-api.md).
{% endhint %}

### Документація: запит YieldDataset

Як користувач API GeoPard, ви можете отримати відомості про виправлення, застосовані до YieldDatasets, за допомогою атрибутів `appliedCorrections` і `appliedCorrectionsVersion`. Перший містить список виконаних виправлень (наприклад, `CALIBRATE` і `CLEAN`); порядок виконання визначається їхньою послідовністю в масиві. Водночас `appliedCorrectionsVersion` вказує версію використаного алгоритму.

{% code overflow="wrap" lineNumbers="true" %}

```graphql
query DetailsAboutAppliedCalibrations {
  getFields (filter: {fieldUuid: "<placeholder_of_field_uuid>"}){
    fields {
      uuid
      yieldDatasets  {
        uuid
        appliedCorrections
        appliedCorrectionsVersion
      }
    }
  }
}
```

{% endcode %}


---

# 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/dokumentaciya-api/geopard-api-requests-overview/84.-mutation-calibrate-and-clean-yielddataset.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.
