# Анализи на полеви опити Агрономите използват Trial Analytics, за да оценят представянето на различни сортове култури, технологии на отглеждане и приложения на вложенията, включително резултатите от променливо-нормативните приложения (Variable Rate Applications) в прецизното земеделие. Като събират, анализират и интерпретират данни, генерирани от полски опити, изследователите получават представа за взаимодействията между генетиката, средата и управленските практики. Това знание подпомага разработването на стратегии за управление на културите, които оптимизират потенциала на добива, като същевременно минимизират използването на вложения. Освен това Trial Analytics не само позволява оценка на ефективността на практиките за прецизно земеделие, но и помага за идентифициране на устойчиви сортове, които могат да се развиват при разнообразни и предизвикателни условия, като по този начин допринася за продоволствената сигурност. {% hint style="info" %} GeoPard също поддържа опити със split-plot за двуфакторни дизайни, като например едни и същи норми при различни хибриди. Оценявайте както основните ефекти, така и взаимодействието норма × хибрид върху един и същ георефериран слой на опита. {% endhint %} ## Подготовка на данните За ефективен анализ на опитите са необходими няколко основни набора от данни: 1. **Набор от данни за добив**:\ Този набор от данни съдържа данните за добива.\ Можем да го импортираме от [JohnDeere Operation Center](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/import-ot-myjohndeere.md) или да го качим ръчно като [shapefile](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/import-na-danni-za-dobiv.md) или като [собствен машинен формат](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/sobstveni-mashinni-formati.md). 2. **Набор от данни за приложение**:\ Това е ключово за разбирането на реално извършеното приложение на полето. Най-малкото съдържа атрибути като TargetRate, AppliedRate и някои показатели, свързани с машината.\ Както при набора от данни за добив, имаме възможности да го импортираме от [JohnDeere Operation Center](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/import-ot-myjohndeere.md) или да го качим ръчно като [shapefile](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/import-na-danni-za-prilozheno-zasadeno.md) или като [собствен машинен формат](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/sobstveni-mashinni-formati.md). 3. **Зони/парцели с опити/експерименти**:\ Те показват планираните норми на приложение за нашите опити и дават представа за експерименталния дизайн.\ Ако такъв слой с данни е наличен, го качваме като [shapefile](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/import-na-danni-za-precizno-zemedelie/import-na-danni-za-prilozheno-zasadeno.md) в AsApplied/AsPlanted или Yield control. Това гарантира съвместимост при изграждане на EquationMaps и улеснява работата ви с анализа на опитите.\ Това може да е дизайн с един фактор или split-plot дизайн с втора измерение на третирането, като хибрид или сорт.\ Ако такъв слой с данни не е наличен, атрибутът TargetRate от набора от данни за приложение може да служи като заместител за оценките на опита. 4. **Исторически зони на полеви потенциал:**\ Тези зони се генерират от GeoPard (подробностите са [ТУК](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/karti-i-analizi-na-zoni/mnogogodishni-zoni.md)). Те са полезни за анализ на опити с постоянна историческа продуктивност. Това е особено полезно, когато опитите са разположени в региони с различна историческа продуктивност. След като сме събрали тези набори от данни, следващата стъпка е започване на процеса на оценка на опита. ## Преглед на данните Налични са следните данни за агросезон 2023 на зимна пшеница: * Набор от данни за добив, показващ разпределението на влажната маса *(Фиг.1)*

Фиг.1 Оригинален набор от данни за добив

* План за VRA на азот (N34) (150 kg/ha) с 2 опитни парцела (120 kg/ha и 180 kg/ha)*(Фиг.2)*

Фиг.2 План за азот (N34) VRA с опитни парцели

* Набор от данни за приложение, показващ приложените статистики *(Фиг.3)*

Фиг.3 Набор от данни за приложение

* Историческа полева продуктивност (*Фиг.4*)

Фиг.4 Историческа полева продуктивност

{% hint style="warning" %} Наборът от данни за добив не е калибриран: там са работили няколко комбайна, има следи от обръщания и липсващи данни, и е налице шум. Препоръчва се върху него да се приложат операциите Yield Calibrate и Clean за оптимални резултати.\ Подробно ръководство стъпка по стъпка може да бъде намерено на [ВРЪЗКА](/geopard-tutorials/bg/agronomiya/kalibrirane-i-pochistvane-na-dobiv.md). {% endhint %} Наборът от данни за добив, след калибриране и почистване, е показан във *Фиг.5*заедно с обновените статистики. Този набор от данни ще бъде използван в следващите стъпки.

Фиг.5 Калибриран и почистен набор от данни за добив

## Концепция Тук целта на Trial Analytics е да се определи най-ефективната норма на азот (N34) за полето. Има локализирани зони с норми на азот 120 kg/ha, 150 kg/ha и 180 kg/ha. Тези данни са извлечени от ApplicationDataset от една страна и калибрирания YieldDataset от друга. Фокусираме анализа си върху три отделни зони: * 120 kg/ha (определена като опитна зона) * 150 kg/ha (считана за основна зона) * 180 kg/ha (още една опитна зона) Нашият подход ще включва следните оценки: 1. **Планово базирано:** използване на планираното променливо-нормативно приложение (VRA), свързано с калибрирания добив. 2. **Базирано на реалното приложение:** сравняване на действително приложените набори от данни с калибрирания добив. 3. **Базирано на реалното приложение и историческа продуктивност:** сравняване на действително приложените набори от данни с калибрирания добив, наслагван върху историческите зони на полеви потенциал. Този систематичен подход ще позволи цялостна оценка на влиянието на азота върху добива, въз основа както на планираните, така и на действителните данни за приложение. ## Планово базирано Влиянието на ~~приложения~~ планиран азот (N34) върху разпределението на добива е визуално показано в следващите екранни снимки *(Фиг.6, Фиг.7, Фиг.8)*. Ето кратък преглед на резултатите: * Основната зона с норма на азот 150 kg/ha обхваща 45.8 ha и има среден добив 4.99 t/ha (*Фиг.6*). * Първата опитна зона, с приложение на азот 180 kg/ha, покрива 1.76 ha и дава среден добив 6.5 t/ha (*Фиг.7*). * Втората опитна зона, с 120 kg/ha азот, обхваща 1.86 ha и дава среден добив 6.39 t/ha (*Фиг.8*). Резултатите поставят важен въпрос: Защо по-ниската норма на приложение изглежда по-ефективна от по-високата? За да получим по-задълбочени прозрения, следващият етап включва[ оценка на опитите с използване на действителните данни за приложение](/geopard-tutorials/bg/agronomiya/analizi-na-polevi-opiti.md#applied-based-evaluation).

Фиг.6 Основна зона с N34 150 kg/ha

Фиг.7 Опитна зона с N34 180 kg/ha

Фиг.8 Опитна зона с N34 120 kg/ha

По-надолу ще намерите подробно обсъждане на формулите и настройките, използвани по време на оценката. {% hint style="info" %} За да навлезете по-дълбоко в подхода с Equation и неговото изпълнение, моля, вижте нашите уроци както за [потребителския интерфейс](/geopard-tutorials/bg/obikolka-na-produkta-ueb-prilozhenie/analizi-na-bazata-na-uravneniya.md) и [API](/geopard-tutorials/bg/api-dokumenti/diagrami-s-osnovni-potoci/5.-izplnenie-na-uravneniya.md). {% endhint %} Ето уравненията, които трябва да се изпълнят, за да се възпроизведат изчисленията. 1. Основна зона с 150 kg/ha:\ `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)` 2. Опит с 120 kg/ha:\ `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)` 3. Опит с 180 kg/ha:\ `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)` Важно е да се активира *Numpy* *(Фиг.9)* и да се изключи *Интерполация* *(Фиг.10)*.

Фиг.9 Активирайте „Numpy“

Фиг.10 Изключване на използването на данни „Интерполирани“

## Базирано на реалното приложение Забележимо наблюдение е, че действителната приложена норма по време на опита не съвпада последователно с планираната (целевата) норма. По-конкретно, разпределението варира от 120 kg/ha до цели 189 kg/ha *(Фиг.11)*. С оглед на тази променливост стана важно да се определи ориентир за допустима грешка. Така беше определена точност ±5% като приемлив праг, за да се счита опитът за подходящ за оценка. Представено в следващите екранни снимки (*Фиг.12, Фиг.13, Фиг.14)* е статистическото разпределение на добива, фокусирано върху действително приложените количества азот (N34). Ето обобщените статистики, като се има предвид приемането на точност ±5%: * Основната зона при 150 kg/ha е имала приложена площ 43.5 ha и среден добив 4.9 t/ha (*Фиг.12*). * Първата опитна зона при 180 kg/ha е обхванала площ 1.47 ha и е дала среден добив 6.5 t/ha (*Фиг.13*). * Втората опитна зона, зададена на 120 kg/ha, е обхванала площ 1.44 ha със среден добив 6.3 t/ha (*Фиг.14*).

Фиг.11 Реално приложени норми в опитите

Фиг.12 Основна зона с N34 150 kg/ha ±5%

Фиг.13 Опитна зона с N34 180 kg/ha ±5%

Фиг.14 Опитна зона с N34 120 kg/ha ±5%

За по-задълбочено разбиране на методологията и спецификите на тези резултати, използваните уравнения са по-долу: 1. Реално приложен азот в опита:\ `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)` 2. Основна зона с 150 kg/ha, включваща 5% допустимост:\ `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 3. Опит с 120 kg/ha, включващ 5% допустимост:\ `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 4. Опит с 180 kg/ha, включващ 5% допустимост:\ `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` ## **Базирано на реалното приложение и историческа продуктивност** Показателите за добив от опитите последователно надвишават средния добив за цялото поле. Ключов фактор за тази разлика изглежда е зоната с исторически висока продуктивност, където са проведени опитите, както е визуализирано във *Фиг.15* и *Фиг.16*. За по-нюансирана оценка на опитите е важно при анализа на резултатите да се вземат предвид зоните на продуктивност.

Фиг.15 Исторически зони на полеви потенциал

Фиг.16 Исторически зони на полеви потенциал като набор от данни за добив

Представено в следващите екранни снимки (*Фиг.17, Фиг.18, Фиг.19)* е статистическото разпределение на добива, фокусирано върху действително приложените количества азот (N34), наслагвани върху историческите зони на продуктивност (създадени в GeoPard). Ето обобщените статистики, като се има предвид приемането на точност ±5% за приложените стойности: * Основната зона при 150 kg/ha е имала приложена площ 2.65 ha и среден добив 6.34 t/ha (*Фиг.17*). * Първата опитна зона при 180 kg/ha е обхванала площ 1.08 ha и е дала среден добив 6.41 t/ha (*Фиг.18*). * Втората опитна зона, зададена на 120 kg/ha, е обхванала площ 1.78 ha със среден добив 6.33 t/ha (*Фиг.19*).

Фиг.17 Основна зона с N34 150 kg/ha, наслагната върху историческата продуктивност

Фиг.18 Опитна зона с N34 180 kg/ha ±5%, наслагната върху историческата продуктивност

Фиг.19 Опитна зона с N34 120 kg/ha ±5%, наслагната върху историческата продуктивност

За по-задълбочено разбиране на методологията и спецификите на тези резултати, използваните уравнения са по-долу: 1. Основна зона с 150 kg/ha, включваща 5% допустимост, наслагната върху историческата продуктивност:\ `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 2. Опит с 120 kg/ha, включващ 5% допустимост, наслагнат върху историческата продуктивност:\ `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 3. Опит с 180 kg/ha, включващ 5% допустимост, наслагнат върху историческата продуктивност:\ `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` където * частта `Productivity_SubZone == 51` отразява зоните с висока продуктивност с приложените експерименти, * частите `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` включват точност ±5% спрямо нормите `150`, `120`, `180` kg/ha. ## Обобщение Резултатите за добива от опитите са в близко съответствие със средния добив, наблюдаван в зоната с висока историческа продуктивност на полето. С други думи, експерименталното приложение на продукта N34 при норми от 120 kg/ha - 150 kg/ha - 180 kg/ha, доведе до средни добиви от 6.33 t/ha - 6.34 t/ha - 6.41 t/ha съответно, без значително влияние върху прибрания добив в зоната с висока продуктивност. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/analizi-na-polevi-opiti.md?ask= ``` The question should be specific, self-contained, and written in natural language. 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.