> 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/bg/agronomiya/yield-and-trials/field-trial-analytics.md).

# Анализи на полски опити

Анализирайте полски опити със пространствена статистика, за да сравнявате третирания, да измервате възвръщаемостта на инвестицията и да подобрявате препоръките.

Агрономите използват анализите на опитите, за да оценяват резултатите от различни сортове култури, технологии за отглеждане и приложения на ресурси, включително резултатите от променливото нормено внасяне в прецизното земеделие. Чрез събиране, анализиране и интерпретиране на данни от полски опити изследователите научават повече за взаимодействията между генетичните особености, условията на средата и агротехническите практики. Тези знания помагат за разработването на стратегии за управление на посевите, които оптимизират потенциала за добив и същевременно ограничават използването на ресурси. Освен това анализите на опитите позволяват не само да се оцени ефективността на практиките за прецизно земеделие, но и да се открият устойчиви сортове, които се развиват успешно при разнообразни и трудни условия, като така допринасят за продоволствената сигурност.

{% hint style="info" %}
Вижте интерактивната страница за опити в стопанството на geopard.tech: [Опити в стопанството](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard поддържа и опити с разделени парцели за двуфакторни схеми, например еднакви норми при различни хибриди. Оценете както основните ефекти, така и взаимодействието между нормата и хибрида върху един и същ георефериран опитен слой.
{% endhint %}

## Подготовка на данните

За ефективен анализ на опитите са необходими няколко основни набора от данни:

1. **Набор от данни за добива**:\
   Този набор съдържа данните за добива.\
   Можем да го импортираме от [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/import-from-myjohndeere.md) или да го качим ръчно като [shapefile](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/yield-data-import.md) или във [собствен формат на машината](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Набор от данни за внасянето**:\
   Този набор е от съществено значение за разбирането на действително извършеното внасяне в полето. Най-малкото съдържа атрибути като TargetRate, AppliedRate и някои показатели, свързани с машината.\
   Както при набора от данни за добива, можем да го импортираме от [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/import-from-myjohndeere.md) или да го качим ръчно като [shapefile](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/as-applied-as-planted-data-import.md) или във [собствен формат на машината](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Зони/опитни парцели с опити/експерименти**:\
   Те показват планираните норми на внасяне за опитите и дават представа за експерименталната схема.\
   Ако разполагаме с такъв слой данни, го качваме като [shapefile](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/import-precision-agriculture-data/as-applied-as-planted-data-import.md) в контролата AsApplied/AsPlanted или Yield. Така се осигурява съвместимост при създаването на EquationMaps и се улеснява анализът на опитите.\
   Това може да е еднофакторна схема или схема с разделени парцели и втори фактор на третиране, например хибрид или сорт.\
   Ако няма такъв слой данни, атрибутът TargetRate от набора с данни за внасянето може да се използва вместо него при оценяването на опитите.
4. **Зони с историческия потенциал на полето:**\
   Тези зони се генерират от GeoPard (подробности [ТУК](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/zones-maps-and-analytics/multi-year-zones.md)). Полезни са за анализ на опити в зони с трайно сходна продуктивност. Това е особено полезно, когато опитите са разположени в райони с различна историческа продуктивност.

След като съберем тези набори от данни, можем да преминем към оценяването на опита.

## Общ преглед на данните

За земеделския сезон 2023 г. има следните данни за зимна пшеница:

* Наборът от данни за добива показва разпределението на влажната маса *(фиг. 1)*

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fg9Iv1AMpACkykujxvJ9s%2Fimage.png?alt=media&amp;token=c2a61d7b-12e9-40b5-ad88-e6f820372638" alt=""><figcaption><p>Фиг. 1. Първоначален набор от данни за добива</p></figcaption></figure>

* План за променливо нормено внасяне на азот (N34) (150 kg/ha) с 2 опитни парцела (120kg/ha и 180 kg/ha)*(фиг. 2)*

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkGO1Tp0Ji2KzUPhfQAE%2Fimage.png?alt=media&amp;token=28a94d78-7360-43e2-865f-4a330028ab20" alt=""><figcaption><p>Фиг. 2. План за променливо нормено внасяне на азот (N34) с опитни парцели</p></figcaption></figure>

* Наборът от данни за внасянето показва статистиката на приложените норми *(фиг. 3)*

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FF1YKbPqDw2HBDdnTqazX%2Fimage.png?alt=media&amp;token=0f83b5b0-9220-4cea-984c-735338716048" alt=""><figcaption><p>Фиг. 3. Набор от данни за внасянето</p></figcaption></figure>

* Историческа продуктивност на полето (*фиг. 4*)

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCrFaBaZxtjd0xEXZ9TUd%2Fimage.png?alt=media&amp;token=9cf68b49-a17c-4f2f-be15-1b0bfee4993e" alt=""><figcaption><p>Фиг. 4. Историческа продуктивност на полето</p></figcaption></figure>

{% hint style="warning" %}
Наборът от данни за добива не е калибриран: на полето са работили няколко комбайна, има следи от обръщания и липсващи данни, а шумът е видим. За най-добри резултати препоръчваме допълнително да приложите операциите за калибриране и почистване на данните за добива.\
Урок с инструкции стъпка по стъпка ще намерите на [ВРЪЗКАТА](https://docs.geopard.tech/geopard-tutorials/bg/agronomiya/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Наборът от данни за добива след калибриране и почистване е показан на *фиг. 5*, заедно с актуализираната статистика. Този набор от данни ще се използва в следващите стъпки.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F62J6z5wt7ndZ4lWxZq58%2Fimage.png?alt=media&amp;token=9e6ea416-81a0-4dfc-a94a-aa19f69c0ff3" alt=""><figcaption><p>Фиг. 5. Калибриран и почистен набор от данни за добива</p></figcaption></figure>

## Основни понятия

Тук целта на Trial Analytics е да определи най-ефективната норма на азотно торене (N34) за полето. Маркирани са зони с норми на азотно торене 120 kg/ha, 150 kg/ha и 180 kg/ha. Данните са получени от ApplicationDataset, от една страна, и от калибрирания YieldDataset, от друга.

Фокусираме анализа си върху три отделни зони:

* 120 kg/ha (определена като опитна зона)
* 150 kg/ha (определена като основна зона)
* 180 kg/ha (друга опитна зона)

Подходът ни включва следните оценки:

1. **На база план:** използване на планираното променливо торене (VRA), свързано с калибрирания добив.
2. **На база приложеното:** Сравнение на действително приложените набори от данни с калибрирания добив.
3. **На база приложеното и историческата продуктивност:** Сравнение на действително приложените набори от данни с калибрирания добив, съпоставен с историческите зони на потенциала на полето.

Този систематичен подход позволява цялостна оценка на влиянието на азотното торене върху добива въз основа както на планираните, така и на действително приложените данни за торене.

## На база план

Влиянието на ~~приложеното~~ планирано азотно торене (N34) върху разпределението на добива е показано нагледно на следващите екранни снимки *(фиг. 6, фиг. 7, фиг. 8)*. Ето кратко обобщение на резултатите:

* <mark style="color:синьо;">Основната зона с норма на азотно торене 150 kg/ha обхваща 45,8 ha и има среден добив от 4,99 t/ha</mark> (*Фиг. 6*).
* <mark style="color:синьо;">Първата опитна зона, торена с норма 180 kg/ha, обхваща 1,76 ha и има среден добив от 6,5 t/ha</mark> (*Фиг. 7*).
* <mark style="color:синьо;">Втората опитна зона с норма на азотно торене 120 kg/ha обхваща 1,86 ha и има среден добив от 6,39 t/ha</mark> (*Фиг. 8*).

Резултатите повдигат важен въпрос: <mark style="color:оранжево;">Защо по-ниската норма на торене изглежда по-ефективна от по-високата?</mark> За да получим по-задълбочена представа, в следващия етап ще[ оценим опитите с действителните данни за приложеното торене](#applied-based-evaluation).

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FraVRCgxuEVTGfTKK4c0s%2Fimage.png?alt=media&amp;token=57602ad8-bd9f-46b4-adcf-5de53f99fe7b" alt=""><figcaption><p>Фиг. 6 Основна зона с N34, 150 kg/ha</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FNM80FFM2TQULwV54LuqW%2Fimage.png?alt=media&amp;token=1542336e-20a2-4a77-a343-9a92f67c90eb" alt=""><figcaption><p>Фиг. 7 Опитна зона с N34, 180 kg/ha</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FITg4CWAJb27X28jquqyO%2Fimage.png?alt=media&amp;token=cff8d0b3-5896-4f34-bbdc-6a34a7352982" alt=""><figcaption><p>Фиг. 8 Опитна зона с N34, 120 kg/ha</p></figcaption></figure>

По-нататък ще намерите подробно описание на формулите и настройките, използвани при оценката.

{% hint style="info" %}
За да научите повече за подхода с уравнения и прилагането му, вижте нашите ръководства за [потребителския интерфейс](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/equation-based-analytics.md) и [API](https://docs.geopard.tech/geopard-tutorials/bg/dokumentaciya-na-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Ето уравненията за изпълнение, с които да възпроизведете изчисленията.

1. Основна зона с 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Опитна зона с 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Опитна зона с 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Важно е да активирате *Numpy* *(фиг. 9)* и да изключите *Интерполация* *(фиг. 10)*.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FixfesbJQxzVC93JW3H7b%2Fimage.png?alt=media&amp;token=dcab1611-8a33-4450-9b06-5ba24760e8c3" alt=""><figcaption><p>Фиг. 9 Активирайте „Numpy“</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F0V4AxWhE0zraNfH1axHQ%2Fimage.png?alt=media&amp;token=d86b3921-c313-4946-9455-35fbef29cc13" alt=""><figcaption><p>Фиг. 10 Изключете използването на „интерполирани“ данни</p></figcaption></figure>

## Въз основа на приложената норма

Забелязва се, че действително приложената норма по време на опита не съвпада постоянно с планираната (целевата) норма. Разпределението варира от 120 kg/ha до 189 kg/ha. *(фиг. 11)*. Предвид тази вариация беше важно да се определи допустима грешка. Затова за приемлив праг, при който опитът може да се оцени, беше избрана точност ±5%.

На следващите екранни снимки (*фиг. 12, фиг. 13, фиг. 14)* е показано статистическото разпределение на добива спрямо действително приложеното количество азот (N34). Обобщените статистически данни са следните, като се взема предвид допускът за точност ±5%:

* <mark style="color:синьо;">В основната зона при 150 kg/ha приложената норма обхваща 43,5 ha, а средният добив е 4,9 t/ha.</mark> (*Фиг. 12*).
* <mark style="color:синьо;">Първата опитна зона при 180 kg/ha обхваща 1,47 ha, а средният добив е 6,5 t/ha.</mark> (*Фиг. 13*).
* <mark style="color:синьо;">Втората опитна зона при 120 kg/ha обхваща 1,44 ha, а средният добив е 6,3 t/ha.</mark> (*Фиг. 14*).

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQ5Aawg78wAVNsybfq2RB%2Fimage.png?alt=media&amp;token=293f63d1-414b-4e23-be09-b54844f21988" alt=""><figcaption><p>Фиг. 11 Действително приложени норми в опитните зони</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyBHR1SLHA9ujXr5wk8xA%2Fimage.png?alt=media&amp;token=78f67150-560b-4495-974e-30407e25aca9" alt=""><figcaption><p>Фиг. 12 Основна зона с N34 при 150 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeOMxE76sp3ugO1NffWPN%2Fimage.png?alt=media&amp;token=9e3f47ae-250a-41dd-b9ce-f3d4bcaab85e" alt=""><figcaption><p>Фиг. 13 Опитна зона с N34 при 180 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FJUBlkogPAF2fTSYa0EOW%2Fimage.png?alt=media&amp;token=48dd3f24-df15-40da-905c-9012b70971d2" alt=""><figcaption><p>Фиг. 14 Опитна зона с N34 при 120 kg/ha ±5%</p></figcaption></figure>

За по-задълбочено разбиране на методиката и конкретните резултати вижте използваните уравнения по-долу:

1. Действително приложен азот в опита:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Основна зона при 150 kg/ha с допуск ±5%:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Опитна зона при 120 kg/ha с допуск ±5%:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Опитна зона при 180 kg/ha с допуск ±5%:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Добив според приложената норма и историческата продуктивност**

Добивите в опитните зони постоянно надвишават средния добив за цялото поле. Важен фактор за тази разлика изглежда е исторически високопродуктивната зона, в която са проведени опитите, както е показано на *фиг. 15* и *фиг. 16*. За по-прецизна оценка на опитите е важно при анализа на резултатите да се вземат предвид зоните с различна продуктивност.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FH0aA9ZAe2IkSFtqcJe5B%2Fimage.png?alt=media&amp;token=c58e81d6-b2df-4d6d-8682-3c750f38f2a1" alt=""><figcaption><p>Фиг. 15 Зони с исторически потенциал на полето</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fi2agD6onOT4aVaW9LvHh%2Fimage.png?alt=media&amp;token=feecbfd5-2433-4061-85b9-8233446572d8" alt=""><figcaption><p>Фиг. 16 Исторически потенциал на полето като YieldDataset</p></figcaption></figure>

На следващите екранни снимки (*фиг. 17, фиг. 18, фиг. 19)* е показано статистическото разпределение на добива спрямо действително приложеното количество азот (N34), наложено върху зоните с историческа продуктивност (създадени в GeoPard). Обобщените статистически данни са следните, като се взема предвид допускът ±5% за точността на приложените норми:

* <mark style="color:синьо;">В основната зона при 150 kg/ha приложената норма обхваща 2,65 ha, а средният добив е 6,34 t/ha.</mark> (*Фиг. 17*).
* <mark style="color:синьо;">Първата опитна зона при 180 kg/ha обхваща 1,08 ha, а средният добив е 6,41 t/ha.</mark> (*Фиг. 18*).
* <mark style="color:синьо;">Втората опитна зона при 120 kg/ha обхваща 1,78 ha, а средният добив е 6,33 t/ha.</mark> (*Фиг. 19*).

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPqw7u62bJAezDn9UW5qs%2Fimage.png?alt=media&amp;token=ff101b42-7882-4dc3-a2ad-b57053900768" alt=""><figcaption><p>Фиг. 17 Основна зона с N34 при 150 kg/ha, наложена върху историческата продуктивност</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FmzkQRoU3HMMOm1fLLjNY%2Fimage.png?alt=media&amp;token=ba8105da-877b-4234-9e1d-f59826949bf0" alt=""><figcaption><p>Фиг. 18 Опитна зона с N34 при 180 kg/ha ±5%, наложена върху историческата продуктивност</p></figcaption></figure>

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzTOI3v14HdZLANjM3o36%2Fimage.png?alt=media&amp;token=f83a50dd-585d-4b66-937d-eb0d2f1c78f0" alt=""><figcaption><p>Фиг. 19 Опитна зона с N34 при 120 kg/ha ±5%, наложена върху историческата продуктивност</p></figcaption></figure>

За по-задълбочено разбиране на методиката и конкретните резултати вижте използваните уравнения по-долу:

1. Основен вариант с 150 kg/ha, като се отчита 5% допустимо отклонение, съпоставен с 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. Опитен вариант с 120 kg/ha, като се отчита 5% допустимо отклонение, съпоставен с 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. Опитен вариант с 180 kg/ha, като се отчита 5% допустимо отклонение, съпоставен с 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, в които са приложени опитните варианти,
* 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)` отчитат допустимо отклонение от ±5% спрямо нормите за внасяне `150`, `120`, `180` kg/ha.

## Обобщение

Резултатите за добива от опитните варианти са близки до средния добив, отчетен в зоната с висока историческа продуктивност на полето. С други думи, опитното внасяне на продукт N34 в норми от <mark style="color:синьо;">120 kg/ha - 150 kg/ha - 180 kg/ha</mark>, доведе съответно до средни добиви от <mark style="color:синьо;">6.33 t/ha - 6.34 t/ha - 6.41 t/ha</mark> и не оказа съществено влияние върху добива в зоната с висока продуктивност.


---

# 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/bg/agronomiya/yield-and-trials/field-trial-analytics.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.
