> 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/cze/agronomie/yield-and-trials/field-trial-analytics.md).

# Analýza polních pokusů

Vyhodnocujte polní pokusy pomocí prostorové statistiky, porovnávejte varianty, měřte návratnost a zlepšujte doporučení.

Agronomové využívají analýzu pokusů k hodnocení výkonnosti různých odrůd plodin, pěstitelských postupů a aplikací vstupů, včetně výsledků variabilních aplikací v precizním zemědělství. Sběrem, analýzou a interpretací dat z polních pokusů získávají výzkumníci poznatky o vzájemném působení genetiky, prostředí a způsobu hospodaření. Tyto poznatky pomáhají vytvářet strategie hospodaření s plodinami, které optimalizují výnosový potenciál a zároveň omezují spotřebu vstupů. Analýza pokusů navíc umožňuje vyhodnocovat účinnost postupů precizního zemědělství a pomáhá také určovat odolné odrůdy plodin, kterým se daří v různých i náročných podmínkách, a přispívá tak k potravinovému zabezpečení.

{% hint style="info" %}
Prohlédněte si interaktivní stránku o pokusech přímo na farmě na geopard.tech: [Pokusy přímo na farmě](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard podporuje také pokusy s dělenými parcelami pro dvoufaktorové uspořádání, například stejné dávky u různých hybridů. Na stejné georeferencované vrstvě můžete vyhodnotit hlavní efekty i interakci dávky × hybrid.
{% endhint %}

## Příprava dat

K efektivní analýze pokusů potřebujete několik základních datových sad:

1. **Datová sada výnosů**:\
   Tato datová sada obsahuje údaje o výnosech.\
   Můžete ji importovat z [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/import-from-myjohndeere.md) nebo ji ručně nahrát jako [shapefile](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/yield-data-import.md) nebo v [proprietárním formátu strojů](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Datová sada aplikace**:\
   Je zásadní pro pochopení skutečně provedené aplikace na poli. Obsahuje alespoň atributy, jako jsou TargetRate, AppliedRate a některé metriky související se stroji.\
   Stejně jako datovou sadu výnosů ji můžete importovat z [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/import-from-myjohndeere.md) nebo ji ručně nahrát jako [shapefile](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/as-applied-as-planted-data-import.md) nebo v [proprietárním formátu strojů](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zóny/parcely s pokusy/experimenty**:\
   Znázorňují plánované aplikační dávky pro naše pokusy a poskytují přehled o jejich uspořádání.\
   Pokud je taková datová vrstva k dispozici, nahrajte ji jako [shapefile](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/import-precision-agriculture-data/as-applied-as-planted-data-import.md) do ovládacího prvku AsApplied/AsPlanted nebo Yield. Zajistíte tak kompatibilitu při vytváření EquationMaps a usnadníte si analýzu pokusů.\
   Může jít o jednofaktorové uspořádání nebo uspořádání s dělenými parcelami a druhým faktorem ošetření, například hybridem či odrůdou.\
   Pokud taková datová vrstva není k dispozici, lze při vyhodnocování pokusů použít jako náhradu atribut TargetRate z datové sady aplikace.
4. **Historické zóny výnosového potenciálu pole:**\
   Tyto zóny vytváří GeoPard (podrobnosti najdete [ZDE](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/zones-maps-and-analytics/multi-year-zones.md)). Hodí se k analýze pokusů v oblastech se stabilní historickou produktivitou. To je zvlášť užitečné, pokud jsou pokusy rozmístěné v regionech s různou historickou produktivitou.

Jakmile shromáždíme tyto datové sady, můžeme začít s vyhodnocováním pokusu.

## Přehled dat

Pro zemědělskou sezónu 2023 u ozimé pšenice jsou k dispozici následující data:

* Datová sada výnosů znázorňující rozložení vlhké hmoty *(obr. 1)*

<figure><img src="https://1171283066-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>Obr. 1 Původní YieldDataset</p></figcaption></figure>

* Plán variabilní aplikace dusíku (N34) (150 kg/ha) se 2 pokusnými parcelami (120 kg/ha a 180 kg/ha)*(obr. 2)*

<figure><img src="https://1171283066-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>Obr. 2 Plán variabilní aplikace dusíku (N34) s pokusnými parcelami</p></figcaption></figure>

* Datová sada aplikace zobrazující statistiky aplikovaných dávek *(obr. 3)*

<figure><img src="https://1171283066-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>Obr. 3 Datová sada aplikace</p></figcaption></figure>

* Historická produktivita pole (*obr. 4*)

<figure><img src="https://1171283066-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>Obr. 4 Historická produktivita pole</p></figcaption></figure>

{% hint style="warning" %}
Datová sada YieldDataset nebyla kalibrována: pracovalo zde několik sklízecích mlátiček, jsou v ní záznamy o otáčení a chybějící data a je patrný šum. Pro dosažení optimálních výsledků doporučujeme následně použít operace Yield Calibrate a Clean.\
Podrobný návod krok za krokem najdete na [ODKAZ](https://docs.geopard.tech/geopard-tutorials/cze/agronomie/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Datová sada YieldDataset po kalibraci a vyčištění je zobrazena na *obr. 5*, spolu s aktualizovanými statistikami. Tuto datovou sadu použijeme v dalších krocích.

<figure><img src="https://1171283066-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>Obr. 5 Kalibrovaná a vyčištěná datová sada YieldDataset</p></figcaption></figure>

## Princip

Cílem analýzy pokusu je určit nejúčinnější dávku dusíku (N34) pro dané pole. Byly vytyčeny oblasti s dávkami dusíku 120 kg/ha, 150 kg/ha a 180 kg/ha. Tyto údaje vycházejí jednak z ApplicationDataset a jednak z kalibrovaného YieldDataset.

Analýzu zaměříme na tři odlišné zóny:

* 120 kg/ha (označeno jako pokusná zóna)
* 150 kg/ha (považováno za hlavní zónu)
* 180 kg/ha (další pokusná zóna)

Naše hodnocení bude zahrnovat následující porovnání:

1. **Podle plánu:** pomocí plánované variabilní aplikace (VRA) ve vztahu ke kalibrovanému výnosu.
2. **Podle skutečné aplikace:** Porovnání datových sad skutečně aplikovaných dávek s kalibrovaným výnosem.
3. **Podle skutečné aplikace a historické produktivity:** Porovnání datových sad skutečně aplikovaných dávek s kalibrovaným výnosem, který je překrytý zónami historického produkčního potenciálu pole.

Tento systematický přístup umožní komplexně vyhodnotit vliv dusíku na výnos na základě plánovaných i skutečně aplikovaných dávek.

## Podle plánu

Vliv ~~aplikovaného~~ plánovaného dusíku (N34) na rozložení výnosu znázorňují následující snímky obrazovky *(obr. 6, obr. 7, obr. 8)*. Zde je stručné shrnutí zjištění:

* <mark style="color:modře;">Hlavní zóna s dávkou dusíku 150 kg/ha má rozlohu 45,8 ha a průměrný výnos 4,99 t/ha</mark> (*Obr. 6*).
* <mark style="color:modře;">První pokusná zóna s dávkou dusíku 180 kg/ha má rozlohu 1,76 ha a průměrný výnos 6,5 t/ha</mark> (*Obr. 7*).
* <mark style="color:modře;">Druhá pokusná zóna s dávkou dusíku 120 kg/ha má rozlohu 1,86 ha a průměrný výnos 6,39 t/ha</mark> (*Obr. 8*).

Výsledky vyvolávají zásadní otázku: <mark style="color:oranžově;">Proč se zdá, že nižší dávka je účinnější než vyšší?</mark> Pro hlubší pochopení se v další fázi zaměříme na[ vyhodnocení pokusů pomocí údajů o skutečně aplikovaných dávkách](#applied-based-evaluation).

<figure><img src="https://1171283066-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>Obr. 6 Hlavní zóna s N34, 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 7 Pokusná zóna s N34, 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 8 Pokusná zóna s N34, 120 kg/ha</p></figcaption></figure>

Níže najdete podrobný popis vzorců a konfigurací použitých při vyhodnocení.

{% hint style="info" %}
Podrobnější informace o přístupu založeném na rovnicích a jeho použití najdete v našich návodech pro [uživatelské rozhraní](https://docs.geopard.tech/geopard-tutorials/cze/prohlidka-produktu-webova-aplikace/equation-based-analytics.md) a [API](https://docs.geopard.tech/geopard-tutorials/cze/dokumentace-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Zde jsou rovnice, pomocí kterých lze výpočty zopakovat.

1. Hlavní zóna s dávkou 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Pokusná zóna s dávkou 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Pokusná zóna s dávkou 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Je důležité aktivovat *Numpy* *(obr. 9)* a vypnout *Interpolace* *(obr. 10)*.

<figure><img src="https://1171283066-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>Obr. 9 Aktivujte „Numpy“</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 10 Vypněte používání interpolovaných dat</p></figcaption></figure>

## Podle skutečně aplikovaného množství

Pozoruhodné je, že skutečné aplikované množství během pokusu neodpovídá vždy plánovanému (cílovému) množství. Konkrétně se aplikované množství pohybovalo od 120 kg/ha až po 189 kg/ha *(obr. 11)*. Vzhledem k této variabilitě bylo zásadní stanovit toleranci chyby. Za přijatelnou hranici pro vyhodnocení vhodnosti pokusu tak byla určena přesnost ±5 %.

Následující snímky obrazovky (*obr. 12, obr. 13, obr. 14)* zobrazují statistické rozložení výnosu se zaměřením na skutečně aplikované množství dusíku (N34). Níže jsou shrnuty statistické údaje s ohledem na přijatelnou přesnost ±5 %:

* <mark style="color:modře;">Hlavní zóna s dávkou 150 kg/ha měla aplikovanou plochu 43,5 ha a průměrný výnos 4,9 t/ha</mark> (*Obr. 12*).
* <mark style="color:modře;">První pokusná zóna s dávkou 180 kg/ha měla rozlohu 1,47 ha a průměrný výnos 6,5 t/ha</mark> (*Obr. 13*).
* <mark style="color:modře;">Druhá pokusná zóna s dávkou 120 kg/ha měla rozlohu 1,44 ha a průměrný výnos 6,3 t/ha</mark> (*Obr. 14*).

<figure><img src="https://1171283066-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>Obr. 11 Skutečné aplikované dávky při pokusech</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 12 Hlavní zóna s N34, 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 13 Pokusná zóna s N34, 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 14 Pokusná zóna s N34, 120 kg/ha ±5 %</p></figcaption></figure>

Pro podrobnější pochopení metodiky a konkrétních výsledků uvádíme použité rovnice:

1. Skutečně aplikovaný dusík v pokusu:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Hlavní zóna s dávkou 150 kg/ha a tolerancí ±5 %:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Pokusná zóna s dávkou 120 kg/ha a tolerancí ±5 %:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Pokusná zóna s dávkou 180 kg/ha a tolerancí ±5 %:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produktivita podle aplikovaného množství a historické produktivity**

Výnosy z pokusných zón jsou soustavně vyšší než průměrný výnos na celém poli. Jedním z hlavních důvodů tohoto rozdílu je zřejmě to, že pokusy probíhaly v zóně s historicky vysokou produktivitou, jak znázorňují *obr. 15* a *obr. 16*. Pro přesnější vyhodnocení pokusů je při analýze výsledků zásadní zohlednit zóny produktivity.

<figure><img src="https://1171283066-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>Obr. 15 Zóny historického potenciálu pole</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 16 Zóny historického potenciálu pole jako YieldDataset</p></figcaption></figure>

Následující snímky obrazovky (*obr. 17, obr. 18, obr. 19)* zobrazují statistické rozložení výnosu se zaměřením na skutečně aplikované množství dusíku (N34) překryté se zónami historické produktivity (vytvořenými v GeoPard). Níže jsou shrnuty statistické údaje s ohledem na přijatelnou přesnost aplikovaného množství ±5 %:

* <mark style="color:modře;">Hlavní zóna s dávkou 150 kg/ha měla aplikovanou plochu 2,65 ha a průměrný výnos 6,34 t/ha</mark> (*Obr. 17*).
* <mark style="color:modře;">První pokusná zóna s dávkou 180 kg/ha měla rozlohu 1,08 ha a průměrný výnos 6,41 t/ha</mark> (*Obr. 18*).
* <mark style="color:modře;">Druhá pokusná zóna s dávkou 120 kg/ha měla rozlohu 1,78 ha a průměrný výnos 6,33 t/ha</mark> (*Obr. 19*).

<figure><img src="https://1171283066-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>Obr. 17 Hlavní zóna s N34, 150 kg/ha, překrytá zónami historické produktivity</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 18 Pokusná zóna s N34, 180 kg/ha ±5 %, překrytá zónami historické produktivity</p></figcaption></figure>

<figure><img src="https://1171283066-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>Obr. 19 Pokusná zóna s N34, 120 kg/ha ±5 %, překrytá zónami historické produktivity</p></figcaption></figure>

Pro podrobnější pochopení metodiky a konkrétních výsledků uvádíme použité rovnice:

1. Hlavní dávka 150 kg/ha se započtením 5% tolerance překrytá s historickou produktivitou:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Pokusná dávka 120 kg/ha se započtením 5% tolerance překrytá s historickou produktivitou:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Pokusná dávka 180 kg/ha se započtením 5% tolerance překrytá s historickou produktivitou:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

kde

* část `Productivity_SubZone == 51` označuje zóny s vysokou produktivitou, kde byly aplikovány pokusné dávky,
* části `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` zohledňují toleranci ±5 % u dávek `150`, `120`, `180` kg/ha.

## Shrnutí

Výnosy z pokusných variant se velmi dobře shodují s průměrným výnosem zjištěným v zóně pole s historicky vysokou produktivitou. Jinými slovy, pokusná aplikace přípravku N34 v dávkách <mark style="color:modře;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>vedla k průměrným výnosům <mark style="color:modře;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> v uvedeném pořadí, což znamená, že nemá významný vliv na sklizený výnos v zóně s vysokou produktivitou.


---

# 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/cze/agronomie/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.
