# Analytik von Feldversuchen Agronomen nutzen Trial Analytics, um die Leistung verschiedener Sorten, Anbautechniken und Inputmaßnahmen zu bewerten, einschließlich der Ergebnisse von Applikationen mit variabler Aufwandmenge in der Präzisionslandwirtschaft. Durch das Erheben, Analysieren und Interpretieren von Daten aus Feldversuchen gewinnen Forschende Einblicke in die Wechselwirkungen zwischen Genetik, Umwelt und Managementmaßnahmen. Dieses Wissen fließt in die Entwicklung von Kulturführungsstrategien ein, die das Ertragspotenzial optimieren und gleichzeitig den Inputeinsatz minimieren. Darüber hinaus ermöglicht Trial Analytics nicht nur die Bewertung der Wirksamkeit von Precision-Farming-Maßnahmen, sondern hilft auch dabei, widerstandsfähige Sorten zu identifizieren, die unter vielfältigen und anspruchsvollen Bedingungen gedeihen können und so zur Ernährungssicherheit beitragen. {% hint style="info" %} GeoPard unterstützt auch Split-Plot-Versuche für Zweifaktordesigns, beispielsweise dieselben Aufwandmengen über verschiedene Hybriden hinweg. Bewerten Sie sowohl die Haupteffekte als auch die Wechselwirkung Aufwandmenge × Hybrid auf derselben georeferenzierten Versuchsschicht. {% endhint %} ## Datenaufbereitung Für eine wirksame Versuchsauswertung werden einige wesentliche Datensätze benötigt: 1. **Ertragsdatensatz**:\ Dieser Datensatz erfasst die Ertragsdaten.\ Wir können ihn aus dem [JohnDeere Operation Center](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/aus-myjohndeere-importieren.md) importieren oder manuell hochladen als [Shapefile](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/ertragsdaten-importieren.md) oder als [proprietäres Maschinenformat](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/proprietare-maschinenformate.md). 2. **Applikationsdatensatz**:\ Dies ist entscheidend, um die tatsächlich ausgeführte Applikation auf dem Feld zu verstehen. Mindestens enthält er Attribute wie TargetRate, AppliedRate und einige maschinenbezogene Kennzahlen.\ Wie beim Ertragsdatensatz haben wir die Möglichkeit, ihn aus dem [JohnDeere Operation Center](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/aus-myjohndeere-importieren.md) importieren oder manuell hochladen als [Shapefile](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/applizierte-gesate-daten-importieren.md) oder als [proprietäres Maschinenformat](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/proprietare-maschinenformate.md). 3. **Zonen/Schläge mit Versuchen/Experimenten**:\ Diese zeigen die geplanten Applikationsraten für unsere Versuche und geben Einblick in das Versuchsdesign.\ Wenn eine solche Datenebene verfügbar ist, laden wir sie als [Shapefile](/geopard-tutorials/de/produkttour-web-app/daten-der-prazisionslandwirtschaft-importieren/applizierte-gesate-daten-importieren.md) in die AsApplied/AsPlanted- oder Yield-Steuerung hoch. Dadurch wird die Kompatibilität beim Erstellen von EquationMaps sichergestellt und Ihre Erfahrung in der Versuchsauswertung optimiert.\ Dies kann ein Einfaktordesign oder ein Split-Plot-Design mit einer zweiten Behandlungsdimension sein, z. B. Hybrid oder Sorte.\ Wenn eine solche Datenebene nicht verfügbar ist, kann das Attribut TargetRate aus dem Applikationsdatensatz als Ersatz für Versuchsauswertungen dienen. 4. **Historische Feldpotenzialzonen:**\ Diese Zonen werden von GeoPard erzeugt (Details finden Sie [HIER](/geopard-tutorials/de/produkttour-web-app/zonenkarten-und-analytik/mehrjahreszonen.md)). Sie sind nützlich für die Analyse von Versuchen mit gleichbleibender historischer Produktivität. Dies ist insbesondere vorteilhaft, wenn Versuche über Regionen mit unterschiedlicher historischer Produktivität verteilt sind. Sobald wir diese Datensätze zusammengestellt haben, ist der nächste Schritt der Start des Versuchsauswertungsprozesses. ## Datenübersicht Für die landwirtschaftliche Saison 2023 von Winterweizen liegen folgende Daten vor: * Ertragsdatensatz mit Verteilung der Feuchtmasse *(Abb. 1)*

Abb. 1 Ursprünglicher Ertragsdatensatz

* Stickstoff-(N34)-VRA-Plan (150 kg/ha) mit 2 Versuchsparzellen (120 kg/ha und 180 kg/ha)*(Abb. 2)*

Abb. 2 Stickstoff-(N34)-VRA-Plan mit Versuchsparzellen

* Applikationsdatensatz mit den angewendeten Statistiken *(Abb. 3)*

Abb. 3 Applikationsdatensatz

* Historische Feldproduktivität (*Abb. 4*)

Abb. 4 Historische Feldproduktivität

{% hint style="warning" %} Der Ertragsdatensatz wurde nicht kalibriert: Dort waren mehrere Mähdrescher im Einsatz, es gibt Wendespuren und fehlende Datenspuren, und Rauschen ist deutlich erkennbar. Für optimale Ergebnisse wird empfohlen, zusätzlich die Operationen zur Ertragskalibrierung und -bereinigung anzuwenden.\ Eine Schritt-für-Schritt-Anleitung finden Sie unter [LINK](/geopard-tutorials/de/agronomie/ertragskalibrierung-and-bereinigung.md). {% endhint %} Der Ertragsdatensatz wird nach Kalibrierung und Bereinigung in *Abb. 5*zusammen mit den aktualisierten Statistiken dargestellt. Dieser Datensatz wird in den nächsten Schritten verwendet.

Abb. 5 Kalibrierter und bereinigter Ertragsdatensatz

## Konzept Ziel der Trial Analytics ist hier, die wirksamste Stickstoff-(N34)-Aufwandmenge für das Feld zu ermitteln. Es gibt markierte Bereiche mit Stickstoffmengen von 120 kg/ha, 150 kg/ha und 180 kg/ha. Diese Daten stammen einerseits aus dem Applikationsdatensatz und andererseits aus dem kalibrierten Ertragsdatensatz. Wir konzentrieren unsere Analyse auf drei unterschiedliche Zonen: * 120 kg/ha (als Versuchszone definiert) * 150 kg/ha (als Hauptzone betrachtet) * 180 kg/ha (eine weitere Versuchszone) Unser Vorgehen umfasst die folgenden Auswertungen: 1. **planbasiert:** unter Verwendung der geplanten Applikation mit variabler Aufwandmenge (VRA) in Verbindung mit dem kalibrierten Ertrag. 2. **applizierungsbasiert:** Vergleich der tatsächlich angewendeten Datensätze mit dem kalibrierten Ertrag. 3. **applizierungsbasiert und historische Produktivität:** Vergleich der tatsächlich angewendeten Datensätze mit dem kalibrierten Ertrag, überlagert mit historischen Feldpotenzialzonen. Dieser methodische Ansatz ermöglicht eine umfassende Bewertung des Einflusses von Stickstoff auf den Ertrag, basierend sowohl auf geplanten als auch auf tatsächlich applizierten Ausbringungsdaten. ## Planbasiert Der Einfluss von ~~appliziertem~~ geplantem Stickstoff (N34) auf die Ertragsverteilung wird in den folgenden Screenshots visuell erfasst *(Abb. 6, Abb. 7, Abb. 8)*. Hier eine kurze Zusammenfassung der Ergebnisse: * Die Hauptzone mit einer Stickstoffmenge von 150 kg/ha umfasst 45,8 ha und weist einen durchschnittlichen Ertrag von 4,99 t/ha auf (*Abb. 6*). * Die erste Versuchszone mit einer Stickstoffausbringung von 180 kg/ha umfasst 1,76 ha und erzielt einen durchschnittlichen Ertrag von 6,5 t/ha (*Abb. 7*). * Die zweite Versuchszone mit 120 kg/ha Stickstoff umfasst 1,86 ha und erzielt einen durchschnittlichen Ertrag von 6,39 t/ha (*Abb. 8*). Die Ergebnisse werfen eine wichtige Frage auf: Warum scheint die niedrigere Aufwandmenge wirksamer zu sein als die höhere? Um tiefere Einblicke zu gewinnen, umfasst die nächste Phase[ die Auswertung der Versuche anhand der tatsächlich angewendeten Daten](/geopard-tutorials/de/agronomie/analytik-von-feldversuchen.md#applied-based-evaluation).

Abb. 6 Hauptzone mit N34 150 kg/ha

Abb. 7 Versuchszone mit N34 180 kg/ha

Abb. 8 Versuchszone mit N34 120 kg/ha

Weiter unten finden Sie eine ausführliche Erläuterung der Formeln und Konfigurationen, die bei der Auswertung verwendet wurden. {% hint style="info" %} Um den Equation-Ansatz und seine Umsetzung näher zu verstehen, konsultieren Sie bitte unsere Tutorials sowohl für die [Benutzeroberfläche](/geopard-tutorials/de/produkttour-web-app/formelbasierte-analytik.md) als auch für die [API](/geopard-tutorials/de/api-dokumentation/diagramme-mit-grundlegenden-ablaufen/5.-gleichungen-ausfuhren.md). {% endhint %} Hier sind die auszuführenden Gleichungen, um die Berechnungen zu reproduzieren. 1. Hauptzone mit 150 kg/ha:\ `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)` 2. Versuch mit 120 kg/ha:\ `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)` 3. Versuch mit 180 kg/ha:\ `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)` Es ist wichtig, *Numpy* *zu aktivieren (Abb. 9)* und *Interpolation* *zu deaktivieren (Abb. 10)*.

Abb. 9 „Numpy“ aktivieren

Abb. 10 Verwendung von „interpolierten“ Daten deaktivieren

## applizierungsbasiert Eine bemerkenswerte Beobachtung ist, dass die tatsächliche Ausbringungsrate während des Versuchs nicht durchgehend mit der geplanten (Soll-)Rate übereinstimmt. Konkret reicht die Verteilung von 120 kg/ha bis hin zu 189 kg/ha *(Abb. 11)*. Angesichts dieser Variabilität wurde es entscheidend, einen Maßstab für die Fehlertoleranz festzulegen. Daher wurde eine Genauigkeit von ±5 % als akzeptable Schwelle definiert, um den Versuch für die Auswertung als geeignet einzustufen. In den folgenden Screenshots (*Abb. 12, Abb. 13, Abb. 14)* ist die statistische Verteilung des Ertrags dargestellt, mit Fokus auf die tatsächlich applizierten Stickstoff-(N34)-Mengen. Hier die zusammengefassten Statistiken unter Berücksichtigung der Akzeptanzgrenze von ±5 % Genauigkeit: * Die Hauptzone bei 150 kg/ha hatte eine applizierte Fläche von 43,5 ha und erzielte einen durchschnittlichen Ertrag von 4,9 t/ha (*Abb. 12*). * Die erste Versuchszone bei 180 kg/ha umfasste eine Fläche von 1,47 ha und erzielte einen durchschnittlichen Ertrag von 6,5 t/ha (*Abb. 13*). * Die zweite Versuchszone bei 120 kg/ha umfasste eine Fläche von 1,44 ha und erzielte einen durchschnittlichen Ertrag von 6,3 t/ha (*Abb. 14*).

Abb. 11 Tatsächliche Ausbringungsraten in den Versuchen

Abb. 12 Hauptzone mit N34 150 kg/ha ±5 %

Abb. 13 Versuchszone mit N34 180 kg/ha ±5 %

Abb. 14 Versuchszone mit N34 120 kg/ha ±5 %

Für ein tieferes Verständnis der Methodik und der Spezifika dieser Ergebnisse sind die verwendeten Gleichungen unten aufgeführt: 1. Tatsächlich applizierter Stickstoff im Versuch:\ `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)` 2. Hauptzone mit 150 kg/ha unter Einbeziehung einer 5-%-Akzeptanz:\ `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 3. Versuch mit 120 kg/ha unter Einbeziehung einer 5-%-Akzeptanz:\ `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 4. Versuch mit 180 kg/ha unter Einbeziehung einer 5-%-Akzeptanz:\ `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` ## **applizierungsbasiert und historische Produktivität** Die Ertragswerte aus den Versuchen liegen durchgängig über dem durchschnittlichen Ertrag des gesamten Feldes. Ein wesentlicher Faktor für diese Differenz scheint die historisch hochproduktive Zone zu sein, in der die Versuche durchgeführt wurden, wie in *Abb. 15* als auch für die *Abb. 16*dargestellt. Für eine differenziertere Bewertung der Versuche ist es wichtig, die Produktivitätszonen bei der Ergebnisanalyse zu berücksichtigen.

Abb. 15 Historische Feldpotenzialzonen

Abb. 16 Historische Feldpotenzialzonen als Ertragsdatensatz

In den folgenden Screenshots (*(Abb. 17, Abb. 18, Abb. 19)* ist die statistische Verteilung des Ertrags dargestellt, mit Fokus auf die tatsächlich applizierten Stickstoff-(N34)-Mengen, überlagert mit historischen Produktivitätszonen (in GeoPard erstellt). Hier die zusammengefassten Statistiken unter Berücksichtigung der Akzeptanzgrenze von ±5 % für die applizierten Mengen: * Die Hauptzone bei 150 kg/ha hatte eine applizierte Fläche von 2,65 ha und erzielte einen durchschnittlichen Ertrag von 6,34 t/ha (*Abb. 17*). * Die erste Versuchszone bei 180 kg/ha umfasste eine Fläche von 1,08 ha und erzielte einen durchschnittlichen Ertrag von 6,41 t/ha (*Abb. 18*). * Die zweite Versuchszone bei 120 kg/ha umfasste eine Fläche von 1,78 ha und erzielte einen durchschnittlichen Ertrag von 6,33 t/ha (*Abb. 19*).

Abb. 17 Hauptzone mit N34 150 kg/ha, überlagert mit historischer Produktivität

Abb. 18 Versuchszone mit N34 180 kg/ha ±5 %, überlagert mit historischer Produktivität

Abb. 19 Versuchszone mit N34 120 kg/ha ±5 %, überlagert mit historischer Produktivität

Für ein tieferes Verständnis der Methodik und der Spezifika dieser Ergebnisse sind die verwendeten Gleichungen unten aufgeführt: 1. Hauptzone mit 150 kg/ha unter Einbeziehung einer 5-%-Akzeptanz, überlagert mit historischer Produktivität:\ `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 2. Versuch mit 120 kg/ha unter Einbeziehung einer 5-%-Akzeptanz, überlagert mit historischer Produktivität:\ `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 3. Versuch mit 180 kg/ha unter Einbeziehung einer 5-%-Akzeptanz, überlagert mit historischer Produktivität:\ `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` wobei * der Teil `Productivity_SubZone == 51` die hochproduktiven Zonen mit den angewendeten Versuchen widerspiegelt, * die Teile `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` eine Genauigkeit von ±5 % der Aufwandmengen berücksichtigen `150`, `120`, `180` kg/ha. ## Zusammenfassung Die Ertragswerte aus den Versuchen stimmen eng mit dem durchschnittlichen Ertrag überein, der in der hochproduktiven historischen Zone des Feldes beobachtet wurde. Anders ausgedrückt: Die experimentelle Ausbringung des N34-Produkts in Aufwandmengen von 120 kg/ha - 150 kg/ha - 180 kg/ha, führte zu durchschnittlichen Erträgen von 6,33 t/ha - 6,34 t/ha - 6,41 t/ha und hatte damit jeweils keinen signifikanten Einfluss auf den geernteten Ertrag innerhalb der hochproduktiven Zone. --- # 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/de/agronomie/analytik-von-feldversuchen.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.