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

# Analytik von Feldversuchen

On-Farm-Versuche mit räumlicher Statistik analysieren, um Behandlungen zu vergleichen, den ROI zu messen und Empfehlungen zu verbessern.

Agronominnen und Agronomen nutzen die Versuchsauswertung, um die Leistung verschiedener Kulturpflanzensorten, Anbauverfahren und Betriebsmittelanwendungen zu beurteilen – einschließlich der Ergebnisse teilflächenspezifischer Anwendungen in der Präzisionslandwirtschaft. Durch das Erfassen, Analysieren und Interpretieren der bei Feldversuchen erhobenen Daten gewinnen Forschende Erkenntnisse über das Zusammenspiel von Genetik, Umwelt und Bewirtschaftungsmaßnahmen. Dieses Wissen fließt in die Entwicklung von Anbaustrategien ein, die das Ertragspotenzial optimieren und zugleich den Betriebsmittelverbrauch minimieren. Darüber hinaus ermöglicht die Versuchsauswertung nicht nur, die Wirksamkeit von Verfahren der Präzisionslandwirtschaft zu beurteilen, sondern hilft auch dabei, widerstandsfähige Sorten zu identifizieren, die unter unterschiedlichen und anspruchsvollen Bedingungen gedeihen können, und trägt so zur Ernährungssicherheit bei.

{% hint style="info" %}
Interaktive Seite zu Praxisversuchen auf geopard.tech: [Praxisversuche](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard unterstützt außerdem Spaltanlagenversuche mit zweifaktoriellen Versuchsplänen, beispielsweise mit denselben Aufwandmengen bei verschiedenen Hybriden. Bewerten Sie sowohl die Haupteffekte als auch die Wechselwirkung zwischen Aufwandmenge und Hybrid auf derselben georeferenzierten Versuchsebene.
{% endhint %}

## Datenaufbereitung

Für eine aussagekräftige Versuchsauswertung werden einige grundlegende Datensätze benötigt:

1. **Ertragsdatensatz**:\
   Dieser Datensatz enthält die Ertragsdaten.\
   Wir können ihn aus dem [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/import-from-myjohndeere.md) importieren oder manuell als [shapefile](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/yield-data-import.md) oder in einem [proprietären Maschinenformat](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Applikationsdatensatz**:\
   Dieser Datensatz ist entscheidend, um die tatsächlich auf dem Feld ausgeführte Applikation nachzuvollziehen. Er enthält mindestens Attribute wie TargetRate, AppliedRate und einige maschinenbezogene Kennzahlen.\
   Wie beim Ertragsdatensatz können wir ihn aus dem [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/import-from-myjohndeere.md) importieren oder manuell als [shapefile](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/as-applied-as-planted-data-import.md) oder in einem [proprietären Maschinenformat](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zonen/Parzellen mit Versuchen**:\
   Diese zeigen die geplanten Applikationsmengen für unsere Versuche und geben Einblick in den Versuchsplan.\
   Wenn eine solche Datenebene verfügbar ist, laden wir sie als [shapefile](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/import-precision-agriculture-data/as-applied-as-planted-data-import.md) in die Steuerung „AsApplied/AsPlanted“ oder „Yield“ hoch. So ist die Kompatibilität beim Erstellen von EquationMaps gewährleistet und die Versuchsauswertung wird vereinfacht.\
   Dabei kann es sich um eine einfaktorielle Anlage oder eine Spaltanlage mit einer zweiten Behandlungsdimension handeln, etwa Hybrid oder Sorte.\
   Ist keine solche Datenebene verfügbar, kann das Attribut TargetRate aus dem Applikationsdatensatz als Ersatz für die Versuchsauswertung dienen.
4. **Zonen des historischen Ertragspotenzials des Feldes:**\
   Diese Zonen werden von GeoPard erstellt (Einzelheiten [HIER](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/zones-maps-and-analytics/multi-year-zones.md)). Sie eignen sich zur Analyse von Versuchen auf Flächen mit konstantem historischem Ertragsniveau. Das ist besonders hilfreich, wenn Versuche über Regionen mit unterschiedlichem historischem Ertragsniveau verteilt sind.

Sobald diese Datensätze vorliegen, können wir mit der Auswertung der Versuche beginnen.

## Datenübersicht

Für die Anbausaison 2023 liegen folgende Daten für Winterweizen vor:

* Ertragsdatensatz mit der Verteilung der Nassmasse *(Abb. 1)*

<figure><img src="https://1347797700-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>Abb. 1: Ursprünglicher Ertragsdatensatz</p></figcaption></figure>

* N-Düngeplan (N34) für eine teilflächenspezifische Ausbringung (150 kg/ha) mit 2 Versuchsparzellen (120 kg/ha und 180 kg/ha)*(Abb. 2)*

<figure><img src="https://1347797700-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>Abb. 2: N-Düngeplan (N34) für eine teilflächenspezifische Ausbringung mit Versuchsparzellen</p></figcaption></figure>

* Applikationsdatensatz mit Statistiken zu den ausgebrachten Mengen *(Abb. 3)*

<figure><img src="https://1347797700-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>Abb. 3: Applikationsdatensatz</p></figcaption></figure>

* Historische Flächenproduktivität (*Abb. 4*)

<figure><img src="https://1347797700-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>Abb. 4: Historische Flächenproduktivität</p></figcaption></figure>

{% hint style="warning" %}
Der Ertragsdatensatz wurde noch nicht kalibriert: Es waren mehrere Mähdrescher im Einsatz, es gibt Wendespuren und Datenlücken, und die Daten weisen erkennbare Störungen auf. Für optimale Ergebnisse empfiehlt es sich, anschließend die Funktionen zur Ertragskalibrierung und -bereinigung anzuwenden.\
Eine Schritt-für-Schritt-Anleitung finden Sie unter [LINK](https://docs.geopard.tech/geopard-tutorials/de/agronomie/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Der kalibrierte und bereinigte Ertragsdatensatz ist in *Abb. 5*zusammen mit den aktualisierten Statistiken dargestellt. Dieser Datensatz wird in den folgenden Schritten verwendet.

<figure><img src="https://1347797700-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>Abb. 5: Kalibrierter und bereinigter Ertragsdatensatz</p></figcaption></figure>

## Konzept

Ziel der Trial Analytics ist es, die effektivste Stickstoffmenge (N34) für das Feld zu ermitteln. Dafür wurden Bereiche mit Stickstoffmengen von 120 kg/ha, 150 kg/ha und 180 kg/ha abgegrenzt. Die Daten stammen einerseits aus dem ApplicationDataset und andererseits aus dem kalibrierten YieldDataset.

Wir konzentrieren unsere Analyse auf drei klar abgegrenzte Zonen:

* 120 kg/ha (als Versuchszone ausgewiesen)
* 150 kg/ha (als Hauptzone betrachtet)
* 180 kg/ha (eine weitere Versuchszone)

Unsere Auswertung umfasst folgende Vergleiche:

1. **Planbasiert:** unter Verwendung der geplanten teilflächenspezifischen Ausbringung (VRA) in Verbindung mit dem kalibrierten Ertrag.
2. **Ausbringungsbasiert:** Vergleich der tatsächlich ausgebrachten Daten mit dem kalibrierten Ertrag.
3. **Ausbringungsbasiert und historische Ertragsfähigkeit:** Vergleich der tatsächlich ausgebrachten Daten mit dem kalibrierten Ertrag, überlagert mit den historischen Ertragspotenzialzonen des Feldes.

Diese systematische Vorgehensweise ermöglicht eine umfassende Bewertung des Einflusses von Stickstoff auf den Ertrag auf Grundlage der geplanten und der tatsächlich ausgebrachten Düngermengen.

## Planbasiert

Der Einfluss von ~~ausgebrachter~~ geplanter Stickstoffmenge (N34) auf die Ertragsverteilung ist in den folgenden Abbildungen dargestellt *(Abb. 6, Abb. 7, Abb. 8)*. Die Ergebnisse im Überblick:

* <mark style="color:blau;">Die Hauptzone mit einer Stickstoffmenge von 150 kg/ha umfasst 45,8 ha und erzielt einen durchschnittlichen Ertrag von 4,99 t/ha</mark> (*Abb. 6*).
* <mark style="color:blau;">Die erste Versuchzone mit einer Stickstoffmenge von 180 kg/ha umfasst 1,76 ha und erzielt einen durchschnittlichen Ertrag von 6,5 t/ha</mark> (*Abb. 7*).
* <mark style="color:blau;">Die zweite Versuchszone mit 120 kg/ha Stickstoff umfasst 1,86 ha und erzielt einen durchschnittlichen Ertrag von 6,39 t/ha</mark> (*Abb. 8*).

Die Ergebnisse werfen eine wichtige Frage auf: <mark style="color:orange;">Warum scheint die geringere Ausbringungsmenge effizienter zu sein als die höhere?</mark> Um genauere Erkenntnisse zu gewinnen, folgt im nächsten Schritt[ die Auswertung der Versuche anhand der tatsächlich ausgebrachten Mengen](#applied-based-evaluation).

<figure><img src="https://1347797700-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>Abb. 6 Hauptzone mit N34, 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 7 Versuchszone mit N34, 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 8 Versuchszone mit N34, 120 kg/ha</p></figcaption></figure>

Weiter unten finden Sie eine ausführliche Erläuterung der bei der Auswertung verwendeten Formeln und Konfigurationen.

{% hint style="info" %}
Weitere Informationen zum Gleichungsansatz und seiner Umsetzung finden Sie in unseren Tutorials zur [Benutzeroberfläche](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/equation-based-analytics.md) und zur [API](https://docs.geopard.tech/geopard-tutorials/de/api-dokumentation/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Mit den folgenden Gleichungen können Sie die Berechnungen reproduzieren.

1. Hauptzone mit 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Versuchszone mit 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Versuchszone mit 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Wichtig ist, *Numpy* *(Abb. 9)* zu aktivieren und *Interpolation* *(Abb. 10)*.

<figure><img src="https://1347797700-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>Abb. 9 „Numpy“ aktivieren</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 10 Verwendung von „Interpolated“-Daten deaktivieren</p></figcaption></figure>

## Aufwandmengenbasiert

Eine bemerkenswerte Beobachtung ist, dass die tatsächliche Aufwandmenge während des Versuchs nicht durchgehend mit der geplanten (Ziel-)Aufwandmenge übereinstimmt. Die Aufwandmenge lag zwischen 120 kg/ha und bis zu 189 kg/ha *(Abb. 11)*. Angesichts dieser Variabilität war es entscheidend, eine Toleranzgrenze für Abweichungen festzulegen. Daher wurde eine Genauigkeit von ±5 % als akzeptabler Schwellenwert definiert, damit der Versuch für die Auswertung geeignet ist.

Die folgenden Screenshots zeigen (*Abb. 12, Abb. 13, Abb. 14)* die statistische Verteilung des Ertrags, mit Fokus auf die tatsächlich ausgebrachten Stickstoffmengen (N34). Nachfolgend die zusammengefassten Statistiken unter Berücksichtigung der zulässigen Abweichung von ±5 %:

* <mark style="color:blau;">Die Hauptzone mit 150 kg/ha umfasste eine ausgebrachte Fläche von 43,5 ha und erzielte einen durchschnittlichen Ertrag von 4,9 t/ha</mark> (*Abb. 12*).
* <mark style="color:blau;">Die erste Versuchszone mit 180 kg/ha umfasste eine Fläche von 1,47 ha und erzielte einen durchschnittlichen Ertrag von 6,5 t/ha</mark> (*Abb. 13*).
* <mark style="color:blau;">Die zweite Versuchszone mit 120 kg/ha erstreckte sich über eine Fläche von 1,44 ha und erzielte einen durchschnittlichen Ertrag von 6,3 t/ha</mark> (*Abb. 14*).

<figure><img src="https://1347797700-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>Abb. 11 Tatsächliche Aufwandmengen in den Versuchen</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 12 Hauptzone mit N34 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 13 Versuchszone mit N34 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 14 Versuchszone mit N34 120 kg/ha ±5 %</p></figcaption></figure>

Zum besseren Verständnis der Methodik und der Einzelheiten dieser Ergebnisse sind nachfolgend die verwendeten Gleichungen aufgeführt:

1. Tatsächlich ausgebrachter Stickstoff im Versuch:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Hauptzone mit 150 kg/ha unter Einbeziehung einer Toleranz von 5 %:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Versuchszone mit 120 kg/ha unter Einbeziehung einer Toleranz von 5 %:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Versuchszone mit 180 kg/ha unter Einbeziehung einer Toleranz von 5 %:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Aufwandmengenbasierte Auswertung und historische Ertragsfähigkeit**

Die Erträge in den Versuchsflächen liegen durchgehend über dem Durchschnittsertrag des gesamten Feldes. Ein wesentlicher Grund für diesen Unterschied scheint die historisch hohe Ertragsfähigkeit der Zonen zu sein, in denen die Versuche durchgeführt wurden, wie in *Abb. 15* und *Abb. 16*. Für eine differenziertere Bewertung der Versuche müssen die Ertragszonen bei der Ergebnisanalyse berücksichtigt werden.

<figure><img src="https://1347797700-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>Abb. 15 Historische Ertragspotenzialzonen des Feldes</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 16 Historische Ertragspotenzialzonen des Feldes als YieldDataset</p></figcaption></figure>

Die folgenden Screenshots zeigen (*Abb. 17, Abb. 18, Abb. 19)* die statistische Verteilung des Ertrags, wobei die tatsächlich ausgebrachten Stickstoffmengen (N34) mit den historischen Ertragszonen (in GeoPard erstellt) überlagert werden. Nachfolgend die zusammengefassten Statistiken unter Berücksichtigung der zulässigen Abweichung von ±5 % bei den Aufwandmengen:

* <mark style="color:blau;">Die Hauptzone mit 150 kg/ha umfasste eine ausgebrachte Fläche von 2,65 ha und erzielte einen durchschnittlichen Ertrag von 6,34 t/ha</mark> (*Abb. 17*).
* <mark style="color:blau;">Die erste Versuchszone mit 180 kg/ha umfasste eine Fläche von 1,08 ha und erzielte einen durchschnittlichen Ertrag von 6,41 t/ha</mark> (*Abb. 18*).
* <mark style="color:blau;">Die zweite Versuchszone mit 120 kg/ha erstreckte sich über eine Fläche von 1,78 ha und erzielte einen durchschnittlichen Ertrag von 6,33 t/ha</mark> (*Abb. 19*).

<figure><img src="https://1347797700-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>Abb. 17 Hauptzone mit N34 150 kg/ha, überlagert mit der historischen Ertragsfähigkeit</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 18 Versuchszone mit N34 180 kg/ha ±5 %, überlagert mit der historischen Ertragsfähigkeit</p></figcaption></figure>

<figure><img src="https://1347797700-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>Abb. 19 Versuchszone mit N34 120 kg/ha ±5 %, überlagert mit der historischen Ertragsfähigkeit</p></figcaption></figure>

Zum besseren Verständnis der Methodik und der Einzelheiten dieser Ergebnisse sind nachfolgend die verwendeten Gleichungen aufgeführt:

1. Hauptvariante mit 150 kg/ha und einem Toleranzbereich von 5 %, überlagert mit der historischen Produktivität:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Versuchsvariante mit 120 kg/ha und einem Toleranzbereich von 5 %, überlagert mit der historischen Produktivität:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Versuchsvariante mit 180 kg/ha und einem Toleranzbereich von 5 %, überlagert mit der historischen 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 ertragsstarken Produktivitätszonen mit den durchgeführten Versuchen abbildet,
* 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 Toleranz von ±5 % für die Aufwandmengen `150`, `120`, `180` kg/ha berücksichtigen.

## Zusammenfassung

Die Ertragsergebnisse der Versuche stimmen weitgehend mit dem durchschnittlichen Ertrag überein, der in der ertragsstarken Zone des Feldes gemäß der historischen Produktivität beobachtet wurde. Mit anderen Worten: Die Versuchsausbringung des Produkts N34 mit Aufwandmengen von <mark style="color:blau;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, führte zu durchschnittlichen Erträgen von <mark style="color:blau;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> und hatte somit keinen signifikanten Einfluss auf den Ertrag in der ertragsstarken Produktivitätszone.


---

# 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/de/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.
