> 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/dnk/agronomi/yield-and-trials/field-trial-analytics.md).

# Analyse af markforsøg

Analysér markforsøg med rumlig statistik for at sammenligne behandlinger, måle ROI og forbedre anbefalinger.

Agronomer bruger forsøgsanalyser til at vurdere, hvordan forskellige afgrødesorter, dyrkningsmetoder og tilførsler klarer sig, herunder resultaterne af tildeling med variabel dosering i præcisionslandbrug. Ved at indsamle, analysere og fortolke data fra markforsøg får forskere indsigt i samspillet mellem genetik, miljø og dyrkningspraksis. Denne viden bidrager til udvikling af strategier for afgrødepleje, der optimerer udbyttepotentialet og samtidig begrænser forbruget af input. Forsøgsanalyser gør det ikke kun muligt at evaluere effekten af præcisionslandbrugsmetoder, men hjælper også med at identificere robuste afgrødesorter, der kan trives under forskellige og udfordrende forhold og dermed bidrage til fødevaresikkerheden.

{% hint style="info" %}
Se siden om interaktive forsøg på bedriften på geopard.tech: [Forsøg på bedriften](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard understøtter også split-plot-forsøg med to faktorer, f.eks. samme doseringer på tværs af forskellige hybrider. Vurder både hovedeffekterne og samspillet mellem dosering og hybrid på det samme georefererede forsøgsområde.
{% endhint %}

## Klargøring af data

For at kunne analysere forsøg effektivt skal du bruge nogle få vigtige datasæt:

1. **Udbyttedatasæt**:\
   Dette datasæt indeholder udbyttedata.\
   Du kan importere det fra [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller overføre det manuelt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/yield-data-import.md) eller i et [proprietært maskinformat](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Tildelingsdatasæt**:\
   Dette datasæt er vigtigt for at forstå den faktiske tildeling på marken. Som minimum indeholder det attributter som TargetRate, AppliedRate og nogle maskinrelaterede målinger.\
   Ligesom med udbyttedatasættet kan du importere det fra [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller overføre det manuelt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) eller i et [proprietært maskinformat](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zoner/parcelområder med forsøg**:\
   Disse viser de planlagte tildelingsdoseringer for vores forsøg og giver indsigt i forsøgsdesignet.\
   Hvis et sådant datalag er tilgængeligt, overfører du det som en [shapefile](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) til styringen AsApplied/AsPlanted eller Yield. Det sikrer kompatibilitet, når du opretter EquationMaps, og gør det nemmere at analysere dine forsøg.\
   Det kan være et forsøgsdesign med én faktor eller et split-plot-design med en anden behandlingsdimension, f.eks. hybrid eller sort.\
   Hvis et sådant datalag ikke er tilgængeligt, kan attributten TargetRate fra tildelingsdatasættet bruges i stedet ved evaluering af forsøg.
4. **Historiske zoner for markens udbyttepotentiale:**\
   Disse zoner genereres af GeoPard (se detaljer [HER](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/zones-maps-and-analytics/multi-year-zones.md)). De er nyttige til at analysere forsøg på steder med ensartet historisk produktivitet. Det er især en fordel, når forsøgene er fordelt på områder med forskellig historisk produktivitet.

Når du har indsamlet disse datasæt, kan du gå videre til evalueringen af forsøget.

## Dataoversigt

For vintersæsonen 2023 er følgende data tilgængelige:

* Udbyttedatasæt, der viser fordelingen af vådmasse *(Fig. 1)*

<figure><img src="https://1581835146-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>Fig. 1. Oprindeligt udbyttedatasæt</p></figcaption></figure>

* VRA-plan for kvælstof (N34) (150 kg/ha) med 2 forsøgsparceller (120 kg/ha og 180 kg/ha)*(Fig. 2)*

<figure><img src="https://1581835146-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>Fig. 2. VRA-plan for kvælstof (N34) med forsøgsparceller</p></figcaption></figure>

* Tildelingsdatasæt, der viser de anvendte mængder *(Fig. 3)*

<figure><img src="https://1581835146-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>Fig. 3. Tildelingsdatasæt</p></figcaption></figure>

* Historisk produktivitet på marken (*Fig. 4*)

<figure><img src="https://1581835146-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>Fig. 4. Historisk produktivitet på marken</p></figcaption></figure>

{% hint style="warning" %}
Udbyttedatasættet er ikke blevet kalibreret: Flere mejetærskere arbejdede på marken, der er spor efter vendinger og manglende data, og der ses støj. For at opnå de bedste resultater anbefales det også at bruge funktionerne Yield Calibrate og Clean.\
Du finder en trinvis vejledning på [LINK](https://docs.geopard.tech/geopard-tutorials/dnk/agronomi/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Udbyttedatasættet efter kalibrering og rensning vises i *Fig. 5*, sammen med de opdaterede statistikker. Dette datasæt bruges i de følgende trin.

<figure><img src="https://1581835146-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>Fig. 5. Kalibreret og renset udbyttedatasæt</p></figcaption></figure>

## Begreb

Her er formålet med Trial Analytics at fastslå den mest effektive kvælstofmængde (N34) på marken. Der er udpeget områder med kvælstofmængder på 120 kg/ha, 150 kg/ha og 180 kg/ha. Dataene stammer dels fra ApplicationDataset og dels fra det kalibrerede YieldDataset.

Vi fokuserer analysen på tre forskellige zoner:

* 120 kg/ha (udpeget som forsøgszonen)
* 150 kg/ha (betragtet som hovedzonen)
* 180 kg/ha (en anden forsøgszone)

Vores tilgang omfatter følgende evalueringer:

1. **Planbaseret:** ved hjælp af den planlagte tildeling med variabel tildelingsmængde (VRA), sammenholdt med det kalibrerede udbytte.
2. **Baseret på den faktiske tildeling:** Sammenligning af de faktiske tildelingsdata med det kalibrerede udbytte.
3. **Baseret på faktisk tildeling og historisk produktivitet:** Sammenligning af de faktiske tildelingsdata med det kalibrerede udbytte, lagt sammen med zoner for markens historiske potentiale.

Denne systematiske tilgang giver mulighed for en grundig evaluering af kvælstofs påvirkning af udbyttet på grundlag af både planlagte og faktisk udførte tildelinger.

## Planbaseret

Virkningen af ~~tilført~~ planlagt kvælstof (N34) på udbyttefordelingen ses tydeligt på de efterfølgende skærmbilleder *(Fig. 6, Fig. 7, Fig. 8)*. Her er en kort opsummering af resultaterne:

* <mark style="color:blå;">Hovedzonen, hvor der blev tildelt 150 kg kvælstof pr. ha, dækker 45,8 ha og har et gennemsnitsudbytte på 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:blå;">Den første forsøgszone, hvor der blev tildelt 180 kg kvælstof pr. ha, dækker 1,76 ha og har et gennemsnitsudbytte på 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:blå;">Den anden forsøgszone, hvor der blev tildelt 120 kg kvælstof pr. ha, dækker 1,86 ha og har et gennemsnitsudbytte på 6,39 t/ha</mark> (*Fig. 8*).

Resultaterne rejser et vigtigt spørgsmål: <mark style="color:orange;">Hvorfor ser den lavere tildelingsmængde ud til at være mere effektiv end den højere?</mark> For at få større indsigt går næste fase ud på at[ evaluere forsøgene ud fra de faktiske tildelingsdata](#applied-based-evaluation).

<figure><img src="https://1581835146-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>Fig. 6 Hovedzone med N34, 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 7 Forsøgszone med N34, 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 8 Forsøgszone med N34, 120 kg/ha</p></figcaption></figure>

Længere nede finder du en grundig gennemgang af de formler og konfigurationer, der blev brugt i evalueringen.

{% hint style="info" %}
Hvis du vil gå mere i dybden med ligningstilgangen og dens udførelse, kan du se vores vejledninger til både [brugergrænsefladen](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/equation-based-analytics.md) og [API](https://docs.geopard.tech/geopard-tutorials/dnk/api-dokumentation/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Her er de ligninger, du skal køre for at genskabe beregningerne.

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

Det er vigtigt at aktivere *Numpy* *(Fig. 9)* og slå *Interpolation* *(fig. 10)*.

<figure><img src="https://1581835146-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>Fig. 9 Aktivér "Numpy"</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 10 Slå brugen af "Interpolated"-data fra</p></figcaption></figure>

## Baseret på faktisk tildeling

En bemærkelsesværdig observation er, at den faktiske tildelingsmængde under forsøget ikke altid stemmer overens med den planlagte (mål-)mængde. Tildelingsmængden varierer fra 120 kg/ha til helt op til 189 kg/ha *(fig. 11)*. På grund af denne variation blev det afgørende at fastsætte en grænse for den acceptable fejl. Derfor blev en nøjagtighed på ±5 % fastlagt som en acceptabel tærskel for, at forsøget kunne vurderes.

De følgende skærmbilleder (*fig. 12, fig. 13, fig. 14)* viser den statistiske fordeling af udbyttet med fokus på de faktisk tildelte mængder kvælstof (N34). Her er de opsummerede statistikker med en acceptgrænse for nøjagtigheden på ±5 % in mente:

* <mark style="color:blå;">Hovedzonen med 150 kg/ha havde et tildelt areal på 43,5 ha og et gennemsnitsudbytte på 4,9 t/ha</mark> (*Fig. 12*).
* <mark style="color:blå;">Den første forsøgszone med 180 kg/ha dækkede et areal på 1,47 ha og gav et gennemsnitsudbytte på 6,5 t/ha</mark> (*Fig. 13*).
* <mark style="color:blå;">Den anden forsøgszone med 120 kg/ha strakte sig over et areal på 1,44 ha og havde et gennemsnitsudbytte på 6,3 t/ha</mark> (*Fig. 14*).

<figure><img src="https://1581835146-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>Fig. 11 Faktiske tildelingsmængder i forsøgene</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 12 Hovedzone med N34, 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 13 Forsøgszone med N34, 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 14 Forsøgszone med N34, 120 kg/ha ±5 %</p></figcaption></figure>

For at få en dybere forståelse af metoden og de specifikke resultater vises de anvendte formler nedenfor:

1. Faktisk tildelt kvælstof i forsøget:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Hovedzone med 150 kg/ha og en acceptgrænse på 5 %:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Forsøgszone med 120 kg/ha og en acceptgrænse på 5 %:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Forsøgszone med 180 kg/ha og en acceptgrænse på 5 %:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produktivitet baseret på faktisk tildeling og historiske data**

Udbyttet i forsøgszonerne er konsekvent højere end gennemsnitsudbyttet på hele marken. En væsentlig årsag til denne forskel ser ud til at være, at forsøgene blev gennemført i en zone med historisk høj produktivitet, som vist i *fig. 15* og *fig. 16*. For at vurdere forsøgene mere nuanceret er det vigtigt at tage højde for produktivitetszonerne, når resultaterne analyseres.

<figure><img src="https://1581835146-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>Fig. 15 Historiske potentialezoner på marken</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 16 Historiske potentialezoner på marken som YieldDataset</p></figcaption></figure>

De følgende skærmbilleder (*fig. 17, fig. 18, fig. 19)* viser den statistiske fordeling af udbyttet med fokus på de faktisk tildelte mængder kvælstof (N34), lagt oven på de historiske produktivitetszoner (oprettet i GeoPard). Her er de opsummerede statistikker med en acceptgrænse for nøjagtigheden af de tildelte mængder på ±5 % in mente:

* <mark style="color:blå;">Hovedzonen med 150 kg/ha havde et tildelt areal på 2,65 ha og et gennemsnitsudbytte på 6,34 t/ha</mark> (*Fig. 17*).
* <mark style="color:blå;">Den første forsøgszone med 180 kg/ha dækkede et areal på 1,08 ha og gav et gennemsnitsudbytte på 6,41 t/ha</mark> (*Fig. 18*).
* <mark style="color:blå;">Den anden forsøgszone med 120 kg/ha strakte sig over et areal på 1,78 ha og havde et gennemsnitsudbytte på 6,33 t/ha</mark> (*Fig. 19*).

<figure><img src="https://1581835146-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>Fig. 17 Hovedzone med N34, 150 kg/ha, lagt oven på historisk produktivitet</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 18 Forsøgszone med N34, 180 kg/ha ±5 %, lagt oven på historisk produktivitet</p></figcaption></figure>

<figure><img src="https://1581835146-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>Fig. 19 Forsøgszone med N34, 120 kg/ha ±5 %, lagt oven på historisk produktivitet</p></figcaption></figure>

For at få en dybere forståelse af metoden og de specifikke resultater vises de anvendte formler nedenfor:

1. Hovedbehandling med 150 kg/ha, hvor der indgår en accept på 5 %, overlappede med den historiske produktivitet:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Forsøg med 120 kg/ha, hvor der indgår en accept på 5 %, overlappede med den historiske produktivitet:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Forsøg med 180 kg/ha, hvor der indgår en accept på 5 %, overlappede med den historiske produktivitet:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

hvor

* delen `Productivity_SubZone == 51` afspejler zonerne med høj produktivitet, hvor forsøgene blev udført,
* delene `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` indregner en nøjagtighed på ±5 % i doseringerne `150`, `120`, `180` kg/ha.

## Opsummering

Udbytteresultaterne fra forsøgene stemmer godt overens med det gennemsnitlige udbytte, der blev observeret i markens zone med høj historisk produktivitet. Med andre ord havde den eksperimentelle tildeling af N34-produkt med doseringer på <mark style="color:blå;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, som resulterede i gennemsnitlige udbytter på <mark style="color:blå;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> henholdsvis ingen væsentlig indvirkning på det høstede udbytte i zonen med høj produktivitet.


---

# 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/dnk/agronomi/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.
