> 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/esp/agronomia/yield-and-trials/field-trial-analytics.md).

# Analítica de ensayos de campo

Analiza ensayos en finca con estadísticas espaciales para comparar tratamientos, medir el ROI y mejorar las recomendaciones.

Los agrónomos utilizan el análisis de ensayos para evaluar el desempeño de distintas variedades de cultivos, técnicas de cultivo y aplicaciones de insumos, incluidos los resultados de las aplicaciones de dosis variable en la agricultura de precisión. Al recopilar, analizar e interpretar los datos generados en los ensayos de campo, los investigadores obtienen información sobre las interacciones entre la genética, el entorno y las prácticas de manejo. Este conocimiento orienta el desarrollo de estrategias de manejo de cultivos que optimizan el potencial de rendimiento y minimizan el uso de insumos. Además, el análisis de ensayos no solo permite evaluar la eficacia de las prácticas de agricultura de precisión, sino que también ayuda a identificar variedades de cultivos resilientes capaces de prosperar en condiciones diversas y exigentes, lo que contribuye a la seguridad alimentaria.

{% hint style="info" %}
Consulta la página interactiva sobre ensayos en el campo en geopard.tech: [Ensayos en el campo](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard también admite ensayos en parcelas divididas para diseños de dos factores, como aplicar las mismas dosis a distintos híbridos. Evalúa tanto los efectos principales como la interacción dosis × híbrido en la misma capa de ensayo georreferenciada.
{% endhint %}

## Preparación de los datos

Para analizar eficazmente los ensayos, se necesitan algunos conjuntos de datos esenciales:

1. **Conjunto de datos de rendimiento**:\
   Este conjunto contiene los datos de rendimiento.\
   Se puede importar desde [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/import-from-myjohndeere.md) o cargar manualmente como [shapefile](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/yield-data-import.md) o en un [formato propietario de la maquinaria](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Conjunto de datos de aplicación**:\
   Este conjunto es fundamental para entender la aplicación realmente ejecutada en el campo. Como mínimo, contiene atributos como TargetRate, AppliedRate y algunas métricas relacionadas con la maquinaria.\
   Al igual que el conjunto de datos de rendimiento, se puede importar desde [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/import-from-myjohndeere.md) o cargar manualmente como [shapefile](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) o en un [formato propietario de la maquinaria](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zonas/parcelas con ensayos/experimentos**:\
   Estas muestran las dosis de aplicación planificadas para los ensayos y permiten conocer el diseño experimental.\
   Si se dispone de una capa de datos de este tipo, se carga como [shapefile](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) en el control AsApplied/AsPlanted o Yield. Esto garantiza la compatibilidad al crear EquationMaps y agiliza el análisis de los ensayos.\
   El diseño puede tener un solo factor o ser de parcelas divididas, con una segunda dimensión de tratamiento, como el híbrido o la variedad.\
   Si no se dispone de esta capa de datos, el atributo TargetRate del conjunto de datos de aplicación puede utilizarse como sustituto para evaluar los ensayos.
4. **Zonas históricas del potencial del campo:**\
   GeoPard genera estas zonas (más detalles [AQUÍ](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/zones-maps-and-analytics/multi-year-zones.md)). Son útiles para analizar ensayos en campos con una productividad histórica constante. Esto resulta especialmente beneficioso cuando los ensayos se distribuyen entre regiones con una productividad histórica variable.

Una vez recopilados estos conjuntos de datos, el siguiente paso es iniciar el proceso de evaluación de los ensayos.

## Descripción general de los datos

Estos son los datos de la campaña agrícola de 2023 de trigo de invierno:

* Conjunto de datos de rendimiento que muestra la distribución de la masa húmeda *(Fig. 1)*

<figure><img src="https://2708050521-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. Conjunto de datos de rendimiento original</p></figcaption></figure>

* Plan de aplicación de nitrógeno (N34) con dosis variable (150 kg/ha) y 2 parcelas de ensayo (120 kg/ha y 180 kg/ha)*(Fig. 2)*

<figure><img src="https://2708050521-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. Plan de aplicación de nitrógeno (N34) con dosis variable y parcelas de ensayo</p></figcaption></figure>

* Conjunto de datos de aplicación que muestra las estadísticas de aplicación *(Fig. 3)*

<figure><img src="https://2708050521-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. Conjunto de datos de aplicación</p></figcaption></figure>

* Productividad histórica del campo (*Fig. 4*)

<figure><img src="https://2708050521-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. Productividad histórica del campo</p></figcaption></figure>

{% hint style="warning" %}
El conjunto de datos de rendimiento no se ha calibrado: trabajaron varias cosechadoras en el campo, hay trayectorias de giros y datos faltantes, y se observa ruido. Para obtener resultados óptimos, se recomienda aplicar las operaciones Yield Calibrate y Clean.\
Puedes consultar un tutorial paso a paso en [ENLACE](https://docs.geopard.tech/geopard-tutorials/esp/agronomia/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

El conjunto de datos de rendimiento, después de calibrarlo y limpiarlo, se muestra en la *Fig. 5*, junto con las estadísticas actualizadas. Este conjunto de datos se utilizará en los pasos siguientes.

<figure><img src="https://2708050521-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. Conjunto de datos de rendimiento calibrado y depurado</p></figcaption></figure>

## Concepto

En este caso, el objetivo de Trial Analytics es determinar la dosis de nitrógeno (N34) más eficaz para el campo. Se han delimitado zonas con dosis de nitrógeno de 120 kg/ha, 150 kg/ha y 180 kg/ha. Estos datos proceden, por un lado, de ApplicationDataset y, por otro, de YieldDataset calibrado.

El análisis se centra en tres zonas distintas:

* 120 kg/ha (designada como zona de ensayo)
* 150 kg/ha (considerada la zona principal)
* 180 kg/ha (otra zona de ensayo)

El análisis incluirá las siguientes evaluaciones:

1. **Basada en el plan:** uso de la aplicación de dosis variable (VRA) planificada, vinculada al rendimiento calibrado.
2. **Basada en la aplicación:** comparación de los conjuntos de datos de aplicación real con el rendimiento calibrado.
3. **Basada en la aplicación y la productividad histórica:** comparación de los conjuntos de datos de aplicación real con el rendimiento calibrado, superpuesto a las zonas de potencial histórico del campo.

Este enfoque sistemático permitirá evaluar de forma exhaustiva el impacto del nitrógeno en el rendimiento, a partir de los datos de aplicación planificada y de aplicación real.

## Basada en el plan

La influencia del ~~aplicado~~ nitrógeno (N34) planificado en la distribución del rendimiento se muestra visualmente en las capturas de pantalla siguientes *(Fig. 6, Fig. 7, Fig. 8)*. A continuación, se resumen los resultados:

* <mark style="color:azul;">La zona principal, con una dosis de nitrógeno de 150 kg/ha, abarca 45,8 ha y alcanza un rendimiento promedio de 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:azul;">La primera zona de ensayo, con una aplicación de nitrógeno de 180 kg/ha, abarca 1,76 ha y alcanza un rendimiento promedio de 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:azul;">La segunda zona de ensayo, con 120 kg/ha de nitrógeno, abarca 1,86 ha y alcanza un rendimiento promedio de 6,39 t/ha</mark> (*Fig. 8*).

Los resultados plantean una pregunta importante: <mark style="color:naranja;">¿Por qué la dosis de aplicación más baja parece ser más eficiente que la más alta?</mark> Para profundizar en el análisis, la siguiente etapa consiste en[ evaluar los ensayos con los datos de aplicación real](#applied-based-evaluation).

<figure><img src="https://2708050521-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 Zona principal con N34 a 150 kg/ha</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 180 kg/ha</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 120 kg/ha</p></figcaption></figure>

Más adelante encontrarás un análisis detallado de las fórmulas y configuraciones empleadas en la evaluación.

{% hint style="info" %}
Para profundizar en el enfoque de ecuaciones y su ejecución, consulta nuestros tutoriales tanto para la [interfaz de usuario](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/equation-based-analytics.md) como para la [API](https://docs.geopard.tech/geopard-tutorials/esp/documentacion-de-la-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Estas son las ecuaciones que debes ejecutar para reproducir los cálculos.

1. Zona principal con 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Ensayo con 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Ensayo con 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Es importante activar *Numpy* *(Fig. 9)* y desactivar *Interpolación* *(Fig. 10)*.

<figure><img src="https://2708050521-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 Activar «Numpy»</p></figcaption></figure>

<figure><img src="https://2708050521-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 Desactivar el uso de datos «Interpolated»</p></figcaption></figure>

## Basado en la dosis aplicada

Una observación destacable es que la dosis realmente aplicada durante el ensayo no coincide siempre con la dosis planificada (objetivo). En concreto, la distribución abarca desde 120 kg/ha hasta 189 kg/ha. *(Fig. 11)*. Dada esta variabilidad, resultó fundamental establecer un umbral de tolerancia al error. Por ello, se determinó que una precisión de ±5 % era un umbral aceptable para considerar que el ensayo era apto para la evaluación.

En las capturas de pantalla siguientes (*Fig. 12, Fig. 13, Fig. 14)* se muestra la distribución estadística del rendimiento, centrada en las dosis realmente aplicadas de nitrógeno (N34). A continuación se resumen las estadísticas, teniendo en cuenta el criterio de aceptación de precisión de ±5 %:

* <mark style="color:azul;">La zona principal, con una dosis de 150 kg/ha, tuvo una superficie aplicada de 43,5 ha y un rendimiento medio de 4,9 t/ha</mark> (*Fig. 12*).
* <mark style="color:azul;">La primera zona de ensayo, con una dosis de 180 kg/ha, abarcó una superficie de 1,47 ha y produjo un rendimiento medio de 6,5 t/ha</mark> (*Fig. 13*).
* <mark style="color:azul;">La segunda zona de ensayo, con una dosis de 120 kg/ha, abarcó una superficie de 1,44 ha y tuvo un rendimiento medio de 6,3 t/ha</mark> (*Fig. 14*).

<figure><img src="https://2708050521-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 Dosis realmente aplicadas en los ensayos</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona principal con N34 a 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 120 kg/ha ±5 %</p></figcaption></figure>

Para comprender mejor la metodología y los detalles de estos resultados, a continuación se presentan las ecuaciones utilizadas:

1. Nitrógeno realmente aplicado en el ensayo:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Zona principal con 150 kg/ha, aplicando el criterio de aceptación del 5 %:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Ensayo con 120 kg/ha, aplicando el criterio de aceptación del 5 %:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Ensayo con 180 kg/ha, aplicando el criterio de aceptación del 5 %:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Productividad histórica y basada en la dosis aplicada**

Los rendimientos de los ensayos superan sistemáticamente el rendimiento medio de todo el campo. Un factor clave que parece explicar esta diferencia es que los ensayos se realizaron en una zona de productividad históricamente alta, como se muestra en *Fig. 15* y *Fig. 16*. Para evaluar los ensayos con mayor precisión, es fundamental tener en cuenta las zonas de productividad al analizar los resultados.

<figure><img src="https://2708050521-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 Zonas del potencial histórico del campo</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zonas del potencial histórico del campo como YieldDataset</p></figcaption></figure>

En las capturas de pantalla siguientes (*Fig. 17, Fig. 18, Fig. 19)* se muestra la distribución estadística del rendimiento, centrada en las dosis realmente aplicadas de nitrógeno (N34), superpuestas a las zonas de productividad histórica (creadas en GeoPard). A continuación se resumen las estadísticas, teniendo en cuenta el criterio de aceptación de precisión de ±5 % para las dosis aplicadas:

* <mark style="color:azul;">La zona principal, con una dosis de 150 kg/ha, tuvo una superficie aplicada de 2,65 ha y un rendimiento medio de 6,34 t/ha</mark> (*Fig. 17*).
* <mark style="color:azul;">La primera zona de ensayo, con una dosis de 180 kg/ha, abarcó una superficie de 1,08 ha y produjo un rendimiento medio de 6,41 t/ha</mark> (*Fig. 18*).
* <mark style="color:azul;">La segunda zona de ensayo, con una dosis de 120 kg/ha, abarcó una superficie de 1,78 ha y tuvo un rendimiento medio de 6,33 t/ha</mark> (*Fig. 19*).

<figure><img src="https://2708050521-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 Zona principal con N34 a 150 kg/ha superpuesta a la productividad histórica</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 180 kg/ha ±5 % superpuesta a la productividad histórica</p></figcaption></figure>

<figure><img src="https://2708050521-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 Zona de ensayo con N34 a 120 kg/ha ±5 % superpuesta a la productividad histórica</p></figcaption></figure>

Para comprender mejor la metodología y los detalles de estos resultados, a continuación se presentan las ecuaciones utilizadas:

1. Principal con 150 kg/ha, considerando una tolerancia del 5 %, superpuesto con la productividad histórica:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Ensayo con 120 kg/ha, considerando una tolerancia del 5 %, superpuesto con la productividad histórica:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Ensayo con 180 kg/ha, considerando una tolerancia del 5 %, superpuesto con la productividad histórica:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

donde

* la parte `Productivity_SubZone == 51` representa las zonas de alta productividad donde se aplicaron los tratamientos experimentales,
* las partes `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` incorporan una tolerancia de ±5 % respecto de las dosis `150`, `120`, `180` kg/ha.

## Resumen

Los rendimientos obtenidos en los ensayos se aproximan mucho al rendimiento medio observado en la zona de alta productividad histórica del campo. En otras palabras, la aplicación experimental del producto N34 en dosis de <mark style="color:azul;">120 kg/ha - 150 kg/ha - 180 kg/ha</mark>, dio como resultado rendimientos medios de <mark style="color:azul;">6.33 t/ha - 6.34 t/ha - 6.41 t/ha</mark> respectivamente, y no tiene un impacto significativo en el rendimiento cosechado dentro de la zona de alta productividad.


---

# 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/esp/agronomia/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.
