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

# Analyse des essais à la ferme

Analysez les essais à la ferme avec des statistiques spatiales pour comparer les traitements, mesurer le retour sur investissement et améliorer les recommandations.

Les agronomes utilisent l’analyse des essais pour évaluer les performances de différentes variétés de cultures, techniques de culture et applications d’intrants, notamment les résultats des applications à dose variable en agriculture de précision. En recueillant, analysant et interprétant les données issues des essais au champ, les chercheurs obtiennent des informations sur les interactions entre la génétique, l’environnement et les pratiques de gestion. Ces connaissances contribuent à élaborer des stratégies de gestion des cultures qui optimisent le potentiel de rendement tout en limitant l’utilisation d’intrants. En outre, l’analyse des essais permet non seulement d’évaluer l’efficacité des pratiques d’agriculture de précision, mais aussi de repérer des variétés résilientes capables de prospérer dans des conditions variées et difficiles, contribuant ainsi à la sécurité alimentaire.

{% hint style="info" %}
Consultez la page interactive consacrée aux essais à la ferme sur geopard.tech : [Essais à la ferme](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard prend également en charge les essais en parcelles divisées (split-plot) pour les dispositifs à deux facteurs, par exemple lorsque les mêmes doses sont appliquées à différents hybrides. Évaluez à la fois les effets principaux et l’interaction entre la dose et l’hybride sur la même couche d’essai géoréférencée.
{% endhint %}

## Préparation des données

Pour analyser efficacement les essais, quelques jeux de données essentiels sont nécessaires :

1. **Jeu de données de rendement** :\
   Ce jeu de données contient les données de rendement.\
   Nous pouvons l’importer depuis le [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/import-from-myjohndeere.md) ou le téléverser manuellement au format [shapefile](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/yield-data-import.md) ou dans un [format propriétaire de machine](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Jeu de données d’application** :\
   Ce jeu est essentiel pour comprendre l’application réellement effectuée au champ. Il contient au minimum des attributs tels que TargetRate, AppliedRate et certaines mesures liées aux machines.\
   Comme pour le jeu de données de rendement, nous pouvons l’importer depuis le [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/import-from-myjohndeere.md) ou le téléverser manuellement au format [shapefile](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) ou dans un [format propriétaire de machine](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zones/parcelles d’essai et d’expérimentation** :\
   Elles indiquent les doses d’application prévues pour nos essais et renseignent sur le dispositif expérimental.\
   Si une telle couche de données est disponible, nous la téléversons au format [shapefile](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) dans le contrôle AsApplied/AsPlanted ou Yield. Cela garantit la compatibilité lors de la création d’EquationMaps et facilite l’analyse des essais.\
   Le dispositif peut comporter un seul facteur ou être un dispositif en parcelles divisées avec une deuxième dimension de traitement, comme l’hybride ou la variété.\
   Si cette couche de données n’est pas disponible, l’attribut TargetRate du jeu de données d’application peut servir de substitut pour évaluer les essais.
4. **Zones de potentiel historique des champs :**\
   Ces zones sont générées par GeoPard (plus de détails [ICI](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/zones-maps-and-analytics/multi-year-zones.md)). Elles sont utiles pour analyser les essais dans des zones présentant une productivité historique homogène. C’est particulièrement avantageux lorsque les essais sont répartis dans des régions aux historiques de productivité variés.

Une fois ces jeux de données réunis, l’étape suivante consiste à commencer l’évaluation des essais.

## Aperçu des données

Voici les données de la campagne agricole 2023 pour le blé d’hiver :

* Jeu de données de rendement illustrant la répartition de la masse humide *(fig. 1)*

<figure><img src="https://690567185-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 Jeu de données de rendement d’origine</p></figcaption></figure>

* Plan d’application d’azote (N34) à dose variable (150 kg/ha) avec 2 parcelles d’essai (120 kg/ha et 180 kg/ha)*(fig. 2)*

<figure><img src="https://690567185-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 d’application d’azote (N34) à dose variable avec parcelles d’essai</p></figcaption></figure>

* Jeu de données d’application présentant les statistiques des doses appliquées *(fig. 3)*

<figure><img src="https://690567185-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 Jeu de données d’application</p></figcaption></figure>

* Productivité historique du champ (*fig. 4*)

<figure><img src="https://690567185-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 Productivité historique du champ</p></figcaption></figure>

{% hint style="warning" %}
Le jeu de données de rendement n’a pas été étalonné : plusieurs moissonneuses-batteuses ont travaillé dans ce champ, les traces comportent des demi-tours et des données manquantes, et le bruit est manifeste. Pour obtenir les meilleurs résultats, il est recommandé d’appliquer les opérations d’étalonnage et de nettoyage du rendement.\
Un tutoriel étape par étape est disponible à l’adresse [LINK](https://docs.geopard.tech/geopard-tutorials/fr/agronomie/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Le jeu de données de rendement après étalonnage et nettoyage est présenté à la *fig. 5*, avec les statistiques mises à jour. Ce jeu de données sera utilisé aux étapes suivantes.

<figure><img src="https://690567185-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 Jeu de données de rendement étalonné et nettoyé</p></figcaption></figure>

## Concept

L’objectif de Trial Analytics est ici de déterminer la dose d’azote (N34) la plus efficace pour la parcelle. Les zones ciblées correspondent à des doses d’azote de 120 kg/ha, 150 kg/ha et 180 kg/ha. Ces données proviennent, d’une part, de l’ApplicationDataset et, d’autre part, du YieldDataset étalonné.

Notre analyse porte sur trois zones distinctes :

* 120 kg/ha (désignée comme zone d’essai)
* 150 kg/ha (considérée comme la zone principale)
* 180 kg/ha (une autre zone d’essai)

Notre approche comprend les évaluations suivantes :

1. **Basée sur la planification :** utilisation de l’application à dose variable (VRA) planifiée, associée au rendement étalonné.
2. **Basée sur l’application réelle :** comparaison des jeux de données d’application réelle avec le rendement étalonné.
3. **Basée sur l’application réelle et la productivité historique :** comparaison des jeux de données d’application réelle avec le rendement étalonné, superposé aux zones de potentiel historique de la parcelle.

Cette approche méthodique permet d’évaluer de manière approfondie l’incidence de l’azote sur le rendement, à partir des données d’application planifiées et réellement appliquées.

## Basée sur la planification

L’influence de l’azote (N34) ~~appliqué~~ planifié sur la répartition du rendement est représentée visuellement dans les captures d’écran suivantes *(Fig. 6, Fig. 7, Fig. 8)*. Voici un bref résumé des résultats :

* <mark style="color:bleu;">La zone principale, avec une dose d’azote de 150 kg/ha, couvre 45,8 ha et présente un rendement moyen de 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:bleu;">La première zone d’essai, où une dose d’azote de 180 kg/ha a été appliquée, couvre 1,76 ha et présente un rendement moyen de 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:bleu;">La deuxième zone d’essai, avec une dose d’azote de 120 kg/ha, couvre 1,86 ha et présente un rendement moyen de 6,39 t/ha</mark> (*Fig. 8*).

Ces résultats soulèvent une question importante : <mark style="color:orange;">Pourquoi la dose la plus faible semble-t-elle plus efficace que la dose la plus élevée ?</mark> Pour approfondir l’analyse, l’étape suivante consiste à[ évaluer les essais à l’aide des données d’application réelle](#applied-based-evaluation).

<figure><img src="https://690567185-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 Zone principale avec N34 à 150 kg/ha</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 180 kg/ha</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 120 kg/ha</p></figcaption></figure>

Vous trouverez plus loin une présentation détaillée des formules et des configurations utilisées lors de l’évaluation.

{% hint style="info" %}
Pour approfondir l’approche par équations et sa mise en œuvre, consultez nos tutoriels sur l’ [interface utilisateur](https://docs.geopard.tech/geopard-tutorials/fr/visite-guidee-du-produit-application-web/equation-based-analytics.md) et l’ [API](https://docs.geopard.tech/geopard-tutorials/fr/documentation-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Voici les équations à exécuter pour reproduire les calculs.

1. Zone principale à 150 kg/ha :\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Zone d’essai à 120 kg/ha :\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Zone d’essai à 180 kg/ha :\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Il est important d’activer *Numpy* *(Fig. 9)* et de désactiver *Interpolation* *(Fig. 10)*.

<figure><img src="https://690567185-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 Activer « Numpy »</p></figcaption></figure>

<figure><img src="https://690567185-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 Désactiver l’utilisation des données « interpolées »</p></figcaption></figure>

## Basé sur les doses appliquées

On observe que la dose réellement appliquée pendant l’essai ne correspond pas toujours à la dose prévue (cible). Plus précisément, les doses appliquées varient de 120 kg/ha à 189 kg/ha. *(Fig. 11)*. Compte tenu de cette variabilité, il est devenu essentiel de définir une tolérance d’erreur de référence. Une précision de ±5 % a donc été retenue comme seuil acceptable pour juger l’essai évaluable.

Les captures d’écran suivantes (*Fig. 12, Fig. 13, Fig. 14)* présentent la distribution statistique du rendement, en se concentrant sur les doses d’azote (N34) réellement appliquées. Voici les statistiques récapitulatives, en tenant compte du seuil de précision acceptable de ±5 % :

* <mark style="color:bleu;">La zone principale à 150 kg/ha couvre une superficie traitée de 43,5 ha et présente un rendement moyen de 4,9 t/ha.</mark> (*Fig. 12*).
* <mark style="color:bleu;">La première zone d’essai à 180 kg/ha couvre une superficie de 1,47 ha et présente un rendement moyen de 6,5 t/ha.</mark> (*Fig. 13*).
* <mark style="color:bleu;">La deuxième zone d’essai, réglée à 120 kg/ha, s’étend sur 1,44 ha et présente un rendement moyen de 6,3 t/ha.</mark> (*Fig. 14*).

<figure><img src="https://690567185-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 Doses réellement appliquées dans les essais</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone principale avec N34 à 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 120 kg/ha ±5 %</p></figcaption></figure>

Pour mieux comprendre la méthodologie et les spécificités de ces résultats, voici les équations utilisées :

1. Azote réellement appliqué dans les essais :\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Zone principale à 150 kg/ha, avec une tolérance de 5 % :\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Essai à 120 kg/ha, avec une tolérance de 5 % :\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Essai à 180 kg/ha, avec une tolérance de 5 % :\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Productivité basée sur les doses appliquées et productivité historique**

Les rendements des essais dépassent systématiquement le rendement moyen de l’ensemble de la parcelle. Cet écart semble s’expliquer principalement par la forte productivité historique de la zone où les essais ont été menés, comme l’illustrent les figures *Fig. 15* et *Fig. 16*. Pour évaluer les essais avec plus de nuance, il est essentiel de tenir compte des zones de productivité lors de l’analyse des résultats.

<figure><img src="https://690567185-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 Zones de potentiel historique de la parcelle</p></figcaption></figure>

<figure><img src="https://690567185-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 Zones de potentiel historique de la parcelle sous forme de jeu de données de rendement</p></figcaption></figure>

Les captures d’écran suivantes (*Fig. 17, Fig. 18, Fig. 19)* présentent la distribution statistique du rendement, en superposant les doses d’azote (N34) réellement appliquées aux zones de productivité historique (créées dans GeoPard). Voici les statistiques récapitulatives, en tenant compte de la tolérance de ±5 % pour les doses appliquées :

* <mark style="color:bleu;">La zone principale à 150 kg/ha couvre une superficie traitée de 2,65 ha et présente un rendement moyen de 6,34 t/ha.</mark> (*Fig. 17*).
* <mark style="color:bleu;">La première zone d’essai à 180 kg/ha couvre une superficie de 1,08 ha et présente un rendement moyen de 6,41 t/ha.</mark> (*Fig. 18*).
* <mark style="color:bleu;">La deuxième zone d’essai, réglée à 120 kg/ha, s’étend sur 1,78 ha et présente un rendement moyen de 6,33 t/ha.</mark> (*Fig. 19*).

<figure><img src="https://690567185-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 Zone principale avec N34 à 150 kg/ha, superposée aux zones de productivité historique</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 180 kg/ha ±5 %, superposée aux zones de productivité historique</p></figcaption></figure>

<figure><img src="https://690567185-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 Zone d’essai avec N34 à 120 kg/ha ±5 %, superposée aux zones de productivité historique</p></figcaption></figure>

Pour mieux comprendre la méthodologie et les spécificités de ces résultats, voici les équations utilisées :

1. Modalité principale à 150 kg/ha, avec une tolérance de 5 %, superposée à la productivité historique :\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Essai à 120 kg/ha, avec une tolérance de 5 %, superposé à la productivité historique :\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Essai à 180 kg/ha, avec une tolérance de 5 %, superposé à la productivité historique :\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

où

* la partie `Productivity_SubZone == 51` correspond aux zones à forte productivité où les essais ont été appliqués,
* les parties `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` intègrent une tolérance de ±5 % par rapport aux doses `150`, `120`, `180` kg/ha.

## Résumé

Les rendements obtenus lors des essais concordent étroitement avec le rendement moyen observé dans la zone à forte productivité historique du champ. Autrement dit, l’application expérimentale du produit N34 aux doses de <mark style="color:bleu;">120 kg/ha - 150 kg/ha - 180 kg/ha</mark>, a donné des rendements moyens de <mark style="color:bleu;">6.33 t/ha - 6.34 t/ha - 6.41 t/ha</mark> respectivement, sans avoir d’impact significatif sur le rendement récolté dans la zone à forte productivité.


---

# 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/fr/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.
