# Analisi delle prove in campo Gli agronomi impiegano Trial Analytics per valutare le prestazioni di varie varietà colturali, tecniche di coltivazione e applicazioni di input, inclusi i risultati delle Applicazioni a dose variabile in Agricoltura di Precisione. Raccogliendo, analizzando e interpretando i dati generati dalle Prove in campo, i ricercatori ottengono informazioni sulle interazioni tra genetica, ambiente e pratiche di gestione. Questa conoscenza orienta lo sviluppo di strategie di gestione colturale che ottimizzano il potenziale di resa riducendo al minimo l’uso di input. Inoltre, Trial Analytics non solo consente di valutare l’efficacia delle pratiche di Precision Farming, ma aiuta anche a identificare varietà colturali resilienti in grado di prosperare in condizioni diverse e difficili, contribuendo così alla sicurezza alimentare. {% hint style="info" %} GeoPard supporta anche le prove a parcelle suddivise per progetti a due fattori, come le stesse dosi su ibridi diversi. Valuta sia gli effetti principali sia l’interazione dose × ibrido sullo stesso livello di prova georeferenziato. {% endhint %} ## Preparazione dei dati Per un’analisi efficace delle prove, sono necessari alcuni dataset essenziali: 1. **Dataset della resa**:\ Questo dataset acquisisce i dati di resa.\ Possiamo importarli da [JohnDeere Operation Center](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/importa-da-myjohndeere.md) oppure caricarli manualmente come [shapefile](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/importazione-dei-dati-di-resa.md) oppure come [formato proprietario della macchina](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/formati-proprietari-delle-macchine.md). 2. **Dataset delle applicazioni**:\ Questo è fondamentale per comprendere l’applicazione effettivamente eseguita nel campo. Al minimo, contiene attributi come TargetRate, AppliedRate e alcune metriche relative alla macchina.\ Come per il Dataset della resa, abbiamo opzioni per importarlo da [JohnDeere Operation Center](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/importa-da-myjohndeere.md) oppure caricarli manualmente come [shapefile](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/importazione-dati-as-applied-as-planted.md) oppure come [formato proprietario della macchina](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/formati-proprietari-delle-macchine.md). 3. **Zone/Parcelle con Prove/Esperimenti**:\ Queste mostrano le dosi di applicazione pianificate per le nostre Prove, fornendo indicazioni sul disegno sperimentale.\ Se tale livello di dati è disponibile, lo carichiamo come [shapefile](/geopard-tutorials/it/tour-del-prodotto-app-web/importa-dati-di-agricoltura-di-precisione/importazione-dati-as-applied-as-planted.md) nei controlli AsApplied/AsPlanted oppure Yield. Questo garantisce la compatibilità nella costruzione delle EquationMaps, semplificando il flusso di lavoro di analisi delle prove.\ Può trattarsi di un layout a un fattore oppure di un layout split-plot con una seconda dimensione di trattamento, come ibrido o varietà.\ Se tale livello di dati non è disponibile, l’attributo TargetRate del Dataset delle applicazioni può fungere da sostituto per le valutazioni delle prove. 4. **Zone storiche di potenziale del campo:**\ Queste zone sono generate da GeoPard (i dettagli sono [QUI](/geopard-tutorials/it/tour-del-prodotto-app-web/mappe-e-analisi-delle-zone/zone-multi-anno.md)). Sono utili per analizzare le prove con una produttività storica coerente. Ciò è particolarmente vantaggioso quando le prove sono distribuite in regioni con produttività storica variabile. Una volta raccolti questi dataset, il passaggio successivo è avviare il processo di valutazione della prova. ## Panoramica dei dati Sono presenti i seguenti dati per la stagione agricola 2023 del grano tenero invernale: * Dataset della resa che evidenzia la distribuzione della massa umida *(Fig.1)*

Fig.1 Dataset della resa originale

* Piano VRA dell’azoto (N34) (150 kg/ha) con 2 parcelle di prova (120 kg/ha e 180 kg/ha)*(Fig.2)*

Fig.2 Piano VRA dell’azoto (N34) con parcelle di prova

* Dataset delle applicazioni che mostra le statistiche applicate *(Fig.3)*

Fig.3 Dataset delle applicazioni

* Produttività storica del campo (*Fig.4*)

Fig.4 Produttività storica del campo

{% hint style="warning" %} Il Dataset della resa non è stato calibrato: vi operavano più mietitrebbie, sono presenti tracce di svolte e dati mancanti, ed è evidente del rumore. Si consiglia di applicare le operazioni Yield Calibrate e Clean per ottenere risultati ottimali.\ Un tutorial passo-passo è disponibile su [LINK](/geopard-tutorials/it/agronomia/calibrazione-e-pulizia-della-resa.md). {% endhint %} Il Dataset della resa, dopo la calibrazione e la pulizia, è mostrato in *Fig.5*, insieme alle statistiche aggiornate. Questo dataset sarà utilizzato nei passaggi successivi.

Fig.5 Dataset della resa calibrato e pulito

## Concetto Qui l’obiettivo di Trial Analytics è determinare la dose di azoto (N34) più efficace per il campo. Ci sono aree individuate con dosi di azoto di 120 kg/ha, 150 kg/ha e 180 kg/ha. Questi dati derivano da un lato dal Dataset delle applicazioni e dall’altro dal Dataset della resa calibrato. Ci concentriamo la nostra analisi su tre zone distinte: * 120 kg/ha (designata come zona di prova) * 150 kg/ha (considerata la zona principale) * 180 kg/ha (un’altra zona di prova) Il nostro approccio includerà le seguenti valutazioni: 1. **Basata sul piano:** utilizzando l’Applicazione a dose variabile (VRA) pianificata collegata alla resa calibrata. 2. **Basata sull’applicato:** Confrontando i dataset applicati reali con la resa calibrata. 3. **Basata sull’applicato e sulla produttività storica:** Confrontando i dataset applicati reali con la resa calibrata sovrapposta alle zone storiche di potenziale del campo. Questo approccio metodico consentirà una valutazione completa dell’impatto dell’azoto sulla resa, basata sia sui dati di applicazione pianificati sia su quelli applicati reali. ## Basata sul piano L’influenza dell’azoto ~~applicato~~ pianificato (N34) sulla distribuzione della resa è rappresentata visivamente nelle schermate successive *(Fig.6, Fig.7, Fig.8)*. Ecco una sintesi concisa dei risultati: * La zona principale, con una dose di azoto di 150 kg/ha, si estende su 45,8 ha e presenta una resa media di 4,99 t/ha (*Fig.6*). * La prima zona di prova, con un’applicazione di azoto di 180 kg/ha, copre 1,76 ha, con una resa media di 6,5 t/ha (*Fig.7*). * La seconda zona di prova, con 120 kg/ha di azoto, comprende 1,86 ha e produce una resa media di 6,39 t/ha (*Fig.8*). I risultati sollevano una domanda significativa: Perché la dose di applicazione più bassa sembra essere più efficiente di quella più alta? Per ottenere informazioni più approfondite, la fase successiva prevede[ la valutazione delle Prove utilizzando i dati applicati reali](/geopard-tutorials/it/agronomia/analisi-delle-prove-in-campo.md#applied-based-evaluation).

Fig.6 Zona principale con N34 150 kg/ha

Fig.7 Zona di prova con N34 180 kg/ha

Fig.8 Zona di prova con N34 120 kg/ha

Più avanti troverete una discussione approfondita delle formule e delle configurazioni utilizzate durante la valutazione. {% hint style="info" %} Per approfondire l’approccio Equation e la sua esecuzione, consultate i nostri tutorial sia per la [Interfaccia utente](/geopard-tutorials/it/tour-del-prodotto-app-web/analisi-basate-su-equazioni.md) e [API](/geopard-tutorials/it/documentazione-api/diagrammi-con-flussi-di-base/5.-esegui-equazioni.md). {% endhint %} Ecco le equazioni da eseguire per riprodurre i calcoli. 1. Principale con 150 kg/ha:\ `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)` 2. Prova con 120 kg/ha:\ `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)` 3. Prova con 180 kg/ha:\ `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)` È importante attivare *Numpy* *(Fig.9)* e disattivare *Interpolazione* *(Fig.10)*.

Fig.9 Attiva "Numpy"

Fig.10 Disattiva l’uso dei dati "Interpolated"

## Basata sull’applicato Un’osservazione notevole è che la dose effettivamente applicata durante la prova non è sempre in linea con la dose pianificata (target). In particolare, la distribuzione va da 120 kg/ha fino a 189 kg/ha *(Fig.11)*. Dato questo livello di variabilità, è diventato fondamentale fissare un riferimento per la tolleranza dell’errore. Pertanto, un’accuratezza di ±5% è stata ritenuta una soglia accettabile per considerare la prova adatta alla valutazione. Presentato nelle schermate successive (*Fig.12, Fig.13, Fig.14)* è la distribuzione statistica della resa, concentrata sui valori di azoto (N34) effettivamente applicati. Ecco le statistiche riassuntive, tenendo conto dell’accettazione di accuratezza ±5%: * La zona principale a 150 kg/ha ha avuto un’area applicata di 43,5 ha, con una resa media di 4,9 t/ha (*Fig.12*). * La prima zona di prova a 180 kg/ha ha coperto un’area di 1,47 ha e ha prodotto una resa media di 6,5 t/ha (*Fig.13*). * La seconda zona di prova impostata a 120 kg/ha ha coperto un’area di 1,44 ha, con una resa media di 6,3 t/ha (*Fig.14*).

Fig.11 Dosi effettivamente applicate nelle prove

Fig.12 Zona principale con N34 150 kg/ha ±5%

Fig.13 Zona di prova con N34 180 kg/ha ±5%

Fig.14 Zona di prova con N34 120 kg/ha ±5%

Per una comprensione più approfondita della metodologia e dei dettagli di questi risultati, le equazioni utilizzate sono riportate di seguito: 1. Azoto effettivamente applicato nella prova:\ `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)` 2. Principale con 150 kg/ha con accettazione del 5%:\ `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 3. Prova con 120 kg/ha con accettazione del 5%:\ `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 4. Prova con 180 kg/ha con accettazione del 5%:\ `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` ## **Basata sull’applicato e sulla produttività storica** I valori di resa delle Prove superano costantemente la resa media osservata in tutta l’area ad alta produttività storica del campo. Un fattore chiave che sembra guidare questa differenza è la zona storicamente ad alta produttività in cui si sono svolte le Prove, come visualizzato in *Fig.15* e *Fig.16*. Per una valutazione più sfumata delle Prove, è fondamentale tenere conto delle zone di produttività quando si analizzano i risultati.

Fig.15 Zone storiche di potenziale del campo

Fig.16 Zone storiche di potenziale del campo come Dataset della resa

Presentato nelle schermate successive (*Fig.17, Fig.18, Fig.19)* è la distribuzione statistica della resa, concentrata sui valori di azoto (N34) effettivamente applicati sovrapposti alle Zone di produttività storica (create in GeoPard). Ecco le statistiche riassuntive, tenendo conto dell’accettazione di accuratezza ±5% per i valori applicati: * La zona principale a 150 kg/ha ha avuto un’area applicata di 2,65 ha, con una resa media di 6,34 t/ha (*Fig.17*). * La prima zona di prova a 180 kg/ha ha coperto un’area di 1,08 ha e ha prodotto una resa media di 6,41 t/ha (*Fig.18*). * La seconda zona di prova impostata a 120 kg/ha ha coperto un’area di 1,78 ha, con una resa media di 6,33 t/ha (*Fig.19*).

Fig.17 Zona principale con N34 150 kg/ha sovrapposta alla produttività storica

Fig.18 Zona di prova con N34 180 kg/ha ±5% sovrapposta alla produttività storica

Fig.19 Zona di prova con N34 120 kg/ha ±5% sovrapposta alla produttività storica

Per una comprensione più approfondita della metodologia e dei dettagli di questi risultati, le equazioni utilizzate sono riportate di seguito: 1. Principale con 150 kg/ha con accettazione del 5% sovrapposta alla produttività storica:\ `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 2. Prova con 120 kg/ha con accettazione del 5% sovrapposta alla produttività storica:\ `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 3. Prova con 180 kg/ha con accettazione del 5% sovrapposta alla produttività storica:\ `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` dove * la parte `Productivity_SubZone == 51` riflette le zone ad alta produttività con gli esperimenti applicati, * le parti `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` incorporano un’accuratezza di ±5% rispetto alle dosi `150`, `120`, `180` kg/ha. ## Sintesi I risultati di resa delle Prove si allineano strettamente con la resa media osservata nell’intera zona di alta produttività storica del campo. In altre parole, l’applicazione sperimentale del prodotto N34 alle dosi di 120 kg/ha - 150 kg/ha - 180 kg/ha, ha prodotto rese medie di 6,33 t/ha - 6,34 t/ha - 6,41 t/ha rispettivamente, non ha un impatto significativo sulla resa raccolta all’interno della zona ad alta produttività. --- # 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/it/agronomia/analisi-delle-prove-in-campo.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.