> 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/jpn/nong-xue/yield-and-trials/field-trial-analytics.md).

# 圃場試験分析

空間統計を用いて圃場試験を分析し、処理を比較し、ROIを測定し、推奨を改善します。

農学者は、さまざまな作物品種、栽培技術、資材投入の実績を評価するために、試験分析を活用します。これには、精密農業における可変投入量施用の結果も含まれます。圃場試験で得られたデータを収集、分析、解釈することで、研究者は遺伝要因、環境、管理方法の相互作用について知見を得られます。こうした知見は、投入資材の使用を抑えながら収量ポテンシャルを最大化する栽培管理戦略の策定に役立ちます。さらに、試験分析は精密農業技術の有効性を評価できるだけでなく、多様で厳しい条件下でも生育できる、環境変化に強い作物品種の特定にも役立ち、食料安全保障に貢献します。

{% hint style="info" %}
geopard.tech の参加型圃場試験ページをご覧ください： [参加型圃場試験](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard は、異なるハイブリッド品種に同じ施用量を適用する場合など、2要因計画の分割区試験にも対応しています。同じ地理参照付き試験レイヤー上で、主効果と施用量 × ハイブリッド品種の交互作用の両方を評価できます。
{% endhint %}

## データの準備

効果的な試験分析には、いくつかの必須データセットが必要です。

1. **収量データセット**：\
   このデータセットには収量データが記録されています。\
   以下からインポートするか、 [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/import-from-myjohndeere.md) または手動でアップロードできます。形式は [shapefile](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/yield-data-import.md) または [農業機械メーカー独自の形式](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **施用データセット**：\
   このデータセットは、圃場で実際に行われた施用を把握するうえで重要です。最低限、TargetRate、AppliedRate などの属性と、農業機械に関連する指標が含まれます。\
   収量データセットと同様に、以下からインポートするか、 [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/import-from-myjohndeere.md) または手動でアップロードできます。形式は [shapefile](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/as-applied-as-planted-data-import.md) または [農業機械メーカー独自の形式](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **試験・実験のゾーン／プロット**：\
   これらのデータには、試験で計画された施用量が示され、実験計画を把握できます。\
   このようなデータレイヤーがある場合は、 [shapefile](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/import-precision-agriculture-data/as-applied-as-planted-data-import.md) として AsApplied/AsPlanted または Yield コントロールにアップロードします。これにより EquationMaps 作成時の互換性が確保され、試験分析を効率よく進められます。\
   レイアウトは、1要因配置のほか、ハイブリッド品種や品種などの第2の処理要因を含む分割区配置にもできます。\
   このようなデータレイヤーがない場合は、施用データセットの TargetRate 属性を試験評価の代替として使用できます。
4. **過去の圃場生産力ゾーン：**\
   これらのゾーンは GeoPard によって生成されます（詳細は [こちら](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/zones-maps-and-analytics/multi-year-zones.md)）。過去の生産性が安定している試験を分析する際に役立ちます。特に、過去の生産性が異なる複数の地域に試験が分散している場合に有効です。

これらのデータセットを収集したら、次に試験の評価を開始します。

## データの概要

2023年の冬小麦栽培シーズンには、次のデータがあります。

* 湿重量の分布を示す収量データセット *（図1）*

<figure><img src="https://1993076779-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>図1 元の収量データセット</p></figcaption></figure>

* 窒素（N34）の可変投入量施用計画（150 kg/ha）と2つの試験区（120 kg/ha、180 kg/ha）*（図2）*

<figure><img src="https://1993076779-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>図2 試験区を含む窒素（N34）の可変投入量施用計画</p></figcaption></figure>

* 実際の施用統計を示す施用データセット *（図3）*

<figure><img src="https://1993076779-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>図3 施用データセット</p></figcaption></figure>

* 過去の圃場生産性（*図4*)

<figure><img src="https://1993076779-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>図4 過去の圃場生産性</p></figcaption></figure>

{% hint style="warning" %}
収量データセットは未校正です。複数の収穫機が稼働しており、旋回跡やデータ欠損の痕跡があるほか、ノイズも見られます。最適な結果を得るには、収量の校正とクリーニングを適用することをおすすめします。\
手順を追ったチュートリアルは、こちらをご覧ください： [リンク](https://docs.geopard.tech/geopard-tutorials/jpn/nong-xue/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

校正とクリーニングを行った後の収量データセットを、更新された統計情報とともに *図5*に示します。このデータセットは以降の手順で使用します。

<figure><img src="https://1993076779-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>図5 校正・クリーニング済みの収量データセット</p></figcaption></figure>

## 概念

ここでのトライアル分析の目的は、圃場に最適な窒素（N34）施用量を特定することです。窒素施用量が120kg/ha、150kg/ha、180kg/haの区域を指定しています。このデータは、一方ではApplicationDatasetから、もう一方では校正済みYieldDatasetから取得しています。

分析では、次の3つの区域に焦点を当てます。

* 120kg/ha（試験区）
* 150kg/ha（主区）
* 180kg/ha（もう一つの試験区）

次の評価を行います。

1. **計画ベース：** 校正済み収量データに関連付けた計画可変施用（VRA）を使用します。
2. **実績ベース：** 実際の施用データセットを校正済み収量データと比較します。
3. **実績ベースおよび過去の生産性：** 実際の施用データセットを、過去の圃場ポテンシャル区域を重ね合わせた校正済み収量データと比較します。

この体系的な方法により、計画上および実際の施用データの両方に基づいて、窒素が収量に及ぼす影響を包括的に評価できます。

## 計画ベース

収量分布に対する ~~施用済みの~~ 計画上の窒素（N34）の影響を、以下のスクリーンショットで視覚的に確認できます *（図6、図7、図8）*。調査結果を簡潔にまとめると、次のとおりです。

* <mark style="color:青;">窒素施用量150 kg/haの主区は45.8 haにわたり、平均収量は4.99 t/haです</mark> (*図6*).
* <mark style="color:青;">窒素を180 kg/ha施用した最初の試験区は1.76 haで、平均収量は6.5 t/haです</mark> (*図7*).
* <mark style="color:青;">窒素施用量120 kg/haの2つ目の試験区は1.86 haにわたり、平均収量は6.39 t/haです</mark> (*図8*).

この結果から、重要な疑問が浮かびます。 <mark style="color:オレンジ;">なぜ施用量の少ないほうが、多い場合より効率的に見えるのでしょうか？</mark> より詳しく分析するため、次の段階では[ 実際の施用データを使って試験区を評価します](#applied-based-evaluation).

<figure><img src="https://1993076779-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>図6 主区：N34 150kg/ha</p></figcaption></figure>

<figure><img src="https://1993076779-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>図7 試験区：N34 180kg/ha</p></figcaption></figure>

<figure><img src="https://1993076779-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>図8 試験区：N34 120kg/ha</p></figcaption></figure>

以下では、評価に使用した数式と設定について詳しく説明します。

{% hint style="info" %}
数式を使った方法とその実行について詳しく知るには、以下のチュートリアルをご覧ください。 [ユーザーインターフェース](https://docs.geopard.tech/geopard-tutorials/jpn/tsu-webapuri/equation-based-analytics.md) および [API](https://docs.geopard.tech/geopard-tutorials/jpn/apidokyumento/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

計算を再現するために実行する数式は次のとおりです。

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

必ず *Numpy* *（図9）* を有効にし、オフにします *補間* *（図10）*.

<figure><img src="https://1993076779-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>図9「Numpy」を有効化</p></figcaption></figure>

<figure><img src="https://1993076779-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>図10「補間済み」データの使用をオフにする</p></figcaption></figure>

## 実績施用量ベース

注目すべき点として、試験中の実際の施用量は、計画（目標）施用量と常に一致するわけではありません。具体的には、施用量の分布は120 kg/haから最大189 kg/haに及びます *（図11）*。このばらつきを踏まえ、誤差の許容範囲の基準を設定することが重要になりました。そのため、試験を評価対象として適切とみなす許容しきい値として、±5%の精度を設定しました。

以下のスクリーンショット（*図12、図13、図14）* には、実際の窒素（N34）施用量に着目した収量の統計的分布を示しています。実際の施用量について±5%の精度を許容範囲とした場合の統計概要は次のとおりです。

* <mark style="color:青;">150 kg/haのメインゾーンでは、施用面積が43.5 haで、平均収量は4.9 t/haでした。</mark> (*図12*).
* <mark style="color:青;">180 kg/haの1つ目の試験ゾーンは、面積が1.47 haで、平均収量は6.5 t/haでした。</mark> (*図13*).
* <mark style="color:青;">120 kg/haに設定した2つ目の試験ゾーンは、面積が1.44 haで、平均収量は6.3 t/haでした。</mark> (*図14*).

<figure><img src="https://1993076779-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>図11 試験区における実際の施用量</p></figcaption></figure>

<figure><img src="https://1993076779-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>図12 N34を150kg/ha施用したメインゾーン（±5%）</p></figcaption></figure>

<figure><img src="https://1993076779-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>図13 N34を180kg/ha施用した試験ゾーン（±5%）</p></figcaption></figure>

<figure><img src="https://1993076779-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>図14 N34を120kg/ha施用した試験ゾーン（±5%）</p></figcaption></figure>

手法と結果の詳細を理解するために、使用した計算式を以下に示します。

1. 試験区の実際の窒素施用量：\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. 150 kg/haのメインゾーン（許容範囲5%を適用）：\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. 120 kg/haの試験区（許容範囲5%を適用）：\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. 180 kg/haの試験区（許容範囲5%を適用）：\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **実績施用量と過去の生産性**

試験区の収量は、圃場全体の平均収量を一貫して上回っています。この差を生む主な要因として、試験を実施した場所が過去に生産性の高かったゾーンであることが考えられます。これは *図15* と *図16*に示されています。試験結果をより適切に評価するには、生産性ゾーンを考慮することが重要です。

<figure><img src="https://1993076779-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>図15 過去の圃場ポテンシャルゾーン</p></figcaption></figure>

<figure><img src="https://1993076779-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>図16 YieldDatasetとして表示した過去の圃場ポテンシャルゾーン</p></figcaption></figure>

以下のスクリーンショット（*図17、図18、図19）* には、過去の生産性ゾーン（GeoPardで作成）と重ね合わせた、実際の窒素（N34）施用量に着目した収量の統計的分布を示しています。実際の施用量について±5%の精度を許容範囲とした場合の統計概要は次のとおりです。

* <mark style="color:青;">150 kg/haのメインゾーンでは、施用面積が2.65 haで、平均収量は6.34 t/haでした。</mark> (*図17*).
* <mark style="color:青;">180 kg/haの1つ目の試験ゾーンは、面積が1.08 haで、平均収量は6.41 t/haでした。</mark> (*図18*).
* <mark style="color:青;">120 kg/haに設定した2つ目の試験ゾーンは、面積が1.78 haで、平均収量は6.33 t/haでした。</mark> (*図19*).

<figure><img src="https://1993076779-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>図17 N34を150kg/ha施用したメインゾーンと過去の生産性ゾーンの重ね合わせ</p></figcaption></figure>

<figure><img src="https://1993076779-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>図18 N34を180kg/ha施用した試験ゾーン（±5%）と過去の生産性ゾーンの重ね合わせ</p></figcaption></figure>

<figure><img src="https://1993076779-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>図19 N34を120kg/ha施用した試験ゾーン（±5%）と過去の生産性ゾーンの重ね合わせ</p></figcaption></figure>

手法と結果の詳細を理解するために、使用した計算式を以下に示します。

1. 150 kg/haで施用し、許容誤差5%を含めた区の収量と、過去の生産性を重ね合わせた結果：\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. 120 kg/haで施用し、許容誤差5%を含めた試験区の収量と、過去の生産性を重ね合わせた結果：\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. 180 kg/haで施用し、許容誤差5%を含めた試験区の収量と、過去の生産性を重ね合わせた結果：\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

ここで、

* 次の部分 `Productivity_SubZone == 51` は、試験を実施した高生産性ゾーンを示し、
* 次の部分 `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` 施用量の±5%の許容範囲を設定します（ `150`, `120`, `180` kg/ha）。

## 要約

試験区の収量結果は、圃場内の過去の生産性が高いゾーンで観測された平均収量とよく一致しています。つまり、N34製品を <mark style="color:青;">120 kg/ha、150 kg/ha、180 kg/ha</mark>の施用量で試験的に施用した結果、平均収量はそれぞれ <mark style="color:青;">6.33 t/ha、6.34 t/ha、6.41 t/ha</mark> となり、高生産性ゾーンにおける収穫量に有意な影響はありませんでした。


---

# 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/jpn/nong-xue/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.
