> 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/lva/agronomija/yield-and-trials/field-trial-analytics.md).

# Lauka izmēģinājumu analītika

Analizējiet lauka izmēģinājumus ar telpisko statistiku, lai salīdzinātu apstrādes, mērītu ieguldījuma atdevi un uzlabotu ieteikumus.

Agronomi izmanto izmēģinājumu analīzi, lai novērtētu dažādu kultūraugu šķirņu, audzēšanas paņēmienu un resursu lietojuma efektivitāti, tostarp mainīgas devas lietojuma rezultātus precīzajā lauksaimniecībā. Apkopojot, analizējot un interpretējot lauka izmēģinājumos iegūtos datus, pētnieki gūst ieskatu mijiedarbībā starp ģenētiku, vidi un saimniekošanas paņēmieniem. Šīs zināšanas palīdz izstrādāt kultūraugu audzēšanas stratēģijas, kas ļauj izmantot ražas potenciālu, vienlaikus samazinot resursu patēriņu. Turklāt izmēģinājumu analīze ne tikai ļauj novērtēt precīzās lauksaimniecības paņēmienu efektivitāti, bet arī palīdz noteikt izturīgas kultūraugu šķirnes, kas spēj augt dažādos un sarežģītos apstākļos, tādējādi veicinot pārtikas nodrošinājumu.

{% hint style="info" %}
Skatiet interaktīvo saimniecībā veikto izmēģinājumu lapu vietnē geopard.tech: [Saimniecībā veiktie izmēģinājumi](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard atbalsta arī dalīto lauciņu izmēģinājumus ar divu faktoru plānojumu, piemēram, vienādas devas dažādiem hibrīdiem. Vienā un tajā pašā ģeoreferencētā izmēģinājuma slānī novērtējiet gan galvenos efektus, gan devas × hibrīda mijiedarbību.
{% endhint %}

## Datu sagatavošana

Lai efektīvi analizētu izmēģinājumus, nepieciešamas vairākas pamatdatu kopas:

1. **Ražas datu kopa**:\
   Šajā datu kopā ir ražas dati.\
   Tos var importēt no [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/import-from-myjohndeere.md) vai manuāli augšupielādēt kā [shapefile](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/yield-data-import.md) vai [tehnikas ražotāja patentētā formātā](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Lietojuma datu kopa**:\
   Šī datu kopa ir būtiska, lai saprastu, kādi darbi laukā faktiski izpildīti. Tajā jābūt vismaz tādiem atribūtiem kā TargetRate, AppliedRate un dažiem ar tehniku saistītiem rādītājiem.\
   Tāpat kā ražas datu kopu, to var importēt no [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/import-from-myjohndeere.md) vai manuāli augšupielādēt kā [shapefile](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/as-applied-as-planted-data-import.md) vai [tehnikas ražotāja patentētā formātā](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Izmēģinājumu/eksperimentu zonas vai lauciņi**:\
   Tie norāda izmēģinājumos plānotās lietojuma devas un sniedz ieskatu eksperimenta plānojumā.\
   Ja šāds datu slānis ir pieejams, augšupielādējiet to kā [shapefile](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/import-precision-agriculture-data/as-applied-as-planted-data-import.md) AsApplied/AsPlanted vai Yield vadīklā. Tas nodrošina saderību, veidojot EquationMaps, un atvieglo izmēģinājumu analīzi.\
   Plānojums var ietvert vienu faktoru vai dalītos lauciņus ar otru apstrādes dimensiju, piemēram, hibrīdu vai šķirni.\
   Ja šāds datu slānis nav pieejams, izmēģinājumu novērtēšanā kā aizstājēju var izmantot atribūtu TargetRate no lietojuma datu kopas.
4. **Vēsturiskās lauka ražības zonas:**\
   Šīs zonas izveido GeoPard (sīkāka informācija [HERE](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/zones-maps-and-analytics/multi-year-zones.md)). Tās noder tādu izmēģinājumu analīzei, kuri veikti vietās ar līdzīgu vēsturisko ražību. Tas ir īpaši noderīgi, ja izmēģinājumi izvietoti reģionos ar atšķirīgu vēsturisko ražību.

Kad šīs datu kopas ir apkopotas, var sākt izmēģinājumu novērtēšanu.

## Datu pārskats

2023\. gada ziemas kviešu sezonai ir pieejami šādi dati:

* Ražas datu kopa, kurā attēlots mitrās masas sadalījums *(1. att.)*

<figure><img src="https://1923267647-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>1. att. Sākotnējā ražas datu kopa</p></figcaption></figure>

* Slāpekļa (N34) mainīgās devas lietojuma plāns (150 kg/ha) ar 2 izmēģinājuma lauciņiem (120 kg/ha un 180 kg/ha)*(2. att.)*

<figure><img src="https://1923267647-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>2. att. Slāpekļa (N34) mainīgās devas lietojuma plāns ar izmēģinājuma lauciņiem</p></figcaption></figure>

* Lietojuma datu kopa, kurā attēlota lietojuma statistika *(3. att.)*

<figure><img src="https://1923267647-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>3. att. Lietojuma datu kopa</p></figcaption></figure>

* Lauka vēsturiskā ražība (*4. att.*)

<figure><img src="https://1923267647-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>4. att. Lauka vēsturiskā ražība</p></figcaption></figure>

{% hint style="warning" %}
Ražas datu kopa nav kalibrēta: laukā strādāja vairāki kombaini, tajā ir apgriešanās vietas un trūkstošu datu posmi, kā arī redzams troksnis. Lai iegūtu optimālus rezultātus, ieteicams papildus veikt ražas datu kalibrēšanu un tīrīšanu.\
Soli pa solim pamācība pieejama šeit: [LINK](https://docs.geopard.tech/geopard-tutorials/lva/agronomija/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

5\. attēlā redzama kalibrētā un iztīrītā ražas datu kopa *5. att.*, kā arī atjauninātā statistika. Šī datu kopa tiks izmantota turpmākajās darbībās.

<figure><img src="https://1923267647-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>5. att. Kalibrēta un iztīrīta ražas datu kopa</p></figcaption></figure>

## Jēdziens

Šeit Trial Analytics mērķis ir noteikt laukam visefektīvāko slāpekļa (N34) devu. Ir noteiktas zonas ar slāpekļa devām 120 kg/ha, 150 kg/ha un 180 kg/ha. Šie dati iegūti, no vienas puses, no ApplicationDataset un, no otras puses, no kalibrētās YieldDataset.

Analīzē pievēršamies trim atšķirīgām zonām:

* 120 kg/ha (noteikta kā izmēģinājuma zona)
* 150 kg/ha (uzskatīta par galveno zonu)
* 180 kg/ha (otra izmēģinājuma zona)

Mūsu pieeja ietvers šādu izvērtējumu:

1. **Balstīts uz plānu:** izmantojot plānoto mainīgās devas izkliedi (VRA), kas sasaistīta ar kalibrēto ražību.
2. **Balstīts uz faktisko iestrādi:** salīdzinot faktiski izkliedēto datu kopas ar kalibrēto ražību.
3. **Balstīts uz faktisko iestrādi un vēsturisko ražību:** salīdzinot faktiski izkliedēto datu kopas ar kalibrēto ražību, kas pārklāta ar vēsturiskajām lauka potenciāla zonām.

Šī sistemātiskā pieeja ļaus vispusīgi izvērtēt slāpekļa ietekmi uz ražību, balstoties gan uz plānotās, gan faktiskās izkliedes datiem.

## Balstīts uz plānu

Ietekme, ko ~~faktiski izkliedētais~~ plānotais slāpeklis (N34) atstāj uz ražības sadalījumu, ir vizuāli parādīta turpmākajos ekrānuzņēmumos *(6., 7. un 8. att.)*. Lūk, īss rezultātu kopsavilkums:

* <mark style="color:zils;">Galvenā zona ar slāpekļa devu 150 kg/ha aizņem 45,8 ha, un tās vidējā ražība ir 4,99 t/ha</mark> (*6. att.*).
* <mark style="color:zils;">Pirmā izmēģinājuma zona, kurā izkliedēts 180 kg/ha slāpekļa, aizņem 1,76 ha, un tās vidējā ražība ir 6,5 t/ha</mark> (*7. att.*).
* <mark style="color:zils;">Otrā izmēģinājuma zona ar 120 kg/ha slāpekļa aizņem 1,86 ha, un tās vidējā ražība ir 6,39 t/ha</mark> (*8. att.*).

Rezultāti liek uzdot būtisku jautājumu: <mark style="color:oranžs;">Kāpēc zemāka izkliedes deva, šķiet, ir efektīvāka par augstāku?</mark> Lai gūtu dziļāku ieskatu, nākamajā posmā[ izmēģinājumi tiks izvērtēti, izmantojot faktiskos izkliedes datus](#applied-based-evaluation).

<figure><img src="https://1923267647-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>6. att. Galvenā zona ar N34 devu 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1923267647-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>7. att. Izmēģinājuma zona ar N34 devu 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1923267647-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>8. att. Izmēģinājuma zona ar N34 devu 120 kg/ha</p></figcaption></figure>

Tālāk atradīsiet detalizētu skaidrojumu par izvērtēšanā izmantotajām formulām un konfigurācijām.

{% hint style="info" %}
Lai sīkāk iepazītos ar vienādojumu pieeju un tās izmantošanu, skatiet mūsu pamācības par [lietotāja saskarni](https://docs.geopard.tech/geopard-tutorials/lva/produkta-apskats-timekla-lietotne/equation-based-analytics.md) un [API](https://docs.geopard.tech/geopard-tutorials/lva/api-dokumentacija/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Tālāk norādīti vienādojumi, kas jāizpilda, lai atkārtotu aprēķinus.

1. Galvenajai zonai ar 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Izmēģinājuma zonai ar 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Izmēģinājuma zonai ar 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

Svarīgi aktivizēt *Numpy* *(9. att.)* un izslēgt *Interpolācija* *(10. att.)*.

<figure><img src="https://1923267647-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>9. att. Aktivizēt "Numpy"</p></figcaption></figure>

<figure><img src="https://1923267647-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>10. att. Izslēgt "Interpolated" datu izmantošanu</p></figcaption></figure>

## Pamatojoties uz izkliedēšanu

Ievērojams novērojums ir tas, ka faktiski izkliedētā deva izmēģinājuma laikā ne vienmēr atbilda plānotajai (mērķa) devai. Konkrēti, devas bija robežās no 120 kg/ha līdz pat 189 kg/ha *(11. att.)*. Ņemot vērā šo mainīgumu, bija svarīgi noteikt pieļaujamo kļūdas robežu. Tāpēc par izmēģinājuma novērtēšanai pieņemamu slieksni noteica ±5% precizitāti.

Nākamajos ekrānuzņēmumos (*12., 13. un 14. att.)* redzams statistiskais ražas sadalījums, īpašu uzmanību pievēršot faktiski izkliedētajam slāpekļa (N34) daudzumam. Tālāk apkopoti statistikas dati, ņemot vērā pieļaujamo ±5% precizitāti:

* <mark style="color:zils;">Galvenajā zonā ar devu 150 kg/ha mēslojums tika izkliedēts 43,5 ha platībā, un vidējā raža bija 4,9 t/ha</mark> (*12. att.*).
* <mark style="color:zils;">Pirmā izmēģinājuma zona ar devu 180 kg/ha aizņēma 1,47 ha, un vidējā raža bija 6,5 t/ha</mark> (*13. att.*).
* <mark style="color:zils;">Otrā izmēģinājuma zona ar devu 120 kg/ha aizņēma 1,44 ha, un vidējā raža bija 6,3 t/ha</mark> (*14. att.*).

<figure><img src="https://1923267647-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>11. att. Faktiskās izkliedētās devas izmēģinājumos</p></figcaption></figure>

<figure><img src="https://1923267647-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>12. att. Galvenā zona ar N34, 150 kg/ha, ±5%</p></figcaption></figure>

<figure><img src="https://1923267647-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>13. att. Izmēģinājuma zona ar N34, 180 kg/ha, ±5%</p></figcaption></figure>

<figure><img src="https://1923267647-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>14. att. Izmēģinājuma zona ar N34, 120 kg/ha, ±5%</p></figcaption></figure>

Lai labāk izprastu metodiku un šo rezultātu specifiku, tālāk norādīti izmantotie vienādojumi:

1. Faktiski izmēģinājumā izkliedētais slāpekļa daudzums:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Galvenā zona ar devu 150 kg/ha, iekļaujot 5% pieļaujamo novirzi:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Izmēģinājums ar devu 120 kg/ha, iekļaujot 5% pieļaujamo novirzi:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Izmēģinājums ar devu 180 kg/ha, iekļaujot 5% pieļaujamo novirzi:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produktivitāte pēc izkliedētās devas un vēsturiskajiem datiem**

Izmēģinājumu ražība pastāvīgi pārsniedz visa lauka vidējo ražību. Šķiet, ka būtisks šīs atšķirības iemesls ir vēsturiski augstas produktivitātes zona, kurā tika veikti izmēģinājumi, kā redzams *15. att.* un *16. att.*. Lai precīzāk novērtētu izmēģinājumus, rezultātu analīzē ir svarīgi ņemt vērā produktivitātes zonas.

<figure><img src="https://1923267647-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>15. att. Lauka vēsturiskā potenciāla zonas</p></figcaption></figure>

<figure><img src="https://1923267647-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>16. att. Lauka vēsturiskā potenciāla zonas kā YieldDataset</p></figcaption></figure>

Nākamajos ekrānuzņēmumos (*17., 18. un 19. att.)* redzams statistiskais ražas sadalījums, īpašu uzmanību pievēršot faktiski izkliedētajam slāpekļa (N34) daudzumam, kas attēlots kopā ar vēsturiskajām produktivitātes zonām (izveidotas GeoPard). Tālāk apkopoti statistikas dati, ņemot vērā izkliedētā daudzuma pieļaujamo ±5% precizitāti:

* <mark style="color:zils;">Galvenajā zonā ar devu 150 kg/ha mēslojums tika izkliedēts 2,65 ha platībā, un vidējā raža bija 6,34 t/ha</mark> (*17. att.*).
* <mark style="color:zils;">Pirmā izmēģinājuma zona ar devu 180 kg/ha aizņēma 1,08 ha, un vidējā raža bija 6,41 t/ha</mark> (*18. att.*).
* <mark style="color:zils;">Otrā izmēģinājuma zona ar devu 120 kg/ha aizņēma 1,78 ha, un vidējā raža bija 6,33 t/ha</mark> (*19. att.*).

<figure><img src="https://1923267647-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>17. att. Galvenā zona ar N34, 150 kg/ha, pārklāta ar vēsturiskās produktivitātes datiem</p></figcaption></figure>

<figure><img src="https://1923267647-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>18. att. Izmēģinājuma zona ar N34, 180 kg/ha, ±5%, pārklāta ar vēsturiskās produktivitātes datiem</p></figcaption></figure>

<figure><img src="https://1923267647-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>19. att. Izmēģinājuma zona ar N34, 120 kg/ha, ±5%, pārklāta ar vēsturiskās produktivitātes datiem</p></figcaption></figure>

Lai labāk izprastu metodiku un šo rezultātu specifiku, tālāk norādīti izmantotie vienādojumi:

1. Galvenā apstrāde ar 150 kg/ha, iekļaujot 5% pieļaujamo novirzi, pārklājas ar vēsturisko ražību:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Izmēģinājuma apstrāde ar 120 kg/ha, iekļaujot 5% pieļaujamo novirzi, pārklājas ar vēsturisko ražību:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Izmēģinājuma apstrāde ar 180 kg/ha, iekļaujot 5% pieļaujamo novirzi, pārklājas ar vēsturisko ražību:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

kur

* daļa `Productivity_SubZone == 51` apzīmē augstas ražības zonas, kurās tika veikti izmēģinājumi,
* daļas `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` nodrošina ±5% pielaidi izkliedes normām `150`, `120`, `180` kg/ha.

## Kopsavilkums

Izmēģinājumu ražības rezultāti ir ļoti līdzīgi vidējai ražībai, kas novērota lauka augstas vēsturiskās ražības zonā. Citiem vārdiem, N34 produkta izmēģinājuma lietošana ar normām <mark style="color:zils;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, attiecīgi nodrošināja vidējo ražību <mark style="color:zils;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> un būtiski neietekmēja novākto ražu augstas ražības zonā.


---

# 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/lva/agronomija/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.
