> 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/nor/agronomi/yield-and-trials/field-trial-analytics.md).

# Analyse av feltforsøk

Analyser feltforsøk med romlig statistikk for å sammenligne behandlinger, måle avkastning og forbedre anbefalinger.

Agronomer bruker forsøksanalyse til å vurdere hvordan ulike plantesorter, dyrkingsmetoder og innsatsfaktorer fungerer, blant annet resultatene av tildeling med variabel mengde i presisjonsjordbruk. Ved å samle inn, analysere og tolke data fra feltforsøk får forskere innsikt i samspillet mellom genetikk, miljø og driftspraksis. Denne kunnskapen bidrar til å utvikle dyrkingsstrategier som utnytter avlingspotensialet best mulig og samtidig begrenser bruken av innsatsfaktorer. Forsøksanalyse gjør det dessuten mulig å vurdere hvor effektive metodene innen presisjonsjordbruk er, og å identifisere robuste plantesorter som kan trives under ulike og krevende forhold. Slik bidrar den til matsikkerhet.

{% hint style="info" %}
Se siden om interaktive forsøk på gården på geopard.tech: [Forsøk på gården](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard støtter også split-plot-forsøk med to faktorer, for eksempel samme mengder på tvers av ulike hybrider. Vurder både hovedeffektene og samspillet mellom mengde og hybrid i det samme georefererte forsøkslaget.
{% endhint %}

## Klargjøring av data

For å analysere forsøk effektivt trenger du noen viktige datasett:

1. **Avlingsdatasett**:\
   Dette datasettet inneholder avlingsdata.\
   Du kan importere det fra [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller laste det opp manuelt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/yield-data-import.md) eller i et [proprietært maskinformat](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Tildelingsdatasett**:\
   Dette er viktig for å forstå hva som faktisk ble tildelt på jordet. Som et minimum inneholder det attributter som TargetRate, AppliedRate og enkelte maskinrelaterte måleverdier.\
   Som for avlingsdatasettet kan du importere det fra [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller laste det opp manuelt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) eller i et [proprietært maskinformat](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Soner/teiger med forsøk**:\
   Disse viser planlagte tildelingsmengder for forsøkene og gir innsikt i forsøksoppsettet.\
   Hvis et slikt datalag er tilgjengelig, laster du det opp som en [shapefile](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) i kontrollen for AsApplied/AsPlanted eller Yield. Dette sikrer kompatibilitet når du lager EquationMaps og gjør det enklere å analysere forsøk.\
   Oppsettet kan ha én faktor eller være et split-plot-oppsett med en ekstra behandlingsfaktor, for eksempel hybrid eller sort.\
   Hvis et slikt datalag ikke er tilgjengelig, kan attributtet TargetRate i tildelingsdatasettet brukes i stedet ved evaluering av forsøk.
4. **Historiske soner for avlingspotensial på jordet:**\
   Disse sonene er generert av GeoPard (mer informasjon [HER](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/zones-maps-and-analytics/multi-year-zones.md)). De er nyttige for å analysere forsøk på områder med stabil historisk produktivitet. Dette er særlig nyttig når forsøkene ligger i områder med ulik historisk produktivitet.

Når datasettene er samlet inn, kan du begynne å evaluere forsøkene.

## Dataoversikt

Her er dataene for vekstsesongen 2023 for høsthvete:

* Avlingsdatasett som viser fordelingen av våt masse *(Fig. 1)*

<figure><img src="https://4236156289-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 Opprinnelig avlingsdatasett</p></figcaption></figure>

* Plan for variabel nitrogentildeling (N34) (150 kg/ha) med to forsøksruter (120 kg/ha og 180 kg/ha)*(Fig. 2)*

<figure><img src="https://4236156289-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 for variabel nitrogentildeling (N34) med forsøksruter</p></figcaption></figure>

* Tildelingsdatasett som viser statistikk for tildelte mengder *(Fig. 3)*

<figure><img src="https://4236156289-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 Tildelingsdatasett</p></figcaption></figure>

* Historisk produktivitet på jordet (*Fig. 4*)

<figure><img src="https://4236156289-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 Historisk produktivitet på jordet</p></figcaption></figure>

{% hint style="warning" %}
Avlingsdatasettet er ikke kalibrert: flere skurtreskere har vært i bruk, det finnes vendeteiger og spor med manglende data, og datasettet inneholder tydelig støy. For best mulig resultat anbefales det å kjøre operasjonene Yield Calibrate og Clean.\
Du finner en trinnvis veiledning på [LINK](https://docs.geopard.tech/geopard-tutorials/nor/agronomi/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Fig. 5 viser avlingsdatasettet etter kalibrering og rensing, *Fig. 5*, sammen med oppdatert statistikk. Dette datasettet brukes i de neste trinnene.

<figure><img src="https://4236156289-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 Kalibrert og renset avlingsdatasett</p></figcaption></figure>

## Konsept

Målet med Trial Analytics er her å finne den mest effektive mengden nitrogen (N34) for skiftet. Det er avgrenset områder med nitrogengjødsling på 120 kg/ha, 150 kg/ha og 180 kg/ha. Dataene er hentet fra ApplicationDataset på den ene siden og det kalibrerte YieldDataset på den andre.

Vi fokuserer analysen på tre ulike soner:

* 120 kg/ha (definert som forsøksområde)
* 150 kg/ha (definert som hovedområde)
* 180 kg/ha (et annet forsøksområde)

Analysen omfatter følgende vurderinger:

1. **Planbasert:** Bruk av den planlagte variable tildelingen (VRA) sammen med kalibrert avling.
2. **Basert på faktisk tildeling:** Sammenligning av datasettene for faktisk tildeling med kalibrert avling.
3. **Basert på faktisk tildeling og historisk produktivitet:** Sammenligning av datasettene for faktisk tildeling med kalibrert avling, sett opp mot historiske soner for åkerenes avlingspotensial.

Denne systematiske tilnærmingen gir en grundig vurdering av hvordan nitrogen påvirker avlingen, basert på både planlagte og faktiske tildelingsdata.

## Planbasert

Virkningen av ~~tilført~~ planlagt nitrogen (N34) på avlingsfordelingen vises i skjermbildene nedenfor *(fig. 6, fig. 7, fig. 8)*. Her er en kort oppsummering av resultatene:

* <mark style="color:blå;">Hovedområdet, med en nitrogentildeling på 150 kg/ha, dekker 45,8 ha og har en gjennomsnittsavling på 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:blå;">Det første forsøksområdet, med 180 kg/ha nitrogen, dekker 1,76 ha og har en gjennomsnittsavling på 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:blå;">Det andre forsøksområdet, med 120 kg/ha nitrogen, dekker 1,86 ha og har en gjennomsnittsavling på 6,39 t/ha</mark> (*Fig. 8*).

Resultatene reiser et viktig spørsmål: <mark style="color:oransje;">Hvorfor ser den lavere tildelingsmengden ut til å være mer effektiv enn den høyere?</mark> For å få bedre innsikt går neste fase ut på å[ evaluere forsøkene med data for faktisk tildeling](#applied-based-evaluation).

<figure><img src="https://4236156289-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 Hovedområde med N34 150 kg/ha</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøksområde med N34 180 kg/ha</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøksområde med N34 120 kg/ha</p></figcaption></figure>

Lenger ned finner du en grundig gjennomgang av formlene og konfigurasjonene som ble brukt i evalueringen.

{% hint style="info" %}
Hvis du vil lære mer om ligningstilnærmingen og hvordan den brukes, kan du se veiledningene våre for både [brukergrensesnittet](https://docs.geopard.tech/geopard-tutorials/nor/produktomvisning-nettapp/equation-based-analytics.md) og [API-et](https://docs.geopard.tech/geopard-tutorials/nor/api-dokumentasjon/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Her er ligningene du kan kjøre for å gjenskape beregningene.

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

Det er viktig å aktivere *Numpy* *(fig. 9)* og slå av *Interpolasjon* *(Fig. 10)*.

<figure><img src="https://4236156289-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 Aktiver «Numpy»</p></figcaption></figure>

<figure><img src="https://4236156289-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 Slå av bruk av «Interpolated»-data</p></figcaption></figure>

## Basert på tilført mengde

En viktig observasjon er at den faktiske tilførte mengden under forsøket ikke alltid samsvarer med den planlagte (mål)mengden. Fordelingen varierer fra 120 kg/ha til hele 189 kg/ha *(Fig. 11)*. På grunn av denne variasjonen ble det avgjørende å fastsette en grense for akseptabelt avvik. Derfor ble en nøyaktighet på ±5 % definert som en akseptabel grense for at forsøket skulle kunne vurderes.

De påfølgende skjermbildene (*Fig. 12, Fig. 13, Fig. 14)* viser den statistiske fordelingen av avlingen, med fokus på faktisk tilført nitrogen (N34). Her er oppsummerende statistikk, med en akseptgrense på ±5 % for nøyaktigheten:

* <mark style="color:blå;">Hovedsonen med 150 kg/ha hadde et tilført areal på 43,5 ha og en gjennomsnittsavling på 4,9 t/ha</mark> (*Fig. 12*).
* <mark style="color:blå;">Den første forsøkssonen med 180 kg/ha dekket et areal på 1,47 ha og ga en gjennomsnittsavling på 6,5 t/ha</mark> (*Fig. 13*).
* <mark style="color:blå;">Den andre forsøkssonen, med en tilført mengde på 120 kg/ha, strakte seg over et areal på 1,44 ha og hadde en gjennomsnittsavling på 6,3 t/ha</mark> (*Fig. 14*).

<figure><img src="https://4236156289-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 Faktisk tilført mengde i forsøkene</p></figcaption></figure>

<figure><img src="https://4236156289-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 Hovedsone med N34, 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøkssone med N34, 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøkssone med N34, 120 kg/ha ±5 %</p></figcaption></figure>

For å få en bedre forståelse av metoden og detaljene bak disse resultatene, følger ligningene nedenfor:

1. Faktisk tilført nitrogen i forsøket:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Hovedsone med 150 kg/ha, med en akseptgrense på 5 %:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Forsøkssone med 120 kg/ha, med en akseptgrense på 5 %:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Forsøkssone med 180 kg/ha, med en akseptgrense på 5 %:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Basert på tilført mengde og historisk produktivitet**

Avlingstallene fra forsøkssonene er gjennomgående høyere enn gjennomsnittsavlingen på hele jordet. En viktig årsak ser ut til å være at forsøkene ble lagt til en sone med historisk høy produktivitet, slik det vises i *Fig. 15* og *Fig. 16*. For å vurdere forsøkene mer nyansert er det viktig å ta hensyn til produktivitetssonene når resultatene analyseres.

<figure><img src="https://4236156289-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 Historiske potensialsoner på jordet</p></figcaption></figure>

<figure><img src="https://4236156289-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 Historiske potensialsoner på jordet som YieldDataset</p></figcaption></figure>

De påfølgende skjermbildene (*Fig. 17, Fig. 18, Fig. 19)* viser den statistiske fordelingen av avlingen, med fokus på faktisk tilført nitrogen (N34), lagt over historiske produktivitetssoner (opprettet i GeoPard). Her er oppsummerende statistikk, med en akseptgrense på ±5 % for nøyaktigheten i tilført mengde:

* <mark style="color:blå;">Hovedsonen med 150 kg/ha hadde et tilført areal på 2,65 ha og en gjennomsnittsavling på 6,34 t/ha</mark> (*Fig. 17*).
* <mark style="color:blå;">Den første forsøkssonen med 180 kg/ha dekket et areal på 1,08 ha og ga en gjennomsnittsavling på 6,41 t/ha</mark> (*Fig. 18*).
* <mark style="color:blå;">Den andre forsøkssonen, med en tilført mengde på 120 kg/ha, strakte seg over et areal på 1,78 ha og hadde en gjennomsnittsavling på 6,33 t/ha</mark> (*Fig. 19*).

<figure><img src="https://4236156289-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 Hovedsone med N34, 150 kg/ha, lagt over historisk produktivitet</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøkssone med N34, 180 kg/ha ±5 %, lagt over historisk produktivitet</p></figcaption></figure>

<figure><img src="https://4236156289-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 Forsøkssone med N34, 120 kg/ha ±5 %, lagt over historisk produktivitet</p></figcaption></figure>

For å få en bedre forståelse av metoden og detaljene bak disse resultatene, følger ligningene nedenfor:

1. Hovedfelt med 150 kg/ha, inkludert 5 % aksept, overlappet med historisk avlingspotensial:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Forsøksfelt med 120 kg/ha, inkludert 5 % aksept, overlappet med historisk avlingspotensial:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Forsøksfelt med 180 kg/ha, inkludert 5 % aksept, overlappet med historisk avlingspotensial:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

der

* delen `Productivity_SubZone == 51` gjenspeiler sonene med høyt avlingspotensial der forsøkene ble gjennomført,
* delene `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` tilsvarer ±5 % nøyaktighet for mengdene `150`, `120`, `180` kg/ha.

## Sammendrag

Avlingsresultatene fra forsøkene samsvarer godt med den gjennomsnittlige avlingen som ble observert i feltets historiske sone med høyt avlingspotensial. Med andre ord ga forsøksgjødsling med N34-produkt i mengder på <mark style="color:blå;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, gjennomsnittsavlinger på <mark style="color:blå;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> henholdsvis, og hadde ingen vesentlig innvirkning på avlingen i sonen med høyt avlingspotensial.


---

# 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/nor/agronomi/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.
