> 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/pl/agronomia/yield-and-trials/field-trial-analytics.md).

# Analityka prób polowych

Analizuj próby polowe z wykorzystaniem statystyki przestrzennej, aby porównywać warianty, mierzyć ROI i ulepszać zalecenia.

Agronomowie wykorzystują analitykę doświadczeń polowych do oceny skuteczności różnych odmian roślin uprawnych, technik uprawy i stosowania środków produkcji, w tym wyników aplikacji o zmiennej dawce w rolnictwie precyzyjnym. Zbierając, analizując i interpretując dane z doświadczeń polowych, badacze lepiej poznają zależności między genetyką, środowiskiem i praktykami zarządzania gospodarstwem. Ta wiedza pomaga opracowywać strategie zarządzania uprawami, które pozwalają maksymalizować potencjał plonowania przy jednoczesnym ograniczeniu zużycia środków produkcji. Analityka doświadczeń polowych umożliwia również ocenę skuteczności praktyk rolnictwa precyzyjnego i pomaga identyfikować odporne odmiany roślin uprawnych, które dobrze sobie radzą w różnych, także trudnych warunkach, przyczyniając się tym samym do zapewnienia bezpieczeństwa żywnościowego.

{% hint style="info" %}
Zobacz interaktywną stronę poświęconą doświadczeniom polowym w gospodarstwie w witrynie geopard.tech: [Doświadczenia polowe w gospodarstwie](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard obsługuje także doświadczenia w układzie split-plot dla planów dwuczynnikowych, np. z tymi samymi dawkami dla różnych mieszańców. Oceniaj zarówno efekty główne, jak i interakcję dawka × mieszaniec na tej samej georeferencyjnej warstwie doświadczenia.
{% endhint %}

## Przygotowanie danych

Do skutecznej analityki doświadczeń polowych potrzebnych jest kilka podstawowych zbiorów danych:

1. **Zbiór danych o plonie**:\
   Zbiór zawiera dane o plonie.\
   Możemy zaimportować te dane z [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/import-from-myjohndeere.md) lub ręcznie przesłać je jako [shapefile](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/yield-data-import.md) lub w [własnościowym formacie maszynowym](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Zbiór danych o aplikacji**:\
   Zbiór ten ma kluczowe znaczenie dla zrozumienia rzeczywistej aplikacji wykonanej na polu. Zawiera co najmniej takie atrybuty, jak TargetRate, AppliedRate oraz wybrane parametry związane z maszyną.\
   Podobnie jak w przypadku zbioru danych o plonie, możemy zaimportować dane z [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/import-from-myjohndeere.md) lub ręcznie przesłać je jako [shapefile](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/as-applied-as-planted-data-import.md) lub w [własnościowym formacie maszynowym](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Strefy lub poletka doświadczeń**:\
   Pokazują zaplanowane dawki aplikacji w doświadczeniach, dostarczając informacji o układzie doświadczalnym.\
   Jeśli taka warstwa danych jest dostępna, przesyłamy ją jako [shapefile](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/import-precision-agriculture-data/as-applied-as-planted-data-import.md) do sekcji AsApplied/AsPlanted lub Yield. Zapewnia to zgodność podczas tworzenia map równań (EquationMaps) i usprawnia analizę doświadczeń polowych.\
   Może to być układ jednoczynnikowy albo układ split-plot z drugim wymiarem zabiegu, takim jak mieszaniec lub odmiana.\
   Jeśli taka warstwa danych jest niedostępna, atrybut TargetRate ze zbioru danych o aplikacji może posłużyć jako zamiennik na potrzeby oceny doświadczeń polowych.
4. **Strefy historycznego potencjału pola:**\
   Strefy te są generowane przez GeoPard (szczegóły [TUTAJ](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/zones-maps-and-analytics/multi-year-zones.md)). Przydają się do analizy doświadczeń polowych na obszarach o stabilnej, historycznej produktywności. Jest to szczególnie korzystne, gdy doświadczenia są rozmieszczone w regionach o zróżnicowanej historycznej produktywności.

Po zgromadzeniu tych zbiorów danych możemy rozpocząć ocenę doświadczenia polowego.

## Przegląd danych

Dane z sezonu uprawowego 2023 dla pszenicy ozimej:

* Zbiór danych o plonie przedstawiający rozkład masy mokrej *(rys. 1)*

<figure><img src="https://3832317038-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>Rys. 1. Oryginalny zbiór danych o plonie</p></figcaption></figure>

* Plan nawożenia azotem (N34) ze zmienną dawką (150 kg/ha) i 2 poletkami doświadczalnymi (120 kg/ha i 180 kg/ha)*(rys. 2)*

<figure><img src="https://3832317038-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>Rys. 2. Plan nawożenia azotem (N34) ze zmienną dawką i poletkami doświadczalnymi</p></figcaption></figure>

* Zbiór danych o aplikacji przedstawiający statystyki zastosowanych dawek *(rys. 3)*

<figure><img src="https://3832317038-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>Rys. 3. Zbiór danych o aplikacji</p></figcaption></figure>

* Historyczna produktywność pola (*rys. 4*)

<figure><img src="https://3832317038-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>Rys. 4. Historyczna produktywność pola</p></figcaption></figure>

{% hint style="warning" %}
Zbiór danych o plonie nie został skalibrowany: pracowało tam kilka kombajnów, widoczne są ślady nawrotów i brakujących danych, a także zakłócenia. Aby uzyskać optymalne wyniki, zalecamy dodatkowe użycie operacji Yield Calibrate i Clean.\
Instrukcję krok po kroku znajdziesz pod adresem [LINK](https://docs.geopard.tech/geopard-tutorials/pl/agronomia/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Zbiór danych o plonie po kalibracji i oczyszczeniu przedstawiono na *rys. 5*, wraz ze zaktualizowanymi statystykami. Zbiór ten zostanie wykorzystany w kolejnych krokach.

<figure><img src="https://3832317038-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>Rys. 5. Skalibrowany i oczyszczony zbiór danych o plonie</p></figcaption></figure>

## Koncepcja

Celem analizy prób jest określenie najskuteczniejszej dawki azotu (N34) na polu. Wyróżniono obszary z dawkami azotu 120 kg/ha, 150 kg/ha i 180 kg/ha. Dane pochodzą z zestawu danych dotyczących aplikacji oraz skalibrowanego zestawu danych dotyczących plonu.

Analizujemy trzy odrębne strefy:

* 120 kg/ha (strefa próbna)
* 150 kg/ha (strefa główna)
* 180 kg/ha (druga strefa próbna)

Nasze podejście obejmuje następujące analizy:

1. **Na podstawie planu:** z wykorzystaniem zaplanowanej aplikacji nawozu ze zmienną dawką (VRA), powiązanej ze skalibrowanym plonem.
2. **Na podstawie aplikacji:** Porównanie rzeczywistych danych dotyczących aplikacji ze skalibrowanym plonem.
3. **Na podstawie aplikacji i historycznej produktywności:** Porównanie rzeczywistych danych dotyczących aplikacji ze skalibrowanym plonem, z uwzględnieniem historycznych stref potencjału pola.

To metodyczne podejście pozwala kompleksowo ocenić wpływ azotu na plon na podstawie zarówno planowanych, jak i rzeczywistych danych dotyczących aplikacji nawozu.

## Na podstawie planu

Wpływ ~~zastosowanego~~ planowanego azotu (N34) na rozkład plonu przedstawiono na kolejnych zrzutach ekranu *(rys. 6, rys. 7, rys. 8)*. Oto krótkie podsumowanie wyników:

* <mark style="color:niebieskim;">Strefa główna, w której zastosowano azot w dawce 150 kg/ha, obejmuje 45,8 ha, a średni plon wynosi 4,99 t/ha</mark> (*Rys. 6*).
* <mark style="color:niebieskim;">Pierwsza strefa próbna, w której zastosowano azot w dawce 180 kg/ha, obejmuje 1,76 ha, a średni plon wynosi 6,5 t/ha</mark> (*Rys. 7*).
* <mark style="color:niebieskim;">Druga strefa próbna, w której zastosowano azot w dawce 120 kg/ha, obejmuje 1,86 ha, a średni plon wynosi 6,39 t/ha</mark> (*Rys. 8*).

Wyniki skłaniają do postawienia ważnego pytania: <mark style="color:pomarańczowym;">Dlaczego niższa dawka wydaje się skuteczniejsza od wyższej?</mark> Aby lepiej zrozumieć wyniki, w kolejnym etapie[ ocenimy próby na podstawie rzeczywistych danych o zastosowanej dawce](#applied-based-evaluation).

<figure><img src="https://3832317038-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>Rys. 6 Strefa główna z N34 w dawce 150 kg/ha</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 7 Strefa próbna z N34 w dawce 180 kg/ha</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 8 Strefa próbna z N34 w dawce 120 kg/ha</p></figcaption></figure>

W dalszej części znajdziesz szczegółowe omówienie formuł i konfiguracji użytych podczas analizy.

{% hint style="info" %}
Aby dowiedzieć się więcej o podejściu opartym na równaniach i jego zastosowaniu, zapoznaj się z naszymi samouczkami dotyczącymi [interfejsu użytkownika](https://docs.geopard.tech/geopard-tutorials/pl/przewodnik-po-produkcie-aplikacja-webowa/equation-based-analytics.md) oraz [API](https://docs.geopard.tech/geopard-tutorials/pl/dokumentacja-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Poniżej znajdują się równania, które należy uruchomić, aby odtworzyć obliczenia.

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

Ważne jest, aby włączyć *Numpy* *(rys. 9)* i wyłączyć *Interpolacja* *(rys. 10)*.

<figure><img src="https://3832317038-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>Rys. 9. Aktywuj „Numpy”</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 10. Wyłącz używanie danych „Interpolated”</p></figcaption></figure>

## Na podstawie zastosowanej dawki

Warto zauważyć, że rzeczywista dawka zastosowana podczas próby nie zawsze odpowiada dawce planowanej (docelowej). Rozkład rzeczywistych dawek obejmuje wartości od 120 kg/ha do nawet 189 kg/ha *(rys. 11)*. Ze względu na tę zmienność konieczne było ustalenie dopuszczalnego poziomu błędu. Przyjęto więc, że dokładność ±5% to akceptowalny próg pozwalający uznać próbę za odpowiednią do oceny.

Na kolejnych zrzutach ekranu (*rys. 12, rys. 13, rys. 14)* przedstawiono rozkład statystyczny plonu, z uwzględnieniem rzeczywistych ilości zastosowanego azotu (N34). Poniżej podsumowano statystyki, przyjmując dokładność ±5% jako kryterium akceptacji:

* <mark style="color:niebieskim;">W głównej strefie, gdzie zastosowano 150 kg/ha, powierzchnia wyniosła 43,5 ha, a średni plon 4,9 t/ha</mark> (*Rys. 12*).
* <mark style="color:niebieskim;">Pierwsza strefa próbna, w której zastosowano 180 kg/ha, obejmowała 1,47 ha, a średni plon wyniósł 6,5 t/ha</mark> (*Rys. 13*).
* <mark style="color:niebieskim;">Druga strefa próbna, w której zastosowano 120 kg/ha, obejmowała 1,44 ha, a średni plon wyniósł 6,3 t/ha</mark> (*Rys. 14*).

<figure><img src="https://3832317038-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>Rys. 11. Rzeczywiste dawki zastosowane w próbach</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 12. Główna strefa z N34 w dawce 150 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 13. Strefa próbna z N34 w dawce 180 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 14. Strefa próbna z N34 w dawce 120 kg/ha ±5%</p></figcaption></figure>

Aby lepiej zrozumieć metodologię i szczegóły tych wyników, poniżej przedstawiono użyte równania:

1. Rzeczywista ilość zastosowanego azotu w próbach:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Strefa główna z dawką 150 kg/ha z uwzględnieniem 5% tolerancji:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Próba z dawką 120 kg/ha z uwzględnieniem 5% tolerancji:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Próba z dawką 180 kg/ha z uwzględnieniem 5% tolerancji:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produktywność na podstawie zastosowanej dawki i danych historycznych**

Plony uzyskane w próbach są konsekwentnie wyższe od średniego plonu na całym polu. Jedną z głównych przyczyn tej różnicy wydaje się wysoka produktywność historyczna strefy, w której przeprowadzono próby, co pokazano na *rys. 15* i *rys. 16*. Aby dokładniej ocenić wyniki prób, podczas ich analizy należy uwzględnić strefy produktywności.

<figure><img src="https://3832317038-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>Rys. 15. Strefy potencjału historycznego pola</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 16. Strefy potencjału historycznego pola jako YieldDataset</p></figcaption></figure>

Na kolejnych zrzutach ekranu (*rys. 17, rys. 18, rys. 19)* przedstawiono rozkład statystyczny plonu, z uwzględnieniem rzeczywistych ilości zastosowanego azotu (N34), nałożonych na strefy produktywności historycznej (utworzone w GeoPard). Poniżej podsumowano statystyki, przyjmując dokładność ±5% dla zastosowanych dawek jako kryterium akceptacji:

* <mark style="color:niebieskim;">W głównej strefie, gdzie zastosowano 150 kg/ha, powierzchnia wyniosła 2,65 ha, a średni plon 6,34 t/ha</mark> (*Rys. 17*).
* <mark style="color:niebieskim;">Pierwsza strefa próbna, w której zastosowano 180 kg/ha, obejmowała 1,08 ha, a średni plon wyniósł 6,41 t/ha</mark> (*Rys. 18*).
* <mark style="color:niebieskim;">Druga strefa próbna, w której zastosowano 120 kg/ha, obejmowała 1,78 ha, a średni plon wyniósł 6,33 t/ha</mark> (*Rys. 19*).

<figure><img src="https://3832317038-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>Rys. 17. Główna strefa z N34 w dawce 150 kg/ha nałożona na strefy produktywności historycznej</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 18. Strefa próbna z N34 w dawce 180 kg/ha ±5% nałożona na strefy produktywności historycznej</p></figcaption></figure>

<figure><img src="https://3832317038-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>Rys. 19. Strefa próbna z N34 w dawce 120 kg/ha ±5% nałożona na strefy produktywności historycznej</p></figcaption></figure>

Aby lepiej zrozumieć metodologię i szczegóły tych wyników, poniżej przedstawiono użyte równania:

1. Dawka główna 150 kg/ha z uwzględnieniem 5% tolerancji, nałożona na mapę historycznej produktywności:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Dawka próbna 120 kg/ha z uwzględnieniem 5% tolerancji, nałożona na mapę historycznej produktywności:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Dawka próbna 180 kg/ha z uwzględnieniem 5% tolerancji, nałożona na mapę historycznej produktywności:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

gdzie

* część `Productivity_SubZone == 51` odzwierciedla strefy o wysokiej produktywności, w których zastosowano zabiegi doświadczalne,
* części `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` uwzględniają tolerancję ±5% względem dawek `150`, `120`, `180` kg/ha.

## Podsumowanie

Plony uzyskane w próbach są zbliżone do średniego plonu zaobserwowanego w strefie pola o wysokiej historycznej produktywności. Innymi słowy, doświadczalne zastosowanie nawozu N34 w dawkach <mark style="color:niebieskim;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, dało średnie plony wynoszące <mark style="color:niebieskim;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> odpowiednio, nie ma istotnego wpływu na zebrany plon w strefie o wysokiej produktywności.


---

# 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/pl/agronomia/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.
