# Аналитика полевых испытаний Агрономы используют Trial Analytics для оценки эффективности различных сортов сельскохозяйственных культур, технологий возделывания и внесения ресурсов, включая результаты дифференцированного внесения в точном земледелии. Собирая, анализируя и интерпретируя данные, полученные из полевых опытов, исследователи получают представление о взаимодействии генетики, среды и приемов управления. Эти знания помогают разрабатывать стратегии управления посевами, которые позволяют максимизировать потенциальную урожайность при минимальном расходе ресурсов. Кроме того, Trial Analytics не только позволяет оценивать эффективность практик точного земледелия, но и помогает выявлять устойчивые сорта культур, способные успешно развиваться в разнообразных и сложных условиях, тем самым способствуя продовольственной безопасности. {% hint style="info" %} GeoPard также поддерживает делянки со смешанным планом для двухфакторных схем, например одинаковые нормы по разным гибридам. Оцените как основные эффекты, так и взаимодействие норма × гибрид на одном геопривязанном слое опыта. {% endhint %} ## Подготовка данных Для эффективной аналитики опытов требуется несколько основных наборов данных: 1. **Набор данных по урожайности**:\ Этот набор данных содержит данные по урожайности.\ Мы можем импортировать их из [JohnDeere Operation Center](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/import-iz-myjohndeere.md) или загрузить вручную как [shapefile](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/import-dannykh-urozhainosti.md) или в виде [проприетарного формата техники](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/firmennye-formaty-tekhniki.md). 2. **Набор данных по внесению**:\ Это критически важно для понимания фактически выполненного внесения на поле. Как минимум он содержит такие атрибуты, как TargetRate, AppliedRate, а также некоторые показатели, связанные с техникой.\ Как и с набором данных по урожайности, у нас есть варианты импортировать его из [JohnDeere Operation Center](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/import-iz-myjohndeere.md) или загрузить вручную как [shapefile](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/import-dannykh-po-vneseniyu-posevu.md) или в виде [проприетарного формата техники](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/firmennye-formaty-tekhniki.md). 3. **Зоны/делянки с опытами/экспериментами**:\ Они показывают запланированные нормы внесения для наших опытов, давая представление о схемe эксперимента.\ Если такой слой данных доступен, мы загружаем его как [shapefile](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/import-dannykh-tochnogo-zemledeliya/import-dannykh-po-vneseniyu-posevu.md) в AsApplied/AsPlanted или в контроль урожайности. Это обеспечивает совместимость при построении EquationMaps и упрощает работу с аналитикой опытов.\ Это может быть однофакторная схема или схема со смешанным планом с второй измеряемой переменной, например гибридом или сортом.\ Если такого слоя данных нет, атрибут TargetRate из набора данных по внесению может служить заменой для оценки опытов. 4. **Исторические зоны потенциала поля:**\ Эти зоны создаются GeoPard (подробности [ЗДЕСЬ](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/karty-zon-i-analitika/mnogoletnie-zony.md)). Они полезны для анализа опытов с устойчивой исторической продуктивностью. Это особенно полезно, когда опыты распределены по регионам с различной исторической продуктивностью. После того как мы собрали эти наборы данных, следующим шагом будет запуск процесса оценки опыта. ## Обзор данных Для сельскохозяйственного сезона 2023 года по озимой пшенице имеются следующие данные: * Набор данных по урожайности с отображением распределения влажной массы *(Рис.1)*

Рис.1 Исходный YieldDataset

* План дифференцированного внесения азота (N34) (150 кг/га) с 2 опытными делянками (120 кг/га и 180 кг/га)*(Рис.2)*

Рис.2 План дифференцированного внесения азота (N34) с опытными делянками

* Набор данных по внесению с отображением статистики фактического внесения *(Рис.3)*

Рис.3 Набор данных по внесению

* Историческая продуктивность поля (*Рис.4*)

Рис.4 Историческая продуктивность поля

{% hint style="warning" %} YieldDataset не был откалиброван: там работало несколько комбайнов, присутствуют разворотные полосы и следы пропусков данных, а также заметен шум. Для оптимального результата рекомендуется сверху применить операции калибровки и очистки урожайности.\ Пошаговый туториал можно найти по [ССЫЛКЕ](/geopard-tutorials/ru/agronomiya/kalibrovka-i-ochistka-urozhainosti.md). {% endhint %} После калибровки и очистки YieldDataset отображается на *Рис.5*, вместе с обновленной статистикой. Этот набор данных будет использоваться на последующих этапах.

Рис.5 Калиброванный и очищенный YieldDataset

## Концепция Здесь цель Trial Analytics — определить наиболее эффективную норму азота (N34) для поля. Есть выделенные участки с нормами азота 120 кг/га, 150 кг/га и 180 кг/га. Эти данные получены, с одной стороны, из ApplicationDataset, а с другой — из откалиброванного YieldDataset. Мы сосредоточим анализ на трех отдельных зонах: * 120 кг/га (обозначена как опытная зона) * 150 кг/га (считается основной зоной) * 180 кг/га (еще одна опытная зона) Наш подход будет включать следующие оценки: 1. **На основе плана:** с использованием запланированного дифференцированного внесения (VRA), связанного с откалиброванной урожайностью. 2. **На основе факта внесения:** сравнение фактических данных о внесении с откалиброванной урожайностью. 3. **На основе факта внесения и исторической продуктивности:** сравнение фактических данных о внесении с откалиброванной урожайностью, наложенной на исторические зоны потенциала поля. Такой системный подход позволит всесторонне оценить влияние азота на урожайность на основе как запланированных, так и фактических данных о внесении. ## На основе плана Влияние ~~внесенного~~ запланированного азота (N34) на распределение урожайности визуально показано на следующих скриншотах *(Рис.6, Рис.7, Рис.8)*. Вот краткий разбор результатов: * Основная зона с нормой азота 150 кг/га занимает 45,8 га и имеет среднюю урожайность 4,99 т/га (*Рис.6*). * Первая опытная зона с внесением азота 180 кг/га охватывает 1,76 га и дает среднюю урожайность 6,5 т/га (*Рис.7*). * Вторая опытная зона с 120 кг/га азота занимает 1,86 га и дает среднюю урожайность 6,39 т/га (*Рис.8*). Результаты поднимают важный вопрос: Почему более низкая норма внесения кажется более эффективной, чем более высокая? Чтобы получить более глубокое понимание, следующий этап включает[ оценку опытов с использованием фактических данных о внесении](/geopard-tutorials/ru/agronomiya/analitika-polevykh-ispytanii.md#applied-based-evaluation).

Рис.6 Основная зона с N34 150 кг/га

Рис.7 Опытная зона с N34 180 кг/га

Рис.8 Опытная зона с N34 120 кг/га

Ниже вы найдете подробное обсуждение формул и настроек, использованных в ходе оценки. {% hint style="info" %} Чтобы подробнее разобраться в подходе Equation и его реализации, пожалуйста, обратитесь к нашим туториалам как для [Пользовательского интерфейса](/geopard-tutorials/ru/obzor-produkta-veb-prilozhenie/analitika-na-osnove-formul.md) так и для [API](/geopard-tutorials/ru/dokumentaciya-api/diagrammy-s-bazovymi-scenariyami/5.-vypolnit-formuly.md). {% endhint %} Вот уравнения, которые нужно запустить, чтобы воспроизвести расчеты. 1. Основная зона с 150 кг/га:\ `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)` 2. Опытная зона с 120 кг/га:\ `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)` 3. Опытная зона с 180 кг/га:\ `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)` Важно активировать *Numpy* *(Рис.9)* и отключить *Интерполяцию* *(Рис.10)*.

Рис.9 Активировать "Numpy"

Рис.10 Отключить использование "Interpolated" данных

## На основе факта внесения Примечательно, что фактическая норма внесения во время опыта не всегда совпадает с запланированной (целевой) нормой. В частности, распределение варьируется от 120 кг/га до 189 кг/га *(Рис.11)*. Учитывая такую вариативность, стало критически важно установить ориентир допустимой погрешности. Поэтому точность ±5% была определена как приемлемый порог, чтобы считать опыт пригодным для оценки. Показано на следующих скриншотах (*Рис.12, Рис.13, Рис.14)* представлено статистическое распределение урожайности с акцентом на фактически внесенные количества азота (N34). Ниже приведены сводные статистические данные с учетом допуска точности ±5%: * Основная зона при 150 кг/га имела площадь внесения 43,5 га и среднюю урожайность 4,9 т/га (*Рис.12*). * Первая опытная зона при 180 кг/га занимала площадь 1,47 га и дала среднюю урожайность 6,5 т/га (*Рис.13*). * Вторая опытная зона при 120 кг/га занимала площадь 1,44 га и имела среднюю урожайность 6,3 т/га (*Рис.14*).

Рис.11 Фактические нормы внесения в опытах

Рис.12 Основная зона с N34 150 кг/га ±5%

Рис.13 Опытная зона с N34 180 кг/га ±5%

Рис.14 Опытная зона с N34 120 кг/га ±5%

Для более глубокого понимания методологии и особенностей этих результатов ниже приведены используемые уравнения: 1. Фактически внесенный азот в опыте:\ `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)` 2. Основная зона с 150 кг/га с учетом допуска 5%:\ `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 3. Опытная зона с 120 кг/га с учетом допуска 5%:\ `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 4. Опытная зона с 180 кг/га с учетом допуска 5%:\ `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` ## **На основе факта внесения и исторической продуктивности** Показатели урожайности в опытах стабильно превосходят среднюю урожайность по всему полю. Ключевым фактором, по-видимому, является зона с исторически высокой продуктивностью, где проводились опыты, как показано на *Рис.15* так и для *Рис.16*. Для более точной оценки опытов при анализе результатов важно учитывать зоны продуктивности.

Рис.15 Исторические зоны потенциала поля

Рис.16 Исторические зоны потенциала поля как YieldDataset

Показано на следующих скриншотах (*(Рис.17, Рис.18, Рис.19)* представлено статистическое распределение урожайности с акцентом на фактически внесенные количества азота (N34), наложенные на исторические зоны продуктивности (созданные в GeoPard). Ниже приведены сводные статистические данные с учетом допуска точности ±5% для фактических значений внесения: * Основная зона при 150 кг/га имела площадь внесения 2,65 га и среднюю урожайность 6,34 т/га (*Рис.17*). * Первая опытная зона при 180 кг/га занимала площадь 1,08 га и дала среднюю урожайность 6,41 т/га (*Рис.18*). * Вторая опытная зона при 120 кг/га занимала площадь 1,78 га и имела среднюю урожайность 6,33 т/га (*Рис.19*).

Рис.17 Основная зона с N34 150 кг/га, наложенная на историческую продуктивность

Рис.18 Опытная зона с N34 180 кг/га ±5%, наложенная на историческую продуктивность

Рис.19 Опытная зона с N34 120 кг/га ±5%, наложенная на историческую продуктивность

Для более глубокого понимания методологии и особенностей этих результатов ниже приведены используемые уравнения: 1. Основная зона с 150 кг/га с учетом допуска 5%, наложенная на историческую продуктивность:\ `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 2. Опытная зона с 120 кг/га с учетом допуска 5%, наложенная на историческую продуктивность:\ `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 3. Опытная зона с 180 кг/га с учетом допуска 5%, наложенная на историческую продуктивность:\ `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` где * часть `Productivity_SubZone == 51` отражает зоны с высокой продуктивностью, где проводились опыты, * части `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` включают точность ±5% от норм `150`, `120`, `180` кг/га. ## Итог Показатели урожайности в опытах близко соответствуют средней урожайности, наблюдаемой в высокой исторической зоне продуктивности поля. Иными словами, экспериментальное внесение продукта N34 с нормами 120 кг/га - 150 кг/га - 180 кг/га, дало среднюю урожайность 6,33 т/га - 6,34 т/га - 6,41 т/га соответственно, не оказывает существенного влияния на собранную урожайность в зоне высокой продуктивности. --- # 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/ru/agronomiya/analitika-polevykh-ispytanii.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.