> 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/ru/agronomiya/dealer-workflow-in-italy-john-deere-ops-center-geopard-vra-nitrogen-trials-profit-maps.md).

# Рабочий процесс дилера в Италии: John Deere Ops Center — GeoPard — VRA азота — опыты — карты прибыли

Кейс дилера John Deere: Сергей Бассан и GeoPard повышают рентабельность точного земледелия

В точном земледелии точные данные и продвинутая аналитика помогают принимать более взвешенные решения и повышать продуктивность хозяйства. В прошлом году  [GeoPard Agriculture](https://geopard.tech/) заключила партнёрство с  [дилером ](https://deere.com/) John Deere [Sergio Bassan S.r.l.](https://www.bassan.com/) в Италии, чтобы поддерживать местных фермеров на протяжении всего сезона выращивания. Вот как наше сотрудничество повлияло на одно поле — на конкретном примере.

## 1. Начало работы: определение зон продуктивности и создание карт дифференцированного внесения <a href="#ember54" id="ember54"></a>

Перед началом сезона мы проанализировали исторические данные об урожайности и динамику вегетации, чтобы оценить продуктивность поля. Поскольку рельеф был относительно ровным и не ограничивал продуктивность, основное внимание уделили урожайности и историческим особенностям вегетации. Данные об урожайности были автоматически импортированы в GeoPard через  [интеграцию с John Deere Operations Center](https://docs.geopard.tech/geopard-tutorials/product-tour-web-app/john-deere-operations-center-integration/john-deere-operations-center-integration/2.-connect-to-johndeere-operations-center).

Используя  [многослойный подход](https://docs.geopard.tech/geopard-tutorials/product-tour-web-app/zones-maps-and-analytics/multi-layer-analytics), мы разделили каждое поле на три зоны продуктивности по данным об урожайности и историческим данным о вегетации, рассчитанным по индексу EVI2 на основе спутниковых снимков. Это помогло фермерам точнее настроить нормы высева и внесения удобрений с учётом неоднородности поля.

Чтобы оценить результаты высева с переменной нормой (VRA), мы заложили опытную полосу, пересекавшую все зоны продуктивности. Такое прямое сравнение помогло оценить эффективность дифференцированного высева по сравнению с обычным высевом по единой норме.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F9K1AKO8U6WRqtK5XBVKj%2F1.png?alt=media&amp;token=de34466e-17f1-40c9-98da-c00d71ae5d14" alt="The GeoPard VRA seeding map for silage corn, with the trial line."><figcaption><p>Карта высева кукурузы на силос с переменной нормой; опытная полоса выделена.</p></figcaption></figure>

## 2. Точное выполнение работ: от посева до внесения удобрений <a href="#ember59" id="ember59"></a>

GeoPard обеспечил бесперебойное выполнение работ по картам дифференцированного внесения и подробное отслеживание операций на протяжении всего сезона.

### Бесперебойная передача и выполнение заданий по картам дифференцированного внесения <a href="#ember61" id="ember61"></a>

Карты дифференцированного внесения отправлялись напрямую в John Deere Operations Center для выполнения сельхозтехникой. GeoPard поддерживает несколько форматов экспорта, включая Shapefile, ISOXML и прямую интеграцию с John Deere Ops Center — как файлы, слои карт и  [рабочие планы](https://youtu.be/op1o-Y3r6bg). В течение сезона для оптимизации развития культур и управления питанием применялись как дифференцированное внесение (посев, азотные подкормки), так и внесение по единой норме (фосфорных и калийных удобрений перед посевом, а также несколько азотных подкормок в междурядья).

### Отслеживание фактических карт внесения удобрений <a href="#ember63" id="ember63"></a>

GeoPard собирал и анализировал все данные о внесении,  [сопоставляя запланированные и фактически выполненные операции](https://docs.geopard.tech/geopard-tutorials/agronomy/evaluate-accuracy-of-seeding-application) , чтобы выявить расхождения, требующие корректировки или повторного внесения. Сопоставление заданной и фактической норм высева подтвердило точное выполнение работ без существенных расхождений.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDqi85aemYTwjcnJtiTPT%2F2.png?alt=media&amp;token=bd5d1333-bcbc-4535-bf67-259d8ac719d7" alt="Article content"><figcaption><p>Норма высева: сравнение заданного и фактического значений.</p></figcaption></figure>

## 3. Практические выводы <a href="#ember66" id="ember66"></a>

Анализ после уборки играет важную роль: он помогает извлечь уроки из прошедшего сезона и спланировать следующий.

### Очистка и калибровка данных об урожайности <a href="#ember68" id="ember68"></a>

После уборки карты урожайности автоматически появляются в GeoPard благодаря интеграции с John Deere Operations Center или их можно загрузить вручную через интерфейс GeoPard. Платформа  [калибрует и очищает данные об урожайности, собранные комбайном](https://docs.geopard.tech/geopard-tutorials/agronomy/yield-calibration-and-cleaning), обеспечивая высокую точность аналитики и помогая принимать более взвешенные решения. Сравнение ниже наглядно показывает, как очистка данных улучшает аналитику и повышает её надёжность.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FgYa1XZB0Ay1GnowHzUs4%2F3.png?alt=media&amp;token=8e1afa21-e0ac-48ab-a087-9aa5c7edae25" alt="Article content"><figcaption><p>Калиброванные данные об урожайности (сверху) и исходные данные (снизу).</p></figcaption></figure>

### Управление азотным питанием <a href="#ember71" id="ember71"></a>

Доступ ко всем картам фактического внесения за сезон позволил точно рассчитать суммарную норму внесения азота, сложив данные по всем операциям, связанным с азотом.

Поглощение азота определяли по данным об урожайности и моделям сельскохозяйственных культур. Если комбайны оснащены датчиками содержания сырого протеина, эти данные также учитываются в расчётах, повышая точность аналитики.

[Эффективность использования азота и его избыток](https://docs.geopard.tech/geopard-tutorials/agronomy/nitrogen-use-efficiency-and-uptake) оценивали, сопоставляя общее количество внесённого азота с его поглощением культурой. Это помогло оптимизировать стратегии внесения удобрений на будущие сезоны.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FnuPXw9XnwPy3lc6Dci9B%2F4.png?alt=media&amp;token=05758c78-f64a-494b-970f-0bf22238ff6c" alt="Article content"><figcaption><p>Эффективность использования азота.</p></figcaption></figure>

### Оценка дифференцированного внесения и опытных участков <a href="#ember76" id="ember76"></a>

Благодаря точно размеченным опытным участкам удалось провести углублённый анализ и сравнить продуктивность культуры в разных зонах.

Эти данные помогли наглядно увидеть, как  [каждая зона реагировала на дифференцированный высев](https://docs.geopard.tech/geopard-tutorials/agronomy/field-trial-analytics), и подтвердить эффективность лучших практик для будущих сезонов.

Карта опытных участков и таблица данных содержат подробный анализ продуктивности культуры в четырёх зонах с разным уровнем продуктивности и показывают, как высев с переменной нормой (VRA) влияет на урожайность и прибыльность.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FEpEUASCH2lPMWsn6nECR%2F5.png?alt=media&amp;token=955f90ec-264b-40f8-9e83-4be408601aef" alt="VRA and trial results"><figcaption><p>Результаты дифференцированного внесения и опытов.</p></figcaption></figure>

### **Основные наблюдения и выводы**

* **Прибыльность и площадь**: зона 2 обеспечила наибольшую общую прибыль и среднюю урожайность, а зона 3 показала, что даже небольшие, но высокопродуктивные участки (20,42 т/га) могут приносить высокую прибыль с гектара (1 808,14 €/га).
* **Результаты по зонам**: Карта показывает, что зоны с самой высокой урожайностью совпадают с участками с более светлым зелёным цветом, обозначающим продуктивность (зона 3). Это свидетельствует о высокой эффективности дифференцированного высева (VRA).
* **Распределение прибыли**: Зона 4 (опытная полоса), несмотря на неплохую урожайность, принесла меньше общей прибыли из-за небольшой площади, а возможно, и более высоких затрат на ресурсы или низкой эффективности.
* **Перспективы на будущее**: Эти аналитические данные создают основу для совершенствования стратегий высева в будущих сезонах. Они указывают на то, что увеличение вложений в более отзывчивые зоны, например зону 3, может повысить общую эффективность хозяйства.

### Анализ урожайности и рентабельности <a href="#ember83" id="ember83"></a>

Сопоставив данные об урожайности с фактическими затратами на ресурсы, фермеры получили наглядное представление о [Карты пространственного распределения прибыли](https://geopard.tech/blog/introducing-geopards-profit-maps-a-step-forward-in-precision-agriculture/) мощном инструменте для оценки рентабельности на уровне отдельных участков поля. Сопоставление выручки от урожая с расходами позволило выявить зоны с высокой маржой и определить участки, где нужны более адресные меры.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F47XGTkAERSxGHMsIKxQ6%2F6.png?alt=media&amp;token=557d812b-784f-4d33-a208-157ef4e6ac47" alt="Article content"><figcaption><p>Карта прибыли с зонами высокой и низкой маржи.</p></figcaption></figure>

## 4. Что дальше? <a href="#ember86" id="ember86"></a>

Опираясь на успех этого года, компания продолжит сотрудничество с дилером John Deere Sergio Bassan Italy в сезоне 2025 года, внедряя дополнительные функции и совершенствуя рабочие процессы:

### Автоматические рекомендации по отбору проб почвы <a href="#ember88" id="ember88"></a>

Интеллектуальная система GeoPard предлагает оптимальные точки для зонального отбора проб почвы. Для отбора проб и обследования полей используется мобильное приложение GeoPard.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKOxGw1tENbXpyyyOd9Q6%2F7.png?alt=media&amp;token=6ad38d66-31a4-44c3-9900-3dbb6b7e4e48" alt="Article content" width="375"><figcaption><p>Карта точек отбора проб почвы</p></figcaption></figure>

### Анализ данных отбора проб почвы и рекомендации для VRA <a href="#ember91" id="ember91"></a>

После того как [данные о почве](https://docs.geopard.tech/geopard-tutorials/product-tour-web-app/import/soil-data) будут собраны, GeoPard преобразует их в карты точного внесения удобрений, позволяя составлять дифференцированные предписания для разных зон.

### Автоматизированный анализ опытных полос и VRA <a href="#ember93" id="ember93"></a>

Фермеры смогут автоматически оценивать эффективность стратегий VRA и опытных полос, получая отчёты быстрее и с большей последовательностью.

<figure><img src="https://3851418964-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F4oApZ5oWX8s85glsZbVc%2F8.png?alt=media&amp;token=16653dc6-8966-408d-9a0e-22cd2ea820ac" alt="Article content"><figcaption></figcaption></figure>

### Автоматическое создание карт прибыли <a href="#ember96" id="ember96"></a>

Мы планируем автоматизировать создание карт рентабельности на основе выполненных операций и других ключевых данных, чтобы повысить прибыльность и помочь спланировать следующий сезон.

## 5. Мнение партнёра <a href="#ember98" id="ember98"></a>

По словам нашего партнёра, **Sergio Bassan Italy,**,

> «Аналитика GeoPard помогла нашей команде и фермерам эффективно использовать инструменты точного земледелия. Надёжные аналитические данные и постоянная поддержка на протяжении сезона улучшили планирование и управление ресурсами. Мы уверены, что синергия между нашим отделом и GeoPard принесёт нашим клиентам значительные перемены и преимущества».

\- [Эдоардо Поццато](https://www.linkedin.com/article/edit/7307362147670343682/), агроном по точному земледелию.

## Заключение <a href="#ember102" id="ember102"></a>

От выделения зон продуктивности до анализа карт урожайности и прибыли — наше сотрудничество с дилером John Deere Sergio Bassan Italy демонстрирует реальные преимущества точного земледелия. Продолжая работу над автоматическими рекомендациями по отбору проб почвы и совершенствованием анализа рентабельности, мы рассчитываем и дальше повышать эффективность и устойчивость сельского хозяйства в регионе.

## О компаниях <a href="#ember104" id="ember104"></a>

[**Sergio Bassan srl**](https://www.bassan.com/it/)**:** В десяти филиалах компании представлен широкий выбор новой и подержанной сельскохозяйственной техники: тракторы, зерноуборочные комбайны, измельчители, телескопические погрузчики, экскаваторы, системы спутникового наведения, оборудование для обработки почвы и заготовки сена, садоводства и виноградарства, садовые машины и тракторы, а также принадлежности и запасные части. В команду Sergio Bassan входят восемь специалистов по точному земледелию. Они консультируют по технологиям точного земледелия и помогают фермерам непосредственно в поле оценить их преимущества. Отдел точного земледелия стремится тестировать новые решения для клиентов, поддерживая с ними постоянную связь, в том числе дистанционно, и обеспечивая непрерывную помощь.

[**GeoPard Agriculture**](https://geopard.tech/)**:** Компания находится в авангарде технологий точного земледелия. GeoPard специализируется на геопространственной аналитике и предлагает решения, которые преобразуют сложные сельскохозяйственные данные в практические рекомендации. Технологии компании помогают оптимизировать различные аспекты сельского хозяйства — от анализа почвы до создания карт VRA, дистанционного зондирования и аналитики данных сельхозтехники, внося значительный вклад в развитие цифрового земледелия.


---

# 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/ru/agronomiya/dealer-workflow-in-italy-john-deere-ops-center-geopard-vra-nitrogen-trials-profit-maps.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.
