> 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/swe/agronomi/yield-and-trials/field-trial-analytics.md).

# Analys av fältförsök

Analysera fältförsök med spatial statistik för att jämföra behandlingar, mäta ROI och förbättra rekommendationer.

Lantbruksrådgivare använder försöksanalys för att bedöma hur olika grödsorter, odlingsmetoder och insatser fungerar, inklusive resultaten av variabel giva inom precisionsodling. Genom att samla in, analysera och tolka data från fältförsök får forskare insikter i samspelet mellan genetik, miljö och odlingsmetoder. Kunskapen används för att utveckla odlingsstrategier som optimerar skördepotentialen och samtidigt minimerar användningen av insatsmedel. Försöksanalys gör det dessutom möjligt att utvärdera effekten av precisionsodlingsmetoder och identifiera tåliga grödsorter som kan växa under varierande och utmanande förhållanden, vilket bidrar till en tryggad livsmedelsförsörjning.

{% hint style="info" %}
Se sidan om interaktiva gårdsförsök på geopard.tech: [Gårdsförsök](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard stöder även split-plot-försök med två faktorer, till exempel samma givor på olika hybrider. Utvärdera både huvudeffekterna och samspelet mellan giva och hybrid i samma georefererade försökslager.
{% endhint %}

## Förbereda data

För att analysera försök behövs några viktiga datamängder:

1. **Skördedata**:\
   Den här datamängden innehåller skördedata.\
   Vi kan importera den från [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller ladda upp den manuellt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/yield-data-import.md) eller i ett [maskinspecifikt format](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Spridningsdata**:\
   De här uppgifterna är viktiga för att förstå den faktiska spridningen på fältet. De innehåller åtminstone attribut som TargetRate, AppliedRate och vissa maskinrelaterade mätvärden.\
   Precis som för skördedata kan vi importera dem från [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/import-from-myjohndeere.md) eller ladda upp dem manuellt som en [shapefile](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) eller i ett [maskinspecifikt format](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zoner/försöksrutor**:\
   De här visar de planerade spridningsgivorna för försöken och ger en bild av försöksupplägget.\
   Om ett sådant datalager finns tillgängligt laddar vi upp det som en [shapefile](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/import-precision-agriculture-data/as-applied-as-planted-data-import.md) i kontrollen AsApplied/AsPlanted eller Yield. Det säkerställer kompatibilitet när EquationMaps skapas och gör det enklare att analysera försöken.\
   Upplägget kan ha en faktor eller vara ett split-plot-upplägg med en andra behandlingsfaktor, till exempel hybrid eller sort.\
   Om ett sådant datalager saknas kan attributet TargetRate i spridningsdata användas som ersättning vid utvärdering av försöken.
4. **Zoner för historisk fältpotential:**\
   GeoPard skapar dessa zoner (mer information finns [HÄR](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/zones-maps-and-analytics/multi-year-zones.md)). De är användbara när man analyserar försök med jämn historisk produktivitet. Det är särskilt värdefullt när försöken är utspridda i områden med varierande historisk produktivitet.

När vi har samlat in dessa datamängder kan vi börja utvärdera försöken.

## Översikt över data

För odlingssäsongen 2023 finns följande data för höstvete:

* Skördedata som visar fördelningen av våtmassa *(fig. 1)*

<figure><img src="https://1016759462-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. Ursprungliga skördedata</p></figcaption></figure>

* VRA-plan för kväve (N34), 150 kg/ha, med 2 försöksrutor (120 kg/ha och 180 kg/ha)*(fig. 2)*

<figure><img src="https://1016759462-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. VRA-plan för kväve (N34) med försöksrutor</p></figcaption></figure>

* Spridningsdata som visar appliceringsstatistik *(fig. 3)*

<figure><img src="https://1016759462-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. Spridningsdata</p></figcaption></figure>

* Historisk fältproduktivitet (*fig. 4*)

<figure><img src="https://1016759462-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 fältproduktivitet</p></figcaption></figure>

{% hint style="warning" %}
Skördedata har inte kalibrerats: flera tröskor har arbetat på fältet, det finns spår av vändtegar och saknade data, och tydligt brus. För bästa resultat rekommenderar vi att du även kör funktionerna Yield Calibrate och Clean.\
En stegvis handledning finns på [LÄNK](https://docs.geopard.tech/geopard-tutorials/swe/agronomi/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Efter kalibrering och rengöring visas skördedata i *fig. 5*, tillsammans med den uppdaterade statistiken. Den här datamängden används i följande steg.

<figure><img src="https://1016759462-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. Kalibrerade och rengjorda skördedata</p></figcaption></figure>

## Begrepp

Här är målet med försöksanalysen att fastställa den mest effektiva kvävegivan (N34) för fältet. De utpekade områdena har kvävegivorna 120 kg/ha, 150 kg/ha och 180 kg/ha. Underlaget kommer dels från ApplicationDataset och dels från det kalibrerade YieldDataset.

Vi fokuserar analysen på tre tydliga zoner:

* 120 kg/ha (försökszon)
* 150 kg/ha (huvudzonen)
* 180 kg/ha (ytterligare en försökszon)

Analysen omfattar följande utvärderingar:

1. **Planerad giva:** med den planerade variabla givan (VRA) jämförd med den kalibrerade skörden.
2. **Faktiskt tillförd giva:** Jämförelse mellan faktiskt tillförda mängder och den kalibrerade skörden.
3. **Faktiskt tillförd giva och historisk produktivitet:** Jämförelse mellan faktiskt tillförda mängder och den kalibrerade skörden, överlagrad på zoner för historisk fältpotential.

Den här systematiska metoden ger en heltäckande utvärdering av kvävets inverkan på skörden, utifrån både planerade och faktiskt tillförda givor.

## Planerad giva

Inverkan av ~~faktiskt tillfört~~ planerat kväve (N34) på skördefördelningen visas i skärmbilderna nedan *(Fig. 6, Fig. 7, Fig. 8)*. Här är en kort sammanfattning av resultaten:

* <mark style="color:blå;">Huvudzonen, med en kvävegiva på 150 kg/ha, omfattar 45,8 ha och har en medelskörd på 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:blå;">Den första försökszonen, med en kvävegiva på 180 kg/ha, omfattar 1,76 ha och har en medelskörd på 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:blå;">Den andra försökszonen, med 120 kg/ha kväve, omfattar 1,86 ha och har en medelskörd på 6,39 t/ha</mark> (*Fig. 8*).

Resultaten väcker en viktig fråga: <mark style="color:orange;">Varför verkar den lägre givan vara effektivare än den högre?</mark> För att få en djupare förståelse kommer nästa steg att vara att[ utvärdera försöken med data över faktiskt tillförda givor](#applied-based-evaluation).

<figure><img src="https://1016759462-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 Huvudzonen med N34, 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 120 kg/ha</p></figcaption></figure>

Längre fram finns en ingående genomgång av formlerna och konfigurationerna som användes i utvärderingen.

{% hint style="info" %}
Läs våra handledningar för både [användargränssnittet](https://docs.geopard.tech/geopard-tutorials/swe/produktvandring-webbapp/equation-based-analytics.md) och [API:et](https://docs.geopard.tech/geopard-tutorials/swe/api-dokumentation/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Här är formlerna du kan köra för att återskapa beräkningarna.

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

Det är viktigt att aktivera *Numpy* *(Fig. 9)* och inaktivera *Interpolation* *(Fig. 10)*.

<figure><img src="https://1016759462-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 Aktivera ”Numpy”</p></figcaption></figure>

<figure><img src="https://1016759462-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 Stäng av användningen av ”Interpolated”-data</p></figcaption></figure>

## Baserat på tillförd mängd

En anmärkningsvärd observation är att den faktiska tillförselmängden under försöket inte konsekvent stämmer överens med den planerade (målvärdet för) tillförselmängden. Spridningen sträcker sig från 120 kg/ha ända upp till 189 kg/ha *(Fig. 11)*. Med tanke på den här variationen blev det viktigt att fastställa en toleransgräns för avvikelser. Därför bedömdes en noggrannhet på ±5 % vara en godtagbar gräns för att försöket skulle anses lämpligt för utvärdering.

I följande skärmbilder (*Fig. 12, Fig. 13, Fig. 14)* visas den statistiska fördelningen av skörden, med fokus på de faktiska tillförselmängderna för kväve (N34). Här är en sammanfattning av statistiken, med ±5 % noggrannhet som godtagbar avvikelse:

* <mark style="color:blå;">Huvudzonen med 150 kg/ha hade en tillförd mängd på en areal av 43,5 ha och gav en genomsnittlig skörd på 4,9 t/ha</mark> (*Fig. 12*).
* <mark style="color:blå;">Den första försökszonen med 180 kg/ha omfattade 1,47 ha och gav en genomsnittlig skörd på 6,5 t/ha</mark> (*Fig. 13*).
* <mark style="color:blå;">Den andra försökszonen med 120 kg/ha omfattade 1,44 ha och gav en genomsnittlig skörd på 6,3 t/ha</mark> (*Fig. 14*).

<figure><img src="https://1016759462-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 Faktiska tillförselmängder i försöken</p></figcaption></figure>

<figure><img src="https://1016759462-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 Huvudzon med N34, 150 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 180 kg/ha ±5 %</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 120 kg/ha ±5 %</p></figcaption></figure>

För att få en djupare förståelse för metoden och detaljerna bakom resultaten visas de använda ekvationerna nedan:

1. Faktisk tillförsel av kväve i försöket:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Huvudzonen med 150 kg/ha, med 5 % godtagbar avvikelse:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Försökszonen med 120 kg/ha, med 5 % godtagbar avvikelse:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Försökszonen med 180 kg/ha, med 5 % godtagbar avvikelse:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produktivitet baserad på tillförd mängd och historisk produktivitet**

Skördarna i försöken överstiger konsekvent den genomsnittliga skörden på hela fältet. En viktig orsak till skillnaden verkar vara att försöken genomfördes i en zon med historiskt hög produktivitet, vilket visas i *Fig. 15* och *Fig. 16*. För att utvärdera försöken mer nyanserat är det viktigt att ta hänsyn till produktivitetszonerna när resultaten analyseras.

<figure><img src="https://1016759462-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 Historiska potentialzoner på fältet</p></figcaption></figure>

<figure><img src="https://1016759462-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 Historiska potentialzoner på fältet som YieldDataset</p></figcaption></figure>

I följande skärmbilder (*Fig. 17, Fig. 18, Fig. 19)* visas den statistiska fördelningen av skörden, med fokus på de faktiska tillförselmängderna för kväve (N34) överlagrade med historiska produktivitetszoner (skapade i GeoPard). Här är en sammanfattning av statistiken, med ±5 % noggrannhet som godtagbar avvikelse för tillförselmängderna:

* <mark style="color:blå;">Huvudzonen med 150 kg/ha hade en tillförd mängd på en areal av 2,65 ha och gav en genomsnittlig skörd på 6,34 t/ha</mark> (*Fig. 17*).
* <mark style="color:blå;">Den första försökszonen med 180 kg/ha omfattade 1,08 ha och gav en genomsnittlig skörd på 6,41 t/ha</mark> (*Fig. 18*).
* <mark style="color:blå;">Den andra försökszonen med 120 kg/ha omfattade 1,78 ha och gav en genomsnittlig skörd på 6,33 t/ha</mark> (*Fig. 19*).

<figure><img src="https://1016759462-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 Huvudzon med N34, 150 kg/ha, överlagrad med historisk produktivitet</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 180 kg/ha ±5 %, överlagrad med historisk produktivitet</p></figcaption></figure>

<figure><img src="https://1016759462-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 Försökszon med N34, 120 kg/ha ±5 %, överlagrad med historisk produktivitet</p></figcaption></figure>

För att få en djupare förståelse för metoden och detaljerna bakom resultaten visas de använda ekvationerna nedan:

1. Huvudgiva på 150 kg/ha med 5 % tolerans överlagrad med historisk produktivitet:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Försöksgiva på 120 kg/ha med 5 % tolerans överlagrad med historisk produktivitet:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Försöksgiva på 180 kg/ha med 5 % tolerans överlagrad med historisk produktivitet:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

där

* delen `Productivity_SubZone == 51` återspeglar zonerna med hög produktivitet där försöken genomfördes,
* delarna `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` motsvarar en noggrannhet på ±5 % för givorna `150`, `120`, `180` kg/ha.

## Sammanfattning

Skörderesultaten från försöken ligger nära den genomsnittliga skörden i fältets historiska zon med hög produktivitet. Med andra ord hade försöksgödsling med N34 vid givor på <mark style="color:blå;">120 kg/ha – 150 kg/ha – 180 kg/ha</mark>, skördarna i genomsnitt <mark style="color:blå;">6,33 t/ha – 6,34 t/ha – 6,41 t/ha</mark> i respektive led, utan någon betydande påverkan på skörden inom zonen med hög produktivitet.


---

# 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/swe/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.
