# Tarla Denemesi Analitiği Ziraat mühendisleri, çeşitli ürün çeşitlerinin, yetiştirme tekniklerinin ve girdi uygulamalarının performansını değerlendirmek için Deneme Analitiği kullanır; buna Hassas Tarımda Değişken Oranlı Uygulamaların sonuçları da dahildir. Araştırmacılar, Tarla Denemelerinden elde edilen verileri toplayıp, analiz edip yorumlayarak genetik, çevre ve yönetim uygulamaları arasındaki etkileşimler hakkında içgörüler kazanır. Bu bilgi, girdi kullanımını en aza indirirken verim potansiyelini optimize eden ürün yönetim stratejilerinin geliştirilmesine yön verir. Ayrıca Deneme Analitiği, yalnızca Hassas Tarım uygulamalarının etkinliğinin değerlendirilmesini sağlamakla kalmaz, aynı zamanda farklı ve zorlu koşullarda gelişebilen dayanıklı ürün çeşitlerinin belirlenmesine de yardımcı olur; böylece gıda güvenliğine katkı sağlar. {% hint style="info" %} GeoPard ayrıca, farklı hibritlerde aynı oranlar gibi iki faktörlü tasarımlar için bölünmüş parsel denemelerini de destekler. Aynı coğrafi referanslı deneme katmanında hem ana etkileri hem de oran × hibrit etkileşimini değerlendirin. {% endhint %} ## Veri Hazırlama Etkili deneme analitiği için birkaç temel veri kümesi gereklidir: 1. **Verim Veri Kümesi**:\ Bu veri kümesi verim verilerini içerir.\ Bunu şu kaynaktan içe aktarabiliriz: [JohnDeere Operation Center](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/myjohndeereden-ice-aktarma.md) veya bunu manuel olarak şu biçimde yükleyebiliriz: [shapefile](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/verim-verisi-ice-aktarma.md) veya şu biçimde [makineye özgü özel format](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/makineye-ozgu-formatlar.md). 2. **Uygulama Veri Kümesi**:\ Bu, tarlada gerçekten gerçekleştirilen Uygulamayı anlamak için kritik öneme sahiptir. En azından TargetRate, AppliedRate ve makineyle ilgili bazı metrikler gibi öznitelikleri içerir.\ Verim Veri Kümesinde olduğu gibi, bunu şu kaynaktan içe aktarma seçeneklerimiz vardır: [JohnDeere Operation Center](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/myjohndeereden-ice-aktarma.md) veya bunu manuel olarak şu biçimde yükleyebiliriz: [shapefile](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/uygulanan-ekilen-veri-ice-aktarma.md) veya şu biçimde [makineye özgü özel format](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/makineye-ozgu-formatlar.md). 3. **Denemeli/Deneyselli Bölgeler/Parseller**:\ Bunlar, Denemelerimiz için planlanan Uygulama oranlarını gösterir ve deney tasarımı hakkında içgörü sağlar.\ Böyle bir veri katmanı mevcutsa, onu şu olarak yükleriz: [shapefile](/geopard-tutorials/tr/urun-turu-web-uygulamasi/hassas-tarim-verilerini-ice-aktarma/uygulanan-ekilen-veri-ice-aktarma.md) AsApplied/AsPlanted veya Yield control içine. Bu, EquationMaps oluşturulurken uyumluluk sağlar ve deneme analitiği deneyiminizi kolaylaştırır.\ Bu, tek faktörlü bir düzen ya da hibrit veya çeşit gibi ikinci bir uygulama boyutuna sahip bölünmüş parsel düzeni olabilir.\ Böyle bir veri katmanı mevcut değilse, Application Dataset içindeki TargetRate özniteliği deneme değerlendirmeleri için bir alternatif olarak kullanılabilir. 4. **Geçmiş Tarla Potansiyel Bölgeleri:**\ Bu bölgeler GeoPard tarafından oluşturulur (ayrıntılar [BURADA](/geopard-tutorials/tr/urun-turu-web-uygulamasi/bolgeler-haritalari-ve-analitigi/cok-yilli-bolgeler.md)). Bunlar, tutarlı geçmiş verimliliğe sahip Denemeleri analiz etmek için kullanışlıdır. Bu, özellikle Denemeler tarihsel verimliliği farklı bölgeler arasında değişen alanlara dağıtıldığında faydalıdır. Bu veri kümelerini topladıktan sonra, bir sonraki adım Deneme değerlendirme sürecini başlatmaktır. ## Veri Genel Bakışı 2023 kışlık buğday tarım sezonuna ait aşağıdaki veriler bulunmaktadır: * Islak Kütle dağılımını gösteren Verim Veri Kümesi *(Şek.1)*

Şek.1 Orijinal Verim Veri Kümesi

* Azot (N34) VRA planı (150 kg/ha) ve 2 Deneme Parseli (120 kg/ha ve 180 kg/ha)*(Şek.2)*

Şek.2 Azot (N34) Deneme Parselleri ile VRA planı

* uygulanan istatistikleri gösteren Uygulama Veri Kümesi *(Şek.3)*

Şek.3 Uygulama Veri Kümesi

* Geçmiş Tarla Verimliliği (*Şek.4*)

Şek.4 Geçmiş Tarla Verimliliği

{% hint style="warning" %} Verim Veri Kümesi kalibre edilmemiştir: orada birden fazla biçerdöver çalışıyordu, dönüş alanları ve eksik veri izleri var ve gürültü belirgindir. En iyi sonuçlar için üzerine Verim Kalibre etme ve Temizleme işlemlerinin uygulanması önerilir.\ Adım adım bir eğitim şu adreste bulunabilir: [BAĞLANTI](/geopard-tutorials/tr/agronomi/verim-kalibrasyonu-ve-temizleme.md). {% endhint %} Kalibrasyon ve temizlik sonrasında Verim Veri Kümesi *Şek.5*'te, güncellenmiş istatistiklerle birlikte gösterilmektedir. Bu veri kümesi sonraki adımlarda kullanılacaktır.

Şek.5 Kalibre Edilmiş ve Temizlenmiş Verim Veri Kümesi

## Kavram Burada Deneme Analitiğinin amacı, saha için en etkili Azot (N34) oranını belirlemektir. Azot oranları 120 kg/ha, 150 kg/ha ve 180 kg/ha olan işaretlenmiş alanlar vardır. Bu veri, bir yandan Application Dataset'ten, diğer yandan kalibre edilmiş Yield Dataset'ten türetilmiştir. Analizimizi üç ayrı bölgeye odaklıyoruz: * 120 kg/ha (deneme bölgesi olarak belirlenmiş) * 150 kg/ha (ana bölge olarak kabul edilen) * 180 kg/ha (bir diğer deneme bölgesi) Yaklaşımımız aşağıdaki değerlendirmeleri içerecek: 1. **Plan bazlı:** Kalibre Edilmiş Verim ile bağlantılı Planlanmış Değişken Oranlı Uygulama (VRA) kullanılarak. 2. **Uygulanan bazlı:** Gerçek Uygulanan veri kümelerinin Kalibre Edilmiş Verim ile karşılaştırılması. 3. **Uygulanan bazlı ve Geçmiş Verimlilik:** Gerçek Uygulanan veri kümelerinin, Geçmiş Tarla Potansiyel Bölgeleri ile üst üste bindirilmiş Kalibre Edilmiş Verim ile karşılaştırılması. Bu sistematik yaklaşım, hem planlanan hem de fiilen uygulanan uygulama verilerine dayanarak Azotun Verim üzerindeki etkisinin kapsamlı bir şekilde değerlendirilmesini sağlayacaktır. ## Plan bazlı şunun etkisi ~~uygulanan~~ planlanan Azotun (N34) Verim dağılımı üzerindeki etkisi, sonraki ekran görüntülerinde görsel olarak yer almaktadır *(Şek.6, Şek.7, Şek.8)*. Bulguların kısa bir özeti şöyledir: * 150 kg/ha Azot oranına sahip ana bölge 45.8 ha alan kaplar ve ortalama 4.99 t/ha verim verir (*Şek.6*). * 180 kg/ha Azot uygulamasını kullanan ilk deneme bölgesi 1.76 ha alanı kapsar ve ortalama 6.5 t/ha verim sağlar (*Şek.7*). * 120 kg/ha Azotlu ikinci deneme bölgesi 1.86 ha alanı kapsar ve ortalama 6.39 t/ha verim üretir (*Şek.8*). Sonuçlar önemli bir soruyu gündeme getiriyor: Daha düşük uygulama oranı neden daha yüksek olandan daha verimli görünüyor? Daha derin içgörüler elde etmek için bir sonraki aşama şunları içerir:[ Denemeleri gerçek Uygulanan verilerle değerlendirmek](/geopard-tutorials/tr/agronomi/tarla-denemesi-analitigi.md#applied-based-evaluation).

Şek.6 N34 150kg/ha ile Ana Bölge

Şek.7 N34 180kg/ha ile Deneme Bölgesi

Şek.8 N34 120kg/ha ile Deneme Bölgesi

Aşağıda, değerlendirme sırasında kullanılan formüller ve yapılandırmaların ayrıntılı bir tartışmasını bulacaksınız. {% hint style="info" %} Denklem yaklaşımını ve bunun nasıl uygulandığını daha derinlemesine incelemek için lütfen hem şu başlık altındaki eğitimlerimize bakın: [Kullanıcı Arayüzü](/geopard-tutorials/tr/urun-turu-web-uygulamasi/denklem-tabanli-analitik.md) ve [API](/geopard-tutorials/tr/api-belgeleri/temel-akislarla-diyagramlar/5.-denklemleri-calistir.md). {% endhint %} Hesaplamaları yeniden oluşturmak için çalıştırılacak Denklemler şunlardır. 1. 150 kg/ha ile Ana:\ `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)` 2. 120 kg/ha ile Deneme:\ `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)` 3. 180 kg/ha ile Deneme:\ `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)` şunu etkinleştirmek önemlidir *Numpy* *(Şek.9)* ve şunu kapatmak *Interpolasyon* *(Şek.10)*.

Şek.9 "Numpy"yı etkinleştir

Şek.10 "Interpolated" verinin kullanımını kapatın

## Uygulanan bazlı Dikkat çekici bir gözlem, deneme sırasında gerçek Uygulanan Oranın Planlanan (Target) Oran ile tutarlı biçimde örtüşmemesidir. Özellikle dağılım 120 kg/ha'dan 189 kg/ha'ya kadar uzanmaktadır *(Şek.11)*. Bu değişkenlik göz önüne alındığında, hata toleransı için bir kıyas noktası belirlemek kritik hale geldi. Bu nedenle, denemenin değerlendirme için uygun sayılması adına ±5% doğruluk kabul edilebilir eşik olarak belirlendi. Sonraki ekran görüntülerinde (*Şek.12, Şek.13, Şek.14)* Verimin istatistiksel dağılımı yer almaktadır; odak noktası, fiilen Uygulanan Azot (N34) miktarlarıdır. ±5% doğruluk kabulü dikkate alınarak özet istatistikler şöyledir: * 150 kg/ha'daki ana bölge 43.5 ha uygulanan alan kapladı ve ortalama 4.9 t/ha verim verdi (*Şek.12*). * 180 kg/ha'daki ilk deneme bölgesi 1.47 ha alanı kapsadı ve ortalama 6.5 t/ha verim üretti (*Şek.13*). * 120 kg/ha olarak belirlenen ikinci deneme bölgesi 1.44 ha alanı kapsadı ve ortalama 6.3 t/ha verim verdi (*Şek.14*).

Şek.11 Denemelerde Gerçek Uygulanan Oranlar

Şek.12 N34 150kg/ha ±5% ile Ana Bölge

Şek.13 N34 180kg/ha ±5% ile Deneme Bölgesi

Şek.14 N34 120kg/ha ±5% ile Deneme Bölgesi

Yöntemi ve bu sonuçların ayrıntılarını daha iyi anlamak için, kullanılan Denklemler aşağıdadır: 1. Denemenin fiili Uygulanan Azotu:\ `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)` 2. %5 kabulü içeren 150 kg/ha ile Ana:\ `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 3. %5 kabulü içeren 120 kg/ha ile Deneme:\ `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 4. %5 kabulü içeren 180 kg/ha ile Deneme:\ `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` ## **Uygulanan bazlı ve Geçmiş Verimlilik** Denemelerden elde edilen Verim değerleri, tarlanın tamamındaki ortalama Verimi sürekli olarak aşmaktadır. Bu farkın temel nedeni, Denemelerin gerçekleştirildiği tarihsel olarak yüksek verimlilik bölgesi gibi görünmektedir; bu durum *Şek.15* ve *Şek.16*'de görselleştirilmiştir. Denemelerin daha nüanslı bir değerlendirmesi için sonuçları analiz ederken verimlilik bölgelerini dikkate almak çok önemlidir.

Şek.15 Geçmiş Tarla Potansiyel Bölgeleri

Şek.16 Verim Veri Kümesi olarak Geçmiş Tarla Potansiyel Bölgeleri

Sonraki ekran görüntülerinde (*Şek.17, Şek.18, Şek.19)* Verimin istatistiksel dağılımı yer almaktadır; odak noktası, GeoPard'da oluşturulan Geçmiş Verimlilik Bölgeleri ile üst üste bindirilmiş, fiilen Uygulanan Azot (N34) miktarlarıdır. ±5% doğruluk kabulü dikkate alınarak, Uygulanan miktarlar için özet istatistikler şöyledir: * 150 kg/ha'daki ana bölge 2.65 ha uygulanan alan kapladı ve ortalama 6.34 t/ha verim verdi (*Şek.17*). * 180 kg/ha'daki ilk deneme bölgesi 1.08 ha alanı kapsadı ve ortalama 6.41 t/ha verim üretti (*Şek.18*). * 120 kg/ha olarak belirlenen ikinci deneme bölgesi 1.78 ha alanı kapsadı ve ortalama 6.33 t/ha verim verdi (*Şek.19*).

Şek.17 N34 150kg/ha ile Ana Bölge, Geçmiş Verimlilik ile üst üste bindirilmiş

Şek.18 N34 180kg/ha ±5% ile Deneme Bölgesi, Geçmiş Verimlilik ile üst üste bindirilmiş

Şek.19 N34 120kg/ha ±5% ile Deneme Bölgesi, Geçmiş Verimlilik ile üst üste bindirilmiş

Yöntemi ve bu sonuçların ayrıntılarını daha iyi anlamak için, kullanılan Denklemler aşağıdadır: 1. %5 kabulü içeren 150 kg/ha ile Ana, Geçmiş Verimlilik ile üst üste bindirilmiş:\ `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)` 2. %5 kabulü içeren 120 kg/ha ile Deneme, Geçmiş Verimlilik ile üst üste bindirilmiş:\ `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)` 3. %5 kabulü içeren 180 kg/ha ile Deneme, Geçmiş Verimlilik ile üst üste bindirilmiş:\ `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)` burada * kısım `Productivity_SubZone == 51` uygulanan denemelerle birlikte yüksek Verimlilik Bölgelerini yansıtır, * kısımlar `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` oranlardan ±5% doğruluğu içerir `150`, `120`, `180` kg/ha. ## Özet Denemelerden elde edilen Verim sonuçları, tarlanın yüksek Geçmiş Verimlilik Bölgesinde gözlenen ortalama Verimle yakından örtüşmektedir. Başka bir deyişle, N34 ürününün 120 kg/ha - 150 kg/ha - 180 kg/haoranlarında yapılan deneysel uygulaması, 6.33 t/ha - 6.34 t/ha - 6.41 t/ha ortalama Verimlere yol açmış olup, yüksek Verimlilik Bölgesi içinde hasat edilen Verim üzerinde önemli bir etki oluşturmamaktadır. --- # 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/tr/agronomi/tarla-denemesi-analitigi.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.