> 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/tr/ziraat/yield-and-trials/field-trial-analytics.md).

# Tarla Denemesi Analitiği

Uygulamaları karşılaştırmak, yatırım getirisini ölçmek ve önerileri geliştirmek için mekânsal istatistiklerle çiftlik denemelerini analiz edin.

Ziraat mühendisleri; farklı ürün çeşitlerinin, yetiştirme tekniklerinin ve girdi uygulamalarının performansını, Hassas Tarım kapsamında Değişken Oranlı Uygulamaların sonuçları da dâhil olmak üzere değerlendirmek için Deneme Analitiği'nden yararlanır. Araştırmacılar, Tarla Denemelerinden elde edilen verileri toplayıp analiz ederek ve yorumlayarak genetik, çevre ve yönetim uygulamaları arasındaki etkileşimlere ilişkin bilgi edinir. Bu bilgi, girdi kullanımını en aza indirirken verim potansiyelini en üst düzeye çıkaran ürün yönetimi stratejilerinin geliştirilmesine yardımcı olur. Ayrıca Deneme Analitiği, Hassas Tarım uygulamalarının etkinliğini değerlendirmeyi sağlamanın yanı sıra farklı ve zorlu koşullarda gelişebilen dayanıklı ürün çeşitlerinin belirlenmesine de yardımcı olarak gıda güvenliğine katkıda bulunur.

{% hint style="info" %}
geopard.tech adresindeki etkileşimli tarla denemeleri sayfasına göz atın: [Tarla denemeleri](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard, aynı oranların farklı hibrit çeşitlerde uygulandığı denemeler gibi iki faktörlü tasarımlar için bölünmüş parsel denemelerini de destekler. Aynı jeoreferanslı deneme katmanında hem ana etkileri hem de oran × hibrit etkileşimini değerlendirin.
{% endhint %}

## Veri Hazırlama

Etkili bir deneme analizi için birkaç temel veri kümesi gerekir:

1. **Verim Veri Kümesi**:\
   Bu veri kümesi verim verilerini içerir.\
   Bu verileri şuradan içe aktarabiliriz: [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/import-from-myjohndeere.md) ya da [shapefile](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/yield-data-import.md) olarak veya [makineye özgü özel format](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Uygulama Veri Kümesi**:\
   Bu veri kümesi, tarlada fiilen gerçekleştirilen uygulamayı anlamak için kritik öneme sahiptir. En azından TargetRate, AppliedRate ve makineyle ilgili bazı ölçümler gibi öznitelikleri içerir.\
   Verim Veri Kümesinde olduğu gibi, bu verileri şuradan içe aktarabiliriz: [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/import-from-myjohndeere.md) ya da [shapefile](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/as-applied-as-planted-data-import.md) olarak veya [makineye özgü özel format](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Deneme/Deney Bölgeleri veya Parselleri**:\
   Bunlar, denemelerimiz için planlanan uygulama oranlarını göstererek deney tasarımına ilişkin bilgi sağlar.\
   Böyle bir veri katmanı varsa, bunu [shapefile](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/import-precision-agriculture-data/as-applied-as-planted-data-import.md) olarak AsApplied/AsPlanted veya Verim kontrolüne yükleriz. Böylece EquationMaps oluştururken uyumluluk sağlanır ve deneme analizi süreci kolaylaşır.\
   Bu, tek faktörlü bir düzen ya da hibrit veya çeşit gibi ikinci bir uygulama boyutu içeren bölünmüş parsel düzeni olabilir.\
   Böyle bir veri katmanı yoksa denemeleri değerlendirirken Uygulama Veri Kümesindeki TargetRate özniteliği bunun yerine kullanılabilir.
4. **Geçmiş Tarla Verim Potansiyeli Bölgeleri:**\
   Bu bölgeler GeoPard tarafından oluşturulur (ayrıntılar için bkz. [BURAYA](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/zones-maps-and-analytics/multi-year-zones.md)). Geçmiş verimliliği istikrarlı olan denemeleri analiz etmekte yararlıdır. Bu, özellikle denemeler geçmiş verimliliği farklılık gösteren bölgelere dağıldığında fayda sağlar.

Bu veri kümelerini topladıktan sonra sıradaki adım, deneme değerlendirme sürecini başlatmaktır.

## Verilere Genel Bakış

2023 tarım sezonuna ait kışlık buğday verileri şöyledir:

* Islak kütle dağılımını gösteren Verim Veri Kümesi *(Şek. 1)*

<figure><img src="https://4027984477-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>Şek. 1 Orijinal YieldDataset</p></figcaption></figure>

* 2 Deneme Parseli (120 kg/ha ve 180 kg/ha) içeren Azot (N34) Değişken Oranlı Uygulama planı (150 kg/ha)*(Şek. 2)*

<figure><img src="https://4027984477-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>Şek. 2 Deneme Parsellerini içeren Azot (N34) Değişken Oranlı Uygulama planı</p></figcaption></figure>

* Uygulama istatistiklerini gösteren Uygulama Veri Kümesi *(Şek. 3)*

<figure><img src="https://4027984477-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>Şek. 3 Uygulama Veri Kümesi</p></figcaption></figure>

* Geçmiş Tarla Verimliliği (*Şek. 4*)

<figure><img src="https://4027984477-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>Şek. 4 Geçmiş Tarla Verimliliği</p></figcaption></figure>

{% hint style="warning" %}
YieldDataset kalibre edilmemiştir: tarlada birden fazla biçerdöver çalışmıştır, dönüş manevralarından ve eksik verilerden kaynaklanan izler vardır ve gürültü belirgindir. En iyi sonuçlar için ayrıca Yield Calibrate ve Clean işlemlerinin uygulanması önerilir.\
Adım adım eğitim içeriğine şu adresten ulaşabilirsiniz: [BAĞLANTI](https://docs.geopard.tech/geopard-tutorials/tr/ziraat/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Kalibrasyon ve temizleme sonrasındaki YieldDataset, güncellenmiş istatistiklerle birlikte *Şek. 5*içinde gösterilmiştir. Bu veri kümesi sonraki adımlarda kullanılacaktır.

<figure><img src="https://4027984477-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>Şek. 5 Kalibre Edilmiş ve Temizlenmiş YieldDataset</p></figcaption></figure>

## Kavram

Burada Deneme Analitiği'nin amacı, tarla için en etkili Azot (N34) dozunu belirlemektir. 120 kg/ha, 150 kg/ha ve 180 kg/ha azot dozlarının uygulandığı belirlenmiş alanlar vardır. Bu veriler bir yandan ApplicationDataset'ten, diğer yandan kalibre edilmiş YieldDataset'ten elde edilmiştir.

Analizimizi üç farklı bölgeye odaklıyoruz:

* 120 kg/ha (deneme bölgesi olarak belirlenmiştir)
* 150 kg/ha (ana bölge olarak kabul edilmiştir)
* 180 kg/ha (diğer deneme bölgesi)

Yaklaşımımız aşağıdaki değerlendirmeleri içerecektir:

1. **Plana dayalı:** Kalibre Edilmiş Verim ile ilişkilendirilmiş Planlanan Değişken Oranlı Uygulama (VRA) kullanılarak.
2. **Uygulamaya dayalı:** Gerçek Uygulama Veri Kümelerinin Kalibre Edilmiş Verim ile karşılaştırılması.
3. **Uygulamaya ve Geçmiş Verimliliğe dayalı:** Gerçek Uygulama Veri Kümelerinin, Geçmiş Tarla Potansiyeli Bölgeleriyle üst üste bindirilmiş Kalibre Edilmiş Verim ile karşılaştırılması.

Bu sistematik yaklaşım, hem planlanan hem de gerçek uygulama verilerine dayanarak azotun verim üzerindeki etkisinin kapsamlı biçimde değerlendirilmesini sağlayacaktır.

## Plana dayalı

verim dağılımı üzerindeki ~~uygulanan~~ planlanan Azotun (N34) etkisi, aşağıdaki ekran görüntülerinde görsel olarak gösterilmiştir *(Şek. 6, Şek. 7, Şek. 8)*. Bulguların özeti şöyledir:

* <mark style="color:mavi;">150 kg/ha azot dozunun uygulandığı ana bölge 45,8 ha genişliğindedir ve ortalama verim 4,99 t/ha'dır</mark> (*Şek. 6*).
* <mark style="color:mavi;">180 kg/ha azot uygulanan ilk deneme bölgesi 1,76 ha genişliğindedir ve ortalama verim 6,5 t/ha'dır</mark> (*Şek. 7*).
* <mark style="color:mavi;">120 kg/ha azot uygulanan ikinci deneme bölgesi 1,86 ha genişliğindedir ve ortalama verim 6,39 t/ha'dır</mark> (*Şek. 8*).

Sonuçlar önemli bir soruyu gündeme getiriyor: <mark style="color:turuncu;">Daha düşük uygulama dozu neden daha yüksek dozdan daha verimli görünüyor?</mark> Daha ayrıntılı bilgi edinmek için bir sonraki aşamada[ Denemeler gerçek uygulama verileri kullanılarak değerlendirilecektir](#applied-based-evaluation).

<figure><img src="https://4027984477-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>Şek. 6 N34 150 kg/ha ile Ana Bölge</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek. 7 N34 180 kg/ha ile Deneme Bölgesi</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek. 8 N34 120 kg/ha ile Deneme Bölgesi</p></figcaption></figure>

Aşağıda, değerlendirme sırasında kullanılan formüller ve yapılandırmalar ayrıntılı olarak ele alınmaktadır.

{% hint style="info" %}
Denklem yaklaşımını ve uygulanışını daha ayrıntılı incelemek için hem [Kullanıcı Arayüzü](https://docs.geopard.tech/geopard-tutorials/tr/urun-turu-web-uygulamasi/equation-based-analytics.md) hem de [API](https://docs.geopard.tech/geopard-tutorials/tr/api-dokumanlari/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Hesaplamaları yeniden oluşturmak için çalıştırılacak denklemler aşağıdadır.

1. 150 kg/ha ile ana bölge:\
   `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)`

Etkinleştirmek önemlidir: *Numpy* *(Şek. 9)* ve kapatın *İnterpolasyon* *(Şek.10)*.

<figure><img src="https://4027984477-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>Şek.9 "Numpy"'yi etkinleştirme</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.10 "Interpolated" verilerin kullanımını kapatma</p></figcaption></figure>

## Uygulama oranına dayalı

Dikkat çeken bir gözlem, deneme sırasındaki gerçek uygulama oranının planlanan (hedef) oranla sürekli olarak örtüşmemesidir. Özellikle, dağılım 120 kg/ha ile 189 kg/ha arasında değişmektedir *(Şek.11)*. Bu değişkenlik nedeniyle hata toleransı için bir ölçüt belirlemek kritik hâle geldi. Bu nedenle, denemenin değerlendirmeye uygun sayılması için ±%5 doğruluk kabul edilebilir eşik olarak belirlendi.

Sonraki ekran görüntülerinde (*Şek.12, Şek.13, Şek.14)* gerçekte uygulanan Azot (N34) miktarlarına odaklanan verim istatistiksel dağılımı sunulmaktadır. ±%5 doğruluk kabul sınırı göz önünde bulundurularak özet istatistikler şöyledir:

* <mark style="color:mavi;">150 kg/ha uygulanan ana bölgede uygulama alanı 43,5 ha olup ortalama verim 4,9 t/ha’dır</mark> (*Şek.12*).
* <mark style="color:mavi;">180 kg/ha uygulanan ilk deneme bölgesi 1,47 ha alanı kapsadı ve ortalama 6,5 t/ha verim sağladı</mark> (*Şek.13*).
* <mark style="color:mavi;">120 kg/ha olarak ayarlanan ikinci deneme bölgesi 1,44 ha alana yayıldı ve ortalama verim 6,3 t/ha oldu</mark> (*Şek.14*).

<figure><img src="https://4027984477-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>Şek.11 Denemelerde Gerçekleşen Uygulama Oranları</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.12 N34 150 kg/ha ±%5 uygulanan ana bölge</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.13 N34 180 kg/ha ±%5 uygulanan deneme bölgesi</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.14 N34 120 kg/ha ±%5 uygulanan deneme bölgesi</p></figcaption></figure>

Yöntemi ve bu sonuçların ayrıntılarını daha iyi anlamak için kullanılan denklemler aşağıda verilmiştir:

1. Denemede Gerçekleşen Azot Uygulaması:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. %5 kabul sınırı dâhil 150 kg/ha uygulanan ana bölge:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. %5 kabul sınırı dâhil 120 kg/ha uygulanan deneme bölgesi:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. %5 kabul sınırı dâhil 180 kg/ha uygulanan deneme bölgesi:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Uygulama Oranına Dayalı ve Geçmiş Verimlilik**

Denemelerdeki verim değerleri, tarlanın tamamındaki ortalama verimi sürekli olarak aşmaktadır. Bu farkın başlıca nedenlerinden biri, denemelerin geçmiş verimliliği yüksek bir bölgede yapılmış olması gibi görünmektedir; bu durum *Şek.15* ve *Şek.16*görsellerinde gösterilmiştir. Denemeleri daha kapsamlı değerlendirmek için sonuçları analiz ederken verimlilik bölgelerini hesaba katmak önemlidir.

<figure><img src="https://4027984477-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>Şek.15 Tarlanın Geçmiş Potansiyel Bölgeleri</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.16 YieldDataset olarak gösterilen Tarlanın Geçmiş Potansiyel Bölgeleri</p></figcaption></figure>

Sonraki ekran görüntülerinde (*Şek.17, Şek.18, Şek.19)* GeoPard’da oluşturulan geçmiş verimlilik bölgeleriyle üst üste bindirilmiş, gerçekte uygulanan Azot (N34) miktarlarına odaklanan verim istatistiksel dağılımı sunulmaktadır. Uygulama miktarları için ±%5 doğruluk kabul sınırı göz önünde bulundurularak özet istatistikler şöyledir:

* <mark style="color:mavi;">150 kg/ha uygulanan ana bölgenin uygulama alanı 2,65 ha olup ortalama verim 6,34 t/ha’dır</mark> (*Şek.17*).
* <mark style="color:mavi;">180 kg/ha uygulanan ilk deneme bölgesi 1,08 ha alanı kapsadı ve ortalama 6,41 t/ha verim sağladı</mark> (*Şek.18*).
* <mark style="color:mavi;">120 kg/ha olarak ayarlanan ikinci deneme bölgesi 1,78 ha alana yayıldı ve ortalama verim 6,33 t/ha oldu</mark> (*Şek.19*).

<figure><img src="https://4027984477-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>Şek.17 Geçmiş Verimlilikle Üst Üste Bindirilmiş N34 150 kg/ha Ana Bölgesi</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.18 Geçmiş Verimlilikle Üst Üste Bindirilmiş N34 180 kg/ha ±%5 Deneme Bölgesi</p></figcaption></figure>

<figure><img src="https://4027984477-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>Şek.19 Geçmiş Verimlilikle Üst Üste Bindirilmiş N34 120 kg/ha ±%5 Deneme Bölgesi</p></figcaption></figure>

Yöntemi ve bu sonuçların ayrıntılarını daha iyi anlamak için kullanılan denklemler aşağıda verilmiştir:

1. 150 kg/ha uygulama dozunun %5 kabul aralığıyla eşleştirilmiş hali, geçmiş verimlilikle örtüşüyor:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. 120 kg/ha deneme uygulama dozunun %5 kabul aralığıyla eşleştirilmiş hali, geçmiş verimlilikle örtüşüyor:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. 180 kg/ha deneme uygulama dozunun %5 kabul aralığıyla eşleştirilmiş hali, geçmiş verimlilikle örtüşüyor:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

burada

* parça `Productivity_SubZone == 51` uygulamalı denemelerin yapıldığı yüksek Verimlilik Bölgelerini gösterirken,
* parçalar `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` uygulama dozlarında ±%5 toleransı içerir `150`, `120`, `180` kg/ha.

## Özet

Denemelerdeki verim sonuçları, tarlanın yüksek Geçmiş Verimlilik Bölgesinde gözlemlenen ortalama verimle büyük ölçüde örtüşüyor. Başka bir deyişle, N34 ürününün <mark style="color:mavi;">120 kg/ha - 150 kg/ha - 180 kg/ha</mark>dozlarında uygulanması, sırasıyla <mark style="color:mavi;">6.33 t/ha - 6.34 t/ha - 6.41 t/ha</mark> ortalama verimlerle sonuçlanmış ve yüksek Verimlilik Bölgesindeki hasat verimi üzerinde kayda değer bir etki yaratmamıştır.


---

# 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/tr/ziraat/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.
