فهرس الدوال المخصصة

تغلف هذه الدوال كود بايثون المعقد، مما يتيح لك تنفيذ عمليات معالجة وحسابات متقدمة للبيانات بسهولة.

توفر GeoPard كتالوجًا شاملاً من الدوال المخصصة مصممة لتعزيز قابلية القراءة ووظائف التحليلات المبنية على المعادلات. تقوم هذه الدوال بتغليف تعليمات برمجية معقدة بايثون ، مما يتيح لك تنفيذ تلاعبات وحسابات بيانات متقدمة بسهولة.

أدخل المعادلة

أدخل معادلة

قائمة الدوال المضمنة المتاحة لإنشاء معادلات أكثر بديهية وقابلة للصيانة داخل منصة GeoPard مدمجة في geopard الحزمة:

fill_gaps_with_k_neighbors

# input_data هي طبقة سمة مجموعة بيانات (مثل المحصول، NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

تستعيد هذه الدالة الفجوات أو القيم الصفرية في مجموعة البيانات باستخدام خوارزمية الجيران K. عن طريق تحديد input_data المتغير (كمجموعة بيانات مع السمة المحددة) وعدد الجيران k، يمكنك ملء القيم المفقودة بسلاسة، مما يضمن استمرارية وسلامة البيانات.

تعمل هذه الدالة بشكل جيد عندما تتوزع فجوات البيانات عبر الحقل ولا تتركز في جزء معين من حدود الحقل.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

استخدم هذه الدالة لحساب التشابه لكل بكسل بين مجموعتي بيانات. المتغيران data_layer_1 و data_layer_2 يجب أن يمثلان نفس القياس في نفس الوحدات لضمان مقارنة ذات معنى. عن طريق تزويد المتغيرات data_layer_1 و data_layer_2 المرتبطة بمجموعات البيانات، يمكنك توليد خريطة تشابه بقيم تتراوح بين 0 و1، مما يسهل الدراسات المقارنة والتعرف على الأنماط.

determine_data_similarity_from_normalized

layer_1_norm = geopard.normalize_data(layer_1)
layer_2_norm = geopard.normalize_data(layer_2)

similarity = geopard.determine_data_similarity_from_normalized(layer_1_norm, layer_2_norm)

استخدم هذه الدالة لحساب التشابه لكل بكسل بين مجموعتي بيانات مُطَبَّعَتين. يُنصح بالتطبيع عندما تكون لدى الأصلية data_layer_1 و data_layer_2 مقاييس أو وحدات مختلفة. من خلال توفير هذه المجموعات كمدخلات، تنتج الدالة خريطة تشابه بقيم تتراوح من 0 إلى 1، مما يجعلها مناسبة للدراسات المقارنة والتعرّف على الأنماط وتحليل التناسق المكاني.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

تقوم هذه الدالة بتقييم التشابه منخفض-عالٍ بين مجموعتي بيانات. عند إدخال المتغيرات data_layer_1 و data_layer_2 المرتبطة بمجموعات البيانات، تحصل على خريطة تشابه مُصنفة تُشير إلى تراكيب مثل منخفض-منخفض، منخفض-عالٍ، عالٍ-منخفض، وعالٍ-عالٍ، وهو مفيد لتصنيف البيانات بتفصيل أدق.

get_value_for_zone

zone_3_values = geopard.get_value_for_zone(yield_layer, zone_map, zone_id=3)

استخدم هذه الدالة لاستخراج جميع القيم من سمة مجموعة بيانات داخل منطقة واحدة. قدّم data_layer (طبقة السمة)، zones_layer (خريطة المناطق)، و zone_id (رقم المنطقة) لعزل القيم للتحليل، مثل المحصول، معدل التطبيق، أو معدل البذور داخل تلك المنطقة.

drop_value

clean_layer = geopard.drop_value(elevation_layer, value_to_drop=0)

تتيح لك هذه الدالة إزالة قيم محددة من سمة مجموعة بيانات. عن طريق تحديد data_layer المرتبطة بسمة مجموعة البيانات و value_to_drop كعدد، يمكنك تنظيف بيانات سمة مجموعة البيانات عن طريق استبعادها من النتيجة (فنيًا استبدال القيم غير المرغوب فيها بـ NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

طَبِّع سمة مجموعة البيانات بكفاءة باستخدام هذه الدالة. من خلال إدخال data_layer المرتبطة بسمة مجموعة البيانات، يمكنك تحجيم البيانات إلى مدى موحد من 0 إلى 1، مما يسهل المقارنة والدمج بين مجموعات البيانات المختلفة.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # استخدم 1.0 للحفاظ على الوحدات، أو اضبط بناءً على تركيز المنتج

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

احسب إجمالي السماد المطبق بوحدات لكل مساحة (على سبيل المثال، كجم/هكتار، لتر/هكتار، جالون/فدان، إلخ). من خلال توفير application_list مجموعات بيانات تحتوي على سمات AppliedRate و active_ingredient_coefficient_list مع منتجات الأسمدة للحصول على إجمالي السماد الفعلي المطبق بوحدات (على سبيل المثال، كجم، لتر، جالون، إلخ).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # جزء النيتروجين (المادة الفعالة) في كل منتج

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

احسب إجمالي النيتروجين المطبق بالكجم/هكتار باستخدام هذه الدالة. من خلال توفير application_list مجموعات بيانات تحتوي على سمات AppliedRate و active_ingredient_coefficient_list مع منتجات النيتروجين لتحويل النيتروجين الفعلي إلى كجم/هكتار، يمكنك حساب إجمالي النيتروجين المطبق بدقة، وهو أمر أساسي للتخطيط الزراعي وتقييمات الاستدامة. يُستخدم الناتج كـ N_total_applied فيgeopard.calculate_nitrogen_use_efficiency.

calculate_nitrogen_uptake

N_uptake = geopard.calculate_nitrogen_uptake(
    yield_wet_tha=yield_layer,
    moisture_pct=moisture_layer,
    protein_pct=protein_layer,
    protein_crop_correction_coefficient=6.25
)

حدد امتزاز النيتروجين بالكجم/هكتار باستخدام هذه الدالة. من خلال تزويد yield_wet_tha, moisture_pct, protein_pct من مجموعة بيانات المحصول و protein_crop_correction_coefficient الذي يمثل معامل الربط بين البروتين وامتزاز النيتروجين، يمكنك تقييم كفاءة استخدام النيتروجين في إنتاج المحاصيل. يُستخدم الناتج كـ N_uptake فيgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

قيّم كفاءة استخدام النيتروجين كنسبة مئوية باستخدام هذه الدالة. من خلال إدخال N_total_applied و N_uptake المتغيرات (من الدوال السابقة)، يمكنك قياس فعالية تطبيق النيتروجين، مما يساعد في تحسين استخدام الأسمدة.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # السعر لكل وحدة لكل طبقة معدل
costs = geopard.calculate_costs(rates, prices)

احسب التكاليف الإجمالية بناءً على معدلات التطبيق والأسعار باستخدام هذه الدالة. من خلال توفير application_rate_list لمجموعات بيانات ذات سمات AppliedRate وقائمة price_per_unit_listالمقابلة، يمكنك تجميع النفقات المرتبطة بأنشطة زراعية مختلفة، مما يدعم إدارة الميزانية والتخطيط المالي. يُستخدم الناتج كـ costs فيgeopard.calculate_profit.

calculate_revenue

revenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25)

احسب الإيرادات من مجموعة بيانات المحصول باستخدام هذه الدالة. من خلال إدخال yield_as_mass المرتبطة بسمة مجموعة بيانات المحصول و yield_price_per_unit، يمكنك تقدير الدخل الناتج من إنتاج المحاصيل، مما يسهل التقييمات الاقتصادية. يُستخدم الناتج كـ costs فيgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

حدد الربح بطرح التكاليف من الإيرادات باستخدام هذه الدالة. من خلال توفير revenue و costs المتغيرات (من الدوال السابقة)، يمكنك بسهولة حساب المكسب المالي من العمليات الزراعية، مما يدعم تحليل الربحية واتخاذ القرارات الاستراتيجية.

fill_value_for_range

# احتفظ فقط بالقيم بين 10 و20، استبدل الباقي بـ 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

تقوم هذه الدالة بترشيح القيم ضمن نطاق محدد في input المصفوفة. عن طريق توفير input المصفوفة، مع عتبات اختيارية min_value و max_value الاختيارية، يمكنك عزل القيم التي تقع ضمن النطاق المرغوب. يسمح معلم value_to_fill باستبدال القيم خارج النطاق بقيمة محددة، مما يحسن عملية ترشيح البيانات والتطبيع.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

استخدم هذه الدالة لحساب متوسط الخطأ المطلق (MAE) لكل بكسل بين مجموعتين من البيانات. توفر خريطة مكانية للاختلافات المطلقة. "الاختلاف المطلق" هو ببساطة حجم الفجوة بين قيم البكسل المقابلة، متجاهلًا ما إذا كانت إحداها أعلى أو أقل.

تساعد الدالة على تحديد المناطق ذات التباينات الأكبر.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

تحسب هذه الدالة الانحراف النسبي لكل بكسل بين مجموعتي بيانات، معبرةً عن الفرق كنسبة مئوية من القيمة في dataset_1. جوهريًا، تُظهر مدى انحراف قيمة بكسل واحدة عن القيمة المقابلة في dataset_1 بمصطلحات نسبية.

تكون هذه الطريقة ذات قيمة خاصة عند تحليل التغيرات في خصائص التربة أو غلة المحصول أو بيانات الاستشعار عن بعد، مما يسمح بالكشف السريع عن المناطق ذات الفروقات النسبية الكبيرة.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

تقوم هذه الدالة بطرح مجموعة بيانات من أخرى لإنشاء خريطة فروق. تُبرز المناطق التي تكون فيها القيم في مجموعة بيانات أعلى أو أقل مقارنةً بالأخرى، مما يسهل ملاحظة الاتجاهات والتغيرات عبر الزمن.

تعد هذه الأداة مفيدة بشكل خاص لتصور التغيرات في خصائص التربة أو غلة المحصول أو بيانات الاستشعار عن بعد، مما يساعد على تحديد المناطق الرئيسية التي قد تتطلب مزيدًا من التحليل أو التدخل.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

تحسب هذه الدالة الفرق النسبي لكل بكسل عن طريق تطبيع الفرق بين مجموعتي البيانات باستخدام قيم dataset_2. هذا يعني أنها تُظهر مدى أهمية التغير بالنسبة إلى حجم dataset_2.

مثل هذه المقارنة النسبية مفيدة خاصة عند التعامل مع مجموعات بيانات ذات نطاقات مختلفة، مما يساعد على كشف التحولات النسبية في خصائص التربة أو غلات المحاصيل أو مخرجات المستشعر. تُمكّن هذه الطريقة من تحديد المناطق ذات التغيرات الملحوظة.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

تقوم هذه الدالة بحساب الفرق المُطَبَّع لكل بكسل عن طريق تحجيم كلتا مجموعتي البيانات نسبةً إلى قيمة كل منهما العظمى العالمية. تجعل هذه العملية مجموعات البيانات قابلة للمقارنة المباشرة حتى لو كانت لها نطاقات مختلفة أصلاً.

توفر الخريطة الناتجة رؤية واضحة للاختلافات في خصائص التربة أو غلة المحاصيل أو بيانات الاستشعار عن بعد، مما يسمح بتحديد وتقييم الفروقات الرئيسية بسرعة.

build_zones_by_intervals

# فواصل للتقسيم إلى مناطق
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

# الاستخدام
zones = geopard.build_zones_by_intervals(
    layer, 
    intervals
)

تقوم هذه الدالة بإنشاء خريطة مناطق إدارة عن طريق تصنيف طبقة رستر مستمرة إلى مناطق منفصلة استنادًا إلى فواصل القيم التي يحددها المستخدم.

كل فاصل يحدد منطقة، ويُعيّن كل بكسل إلى المنطقة التي يقع نطاق قيمته ضمنها. تُعلَم البكسلات التي لا تطابق أي فاصل بالقيمة -1.

يُستخدم هذا الأسلوب عادةً لتحويل خرائط الغلة أو خصائص التربة أو مؤشرات الاستشعار عن بعد إلى مناطق إدارة قابلة للتطبيق في تطبيقات المعدل المتغير.

حالات استخدام نموذجية

• إنشاء مناطق إدارة من خرائط الغلة أو NDVI أو طبقات التربة

• تحضير خرائط المناطق لحسابات معدلات المغذيات أو البذر

• تقسيم الحقول إلى مناطق متجانسة لاتخاذ القرار

calculate_nutrient_rate_as_active_ingredients_per_zone

# خيارات target_nutrient
target_nutrient_option1 = 50 # رقم ثابت
# أو
target_nutrient_option2 = {1: 20, 2: 40} # قاموس لكل منطقة
# أو
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # طبقة رستر مستمرة

# خيارات applied_nutrient_operations
applied_operations = [
    5,                                      # العملية1 كعدد ثابت
    {1: 2, 2: 4},                           # العملية2 كقاموس لكل منطقة
    np.array([[1, 1], [2, 3]], dtype=float) # العملية3 كطبقة رستر مستمرة
]

# الاستخدام
rates_as_active_ingredients = geopard.calculate_nutrient_rate_as_active_ingredients_per_zone(
    zone_map, 
    target_nutrient, 
    plant_available_soil_nutrient, 
    applied_nutrient_operations = applied_operations # أو []
)

تحسب هذه الدالة معدل تطبيق المغذي المطلوب (المادة الفعالة) لكل منطقة إدارة.

يستند الحساب إلى:

• مستوى مغذي مستهدف،

• إمداد المغذي المتاح للنبات من التربة،

• المغذيات المطبقة بالفعل من عمليات سابقة (سماد، أسمدة، مخلفات معالجة، إلخ).

يمكن تقديم عمليات تغذية التطبيقات كمقادير ثابتة، أو قيم لكل منطقة، أو طبقات رستر، أو أي مزيج منها. يتم حل جميع المدخلات تلقائيًا وتجميعها لكل منطقة.

بشكل افتراضي، يُحتسب المعدل المطلوب على أنه الفرق بين مستوى المغذي المستهدف ومجموع إمداد التربة والمغذيات المطبقة. تُعاد النتيجة كخريطة رستر حيث تحتوي كل منطقة على معدل مغذي موحّد.

convert_active_ingredient_and_product

# معامل التحويل من المادة الفعالة إلى المنتج والعكس
corrected_coefficient = 1.5  # معامل ثابت
# أو
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # معاملات لكل بكسل

# الاستخدام
rates_as_products = geopard.convert_active_ingredient_and_product(
    layer, 
    corrected_coefficient
)

تقوم هذه الدالة بتحويل طبقة رستر بين معدلات المادة الفعالة ومعدلات المنتج باستخدام معامل تصحيح.

يمكن أن يكون corrected_coefficient قيمة مفردة float (تُطبق على جميع البكسلات) أو مصفوفة معاملات (تحويل لكل بكسل). يُستخدم عادةً لترجمة متطلبات المغذيات المحسوبة (المادة الفعالة) إلى معدلات تطبيق المنتج الفعلية، أو العكس، استنادًا إلى تركيب الأسمدة أو تركيز المغذي. يُطبَّق التحويل على مستوى البكسل، محافظًا على البنية المكانية للطبقة الأصلية.

تحويل معدلات المغذيات إلى معدلات منتج الأسمدة

حالات استخدام نموذجية

• تعديل خرائط التطبيق بناءً على تركيز المغذي

• تحضير خرائط الوصفات النهائية للآلات

• estimate_texture_class_based_on_usda

usda_texture = geopard.estimate_texture_class_based_on_usda(

sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
    تقوم هذه الدالة بتقدير نسيج التربة حسب USDA لكل بكسل باستخدام نسب الرمل والطين والطمي.
)

قدّم ثلاث طبقات رستر بالنسب المئوية (0-100) تمثل كسور أحجام الحبيبات. الناتج يكون

أسماء فئات USDA مثل sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, أو undefined عندما تكون المدخلات غير صالحة. estimate_texture_class_based_on_fao_wrb

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(

تقوم هذه الدالة بتقدير فئة نسيج التربة وفق FAO/WRB (ISO 11277) لكل بكسل استنادًا إلى نسب الرمل والطمي والطين.
    silt_pct_layer,
    clay_pct_layer
    تقوم هذه الدالة بتقدير نسيج التربة حسب USDA لكل بكسل باستخدام نسب الرمل والطين والطمي.
)

أكواد فئات FAO/WRB مثل

أسماء فئات USDA مثل S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, أو undefined عندما تكون المدخلات غير صالحة calculate_soil_bulk_density.

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

تقوم هذه الدالة بحساب

الكثافة الظاهرية للتربة (جم/سم³) استنادًا إلى فئة النسيج والمادة العضوية للتربة الاختيارية (SOM) texture_class_layer.

يمكن أن يكون يجب أن تحتوي على أسماء الفئات أو الأكواد الناتجة عن دالة نسيج USDA أو دالة نسيج FAO/WRB المذكورتين أعلاه. som_pct_layer

إذا إذا تم تقديمها (بالنسبة المئوية)، تقوم الدالة بتعديل الكثافة الظاهرية باستخدام SOM. وإلا، فتعيد قيم الكثافة الظاهرية للتربة (جم/سم³) المرتبطة بفئات النسيج وفق جدول بحث USDA أو FAO/WRB. تمت