# فهرس الدوال المخصصة تقدّم GeoPard فهرسًا شاملًا من الدوال المخصّصة المصممة لتحسين قابلية قراءة ووظائف التحليلات القائمة على المعادلات. تُجسّد هذه الدوال العمليات المعقدة `بايثون` من الكود، مما يتيح لك تنفيذ عمليات معالجة البيانات والحسابات المتقدمة بسهولة. ### إدخال المعادلة

أدخل معادلة

تتضمن القائمة المتاحة من الدوال الجاهزة لإنشاء معادلات أكثر وضوحًا وسهولةً في الصيانة داخل GeoPard في `geopard` الحزمة: ### fill\_gaps\_with\_k\_neighbors ```python # input_data هو طبقة سمة لمجموعة البيانات (مثل: الغلة، NDVI) filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5) ``` تُعيد هذه الدالة ملء الفجوات أو الأصفار في مجموعة البيانات باستخدام خوارزمية K-Neighbors. ومن خلال تحديد المتغير `input_data` (كـ Dataset مع السمة المحددة) وعدد الجيران `k`، يمكنك ملء القيم المفقودة بسلاسة، مما يضمن استمرارية البيانات وسلامتها. تعمل هذه الدالة بشكل جيد عندما تكون الفجوات في البيانات موزعة عبر الحقل وليست متركزة في أي جزء محدد من حدود الحقل. ### determine\_data\_similarity ```python similarity = geopard.determine_data_similarity(yield_2023, yield_2024) ``` استخدم هذه الدالة لحساب التشابه لكل بكسل بين مجموعتي بيانات. يجب أن تمثل المتغيرات `data_layer_1` و `data_layer_2` نفس القياس **وبالوحدات نفسها** في **الوحدات نفسها** لضمان مقارنة ذات معنى. ومن خلال توفير المتغيرات `data_layer_1` و `data_layer_2` المرتبطة بمجموعات البيانات، يمكنك إنشاء خريطة تشابه بقيم تتراوح من 0 إلى 1، مما يسهّل الدراسات المقارنة والتعرّف على الأنماط. ### determine\_data\_similarity\_from\_normalized ```python 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 مُطبّعتين. يُنصح بالتطبيع عندما تكون القيم الأصلية `data_layer_1` و `data_layer_2` تختلف في المقاييس أو الوحدات. ومن خلال إدخال هذه المجموعات من البيانات، تُنشئ الدالة خريطة تشابه بقيم تتراوح من 0 إلى 1، مما يجعلها مناسبة للدراسات المقارنة، والتعرّف على الأنماط، وتحليل الاتساق المكاني. ### determine\_low\_high\_similarity ```python zones = geopard.determine_low_high_similarity(soil_ph, yield_layer) ``` تُقيّم هذه الدالة التشابه منخفض-مرتفع بين مجموعتي بيانات. ومن خلال إدخال المتغيرات `data_layer_1` و `data_layer_2` المرتبطة بمجموعات البيانات، تحصل على خريطة تشابه مُصنّفة تُظهر تراكيب مثل منخفض-منخفض، منخفض-مرتفع، مرتفع-منخفض، ومرتفع-مرتفع، وهو أمر مفيد للتصنيف الدقيق للبيانات. ### get\_value\_for\_zone ```python 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 لأغراض التحليل، مثل الغلة أو معدل الإضافة أو معدل البذر داخل تلك المنطقة. ### drop\_value ```python clean_layer = geopard.drop_value(elevation_layer, value_to_drop=0) ``` تتيح لك هذه الدالة إزالة قيم محددة من سمة مجموعة البيانات. ومن خلال تحديد `data_layer` و `value_to_drop`، يمكنك تنظيف مجموعة البيانات عبر حذف تلك القيم من الناتج، أي استبدالها تقنيًا بـ `NaN`. ### normalize\_data ```python ndvi_normalized = geopard.normalize_data(ndvi_layer) ``` قم بتطبيع سمة مجموعة بيانات باستخدام هذه الدالة. ومن خلال تمرير `data_layer`، يمكنك تحجيم البيانات إلى نطاق معياري من 0 إلى 1، مما يسهل المقارنة والتكامل بين مجموعات بيانات مختلفة. ### calculate\_total\_applied\_fertilizer ```python applications = [urea_rate, map_rate] coefficients = [1.0, 1.0] # استخدم 1.0 للإبقاء على الوحدات، أو عدّل حسب تركيز المنتج total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients) ``` احسب إجمالي السماد المضاف بوحدات لكل وحدة مساحة (على سبيل المثال، كغ/هكتار، ل/هكتار، غال/فدان، إلخ). ومن خلال توفير `application_list` من مجموعات بيانات تحتوي على سمات AppliedRate وبالمقابل `active_ingredient_coefficient_list` المرتبطة بمنتجات السماد للحصول على إجمالي السماد المضاف الفعلي بالوحدات (على سبيل المثال، كغ، ل، غال، إلخ). ### calculate\_total\_applied\_nitrogen ```python applications = [urea_rate, uan_rate] nitrogen_coefficients = [0.46, 0.32] # كسر N (المادة الفعالة) في كل منتج N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients) ``` احسب إجمالي النيتروجين المضاف بوحدة كغ/هكتار باستخدام هذه الدالة. ومن خلال توفير `application_list` من مجموعات بيانات تحتوي على سمات AppliedRate وبالمقابل `active_ingredient_coefficient_list` مع منتجات النيتروجين لتحويل النيتروجين الفعلي إلى كغ/هكتار، يمكنك حساب إجمالي النيتروجين المضاف بدقة، وهو أمر أساسي للتخطيط الزراعي وتقييمات الاستدامة. ويُستخدم الناتج كـ `N_total_applied` في[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency). ### calculate\_nitrogen\_uptake ```python 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 ) ``` حدّد امتصاص النيتروجين بوحدة كغ/هكتار باستخدام هذه الدالة. ومن خلال تزويد `yield_wet_tha`, `moisture_pct`, `protein_pct` من مجموعة بيانات الغلة و `protein_crop_correction_coefficient` الذي يمثّل ارتباط البروتين بامتصاص النيتروجين، يمكنك تقييم كفاءة استخدام النيتروجين في إنتاج المحاصيل. ويُستخدم الناتج كـ `N_uptake` في[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency) . ### calculate\_nitrogen\_use\_efficiency ```python NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake) ``` قيّم كفاءة استخدام النيتروجين كنسبة مئوية باستخدام هذه الدالة. ومن خلال إدخال [`N_total_applied`](#calculate_total_applied_nitrogen) و [`N_uptake`](#calculate_nitrogen_uptake) المتغيرات (من الدوال السابقة)، يمكنك قياس فعالية إضافة النيتروجين، مما يساعد في تحسين استخدام السماد. ### calculate\_costs ```python 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 الإضافة والأسعار باستخدام هذه الدالة. ومن خلال توفير `application_rate_list` من مجموعات بيانات تحتوي على السمات AppliedRate وبالمقابل `price_per_unit_list`، يمكنك تجميع النفقات المرتبطة بالأنشطة الزراعية المختلفة، بما يدعم إدارة الميزانية والتخطيط المالي. ويُستخدم الناتج كـ `costs` في[`geopard.calculate_profit`](#calculate_profit). ### calculate\_revenue ```python revenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25) ``` احسب الإيرادات من مجموعة بيانات الغلة باستخدام هذه الدالة. ومن خلال إدخال `yield_as_mass` المرتبط بسمة مجموعة بيانات الغلة و `yield_price_per_unit`، يمكنك تقدير الدخل الناتج من إنتاج المحاصيل، مما يسهّل التقييمات الاقتصادية. ويُستخدم الناتج كـ `costs` في[`geopard.calculate_profit`](#calculate_profit) . ### calculate\_profit ```python profit = geopard.calculate_profit(revenue, costs) ``` حدّد الربح بطرح التكاليف من الإيرادات باستخدام هذه الدالة. ومن خلال توفير [`revenue`](#calculate_revenue) و [`costs`](#calculate_costs) المتغيرات (من الدوال السابقة)، يمكنك بسهولة حساب المكسب المالي من العمليات الزراعية، مما يدعم تحليل الربحية واتخاذ القرار الاستراتيجي. ### fill\_value\_for\_range ```python # احتفظ فقط بالقيم بين 10 و20، واستبدل الباقي بـ 0 filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0) ``` تقوم هذه الدالة بتصفية القيم ضمن نطاق محدد في `الإدخال` المصفوفة. ومن خلال توفير `الإدخال` المصفوفة، إلى جانب `min_value` الاختياري و `max_value` الاختياري، يمكنك عزل القيم التي تقع ضمن النطاق المطلوب. وتتيح المعلمة `value_to_fill` استبدال القيم خارج النطاق بقيمة محددة، مما يعزز عمليات تصفية البيانات وتطبيعها. ### calculate\_per\_pixel\_mae ```python mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield) ``` استخدم هذه الدالة لحساب متوسط الخطأ المطلق (MAE) لكل بكسل بين مجموعتي بيانات. وهي توفّر خريطة مكانية للفروق المطلقة. و"الفرق المطلق" هو ببساطة حجم الفجوة بين قيم البكسلات المناظرة، بغض النظر عمّا إذا كانت إحدى القيم أعلى أو أقل. تساعد الدالة على تحديد المناطق ذات الفروقات الأكبر. ### calculate\_per\_pixel\_relative\_deviation ```python relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield) ``` تحسب هذه الدالة الانحراف النسبي لكل بكسل بين مجموعتي بيانات، مع التعبير عن الفرق كنسبة مئوية من القيمة في `dataset_1`. وببساطة، تُظهر مقدار انحراف قيمة أحد البكسلات عن القيمة المناظرة في `dataset_1` بالمعنى النسبي. يُعد هذا النهج ذا قيمة خاصة عند تحليل التباينات في خصائص التربة أو غلة المحاصيل أو بيانات الاستشعار عن بُعد، لأنه يساعدك على رصد المناطق ذات الفروقات النسبية الكبيرة بسرعة. ### calculate\_difference ```python difference = geopard.calculate_difference(yield_2024, yield_2023) ``` تطرح هذه الدالة مجموعة بيانات من أخرى لإنشاء خريطة فروق. وهي تبرز المناطق التي تكون فيها القيم في إحدى مجموعتي البيانات أعلى أو أقل مقارنة بالأخرى، مما يسهل رصد الاتجاهات والتغيرات بمرور الوقت. تُعد هذه الأداة مفيدة بشكل خاص لتصور التباينات في خصائص التربة أو غلة المحاصيل أو بيانات الاستشعار عن بُعد، مما يساعدك على تحديد المناطق التي قد تتطلب مزيدًا من التحليل أو التدخل بسرعة. ### calculate\_relative\_difference ```python relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023) ``` تحسب هذه الدالة الفرق النسبي لكل بكسل من خلال تطبيع الفرق بين مجموعتي البيانات باستخدام القيم من `dataset_2`. وهذا يعني أنها تُظهر مدى أهمية التغير بالنسبة إلى مقدار `dataset_2`. تُعد هذه المقارنة النسبية مفيدة بشكل خاص عند العمل مع مجموعات بيانات ذات مقاييس مختلفة، إذ تساعد على كشف التحولات النسبية في خصائص التربة أو غلال المحاصيل أو مخرجات الحساسات. ويساعد هذا النهج على تحديد المناطق ذات التباين الملحوظ. ### calculate\_normalized\_difference ```python normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2) ``` تحسب هذه الدالة الفرق المُطبّع لكل بكسل من خلال تحجيم مجموعتي البيانات مقارنةً بأكبر قيمة عالمية فيهما. تجعل هذه العملية مجموعات البيانات قابلة للمقارنة مباشرة حتى إذا كانت تمتلك نطاقات مختلفة أصلًا. توفر الخريطة الناتجة رؤية واضحة للتباينات في خصائص التربة وغلة المحاصيل وبيانات الاستشعار عن بُعد، مما يتيح لك تحديد الفروق الرئيسية وتقييمها بسرعة. ### build\_zones\_by\_intervals ```python # فواصل للتقسيم إلى مناطق intervals = [ (4, 8), (8, 12), (12, 16) ] # الاستخدام zones = geopard.build_zones_by_intervals( layer, intervals ) ``` تنشئ هذه الدالة خريطة لمناطق الإدارة من خلال تصنيف طبقة راستر مستمرة إلى مناطق منفصلة بناءً على فواصل القيم التي يحددها المستخدم. يعرّف كل فاصل منطقة، ويُسند كل بكسل إلى المنطقة التي يقع ضمن نطاق قيمتها. وتُعلَّم البكسلات التي لا تطابق أي فاصل بالقيمة -1. يُستخدم هذا النهج في التقسيم إلى مناطق عادةً لتحويل خرائط الغلة أو خصائص التربة أو مؤشرات الاستشعار عن بُعد إلى مناطق إدارة قابلة للتنفيذ للتطبيقات بمعدل متغير. **حالات الاستخدام الشائعة** * إنشاء مناطق إدارة من طبقات الغلة أو NDVI أو التربة * إعداد خرائط المناطق لحساب معدلات المغذيات أو البذر * تقسيم الحقول إلى مناطق متجانسة لدعم اتخاذ القرار ### calculate\_nutrient\_rate\_as\_active\_ingredients\_per\_zone ```python # 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 راستر مستمرة # خيارات applied_nutrient_operations applied_operations = [ 5, # العملية1 كرقم ثابت {1: 2, 2: 4}, # العملية2 كقاموس لكل منطقة np.array([[1, 1], [2, 3]], dtype=float) # العملية3 كطبقة راستر 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 إضافة المغذيات المطلوب (المادة الفعالة) لكل منطقة إدارة. ويعتمد الحساب على: * مستوى مغذٍ مستهدف، * إمداد المغذيات المتاحة للنبات من التربة، * والمغذيات المضافة بالفعل عبر العمليات السابقة (سماد عضوي، أسمدة، digestate، إلخ). يمكن توفير عمليات المغذيات المضافة كثوابت، أو قيم لكل منطقة، أو طبقات راستر، أو أي مزيج من هذه الخيارات. ويتم حل جميع المدخلات وتجميعها تلقائيًا لكل منطقة. افتراضيًا، يُحسب المعدل المطلوب على أنه الفرق بين المستوى المستهدف للمغذيات ومجموع إمداد التربة والمغذيات المضافة. وتُعاد النتيجة كخريطة راستر تحتوي كل منطقة فيها على معدل مغذيات موحّد. ### convert\_active\_ingredient\_and\_product ```python # 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 راستر بين **معدلات المادة الفعالة ومعدلات المنتج** باستخدام معامل تصحيح. يمكن أن يكون `corrected_coefficient` على شكل **float** واحد (يُطبّق على جميع البكسلات) أو معامل **matrix** (تحويل لكل بكسل). وتُستخدم عادةً لترجمة الاحتياجات الغذائية المحسوبة (المادة الفعالة) إلى معدلات التطبيق الفعلية للمنتج، أو العكس، بناءً على تركيب السماد أو تركيز المغذيات. يُطبَّق التحويل على مستوى كل بكسل، مع الحفاظ على البنية المكانية للطبقة الأصلية. **حالات الاستخدام الشائعة** * تحويل معدلات المغذيات إلى معدلات منتج السماد * تعديل خرائط الإضافة بناءً على تركيز المغذيات * إعداد خرائط الوصفة النهائية للآلات ### estimate\_texture\_class\_based\_on\_usda ```python usda_texture = geopard.estimate_texture_class_based_on_usda( sand_pct_layer, silt_pct_layer, clay_pct_layer ) ``` تقدّر هذه الدالة نسيج التربة حسب USDA لكل بكسل باستخدام نسب الرمل والطمي والطين. قدّم ثلاث طبقات راستر بالنِّسب المئوية (0-100) تمثل كسور حجم الحبيبات. والناتج هو أسماء فئات USDA مثل *sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay, أو undefined* عند كون المدخلات غير صالحة. ### estimate\_texture\_class\_based\_on\_fao\_wrb ```python fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb( sand_pct_layer, silt_pct_layer, clay_pct_layer ) ``` تقدّر هذه الدالة فئة نسيج التربة وفق FAO/WRB (ISO 11277) لكل بكسل بناءً على نسب الرمل والطمي والطين. قدّم ثلاث طبقات راستر بالنِّسب المئوية (0-100) تمثل كسور حجم الحبيبات. والناتج هو رموز فئات FAO/WRB مثل *S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, أو undefined* عند كون المدخلات غير صالحة. ### calculate\_soil\_bulk\_density ```python bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer) ``` تحسب هذه الدالة الكثافة الظاهرية للتربة (غ/سم³) بناءً على فئة النسيج ومادة التربة العضوية الاختيارية (SOM). يمكن أن يكون `texture_class_layer` يجب أن تحتوي على أسماء الفئات أو الرموز الناتجة عن [دالة النسيج USDA](#estimate_texture_class_based_on_usda) أو [دالة النسيج FAO/WRB](#estimate_texture_class_based_on_fao_wrb) المذكورتين أعلاه. إذا تم توفير `som_pct_layer` كنسبة مئوية، فإن الدالة تعدّل الكثافة الظاهرية باستخدام SOM. وإلا، فإنها تُرجع قيم الكثافة الظاهرية للتربة بوحدة غ/سم³ المرتبطة بفئات النسيج وفقًا لمرجع USDA أو FAO/WRB. --- # 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/ar/jwlh-almntj-ttbyq-alwyb/thlylat-qaemh-ala-almaadlat/fhrs-aldwal-almkhssh.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.