> 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/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.md).

# كتالوج الدوال المخصصة

تُغلّف هذه الدوال شيفرة Python معقدة، مما يتيح لك تنفيذ عمليات وتحويرات بيانات متقدمة بسهولة.

توفّر GeoPard كتالوجًا شاملًا من الدوال المخصّصة المصممة لتحسين سهولة قراءة التحليلات القائمة على المعادلات ووظائفها. وتضمّن هذه الدوال شيفرة `python` معقدة، ما يتيح لك تنفيذ عمليات متقدمة على البيانات وإجراء الحسابات بسهولة.

### إدخال معادلة

<figure><img src="https://docs.geopard.tech/~gitbook/image?url=https%3A%2F%2F3272281156-files.gitbook.io%2F%7E%2Ffiles%2Fv0%2Fb%2Fgitbook-x-prod.appspot.com%2Fo%2Fspaces%252FYICBELdyAXXebKAzfLOR%252Fuploads%252FdHTdBE1CN2gSJbE7Bfo0%252Fimage.png%3Falt%3Dmedia%26token%3Dd8e3544f-feca-43a6-b6a1-f1305068de88&#x26;width=768&#x26;dpr=4&#x26;quality=100&#x26;sign=508ec9e0&#x26;sv=2" alt=""><figcaption><p>أدخِل معادلة</p></figcaption></figure>

تتضمن الحزمة `geopard` قائمة الدوال الجاهزة المتاحة لإنشاء معادلات أكثر وضوحًا وأسهل في الصيانة في GeoPard:

### fill\_gaps\_with\_k\_neighbors

```python
# input_data is a Dataset attribute layer (e.g., Yield, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

تستعيد هذه الدالة البيانات المفقودة أو الأصفار في مجموعة البيانات باستخدام خوارزمية أقرب الجيران K. ومن خلال تحديد المتغير `input_data` (بصفته مجموعة بيانات تتضمن السمة المحددة) وعدد الجيران `k`، يمكنك ملء القيم المفقودة بسلاسة، بما يضمن استمرارية البيانات وسلامتها.

تعمل هذه الدالة جيدًا عندما تتوزع فجوات البيانات في الحقل ولا تتركز في جزء معين من حدوده.

### determine\_data\_similarity

```python
similarity = geopard.determine_data_similarity(yield_2023, yield_2024)
```

استخدم هذه الدالة لحساب التشابه بين مجموعتي بيانات، بكسلًا بكسلًا. يجب أن يمثّل المتغيران `data_layer_1` و `data_layer_2` القياس **نفسه** بوحدات **متطابقة** لضمان إجراء مقارنة ذات معنى. ومن خلال توفير متغيرات `data_layer_1` و `data_layer_2` مرتبطة بمجموعات البيانات، يمكنك إنشاء خريطة للتشابه تتراوح قيمها من 0 إلى 1، ما 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 بين مجموعتي بيانات مطبّعتين، بكسلًا بكسلًا. يُوصى بالتطبيع عندما تكون للمصدرين الأصليين `data_layer_1` و `data_layer_2` مقاييس أو وحدات مختلفة. عند تمرير مجموعتي البيانات هاتين كمدخلات، تنشئ الدالة خريطة للتشابه تتراوح قيمها من 0 إلى 1، ما 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)
```

تقيّم هذه الدالة التشابه المنخفض والعالي بين مجموعتي بيانات. أدخِل المتغيرين `data_layer_1` و `data_layer_2` المرتبطين بمجموعتي البيانات لتحصل على خريطة تشابه مصنّفة توضّح تركيبات مثل منخفض-منخفض ومنخفض-مرتفع ومرتفع-منخفض ومرتفع-مرتفع، ما يفيد في تصنيف البيانات بدقة أكبر.

### 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 في مجموعة بيانات ضمن منطقة واحدة. حدّد `data_layer` (طبقة السمة)، `zones_layer` (خريطة المناطق)، و `zone_id` (رقم المنطقة) لعزل القيم وتحليلها، مثل المحصول أو معدل التطبيق 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 إحدى سمات مجموعة البيانات. من خلال تحديد `data_layer` و `value_to_drop`، يمكنك تنظيف مجموعة البيانات بإزالة تلك القيم من النتيجة، واستبدالها تقنيًا بـ `NaN`.

### normalize\_data

```python
ndvi_normalized = geopard.normalize_data(ndvi_layer)
```

استخدم هذه الدالة لتطبيع إحدى سمات مجموعة البيانات. بتمرير `data_layer`، يمكنك قياس البيانات إلى نطاق معياري من 0 إلى 1، مما يسهّل المقارنة والدمج بين مجموعات البيانات المختلفة.

### calculate\_total\_applied\_fertilizer

```python
applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # use 1.0 to keep units, or adjust for product concentration

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)
```

احسب إجمالي كمية السماد المطبقة بوحدات لكل وحدة مساحة (مثل kg/ha أو l/ha أو gal/ac وغيرها). قدّم `application_list` مجموعات البيانات التي تحتوي على سمات AppliedRate، وما يقابلها من `active_ingredient_coefficient_list` لمنتجات الأسمدة، للحصول على إجمالي كمية السماد المطبقة فعليًا بوحدات الكمية (مثل kg أو l أو gal وغيرها).

### calculate\_total\_applied\_nitrogen

```python
applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N fraction (active ingredient) in each product

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)
```

استخدم هذه الدالة لحساب إجمالي كمية النيتروجين المطبقة بوحدة kg/ha. قدّم `application_list` مجموعات البيانات التي تحتوي على سمات AppliedRate، وما يقابلها من `active_ingredient_coefficient_list` لمنتجات النيتروجين، لتحويل كمية النيتروجين الفعلية إلى kg/ha، وبذلك يمكنك حساب إجمالي النيتروجين المطبق بدقة، وهو أمر أساسي للتخطيط الزراعي وتقييم الاستدامة. تُستخدم النتيجة على النحو التالي: `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
)
```

احسب امتصاص النيتروجين بوحدة kg/ha باستخدام هذه الدالة. أدخل `yield_wet_tha`, `moisture_pct`, `protein_pct` من مجموعة بيانات المحصول، و `protein_crop_correction_coefficient` من خلال تمثيل البروتين الرابط بامتصاص النيتروجين، يمكنك تقييم كفاءة استخدام النيتروجين في إنتاج المحاصيل. ويُستخدم الناتج على هيئة `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. بإدخال [`N_total_applied`](#calculate_total_applied_nitrogen) و [`N_uptake`](#calculate_nitrogen_uptake) كمدخلين (من دوال سابقة)، يمكنك قياس فعالية إضافة النيتروجين، مما يساعد على تحسين استخدام الأسمدة.

### calculate\_costs

```python
rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # price per unit for each rate layer
costs = geopard.calculate_costs(rates, prices)
```

احسب إجمالي التكاليف استنادًا إلى معدلات التطبيق والأسعار باستخدام هذه الدالة. بتوفير `application_rate_list` من مجموعات البيانات التي تتضمن سمات AppliedRate، و `price_per_unit_list`المقابلة لها، يمكنك تجميع النفقات المرتبطة بمختلف الأنشطة الزراعية، بما يدعم إدارة الميزانية والتخطيط المالي. ويُستخدم الناتج على هيئة `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 المحصول باستخدام هذه الدالة. بإدخال `yield_as_mass` المرتبط بسمة مجموعة بيانات المحصول، و `yield_price_per_unit`يمكنك تقدير الدخل الناتج عن إنتاج المحاصيل، مما يسهّل التقييمات الاقتصادية. ويُستخدم الناتج على هيئة `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. بتوفير [`revenue`](#calculate_revenue) و [`costs`](#calculate_costs) كمدخلين (من دوال سابقة)، يمكنك بسهولة حساب العائد المالي من عملياتهم الزراعية، بما يدعم تحليل الربحية واتخاذ القرارات الاستراتيجية.

### fill\_value\_for\_range

```python
# الاحتفاظ بالقيم بين 10 و20 فقط، واستبدال باقي القيم بـ 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

تُرشّح هذه الدالة القيم الواقعة ضمن نطاق محدد في مصفوفة `input` . أدخل المصفوفة، مع إمكانية تحديد `input` المصفوفة، إلى جانب `min_value` اختياريًا، و `max_value` الحدود، يمكنك عزل القيم التي تقع ضمن النطاق المطلوب. يتيح `value_to_fill` المعامل استبدال القيم الخارجة عن 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. فهي تنشئ خريطة مكانية للفروق المطلقة. و«الفرق المطلق» هو ببساطة مقدار الفجوة بين قيم البكسلات المتناظرة، بصرف النظر عن كون إحداها أعلى أو أدنى من الأخرى.

تساعد هذه الدالة على تحديد المناطق التي تشهد تفاوتات أكبر.

### 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، معبّرةً عن الفرق كنسبة مئوية من قيمة `dataset_1`. وبشكل أساسي، توضح مقدار انحراف قيمة البكسل عن القيمة المناظرة في `dataset_1` من حيث النسبة.

تكتسب هذه الطريقة أهمية خاصة عند تحليل التباينات في خصائص التربة أو غلة المحاصيل أو بيانات الاستشعار عن بُعد، إذ تساعدك على رصد المناطق ذات الفروق النسبية الكبيرة بسرعة.

### calculate\_difference

```python
difference = geopard.calculate_difference(yield_2024, yield_2023)
```

تطرح هذه الدالة مجموعة بيانات من أخرى لإنشاء خريطة للفروق. وتُبرز المناطق التي تكون فيها القيم في إحدى مجموعتي البيانات أعلى أو أدنى مقارنةً بالأخرى، مما يسهل رصد الاتجاهات والتغيرات بمرور الوقت.

تُعد هذه الأداة مفيدة بشكل خاص لعرض التباينات في خصائص التربة أو غلة المحاصيل أو بيانات الاستشعار عن بُعد، وتساعدك على تحديد المناطق التي قد تحتاج إلى مزيد 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 توضح مدى أهمية التغير نسبةً إلى مقدار `dataset_2`.

تكون هذه المقارنة النسبية مفيدة بشكل خاص عند التعامل مع مجموعات بيانات ذات مقاييس مختلفة، إذ تساعد على إظهار التحولات النسبية في خصائص التربة أو غلة المحاصيل أو مخرجات المستشعرات. كما تساعد هذه الطريقة على تحديد المناطق التي تشهد تباينات ملحوظة.

### calculate\_normalized\_difference

```python
normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)
```

تحسب هذه الدالة الفرق المطبّع لكل بكسل عن طريق تحجيم مجموعتي البيانات استنادًا إلى القيمة القصوى العامة لهما. وتتيح هذه العملية مقارنة مجموعتي البيانات مباشرةً حتى لو كان نطاقاهما مختلفين في الأصل.

تقدم الخريطة الناتجة عرضًا واضحًا للتباينات في خصائص التربة وغلة المحاصيل وبيانات الاستشعار عن بُعد، مما يتيح لك تحديد الفروق الرئيسية وتقييمها بسرعة.

### build\_zones\_by\_intervals

```python
# فواصل تقسيم المناطق
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 متصلة إلى مناطق منفصلة استنادًا إلى فواصل القيم التي يحددها المستخدم.

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

يُستخدم هذا الأسلوب عادةً لتحويل خرائط الغلة أو خصائص التربة أو مؤشرات الاستشعار عن بُعد إلى مناطق إدارة قابلة للتطبيق في عمليات المعدلات المتغيرة.

**حالات الاستخدام الشائعة**

* إنشاء مناطق إدارة استنادًا إلى طبقات الغلة أو NDVI أو التربة
* إعداد خرائط المناطق لحساب معدلات المغذيات أو البذار
* تقسيم الحقول إلى مناطق متجانسة لدعم اتخاذ القرارات

### calculate\_nutrient\_rate\_as\_active\_ingredients\_per\_zone

```python
# خيارات target_nutrient
target_nutrient_option1 = 50 # عدد 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 متصلة

# خيارات applied_nutrient_operations
applied_operations = [
    5,                                      # العملية 1 كرقم ثابت
    {1: 2, 2: 4},                           # العملية 2 كقاموس لكل منطقة
    np.array([[1, 1], [2, 3]], dtype=float) # العملية 3 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 # or []
)
```

تحسب هذه الدالة معدل تطبيق المغذيات المطلوب (كمادة فعالة) لكل منطقة إدارية.

يعتمد الحساب على:

* مستوى المغذيات المستهدف،
* إمداد التربة بالمغذيات المتاحة للنبات،
* المغذيات التي سبق تطبيقها في عمليات سابقة (السماد العضوي، والأسمدة، والسماد المهضوم، وغيرها).

يمكن تقديم عمليات تطبيق المغذيات كقيم ثابتة، أو قيم خاصة بكل منطقة، أو طبقات راستر، أو أي مزيج منها. تُحوَّل جميع المدخلات تلقائيًا وتُجمَّع لكل منطقة.

افتراضيًا، يُحسب المعدل المطلوب بطرح مجموع إمداد التربة والمغذيات المطبقة من مستوى المغذيات المستهدف. وتُعاد النتيجة على هيئة خريطة راستر، بحيث تحتوي كل منطقة على معدل مغذيات موحّد.

### convert\_active\_ingredient\_and\_product

```python
# معامل التحويل بين المادة الفعالة والمنتج، 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
)
```

تحوّل هذه الدالة طبقة راستر بين **معدلات المادة الفعالة ومعدلات المنتج** باستخدام معامل تصحيح.

يمكن أن يكون `corrected_coefficient` قيمة مفردة من النوع **float** (تُطبَّق على جميع البكسلات) أو **مصفوفة معاملات** (تحويل لكل بكسل). يُستخدم عادةً لتحويل احتياجات المغذيات المحسوبة (كمادة فعالة) إلى معدلات تطبيق المنتج الفعلية، أو العكس، استنادًا إلى تركيبة 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 منتجات الأسمدة
* تعديل خرائط التطبيق استنادًا إلى تركيز المغذيات
* إعداد خرائط الوصفات النهائية للآلات الزراعية

### map\_value\_by\_zone

```python
# تعيين قيمة واحدة لجميع المناطق
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# أو: تعيين قيم مختلفة لكل منطقة
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# أو: تجميع راستر موجود حسب المنطقة
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

تحوّل هذه الدالة القيم المفردة، أو القواميس الخاصة بالمناطق، أو طبقات الراستر إلى راستر مقسّم حسب المناطق.

تأخذ كل بكسلة صالحة القيمة المعيّنة لمنطقتها. وعند إدخال راستر، تُجمَّع القيم داخل كل منطقة باستخدام `mean`, `median`, `min`، أو `max`، ما يؤدي فعليًا إلى إزالة التباين داخل المنطقة.

تُسند إلى القيم المفقودة في القاموس وبكسلات البيانات المفقودة القيمة المحددة `default` (القيمة الافتراضية هي NaN).

**حالات الاستخدام الشائعة**

* إنشاء أهداف إنتاجية مخططة على مستوى البكسل استنادًا إلى قيم خاصة بكل منطقة
* تحويل توصيات الأسمدة الخاصة بكل منطقة إلى بيانات نقطية لوصفات التسميد
* تسوية التباين في مغذيات التربة داخل مناطق الإدارة
* إعداد المعلمات على مستوى المنطقة لإجراء حسابات NumPy لكل بكسل

### calculate\_dose\_by\_nutrient\_balance

```python
# حساب جرعة السماد التجاري
ammophos_dose = geopard.calculate_dose_by_nutrient_balance(
    zone_map,
    planned_yield={1: 2.91, 2: 3.0, 3: 3.06},
    soil_nutrient=p2o5,
    removal_per_yield_unit=12.5,
    soil_use_coefficient=0.2,
    fertilizer_use_coefficient=0.4,
    correction_coefficient=1.5,
    product_nutrient_share=0.46,
    min_dose=50,
    max_dose=100
)
```

تحسب هذه الدالة معدلات التسميد لكل بكسل استنادًا إلى موازنة إزالة المحصول للمغذيات وإمداد التربة بها.

يراعي الحساب الإنتاجية المخططة، وإزالة المحصول للمغذيات، ومغذيات التربة المتاحة، ومعاملات استفادة التربة والسماد، وعوامل التصحيح. ويمكن اختياريًا تحويل كمية المادة الفعالة المطلوبة إلى معدلات استخدام منتج السماد التجاري باستخدام `product_nutrient_share`.

تدعم الدالة قيم الإنتاجية المخططة العددية، أو القيم في القاموس، أو البيانات النقطية. ويمكن استخدام قيم مغذيات التربة لكل بكسل أو تجميعها بحسب المنطقة. كما يمكن حصر المعدلات النهائية ضمن حدود دنيا وعليا للتطبيق وتقريبها إلى أعداد صحيحة.

**حالات الاستخدام الشائعة**

* إنشاء وصفات تسميد متغيرة المعدل لـ P₂O₅ وK₂O
* حساب تعويض المغذيات استنادًا إلى إنتاجية المحصول المخططة
* مراعاة إمداد التربة بالمغذيات وكفاءة استفادة النبات من السماد
* تحويل احتياجات المادة الفعالة إلى معدلات استخدام منتجات السماد التجاري
* إنشاء خرائط وصفات تسميد جاهزة للاستخدام مع الآلات الزراعية

### 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 قوام التربة وفق تصنيف وزارة الزراعة الأمريكية (USDA) لكل بكسل، باستخدام نسب الرمل والغرين والطين.

أدخل ثلاث طبقات بيانات نقطية بالنسب المئوية (0-100) تمثل أجزاء أحجام الحبيبات. ويكون الناتج <mark style="background-color:green;">أسماء فئات USDA، مثل</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay, or undefined</mark>* <mark style="background-color:green;">عندما تكون المدخلات غير صالحة.</mark>

### 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 قوام التربة وفق تصنيف الفاو/WRB (ISO 11277) لكل بكسل، استنادًا إلى نسب الرمل والغرين والطين.

أدخل ثلاث طبقات بيانات نقطية بالنسب المئوية (0-100) تمثل أجزاء أحجام الحبيبات. ويكون الناتج <mark style="background-color:green;">رموز فئات الفاو/WRB، مثل</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, or undefined</mark>* <mark style="background-color:green;">عندما تكون المدخلات غير صالحة</mark>.

### calculate\_soil\_bulk\_density

```python
bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)
```

تحسب هذه الدالة <mark style="background-color:green;">الكثافة الظاهرية للتربة (غ/سم³) استنادًا إلى فئة القوام ومحتوى المادة العضوية في التربة (SOM) الاختياري</mark>.

يجب أن تحتوي `texture_class_layer` على أسماء الفئات أو الرموز التي تنتجها [دالة نسيج التربة التابعة لوزارة الزراعة الأمريكية (USDA)](#estimate_texture_class_based_on_usda) أو [دالة نسيج التربة التابعة لمنظمة الأغذية والزراعة (FAO)/القاعدة المرجعية العالمية لموارد التربة (WRB)](#estimate_texture_class_based_on_fao_wrb) المذكورة أعلاه.

إذا `som_pct_layer` قُدّمت قيمةً مئوية، تعدّل الدالة الكثافة الظاهرية باستخدام المادة العضوية في التربة (SOM). وإلا، فستُرجع قيم الكثافة الظاهرية للتربة بوحدة g/cm³ المرتبطة بفئات نسيج التربة، وفقًا لجدول المطابقة الخاص بـ USDA أو FAO/WRB.


---

# 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/ar/jwlh-almntj-ttbyq-alwyb/equation-based-analytics/catalog-of-custom-functions.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.
