Katalog benutzerdefinierter Funktionen
Diese Funktionen kapseln komplexen Python-Code und ermöglichen es Ihnen, anspruchsvolle Datenmanipulationen und Berechnungen einfach umzusetzen.
GeoPard bietet einen umfassenden Katalog benutzerdefinierter Funktionen, die darauf ausgelegt sind, die Lesbarkeit und Funktionalität von auf Gleichungen basierenden Analysen zu verbessern. Diese Funktionen kapseln komplexe python Code und ermöglichen es Ihnen, anspruchsvolle Datenmanipulationen und Berechnungen mühelos umzusetzen.
Gleichung eingeben
Die Liste der verfügbaren vorgefertigten Funktionen zum Erstellen intuitiverer und wartbarer Gleichungen in GeoPard ist im geopard Paket enthalten:
fill_gaps_with_k_neighbors
Diese Funktion stellt Datenlücken oder Nullen in einem Datensatz mithilfe des K-Nearest-Neighbors-Algorithmus wieder her. Durch Angabe der input_data Variablen (als Dataset mit dem ausgewählten Attribut) und der Anzahl der Nachbarn k, können Sie fehlende Werte nahtlos auffüllen und so Datenkontinuität und -integrität sicherstellen.
Diese Funktion eignet sich gut, wenn Datenlücken über das Feld verteilt sind und keinem bestimmten Bereich der Feldgrenze zugeordnet sind.
determine_data_similarity
Verwenden Sie diese Funktion, um die Ähnlichkeit pro Pixel zwischen zwei Datensätzen zu berechnen. Die Variablen data_layer_1 und data_layer_2 sollten diesel be Messgröße in den gleichen Einheiten repräsentieren, um einen sinnvollen Vergleich sicherzustellen. Durch die Bereitstellung von Variablen data_layer_1 und data_layer_2 die mit Datensätzen verknüpft sind, können Sie eine Ähnlichkeitskarte mit Werten von 0 bis 1 erzeugen, was Vergleichsstudien und Mustererkennung erleichtert.
determine_data_similarity_from_normalized
Verwenden Sie diese Funktion, um die Ähnlichkeit pro Pixel zwischen zwei normalisierten Datensätzen zu berechnen. Eine Normalisierung wird empfohlen, wenn die ursprünglichen data_layer_1 und data_layer_2 unterschiedliche Skalen oder Einheiten aufweisen. Durch die Bereitstellung dieser Datensätze als Eingabe erzeugt die Funktion eine Ähnlichkeitskarte mit Werten von 0 bis 1, wodurch sie sich für Vergleichsstudien, Mustererkennung und Analysen räumlicher Konsistenz eignet.
determine_low_high_similarity
Diese Funktion bewertet die Niedrig-Hoch-Ähnlichkeit zwischen zwei Datensätzen. Durch die Eingabe von Variablen data_layer_1 und data_layer_2 die mit Datensätzen verknüpft sind, erhalten Sie eine kategorisierte Ähnlichkeitskarte, die Kombinationen wie niedrig-niedrig, niedrig-hoch, hoch-niedrig und hoch-hoch anzeigt, was für eine differenzierte Datenklassifizierung nützlich ist.
get_value_for_zone
Verwenden Sie diese Funktion, um alle Werte eines Dataset-Attributs innerhalb einer einzelnen Zone zu extrahieren. Geben Sie data_layer (die Attributschicht), zones_layer (die Zonenkartierung) und zone_id (die Zonennummer) an, um Werte für Analysen wie Ertrag, Ausbringungsmenge oder Saatmenge innerhalb dieser Zone zu isolieren.
drop_value
Diese Funktion ermöglicht es Ihnen, bestimmte Werte aus einem Dataset-Attribut zu entfernen. Durch Angabe von data_layer und value_to_dropkönnen Sie den Datensatz bereinigen, indem Sie diese Werte aus dem Ergebnis entfernen und sie technisch durch NaN.
normalize_data
Normalisieren Sie mit dieser Funktion ein Dataset-Attribut. Indem Sie data_layerübergeben, können Sie die Daten auf einen standardisierten Bereich von 0 bis 1 skalieren, was den Vergleich und die Integration über verschiedene Datensätze hinweg erleichtert.
calculate_total_applied_fertilizer
Berechnen Sie den insgesamt ausgebrachten Dünger in Einheiten pro Fläche (zum Beispiel in kg/ha, l/ha, gal/ac usw.). Durch die Bereitstellung von application_list Datensätzen mit AppliedRate-Attributen und einer entsprechenden active_ingredient_coefficient_list mit Düngemitteln erhalten Sie den tatsächlich insgesamt ausgebrachten Dünger in Einheiten (zum Beispiel in kg, l, gal usw.).
calculate_total_applied_nitrogen
Berechnen Sie mit dieser Funktion den insgesamt ausgebrachten Stickstoff in kg/ha. Durch die Bereitstellung von application_list Datensätzen mit AppliedRate-Attributen und einer entsprechenden active_ingredient_coefficient_list mit Stickstoffprodukten, um den tatsächlichen Stickstoff in kg/ha umzurechnen, können Sie den insgesamt ausgebrachten Stickstoff präzise berechnen, was für die landwirtschaftliche Planung und Nachhaltigkeitsbewertungen wesentlich ist. Die Ausgabe wird verwendet als N_total_applied ingeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
Bestimmen Sie mit dieser Funktion die Stickstoffaufnahme in kg/ha. Durch Angabe von yield_wet_tha, moisture_pct, protein_pct aus dem Ertrags-Datensatz und protein_crop_correction_coefficient das den Zusammenhang zwischen Protein und Stickstoffaufnahme repräsentiert, können Sie die Stickstoffnutzungseffizienz in der Pflanzenproduktion bewerten. Die Ausgabe wird verwendet als N_uptake ingeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
Bewerten Sie die Stickstoffnutzungseffizienz als Prozentsatz mit dieser Funktion. Durch Eingabe von N_total_applied und N_uptake Variablen (aus vorherigen Funktionen) können Sie die Wirksamkeit der Stickstoffausbringung messen und so die Optimierung des Düngemitteleinsatzes unterstützen.
calculate_costs
Berechnen Sie die Gesamtkosten auf Grundlage von Ausbringungsraten und Preisen mit dieser Funktion. Durch die Bereitstellung einer application_rate_list von Datensätzen mit AppliedRate-Attributen und einer entsprechenden price_per_unit_list, können Sie Ausgaben aus verschiedenen landwirtschaftlichen Tätigkeiten zusammenführen und so Budgetverwaltung und Finanzplanung unterstützen. Die Ausgabe wird verwendet als costs ingeopard.calculate_profit.
calculate_revenue
Berechnen Sie den Umsatz aus dem Ertrags-Datensatz mit dieser Funktion. Durch die Eingabe von yield_as_mass das mit dem Ertrags-Datensatz-Attribut verknüpft ist, und der yield_price_per_unit, können Sie die durch die Pflanzenproduktion erzielten Einnahmen schätzen und so wirtschaftliche Bewertungen erleichtern. Die Ausgabe wird verwendet als costs ingeopard.calculate_profit .
calculate_profit
Bestimmen Sie den Gewinn, indem Sie mit dieser Funktion die Kosten vom Umsatz abziehen. Durch die Bereitstellung der revenue und costs Variablen (aus vorherigen Funktionen) können Sie den finanziellen Ertrag ihrer landwirtschaftlichen Aktivitäten leicht berechnen und so die Rentabilitätsanalyse und strategische Entscheidungsfindung unterstützen.
fill_value_for_range
Diese Funktion filtert Werte innerhalb eines angegebenen Bereichs im input Array. Durch die Bereitstellung des input Arrays sowie optionaler min_value und optionaler max_value Schwellenwerte können Sie Werte isolieren, die in den gewünschten Bereich fallen. Der value_to_fill Parameter ermöglicht das Ersetzen von Werten außerhalb des Bereichs durch einen angegebenen Wert und verbessert so Datenfilterungs- und Normalisierungsprozesse.
calculate_per_pixel_mae
Verwenden Sie diese Funktion, um den Mean Absolute Error (MAE) pro Pixel zwischen zwei Datensätzen zu berechnen. Sie liefert eine räumliche Karte der absoluten Unterschiede. Der "absolute Unterschied" ist einfach die Größe der Differenz zwischen entsprechenden Pixelwerten, ohne zu berücksichtigen, ob einer höher oder niedriger ist.
Die Funktion hilft dabei, Bereiche mit größeren Abweichungen zu identifizieren.
calculate_per_pixel_relative_deviation
Diese Funktion berechnet die relative Abweichung für jedes Pixel zwischen zwei Datensätzen und drückt die Differenz als Prozentsatz des Werts in dataset_1aus. Im Wesentlichen zeigt sie, um wie viel der Wert eines Pixels vom entsprechenden Wert in dataset_1 in proportionalen Begriffen abweicht.
Dieser Ansatz ist besonders wertvoll bei der Analyse von Variationen in Bodeneigenschaften, Ertrag oder Fernerkundungsdaten, da er Ihnen hilft, Bereiche mit erheblichen proportionalen Unterschieden schnell zu erkennen.
calculate_difference
Diese Funktion subtrahiert einen Datensatz von einem anderen, um eine Differenzkarte zu erstellen. Sie hebt Bereiche hervor, in denen die Werte in einem Datensatz im Vergleich zum anderen höher oder niedriger sind, und erleichtert so das Erkennen von Trends und Veränderungen im Zeitverlauf.
Dieses Werkzeug ist besonders nützlich, um Variationen in Bodeneigenschaften, Ertrag oder Fernerkundungsdaten zu visualisieren, und hilft Ihnen, Bereiche schnell zu identifizieren, die weitere Analyse oder Intervention erfordern könnten.
calculate_relative_difference
Diese Funktion berechnet die relative Differenz für jedes Pixel, indem sie die Differenz zwischen den Datensätzen mithilfe der Werte aus dataset_2normalisiert. Das bedeutet, dass sie zeigt, wie bedeutend die Änderung im Verhältnis zur Größe von dataset_2.
Ein solcher proportionaler Vergleich ist besonders nützlich bei der Arbeit mit Datensätzen unterschiedlicher Skalen, da er hilft, relative Verschiebungen in Bodeneigenschaften, Erträgen oder Sensorausgaben sichtbar zu machen. Dieser Ansatz hilft, Bereiche mit bemerkenswerter Variation zu lokalisieren.
calculate_normalized_difference
Diese Funktion berechnet die normalisierte Differenz für jedes Pixel, indem beide Datensätze an ihrem globalen Maximalwert skaliert werden. Dieser Prozess macht die Datensätze direkt vergleichbar, selbst wenn sie ursprünglich unterschiedliche Wertebereiche haben.
Die resultierende Karte bietet eine klare Sicht auf Variationen in Bodeneigenschaften, Ertrag und Fernerkundungsdaten und ermöglicht es Ihnen, wichtige Unterschiede schnell zu identifizieren und zu bewerten.
build_zones_by_intervals
Diese Funktion erstellt eine Managementzonenkarte, indem sie eine kontinuierliche Rasterebene anhand benutzerdefinierter Werteintervalle in diskrete Zonen klassifiziert.
Jedes Intervall definiert eine Zone, und jedem Pixel wird die Zone zugewiesen, in deren Wertebereich es fällt. Pixel, die keinem Intervall entsprechen, werden als -1 markiert.
Dieser Zonierungsansatz wird häufig verwendet, um Ertragskarten, Bodeneigenschaften oder Fernerkundungsindizes in umsetzbare Managementzonen für teilflächenspezifische Applikationen zu überführen.
Typische Anwendungsfälle
Erstellung von Managementzonen aus Ertrags-, NDVI- oder Bodenschichten
Vorbereitung von Zonenkarten für Nährstoff- oder Aussaatmengenberechnungen
Segmentierung von Feldern in homogene Zonen für Entscheidungsfindungen
calculate_nutrient_rate_as_active_ingredients_per_zone
Diese Funktion berechnet die erforderliche Nährstoffausbringungsmenge (Wirkstoff) für jede Managementzone.
Die Berechnung basiert auf:
einem Ziel-Nährstoffniveau,
der pflanzenverfügbaren Nährstoffversorgung aus dem Boden,
bereits ausgebrachten Nährstoffen aus vorherigen Maßnahmen (Mist, Dünger, Gärrest usw.).
Angewendete Nährstoffmaßnahmen können als Konstanten, zonenweise Werte, Rasterebenen oder eine Kombination daraus angegeben werden. Alle Eingaben werden automatisch aufgelöst und zonenweise aggregiert.
Standardmäßig wird die erforderliche Menge als Differenz zwischen dem Ziel-Nährstoffniveau und der Summe aus Bodenversorgung und ausgebrachten Nährstoffen berechnet. Das Ergebnis wird als Rasterkarte zurückgegeben, in der jede Zone eine einheitliche Nährstoffmenge enthält.
convert_active_ingredient_and_product
Diese Funktion konvertiert eine Rasterebene zwischen Wirkstoffraten und Produktmengen unter Verwendung eines Korrekturkoeffizienten.
Der corrected_coefficient kann ein einzelner float (auf alle Pixel angewendet) oder eine Koeffizienten- Matrix (Pixel-für-Pixel-Umrechnung). Sie wird typischerweise verwendet, um berechnete Nährstoffbedarfe (Wirkstoff) in tatsächliche Produkt-Applikationsmengen umzuwandeln oder umgekehrt, basierend auf Düngerzusammensetzung oder Nährstoffkonzentration.
Die Umrechnung wird pixelweise angewendet und bewahrt die räumliche Struktur der ursprünglichen Ebene.
Typische Anwendungsfälle
Umwandlung von Nährstoffraten in Düngemittel-Produktmengen
Anpassung von Applikationskarten basierend auf der Nährstoffkonzentration
Vorbereitung finaler Applikationskarten für Maschinen
estimate_texture_class_based_on_usda
Diese Funktion schätzt für jedes Pixel die USDA-Bodenart anhand der Anteile von Sand, Schluff und Ton.
Stellen Sie drei Rasterebenen in Prozent (0–100) bereit, die die Korngrößenfraktionen darstellen. Die Ausgabe sind USDA-Klassennamen wie sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay oder undefined wenn die Eingaben ungültig sind.
estimate_texture_class_based_on_fao_wrb
Diese Funktion schätzt die FAO/WRB-Bodenartklasse (ISO 11277) für jedes Pixel basierend auf den Anteilen von Sand, Schluff und Ton.
Stellen Sie drei Rasterebenen in Prozent (0–100) bereit, die die Korngrößenfraktionen darstellen. Die Ausgabe sind FAO/WRB-Klassencodes wie S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC oder undefined wenn die Eingaben ungültig sind.
calculate_soil_bulk_density
Diese Funktion berechnet die Bodenlagerungsdichte (g/cm³) basierend auf der Bodenartklasse und optional dem Gehalt an organischer Bodensubstanz (SOM).
Der texture_class_layer sollte Klassennamen oder -codes enthalten, die von der USDA-Texturfunktion oder der FAO/WRB-Texturfunktion oben erwähnt wurden.
Wenn som_pct_layer als Prozentwert angegeben wird, passt die Funktion die Lagerungsdichte mithilfe von SOM an. Andernfalls gibt sie Werte der Bodenlagerungsdichte in g/cm³ zurück, die den Bodenartklassen gemäß der USDA- oder FAO/WRB-Lookup-Tabelle zugeordnet sind.
Zuletzt aktualisiert
War das hilfreich?