> 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/esp/tour-del-producto-aplicacion-web/equation-based-analytics/catalog-of-custom-functions.md).

# Catálogo de funciones personalizadas

Estas funciones encapsulan código Python complejo, lo que te permite implementar fácilmente manipulaciones y cálculos de datos sofisticados.

GeoPard ofrece un catálogo completo de funciones personalizadas diseñadas para mejorar la legibilidad y la funcionalidad de los análisis basados en ecuaciones. Estas funciones encapsulan operaciones complejas de `python` y te permiten implementar fácilmente manipulaciones y cálculos avanzados de datos.

### Introducir ecuación

<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>Introduzca una ecuación</p></figcaption></figure>

La lista de funciones predefinidas disponibles para crear ecuaciones más intuitivas y fáciles de mantener en GeoPard se incluye en el paquete `geopard` :

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

```python
# input_data es una capa de atributos del conjunto de datos (p. ej., rendimiento, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Esta función restaura los datos faltantes o los ceros de un conjunto de datos mediante el algoritmo de K vecinos. Al especificar la variable `input_data` (como conjunto de datos con el atributo seleccionado) y el número de vecinos `k`, puedes rellenar fácilmente los valores que faltan y garantizar la continuidad e integridad de los datos.

Esta función es eficaz cuando los datos faltantes están distribuidos por el campo y no se concentran en una zona concreta de su perímetro.

### determine\_data\_similarity

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

Usa esta función para calcular la similitud por píxel entre dos conjuntos de datos. Las variables `data_layer_1` y `data_layer_2` deben representar la **misma medición** en las **mismas unidades** para que la comparación sea significativa. Al proporcionar variables asociadas a conjuntos de datos, puedes generar un mapa de similitud con valores de 0 a 1, lo que facilita los estudios comparativos y el reconocimiento de patrones. `data_layer_1` y `data_layer_2` &#x20;

### 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)
```

Usa esta función para calcular la similitud por píxel entre dos conjuntos de datos normalizados. Se recomienda normalizar cuando las variables originales `data_layer_1` y `data_layer_2` tienen escalas o unidades diferentes. Al proporcionar estos conjuntos de datos como entrada, la función genera un mapa de similitud con valores de 0 a 1, adecuado para estudios comparativos, el reconocimiento de patrones y el análisis de la coherencia espacial.

### determine\_low\_high\_similarity

```python
zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)
```

Esta función evalúa la similitud entre valores bajos y altos de dos conjuntos de datos. Al introducir las variables `data_layer_1` y `data_layer_2` asociadas a los conjuntos de datos, obtienes un mapa de similitud categorizado que muestra combinaciones como bajo-bajo, bajo-alto, alto-bajo y alto-alto, útil para clasificar los datos con mayor precisión.

### get\_value\_for\_zone

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

Usa esta función para extraer todos los valores de un atributo de un conjunto de datos dentro de una sola zona. Proporciona `data_layer` (la capa de atributos), `zones_layer` (el mapa de zonas), y `zone_id` (el número de zona) para aislar valores para su análisis, como el rendimiento, la dosis de aplicación o la dosis de siembra, dentro de esa zona.

### drop\_value

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

Esta función permite eliminar valores específicos de un atributo del conjunto de datos. Al especificar `data_layer` y `value_to_drop`, puedes depurar el conjunto de datos eliminando esos valores del resultado; técnicamente, se reemplazan por `NaN`.

### normalize\_data

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

Normaliza un atributo del conjunto de datos con esta función. Al pasar `data_layer`, puedes escalar los datos a un rango estandarizado de 0 a 1, lo que facilita la comparación y la integración de distintos conjuntos de datos.

### 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)
```

Calcula la cantidad total de fertilizante aplicado en unidades por área (por ejemplo, en kg/ha, l/ha, gal/ac, etc.). Proporciona `application_list` Conjuntos de datos con atributos AppliedRate y sus correspondientes `active_ingredient_coefficient_list` de los productos fertilizantes para obtener la cantidad total real de fertilizante aplicado en unidades (por ejemplo, kg, l, gal, etc.).

### 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)
```

Usa esta función para calcular el nitrógeno total aplicado en kg/ha. Proporciona `application_list` conjuntos de datos con atributos AppliedRate y sus correspondientes `active_ingredient_coefficient_list` de los productos nitrogenados para convertir el nitrógeno real a kg/ha. Así podrás calcular con precisión el nitrógeno total aplicado, un dato esencial para la planificación agrícola y las evaluaciones de sostenibilidad. El resultado se usa como `N_total_applied` en[`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
)
```

Usa esta función para determinar la absorción de nitrógeno en kg/ha. Proporciona `yield_wet_tha`, `moisture_pct`, `protein_pct` del conjunto de datos de rendimiento y `protein_crop_correction_coefficient` Al representar la relación entre las proteínas y la absorción de nitrógeno, puedes evaluar la eficiencia en el uso del nitrógeno en la producción de cultivos. El resultado se utiliza como `N_uptake` en[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency) .

### calcular\_eficiencia\_uso\_nitrogeno

```python
NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)
```

Evalúa la eficiencia en el uso del nitrógeno como porcentaje mediante esta función. Al introducir [`N_total_applied`](#calculate_total_applied_nitrogen) y [`N_uptake`](#calculate_nitrogen_uptake) (variables de funciones anteriores), puedes medir la eficacia de la aplicación de nitrógeno y optimizar el uso de fertilizantes.

### calcular\_costos

```python
rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # precio por unidad para cada capa de tasa
costs = geopard.calculate_costs(rates, prices)
```

Calcula los costos totales en función de las tasas de aplicación y los precios con esta función. Al proporcionar una `application_rate_list` de conjuntos de datos con atributos AppliedRate y una `price_per_unit_list`, puedes sumar los gastos relacionados con diversas actividades agrícolas, lo que facilita la gestión del presupuesto y la planificación financiera. El resultado se utiliza como `costs` en[`geopard.calculate_profit`](#calculate_profit).

### calcular\_ingresos

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

Calcula los ingresos a partir del conjunto de datos de rendimiento con esta función. Al introducir `yield_as_mass` asociado con el atributo del conjunto de datos de rendimiento y `yield_price_per_unit`, puedes estimar los ingresos generados por la producción de cultivos, lo que facilita las evaluaciones económicas. El resultado se utiliza como `costs` en[`geopard.calculate_profit`](#calculate_profit) .

### calcular\_ganancias

```python
profit = geopard.calculate_profit(revenue, costs)
```

Calcula las ganancias restando los costos de los ingresos con esta función. Al proporcionar las variables [`revenue`](#calculate_revenue) y [`costs`](#calculate_costs) (de funciones anteriores), puedes calcular fácilmente la ganancia financiera de las operaciones agrícolas, lo que facilita el análisis de rentabilidad y la toma de decisiones estratégicas.

### rellenar\_valor\_en\_rango

```python
# conservar solo los valores entre 10 y 20; reemplazar el resto por 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Esta función filtra los valores que están dentro de un rango especificado en la matriz `input` . Al proporcionar la matriz junto con `input` los valores opcionales `min_value` y `max_value` umbrales, puede aislar los valores que se encuentren dentro del rango deseado. El `value_to_fill` parámetro permite sustituir los valores fuera de rango por un valor especificado, lo que mejora los procesos de filtrado y normalización de datos.

### calculate\_per\_pixel\_mae

```python
mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)
```

Use esta función para calcular el error absoluto medio (MAE) por píxel entre dos conjuntos de datos. Genera un mapa espacial de las diferencias absolutas. La «diferencia absoluta» es simplemente la magnitud de la distancia entre los valores de los píxeles correspondientes, sin importar cuál sea mayor o menor.

La función ayuda a identificar las zonas con mayores discrepancias.

### calculate\_per\_pixel\_relative\_deviation

```python
relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)
```

Esta función calcula la desviación relativa de cada píxel entre dos conjuntos de datos y expresa la diferencia como porcentaje del valor de `dataset_1`. En esencia, muestra cuánto se desvía el valor de un píxel del valor correspondiente de `dataset_1` en términos proporcionales.

Este enfoque es especialmente útil para analizar variaciones en las propiedades del suelo, el rendimiento de los cultivos o los datos de teledetección, ya que permite detectar rápidamente las zonas con diferencias proporcionales significativas.

### calculate\_difference

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

Esta función resta un conjunto de datos de otro para crear un mapa de diferencias. Destaca las zonas donde los valores de un conjunto son mayores o menores que los del otro, lo que facilita detectar tendencias y cambios a lo largo del tiempo.

Esta herramienta resulta especialmente útil para visualizar variaciones en las propiedades del suelo, el rendimiento de los cultivos o los datos de teledetección, y permite identificar rápidamente las zonas que podrían requerir un análisis o una intervención adicionales.

### calculate\_relative\_difference

```python
relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)
```

Esta función calcula la diferencia relativa de cada píxel normalizando la diferencia entre los conjuntos de datos con los valores de `dataset_2`. Esto significa que muestra la magnitud del cambio en relación con la magnitud de `dataset_2`.

Esta comparación proporcional resulta especialmente útil al trabajar con conjuntos de datos de distintas escalas, pues ayuda a revelar cambios relativos en las propiedades del suelo, el rendimiento de los cultivos o las lecturas de los sensores. Este enfoque permite localizar las zonas con variaciones notables.

### calculate\_normalized\_difference

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

Esta función calcula la diferencia normalizada de cada píxel escalando ambos conjuntos de datos con respecto a su valor máximo global. Así, los conjuntos de datos pueden compararse directamente, aunque originalmente tengan rangos distintos.

El mapa resultante ofrece una vista clara de las variaciones en las propiedades del suelo, el rendimiento de los cultivos y los datos de teledetección, lo que permite identificar y evaluar rápidamente las diferencias clave.

### build\_zones\_by\_intervals

```python
# intervalos para la zonificación
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

# uso
zones = geopard.build_zones_by_intervals(
    layer, 
    intervals
)
```

Esta función crea un mapa de zonas de manejo al clasificar una capa ráster continua en zonas discretas según intervalos de valores definidos por el usuario.

Cada intervalo define una zona y cada píxel se asigna a la zona cuyo rango de valores le corresponde. Los píxeles que no coinciden con ningún intervalo se marcan como -1.

Este enfoque de zonificación se utiliza habitualmente para transformar mapas de rendimiento, propiedades del suelo o índices de teledetección en zonas de manejo aplicables a operaciones de dosis variable.

**Casos de uso habituales**

* Crear zonas de manejo a partir de capas de rendimiento, NDVI o suelo
* Preparar mapas de zonas para calcular las dosis de nutrientes o de siembra
* Dividir los campos en zonas homogéneas para la toma de decisiones

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

```python
# opciones de target_nutrient
target_nutrient_option1 = 50 # número constante
# O
target_nutrient_option2 = {1: 20, 2: 40} # diccionario por zona
# O
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # capa ráster continua

# opciones de applied_nutrient_operations
applied_operations = [
    5,                                      # operation1 como número constante
    {1: 2, 2: 4},                           # operation2 como diccionario por zona
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 como capa ráster continua
]

# uso
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 []
)
```

Esta función calcula la dosis de aplicación necesaria de nutrientes (ingrediente activo) para cada zona de manejo.

El cálculo se basa en:

* un nivel objetivo de nutrientes,
* el aporte de nutrientes disponibles para las plantas en el suelo,
* los nutrientes ya aplicados en operaciones anteriores (estiércol, fertilizantes, digestato, etc.).

Las operaciones de aplicación de nutrientes se pueden proporcionar como constantes, valores por zona, capas ráster o cualquier combinación de estos. Todas las entradas se procesan y agregan automáticamente por zona.

De forma predeterminada, la dosis necesaria se calcula como la diferencia entre el nivel objetivo de nutrientes y la suma del aporte del suelo y de los nutrientes aplicados. El resultado se devuelve como un mapa ráster en el que cada zona tiene una dosis de nutrientes uniforme.

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

```python
# coeficiente de conversión entre ingrediente activo y producto, y viceversa
corrected_coefficient = 1.5  # coeficiente constante
# O
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # coeficientes por píxel

# uso
rates_as_products = geopard.convert_active_ingredient_and_product(
    layer, 
    corrected_coefficient
)
```

Esta función convierte una capa ráster entre **las dosis de ingrediente activo y las dosis de producto** mediante un coeficiente de corrección.

El `corrected_coefficient` puede ser un único **float** (aplicado a todos los píxeles) o una **matriz** de coeficientes (conversión por píxel). Se suele utilizar para convertir los requerimientos de nutrientes calculados (ingrediente activo) en dosis reales de aplicación de producto, o viceversa, en función de la composición del fertilizante o de la concentración de nutrientes.

La conversión se aplica píxel por píxel y conserva la estructura espacial de la capa original.

**Casos de uso habituales**

* Conversión de dosis de nutrientes a dosis de producto fertilizante
* Ajuste de mapas de aplicación según la concentración de nutrientes
* Preparación de mapas de prescripción finales para la maquinaria

### map\_value\_by\_zone

```python
# asignar un valor a todas las zonas
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# O BIEN: asignar valores distintos por zona
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# O BIEN: agregar un ráster existente por zona
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Esta función convierte valores escalares, diccionarios con valores específicos por zona o capas ráster en un ráster por zonas.

Cada píxel válido recibe el valor asignado a su zona correspondiente. Si la entrada es un ráster, los valores se agregan dentro de cada zona mediante `mean`, `median`, `min`, o `max`, eliminando eficazmente la variabilidad dentro de cada zona.

Los valores del diccionario que faltan y los píxeles nodata reciben el valor especificado `default` (NaN de forma predeterminada).

**Casos de uso habituales**

* Crear objetivos de rendimiento planificado a nivel de píxel a partir de valores específicos por zona
* Convertir recomendaciones de fertilización específicas por zona en rásteres de prescripción
* Aplanar la variabilidad de nutrientes del suelo dentro de las zonas de manejo
* Preparar parámetros por zona para cálculos NumPy píxel a píxel

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

```python
# calcular la dosis de fertilizante comercial
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
)
```

Esta función calcula las dosis de aplicación de fertilizante por píxel a partir del balance entre la extracción de nutrientes del cultivo y el aporte de nutrientes del suelo.

El cálculo tiene en cuenta el rendimiento planificado, la extracción de nutrientes del cultivo, los nutrientes disponibles en el suelo, los coeficientes de aprovechamiento del suelo y del fertilizante, y los factores de corrección. La cantidad resultante de ingrediente activo puede convertirse opcionalmente en dosis de producto fertilizante comercial mediante `product_nutrient_share`.

Admite valores de rendimiento planificado escalares, en diccionarios o en rásteres. Los valores de nutrientes del suelo se pueden usar por píxel o agregarse por zona. Las dosis finales pueden limitarse mediante dosis de aplicación mínimas y máximas, y redondearse a números enteros.

**Casos de uso habituales**

* Generar prescripciones de fertilización de tasa variable de P₂O₅ y K₂O
* Calcular la reposición de nutrientes según el rendimiento planificado del cultivo
* Tener en cuenta el aporte de nutrientes del suelo y la eficiencia de uso del fertilizante
* Convertir los requerimientos de ingrediente activo en dosis de aplicación de producto comercial
* Generar mapas de prescripción de fertilizantes listos para la maquinaria

### 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
)
```

Esta función estima la textura del suelo según la clasificación USDA para cada píxel, usando los porcentajes de arena, limo y arcilla.

Proporcione tres capas ráster en porcentaje (0-100) que representen las fracciones granulométricas. El resultado son <mark style="background-color:green;">nombres de clases USDA, como</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay o undefined</mark>* <mark style="background-color:green;">cuando las entradas no son válidas.</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
)
```

Esta función estima la clase de textura del suelo FAO/WRB (ISO 11277) para cada píxel según los porcentajes de arena, limo y arcilla.

Proporcione tres capas ráster en porcentaje (0-100) que representen las fracciones granulométricas. El resultado son <mark style="background-color:green;">códigos de clases FAO/WRB, como</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC o undefined</mark>* <mark style="background-color:green;">cuando las entradas no son válidas</mark>.

### calculate\_soil\_bulk\_density

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

Esta función calcula <mark style="background-color:green;">la densidad aparente del suelo (g/cm³) según la clase de textura y el contenido opcional de materia orgánica del suelo (SOM)</mark>.

La `texture_class_layer` debe contener nombres o códigos de clases generados por la [función de textura de la USDA](#estimate_texture_class_based_on_usda) o por la [función de textura de la FAO/WRB](#estimate_texture_class_based_on_fao_wrb) mencionadas anteriormente.

Si `som_pct_layer` se proporciona como valor porcentual, la función ajusta la densidad aparente en función de la materia orgánica del suelo (SOM). De lo contrario, devuelve valores de densidad aparente del suelo en g/cm³ asociados a las clases texturales, según la tabla de consulta de la USDA o la 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/esp/tour-del-producto-aplicacion-web/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.
