Catálogo de funciones personalizadas
Estas funciones encapsulan código Python complejo, lo que le permite implementar manipulaciones y cálculos sofisticados de datos con facilidad.
GeoPard ofrece un catálogo integral de funciones personalizadas diseñadas para mejorar la legibilidad y la funcionalidad de los análisis basados en ecuaciones. Estas funciones encapsulan complejos python código, lo que le permite implementar con facilidad manipulaciones y cálculos de datos sofisticados.
Ingresar ecuación
La lista de funciones preconstruidas disponibles para crear ecuaciones más intuitivas y fáciles de mantener en GeoPard se incluye en el geopard paquete:
fill_gaps_with_k_neighbors
Esta función restaura huecos de datos o ceros en un conjunto de datos usando el algoritmo K-Neighbors. Al especificar la input_data variable (como Dataset con el atributo seleccionado) y el número de vecinos k, puede completar sin problemas los valores faltantes, garantizando la continuidad e integridad de los datos.
Esta función funciona bien cuando los huecos de datos están distribuidos por toda la parcela y no se concentran en ninguna parte particular del límite del campo.
determine_data_similarity
Use esta función para calcular la similitud píxel a píxel entre dos Datasets. Las variables data_layer_1 y data_layer_2 deben representar la misma medición en las mismas unidades para asegurar una comparación significativa. Al proporcionar variables data_layer_1 y data_layer_2 asociadas con Datasets, puede generar un mapa de similitud con valores que van de 0 a 1, facilitando estudios comparativos y el reconocimiento de patrones.
determine_data_similarity_from_normalized
Use esta función para calcular la similitud píxel a píxel entre dos conjuntos de datos normalizados. Se recomienda la normalización cuando los originales data_layer_1 y data_layer_2 tienen diferentes escalas o unidades. Al proporcionar estos conjuntos de datos como entrada, la función genera un mapa de similitud con valores que van de 0 a 1, lo que la hace adecuada para estudios comparativos, reconocimiento de patrones y análisis de consistencia espacial.
determine_low_high_similarity
Esta función evalúa la similitud bajo-alto entre dos Datasets. Al introducir variables data_layer_1 y data_layer_2 asociadas con Datasets, obtiene un mapa de similitud categorizado que indica combinaciones como bajo-bajo, bajo-alto, alto-bajo y alto-alto, lo cual es útil para una clasificación de datos más matizada.
get_value_for_zone
Use esta función para extraer todos los valores de un atributo de Dataset dentro de una sola zona. Proporcione data_layer (la capa de atributos), zones_layer (el mapa de zonas), y zone_id (el número de zona) para aislar valores para análisis, como rendimiento, dosis de aplicación o dosis de siembra, dentro de esa zona.
drop_value
Esta función le permite eliminar valores específicos de un atributo de conjunto de datos. Al especificar data_layer y value_to_drop, puede limpiar el conjunto de datos eliminando esos valores del resultado, reemplazándolos técnicamente por NaN.
normalize_data
Normalice un atributo de conjunto de datos con esta función. Al pasar data_layer, puede escalar los datos a un rango estandarizado de 0 a 1, facilitando la comparación y la integración entre distintos conjuntos de datos.
calculate_total_applied_fertilizer
Calcule el fertilizante total aplicado en unidades por superficie (por ejemplo, en kg/ha, l/ha, gal/ac, etc.). Al proporcionar application_list Datasets con atributos AppliedRate y un correspondiente active_ingredient_coefficient_list con productos fertilizantes para obtener el fertilizante total realmente aplicado en unidades (por ejemplo, en kg, l, gal, etc.).
calculate_total_applied_nitrogen
Calcule el nitrógeno total aplicado en kg/ha usando esta función. Al proporcionar application_list Datasets con atributos AppliedRate y un correspondiente active_ingredient_coefficient_list con productos nitrogenados para convertir el nitrógeno real a kg/ha, puede calcular con precisión el Nitrógeno Total Aplicado, esencial para la planificación agronómica y las evaluaciones de sostenibilidad. El resultado se usa como N_total_applied engeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
Determine la absorción de nitrógeno en kg/ha con esta función. Al suministrar yield_wet_tha, moisture_pct, protein_pct del Dataset de Rendimiento y protein_crop_correction_coefficient que representa la relación de la proteína con la absorción de nitrógeno, puede evaluar la Eficiencia de Uso del Nitrógeno en la producción de cultivos. El resultado se usa como N_uptake engeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
Evalúe la Eficiencia de Uso del Nitrógeno como porcentaje usando esta función. Al introducir N_total_applied y N_uptake variables (de funciones anteriores), puede medir la eficacia de la aplicación de nitrógeno, ayudando a optimizar el uso de fertilizantes.
calculate_costs
Calcule los costos totales en función de las dosis de aplicación y los precios con esta función. Al proporcionar una application_rate_list de Datasets con atributos AppliedRate y una correspondiente price_per_unit_list, puede agregar los gastos relacionados con diversas actividades agrícolas, apoyando la gestión del presupuesto y la planificación financiera. El resultado se usa como costs engeopard.calculate_profit.
calculate_revenue
Calcule los ingresos a partir del Dataset de Rendimiento usando esta función. Al introducir yield_as_mass asociado con el atributo del Dataset de Rendimiento y el yield_price_per_unit, puede estimar los ingresos generados por la producción de cultivos, facilitando las evaluaciones económicas. El resultado se usa como costs engeopard.calculate_profit .
calculate_profit
Determine la ganancia restando los costos de los ingresos usando esta función. Al proporcionar las revenue y costs variables (de funciones anteriores), puede calcular fácilmente el beneficio financiero de sus operaciones agrícolas, apoyando el análisis de rentabilidad y la toma de decisiones estratégicas.
fill_value_for_range
Esta función filtra valores dentro de un rango especificado en el input array. Al proporcionar el input array, junto con el opcional min_value y el opcional max_value de límites, puede aislar los valores que caen dentro del rango deseado. El value_to_fill parámetro permite reemplazar valores fuera de rango con un valor especificado, mejorando los procesos de filtrado y normalización de datos.
calculate_per_pixel_mae
Use esta función para calcular el Error Medio Absoluto (MAE) por píxel entre dos conjuntos de datos. Proporciona un mapa espacial de diferencias absolutas. La "diferencia absoluta" es simplemente el tamaño de la brecha entre los valores de píxel correspondientes, ignorando si uno es mayor o menor.
La función ayuda a identificar áreas con mayores discrepancias.
calculate_per_pixel_relative_deviation
Esta función calcula la desviación relativa de cada píxel entre dos conjuntos de datos, expresando la diferencia como un porcentaje del valor en dataset_1. Esencialmente, muestra cuánto se desvía el valor de un píxel del valor correspondiente en dataset_1 en términos proporcionales.
Este enfoque es particularmente valioso al analizar variaciones en propiedades del suelo, rendimiento de cultivos o datos de teledetección, porque ayuda a detectar rápidamente áreas con diferencias proporcionales significativas.
calculate_difference
Esta función resta un conjunto de datos de otro para crear un mapa de diferencias. Resalta las áreas donde los valores de un conjunto de datos son más altos o más bajos en comparación con el otro, facilitando la detección de tendencias y cambios a lo largo del tiempo.
Esta herramienta es especialmente útil para visualizar variaciones en propiedades del suelo, rendimiento de cultivos o datos de teledetección, ayudándole a identificar rápidamente áreas que pueden requerir análisis o intervención adicional.
calculate_relative_difference
Esta función calcula la diferencia relativa de cada píxel normalizando la diferencia entre los conjuntos de datos usando los valores de dataset_2. Esto significa que muestra cuán significativo es el cambio en relación con la magnitud de dataset_2.
Esta comparación proporcional es especialmente útil cuando se trabaja con conjuntos de datos de diferentes escalas, ya que ayuda a revelar cambios relativos en propiedades del suelo, rendimientos de cultivos o salidas de sensores. Este enfoque ayuda a identificar áreas con variación notable.
calculate_normalized_difference
Esta función calcula la diferencia normalizada de cada píxel escalando ambos conjuntos de datos en función de su valor máximo global. Este proceso hace que los conjuntos de datos sean directamente comparables incluso si originalmente tienen rangos diferentes.
El mapa resultante proporciona una vista clara de las variaciones en las propiedades del suelo, el rendimiento de cultivos y los datos de teledetección, permitiéndole identificar y evaluar rápidamente las diferencias clave.
build_zones_by_intervals
Esta función crea un mapa de zonas de manejo clasificando una capa ráster continua en zonas discretas basadas en 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 comúnmente para transformar mapas de rendimiento, propiedades del suelo o índices de teledetección en zonas de manejo accionables para aplicaciones de dosis variable.
Casos de uso típicos
Crear zonas de manejo a partir de capas de rendimiento, NDVI o suelo
Preparar mapas de zonas para cálculos de dosis de nutrientes o de siembra
Segmentar parcelas en zonas homogéneas para la toma de decisiones
calculate_nutrient_rate_as_active_ingredients_per_zone
Esta función calcula la dosis de aplicación de nutrientes requerida (ingrediente activo) para cada zona de manejo.
El cálculo se basa en:
un nivel objetivo de nutriente,
la provisión de nutriente disponible para la planta procedente del suelo,
los nutrientes ya aplicados mediante operaciones anteriores (estiércol, fertilizantes, digestato, etc.).
Las operaciones de nutrientes aplicadas pueden proporcionarse como constantes, valores por zona, capas ráster o cualquier combinación de estas. Todas las entradas se resuelven y agregan automáticamente por zona.
De forma predeterminada, la dosis requerida se calcula como la diferencia entre el nivel objetivo de nutriente y la suma de la provisión del suelo y los nutrientes aplicados. El resultado se devuelve como un mapa ráster en el que cada zona contiene una dosis uniforme de nutriente.
convert_active_ingredient_and_product
Esta función convierte una capa ráster entre las dosis de ingrediente activo y las dosis de producto usando un coeficiente de corrección.
El corrected_coefficient puede ser un único float (aplicado a todos los píxeles) o una matriz de coeficientes (conversión píxel a píxel). Se usa normalmente para traducir los requerimientos de nutrientes calculados (ingrediente activo) en dosis reales de aplicación de producto, o viceversa, según la composición del fertilizante o la concentración de nutrientes.
La conversión se aplica píxel a píxel, preservando la estructura espacial de la capa original.
Casos de uso típicos
Convertir dosis de nutrientes a dosis de producto fertilizante
Ajustar mapas de aplicación según la concentración de nutrientes
Preparar mapas de prescripción finales para la maquinaria
estimate_texture_class_based_on_usda
Esta función estima la textura del suelo según el USDA para cada píxel usando los porcentajes de arena, limo y arcilla.
Proporcione tres capas ráster en porcentaje (0-100) que representen las fracciones de tamaño de partícula. El resultado es nombres de clase USDA como sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, o undefined cuando las entradas no son válidas.
estimate_texture_class_based_on_fao_wrb
Esta función estima la clase textural del suelo FAO/WRB (ISO 11277) para cada píxel en función de los porcentajes de arena, limo y arcilla.
Proporcione tres capas ráster en porcentaje (0-100) que representen las fracciones de tamaño de partícula. El resultado es códigos de clase FAO/WRB como S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, o undefined cuando las entradas no son válidas.
calculate_soil_bulk_density
Esta función calcula la densidad aparente del suelo (g/cm³) en función de la clase textural y de la materia orgánica del suelo (MOS) opcional.
El texture_class_layer debe contener nombres o códigos de clase producidos por la función de textura USDA o la función de textura FAO/WRB mencionada arriba.
Si som_pct_layer se proporciona como un valor porcentual, la función ajusta la densidad aparente usando la MOS. De lo contrario, devuelve valores de densidad aparente del suelo en g/cm³ asociados con clases texturales según la búsqueda USDA o FAO/WRB.
Última actualización
¿Te fue útil?