> 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/fin/tuote-esittely-verkkosovellus/equation-based-analytics/catalog-of-custom-functions.md).

# Mukautettujen funktioiden kirjasto

Nämä funktiot kapseloivat monimutkaista Python-koodia, minkä ansiosta voit toteuttaa edistyneitä tietomuokkauksia ja laskentoja helposti.

GeoPard tarjoaa kattavan valikoiman mukautettuja funktioita, jotka parantavat yhtälöpohjaisen analytiikan luettavuutta ja toimivuutta. Nämä funktiot sisältävät monimutkaista koodia, jonka kirjoittamiseen on käytetty `python` ohjelmointikieltä. Niiden avulla voit tehdä vaativia tiedon muokkauksia ja laskutoimituksia helposti.

### Syötä yhtälö

<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>Syötä yhtälö</p></figcaption></figure>

Luettelo käytettävissä olevista valmiista funktioista, joiden avulla voit luoda GeoPardissa selkeämpiä ja helpommin ylläpidettäviä yhtälöitä, sisältyy `geopard` -pakettiin:

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

```python
# input_data on aineiston ominaisuustaso (esim. satomäärä, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Tämä funktio korjaa aineiston puuttuvat tai nolla-arvot K-Neighbors-algoritmin avulla. Määrittämällä `input_data` -muuttujan (aineistona, jonka ominaisuus on valittu) ja naapureiden määrän `k`voit täyttää puuttuvat arvot sujuvasti ja varmistaa aineiston jatkuvuuden ja eheyden.

Tämä funktio toimii hyvin, kun aineiston aukot ovat jakautuneet eri puolille peltoa eivätkä keskity tiettyyn osaan pellon rajausta.

### determine\_data\_similarity

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

Tällä funktiolla voit laskea kahden aineiston pikselikohtaisen samankaltaisuuden. Muuttujien `data_layer_1` ja `data_layer_2` tulee kuvata **samaa mittausta** käyttäen **samoja yksiköitä** , jotta vertailu on mielekäs. Kun annat aineistoihin `data_layer_1` ja `data_layer_2` liittyvät muuttujat, voit luoda samankaltaisuuskartan, jonka arvot ovat välillä 0–1. Kartta helpottaa vertailua ja kuvioiden tunnistamista.

### 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)
```

Tällä funktiolla voit laskea kahden normalisoidun aineiston pikselikohtaisen samankaltaisuuden. Normalisointia suositellaan, kun alkuperäisten muuttujien `data_layer_1` ja `data_layer_2` asteikot tai yksiköt eroavat toisistaan. Kun annat nämä aineistot syötteeksi, funktio luo samankaltaisuuskartan, jonka arvot ovat välillä 0–1. Kartta soveltuu vertailuun, kuvioiden tunnistamiseen ja alueellisen yhdenmukaisuuden analysointiin.

### determine\_low\_high\_similarity

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

Tämä funktio arvioi kahden aineiston matalien ja korkeiden arvojen samankaltaisuutta. Kun annat aineistoihin liittyvät muuttujat `data_layer_1` ja `data_layer_2` , saat luokitellun samankaltaisuuskartan, joka näyttää yhdistelmät matala–matala, matala–korkea, korkea–matala ja korkea–korkea. Kartasta on hyötyä aineiston yksityiskohtaisessa luokittelussa.

### get\_value\_for\_zone

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

Tällä funktiolla voit poimia kaikki aineiston ominaisuuden arvot yhden vyöhykkeen alueelta. Anna `data_layer` (ominaisuustaso), `zones_layer` (vyöhykekartta) ja `zone_id` (vyöhykkeen numero) voit rajata analyysiä varten tarkasteltavat arvot, kuten sadon, levitysmäärän tai kylvömäärän, kyseisen vyöhykkeen sisälle.

### drop\_value

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

Tällä funktiolla voit poistaa aineiston attribuutista tiettyjä arvoja. Määrittämällä `data_layer` ja `value_to_drop`voit puhdistaa aineiston poistamalla nämä arvot tuloksesta; käytännössä ne korvataan arvolla `NaN`.

### normalize\_data

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

Tällä funktiolla voit normalisoida aineiston attribuutin. Antamalla parametriksi `data_layer`voit skaalata tiedot välille 0–1, mikä helpottaa eri aineistojen vertailua ja yhdistämistä.

### 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)
```

Laske tällä funktiolla levitetyn lannoitteen kokonaismäärä pinta-alayksikköä kohti (esimerkiksi kg/ha, l/ha, gal/ac jne.). Antamalla `application_list` AppliedRate-attribuutit sisältävien aineistojen luettelo ja niitä vastaava `active_ingredient_coefficient_list` lannoitevalmisteiden aktiivisen aineosan kertoimien luettelo saat levitetyn lannoitteen todellisen kokonaismäärän yksikköinä (esimerkiksi kg, l, gal jne.).

### 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)
```

Laske tällä funktiolla levitetyn typen kokonaismäärä yksikössä kg/ha. Antamalla `application_list` AppliedRate-attribuutit sisältävien aineistojen luettelo ja niitä vastaava `active_ingredient_coefficient_list` typpilannoitevalmisteiden luettelo, jossa aktiivisen aineosan kertoimet muuntavat määrät todelliseksi typpimääräksi yksikössä kg/ha, voit laskea levitetyn typen kokonaismäärän tarkasti. Tieto on tärkeä maatalouden suunnittelussa ja kestävyyden arvioinnissa. Tulosta käytetään arvona `N_total_applied` funktiossa[`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
)
```

Määritä tällä funktiolla typen otto yksikössä kg/ha. Anna parametriksi `yield_wet_tha`, `moisture_pct`, `protein_pct` satotietoaineistosta ja `protein_crop_correction_coefficient` Kun typpilannoituksen ja typen oton välistä yhteyttä kuvaava arvo on käytettävissä, voit arvioida kasvintuotannon typen käytön tehokkuutta (NUE). Tulosta käytetään arvona `N_uptake` funktiossa[`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)
```

Arvioi typen käytön tehokkuus prosentteina tällä funktiolla. Kun syötät muuttujat [`N_total_applied`](#calculate_total_applied_nitrogen) ja [`N_uptake`](#calculate_nitrogen_uptake) (aiemmista funktioista), voit mitata typpilannoituksen tehokkuutta ja optimoida lannoitteiden käyttöä.

### 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)
```

Laske kokonaiskustannukset levitysmäärien ja hintojen perusteella tällä funktiolla. Antamalla `application_rate_list` -listan Dataset-aineistoja, joilla on AppliedRate-ominaisuus, sekä vastaavan `price_per_unit_list`, voit koota eri maataloustoimien kustannukset ja helpottaa budjetin hallintaa ja taloussuunnittelua. Tulosta käytetään arvona `costs` funktiossa[`geopard.calculate_profit`](#calculate_profit).

### calculate\_revenue

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

Laske tuotto Yield-aineiston perusteella tällä funktiolla. Antamalla `yield_as_mass` -arvon, joka liittyy Yield-aineiston ominaisuuteen, sekä `yield_price_per_unit`-arvon voit arvioida kasvintuotannon tuottamia tuloja ja helpottaa taloudellisia arviointeja. Tulosta käytetään arvona `costs` funktiossa[`geopard.calculate_profit`](#calculate_profit) .

### calculate\_profit

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

Laske voitto vähentämällä kustannukset tuotoista tällä funktiolla. Antamalla muuttujat [`revenue`](#calculate_revenue) ja [`costs`](#calculate_costs) (aiemmista funktioista) voit helposti laskea maataloustoiminnan taloudellisen tuloksen, mikä tukee kannattavuuden analysointia ja strategista päätöksentekoa.

### fill\_value\_for\_range

```python
# keep only values between 10 and 20, replace the rest with 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Tämä funktio suodattaa `input` -taulukon arvot määritetyllä vaihteluvälillä. Anna `input` taulukko sekä valinnaiset `min_value` - ja valinnainen `max_value` kynnysarvoja käyttämällä voit rajata tarkasteluun arvot, jotka osuvat halutulle vaihteluvälille. Parametri `value_to_fill` mahdollistaa vaihteluvälin ulkopuolelle jäävien arvojen korvaamisen määritetyllä arvolla, mikä tehostaa tietojen suodatusta ja normalisointia.

### calculate\_per\_pixel\_mae

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

Laske tällä funktiolla kahden aineiston välinen keskimääräinen absoluuttinen virhe (MAE) pikselikohtaisesti. Funktio tuottaa spatiaalisen kartan absoluuttisista eroista. ”Absoluuttinen ero” tarkoittaa yksinkertaisesti vastaavien pikseliarvojen välisen eron suuruutta riippumatta siitä, kumpi arvo on suurempi.

Funktio auttaa tunnistamaan alueet, joilla erot ovat suurempia.

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

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

Tämä funktio laskee kahden aineiston välisen suhteellisen poikkeaman kullekin pikselille. Ero ilmaistaan prosenttiosuutena aineiston `dataset_1`. Toisin sanoen se näyttää, kuinka paljon yhden pikselin arvo poikkeaa vastaavasta arvosta `dataset_1` suhteellisesti.

Tämä menetelmä on erityisen hyödyllinen maaperän ominaisuuksien, sadon tai kaukokartoitusaineistojen vaihtelun analysoinnissa, sillä sen avulla löydät nopeasti alueet, joilla suhteelliset erot ovat merkittäviä.

### calculate\_difference

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

Tämä funktio vähentää yhden aineiston arvot toisesta ja luo erotuskartan. Se tuo esiin alueet, joilla toisen aineiston arvot ovat suurempia tai pienempiä kuin toisen, jolloin kehityssuuntien ja ajallisten muutosten havaitseminen helpottuu.

Tämä työkalu on erityisen hyödyllinen maaperän ominaisuuksien, sadon tai kaukokartoitusaineistojen vaihtelun visualisointiin. Sen avulla voit tunnistaa nopeasti alueet, jotka saattavat vaatia lisäanalyysiä tai toimenpiteitä.

### calculate\_relative\_difference

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

Tämä funktio laskee suhteellisen eron kullekin pikselille normalisoimalla aineistojen välisen eron aineiston `dataset_2`arvoilla. Näin saadaan selville, kuinka merkittävä muutos on suhteessa `dataset_2`.

Tällainen suhteellinen vertailu on erityisen hyödyllinen eriskaalaisten aineistojen käsittelyssä, sillä se auttaa havaitsemaan suhteellisia muutoksia maaperän ominaisuuksissa, sadoissa tai anturien tuottamissa arvoissa. Menetelmä auttaa paikantamaan alueet, joilla vaihtelu on huomattavaa.

### calculate\_normalized\_difference

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

Tämä funktio laskee pikselikohtaisen normalisoidun eron skaalaamalla molemmat aineistot niiden suurimman maailmanlaajuisen arvon mukaan. Näin aineistoja voidaan verrata suoraan, vaikka niiden alkuperäiset vaihteluvälit olisivat erilaiset.

Tuloksena oleva kartta havainnollistaa maaperän ominaisuuksien, sadon ja kaukokartoitusaineistojen vaihtelua. Sen avulla voit nopeasti tunnistaa ja arvioida keskeisiä eroja.

### build\_zones\_by\_intervals

```python
# lohkojen muodostuksen vaihteluvälit
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Tämä funktio luo viljelyvyöhykekartan luokittelemalla jatkuva-arvoisen rasteritason erillisiksi vyöhykkeiksi käyttäjän määrittämien arvojen vaihteluvälien perusteella.

Kukin vaihteluväli määrittää yhden vyöhykkeen, ja jokainen pikseli sijoitetaan vyöhykkeeseen, jonka arvoalueeseen se osuu. Pikselit, jotka eivät sovi mihinkään vaihteluväliin, merkitään arvolla -1.

Tätä vyöhykkeistämistapaa käytetään yleisesti sato-, maaperä- ja kaukokartoitusindeksikarttojen muuntamiseen käyttökelpoisiksi viljelyvyöhykkeiksi muuttuvan levityksen sovelluksia varten.

**Tyypillisiä käyttötapauksia**

* Viljelyvyöhykkeiden muodostaminen sato-, NDVI- tai maaperätasoista
* Vyöhykekarttojen valmistelu ravinne- tai kylvömäärien laskentaa varten
* Lohkojen jakaminen yhdenmukaisiin vyöhykkeisiin päätöksenteon tueksi

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

```python
# target_nutrient-vaihtoehdot
target_nutrient_option1 = 50 # vakioarvo
# TAI
target_nutrient_option2 = {1: 20, 2: 40} # vyöhykekohtainen sanakirja
# TAI
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # jatkuva-arvoinen rasteritaso

# applied_nutrient_operations-vaihtoehdot
applied_operations = [
    5,                                      # operation1 vakiona lukuna
    {1: 2, 2: 4},                           # operation2 vyöhykekohtaisena sanakirjana
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 jatkuvana rasteritasona
]

# käyttö
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 []
)
```

Tämä funktio laskee tarvittavan ravinteen levitysmäärän (tehoaineena) jokaiselle viljelyvyöhykkeelle.

Laskenta perustuu seuraaviin tietoihin:

* ravinteen tavoitetaso,
* maaperän kasveille käyttökelpoinen ravinnetarjonta,
* aiemmissa toimenpiteissä levitetyt ravinteet (lanta, lannoitteet, mädäte jne.).

Levitetyt ravinnemäärät voidaan antaa vakioina, vyöhykekohtaisina arvoina, rasteritasoina tai näiden yhdistelmänä. Kaikki syötteet muunnetaan automaattisesti vyöhykekohtaisiksi ja summataan.

Oletusarvoisesti tarvittava levitysmäärä lasketaan vähentämällä tavoiteravinnetasosta maaperän ravinnetarjonnan ja jo levitettyjen ravinteiden summa. Tulos palautetaan rasterikarttana, jossa kunkin vyöhykkeen kaikilla pikseleillä on sama ravinnemäärä.

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

```python
# tehoaineen ja tuotteen välinen muuntokerroin
corrected_coefficient = 1.5  # vakio muuntokerroin
# TAI
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # pikselikohtaiset muuntokertoimet

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

Tämä funktio muuntaa rasteritason arvot seuraavien välillä: **tehoaineen levitysmäärät ja tuotteen levitysmäärät** muuntokertoimen avulla.

Parametri `corrected_coefficient` voi olla yksittäinen **liukuluku** (jota sovelletaan kaikkiin pikseleihin) tai **kerroinmatriisi** (pikselikohtaista muunnosta varten). Sitä käytetään tavallisesti laskettujen ravinnetarpeiden (tehoaineena) muuntamiseen varsinaisen lannoitevalmisteen levitysmääriksi tai päinvastoin lannoitteen koostumuksen tai ravinnepitoisuuden perusteella.

Muunnos tehdään pikselikohtaisesti, jolloin alkuperäisen tason spatiaalinen rakenne säilyy.

**Tyypillisiä käyttötapauksia**

* Ravinnemäärien muuntaminen lannoitevalmisteen levitysmääriksi
* Levityskarttojen mukauttaminen ravinnepitoisuuden perusteella
* Lopullisten levityskarttojen valmistelu maatalouskoneita varten

### map\_value\_by\_zone

```python
# sama arvo kaikille vyöhykkeille
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# TAI: eri arvot vyöhykkeittäin
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# TAI: olemassa olevan rasterin yhdistäminen vyöhykkeittäin
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Tämä funktio muuntaa skalaariarvot, vyöhykekohtaiset sanakirjat tai rasteritasot vyöhykepohjaiseksi rasteriksi.

Jokainen kelvollinen pikseli saa sitä vastaavalle vyöhykkeelle määritetyn arvon. Rasterisyötteessä kunkin vyöhykkeen arvot yhdistetään käyttämällä `keskiarvoa`, `mediaania`, `minimiä`, tai `maksimia`, jolloin vyöhykkeensisäinen vaihtelu käytännössä poistuu.

Puuttuvat sanakirja-arvot ja nodata-pikselit saavat määritetyn arvon `default` (oletusarvoisesti NaN).

**Tyypillisiä käyttötapauksia**

* Pikselikohtaisten suunniteltujen satotavoitteiden luominen vyöhykekohtaisten arvojen perusteella
* Vyöhykekohtaisten lannoitussuositusten muuntaminen levityskarttarastereiksi
* Maaperän ravinnevaihtelun tasaaminen viljelyvyöhykkeiden sisällä
* Vyöhykekohtaisten parametrien valmistelu pikselikohtaisia NumPy-laskutoimituksia varten

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

```python
# laske kaupallisen lannoitevalmisteen annos
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
)
```

Tämä funktio laskee lannoitteen levitysmäärän pikselikohtaisesti kasvin ravinteiden oton sekä maaperän ravinnetarjonnan tasapainon perusteella.

Laskennassa huomioidaan suunniteltu sato, kasvin ravinteiden otto, maaperän käyttökelpoiset ravinteet, maaperän ja lannoitteen hyödyntämiskertoimet sekä korjauskertoimet. Vaikuttavan ravinteen tarve voidaan haluttaessa muuntaa kaupallisen lannoitevalmisteen käyttömääräksi parametrin `product_nutrient_share`.

Suunnitellun sadon arvoksi voi antaa skalaarin, sanakirjan tai rasterin. Maaperän ravinnearvot voidaan määrittää pikselikohtaisesti tai vyöhykkeittäin koostettuina. Lopulliset määrät voidaan rajata pienimmän ja suurimman levitysmäärän mukaan sekä pyöristää kokonaisluvuiksi.

**Tyypillisiä käyttötapauksia**

* Muuttuvan levitysmäärän P₂O₅- ja K₂O-lannoitussuunnitelmien luominen
* Ravinteiden korvaustarpeen laskeminen suunnitellun sadon perusteella
* Maaperän ravinnetarjonnan ja lannoitteen hyödyntämistehokkuuden huomioiminen
* Vaikuttavan ravinteen tarpeen muuntaminen kaupallisen lannoitevalmisteen levitysmääräksi
* Konekäyttöön valmiiden lannoitteen levityskarttojen luominen

### 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
)
```

Tämä funktio arvioi USDA:n mukaisen maalajiluokan jokaiselle pikselille hiekan, hiedan ja saven prosenttiosuuksien perusteella.

Anna kolme rasteritasoa prosentteina (0–100); ne kuvaavat raekokoluokkien osuuksia. Tulosteena saadaan <mark style="background-color:green;">USDA-luokkien nimiä, kuten</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay tai undefined</mark>* <mark style="background-color:green;">jos syötteet eivät kelpaa.</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
)
```

Tämä funktio arvioi jokaiselle pikselille FAO/WRB:n (ISO 11277) mukaisen maalajiluokan hiekan, hiedan ja saven prosenttiosuuksien perusteella.

Anna kolme rasteritasoa prosentteina (0–100); ne kuvaavat raekokoluokkien osuuksia. Tulosteena saadaan <mark style="background-color:green;">FAO/WRB-luokkakoodeja, kuten</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC tai undefined</mark>* <mark style="background-color:green;">jos syötteet eivät kelpaa</mark>.

### calculate\_soil\_bulk\_density

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

Tämä funktio laskee <mark style="background-color:green;">maan tilavuuspainon (g/cm³) maalajiluokan ja valinnaisen orgaanisen aineksen (SOM) perusteella</mark>.

Kerroksen `texture_class_layer` tulee sisältää luokkien nimet tai koodit, jotka tuottaa [USDA:n maalajitefunktio](#estimate_texture_class_based_on_usda) tai [FAO/WRB:n maalajitefunktio](#estimate_texture_class_based_on_fao_wrb) kuten edellä mainittiin.

Jos `som_pct_layer` annetaan prosenttiarvona, funktio säätää tilavuuspainoa orgaanisen aineksen perusteella. Muussa tapauksessa se palauttaa USDA:n tai FAO/WRB:n hakutaulukon mukaiset maalajitteisiin liittyvät maan tilavuuspainoarvot yksikössä g/cm³.


---

# 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/fin/tuote-esittely-verkkosovellus/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.
