Mukautettujen funktioiden luettelo

Nämä funktiot kapseloivat monimutkaista Python‑koodia, jolloin voit toteuttaa edistyneitä tietojen käsittelyjä ja laskelmia helposti.

GeoPard tarjoaa kattavan Mukautettujen Funktioiden Hakemiston (Catalog), joka on suunniteltu parantamaan yhtälöihin perustuvan analytiikan luettavuutta ja toiminnallisuutta. Nämä funktiot kapseloivat monimutkaista python koodia, jolloin voit toteuttaa kehittyneitä tietojen käsittelyjä ja laskelmia vaivattomasti.

Syötä yhtälö

Syötä yhtälö

Luettelo käytettävissä olevista valmiiksi rakennetuista funktioista, joiden avulla voit luoda intuitiivisempia ja ylläpidettäviä yhtälöitä GeoPard-alustalla, sisältyy geopard pakettiin:

fill_gaps_with_k_neighbors

# input_data on Dataset-attribuuttikerros (esim. sato, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Tämä funktio korjaa tietoaukkoja tai nollia datasetissä käyttäen K-Neighbors -algoritmia. Määrittämällä input_data muuttujan (Datasetin valitulla attribuutilla) ja naapureiden määrän k, voit saumattomasti täyttää puuttuvat arvot, varmistaen tiedon jatkuvuuden ja eheyden.

Tämä funktio toimii hyvin, kun tietoaukot ovat jakautuneet pellon alueelle eivätkä rajoitu tiettyyn pellon reunaan.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Käytä tätä funktiota laskeaksesi pikselikohtaisen samankaltaisuuden kahden datasetin välillä. Muuttujien data_layer_1 ja data_layer_2 tulisi edustaa samaa mittausta samoissa yksiköissä merkityksellisen vertailun varmistamiseksi. Antamalla muuttujat data_layer_1 ja data_layer_2 liittyen Datasetteihin, voit tuottaa samankaltaisuuskartan arvoilla 0—1, mikä helpottaa vertailututkimuksia ja kuvion tunnistusta.

determine_data_similarity_from_normalized

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)

Käytä tätä funktiota laskeaksesi pikselikohtaisen samankaltaisuuden kahden normalisoidun datasetin välillä. Normalisointi on suositeltavaa, kun alkuperäisillä data_layer_1 ja data_layer_2 on eri mittakaavat tai yksiköt. Antamalla nämä datasetit syötteenä, funktio tuottaa samankaltaisuuskartan arvoilla 0—1, mikä tekee siitä sopivan vertailututkimuksiin, kuviotunnistukseen ja tilallisen johdonmukaisuuden analyysiin.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Tämä funktio arvioi matala-korkea -samankaltaisuutta kahden datasetin välillä. Antamalla muuttujat data_layer_1 ja data_layer_2 liittyen Datasetteihin, saat luokitellun samankaltaisuuskartan, joka ilmaisee yhdistelmiä kuten matala-matala, matala-korkea, korkea-matala ja korkea-korkea — hyödyllistä hienovaraisessa luokittelussa.

get_value_for_zone

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

Käytä tätä funktiota poimiaksesi kaikki arviot Dataset-attribuutista yhdestä vyöhykkeestä. Anna data_layer (attribuuttikerros), zones_layer (vyöhykekartta), ja zone_id (vyöhykkeen numero) eristääksesi analyysiin kuuluvat arvot, kuten sato, levitysmäärä tai siemenmäärä, kyseisen vyöhykkeen sisällä.

drop_value

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

Tämän funktion avulla voit poistaa tiettyjä arvoja Dataset-attribuutista. Määrittämällä data_layer liittyen Dataset-attribuuttiin ja value_to_drop numerona, voit puhdistaa Dataset-attribuutin tiedot poistamalla ne tuloksesta (teknisesti korvaten ei-toivotut arvot NaNilla).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalisoi Dataset-attribuuttisi tehokkaasti tällä funktiolla. Antamalla data_layer liittyen Dataset-attribuuttiin, voit skaalata tiedot standardoituun vaihteluväliin 0—1, mikä helpottaa vertailua ja integraatiota eri Datasettien välillä.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # käytä 1.0 säilyttääksesi yksiköt tai säädä tuotteen konsentraation mukaan

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Laske levitetyn lannoitteen kokonaismäärä yksikköä kohti (esim. kg/ha, l/ha, gal/ac jne.). Antamalla application_list Datasetteja, joilla on AppliedRate-attribuutit, ja vastaavat active_ingredient_coefficient_list lannoitetuotteiden kanssa, saat todellisen levitetyn lannoitteen kokonaismäärän yksiköissä (esim. kg, l, gal jne.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N-osuus (aktiivinen aine) kussakin tuotteessa

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Laske levitetyn typen kokonaismäärä kg/ha tällä funktiolla. Antamalla application_list Datasetteja, joilla on AppliedRate-attribuutit, ja vastaavat active_ingredient_coefficient_list typen tuotteiden kanssa konvertoidaksesi todellisen typen kg/ha-muotoon, voit tarkasti laskea levitetyn typen kokonaismäärän, mikä on olennaista viljelysuunnittelussa ja kestävyyden arvioinnissa. Tulosta käytetään nimellä N_total_applied kohdassageopard.calculate_nitrogen_use_efficiency.

calculate_nitrogen_uptake

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 typen otto kg/ha tällä funktiolla. Antamalla yield_wet_tha, moisture_pct, protein_pct Sadon Datasetista ja protein_crop_correction_coefficient joka edustaa proteiinin yhteyttä typenottoon, voit arvioida typen käyttötehokkuutta kasvin tuotannossa. Tulosta käytetään nimellä N_uptake kohdassageopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Arvioi typen käyttötehokkuus prosentteina tällä funktiolla. Antamalla N_total_applied ja N_uptake muuttujat (edellisistä funktioista), voit mitata typenlevityksen tehokkuutta ja auttaa optimoimaan lannoitteen käyttöä.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # hinta per yksikkö kullekin levityskerrokselle
costs = geopard.calculate_costs(rates, prices)

Laske kokonaiskustannukset levitysnopeuksien ja hintojen perusteella tällä funktiolla. Antamalla application_rate_list Datasetteja, joilla on AppliedRate-attribuutit, ja vastaavan price_per_unit_list, voit koota yhteen eri maataloustoimintoihin liittyvät kulut, tukien budjetin hallintaa ja taloussuunnittelua. Tulosta käytetään nimellä costs kohdassageopard.calculate_profit.

calculate_revenue

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

Laske tuotot Sadon Datasetista tällä funktiolla. Antamalla yield_as_mass johon liittyy Sadon Dataset-attribuutti ja yield_price_per_unit, voit arvioida kasvin tuotannosta saatavia tuloja, mikä helpottaa taloudellisia arviointeja. Tulosta käytetään nimellä costs kohdassageopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Määritä voitto vähentämällä kustannukset tuloista tällä funktiolla. Antamalla revenue ja costs muuttujat (aiemmista funktioista), voit helposti laskea maataloustoiminnan taloudellisen tuoton, tukea kannattavuusanalyysiä ja strategista päätöksentekoa.

fill_value_for_range

# säilytä vain arvot väliltä 10—20, korvaa muut arvolla 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Tämä funktio suodattaa arvot määritellyltä alueelta syöte taulukossa. Antamalla syöte taulukon, yhdessä valinnaisten min_value ja valinnaisten max_value kynnysarvojen kanssa, voit eristää halutulle alueelle kuuluvat arvot. Parametri value_to_fill mahdollistaa alueen ulkopuolisten arvojen korvaamisen tietyllä arvolla, parantaen datan suodatusta ja normalisointiprosesseja.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Käytä tätä funktiota laskeaksesi keskimääräisen absoluutti-virheen (MAE) pikseliä kohti kahden datasetin välillä. Se tuottaa tilallisen kartan absoluuttisista eroista. "Absoluuttinen ero" on yksinkertaisesti erotuksen suuruus vastaavien pikseliarvojen välillä, riippumatta siitä, onko toinen suurempi vai pienempi.

Funktio auttaa tunnistamaan alueet, joilla on suurempia poikkeamia.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Tämä funktio laskee pikselikohtaisen suhteellisen poikkeaman kahden datasetin välillä, ilmaisemalla eron prosentteina arvosta dataset_1. Käytännössä se näyttää, kuinka paljon yhden pikselin arvo poikkeaa vastaavasta arvosta dataset_1 proportionalisesti.

Tämä lähestymistapa on erityisen arvokas analysoitaessa vaihtelua maaperäominaisuuksissa, sadon tuotossa tai kaukokartoitusaineistossa, jolloin voidaan nopeasti havaita merkittäviä suhteellisia eroja sisältävät alueet.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Tämä funktio vähentää yhden datasetin toisesta luodakseen erotuskartan. Se korostaa alueita, joissa yhden datasetin arvot ovat korkeampia tai matalampia verrattuna toiseen, mikä helpottaa trendien ja muutosten havaitsemista ajan myötä.

Tämä työkalu on erityisen hyödyllinen maaperäominaisuuksien, sadon tai kaukokartoitusdatan vaihteluiden visualisoinnissa, auttaen nopeasti tunnistamaan avainalueita, jotka saattavat tarvita lisäanalyysiä tai toimenpiteitä.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Tämä funktio laskee pikselikohtaisen suhteellisen erotuksen normalisoimalla datasetien välinen ero käyttämällä arvoja kohteesta dataset_2. Tämä tarkoittaa, että se näyttää kuinka merkittävä muutos on suhteessa dataset_2.

Suhtellinen vertailu on erityisen hyödyllinen, kun käsitellään eri mittakaavoilla olevia datasettejä, sillä se auttaa paljastamaan suhteellisia muutoksia maaperäominaisuuksissa, satotuotoissa tai anturituloksissa. Tämä menetelmä mahdollistaa huomionarvoisten vaihteluiden esiintuomisen.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Tämä funktio laskee pikselikohtaisen normalisoidun erotuksen skaalaamalla molemmat datasetit niiden globaalin suurimman arvon mukaan. Tämä prosessi tekee datasetit suoraan vertailukelpoisiksi, vaikka niillä olisi alun perin eri vaihteluvälit.

Tuloksena oleva kartta tarjoaa selkeän näkymän maaperäominaisuuksien, sadon ja kaukokartoitusdatan vaihteluista, mahdollistaen tärkeiden erojen nopean havaitsemisen ja arvioinnin.

build_zones_by_intervals

# intervallit vyöhykkeiden muodostamiseen
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Tämä funktio luo hallintovyöhykekartan luokitellen jatkuvan rasterikerroksen erillisiksi vyöhykkeiksi käyttäjän määrittelemien arvointervallien perusteella.

Jokainen intervalli määrittelee vyöhykkeen, ja jokainen pikseli saa sen vyöhykkeen, jonka arvoalueeseen se kuuluu. Pikselit, jotka eivät vastaa mitään intervallia, merkitään arvolla -1.

Tätä vyöhykkeistysmenetelmää käytetään yleisesti sadonkarttojen, maaperäominaisuuksien tai kaukokartoitusindeksien muuntamiseen ohjattaviin hallintavyöhykkeisiin muuttuvan levityksen sovelluksia varten.

Tyypilliset käyttötapaukset

• Hallintovyöhykkeiden luominen sadosta, NDVI:stä tai maaperäkerroksista

• Vyöhykekarttojen valmistelu ravinne- tai kylvömäärälaskelmia varten

• Peltojen jakaminen homogeenisiin vyöhykkeisiin päätöksenteon tueksi

calculate_nutrient_rate_as_active_ingredients_per_zone

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

# applied_nutrient_operations -vaihtoehdot
applied_operations = [
    5,                                      # operaatio1 vakiona
    {1: 2, 2: 4},                           # operaatio2 vyöhykkeittäin sanakirjana
    np.array([[1, 1], [2, 3]], dtype=float) # operaatio3 jatkuvana rasterikerroksena
]

# 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 # tai []
)

Tämä funktio laskee kullekin hallintovyöhykkeelle tarvittavan ravinnemäärän (aktiivinen aine).

Laskenta perustuu:

• tavoiteravinnearvoon,

• maaperästä kasveille saatavilla olevaan ravinnevarastoon,

• aiemmin levitettyihin ravinteisiin (lanta, lannoitteet, mädäte jne.).

Levitystoimet voidaan antaa vakioina, vyöhykkeittäin annettuina arvoina, rasterikerroksina tai näiden yhdistelmänä. Kaikki syötteet ratkaistaan ja agregoidaan automaattisesti vyöhykettä kohti.

Oletuksena tarvittava määrä lasketaan tavoitetason ja maaperän ravinnevaraston sekä aiemmin levitettyjen ravinteiden summan erotuksena. Tuloksena palautetaan rasterikartta, jossa jokaisella vyöhykkeellä on yhtenäinen ravinnemäärä.

convert_active_ingredient_and_product

# muuntosuhde aktiivinen_aine -> tuote ja päinvastoin
corrected_coefficient = 1.5  # vakio kerroin
# TAI
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # pikselikohtaiset kertoimet

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

Tämä funktio muuntaa rasterikerroksen välillä aktiivisen aineen määrät ja tuotemäärät käyttäen korjauskerrointa.

Korjauskerroin corrected_coefficient voi olla yksittäinen liukulukuarvo (sovellettu kaikkiin pikseleihin) tai kerroin matriisi (pikselikohtainen muunnos). Sitä käytetään tyypillisesti laskettujen ravinnetarpeiden (aktiivinen aine) muuntamiseen todellisiksi tuotteen levitysmääriksi tai päinvastoin, perustuen lannoitteen koostumukseen tai ravinnekonsentraatioon.

Muunnos sovelletaan pikseli kerrallaan, säilyttäen alkuperäisen kerroksen tilallisen rakenteen.

Tyypilliset käyttötapaukset

• Ravinnemäärien muuntaminen lannoitetuotteiden määriksi

• Levityskarttojen säätäminen ravinnekonsentraation perusteella

• Lopullisten reseptikarttojen valmistelu koneita varten

estimate_texture_class_based_on_usda

usda_texture = geopard.estimate_texture_class_based_on_usda(
    sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
)

Tämä funktio arvioi USDA:n maaperän tekstuuriluokan jokaiselle pikselille käyttäen hiekka-, liete- ja savuprosentteja.

Anna kolme prosenttilukemisina (0–100) esitettyä rasterikerrosta, jotka kuvaavat partikkelikokojakaumia. Tuloksena on USDA-luokkien nimiä, kuten sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay tai undefined kun syötteet ovat virheellisiä.

estimate_texture_class_based_on_fao_wrb

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(
    sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
)

Tämä funktio arvioi FAO/WRB:n (ISO 11277) maaperän tekstuuriluokan jokaiselle pikselille hiekka-, liete- ja savuprosenttien perusteella.

Anna kolme prosenttilukemisina (0–100) esitettyä rasterikerrosta, jotka kuvaavat partikkelikokojakaumia. Tuloksena on FAO/WRB-luokkakoodit, kuten S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, tai undefined kun syötteet ovat virheellisiä.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Tämä funktio laskee maaperän kuutiomassan tiheyden (g/cm³) tekstuuriluokan ja valinnaisen maaperän orgaanisen aineen (SOM) perusteella.

Korjauskerroin texture_class_layer pitäisi sisältää luokkien nimiä tai koodeja, jotka tuotetaan edellä mainitulla USDA-tekstuurifunktiolla tai FAO/WRB-tekstuurifunktiolla mainittuna yllä.

Jos som_pct_layer annettaessa (prosentteina) funktio säätää kuutiomassa-tiheyttä SOMin perusteella. Muuten se palauttaa maaperän kuutiomassan tiheyden (g/cm³) arvot, jotka liittyvät tekstuuriluokkiin USDA:n tai FAO/WRB:n hakutaulukon mukaan.