Catalogue de fonctions personnalisées
Ces fonctions encapsulent du code Python complexe, vous permettant d'implémenter facilement des manipulations et des calculs sophistiqués des données.
GeoPard propose un catalogue complet de fonctions personnalisées conçues pour améliorer la lisibilité et la fonctionnalité des analyses basées sur des équations. Ces fonctions encapsulent des python codes, vous permettant d’implémenter facilement des manipulations et calculs de données sophistiqués.
Saisir l’équation
La liste des fonctions préconstruites disponibles pour créer des équations plus intuitives et maintenables au sein de la plateforme GeoPard est intégrée dans le package geopard package :
fill_gaps_with_k_neighbors
Cette fonction restaure les lacunes ou les zéros dans un jeu de données en utilisant l’algorithme des K-voisins. En spécifiant la variable input_data (comme jeu de données avec l’attribut sélectionné) et le nombre de voisins k, vous pouvez combler sans effort les valeurs manquantes, assurant la continuité et l’intégrité des données.
Cette fonction fonctionne bien lorsque les lacunes de données sont réparties dans le champ et ne se concentrent pas sur une partie particulière de la bordure du champ.
determine_data_similarity
Utilisez cette fonction pour calculer la similarité pixel par pixel entre deux jeux de données. Les variables data_layer_1 et data_layer_2 doivent représenter la même mesure dans la mêmes unités pour garantir une comparaison significative. En fournissant des variables data_layer_1 et data_layer_2 associées à des jeux de données, vous pouvez générer une carte de similarité avec des valeurs allant de 0 à 1, facilitant les études comparatives et la reconnaissance de motifs.
determine_data_similarity_from_normalized
Utilisez cette fonction pour calculer la similarité pixel par pixel entre deux jeux de données normalisés. La normalisation est recommandée lorsque les données d’origine data_layer_1 et data_layer_2 ont des échelles ou des unités différentes. En fournissant ces jeux de données en entrée, la fonction génère une carte de similarité avec des valeurs comprises entre 0 et 1, la rendant adaptée aux études comparatives, à la reconnaissance de motifs et à l’analyse de cohérence spatiale.
determine_low_high_similarity
Cette fonction évalue la similarité bas-haut entre deux jeux de données. En entrant des variables data_layer_1 et data_layer_2 associées à des jeux de données, vous obtenez une carte de similarité catégorisée indiquant des combinaisons telles que faible-faible, faible-élevé, élevé-faible et élevé-élevé, utile pour une classification nuancée des données.
get_value_for_zone
Utilisez cette fonction pour extraire toutes les valeurs d’un attribut de jeu de données à l’intérieur d’une seule zone. Fournissez data_layer (la couche d’attribut), zones_layer (la carte des zones), et zone_id (le numéro de zone) pour isoler les valeurs à analyser, telles que le rendement, le taux d’application ou le taux de semence, à l’intérieur de cette zone.
drop_value
Cette fonction permet de supprimer des valeurs spécifiques d’un attribut de jeu de données. En spécifiant data_layer associées à un attribut de jeu de données et value_to_drop en tant que nombre, vous pouvez nettoyer les données de l’attribut du jeu de données en les éliminant du résultat (techniquement en remplaçant les valeurs indésirables par NaN).
normalize_data
Normalisez efficacement votre attribut de jeu de données avec cette fonction. En entrant data_layer associé à l’attribut du jeu de données, vous pouvez mettre à l’échelle les données vers une plage standardisée de 0 à 1, facilitant la comparaison et l’intégration entre différents jeux de données.
calculate_total_applied_fertilizer
Calculez la quantité totale d’engrais appliquée en unités par surface (par exemple en kg/ha, l/ha, gal/ac, etc.). En fournissant application_list jeux de données avec des attributs AppliedRate et les active_ingredient_coefficient_list correspondants pour les produits fertilisants afin d’obtenir la quantité totale réelle d’engrais appliquée en unités (par exemple en kg, l, gal, etc.).
calculate_total_applied_nitrogen
Calculez la quantité totale d’azote appliquée en kg/ha à l’aide de cette fonction. En fournissant application_list jeux de données avec des attributs AppliedRate et les active_ingredient_coefficient_list avec des produits azotés pour convertir l’azote réel en kg/ha, vous pouvez calculer avec précision la quantité totale d’azote appliquée, essentielle pour la planification agricole et les évaluations de durabilité. La sortie est utilisée comme N_total_applied dansgeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
Déterminez l’absorption d’azote en kg/ha avec cette fonction. En fournissant yield_wet_tha, moisture_pct, protein_pct à partir du jeu de données de rendement et protein_crop_correction_coefficient représentant le lien entre la protéine et l’absorption d’azote, vous pouvez évaluer l’efficacité d’utilisation de l’azote dans la production de cultures. La sortie est utilisée comme N_uptake dansgeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
Évaluez l’efficacité d’utilisation de l’azote en pourcentage à l’aide de cette fonction. En saisissant N_total_applied et N_uptake des variables (provenant des fonctions précédentes), vous pouvez mesurer l’efficacité de l’application d’azote, aidant à optimiser l’utilisation des engrais.
calculate_costs
Calculez les coûts totaux en fonction des taux d’application et des prix avec cette fonction. En fournissant une application_rate_list de jeux de données avec les attributs AppliedRate et une price_per_unit_list, vous pouvez agréger les dépenses liées à diverses activités agricoles, aidant à la gestion du budget et à la planification financière. La sortie est utilisée comme costs dansgeopard.calculate_profit.
calculate_revenue
Calculez les recettes à partir du jeu de données de rendement en utilisant cette fonction. En saisissant yield_as_mass associé à l’attribut du jeu de données de rendement et le yield_price_per_unit, vous pouvez estimer les revenus générés par la production agricole, facilitant les évaluations économiques. La sortie est utilisée comme costs dansgeopard.calculate_profit .
calculate_profit
Déterminez le profit en soustrayant les coûts des recettes à l’aide de cette fonction. En fournissant les revenue et costs variables (provenant des fonctions précédentes), vous pouvez calculer facilement le gain financier de vos opérations agricoles, soutenant l’analyse de rentabilité et la prise de décisions stratégiques.
fill_value_for_range
Cette fonction filtre les valeurs dans une plage spécifiée dans le input tableau. En fournissant le input array, ainsi que les min_value et éventuellement max_value seuils, vous pouvez isoler les valeurs qui se situent dans la plage souhaitée. Le value_to_fill paramètre permet de remplacer les valeurs hors plage par une valeur spécifiée, améliorant les processus de filtrage et de normalisation des données.
calculate_per_pixel_mae
Utilisez cette fonction pour calculer l’erreur absolue moyenne (MAE) par pixel entre deux jeux de données. Elle fournit une carte spatiale des différences absolues. La « différence absolue » est simplement l’amplitude de l’écart entre les valeurs des pixels correspondants, en ignorant si l’un est plus élevé ou plus bas.
La fonction aide à identifier les zones présentant des écarts plus importants.
calculate_per_pixel_relative_deviation
Cette fonction calcule la déviation relative pour chaque pixel entre deux jeux de données, exprimant la différence en pourcentage de la valeur dans dataset_1. Essentiellement, elle montre de combien la valeur d’un pixel s’écarte de la valeur correspondante dans dataset_1 en termes proportionnels.
Cette approche est particulièrement précieuse lors de l’analyse des variations des propriétés du sol, du rendement des cultures ou des données de télédétection, permettant de repérer rapidement les zones présentant des différences proportionnelles importantes.
calculate_difference
Cette fonction soustrait un jeu de données d’un autre pour créer une carte de différences. Elle met en évidence les zones où les valeurs d’un jeu de données sont supérieures ou inférieures par rapport à l’autre, facilitant la détection des tendances et des changements au fil du temps.
Cet outil est particulièrement utile pour visualiser les variations des propriétés du sol, du rendement des cultures ou des données de télédétection, aidant à identifier rapidement les zones clés qui peuvent nécessiter une analyse ou une intervention supplémentaire.
calculate_relative_difference
Cette fonction calcule la différence relative pour chaque pixel en normalisant la différence entre les jeux de données en utilisant les valeurs de dataset_2. Cela signifie qu’elle montre l’importance du changement par rapport à l’amplitude de dataset_2.
Une telle comparaison proportionnelle est particulièrement utile lorsque l’on traite des jeux de données de différentes échelles, aidant à révéler des variations relatives des propriétés du sol, des rendements ou des sorties de capteurs. Cette approche permet de localiser les zones présentant des variations notables.
calculate_normalized_difference
Cette fonction calcule la différence normalisée pour chaque pixel en mettant à l’échelle les deux jeux de données par rapport à leur valeur maximale globale. Ce processus rend les jeux de données directement comparables même s’ils avaient initialement des plages différentes.
La carte résultante offre une vue claire des variations des propriétés du sol, du rendement des cultures et des données de télédétection, permettant d’identifier et d’évaluer rapidement les principales différences.
build_zones_by_intervals
Cette fonction crée une carte de zones de gestion en classifiant une couche raster continue en zones discrètes basées sur des intervalles de valeurs définis par l’utilisateur.
Chaque intervalle définit une zone, et chaque pixel est assigné à la zone dont la plage de valeurs le contient. Les pixels qui ne correspondent à aucun intervalle sont marqués comme -1.
Cette approche de zonage est couramment utilisée pour transformer des cartes de rendement, des propriétés du sol ou des indices de télédétection en zones de gestion exploitables pour des applications à taux variable.
Cas d’utilisation typiques
Création de zones de gestion à partir de couches de rendement, NDVI ou du sol
Préparation de cartes de zones pour le calcul des taux d’engrais ou d’ensemencement
Segmentation des parcelles en zones homogènes pour la prise de décision
calculate_nutrient_rate_as_active_ingredients_per_zone
Cette fonction calcule le taux d’application de nutriment requis (principe actif) pour chaque zone de gestion.
Le calcul se base sur :
un niveau cible de nutriment,
l’apport en nutriments disponibles pour la plante provenant du sol,
les nutriments déjà appliqués via des opérations précédentes (fumier, engrais, digestat, etc.).
Les opérations de nutriments appliqués peuvent être fournies sous forme de constantes, de valeurs par zone, de couches raster ou de toute combinaison de celles-ci. Toutes les entrées sont automatiquement résolues et agrégées par zone.
Par défaut, le taux requis est calculé comme la différence entre le niveau cible de nutriment et la somme de l’apport du sol et des nutriments appliqués. Le résultat est renvoyé sous forme de carte raster où chaque zone contient un taux de nutriment uniforme.
convert_active_ingredient_and_product
Cette fonction convertit une couche raster entre taux de principe actif et taux de produit en utilisant un coefficient de correction.
Le corrected_coefficient peut être un seul float (appliqué à tous les pixels) ou une matrice de coefficient (conversion par pixel). Il est généralement utilisé pour traduire les besoins en nutriments calculés (principe actif) en taux d’application de produits réels, ou inversement, en fonction de la composition de l’engrais ou de la concentration en nutriments.
La conversion est appliquée pixel par pixel, préservant la structure spatiale de la couche d’origine.
Cas d’utilisation typiques
Conversion des taux de nutriments en taux de produits fertilisants
Ajustement des cartes d’application en fonction de la concentration en nutriments
Préparation des cartes de prescription finales pour la machinerie
estimate_texture_class_based_on_usda
Cette fonction estime la texture du sol selon l’USDA pour chaque pixel en utilisant les pourcentages de sable, limon et argile.
Fournissez trois couches raster en pourcentage (0-100) représentant les fractions de taille de particules. La sortie est des noms de classes USDA tels que sable, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, ou undefined lorsque les entrées sont invalides.
estimate_texture_class_based_on_fao_wrb
Cette fonction estime la classe de texture du sol FAO/WRB (ISO 11277) pour chaque pixel basée sur les pourcentages de sable, limon et argile.
Fournissez trois couches raster en pourcentage (0-100) représentant les fractions de taille de particules. La sortie est Codes de classe FAO/WRB tels que S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, ou undefined lorsque les entrées sont invalides.
calculate_soil_bulk_density
Cette fonction calcule la densité massique du sol (g/cm³) basée sur la classe de texture et éventuellement la matière organique du sol (MOS).
Le texture_class_layer doit contenir des noms de classes ou des codes produits par la fonction de texture USDA ou la fonction de texture FAO/WRB mentionnées ci‑dessus.
Si som_pct_layer est fournie (pourcentage), la fonction ajuste la densité massique en tenant compte de la MOS. Sinon, elle renvoie les valeurs de densité massique du sol (g/cm³) associées aux classes de texture selon les tables USDA ou FAO/WRB.
Mis à jour
Ce contenu vous a-t-il été utile ?