# Egyéni függvények katalógusa A GeoPard az egyedi függvények átfogó katalógusát kínálja, amelyeket úgy terveztek, hogy javítsák az egyenletalapú elemzések olvashatóságát és funkcionalitását. Ezek a függvények összetett `python` kódot foglalnak magukba, így könnyedén végezhet kifinomult adatmanipulációkat és számításokat. ### Egyenlet megadása

Adjon meg egy egyenletet

A GeoPardban intuitívabb és könnyebben karbantartható egyenletek létrehozásához elérhető előre elkészített függvények listája a `geopard` csomagban található: ### fill\_gaps\_with\_k\_neighbors ```python # az input_data egy Dataset attribútumréteg (pl. Yield, NDVI) filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5) ``` Ez a függvény a K-Neighbors algoritmus segítségével állítja helyre az adathiányokat vagy nullákat egy adathalmazban. Az `input_data` változó (mint Dataset a kiválasztott attribútummal) és a szomszédok száma, `k`megadásával zökkenőmentesen kitöltheti a hiányzó értékeket, biztosítva az adatok folytonosságát és épségét. Ez a függvény akkor működik jól, ha az adathiányok a táblán belül elszórtan helyezkednek el, és nem a táblahatár egy adott részéhez kötődnek. ### determine\_data\_similarity ```python similarity = geopard.determine_data_similarity(yield_2023, yield_2024) ``` Ezzel a függvénnyel két Dataset pixelenkénti hasonlóságát számíthatja ki. A `data_layer_1` és `data_layer_2` változóknak ugyanazt a **mérést** kell képviselniük **azonos mértékegységben** az értelmes összehasonlítás érdekében. Ha Datasetekhez `data_layer_1` és `data_layer_2` kapcsolódó változókat ad meg, 0 és 1 közötti értékeket tartalmazó hasonlósági térképet hozhat létre, ami segíti az összehasonlító vizsgálatokat és a mintázatfelismerést. ### 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) ``` Ezzel a függvénnyel két normalizált adathalmaz pixelenkénti hasonlóságát számíthatja ki. A normalizálás akkor ajánlott, ha az eredeti `data_layer_1` és `data_layer_2` különböző skálájúak vagy eltérő mértékegységűek. Ha ezeket az adathalmazokat bemenetként megadja, a függvény 0 és 1 közötti értékekkel hasonlósági térképet készít, így alkalmas összehasonlító vizsgálatokra, mintázatfelismerésre és térbeli konzisztenciaelemzésre. ### determine\_low\_high\_similarity ```python zones = geopard.determine_low_high_similarity(soil_ph, yield_layer) ``` Ez a függvény két Dataset alacsony-magas hasonlóságát értékeli. Ha `data_layer_1` és `data_layer_2` Datasetekhez kapcsolódó változókat ad meg, kategorizált hasonlósági térképet kap, amely olyan kombinációkat jelez, mint alacsony-alacsony, alacsony-magas, magas-alacsony és magas-magas; ez hasznos a részletesebb adatosztályozáshoz. ### get\_value\_for\_zone ```python zone_3_values = geopard.get_value_for_zone(yield_layer, zone_map, zone_id=3) ``` Ezzel a függvénnyel egy Dataset attribútum összes értékét kinyerheti egyetlen zónán belül. Adja meg a `data_layer` (az attribútumréteget), `zones_layer` (a zónatérképet), valamint a `zone_id` (a zóna számát), hogy elkülönítse az adott zónán belüli elemzéshez szükséges értékeket, például terméshozamot, kijuttatási mennyiséget vagy vetőmagnormát. ### drop\_value ```python clean_layer = geopard.drop_value(elevation_layer, value_to_drop=0) ``` Ez a függvény lehetővé teszi, hogy eltávolítson meghatározott értékeket egy adathalmaz attribútumából. A `data_layer` és `value_to_drop`megadásával megtisztíthatja az adathalmazt úgy, hogy ezeket az értékeket eltávolítja az eredményből, technikailag `NaN`. ### értékre cserélve őket ```python ndvi_normalized = geopard.normalize_data(ndvi_layer) ``` Ezzel a függvénnyel normalizálhat egy adathalmaz-attribútumot. Ha megadja `data_layer`ezt, az adatokat szabványosított 0 és 1 közötti tartományra skálázhatja, ami megkönnyíti a különböző adathalmazok összehasonlítását és integrálását. ### calculate\_total\_applied\_fertilizer ```python applications = [urea_rate, map_rate] coefficients = [1.0, 1.0] # használjon 1.0-t a mértékegységek megtartásához, vagy módosítsa a termék koncentrációja szerint total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients) ``` Ezzel a függvénnyel kiszámíthatja az összes kijuttatott műtrágya mennyiségét területegységre vetített mértékegységben (például kg/ha, l/ha, gal/ac stb.). A `application_list` AppliedRate attribútummal rendelkező Datasetjeinek és a hozzájuk tartozó `active_ingredient_coefficient_list` műtrágyatermékekhez való megadásával megkaphatja a tényleges összes kijuttatott műtrágya mennyiségét egységben (például kg, l, gal stb.). ### calculate\_total\_applied\_nitrogen ```python applications = [urea_rate, uan_rate] nitrogen_coefficients = [0.46, 0.32] # N arány (hatóanyag) az egyes termékekben N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients) ``` Ezzel a függvénnyel kiszámíthatja az összes kijuttatott nitrogént kg/ha-ban. A `application_list` AppliedRate attribútummal rendelkező Datasetjeinek és a hozzájuk tartozó `active_ingredient_coefficient_list` nitrogéntartalmú termékekhez való megadásával, hogy a tényleges nitrogént kg/ha-ra alakítsa, pontosan kiszámíthatja az összes kijuttatott nitrogént, ami fontos a mezőgazdasági tervezéshez és a fenntarthatósági értékelésekhez. A kimenetként kapott érték használata `N_total_applied` itt történik:[`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 ) ``` Ezzel a függvénnyel meghatározhatja a nitrogénfelvételt kg/ha-ban. Ha megadja a `yield_wet_tha`, `moisture_pct`, `protein_pct` értékeket a Yield Datasetből, valamint a `protein_crop_correction_coefficient` értéket, amely a fehérje és a nitrogénfelvétel kapcsolatát jelöli, felmérheti a nitrogénhasznosítás hatékonyságát a növénytermesztésben. A kimenetként kapott érték használata `N_uptake` itt történik:[`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) ``` Ezzel a függvénnyel százalékos formában értékelheti a nitrogénhasznosítás hatékonyságát. Ha megadja a [`N_total_applied`](#calculate_total_applied_nitrogen) és [`N_uptake`](#calculate_nitrogen_uptake) változókat (az előző függvényekből), mérheti a nitrogénkijuttatás hatékonyságát, ami segít a műtrágyahasználat optimalizálásában. ### calculate\_costs ```python rates = [seed_rate, fertilizer_rate] prices = [1.2, 0.8] # egységár minden normaréteghez costs = geopard.calculate_costs(rates, prices) ``` Ezzel a függvénnyel kiszámíthatja az összes költséget a kijuttatási normák és az árak alapján. Ha megad egy `application_rate_list` listát AppliedRate attribútummal rendelkező Datasetekből és egy hozzá tartozó `price_per_unit_list`listát, összesítheti a különféle mezőgazdasági tevékenységekhez kapcsolódó kiadásokat, támogatva a költségvetés-kezelést és a pénzügyi tervezést. A kimenetként kapott érték használata `costs` itt történik:[`geopard.calculate_profit`](#calculate_profit). ### calculate\_revenue ```python revenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25) ``` Ezzel a függvénnyel kiszámíthatja a bevételt a Yield Dataset alapján. Ha megadja a `yield_as_mass` változót, amely a Yield Dataset attribútumához kapcsolódik, valamint a `yield_price_per_unit`értéket, megbecsülheti a növénytermesztésből származó bevételt, megkönnyítve a gazdasági értékeléseket. A kimenetként kapott érték használata `costs` itt történik:[`geopard.calculate_profit`](#calculate_profit) . ### calculate\_profit ```python profit = geopard.calculate_profit(revenue, costs) ``` Ezzel a függvénnyel meghatározhatja a profitot úgy, hogy a bevételből kivonja a költségeket. Ha megadja a [`revenue`](#calculate_revenue) és [`costs`](#calculate_costs) változókat (az előző függvényekből), könnyen kiszámíthatja a mezőgazdasági műveletekből származó pénzügyi nyereséget, támogatva a jövedelmezőségi elemzést és a stratégiai döntéshozatalt. ### fill\_value\_for\_range ```python # csak a 10 és 20 közötti értékeket tartsa meg, a többit cserélje 0-ra filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0) ``` Ez a függvény egy megadott tartományon belüli értékeket szűr az `input` tömbben. A `input` tömb, valamint az opcionális `min_value` és opcionális `max_value` küszöbértékek megadásával elkülönítheti a kívánt tartományba eső értékeket. A `value_to_fill` paraméter lehetővé teszi a tartományon kívüli értékek megadott értékkel történő helyettesítését, javítva az adatszűrési és normalizálási folyamatokat. ### calculate\_per\_pixel\_mae ```python mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield) ``` Ezzel a függvénnyel kiszámíthatja a pixelenkénti átlagos abszolút hibát (MAE) két adathalmaz között. A függvény az abszolút eltérések térbeli térképét adja. Az „abszolút eltérés” egyszerűen a megfelelő pixelek értékei közötti különbség nagyságát jelenti, függetlenül attól, hogy melyik magasabb vagy alacsonyabb. A függvény segít azonosítani a nagyobb eltérésekkel rendelkező területeket. ### calculate\_per\_pixel\_relative\_deviation ```python relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield) ``` Ez a függvény két adathalmaz között minden pixelre kiszámítja a relatív eltérést, és a különbséget a `dataset_1`értékének százalékában fejezi ki. Lényegében azt mutatja meg, hogy egy pixel értéke mennyire tér el a megfelelő értéktől a `dataset_1` viszonyában arányos formában. Ez a megközelítés különösen értékes a talajtulajdonságok, terméshozam vagy távérzékelési adatok változásainak elemzésekor, mert segít gyorsan észrevenni a jelentős arányos különbségeket mutató területeket. ### calculate\_difference ```python difference = geopard.calculate_difference(yield_2024, yield_2023) ``` Ez a függvény kivon egy adathalmazt egy másikból, hogy különbségtérképet hozzon létre. Kiemeli azokat a területeket, ahol az egyik adathalmaz értékei magasabbak vagy alacsonyabbak a másikhoz képest, így könnyebb észrevenni a trendeket és az időbeli változásokat. Ez az eszköz különösen hasznos a talajtulajdonságok, terméshozam vagy távérzékelési adatok eltéréseinek megjelenítésére, segítve a további elemzést vagy beavatkozást igénylő területek gyors azonosítását. ### calculate\_relative\_difference ```python relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023) ``` Ez a függvény minden pixelre kiszámítja a relatív különbséget úgy, hogy az adathalmazok közötti eltérést a `dataset_2`értékei alapján normalizálja. Ez azt jelenti, hogy megmutatja, mennyire jelentős a változás a `dataset_2`. nagyságához viszonyítva. Az ilyen arányos összehasonlítás különösen hasznos eltérő skálájú adathalmazok esetén, mert segít feltárni a talajtulajdonságok, terméshozamok vagy szenzorkimenetek relatív elmozdulásait. Ez a megközelítés segít a számottevő eltérést mutató területek beazonosításában. ### calculate\_normalized\_difference ```python normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2) ``` Ez a függvény minden pixelre kiszámítja a normalizált különbséget úgy, hogy mindkét adathalmazt a saját globális maximumértékükhöz skálázza. Ez a folyamat közvetlenül összehasonlíthatóvá teszi az adathalmazokat még akkor is, ha eredetileg eltérő tartományúak. Az eredményül kapott térkép világos képet ad a talajtulajdonságok, a terméshozam és a távérzékelési adatok eltéréseiről, lehetővé téve a lényeges különbségek gyors azonosítását és értékelését. ### build\_zones\_by\_intervals ```python # intervallumok a zónázáshoz intervals = [ (4, 8), (8, 12), (12, 16) ] # használat zones = geopard.build_zones_by_intervals( layer, intervals ) ``` Ez a függvény kezelési zónatérképet hoz létre úgy, hogy egy folytonos raszterréteget a felhasználó által meghatározott értékintervallumok alapján diszkrét zónákba sorol. Minden intervallum egy zónát határoz meg, és minden pixel ahhoz a zónához lesz rendelve, amelynek értéktartományába esik. Azokat a pixeleket, amelyek egyik intervallumba sem illenek, -1 értékkel jelöli. Ezt a zónázási megközelítést általában arra használják, hogy a terméstérképeket, talajtulajdonságokat vagy távérzékelési indexeket gyakorlati kezelési zónákká alakítsák a differenciált kijuttatáshoz. **Tipikus felhasználási esetek** * Kezelési zónák létrehozása hozam-, NDVI- vagy talajrétegekből * Zónatérképek előkészítése tápanyag- vagy vetésinorma-számításokhoz * Táblák homogén zónákra bontása a döntéshozatal támogatására ### calculate\_nutrient\_rate\_as\_active\_ingredients\_per\_zone ```python # target_nutrient lehetőségek target_nutrient_option1 = 50 # állandó szám # VAGY target_nutrient_option2 = {1: 20, 2: 40} # zónánkénti dict # VAGY target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # folytonos raszterréteg # applied_nutrient_operations lehetőségek applied_operations = [ 5, # operation1 állandó számként {1: 2, 2: 4}, # operation2 zónánkénti dictként np.array([[1, 1], [2, 3]], dtype=float) # operation3 folytonos raszterrétegként ] # használat 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 # vagy [] ) ``` Ez a függvény minden kezelési zónára kiszámítja a szükséges tápanyag-kijuttatási normát (hatóanyagban). A számítás alapja: * egy célzott tápanyagszint, * a talajból származó, növény számára felvehető tápanyagellátás, * a korábbi műveletekkel már kijuttatott tápanyagok (trágya, műtrágya, fermentlé stb.). A kijuttatott tápanyag-műveletek megadhatók konstansként, zónánkénti értékként, raszterrétegként vagy ezek bármilyen kombinációjaként. Minden bemenet automatikusan feloldásra és zónánként összesítésre kerül. Alapértelmezés szerint a szükséges norma a célzott tápanyagszint és a talajellátás plusz a kijuttatott tápanyagok összege közötti különbségként kerül kiszámításra. Az eredmény egy rasztertérképként tér vissza, ahol minden zóna egységes tápanyagnormát tartalmaz. ### convert\_active\_ingredient\_and\_product ```python # átváltási együttható hatóanyag és termék között, illetve vissza corrected_coefficient = 1.5 # állandó együttható # VAGY corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float) # pixelenkénti együtthatók # használat rates_as_products = geopard.convert_active_ingredient_and_product( layer, corrected_coefficient ) ``` Ez a függvény egy raszterréteget alakít át **hatóanyag-dózisok és termékdózisok között** egy korrekciós együttható használatával. A `corrected_coefficient` lehet egyetlen **float** (minden pixelre alkalmazva) vagy együttható **mátrix** (pixelenkénti átváltás). Jellemzően arra használják, hogy a kiszámított tápanyagigényt (hatóanyag) a műtrágya összetétele vagy a tápanyag-koncentráció alapján tényleges termék-kijuttatási normává alakítsák, vagy fordítva. Az átváltás pixelenként történik, megőrizve az eredeti réteg térbeli szerkezetét. **Tipikus felhasználási esetek** * Tápanyagdózisok műtrágyatermék-dózisokká alakítása * Kijuttatási térképek igazítása a tápanyag-koncentráció alapján * Végső kijuttatási előírástérképek előkészítése a gépek számára ### 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 ) ``` Ez a függvény minden pixelre megbecsüli az USDA talajtextúrát a homok-, iszap- és agyagszázalék alapján. Adjon meg három raszterréteget százalékban (0-100), amelyek a szemcseméret-frakciókat jelölik. A kimenet USDA osztálynevek, például *sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay, vagy undefined* ha a bemenetek érvénytelenek. ### 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 ) ``` Ez a függvény minden pixelre megbecsüli az FAO/WRB (ISO 11277) talajtextúra-osztályt a homok-, iszap- és agyagszázalék alapján. Adjon meg három raszterréteget százalékban (0-100), amelyek a szemcseméret-frakciókat jelölik. A kimenet FAO/WRB osztálykódok, például *S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, vagy undefined* ha a bemenetek érvénytelenek. ### calculate\_soil\_bulk\_density ```python bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer) ``` Ez a függvény kiszámítja a talaj térfogattömegét (g/cm³) a textúraosztály és az opcionális talaj szervesanyag-tartalma (SOM) alapján. A `texture_class_layer` a [USDA textúrafüggvény](#estimate_texture_class_based_on_usda) vagy a [FAO/WRB textúrafüggvény](#estimate_texture_class_based_on_fao_wrb) által fent előállított osztályneveket vagy kódokat kell tartalmazza. Ha a `som_pct_layer` százalékos értékként van megadva, a függvény ennek alapján igazítja a térfogattömeget SOM szerint. Ellenkező esetben a textúraosztályokhoz tartozó, USDA vagy FAO/WRB keresőtábla szerinti talaj térfogattömeg-értékeket ad vissza g/cm³-ben. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.geopard.tech/geopard-tutorials/hu/termekbemutato-webes-alkalmazas/kepletalapu-elemzes/egyeni-fuggvenyek-katalogusa.md?ask= ``` The question should be specific, self-contained, and written in natural language. 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.